JPEG फॉरमॅट कसे काम करते

JPEG प्रतिमा आपल्या डिजिटल जीवनात सर्वव्यापी आहेत, परंतु जागरूकतेच्या या पोशाखामागे अल्गोरिदम आहेत जे मानवी डोळ्यांना न समजणारे तपशील काढून टाकतात. परिणाम सर्वात लहान फाइल आकारात सर्वोच्च व्हिज्युअल गुणवत्ता आहे - परंतु हे सर्व कसे कार्य करते? आपल्या डोळ्यांना नक्की काय दिसत नाही ते पाहूया!

मित्राला फोटो पाठवण्याची आणि ते कोणते डिव्हाइस, ब्राउझर किंवा ऑपरेटिंग सिस्टम वापरत आहेत याची काळजी न करण्याची क्षमता स्वीकारणे सोपे आहे - परंतु नेहमीच असे नव्हते. 1980 च्या दशकाच्या सुरुवातीस, संगणक डिजिटल प्रतिमा संचयित आणि प्रदर्शित करू शकत होते, परंतु हे करण्याच्या सर्वोत्तम मार्गाबद्दल अनेक प्रतिस्पर्धी कल्पना होत्या. तुम्ही फक्त एका संगणकावरून दुसऱ्या संगणकावर प्रतिमा पाठवू शकत नाही आणि ते कार्य करेल अशी आशा आहे.

या समस्येचे निराकरण करण्यासाठी, 1986 मध्ये जगभरातील तज्ञांची एक समिती ""छायाचित्रण तज्ञांचा संयुक्त गट» (जॉइंट फोटोग्राफिक एक्सपर्ट्स ग्रुप, JPEG), इंटरनॅशनल ऑर्गनायझेशन फॉर स्टँडर्डायझेशन (ISO) आणि इंटरनॅशनल इलेक्ट्रोटेक्निकल कमिशन (IEC) यांच्यात संयुक्त प्रयत्न म्हणून स्थापित, दोन आंतरराष्ट्रीय मानक संस्था, ज्याचे मुख्यालय जिनिव्हा, स्वित्झर्लंड येथे आहे.

JPEG नावाच्या लोकांच्या गटाने 1992 मध्ये JPEG डिजिटल इमेज कॉम्प्रेशन मानक तयार केले. जो कोणी इंटरनेट वापरला आहे त्याला कदाचित JPEG एन्कोड केलेल्या प्रतिमा आल्या असतील. इमेज एन्कोड करण्याचा, पाठवण्याचा आणि संग्रहित करण्याचा हा सर्वात सामान्य मार्ग आहे. वेब पृष्ठांपासून ते सोशल मीडियावर ईमेलपर्यंत, JPEG दिवसातून कोट्यवधी वेळा वापरला जातो—प्रत्येक वेळी जेव्हा आपण एखादी प्रतिमा ऑनलाइन पाहतो किंवा पाठवतो. JPEG शिवाय, वेब कमी रंगीत, धीमे आणि कदाचित कमी मांजरीचे चित्र असेल!

हा लेख JPEG प्रतिमा कशी डीकोड करायची याबद्दल आहे. दुसऱ्या शब्दांत, संगणकावर संचयित केलेला संकुचित डेटा स्क्रीनवर दिसणाऱ्या प्रतिमेमध्ये रूपांतरित करण्यासाठी काय आवश्यक आहे. हे जाणून घेण्यासारखे आहे, केवळ आम्ही दररोज वापरत असलेले तंत्रज्ञान समजून घेणे महत्त्वाचे आहे म्हणून नाही, तर कॉम्प्रेशन पातळी अनलॉक करून, आम्ही समज आणि दृष्टी आणि आमचे डोळे कोणत्या तपशीलांसाठी सर्वात संवेदनशील आहेत याबद्दल अधिक जाणून घेतो.

याव्यतिरिक्त, अशा प्रकारे प्रतिमा खेळणे खूप मनोरंजक आहे.

