ಸ್ಟೆಗಾನೋಗ್ರಫಿ ಬಳಸಿ ಹಾರ್ಡ್ ಡ್ರೈವ್ ಜಾಗವನ್ನು ಉಳಿಸಿ

ನಾವು ಸ್ಟೆಗಾನೋಗ್ರಫಿ ಬಗ್ಗೆ ಮಾತನಾಡುವಾಗ, ಜನರು ಭಯೋತ್ಪಾದಕರು, ಶಿಶುಕಾಮಿಗಳು, ಗೂಢಚಾರರು ಅಥವಾ ಅತ್ಯುತ್ತಮವಾಗಿ ಕ್ರಿಪ್ಟೋಅನಾರ್ಕಿಸ್ಟ್‌ಗಳು ಮತ್ತು ಇತರ ವಿಜ್ಞಾನಿಗಳ ಬಗ್ಗೆ ಯೋಚಿಸುತ್ತಾರೆ. ಮತ್ತು ನಿಜವಾಗಿಯೂ, ಬೇರೆ ಯಾರಿಗೆ ಬೇಕಾಗಬಹುದು ಅಡಗಿಸು ಬಾಹ್ಯ ಕಣ್ಣುಗಳಿಂದ ಏನಾದರೂ? ಇದರಿಂದ ಸಾಮಾನ್ಯ ವ್ಯಕ್ತಿಗೆ ಆಗುವ ಲಾಭವಾದರೂ ಏನು?

ಒಂದು ಇದೆ ಎಂದು ಅದು ತಿರುಗುತ್ತದೆ. ಅದಕ್ಕಾಗಿಯೇ ಇಂದು ನಾವು ಸ್ಟೆಗಾನೋಗ್ರಫಿ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಡೇಟಾವನ್ನು ಕುಗ್ಗಿಸುತ್ತೇವೆ. ಮತ್ತು ಕೊನೆಯಲ್ಲಿ, ಫೈಲ್ ಸಿಸ್ಟಮ್‌ನಲ್ಲಿ ಉಚಿತ ಗಿಗಾಬೈಟ್‌ಗಳ ಸಂಖ್ಯೆಯನ್ನು ಹೆಚ್ಚಿಸಲು ಓದುಗನು ತನ್ನ ಅಮೂಲ್ಯವಾದ ಫೋಟೋ ಆರ್ಕೈವ್‌ಗಳನ್ನು JPEG ಗಳಲ್ಲಿ ಬಳಸಲು ಸಹ ಸಾಧ್ಯವಾಗುತ್ತದೆ.

ಏನು?

ಓದುಗರು ನೆನಪಿಸಿಕೊಂಡರೆ, ಸ್ಟೆಗಾನೋಗ್ರಫಿಯು ಅಂತಹ ವಿಚಿತ್ರ ಅಲ್ಗಾರಿದಮ್‌ಗಳಾಗಿದ್ದು ಅದು ಒಂದು ಮಾಹಿತಿಯ ಉಪಸ್ಥಿತಿಯನ್ನು ಇನ್ನೊಂದರೊಳಗೆ ಮರೆಮಾಡಲು ಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ. ಇನ್ನೂ ಸರಳವಾದ ಭಾಷೆಯಲ್ಲಿ: ಚಿತ್ರ + ಫೈಲ್ == ಸರಿಸುಮಾರು ಒಂದೇ ಚಿತ್ರ, ಆದರೆ ಸಾಕಷ್ಟು ಅಲ್ಲ (ಚಿತ್ರಗಳ ಬದಲಿಗೆ ಏನಾದರೂ ಇರಬಹುದು, ಆದರೆ ಸಾಮಾನ್ಯವಾಗಿ ಎಲ್ಲವೂ ಅವುಗಳಲ್ಲಿ ಸ್ಪಷ್ಟವಾಗಿರುತ್ತದೆ). ಒಳಗೆ ಏನಾದರೂ ಇದೆಯೇ ಅಥವಾ ಇಲ್ಲವೇ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ಸುಲಭವಾದ ಮಾರ್ಗ ಇರಬಾರದು.

ಆದರೆ ಒಂದನ್ನು ಇನ್ನೊಂದರಿಂದ ಪ್ರತ್ಯೇಕಿಸಲು ಸಾಧ್ಯವಾಗದಿದ್ದರೆ, ಯಾವುದೇ ವ್ಯತ್ಯಾಸವಿದೆಯೇ? ಗ್ರಾಹಕರ ದೃಷ್ಟಿಕೋನದಿಂದ, ಬಳಕೆದಾರನು ಗಣಿತದ ನಿಖರತೆಯ ಬಗ್ಗೆ ಕಾಳಜಿ ವಹಿಸುವುದಿಲ್ಲ (ನಿರ್ದಿಷ್ಟ ಬಿಟ್‌ಗಳ ಮೂಲಕ ಪ್ರತಿಫಲಿಸುತ್ತದೆ), ಅವನಿಂದ ಗ್ರಹಿಸಲ್ಪಟ್ಟ ವಿಷಯ ಮಾತ್ರ.

ಉದಾಹರಣೆಗೆ, ಮುದ್ದಾದ ನಾಯಿಯ ಮೂರು ಚಿತ್ರಗಳನ್ನು ನೋಡೋಣ:

ಹುಷಾರಾಗಿರು, JPEG!

ಗಾತ್ರದಲ್ಲಿ ದೊಡ್ಡ ವ್ಯತ್ಯಾಸದ ಹೊರತಾಗಿಯೂ, ಕೆಲವರು ಮೂರನೇ ಆವೃತ್ತಿಯನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತಾರೆ. ಮತ್ತೊಂದೆಡೆ, ಮೊದಲ ಎರಡು ಛಾಯಾಚಿತ್ರಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವು ಅಷ್ಟೊಂದು ಗಮನಿಸುವುದಿಲ್ಲ ಮತ್ತು ಅವುಗಳಲ್ಲಿನ ಮಾಹಿತಿಯ ಪ್ರಮಾಣವು (ನನ್ನ ದೃಷ್ಟಿಕೋನದಿಂದ) ಸಮಾನವಾಗಿರುತ್ತದೆ.

ಈ ತತ್ವವು ಈಗಾಗಲೇ ಹಳೆಯದಾಗಿದೆ ಮತ್ತು ಹಲವು ವರ್ಷಗಳಿಂದ ನಷ್ಟದ ಮಾಹಿತಿ ಸಂಕೋಚನ ವಿಧಾನಗಳಿಂದ ಸಕ್ರಿಯವಾಗಿ ಬಳಸಿಕೊಳ್ಳಲಾಗಿದೆ. ಆದರೆ ಒಡೆಯುವುದು ನಿರ್ಮಾಣವಲ್ಲ; ನಾವು ಸಮಸ್ಯೆಯ ಹೆಚ್ಚು ಮುಂದುವರಿದ ಭಾಗದಲ್ಲಿ ಆಸಕ್ತಿ ಹೊಂದಿದ್ದೇವೆ. ಹೆಚ್ಚುವರಿ ಗಾತ್ರದ ಮಾಹಿತಿಯನ್ನು ಎಂಬೆಡ್ ಮಾಡಲು ಸಾಧ್ಯವೇ N ಫೈಲ್‌ಗೆ ಅದರ ಗಾತ್ರವು ಹೆಚ್ಚಾಗುತ್ತದೆ M < N, ಆದರೆ ಬದಲಾವಣೆಗಳು ಬಳಕೆದಾರರಿಗೆ ಗಮನಿಸುವುದಿಲ್ಲವೇ?

