JPEG फॉर्मेट कैसे काम करता है

जेपीईजी छवियां हमारे डिजिटल जीवन में सर्वव्यापी हैं, लेकिन जागरूकता के इस आवरण के पीछे एल्गोरिदम हैं जो उन विवरणों को हटा देते हैं जो मानव आंखों के लिए समझ में नहीं आते हैं। परिणाम सबसे छोटे फ़ाइल आकार में उच्चतम दृश्य गुणवत्ता है - लेकिन यह सब वास्तव में कैसे काम करता है? आइए देखें कि वास्तव में हमारी आंखें क्या नहीं देखतीं!

किसी मित्र को फोटो भेजने की क्षमता को हल्के में लेना आसान है और इस बात की चिंता नहीं करनी चाहिए कि वे किस डिवाइस, ब्राउज़र या ऑपरेटिंग सिस्टम का उपयोग कर रहे हैं - लेकिन हमेशा ऐसा नहीं होता था। 1980 के दशक की शुरुआत तक, कंप्यूटर डिजिटल छवियों को संग्रहीत और प्रदर्शित कर सकते थे, लेकिन ऐसा करने के सर्वोत्तम तरीके के बारे में कई प्रतिस्पर्धी विचार थे। आप केवल एक कंप्यूटर से दूसरे कंप्यूटर पर एक छवि नहीं भेज सकते हैं और आशा करते हैं कि यह काम करेगा।

इस समस्या को हल करने के लिए 1986 में दुनिया भर के विशेषज्ञों की एक समिति बुलाई गई जिसका नाम था "फोटोग्राफी विशेषज्ञों का संयुक्त समूह» (संयुक्त फोटोग्राफिक विशेषज्ञ समूह, जेपीईजी), अंतर्राष्ट्रीय मानकीकरण संगठन (आईएसओ) और अंतर्राष्ट्रीय इलेक्ट्रोटेक्निकल कमीशन (आईईसी) के बीच एक संयुक्त प्रयास के रूप में स्थापित, दो अंतरराष्ट्रीय मानक संगठन जिनका मुख्यालय जिनेवा, स्विट्जरलैंड में है।

JPEG नामक लोगों के एक समूह ने 1992 में JPEG डिजिटल छवि संपीड़न मानक बनाया। जिस किसी ने भी इंटरनेट का उपयोग किया है उसने संभवतः JPEG एन्कोडेड छवियों का सामना किया है। छवियों को एन्कोड करने, भेजने और संग्रहीत करने का यह सबसे आम तरीका है। वेब पेजों से लेकर ईमेल से लेकर सोशल मीडिया तक, JPEG का उपयोग दिन में अरबों बार किया जाता है - वस्तुतः हर बार जब हम कोई छवि ऑनलाइन देखते हैं या भेजते हैं। JPEG के बिना, वेब कम रंगीन, धीमा होगा, और संभवतः कम बिल्ली के चित्र होंगे!

यह आलेख JPEG छवि को डिकोड करने के तरीके के बारे में है। दूसरे शब्दों में, कंप्यूटर पर संग्रहीत संपीड़ित डेटा को स्क्रीन पर दिखाई देने वाली छवि में परिवर्तित करने के लिए क्या आवश्यक है। यह जानने लायक है, न केवल इसलिए कि यह उस तकनीक को समझने के लिए महत्वपूर्ण है जिसका हम हर दिन उपयोग करते हैं, बल्कि इसलिए भी क्योंकि संपीड़न स्तरों को अनलॉक करके, हम धारणा और दृष्टि के बारे में और अधिक सीखते हैं, और हमारी आंखें किन विवरणों के प्रति सबसे अधिक संवेदनशील हैं।

इसके अलावा, इस तरह से छवियों के साथ खेलना बहुत दिलचस्प है।

जेपीईजी के अंदर देख रहे हैं

कंप्यूटर पर, सब कुछ बाइनरी संख्याओं के अनुक्रम के रूप में संग्रहीत किया जाता है। आमतौर पर इन बिट्स, शून्य और एक को बाइट्स बनाने के लिए आठ के समूहों में समूहीकृत किया जाता है। जब आप किसी कंप्यूटर पर JPEG छवि खोलते हैं, तो कुछ (एक ब्राउज़र, एक ऑपरेटिंग सिस्टम, कुछ और) को बाइट्स को डीकोड करना होगा, मूल छवि को प्रदर्शित किए जा सकने वाले रंगों की सूची के रूप में पुनर्स्थापित करना होगा।

यदि आप इस मिठाई को डाउनलोड करते हैं एक बिल्ली की तस्वीर और इसे टेक्स्ट एडिटर में खोलें, आपको असंगत वर्णों का एक समूह दिखाई देगा।

यहां मैं फ़ाइल की सामग्री की जांच करने के लिए नोटपैड++ का उपयोग कर रहा हूं, क्योंकि विंडोज़ पर नोटपैड जैसे नियमित टेक्स्ट संपादक सहेजने के बाद बाइनरी फ़ाइल को दूषित कर देंगे और यह अब जेपीईजी प्रारूप को संतुष्ट नहीं करेगा।

वर्ड प्रोसेसर में एक छवि खोलने से कंप्यूटर भ्रमित हो जाता है, ठीक वैसे ही जैसे जब आप अपनी आँखें रगड़ते हैं और रंग के धब्बे देखना शुरू करते हैं तो आपका मस्तिष्क भ्रमित हो जाता है!

