JPEG ફોર્મેટ કેવી રીતે કામ કરે છે

JPEG છબીઓ આપણા ડિજિટલ જીવનમાં સર્વવ્યાપક છે, પરંતુ જાગૃતિના આ વિનર પાછળ એલ્ગોરિધમ્સ છે જે એવી વિગતોને દૂર કરે છે જે માનવ આંખને સમજી શકાતી નથી. પરિણામ એ સૌથી નાની ફાઇલ કદમાં ઉચ્ચતમ દ્રશ્ય ગુણવત્તા છે - પરંતુ તે બધું બરાબર કેવી રીતે કાર્ય કરે છે? ચાલો જોઈએ કે આપણી આંખો બરાબર શું જોતી નથી!

મિત્રને ફોટો મોકલવાની અને તેઓ કયા ઉપકરણ, બ્રાઉઝર અથવા ઑપરેટિંગ સિસ્ટમનો ઉપયોગ કરી રહ્યાં છે તેની ચિંતા ન કરવાની ક્ષમતાને ધ્યાનમાં લેવી સરળ છે - પરંતુ તે હંમેશા એવું નહોતું. 1980 ના દાયકાની શરૂઆતમાં, કમ્પ્યુટર્સ ડિજિટલ છબીઓને સંગ્રહિત અને પ્રદર્શિત કરી શકતા હતા, પરંતુ આ કરવાની શ્રેષ્ઠ રીત વિશે ઘણા સ્પર્ધાત્મક વિચારો હતા. તમે ફક્ત એક કમ્પ્યુટરથી બીજા કમ્પ્યુટર પર છબી મોકલી શકતા નથી અને આશા રાખી શકો છો કે તે કામ કરશે.

આ સમસ્યાના ઉકેલ માટે, 1986 માં વિશ્વભરના નિષ્ણાતોની એક સમિતિ બનાવવામાં આવી હતી જેને "ફોટોગ્રાફી નિષ્ણાતોનું સંયુક્ત જૂથ» (જોઇન્ટ ફોટોગ્રાફિક એક્સપર્ટ્સ ગ્રૂપ, JPEG), ઇન્ટરનેશનલ ઓર્ગેનાઇઝેશન ફોર સ્ટાન્ડર્ડાઇઝેશન (ISO) અને ઇન્ટરનેશનલ ઇલેક્ટ્રોટેક્નિકલ કમિશન (IEC) વચ્ચે સંયુક્ત પ્રયાસ તરીકે સ્થપાયેલ છે, જેનું મુખ્ય મથક જીનીવા, સ્વિટ્ઝર્લેન્ડમાં છે.

JPEG નામના લોકોના જૂથે 1992 માં JPEG ડિજિટલ ઇમેજ કમ્પ્રેશન સ્ટાન્ડર્ડ બનાવ્યું. કોઈપણ જેણે ઈન્ટરનેટનો ઉપયોગ કર્યો હોય તેણે કદાચ JPEG એન્કોડેડ ઈમેજોનો સામનો કર્યો હોય. છબીઓને એન્કોડ કરવાની, મોકલવાની અને સ્ટોર કરવાની આ સૌથી સામાન્ય રીત છે. વેબ પૃષ્ઠોથી લઈને સોશિયલ મીડિયા પર ઈમેલ સુધી, JPEG નો ઉપયોગ દિવસમાં અબજો વખત થાય છે-વર્ચ્યુઅલ રીતે જ્યારે પણ આપણે કોઈ છબી ઓનલાઈન જોઈએ છીએ અથવા મોકલીએ છીએ. JPEG વિના, વેબ ઓછું રંગીન, ધીમું અને કદાચ ઓછા બિલાડીના ચિત્રો હશે!

આ લેખ JPEG છબીને કેવી રીતે ડીકોડ કરવી તે વિશે છે. બીજા શબ્દોમાં કહીએ તો, કમ્પ્યુટર પર સંગ્રહિત સંકુચિત ડેટાને સ્ક્રીન પર દેખાતી ઇમેજમાં કન્વર્ટ કરવા માટે શું જરૂરી છે. આ જાણવું યોગ્ય છે, માત્ર એટલા માટે જ નહીં કે આપણે દરરોજ જે ટેક્નોલોજીનો ઉપયોગ કરીએ છીએ તે સમજવું અગત્યનું છે, પણ એ પણ કારણ કે કમ્પ્રેશન લેવલને અનલૉક કરીને, આપણે ધારણા અને દ્રષ્ટિ વિશે વધુ જાણીએ છીએ અને આપણી આંખો કઈ વિગતો પ્રત્યે સૌથી વધુ સંવેદનશીલ છે.

વધુમાં, આ રીતે છબીઓ સાથે રમવું ખૂબ જ રસપ્રદ છે.

JPEG ની અંદર જોઈએ છીએ

કમ્પ્યુટર પર, બધું બાઈનરી નંબરોના ક્રમ તરીકે સંગ્રહિત થાય છે. સામાન્ય રીતે આ બિટ્સ, શૂન્ય અને એક, બાઇટ્સ બનાવવા માટે આઠના જૂથમાં જૂથબદ્ધ કરવામાં આવે છે. જ્યારે તમે કમ્પ્યુટર પર JPEG ઇમેજ ખોલો છો, ત્યારે કંઈક (બ્રાઉઝર, ઑપરેટિંગ સિસ્ટમ, બીજું કંઈક) બાઇટ્સ ડીકોડ કરવું આવશ્યક છે, જે પ્રદર્શિત થઈ શકે તેવા રંગોની સૂચિ તરીકે મૂળ છબીને પુનઃસ્થાપિત કરે છે.

