W tym wyzwaniu musisz znaleźć określony piksel na zdjęciu (zrobionym prawdziwym aparatem).
Otrzymujesz krotkę (R, G, B) i obraz, i musisz zwrócić punkt (x, y) w obrazie, który odpowiada podanemu kolorowi RGB . Obraz może zawierać wiele punktów pasujących do koloru; musisz tylko znaleźć 1.
Wyzwaniem jest to, że trzeba to zrobić podczas czytania jak kilka pikseli, jak to możliwe . Twój wynik będzie całkowitą liczbą pikseli odczytanych we wszystkich przypadkach testowych.
Jeśli chcesz, możesz odczytać cały obraz w tablicy wartości RGB, o ile nie wykonujesz żadnego przetwarzania pikseli. Pozwalam na to wyłącznie w celu zwiększenia wydajności. Na przykład w Pythonie list(Image.open("image_name+".jpg").convert("RGB").getdata())
jest w porządku.
Lokalizacje na stałe są niedozwolone. Twój algorytm powinien działać dobrze w przypadku więcej niż tylko przypadków testowych wymienionych poniżej. Nie wolno zapisywać danych między przypadkami testowymi. Wybrałem wartości RGB, które pojawiają się rzadko ( <10
) na obrazie (w przypadku, gdy ma to znaczenie dla twojego algorytmu). Jeśli używasz losowości w algorytmie, ustaw ziarno, aby twój wynik był stały.
Obrazy można znaleźć na Github
Przypadki testowe:
image_name:
(r, g, b) [all possible answers]
barn:
(143,91,33) [(887,1096),(2226,1397),(2007,1402),(2161,1508),(1187,1702)]
(53,35,59) [(1999,1260)]
(20,24,27) [(1328,1087),(154,1271)]
(167,148,176) [(1748,1204)]
(137,50,7) [(596,1498)]
(116,95,94) [(1340,1123)]
(72,49,59) [(1344,857),(1345,858),(1380,926),(1405,974),(1480,1117)]
(211,163,175) [(1963,745)]
(30,20,0) [(1609,1462),(1133,1477),(1908,1632)]
(88,36,23) [(543,1494),(431,1575)]
daisy:
(21,57,91) [(1440,1935),(2832,2090),(2232,2130),(1877,2131),(1890,2132)]
(201,175,140) [(1537,1749),(2319,1757)]
(169,160,0) [(2124,759)]
(113,123,114) [(1012,994),(2134,1060),(1803,1183),(1119,1335)]
(225,226,231) [(3207,829),(3256,889),(3257,889),(1434,981),(2599,1118),(2656,1348),(2656,1351)]
(17,62,117) [(2514,3874),(2336,3885)]
(226,225,204) [(3209,812)]
(119,124,146) [(2151,974),(2194,1021),(2194,1022),(2202,1034),(2812,1500)]
(2,63,120) [(2165,3881),(2326,3882),(2330,3882),(2228,3887)]
(200,167,113) [(1453,1759)]
dandelion:
(55,2,46) [(667,825),(668,825)]
(95,37,33) [(1637,1721),(1625,1724),(1405,1753),(2026,2276),(2016,2298)]
(27,41,50) [(1267,126),(424,519),(2703,1323),(1804,3466)]
(58,92,129) [(2213,3274)]
(136,159,105) [(1300,2363),(2123,2645),(1429,3428),(1430,3432),(1417,3467),(1393,3490),(1958,3493)]
(152,174,63) [(2256,2556)]
(78,49,19) [(2128,2836)]
(217,178,205) [(2736,3531)]
(69,95,130) [(870,305),(493,460),(2777,1085),(2791,1292),(2634,3100)]
(150,171,174) [(2816,1201),(2724,2669),(1180,2706),(1470,3215),(1471,3215)]
gerbera:
(218,186,171) [(4282,1342)]
(180,153,40) [(4596,1634),(4369,1682),(4390,1708),(4367,1750)]
(201,179,119) [(4282,1876),(4479,1928)]
(116,112,149) [(5884,252),(4168,371),(4169,372),(4164,384),(5742,576)]
(222,176,65) [(4232,1548)]
(108,129,156) [(5341,3574),(5339,3595),(5302,3734)]
(125,99,48) [(4548,1825),(4136,1932),(5054,2013),(5058,2023),(5058,2035),(5055,2050),(5031,2073)]
(170,149,32) [(4461,1630),(4520,1640)]
(156,185,203) [(3809,108)]
(103,67,17) [(4844,1790)]
hot-air:
(48,21,36) [(1992,1029),(2005,1030),(2015,1034),(2018,1036)]
(104,65,36) [(3173,1890),(3163,1893)]
(169,89,62) [(4181,931),(4210,938),(4330,1046),(4171,1056),(3117,1814)]
(68,59,60) [(1872,220),(1874,220),(1878,220),(1696,225),(3785,429)]
(198,96,74) [(4352,1057)]
(136,43,53) [(1700,931)]
(82,42,32) [(4556,961),(4559,973),(4563,989),(4563,990),(4441,1004),(4387,1126),(4378,1128)]
(192,132,72) [(1399,900),(3105,1822),(3104,1824),(3105,1824),(3107,1826),(3107,1827),(3104,1839),(3119,1852)]
(146,21,63) [(1716,993)]
(125,64,36) [(4332,937)]
in-input:
(204,90,1) [(1526,1997),(1385,2145),(4780,2807),(4788,3414)]
(227,163,53) [(1467,1739),(2414,1925),(2441,2198),(134,2446)]
(196,179,135) [(3770,2740),(1110,3012),(3909,3216),(1409,3263),(571,3405)]
(208,59,27) [(1134,1980),(4518,2108),(4515,2142)]
