C. 追忆似水年华

在漫长的人生旅程中，总有一些美好的画面值得我们永远留存心中。而有了数码相机，定格这些珍贵的回忆便不成问题。为了留下回忆，Barisore 每年都会拍下许多的照片，但这次他在整理老照片的时候发现照片已经太多了，令他在想寻找特定的照片时总要花上一番功夫。

学过问求的 Barisore 知道利用大数据算法一定可以解决他的问题，于是他找到了一种叫 Dhash 的感知哈希技术。该技术可以生成图片的 Locality Sensitive 的哈希值，从而让他可以方便地计算图片的相似度，并使得他可以进一步运用图像搜索技术找到想要的图片。但是 Barisore 不太擅长编程，于是他找到了你来帮他实现 Dhash 算法。

具体来说，我们用一个 的灰度矩阵 表示一张图片（灰度矩阵是对于任意元素 有 的矩阵），并采用如下步骤将该矩阵变为一个 64 位的整数：

• 将矩阵缩放到 ，缩放后每个元素的值是它在原矩阵对应的子矩阵中所有元素的平均值（要向下取整）。
• 将上面得到的矩阵变为一个 的 01 矩阵。我们从第二列开始考虑矩阵（第一列舍去），若矩阵元素大于左边的值，就在新矩阵中将其值定为 ，否则定为 。
• 将最终得到的矩阵按从左往右，从上到下的方法写成一个 64 位二进制数。

请以十六进制形式输出所得的 64 位整数。

输入第一行包含两个正整数 。

接下 行，每行 个正整数，其中第 行第 列表示矩阵中 的值。

输出共一行 16 进制字符串。如有前导零，要输出。

输入样例 1

8 9
94 195 59 151 210 162 113 163 26 
100 234 177 102 246 66 127 39 159 
63 56 28 15 210 222 187 100 128 
94 113 212 216 106 251 3 108 225 
99 254 139 129 225 234 54 214 227 
243 197 8 205 160 180 158 22 184 
55 2 89 15 46 25 9 115 195 
29 4 210 180 205 95 234 168 97 

输出样例 1

B29519EB9B295354

输入样例 2

8 9
29 250 5 244 198 140 30 137 242 
136 54 213 181 203 24 49 176 86 
137 38 27 235 174 83 192 203 122 
206 43 181 45 32 213 206 49 134 
154 81 96 237 225 124 196 7 177 
0 86 150 59 199 18 38 95 26 
1 149 7 150 101 18 109 172 179 
152 164 99 108 52 128 253 118 21 

输出样例 2

A356264965D6A7AC

对于所有数据 ，其中 是 8 的倍数， 是 9 的倍数。