જો તમે આ સ્વીટ ડાઉનલોડ કરો એક બિલાડીનો ફોટો અને તેને ટેક્સ્ટ એડિટરમાં ખોલો, તમે અસંગત અક્ષરોનો સમૂહ જોશો.

અહીં હું ફાઈલની સામગ્રીની તપાસ કરવા માટે Notepad++ નો ઉપયોગ કરી રહ્યો છું, કારણ કે Windows પર Notepad જેવા નિયમિત ટેક્સ્ટ એડિટર્સ સેવ કર્યા પછી બાઈનરી ફાઈલને બગડે છે અને તે JPEG ફોર્મેટને સંતુષ્ટ કરશે નહીં.

વર્ડ પ્રોસેસરમાં ઈમેજ ખોલવાથી કોમ્પ્યુટર ગૂંચવાઈ જાય છે, જેમ તમે તમારા મગજને મૂંઝવણમાં મુકો છો જ્યારે તમે તમારી આંખોને ઘસશો અને રંગના ફોલ્લીઓ જોવાનું શરૂ કરો છો!

તમે જુઓ છો આ સ્થળો તરીકે ઓળખાય છે ફોસ્ફેન્સ, અને તે પ્રકાશ ઉત્તેજના અથવા મન દ્વારા ઉત્પન્ન થયેલ આભાસનું પરિણામ નથી. તે થાય છે કારણ કે તમારું મગજ વિચારે છે કે ઓપ્ટિક ચેતામાં કોઈપણ વિદ્યુત સંકેતો પ્રકાશ વિશે માહિતી આપે છે. મગજને આ ધારણાઓ કરવાની જરૂર છે કારણ કે સંકેત એ ધ્વનિ છે, દ્રષ્ટિ છે કે બીજું કંઈક છે તે જાણવાની કોઈ રીત નથી. શરીરની તમામ ચેતા બરાબર સમાન વિદ્યુત આવેગ પ્રસારિત કરે છે. તમારી આંખો પર દબાણ લાગુ કરીને, તમે એવા સંકેતો મોકલો છો જે દ્રશ્ય નથી, પરંતુ આંખના રીસેપ્ટર્સને સક્રિય કરે છે, જેનું તમારું મગજ અર્થઘટન કરે છે - આ કિસ્સામાં, ખોટી રીતે - કંઈક દ્રશ્ય તરીકે. તમે શાબ્દિક દબાણ જોઈ શકો છો!

મગજ માટે કમ્પ્યુટર્સ કેટલા સમાન છે તે વિશે વિચારવું રમુજી છે, પરંતુ તે કેવી રીતે અર્થઘટન કરવામાં આવે છે તેના પર આધાર રાખે છે કે ડેટાનો કેટલો અર્થ થાય છે - તે ચેતા દ્વારા શરીરમાં વહન કરવામાં આવે છે અથવા કમ્પ્યુટર પર સંગ્રહિત છે તે સમજાવવા માટે તે એક ઉપયોગી સાદ્રશ્ય છે. તમામ દ્વિસંગી ડેટા XNUMXs અને XNUMXs થી બનેલો છે, મૂળભૂત ઘટકો જે કોઈપણ પ્રકારની માહિતી પહોંચાડી શકે છે. તમારું કમ્પ્યુટર ઘણીવાર ફાઇલ એક્સ્ટેંશન જેવા સંકેતોનો ઉપયોગ કરીને તેનું અર્થઘટન કેવી રીતે કરવું તે શોધી કાઢે છે. હવે અમે તેને ટેક્સ્ટ તરીકે અર્થઘટન કરવા દબાણ કરીએ છીએ, કારણ કે ટેક્સ્ટ એડિટર તેની અપેક્ષા રાખે છે.

JPEG ને કેવી રીતે ડીકોડ કરવું તે સમજવા માટે, આપણે મૂળ સિગ્નલો - બાઈનરી ડેટા જોવાની જરૂર છે. આ હેક્સાડેસિમલ એડિટરનો ઉપયોગ કરીને અથવા સીધા ચાલુ કરી શકાય છે મૂળ લેખ વેબ પૃષ્ઠ! ત્યાં એક છબી છે, જેની બાજુમાં ટેક્સ્ટ ફીલ્ડમાં તેના તમામ બાઇટ્સ છે (હેડર સિવાય), દશાંશ સ્વરૂપમાં પ્રસ્તુત છે. તમે તેમને બદલી શકો છો, અને સ્ક્રિપ્ટ ફરીથી એન્કોડ કરશે અને ફ્લાય પર નવી છબી બનાવશે.

તમે ફક્ત આ સંપાદક સાથે રમીને ઘણું શીખી શકો છો. ઉદાહરણ તરીકે, શું તમે કહી શકો છો કે પિક્સેલ કયા ક્રમમાં સંગ્રહિત છે?

આ ઉદાહરણની વિચિત્ર વાત એ છે કે અમુક નંબરો બદલવાથી ઈમેજ પર બિલકુલ અસર થતી નથી, પરંતુ, ઉદાહરણ તરીકે, જો તમે પહેલી લીટીમાં નંબર 17 ને 0 થી બદલો છો, તો ફોટો સંપૂર્ણપણે બરબાદ થઈ જશે!

અન્ય ફેરફારો, જેમ કે 7 ઓન લાઇન 1988 ને 254 નંબર સાથે બદલવાથી, રંગ બદલાય છે, પરંતુ માત્ર અનુગામી પિક્સેલનો.

કદાચ સૌથી વિચિત્ર બાબત એ છે કે કેટલીક સંખ્યાઓ માત્ર રંગ જ નહીં, પણ છબીનો આકાર પણ બદલી નાખે છે. 70 ને લાઇન 12 થી 2 માં બદલો અને મારો અર્થ શું છે તે જોવા માટે છબીની ટોચની પંક્તિ જુઓ.

