二叉树遍历之图解Mirror算法(莫里斯算法)

article/2025/9/22 6:58:07

144. 二叉树的前序遍历

我们写二叉树的遍历时,一般有两种方式,迭代和递归。然而还有一种神奇的算法,也可以作我们的二叉树递归,且空间复杂度为O(1),要知道,我们迭代和递归都是需要额外栈空间的

递归和迭代网上都有很多的资料,虽然莫里斯算法资料是有,但是很少有图解,我们理解起来就会非常困难。下面这篇文章我们主要针对的就是我们的Mrror算法(莫里斯算法)

Morris 遍历的核心思想是利用树的大量空闲指针,实现空间开销的极限缩减

我们先给出具体的算法思想,读者可以试着去理解。然后再来看图解,这样的话就会豁然开朗。

  • 假设当前节点为cur,并且开始时赋值为根节点root(其实也可以直接对root操作)。
  • 循环判断cur不为空
  1. if左子树为空,则cur向右孩子移动
  2. if左子树不为空,找到左子树的最右节点(也就是左子树一直往右走的,走到到尽头就是它的最右节点)
    如果最右节点的右指针为空,则把右指针指向cur,cur向左孩子移动
    如果最右节点的右指针为cur本身,则说明已经访问过一遍了,我们将其置为null,cur向右孩子移动
  • cur为空时,退出循环

如果我们只看上面的过程的话,相信我们是很难看懂的,下面我们用图解来一步一步解析:
在这里插入图片描述
初始化我们root节点在根节点位置,将1加入结果集中,下面我们判断左子树不为空,则找到左子树的最右节点
在这里插入图片描述
找到左子树的最右节点后,我们判断最右节点是否为空,或则为root本身。这里我们为空,所以将最右节点指向root,root向左子树移动。继续循环
在这里插入图片描述
现在我们循环到了3这个节点,左子树为空,我们就转向它的右子树
在这里插入图片描述
此时我们的节点走到了5的位置,左子树为空,继续走右子树:
在这里插入图片描述
此时我们的根节点到了2的位置,找他的左子树最右节点为5,5的右孩子为root本身,说明前面我们已经走过一次了,断开5的右孩子(5.right=null),此时我们节点往右孩子走。依次循环,直到root为空,则结束。读者可以自行模拟以下过程,此处我们就不再介绍了。

这里我们并没有给出什么时候将节点加入结果集,因为前中后序都可以采用这种方法遍历,什么时候将节点加入结果集则看它是什么方式遍历,加的位置也不一样

从上面的图解中,我们可以看到它将每个左子树的最右节点进行了利用,相当于给了我们一条回来的路。而看这条路是不是我们走过的,则通过左子树的最右节点是不是指向自身来判断。

LeetCode核心代码实现:

class Solution {public List<Integer> preorderTraversal(TreeNode root) {List<Integer> res=new ArrayList<>();if(root==null)return  res;TreeNode cur=root;TreeNode temp=null;while(cur!=null){if(cur.left==null){//左子树为空res.add(cur.val);cur=cur.right;}else{temp=cur.left;//左子树不为空while(temp.right!=null&&temp.right!=cur){temp=temp.right;}if(temp.right==cur){temp.right=null;cur=cur.right;}else{res.add(cur.val);temp.right=cur;cur=cur.left;}}}return res;}
}

下次如果面试官考我们树的遍历时,我们就可以拿这个来写一手了,相信不会让面试官失望


http://chatgpt.dhexx.cn/article/uHP05kh2.shtml

相关文章

二叉树遍历方法——前、中、后序遍历(图解)

目录 一、前序遍历 &#xff08;1&#xff09;递归版本 &#xff08;2&#xff09;非递归版本 二、中序遍历 &#xff08;1&#xff09;递归版本 &#xff08;2&#xff09;非递归版本 三、后序遍历 &#xff08;1&#xff09;递归版本 &#xff08;2&#xff09;非递归版…

详细图解二叉树四种遍历(前序中序后序层次遍历)

文章目录 一.前序遍历常规操作简单方法 二.中序遍历常规操作简单方法 三.后序遍历常规操作 四.层次遍历常规操作 本文中以此二叉树为例 一.前序遍历 常规操作 先根&#xff0c;再左&#xff0c;再右 确定了遍历整体结构&#xff1a; 确定了左子树中的整体结构 继续操作&…

FPN细节剖析以及pytorch代码实现

目录 FPN&#xff08;feature pyramid network&#xff09; 网络结构 bottleneck pytorch代码实现 公式&#xff1a;卷积层输入输出大小的计算公式 细节一&#xff1a;代码中blocks参数的含义 细节二&#xff1a;c1 c2 c3 c4 c5层尺寸分别为原图的1/2 1/4 1/8 1/16 1/32…

目标检测之FPN、AugFPN、NAS-FPN

针对小目标的检测有提升的文章。 未完待续~ Feature Pyramid Networks for Object Detection FPN是一种多尺度的目标检测算法。大多数目标检测算法都是采用顶层特征来做预测的&#xff0c;但是我们知道&#xff1a;低层的特征语义信息较少&#xff0c;但是位置信息丰富&#x…

FPN网络和RPN网络介绍

原文链接 神经网络特征提取过程中&#xff0c;一般底层特征具有良好的空间信息&#xff0c;高层的具有良好的语义信息。原来多数的object detection算法都是只采用顶层特征做预测&#xff0c;但我们知道低层的特征语义信息比较少&#xff0c;但是目标位置准确&#xff1b;高层…

