如何高效利用Bitmap

这篇文章主要介绍“如何高效利用Bitmap”，在日常操作中，相信很多人在如何高效利用Bitmap问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”如何高效利用Bitmap”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！背景：图片加载在项目中是随处可见，而图片加载在很多情况下需要用到Bitmap（位图）这个类。Bitmap可以说是一个“大胖子”，因为Bitmap自身会将图片每个像素的属性全部保存在内存中。这就会导致我们稍有不慎就会创建出一个占用内存很大的Bitmap对象，从而导致加载速度过慢，常见表现为OOM（Out of Memory）。
有必要对Bitmap进行优化，从而降低出现Crash情况的概率，提高app的加载图片速度，增强APP稳定性。举个栗子上面的代码经常在我们的项目中出现。你可知其背后的处理逻辑？
根据源码可知，上面的代码中两个方法setBackgroundResource()和setImageResource()是使用Bitmap作为过渡处理的。在运行时，上面的两个方法会使用BitmapFactory.decodeStream()方法将资源图片生成一个Bitmap，然后由这个Bitmap生成一个Drawable，最后再将这个Drawable设置到ImageView。如果运用以上代码，在加载的图片的尺寸远大于ImageView的尺寸，你会发现控件加载图片非常缓慢。你使用在ListView或RecycleView中批量加载一些未知size的图片的时候，你会发现会出现卡顿的情况。BitmapFactory是谷歌官方为我们开发者提供加载图片方式的类，它可以从文件、图片传输流、字节数组这三种方式中加载图片。要实现高效加载Bitmap，首先我们要了解Options类的几个参数，因为正是通过合理的配置这几个参数，我们才能够实现高效的加载Bitmap对象。Options类是BitmapFactory的一个静态内部类，我们来看一下它的源码：几个名词解释下：
屏幕密度
屏幕密度分为相对屏幕密度和绝对屏幕密度
density：可以理解为相对屏幕密度，我们知道，1个DIP在160dpi的屏幕上大约为1像素大小。我们以160dpi为基准线，density的值即为相对于160dpi屏幕的相对屏幕密度。比如，160dpi屏幕的density值为1, 320dpi屏幕的density值为2
densityDpi：可以理解为绝对屏幕密度，也就是实际的屏幕密度值（dots per inch），比如160dpi屏幕的densityDpi值就是160缩放系数
Options类中存在一个inScaled参数，这个参数表示是否支持缩放，我们从Options的默然构造方法中可以看到这个参数被初始化为了true，也就是说默认是支持缩放的。那么将如何进行缩放呢？答案是根据缩放系数进行缩放。关于缩放系数的计算方法，其实我们在讲解如何计算内存中Bitmap的大小时已经介绍过了。缩放系数就是inTargetDensity除以inDensity。inDensity表示我们的图片所处的资源文件夹对应的dpi，inTargetDensity表示目标设备的屏幕密度。采样率（inSampleSize）
当这个参数为1时，采样后的图片大小和原来一样；当这个参数为2时，采样后的图片宽高均为原来的1/2，大小也就成了原来的1/4。也就是说，采样后的大 香港云主机小等于原始大小除以采样率的平方。官方文档规定，inSampleSize的值应为2的非负整数次幂（1，2，4，… ），否则会被系统向下取整并找到一个最接近的值。通过设置inSampleSize我们就能够将图片缩放到一个合理的大小1.获取图片的原始宽高
通过将Options的inJustDecodeBounds属性设为true后调用decodeResource方法，可以实现不真正加载图片而只是获取图片的尺寸信息2、根据原始宽高计算出inSampleSize，代码如下：3、根据计算出的inSampleSize生成Bitmap4、调用以上的decodeSampledBitmapFromResource方法，使用自定尺寸的Bitmap。如果你要将一张大图设置为一个250*250的缩略图，执行以下代码：到此，关于“如何高效利用Bitmap”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注开发云网站，小编会继续努力为大家带来更多实用的文章！

相关推荐: C++ OpenCV特征提取之如何实现自定义角点检测器

小编给大家分享一下C++ OpenCV特征提取之如何实现自定义角点检测器，希望大家阅读完这篇文章之后都有所收获，下面让我们一起去探讨吧！自定义角点检测器简介基于Harris与Shi-Tomasi角点检测首先通过计算矩阵M得到两个特征值根据他们得到角点响应值然后…