અને તમે ગમે તે JPEG ઈમેજનો ઉપયોગ કરો છો, બાઈટ સંપાદિત કરતી વખતે તમને હંમેશા આ રહસ્યમય ચેસ પેટર્ન મળશે.

સંપાદક સાથે રમતી વખતે, આ બાઈટમાંથી ફોટો કેવી રીતે ફરીથી બનાવવામાં આવે છે તે સમજવું મુશ્કેલ છે, કારણ કે JPEG કમ્પ્રેશનમાં ત્રણ અલગ-અલગ તકનીકોનો સમાવેશ થાય છે, જે સ્તરોમાં અનુક્રમે લાગુ પડે છે. અમે જોઈ રહ્યાં છીએ તે રહસ્યમય વર્તનને ઉજાગર કરવા માટે અમે દરેકનો અલગથી અભ્યાસ કરીશું.

JPEG કમ્પ્રેશનના ત્રણ સ્તરો:

1. રંગ સબસેમ્પલિંગ.
2. ડિસ્ક્રીટ કોસાઇન ટ્રાન્સફોર્મ અને સેમ્પલિંગ.
3. લંબાઈ એન્કોડિંગ ચલાવો, ડેલ્ટા и હફમેન

તમને કમ્પ્રેશનની તીવ્રતાનો ખ્યાલ આપવા માટે, નોંધ લો કે ઉપરની છબી 79 સંખ્યાઓ અથવા લગભગ 819 KB દર્શાવે છે. જો આપણે તેને કમ્પ્રેશન વિના સંગ્રહિત કરીએ, તો દરેક પિક્સેલને ત્રણ નંબરની જરૂર પડશે - લાલ, લીલા અને વાદળી ઘટકો માટે. આની રકમ 79 નંબરો અથવા આશરે હશે. 917 KB. JPEG કમ્પ્રેશનના પરિણામે, અંતિમ ફાઇલમાં 700 ગણો કરતાં વધુ ઘટાડો થયો હતો!

હકીકતમાં, આ છબી વધુ સંકુચિત કરી શકાય છે. નીચે બે ઇમેજ સાથે-સાથે છે - જમણી બાજુનો ફોટો 16 KB સુધી સંકુચિત કરવામાં આવ્યો છે, એટલે કે, અનકમ્પ્રેસ્ડ વર્ઝન કરતાં 57 ગણો નાનો!

જો તમે નજીકથી જોશો, તો તમે જોશો કે આ છબીઓ સમાન નથી. તે બંને JPEG કમ્પ્રેશન સાથેની છબીઓ છે, પરંતુ જમણી એક વોલ્યુમમાં ઘણી નાની છે. તે થોડું ખરાબ પણ લાગે છે (બેકગ્રાઉન્ડ કલર ચોરસ જુઓ). તેથી જ JPEG ને લોસી કમ્પ્રેશન પણ કહેવાય છે; કમ્પ્રેશન પ્રક્રિયા દરમિયાન, છબી બદલાય છે અને કેટલીક વિગતો ગુમાવે છે.

1. રંગ સબસેમ્પલિંગ

અહીં માત્ર પ્રથમ સ્તરના કમ્પ્રેશન સાથેની છબી છે.

(ઇન્ટરેક્ટિવ સંસ્કરણ - માં મૂળ લેખો). એક નંબર દૂર કરવાથી તમામ રંગો નાશ પામે છે. જો કે, જો બરાબર છ નંબરો દૂર કરવામાં આવે, તો તેની છબી પર વર્ચ્યુઅલ રીતે કોઈ અસર થતી નથી.

હવે નંબરો ડિસિફર કરવા માટે થોડી સરળ છે. આ રંગોની લગભગ એક સરળ સૂચિ છે, જેમાં દરેક બાઈટ બરાબર એક પિક્સેલ બદલે છે, પરંતુ તે જ સમયે તે પહેલાથી જ અસંકુચિત છબીના અડધા કદની છે (જે આ ઘટાડેલા કદમાં લગભગ 300 KB લેશે). તમે શા માટે અનુમાન કરી શકો છો?

તમે જોઈ શકો છો કે આ સંખ્યાઓ પ્રમાણભૂત લાલ, લીલા અને વાદળી ઘટકોનું પ્રતિનિધિત્વ કરતી નથી, કારણ કે જો આપણે બધી સંખ્યાઓને શૂન્યથી બદલીશું, તો આપણને લીલી છબી (સફેદને બદલે) મળશે.

આ એટલા માટે છે કારણ કે આ બાઇટ્સ Y (તેજ) માટે વપરાય છે,

સીબી (રિલેટિવ બ્લ્યુનેસ),

અને Cr (સાપેક્ષ લાલાશ) ચિત્રો.

શા માટે RGB નો ઉપયોગ કરશો નહીં? છેવટે, મોટાભાગની આધુનિક સ્ક્રીનો આ રીતે કાર્ય કરે છે. તમારું મોનિટર દરેક પિક્સેલ માટે અલગ-અલગ તીવ્રતા સાથે લાલ, લીલો અને વાદળી સહિત કોઈપણ રંગ પ્રદર્શિત કરી શકે છે. સફેદ રંગ ત્રણેયને સંપૂર્ણ તેજ પર ચાલુ કરીને અને કાળો રંગ તેમને બંધ કરીને મેળવવામાં આવે છે.

