首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

如何使用arraylist存储坐标,以便在固定区域中绘制不同颜色的随机点?

使用ArrayList存储坐标可以方便地管理和操作坐标数据。下面是一个示例代码,演示如何使用ArrayList存储坐标,并在固定区域中绘制不同颜色的随机点:

代码语言:txt
复制
import java.awt.*;
import java.util.ArrayList;
import java.util.Random;

public class CoordinateDrawer {
    private static final int AREA_WIDTH = 800;  // 固定区域宽度
    private static final int AREA_HEIGHT = 600; // 固定区域高度

    public static void main(String[] args) {
        ArrayList<Point> coordinates = new ArrayList<>();

        // 生成随机坐标
        Random random = new Random();
        for (int i = 0; i < 100; i++) {
            int x = random.nextInt(AREA_WIDTH);
            int y = random.nextInt(AREA_HEIGHT);
            coordinates.add(new Point(x, y));
        }

        // 绘制坐标点
        drawCoordinates(coordinates);
    }

    private static void drawCoordinates(ArrayList<Point> coordinates) {
        // 创建绘图窗口
        Frame frame = new Frame("Coordinate Drawer");
        frame.setSize(AREA_WIDTH, AREA_HEIGHT);
        frame.setVisible(true);

        // 绘制坐标点
        Graphics graphics = frame.getGraphics();
        for (Point coordinate : coordinates) {
            int x = coordinate.x;
            int y = coordinate.y;

            // 生成随机颜色
            Color color = generateRandomColor();
            graphics.setColor(color);

            // 绘制点
            graphics.fillRect(x, y, 5, 5);
        }
    }

    private static Color generateRandomColor() {
        Random random = new Random();
        int r = random.nextInt(256);
        int g = random.nextInt(256);
        int b = random.nextInt(256);
        return new Color(r, g, b);
    }
}

这段代码使用了Java语言,通过ArrayList存储坐标数据,并利用AWT绘图库在固定区域中绘制不同颜色的随机点。具体步骤如下:

  1. 创建一个ArrayList对象,用于存储坐标数据。
  2. 使用Random类生成随机坐标,并将其添加到ArrayList中。
  3. 创建一个绘图窗口,并设置窗口大小为固定区域的宽度和高度。
  4. 获取绘图窗口的Graphics对象,用于绘制图形。
  5. 遍历坐标数据,为每个坐标生成随机颜色,并使用Graphics对象绘制一个填充矩形作为点。
  6. 最终,绘制出固定区域中不同颜色的随机点。

这个示例代码中没有涉及到具体的腾讯云产品,因此无法提供相关产品和链接。但是,腾讯云提供了丰富的云计算服务,可以根据具体需求选择适合的产品,如云服务器、云数据库、云存储等。可以通过访问腾讯云官方网站获取更多信息。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

  • 智能主题检测与无监督机器学习:识别颜色教程

    介绍 人工智能学习通常由两种主要方法组成:监督学习和无监督的学习。监督学习包括使用现有的训练集,这种训练集由预先标记的分类数据列组成。机器学习算法会发现数据的特征和这一列的标签(或输出)之间的关联。通过这种方式,机器学习模型可以预测它从来没有公开过的新的数据列,并且根据它的训练数据返回一个精确的分类。在你已经有了预先分类的数据的情况下,监督学习对于大数据集是非常有用的。 在另一种是无监督的学习。使用这种学习方式,数据不需要在训练集中进行预先标记或预分类,相反,机器学习算法在数据的特征中发现相似的特征和关

