发布时间:2023-12-03 10:30
bitmap:是使用bit位来存储数据的一种结构,当数据有明确的上下界时,我们可以转换到bitmap去存储,比如0 ~ 8区间的数,如果使用int来存,则需要耗费32字节大小,如果使用位来存,只需要花费1个字节大小,相差32倍,在大数据量的情况下,比较节约空间,而且索引效率高。
bitmap的缺点也很明显,首先,当数据比较稀疏时,bitmap显然比较浪费空间,如果要存储整个int32的数据,则需要512MB的空间大小,其次,无法对重复数据进行排序和查找。为了解决bitmap在稀疏数据集下浪费空间的问题,出现了几种改进算法,下面将结合实例来讲解。
ARGB:指的是一种色彩模式,里面A代表Alpha,R表示red, G表示green,B表示blue
自然界中所有的可见颜色都是由红、绿、蓝组成的,所以红、绿、蓝又称三原色,每个原色都存储着所表示颜色的信息值
A->alpht(透明度),R->red(红色),G->green(绿色),B-blue(蓝色)
bitmap在内存中存在四种色彩的存储模式,它们的本质区别体现在每种模式下的bitmap的每个像素点,在内存中大小和组成成分的区别
一张bitmap内存占用大小 = 像素点数 * 每个像素点内存占用大小 = width * height * 每个像素点占用内存大小
样板代码:
val baos = ByteArrayOutputStream()
// 质量压缩方法,这里100表示不压缩,把压缩后的数据存放到baos中
bmRaw.compress(Bitmap.CompressFormat.JPEG, 50, baos)
val bais = ByteArrayInputStream(baos.toByteArray())
val bmScaled = BitmapFactory.decodeStream(bais, null, null)
复制代码
说明:
使用 JPEG 格式的质量压缩
bmRaw.compress(Bitmap.CompressFormat.JPEG, 50, baos)
复制代码
使用 PNG 格式的质量压缩
bmRaw.compress(Bitmap.CompressFormat.PNG, 50, baos)
复制代码
样板代码:
val options = BitmapFactory.Options()
options.inSampleSize = 2
val bmScaled = BitmapFactory.decodeResource(resources, drawableId, options)
// decode 的方法:
BitmapFactory.decodeFile()
BitmapFactory.decodeRecourse()
BitmapFactory.decodeStream()
BitmapFactory.decodeByteArray()
复制代码
说明:
/**
* If set to a value > 1, requests the decoder to subsample the original
* image, returning a smaller image to save memory. The sample size is
the number of pixels in either dimension that correspond to a single
pixel in the decoded bitmap. For example, inSampleSize == 4 returns
* an image that is 1/4 the width/height of the
original, and 1/16 the
* number of pixels. Any value <= 1 is treated the same as 1. Note: the
* decoder uses a final value based on powers of 2,
any other value will
* be rounded down to the nearest power of 2.
*/
public int inSampleSize;
The sample size is the number of pixels in either dimension that correspond to a single pixel in the decoded bitmap. 样本大小是在解码位图中对应于单个像素的任一维度上的像素个数。
也就是说,如果 inSampleSize = 2,采样后的一个像素在 x 轴上相当于之前的 2 个像素,在 y 轴上也相当于之前的 2 个像素。 即采样后的一个像素相当于之前的 2*2=4 个像素。
样板代码:
val bmRaw = BitmapFactory.decodeResource(resources, drawableId, null)
val matrix = Matrix()
matrix.setScale(0.5f, 0.5f)
val bmScaled = Bitmap.createBitmap(bmRaw, 0, 0, bmRaw.width, bmRaw.height, matrix, true)
复制代码
说明:
与采样率法类似。
样板代码:
val options = BitmapFactory.Options()
options.inPreferredConfig = Bitmap.Config.RGB_565
val bmNew = BitmapFactory.decodeResource(resources, drawableId, options)
复制代码
说明:
ALPHA_8 代表8位Alpha位图,一个像素1个字节 ARGB_4444 代表16位ARGB位图,一个像素2个字节 ARGB_8888 代表32位ARGB位图,一个像素4个字节 RGB_565 代表16位RGB位图,一个像素2个字节
* If this is non-null, the decoder will try to decode into this
* internal configuration. If it is null, or the request cannot be met,
* the decoder will try to pick the best matching config based on the
* system\'s screen depth, and characteristics of the original image such
* as if it has per-pixel alpha (requiring a config that also does).
*
*
Image are loaded with the {@link Bi tmap . Config#ARGB_ 888} config by
* default.
public Bitmap . Config inPreferredConfig = Bi tmap . Config . ARGB8888
如果 inPreferredConfig 不为 null,解码器会尝试使用此参数指定的颜色模式来对图片进行解码,如果 inPreferredConfig 为 null 或者在解码时无法满足此参数指定的颜色模式,解码器会自动根据原始图片的特征以及当前设备的屏幕位深,选取合适的颜色模式来解码,例如,如果图片中包含透明度,那么对该图片解码时使用的配置就需要支持透明度,默认会使用 ARGB_8888 来解码。
所以直接设置 RGB_565:
copy 一遍可以减少内存,但生成的 bitmap 会失去透明度,透明处变黑。
val bmScaled = bmRaw.copy(Bitmap.Config.RGB_565, true)
以上就是5种图片压缩的方法,这里须要强调,他们的压缩仅仅只是对android中的bitmap来讲的。若是将这些压缩后的bitmap另存为sd中,他们的内存大小并不同。
android手机中,图片的所占的内存大小和不少因素相关,计算起来也很麻烦。为了计算出一个图片的内存大小,能够将图片当作一个文件来间接计算,用以下的方法:《Android核心进阶技术点》一带一路。
File file = new File(Environment.getExternalStorageDirectory()
.getAbsolutePath() + \"/DCIM/Camera/test.jpg\");
Log.i(\"wechat\", \"file.length()=\" + file.length() / 1024);
或者
FileInputStream fis = null;
try {
fis = new FileInputStream(file);
} catch (FileNotFoundException e) {
e.printStackTrace();
}
try {
Log.i(\"wechat\", \"fis.available()=\" + fis.available() / 1024);
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
图解Transformer模型(Multi-Head Attention)
pytroch深度学习——torchvision中的数据集使用
2021年IEEE Fellow刚刚放榜!84位华人学者当选再创新高!
小迪安全学习笔记--第33天:web漏洞-逻辑越权之水平垂直越权全解
Windows10 + WSL (Ubuntu) + Anaconda + vscode 手把手配置python运行环境(含虚拟环境)
超实用性!哈工大提出ACNet:用于超分辨的非对称卷积神经网络
error Component name “index“ should always be multi-word vue/multi-word-component-names 的解决办法