How the JPEG format is structured

JPEG-formaadiga pildid on meie digitaalses elus igal pool, kuid selle teadlikkuse katte taga peituvad algoritmid, mis kõrvaldavad detailid, mida inimsilmad ei suuda tajuda. Tulemus on äärmiselt kõrge visuaalne kvaliteet väikseima failisuuruse juures – kuid kuidas see täpselt toimib? Vaatame, mida meie silmad tõeliselt ei näe!

On lihtne võtta enesestmõistetavalt võimalust saata sõbrale foto, muretsedes, millist seadet, brauserit või operatsioonisüsteemi ta kasutab – kuid nii ei olnud see alati. 1980. aastate alguseks oskasid arvutid salvestada ja kuvada digitaalseid pilte, kuid parima lähenemise osas oli palju konkureerivaid ideid. Ei saanud lihtsalt üht pildifaili ühest arvutist teise saata ja loota, et kõik töötab.

Selle probleemi lahendamiseks kogunes 1986. aastal ekspertide komitee üle kogu maailma nimega „Ühtne fotograafia ekspertide rühm» (Ühine fotokodeerimise ekspertide grupp, JPEG) asutati Rahvusvahelise standardimise organisatsiooni (ISO) ja Rahvusvahelise elektrotehnilise komisjoni (IEC) koostöös – kahe rahvusvahelise standardimisorganisatsiooni peakorter asub Genfis (Šveits).

JPEG-nimeliste inimeste rühm lõi 1992. aastal digitaalsete piltide tihendamise standardi JPEG. Igaüks, kes on internetti kasutanud, on tõenäoliselt kokku puutunud JPEG-kodeeringuga piltidega. See on kõige levinum viis piltide kodeerimiseks, saatmiseks ja salvestamiseks. Alates veebi lehtedest kuni e-kirjade ja sotsiaalmeediaini kasutatakse JPEG-i miljardeid kordi päevas – praktiliselt igal korral, kui vaatame pilti veebis või saadame selle. Ilma JPEG-ita oleks veeb vähem värviline, aeglasem ja tõenäoliselt vähem kasse puudutavaid fotosid sisaldav!

See artikkel räägib JPEG kujutise dekodeerimisest. Teisisõnu, sellest, mida on vaja tihendatud andmete, mis arvutis hoitakse, kuvamiseks ekraanil. Selle teemaga tasub tutvuda mitte ainult sellepärast, et see on oluline arusaamiseks tehnoloogiast, mida iga päev kasutame, vaid ka seetõttu, et tihendustasemeid avades saame paremini aru tajumisest ja nägemisest ning sellest, millistele detailidele meie silmad kõige rohkem reageerivad.

Lisaks on sellisel moel piltidega mängimine väga huvitav.

Vaadates JPEG sisse

Arvutis hoitakse kõike kui järjestikku binaarnumbrid. Tavaliselt koondatakse need bitid, nullid ja ühed, kaheksa kaupa, moodustades baitidele. Kui avad JPEG kujutise arvutis, peab midagi (brauser, operatsioonisüsteem või midagi muud) dekodeerima baitid, taastades algse kujutise värvide loendina, mida saab kuvada.

Kui saad alla selle armas kassi foto ja avad selle tekstiredaktoris, siis näed sa hulka seosetuks märke.

Siin kasutan Notepad++ faili sisu uurimiseks, kuna tavalised tekstiredaktorid, nagu Windowsi Notepad, rikuvad binaarfaili pärast salvestamist, ja see prõhku ei vasta JPEG formaadile.

Avades pildi tekstiredaktoris, segate arvuti segadusse, täpselt nagu segate oma aju, kui hõõrute silmi ja hakkate nägema värvilisi laike!

Need laigud, mida näete, tuntakse nimena fosfeenid, ja need ei ole valgusstimuli mõju või mõistuse tekitatud hallutsinatsioonide tulemus. Need tekivad, kuna teie aju arvab, et kõik elektrilised signaalid silmanärvides edastavad teavet valguse kohta. Aju peab selliseid oletusi tegema, kuna ei saa kuidagi teada, kas signaal on heli, nägemine või midagi muud. Kõik närvid kehas edastavad täiesti samu elektrilisi impulsse. Surudes silmadele, saadate mitte-visuaalseid signaale, kuid aktiveerite silma retseptoreid, mida teie aju tõlgendab – antud juhul vale – kui midagi, mida näha. Te olete sõna otseses mõttes suuteline nägema survet!

