0072 JAVA JNI 如何调用C或者C++生成的dll【基础】

JAVA如何调用C或者C++生成的dll

本文为在 32 位 Windows 平台上实现 Java 本地方法调用dll的示例。由于对C语言不是很熟悉,有部分内容摘自网络。

第一步、编写java文件

package com.ztsoft.jni;

public class MyDll {

static {

System.loadLibrary("MyDll");

}

public native static String HelloWord();

public native static String HelloWord(int num);

}

第二步、编译生成h文件

1、编译

D:\MyEclipse 6.5M1 Blue\workspace\javaWorkSpace\src>javac com/ztsoft/jni/MyDll.java

(生成MyDll.class位于jni目录下)

2、生成h文件

D:\MyEclipse 6.5M1 Blue\workspace\javaWorkSpace\src>javah com.ztsoft.jni.MyDll

(生成com_ztsoft_jni_MyDll.h这个文件位于src目录下)

/* DO NOT EDIT THIS FILE - it is machine generated */

#include <jni.h>

/* Header for class com_ztsoft_jni_MyDll */

#ifndef _Included_com_ztsoft_jni_MyDll

#define _Included_com_ztsoft_jni_MyDll

#ifdef __cplusplus

extern "C" {

#endif

/*

 * Class:     com_ztsoft_jni_MyDll

 * Method:    HelloWord

 * Signature: ()Ljava/lang/String;

 */

JNIEXPORT jstring JNICALL Java_com_ztsoft_jni_MyDll_HelloWord__

  (JNIEnv *, jclass);

/*

 * Class:     com_ztsoft_jni_MyDll

 * Method:    HelloWord

 * Signature: (I)Ljava/lang/String;

 */

JNIEXPORT jstring JNICALL Java_com_ztsoft_jni_MyDll_HelloWord__I

  (JNIEnv *, jclass, jint);

 

#ifdef __cplusplus

}

#endif

#endif

第三步、编写C++文件

在具体实现的时候,我们只关心两个函数原型。

JNIEXPORT jstring JNICALL Java_com_ztsoft_jni_MyDll_HelloWord__

  (JNIEnv *, jclass);

JNIEXPORT jstring JNICALL Java_com_ztsoft_jni_MyDll_HelloWord__I

  (JNIEnv *, jclass, jint);

以下我用的是vs2005编写c程序。

1、选择Visual C++ -> Win32 -> Win32项目(填写项目名称等)点击确定。

 

这一步选择DLL,勾选空项目,点击完成。

然后右击右侧的源文件,添加新相

 


然后再将com_ztsoft_jni_MyDll.h文件添加到C++的头文件中(先拷贝到工程下,然后在引入现有项)

 

然后拷贝原函数到MyDll.cpp文件中

#include "com_ztsoft_jni_MyDll.h"

JNIEXPORT jstring JNICALL Java_com_ztsoft_jni_MyDll_HelloWord__

(JNIEnv *, jclass){

}

JNIEXPORT jstring JNICALL Java_com_ztsoft_jni_MyDll_HelloWord__I

(JNIEnv *, jclass, jint){

}

注意:一定要把JDK中的include文件夹中(和它下面的win32)的几个头文件拷贝到C++工程文件夹中。然后引入。

 

否则编译的时候出现类似的错误

 

 

 

根据头文件的路径,修改com_ztsoft_jni_MyDll.h

 

 

修改jni_md.h文件的引入

 

根据实际情况,修改MyDll.cpp文件。

 

 

第四步、编译生成DLL

选择build->rebuild all对所写的程序进行编译。点击build->build MyDll.DLL生成DLL文件。位于debug目录下,将它放置你的jdkbin目录,或者system32下。

然后编写main方法测试即可。

/**

 * 测试dll方法

 * @param args

 */

public static void main(String[] args){

System.out.println(MyDll.HelloWord());

}
对程序的一点解释:
1)加了static和不加只是一个参数的区别吗。就是jclass的不同,不加static这里就是jobject。也就是 JNIEXPORT void JNICALL Java_MyNative_HelloWord(JNIEnv *env,  jobject obj)
2)这里JNIEXPORTJNICALL都是JNI的关键字,表示此函数是要被JNI调用的。而 jstring是以JNI为中介使JAVAString类型与本地的string沟通的一种类型,我们可以视而不见,就当做String使用(具体对应 见表一)。函数的名称是JAVA_再加上java程序的package路径再加函数名组成的(参见有包的情况)。参数中,我们也只需要关心在JAVA程序 中存在的参数,至于JNIEnv*jclass我们一般没有必要去碰它。
3)NewStringUTF()JNI函数,从一个包含UTF格式编码字符的char类型数组中创建一个新的jstring对象。
4) 以上程序片断jstr=env->NewStringUTF(str);C++中的写法,不必使用env指针。因为JNIEnv函数的C ++版本包含有直接插入成员函数,他们负责查找函数指针。而对于C的写法,应改为:jstr=(*env)->NewStringUTF(env, str);因为所有JNI函数的调用都使用env指针,它是任意一个本地方法的第一个参数。env指针是指向一个函数指针表的指针。因此在每个JNI函数 访问前加前缀(*env)->,以确保间接引用函数指针。
CJava编程语言之间传送值时,需要理解这些值类型在这两种语言间的对应关系。这些都在头文件jni.h中,用typedef语句声明了这些类在目标平台上的代价类。头文件也定义了常量如:JNI_FALSE=0 JNI_TRUE=1;
表一说明了Java类型和C类型之间的对应关系。
表一 Java类型和C类型
Java编程语言 C编程语言 字节 
boolean jboolean 1 
byte jbyte 1 
char jchar 2 
short jshort 2 
int jint 4 
long jlong 8 
float jfloat 4 
double jdouble 8 
   

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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