आपके द्वारा देखे जाने वाले ये धब्बे कहलाते हैं phosphenes, और ये किसी हल्की उत्तेजना या मन द्वारा उत्पन्न मतिभ्रम का परिणाम नहीं हैं। वे इसलिए होते हैं क्योंकि आपका मस्तिष्क सोचता है कि ऑप्टिक तंत्रिकाओं में कोई भी विद्युत संकेत प्रकाश के बारे में जानकारी देता है। मस्तिष्क को ये धारणाएँ बनाने की आवश्यकता है क्योंकि यह जानने का कोई तरीका नहीं है कि कोई संकेत ध्वनि है, दृष्टि है या कुछ और है। शरीर की सभी नसें बिल्कुल समान विद्युत आवेग संचारित करती हैं। अपनी आंखों पर दबाव डालकर, आप ऐसे संकेत भेजते हैं जो दृश्य नहीं हैं, लेकिन आंख के रिसेप्टर्स को सक्रिय करते हैं, जिसे आपका मस्तिष्क व्याख्या करता है - इस मामले में, गलत तरीके से - कुछ दृश्य के रूप में। आप सचमुच दबाव देख सकते हैं!

यह सोचना हास्यास्पद है कि कंप्यूटर मस्तिष्क के कितने समान हैं, लेकिन यह यह बताने के लिए एक उपयोगी सादृश्य भी है कि डेटा का अर्थ - चाहे वह तंत्रिकाओं द्वारा शरीर के माध्यम से ले जाया गया हो या कंप्यूटर पर संग्रहीत हो - इस बात पर निर्भर करता है कि इसकी व्याख्या कैसे की जाती है। सभी बाइनरी डेटा XNUMXs और XNUMXs से बने होते हैं, मूल घटक जो किसी भी प्रकार की जानकारी दे सकते हैं। आपका कंप्यूटर अक्सर फ़ाइल एक्सटेंशन जैसे सुरागों का उपयोग करके यह पता लगाता है कि उनकी व्याख्या कैसे की जाए। अब हम उसे पाठ के रूप में व्याख्या करने के लिए बाध्य करते हैं, क्योंकि पाठ संपादक यही अपेक्षा करता है।

जेपीईजी को डिकोड करने के तरीके को समझने के लिए, हमें मूल सिग्नल - बाइनरी डेटा - को स्वयं देखना होगा। यह हेक्साडेसिमल संपादक का उपयोग करके या सीधे किया जा सकता है मूल लेख वेब पेज! एक छवि है, जिसके बगल में टेक्स्ट फ़ील्ड में इसके सभी बाइट्स (हेडर को छोड़कर) दशमलव रूप में प्रस्तुत किए गए हैं। आप उन्हें बदल सकते हैं, और स्क्रिप्ट फिर से एनकोड करेगी और तुरंत एक नई छवि तैयार करेगी।

आप इस संपादक के साथ खेलकर ही बहुत कुछ सीख सकते हैं। उदाहरण के लिए, क्या आप बता सकते हैं कि पिक्सेल किस क्रम में संग्रहीत हैं?

इस उदाहरण के बारे में अजीब बात यह है कि कुछ संख्याओं को बदलने से छवि पर कोई प्रभाव नहीं पड़ता है, लेकिन, उदाहरण के लिए, यदि आप पहली पंक्ति में संख्या 17 को 0 से बदल देते हैं, तो फोटो पूरी तरह से बर्बाद हो जाएगी!

