JPEG. കംപ്രഷൻ അൽഗോരിതം

വീണ്ടും നമസ്കാരം! 2019 മെയ് മാസത്തിൽ എഴുതിയ ഈ ലേഖനം ഞാൻ കണ്ടെത്തി. WAVE, JPEG എന്നിവയെക്കുറിച്ചുള്ള ലേഖന പരമ്പരയുടെ തുടർച്ചയാണിത്. ഇതാ ആദ്യംഇമേജ് എൻകോഡിംഗ് അൽഗോരിതം, ഫോർമാറ്റ് എന്നിവയെക്കുറിച്ചുള്ള വിവരങ്ങൾ ഈ പ്രസിദ്ധീകരണത്തിൽ ഉൾപ്പെടുത്തും.

ഒരു നുള്ള് ചരിത്രം

ഒരു ടേബിൾ സ്പൂൺ വിക്കിപീഡിയ ലേഖനം:

JPEG (ജോയിന്റ് ഫോട്ടോഗ്രാഫിക് എക്സ്പെർട്ട്സ് ഗ്രൂപ്പ്) ഫോട്ടോഗ്രാഫിക് ചിത്രങ്ങളും അതുപോലുള്ള ചിത്രങ്ങളും സംഭരിക്കുന്നതിന് ഉപയോഗിക്കുന്ന ജനപ്രിയ റാസ്റ്റർ ഗ്രാഫിക് ഫോർമാറ്റുകളിൽ ഒന്നാണ്.

കാര്യക്ഷമമായ ഇമേജ് കംപ്രഷനു വേണ്ടി 1991-ൽ ജോയിന്റ് ഫോട്ടോഗ്രാഫിക് എക്സ്പെർട്ട്സ് ഗ്രൂപ്പ് ഈ മാനദണ്ഡം വികസിപ്പിച്ചെടുത്തു.

raw-യിൽ നിന്ന് JPEG-ലേക്ക് ചിത്രങ്ങൾ സ്വീകരിക്കുന്ന പാത എന്താണ്?

ഹഫ്മാൻ രീതി ഉപയോഗിച്ച് കംപ്രസ് ചെയ്ത റോ ഡാറ്റയാണ് JPEG ഇമേജുകൾ എന്ന് ചിലർ കരുതുന്നു, പക്ഷേ ഇത് ശരിയല്ല. കംപ്രസ് ചെയ്യുന്നതിന് മുമ്പ് ഡാറ്റ ഒരു നീണ്ട പ്രക്രിയയ്ക്ക് വിധേയമാകുന്നു.

ആദ്യം, കളർ മോഡൽ RGB-യിൽ നിന്ന് YCbCr-ലേക്ക് മാറ്റുന്നു. ഇതിനായി ഒരു പ്രത്യേക അൽഗോരിതം പോലും ഉണ്ട്— ഇവിടെ. Y സ്പർശിക്കപ്പെടുന്നില്ല, കാരണം അത് തെളിച്ചത്തിന് കാരണമാകുന്നു, മാത്രമല്ല അതിന്റെ മാറ്റം ശ്രദ്ധേയമായിരിക്കും.

ഇമേജിൽ അവർ ആദ്യം ചെയ്യുന്നത് നേർത്തതാക്കൽ (ഉപസാമ്പിളിംഗ്). ഇത് മനസ്സിലാക്കാൻ എളുപ്പമാണ്: നിങ്ങൾ 2x2 പിക്സൽ ശ്രേണി എടുക്കുന്നു, തുടർന്ന് Cb, Cr എന്നിവ എടുക്കുന്നു - ഈ 4 പിക്സലുകളിലെ ഓരോ YCbCr ഘടകങ്ങളുടെയും ശരാശരി മൂല്യങ്ങൾ. അങ്ങനെ, ഞങ്ങൾ 6 ബൈറ്റുകൾ നേടി, 4 Y, 4 Cb, 4 Cr എന്നിവയ്ക്ക് പകരം, നമുക്ക് 4 Y ഉം ഓരോന്നിനും ഒരേ Cb ഉം Cr ഉം ലഭിച്ചു (4 + 4 + 4 = 12; 4 + 1 + 1 = 6; 12 - 6 = 6). 2x2 സ്കെയിലുകളിൽ പോലും, 2:1 എന്ന വീക്ഷണാനുപാതമുള്ള ലോസി കംപ്രഷൻ മികച്ചതായി തോന്നുന്നു. ഇത് മുഴുവൻ ചിത്രത്തിനും ബാധകമാണ്. അതിനാൽ, ഞങ്ങൾ വലുപ്പം പകുതിയാക്കി. നമ്മുടെ വർണ്ണ ധാരണയ്ക്ക് നന്ദി, നമുക്ക് ഈ സാങ്കേതികവിദ്യ ഉപയോഗിക്കാം. ഒരു ചെറിയ പിക്സൽ ബ്ലോക്കിൽ ശരാശരി കണക്കാക്കിയാൽ, ഒരു വ്യക്തിക്ക് തെളിച്ചത്തിലെ വ്യത്യാസം എളുപ്പത്തിൽ കാണാൻ കഴിയും, പക്ഷേ നിറത്തിലല്ല. നേർത്തതാക്കൽ ഒരു വരിയിലും, 4 പിക്സലുകൾ തിരശ്ചീനമായും ലംബമായും നടത്താം. ആദ്യ ഓപ്ഷൻ കൂടുതൽ തവണ ഉപയോഗിക്കുന്നു. ചിത്രത്തിന്റെ ഗുണനിലവാരം പ്രധാനമാണെങ്കിൽ, നേർത്തതാക്കൽ ഒട്ടും നടത്തുന്നില്ല.
നേർത്തതാക്കലിന്റെ ഒരു ദൃശ്യ ചിത്രീകരണം (ഹാബർ എന്നെ ഒരു GIF ചേർക്കാൻ അനുവദിച്ചില്ല) https://i.ibb.co/Rg5Th9H/150953010617579181.gif