આ પણ માનવ આંખ કેવી રીતે કામ કરે છે તેના જેવું જ છે. આપણી આંખોમાં રંગ રીસેપ્ટર્સ કહેવામાં આવે છે "શંકુ", અને ત્રણ પ્રકારમાં વિભાજિત કરવામાં આવે છે, જેમાંથી દરેક લાલ, લીલો અથવા વાદળી રંગો માટે વધુ સંવેદનશીલ હોય છે [એસ-પ્રકારના શંકુ વાયોલેટ-વાદળીમાં સંવેદનશીલ હોય છે (અંગ્રેજી શોર્ટ - શોર્ટ-વેવ સ્પેક્ટ્રમમાંથી S), એમ. -પ્રકાર - લીલા-પીળામાં (અંગ્રેજી માધ્યમમાંથી M - મધ્યમ-તરંગ), અને L-પ્રકાર - પીળા-લાલ (અંગ્રેજી લોંગમાંથી એલ - લોંગ-વેવ) સ્પેક્ટ્રમના ભાગોમાં. આ ત્રણ પ્રકારના શંકુની હાજરી (અને સળિયા, જે સ્પેક્ટ્રમના નીલમણિ લીલા ભાગમાં સંવેદનશીલ હોય છે) વ્યક્તિને રંગીન દ્રષ્ટિ આપે છે. / આશરે. અનુવાદ.] લાકડીઓ, અમારી આંખોમાં ફોટોરિસેપ્ટરનો બીજો પ્રકાર, તેજમાં ફેરફાર શોધવા માટે સક્ષમ છે, પરંતુ રંગ પ્રત્યે વધુ સંવેદનશીલ છે. આપણી આંખોમાં લગભગ 120 મિલિયન સળિયા અને માત્ર 6 મિલિયન શંકુ છે.

તેથી જ આપણી આંખો રંગમાં ફેરફાર કરતાં તેજમાં થતા ફેરફારોને શોધવામાં વધુ સારી છે. જો તમે રંગને તેજથી અલગ કરો છો, તો તમે થોડો રંગ દૂર કરી શકો છો અને કોઈને કંઈપણ ધ્યાનમાં આવશે નહીં. ક્રોમા સબસેમ્પલિંગ એ લ્યુમિનન્સ ઘટકો કરતાં ઓછા રીઝોલ્યુશન પર છબીના રંગ ઘટકોને રજૂ કરવાની પ્રક્રિયા છે. ઉપરના ઉદાહરણમાં, દરેક પિક્સેલમાં બરાબર એક Y ઘટક હોય છે, અને ચાર પિક્સેલના દરેક વ્યક્તિગત જૂથમાં બરાબર એક Cb અને એક Cr ઘટક હોય છે. તેથી, છબી મૂળ કરતાં ચાર ગણી ઓછી રંગ માહિતી ધરાવે છે.

YCbCr કલર સ્પેસનો ઉપયોગ માત્ર JPEGમાં જ થતો નથી. તે મૂળરૂપે ટેલિવિઝન કાર્યક્રમો માટે 1938 માં શોધાયું હતું. દરેક પાસે રંગીન ટીવી હોતું નથી, તેથી રંગ અને તેજને અલગ કરવાથી દરેકને સમાન સિગ્નલ મળે છે, અને રંગ વગરના ટીવીમાં ફક્ત તેજ ઘટકનો ઉપયોગ થાય છે.

તેથી સંપાદકમાંથી એક નંબરને દૂર કરવાથી તમામ રંગો સંપૂર્ણપણે નાશ પામે છે. ઘટકો YYYY Cb Cr સ્વરૂપમાં સંગ્રહિત થાય છે (હકીકતમાં, તે ક્રમમાં જરૂરી નથી - સ્ટોરેજ ઓર્ડર ફાઇલ હેડરમાં ઉલ્લેખિત છે). પ્રથમ નંબરને દૂર કરવાથી Cb નું પ્રથમ મૂલ્ય Y, Cr Cb તરીકે જોવામાં આવશે અને સામાન્ય રીતે તમારી પાસે ડોમિનો ઇફેક્ટ હશે જે ચિત્રના તમામ રંગોને સ્વિચ કરે છે.

JPEG સ્પષ્ટીકરણ તમને YCbCr નો ઉપયોગ કરવા દબાણ કરતું નથી. પરંતુ મોટાભાગની ફાઇલો તેનો ઉપયોગ કરે છે કારણ કે તે RGB કરતાં વધુ સારી ડાઉનસેમ્પલ ઈમેજીસ બનાવે છે. પરંતુ તમારે તેના માટે મારી વાત લેવાની જરૂર નથી. RGB અને YCbCr બંનેમાં દરેક વ્યક્તિગત ઘટકનું સબસેમ્પલિંગ કેવું દેખાશે તે નીચેના કોષ્ટકમાં તમારા માટે જુઓ.

(ઇન્ટરેક્ટિવ સંસ્કરણ - માં મૂળ લેખો).

વાદળી દૂર કરવી એ લાલ કે લીલા રંગની જેમ ધ્યાનપાત્ર નથી. તે તમારી આંખોમાં છ મિલિયન શંકુને કારણે છે, લગભગ 64% લાલ, 32% લીલા અને 2% વાદળી પ્રત્યે સંવેદનશીલ છે.

Y ઘટકનું ડાઉનસેમ્પલિંગ (નીચે ડાબે) શ્રેષ્ઠ રીતે જોવામાં આવે છે. એક નાનો ફેરફાર પણ નોંધનીય છે.

છબીને RGB થી YCbCr માં રૂપાંતરિત કરવાથી ફાઇલનું કદ ઘટતું નથી, પરંતુ તે દૂર કરી શકાય તેવી ઓછી દૃશ્યમાન વિગતો શોધવાનું સરળ બનાવે છે. બીજા તબક્કામાં નુકસાનકારક સંકોચન થાય છે. તે વધુ સંકુચિત સ્વરૂપમાં ડેટા પ્રસ્તુત કરવાના વિચાર પર આધારિત છે.

