【数据结构】二叉树先序遍历,中序遍历,后序遍历,层次遍历

// 二叉树.cpp : 定义控制台应用程序的入口点。
//

#include "stdafx.h"
#include "stdio.h"
#include "windows.h"
#include <stdlib.h>

typedef struct BitTree{
	int data;					//存放数据域
	struct BitTree * lchild;	//遍历左子树指针
	struct BitTree * rchild;	//遍历右子树指针
}BitTree;

typedef struct Queue
{
	BitTree data;
	struct Queue *next;
}Queue;

typedef struct LinkQueue
{
	Queue *front;
	Queue *rear;
	int size;
}LinkQueue;

     
//初始化队列
void InitQueue(LinkQueue *Q )
{
	Queue * pHead = (Queue *)malloc(sizeof(Queue));
	Q->front = pHead;
	Q->rear = pHead;
	Q->front->next = NULL;
	Q->size = 0;
}

//判断队列是否为空
bool EmptyQueue(LinkQueue *Q)
{
	if (Q->rear == Q->front)
	{
		return true;
	}
	else return false;
}


//入队
void EnQueue(LinkQueue *Q, BitTree e)
{
	Queue *pNewNode = (Queue *)malloc(sizeof(Queue));
	pNewNode->data = e;				//将数据元素赋值给结点数据域
	Q->rear->next = pNewNode;		//将原来队列的队尾指针指向新的结点
	Q->rear = pNewNode;				//将队尾指针指向新结点
	Q->rear->next = NULL;
}

//出队
void DeQueue(LinkQueue *Q,BitTree *e)
{
	//Queue *e = (Queue*)malloc(sizeof(Queue));
	if (EmptyQueue(Q))
	{
		printf("队列为空");
		return;
	}
	Queue *p = Q->front->next;
	*e = p->data;
	Q->front->next = p->next;
	if (Q->rear == p)
	{
		Q->rear = Q->front;
	}
	free(p);
}

//创建二叉树
BitTree *CreateBitTree()
{
	int data;
	int temp;
	BitTree *T = NULL;

	scanf("%d", &data);				//输入数据
	temp = getchar();				//过滤空格

	if (data == -1)
	{
		return NULL;
	}
	else
	{
		T = (BitTree*)malloc(sizeof(BitTree));
		T->data = data;

		printf("请输入%d的左子树:", data);
		T->lchild= CreateBitTree();
		printf("请输入%d的右子树:", data);
		T->rchild = CreateBitTree();
		return T;
	}
}

//前序遍历
void PreOrderTraverse(BitTree *T)
{
	if (T)
	{
		printf("%d ", T->data);
		PreOrderTraverse(T->lchild);
		PreOrderTraverse(T->rchild);

	}
}

//中序遍历
void InOrderTraverse(BitTree * T)
{
	if (T)
	{
		InOrderTraverse(T->lchild);
		printf("%d ", T->data);
		InOrderTraverse(T->rchild);
	}
}

//后序遍历
void LastOrderTraverse(BitTree * T)
{
	if (T)
	{
		LastOrderTraverse(T->lchild);
		
		LastOrderTraverse(T->rchild);
		printf("%d ", T->data);
	}
}

//层次遍历
void FloorOrderTraverse(BitTree * T, LinkQueue *Q)
{
	BitTree *e = (BitTree*)malloc(sizeof(BitTree));
	if (T)
	{
		EnQueue(Q, *T);		//根结点进队列
	}
	while (EmptyQueue(Q) == false)
	{
		DeQueue(Q,e);
		printf("%d ", (e->data));
		if (e->lchild != NULL)
		{
			EnQueue(Q, *(e->lchild));
		}

		if (e->rchild != NULL)
		{
			EnQueue(Q, *(e->rchild));
		}
	}
}



int _tmain(int argc, _TCHAR* argv[])
{
	BitTree *s = NULL;
	LinkQueue *Q = (LinkQueue*)malloc(sizeof(LinkQueue));
	InitQueue(Q);
	s = CreateBitTree();

	printf("先序遍历结果: \n");
	PreOrderTraverse(s);				//		先序遍历二叉树

	printf("\n\n");
	printf("中序遍历结果: \n");
	InOrderTraverse(s);				//		中序遍历二叉树

	printf("\n\n");
	printf("后序遍历结果: \n");
	LastOrderTraverse(s);				//		中序遍历二叉树

	printf("\n\n");
	printf("层序遍历结果: \n");
	FloorOrderTraverse(s, Q);
	printf("\n\n");

	system("pause");
	return 0;
}

  • 0
    点赞
  • 1
    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