अन्य परिवर्तन, जैसे कि 7 ऑन लाइन 1988 को संख्या 254 से बदलना, रंग बदलता है, लेकिन केवल बाद के पिक्सेल का।

शायद सबसे अजीब बात यह है कि कुछ संख्याएँ न केवल रंग बदलती हैं, बल्कि छवि का आकार भी बदलती हैं। पंक्ति 70 में 12 को 2 में बदलें और छवि की शीर्ष पंक्ति को देखें कि मेरा क्या मतलब है।

और इससे कोई फर्क नहीं पड़ता कि आप किस JPEG छवि का उपयोग करते हैं, बाइट्स संपादित करते समय आपको हमेशा ये रहस्यमय शतरंज पैटर्न मिलेंगे।

संपादक के साथ खेलते समय, यह समझना मुश्किल है कि इन बाइट्स से एक तस्वीर कैसे बनाई जाती है, क्योंकि जेपीईजी संपीड़न में तीन अलग-अलग प्रौद्योगिकियां होती हैं, जो क्रमिक रूप से स्तरों में लागू होती हैं। हम जो रहस्यमय व्यवहार देख रहे हैं उसे उजागर करने के लिए हम प्रत्येक का अलग-अलग अध्ययन करेंगे।

JPEG संपीड़न के तीन स्तर:

1. रंग उपनमूनाकरण.
2. असतत कोसाइन परिवर्तन और नमूनाकरण.
3. लंबाई एन्कोडिंग चलाएँ, डेल्टा и हफ़मैन

आपको संपीड़न की भयावहता का अंदाजा देने के लिए, ध्यान दें कि ऊपर की छवि 79 संख्याओं या लगभग 819 KB का प्रतिनिधित्व करती है। यदि हम इसे संपीड़न के बिना संग्रहीत करते हैं, तो प्रत्येक पिक्सेल को तीन संख्याओं की आवश्यकता होगी - लाल, हरे और नीले घटकों के लिए। यह संख्या 79 या लगभग होगी। 917 केबी. JPEG संपीड़न के परिणामस्वरूप, अंतिम फ़ाइल 700 गुना से अधिक कम हो गई थी!

वास्तव में, इस छवि को बहुत अधिक संपीड़ित किया जा सकता है। नीचे दो छवियां अगल-बगल हैं - दाईं ओर की तस्वीर को 16 केबी तक संपीड़ित किया गया है, यानी, असम्पीडित संस्करण से 57 गुना छोटा!

अगर आप गौर से देखेंगे तो पाएंगे कि ये तस्वीरें एक जैसी नहीं हैं। ये दोनों JPEG कम्प्रेशन वाली छवियां हैं, लेकिन दाईं ओर वाली छवि वॉल्यूम में बहुत छोटी है। यह थोड़ा खराब भी दिखता है (पृष्ठभूमि के रंग वर्गों को देखें)। इसीलिए JPEG को हानिपूर्ण संपीड़न भी कहा जाता है; संपीड़न प्रक्रिया के दौरान, छवि बदल जाती है और कुछ विवरण खो जाते हैं।

1. रंग उपनमूनाकरण

यहां एक छवि है जिसमें केवल प्रथम स्तर का संपीड़न लागू किया गया है।

(इंटरैक्टिव संस्करण - में मूल आलेख). एक अंक को हटाने से सभी रंग नष्ट हो जाते हैं। हालाँकि, यदि बिल्कुल छह संख्याएँ हटा दी जाएँ, तो इसका छवि पर वस्तुतः कोई प्रभाव नहीं पड़ता है।

अब संख्याओं को समझना थोड़ा आसान हो गया है। यह रंगों की लगभग एक सरल सूची है, जिसमें प्रत्येक बाइट बिल्कुल एक पिक्सेल बदलता है, लेकिन साथ ही यह पहले से ही असम्पीडित छवि का आधा आकार है (जो इस कम आकार में लगभग 300 केबी लेगा)। क्या आप अनुमान लगा सकते हैं क्यों?

आप देख सकते हैं कि ये संख्याएँ मानक लाल, हरे और नीले घटकों का प्रतिनिधित्व नहीं करती हैं, क्योंकि यदि हम सभी संख्याओं को शून्य से बदल देते हैं, तो हमें एक हरे रंग की छवि मिलेगी (सफेद के बजाय)।

ऐसा इसलिए है क्योंकि ये बाइट्स Y (चमक) के लिए हैं,

सीबी (सापेक्ष नीलापन),

और सीआर (सापेक्ष लालिमा) चित्र।

आरजीबी का उपयोग क्यों न करें? आख़िरकार, अधिकांश आधुनिक स्क्रीन इसी तरह काम करती हैं। आपका मॉनिटर प्रत्येक पिक्सेल के लिए अलग-अलग तीव्रता के साथ लाल, हरा और नीला सहित कोई भी रंग प्रदर्शित कर सकता है। इन तीनों को पूर्ण चमक पर चालू करने पर सफेद प्राप्त होता है, और उन्हें बंद करने पर काला प्राप्त होता है।