2. ડિસ્ક્રીટ કોસાઇન ટ્રાન્સફોર્મ અને સેમ્પલિંગ

સંકોચનનું આ સ્તર, મોટાભાગે, જેપીઇજી વિશે શું છે. રંગોને YCbCr માં રૂપાંતરિત કર્યા પછી, ઘટકો વ્યક્તિગત રીતે સંકુચિત થાય છે, તેથી અમે પછી ફક્ત Y ઘટક પર ધ્યાન કેન્દ્રિત કરી શકીએ છીએ. અને આ સ્તરને લાગુ કર્યા પછી Y ઘટક બાઈટ કેવા દેખાય છે તે અહીં છે.

(ઇન્ટરેક્ટિવ સંસ્કરણ - માં મૂળ લેખો). ઇન્ટરેક્ટિવ વર્ઝનમાં, પિક્સેલ પર ક્લિક કરવાથી એડિટર તેને રજૂ કરતી લાઇન પર સ્ક્રોલ કરે છે. છેડેથી સંખ્યાઓને દૂર કરવાનો અથવા ચોક્કસ સંખ્યામાં થોડા શૂન્ય ઉમેરવાનો પ્રયાસ કરો.

પ્રથમ નજરમાં, તે ખૂબ જ ખરાબ સંકોચન જેવું લાગે છે. એક ઈમેજમાં 100 પિક્સેલ્સ હોય છે, અને તેની તેજસ્વીતા (Y- ઘટકો) દર્શાવવા માટે 000 નંબરો લે છે - જે કંઈપણ સંકુચિત કરવા કરતાં ખરાબ છે!

જો કે, નોંધ કરો કે આમાંની મોટાભાગની સંખ્યા શૂન્ય છે. તદુપરાંત, લીટીઓના અંતે તે બધા શૂન્યને છબી બદલ્યા વિના દૂર કરી શકાય છે. લગભગ 26 નંબરો બાકી છે, અને આ લગભગ 000 ગણા ઓછા છે!

આ સ્તરમાં ચેસની પેટર્નનું રહસ્ય સમાયેલું છે. અમે જોયેલી અન્ય અસરોથી વિપરીત, આ પેટર્નનો દેખાવ કોઈ ખામી નથી. તેઓ સમગ્ર ઈમેજના બિલ્ડીંગ બ્લોક્સ છે. સંપાદકની દરેક લાઇનમાં બરાબર 64 નંબરો, 64 અનન્ય પેટર્નની તીવ્રતાને અનુરૂપ ડિસ્ક્રીટ કોસાઇન ટ્રાન્સફોર્મ (DCT) ગુણાંક હોય છે.

આ પેટર્ન કોસાઇન પ્લોટ પર આધારિત છે. તેમાંથી કેટલાક કેવા દેખાય છે તે અહીં છે:

8 મતભેદમાંથી 64

નીચે તમામ 64 પેટર્ન દર્શાવતી એક છબી છે.

(ઇન્ટરેક્ટિવ સંસ્કરણ - માં મૂળ લેખો).

આ પેટર્નનું વિશેષ મહત્વ છે કારણ કે તે 8x8 ઈમેજનો આધાર બનાવે છે. જો તમે રેખીય બીજગણિતથી અજાણ છો, તો તેનો અર્થ એ છે કે આ 8 પેટર્નમાંથી કોઈપણ 8x64 ઇમેજ બનાવી શકાય છે. ડીસીટી એ છબીઓને 8x8 બ્લોકમાં વિભાજીત કરવાની અને દરેક બ્લોકને આ 64 ગુણાંકના સંયોજનમાં રૂપાંતરિત કરવાની પ્રક્રિયા છે.

તે જાદુ જેવું લાગે છે કે કોઈપણ છબી 64 વિશિષ્ટ પેટર્નથી બનેલી હોઈ શકે છે. જો કે, આ એ કહેવા જેવું જ છે કે પૃથ્વી પરની કોઈપણ જગ્યાને બે સંખ્યાઓ દ્વારા વર્ણવી શકાય છે - અક્ષાંશ અને રેખાંશ [ગોળાર્ધ / આશરે સૂચવે છે. અનુવાદ.] આપણે ઘણીવાર પૃથ્વીની સપાટીને દ્વિ-પરિમાણીય તરીકે વિચારીએ છીએ, તેથી આપણને ફક્ત બે સંખ્યાઓની જરૂર છે. 8x8 ઇમેજમાં 64 પરિમાણ હોય છે, તેથી અમને 64 સંખ્યાઓની જરૂર છે.

સંકોચનની દ્રષ્ટિએ આ અમને કેવી રીતે મદદ કરે છે તે હજુ સુધી સ્પષ્ટ નથી. જો આપણને 64x8 ઇમેજને રજૂ કરવા માટે 8 નંબરોની જરૂર હોય, તો આ ફક્ત 64 બ્રાઇટનેસ ઘટકોને સ્ટોર કરવા કરતાં શા માટે વધુ સારું રહેશે? અમે આ એ જ કારણસર કરીએ છીએ કે અમે ત્રણ RGB નંબરોને ત્રણ YCbCr નંબરોમાં ફેરવ્યા છે: તે અમને સૂક્ષ્મ વિગતો દૂર કરવાની મંજૂરી આપે છે.

આ તબક્કે બરાબર કઈ વિગતો દૂર કરવામાં આવે છે તે જોવું મુશ્કેલ છે કારણ કે JPEG 8x8 બ્લોક્સ પર DCT લાગુ કરે છે. જો કે, આખા ચિત્રમાં તેને લાગુ કરવા માટે કોઈ અમને મનાઈ કરતું નથી. આખા ચિત્ર પર લાગુ Y ઘટક માટે DCT કેવો દેખાય છે તે અહીં છે:

60 થી વધુ નંબરો ફોટામાં વર્ચ્યુઅલ રીતે કોઈ ધ્યાનપાત્ર ફેરફારો સાથે અંતથી દૂર કરી શકાય છે.