Naljakas on mõelda, kui sarnased arvutid on ajule, kuid see on ka kasulik analoogia, mis illustreerib, kui palju andmete tähendus – olgu need edastatud närvide kaudu kehast või salvestatud arvutisse – sõltub nende tõlgendusest. Kõik binaarsed andmed koosnevad nullidest ja ühetistest, põhikomponendid, mis suudavad edastada igasugust teavet. Teie arvuti aimab sageli, kuidas neid tõlgendada, kasutades vihjeid, näiteks faililaiendeid. Ent praegu sunnime me seda tõlgendama neid tekstina, kuna just seda eeldab tekstiredaktor.

Kuidas JPEG'i dekodeerimiseks, peame nägema algseid signaale – binaarsete andmete. Seda saab teha heksadesimaalse redigeerija abil või otse artikli originaal veebilehelt! Seal on pilt, mille kõrval on tekstiväljas kõik selle baitide kokkuvõtte (ilma päiseta), esitatuna kümnendsüsteemis. Saate neid muuta ja skript kodeerib ja esitab uue pildi jooksvalt.

Selle redigeerijaga mängides on võimalik palju avastada. Näiteks, kas oskate öelda, millises järjekorras pikslid salvestatakse?

Selles näites on kummaline see, et mõnede numbrite muutmine ei mõjuta pilti üldse, aga kui näiteks asendate numbri 17 nulliga esimeses reas, siis pilt rikneb täielikult!

Teised muudatused, näiteks 1988. rea 7 asendamine numbriga 254, muudab värvi, kuid ainult järgnevaid pikslit.

Võib-olla on kõige kummalisem see, et mõned numbrid muudavad mitte ainult värvi, vaid ka pildi kuju. Muutke 12. reas 70 numbriks 2 ja vaadake pildi ülemist rida, et näha, mida ma mõtlen.

Ja olenemata sellest, millist JPEG pilti te kasutate, leiate redigeerimise käigus alati need müstilised malemustrid.

Redigeerija kaudu mängides on raske mõista, kuidas pilt nende baitide seast taastatakse, kuna JPEG kompressioon koosneb kolmest erinevast tehnoloogiast, mis rakendatakse järjestikku tasemetel. Uurime igaüht neist eraldi, et avada meie ees ilmne müstiline käitumine.

Kolm JPEG kompressiooni taset:

1. Värvi alampurskamine.
2. Diskreetne kosinustransformatsioon ja diskreetimine.
3. Pikkade seeriate kodeerimine, delta ja Huffman

Kujutise tihendamise ulatust silmas pidades, pöörake tähelepanu, et ülaltoodud pilt sisaldab 79 819 numbrit, mis tähendab umbes 79 KB. Kui me oleksime salvestanud selle tihendamata, oleks iga piksel nõudnud kolme numbrit - punase, rohelise ja sinise komponendi jaoks. See oleks kokku andnud 917 700 numbrit, või umbes 917 KB. Seetõttu vähenes JPEG tihenduse tulemuslik fail rohkem kui 10 korda!

Tegelikult on seda pilti võimalik veelgi rohkem tihendada. Allpool on kaks pilti kõrvuti - paremal olev foto on tihendatud 16 KB-ni, mis on 57 korda vähem kui tihendamata versioon!

Kui tähelepanelikult vaadata, on näha, et need pildid ei ole identsed. Mõlemad on JPEG tihendusega pildid, kuid parempoolne on mahtusid palju väiksem. Samuti näeb see natuke halvem välja (vaadake taustavärvide ruute). Seetõttu kutsutakse JPEG tihendust sageli ka kadudega tihendamiseks; tihendamise protsessis muutub pilt ja kaotab teatud detaile.

1. Värvisubdiskreetimine

Siin on pilt, millel on rakendatud ainult esimest tihendustaset.

(Interaktiivne versioon – sisse originaalis artiklid). Ühe numbri eemaldamine rikub kõik värvid. Kuid kui eemaldada just kuus numbrit, ei mõjuta see praktiliselt pilti.

Nüüd on numbreid veidi lihtsam dešifreerida. See on peaaegu lihtne värvide loend, kus iga bait muudab täpselt ühe piksli, kuid samas on see juba kaks korda väiksem kui tihendamata kujutis (mis võtaks sellises vähendatud suuruses ligi 300 Kb). Kas arvate, miks?

