关于照片在imageView中转置的问题

在imageview中常常会因为手机本身的关系使显示的图片呈现转置的情况,这是我们就可以使用以下的方法进行转置。
 bm = BitmapFactory.decodeFile(picPath);
		 //照片显示的转置
		 ExifInterface exif = null;  
         try {  
             exif = new ExifInterface(picPath);  
         } catch (IOException e) {  
             e.printStackTrace();  
             exif = null;  
         }
         int digree=0;
         if (exif != null) {  
                      // 读取图片中相机方向信息  
                      int ori = exif.getAttributeInt(ExifInterface.TAG_ORIENTATION,  
                              ExifInterface.ORIENTATION_UNDEFINED);  
                      // 计算旋转角度  
                      switch (ori) {  
                      case ExifInterface.ORIENTATION_ROTATE_90:  
                          digree = 90;  
                          break;  
                      case ExifInterface.ORIENTATION_ROTATE_180:  
                          digree = 180;  
                          break;  
                      case ExifInterface.ORIENTATION_ROTATE_270:  
                          digree = 270;  
                          break;  
                      default:  
                          digree = 0;  
                          break;  
                      }
         }
         if (digree != 0) {  
             // 旋转图片  
             Matrix m = new Matrix();  
             m.postRotate(digree);  
             bm = Bitmap.createBitmap(bm, 0, 0, bm.getWidth(),  
                     bm.getHeight(), m, true);  
         }
         //旋转结束
		imageView.setImageBitmap(bm);


另外,我们还可以在xml文件中直接imageView中设置scaleType属性,也可以实现一部分显示的需求。

其中可以填写的值

matrix 用矩阵来绘制(从左上角起始的矩阵区域)

fitXY  把图片 不按比例扩大/缩小到View的大小显示(确保 图片会完整显示,并充满View)

 fitStart  把图片 按比例扩大/缩小到View的宽度,显示在View的上部分位置( 图片会完整显示

fitCenter  把图片 按比例扩大/缩小到View的宽度,居中显示( 图片会完整显示

fitEnd   把图片 按比例扩大/缩小到View的宽度,显示在View的下部分位置( 图片会完整显示

center  按图片的原来size居中显示,当图片宽超过View的宽,则截取图片的居中部分显示,当图片宽小于View的宽,则图片居中显示
 
centerCrop  按 比例扩大/缩小图片的size居中显示,使得图片的高等于View的高,使得图片宽等于或大于View的宽
 
centerInside  将 图片的内容完整居中显示,使得图片按比例缩小或原来的大小(图片比View小时)使得图片宽等于或小于View的宽 ( 图片会完整显示

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
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