Android随记------图片oom

本文针对Bitmap内存溢出问题,提出了9项优化措施,包括利用Matrix和Canvas操纵Bitmap、减少Bitmap对象创建、避免频繁decodeResource调用等,旨在帮助开发者有效控制Bitmap内存消耗。
转自:[url]http://blog.youkuaiyun.com/sevensundark/article/details/7519169[/url]

近段时间一直在折腾Bitmap相关的内存溢出问题,就调试解决中的感受和经验做个简单的总结。
(关于Bitmap的内存消耗机制就不作详细说明,大概就是Bitmap关系到的内存是native heap,它与Davilk heap有所区别,因为native heap并不受java gc的控制,所以必须手动去释放)

1.利用图片组件的ondraw方法中cavans进行绘制
尤其是在需要控制图片的频繁刷新(比如放大,旋转等)时,不断创建新的Bitamp对象的方式是非常糟糕的,即使在代码中进行及时的内存释放,频繁的create风险太高,可以通过利用Matrix、Canvas操纵一个Bitmap对象来实现。

2.及时释放bitmap对象
注意对作为中间变量的bitmap对象的recycle释放,必要时考虑调用System.gc()通知系统更“积极”地进行垃圾回收

3.操作bitmap对象时,减少bitmap的creat,copy等操作,操作考虑是否能重用元bitmap对象
尽量减少Bitmap.createBitmap,bitamp.copy等操作,也就是尽可能减少Bitmap中间变量的创建。在元bitmap对象可重用的前提下,尽量避免新内存的开销
这有个相关的例子:
CustomImgView.java 自定义ImageView
[java] view plain copy print?
public Bitmap getBitmap() {

// mBitmap 为全局变量
if (mBitmap != null && !mBitmap.isRecycled())
{
mBitmap.recycle();
mBitmap = null;
}

mBitmap = Bitmap.createBitmap(w, h, f);
Canvas canvas = new Canvas(mBitmap);

// 在画布上进行绘制
........
canvas.drawBitmap(mSrcBitmap, src, dest, bmp);

return mBitmap;
}

Save.java 相关的代码片段
[java] view plain copy print?
Bitmap highRes=v.getBitmap();

if (highRes == null) continue;

Matrix matrix = new Matrix();
matrix.postScale(w, h);
canvas.drawBitmap(highRes, matrix, paint);
可见,Save先通过CustomImgView取得bitmap对象,然后进行缩放处理。
其实可以发现,CustomImgView中为了生成所需的bitmap投入一个临时的mBitmap并在canvas上进行绘制,而Save里,得到这个bitmap进行缩放也还是通过canvas操作的,两个明显可以合并在一起。
再看一下优化后的代码
CustomImgView.java 方法换了个名字
[java] view plain copy print?
public void drawInto(Canvas canvas, int inWidth, int inHeight) {
float scaleW = w;
float scaleH = h;
........
// 缩放处理后,canvas绘制
canvas.drawBitmap(mSrcBitmap, src, midRect, bmp);
}

Save.java
[java] view plain copy print?
CustomImgView v = (CustomImgView) view;
v.drawInto(w, h);

去掉多余的bitmap变量,代码也变干净了。
其实这种情况,也是前期为了实现功能,往往就会容易忽略了Bitmap内存。项目后期,解决内存释放,也确实遇到这方面比较多的问题,就此马克...

4.尽量减少并避免Bitmap类型的全局变量,即使有也注意释放

5.避免decodeResouce,decodeStream的读取频繁调用,考虑资源读取时的复用性
主要是指对同一图片资源,避免频繁的BitmapFactory.decodeResouce、BitmapFactory.decodeStream来读取资源,考虑复用性

6.避免占用内存的风险
在代码中应该注意占用高内存的风险。例如:逻辑要求先生成一个Bitmap A,它只是临时bitmap,再在它基础上计算生成Bitmap B,可在某种条件下,产生出来的A和B会是一样的,我们需要判断这种场合避免进行多余无用的bitmap产生,即便是临时Bitmap A会即时释放,可“在瞬间这边程序是耗费着大内存”