    04

    EmguCV 常用函数功能说明「建议收藏」

    大家好,又见面了,我是你们的朋友全栈君。AbsDiff,计算两个数组之间的绝对差。 dst(I)c = abs(src1(I)c-src2(I)c)。所有数组必须具有相同的数据类型和相同的大小(或ROI大小)。 累加,将整个图像或其所选区域添加到累加器和。 累积产品,将2张图像或其选定区域的产品添加到累加器中。 AccumulateSquare,将输入src或其选定的区域,增加到功率2,添加到累加器sqsum。 累积权重,计算输入src和累加器的加权和,以使acc成为帧序列的运行平均值:acc(x,y)=(1-alpha)* acc(x,y)+ alpha * image(x,y )如果mask(x,y)!= 0,其中alpha调节更新速度(累加器对于先前帧的多少速度).. 自适应阈值,将灰度图像转换为二进制图像。每个像素单独计算的阈值。对于方法CV_ADAPTIVE_THRESH_MEAN_C,它是blockSize x blockSize像素邻域的平均值,由param1减去。对于方法CV_ADAPTIVE_THRESH_GAUSSIAN_C,它是blockSize x blockSize像素邻域的加权和(高斯),由param1减去。 添加,将一个数组添加到另一个数组:dst(I)= src1(I)+ src2(I)if mask(I)!= 0所有数组必须具有相同的类型,除了掩码和大小(或ROI)尺寸)。 AddWeighted,计算的两个数组的加权和如下:dst(I)= src1(I)* alpha + src2(I)* beta + gamma所有的数组必须具有相同的类型和相同的大小(或ROI大小)。 ApplyColorMap,将颜色映射应用于图像。 ApproxPolyDP,近似具有指定精度的多边形曲线。 ArcLength,计算轮廓周长或曲线长度。 ArrowedLine,绘制从第一个点指向第二个点的箭头段。 BilateralFilter,将双边滤镜应用于图像。 BitwiseAnd,并计算两个数组的每元素的逐位逻辑连接:dst(I)= src1(I)&src2(I)if mask(I)!= 0在浮点数组的情况下,使用它们的位表示为了操作。所有阵列必须具有相同的类型,除了掩码和大小相同。 BitwiseNot,反转每个数组元素的每一位:。 BitwiseOr,计算两个数组的每元素逐位分离:dst(I)= src1(I)| src2(I)在浮点数组的情况下,它们的位表示用于操作。所有阵列必须具有相同的类型,除了掩码和大小相同。 BitwiseXor,计算两个数组的每元素的逐位逻辑连接:dst(I)= src1(I)^ src2(I)if mask(I)!= 0在浮点数组的情况下,使用它们的位表示为了操作。所有阵列必须具有相同的类型,除了掩码和大小相同。 模糊,使用归一化的盒式过滤器模糊图像。 BoundingRectangle,返回2d点集的右上角矩形。 BoxFilter,使用框过滤器模糊图像 BoxPoints(RotatedRect),计算输入2d框的顶点。 BoxPoints(RotatedRect,IOutputArray),计算输入2d框的顶点。 CalcBackProject,计算直方图的反投影。 CalcCovar矩阵,计算一组向量的协方差矩阵。 CalcGlobalOrientation,计算所选区域中的一般运动方向,并返回0到360之间的角度。首先,函数构建方向直方图,并将基本方向作为直方图最大值的坐标。之后,该函数计算相对于基本方向的移位,作为所有方向向量的加权和:运动越近,权重越大。得到的角度是基本方向和偏移的圆和。 CalcHist,计算一组数组的直方图 CalcMotionGradient,计算mhi的导数Dx和Dy,然后计算梯度取向为:方向(x,y)= arctan(Dy(x,y)/ Dx(x,y)),其中Dx(x,y)考虑Dy(x,y)“符号(如cvCartToPolar函数)。填写面罩后,指出方向有效(见delta1和delta2说明).. CalcOpticalFlowFarneback(IInputArray,IInputArray,IInputOutputArray,Double,Int32,Int32,Int32,Int32,Double,OpticalflowFarnebackFlag),使用Gunnar Farneback算法计算密集的光流。 CalcOpticalFlowFarneback(Image <Gray,Byte>,Image <Gray,Byte>,Image <Gray,Single>,Image <Gray,Single>,Double

    02
    领券