MTK 火焰特效

之前在MTK上写的火焰特效。
功能简单,音乐播放时,火焰升起;音乐暂停,火焰暂停;同时可实现多色可选。
主要使用高斯模糊和调色板等;单独使用一个火焰图层;使用带ALPHA值的RGB,与底层RGB叠加。
优缺点:使用深色底图效果优;使用浅色底图效果相对差一些。
有需要的(有偿)可联系MSN:qdsh2@163.com,(请注明火焰)
效果如图:
   

控制代码如下:

 void fire_main(void)
 {
    U8 i, h, temp;
    
    set_fire();
/*begin---每个timer都从最底下向上刷,同时要把之前的火焰向上扩展*/
    temp = FireLayerHeight;
    while((temp >= g_top))
    {
        for(h = temp - 1; h >= temp - 4;h--)
            for(i = 0; i< FireLayerWidth; i++)
            {
               GS_screen(h, i);
               set_color(h, i);
            }
        temp -= 4;
     }
/*end---每个timer都从最底下向上刷,同时要把之前的火焰向上扩展*/
    if(g_top >= 4)
    {
        g_top -= 4;//top 递减,使得火焰在每个timer上升一下
    }
    
    if(g_top < 4)
    {
        g_top = 4;
    }
 }




根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
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