কিভাবে JPEG ফরম্যাট কাজ করে

JPEG ছবিগুলি আমাদের ডিজিটাল জীবনে সর্বব্যাপী, কিন্তু সচেতনতার এই ব্যহ্যাবরণের পিছনে রয়েছে অ্যালগরিদম যা এমন বিশদ অপসারণ করে যা মানুষের চোখে উপলব্ধি করা যায় না। ফলাফলটি সবচেয়ে ছোট ফাইল আকারে সর্বোচ্চ ভিজ্যুয়াল মানের - তবে এটি কীভাবে কাজ করে? আসুন দেখি আমাদের চোখ ঠিক কি দেখতে পায় না!

বন্ধুকে একটি ছবি পাঠানোর ক্ষমতা গ্রহণ করা সহজ এবং তারা কোন ডিভাইস, ব্রাউজার বা অপারেটিং সিস্টেম ব্যবহার করছে তা নিয়ে চিন্তা করবেন না - তবে এটি সর্বদা এমন ছিল না। 1980-এর দশকের গোড়ার দিকে, কম্পিউটারগুলি ডিজিটাল চিত্রগুলি সংরক্ষণ এবং প্রদর্শন করতে পারত, তবে এটি করার সর্বোত্তম উপায় সম্পর্কে অনেক প্রতিযোগী ধারণা ছিল। আপনি কেবল একটি কম্পিউটার থেকে অন্য কম্পিউটারে একটি চিত্র পাঠাতে পারেন না এবং আশা করি এটি কাজ করবে৷

এই সমস্যা সমাধানের জন্য, 1986 সালে সারা বিশ্ব থেকে বিশেষজ্ঞদের একটি কমিটি গঠন করা হয়েছিল "ফটোগ্রাফি বিশেষজ্ঞদের জয়েন্ট গ্রুপ» (জয়েন্ট ফটোগ্রাফিক এক্সপার্টস গ্রুপ, JPEG), ইন্টারন্যাশনাল অর্গানাইজেশন ফর স্ট্যান্ডার্ডাইজেশন (ISO) এবং ইন্টারন্যাশনাল ইলেক্ট্রোটেকনিক্যাল কমিশন (IEC) এর মধ্যে যৌথ প্রচেষ্টা হিসেবে প্রতিষ্ঠিত, দুটি আন্তর্জাতিক মানের সংস্থার সদর দপ্তর জেনেভা, সুইজারল্যান্ডে।

JPEG নামে একদল লোক 1992 সালে JPEG ডিজিটাল ইমেজ কম্প্রেশন স্ট্যান্ডার্ড তৈরি করেছিল। যে কেউ ইন্টারনেট ব্যবহার করেছেন তারা সম্ভবত JPEG এনকোড করা চিত্রের সম্মুখীন হয়েছেন। ইমেজ এনকোড, পাঠাতে এবং সঞ্চয় করার এটি সবচেয়ে সাধারণ উপায়। ওয়েব পেজ থেকে ইমেল থেকে সোশ্যাল মিডিয়াতে, JPEG দিনে বিলিয়ন বার ব্যবহার করা হয় - কার্যত প্রতিবার যখন আমরা অনলাইনে একটি ছবি দেখি বা পাঠাই। JPEG ছাড়া, ওয়েব কম রঙিন, ধীর হবে এবং সম্ভবত কম বিড়ালের ছবি থাকবে!

এই নিবন্ধটি কিভাবে একটি JPEG ইমেজ ডিকোড করতে হয়। অন্য কথায়, কম্পিউটারে সংরক্ষিত সংকুচিত ডেটাকে স্ক্রিনে প্রদর্শিত একটি ছবিতে রূপান্তর করতে কী প্রয়োজন। এটি জানার যোগ্য, শুধুমাত্র এই কারণে নয় যে আমরা প্রতিদিন যে প্রযুক্তি ব্যবহার করি তা বোঝার জন্য এটি গুরুত্বপূর্ণ, তবে কম্প্রেশন স্তরগুলি আনলক করার মাধ্যমে, আমরা উপলব্ধি এবং দৃষ্টিভঙ্গি সম্পর্কে আরও শিখি এবং আমাদের চোখ কোন বিশদগুলির প্রতি সবচেয়ে সংবেদনশীল।

উপরন্তু, এই ভাবে ছবি সঙ্গে খেলা খুব আকর্ষণীয়.

JPEG ভিতরে খুঁজছি

একটি কম্পিউটারে, সবকিছু বাইনারি সংখ্যার ক্রম হিসাবে সংরক্ষণ করা হয়। সাধারণত এই বিটগুলি, শূন্য এবং এক, বাইটগুলি তৈরি করতে আটটি গ্রুপে বিভক্ত হয়। আপনি যখন একটি কম্পিউটারে একটি JPEG ছবি খুলবেন, তখন কিছু (একটি ব্রাউজার, একটি অপারেটিং সিস্টেম, অন্য কিছু) অবশ্যই বাইটগুলিকে ডিকোড করতে হবে, যা প্রদর্শিত হতে পারে এমন রঙের তালিকা হিসাবে আসল চিত্রটিকে পুনরুদ্ধার করে৷

এই মিষ্টি ডাউনলোড করলে একটি বিড়ালের ছবি এবং এটি একটি পাঠ্য সম্পাদকে খুলুন, আপনি অসংলগ্ন অক্ষরের একটি গুচ্ছ দেখতে পাবেন।

এখানে আমি ফাইলের বিষয়বস্তু পরীক্ষা করার জন্য নোটপ্যাড++ ব্যবহার করছি, যেহেতু উইন্ডোজের নোটপ্যাডের মতো নিয়মিত টেক্সট এডিটরগুলি সংরক্ষণ করার পরে বাইনারি ফাইলকে দূষিত করবে এবং এটি আর JPEG ফর্ম্যাটকে সন্তুষ্ট করবে না।

ওয়ার্ড প্রসেসরে একটি ছবি খোলা কম্পিউটারকে বিভ্রান্ত করে, ঠিক যেমন আপনি আপনার মস্তিষ্ককে বিভ্রান্ত করে যখন আপনি আপনার চোখ ঘষে এবং রঙের দাগ দেখতে শুরু করেন!

