二叉树

  • 来到树这方面的重点知识!
  • 二叉树。
  • 二叉树是n个结点的有限集合,该集合可以为空(空二叉树)。由一个根节点和两个互不相交的左子树和右子树构成。
特点。
每个结点最多拥有两个子树(左右子树)也可以只有一个子树,也可以没有子树。
二叉树是有序的,不能任意颠倒。
所有二叉树都是树。但树不一定是二叉树!!
 
也有几种特殊的二叉树。
1.斜树
所有结点都只有左结点或者都只有右结点(前者叫左斜树,后者叫右斜树)
2.满二叉树
所有分支结点都有左右子树,且所有叶子结点都在同一层。只存在度为0或者度为2的结点。
3.完全二叉树
通俗点来说可以理解为满二叉树去掉任意节点所组成的树。不过有几个特定的条件。
叶子结点只能出现在最下面两层,且集中在左边。
深度为k的完全二叉树,在k-1层一定是满二叉树。
可能有度为一的结点,有的话只能有一个。
 
二叉树一些基本性质。
1.在第k层上最多有2的k减1次方个结点。
2.深度为k的二叉树中,最多有2的k次方减1个结点。
3.在一个二叉树中,如果叶子结点数为a,度为2的结点数为b。则b=a+1。
4.具有n个结点的完全二叉树,深度为n对2取对数加1。
 
遍历操作一般有四种
前序遍历,中序遍历,后序遍历,层序遍历。
前序遍历
1.访问根节点。
2.访问根节点的左子树。
3.访问根节点的右子树。
 
中序遍历
1.访问左子树。
2.访问根节点。
3.访问右子树。
 
后序遍历
1.访问左子树。
2.访问右子树。
3.访问根节点。
 
层序遍历
用数组存储二叉树的数据,按从左到右从上到下的规则存储,第n个结点的左孩子序号为2n,右孩子序号为2n+1。双亲结点序号可能为n/2或者(n-1)/2。取决于n是奇数还是偶数。
 
二叉树一般采用二叉链表的方式存储,一个结点包括他的秋裤域,还有两个指针,指向他的左右孩子rchild.lchild。
具体定义如下
template<typename T>
struct TNode
{
 T child;
 TNode<T>*firstchild,*rightsib;
 }
 
二叉链表的实现
里面包括着构造函数,析构函数这两是基本必带的。根据题目需求编写遍历函数(四种),私有成员中有着构造函数调用,析构函数调用,还有对应几种遍历函数调用。对了还有别忘了设定一个指向根节点的头指针。
在此给出前序遍历的代码实现。
template<typename T>
void BiNode<T>*Bitree<T>::Preorder(BiNode<T>*bt)
{
    if(bt==NULL)
    return;
    else
    {
        cout<<bt->data;
        Preorder(bt->lchild);
        Preorder(bt->lchile);
        }
}
采用的是递归思想构造。另外两个中序遍历,后序遍历代码实现与这个无异,只是左右子树和根节点的访问顺序不同。
 
其中构造函数代码定义为。
template<typename T>
BiNode<T>*Bitree<T>::Creat()
{
    BiNode<T>*bt;
    char ch;
    cin>>ch;
    if(ch=="#")
    bt==NULL;
    else
    {
        bt=new BiNode<T>;
        bt->data=ch;
        bt->lchild=Creat();
        bt->rchild=Creat();
        }
        return bt;
    }
也是用递归思想,先后构造左右子树。
 
最后还有还有一些小内容。
森林是多个互不相交的树的集合。
树转换为二叉树的过程。
树中所有兄弟之间加一条线,结点与他的孩子结点除了第一个孩子,其他的线都去掉。
 
森林转换为二叉树。
每个树的根节点是为兄弟,在所有根节点间加上连线,再进行层次调整。
 
相对的二叉树转换为森林。
将结点的右儿子去线,变为兄弟,与根节点加线。进行层次调整。
 
 
  • 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: 分类问题: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、算法分类 基于深度学习的目标检测算法主要分为两大类: 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分类。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分类和位置。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分为多个区域,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