જો કે, નોંધ કરો કે જો આપણે પ્રથમ પાંચ સંખ્યાઓને શૂન્ય કરીએ, તો તફાવત સ્પષ્ટ થશે.

શરૂઆતમાં સંખ્યાઓ ઇમેજમાં ઓછી આવર્તન ફેરફારો દર્શાવે છે, જે અમારી આંખો શ્રેષ્ઠ રીતે પસંદ કરે છે. અંત તરફની સંખ્યાઓ ઉચ્ચ ફ્રીક્વન્સીઝમાં ફેરફારો સૂચવે છે જે નોંધવું વધુ મુશ્કેલ છે. "આંખ શું જોઈ શકતી નથી તે જોવા" માટે, અમે પ્રથમ 5000 નંબરોને શૂન્ય કરીને આ ઉચ્ચ આવર્તન વિગતોને અલગ કરી શકીએ છીએ.

અમે છબીના તમામ ક્ષેત્રો જોઈએ છીએ જ્યાં પિક્સેલથી પિક્સેલ સુધી સૌથી વધુ ફેરફાર થાય છે. બિલાડીની આંખો, તેના મૂછો, ટેરી ધાબળો અને નીચલા ડાબા ખૂણામાં પડછાયાઓ બહાર આવે છે. તમે પહેલા 10 નંબરોને શૂન્ય કરીને આગળ જઈ શકો છો:

20:

40:

60:

આ ઉચ્ચ-આવર્તન વિગતોને સંકોચન તબક્કા દરમિયાન JPEG દ્વારા દૂર કરવામાં આવે છે. રંગોને DCT ગુણાંકમાં રૂપાંતરિત કરવામાં કોઈ નુકસાન નથી. નુકશાન સેમ્પલિંગ સ્ટેપ પર થાય છે, જ્યાં ઉચ્ચ-આવર્તન અથવા લગભગ-શૂન્ય મૂલ્યો દૂર કરવામાં આવે છે. જ્યારે તમે JPEG સેવિંગ ક્વૉલિટી ઓછી કરો છો, ત્યારે પ્રોગ્રામ હટાવવામાં આવેલા મૂલ્યોની સંખ્યા માટે થ્રેશોલ્ડ વધારે છે, જે ફાઇલનું કદ ઘટાડે છે, પરંતુ ચિત્રને વધુ પિક્સલેટેડ બનાવે છે. તેથી જ પ્રથમ વિભાગની છબી, જે 57 ગણી નાની હતી, આના જેવી દેખાતી હતી. દરેક 8x8 બ્લોકને ઉચ્ચ ગુણવત્તાવાળા સંસ્કરણની તુલનામાં ઘણા ઓછા DCT ગુણાંક દ્વારા રજૂ કરવામાં આવ્યા હતા.

તમે છબીઓના ક્રમિક સ્ટ્રીમિંગ જેવી ઠંડી અસર બનાવી શકો છો. તમે એક અસ્પષ્ટ ચિત્ર પ્રદર્શિત કરી શકો છો જે વધુ અને વધુ ગુણાંક ડાઉનલોડ થતાં વધુને વધુ વિગતવાર બને છે.

અહીં, માત્ર મનોરંજન માટે, તમે માત્ર 24 નંબરોનો ઉપયોગ કરીને મેળવો છો:

અથવા માત્ર 5000:

ખૂબ જ અસ્પષ્ટ, પરંતુ કોઈક રીતે ઓળખી શકાય તેવું!

3. લંબાઈ એન્કોડિંગ, ડેલ્ટા અને હફમેન ચલાવો

અત્યાર સુધી, સંકોચનના તમામ તબક્કાઓ નુકસાનકારક છે. છેલ્લો તબક્કો, તેનાથી વિપરીત, નુકસાન વિના આગળ વધે છે. તે માહિતીને કાઢી નાખતું નથી, પરંતુ તે ફાઇલનું કદ નોંધપાત્ર રીતે ઘટાડે છે.

માહિતીને ફેંકી દીધા વિના તમે કંઈક કેવી રીતે સંકુચિત કરી શકો છો? કલ્પના કરો કે આપણે સાદા કાળા લંબચોરસ 700 x 437નું કેવી રીતે વર્ણન કરીશું.

JPEG આ માટે 5000 નંબરનો ઉપયોગ કરે છે, પરંતુ વધુ સારા પરિણામો મેળવી શકાય છે. શું તમે એવી એન્કોડિંગ સ્કીમની કલ્પના કરી શકો છો કે જે આવી ઇમેજને શક્ય તેટલા ઓછા બાઈટમાં વર્ણવે?

હું જે ન્યૂનતમ સ્કીમ સાથે આવી શકું છું તે ચારનો ઉપયોગ કરે છે: રંગને દર્શાવવા માટે ત્રણ, અને ચોથું એ દર્શાવવા માટે કે તે રંગમાં કેટલા પિક્સેલ્સ છે. આ કન્ડેન્સ્ડ રીતે પુનરાવર્તિત મૂલ્યોનું પ્રતિનિધિત્વ કરવાના વિચારને રન-લેન્થ એન્કોડિંગ કહેવામાં આવે છે. તે લોસલેસ છે કારણ કે અમે એન્કોડેડ ડેટાને તેના મૂળ સ્વરૂપમાં પુનઃસ્થાપિત કરી શકીએ છીએ.