এই স্পটগুলোকে আপনি দেখতে পান বলে পরিচিত ফসফেনস, এবং এটি একটি হালকা উদ্দীপনা বা মনের দ্বারা উত্পন্ন একটি হ্যালুসিনেশনের ফলাফল নয়। এগুলি ঘটে কারণ আপনার মস্তিষ্ক মনে করে যে অপটিক স্নায়ুর কোনও বৈদ্যুতিক সংকেত আলোর বিষয়ে তথ্য বহন করে। মস্তিষ্ককে এই অনুমানগুলি করতে হবে কারণ একটি সংকেত একটি শব্দ, একটি দৃষ্টি বা অন্য কিছু কিনা তা জানার কোন উপায় নেই। শরীরের সমস্ত স্নায়ু ঠিক একই বৈদ্যুতিক আবেগ প্রেরণ করে। আপনার চোখের উপর চাপ প্রয়োগ করে, আপনি সংকেত পাঠান যা দৃশ্যমান নয়, কিন্তু চোখের রিসেপ্টরগুলিকে সক্রিয় করে, যা আপনার মস্তিষ্ক ব্যাখ্যা করে - এই ক্ষেত্রে, ভুলভাবে - চাক্ষুষ কিছু হিসাবে। আপনি আক্ষরিক চাপ দেখতে পারেন!

কম্পিউটারগুলি মস্তিষ্কের সাথে কতটা অনুরূপ তা নিয়ে চিন্তা করা মজার, তবে ডেটার অর্থ কতটা বোঝানোর জন্য এটি একটি দরকারী সাদৃশ্য - তা স্নায়ুর মাধ্যমে শরীরে বহন করা বা কম্পিউটারে সংরক্ষণ করা - এটি কীভাবে ব্যাখ্যা করা হয়েছে তার উপর নির্ভর করে৷ সমস্ত বাইনারি ডেটা XNUMXs এবং XNUMXs দ্বারা গঠিত, মৌলিক উপাদান যা যেকোনো ধরনের তথ্য প্রকাশ করতে পারে। আপনার কম্পিউটার প্রায়শই ফাইল এক্সটেনশনের মতো সূত্র ব্যবহার করে কীভাবে তাদের ব্যাখ্যা করতে হয় তা বের করে। এখন আমরা এটিকে টেক্সট হিসাবে ব্যাখ্যা করতে বাধ্য করি, কারণ টেক্সট এডিটর এটাই আশা করে।

কিভাবে JPEG ডিকোড করতে হয় তা বোঝার জন্য, আমাদের মূল সংকেতগুলি দেখতে হবে - বাইনারি ডেটা। এটি একটি হেক্সাডেসিমাল সম্পাদক ব্যবহার করে বা সরাসরি চালু করা যেতে পারে মূল নিবন্ধ ওয়েব পৃষ্ঠা! একটি চিত্র রয়েছে, যার পাশে পাঠ্য ক্ষেত্রের সমস্ত বাইট রয়েছে (হেডার ব্যতীত), দশমিক আকারে উপস্থাপিত। আপনি সেগুলি পরিবর্তন করতে পারেন, এবং স্ক্রিপ্টটি পুনরায় এনকোড করবে এবং ফ্লাইতে একটি নতুন চিত্র তৈরি করবে৷

আপনি এই সম্পাদকের সাথে খেলে অনেক কিছু শিখতে পারেন। উদাহরণস্বরূপ, আপনি কি বলতে পারেন পিক্সেলগুলি কোন ক্রমে সংরক্ষণ করা হয়?

এই উদাহরণের আশ্চর্যজনক বিষয় হল যে কিছু সংখ্যা পরিবর্তন করা ছবিটিকে মোটেই প্রভাবিত করে না, তবে, উদাহরণস্বরূপ, আপনি যদি প্রথম লাইনে 17 নম্বরটি 0 দিয়ে প্রতিস্থাপন করেন তবে ফটোটি সম্পূর্ণরূপে নষ্ট হয়ে যাবে!