जेपीईजी आत पाहत आहे

संगणकावर, प्रत्येक गोष्ट बायनरी संख्यांचा क्रम म्हणून संग्रहित केली जाते. सामान्यतः हे बिट, शून्य आणि एक, बाइट्स बनवण्यासाठी आठच्या गटात गटबद्ध केले जातात. जेव्हा तुम्ही कॉम्प्युटरवर JPEG इमेज उघडता, तेव्हा काहीतरी (एक ब्राउझर, ऑपरेटिंग सिस्टीम, दुसरे काहीतरी) बाइट्स डीकोड करणे आवश्यक आहे, मूळ प्रतिमा प्रदर्शित करता येणाऱ्या रंगांची सूची म्हणून पुनर्संचयित करणे.

आपण हे गोड डाउनलोड केल्यास मांजरीचा फोटो आणि मजकूर संपादकात उघडा, तुम्हाला विसंगत वर्णांचा समूह दिसेल.

येथे मी फाईलमधील मजकूर तपासण्यासाठी Notepad++ वापरत आहे, कारण Windows वरील Notepad सारखे नियमित मजकूर संपादक बायनरी फाइल जतन केल्यानंतर दूषित करतील आणि ते यापुढे JPEG फॉरमॅटचे समाधान करणार नाही.

वर्ड प्रोसेसरमध्ये प्रतिमा उघडणे संगणकाला गोंधळात टाकते, जसे तुम्ही तुमचे डोळे चोळता आणि रंगाचे डाग दिसू लागतात तेव्हा तुमचा मेंदू गोंधळतो!

आपण पहात असलेले हे स्पॉट्स म्हणून ओळखले जातात फॉस्फेन्स, आणि हे मनाने निर्माण केलेल्या हलक्या उत्तेजनाचा किंवा भ्रमाचा परिणाम नाही. ते उद्भवतात कारण तुमच्या मेंदूला असे वाटते की ऑप्टिक नर्व्ह्समधील कोणतेही विद्युत सिग्नल प्रकाशाबद्दल माहिती देतात. मेंदूला या गृहितकांची आवश्यकता आहे कारण सिग्नल हा आवाज, दृष्टी किंवा इतर काही आहे की नाही हे कळण्याचा कोणताही मार्ग नाही. शरीरातील सर्व नसा तंतोतंत समान विद्युत आवेग प्रसारित करतात. तुमच्या डोळ्यांवर दबाव आणून, तुम्ही असे सिग्नल पाठवता जे दृश्य नसतात, परंतु डोळ्याचे रिसेप्टर्स सक्रिय करतात, ज्याचा तुमचा मेंदू अर्थ लावतो - या प्रकरणात, चुकीच्या पद्धतीने - काहीतरी व्हिज्युअल म्हणून. आपण अक्षरशः दबाव पाहू शकता!

संगणक हे मेंदूशी कसे सारखे आहेत याबद्दल विचार करणे मजेदार आहे, परंतु डेटाचा अर्थ किती आहे हे स्पष्ट करण्यासाठी देखील एक उपयुक्त सादृश्य आहे - मग ते शरीरात मज्जातंतूंद्वारे वाहून गेले किंवा संगणकावर संग्रहित केले गेले - त्याचा अर्थ कसा लावला जातो यावर अवलंबून आहे. सर्व बायनरी डेटा 0s आणि 1s ने बनलेला आहे, मूलभूत घटक जे कोणत्याही प्रकारची माहिती देऊ शकतात. तुमचा संगणक अनेकदा फाईल एक्स्टेंशन सारख्या संकेतांचा वापर करून त्यांचा अर्थ कसा लावायचा हे शोधून काढतो. आता आम्ही मजकूर म्हणून त्यांचा अर्थ लावायला भाग पाडतो, कारण मजकूर संपादकाला तेच अपेक्षित आहे.

JPEG कसे डीकोड करायचे हे समजून घेण्यासाठी, आम्हाला स्वतःच मूळ सिग्नल पाहणे आवश्यक आहे - बायनरी डेटा. हे हेक्साडेसिमल एडिटर वापरून किंवा थेट चालू केले जाऊ शकते मूळ लेख वेब पृष्ठ! एक प्रतिमा आहे, ज्याच्या पुढे मजकूर फील्डमध्ये त्याचे सर्व बाइट्स (शीर्षलेख वगळता) दशांश स्वरूपात सादर केले आहेत. तुम्ही ते बदलू शकता आणि स्क्रिप्ट पुन्हा एन्कोड करेल आणि फ्लायवर एक नवीन प्रतिमा तयार करेल.