തയ്യാറെടുപ്പിന്റെ പ്രധാന ഭാഗം

ഡിസിടി

ഇനിയാണ് ഏറ്റവും ബുദ്ധിമുട്ടുള്ളതും ആവശ്യമുള്ളതുമായ ഭാഗം വരുന്നത്. മുഴുവൻ ചിത്രവും 8x8 ബ്ലോക്കുകളായി തിരിച്ചിരിക്കുന്നു (റസല്യൂഷൻ ബ്ലോക്ക് വലുപ്പത്തിന്റെ ഗുണിതമല്ലെങ്കിൽ പാഡിംഗ് ഉപയോഗിക്കുന്നു).

ഇനി ഓരോ ബ്ലോക്കിലും പ്രയോഗിക്കുക ഡിസിടി (ഡിസ്‌ക്രീറ്റ് കോസൈൻ ട്രാൻസ്‌ഫോം)ഈ വിഭാഗത്തിൽ, ചിത്രത്തിൽ നിന്ന് അനാവശ്യമായ എല്ലാ ഘടകങ്ങളും നീക്കം ചെയ്യുന്നു. DCT ഉപയോഗിച്ച്, നൽകിയിരിക്കുന്ന ഒരു ബ്ലോക്ക് (8x8) ചിത്രത്തിന്റെ ഒരു ഏകതാനമായ ഭാഗത്തെ വിവരിക്കുന്നുണ്ടോ: ആകാശം, ഒരു മതിൽ; അല്ലെങ്കിൽ അതിൽ സങ്കീർണ്ണമായ ഒരു ഘടന (രോമം, ചിഹ്നങ്ങൾ മുതലായവ) അടങ്ങിയിട്ടുണ്ടോ എന്ന് നമ്മൾ നിർണ്ണയിക്കേണ്ടതുണ്ട്. ബ്ലോക്ക് വലുപ്പം ഇതിനകം അറിയപ്പെടുന്നതിനാൽ, സമാനമായ നിറമുള്ള 64 പിക്സലുകളെ ഒന്ന് കൊണ്ട് മാത്രമേ വിവരിക്കാൻ കഴിയൂ എന്നത് യുക്തിസഹമാണ്. അതാണ് കംപ്രഷൻ അനുപാതം: 64 മുതൽ 1 വരെ.

ഡിസിടി ബ്ലോക്കിനെ ഒരു സ്പെക്ട്രമാക്കി മാറ്റുന്നു, റീഡിംഗുകൾ കുത്തനെ മാറുന്നിടത്ത്, ഗുണകം പോസിറ്റീവ് ആയി മാറുന്നു, സംക്രമണം മൂർച്ച കൂടുന്നതിനനുസരിച്ച് ഔട്ട്‌പുട്ട് കൂടുതലാണ്. ഗുണകം കൂടുതലുള്ളിടത്ത്, ചിത്രം നിറത്തിലും തെളിച്ചത്തിലും വ്യക്തമായ സംക്രമണങ്ങൾ ചിത്രീകരിക്കുന്നു; അത് കുറവാണെങ്കിൽ, ബ്ലോക്കിലെ YCbCr ഘടകങ്ങളുടെ മൂല്യങ്ങളിൽ സൂക്ഷ്മമായ (സുഗമമായ) മാറ്റങ്ങൾ ദൃശ്യമാകും.

