32*32的图片的概念

wzuxian2012 2013-01-30 06:26:00
一般的rgb,是24位，所以真彩视频显示器理论上可以显示2 的24次方的颜色。

我发现有的图片居然是32*32位的。 那么这种图片的r，g，b又各为多少位？

还有有的同一台机子既可以显示32*32 的，又可以显示24*24的， 这是怎么回事？

代码不会出问题吗？
...全文
440 5 打赏 收藏 转发到动态 举报
AI 作业
写回复
用AI写文章
5 条回复
切换为时间正序
请发表友善的回复…
发表回复
wocow3 2013-01-30
  • 打赏
  • 举报
 回复
如果createcompatiabelbitmap的参数错写成了内存dc 生成的DDB位图，将视memdc当前选入的bitmap格式而定 memdc除了选入彩色的兼容位图外，还允许选入单色位图，而且1X1的单色位图是memdc的初始状态 所以如果参数错写成了内存dc，而且这时memdc没有选入彩色位图，那createcompatiabelbitmap(memdc)生成的位图就会是单色的
wzuxian2012 2013-01-30
  • 打赏
  • 举报
 回复
最后一个问题：为什么一张好好的图片，由于createcompatiabelbitmap的参数写成了 内存dc,结果导致图片变成黑白的。 这个黑白 也是与我的这个帖子里讨论的显卡 色彩模式 相关嘛？
wzuxian2012 2013-01-30
  • 打赏
  • 举报
 回复
引用 1 楼 wocow3 的回复:
现在的显卡一般都设置成32bpp模式，rgb各8bit，还有8bit的alpha通道 不管32bpp的位图和24bpp的位图，显示的时候由系统负责转换成32bpp
这个windows上没有讲解
wzuxian2012 2013-01-30
  • 打赏
  • 举报
 回复
引用 1 楼 wocow3 的回复:
现在的显卡一般都设置成32bpp模式，rgb各8bit，还有8bit的alpha通道 不管32bpp的位图和24bpp的位图，显示的时候由系统负责转换成32bpp
你的意思是，其实所谓的真彩色，或者32位的， 本质是有显卡决定的，
wocow3 2013-01-30
  • 打赏
  • 举报
 回复
现在的显卡一般都设置成32bpp模式，rgb各8bit，还有8bit的alpha通道 不管32bpp的位图和24bpp的位图，显示的时候由系统负责转换成32bpp
MongoDB学习手册
大家这么喜欢，我就不要资源分了，改成0分了，我为我一己私利感到抱歉…… MongoDB学习手册 ......................................................................................................................... 1 说明.......................................................................................................................................... 2 一、 Mongodb简介 .......................................................................................................... 4 二、 MongoDB特性 ......................................................................................................... 5 适用场景： ....................................................................................................................... 5 不适用场景： ................................................................................................................... 6 三、 MongoDB的工作方式.............................................................................................. 6 四、 MongoDB的下载 ..................................................................................................... 8 五、 MongoDB的安装 ..................................................................................................... 9 六、 MongoDB数据类型................................................................................................ 12 1. Timestamp类型 ...................................................................................................... 12 2. ObjectId类型 .......................................................................................................... 12 3. 数据库关联 ............................................................................................................. 14 七、 GridFS文件系统 ..................................................................................................... 15 八、 索引 ......................................................................................................................... 16 九、 主（Master）/从（slave）数据库同步 ................................................................ 20 1. 建立主/从服务器 ................................................................................................... 20 2. 相关参数说明 ......................................................................................................... 21 3. Slave顶替Master ................................................................................................... 22 4. 切换Master/Slave角色 ......................................................................................... 22 5. 更新主服务器位置 ................................................................................................. 22 十、 MongoDB分片和集群............................................................................................ 24 1. 简单分片实例 ......................................................................................................... 24 2. 高级分片实例 ......................................................................................................... 29 十一、 数据库基本操作：增查删改 ............................................................................. 37 1. Insert ....................................................................................................................... 37 2. Query ....................................................................................................................... 38 3. Remove.................................................................................................................... 52 4. Update ..................................................................................................................... 53 十二、 Shell控制台 ........................................................................................................ 62 1. 执行.js文件 ............................................................................................................ 62 2. –eval ........................................................................................................................ 62 3. 脚本和互动的区别 ................................................................................................. 62 十三、 安全与认证 ......................................................................................................... 63 1) 开启安全认证 ......................................................................................................... 63 2) 添加用户 ................................................................................................................. 64 3) 认证 ......................................................................................................................... 64
Cocos2d-x3.0游戏实例《别救我》源码
Cocos2d-x3.0游戏实例《别救我》源码。 教程地址：http://blog.csdn.net/musicvs/article/details/24928929
深度学习与图像识别:原理与实践 笔记Day_17
卷积神经网络基础 1. 全连接层 全连接层可以简单地理解为神经网络的一个隐藏层，它包含权重向量W和激活函数。具体来说，对于一张32*32*3的照片（宽和高均为32个像素，由RGB三个通道，可以理解为一个32*32*3的矩阵），要通过全连接层，首先要将其拉伸为3072*1的向量作为神经网络隐藏层的输入，然后该向量与权重向量W做点乘操作，再将点乘后的结果作为激活函数的输入，最终，激活函数输出的结果便是全连接层的最终结果。 2. 卷积层 它保留了输入图像的空间特征，即对于一张32*32*3的图片而言，卷积
图像的基本知识
原文：http://blog.csdn.net/strive_0902/article/details/78023080​1、像素点​像素点是最小的图像单元，一张图片由好多的像素点组成。如下图     可以看到上述图片尺寸是500 * 338 的，表示图片是由一个500 * 338的像素点矩阵构成的，这张图片的宽度是500个像素点的长度，高度是338个像素点的长度，共有500 * 338 = 14...
卷积神经网络——卷积层、池化层意义
本文来自：点击打开链接卷积神经网络（CNN）由输入层、卷积层、激活函数、池化层、全连接层组成，即INPUT-CONV-RELU-POOL-FC(1)卷积层：用它来进行特征提取，如下：输入图像是32*32*3，3是它的深度（即R、G、B），卷积层是一个5*5*3的filter(感受野)，这里注意：感受野的深度必须和输入图像的深度相同。通过一个filter与输入图像的卷积可以得到一个28*28*1的特...
VC/MFC

16,548

社区成员

421,620

社区内容

发帖
与我相关
我的任务
社区描述
VC/MFC相关问题讨论
社区管理员
  • 基础类社区
  • AIGC Browser
  • encoderlee
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告

        VC/MFC社区版块或许是CSDN最“古老”的版块了，记忆之中，与CSDN的年龄几乎差不多。随着时间的推移，MFC技术渐渐的偏离了开发主流，若干年之后的今天，当我们面对着微软的这个经典之笔，内心充满着敬意，那些曾经的记忆，可以说代表着二十年前曾经的辉煌……
        向经典致敬，或许是老一代程序员内心里面难以释怀的感受。互联网大行其道的今天，我们期待着MFC技术能够恢复其曾经的辉煌，或许这个期待会永远成为一种“梦想”，或许一切皆有可能……
        我们希望这个版块可以很好的适配Web时代，期待更好的互联网技术能够使得MFC技术框架得以重现活力，……

试试用AI创作助手写篇文章吧

+ 用AI写文章