【移动开发】Android中图片过大造成内存溢出,OOM(OutOfMemory)异常解决方法
更新:HHH   时间:2023-1-7


   当我们在做项目过程中,一遇到显示图片时,就要考虑图片的大小,所占内存的大小,原因就是Android分配给Bitmap的大小只有8M,试想想我们用手机拍照,普通的一张照片不也得1M以上,所以android处理图片时不得不考虑图片过大造成的内存异常。

   那时候只是简单地缓存图片到本地 然后将图片进行压缩,但是感觉这个问题没有很好的解决办法,只是减小了发生的几率


    这里,我将前辈们解决的方法重新整理一番,方便自己以后使用。

   1.在内存引用上做些处理,常用的有软引用、强化引用、弱引用(可以参考这篇博客:http://smallwoniu.blog.51cto.com/blog/3911954/1248751)

import java.lang.ref.PhantomReference;
import java.lang.ref.Reference;
import java.lang.ref.ReferenceQueue;
import java.lang.reflect.Field;
public class Test {
    public static boolean isRun = true;
    public static void main(String[] args) throws Exception {
        String abc = new String("abc");
        System.out.println(abc.getClass() + "@" + abc.hashCode());
                                                                                                                                                                                                                                                                                                                                                                                                               
        final ReferenceQueue referenceQueue = new ReferenceQueue<String>();
        new Thread() {
            public void run() {
                while (isRun) {
                    Object o = referenceQueue.poll();
                    if (o != null) {
                        try {
                            Field rereferent = Reference.class
                                    .getDeclaredField("referent");
                            rereferent.setAccessible(true);
                            Object result = rereferent.get(o);
                            System.out.println("gc will collect:"
                                    + result.getClass() + "@"
                                    + result.hashCode());
                        } catch (Exception e) {
                            e.printStackTrace();
                        }
                    }
                }
            }
        }.start();
        PhantomReference<String> abcWeakRef = new PhantomReference<String>(abc,
                referenceQueue);
        abc = null;
        Thread.currentThread().sleep(3000);
        System.gc();
        Thread.currentThread().sleep(3000);
        isRun = false;
    }
}

结果:

class java.lang.String@96354 
gc will collect:class java.lang.String@96354

2.在内存中加载图片时直接在内存中做处理

  A.边界压缩

@SuppressWarnings("unused")
private Bitmap copressImage(String imgPath){
    File picture = new File(imgPath);
    Options bitmapFactoryOptions = new BitmapFactory.Options();
    //下面这个设置是将图片边界不可调节变为可调节
    bitmapFactoryOptions.inJustDecodeBounds = true;
    bitmapFactoryOptions.inSampleSize = 2;
    int outWidth  = bitmapFactoryOptions.outWidth;
    int outHeight = bitmapFactoryOptions.outHeight;
    bmap = BitmapFactory.decodeFile(picture.getAbsolutePath(),
         bitmapFactoryOptions);
    float p_w_picpathw = 150;
    float p_w_picpathh = 150;
    int yRatio = (int) Math.ceil(bitmapFactoryOptions.outHeight
            / p_w_picpathh);
    int xRatio = (int) Math
            .ceil(bitmapFactoryOptions.outWidth / p_w_picpathw);
    if (yRatio > 1 || xRatio > 1) {
        if (yRatio > xRatio) {
            bitmapFactoryOptions.inSampleSize = yRatio;
        } else {
            bitmapFactoryOptions.inSampleSize = xRatio;
        }
                                                                                                                                                                                                                                                   
    } 
    bitmapFactoryOptions.inJustDecodeBounds = false;//false --- allowing the caller to query the bitmap without having to allocate the memory for its pixels.
    bmap = BitmapFactory.decodeFile(picture.getAbsolutePath(),
            bitmapFactoryOptions);
    if(bmap != null){               
        //ivwCouponImage.setImageBitmap(bmap);
        return bmap;
    }
    return null;
}

   B.边界压缩的情况下间接的使用了软引用来避免OOM

/* 自定义Adapter中部分代码*/
        public View getView(int position, View convertView, ViewGroup parent) {
            File file = new File(it.get(position));
            SoftReference<Bitmap> srf = p_w_picpathCache.get(file.getName());
            Bitmap bit = srf.get();
            ImageView i = new ImageView(mContext);
            i.setImageBitmap(bit);
            i.setScaleType(ImageView.ScaleType.FIT_XY);
            i.setLayoutParams( new Gallery.LayoutParams(WindowManager.LayoutParams.WRAP_CONTENT,
                    WindowManager.LayoutParams.WRAP_CONTENT));
            return i;
        }

 

    但大家都知道,这些函数在完成decode后,最终都是通过java层的createBitmap来完成的,需要消耗更多内存,如果图片多且大,这种方式还是会引用OOM异常的,因此需要进一步处理:

  A.第一种方式

InputStream is = this.getResources().openRawResource(R.drawable.pic1);
     BitmapFactory.Options options=new BitmapFactory.Options();
     options.inJustDecodeBounds = false;
     options.inSampleSize = 10;   //width,hight设为原来的十分一
     Bitmap btp =BitmapFactory.decodeStream(is,null,options);
 if(!bmp.isRecycle() ){
         bmp.recycle()   //回收图片所占的内存
         system.gc()  //提醒系统及时回收
}

 

    B.第二中方式

/**
* 以最省内存的方式读取本地资源的图片
* */  
public static Bitmap readBitMap(Context context, int resId){  
        BitmapFactory.Options opt = new BitmapFactory.Options();  
        opt.inPreferredConfig = Bitmap.Config.RGB_565;   
       opt.inPurgeable = true;  
       opt.inInputShareable = true;  
          //获取资源图片  
       InputStream is = context.getResources().openRawResource(resId);  
           return BitmapFactory.decodeStream(is,null,opt);  
   }

   

   C.在适当的时候垃圾回收

if(bitmapObject.isRecycled()==false) //如果没有回收  
         bitmapObject.recycle();


   D.优化Dalvik虚拟机的堆内存分配

    对于Android平台来说,其托管层使用的Dalvik JavaVM从目前的表现来看还有很多地方可以优化处理,eg我们在开发一些大型游戏或耗资源的应用中可能考虑手动干涉GC处理,使用 dalvik.system.VMRuntime类提供的setTargetHeapUtilization方法可以增强程序堆内存的处理效率。

private final static floatTARGET_HEAP_UTILIZATION = 0.75f; 
//在程序onCreate时就可以调用
VMRuntime.getRuntime().setTargetHeapUtilization(TARGET_HEAP_UTILIZATION);
即可

  至于上面为何是0.75,是因为堆(HEAP)是VM中占用内存最多的部分,通常是动态分配的。堆的大小不是一成不变的,通常有一个分配机制来控制它的大小。比如初始的HEAP是4M大,当4M的空间被占用超过75%的时候,重新分配堆为8M大;当8M被占用超过75%,分配堆为16M大。倒过来,当16M的堆利用不足30%的时候,缩减它的大小为8M大。重新设置堆的大小,尤其是压缩,一般会涉及到内存的拷贝,所以变更堆的大小对效率有不良影响。


   E.自定义我们的应用需要多大的内存

private final static int CWJ_HEAP_SIZE = 6* 1024* 1024 ;
 //设置最小heap内存为6MB大小
VMRuntime.getRuntime().setMinimumHeapSize(CWJ_HEAP_SIZE);


   以上这些就是本人总结的一些解决OOM异常的方法,希望能帮助到大家!


参考博客:http://blog.sina.com.cn/s/blog_7501670601014dcj.html


返回开发技术教程...