অন্যান্য পরিবর্তন, যেমন 7 অন লাইন 1988-কে 254 নম্বর দিয়ে প্রতিস্থাপন করা, রঙ পরিবর্তন করে, কিন্তু শুধুমাত্র পরবর্তী পিক্সেলের।

সম্ভবত সবচেয়ে আশ্চর্যজনক বিষয় হল যে কিছু সংখ্যা শুধুমাত্র রঙ নয়, ছবির আকৃতিও পরিবর্তন করে। 70 থেকে 12 লাইনের 2 পরিবর্তন করুন এবং আমি কী বলতে চাইছি তা দেখতে ছবির উপরের সারিটি দেখুন।

এবং আপনি যে JPEG ইমেজ ব্যবহার করুন না কেন, বাইট এডিট করার সময় আপনি সবসময় এই রহস্যময় দাবা প্যাটার্ন পাবেন।

সম্পাদকের সাথে খেলার সময়, এই বাইটগুলি থেকে কীভাবে একটি ফটো পুনরায় তৈরি করা হয় তা বোঝা মুশকিল, যেহেতু JPEG কম্প্রেশন তিনটি ভিন্ন প্রযুক্তি নিয়ে গঠিত, যা পর্যায়ক্রমে প্রয়োগ করা হয়। আমরা যে রহস্যময় আচরণ দেখছি তা উন্মোচন করতে আমরা প্রত্যেককে আলাদাভাবে অধ্যয়ন করব।

JPEG কম্প্রেশনের তিনটি স্তর:

1. রঙের সাবস্যাম্পলিং.
2. বিচ্ছিন্ন কোসাইন রূপান্তর এবং নমুনা.
3. দৈর্ঘ্য এনকোডিং চালান, ব-দ্বীপ и হাফম্যান

কম্প্রেশনের মাত্রা সম্পর্কে আপনাকে ধারণা দিতে, মনে রাখবেন যে উপরের চিত্রটি 79 সংখ্যা বা প্রায় 819 KB প্রতিনিধিত্ব করে। যদি আমরা এটি সংকোচন ছাড়াই সংরক্ষণ করি, প্রতিটি পিক্সেলের তিনটি সংখ্যা প্রয়োজন - লাল, সবুজ এবং নীল উপাদানগুলির জন্য। এর পরিমাণ হবে 79 সংখ্যা, বা প্রায়। 917 KB। JPEG কম্প্রেশনের ফলে, চূড়ান্ত ফাইলটি 700 ​​গুণেরও বেশি কমে গেছে!

আসলে, এই ছবিটি অনেক বেশি সংকুচিত করা যেতে পারে। নীচে দুটি ছবি পাশাপাশি রয়েছে - ডানদিকের ফটোটি 16 KB-তে সংকুচিত হয়েছে, অর্থাৎ, অসঙ্কোচিত সংস্করণের চেয়ে 57 গুণ ছোট!

আপনি যদি ঘনিষ্ঠভাবে লক্ষ্য করেন তবে আপনি দেখতে পাবেন যে এই চিত্রগুলি অভিন্ন নয়। তাদের উভয়ই JPEG কম্প্রেশন সহ চিত্র, কিন্তু ডানটি আয়তনে অনেক ছোট। এটি একটু খারাপ দেখায় (ব্যাকগ্রাউন্ডের রঙের স্কোয়ারগুলি দেখুন)। এজন্য JPEG কে ক্ষতিকর কম্প্রেশনও বলা হয়; কম্প্রেশন প্রক্রিয়া চলাকালীন, চিত্রটি পরিবর্তিত হয় এবং কিছু বিবরণ হারায়।

1. রঙের সাবস্যাম্পলিং

এখানে শুধুমাত্র প্রথম স্তরের কম্প্রেশন প্রয়োগ করা একটি চিত্র রয়েছে।

(ইন্টারেক্টিভ সংস্করণ - ইন আসল নিবন্ধ)। একটি সংখ্যা অপসারণ সব রং ধ্বংস. যাইহোক, যদি ঠিক ছয়টি সংখ্যা মুছে ফেলা হয়, তবে এটি ছবিতে কার্যত কোন প্রভাব ফেলে না।

এখন সংখ্যার পাঠোদ্ধার করা একটু সহজ। এটি রঙের প্রায় একটি সাধারণ তালিকা, যেখানে প্রতিটি বাইট ঠিক একটি পিক্সেল পরিবর্তন করে, কিন্তু একই সময়ে এটি ইতিমধ্যেই অসংকোচিত চিত্রের অর্ধেক আকার (যা এই হ্রাস আকারে প্রায় 300 KB গ্রহণ করবে)। আপনি অনুমান করতে পারেন কেন?

আপনি দেখতে পাচ্ছেন যে এই সংখ্যাগুলি আদর্শ লাল, সবুজ এবং নীল উপাদানগুলির প্রতিনিধিত্ব করে না, যেহেতু আমরা যদি সমস্ত সংখ্যাকে শূন্য দিয়ে প্রতিস্থাপন করি তবে আমরা একটি সবুজ চিত্র পাব (সাদা নয়)।

কারণ এই বাইটগুলি Y (উজ্জ্বলতা) এর জন্য দাঁড়িয়েছে,

সিবি (আপেক্ষিক নীলতা),

এবং Cr (আপেক্ষিক লালতা) ছবি।

কেন RGB ব্যবহার করবেন না? সব পরে, এইভাবে অধিকাংশ আধুনিক পর্দা কাজ করে। আপনার মনিটর প্রতিটি পিক্সেলের জন্য বিভিন্ন তীব্রতার সাথে লাল, সবুজ এবং নীল সহ যেকোনো রঙ প্রদর্শন করতে পারে। সম্পূর্ণ উজ্জ্বলতায় তিনটিই চালু করে সাদা, এবং বন্ধ করে কালো পাওয়া যায়।