ಖಂಡಿತ ನೀವು ಮಾಡಬಹುದು. ಆದರೆ ಈಗಿನಿಂದಲೇ ಒಂದೆರಡು ಕಾಯ್ದಿರಿಸುವಿಕೆಗಳನ್ನು ಮಾಡುವುದು ಯೋಗ್ಯವಾಗಿದೆ:

• ಮೊದಲನೆಯದಾಗಿ, ವಿಧಾನವು ಸಾರ್ವತ್ರಿಕವಾಗಿರಬೇಕು ಮತ್ತು ಹೆಚ್ಚಿನ ಇನ್ಪುಟ್ ಡೇಟಾದಲ್ಲಿ ಧನಾತ್ಮಕ ಫಲಿತಾಂಶವನ್ನು ನೀಡಬೇಕು. ಅಂದರೆ, ಸರಾಸರಿಯಾಗಿ, ಯಾದೃಚ್ಛಿಕ ಇನ್ಪುಟ್ಗಾಗಿ, ಸಂಗ್ರಹಿಸಲಾದ ಮಾಹಿತಿಯ ಪ್ರಮಾಣದಲ್ಲಿ ನಿಜವಾದ ಇಳಿಕೆ ಇರಬೇಕು. "ಸರಾಸರಿ" ಎಂದರೆ ವಿರುದ್ಧವಾಗಿ ಸಂಭವಿಸಬಹುದು, ಆದರೆ ಮೇಲುಗೈ ಸಾಧಿಸಬಾರದು.
• ಎರಡನೆಯದಾಗಿ, ಮಾಹಿತಿಯನ್ನು ಎಂಬೆಡ್ ಮಾಡುವ ಮೊದಲು ಸಂಕುಚಿತ ಕಂಟೇನರ್‌ನ ಗಾತ್ರವು ಅದರ ಮಾರ್ಪಾಡು ಅದೇ ರೀತಿಯಲ್ಲಿ ಸಂಕುಚಿತಗೊಳಿಸುವುದಕ್ಕಿಂತ ದೊಡ್ಡದಾಗಿರಬೇಕು. LSB ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು BMP ಚಿತ್ರಗಳಲ್ಲಿ ಬಿಟ್‌ಗಳ ಗುಂಪನ್ನು ಸರಳವಾಗಿ ಎಂಬೆಡ್ ಮಾಡುವುದು ಸ್ಟೆಗಾನೋಗ್ರಾಫಿಕ್ ಕಂಪ್ರೆಷನ್ ಅಲ್ಲ, ಏಕೆಂದರೆ, ಕೆಲವು ರೀತಿಯ DEFLATE ಮೂಲಕ ಚಲಾಯಿಸಲ್ಪಟ್ಟ ನಂತರ, ಮೂಲ ಚಿತ್ರವು ಗಮನಾರ್ಹವಾಗಿ ಚಿಕ್ಕದಾಗಿರುತ್ತದೆ.
• ಮೂರನೆಯದಾಗಿ, ಫಲಿತಾಂಶವನ್ನು ಕೈಗೊಳ್ಳಬೇಕು ಮತ್ತು ಶಾಸ್ತ್ರೀಯ ವಿಧಾನಗಳಿಂದ ಈಗಾಗಲೇ ಸಂಕುಚಿತಗೊಳಿಸಿದ ಡೇಟಾಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಹೋಲಿಸಬೇಕು. ಇದು ಅವುಗಳ ಪುನರುಕ್ತಿಯಲ್ಲಿನ ವ್ಯತ್ಯಾಸಗಳ ಸಂಭವನೀಯ ಪರಿಣಾಮವನ್ನು ತೆಗೆದುಹಾಕುತ್ತದೆ ಮತ್ತು ಸಾಮಾನ್ಯ ಸಂದರ್ಭದಲ್ಲಿ ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿ ಸಂಕೋಚನವನ್ನು ಒದಗಿಸುತ್ತದೆ.

ಎಲ್ಲಿ?

ಸ್ಟೆಗಾನೋಗ್ರಫಿಯ ಬಳಕೆಯು ಸಂಕುಚಿತ ಮಾಹಿತಿಯ ಜೊತೆಗೆ, ನಮಗೆ ಕಂಟೈನರ್‌ಗಳು ಬೇಕಾಗುತ್ತವೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಎಂಬೆಡೆಡ್ ಮಾಹಿತಿಯ ಗರಿಷ್ಠ ಪ್ರಮಾಣವು ವೈಯಕ್ತಿಕ ಗುಣಲಕ್ಷಣಗಳ ಮೇಲೆ ಹೆಚ್ಚಾಗಿ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ, ಆದರೆ ಅವುಗಳ ಸಂಖ್ಯೆಯೊಂದಿಗೆ ಅಳೆಯುವುದು ತುಂಬಾ ಸುಲಭ. ಆದ್ದರಿಂದ, ಕಂಟೇನರ್ ಸ್ವರೂಪವು ಸಾಮಾನ್ಯವಾಗಿರಬೇಕು ಆದ್ದರಿಂದ ಬಳಕೆದಾರರು "ಸಂಕುಚನ" ಪ್ರಕ್ರಿಯೆಯಿಂದ ಯಾವುದೇ ಪ್ರಯೋಜನವನ್ನು ಪಡೆಯಲು ಸಾಕಷ್ಟು ಅವುಗಳನ್ನು ಹೊಂದಿರುತ್ತಾರೆ.

ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಗ್ರಾಫಿಕ್ಸ್, ಆಡಿಯೊ ಮತ್ತು ವೀಡಿಯೊ ಫೈಲ್‌ಗಳು ಉತ್ತಮ ಅಭ್ಯರ್ಥಿಗಳಾಗಿವೆ. ಆದರೆ, ವಿಭಿನ್ನ ಸ್ವರೂಪಗಳು, ಕೋಡೆಕ್‌ಗಳು ಇತ್ಯಾದಿಗಳ ಕಾರಣದಿಂದಾಗಿ, ಪ್ರಾಯೋಗಿಕವಾಗಿ ನಾವು ಹೆಚ್ಚು ಆಯ್ಕೆಗಳಿಲ್ಲದ ಆಯ್ಕೆಯನ್ನು ಬಿಡುತ್ತೇವೆ.

