图片的高效加载

1. Bitmap:位图

BitmapFactory.decodeFile();

BitmapFactory.decodeStream();

BitmapFactory.decodeResource();

BitmapFactory.deocdeByteArray();

其中decodeFile()和decodeResource()是间接调用decodeStream()的;

主要代码加解释:

/**
     * 利用采样率
     * @param res
     * @param resId
     * @param reqWidth
     * @param reqHeight
     * @return
     */
    public Bitmap decodeSampleBitmapFromResource(Resources res, int resId, int reqWidth, int reqHeight) {

        // 创建BitmapFactory.Options 对象
        BitmapFactory.Options options = new BitmapFactory.Options();
        //只会解析图片的原始宽高信息,并不会去加载图片的
        options.inJustDecodeBounds = true;

        BitmapFactory.decodeResource(res, resId, options);

        //去计算采样率
        options.inSampleSize = calculateInSampleSize(options,reqWidth,reqHeight);

        //从true设置为false
        options.inJustDecodeBounds = false;

        //计算完采样率,就去重新加载图片  通常采样率都会采用2的倍数
        Bitmap bitmap = BitmapFactory.decodeResource(res, resId, options);


        return bitmap;
    }


    public int calculateInSampleSize(BitmapFactory.Options options, int reqWidth, int reqHeight) {

        //获取到当前图片的实际高度
        int height = options.outHeight;

        / //获取到当前图片的实际宽度
        int width = options.outWidth;

        int inSampleSize = 1;

        //将图片的实际宽度和高度,与需要的宽度和高度进行比较
        if (height > reqHeight || width > reqWidth) {
            int halfHeight = height / 2;
            int halfWidth = width / 2;

            while ((halfHeight / inSampleSize) >= reqHeight && (halfWidth / inSampleSize) >= reqWidth) {
                inSampleSize*=2;
            }
        }


        return inSampleSize;
    }

 

MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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