JPEG. കംപ്രഷൻ അൽഗോരിതം

വീണ്ടും ഹലോ! ഈ ലേഖനം 2019 മെയ് മാസത്തിൽ എഴുതിയതായി ഞാൻ കണ്ടെത്തി. ഇത് WAVE, JPEG എന്നിവയെ കുറിച്ചുള്ള ലേഖനങ്ങളുടെ ഒരു തുടർച്ചയാണ്, ഇവിടെ ആദ്യം. ഈ പ്രസിദ്ധീകരണത്തിൽ ഇമേജ് എൻകോഡിംഗ് അൽഗോരിതം, ഫോർമാറ്റ് എന്നിവയെ കുറിച്ചുള്ള വിവരങ്ങൾ ഉൾപ്പെടുത്തും.

ചരിത്രത്തിന്റെ ഒരു നുള്ള്

ഒരു ടേബിൾ സ്പൂൺ വിക്കിപീഡിയ ലേഖനം:

ഫോട്ടോഗ്രാഫുകളും സമാന ചിത്രങ്ങളും സംഭരിക്കുന്നതിന് ഉപയോഗിക്കുന്ന ജനപ്രിയ റാസ്റ്റർ ഗ്രാഫിക്സ് ഫോർമാറ്റുകളിൽ ഒന്നാണ് JPEG (ജോയിന്റ് ഫോട്ടോഗ്രാഫിക് വിദഗ്ധരുടെ ഗ്രൂപ്പ്).

ഇമേജ് കംപ്രഷൻ കാര്യക്ഷമമാക്കുന്നതിനായി ജോയിന്റ് ഫോട്ടോഗ്രാഫിക് വിദഗ്ധ സംഘം 1991-ൽ ഈ മാനദണ്ഡം വികസിപ്പിച്ചെടുത്തു.

എങ്ങനെയാണ് ചിത്രങ്ങൾ റോയിൽ നിന്ന് JPEG-ലേക്ക് പോകുന്നത്?

JPEG ഇമേജുകൾ ഹഫ്മാൻ രീതി ഉപയോഗിച്ച് കംപ്രസ് ചെയ്ത റോ ഡാറ്റയാണെന്ന് ചിലർ കരുതുന്നു, എന്നാൽ ഇത് ശരിയല്ല. കൺട്രോൾ കംപ്രഷൻ മുമ്പ്, ഡാറ്റ വളരെ ദൂരം സഞ്ചരിക്കുന്നു.

ആദ്യം, കളർ മോഡൽ RGB-യിൽ നിന്ന് YCbCr-ലേക്ക് മാറ്റുന്നു. ഇതിനായി ഒരു പ്രത്യേക അൽഗോരിതം പോലും ഉണ്ട് - ഇവിടെ. Y സ്പർശിച്ചിട്ടില്ല, കാരണം അത് തെളിച്ചത്തിന് ഉത്തരവാദിയാണ്, മാത്രമല്ല അതിന്റെ മാറ്റം ശ്രദ്ധേയമാകും.

ചിത്രവുമായി ആദ്യം ചെയ്യേണ്ടത് "നേർത്തത്" (ഉപസാമ്പിൾ). ഇത് മനസ്സിലാക്കാൻ എളുപ്പമാണ്: 2x2 പിക്സലുകൾ എടുക്കുന്നു, തുടർന്ന് Cb, Cr എന്നിവ എടുക്കുന്നു - ഈ 4 പിക്സലുകളിലെ ഓരോ YCbCr ഘടകങ്ങളുടെയും ശരാശരി മൂല്യങ്ങൾ. അതിനാൽ, ഞങ്ങൾ 6 ബൈറ്റുകൾ നേടി, 4 Y, 4 Cb, 4 Cr എന്നിവയ്‌ക്ക് പകരം ഞങ്ങൾക്ക് 4 Y ഉം അവയിൽ ഓരോന്നിനും ഒരേ Cb, Cr എന്നിവ ലഭിച്ചു (4 + 4 + 4 = 12; 4 + 1 + 1 = 6; 12 - 6 = 6). 2x2 സ്കെയിലിൽ പോലും, 2:1 കംപ്രഷൻ അനുപാതമുള്ള ലോസി കംപ്രഷൻ സോളിഡ് ആയി തോന്നുന്നു. ഇത് മുഴുവൻ ചിത്രത്തിനും ബാധകമാണ്. അങ്ങനെ - അവ പകുതി വലിപ്പം കുറഞ്ഞു. ഞങ്ങളുടെ വർണ്ണ ധാരണയ്ക്ക് നന്ദി ഈ സാങ്കേതികവിദ്യ ഉപയോഗിക്കാം. പിക്സലുകളുടെ ഒരു ചെറിയ ബ്ലോക്കിൽ ശരാശരിയാണെങ്കിൽ ഒരു വ്യക്തി തെളിച്ചത്തിൽ വ്യത്യാസം എളുപ്പത്തിൽ ശ്രദ്ധിക്കും, പക്ഷേ നിറത്തിലല്ല. 4 പിക്സലുകൾ തിരശ്ചീനമായും ലംബമായും ഒരു വരിയിലും നേർത്തതാക്കാം. ആദ്യ ഓപ്ഷൻ കൂടുതൽ തവണ ഉപയോഗിക്കുന്നു. ചിത്രത്തിന്റെ ഗുണനിലവാരം പ്രധാനമാണെങ്കിൽ, ഡെസിമേഷൻ നടത്തില്ല.
മെലിഞ്ഞതിന്റെ ഒരു വിഷ്വൽ ചിത്രം (ഒരു gif ചേർക്കാൻ Habr എന്നെ അനുവദിച്ചില്ല) - https://i.ibb.co/Rg5Th9H/150953010617579181.gif