या संपादकासह खेळून तुम्ही बरेच काही शिकू शकता. उदाहरणार्थ, पिक्सेल कोणत्या क्रमाने साठवले जातात हे तुम्ही सांगू शकता का?

या उदाहरणाची विचित्र गोष्ट अशी आहे की काही संख्या बदलल्याने प्रतिमेवर अजिबात परिणाम होत नाही, परंतु, उदाहरणार्थ, जर तुम्ही पहिल्या ओळीत 17 क्रमांक 0 ने बदलला तर फोटो पूर्णपणे खराब होईल!

इतर बदल, जसे की 7 ऑन लाईन 1988 ला क्रमांक 254 ने बदलणे, रंग बदलतो, परंतु फक्त त्यानंतरच्या पिक्सेलचा.

कदाचित सर्वात विचित्र गोष्ट अशी आहे की काही संख्या केवळ रंगच नव्हे तर प्रतिमेचा आकार देखील बदलतात. 70 ओळीत 12 ते 2 बदला आणि मला काय म्हणायचे आहे ते पाहण्यासाठी प्रतिमेच्या वरच्या पंक्तीकडे पहा.

आणि तुम्ही कोणती JPEG प्रतिमा वापरता हे महत्त्वाचे नाही, बाइट्स संपादित करताना तुम्हाला हे रहस्यमय बुद्धिबळ नमुने नेहमीच सापडतील.

संपादकासह खेळताना, या बाइट्समधून फोटो कसा पुन्हा तयार केला जातो हे समजणे कठीण आहे, कारण जेपीईजी कॉम्प्रेशनमध्ये तीन भिन्न तंत्रज्ञान असतात, अनुक्रमे स्तरांमध्ये लागू होतात. आम्ही पाहत असलेल्या गूढ वर्तनाचा उलगडा करण्यासाठी आम्ही प्रत्येकाचा स्वतंत्रपणे अभ्यास करू.

जेपीईजी कॉम्प्रेशनचे तीन स्तर:

1. रंग उपसँपलिंग.
2. डिस्क्रिट कोसाइन ट्रान्सफॉर्म आणि सॅम्पलिंग.
3. लांबी एन्कोडिंग चालवा, डेल्टा и हफमन

तुम्हाला कॉम्प्रेशनच्या विशालतेची कल्पना देण्यासाठी, लक्षात घ्या की वरील प्रतिमा 79 संख्या किंवा सुमारे 819 KB दर्शवते. जर आम्ही ते कॉम्प्रेशनशिवाय संग्रहित केले तर, प्रत्येक पिक्सेलला तीन संख्या आवश्यक असतील - लाल, हिरवा आणि निळा घटकांसाठी. हे 79 संख्या किंवा अंदाजे असेल. 917 KB. JPEG कॉम्प्रेशनच्या परिणामी, अंतिम फाइल 700 पेक्षा जास्त वेळा कमी झाली!

खरं तर, ही प्रतिमा अधिक संकुचित केली जाऊ शकते. खाली दोन प्रतिमा शेजारी शेजारी आहेत - उजवीकडील फोटो 16 KB पर्यंत संकुचित केला गेला आहे, म्हणजे, असंपीडित आवृत्तीपेक्षा 57 पट लहान!

जर तुम्ही बारकाईने पाहिले तर तुम्हाला दिसेल की या प्रतिमा एकसारख्या नाहीत. त्या दोन्ही JPEG कॉम्प्रेशनसह प्रतिमा आहेत, परंतु उजवीकडे व्हॉल्यूममध्ये खूपच लहान आहे. हे थोडेसे वाईट देखील दिसते (पार्श्वभूमी रंगाचे चौरस पहा). म्हणूनच JPEG ला लॉसी कॉम्प्रेशन असेही म्हणतात; कॉम्प्रेशन प्रक्रियेदरम्यान, प्रतिमा बदलते आणि काही तपशील गमावते.

1. रंग उपसॅम्पलिंग

येथे फक्त प्रथम स्तरावरील कॉम्प्रेशन लागू केलेली प्रतिमा आहे.