ಇದೆಲ್ಲವನ್ನೂ ಪರಿಗಣಿಸಿ, ನನ್ನ ಆಯ್ಕೆಯು JPEG ಮೇಲೆ ಬಿದ್ದಿತು.ಬಹುತೇಕ ಪ್ರತಿಯೊಬ್ಬರೂ ಅದನ್ನು ಹೊಂದಿದ್ದಾರೆ, ಇದು ವೈಯಕ್ತಿಕ ಮತ್ತು ವ್ಯಾಪಾರ ಉದ್ದೇಶಗಳಿಗಾಗಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲ್ಪಡುತ್ತದೆ, ಬಹುತೇಕ ಚಿತ್ರಗಳಿಗೆ ವಾಸ್ತವಿಕ ಸ್ವರೂಪವಾಗಿದೆ.

ಅದು ಅವಲಂಬಿಸಿರುತ್ತದೆ?

ಮುಂದೆ ಹೆಚ್ಚು ವಿವರಣೆಯಿಲ್ಲದೆ ಸಮೀಪದ ಮತ್ತು ತಾಂತ್ರಿಕ ರೇಖಾಚಿತ್ರಗಳು ಮತ್ತು ವಿವರಣೆಗಳು ಇವೆ, ಆದ್ದರಿಂದ ಆಸಕ್ತಿಯುಳ್ಳವರು "ಹೈ ಟೆಕ್ನಾಲಜೀಸ್" ವಿಭಾಗಕ್ಕೆ ಸ್ಕ್ರೋಲ್ ಮಾಡುವ ಮೂಲಕ ಅವುಗಳನ್ನು ಬಿಟ್ಟುಬಿಡಬಹುದು.

ಸಾಮಾನ್ಯ ಲಕ್ಷಣಗಳು

ಎಲ್ಲೋ ಡೇಟಾವನ್ನು ಎಂಬೆಡ್ ಮಾಡಲು, ನೀವು ಮೊದಲು ಎಲ್ಲಿ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಬೇಕು. ಫೈಲ್ ಸಿಸ್ಟಂನಲ್ಲಿ ಯಾವುದೇ ಸಂಖ್ಯೆಯ ವಿವಿಧ ಛಾಯಾಚಿತ್ರಗಳು ಇರಬಹುದು, ಅದರಲ್ಲಿ ಬಳಕೆದಾರರು ಕೆಲವನ್ನು ಮಾತ್ರ ಬಳಸಲು ಬಯಸಬಹುದು. ಅಂತಹ ಅಪೇಕ್ಷಿತ ಕಂಟೈನರ್‌ಗಳನ್ನು ನಾವು ಲೈಬ್ರರಿ ಎಂದು ಕರೆಯುತ್ತೇವೆ.

ಇದು ಎರಡು ಸಂದರ್ಭಗಳಲ್ಲಿ ರೂಪುಗೊಳ್ಳುತ್ತದೆ: ಕಂಪ್ರೆಷನ್ ಮೊದಲು ಮತ್ತು ಡಿಕಂಪ್ರೆಷನ್ ಮೊದಲು. ಮೊದಲನೆಯ ಸಂದರ್ಭದಲ್ಲಿ, ನೀವು ಫೈಲ್‌ಗಳ ಫೈಲ್ ಹೆಸರುಗಳ ಗುಂಪನ್ನು (ಅಥವಾ ಇನ್ನೂ ಉತ್ತಮವಾದ, ಅವುಗಳಿಗೆ ನಿಯಮಿತ ಅಭಿವ್ಯಕ್ತಿ) ಬಳಸಬಹುದು, ಆದರೆ ಎರಡನೆಯದರಲ್ಲಿ, ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹವಾದದ್ದು ಅಗತ್ಯವಿದೆ: ಬಳಕೆದಾರರು ಅವುಗಳನ್ನು ಫೈಲ್ ಸಿಸ್ಟಮ್‌ನಲ್ಲಿ ನಕಲಿಸಬಹುದು ಮತ್ತು ಸರಿಸಬಹುದು , ತನ್ಮೂಲಕ ಅವುಗಳನ್ನು ಸರಿಯಾಗಿ ಗುರುತಿಸುವುದನ್ನು ತಡೆಯುತ್ತದೆ. ಆದ್ದರಿಂದ, ಎಲ್ಲಾ ಮಾರ್ಪಾಡುಗಳನ್ನು ಮಾಡಿದ ನಂತರ ಅವರ ಹ್ಯಾಶ್ಗಳನ್ನು (md5 ಸಾಕು) ಸಂಗ್ರಹಿಸುವುದು ಅವಶ್ಯಕ.

ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಸಂಪೂರ್ಣ ಫೈಲ್ ಸಿಸ್ಟಮ್‌ನಾದ್ಯಂತ ನಿಯಮಿತ ಅಭಿವ್ಯಕ್ತಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಆರಂಭಿಕ ಹುಡುಕಾಟವನ್ನು ನಡೆಸುವುದರಲ್ಲಿ ಯಾವುದೇ ಅರ್ಥವಿಲ್ಲ; ನಿರ್ದಿಷ್ಟ ಮೂಲ ಡೈರೆಕ್ಟರಿಯನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಲು ಸಾಕು. ವಿಶೇಷ ಆರ್ಕೈವ್ ಫೈಲ್ ಅನ್ನು ಅದರಲ್ಲಿ ಉಳಿಸಲಾಗುತ್ತದೆ, ಅದು ಆ ಹ್ಯಾಶ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ, ಜೊತೆಗೆ ಸಂಕುಚಿತ ಮಾಹಿತಿಯ ನಂತರದ ಮರುಪಡೆಯುವಿಕೆಗೆ ಅಗತ್ಯವಾದ ಇತರ ಮೆಟಾ-ಮಾಹಿತಿಗಳನ್ನು ಹೊಂದಿರುತ್ತದೆ.

ಯಾವುದೇ ಸ್ಟೆಗಾನೋಗ್ರಾಫಿಕ್ ಡೇಟಾ ಕಂಪ್ರೆಷನ್ ಅಲ್ಗಾರಿದಮ್‌ನ ಯಾವುದೇ ಅನುಷ್ಠಾನಕ್ಕೆ ಇದೆಲ್ಲವೂ ಸಮಾನವಾಗಿ ಅನ್ವಯಿಸುತ್ತದೆ. ಡೇಟಾ ಕಂಪ್ರೆಷನ್ ಮತ್ತು ಚೇತರಿಕೆಯ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಪ್ಯಾಕಿಂಗ್ ಮತ್ತು ಅನ್ಪ್ಯಾಕಿಂಗ್ ಎಂದು ಕರೆಯಬಹುದು.