ക്വാണ്ടൈസേഷൻ

കംപ്രഷൻ ക്രമീകരണങ്ങൾ ഇവിടെ പ്രയോഗിക്കുന്നു. ഓരോ 8x8 മാട്രിക്സിലെയും ഓരോ ഗുണകത്തെയും ഒരു പ്രത്യേക സംഖ്യ കൊണ്ട് ഹരിക്കുന്നു. എല്ലാ പരിഷ്കാരങ്ങൾക്കും ശേഷം ചിത്രത്തിന്റെ ഗുണനിലവാരം കൂടുതൽ കുറയ്ക്കാൻ നിങ്ങൾ ആഗ്രഹിക്കുന്നില്ലെങ്കിൽ, ഡിവൈസർ ഒന്നായിരിക്കണം. ഫോട്ടോയുടെ മെമ്മറി ഫുട്പ്രിന്റ് നിങ്ങൾക്ക് കൂടുതൽ പ്രധാനമാണെങ്കിൽ, ഡിവൈസർ ഒന്നിൽ കൂടുതലായിരിക്കും, കൂടാതെ ഘടകത്തെ വൃത്താകൃതിയിലാക്കും. ഇതിനർത്ഥം റൗണ്ടിംഗ് പലപ്പോഴും ധാരാളം പൂജ്യങ്ങൾക്ക് കാരണമാകുന്നു എന്നാണ്.

കൂടുതൽ വലിയ കംപ്രഷൻ സാധ്യമാക്കാൻ ക്വാണ്ടൈസേഷൻ ഉപയോഗിക്കുന്നു. ക്വാണ്ടൈസ് ചെയ്ത ഗ്രാഫ് y = sin(x) ഉപയോഗിച്ച് ഇത് എങ്ങനെയിരിക്കുമെന്ന് ഇതാ:

കംപ്രഷൻ

ആദ്യം, നമ്മൾ മാട്രിക്സിലൂടെ ഒരു സിഗ്-സാഗ് പാറ്റേണിൽ പോകും:

നമുക്ക് ഒരു ഏകമാന സംഖ്യാ ശ്രേണി ലഭിക്കുന്നു. അതിൽ നിരവധി പൂജ്യങ്ങൾ അടങ്ങിയിരിക്കുന്നതായി നമുക്ക് കാണാം, അത് നീക്കം ചെയ്യാൻ കഴിയും. ഇത് ചെയ്യുന്നതിന്, നിരവധി പൂജ്യങ്ങളുടെ ഒരു ശ്രേണിക്ക് പകരം, ഒരു പൂജ്യത്തിന് ശേഷം ഒരു സംഖ്യ എഴുതുന്നു, തുടർന്ന് ശ്രേണിയിലെ അവയുടെ എണ്ണം സൂചിപ്പിക്കുന്ന ഒരു സംഖ്യ. ഈ രീതിയിൽ, നമുക്ക് മുഴുവൻ ശ്രേണിയുടെയും വലുപ്പം 1/3 ആയി കുറയ്ക്കാൻ കഴിയും. തുടർന്ന്, ഹഫ്മാൻ രീതി ഉപയോഗിച്ച് ഈ ശ്രേണി കംപ്രസ് ചെയ്ത് ഫയലിലേക്ക് തന്നെ എഴുതുക.

എവിടെയാണ് ഉപയോഗിക്കുന്നത്

എല്ലായിടത്തും. PNG പോലെ, ക്യാമറകളിലും, OS-കളിലും (കമ്പനി ലോഗോകൾ, ആപ്പ് ഐക്കണുകൾ, തംബ്‌നെയിലുകൾ എന്നിവയായി), ഇമേജുകൾ കാര്യക്ഷമമായി സംഭരിക്കേണ്ട മറ്റെവിടെയും JPEG ഉപയോഗിക്കുന്നു.

തീരുമാനം

ഇപ്പോൾ, JPEG-യെക്കുറിച്ചുള്ള അറിവ് വിദ്യാഭ്യാസ ആവശ്യങ്ങൾക്ക് മാത്രമേ വിലപ്പെട്ടതാണ്, കാരണം അത് എല്ലാത്തിലും ഉൾച്ചേർത്തതും വലിയൊരു കൂട്ടം ആളുകൾ ഒപ്റ്റിമൈസ് ചെയ്തതുമാണ്, പക്ഷേ ശാസ്ത്രത്തിന്റെ കരിങ്കല്ല് ഇപ്പോഴും രുചികരമാണ്.

ഉറവിടങ്ങൾ

YCbCr-നെക്കുറിച്ചുള്ള വിക്കിപീഡിയ ലേഖനം
JPEG-യെക്കുറിച്ചുള്ള വിക്കിപീഡിയ ലേഖനം
പിക്കാബു പോസ്റ്റിൽ നിന്ന് ഡിസിടിയെക്കുറിച്ച് കുറച്ച് വിവരങ്ങൾ
PrEP-യെക്കുറിച്ചുള്ള വിക്കിപീഡിയ ലേഖനം

അവലംബം: www.habr.com