二叉树基本操作——收录

  1 #include   
  2 #include   
  3 #include
  4 typedefchar ElemType;   //定义树的结点类型  
  5 typedefstruct BiTNode     
  6 {    
  7      ElemType data;    
  8 struct BiTNode *lchild;  
  9 struct BiTNode *rchild;       
 10 }BiTNode,*BiTree;    
 11 //创建空二叉树
 12 void InitBiTree(BiTree &T)  
 13 {  
 14     T = NULL;  
 15 }  
 16 //二叉树的创建  
 17 void CreateBiTree(BiTree &T)    
 18 {    
 19 char ch;    
 20     scanf("%c",&ch);    
 21 if(ch == ' ')   
 22     {  
 23         T=NULL; //截止二叉树的建立
 24     }  
 25 else
 26     {    
 27        T = (BiTNode *) malloc(sizeof(BiTNode)); //申请结点空间   
 28 if(!T)  
 29           exit(0);  
 30        T-<data = ch;    
 31        CreateBiTree(T-<lchild);  //构造左子树
 32        CreateBiTree(T-<rchild);  //构造右子树
 33      }    
 34  }     
 35 ////  
 36 //二叉树的先序遍历  
 37 void  PreOrderTraverse(BiTNode *p)    
 38 {    
 39 if(p != NULL)    
 40   {    
 41       printf("%c*",p-<data);    
 42       PreOrderTraverse(p-<lchild);    
 43       PreOrderTraverse(p-<rchild);    
 44    }    
 45  }    
 46 //二叉树的中序遍历  
 47 void InOrderTraverse(BiTNode *p)    
 48 {    
 49 if(p != NULL)    
 50    {    
 51       InOrderTraverse(p-<lchild);    
 52       printf("%c*",p-<data);    
 53       InOrderTraverse(p-<rchild);    
 54    }    
 55  }    
 56 //二叉树的后序遍历  
 57 void PostOrderTraverse(BiTNode *p)    
 58 {    
 59 if(p != NULL)    
 60     {    
 61         PostOrderTraverse(p-<lchild);    
 62         PostOrderTraverse(p-<rchild);    
 63         printf("%c*",p-<data);    
 64     }    
 65 }     
 66 //求二叉树的高度
 67 int High(BiTNode *p)  
 68 {  
 69 int lh=0;  
 70 int rh=0;  
 71 if(p == NULL)  
 72     {  
 73 return 0;  
 74     }  
 75     lh=High(p-<lchild);  
 76     rh=High(p-<rchild);  
 77 if(lh<rh)  
 78     {  
 79 return lh+1;  
 80     }  
 81 else
 82     {  
 83 return rh+1;  
 84     }  
 85 }  
 86 //求二叉树的结点数目
 87 int Count(BiTree T)  
 88 {  
 89 if(T == NULL)  
 90     {  
 91 return 0;  
 92     }  
 93 return Count(T-<lchild)+Count(T-<rchild)+1;  
 94 }  
 95 //实现左右子树的交换
 96 void exchange(BiTree T)  
 97 {  
 98 if(T == NULL)  
 99     {  
100 return;  
101     }  
102 else
103     {  
104         BiTree temp=T-<lchild;  
105         T-<lchild = T-<rchild;  
106         T-<rchild = temp;  
107         exchange(T-<lchild);  
108         exchange(T-<rchild);  
109     }  
110 }  
111 //前序遍历的非递归算法
112 void PreTraverse(BiTree T)  
113 {  
114     BiTree p;  
115     p=T;  
116     stack S;  
117     S.IintStack();  
118 while(p || S.StackEmpty())  
119     {  
120 if(p)  
121         {  
122             printf("%d",p-<data);  
123             Push(&S,p);  
124             p=p-<lchild;  
125         }  
126 else
127         {  
128             S.pop(p);  
129             p=p-<rchild;  
130         }  
131     }  
132 }  
133 //中序遍历的非递归算法
134 void InTraverse(BiTree T)  
135 {  
136     BiTree p;  
137     p=T;  
138     stack S;  
139     S.IintStack();  
140 while(p || S.StackEmpty())  
141     {  
142 if(p)  
143         {  
144             Push(&S,p);  
145             p=p-<lchild;  
146         }  
147 else
148         {  
149             S.pop(p);  
150             printf("%d",p-<data);  
151             p=p-<rchild;  
152         }  
153     }  
154 }  
155 //后序遍历的非递归算法
156 #define MaxSize 100
157 void PostTraverse(BiTree T)  
158 {  
159    BiTree p;  
160    stack S;  
161 int intstack[MaxSize];  
162 int i;  
163 int top;  
164    p=T;  
165 //S.IintStack();
166 for(int i=0;i<100 ispan>
167    {  
168        intstack[i]=0;  
169    }  
170    top=0;  
171 while(p || S.empty())  
172    {  
173 if(p)  
174        {  
175            Push(&S,p);  
176            intstack[top]=0;  
177            top++;  
178            p=p-<lchild;  
179        }  
180 else
181        {  
182 if(intstack[top-1] == 0)  
183            {  
184                GetTop(S,&p);  
185                intstack[top-1]=1;  
186                p=p-<rchild;  
187            }  
188 else
189            {  
190                Pop(&S,&p);  
191                top--;  
192                printf("%d",p-<data);  
193                p=NULL;  
194            }  
195        }  
196    }  
197 }  
198 int main()    
199 {    
200     BiTree T;    
201     CreateBiTree(T);    
202     PreOrderTraverse(T);    
203     printf("\n");    
204     InOrderTraverse(T);    
205     printf("\n");    
206     PostOrderTraverse(T);    
207     printf("\n");    
208 int a=High(T);  
209 int b=Count(T);  
210     exchange(T);  
211 return 0;   
212  }   

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值