Bitmap尺度变换

 1 Bitmap bitMap = BitmapFactory.decodeFile(path);
 2 int width = bitMap.getWidth();
 3 int height = bitMap.getHeight();
 4 // 设置想要的大小
 5 int newWidth = 500;
 6 int newHeight = 400;
 7 // 计算缩放比例
 8 float scaleWidth = ((float) newWidth) / width;
 9 float scaleHeight = ((float) newHeight) / height;
10 // 取得想要缩放的matrix参数
11 Matrix matrix = new Matrix();
12 matrix.postScale(scaleWidth, scaleHeight);
13 // 得到新的图片
14  bitMap = Bitmap.createBitmap(bitMap, 0, 0, width, height, matrix, true);

Bitmap转角度

Bitmap bm = BitmapFactory.decodeByteArray(imgdata, 0,imgdata.length);
Matrix matrix = new Matrix();
matrix.preRotate(270);
bm = Bitmap.createBitmap(bm, 0, 0, bm.getWidth(),bm.getHeight(), matrix, true);
时间: 2024-08-11 23:04:25

Bitmap尺度变换的相关文章

SPSS数据分析—基于最优尺度变换的典型相关分析

传统的典型相关分析只能考虑变量之间的线性相关情况,且必须为连续变量,而我们依然可以使用最优尺度变换来拓展其应用范围,使其可以分析非线性相关.数据为分类数据等情况,并且不再仅限于两个变量间的分析, 虽然具体算法非常复杂,但是过程却只要两步,首先对变量进行最优尺度变换,然后对其进行典型相关分析. 我们还是以之前的多重对应分析的案例数据进行分析 过程还是在分析—降维—最佳尺度

多维尺度变换MDS(Multidimensional Scaling)

流形学习(Manifold Learning)是机器学习中一大类算法的统称,而MDS就是其中非常经典的一种方法. 多维尺度变换是一种在低维空间展示"距离"数据结构的多元数据分析技术,是一种将多维空间的研究对象简化到低维空间进行定位.分析和归类,同时又保留对象间原始关系的数据分析方法.多维尺度变换算法集中于保留高维空间中的"相似度"信息,而在一般的问题解决的过程中,这个"相似度"通常用欧式距离来定义. 通俗来讲,就是将多维数据映射到低维空间,同时保

特征提取之SIFT(尺度不变性特征变换)

SIFT(Scale-invariant feature transform,尺度不变性特征变换)是一种检测局部特征的算法,该算法通过求一幅图中的特征点(interest points,or corner points)及其有关scale和orientation的描述子得到特征并进行图像特征点匹配,获得了良好效果,详细解析如下: 算法描述 整个算法分为以下几个部分: 1.构建尺度空间 尺度空间理论目的是模拟图像数据的多尺度特性,高斯卷积核是实现尺度变换的唯一卷积核,于是一副二维图像的尺度空间定义

特征选择(三)-K-L变换

上一讲说到,各个特征(各个分量)对分类来说,其重要性当然是不同的. 舍去不重要的分量,这就是降维. 聚类变换认为:重要的分量就是能让变换后类内距离小的分量. 类内距离小,意味着抱团抱得紧. 但是,抱团抱得紧,真的就一定容易分类么? 如图1所示,根据聚类变换的原则,我们要留下方差小的分量,把方差大(波动大)的分量丢掉,所以两个椭圆都要向y轴投影,这样悲剧了,两个重叠在一起,根本分不开了.而另一种情况却可以这么做,把方差大的分量丢掉,于是向x轴投影,很顺利就能分开了.因此,聚类变换并不是每次都能成功

Android图像处理之Bitmap类

Bitmap是Android系统中的图像处理的最重要类之一.用它可以获取图像文件信息,进行图像剪切.旋转.缩放等操作,并可以指定格式保存图像文件.本文从应用的角度,着重介绍怎么用Bitmap来实现这些功能. 一.Bitmap的生成 1.1 BitmapFactory decode出Bitmap Bitmap实现在android.graphics包中.但是Bitmap类的构造函数是私有的,外面并不能实例化,只能是通过JNI实例化.这必然是 某个辅助类提供了创建Bitmap的接口,而这个类的实现通过

[翻译]鲁棒的尺度不变特征匹配在遥感图像配准中应用(Robust Scale-Invariant Feature Matching for Remote Sensing Image Registration)

李乔亮,汪国有,刘建国,会员,IEEE,和陈少波 2008年8月7日接收;2008年10月22日和2008年11月27日修改.2009年2月2日首版:当前版本出版于2009年4月17日.本项工作由中国国家基础研究项目60672060资助. 中国湖北省武汉市华中科技大学模式识别与人工智能国家重点实验室,邮编430074(邮箱:[email protected];   [email protected];  [email protected];  [email protected]) 数字对象识别编

K-L变换

K-L变换( Karhunen-Loeve Transform)是建立在统计特性基础上的一种变换,有的文献也称为霍特林(Hotelling)变换,因他在1933年最先给出将离散信号变换成一串不相关系数的方法.K-L变换的突出优点是去相关性好,是均方误差(MSE,Mean Square Error)意义下的最佳变换,它在数据压缩技术中占有重要地位. K-L(Karhunen-Loeve)变换形式 设X=(X1,X2,-,XN)T为N维随机矢量,mX=E(X)和CX=E{(X-mX)(X-mX)T}

SPSS数据分析—最优尺度回归

在之前介绍的线性回归模型中,有一个隐含的假设是自变量均为连续变量,但实际上自变量有时候是分类变量,类似于方差分析中的因素,这种分类自变量在回归分析中,也默认作为连续变量使用,这就会产生一个问题,如果是无序分类变量,那么各类别间没有高低之分,每变化一个单位,对于因变量的影响是相同的,无法分析当中的趋势,虽然可以使用哑变量,但是当分类变量过多或每个变量的类别水平过多时,这种方法非常繁琐,此外,当类别较多时,可能会存在某几个类别对因变量的作用相似,这是可分析的点,但是传统线性模型却将此信息忽略,造成信

图像处理复习2——图像傅立叶变换和频域滤波

图像处理复习 CH4 基本图像变换 4.1 DFT (1)一维DFT 一维DFT: F(u)=1N∑N?1x=0f(x)e?j2πuxN,x=0,1,-,N?1 其逆变换: f(x)=∑N?1u=0F(u)ej2πuxN,u=0,1,-,N?1 (2)二维DFT 二维DFT: F(u,v)=1N∑N?1x=0∑N?1y=0f(x,y)e?j2πux+vyN,u,v=0,1,-,N?1 其逆变换: f(x,y)=1N∑N?1u=0∑N?1v=0F(u,v)ej2πux+vyN,x,y=0,1,-,