垃圾收集器和内存分配策略 之 对象存活检测《深入理解Java虚拟机:JVM高级特性与最佳实践》笔记四

本文深入探讨Java垃圾回收机制,包括应用计数、可达性分析算法等对象存活检测方法,以及强引用、软引用、弱引用和虚引用的概念与应用场景。详细解析垃圾回收器如何决定对象的生存还是死亡,以及方法区的回收策略。

参考资料:

根据java内存模型,在内存中程序计数器、虚拟机栈、本地方法栈跟线程的生命周期相同,这几个区域内存分配和回收具有确定性,所以不需要过多考虑回收的问题。但是java堆和方法栈对应的内存分配和回收都是动态的,垃圾回收器所关注的就是这部分内存。

对象存活检测

应用计数

  • 算法思想:给对象中添加一个引用计数器,每当有一个地方引用它时,计数器值加1,当引用失效时,计数器值减1,任何时刻计数器为0的对象就是不可能再被使用的。
  • 优点:实现简单,判断效率也很高
  • 缺点:很难解决对象之间相互循环引用的问题

可达性分析算法

  • 算法思想:通过一系列的“GC Roots”对象作为起始点,从这些节点开始向下搜索,搜索所走过的路径称为引用链,当一个对象到 GC Roots 没有任何引用链相连时,则证明此对象是不可用的。
  • 可作为 GC Roots 的对象
    1.虚拟机栈中引用的对象
    2.方法区中类静态属性引用的对象
    3.方法区中常量引用的对象
    4.本地方法栈中 JNI 引用的对象

再谈引用

序号引用类型取得目标对象方式垃圾回收条件是否可能内存泄漏
1强引用直接调用不回收可能
2软引用通过 get()方法视内存情况回收不可能
3弱引用通过 get()方法永远回收不可能
4虚引用无法取得不回收可能

几种引用级别由高到低分别为:强引用、软引用、弱引用和虚引用

强引用:

如果一个对象具有强引用,那垃圾回收器绝不会回收它。当内存空间不足,Java虚拟机宁愿抛出OutOfMemoryError错误,使程序异常终止,也不会靠随意回收具有强引用的对象来解决内存不足的问题。
示例:

Object object=new Object();
String[] arr = new String[]{"a", "b", "c"};  

软引用:

如果一个对象只具有软引用,则内存空间足够,垃圾回收器就不会回收它;如果内存空间不足了,就会回收这些对象的内存。只要垃圾回收器没有回收它,该对象就可以被程序使用。软引用可用来实现内存敏感的高速缓存。
    软引用可以和一个引用队列(ReferenceQueue)联合使用,如果软引用所引用的对象被垃圾回收器回收,Java虚拟机就会把这个软引用加入到与之关联的引用队列中。
    软引用主要应用于内存敏感的高速缓存,在android系统中经常使用到。一般情况下,Android应用会用到大量的默认图片,这些图片很多地方会用到。如果每次都去读取图片,由于读取文件需要硬件操作,速度较慢,会导致性能较低。所以我们考虑将图片缓存起来,需要的时候直接从内存中读取。但是,由于图片占用内存空间比较大,缓存很多图片需要很多的内存,就可能比较容易发生OutOfMemory异常。这时,我们可以考虑使用软引用技术来避免这个问题发生。SoftReference可以解决oom的问题,每一个对象通过软引用进行实例化,这个对象就以cache的形式保存起来,当再次调用这个对象时,那么直接通过软引用中的get()方法,就可以得到对象中中的资源数据,这样就没必要再次进行读取了,直接从cache中就可以读取得到,当内存将要发生OOM的时候,GC会迅速把所有的软引用清除,防止oom发生。

// 示例1
SoftReference<String[]> softBean = new SoftReference<String[]>(new String[]{"a", "b", "c"});

// 示例2
ReferenceQueue<String[]> referenceQueue = new ReferenceQueue<String[]>();
SoftReference<String[]> softBean = new SoftReference<String[]>(new String[]{"a", "b", "c"}, referenceQueue);

// 示例3
public class BitMapManager {
    private Map<String, SoftReference<Bitmap>> imageCache = new HashMap<String, SoftReference<Bitmap>>();

    //保存Bitmap的软引用到HashMap
    public void saveBitmapToCache(String path) {
        // 强引用的Bitmap对象
        Bitmap bitmap = BitmapFactory.decodeFile(path);
        // 软引用的Bitmap对象
        SoftReference<Bitmap> softBitmap = new SoftReference<Bitmap>(bitmap);
        // 添加该对象到Map中使其缓存
        imageCache.put(path, softBitmap);
        // 使用完后手动将位图对象置null
        bitmap = null;
    }

    public Bitmap getBitmapByPath(String path) {

        // 从缓存中取软引用的Bitmap对象
        SoftReference<Bitmap> softBitmap = imageCache.get(path);
        // 判断是否存在软引用
        if (softBitmap == null) {
            return null;
        }
        // 取出Bitmap对象,如果由于内存不足Bitmap被回收,将取得空
        Bitmap bitmap = softBitmap.get();
        return bitmap;
    }
}

