与其他平台的应用程序一样，Android中的应用程序也会使用各种资源，比如图片，字串等，会把它们放入源码的相应文件夹下面，如/res/drawable, /res/xml, /res/values/, /res/raw,/res/layout和/assets。Android也支持并鼓励开发者把UI相关的布局和元素，用XML资源来实现。总结起来，Android中支持的资源有：•颜色值   

CodeBlocks是一个开放源码的全功能的跨平台C/C++集成开发环境。CodeBlocks是开放源码软件。CodeBlocks由纯粹的C++语言开发完成，它使用了蓍名的图形界面库wxWidgets(2.6.2unicode)版。对于追求完美的C++程序员，再也不必忍受Eclipse的缓慢，再也不必忍受VS.NET的庞大和高昂的价格。     CodeBlocks提供了许多工程模板，这包括：

使用java.awt.Graphics2D的setStroke方法就可以解决这个小问题

图像平均及其在降噪方面的应用图像平均以及图像平均在应对椒盐/高斯/相机噪声方面的对比分析概述：图像平均操作是减少图像噪声的一种简单方式。我们可以简单地从图像列表中计算出一幅平均图像。假设所有的图像具有相同的大小,我们可以将这些图像简单地相加,然后除以图像的数目,来计算平均图像。算法步骤：对列表中的数字图像进行图像平均的处理顺序如下：a.输入或者获取文件名列表

CUDA编程（三）评估CUDA程序的表现这篇博客主要讲解了怎么去获取核函数执行的准确时间，以及如何去根据这个时间评估CUDA程序的表现，也就是推算所谓的内存带宽，总的来说有了这些准备，我们接下来就可以去优化程序了，但是优化过程也是十分复杂与漫长的，这里同样介绍了一个优秀CUDA程序应具有的特征以及通常的优化步骤。

CUDA编程（四）并行化我们的程序上一篇博客主要讲解了怎么去评估CUDA程序的表现，博客的最后我们计算了在GPU上单线程计算立方和的程序的内存带宽，发现其内存带宽的表现是十分糟糕的。这篇博客主要讲解了怎么去使用Thread去简单的并行我们的程序，虽然我们的程序运行速度有了50甚至上百倍的提升，但是根据内存带宽来评估的话我们的程序还远远不够，甚至离1G/S的水平都还差不少，所以我们的优化路还有很长。

CUDA编程（十）使用Kahan’s Summation Formula提高精度之前我们用CUDA完成了矩阵乘法，但是当然会存在很多问题，除了速度问题，GPU浮点数运算的精度也很差，本篇博客从出现误差的原理（浮点数大数吃小数）分析，使用了Kahan's Summation Formula在一定程度上解决了CUDA运算float精度不够的情况。

CUDA编程（九）矩阵乘法在之前我们一直围绕着一个非常简单的求立方和的小程序学习CUDA，不过这个立方和的小程序没有什么实际意义，这篇博客我们用CUDA并行了矩阵乘法，问题也比较简单，基于上一个立方和程序的经验，完成这个程序也不算太难，但是运行结果存在很多问题，毕竟我们还没有开始优化，不过除了速度问题，GPU浮点数运算的精度也成了一个大问题，不过这些之后都会慢慢解决。

椒盐噪声图像噪声之椒盐噪声（Salt And Pepper Noise）概述：椒盐噪声（salt & pepper noise）是数字图像的一个常见噪声，所谓椒盐，椒就是黑，盐就是白，椒盐噪声就是在图像上随机出现黑色白色的像素。椒盐噪声是一种因为信号脉冲强度引起的噪声，产生该噪声的算法也比较简单。算法步骤：我们使用信噪比（Signal NoiseRate）衡量图像噪声，图象的信噪比应该等于信号与噪

这次给大家介绍CUDA的初始化和如何在显卡上运行程序，即先将数据从内存复制到显存，再写好运算的核函数，之后用CUDA调用核函数，完成GPU上的计算，之后将结果复制回内存，释放掉显存的整个过程。