F5

ನಾವು ಏನು ಮಾಡುತ್ತಿದ್ದೇವೆ ಮತ್ತು ಏಕೆ ಎಂದು ಈಗ ಸ್ಪಷ್ಟವಾಗಿದೆ, ಗುರಿಯನ್ನು ಸಾಧಿಸುವ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ವಿವರಿಸಲು ಇದು ಉಳಿದಿದೆ. JPEG ಫೈಲ್ ಅನ್ನು ಎನ್ಕೋಡಿಂಗ್ ಮಾಡುವ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನೆನಪಿಸಿಕೊಳ್ಳೋಣ (ಬೌಮನ್ ನ್ಯಾಷನಲ್ ಲೈಬ್ರರಿಯ ವಿಕಿಗೆ ಧನ್ಯವಾದಗಳು):

ಅದನ್ನು ನೋಡುವಾಗ, ತಕ್ಷಣವೇ ಕೆಲವು ಕಾಮೆಂಟ್ಗಳನ್ನು ಮಾಡುವುದು ಉತ್ತಮ:

• JPEG ಫೈಲ್‌ನ ಗಾತ್ರವನ್ನು ಕೆಲವು ರೀತಿಯ Winrar ನೊಂದಿಗೆ ಸಂಕುಚಿತಗೊಳಿಸಲು ಪ್ರಯತ್ನಿಸದೆಯೇ ಸೂಕ್ತವೆಂದು ಪರಿಗಣಿಸಬಹುದು;
• ಕನಿಷ್ಠ ಸ್ವೀಕಾರಾರ್ಹ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಒದಗಿಸಲು ಸಂಗ್ರಹಿಸಲಾದ ಮಾಹಿತಿಯನ್ನು ಮಾತ್ರ (ಡಿಸ್ಕ್ರೀಟ್ ಕೊಸೈನ್ ಟ್ರಾನ್ಸ್‌ಫಾರ್ಮ್, ಡಿಸಿಟಿಯಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ) ಮಾರ್ಪಡಿಸಬಹುದು.
• ಬಳಕೆದಾರರಿಗೆ ಗಮನಿಸಬಹುದಾದ ಕೈಗಾರಿಕಾ ಪ್ರಮಾಣದಲ್ಲಿ ಡೇಟಾವನ್ನು ಕಳೆದುಕೊಳ್ಳದಿರಲು, ಪ್ರತಿಯೊಂದು ಚಿತ್ರಕ್ಕೂ ಕನಿಷ್ಠ ಮಾರ್ಪಾಡುಗಳನ್ನು ಮಾಡುವುದು ಅವಶ್ಯಕ;

ಅಲ್ಗಾರಿದಮ್‌ಗಳ ಸಂಪೂರ್ಣ ಕುಟುಂಬವು ಈ ಪರಿಸ್ಥಿತಿಗಳಿಗೆ ಸರಿಹೊಂದುತ್ತದೆ, ಅದನ್ನು ನೀವೇ ಪರಿಚಿತರಾಗಬಹುದು ಈ ಉತ್ತಮ ಪ್ರಸ್ತುತಿಯಲ್ಲಿ. ಅವುಗಳಲ್ಲಿ ಅತ್ಯಂತ ಸುಧಾರಿತ ಅಲ್ಗಾರಿದಮ್ ಆಗಿದೆ F5 ಆಂಡ್ರಿಯಾಸ್ ವೆಸ್ಟ್‌ಫೆಲ್ಡ್, ಪ್ರಕಾಶಮಾನ ಘಟಕದ ಡಿಸಿಟಿ ಗುಣಾಂಕಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುತ್ತಾರೆ (ಮಾನವ ಕಣ್ಣು ಅದರ ಬದಲಾವಣೆಗಳಿಗೆ ಕನಿಷ್ಠ ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತದೆ). ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ JPEG ಫೈಲ್‌ನೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವಾಗ ಅದರ ಸಾಮಾನ್ಯ ವಿನ್ಯಾಸವನ್ನು ಈ ಕೆಳಗಿನಂತೆ ಪ್ರದರ್ಶಿಸಲಾಗುತ್ತದೆ:

F5 ಬ್ಲಾಕ್ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಎನ್‌ಕೋಡಿಂಗ್ ಆಧಾರಿತ ಸುಧಾರಿತ ಎಂಬೆಡಿಂಗ್ ತಂತ್ರವನ್ನು ಬಳಸುತ್ತದೆ. ಮೇಲಿನ ಲಿಂಕ್‌ನಲ್ಲಿ ಓದುಗರು ಅದರ ಬಗ್ಗೆ ಮತ್ತು ಅಲ್ಗಾರಿದಮ್ ಬಗ್ಗೆ ಇನ್ನಷ್ಟು ತಿಳಿದುಕೊಳ್ಳಬಹುದು, ಆದರೆ ಅದರ ಸಹಾಯದಿಂದ ನೀವು ಅದೇ ಪ್ರಮಾಣದ ಮಾಹಿತಿಯನ್ನು ಎಂಬೆಡ್ ಮಾಡುವಾಗ ಕಡಿಮೆ ಬದಲಾವಣೆಗಳನ್ನು ಮಾಡಬಹುದು ಎಂಬ ಅಂಶದಲ್ಲಿ ನಾವು ಪ್ರಾಥಮಿಕವಾಗಿ ಆಸಕ್ತಿ ಹೊಂದಿದ್ದೇವೆ, ಬಳಸಿದ ಧಾರಕದ ಗಾತ್ರವು ದೊಡ್ಡದಾಗಿರುತ್ತದೆ. , ಮತ್ತು ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಕೈಗೊಳ್ಳಲು ಸರಳವಾದ ಹಫ್ಮನ್ ಮತ್ತು RLE (ಡಿ) ಕೋಡಿಂಗ್ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ಮಾತ್ರ ನಿರ್ವಹಿಸಬೇಕಾಗುತ್ತದೆ.

ಬದಲಾವಣೆಗಳನ್ನು ಸ್ವತಃ ಪೂರ್ಣಾಂಕ ಗುಣಾಂಕಗಳಿಗೆ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಅವುಗಳ ಸಂಪೂರ್ಣ ಮೌಲ್ಯವನ್ನು ಒಂದರಿಂದ ಕಡಿಮೆ ಮಾಡಲು ಬರುತ್ತದೆ, ಇದು ಸಾಮಾನ್ಯವಾಗಿ ಹೇಳುವುದಾದರೆ, ಡೇಟಾ ಕಂಪ್ರೆಷನ್‌ಗಾಗಿ F5 ಅನ್ನು ಬಳಸಲು ಅನುಮತಿಸುತ್ತದೆ. JPEG ಯಲ್ಲಿನ ಮೌಲ್ಯಗಳ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿತರಣೆಯಿಂದಾಗಿ ಹಫ್‌ಮನ್ ಎನ್‌ಕೋಡಿಂಗ್ ನಂತರ ಸಂಪೂರ್ಣ ಮೌಲ್ಯದಲ್ಲಿ ಕಡಿಮೆಯಾದ ಗುಣಾಂಕವು ಕಡಿಮೆ ಬಿಟ್‌ಗಳನ್ನು ಆಕ್ರಮಿಸುತ್ತದೆ.