(149,70,1) [(4499,1790),(2416,2042),(1338,2150),(3731,2408),(3722,2409),(4400,3618)]
(168,3,7) [(987,402),(951,432),(1790,1213),(1790,1214),(1848,1217),(4218,1840),(4344,1870),(1511,1898)]
(218,118,4) [(3857,1701),(1442,1980),(1411,2156),(25,2606)]
(127,153,4) [(3710,2813)]
(224,230,246) [(2086,160),(2761,222),(4482,1442)]
(213,127,66) [(4601,1860),(4515,2527),(4757,2863)]
klatschmohn:
(170,133,19) [(1202,2274),(1202,2275),(957,2493),(1034,2633),(3740,3389),(3740,3391),(3683,3439)]
(162,92,4) [(489,2854)]
(159,175,104) [(3095,2475),(3098,2481)]
(199,139,43) [(1956,3055)]
(171,169,170) [(3669,1487),(3674,1490),(3701,1507)]
(184,115,58) [(1958,2404)]
(228,169,5) [(1316,2336),(1317,2336)]
(179,165,43) [(3879,2380),(1842,2497),(1842,2498)]
(67,21,6) [(1959,2197),(2157,2317),(2158,2317),(2158,2318),(2116,2373)]
(213,100,106) [(1303,1816)]
tajinaste-rojo:
(243,56,99) [(1811,2876),(1668,4141),(2089,4518),(1981,4732),(1659,4778),(2221,5373),(1779,5598),(2210,5673),(2373,5860)]
(147,157,210) [(1835,1028),(1431,3358)]
(114,37,19) [(1792,3572),(1818,3592)]
(108,117,116) [(2772,4722),(1269,5672),(2512,5811),(2509,5830),(2186,5842),(2186,5846),(2190,5851),(2211,5884)]
(214,197,93) [(1653,4386)]
(163,102,101) [(2226,2832),(2213,3683),(1894,4091),(1875,4117)]
(192,192,164) [(2175,2962),(2206,3667),(2315,3858),(1561,3977),(3039,5037),(3201,5641)]
(92,118,45) [(1881,1704),(1983,1877),(2254,2126),(3753,5862),(3766,5883)]
(145,180,173) [(1826,1585)]
(181,124,105) [(1969,3892)]
turret-arch:
(116,70,36) [(384,648),(516,669)]
(121,115,119) [(2419,958)]
(183,222,237) [(172,601),(183,601),(110,611),(111,617)]
(237,136,82) [(2020,282),(676,383),(748,406),(854,482),(638,497),(647,661),(1069,838),(1809,895),(1823,911)]
(193,199,215) [(1567,919),(1793,1047)]
(33,30,25) [(1307,861),(309,885),(1995,895),(504,1232),(2417,1494)]
(17,23,39) [(1745,1033),(788,1090),(967,1250)]
(192,139,95) [(1445,1337)]
(176,125,98) [(1197,1030)]
(178,83,0) [(2378,1136)]
water-lilies:
(86,140,80) [(2322,2855),(4542,3005),(4540,3006),(4577,3019)]
(218,124,174) [(1910,2457)]
(191,77,50) [(2076,1588)]
(197,211,186) [(4402,1894)]
(236,199,181) [(2154,1836)]
(253,242,162) [(1653,1430)]
(114,111,92) [(1936,2499)]
(111,93,27) [(2301,2423),(2127,2592),(2137,2717),(2147,2717)]
(139,92,102) [(1284,2243),(1297,2258)]
(199,157,117) [(3096,993)]
źródło
Odpowiedzi:
Python, wynik: 14.035.624
Po pierwsze, oto kod:
a oto gif pokazujący, jak algorytm sprawdza piksele:
Tak więc, oto co ten kod robi: Zmienna
heap
jest priorytetem kolejka z(x, y)
współrzędnymi w obrazie, posortowana według odległości euklidesowej koloru na które koordynują do koloru docelowego. Zostaje zainicjowany z 10.200 punktów, które są równomiernie rozmieszczone na całym obrazie.Po zainicjowaniu stosu, zsuwamy punkt z minimalną odległością od koloru docelowego. Jeśli kolor w tym punkcie ma odległość> 0, to znaczy, jeśli kolor w tym punkcie NIE jest kolorem docelowym, dodajemy od niego 8 otaczających punktów
heap
. Aby upewnić się, że dany punkt nie jest rozpatrywany więcej niż jeden raz, zachowujemy zmiennąvisited
, która jest zbiorem wszystkich punktów, które zostały zbadane do tej pory.Czasami zamiast bezpośrednio zajmować punkt przy minimalnej odległości koloru, losowo wybieramy inny punkt blisko szczytu kolejce. Nie jest to absolutnie konieczne, ale w moich testach goli około 1 000 000 pikseli z całego wyniku. Po znalezieniu docelowego koloru po prostu zwracamy długość
visited
zestawu.Podobnie jak @Karl Napf, zignorowałem przypadki testowe, w których określony kolor nie był obecny na obrazie. Możesz znaleźć program sterownika do uruchomienia przez wszystkie przypadki testowe na repozytorium GitHub, które utworzyłem dla tej odpowiedzi, .
Oto wyniki z każdego konkretnego przypadku testowego:
źródło
Python, wynik: 396,250,646
Jest to rekurencyjne wyszukiwanie w quad-section. Czasami znajduje prawidłową wartość w kilku procentach, czasem ponad 75%. Oto wyniki dla wszystkich przypadków testowych:
pixels_visited, percentage, (position) (RGB at position) = (RGB searched)
źródło