यह भी मानव आंख के काम करने के तरीके के समान ही है। हमारी आंखों में रंग रिसेप्टर्स को "कहा जाता है"शंकु", और तीन प्रकारों में विभाजित हैं, जिनमें से प्रत्येक लाल, हरे या नीले रंग के प्रति अधिक संवेदनशील है [एस-प्रकार के शंकु बैंगनी-नीले रंग में संवेदनशील होते हैं (अंग्रेजी शॉर्ट से एस - शॉर्ट-वेव स्पेक्ट्रम), एम -प्रकार - हरे-पीले रंग में (अंग्रेजी मीडियम से एम - मीडियम-वेव), और एल-प्रकार - स्पेक्ट्रम के पीले-लाल (अंग्रेजी लॉन्ग से एल - लॉन्ग-वेव) भागों में। इन तीन प्रकार के शंकु (और छड़ें, जो स्पेक्ट्रम के पन्ना हरे भाग में संवेदनशील होते हैं) की उपस्थिति व्यक्ति को रंग दृष्टि प्रदान करती है। / लगभग। अनुवाद.] लाठी, हमारी आँखों में एक अन्य प्रकार का फोटोरिसेप्टर, चमक में परिवर्तन का पता लगाने में सक्षम है, लेकिन रंग के प्रति अधिक संवेदनशील है। हमारी आंखों में लगभग 120 मिलियन छड़ें और केवल 6 मिलियन शंकु हैं।

यही कारण है कि हमारी आँखें रंग में परिवर्तन की तुलना में चमक में परिवर्तन का पता लगाने में बहुत बेहतर हैं। यदि आप रंग को चमक से अलग करते हैं, तो आप थोड़ा सा रंग हटा सकते हैं और किसी को कुछ भी नजर नहीं आएगा। क्रोमा सबसैंपलिंग किसी छवि के रंग घटकों को चमक वाले घटकों की तुलना में कम रिज़ॉल्यूशन पर प्रस्तुत करने की प्रक्रिया है। उपरोक्त उदाहरण में, प्रत्येक पिक्सेल में बिल्कुल एक Y घटक होता है, और चार पिक्सेल के प्रत्येक व्यक्तिगत समूह में बिल्कुल एक Cb और एक Cr घटक होता है। इसलिए, छवि में मूल की तुलना में चार गुना कम रंग जानकारी है।

YCbCr कलर स्पेस का उपयोग न केवल JPEG में किया जाता है। इसका आविष्कार मूल रूप से 1938 में टेलीविजन कार्यक्रमों के लिए किया गया था। हर किसी के पास रंगीन टीवी नहीं है, इसलिए रंग और चमक को अलग करने से सभी को एक ही सिग्नल प्राप्त करने की अनुमति मिलती है, और बिना रंग वाले टीवी केवल चमक घटक का उपयोग करते हैं।

इसलिए संपादक से एक नंबर हटाने से सभी रंग पूरी तरह से बर्बाद हो जाते हैं। घटकों को YYYY Cb Cr के रूप में संग्रहीत किया जाता है (वास्तव में, जरूरी नहीं कि उसी क्रम में - भंडारण क्रम फ़ाइल हेडर में निर्दिष्ट है)। पहले नंबर को हटाने से Cb का पहला मान Y, Cr को Cb के रूप में माना जाएगा, और सामान्य तौर पर आपके पास एक डोमिनो प्रभाव होगा जो चित्र के सभी रंगों को बदल देता है।

JPEG विनिर्देश आपको YCbCr का उपयोग करने के लिए बाध्य नहीं करता है। लेकिन अधिकांश फ़ाइलें इसका उपयोग करती हैं क्योंकि यह RGB की तुलना में बेहतर डाउनसैंपल्ड छवियां उत्पन्न करता है। लेकिन आपको इसके लिए मेरी बात मानने की ज़रूरत नहीं है। नीचे दी गई तालिका में स्वयं देखें कि RGB और YCbCr दोनों में प्रत्येक व्यक्तिगत घटक का उप-नमूना कैसा दिखेगा।

(इंटरैक्टिव संस्करण - में मूल लेख)।

नीले रंग का हटना लाल या हरे रंग जितना ध्यान देने योग्य नहीं है। ऐसा इसलिए है क्योंकि आपकी आंखों में मौजूद छह मिलियन शंकुओं में से लगभग 64% लाल, 32% हरे और 2% नीले रंग के प्रति संवेदनशील होते हैं।

Y घटक (नीचे बाईं ओर) का डाउनसैंपलिंग सबसे अच्छी तरह से देखा गया है। यहां तक ​​कि एक छोटा सा बदलाव भी ध्यान देने योग्य है.

