Rozmycie gaussowskie to metoda stosowana do płynnego rozmycia zdjęć. Polega na stworzeniu matrycy, która będzie używana przez splotowanie jej z pikselami obrazu. W tym wyzwaniu Twoim zadaniem jest zbudowanie matrycy stosowanej w rozmyciu gaussowskim. Weźmiesz wejściowy r, który będzie promieniem rozmycia, i wejściowy σ, który będzie standardowym odchyleniem, aby skonstruować macierz o wymiarach (2 r + 1 × 2 r + 1). Każda wartość w tej macierzy będzie miała wartość ( x , y ), która zależy od jej bezwzględnej odległości w każdym kierunku od środka i będzie używana do obliczenia G ( x , y ), gdzie wzórG jest

Na przykład, jeśli r = 2, chcemy wygenerować macierz 5 x 5. Po pierwsze, macierz wartości ( x , y ) to
(2, 2) (1, 2) (0, 2) (1, 2) (2, 2)
(2, 1) (1, 1) (0, 1) (1, 1) (2, 1)
(2, 0) (1, 0) (0, 0) (1, 0) (2, 0)
(2, 1) (1, 1) (0, 1) (1, 1) (2, 1)
(2, 2) (1, 2) (0, 2) (1, 2) (2, 2)
Następnie pozwól σ = 1,5 i zastosuj G do każdego ( x , y )
0.0119552 0.0232856 0.0290802 0.0232856 0.0119552
0.0232856 0.0453542 0.0566406 0.0453542 0.0232856
0.0290802 0.0566406 0.0707355 0.0566406 0.0290802
0.0232856 0.0453542 0.0566406 0.0453542 0.0232856
0.0119552 0.0232856 0.0290802 0.0232856 0.0119552
Zwykle w przypadku rozmycia obrazu matrycę normalizuje się, biorąc sumę wszystkich wartości w tej macierzy i dzieląc ją. W przypadku tego wyzwania nie jest to konieczne, a surowe wartości obliczone na podstawie formuły są tym, czym powinny być dane wyjściowe.
Zasady
- To jest golf golfowy, więc wygrywa najkrótszy kod.
- Wejście r będzie nieujemną liczbą całkowitą, a σ będzie dodatnią liczbą rzeczywistą.
- Dane wyjściowe muszą reprezentować macierz. Może być sformatowany jako tablica 2d, ciąg znaków reprezentujący tablicę 2d lub coś podobnego.
- Niedokładności zmiennoprzecinkowe nie będą liczone przeciwko tobie.
Przypadki testowe
(r, σ) = (0, 0.25)
2.54648
(1, 7)
0.00318244 0.00321509 0.00318244
0.00321509 0.00324806 0.00321509
0.00318244 0.00321509 0.00318244
(3, 2.5)
0.00603332 0.00900065 0.0114421 0.012395 0.0114421 0.00900065 0.00603332
0.00900065 0.0134274 0.0170696 0.0184912 0.0170696 0.0134274 0.00900065
0.0114421 0.0170696 0.0216997 0.023507 0.0216997 0.0170696 0.0114421
0.012395 0.0184912 0.023507 0.0254648 0.023507 0.0184912 0.012395
0.0114421 0.0170696 0.0216997 0.023507 0.0216997 0.0170696 0.0114421
0.00900065 0.0134274 0.0170696 0.0184912 0.0170696 0.0134274 0.00900065
0.00603332 0.00900065 0.0114421 0.012395 0.0114421 0.00900065 0.00603332
(4, 3.33)
0.00339074 0.00464913 0.00582484 0.00666854 0.00697611 0.00666854 0.00582484 0.00464913 0.00339074
0.00464913 0.00637454 0.00798657 0.0091434 0.00956511 0.0091434 0.00798657 0.00637454 0.00464913
0.00582484 0.00798657 0.0100063 0.0114556 0.011984 0.0114556 0.0100063 0.00798657 0.00582484
0.00666854 0.0091434 0.0114556 0.013115 0.0137198 0.013115 0.0114556 0.0091434 0.00666854
0.00697611 0.00956511 0.011984 0.0137198 0.0143526 0.0137198 0.011984 0.00956511 0.00697611
0.00666854 0.0091434 0.0114556 0.013115 0.0137198 0.013115 0.0114556 0.0091434 0.00666854
0.00582484 0.00798657 0.0100063 0.0114556 0.011984 0.0114556 0.0100063 0.00798657 0.00582484
0.00464913 0.00637454 0.00798657 0.0091434 0.00956511 0.0091434 0.00798657 0.00637454 0.00464913
0.00339074 0.00464913 0.00582484 0.00666854 0.00697611 0.00666854 0.00582484 0.00464913 0.00339074