1. Bitmap 占用内存分析及常见优化

分析工具：AS3.0以上使用 Android Profile,以下可以使用 Android Device Monitor

优化：

耗时操作可以通过 Rxjava 去切换到子线程处理
如果涉及到高斯模糊，从网络上下载的大图，根据ui需求，通过 Glide 重新调整其大小（这样减少高斯模糊的计算时间）
使用LruCache 缓存，根据不同机型分配不同的缓存大小

1.1 Lrucache 两个点记录

记得重写 Lrucache 的 sizeOf(K key, V value)方法为缓存的单个对象的大小，不然默认为 1
内存大小可以根据不同手机等条件动态设置

Glide 的 MemoryCache的缓存大小为：(一个屏幕图片大小=widthPixels*heightPixels*4)* 2

LruCache实际上就是一个 LinkedHashMap( 补充知识：LinkedHashMap是一个双向循环列表，不支持线程安全，LruCache对它进行了封装添加了线程安全操作)，里面保存了一定数量的对象强引用，
每次添加的新对象都是在链表的头，当分配的空间用完的时候会把末尾的对象移除，移除的对象就可以被gc回收了

// 缓存图片
Lrucache cache = Lrucache(4*1024*1024); 

// 如果不重写 Lrucache 的 `sizeOf(K key, V value)`方法 ，则默认可以缓存 4*1024*1024 张图片


 
private LruCache<String, Bitmap> mMemoryCache;//声明缓存空间
 
final int maxMemory = (int) (Runtime.getRuntime().maxMemory() / 1024);//获取应用在系统中的最大内存分配
 
//分配1/8的应用内存作为缓存空间
 
final int cacheSize = maxMemory / 8;
 
mMemoryCache = new LruCache<String, Bitmap>(cacheSize) {
 
@Override
protected int sizeOf(String key, Bitmap bitmap) {
    //重写sizeOf方法，返回图片的占用字节数而不是图片的个数，每次添加图片是会被调用
    return bitmap.getByteCount() / 1024;
}
 
};

2. 图像模糊

2.1 均值模糊

操作：对当前像素点的周边半径，进行相加然后取平均值，赋值给当前像素点。

2.2 高斯模糊

操作：对当前像素点的周边半径，求权重计算周边像素值，然后相加赋值给当前像素点。

每个像素点都要处理，还有就是要去计算我们的正太分布的值（卷积核）如果半径越大，算法的复杂度越大，如果图片的宽高像素点越多，算法的复杂度也越大

高斯和均值模糊的区别：高斯保留了一些轮廓，毛玻璃的效果

int main(){
	Mat src = imread("E:/copy.png");

	if (src.empty()){
		cout << "src read error" << endl;
	}
	imshow("src", src);

	// 均值模糊
	Mat dst;
	// Size（w,h）只能是基数，这样才能找到中心点
	// Point(-1,-1) 代表中心店
	blur(src,dst,Size(151,151),Point(-1,-1));
	imshow("dst", dst);

	// 高斯模糊
	Mat gaussian;
	// sigmaX sigmaY 代表 作用
	// sigmaY 不传代表和 sigmaX 一样
	// 如果 sigmaX <= 0 ,自己会计算 0.3*((ksize-1)*0.5 - 1) + 0.8
	// sigmaX 越小越没效果
	GaussianBlur(src, gaussian, Size(151, 151), 0);
	imshow("gaussian", gaussian);

	waitKey(0);
	return 0;
}