使用Canvas制作MIDlet的欢迎界面

使用Canvas建立应用程序的欢迎界面 使用低级用户界面技术制作j2me应用程序的欢迎界面的方法 立即下载

      通常,我们发布的应用软件在程序启动的时候都会显示一个欢迎界面,也可能是一些关于软件的说明信息,这篇文章将讲述如何自己制作一个这样的欢迎界面。

      我以前曾经用Alert做过环境界面,可以使用display.setCurrent(alert,next)方法。这样当alert的显示时间结束或者用户按键的话会显示出下个界面。这基本上可以满足我们的需求,但是这样的效果并不太理想,我在手机上多次测试都不好。在这里我介绍一种使用Canvas制作欢迎界面的方法,在其中会涉及到一些关于Timer和TimerTask的内容,你可以参考我在J2SE中的相关文章看如何使用这两个简单且重要的class。

      我们的目的是显示一个欢迎界面给用户,当用户按下任意键或者设置的显示时间到时的话显示出下个主界面。我们创建一个WelcomeCanvas类来继承Canvas类在paint(Graphics g)里面提供方法来绘制我们欢迎界面的图片。例如:
protected void paint(Graphics arg0)
    {
        int width = this.getWidth();
        int height = this.getHeight();
        Image displayImage = null;
        try
        {
            displayImage = Image.createImage("/Duke.png");
        } catch (IOException e)
        {
            e.printStackTrace();
        }
        arg0.drawImage(displayImage, width / 2, height / 2, Graphics.HCENTER
                | Graphics.BOTTOM);

    }
在WelcomeCanvas中我们希望当它被显示的时候开始计时。这样我们可以覆盖方法showNotify(),如下所示:
    protected void showNotify()
    {
        timer.schedule(new TimerTask()
        {
            public void run()
            {
                dismiss();
            }
        }, displayTime);
    }

这样当显示canvas的时候,系统已经开始计时了,displayTime后会显示主界面。也许用户等不了这么长时间,那么当他按键的时候也应该显示出主界面,因此我们覆盖方法keyPressed()和pointerPressed()如下所示:
protected void keyPressed(int keyCode)
    {
        dismiss();
    }

    protected void pointerPressed(int y, int x)
    {
        dismiss();
    }

    private void dismiss()
    {
        timer.cancel();
        display.setCurrent(nextUI);
    }
这样我们的WelcomeCanvas基本构造起来了,我们写一个测试的MIDlet来看看效果,MIDlet和WelcomeCanvas的代码内容如下:

备注:这个程序是在eclipse环境下运行的,因此你应该把Duke.png文件复制到res目录下,否则会抛出异常。这个图片我是在wtk的安装目录随便找的。


import javax.microedition.lcdui.Command;
import javax.microedition.lcdui.CommandListener;
import javax.microedition.lcdui.Display;
import javax.microedition.lcdui.Displayable;
import javax.microedition.lcdui.Form;
import javax.microedition.midlet.MIDlet;
import javax.microedition.midlet.MIDletStateChangeException;
/*
 * Created on 2004-7-28
 *
 * TODO To change the template for this generated file go to
 * Window - Preferences - Java - Code Style - Code Templates
 */

/**
 * @author E2412C
 *
 * TODO To change the template for this generated type comment go to Window -
 * Preferences - Java - Code Style - Code Templates
 */
public class MyMIDlet extends MIDlet
{

    private Display display;
    private Form mainForm = new Form("main form");

    protected void startApp() throws MIDletStateChangeException
    {
        display = Display.getDisplay(this);
        mainForm.append("this is the main form");
        WelcomeCanvas welcome = new WelcomeCanvas(display, mainForm);
        welcome.setDisplayTime(6000);
        display.setCurrent(welcome);
    }

    protected void pauseApp()
    {

    }

    protected void destroyApp(boolean arg0) throws MIDletStateChangeException
    {

    }

}

import java.io.IOException;
import java.util.Timer;
import java.util.TimerTask;

import javax.microedition.lcdui.Canvas;
import javax.microedition.lcdui.Display;
import javax.microedition.lcdui.Displayable;
import javax.microedition.lcdui.Graphics;
import javax.microedition.lcdui.Image;

/**
 * @author E2412C
 *
 * TODO To change the template for this generated type comment go to Window -
 * Preferences - Java - Code Style - Code Templates
 */
public class WelcomeCanvas extends Canvas
{

    private Display display;
    private Displayable nextUI;
    private Timer timer = new Timer();
    private long displayTime = 3000;

    public WelcomeCanvas(Display dis, Displayable disp) {
        this.display = dis;
        this.nextUI = disp;
    }

    protected void paint(Graphics arg0)
    {
        int width = this.getWidth();
        int height = this.getHeight();
        Image displayImage = null;
        try
        {
            displayImage = Image.createImage("/Duke.png");
        } catch (IOException e)
        {
            e.printStackTrace();
        }
        arg0.drawImage(displayImage, width / 2, height / 2, Graphics.HCENTER
                | Graphics.BOTTOM);