ಶೂನ್ಯದ ರಚನೆಯ ಸಂದರ್ಭದಲ್ಲಿ (ಕಡಿತ ಎಂದು ಕರೆಯಲ್ಪಡುವ), ಸಂಗ್ರಹಿಸಿದ ಮಾಹಿತಿಯ ಸಂಖ್ಯೆಯನ್ನು ಅದರ ಗಾತ್ರದಿಂದ ಕಡಿಮೆಗೊಳಿಸಲಾಗುತ್ತದೆ, ಏಕೆಂದರೆ ಹಿಂದಿನ ಸ್ವತಂತ್ರ ಗುಣಾಂಕವು ಸೊನ್ನೆಗಳ RLE ಎನ್‌ಕೋಡ್ ಅನುಕ್ರಮದ ಭಾಗವಾಗುತ್ತದೆ:

ಮಾರ್ಪಾಡುಗಳು

ಡೇಟಾ ರಕ್ಷಣೆ ಮತ್ತು ಸಂಕೋಚನವು ಆರ್ಥೋಗೋನಲ್ ಸಮಸ್ಯೆಗಳಾಗಿವೆ, ಆದ್ದರಿಂದ ಮೂಲ ಅಲ್ಗಾರಿದಮ್‌ನಿಂದ ರಹಸ್ಯ ಪಾಸ್‌ವರ್ಡ್ ಕ್ರಮಪಲ್ಲಟನೆಯನ್ನು ನಿರ್ಲಕ್ಷಿಸಬಹುದು. ಇದಲ್ಲದೆ, ಡೇಟಾವನ್ನು ಹೇಗೆ ಹೊರತೆಗೆಯಬೇಕು ಎಂಬುದನ್ನು ನಾವು ನಿಖರವಾಗಿ ತಿಳಿದುಕೊಳ್ಳಬೇಕು, ಆದ್ದರಿಂದ ಇದಕ್ಕೆ ಅಗತ್ಯವಾದ ಎಲ್ಲಾ ಮಾಹಿತಿಯನ್ನು (ಯಾವ ಕಂಟೇನರ್‌ಗಳನ್ನು ಬಳಸಲಾಗಿದೆ, ಯಾವ ಕ್ರಮದಲ್ಲಿ, ಇತ್ಯಾದಿ) ಪ್ರತ್ಯೇಕ ಫೈಲ್‌ನಲ್ಲಿ ರೆಕಾರ್ಡ್ ಮಾಡಬೇಕು ಮತ್ತು ಆರ್ಕೈವರ್‌ನಿಂದ ಉಚಿತ ಓದುವಿಕೆಗೆ ಮುಕ್ತವಾಗಿರಬೇಕು.

ಮೂಲ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ರಹಸ್ಯ ಸಂದೇಶಗಳನ್ನು ರವಾನಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ, ಆದ್ದರಿಂದ ಇದು ಒಂದು ಸಮಯದಲ್ಲಿ ಕೇವಲ ಒಂದು ಕಂಟೇನರ್‌ನೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಅಗತ್ಯವಿದ್ದರೆ ಬಳಕೆದಾರರು ಅದನ್ನು ಭಾಗಗಳಾಗಿ ವಿಭಜಿಸುತ್ತಾರೆ ಎಂದು ಭಾವಿಸುತ್ತಾರೆ. ಇದಲ್ಲದೆ, ಪ್ರತಿ ಕಂಟೇನರ್ನಲ್ಲಿ ಸ್ವತಂತ್ರವಾಗಿ ಎಂಬೆಡ್ ಮಾಡಿದಾಗ, ಪ್ರತಿಯೊಂದರಲ್ಲಿ ಎಷ್ಟು ಬಿಟ್ ಡೇಟಾವನ್ನು ಹಾಕಬೇಕೆಂದು ನೀವು ಮುಂಚಿತವಾಗಿ ತಿಳಿದುಕೊಳ್ಳಬೇಕು. ಆದ್ದರಿಂದ, ಗ್ರಂಥಾಲಯದ ಪ್ರತಿಯೊಂದು ಅಂಶದ ಗುಣಾಂಕಗಳನ್ನು ಒಂದು ಅಮೂರ್ತ ದೊಡ್ಡದಕ್ಕೆ ಸಂಯೋಜಿಸಬೇಕು ಮತ್ತು ಮೂಲ ಅಲ್ಗಾರಿದಮ್ ಪ್ರಕಾರ ಅದರೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಬೇಕು.

ಮೂಲ F5 ಕಂಟೇನರ್ ಗಾತ್ರದ 12% ವರೆಗೆ ಅನುಮತಿಸುವುದರಿಂದ, ಈ ಮಾರ್ಪಾಡು ಗರಿಷ್ಠ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ: ಸಂಪೂರ್ಣ ಗ್ರಂಥಾಲಯದ ಗಾತ್ರದ "12% ವರೆಗೆ" "12% ವರೆಗೆ" ಮೊತ್ತಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿರುತ್ತದೆ ಅಥವಾ ಸಮನಾಗಿರುತ್ತದೆ "ಅದರ ಪ್ರತಿಯೊಂದು ಅಂಶಗಳಿಂದ.

ಕ್ರೋಡೀಕರಿಸಿದ ಸಾಮಾನ್ಯ ಯೋಜನೆ ಹೀಗಿದೆ:

ಅಲ್ಗಾರಿದಮ್ ಸ್ವತಃ

ಓದುಗರನ್ನು ಕತ್ತಲೆಯಲ್ಲಿ ಇಡದಂತೆ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಪ್ರಾರಂಭದಿಂದ ಕೊನೆಯವರೆಗೆ ವಿವರಿಸುವ ಸಮಯ ಬಂದಿದೆ:

• ನಿಯಮಿತ ಅಭಿವ್ಯಕ್ತಿ ಮತ್ತು ಹುಡುಕಾಟ ಮೂಲ ಡೈರೆಕ್ಟರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಬೈನರಿ ಸಂಕುಚಿತ ಡೇಟಾ M ಮತ್ತು ಲೈಬ್ರರಿ L ಅನ್ನು ಬಳಕೆದಾರರು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತಾರೆ;
• FS ನಲ್ಲಿ ಕಾಣಿಸಿಕೊಳ್ಳುವ ಕ್ರಮದಲ್ಲಿ, ಲೈಬ್ರರಿ ಅಂಶಗಳು MC ಅನ್ನು ರೂಪಿಸುತ್ತವೆ:
  • ಸಿ ಗುಣಾಂಕಗಳ ಸರಣಿಯನ್ನು ಫೈಲ್ ಡೇಟಾದಿಂದ ಡಿಕೋಡ್ ಮಾಡಲಾಗಿದೆ;
  • MC <- MC | ಸಿ;
• ಭಯಾನಕ ಅಸಮಾನತೆಯ ಆಧಾರದ ಮೇಲೆ k ನಿಯತಾಂಕವನ್ನು ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ: |M| * 8 / (count_full(MC) + count_ones(MC) * k_rate(k)) < k / ((1 << k) - 1);
• ಮುಂದೆ ತೆಗೆದುಕೊಳ್ಳಲಾಗಿದೆ n = (1 << k) - 1 MC ಯಿಂದ ಶೂನ್ಯವಲ್ಲದ ಅಂಶಗಳ ಕನಿಷ್ಠ ಗಮನಾರ್ಹ ಬಿಟ್‌ಗಳು ಮತ್ತು ಬರೆಯಲಾಗಿದೆ a:
  • ಮ್ಯಾಜಿಕ್ ಹ್ಯಾಶ್ ಕಾರ್ಯವನ್ನು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ f, ಎನ್-ಬಿಟ್ ಪದವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ a ಕೆ-ಬಿಟ್ ಗೆ s;
  • ವೇಳೆ s == 0, ನಂತರ ಏನನ್ನೂ ಬದಲಾಯಿಸುವ ಅಗತ್ಯವಿಲ್ಲ ಮತ್ತು ಅಲ್ಗಾರಿದಮ್ ಮುಂದಿನ ಗುಣಾಂಕಗಳಿಗೆ ಚಲಿಸುತ್ತದೆ;
  • ಜವಾಬ್ದಾರಿಯುತ ಗುಣಾಂಕದ ಸಂಪೂರ್ಣ ಮೌಲ್ಯವನ್ನು ಕಡಿಮೆ ಮಾಡಿ s-ಹೇ ಪದದಲ್ಲಿ ಬಿಟ್ a;
  • ಕಡಿತದ ಪರಿಣಾಮವಾಗಿ ಕಡಿತವು ಸಂಭವಿಸಿದಲ್ಲಿ (ಗುಣಾಂಕ 0 ಆಗುತ್ತದೆ), ನಂತರ ಮೊದಲಿನಿಂದ ಹಂತವನ್ನು ಪುನರಾವರ್ತಿಸಿ;
• ಎಲ್ಲಾ ಗುಣಾಂಕಗಳನ್ನು ಆರ್‌ಎಲ್‌ಇ ಮತ್ತು ಹಫ್‌ಮನ್‌ನಿಂದ ಎನ್‌ಕೋಡ್ ಮಾಡಲಾಗಿದೆ, ಮೂಲ ಫೈಲ್‌ಗಳಿಗೆ ಬರೆಯಲಾಗಿದೆ;
• ಪ್ಯಾರಾಮೀಟರ್ k ಅನ್ನು ಆರ್ಕೈವ್ ಫೈಲ್‌ಗೆ ಬರೆಯಲಾಗಿದೆ;
• MD5 ಹ್ಯಾಶ್ ಅನ್ನು ಪ್ರತಿ ಫೈಲ್ L ನಿಂದ ಅವುಗಳ ಮೂಲ ಸ್ಥಳದ ಕ್ರಮದಲ್ಲಿ ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ ಮತ್ತು ಆರ್ಕೈವ್ ಫೈಲ್‌ಗೆ ಬರೆಯಲಾಗುತ್ತದೆ.

ಹೈಟೆಕ್

ಅಲ್ಗಾರಿದಮ್‌ನ ನಿಷ್ಕಪಟ ರೂಪ ಮತ್ತು ಇತರ ಉನ್ನತ ಮಟ್ಟದ (ವಿಶೇಷವಾಗಿ ಕಸ ಸಂಗ್ರಹದೊಂದಿಗೆ) ಭಾಷೆಗಳಲ್ಲಿನ ಅಳವಡಿಕೆಗಳು ಭಯಾನಕ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನೀಡುತ್ತವೆ, ಆದ್ದರಿಂದ ನಾನು ಈ ಎಲ್ಲಾ ಸಂಕೀರ್ಣತೆಗಳನ್ನು ಶುದ್ಧ ಸಿ ಯಲ್ಲಿ ಅಳವಡಿಸಿದ್ದೇನೆ ಮತ್ತು ಮರಣದಂಡನೆಯ ವೇಗ ಮತ್ತು ಎರಡರಲ್ಲೂ ಹಲವಾರು ಆಪ್ಟಿಮೈಸೇಶನ್‌ಗಳನ್ನು ಮಾಡಿದ್ದೇನೆ. ಮೆಮೊರಿ (ಡಿಸಿಟಿಗಿಂತ ಮುಂಚೆಯೇ ಸಂಕೋಚನವಿಲ್ಲದೆ ಈ ಚಿತ್ರಗಳು ಎಷ್ಟು ತೂಗುತ್ತವೆ ಎಂದು ನಿಮಗೆ ತಿಳಿದಿಲ್ಲ). ಆದರೆ ಹಾಗಿದ್ದರೂ, ಮೊದಲಿಗೆ ಮರಣದಂಡನೆಯ ವೇಗವು ಅಪೇಕ್ಷಿತವಾಗಿರುವುದನ್ನು ಬಿಟ್ಟುಬಿಟ್ಟಿತು, ಆದ್ದರಿಂದ ನಾನು ಸಂಪೂರ್ಣ ಪ್ರಕ್ರಿಯೆ ಮತ್ತು ಬಳಸಿದ ವಿಧಾನಗಳನ್ನು ವಿವರಿಸುವುದಿಲ್ಲ.

libjpeg, pcre ಮತ್ತು tinydir ಲೈಬ್ರರಿಗಳ ಸಂಯೋಜನೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಕ್ರಾಸ್-ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಅನ್ನು ಸಾಧಿಸಲಾಗುತ್ತದೆ, ಇದಕ್ಕಾಗಿ ನಾವು ಅವರಿಗೆ ಧನ್ಯವಾದಗಳು. ಪೂರ್ವನಿಯೋಜಿತವಾಗಿ, ಎಲ್ಲವನ್ನೂ ಸಾಮಾನ್ಯ ಮೂಲಕ ಸಂಕಲಿಸಲಾಗುತ್ತದೆ make, ಆದ್ದರಿಂದ ವಿಂಡೋಸ್ ಬಳಕೆದಾರರು ತಮಗಾಗಿ ಕೆಲವು ಸಿಗ್ವಿನ್ ಅನ್ನು ಸ್ಥಾಪಿಸಲು ಬಯಸುತ್ತಾರೆ, ಅಥವಾ ವಿಷುಯಲ್ ಸ್ಟುಡಿಯೋ ಮತ್ತು ಲೈಬ್ರರಿಗಳೊಂದಿಗೆ ತಮ್ಮದೇ ಆದ ವ್ಯವಹರಿಸಲು ಬಯಸುತ್ತಾರೆ.

