Data structures 基于像素的模式识别的数据结构

我有一个基于约束构造随机图像的应用程序。随机选择不同颜色的像素并将其放置在满足所有约束的网格中。例如（简化），可能存在一个约束，即如果蓝色或绿色像素位于（0，-1），红色像素位于（-1，-1）和（-1，0），则禁止放置白色像素。这些坐标是来自当前放置位置（即其邻域）的向量

现在，我将约束存储在一个数组中，并在其中循环，检查每个约束是否适用。我必须对网格中放置的每个像素执行此操作。因此，当添加更多约束时，性能会受到影响。此外，两个约束可能存在冲突，但要检查这一点并不容易

---

我认为图形类型的数据结构（树？）可能是存储所有约束的一种方式，这样我可以从像素邻域快速确定应用了哪些约束（如果有的话）。但考虑到一个坐标可以包含多种颜色，以及如何将一组坐标/颜色与一组禁止使用的像素颜色绑定在一起，我无法完全理解如何使这种结构起作用。有什么想法吗？

对于这个问题，你可以使用不同类型的树

这似乎是一个被广泛研究的话题，答案可能会比正常答案长得多。请参阅以下链接：

---

我们没有使用过模式匹配，但想到的是：

以通常的图形ds为例，其中顶点是向量，边是禁止连接它们的颜色。 在这里，你可以连接彼此之间的所有顶点，更优化的方法是采用一些方向，你将使用填充你的ds，你应该使用相同的起点和方向，当你将通过像素阵列。 从你的例子中，如果你从（0，-1）开始顺时针走，它会是这样的：（0，-1）--蓝色--（1，-1），（0，-1）--绿色--（1，-1），（1，-1）--红色--（1，0），（1，1）--白色--（1，1），（1，1）--（1，0）

---

现在使用DFS搜索颜色以进行检查（将是边缘）

在我看来，一个方便的选择是kd树。通过将约束存储在kd树中，您可以访问应用于最近邻类型查询的约束

我建议你看看这本书。您可以找到可能适用于您的问题的kd树

---

但是，请记住，如果约束在场景中分布不均匀，则生成的树可能无法很好地平衡。在这种情况下，您应该找到更好的约束表示，否则算法的实际复杂度将更接近最差值O（n），而不是平均值（和最佳值O（logn）。

您可以使用图切割来解决此问题。它甚至会处理提到的冲突。这就是它的基本工作原理：它尝试根据您希望最小化的成本函数分配标签。对于您的情况，成本函数可能类似于：

E(x)=infinite ; if constraint is violated
and  0        ; otherwise

图形切割将指定最小化此成本函数的标签。此外，它是非常快速和有效的，并收敛到极小值。请查看以下两个参考资料：

---

第二个链接提供了图形切割的现成代码，您可以在其中使用自己的成本函数，该函数将被最小化（并且可以像您的情况一样依赖于相邻值）。

谢谢！这看起来确实是正确的追求方向。我以前从未听说过图形切割。