On näha, et need numbrid ei tähista standardseid punase, rohelise ja sinise komponente, sest kui asendada kõik numbrid nulldega, saame rohelise pildi (mitte valge).

See on sellepärast, et need baitid tähistavad Y (heleduse),

Cb (suhteline sinisus),

ja Cr (suhteline punasus) pildi kohta.

Miks mitte kasutada RGB-d? Lõppude lõpuks töötab enamik kaasaegseid ekraane just nii. Teie monitor võib kuvada mis tahes värvi, sealhulgas punast, rohelist ja sinist erineva intensiivsusega iga pikseli jaoks. Valge saadakse, kui kõik kolm on täielikult heledaks seatud, ja must kui need on kõik välja lülitatud.

See on samuti väga sarnane inimese silma tööle. Meie silmade värviretseptoreid nimetatakse «koobaste«, mis jagunevad kolme tüübi vahel, millest igaühel on suurem tundlikkus kas punase, rohelise või sinise värvi suhtes [S-tüüpi koobaste tundlikkus on violett-sinises (S inglise keeles Short — lühilaine spekter), M-tüüpi — roheliselt-kollases (M inglise keeles Medium — keskmise laine), ja L-tüüpi — kollaselt-punasel (L inglise keeles Long — pikalaine) spektri osades. Nende kolme tüüpi koobaste (ja pulkade, mis on tundlikud smaragdrohelise spektri osas) olemasolu annab inimesele värvitäit nägemist. / Märkus tõlkijalt]. Pulkade, teine meie silmade fotoretseptorite tüüp, on võimeline tabama muutusi heleduses, kuid on palju tundlikum värvi suhtes. Meie silmades on umbes 120 miljonit pulka ja vaid 6 miljonit koobast.

Seetõttu märkavad meie silmad palju paremini ereduse muutusi kui värvi muutusi. Kui eraldada värv eredusest, on võimalik eemaldada veidi värvi, ilma et keegi midagi märkaks. Värvisubdiskreetimine on protsess, kus pildi värvikomponente esitatakse madalama lahutusvõimega võrreldes ereduse komponentidega. Eelnevas näites on igal piksel üks komponent Y, ja igal nelja pikseli grupil on täpselt üks komponent Cb ja üks Cr. Seetõttu sisaldab pilt neli korda vähem värviinfot kui originaal.

Värviruum YCbCr ei kasutata ainult JPEG-is. Selle leiutas algselt 1938. aastal teleülekannete jaoks. Kõigil ei ole värvilist telerit, seega võimaldas värvi ja ereduse eraldamine kõigil sama signaali vastu võtta, ja värvituks jäävad telerid kasutasid lihtsalt ainult ereduse komponenti.

Seetõttu toob ühe numbri eemaldamine redigeerijast kaasa värvide täieliku rikkumise. Komponendid salvestatakse kujul Y Y Y Y Cb Cr (tegelikult ei pea see olema sellises järjekorras – salvestamise järjekord määratakse faili päises). Esimese numbri eemaldamine põhjustab, et esimene Cb väärtus tõlgendatakse kui Y, Cr kui Cb, ja see loob dominos efekti, mis muudab kõiki pildi värve.

JPEG spetsifikatsioon ei nõua YCbCr kasutamist. Kuid enamikus failides kasutatakse seda, kuna see annab pärast alamsubdiscretiseerimist parema pildikvaliteedi võrreldes RGB-ga. Kuid teil ei pea minu sõnasse usaldama. Vaadake ise allolevas tabelis, milline on iga komponent alamsubdiscretiseerimine nii RGB kui ka YCbCr puhul.

(Interaktiivne versioon – sisse originaalis artiklid).

Sinise eemaldamine ei ole nii märgatav kui punase või rohelise. Kõik see tuleneb sellest, et teie silmades on kuus miljonit koonusrakku, millest umbes 64% on punasele, 32% rohelisele ja 2% sinisele tundlikud.

Y komponendi alamsubdiscretiseerimine (vasakul alumises nurgas) on kõige paremini nähtav. Isegi väikesed muutused on märgatavad.

Piltide konverteerimine RGB-st YCbCr-ks ei vähenda faili suurust, kuid lihtsustab vähem nähtavate üksikasjade leidmist, mille saab eemaldada. Kaotava kompressioon toimub teises etapis. Selle aluseks on idee esitada andmeid kompaktsemal viisil.