(परस्परसंवादी आवृत्ती - मध्ये मूळ लेख). एक संख्या काढून टाकल्याने सर्व रंग नष्ट होतात. तथापि, जर नेमके सहा आकडे काढून टाकले तर त्याचा प्रतिमेवर अक्षरशः कोणताही परिणाम होत नाही.

आता संख्या उलगडणे थोडे सोपे आहे. ही रंगांची जवळजवळ एक साधी सूची आहे, ज्यामध्ये प्रत्येक बाइट अगदी एक पिक्सेल बदलतो, परंतु त्याच वेळी ते आधीच असंपीडित प्रतिमेच्या अर्ध्या आकाराचे आहे (या कमी आकारात सुमारे 300 KB घेईल). तुम्ही का अंदाज लावू शकता?

तुम्ही पाहू शकता की या संख्या मानक लाल, हिरवा आणि निळा घटक दर्शवत नाहीत, कारण जर आपण सर्व संख्या शून्याने बदलल्या तर आपल्याला हिरवी प्रतिमा (पांढऱ्याऐवजी) मिळेल.

कारण हे बाइट्स Y (ब्राइटनेस) साठी आहेत.

Cb (सापेक्ष निळापणा),

आणि Cr (सापेक्ष लालसरपणा) चित्रे.

RGB का वापरत नाही? शेवटी, बहुतेक आधुनिक पडदे अशा प्रकारे कार्य करतात. तुमचा मॉनिटर प्रत्येक पिक्सेलसाठी वेगवेगळ्या तीव्रतेसह लाल, हिरवा आणि निळा यासह कोणताही रंग प्रदर्शित करू शकतो. तिन्ही पूर्ण ब्राइटनेस चालू करून पांढरा रंग मिळवला जातो आणि त्यांना बंद करून काळा मिळतो.

हे मानवी डोळा कसे कार्य करते यासारखे आहे. आपल्या डोळ्यातील रंग रिसेप्टर्स म्हणतात "शंकू", आणि तीन प्रकारांमध्ये विभागले गेले आहेत, त्यापैकी प्रत्येक लाल, हिरवा किंवा निळा रंगांसाठी अधिक संवेदनशील आहे [एस-प्रकारचे शंकू व्हायलेट-निळ्यामध्ये संवेदनशील असतात (इंग्रजी शॉर्टमधून एस - शॉर्ट-वेव्ह स्पेक्ट्रम), एम. -प्रकार - हिरव्या-पिवळ्यामध्ये (इंग्रजी माध्यमातील एम - मध्यम-वेव्ह), आणि एल-प्रकार - पिवळा-लाल (इंग्रजी लाँग - लाँग-वेव्ह मधील एल) स्पेक्ट्रमच्या भागांमध्ये. या तीन प्रकारच्या शंकूची उपस्थिती (आणि रॉड्स, जे स्पेक्ट्रमच्या पन्नाच्या हिरव्या भागात संवेदनशील असतात) माणसाला रंगीत दृष्टी देते. / अंदाजे. अनुवाद.] स्टिक, आपल्या डोळ्यांतील फोटोरिसेप्टरचा आणखी एक प्रकार, ब्राइटनेसमधील बदल शोधण्यात सक्षम आहे, परंतु रंगाबाबत अधिक संवेदनशील आहे. आपल्या डोळ्यांमध्ये सुमारे 120 दशलक्ष रॉड्स आणि फक्त 6 दशलक्ष शंकू आहेत.

म्हणूनच आपले डोळे रंगातील बदलांपेक्षा ब्राइटनेसमधील बदल शोधण्यात अधिक चांगले आहेत. आपण ब्राइटनेसपासून रंग वेगळे केल्यास, आपण थोडासा रंग काढू शकता आणि कोणालाही काहीही लक्षात येणार नाही. क्रोमा सबसॅम्पलिंग ही प्रतिमेचे रंग घटक ल्युमिनन्स घटकांपेक्षा कमी रिझोल्यूशनमध्ये दर्शविण्याची प्रक्रिया आहे. वरील उदाहरणात, प्रत्येक पिक्सेलमध्ये एक Y घटक असतो आणि चार पिक्सेलच्या प्रत्येक गटामध्ये एक Cb आणि एक Cr घटक असतो. म्हणून, प्रतिमेमध्ये मूळपेक्षा चार पट कमी रंगाची माहिती आहे.