弱引用

用来描述非必须的对象,但是它的强度比软引用更弱一些,被弱引用关联的对象只能生存到下一次垃圾收集发送之前。当垃圾收集器工作时,无论当前内存是否足够,都会回收掉只被弱引用关联的对象。一旦一个弱引用对象被垃圾回收器回收,便会加入到一个注册引用队列中。
示例:

//示例1
WeakReference<String[]> weakBean = new WeakReference<String[]>(new String[]{"a", "b", "c"});
//示例2
ReferenceQueue<String[]> referenceQueue = new ReferenceQueue<String[]>();
WeakReference<String[]> softBean = new WeakReference<String[]>(new String[]{"a", "b", "c"}, referenceQueue);

虚引用(Phantom Reference)

虚引用也称为幽灵引用或者幻影引用,它是最弱的一种引用关系。一个持有虚引用的对象,和没有引用几乎是一样的,随时都有可能被垃圾回收器回收。当试图通过虚引用的get()方法取得强引用时,总是会失败。
并且,虚引用必须和引用队列一起使用, 虚引用主要用来跟踪对象被垃圾回收器回收的活动。虚引用与软引用和弱引用的一个区别在于:虚引用必须和引用队列 (ReferenceQueue)联合使用。当垃圾回收器准备回收一个对象时,如果发现它还有虚引用,就会在回收对象的内存之前,把这个虚引用加入到与之 关联的引用队列中。
示例:

ReferenceQueue<String[]> referenceQueue = new ReferenceQueue<String[]>();
PhantomReference<String[]> referent = new PhantomReference<String>(new String[]{"a", "b", "c"}, referenceQueue);

生存还是死亡

即使在可达性分析算法中不可达的对象,也不是“非死不可”的。

对象在被标记为不可达之后,如果对象覆盖了finalize()方法并且该对象还没有调用过finalize(),那么这个对象会被放入F-Queue队列中,并在稍后一个由虚拟机建立的、低优先级的Finalize线程中去执行对象的finalize()方法。稍后GC会对F-Queue的对象进行再一次的标记,如果对象的finalize方法中,将对象重新和GC Roots建立了关联,那么在第二次标记中就会被移除出“即将回收”的集合。

但是,finalize线程的优先级很低,GC并不保证会等待对象执行完finalize方法之后再去回收,因而想通过finalize方法区拯救对象的做法,并不靠谱。鉴于finalize()方法这种执行的不确定性,大家其实可以忘记finalize方法在Java中的存在了,无论什么时候,都不要使用finalize方法。

回收方法区

很多人认为方法区(或者HotSpot虚拟机中的永久代)是没有垃圾收集的,Java虚拟机规范中确实说过可以不要求虚拟机在方法区实现垃圾收集,而且在方法区进行垃圾收集的“性价比”一般比较低:在堆中,尤其是在新生代中,常规应用进行一次垃圾收集一般可以回收70%~95%的空间,而永久代的垃圾收集效率远低于此。

