iOS 图片压缩UIImage方法扩展

iOS自带的提供了一个API如下

  1. NSData *UIImageJPEGRepresentation(UIImage *image, CGFloat compressionQuality);    

在Iphone上有两种读取图片数据的简单方法: UIImageJPEGRepresentation和UIImagePNGRepresentation. UIImageJPEGRepresentation函数需要两个参数:图片的引用和压缩系数.而UIImagePNGRepresentation只需要图片引用作为参数.通过在实际使用过程中,比较发现: UIImagePNGRepresentation(UIImage* image) 要比UIImageJPEGRepresentation(UIImage* image, 1.0) 返回的图片数据量大很多.譬如,同样是读取摄像头拍摄的同样景色的照片, UIImagePNGRepresentation()返回的数据量大小为199K ,而 UIImageJPEGRepresentation(UIImage* image, 1.0)返回的数据量大小只为140KB,比前者少了50多KB.如果对图片的清晰度要求不高,还可以通过设置 UIImageJPEGRepresentation函数的第二个参数,大幅度降低图片数据量.譬如,刚才拍摄的图片, 通过调用UIImageJPEGRepresentation(UIImage* image, 1.0)读取数据时,返回的数据大小为140KB,但更改压缩系数后,通过调用UIImageJPEGRepresentation(UIImage* image, 0.5)读取数据时,返回的数据大小只有11KB多,大大压缩了图片的数据量 ,而且从视角角度看,图片的质量并没有明显的降低.因此,在读取图片数据内容时,建议优先使用UIImageJPEGRepresentation,并可根据自己的实际使用场景,设置压缩系数,进一步降低图片数据量大小。


  1. UIImage *imageNew = [info objectForKey:@"UIImagePickerControllerOriginalImage"];  
  2. imageNew = [self imageWithImage:imageNew scaledToSize:CGSizeMake(100, 100)];  
  3. NSData *imageData = UIImageJPEGRepresentation(imageNew, 0.0001);  
  4.   
  5. m_selectImage = [UIImage imageWithData:imageData];  


.h具体code

 

  1. #import <Foundation/Foundation.h>  
  2.   
  3. @interface UIImage (UIImageExt)  
  4.   
  5. - (UIImage *)scaleToSize:(UIImage *)img size:(CGSize)size;  
  6.   
  7. - (UIImage *)imageByScalingAndCroppingForSize:(CGSize)targetSize;  
  8. @end  
.m具体code

  1. #import "UIImageExt.h"  
  2.   
  3.   
  4. @implementation UIImage (UIImageExt)  
  5.   
  6. - (UIImage *)scaleToSize:(UIImage *)img size:(CGSize)size{  
  7.     // 创建一个bitmap的context  
  8.     // 并把它设置成为当前正在使用的context  
  9.     UIGraphicsBeginImageContext(size);  
  10.     // 绘制改变大小的图片  
  11.     [img drawInRect:CGRectMake(0, 0, size.width, size.height)];  
  12.     // 从当前context中创建一个改变大小后的图片  
  13.     UIImage* scaledImage = UIGraphicsGetImageFromCurrentImageContext();  
  14.     // 使当前的context出堆栈  
  15.     UIGraphicsEndImageContext();  
  16.     // 返回新的改变大小后的图片  
  17.     return scaledImage;  
  18. }  
  19.   
  20.   
  21.   
  22. - (UIImage*)imageByScalingAndCroppingForSize:(CGSize)targetSize  
  23. {  
  24.     UIImage *sourceImage = self;  
  25.     UIImage *newImage = nil;  
  26.     CGSize imageSize = sourceImage.size;  
  27.     CGFloat width = imageSize.width;  
  28.     CGFloat height = imageSize.height;  
  29.     CGFloat targetWidth = targetSize.width;  
  30.     CGFloat targetHeight = targetSize.height;  
  31.     CGFloat scaleFactor = 0.0;  
  32.     CGFloat scaledWidth = targetWidth;  
  33.     CGFloat scaledHeight = targetHeight;  
  34.     CGPoint thumbnailPoint = CGPointMake(0.0,0.0);  
  35.       
  36.     if (CGSizeEqualToSize(imageSize, targetSize) == NO)  
  37.     {  
  38.         CGFloat widthFactor = targetWidth / width;  
  39.         CGFloat heightFactor = targetHeight / height;  
  40.           
  41.         if (widthFactor > heightFactor)  
  42.             scaleFactor = widthFactor; // scale to fit height  
  43.         else  
  44.             scaleFactor = heightFactor; // scale to fit width  
  45.         scaledWidth  = width * scaleFactor;  
  46.         scaledHeight = height * scaleFactor;  
  47.           
  48.         // center the image  
  49.         if (widthFactor > heightFactor)  
  50.         {  
  51.             thumbnailPoint.y = (targetHeight - scaledHeight) * 0.5;  
  52.         }  
  53.         else  
  54.             if (widthFactor < heightFactor)  
  55.             {  
  56.                 thumbnailPoint.x = (targetWidth - scaledWidth) * 0.5;  
  57.             }  
  58.     }  
  59.       
  60.     UIGraphicsBeginImageContext(targetSize); // this will crop  
  61.       
  62.     CGRect thumbnailRect = CGRectZero;  
  63.     thumbnailRect.origin = thumbnailPoint;  
  64.     thumbnailRect.size.width  = scaledWidth;  
  65.     thumbnailRect.size.height = scaledHeight;  
  66.       
  67.     [sourceImage drawInRect:thumbnailRect];  
  68.       
  69.     newImage = UIGraphicsGetImageFromCurrentImageContext();  
  70.     if(newImage == nil)  
  71.         NSLog(@"could not scale image");  
  72.       
  73.     //pop the context to get back to the default  
  74.     UIGraphicsEndImageContext();  
  75.     return newImage;  
  76. }  
  77.   
  78. @end 
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    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 1
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