2. Diskreetne kosinuse transformatsioon ja diskreetimine

See kompressiooni tase määrab suuresti JPEG-i olemuse. Pärast värvide konverteerimist YCbCr-ks kompressitakse komponente eraldi, seega saame keskenduda ainult Y-komponendile. Siin on Y-komponendi baitide kuju pärast selle taseme rakendamist.

(Interaktiivne versioon – sisse originaalis artiklid). Interaktiivses versioonis klõpsamine pikslil kerib toimetajat reale, mis seda tähistab. Proovige eemaldada numbreid lõpus või lisada teatud numbrile paar nulli.

Esmapilgul näib, et see on väga halb kompressioon. Pildis on 100 000 pikslit ja nende heledust (Y-komponendid) tähistamiseks on vaja 102 400 numbrit — see on halvem kui kui mitte midagi kokku suruda!

Kuid pidage meeles, et enamik neist numbritest on nullid. Veelgi enam, kõik need nullid ridade lõpus saab eemaldada, muutes pilti mitte. Järele jääb umbes 26 000 numbrit, mis on peaaegu neli korda vähem!

Sellel tasemel asub malemustrite saladus. Erinevalt teistest nähtud effektidest, ei ole nende mustrite ilmumine viga. Need on kogu pildi ehitusplokid. Igas redigeerija reas on täpselt 64 numbrit, diskreetse kosinustransformatsiooni (DCT) koefitsientidega, mis vastavad 64 ainulaadse mustri intensiivsusele.

Need mustrid moodustuvad koos kosinuse graafikuga. Siin on mõned neist:

8 64 koefitsiendist

Allpool on pilt, mis näitab kõiki 64 mustrit.

(Interaktiivne versioon – sisse originaalis artiklid).

Need mustrid on erilised, kuna need moodustavad 8x8 suuruste piltide aluse. Kui te pole tuttavad lineaarsest algebrast, siis see tähendab, et igasugune 8x8 suurune pilt on saadud nende 64 mustri põhjal. DCT on protsess, kus pildid jagatakse 8x8 plokkideks ja iga plokk muudetakse nende 64 koefitsiendi kombinatsiooniks.

Tundub, et iga pilt saab koosneda 64 kindlast mustrist, on nagu maagia. Kuid see on sama, mis öelda, et iga maa punkt võib olla kirjeldatud kahe numbri – laiuskraadi ja pikkuskraadi [poolkerade tähistamisega / tõlkija märkus]. Me arvame sageli, et maa pind on kahemõõtmeline, seega vajame vaid kahte numbrit. 8x8 pilt sisaldab 64 mõõdet, seega vajame 64 numbrit.

Kuidas see meid tihendamise mõttes aitab, pole selge. Kui meil on vaja 64 numbrit, et esindada 8x8 pilti, miks peaks see meetod olema parem kui lihtsalt salvestada 64 heleduskomponenti? Me teeme seda sama põhjusega, miks muutsime kolm RGB numbrit kolmeks YCbCr numbriks: see võimaldab meil eemaldada vaevu märgatavaid detaile.

Raske on näha, milliseid detaile sel etapil eemaldatakse, kuna JPEG rakendab DCT 8x8 plokkidele. Kuid midagi ei takista meid selle rakendamisest kogu pildile. Nii näeb DCT välja Y komponendi rakendamisel kogu pildile:

Lõpus saab eemaldada üle 60 000 numbrit praktiliselt märkamatute muutustega fotol.

Siiski tasub märkida, et kui me nullime esimesed viis numbrit, on erinevus ilmne.

Numbrid alguses tähendavad madala sageduse muutusi pildis, ja meie silmad tajuvad neid kõige paremini. Numbrid, mis on lähemal lõpus, tähendavad kõrge sageduse muutusi, mida on raskem märgata. Et "näha seda, mis silmale ei paista", saame isoleerida need kõrge sageduse detailid, nullides esimesed 5000 numbrit.