തയ്യാറെടുപ്പിന്റെ പ്രധാന ഭാഗം

ഡി.കെ.പി

ഇപ്പോൾ ഏറ്റവും ബുദ്ധിമുട്ടുള്ളതും ആവശ്യമുള്ളതുമായ ഭാഗം വരുന്നു. മുഴുവൻ ചിത്രവും 8x8 ബ്ലോക്കുകളായി തിരിച്ചിരിക്കുന്നു (റിസലൂഷൻ ബ്ലോക്ക് സൈഡിന്റെ ഗുണിതമല്ലെങ്കിൽ പൂരിപ്പിക്കൽ ഉപയോഗിക്കുന്നു).

ഇപ്പോൾ ഓരോ ബ്ലോക്കിലും പ്രയോഗിക്കുക DCT (ഡിസ്‌ക്രീറ്റ് കോസൈൻ ട്രാൻസ്‌ഫോം). ഈ ഭാഗത്ത്, അനാവശ്യമായ എല്ലാം ചിത്രത്തിൽ നിന്ന് പുറത്തെടുക്കുന്നു. DCT ഉപയോഗിച്ച്, തന്നിരിക്കുന്ന ബ്ലോക്ക് (8×8) ചിത്രത്തിന്റെ ഏതെങ്കിലും ഏകതാനമായ ഭാഗത്തെ വിവരിക്കുന്നുണ്ടോ എന്ന് നിങ്ങൾ മനസ്സിലാക്കേണ്ടതുണ്ട്: ആകാശം, മതിൽ; അല്ലെങ്കിൽ അതിൽ സങ്കീർണ്ണമായ ഘടന (മുടി, ചിഹ്നങ്ങൾ മുതലായവ) അടങ്ങിയിരിക്കുന്നു. സമാനമായ നിറമുള്ള 64 പിക്സലുകൾ വെറും 1 കൊണ്ട് വിവരിക്കാം എന്നത് യുക്തിസഹമാണ്, കാരണം ബ്ലോക്കിന്റെ വലുപ്പം ഇതിനകം അറിയാം. കംപ്രഷനായി വളരെയധികം: 64 മുതൽ 1 വരെ.

ഡിസിടി ബ്ലോക്കിനെ ഒരു സ്പെക്‌ട്രമാക്കി മാറ്റുന്നു, റീഡിംഗുകൾ കുത്തനെ മാറുന്നിടത്ത് കോഫിഫിഷ്യന്റ് പോസിറ്റീവ് ആയി മാറുന്നു, പരിവർത്തനം മൂർച്ചയേറിയതനുസരിച്ച് ഔട്ട്‌പുട്ട് കൂടുതലായിരിക്കും. കോഫിഫിഷ്യന്റ് കൂടുതലുള്ളിടത്ത്, ചിത്രം നിറത്തിലും തെളിച്ചത്തിലും വ്യക്തമായ പരിവർത്തനങ്ങൾ കാണിക്കുന്നു, അവിടെ അത് കുറവാണെങ്കിൽ - ബ്ലോക്കിലെ YCbCr ഘടകങ്ങളുടെ മൂല്യങ്ങളിൽ ദുർബലമായ (മിനുസമാർന്ന) മാറ്റങ്ങൾ.