કાળા લંબચોરસ સાથેની JPEG ફાઇલ 4 બાઇટ્સ કરતાં ઘણી મોટી છે - યાદ રાખો કે DCT સ્તરે, 8x8 પિક્સેલ બ્લોક્સ પર કમ્પ્રેશન લાગુ કરવામાં આવે છે. તેથી, ઓછામાં ઓછા, અમને દરેક 64 પિક્સેલ માટે એક DCT ગુણાંકની જરૂર છે. અમને એકની જરૂર છે કારણ કે 63 શૂન્ય પછી એક DCT ગુણાંક સંગ્રહિત કરવાને બદલે, રન લેન્થ એન્કોડિંગ અમને એક નંબર સ્ટોર કરવાની મંજૂરી આપે છે અને સૂચવે છે કે "બીજા બધા શૂન્ય છે."

ડેલ્ટા એન્કોડિંગ એવી તકનીક છે જેમાં દરેક બાઈટ ચોક્કસ મૂલ્યને બદલે અમુક મૂલ્યથી તફાવત ધરાવે છે. તેથી, અમુક બાઈટમાં ફેરફાર કરવાથી અન્ય તમામ પિક્સેલનો રંગ બદલાય છે. ઉદાહરણ તરીકે, સંગ્રહ કરવાને બદલે

12 13 14 14 14 13 13 14

આપણે 12 થી શરૂઆત કરી શકીએ છીએ અને પછી આગળની સંખ્યા મેળવવા માટે આપણે કેટલું ઉમેરવા અથવા બાદબાકી કરવાની જરૂર છે તે ફક્ત સૂચવી શકીએ છીએ. અને ડેલ્ટા કોડિંગમાં આ ક્રમ સ્વરૂપ લે છે:

12 1 1 0 0 -1 0 1

રૂપાંતરિત ડેટા મૂળ ડેટા કરતા નાનો નથી, પરંતુ તેને સંકુચિત કરવું વધુ સરળ છે. રન લેન્થ એન્કોડિંગ પહેલાં ડેલ્ટા એન્કોડિંગ લાગુ કરવું એ લોસલેસ કમ્પ્રેશન હોવા છતાં ઘણી મદદ કરી શકે છે.

ડેલ્ટા કોડિંગ એ 8x8 બ્લોકની બહાર વપરાતી કેટલીક તકનીકોમાંની એક છે. 64 ડીસીટી ગુણાંકમાંથી, એક માત્ર એક સતત વેવ ફંક્શન (સોલિડ કલર) છે. તે લુમા ઘટકો માટે દરેક બ્લોકની સરેરાશ તેજ અથવા Cb ઘટકો માટે સરેરાશ બ્લુનેસ, વગેરેનું પ્રતિનિધિત્વ કરે છે. દરેક ડીસીટી બ્લોકના પ્રથમ મૂલ્યને ડીસી મૂલ્ય કહેવામાં આવે છે, અને દરેક ડીસી મૂલ્ય અગાઉના મુદ્દાઓના સંદર્ભમાં ડેલ્ટા એન્કોડેડ છે. તેથી, પ્રથમ બ્લોકની બ્રાઇટનેસ બદલવાથી તમામ બ્લોક્સને અસર થશે.

અંતિમ રહસ્ય રહે છે: એકવચનને બદલવાથી આખું ચિત્ર કેવી રીતે બગાડે છે? અત્યાર સુધી, કમ્પ્રેશન લેવલમાં આવા ગુણધર્મો નથી. જવાબ JPEG હેડરમાં રહેલો છે. પ્રથમ 500 બાઇટ્સ ઇમેજ વિશે મેટાડેટા ધરાવે છે - પહોળાઈ, ઊંચાઈ, વગેરે, અને અમે હજુ સુધી તેમની સાથે કામ કર્યું નથી.

હેડર વિના JPEG ડીકોડ કરવું લગભગ અશક્ય (અથવા ખૂબ જ મુશ્કેલ) છે. એવું લાગશે કે હું તમને ચિત્રનું વર્ણન કરવાનો પ્રયાસ કરી રહ્યો છું, અને હું મારી છાપ વ્યક્ત કરવા માટે શબ્દોની શોધ કરવાનું શરૂ કરી રહ્યો છું. વર્ણન સંભવતઃ ઘણું સંક્ષિપ્ત હશે, કારણ કે હું જે અર્થ વ્યક્ત કરવા માંગુ છું તે ચોક્કસ અર્થ સાથે હું શબ્દોની શોધ કરી શકું છું, પરંતુ બીજા બધા માટે તેનો અર્થ નથી.

તે મૂર્ખ લાગે છે, પરંતુ તે બરાબર શું થાય છે. દરેક JPEG ઇમેજ તેના માટે વિશિષ્ટ કોડ્સ સાથે સંકુચિત છે. કોડ શબ્દકોશ હેડરમાં સંગ્રહિત છે. આ તકનીકને હફમેન કોડ કહેવામાં આવે છે અને શબ્દભંડોળને હફમેન ટેબલ કહેવામાં આવે છે. હેડરમાં, કોષ્ટકને બે બાઇટ્સ સાથે ચિહ્નિત કરવામાં આવે છે - 255 અને પછી 196. દરેક રંગ ઘટકનું પોતાનું ટેબલ હોઈ શકે છે.

કોષ્ટકોમાં ફેરફારો ધરમૂળથી કોઈપણ છબીને અસર કરશે. 15મી લાઇનને 1માં બદલવાનું એક સારું ઉદાહરણ છે.

આવું થાય છે કારણ કે કોષ્ટકો સ્પષ્ટ કરે છે કે વ્યક્તિગત બિટ્સ કેવી રીતે વાંચવા જોઈએ. અત્યાર સુધી આપણે માત્ર દશાંશ સ્વરૂપમાં દ્વિસંગી સંખ્યાઓ સાથે કામ કર્યું છે. પરંતુ આ આપણાથી એ હકીકત છુપાવે છે કે જો તમે બાઈટમાં નંબર 1 સ્ટોર કરવા માંગતા હો, તો તે 00000001 જેવો દેખાશે, કારણ કે દરેક બાઈટમાં બરાબર આઠ બિટ્સ હોવા જોઈએ, પછી ભલે તેમાંથી માત્ર એકની જરૂર હોય.