YCbCr रंगाची जागा केवळ JPEG मध्ये वापरली जात नाही. हे मूलतः 1938 मध्ये दूरदर्शन कार्यक्रमांसाठी शोधण्यात आले होते. प्रत्येकाकडे रंगीत टीव्ही नसतो, त्यामुळे रंग आणि ब्राइटनेस वेगळे केल्याने प्रत्येकाला समान सिग्नल मिळू शकतो आणि रंग नसलेले टीव्ही फक्त ब्राइटनेस घटक वापरतात.

त्यामुळे संपादकातून एक अंक काढून टाकल्याने सर्व रंग पूर्णपणे नष्ट होतात. घटक YYYY Cb Cr फॉर्ममध्ये संग्रहित केले जातात (खरेतर, त्या क्रमाने आवश्यक नाही - स्टोरेज ऑर्डर फाइल शीर्षलेख मध्ये निर्दिष्ट आहे). पहिला क्रमांक काढून टाकल्याने Cb चे पहिले मूल्य Y, Cr Cb असे समजले जाईल आणि सर्वसाधारणपणे तुमच्याकडे डोमिनो इफेक्ट असेल जो चित्राचे सर्व रंग बदलतो.

JPEG तपशील तुम्हाला YCbCr वापरण्याची सक्ती करत नाही. परंतु बहुतेक फायली ते वापरतात कारण ते RGB पेक्षा चांगल्या डाउनसॅम्पल प्रतिमा तयार करते. पण त्यासाठी तुम्हाला माझा शब्द घेण्याची गरज नाही. RGB आणि YCbCr दोन्हीमध्ये प्रत्येक वैयक्तिक घटकाचे सबसॅम्पलिंग कसे दिसेल ते खालील तक्त्यामध्ये स्वतःसाठी पहा.

(परस्परसंवादी आवृत्ती - मध्ये मूळ लेख).

निळा काढून टाकणे लाल किंवा हिरव्या रंगासारखे लक्षणीय नाही. तुमच्या डोळ्यातील सहा दशलक्ष शंकूंमुळे, सुमारे 64% लाल, 32% हिरव्या आणि 2% निळ्यासाठी संवेदनशील असतात.

Y घटकाचे डाउनसॅम्पलिंग (खाली डावीकडे) उत्तम प्रकारे पाहिले जाते. अगदी लहानसा बदलही लक्षात येतो.

प्रतिमा RGB मधून YCbCr मध्ये रूपांतरित केल्याने फाईलचा आकार कमी होत नाही, परंतु ते काढले जाऊ शकणारे कमी दृश्यमान तपशील शोधणे सोपे करते. दुस-या टप्प्यात हानीकारक कॉम्प्रेशन होते. हे अधिक संकुचित स्वरूपात डेटा सादर करण्याच्या कल्पनेवर आधारित आहे.

2. डिस्क्रिट कोसाइन ट्रान्सफॉर्म आणि सॅम्पलिंग

कॉम्प्रेशनची ही पातळी, बहुतेक भागांसाठी, जेपीईजी कशाबद्दल आहे. रंगांना YCbCr मध्ये रूपांतरित केल्यानंतर, घटक स्वतंत्रपणे संकुचित केले जातात, त्यामुळे आम्ही फक्त Y घटकावर लक्ष केंद्रित करू शकतो आणि हा स्तर लागू केल्यानंतर Y घटक बाइट्स कसे दिसतात ते येथे आहे.

(परस्परसंवादी आवृत्ती - मध्ये मूळ लेख). परस्परसंवादी आवृत्तीमध्ये, पिक्सेलवर क्लिक केल्याने संपादकाला प्रतिनिधित्व करणाऱ्या ओळीवर स्क्रोल केले जाते. शेवटपासून संख्या काढून टाकण्याचा प्रयत्न करा किंवा विशिष्ट संख्येमध्ये काही शून्य जोडण्याचा प्रयत्न करा.