7.考虑利用图片文件的存取来绕开Bitmap操作的高内存消耗
例如,逻辑里要保持一个大图片的副本,保证随时能恢复,但使用的频率不是很高,可以考虑将它保存成文件,等到要使用的时候再读取,避免大图片一直占用着内存

8.建立缓存数组,避免图片重复解码造成的内存消耗
主要是用在adaptor中的,在显示范围内的图片,会在getView方法中重新解码显示,可以构建Bitmap缓存数组在图片首次显示的时候记录进数组中,避免后面再次显示时的图片的重新解码。

9.降低素材图片资源大小(分辨率)
这个估计也是“没有办法的办法”了,根据需要摒弃过高分辨率图片,降低图片素材显示的内存消耗

自己调试用来查看堆内存的代码:
Debug.getNativeHeapSize() 当前进程navtive堆本身总的内存大小
Debug.getNativeHeapAllocatedSize() 当前进程navtive堆中已使用的内存大小
Debug.getNativeHeapFreeSize() 当前进程navtive堆中剩余的内存大小
【负荷预测】基于VMD-CNN-LSTM的负荷预测研究(Python代码实现)内容概要:本文介绍了基于变分模态分解(VMD)、卷积神经网络(CNN)和长短期记忆网络(LSTM)相结合的VMD-CNN-LSTM模型在负荷预测中的研究与应用,采用Python代码实现。该方法首先利用VMD对原始负荷数据进行分解,降低序列复杂性并提取不同频率的模态分量;随后通过CNN提取各模态的局部特征;最后由LSTM捕捉时间序列的长期依赖关系,实现高精度的负荷预测。该模型有效提升了预测精度,尤其适用于非平稳、非线性的电力负荷数据,具有较强的鲁棒性和泛化能力。; 适合人群:具备一定Python编程基础和深度学习背景,从事电力系统、能源管理或时间序列预测相关研究的科研人员及工程技术人员,尤其适合研究生、高校教师及电力行业从业者。; 使用场景及目标:①应用于日前、日内及实时负荷预测场景,支持智慧电网调度与能源优化管理;②为研究复合型深度学习模型在非线性时间序列预测中的设计与实现提供参考;③可用于学术复现、课题研究或实际项目开发中提升预测性能。; 阅读建议:建议读者结合提供的Python代码,深入理解VMD信号分解机制、CNN特征提取原理及LSTM时序建模过程,通过实验调试参数(如VMD的分解层数K、惩罚因子α等)优化模型性能,并可进一步拓展至风电、光伏等其他能源预测领域。
【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)内容概要:本文研究了一种基于融合鱼鹰和柯西变异的麻雀优化算法(OCSSA)优化变分模态分解(VMD)参数,并结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)的轴承故障诊断模型。该方法利用西储大学轴承数据集进行验证,通过OCSSA算法优化VMD的分解层数K和惩罚因子α,有效提升信号去噪与特征提取能力;随后利用CNN提取故障特征的空间信息,BiLSTM捕捉时间序列的长期依赖关系,最终实现高精度的轴承故障识别。整个流程充分结合了智能优化、信号处理与深度学习技术,显著提升了复杂工况下故障诊断的准确性与鲁棒性。; 适合人群:具备一定信号处理、机器学习及MATLAB编程基础的研究生、科研人员及从事工业设备故障诊断的工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选择的问题,实现自适应优化;②构建高效准确的轴承故障诊断模型,适用于旋转机械设备的智能运维与状态监测;③为类似机电系统故障诊断提供可借鉴的技术路线与代码实现参考。; 阅读建议:建议结合提供的Matlab代码进行实践操作,重点关注OCSSA算法的设计机制、VMD参数优化过程以及CNN-BiLSTM网络结构的搭建与训练细节,同时可尝试在其他故障数据集上迁移应用以加深理解。
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