Android图形处理

加载普通图片到内存的方法:

Bitmap bm = BitmapFactory.decodeFile("/mnt/sdcard/874.jpg");

iv.setImageBitmap(bm);

加载位图到内存相当消耗内存资源,要消耗的资源根据图片的分辨率而定。由于Android手机分配给每个应用程序的内存是固定的(一般为16M),所以当位图分辨率比较高的时候,可能会引起内存溢出的问题。

解决方案是加载到内存之前进行缩放

1.得到屏幕的宽高信息

WindowManager wm = getWindowManager();//得到窗体管理者

Display display = wm.getDefaultDisplay();//得到默认分辨率显示的方式

int sw = display.getWidth();//得到屏幕的宽

int sh = display.getHeight();//得到屏幕的高


2.得到图片的宽高信息

BitmapFactory.Options opts = new Options();//解析位图的附加条件

opts.inJustDecodeBounds = true;//不去解析真实的位图,只是获取这个位图的头文件信息

Bitmap bm = BitmapFactory.decodeFile("/mnt/sdcard/874.jpg",opts);

int bitmapWidth = opts.outWidth;//获取图片的宽高

int bitmapHeight = opts.outHeight;


3.计算缩放比例

int dx = bitmapWidth/sw;

int dy = bitmapHeight/sh;

int scale = 1;

if(dy > dx && dy > 1)

    scale = dy;

if(dx > dy && dx > 1)

    scale = dx;


4.加载缩放图片到内存

opts.inSampleSize = scale;

opts.inJustDecodeBounds = false;//真正去解析这个位图

bm = BitmapFactory.decodeFile("/mnt/sdcard/874.jpg", opts);

iv.setImageBitmap(bm);


图片的拷贝、缩放、旋转、平移、镜子效果、倒影效果

给第一个ImageView设置一个默认的位图

Bitmap bm = BitmapFactory.decodeResource(getResources(), R.dravable.ic_launcher);

iv1.setImageBitmap(bm);

1.创建原图的一个可修改的副本,创建的是一个空白的图形

Bitmap alterBitmap = Bitmap.createBitmap(bm.getWidth(),bm.getHeight(),bm.getConfig());

参数Config是位图的格式,这里保持副本的格式与原图的相同,也可以设置为:

Config.ARGB_4444表示16位的位图;

Config.ARGB_8888表示32位的位图;

Config.RGB_565表示忽略掉透明度。


2.准备一个画板,在上面放上准备好的空白的位图

Canvas canvas = new Canvas(alterBitmap);


3.准备一个画笔

Paint paint = new Paint();

paint.setColor(Color.BLACK);

paint.setAntiAlias(true);//消除锯齿


ColorMatrix cm = new ColorMatrix();

cm.set(new float[ ] {

2,0,0,0,0,

0,1,0,0,0,

0,0,1,0,0,

0,0,0,1,0

});

paint.setColorFilter(new ColorMatrixColorFilter(cm));//图像颜色处理


4.画画

Matrix matrix = new Matrix();//缩放比例,默认为1


matrix.setScale(0.5f,0.5f);//设置水平方向、垂直方向的缩放比例,放大时,创建空白图形时的宽高也要同时放大同样的倍数。


matrix.setScale(-1,1);

matrix.postTranslate(bm.getWidth(),0);//镜子效果


matrix.setScale(1,-1);

matrix.postTranslate(0,bm.getHeight());//倒影效果


matrix.setRotate(30);//默认是按图片的左上角顺时针旋转

matrix.setRotate(30,bm.getWidth()/2,bm.getHeight()/2);//按照图片的中心点旋转,后两个参数是要围绕点旋转的坐标。


matrix.setTranslate(0.5f,0.5f);//平移


canvas.drawBitmap(bm,matrix,paint);//bm是要复制的图片哦!

iv2.setImageBitmap(alterBitmap);//把原图的副本设置到界面上


触摸事件

如ImageView的触摸事件:

iv.setOnTouchListener(new OnTouchListener(){

@Override

public boolean onTouch(View v, MotionEvent event){

switch(event.getAction()){

case MotionEvent.ACTION_DOWN://手指按下屏幕

break;


case MotionEvent.ACTION_MOVE://手指在屏幕上移动

int x = (int)event.getX();//得到触摸事件相对于图片的x坐标

int y = (int)event.getY();

//event.getRawX();//得到触摸事件相对于屏幕的坐标

alterBitmap.setPixel(x,y,Color.TRANSPARENT);//设置该点像素为透明色

break;


case MotionEvent.ACTION_UP://手指离开屏幕

break;

return true;//若要实现反复触摸,必须返回true

}

}

});

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论 9
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