किसी छवि को RGB से YCbCr में परिवर्तित करने से फ़ाइल का आकार कम नहीं होता है, लेकिन इससे कम दृश्यमान विवरण ढूंढना आसान हो जाता है जिन्हें हटाया जा सकता है। दूसरे चरण में हानिपूर्ण संपीड़न होता है। यह डेटा को अधिक संपीड़ित रूप में प्रस्तुत करने के विचार पर आधारित है।

2. असतत कोसाइन परिवर्तन और नमूनाकरण

संपीड़न का यह स्तर, अधिकांश भाग के लिए, JPEG के बारे में है। रंगों को YCbCr में परिवर्तित करने के बाद, घटकों को व्यक्तिगत रूप से संपीड़ित किया जाता है, इसलिए हम फिर केवल Y घटक पर ध्यान केंद्रित कर सकते हैं। और इस परत को लागू करने के बाद Y घटक बाइट्स इस तरह दिखते हैं।

(इंटरैक्टिव संस्करण - में मूल लेख)। इंटरैक्टिव संस्करण में, किसी पिक्सेल पर क्लिक करने से संपादक उस पंक्ति पर स्क्रॉल हो जाता है जो उसका प्रतिनिधित्व करती है। अंत से संख्याएँ हटाने का प्रयास करें या किसी निश्चित संख्या में कुछ शून्य जोड़ने का प्रयास करें।

पहली नज़र में, यह बहुत ख़राब संपीड़न जैसा लगता है। एक छवि में 100 पिक्सेल होते हैं, और उनकी चमक (वाई-घटक) को दर्शाने के लिए 000 संख्याओं की आवश्यकता होती है - यह किसी भी चीज़ को संपीड़ित करने से भी बदतर है!

हालाँकि, ध्यान दें कि इनमें से अधिकांश संख्याएँ शून्य हैं। इसके अलावा, पंक्तियों के अंत में मौजूद सभी शून्यों को छवि बदले बिना हटाया जा सकता है। लगभग 26 संख्याएँ शेष हैं, और यह लगभग 000 गुना कम है!

इस स्तर में शतरंज के पैटर्न का रहस्य समाहित है। हमारे द्वारा देखे गए अन्य प्रभावों के विपरीत, इन पैटर्नों की उपस्थिति कोई गड़बड़ी नहीं है। वे संपूर्ण छवि के निर्माण खंड हैं। संपादक की प्रत्येक पंक्ति में ठीक 64 संख्याएँ, 64 अद्वितीय पैटर्न की तीव्रता के अनुरूप असतत कोसाइन ट्रांसफॉर्म (डीसीटी) गुणांक शामिल हैं।

ये पैटर्न कोसाइन प्लॉट के आधार पर बनते हैं। उनमें से कुछ इस प्रकार दिखते हैं:

8 में से 64 संभावनाएँ

नीचे सभी 64 पैटर्न दिखाने वाली एक छवि है।

(इंटरैक्टिव संस्करण - में मूल लेख)।

ये पैटर्न विशेष महत्व के हैं क्योंकि ये 8x8 छवियों का आधार बनते हैं। यदि आप रैखिक बीजगणित से अपरिचित हैं, तो इसका मतलब है कि इन 8 पैटर्न से कोई भी 8x64 छवि बनाई जा सकती है। डीसीटी छवियों को 8x8 ब्लॉकों में विभाजित करने और प्रत्येक ब्लॉक को इन 64 गुणांकों के संयोजन में परिवर्तित करने की प्रक्रिया है।

यह जादू जैसा लगता है कि कोई भी छवि 64 विशिष्ट पैटर्न से बनी हो सकती है। हालाँकि, यह कहने के समान है कि पृथ्वी पर किसी भी स्थान को दो संख्याओं द्वारा वर्णित किया जा सकता है - अक्षांश और देशांतर [गोलार्धों को इंगित करने वाला/लगभग। अनुवाद.] हम अक्सर पृथ्वी की सतह को द्वि-आयामी मानते हैं, इसलिए हमें केवल दो संख्याओं की आवश्यकता है। एक 8x8 छवि में 64 आयाम हैं, इसलिए हमें 64 संख्याओं की आवश्यकता है।

यह अभी तक स्पष्ट नहीं है कि यह संपीड़न के मामले में हमारी कैसे मदद करता है। यदि हमें 64x8 छवि का प्रतिनिधित्व करने के लिए 8 संख्याओं की आवश्यकता है, तो यह केवल 64 चमक घटकों को संग्रहीत करने से बेहतर क्यों होगा? हम ऐसा उसी कारण से करते हैं जिस कारण से हमने तीन RGB संख्याओं को तीन YCbCr संख्याओं में बदल दिया: यह हमें सूक्ष्म विवरण निकालने की अनुमति देता है।

यह देखना मुश्किल है कि इस चरण में वास्तव में कौन सा विवरण हटा दिया गया है क्योंकि JPEG 8x8 ब्लॉकों पर DCT लागू करता है। हालाँकि, कोई भी हमें इसे पूरी तस्वीर पर लागू करने से मना नहीं करता है। संपूर्ण चित्र पर लागू Y घटक के लिए DCT इस प्रकार दिखता है:

फोटो में वस्तुतः कोई ध्यान देने योग्य परिवर्तन किए बिना 60 से अधिक नंबरों को अंत से हटाया जा सकता है।

हालाँकि, ध्यान दें कि यदि हम पहले पाँच नंबरों को शून्य कर दें, तो अंतर स्पष्ट हो जाएगा।

शुरुआत में संख्याएँ छवि में कम आवृत्ति वाले परिवर्तनों को दर्शाती हैं, जिन्हें हमारी आँखें सबसे अच्छे से पकड़ती हैं। अंत में संख्याएँ उच्च आवृत्तियों में परिवर्तन का संकेत देती हैं जिन्हें नोटिस करना अधिक कठिन होता है। "वह देखने के लिए जिसे आँख नहीं देख सकती", हम पहले 5000 संख्याओं को शून्य करके इन उच्च आवृत्ति विवरणों को अलग कर सकते हैं।

हम छवि के सभी क्षेत्रों को देखते हैं जहां पिक्सेल से पिक्सेल तक सबसे बड़ा परिवर्तन होता है। बिल्ली की आँखें, उसकी मूंछें, टेरी कंबल और निचले बाएँ कोने में परछाइयाँ स्पष्ट दिखती हैं। आप पहले 10 नंबरों को शून्य करके आगे बढ़ सकते हैं:

20 000:

40 000:

60 000:

ये उच्च-आवृत्ति विवरण संपीड़न चरण के दौरान JPEG द्वारा हटा दिए जाते हैं। रंगों को DCT गुणांक में परिवर्तित करने में कोई हानि नहीं है। हानि नमूना चरण पर होती है, जहां उच्च-आवृत्ति या लगभग-शून्य मान हटा दिए जाते हैं। जब आप JPEG बचत गुणवत्ता को कम करते हैं, तो प्रोग्राम हटाए गए मानों की संख्या के लिए सीमा बढ़ा देता है, जिससे फ़ाइल का आकार कम हो जाता है, लेकिन चित्र अधिक पिक्सेलयुक्त हो जाता है। इसीलिए पहले खंड की छवि, जो 57 गुना छोटी थी, इस तरह दिखती थी। प्रत्येक 8x8 ब्लॉक को उच्च गुणवत्ता वाले संस्करण की तुलना में बहुत कम डीसीटी गुणांक द्वारा दर्शाया गया था।

आप छवियों की क्रमिक स्ट्रीमिंग जैसा अच्छा प्रभाव बना सकते हैं। आप एक धुंधली तस्वीर प्रदर्शित कर सकते हैं जो अधिक से अधिक गुणांक डाउनलोड होने पर अधिक से अधिक विस्तृत हो जाती है।

यहां, केवल मनोरंजन के लिए, आपको केवल 24 नंबरों का उपयोग करने पर क्या मिलता है:

या सिर्फ 5000:

बहुत धुंधला, लेकिन किसी तरह पहचानने योग्य!

3. रन लेंथ एन्कोडिंग, डेल्टा और हफ़मैन

अब तक, संपीड़न के सभी चरण हानिपूर्ण रहे हैं। इसके विपरीत, अंतिम चरण बिना किसी नुकसान के आगे बढ़ता है। यह जानकारी को हटाता नहीं है, लेकिन यह फ़ाइल आकार को महत्वपूर्ण रूप से कम कर देता है।

जानकारी को फेंके बिना आप किसी चीज़ को कैसे संपीड़ित कर सकते हैं? कल्पना कीजिए कि हम एक साधारण काले आयत 700 x 437 का वर्णन कैसे करेंगे।

JPEG इसके लिए 5000 नंबरों का उपयोग करता है, लेकिन इससे कहीं बेहतर परिणाम प्राप्त किए जा सकते हैं। क्या आप एक एन्कोडिंग योजना की कल्पना कर सकते हैं जो ऐसी छवि का यथासंभव कम बाइट्स में वर्णन करेगी?