ക്വാണ്ടൈസേഷൻ

കംപ്രഷൻ ക്രമീകരണങ്ങൾ ഇതിനകം ഇവിടെ പ്രയോഗിച്ചു. ഓരോ 8x8 മെട്രിക്സുകളിലെയും ഓരോ ഗുണകങ്ങളും ഒരു നിശ്ചിത സംഖ്യ കൊണ്ട് ഹരിച്ചിരിക്കുന്നു. എല്ലാ പരിഷ്കാരങ്ങൾക്കും ശേഷവും നിങ്ങൾ ചിത്രത്തിന്റെ ഗുണനിലവാരം കുറയ്ക്കുന്നില്ലെങ്കിൽ, വിഭജനം ഒന്നായിരിക്കണം. ഈ ഫോട്ടോ ഉൾക്കൊള്ളുന്ന മെമ്മറി നിങ്ങൾക്ക് കൂടുതൽ പ്രധാനമാണെങ്കിൽ, വിഭജനം 1-ൽ കൂടുതലായിരിക്കും, ഘടകഭാഗം വൃത്താകൃതിയിലായിരിക്കും. റൗണ്ടിംഗിന് ശേഷം നിങ്ങൾ പലപ്പോഴും ധാരാളം പൂജ്യങ്ങളിൽ അവസാനിക്കുമെന്ന് ഇത് മാറുന്നു.

ഇതിലും വലിയ കംപ്രഷൻ സാധ്യത സൃഷ്ടിക്കുന്നതിനാണ് ക്വാണ്ടൈസേഷൻ നടത്തുന്നത്. y = sin(x) എന്ന ഗ്രാഫ് ക്വാണ്ടൈസ് ചെയ്യുന്നതിനുള്ള ഉദാഹരണം ഉപയോഗിക്കുന്നത് എങ്ങനെയെന്ന് ഇതാ:

കംപ്രഷൻ

ആദ്യം നമ്മൾ ഒരു സിഗ്-സാഗ് പാറ്റേണിൽ മാട്രിക്സിലൂടെ പോകുന്നു:

അക്കങ്ങളുള്ള ഒരു ഏകമാന ശ്രേണി നമുക്ക് ലഭിക്കും. അതിൽ ധാരാളം പൂജ്യങ്ങൾ ഉണ്ടെന്ന് ഞങ്ങൾ കാണുന്നു, അവ നീക്കംചെയ്യാം. ഇത് ചെയ്യുന്നതിന്, നിരവധി പൂജ്യങ്ങളുടെ ഒരു ശ്രേണിക്ക് പകരം, ഞങ്ങൾ 1 പൂജ്യവും അതിന് ശേഷം ക്രമത്തിൽ അവയുടെ സംഖ്യയെ സൂചിപ്പിക്കുന്ന ഒരു സംഖ്യയും നൽകുക. ഇതുവഴി നിങ്ങൾക്ക് മുഴുവൻ ശ്രേണിയുടെയും 1/3 വലുപ്പത്തിലേക്ക് റീസെറ്റ് ചെയ്യാം. തുടർന്ന് ഞങ്ങൾ ഹഫ്മാൻ രീതി ഉപയോഗിച്ച് ഈ അറേ കംപ്രസ് ചെയ്യുകയും ഫയലിൽ തന്നെ എഴുതുകയും ചെയ്യുന്നു.

എവിടെയാണ് ഉപയോഗിക്കുന്നത്

എല്ലായിടത്തും. PNG പോലെ, JPEG ക്യാമറകൾ, OS-കൾ (കമ്പനി ലോഗോകൾ, ആപ്ലിക്കേഷൻ ഐക്കണുകൾ, ലഘുചിത്രങ്ങൾ) കൂടാതെ ചിത്രങ്ങൾ കാര്യക്ഷമമായി സൂക്ഷിക്കേണ്ട എല്ലാ മേഖലകളിലും ഉപയോഗിക്കുന്നു.

തീരുമാനം

ഇപ്പോൾ, JPEG നെക്കുറിച്ചുള്ള അറിവ് ഇപ്പോൾ വിദ്യാഭ്യാസ ആവശ്യങ്ങൾക്ക് മാത്രം വിലപ്പെട്ടതാണ്, കാരണം ഇത് ഇതിനകം എല്ലായിടത്തും നിർമ്മിക്കുകയും വലിയ കൂട്ടം ആളുകൾ ഒപ്റ്റിമൈസ് ചെയ്യുകയും ചെയ്തിട്ടുണ്ട്, പക്ഷേ ശാസ്ത്രത്തിന്റെ ഗ്രാനൈറ്റ് ഇപ്പോഴും രുചികരമാണ്.

ഉറവിടങ്ങൾ

വിക്കിപീഡിയയിലെ YCbCr-നെക്കുറിച്ചുള്ള ലേഖനം
JPEG-ലെ വിക്കിപീഡിയ ലേഖനം
Pikabu പോസ്റ്റിൽ നിന്ന് PrEP-യെ കുറിച്ച് കുറച്ച്
PreP-യെക്കുറിച്ചുള്ള വിക്കിപീഡിയ ലേഖനം

അവലംബം: www.habr.com