જો તમારી પાસે ઘણી નાની સંખ્યાઓ હોય તો આ સંભવિતપણે જગ્યાનો મોટો કચરો છે. હફમેન કોડ એ એક તકનીક છે જે અમને આ જરૂરિયાતને હળવી કરવાની મંજૂરી આપે છે કે દરેક નંબર આઠ બિટ્સ ધરાવે છે. આનો અર્થ એ છે કે જો તમે બે બાઇટ્સ જુઓ છો:

234 115

પછી, હફમેન ટેબલ પર આધાર રાખીને, આ ત્રણ સંખ્યાઓ હોઈ શકે છે. તેમને કાઢવા માટે, તમારે પહેલા તેમને વ્યક્તિગત બિટ્સમાં વિભાજિત કરવાની જરૂર છે:

11101010 01110011

પછી અમે તેમને કેવી રીતે જૂથ બનાવવું તે સમજવા માટે કોષ્ટક જોઈએ. ઉદાહરણ તરીકે, આ પ્રથમ છ બિટ્સ (111010), અથવા દશાંશમાં 58 હોઈ શકે છે, ત્યારબાદ પાંચ બિટ્સ (10011), અથવા 19, અને છેલ્લે છેલ્લા ચાર બિટ્સ (0011), અથવા 3 હોઈ શકે છે.

તેથી, કમ્પ્રેશનના આ તબક્કે બાઇટ્સને સમજવું ખૂબ મુશ્કેલ છે. બાઇટ્સ તેઓ જે દેખાય છે તેનું પ્રતિનિધિત્વ કરતા નથી. હું આ લેખમાં કોષ્ટક સાથે કામ કરવાની વિગતોમાં જઈશ નહીં, પરંતુ સામગ્રી આ મુદ્દા પર ઓનલાઈન પૂરતું છે.

એક રસપ્રદ યુક્તિ તમે આ જ્ઞાન સાથે કરી શકો છો તે છે હેડરને JPEG થી અલગ કરો અને તેને અલગથી સ્ટોર કરો. હકીકતમાં, તે તારણ આપે છે કે ફક્ત તમે જ ફાઇલ વાંચી શકો છો. ફેસબુક ફાઇલોને નાની બનાવવા માટે આવું કરે છે.

બીજું શું કરી શકાય તે છે હફમેન ટેબલમાં થોડો ફેરફાર કરવો. અન્ય લોકો માટે તે તૂટેલા ચિત્ર જેવું દેખાશે. અને માત્ર તમે જ તેને ઠીક કરવાની જાદુઈ રીત જાણશો.

ચાલો સારાંશ આપીએ: તો JPEG ને ડીકોડ કરવા માટે શું જરૂરી છે? જરૂરી:

1. હેડરમાંથી હફમેન કોષ્ટક(કો) બહાર કાઢો અને બિટ્સને ડીકોડ કરો.
2. પ્રત્યેક 8x8 બ્લોક માટે દરેક રંગ અને લ્યુમિનન્સ કમ્પોનન્ટ માટે અલગ કોસાઇન ટ્રાન્સફોર્મ ગુણાંકને બહાર કાઢો, ઇનવર્સ રન-લેન્થ અને ડેલ્ટા એન્કોડિંગ ટ્રાન્સફોર્મ કરે છે.
3. દરેક 8x8 બ્લોક માટે પિક્સેલ મૂલ્યો મેળવવા માટે ગુણાંક પર આધારિત કોસાઇન્સને જોડો.
4. જો સબસેમ્પલિંગ કરવામાં આવ્યું હોય તો રંગ ઘટકોને સ્કેલ કરો (આ માહિતી હેડરમાં છે).
5. દરેક પિક્સેલ માટે પરિણામી YCbCr મૂલ્યોને RGB માં કન્વર્ટ કરો.
6. સ્ક્રીન પર છબી પ્રદર્શિત કરો!

ફક્ત બિલાડી સાથેનો ફોટો જોવા માટે ગંભીર કાર્ય! જો કે, મને તેના વિશે જે ગમે છે તે એ છે કે તે બતાવે છે કે માનવ-કેન્દ્રિત JPEG તકનીક કેવી છે. તે આપણી ધારણાની વિશિષ્ટતાઓ પર આધારિત છે, જે આપણને પરંપરાગત તકનીકો કરતાં વધુ સારી સંકોચન પ્રાપ્ત કરવાની મંજૂરી આપે છે. અને હવે અમે સમજીએ છીએ કે JPEG કેવી રીતે કાર્ય કરે છે, અમે કલ્પના કરી શકીએ છીએ કે આ તકનીકોને અન્ય ક્ષેત્રોમાં કેવી રીતે સ્થાનાંતરિત કરી શકાય છે. ઉદાહરણ તરીકે, વિડિયોમાં ડેલ્ટા એન્કોડિંગ ફાઈલના કદમાં નોંધપાત્ર ઘટાડો પૂરો પાડી શકે છે, કારણ કે ઘણી વખત એવા સમગ્ર વિસ્તારો હોય છે જે ફ્રેમથી ફ્રેમમાં બદલાતા નથી (ઉદાહરણ તરીકે, પૃષ્ઠભૂમિ).

લેખમાં વપરાયેલ કોડ, ખુલ્લું છે, અને તમારા પોતાના ચિત્રોને કેવી રીતે બદલવું તે અંગેની સૂચનાઓ ધરાવે છે.

સોર્સ: www.habr.com