मैं जिस न्यूनतम योजना के साथ आ सका, उसमें चार का उपयोग किया गया है: तीन एक रंग का प्रतिनिधित्व करने के लिए, और चौथा यह इंगित करने के लिए कि उस रंग में कितने पिक्सेल हैं। दोहराए गए मानों को इस संक्षिप्त तरीके से प्रस्तुत करने के विचार को रन-लेंथ एन्कोडिंग कहा जाता है। यह हानिरहित है क्योंकि हम एन्कोडेड डेटा को उसके मूल रूप में पुनर्स्थापित कर सकते हैं।

काले आयत वाली JPEG फ़ाइल 4 बाइट्स से बहुत बड़ी होती है - याद रखें कि DCT स्तर पर, संपीड़न 8x8 पिक्सेल ब्लॉक पर लागू होता है। इसलिए, कम से कम, हमें प्रत्येक 64 पिक्सेल के लिए एक डीसीटी गुणांक की आवश्यकता होती है। हमें इसकी आवश्यकता है क्योंकि एक डीसीटी गुणांक को 63 शून्य के बाद संग्रहीत करने के बजाय, रन लेंथ एन्कोडिंग हमें एक संख्या संग्रहीत करने और इंगित करने की अनुमति देती है कि "अन्य सभी शून्य हैं।"

डेल्टा एन्कोडिंग एक ऐसी तकनीक है जिसमें प्रत्येक बाइट में निरपेक्ष मान के बजाय कुछ मान से अंतर होता है। इसलिए, कुछ बाइट्स को संपादित करने से अन्य सभी पिक्सेल का रंग बदल जाता है। उदाहरण के लिए, भंडारण के बजाय

12 13 14 14 14 13 13 14

हम 12 से शुरू कर सकते हैं और फिर बस यह बता सकते हैं कि अगला नंबर पाने के लिए हमें कितना जोड़ना या घटाना है। और डेल्टा कोडिंग में यह क्रम इस प्रकार होता है:

12 1 1 0 0 -1 0 1

परिवर्तित डेटा मूल डेटा से छोटा नहीं है, लेकिन इसे संपीड़ित करना आसान है। रन लेंथ एन्कोडिंग से पहले डेल्टा एन्कोडिंग लागू करने से दोषरहित संपीड़न होने पर भी बहुत मदद मिल सकती है।

डेल्टा कोडिंग 8x8 ब्लॉक के बाहर उपयोग की जाने वाली कुछ तकनीकों में से एक है। 64 डीसीटी गुणांकों में से एक बस एक स्थिर तरंग फ़ंक्शन (ठोस रंग) है। यह लूमा घटकों के लिए प्रत्येक ब्लॉक की औसत चमक, या सीबी घटकों के लिए औसत नीलापन, इत्यादि का प्रतिनिधित्व करता है। प्रत्येक DCT ब्लॉक के पहले मान को DC मान कहा जाता है, और प्रत्येक DC मान पिछले वाले के संबंध में डेल्टा एन्कोडेड होता है। इसलिए, पहले ब्लॉक की चमक बदलने से सभी ब्लॉक प्रभावित होंगे।

अंतिम रहस्य बना हुआ है: एकवचन को बदलने से पूरी तस्वीर कैसे बर्बाद हो जाती है? अब तक, संपीड़न स्तरों में ऐसे गुण नहीं थे। उत्तर JPEG हेडर में निहित है। पहले 500 बाइट्स में छवि के बारे में मेटाडेटा - चौड़ाई, ऊंचाई, आदि शामिल हैं, और हमने अभी तक उनके साथ काम नहीं किया है।

हेडर के बिना JPEG को डिकोड करना लगभग असंभव (या बहुत कठिन) है। ऐसा लगेगा जैसे मैं आपको चित्र का वर्णन करने का प्रयास कर रहा हूं, और मैं अपनी धारणा व्यक्त करने के लिए शब्दों का आविष्कार करना शुरू कर रहा हूं। विवरण संभवतः काफी संक्षिप्त होगा, क्योंकि मैं ठीक उसी अर्थ वाले शब्दों का आविष्कार कर सकता हूं जो मैं बताना चाहता हूं, लेकिन बाकी सभी के लिए उनका कोई मतलब नहीं होगा।

यह मूर्खतापूर्ण लगता है, लेकिन वास्तव में ऐसा ही होता है। प्रत्येक JPEG छवि को उसके लिए विशिष्ट कोड के साथ संपीड़ित किया जाता है। कोड डिक्शनरी हेडर में संग्रहीत है। इस तकनीक को हफ़मैन कोड और शब्दावली को हफ़मैन तालिका कहा जाता है। हेडर में, तालिका को दो बाइट्स के साथ चिह्नित किया गया है - 255 और फिर 196। प्रत्येक रंग घटक की अपनी तालिका हो सकती है।

तालिकाओं में परिवर्तन किसी भी छवि को मौलिक रूप से प्रभावित करेगा। एक अच्छा उदाहरण 15वीं पंक्ति को 1 में बदलना है।

ऐसा इसलिए होता है क्योंकि तालिकाएँ निर्दिष्ट करती हैं कि व्यक्तिगत बिट्स को कैसे पढ़ा जाना चाहिए। अभी तक हमने केवल दशमलव रूप में बाइनरी संख्याओं के साथ काम किया है। लेकिन यह हमसे यह तथ्य छिपाता है कि यदि आप नंबर 1 को एक बाइट में संग्रहीत करना चाहते हैं, तो यह 00000001 जैसा दिखेगा, क्योंकि प्रत्येक बाइट में ठीक आठ बिट होने चाहिए, भले ही उनमें से केवल एक की आवश्यकता हो।

