WedX - журнал о программировании и компьютерных науках

Изменение размера изображения, привязанного к источнику данных, с помощью IValueConverter

У меня есть файл изображения, привязанный к элементу изображения внутри сетки следующим образом

   <FlipView x:Name="FlipView" ItemsSource="{Binding Source={StaticResource ItemsViewSource}}" SelectionChanged="FlipView_SelectionChanged">
        <FlipView.ItemTemplate>
            <DataTemplate>
                <Grid SizeChanged="Grid_SizeChanged">
                    <Image Source="{Binding File, Converter={StaticResource ImageConverter}}" Stretch="None" />
                </Grid>
            </DataTemplate>
        </FlipView.ItemTemplate>
    </FlipView>

Изображение не растягивается, потому что я изменяю размер внутри IValueConverter, чтобы маленькие изображения не становились пикселизированными, а большие изображения все еще уменьшались, чтобы соответствовать экрану.

Когда размер моего приложения изменяется, как я могу вызвать IValueConverter для пересчета размера отображаемого в данный момент изображения?

data-binding c# winrt-xaml ivalueconverter
20.08.2014

Ответы:


1

Реализуйте интерфейс INotifyPropertyChanged, когда размер вашего приложения изменится, установите значение свойства File.

public PropertyChangedEventHandler PropertyChanged;

private void NotifyPropertyChanged(string propertyName)
{
     PropertyChangedEventHandler handler = this.PropertyChanged;
     if (handler != null)
     {
          var e = new PropertyChangedEventArgs(propertyName);
          handler(this, e);
     }
}

private String file;

public String File
{
    get 
    { 
         return file; 
    }
    set
    {
         file = value;
         NotifyPropertyChanged("File");
    }
}
20.08.2014
  • Извините, я не понимаю. Что бы я использовал для обработки PropertyChangedEvent? 20.08.2014
  • это часть структуры привязки данных, которая будет обрабатывать его 20.08.2014
  • Это сработало. Мне также пришлось установить UpdateSource в моей привязке к PropertyChanged. 21.08.2014
  • Да, это правда, вам нужно обновить источник данных. 21.08.2014
    • Новые материалы
    Объяснение документов 02: BERT
    BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка. Во время предварительного обучения модель обучается на неразмеченных данных с помощью..
    Как проанализировать работу вашего классификатора?
    Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
    Работа с цепями Маркова, часть 4 (Машинное обучение)
    Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
    Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
    Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
    Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
    Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
    Учебные заметки: создание моего первого пакета Node.js
    Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..
    Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
    Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..
    Для любых предложений по сайту: [email protected]