এটি মানুষের চোখ কীভাবে কাজ করে তার সাথে খুব মিল। আমাদের চোখের রঙ রিসেপ্টর বলা হয় "শঙ্কু", এবং তিনটি প্রকারে বিভক্ত, যার প্রতিটি লাল, সবুজ বা নীল রঙের জন্য বেশি সংবেদনশীল [এস-টাইপ শঙ্কুগুলি বেগুনি-নীলে সংবেদনশীল (ইংরেজি শর্ট - শর্ট-ওয়েভ বর্ণালী থেকে এস), এম -টাইপ - সবুজ-হলুদে (ইংরেজি মিডিয়াম থেকে M - মিডিয়াম-ওয়েভ), এবং এল-টাইপ - হলুদ-লাল (ইংরেজি লং থেকে এল - লং-ওয়েভ) বর্ণালী অংশে। এই তিন ধরণের শঙ্কুর উপস্থিতি (এবং রড, যা বর্ণালীর পান্না সবুজ অংশে সংবেদনশীল) একজন ব্যক্তিকে রঙিন দৃষ্টি দেয়। / প্রায়. অনুবাদ।] লাঠি, আমাদের চোখে অন্য ধরনের ফটোরিসেপ্টর, উজ্জ্বলতার পরিবর্তন সনাক্ত করতে সক্ষম, কিন্তু রঙের প্রতি অনেক বেশি সংবেদনশীল। আমাদের চোখে প্রায় 120 মিলিয়ন রড এবং মাত্র 6 মিলিয়ন শঙ্কু রয়েছে।

এই কারণেই আমাদের চোখ রঙের পরিবর্তনের চেয়ে উজ্জ্বলতার পরিবর্তন সনাক্ত করতে অনেক ভাল। আপনি যদি উজ্জ্বলতা থেকে রঙ আলাদা করেন তবে আপনি একটু রঙ সরাতে পারেন এবং কেউ কিছু লক্ষ্য করবে না। ক্রোমা সাবস্যাম্পলিং হল আলোক উপাদানগুলির তুলনায় কম রেজোলিউশনে একটি চিত্রের রঙের উপাদানগুলিকে উপস্থাপন করার প্রক্রিয়া। উপরের উদাহরণে, প্রতিটি পিক্সেলের ঠিক একটি Y কম্পোনেন্ট রয়েছে এবং চার পিক্সেলের প্রতিটি পৃথক গ্রুপে ঠিক একটি Cb এবং একটি Cr উপাদান রয়েছে। অতএব, ছবিতে মূলের চেয়ে চারগুণ কম রঙের তথ্য রয়েছে।

YCbCr রঙের স্থান শুধুমাত্র JPEG তে ব্যবহার করা হয় না। এটি মূলত 1938 সালে টেলিভিশন প্রোগ্রামের জন্য উদ্ভাবিত হয়েছিল। প্রত্যেকের কাছে একটি রঙিন টিভি নেই, তাই রঙ এবং উজ্জ্বলতা আলাদা করা প্রত্যেককে একই সংকেত পেতে দেয় এবং রঙ ছাড়া টিভিগুলি কেবল উজ্জ্বলতার উপাদান ব্যবহার করে।

সুতরাং সম্পাদক থেকে একটি সংখ্যা সরানো সমস্ত রঙ সম্পূর্ণরূপে নষ্ট করে দেয়। উপাদানগুলি YYYY Cb Cr আকারে সংরক্ষিত হয় (আসলে, সেই ক্রমে অগত্যা নয় - স্টোরেজ অর্ডার ফাইল হেডারে নির্দিষ্ট করা আছে)। প্রথম সংখ্যাটি মুছে ফেলার ফলে Cb-এর প্রথম মানটিকে Y, Cr-কে Cb হিসাবে ধরা হবে এবং সাধারণভাবে আপনার কাছে একটি ডমিনো প্রভাব থাকবে যা ছবির সমস্ত রঙ পরিবর্তন করে।

JPEG স্পেসিফিকেশন আপনাকে YCbCr ব্যবহার করতে বাধ্য করে না। কিন্তু বেশিরভাগ ফাইলই এটি ব্যবহার করে কারণ এটি আরজিবি-র চেয়ে ভালো ডাউনস্যাম্পল ইমেজ তৈরি করে। কিন্তু এর জন্য আপনাকে আমার কথা নিতে হবে না। RGB এবং YCbCr উভয় ক্ষেত্রেই প্রতিটি পৃথক উপাদানের সাবস্যাম্পলিং কেমন হবে তা নীচের সারণীতে নিজেই দেখুন।

(ইন্টারেক্টিভ সংস্করণ - ইন আসল নিবন্ধ)।

নীল অপসারণ লাল বা সবুজের মতো লক্ষণীয় নয়। এটি আপনার চোখে ছয় মিলিয়ন শঙ্কুর কারণে, প্রায় 64% লাল, 32% সবুজ এবং 2% নীলের প্রতি সংবেদনশীল।

Y কম্পোনেন্টের ডাউনস্যাম্পলিং (নীচে বাম দিকে) সবচেয়ে ভালো দেখা যায়। এমনকি একটি ছোট পরিবর্তন লক্ষণীয়।

একটি ছবিকে RGB থেকে YCbCr-এ রূপান্তর করা ফাইলের আকার কমিয়ে দেয় না, তবে এটি সরানো যেতে পারে এমন কম দৃশ্যমান বিবরণ খুঁজে পাওয়া সহজ করে তোলে। দ্বিতীয় পর্যায়ে ক্ষতিকারক সংকোচন ঘটে। এটি আরও সংকুচিত আকারে ডেটা উপস্থাপনের ধারণার উপর ভিত্তি করে।