Me näeme kõiki pildi alasid, kus toimuvad suurimad muudatused pikslite vahel. Tõstetakse esile kassi silmad, tema vuntsid, flanelltekid ja varjud vasakus alumises nurgas. Võime minna kaugemale, nullides esimesed 10 000 numbrit:

20 000:

40 000:

60 000:

Need high-frequency JPEG components are removed during compression. Color transformation into DCT coefficients is lossless. Loss occurs at the discretization step, where high-frequency or near-zero values are removed. When you lower the JPEG save quality, the program raises the threshold for the number of values removed, resulting in a smaller file size but making the image more pixelated. This is why the image in the first section, which was 57 times smaller, looked like this. Each 8x8 block was represented by a much smaller number of DCT coefficients compared to the higher quality version.

You can create a cool effect like progressively streaming images. You can display a blurred picture that becomes increasingly detailed as more coefficients are downloaded.

Here, just for curiosity, is what you get using only 24,000 numbers:

Or just 5,000:

Very blurred, but somewhat recognizable!

3. Run-length encoding, delta, and Huffman

Praegu on kõik kompressioonietapid olnud kaotustega. Vastupidiselt, viimane etapp toimub kaotusteta. See ei eemalda teavet, vaid vähendab faili suurust olulisel määral.

Kuidas saab midagi edasi kompressida, visates teavet minema? Kujutage ette, kuidas me kirjeldaksime lihtsat musta ristkülikut 700 x 437.

JPEG kasutab selleks 5000 numbrit, kuid saavutada võiks palju paremaid tulemusi. Kas oskate ette kujutada kodeerimisskeemi, mis kirjeldaks sellist pilti võimalikult väheste baitide arvuga?

Minimaalsed skeemid, mille ma suudasin välja mõelda, kasutavad nelja: kolm värvi tähistamiseks ning neljas – kui palju pikslit on sellise värviga. Ideed korduvate väärtuste sellise kompressimise kohta nimetatakse järjestuste kodeerimiseks. See on kaotusteta, kuna saame taastada kodeeritud andmed algses vormis.

JPEG-faili musta ristkülikuga on palju suurem kui 4 bitti – pidage meeles, et DCT tasemel rakendatakse survet 8x8 pikslite plokkidele. Seetõttu on meil vähemalt üks DCT koefitsient iga 64 piksli kohta. Üks on vajalik, kuna DCT koefitsendi hoidmise asemel, millele järgneb 63 nulli, võimaldab järjestuste kodeerimine meil hoida ühte numbrit ja näidata, et "kõik teised on nullid".

Delta-kodeerimine on tehnika, kus iga bait sisaldab erinevust mõnest väärtusest, mitte absoluutset suurust. Seetõttu muudab teatud baitide redigeerimine kõigi ülejäänud pikslite värvi. Näiteks, selle asemel et hoida

12 13 14 14 14 13 13 14

Me võiksime alustada numbrist 12 ja siis lihtsalt märkida, kui palju tuleb juurde lisada või lahutada, et saada järgmine number. Ja see järjestus delta-kodeerimises näeb välja:

12 1 1 0 0 -1 0 1

Töödeldud andmed ei ole väiksemad kui algsed, kuid nende kokkusurumine on juba kergem. Delta-kodeerimise rakendamine enne järjestuste kodeerimist võib oluliselt aidata, jäädes samal ajal kaotusteta survet kasutavaks.

Delta-kodeerimine on üks väheseid tehnikaid, mida rakendatakse väljaspool 8x8 plokke. 64 DCT koefitsiendist on üks lihtsalt püsiv lainefunktsioon (ühtlane värv). See esindab iga ploki keskmist heledust helivärvi komponentide jaoks või keskmist sinisust Cb komponentide jaoks jne. Iga DCT ploki esimene väärtus nimetatakse DC-väärtuseks ja iga DC-väärtus läbib delta-kodeerimist eelnevate väärtuste suhtes. Seetõttu mõjutab esimese ploki heleduse muutus kõiki plokke.

Viimane mõistatus jääb: kuidas ühe arvu muutmine rikub kogu pildi? Seni pole selliseid omadusi tihendustasemetel olnud. Vastus peitub JPEG päises. Esimene 500 baiti sisaldab pilti puudutavaid metaandmeid – laiust, kõrgust jne, ja seni pole me nendega töötanud.

Pealkirjata on JPEG-i dekodeerimine praktiliselt võimatu (või väga keeruline). See näeks välja nagu ma üritaksin teile maali kirjeldada, olles sunnitud leiutama sõnu, et edasi anda oma mulje. Kirjeldus on tõenäoliselt üsna lühike, kuna ma võin välja mõelda sõnu just selle tähendusega, mida tahan edasi anda, kuid kõigile teistele ei pruugi need mõttekad olla.