पहिल्या दृष्टीक्षेपात, ते खूप वाईट कॉम्प्रेशनसारखे दिसते. प्रतिमेमध्ये 100 पिक्सेल असतात आणि त्यांची चमक (Y-घटक) दर्शवण्यासाठी 000 संख्या लागतात—हे काहीही संकुचित करण्यापेक्षा वाईट आहे!

तथापि, लक्षात घ्या की यापैकी बहुतेक संख्या शून्य आहेत. शिवाय, ओळींच्या शेवटी असलेले सर्व शून्य प्रतिमा न बदलता काढले जाऊ शकतात. सुमारे 26 संख्या शिल्लक आहेत आणि हे जवळजवळ 000 पट कमी आहे!

या स्तरामध्ये बुद्धिबळाच्या नमुन्यांचे रहस्य आहे. आम्ही पाहिलेल्या इतर प्रभावांच्या विपरीत, या नमुन्यांचा देखावा एक त्रुटी नाही. ते संपूर्ण प्रतिमेचे बिल्डिंग ब्लॉक्स आहेत. संपादकाच्या प्रत्येक ओळीत 64 अनन्य नमुन्यांच्या तीव्रतेशी संबंधित 64 संख्या, डिस्क्रिट कोसाइन ट्रान्सफॉर्म (DCT) गुणांक असतात.

कोसाइन प्लॉटवर आधारित हे नमुने तयार केले जातात. त्यापैकी काही कसे दिसतात ते येथे आहे:

8 पैकी 64 शक्यता

खाली सर्व 64 नमुने दर्शविणारी प्रतिमा आहे.

(परस्परसंवादी आवृत्ती - मध्ये मूळ लेख).

या नमुन्यांचे विशेष महत्त्व आहे कारण ते 8x8 प्रतिमांचा आधार बनतात. जर तुम्हाला रेखीय बीजगणित माहित नसेल, तर याचा अर्थ असा की या 8 नमुन्यांमधून कोणतीही 8x64 प्रतिमा बनवता येते. डीसीटी ही प्रतिमा 8x8 ब्लॉक्समध्ये विभाजित करण्याची आणि प्रत्येक ब्लॉकला या 64 गुणांकांच्या संयोजनात रूपांतरित करण्याची प्रक्रिया आहे.

हे जादूसारखे दिसते की कोणतीही प्रतिमा 64 विशिष्ट नमुन्यांची बनलेली असू शकते. तथापि, हे असे म्हणण्यासारखे आहे की पृथ्वीवरील कोणत्याही स्थानाचे वर्णन दोन संख्यांनी केले जाऊ शकते - अक्षांश आणि रेखांश [गोलार्ध / अंदाजे दर्शविते. अनुवाद.] आपण अनेकदा पृथ्वीच्या पृष्ठभागाचा द्विमितीय म्हणून विचार करतो, म्हणून आपल्याला फक्त दोन संख्यांची आवश्यकता असते. 8x8 प्रतिमेमध्ये 64 परिमाणे आहेत, म्हणून आम्हाला 64 संख्या आवश्यक आहेत.

कंप्रेशनच्या बाबतीत हे आम्हाला कसे मदत करते हे अद्याप स्पष्ट नाही. जर आम्हाला 64x8 प्रतिमेचे प्रतिनिधित्व करण्यासाठी 8 संख्यांची आवश्यकता असेल, तर हे फक्त 64 ब्राइटनेस घटक संग्रहित करण्यापेक्षा चांगले का असेल? आम्ही हे त्याच कारणास्तव करतो ज्या कारणासाठी आम्ही तीन RGB क्रमांकांचे तीन YCbCr क्रमांकांमध्ये रूपांतर केले: ते आम्हाला सूक्ष्म तपशील काढण्याची परवानगी देते.

या टप्प्यावर नेमका कोणता तपशील काढला जातो हे पाहणे कठीण आहे कारण JPEG 8x8 ब्लॉक्सवर DCT लागू करते. तथापि, कोणीही आम्हाला संपूर्ण चित्रावर लागू करण्यास मनाई करत नाही. संपूर्ण चित्रावर लागू केलेल्या Y घटकासाठी DCT कसा दिसतो ते येथे आहे:

60 पेक्षा जास्त संख्या फोटोमध्ये अक्षरशः लक्षात येण्याजोग्या बदलांसह शेवटपासून काढल्या जाऊ शकतात.