2. বিচ্ছিন্ন কোসাইন রূপান্তর এবং নমুনা

কম্প্রেশনের এই স্তরটি বেশিরভাগ অংশের জন্য, JPEG সম্পর্কে কী। রঙগুলিকে YCbCr-এ রূপান্তর করার পরে, উপাদানগুলি পৃথকভাবে সংকুচিত হয়, তাই আমরা কেবলমাত্র Y কম্পোনেন্টে মনোনিবেশ করতে পারি। এবং এই স্তরটি প্রয়োগ করার পরে Y উপাদান বাইটগুলি কেমন দেখায় তা এখানে।

(ইন্টারেক্টিভ সংস্করণ - ইন আসল নিবন্ধ)। ইন্টারেক্টিভ সংস্করণে, একটি পিক্সেলের উপর ক্লিক করলে সম্পাদককে এটির প্রতিনিধিত্বকারী লাইনে স্ক্রোল করে। শেষ থেকে সংখ্যাগুলি সরানোর চেষ্টা করুন বা একটি নির্দিষ্ট সংখ্যায় কয়েকটি শূন্য যোগ করার চেষ্টা করুন।

প্রথম নজরে, এটি খুব খারাপ কম্প্রেশন মত দেখায়। একটি ছবিতে 100 পিক্সেল রয়েছে এবং তাদের উজ্জ্বলতা (Y-কম্পোনেন্ট) উপস্থাপন করতে 000টি সংখ্যা লাগে - যা কিছুতেই সংকুচিত করার চেয়ে খারাপ!

যাইহোক, মনে রাখবেন যে এই সংখ্যাগুলির বেশিরভাগই শূন্য। তদুপরি, লাইনের শেষে থাকা সমস্ত শূন্য চিত্র পরিবর্তন না করেই সরানো যেতে পারে। প্রায় 26 সংখ্যা বাকি আছে, এবং এটি প্রায় 000 গুণ কম!

এই স্তরে দাবার ধরণগুলির রহস্য রয়েছে। আমরা দেখেছি অন্যান্য প্রভাবগুলির বিপরীতে, এই নিদর্শনগুলির উপস্থিতি কোনও ত্রুটি নয়। তারা পুরো ছবির বিল্ডিং ব্লক. সম্পাদকের প্রতিটি লাইনে ঠিক 64টি সংখ্যা রয়েছে, বিচ্ছিন্ন কোসাইন ট্রান্সফর্ম (DCT) সহগ 64টি অনন্য প্যাটার্নের তীব্রতার সাথে সম্পর্কিত।

এই নিদর্শনগুলি কোসাইন প্লটের উপর ভিত্তি করে গঠিত হয়। তাদের মধ্যে কিছু দেখতে কেমন তা এখানে:

8 মতভেদের মধ্যে 64টি

নীচে সমস্ত 64টি নিদর্শন দেখানো একটি চিত্র রয়েছে।

(ইন্টারেক্টিভ সংস্করণ - ইন আসল নিবন্ধ)।

এই নিদর্শনগুলি বিশেষ গুরুত্বপূর্ণ কারণ তারা 8x8 চিত্রগুলির ভিত্তি তৈরি করে। আপনি যদি রৈখিক বীজগণিতের সাথে অপরিচিত হন তবে এর অর্থ এই 8 টি প্যাটার্ন থেকে যে কোনও 8x64 চিত্র তৈরি করা যেতে পারে। ডিসিটি হল ছবিগুলিকে 8x8 ব্লকে বিভক্ত করার এবং প্রতিটি ব্লককে এই 64টি সহগগুলির সংমিশ্রণে রূপান্তর করার প্রক্রিয়া।

এটা জাদু মত মনে হয় যে কোন ছবি 64 নির্দিষ্ট নিদর্শন গঠিত হতে পারে. যাইহোক, এটি বলার মতই যে পৃথিবীর যেকোনো স্থানকে দুটি সংখ্যা দ্বারা বর্ণনা করা যেতে পারে - অক্ষাংশ এবং দ্রাঘিমাংশ [গোলার্ধ / প্রায় নির্দেশ করে। অনুবাদ।] আমরা প্রায়শই পৃথিবীর পৃষ্ঠকে দ্বি-মাত্রিক বলে মনে করি, তাই আমাদের শুধুমাত্র দুটি সংখ্যা প্রয়োজন। একটি 8x8 চিত্রের 64 মাত্রা আছে, তাই আমাদের 64টি সংখ্যা প্রয়োজন।

কম্প্রেশনের ক্ষেত্রে এটি কীভাবে আমাদের সাহায্য করে তা এখনও স্পষ্ট নয়। একটি 64x8 চিত্র উপস্থাপন করার জন্য যদি আমাদের 8টি সংখ্যার প্রয়োজন হয়, তাহলে কেন এটি শুধুমাত্র 64টি উজ্জ্বলতার উপাদান সংরক্ষণ করার চেয়ে ভাল হবে? আমরা একই কারণে তিনটি RGB নম্বরকে তিনটি YCbCr নম্বরে পরিণত করেছি: এটি আমাদের সূক্ষ্ম বিবরণ মুছে ফেলার অনুমতি দেয়।

এই পর্যায়ে ঠিক কোন বিবরণ মুছে ফেলা হয়েছে তা দেখা কঠিন কারণ JPEG 8x8 ব্লকে DCT প্রয়োগ করে। যাইহোক, পুরো ছবিতে এটি প্রয়োগ করতে কেউ আমাদের নিষেধ করে না। পুরো ছবিতে প্রয়োগ করা Y উপাদানটির জন্য DCT কেমন দেখাচ্ছে তা এখানে:

ফটোতে কার্যত কোন লক্ষণীয় পরিবর্তন ছাড়াই শেষ থেকে 60টিরও বেশি সংখ্যা সরানো যেতে পারে।

যাইহোক, মনে রাখবেন যে আমরা যদি প্রথম পাঁচটি সংখ্যাকে শূন্য করি তবে পার্থক্যটি সুস্পষ্ট হবে।

শুরুতে সংখ্যাগুলি চিত্রে কম ফ্রিকোয়েন্সি পরিবর্তনগুলিকে উপস্থাপন করে, যা আমাদের চোখ সবচেয়ে ভালভাবে গ্রহণ করে। শেষের দিকে সংখ্যাগুলি উচ্চ ফ্রিকোয়েন্সির পরিবর্তনগুলি নির্দেশ করে যা লক্ষ্য করা আরও কঠিন। "চোখ যা দেখতে পারে না তা দেখতে" আমরা প্রথম 5000টি সংখ্যাকে শূন্য করে এই উচ্চ ফ্রিকোয়েন্সি বিবরণগুলিকে আলাদা করতে পারি।

আমরা চিত্রের সমস্ত ক্ষেত্র দেখি যেখানে পিক্সেল থেকে পিক্সেল পর্যন্ত সর্বাধিক পরিবর্তন ঘটে। বিড়ালের চোখ, তার ফিসকি, টেরি কম্বল এবং নীচের বাম কোণে ছায়াগুলি দাঁড়িয়ে আছে। আপনি প্রথম 10 নম্বর শূন্য করে আরও এগিয়ে যেতে পারেন:

20 000:

40 000:

60 000:

এই উচ্চ-ফ্রিকোয়েন্সি বিবরণ JPEG দ্বারা কম্প্রেশন পর্যায়ে মুছে ফেলা হয়। রংকে DCT সহগ-এ রূপান্তর করার কোনো ক্ষতি নেই। নমুনা নেওয়ার ধাপে ক্ষতি ঘটে, যেখানে উচ্চ-ফ্রিকোয়েন্সি বা শূন্যের কাছাকাছি মানগুলি সরানো হয়। আপনি যখন JPEG সেভিং কোয়ালিটি কম করেন, প্রোগ্রামটি অপসারণ করা মানের সংখ্যার জন্য থ্রেশহোল্ড বাড়ায়, যা ফাইলের আকার কমিয়ে দেয়, কিন্তু ছবিকে আরও পিক্সেলেট করে। এই কারণেই প্রথম বিভাগে চিত্রটি, যা 57 গুণ ছোট ছিল, দেখতে এইরকম ছিল৷ প্রতিটি 8x8 ব্লক উচ্চ মানের সংস্করণের তুলনায় অনেক কম DCT সহগ দ্বারা প্রতিনিধিত্ব করা হয়েছিল।

আপনি ইমেজ ধীরে ধীরে স্ট্রিমিং হিসাবে যেমন একটি শান্ত প্রভাব তৈরি করতে পারেন. আপনি একটি অস্পষ্ট ছবি প্রদর্শন করতে পারেন যেটি আরও বেশি বিশদ হয়ে ওঠে যত বেশি এবং আরও বেশি সহগ ডাউনলোড করা হয়।

এখানে, শুধুমাত্র মজা করার জন্য, আপনি মাত্র 24 নম্বর ব্যবহার করে যা পাচ্ছেন:

অথবা মাত্র 5000:

খুব ঝাপসা, কিন্তু একরকম চেনা যায়!

3. দৈর্ঘ্য এনকোডিং, ডেল্টা এবং হাফম্যান চালান

এখনও অবধি, কম্প্রেশনের সমস্ত স্তর ক্ষতিকারক হয়েছে। শেষ পর্যায়, বিপরীতভাবে, ক্ষতি ছাড়াই এগিয়ে যায়। এটি তথ্য মুছে দেয় না, তবে এটি ফাইলের আকার উল্লেখযোগ্যভাবে হ্রাস করে।

কিভাবে আপনি তথ্য দূরে নিক্ষেপ না করে কিছু সংকুচিত করতে পারেন? কল্পনা করুন কিভাবে আমরা একটি সাধারণ কালো আয়তক্ষেত্র 700 x 437 বর্ণনা করব।

JPEG এর জন্য 5000 নম্বর ব্যবহার করে, তবে অনেক ভালো ফলাফল অর্জন করা যায়। আপনি কি একটি এনকোডিং স্কিম কল্পনা করতে পারেন যা এই ধরনের একটি চিত্রকে যতটা সম্ভব কম বাইটে বর্ণনা করবে?

আমি যে ন্যূনতম স্কিমটি নিয়ে আসতে পারি তা চারটি ব্যবহার করে: একটি রঙের প্রতিনিধিত্ব করতে তিনটি, এবং চতুর্থটি সেই রঙের কত পিক্সেল রয়েছে তা নির্দেশ করতে। এই ঘনীভূত উপায়ে পুনরাবৃত্তিমূলক মানগুলিকে উপস্থাপন করার ধারণাটিকে রান-লেংথ এনকোডিং বলা হয়। এটি ক্ষতিহীন কারণ আমরা এনকোড করা ডেটাকে তার আসল ফর্মে পুনরুদ্ধার করতে পারি।