Kuigi see kõlab tobedalt, just nii see toimub. Iga JPEG-pilt komprimeeritakse koodidega, mis on spetsiifilised just sellele pildile. Koodide sõnastik hoitakse pealkirjas. Seda tehnikat nimetatakse 'Huffman'i koodiks' ja sõnastik 'Huffman'i tabeliks'. Pealkirjas on tabel tähistatud kahe baitiga – 255 ja seejärel 196. Igal värviko komponendil võib olla oma tabel.

Muutused tabelites mõjutavad iga pilti radikaalselt. Hea näide on vahetada 15. real 1 12 vastu.

See, et juhtub seetõttu, et tabelites on näidatud, kuidas lugeda eraldi bitte. Seni oleme töötanud vaid kümnendkujuliste binaarsete numbritega. Kuid see varjab meist tõsiasja, et kui soovite salvestada numbrit 1 baidis, näeb see välja nagu 00000001, kuna igas baidis peab olema täpselt kaheksa bitti, isegi kui vajate neist ainult ühte.

See on potentsiaalselt suur ruumihäire, kui teil on palju väikeseid numbreid. Huffmani kood on tehnika, mis võimaldab meil leevendada seda nõuet, et iga number peab võtma kaheksa bitti. See tähendab, et kui näete kahte baidi:

234 115

Siis võivad need Huffmani tabeli sõltuvalt tähendada kolme numbrit. Nende väljavõtmiseks peate esmalt jagama need eraldi bittideks:

11101010 01110011

Seejärel pöördume tabeli poole, et mõista, kuidas neid rühmitada. Näiteks võivad need olla esimesed kuus bitti (111010), või 58 kümnendsüsteemis, millele järgneb viis bitti (10011), või 19 ning lõpuks viimased neli bitti (0011), või 3.

Seetõttu on sellel kokkusurumise etapil baitidesse süüvimine väga keeruline. Bait ei esinda seda, mis tundub. Ma ei hakka käesolevas artiklis süvenema tabeli töödetailidesse, kuid materjalide selle teema kohta internetis on piisavalt.

Üks huvitav trikk, mida teades teha, on eraldada pealkiri JPEG-ist ja hoida seda eraldi. Tegu on sisuliselt sellega, et faili saate lugeda ainult teie. Facebook teeb seda, et faile veel rohkem kokku suruda.

Mis veel teha – veidi muuta Huffmani tabelit. Teiste jaoks näeb see välja nagu riknenud pilt. Ja ainult teie teate maagilist varianti selle parandamiseks.

Teeme kokkuvõtte: mida on vaja JPEG-i dekodeerimiseks? Vajalik on:

1. Eemaldada Huffmani tabel (tabelid) pealkirjast ja dekodeerida bitid.
2. Eemaldada diskreetse kosinustransformatsiooni koefitsiendid iga värvikoostisosade ja heleduse jaoks iga 8x8 ploki kohta, tehes inverseeritud seeriapikkuste ja delta kodeerimise ümberprotsessid.
3. Kombineerida kosinusväärtused koefitsiendi põhjal, et saada piksliväärtused iga 8x8 ploki jaoks.
4. Skaala värvikomponente, kui tehti alamdiskreetimine (seda teavet on pealkirjas).
5. Muutke saadud YCbCr väärtused iga pikseli jaoks RGB-ks.
6. Kuva pilt ekraanile!

Tõeliselt tõsine töö lihtsalt kassifoto vaatamiseks! Siiski, mis mulle siin meeldib – on näha, kui inimkeskne JPEG-tehnoloogia on. See põhineb meie tajumise eripäradel, mis võimaldavad saavutada palju paremat tihendust kui tavapärased tehnoloogiad. Ja nüüd, kui mõista, kuidas JPEG töötab, võib kujutada, kuidas neid tehnoloogiaid saaks üle kanda teistesse valdkondadesse. Näiteks võib delta-koodimine videos anda tõsise faili suuruse vähenemise, kuna seal on sageli terveid piirkondi, mis ei muutu kaadrist kaadrisse (näiteks taust).

Artiklis kasutatud kood, on avatud ja sisaldab juhiseid, kuidas asendada pilte enda omadega.

Allikas: habr.com