    }

    public void setDisplayTime(long dispTime)
    {
        this.displayTime = dispTime;
    }

    protected void keyPressed(int keyCode)
    {
        dismiss();
    }

    protected void pointerPressed(int y, int x)
    {
        dismiss();
    }

    private void dismiss()
    {
        timer.cancel();
        display.setCurrent(nextUI);
    }

    protected void showNotify()
    {
        timer.schedule(new TimerTask()
        {
            public void run()
            {
                dismiss();
            }
        }, displayTime);
    }

}

 

基于canvas背景动画后台登录页面 html5基于canvas制作酷炫带背景动画的后台登录页面模板下载。 立即下载

相关推荐

emobile移动服务器配置说明

协同移动平台目录及文件安装 其中emobile目录下webapps为协同移动平台,其余目录均为Resin的相关目录

Canvas展示型页面

<script> function hasClass(node,oclass){ var oname=node.className.split(/\s+/); for (var i = 0; i < oname.length; i++) { ...

diantiaozhu8383的博客 174

【操作系统】 Operation System 第二章:操作系统基础操作

2.1 操作系统的启动 (1)CPU, I/O, 内存通过总线连接。 (2)DISK:存放OS; BIOS:基本I/O处理系统( basic I/O system); Bootloader: 加载OS到内存中。 (3)当电脑通电时,段寄存器CS和指令寄存器IP能够确定一个内存地址,例如CS:IP = 0xf000:fff0. (4)POST(加电自检),寻找显卡和执行BIOS。(显示器,键盘…是否...

iwanderu的博客 1万+

高仿蘑菇街欢迎页

蘑菇街欢迎页高仿效果这里这里…Demo下载地址前言 本文将介绍如何对蘑菇街欢迎页效果进行分析,拆分,并一步步实现1个高仿版本,最重要的设计思路包括以下2点: 1.ViewPager切换时,通过offset偏移量动态修改View元素属性 2.canvas上精细化的控制旋,移,缩,透明等view属性变化,进行动态绘制 效果拆解 首先可以把整体效果拆分为静态,动态2部分。静态:1个支持

listen2code的博客 1238

PT静态时序分析实战:从基础命令到高级报告解析

本文详细介绍了PT(PrimeTime)静态时序分析(STA)的实战技巧,从基础命令如pt_shell和report_timing的使用,到高级报告解析与问题排查。通过丰富的实例和脚本示例,帮助工程师快速掌握时序分析的核心技能,提升芯片设计验证效率。

weixin_29289821的博客 955

科研绘图系列:R语言绘制世界地图数据分布(world map)

科研绘图系列:R语言绘制世界地图数据分布(world map)

专注生信领域 528

canvas实现响应式页面

大家可以看下下面这个页面,看似简单,但想要完美的实现效果却并不是那么简单,由于后面有六边形背景图且需要和我们的选择项对齐。下面我给出我写的demo   &lt;!DOCTYPE html&gt; &lt;html lang="en"&gt; &lt;head&gt; &lt;meta charset="UTF-8"&gt; &lt;title&gt;Title&lt;

github_39274378的博客 3478

AUTOSAR TcpIp模块 以太网配置开发2

someip协议之tcpIp协议

汽车电子电气 1085

midlet类,form类,canvas类,Graphics类

midlet类应该算是j2me程序的主类了,大概等同于vc中的mainFrame,用来对form或canvas的调度commandAction,与form类相对应得命令回调函数,重写它可以实现发生命令事件时候的动作。他的参数是Command类型,既为产生的命令form类可能属于一种比较简单的“视”类(姑且类比vc这么叫吧!)form.append方法可以向视中追加一行字符串,参数就是待追加的字符串

边陲小城 1449

国科大人工智能原理与算法-2024-第一次作业-雷震老师

1. 反射行动(比如从热炉子上缩回你的手)是理性的吗?它们是智能的吗? 2. 以下的计算机系统在何种程度上是人工智能的实例: - 超市条码扫描器 - 网络搜索引擎 - 语音激活的电话菜单 - 对网络状态动态响应的网络路由算法 3. 为什么进化会倾向于导致行为合理的系统?设计这样的系统想达到的目标是什么?

