关节点

本文介绍了如何使用深度优先搜索(DFS)算法来找出无向图中的关节点,即删除该节点会导致图不连通的节点。在DFS过程中,通过维护dfn、low和p数组,可以判断是否存在树枝边并计算low值。关节点的性质包括至少一条树枝边的low值大于等于dfn值,对于根节点,出度大于2也是关节点。最后,所有关节点及其子树构成强连通分量。提供了一段C++代码实现该算法,并给出了测试案例。

在连通图G中,如果删除了某个点u之后,得到的子图不连通,那么点u就被称为关节点。

求关节点可以用dfs来求。

具体就是用到了几个数组

表名意义
dfn[u]节点u的dfs序
p[u]节点u的父节点
low[u](dfn[u]、u的子节点的low值的最小值、u的树枝边的dfn)的最小值

对于无向图来说:

关节点的性质有两条:

  • 存在至少一条树枝边(u, v) low[v]>=dfn[u]
  • 对于根结点需要特别判断,只要有多于一条树枝边则为割点

对于有向图来说:

  • 关节点的low[u]==dfn[u]

 

把图的关节点及其子树中的点取出,就构成了一个强连通分量。

所以,求强连通分量其实就是在求关节点。

 

题目:GRL_3_A

这题是求无向图的关节点的题目。代码如下:

#include <iostream>
#include <string.h>
#include <vector>
#include <algorithm>
#include <set>
using namespace std;

#define MAXN 100005

vector<int> G[MAXN];
bool vis[MAXN] = {false};
int p[MAXN] = {0};
int low[MAXN] = {0};
int dfn[MAXN] = {0};
int v, e;
int js_dfs = 0;
set<int> ans;

void dfs(int u, int pre)
{
    dfn[u] = low[u] = ++js_dfs;

    vis[u] = true;

    for (int v : G[u])
    {
        if (!vis[v]) //树枝边
        {
            p[v] = u;
            dfs(v, u);
            low[u] = min(low[u], low[v]);
        }
        else if (v != pre) //后向边
        {
            low[u] = min(low[u], dfn[v]);
        }
    }
}

int main()
{
    ios::sync_with_stdio(false);
    cin.tie(0);
    cout.tie(0);

    int s, t;
    cin >> v >> e;
    for (int i = 0; i < e; ++i)
    {
        cin >> s >> t;
        G[s].push_back(t);
        G[t].push_back(s);
    }

    dfs(0, -1);
    //对dfs树的根节点要特殊处理,出度>2才是关节点
    int np = 0;

    for (int i = 1; i < v; ++i)
    {
        if (p[i] == 0)
            np++;
        else if (dfn[p[i]] <= low[i])//不存在树枝边指向p[i]以上的节点
            ans.insert(p[i]);
    }

    if (np > 1)
        ans.insert(0);

    for (int x : ans)
    {
        cout << x << endl;
    }
}

 

转载请注明出处:https://www.longjin666.top/?p=764

### 手部关节点在计算机视觉与动作捕捉中的应用 手部关节点是指手指关节以及手掌部位的关键位置点,在计算机视觉领域,对手部关节点的精确定位对于手势识别至关重要。通过对这些关节点的位置跟踪,可以构建出手势模型并解析出复杂的手指运动轨迹[^1]。 #### 提升准确性与实时性的需 特别是在人机交互环境中,精确地获取手部各关节点坐标有助于更自然流畅的人机沟通体验。考虑到实际应用场景可能存在的光照变化、遮挡等问题,研究者们致力于优化算法以确保即使是在恶劣条件下也能保持较高的识别精度和处理速度[^2]。 #### 动作捕捉技术的支持 从动作捕捉的角度来看,利用传感器或者其他设备记录下真实世界里演员做出的动作数据后,再经过软件处理转换成数字形式保存下来的过程也涉及到大量关于人体结构的知识,其中就包含了对每根手指上多个重要关节点坐标的采集。这种高分辨率的数据集不仅可用于创建逼真的动画角色表演,同时也促进了虚拟现实等领域的发展[^4]。 ```python import numpy as np def calculate_hand_joints_position(image_data, model_weights): """ 计算给定图像中手部关节点的位置 参数: image_data (array): 输入图片数组 model_weights (dict): 预训练好的模型权重 返回: joints_positions (list of tuples): 各个关节点(x,y)坐标列表 """ # 假设此处有加载预训练模型并对输入图像进行预测的操作... predicted_heatmaps = predict_with_model(image_data, model_weights) # 对热图做进一步处理得到最终的关节点位置 joints_positions = extract_joint_coordinates(predicted_heatmaps) return joints_positions ```
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