একটি কালো আয়তক্ষেত্র সহ একটি JPEG ফাইল 4 বাইটের চেয়ে অনেক বড় - মনে রাখবেন যে DCT স্তরে, 8x8 পিক্সেল ব্লকগুলিতে কম্প্রেশন প্রয়োগ করা হয়। অতএব, সর্বনিম্নভাবে, প্রতি 64 পিক্সেলের জন্য আমাদের একটি DCT সহগ প্রয়োজন। আমাদের একটি প্রয়োজন কারণ একটি DCT সহগ সংরক্ষণ করার পরিবর্তে 63টি শূন্য অনুসরণ করে, রান দৈর্ঘ্যের এনকোডিং আমাদের একটি সংখ্যা সংরক্ষণ করতে দেয় এবং নির্দেশ করে যে "অন্য সকল শূন্য।"

ডেল্টা এনকোডিং এমন একটি কৌশল যেখানে প্রতিটি বাইটে পরম মানের পরিবর্তে কিছু মান থেকে একটি পার্থক্য থাকে। তাই, নির্দিষ্ট বাইট সম্পাদনা করলে অন্য সব পিক্সেলের রঙ পরিবর্তন হয়। উদাহরণস্বরূপ, সংরক্ষণের পরিবর্তে

12 13 14 14 14 13 13 14

আমরা 12 দিয়ে শুরু করতে পারি এবং তারপর সহজভাবে নির্দেশ করতে পারি পরবর্তী সংখ্যা পেতে আমাদের কতটা যোগ বা বিয়োগ করতে হবে। এবং ডেল্টা কোডিং-এ এই ক্রমটি রূপ নেয়:

12 1 1 0 0 -1 0 1

রূপান্তরিত ডেটা মূল ডেটার চেয়ে ছোট নয়, তবে এটি সংকুচিত করা সহজ। রান লেন্থ এনকোডিং এর আগে ডেল্টা এনকোডিং প্রয়োগ করা লসলেস কম্প্রেশন থাকা অবস্থায় অনেক সাহায্য করতে পারে।

ডেল্টা কোডিং হল 8x8 ব্লকের বাইরে ব্যবহৃত কয়েকটি কৌশলের মধ্যে একটি। 64টি DCT সহগগুলির মধ্যে একটি হল একটি ধ্রুবক তরঙ্গ ফাংশন (কঠিন রঙ)। এটি লুমা উপাদানগুলির জন্য প্রতিটি ব্লকের গড় উজ্জ্বলতা, বা Cb উপাদানগুলির জন্য গড় নীলতা ইত্যাদির প্রতিনিধিত্ব করে। প্রতিটি ডিসিটি ব্লকের প্রথম মানটিকে ডিসি মান বলা হয় এবং প্রতিটি ডিসি মান পূর্ববর্তীগুলির সাথে সাপেক্ষে ডেল্টা এনকোড করা হয়। অতএব, প্রথম ব্লকের উজ্জ্বলতা পরিবর্তন করা সমস্ত ব্লককে প্রভাবিত করবে।

চূড়ান্ত রহস্য রয়ে গেছে: কীভাবে একবচন পরিবর্তন করলে পুরো ছবিটাই নষ্ট হয়ে যায়? এখনও অবধি, কম্প্রেশন স্তরের এই জাতীয় বৈশিষ্ট্য নেই। উত্তরটি JPEG হেডারে রয়েছে। প্রথম 500 বাইটে ইমেজ সম্পর্কে মেটাডেটা রয়েছে - প্রস্থ, উচ্চতা, ইত্যাদি, এবং আমরা এখনও তাদের সাথে কাজ করিনি।

হেডার ছাড়া JPEG ডিকোড করা প্রায় অসম্ভব (বা খুব কঠিন)। দেখে মনে হবে যেন আমি আপনার কাছে ছবিটি বর্ণনা করার চেষ্টা করছি, এবং আমি আমার ধারণা প্রকাশ করার জন্য শব্দগুলি আবিষ্কার করতে শুরু করছি। বর্ণনাটি সম্ভবত বেশ ঘনীভূত হবে, যেহেতু আমি ঠিক যে অর্থ প্রকাশ করতে চাই তা দিয়ে আমি শব্দগুলি উদ্ভাবন করতে পারি, তবে অন্য সবার জন্য সেগুলি অর্থপূর্ণ হবে না।

এটা বোকা শোনাচ্ছে, কিন্তু যে ঠিক কি ঘটবে. প্রতিটি JPEG ইমেজ নির্দিষ্ট কোড দিয়ে সংকুচিত হয়। কোড অভিধান হেডারে সংরক্ষিত হয়। এই কৌশলটিকে বলা হয় হাফম্যান কোড এবং শব্দভান্ডারকে বলা হয় হাফম্যান টেবিল। হেডারে, টেবিলটি দুটি বাইট দিয়ে চিহ্নিত করা হয়েছে - 255 এবং তারপর 196। প্রতিটি রঙের উপাদানের নিজস্ব টেবিল থাকতে পারে।

টেবিলের পরিবর্তনগুলি যে কোনও চিত্রকে আমূলভাবে প্রভাবিত করবে। একটি ভাল উদাহরণ হল 15 তম লাইনটি 1 এ পরিবর্তন করা।

এটি ঘটে কারণ টেবিলগুলি নির্দিষ্ট করে যে কীভাবে পৃথক বিটগুলি পড়তে হবে। এখন পর্যন্ত আমরা শুধুমাত্র দশমিক আকারে বাইনারি সংখ্যা নিয়ে কাজ করেছি। কিন্তু এটি আমাদের কাছ থেকে লুকিয়ে রাখে যে আপনি যদি একটি বাইটে 1 নম্বরটি সংরক্ষণ করতে চান তবে এটি 00000001 এর মতো দেখাবে, যেহেতু প্রতিটি বাইটে অবশ্যই আটটি বিট থাকতে হবে, এমনকি যদি তাদের শুধুমাত্র একটির প্রয়োজন হয়।

