HarmonyOS 5.0应用开发——Canvas绘制饼图

【高心星出品】

Canvas绘制饼图

Canvas提供画布组件,用于自定义绘制图形,开发者使用CanvasRenderingContext2D对象和OffscreenCanvasRenderingContext2D对象在Canvas组件上进行绘制,绘制对象可以是基础形状、文本、图片等。

运行结果

在这里插入图片描述

开发步骤
定义Canvas上下文环境。
// 抗锯齿设置
private canvassetting: RenderingContextSettings = new RenderingContextSettings(true)
// canvas上下文环境
private cavascontext: CanvasRenderingContext2D = new CanvasRenderingContext2D(this.canvassetting)
布局Canvas
//绑定上下文环境
Canvas(this.cavascontext)
  .width(300)
  .height(300)
  .backgroundColor(Color.Gray)
  .onReady(() => {
    //开始绘制
  })
标准绘制过程
let width = this.cavascontext.width
let height = this.cavascontext.height
// 清空内容
this.cavascontext.clearRect(0, 0, width, height)
//保存空的画板
this.cavascontext.save()
//平移画板
this.cavascontext.translate(width / 2, height / 2)
//旋转画板
this.cavascontext.rotate(angle)
// 开始绘制内容
..........
// 绘制结束 呈现内容
this.cavascontext.restore()
具体绘制过程

绘制文本

//开始路径
this.cavascontext.beginPath()
//设置画笔
this.cavascontext.font = '15vp'
this.cavascontext.fillStyle = '#ff0000'
//画文字
this.cavascontext.fillText(text, x, y)
this.cavascontext.fill()
//关闭路径
this.cavascontext.closePath()

绘制圆弧

//开始路径
this.cavascontext.beginPath();
//设置颜色
this.cavascontext.fillStyle = color;
//绘制一个点
this.cavascontext.moveTo(0, 0);
//绘制圆弧
this.cavascontext.arc(0, 0, randus, startangle, endangle);
this.cavascontext.fill();
//关闭路径
this.cavascontext.closePath();
旋转手势
.gesture(
  RotationGesture()
    .onActionUpdate((event) => {
      this.invaliate(event.angle * Math.PI / 180)
    })
)
完整代码
@Entry
@Component
struct Canvaspage {
  @State message: string = 'Hello World';
  // 抗锯齿设置
  private canvassetting: RenderingContextSettings = new RenderingContextSettings(true)
  // canvas上下文环境
  private cavascontext: CanvasRenderingContext2D = new CanvasRenderingContext2D(this.canvassetting)

  build() {
    Column() {
      Canvas(this.cavascontext)
        .width(300)
        .height(300)
        .backgroundColor(Color.Gray)
        .onReady(() => {

          this.invaliate(0);
        })
        .gesture(
          RotationGesture()
            .onActionUpdate((event) => {
              this.invaliate(event.angle * Math.PI / 180)
            })
        )
    }
    .height('100%')
    .width('100%')
    .justifyContent(FlexAlign.Center)
  }

  invaliate(angle: number) {
    let width = this.cavascontext.width
    let height = this.cavascontext.height
    // 清空内容
    this.cavascontext.clearRect(0, 0, width, height)
    this.cavascontext.save()
    this.cavascontext.translate(width / 2, height / 2)
    this.cavascontext.rotate(angle)
    // 开始绘制
    this.drawarc('#00ff00', 100, 0, Math.PI / 4);
    this.drawtext('Android', 90, 45);
    this.drawarc('#00ffff', 90, Math.PI / 4, Math.PI / 12 * 7);
    this.drawtext('IOS', 10, 100);
    this.drawarc('#ffff00', 80, Math.PI / 12 * 7, Math.PI);
    this.drawtext('Flutter', -110, 50);
    this.drawarc('#0000ff', 100, Math.PI, 0);
    this.drawtext('HarmonyOS', -30, -100);
    this.drawcircle(50, '#ff0000');
    // 绘制结束
    this.cavascontext.restore()
  }

  drawcircle(randus: number, color: string) {
    this.cavascontext.beginPath()
    this.cavascontext.fillStyle = color
    this.cavascontext.arc(0, 0, randus, 0, 2 * Math.PI)
    this.cavascontext.fill()
    this.cavascontext.closePath()
  }

  drawarc(color: string, randus: number, startangle: number, endangle: number) {
    this.cavascontext.beginPath();
    this.cavascontext.fillStyle = color;
    this.cavascontext.moveTo(0, 0);
    this.cavascontext.arc(0, 0, randus, startangle, endangle);
    this.cavascontext.fill();
    this.cavascontext.closePath();
  }

  drawtext(text: string, x: number, y: number) {
    this.cavascontext.beginPath()
    this.cavascontext.font = '15vp'
    this.cavascontext.fillStyle = '#ff0000'
    this.cavascontext.fillText(text, x, y)
    this.cavascontext.fill()
    this.cavascontext.closePath()
  }
}

内容概要:本文详细探讨了基于樽海鞘算法(SSA)优化的极限学习机(ELM)在回归预测任务中的应用,并与传统的BP神经网络、广义回归神经网络(GRNN)以及未优化的ELM进行了性能对比。首先介绍了ELM的基本原理,即通过随机生成输入层与隐藏层之间的连接权重及阈值,仅需计算输出权重即可快速完成训练。接着阐述了SSA的工作机制,利用樽海鞘群体觅食行为优化ELM的输入权重和隐藏层阈值,从而提高模型性能。随后分别给出了BP、GRNN、ELM和SSA-ELM的具体实现代码,并通过波士顿房价数据集和其他工业数据集验证了各模型的表现。结果显示,SSA-ELM在预测精度方面显著优于其他三种方法,尽管其训练时间较长,但在实际应用中仍具有明显优势。 适合人群:对机器学习尤其是回归预测感兴趣的科研人员和技术开发者,特别是那些希望深入了解ELM及其优化方法的人。 使用场景及目标:适用于需要高效、高精度回归预测的应用场景,如金融建模、工业数据分析等。主要目标是提供一种更为有效的回归预测解决方案,尤其是在处理大规模数据集时能够保持较高的预测精度。 其他说明:文中提供了详细的代码示例和性能对比表,帮助读者更好地理解和复现实验结果。同时提醒使用者注意SSA参数的选择对模型性能的影响,建议进行参数敏感性分析以获得最佳效果。
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