给定一个 n × n 的二维矩阵表示一个图像。
将图像顺时针旋转 90 度。
说明：
你必须在原地旋转图像，这意味着你需要直接修改输入的二维矩阵。请不要使用另一个矩阵来旋转图像。
思路1.
先将对应的行swap,然后转置。这个思路是最清晰的。
思路2.
将矩阵分成不同层：
如这个图，第一层是该4x4矩阵的外围。
第二层是4x4矩阵的内围的2x2矩阵。
分不同层，对每一层分别旋转90度。
对某一层来说，以图中第一层为例子：
一层的旋转实际上就是5与它对应的11,16,15之间旋转；1 10 12 13之间旋转；9 7 14 2之间旋转。
对5来说，只要不断swap(p(0,0),p(0,3); swap(p(0,0),p(3,3)); swap(p(0,0),p(3,0))即可。
而以某个点来说，与之对应的三个点的关系为:
p(i,j)
p1(j,n-i-1)
p2(n-i-1,n-j-1)
p3(n-j-1,i)
n是最外层的边长，而不是当前层的长度，如第二层时，这个关系里n也取4.
这个规律的来由：
p为(i,j)
对p1来说，它说将p顺时针旋转后的相邻点。
p的i的意义为，它所在的行离最顶上面的行的距离，现在因为旋转90度了，旋转90度代表行变为了列，列变为行，因此这个新的点p1所在列与最顶边的列的距离就是p的i。
举个例子，以图中4为例，4的坐标为(1,1).4的第一个1的意义代表，4与矩阵的第一行间的差距；现在因为旋转，4应该转到8的位置，因为旋转的缘故，第一行也会跟着旋转，矩阵的第一行变味了新矩阵的第四列，因此原来4与第一行的差距变为了新位置p1与第四列的差距。
所以p1的列为最后一列的索引减去（原来行差），也就是n-1-(i)。
同理，p的j的意义为它所在列里最左侧列的距离，因为旋转90度，列变为行，则现在应该是与最顶上的行的距离。
则p1的行为原来p的j
所以p1(j,n-1-i)。
而p2可以将p1视作p，按上面p1与p的关系来推导p2与p1的关系。
p3也是如此
其他分析类似。