तथापि, लक्षात घ्या की जर आपण पहिल्या पाच संख्यांना शून्य केले तर फरक स्पष्ट होईल.

सुरुवातीला संख्या प्रतिमेतील कमी वारंवारतेतील बदल दर्शवितात, जे आपले डोळे उत्तम प्रकारे उचलतात. शेवटच्या दिशेने असलेल्या संख्या उच्च फ्रिक्वेन्सीमधील बदल दर्शवितात जे लक्षात घेणे अधिक कठीण आहे. "डोळा काय पाहू शकत नाही ते पाहण्यासाठी," आम्ही पहिल्या 5000 संख्यांना शून्य करून हे उच्च वारंवारता तपशील वेगळे करू शकतो.

आम्ही प्रतिमेची सर्व क्षेत्रे पाहतो जिथे पिक्सेल ते पिक्सेलपर्यंत सर्वात मोठा बदल होतो. मांजरीचे डोळे, त्याचे मूंछ, टेरी ब्लँकेट आणि खालच्या डाव्या कोपर्यात सावल्या दिसतात. पहिल्या 10 क्रमांकांना शून्य करून तुम्ही पुढे जाऊ शकता:

४००१:

४००१:

४००१:

कॉम्प्रेशन स्टेज दरम्यान हे उच्च-वारंवारता तपशील JPEG द्वारे काढले जातात. रंगांना डीसीटी गुणांकांमध्ये रूपांतरित करण्यात कोणतेही नुकसान नाही. तोटा सॅम्पलिंग चरणावर होतो, जेथे उच्च-फ्रिक्वेंसी किंवा जवळपास-शून्य मूल्ये काढली जातात. जेव्हा तुम्ही JPEG सेव्हिंग क्वालिटी कमी करता, तेव्हा प्रोग्राम काढलेल्या व्हॅल्यूच्या संख्येसाठी थ्रेशोल्ड वाढवतो, ज्यामुळे फाइलचा आकार कमी होतो, परंतु चित्र अधिक पिक्सेलेटेड बनते. म्हणूनच पहिल्या विभागातील प्रतिमा, जी 57 पट लहान होती, अशी दिसली. प्रत्येक 8x8 ब्लॉक उच्च दर्जाच्या आवृत्तीच्या तुलनेत खूपच कमी DCT गुणांकांद्वारे दर्शविले गेले.

तुम्ही प्रतिमांचा क्रमिक प्रवाहासारखा छान प्रभाव तयार करू शकता. तुम्ही अस्पष्ट चित्र प्रदर्शित करू शकता जे अधिकाधिक गुणांक डाउनलोड केल्यामुळे अधिकाधिक तपशीलवार बनते.

येथे, फक्त मनोरंजनासाठी, तुम्हाला फक्त 24 नंबर वापरून मिळतात:

किंवा फक्त 5000:

खूप अस्पष्ट, परंतु कसे तरी ओळखण्यायोग्य!

3. लांबी एन्कोडिंग, डेल्टा आणि हफमन चालवा

आतापर्यंत, कॉम्प्रेशनचे सर्व टप्पे हानीकारक आहेत. शेवटचा टप्पा, उलटपक्षी, तोटा न करता पुढे जातो. हे माहिती हटवत नाही, परंतु फाइल आकारात लक्षणीय घट करते.

माहिती फेकून न देता आपण काहीतरी संकुचित कसे करू शकता? 700 x 437 या साध्या काळ्या आयताचे वर्णन कसे करायचे याची कल्पना करा.

यासाठी JPEG 5000 नंबर वापरतो, पण बरेच चांगले परिणाम मिळू शकतात. तुम्ही एखाद्या एन्कोडिंग योजनेची कल्पना करू शकता जी अशा प्रतिमेचे वर्णन शक्य तितक्या कमी बाइट्समध्ये करेल?