ಅನುಷ್ಠಾನವು ಕನ್ಸೋಲ್ ಉಪಯುಕ್ತತೆ ಮತ್ತು ಗ್ರಂಥಾಲಯದ ರೂಪದಲ್ಲಿ ಲಭ್ಯವಿದೆ. ಆಸಕ್ತರು ಗಿಥಬ್‌ನಲ್ಲಿನ ರೆಪೊಸಿಟರಿಯಲ್ಲಿರುವ ರೀಡ್‌ಮೆಯಲ್ಲಿ ಎರಡನೆಯದನ್ನು ಬಳಸುವುದರ ಕುರಿತು ಇನ್ನಷ್ಟು ತಿಳಿದುಕೊಳ್ಳಬಹುದು, ಪೋಸ್ಟ್‌ನ ಕೊನೆಯಲ್ಲಿ ನಾನು ಲಗತ್ತಿಸುವ ಲಿಂಕ್. ಮತ್ತು ಇಲ್ಲಿ ನಾವು ಕೆಲಸದ ವಿವರಣೆ ಮತ್ತು ಪ್ರದರ್ಶನಕ್ಕೆ ಹೋಗುತ್ತೇವೆ.

ಹೇಗೆ ಬಳಸುವುದು?

ಎಚ್ಚರಿಕೆಯಿಂದ. ಬಳಸಿದ ಚಿತ್ರಗಳನ್ನು ಸರಿಸಬಹುದು, ಮರುಹೆಸರಿಸಬಹುದು ಮತ್ತು ಬಯಸಿದಂತೆ ನಕಲಿಸಬಹುದು. ಆದಾಗ್ಯೂ, ನೀವು ಅತ್ಯಂತ ಜಾಗರೂಕರಾಗಿರಬೇಕು ಮತ್ತು ಅವರ ವಿಷಯಗಳನ್ನು ಯಾವುದೇ ರೀತಿಯಲ್ಲಿ ಬದಲಾಯಿಸಬಾರದು. ಒಂದು ಬಿಟ್ ಅನ್ನು ಬದಲಾಯಿಸುವುದು ಹ್ಯಾಶ್ ಅನ್ನು ಅಡ್ಡಿಪಡಿಸುತ್ತದೆ ಮತ್ತು ಮಾಹಿತಿಯನ್ನು ಮರುಪಡೆಯಲು ಅಸಾಧ್ಯವಾಗುತ್ತದೆ.

ಸಂಕಲನದ ನಂತರ ನಾವು ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದಾದ ಫೈಲ್ f5ar ಅನ್ನು ಪಡೆಯುತ್ತೇವೆ ಎಂದು ಭಾವಿಸೋಣ. ಧ್ವಜವನ್ನು ಬಳಸಿಕೊಂಡು ಅದರ ಬಳಕೆಯ ಸಾಧ್ಯತೆಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ನೀವು ಗ್ರಂಥಾಲಯದ ಗಾತ್ರವನ್ನು ವಿಶ್ಲೇಷಿಸಬಹುದು -a: ./f5ar -a [папка поиска] [Perl-совместимое регулярное выражение]. ಪ್ಯಾಕೇಜಿಂಗ್ ಅನ್ನು ತಂಡದಿಂದ ಮಾಡಲಾಗುತ್ತದೆ ./f5ar -p [папка поиска] [Perl-совместимое регулярное выражение] [упаковываемый файл] [имя архива], ಮತ್ತು ಅನ್ಪ್ಯಾಕ್ ಅನ್ನು ಬಳಸಿ ./f5ar -u [файл архива] [имя восстановленного файла].

ಕೆಲಸದ ಪ್ರದರ್ಶನ

ವಿಧಾನದ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ತೋರಿಸಲು, ನಾನು ಸೇವೆಯಿಂದ ನಾಯಿಗಳ 225 ಸಂಪೂರ್ಣ ಉಚಿತ ಫೋಟೋಗಳ ಸಂಗ್ರಹವನ್ನು ಅಪ್‌ಲೋಡ್ ಮಾಡಿದ್ದೇನೆ ಅನ್ಪ್ಲಾಶ್. ಅವುಗಳಲ್ಲಿ ಪ್ರತಿಯೊಂದೂ ಸಾಮಾನ್ಯ ಬಳಕೆದಾರರ ಫೋಟೋಗಳಿಗಿಂತ ಸ್ವಲ್ಪ ಹೆಚ್ಚಿನ ಗುಣಮಟ್ಟವನ್ನು ಹೊಂದಿದೆ, ಆದರೆ ಇನ್ನೂ. ಒಟ್ಟಾರೆ ಗಾತ್ರದ ಮೇಲೆ ಲೈಬ್ರರಿಯ ಎನ್‌ಕೋಡಿಂಗ್ ವೈಶಿಷ್ಟ್ಯಗಳ ಪ್ರಭಾವವನ್ನು ತಟಸ್ಥಗೊಳಿಸಲು ಪ್ರತಿಯೊಂದನ್ನು libjpeg ಬಳಸಿಕೊಂಡು ಮರು-ಎನ್‌ಕೋಡ್ ಮಾಡಲಾಗಿದೆ. ಸಂಕುಚಿತ ಡೇಟಾದ ಕೆಟ್ಟ ಉದಾಹರಣೆಯನ್ನು ಸೂಚಿಸಲು, ಯಾದೃಚ್ಛಿಕ 36-ಮೀಟರ್ (ಒಟ್ಟು ಗಾತ್ರದ 5% ಕ್ಕಿಂತ ಸ್ವಲ್ಪ ಹೆಚ್ಚು) ಏಕರೂಪವಾಗಿ ವಿತರಿಸಲಾದ ಫೈಲ್ ಅನ್ನು ಡಿಡಿ ಬಳಸಿ ರಚಿಸಲಾಗಿದೆ.