MatsumotoChrikk 2930

高通IPA硬件加速介绍

‌ 高通IPA (Internet Protocol Accelerator)模块是一种硬件加速模块,由高通公司(Qualcomm)提供,主要用于优化移动设备上的网络数据传输,特别是通过 LTE 、 5G 等移动网络的数据传输‌‌。IPA模块通过硬件加速,显著提高了数据传输的速度和效率,同时降低了设备的功耗,并提供了更稳定的网络连接,减少了数据传输中的丢包和延迟‌。

四儿家的小祖宗的博客 1626

用于调式midlet的canvas

 写了一个用于调试midlet的canvas,用来输出调试信息,可以和Form一样append字符串。 以前用form现实总是更新不及时,即时重新setCurrent,现在好多了。debug_canvas.javaimport java.io.*;import java.util.*;import javax.microedition.midlet.*;import javax.micro

忘一 Blog 1256

第6篇:ESP32连接无源喇叭播放音乐《涛声依旧》

相邻两个音之间的倍数是2^(1/12),约等于1.0594630943592952645618252949463)。这样一来,高八度的do频率是低八度do的两倍。我们把频率440赫兹作为中央C ,C调的歌就是把频率440赫兹当作do,乐谱中写作:1=C。一个八度分成12份,八个八度的十二平均音率对应的频率如下(从33Hz到7902Hz)。相邻的两个音之间的差一个半音,12345671之间的间隔分别是“全全半全全全半”。D调的歌就是把从440后面第二个音494赫兹当作do,乐谱中写作1=D。

Txwtech 1424

MIDP终端模拟之一:一个简单的模拟器MIDlet

作者:Michael  文章来源:SUN中国技术社区下载 项目源代码        随着每一款新的 MIDP 2.0 设备在高级网络上部署,基于 TCP/IP 的套接字应用程序市场正不断得到扩展。它是对 MIDP 1.0 设备的补充,这些设备要么已经完全支持可选的套接字协议(像 Motorola/Nextel iDEN 电话),或者至少非正式地在半双工中支持它们(像 Nokia Series 60

mobilechannel的专栏 1101

Win11 系统下 VisualStudio2022 配置点云库 PCL1.11.1

安装完成之后打开文件夹E:\PCL 1.11.1\3rdParty\OpenNI2双击 并选择路径 (E:\PCL 1.11.1\3rdParty\OpenNI2) 安装即可全部安装完成之后,将pcl-1.11.1-pdb-msvc2019-win64.zip解压后的 .pdb文件拷贝到(E:\PCL 1.11.1\bin)中设置环境变量:到此,环境变量配置完成。

qq_53545309的博客 1128

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

两个Canvas切换的问题

<br />在一个midlet中setCurrent()了一个Canvas类的对象c1,然后在c1中的keyPressed()的case FIRE:中想将屏幕转换到另外一个Canvas类的对象c2,该怎么写,具体原理哈,别光说setCurrent.如果回调midlet中的方法的话,在Canvas类中怎么标记midlet<br />我是菜鸟别见怪哈<br />public MyMIDlet extends MIDlet{<br /><br />  public static Display display;<

lq547854的专栏 1394

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

java手机游戏开发 3 简单认识 midlet与canvas

 java手机应用程序称其为midlet(sun公司的命名);承接以上的2个包[com.sk.view],[com.sk.model]于com.sk.view中建立类(ImgFrom),继承midlet,并实现CommandListener(具体稍后解释,先接触下)具体代码:package com.sk.view;import javax.microedition.lcdu

565

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

我的MIDlet模板(不断修改更新)

import javax.microedition.midlet.*;import javax.microedition.lcdui.*;public classs MiracleMIDlet extends MIDlet...{    /**//* 这个对象是每个J2ME程序必有的,代表设备,一般设置为private */    private Display display;    /**

迷笛的专栏 1292

Canvas和Media实现钢琴效果(转)

本例使用Canvas绘制钢琴的界面,同时使用了MIDP 2.0 media子系统来播放钢琴按键触发的声音效果。是个不错的图形用户界面和音效结合的范例。 下载源码/* * PianoMIDlet.java * * Created ...

cuankuangzhong6373的博客 365

j2me中画布Canvas的运用

<br />import javax.microedition.lcdui.*;<br />import javax.microedition.midlet.MIDlet;<br />import javax.microedition.midlet.MIDletStateChangeException;<br />public class Midlet1 extends MIDlet{<br /> private Display dis;<br /> myCanvas mc=new myCanvas();<

智慧是做事用的 526

displayable对象

1、允许用户增加多个COMMAND软键对象,可以调用者SETCOMMANDLISTENER方法绑定一个软键事件监听器2、displayable是一个虙类,有2个直接子类:CANVAS:底级界面APISCREEN:高级界面API3、以下情况下,ISSHOW方法返回为TRUE(1)此对象所在的MIDLET必须运行在前台(2)此对象必须是些DISPLAY实例的当前屏幕(3

深未来技术 479

我的J2ME编程练习(7)——Canvas2

/* * Canvas2let.java * * Created on 2005年4月19日, 下午5:27 */import javax.microedition.midlet.*;import javax.microedition.lcdui.*;/** * * @author  Administrator * @version */public class Canvas2let extend

whoamiindeed的专栏 854
上一篇: 使用javadoc规范java开发文档
下一篇: 如何学好J2ME
mingjava
博客等级 码龄24年 68粉丝 114原创
评论 6
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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