यदि आपके पास बहुत सारी छोटी संख्याएँ हैं तो यह संभावित रूप से स्थान की बड़ी बर्बादी है। हफ़मैन कोड एक ऐसी तकनीक है जो हमें इस आवश्यकता को शिथिल करने की अनुमति देती है कि प्रत्येक संख्या को आठ बिट्स पर कब्जा करना चाहिए। इसका मतलब यह है कि यदि आप दो बाइट्स देखते हैं:

234 115

फिर, हफ़मैन तालिका के आधार पर, ये तीन संख्याएँ हो सकती हैं। उन्हें निकालने के लिए, आपको पहले उन्हें अलग-अलग टुकड़ों में तोड़ना होगा:

11101010 01110011

फिर हम यह पता लगाने के लिए तालिका को देखते हैं कि उन्हें कैसे समूहित किया जाए। उदाहरण के लिए, यह पहले छह बिट्स, (111010), या दशमलव में 58, उसके बाद पांच बिट्स (10011), या 19, और अंत में अंतिम चार बिट्स (0011), या 3 हो सकता है।

इसलिए, संपीड़न के इस चरण में बाइट्स को समझना बहुत मुश्किल है। बाइट्स वह नहीं दर्शाते जो वे दिखते हैं। मैं इस लेख में तालिका के साथ काम करने के विवरण में नहीं जाऊंगा, लेकिन सामग्री इस मुद्दे पर ऑनलाइन पर्याप्त.

एक दिलचस्प तरकीब जो आप इस ज्ञान के साथ कर सकते हैं वह है हेडर को JPEG से अलग करना और उसे अलग से संग्रहीत करना। वास्तव में, यह पता चला है कि फ़ाइल को केवल आप ही पढ़ सकते हैं। फेसबुक ऐसा फाइलों को और भी छोटा करने के लिए करता है।

और क्या किया जा सकता है वह हफ़मैन तालिका को थोड़ा सा बदलना है। दूसरों के लिए यह टूटी हुई तस्वीर जैसा लगेगा. और इसे ठीक करने का जादुई तरीका केवल आप ही जानते होंगे।

आइए संक्षेप में बताएं: तो JPEG को डिकोड करने के लिए क्या आवश्यक है? ज़रूरी:

1. हेडर से हफ़मैन तालिका निकालें और बिट्स को डीकोड करें।
2. प्रत्येक 8x8 ब्लॉक के लिए प्रत्येक रंग और चमक घटक के लिए असतत कोसाइन ट्रांसफॉर्म गुणांक निकालें, व्युत्क्रम रन-लंबाई और डेल्टा एन्कोडिंग ट्रांसफॉर्म निष्पादित करें।
3. प्रत्येक 8x8 ब्लॉक के लिए पिक्सेल मान प्राप्त करने के लिए गुणांक के आधार पर कोसाइन को संयोजित करें।
4. यदि सबसैंपलिंग की गई थी तो रंग घटकों को स्केल करें (यह जानकारी हेडर में है)।
5. प्रत्येक पिक्सेल के लिए परिणामी YCbCr मानों को RGB में बदलें।
6. छवि को स्क्रीन पर प्रदर्शित करें!

केवल एक बिल्ली के साथ फोटो देखने के लिए गंभीर कार्य! हालाँकि, मुझे इसके बारे में जो पसंद है वह यह है कि यह दिखाता है कि JPEG तकनीक कितनी मानव-केंद्रित है। यह हमारी धारणा की विशिष्टताओं पर आधारित है, जो हमें पारंपरिक प्रौद्योगिकियों की तुलना में बहुत बेहतर संपीड़न प्राप्त करने की अनुमति देता है। और अब जब हम समझ गए हैं कि JPEG कैसे काम करता है, तो हम कल्पना कर सकते हैं कि इन प्रौद्योगिकियों को अन्य क्षेत्रों में कैसे स्थानांतरित किया जा सकता है। उदाहरण के लिए, वीडियो में डेल्टा एन्कोडिंग फ़ाइल आकार में महत्वपूर्ण कमी प्रदान कर सकती है, क्योंकि अक्सर ऐसे पूरे क्षेत्र होते हैं जो एक फ्रेम से दूसरे फ्रेम में नहीं बदलते हैं (उदाहरण के लिए, पृष्ठभूमि)।

लेख में प्रयुक्त कोड, खुला है, और इसमें चित्रों को अपने चित्रों से बदलने के निर्देश शामिल हैं।

स्रोत: www.habr.com