ಪರೀಕ್ಷಾ ಪ್ರಕ್ರಿಯೆಯು ತುಂಬಾ ಸರಳವಾಗಿದೆ:

$ ls
binary_data dogs f5ar
$ du -sh dogs/
633M dogs/
$ du -h binary_data
36M binary_data

$ ./f5ar -p dogs/ .*jpg binary_data dogs.f5ar
Reading compressing file... ok
Initializing the archive... ok
Analysing library capacity... done in 16.8s
Detected somewhat guaranteed capacity of 48439359 bytes
Detected possible capacity of upto 102618787 bytes
Compressing... done in 32.6s
Saving the archive... ok

$ ./f5ar -u dogs/dogs.f5ar unpacked
Initializing the archive... ok
Reading the archive file... ok
Filling the archive with files... done in 1.2s
Decompressing... done in 17.5s
Writing extracted data... ok

$ sha1sum binary_data unpacked
ba7ade4bc77881ab463121e77bbd4d41ee181ae9 binary_data
ba7ade4bc77881ab463121e77bbd4d41ee181ae9 unpacked
$ du -sh dogs/
563M dogs/

ಅಥವಾ ಅಭಿಮಾನಿಗಳಿಗೆ ಸ್ಕ್ರೀನ್‌ಶಾಟ್

ನೀವು ನೋಡುವಂತೆ, ಹಾರ್ಡ್ ಡ್ರೈವಿನಲ್ಲಿ ಮೂಲ 633 + 36 == 669 ಮೆಗಾಬೈಟ್ ಡೇಟಾದಿಂದ, ನಾವು ಉತ್ತಮವಾದ 563 ನೊಂದಿಗೆ ಕೊನೆಗೊಂಡಿದ್ದೇವೆ, ನಮಗೆ ~1,188 ರ ಸಂಕುಚಿತ ಅನುಪಾತವನ್ನು ನೀಡುತ್ತೇವೆ. ಈ ಆಮೂಲಾಗ್ರ ವ್ಯತ್ಯಾಸವನ್ನು ಅತ್ಯಂತ ಸಣ್ಣ ನಷ್ಟಗಳಿಂದ ವಿವರಿಸಲಾಗಿದೆ, ಶಾಸ್ತ್ರೀಯ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು JPEG ಫೈಲ್‌ಗಳನ್ನು ಆಪ್ಟಿಮೈಜ್ ಮಾಡುವಾಗ ಪಡೆದಂತೆಯೇ (ಟೈನಿಜೆಪಿಜಿಯಂತಹವು). ಸ್ವಾಭಾವಿಕವಾಗಿ, ಸ್ಟೆಗಾನೋಗ್ರಾಫಿಕ್ ಕಂಪ್ರೆಷನ್ ಅನ್ನು ಬಳಸುವಾಗ, ಮಾಹಿತಿಯು ಸರಳವಾಗಿ "ಕಳೆದುಹೋಗುವುದಿಲ್ಲ", ಆದರೆ ಇತರ ಡೇಟಾವನ್ನು ಎನ್ಕೋಡ್ ಮಾಡಲು ಬಳಸಲಾಗುತ್ತದೆ.ಇದಲ್ಲದೆ, F5 ಬಳಕೆಯಿಂದಾಗಿ "ಆಪ್ಟಿಮೈಸ್ಡ್" ಗುಣಾಂಕಗಳ ಸಂಖ್ಯೆಯು ಸಾಂಪ್ರದಾಯಿಕ ಆಪ್ಟಿಮೈಸೇಶನ್ಗಿಂತ ಕಡಿಮೆಯಿರುತ್ತದೆ.

ಯಾವುದೇ ಮಾರ್ಪಾಡುಗಳಿದ್ದರೂ ಅವು ಕಣ್ಣಿಗೆ ಸಂಪೂರ್ಣವಾಗಿ ಗೋಚರಿಸುವುದಿಲ್ಲ. ಕೆಳಗಿನ ಸ್ಪಾಯ್ಲರ್ ಅಡಿಯಲ್ಲಿ, ಓದುಗರು ಕಣ್ಣಿನಿಂದ ಮತ್ತು ಬದಲಾದ ಘಟಕದ ಮೌಲ್ಯಗಳನ್ನು ಮೂಲದಿಂದ ಕಳೆಯುವ ಮೂಲಕ ವ್ಯತ್ಯಾಸವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಬಹುದು (ಹೆಚ್ಚು ಮ್ಯೂಟ್ ಮಾಡಿದ ಬಣ್ಣ, ವ್ಯತ್ಯಾಸವು ಚಿಕ್ಕದಾಗಿದೆ):

ಹ್ಯಾಬ್‌ಸ್ಟೋರೇಜ್‌ನಲ್ಲಿ ಹೊಂದಿಕೆಯಾಗದ ಚಿತ್ರಗಳಿಗೆ ಲಿಂಕ್‌ಗಳು

ಮೂಲ - https://i.ibb.co/wNDLNcZ/1.jpg
ಮಾರ್ಪಡಿಸಲಾಗಿದೆ - https://i.ibb.co/qWvpfFM/1.jpg
ವ್ಯತ್ಯಾಸ - https://i.ibb.co/2ZzhHfD/diff.jpg

ಬದಲಿಗೆ ತೀರ್ಮಾನದ

ಅಂತಹ ವಿಧಾನಗಳು ಸಾಧ್ಯ ಮತ್ತು ಜೀವನಕ್ಕೆ ಹಕ್ಕಿದೆ ಎಂದು ನಾನು ಓದುಗರಿಗೆ ಮನವರಿಕೆ ಮಾಡಲು ಸಾಧ್ಯವಾಯಿತು ಎಂದು ನಾನು ಭಾವಿಸುತ್ತೇನೆ. ಆದಾಗ್ಯೂ, ಹಾರ್ಡ್ ಡ್ರೈವ್ ಅಥವಾ ಹೆಚ್ಚುವರಿ ಚಾನಲ್ ಅನ್ನು ಖರೀದಿಸುವುದು (ನೆಟ್‌ವರ್ಕ್ ಪ್ರಸರಣಕ್ಕಾಗಿ) ಈ ರೀತಿಯಲ್ಲಿ ಹಣವನ್ನು ಉಳಿಸಲು ಪ್ರಯತ್ನಿಸುವುದಕ್ಕಿಂತ ಹೆಚ್ಚು ಸರಳವಾದ ಆಯ್ಕೆಯಂತೆ ಕಾಣಿಸಬಹುದು. ಒಂದೆಡೆ, ಇದು ನಿಜ; ವ್ಯಾಪಕವಾದ ಅಭಿವೃದ್ಧಿಯು ಸಾಮಾನ್ಯವಾಗಿ ಸರಳ ಮತ್ತು ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿರುತ್ತದೆ. ಆದರೆ ಮತ್ತೊಂದೆಡೆ, ನಾವು ತೀವ್ರವಾದ ಬಗ್ಗೆ ಮರೆಯಬಾರದು. ಎಲ್ಲಾ ನಂತರ, ನಾಳೆ ನೀವು ಅಂಗಡಿಗೆ ಬರಲು ಮತ್ತು ಇನ್ನೊಂದು ಸಾವಿರ ಟೆರಾಬೈಟ್ ಹಾರ್ಡ್ ಡ್ರೈವ್ ಅನ್ನು ನೀವೇ ಖರೀದಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ ಎಂಬುದಕ್ಕೆ ಯಾವುದೇ ಗ್ಯಾರಂಟಿಗಳಿಲ್ಲ, ಆದರೆ ನೀವು ಈಗಾಗಲೇ ಮನೆಯಲ್ಲಿ ಮಲಗಿರುವದನ್ನು ನೀವು ಯಾವಾಗಲೂ ಬಳಸಬಹುದು.

-> GitHub

ಮೂಲ: www.habr.com