BST树

BST树:二叉排序树
首先是树的基础架构,我采用的是三叉链表,即leftchild,parent,data,rightchild.

构造链表:

typedef struct BstNode
{
	ElemType data;
	BstNode *leftchild;
	BstNode *rightchild;
	BstNode *parent;
}BstNode;

typedef struct
{
	BstNode *head;
	int cursize;
}BSTree;

然后就是对其进行初始化和购买结点和释放操作:

BstNode* BuyNode(BstNode* par=NULL,BstNode* left=NULL,BstNode* right=NULL)
{
	BstNode* node = (BstNode*)malloc(sizeof(BstNode));
	//没有申请成功
	if(node == NULL) exit(1);
	node->leftchild = left;
	node->parent = par;
	node->rightchild = right;
	return node;
}

void FreeNode(BstNode *p)
{
	free(p);
}

void Init_BSTree(BSTree &myt)
{
	myt.head = BuyNode();
	myt.cursize = NULL;
}

接下来是查找,分为常规查找和递归查找:

BstNode* FindVal(BSTree &myt,ElemType x)
{
	BstNode* p = myt.head->parent;
	while(p != NULL && p->data != x)
	{
		p = x<p->data?p->leftchild:p->rightchild;
	}
	return p;
}

//递归查找
BstNode* Search(BstNode* ptr,ElemType x)
{
	if(ptr == NULL && ptr->data == x)
		return ptr;
	else if(x < ptr->data)
		return Search(ptr->leftchild,x);
	else
		return Search(ptr->rightchild,x);
}

BstNode* SearchVal(BSTree &myt,ElemType x)
{
	return Search(myt.head->parent,x);
}

找树的最左边:

BstNode* First(BstNode *p)
{
	while(p != NULL && p->leftchild != NULL)
	{
		p = p->leftchild;
	}
	return p;
}

找直接后继:

BstNode* Next(BSTree &myt,BstNode *p)
{
	if(p == NULL)
		return p;
	if(p->rightchild != NULL)
	{
		return First(p->rightchild);
	}
	else
	{
		BstNode *pa = p->parent;
		while(pa != myt.head && pa->leftchild != p)
		{
			p = pa;
			pa = pa->parent;
		}
		if(pa == myt.head)
		{
			return NULL;
		}
		return  pa;
	}
}

中序遍历:

void NiceInOrder(BSTree &myt)
{
	for(BstNode *p = First(myt.head->parent);p != NULL;p = Next(myt,p))
	{
		cout << p->data << " ";
	}
	cout << endl;
}

插入函数,分为有结点的插入和空树

bool insert(BSTree &myt,ElemType val)
{
	BstNode *pa = myt.head;
	BstNode *p = GetRoot(myt);
	while(p != NULL &&	p->data != val)
	{
		pa = p;
		p = val<p->data?p->leftchild:p->rightchild;
	}
	if(p != NULL)
		return false;
	p = BuyNode(pa);
	p->data = val;
	if(pa == myt.head)
	{
		myt.head->parent = p;
		myt.head->leftchild = p;
		myt.head->rightchild = p;
	}
	else
	{
		if(p->data < pa->data)
		{
			pa->leftchild = p;
			if(p->data < myt.head->leftchild->data)
			{
				myt.head->leftchild = p;
			}
		}
		else
		{
			pa->rightchild = p;
			if(p->data > myt.head->rightchild->data)
			{
				myt.head->rightchild = p;
			}
		}
	}
	myt.cursize += 1;
	return true;
}

删除操作:
1.删除叶子结点:

void Del_Leaf(BSTree &myt,BstNode *p)
{
	BstNode *pa = p->parent;
	if(pa->leftchild == p)
	{
		pa->leftchild = NULL;
	}
	else
	{
		pa->rightchild = NULL;
	}
	FreeNode(p);
	myt.cursize -= 1;
}

2.删除单分支结点

void Del_Single(BSTree &myt,BstNode *p)
{
	BstNode *pa = p->parent;
	BstNode *child = p->leftchild != NULL? p->leftchild:p->rightchild;
	if(child != NULL) child->parent = pa;
	
	//只有一边的分支,下一步就是删除根节点
	if(pa == myt.head)
	{
		pa->parent = child;
	}
	//删除普通的节点
	else
	{
		if(pa->leftchild == p)
		{
			pa->leftchild = child;
		}
		else
		{
			pa->rightchild = child;
		}
	}
	FreeNode(p);
	myt.cursize -= 1;
}

3.删除总函数

bool remove(BSTree &myt,ElemType val)
{
	bool flag = false;
	BstNode *p = FindVal(myt,val);
	if(p == NULL) return flag;

	if(p->leftchild != NULL && p->rightchild != NULL)
	{
		BstNode *q = First(p);
		p->data = q->data;
		p = q;
	}
	BstNode *pa = p->parent;
	BstNode *child = p->leftchild != NULL?p->leftchild:p->rightchild;
	if(child != NULL)
	{
		child->parent = pa;
	}
	if(pa == myt.head)
	{
		pa->parent = child;
	}
	else
	{
		if(pa->leftchild = p)
		{
			pa->leftchild = child;
		}
		else
		{
			pa->rightchild = child;
		}
	}
	FreeNode(p);
	myt.cursize -= 1;
	flag = true;

	return flag;
}
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法类 基于深度学习的目标检测算法主要为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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