Go语言学习笔记(8)面向对象

Go语言二叉树实现与遍历
本文详细介绍了如何在Go语言中实现二叉树结构,并通过具体代码示例展示了节点的创建、值的赋值及遍历过程。文章强调了指针在改变结构体内容中的作用,以及在结构体过大时使用指针接收者的考虑。
package main

import "fmt"

func main() {
	//定义treeNode结构体
	var root treeNode

	root = treeNode{value:3}
	fmt.Println(root)
	fmt.Println()

	root.left = &treeNode{}
	root.left.print()
	fmt.Println()

	root.right = &treeNode{5,nil,nil}
	root.right.print()
	fmt.Println()

	root.right.left = new(treeNode)
	root.right.left.print()
	fmt.Println()

	root.left.right = createValue(2)
	root.left.right.print()
	fmt.Println()



	root.right.left.checkValue(4)
	root.right.left.print()
	fmt.Println()

	//var roots *treeNode
	//roots.setValue(200)
	//roots = &root
	//roots.setValue(300)
	//roots.print()

	root.traverse()

}


//定义结构体 struct
type treeNode struct {
	value int
	left, right *treeNode
}

//为结构体定义方法 打印
func (node treeNode) print() {
	fmt.Print(node.value)
}

func (node *treeNode) checkValue(value int) {
	node.value = value
}
//添加tree
func addValue(value int) *treeNode{
	return &treeNode{value:value}
}
//修改
func (node *treeNode) setValue(value int) {
	if node == nil {
		fmt.Println("nil也可以作为指针")
		return
	}
	node.value = value
}

func createValue(value int ) *treeNode{
	return &treeNode{value:value}
}

/**
 *排序
 */
func (node *treeNode) traverse() {
	if (node == nil) {
		return
	}

	//左子值
	node.left.traverse()
	node.print()
	node.right.traverse()
}


{3 <nil> <nil>}

0
5
0
2
4
02345
1:nil指针也可以调用方法
2:要改变内容必须使用指针接受者
3:结构过大也考虑使用指针接受者
4:建议一致性:如果是指针接受者,最好都是指针接受者
5:值接受者是go语言特有
本课题设计了一种利用Matlab平台开发的植物叶片健康状态识别方案,重点融合了色彩与纹理双重特征以实现对叶片病害的自动化判别。该系统构建了直观的图形操作界面,便于用户提交叶片影像并快速获得分析结论。Matlab作为具备高效数值计算与数据处理能力的工具,在图像分析与模式分类领域应用广泛,本项目正是借助其功能解决农业病害监测的实际问题。 在色彩特征分析方面,叶片影像的颜色分布常与其生理状态密切相关。通常,健康的叶片呈现绿色,而出现黄化、褐变等异常色彩往往指示病害或虫害的发生。Matlab提供了一系列图像处理函数,例如可通过色彩空间转换与直方图统计来量化颜色属性。通过计算各颜色通道的统计参数(如均值、标准差及主成分等),能够提取具有判别力的色彩特征,从而为不同病害类别的区分提供依据。 纹理特征则用于描述叶片表面的微观结构与形态变化,如病斑、皱缩或裂纹等。Matlab中的灰度共生矩阵计算函数可用于提取对比度、均匀性、相关性等纹理指标。此外,局部二值模式与Gabor滤波等方法也能从多尺度刻画纹理细节,进一步增强病害识别的鲁棒性。 系统的人机交互界面基于Matlab的图形用户界面开发环境实现。用户可通过该界面上传待检图像,系统将自动执行图像预处理、特征抽取与分类判断。采用的分类模型包括支持向量机、决策树等机器学习方法,通过对已标注样本的训练,模型能够依据新图像的特征向量预测其所属的病害类别。 此类课题设计有助于深化对Matlab编程、图像处理技术与模式识别原理的理解。通过完整实现从特征提取到分类决策的流程,学生能够将理论知识与实际应用相结合,提升解决复杂工程问题的能力。总体而言,该叶片病害检测系统涵盖了图像分析、特征融合、分类算法及界面开发等多个技术环节,为学习与掌握基于Matlab的智能检测技术提供了综合性实践案例。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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