আপনার যদি অনেক ছোট সংখ্যা থাকে তবে এটি সম্ভবত স্থানের একটি বড় অপচয়। হাফম্যান কোড এমন একটি কৌশল যা আমাদের এই প্রয়োজনীয়তা শিথিল করতে দেয় যে প্রতিটি সংখ্যা অবশ্যই আটটি বিট দখল করবে। এর মানে হল যে আপনি যদি দুটি বাইট দেখতে পান:

234 115

তারপর, হাফম্যান টেবিলের উপর নির্ভর করে, এই তিনটি সংখ্যা হতে পারে। এগুলি বের করতে, আপনাকে প্রথমে সেগুলিকে পৃথক বিটে ভেঙে ফেলতে হবে:

11101010 01110011

তারপরে আমরা কীভাবে তাদের গোষ্ঠীবদ্ধ করব তা নির্ধারণ করতে টেবিলটি দেখি। উদাহরণস্বরূপ, এটি হতে পারে প্রথম ছয়টি বিট, (111010), বা দশমিকে 58, তারপরে পাঁচটি বিট (10011), বা 19 এবং শেষ পর্যন্ত শেষ চারটি বিট (0011), বা 3।

অতএব, কম্প্রেশনের এই পর্যায়ে বাইট বোঝা খুব কঠিন। বাইটগুলি যা মনে হয় তা প্রতিনিধিত্ব করে না। আমি এই নিবন্ধে টেবিলের সাথে কাজ করার বিশদ বিবরণে যাব না, কিন্তু উপকরণ অনলাইনে এই বিষয়ে যথেষ্ট হয়.

একটি আকর্ষণীয় কৌশল যা আপনি এই জ্ঞানের সাথে করতে পারেন তা হল হেডারটিকে JPEG থেকে আলাদা করা এবং আলাদাভাবে সংরক্ষণ করা। আসলে, এটা দেখা যাচ্ছে যে শুধুমাত্র আপনি ফাইলটি পড়তে পারেন। ফেসবুক ফাইলগুলিকে আরও ছোট করার জন্য এটি করে।

আর কি করা যেতে পারে হাফম্যান টেবিলটি বেশ খানিকটা পরিবর্তন করা। অন্যদের জন্য এটি একটি ভাঙা ছবির মত দেখাবে। এবং শুধুমাত্র আপনি এটি ঠিক করার জাদুকরী উপায় জানবেন।

আসুন সংক্ষিপ্ত করা যাক: তাহলে JPEG ডিকোড করার জন্য কী প্রয়োজন? প্রয়োজনীয়:

1. হেডার থেকে হাফম্যান টেবিল (গুলি) বের করুন এবং বিটগুলি ডিকোড করুন।
2. প্রতিটি 8x8 ব্লকের জন্য প্রতিটি রঙ এবং আলোক উপাদানের জন্য পৃথক কোসাইন ট্রান্সফর্ম সহগ বের করুন, বিপরীত রান-দৈর্ঘ্য এবং ডেল্টা এনকোডিং রূপান্তরগুলি সম্পাদন করুন।
3. প্রতিটি 8x8 ব্লকের জন্য পিক্সেল মান পেতে সহগগুলির উপর ভিত্তি করে কোসাইনগুলিকে একত্রিত করুন।
4. স্কেল রঙ উপাদান যদি সাবস্যাম্পলিং সঞ্চালিত হয় (এই তথ্য শিরোনামে আছে)।
5. প্রতিটি পিক্সেলের জন্য ফলস্বরূপ YCbCr মানগুলিকে RGB-তে রূপান্তর করুন।
6. পর্দায় চিত্র প্রদর্শন!

একটি বিড়াল সঙ্গে একটি ছবি দেখার জন্য গুরুতর কাজ! যাইহোক, আমি এটি সম্পর্কে যা পছন্দ করি তা হল এটি দেখায় যে কীভাবে মানব-কেন্দ্রিক JPEG প্রযুক্তি। এটি আমাদের উপলব্ধির অদ্ভুততার উপর ভিত্তি করে তৈরি করা হয়েছে, যা আমাদেরকে প্রচলিত প্রযুক্তির তুলনায় অনেক ভালো কম্প্রেশন অর্জন করতে দেয়। এবং এখন যেহেতু আমরা বুঝতে পারি কিভাবে JPEG কাজ করে, আমরা কল্পনা করতে পারি কিভাবে এই প্রযুক্তিগুলি অন্য এলাকায় স্থানান্তর করা যেতে পারে। উদাহরণস্বরূপ, ভিডিওতে ডেল্টা এনকোডিং ফাইলের আকারে একটি উল্লেখযোগ্য হ্রাস প্রদান করতে পারে, যেহেতু প্রায়শই এমন সম্পূর্ণ এলাকা রয়েছে যা ফ্রেম থেকে ফ্রেমে পরিবর্তন হয় না (উদাহরণস্বরূপ, পটভূমি)।

নিবন্ধে ব্যবহৃত কোড, খোলা আছে, এবং কীভাবে আপনার নিজের ছবিগুলিকে প্রতিস্থাপন করতে হবে তার নির্দেশাবলী রয়েছে৷

উত্স: www.habr.com