永久代的垃圾收集主要回收两部分内容:废弃常量无用的类

  • 废弃常量
    回收废弃常量与回收Java堆中的对象非常类似。以常量池中字面量的回收为例,假如一个字符串“abc”已经进入了常量池中,但是当前系统没有任何一个String对象是叫做“abc”的,换句话说,就是没有任何String对象引用常量池中的“abc”常量,也没有其他地方引用了这个字面量,如果这时发生内存回收,而且必要的话,这个“abc”常量就会被系统清理出常量池。常置池中的其他类(接口)、方法、字段的符号引用也与
  • 无用的类
    类需要同时满足下面3个条件才能算是“无用的类”:
    1.该类所有的实例都已经被回收,也就是Java堆中不存在该类的任何实例。
    2.加载该类的ClassLoader已经被回收。
    3.该类对应的java.lang.Class对象没有在任何地方被引用,无法在任何地方通过反射访问该类的方法。
内容概要:本文介绍了一套针对智能穿戴设备的跑步/骑行轨迹记录系统实战方案,旨在解决传统运动APP存在的定位漂移、数据断层路径分析单一等问题。系统基于北斗+GPS双模定位、惯性测量单元(IMU)海拔传感器,实现高精度轨迹采集,并通过卡尔曼滤波算法修正定位误差,在信号弱环境下利用惯性导航补位,确保轨迹连续性。系统支持跑步骑行两种场景的差异化功能,包括实时轨迹记录、多维度路径分析(如配速、坡度、能耗)、数据可视化(地图标注、曲线图、3D回放)、异常提醒及智能优化建议,并可通过蓝牙/Wi-Fi同步数据至手机APP,支持社交分享专业件导出。技术架构涵盖硬件层、设备端手机端件层以及云端数据存储,强调低功耗设计用户体验优化。经过实测验证,系统在定位精度、续航能力场景识别准确率方面均达到预期指标,具备良好的实用性扩展性。; 适合人群:具备一定嵌入式开发或移动应用开发经验,熟悉物联网、传感器融合数据可视化的技术人员,尤其是从事智能穿戴设备、运动健康类产品研发的工程师产品经理;也适合高校相关专业学生作为项目实践参考。; 使用场景及目标:① 开发高精度运动轨迹记录功能,解决GPS漂移断点问题;② 实现跑步骑行场景下的差异化数据分析个性化反馈;③ 构建完整的“终端采集-手机展示-云端存储”系统闭环,支持社交互动商业拓展;④ 掌握低功耗优化、多源数据融合、动态功耗调节等关键技术在穿戴设备中的落地应用。; 阅读建议:此资源以真实项目为导向,不仅提供详细的技术实现路径,还包含硬件选型、测试验证商业扩展思路,建议读者结合自身开发环境,逐步实现各模块功能,重点关注定位优化算法、功耗控制策略跨平台数据同步机制的设计调优。
### C# Bitmap 圆形检测算法实现方法 在 C# 中实现圆形检测功能,通常需要结合 OpenCV 的 C# 绑定库 OpenCvSharp。以下是实现方法的详细说明代码示例: #### 1. 使用 OpenCvSharp 进行图像处理 OpenCvSharp 是 OpenCV 的 C# 绑定库,提供了丰富的图像处理功能。为了实现圆形检测,可以使用 `HoughCircles` 方法,该方法基于霍夫变换来检测图像中的圆形。 首先,将 `Bitmap` 转换为 OpenCvSharp 支持的 `Mat` 格式。然后对图像进行预处理(如灰度化、模糊处理),最后调用 `HoughCircles` 方法进行圆形检测。 #### 2. 预处理步骤 - **灰度化**:将彩色图像转换为灰度图像,以减少计算复杂度。 - **高斯模糊**:通过高斯模糊去除噪声,提高圆形检测的准确性。 #### 3. 实现代码示例 以下是一个完整的 C# 示例代码,展示如何从 `Bitmap` 图像中检测圆形: ```csharp using System; using System.Drawing; using OpenCvSharp; class Program { static void Main(string[] args) { // 加载图像并转换为 Mat 格式 Bitmap bitmap = new Bitmap("input_image.jpg"); Mat srcImage = BitmapConverter.ToMat(bitmap); // 灰度化 Mat grayImage = new Mat(); Cv2.CvtColor(srcImage, grayImage, ColorConversionCodes.BGR2GRAY); // 高斯模糊 Mat blurredImage = new Mat(); Cv2.GaussianBlur(grayImage, blurredImage, new Size(9, 9), 2, 2); // 检测圆形 Circle[] circles = Cv2.HoughCircles( blurredImage, HoughMethods.Gradient, dp: 1, minDist: 50, param1: 200, param2: 30, minRadius: 10, maxRadius: 100 )[0]; // 在原图上绘制检测到的圆形 Mat resultImage = srcImage.Clone(); foreach (var circle in circles) { Cv2.Circle(resultImage, new Point((int)circle.Center.X, (int)circle.Center.Y), (int)circle.Radius, new Scalar(0, 255, 0), 2); } // 显示结果图像 Cv2.ImShow("Detected Circles", resultImage); Cv2.WaitKey(0); } } ``` #### 4. 参数解释 - `dp`: 累加器分辨率输入图像分辨率的反比。值为 1 表示累加器输入图像具有相同的分辨率。 - `minDist`: 检测到的圆心之间的最小距离。如果设置过小,可能会检测到重复的圆。 - `param1`: Canny 边缘检测的高阈值,低阈值为高阈值的一半。 - `param2`: 累加器阈值。值越小,检测到的圆越多,但可能存在误检。 - `minRadius` `maxRadius`: 检测圆的最小最大半径。 #### 5. 注意事项 - 输入图像应尽量清晰且背景简单,以提高检测精度。 - 如果图像中有多个大小不一的圆,可能需要调整 `minRadius` `maxRadius` 参数[^1]。 - 对于复杂的图像,可以尝试结合形态学操作或边缘检测进一步优化[^2]。 #### 6. 结果显示 运行上述代码后,程序会显示一张带有绿色圆圈标记的图像,标记了所有检测到的圆形。 --- ###
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