Neck网络 FPN + PAN 改进解读

呃 这篇文章的目的在于补充一些知识以便于理解Neck部分的网络 特征提取网络 与 目标检测之间的关系 一个特征提取网络&#xff0c;假设有1000层&#xff0c;开始的特征图包含的细节信息就很多&#xff0c;而随着网络的加深&#xff0c;特征提取网络经过多次被卷积和池化操作&…

FPN论文笔记

FPN论文笔记 现在看FPN和Inception并行结构融合有点像&#xff0c;FPN上采样同时横向连接相加&#xff0c;Inception是堆叠几个感受野不同的feature&#xff0c;融合的思想有点相似。 FPN是什么&#xff1f; Feature Pyramid Networks,用于特征抽取&#xff08;feature extr…

FPN算法一览

FPN应该是2017年CV顶会的优秀论文&#xff0c;基于目标检测做的研究&#xff0c;在小物体检测方面较为具有吸引力。 1.FPN 源论文&#xff1a;feature pyramid networks for object detection 参考代码&#xff1a;FPN 同时利用低层特征高分辨率和高层特征的高语义信息&…

目标检测中的各种FPN

早期的目标检测算法&#xff0c;无论是一步式的&#xff0c;还是两步式的&#xff0c;通常都是在Backbone的最后一个stage&#xff08;特征图分辨率相同的所有卷积层归类为一个stage&#xff09;最后一层的特征图&#xff0c;直接外接检测头做目标检测。此种目标检测算法&#…

FPN(在FasterRCNN里面是如何运用的)

FPN(Feature Pyramid Networks) FPN解决了什么问题&#xff1f; 答&#xff1a;FPN的提出是为了实现更好的feature maps融合&#xff0c;一般的网络都是直接使用最后一层的feature maps&#xff0c;虽然最后一层的feature maps 语义强&#xff0c;但是位置和分辨率都比较低&…

深度学习之FPN+PAN

一、FPN 检测不同尺度的物体具有挑战性&#xff0c;尤其是对于小物体&#xff0c;我们可以使用不同尺度的同一图像的金字塔来检测物体&#xff08;下左图&#xff09;但是&#xff0c;处理多尺度图像非常耗时并且内存需求太高而无法同时进行端到端训练&#xff0c;因此创建了一…

FPN全解-最全最详细

这篇论文是CVPR2017年的文章&#xff0c;采用特征金字塔做目标检测&#xff0c;有许多亮点&#xff0c;特来分享。 论文&#xff1a;feature pyramid networks for object detection 论文链接&#xff1a;https://arxiv.org/abs/1612.03144 论文概述&#xff1a; 作者提出的…

FPN和PAN的内容及区别

FPN和PAN都是用于解决在目标检测中特征金字塔网络(FPN)在多尺度检测任务上的不足的方法。下面分别详细介绍一下它们的原理和区别。 FPN FPN全称Feature Pyramid Network&#xff0c;是由FAIR在2017年提出的一种处理多尺度问题的方法。FPN的主要思路是通过构建金字塔式的特征图…

深度学习之FPN和PAN

注&#xff1a;借鉴整理&#xff0c;仅供自学&#xff0c;侵删 FPN是自顶向下&#xff0c;将高层的强语义特征传递下来&#xff0c;对整个金字塔进行增强&#xff0c;不过只增强了语义信息&#xff0c;对定位信息没有传递。PAN就是针对这一点&#xff0c;在FPN的后面添加一个自…

FPN网络介绍

目录 前言一.FPN网络二.网络创新点 前言 上一篇博文我们介绍了FCN结构&#xff0c;这篇博文我们来简答的介绍下FPN网络&#xff0c;FPN (Feature Pyramid Network) 是一种用于图像语义分割、物体检测等任务的神经网络结构。是针对目标检测提出的结构。 一.FPN网络 先来看下FP…

FPN+PAN结构,SPP结构

一、FPNPAN FPN 高维度向低维度传递语义信息&#xff08;大目标更明确&#xff09; PAN 低维度向高维度再传递一次语义信息&#xff08;小目标也更明确&#xff09; 二、SPP 深层的feature map携带有更强的语义特征&#xff0c;较弱的定位信息。而浅层的feature map携带有…

FPN+PAN结构学习

yolo4的neck结构采用该模式&#xff0c;我们将Neck部分用立体图画出来&#xff0c;更直观的看下两部分之间是如何通过FPN结构融合的。 如图所示&#xff0c;FPN是自顶向下的&#xff0c;将高层特征通过上采样和低层特征做融合得到进行预测的特征图。Neck部分的立体图像&#xf…

FPN网络理解

1.什么是FPN fpn设计动机&#xff1a;1.高层特征向低层特征融合&#xff0c;增加低层特征表达能力&#xff0c;提升性能 2.不同尺度的目标可以分配到不同层预测&#xff0c;达到分而治之。 fpn设计细节&#xff1a;1*1的卷积是让最左侧的三个特征图的通道保持一致&#xff0c;从…

FPN详述

简介 为了使用更多的语义信息&#xff0c;目标检测模型一般在卷积神经网络最后一层的特征图上进行后续操作&#xff08;随着不断地下采样&#xff0c;语义信息更丰富&#xff0c;空间信息更稀少&#xff09;&#xff0c;而这一层对应的下采样率一般是比较大的&#xff0c;如16…

FPN与Unet的异同

来源&#xff1a;目标检测的FPN和Unet有差别吗? - 知乎 (zhihu.com) 作者&#xff1a;CW不要無聊的風格 链接&#xff1a;https://www.zhihu.com/question/351279839/answer/1598104355 来源&#xff1a;知乎 著作权归作者所有。商业转载请联系作者获得授权&#xff0c;非商业…