zoukankan      html  css  js  c++  java
  • java实现图片压缩

    java实现图片压缩

    
    
    package Test;
    
    import java.awt.Image;
    import java.awt.image.BufferedImage;
    import java.io.File;
    import java.io.FileInputStream;
    import java.io.FileOutputStream;
    import java.io.InputStream;
    
    import javax.imageio.ImageIO;
    
    import com.sun.image.codec.jpeg.JPEGCodec;
    import com.sun.image.codec.jpeg.JPEGImageEncoder;
    
    public class ReduceImgTest {
        /**
         * 指定图片宽度和高度和压缩比例对图片进行压缩
         * 
         * @param imgsrc
         *            源图片地址
         * @param imgdist
         *            目标图片地址
         * @param widthdist
         *            压缩后图片的宽度
         * @param heightdist
         *            压缩后图片的高度
         * @param rate
         *            压缩的比例
         */
        public static void reduceImg(String imgsrc, String imgdist, int widthdist, int heightdist, Float rate) {
            try {
                File srcfile = new File(imgsrc);
                // 检查图片文件是否存在
                if (!srcfile.exists()) {
                    System.out.println("文件不存在");
                }
                // 如果比例不为空则说明是按比例压缩
                if (rate != null && rate > 0) {
                    //获得源图片的宽高存入数组中
                    int[] results = getImgWidthHeight(srcfile);
                    if (results == null || results[0] == 0 || results[1] == 0) {
                        return;
                    } else {
                        //按比例缩放或扩大图片大小,将浮点型转为整型
                        widthdist = (int) (results[0] * rate);
                        heightdist = (int) (results[1] * rate);
                    }
                }
                // 开始读取文件并进行压缩
                Image src = ImageIO.read(srcfile);
    
                // 构造一个类型为预定义图像类型之一的 BufferedImage
                BufferedImage tag = new BufferedImage((int) widthdist, (int) heightdist, BufferedImage.TYPE_INT_RGB);
    
                //绘制图像  getScaledInstance表示创建此图像的缩放版本,返回一个新的缩放版本Image,按指定的width,height呈现图像
                //Image.SCALE_SMOOTH,选择图像平滑度比缩放速度具有更高优先级的图像缩放算法。
                tag.getGraphics().drawImage(src.getScaledInstance(widthdist, heightdist, Image.SCALE_SMOOTH), 0, 0, null);
    
                //创建文件输出流
                FileOutputStream out = new FileOutputStream(imgdist);
                //将图片按JPEG压缩,保存到out中
                JPEGImageEncoder encoder = JPEGCodec.createJPEGEncoder(out);
                encoder.encode(tag);
                //关闭文件输出流
                out.close();
            } catch (Exception ef) {
                ef.printStackTrace();
            }
        }
    
        /**
         * 获取图片宽度和高度
         * 
         * @param 图片路径
         * @return 返回图片的宽度
         */
        public static int[] getImgWidthHeight(File file) {
            InputStream is = null;
            BufferedImage src = null;
            int result[] = { 0, 0 };
            try {
                // 获得文件输入流
                is = new FileInputStream(file);
                // 从流里将图片写入缓冲图片区
                src = ImageIO.read(is);
                result[0] =src.getWidth(null); // 得到源图片宽
                result[1] =src.getHeight(null);// 得到源图片高
                is.close();  //关闭输入流
            } catch (Exception ef) {
                ef.printStackTrace();
            }
    
            return result;
        }
    
        public static void main(String[] args) {
            
            File srcfile = new File("d://bb//3.jpg"); 
            File distfile = new File("d://bb//31.jpg");
            
            System.out.println("压缩前图片大小:" + srcfile.length());
            reduceImg("d://bb//3.jpg", "d://bb//31.jpg", 500, 500, null);
            System.out.println("压缩后图片大小:" + distfile.length());
    
        }
    }
    
    
    
    
    
  • 相关阅读:
    ARMV7-M数据手册---Part A :Application Level Architecture---A7 Instruction Details
    卷积神经网络
    Theano深度学习结构分析
    BP神经网络
    Softmax回归
    CART:分类与回归树
    基于单决策树的AdaBoost
    Logistic回归
    Qt搭建多线程Server
    支持向量机(SVM)
  • 原文地址:https://www.cnblogs.com/tangjiang-code/p/7897073.html
Copyright © 2011-2022 走看看