मी ज्या किमान स्कीमसह येऊ शकलो ती चार वापरते: तीन रंग दर्शवण्यासाठी आणि चौथा रंग किती पिक्सेल आहे हे दर्शवण्यासाठी. या कंडेन्स्ड पद्धतीने रिपीट व्हॅल्यूजचे प्रतिनिधित्व करण्याच्या कल्पनेला रन-लेंथ एन्कोडिंग म्हणतात. हे दोषरहित आहे कारण आम्ही एन्कोड केलेला डेटा त्याच्या मूळ स्वरूपात पुनर्संचयित करू शकतो.

काळ्या आयतासह JPEG फाइल 4 बाइट्सपेक्षा खूप मोठी आहे - लक्षात ठेवा की DCT स्तरावर, 8x8 पिक्सेल ब्लॉक्सवर कॉम्प्रेशन लागू केले जाते. म्हणून, किमान, आम्हाला प्रत्येक 64 पिक्सेलसाठी एक DCT गुणांक आवश्यक आहे. आम्हाला एक आवश्यक आहे कारण एक DCT गुणांक संचयित करण्याऐवजी 63 शून्य, रन लेंथ एन्कोडिंग आम्हाला एक संख्या संचयित करण्यास अनुमती देते आणि सूचित करते की "इतर सर्व शून्य आहेत."

डेल्टा एन्कोडिंग हे एक तंत्र आहे ज्यामध्ये प्रत्येक बाइटमध्ये निरपेक्ष मूल्याऐवजी काही मूल्यापेक्षा फरक असतो. म्हणून, काही बाइट्स संपादित केल्याने इतर सर्व पिक्सेलचा रंग बदलतो. उदाहरणार्थ, साठवण्याऐवजी

12 13 14 14 14 13 13 14

आपण 12 ने सुरुवात करू शकतो आणि नंतर पुढील संख्या मिळविण्यासाठी आपल्याला किती जोडणे किंवा वजा करणे आवश्यक आहे हे दर्शवू शकतो. आणि डेल्टा कोडिंगमधील हा क्रम फॉर्म घेतो:

12 1 1 0 0 -1 0 1

रूपांतरित डेटा मूळ डेटापेक्षा लहान नाही, परंतु तो संकुचित करणे सोपे आहे. रन लेन्थ एन्कोडिंगपूर्वी डेल्टा एन्कोडिंग लागू करणे लॉसलेस कॉम्प्रेशन असतानाही खूप मदत करू शकते.

डेल्टा कोडिंग हे 8x8 ब्लॉक्सच्या बाहेर वापरल्या जाणाऱ्या काही तंत्रांपैकी एक आहे. 64 DCT गुणांकांपैकी, एक फक्त एक स्थिर लहरी कार्य (घन रंग) आहे. हे लुमा घटकांसाठी प्रत्येक ब्लॉकची सरासरी ब्राइटनेस किंवा Cb घटकांसाठी सरासरी ब्लूनेस, इत्यादी दर्शवते. प्रत्येक डीसीटी ब्लॉकच्या पहिल्या व्हॅल्यूला डीसी व्हॅल्यू म्हणतात आणि प्रत्येक डीसी व्हॅल्यू मागील ब्लॉकच्या संदर्भात डेल्टा एन्कोड केलेले असते. म्हणून, पहिल्या ब्लॉकची चमक बदलणे सर्व ब्लॉक्सवर परिणाम करेल.

अंतिम गूढ राहते: एकवचनी बदलल्याने संपूर्ण चित्र कसे नष्ट होते? आतापर्यंत, कॉम्प्रेशन लेव्हलमध्ये असे गुणधर्म नव्हते. उत्तर जेपीईजी हेडरमध्ये आहे. पहिल्या 500 बाइट्समध्ये प्रतिमेबद्दलचा मेटाडेटा असतो - रुंदी, उंची इ. आणि आम्ही अद्याप त्यांच्यासोबत काम केलेले नाही.

हेडरशिवाय JPEG डीकोड करणे जवळजवळ अशक्य (किंवा खूप कठीण) आहे. असे दिसेल की मी तुम्हाला चित्राचे वर्णन करण्याचा प्रयत्न करीत आहे आणि मी माझे मत व्यक्त करण्यासाठी शब्द शोधण्यास सुरुवात केली आहे. वर्णन कदाचित खूप संकुचित असेल, कारण मला ज्या अर्थाचा अर्थ सांगायचा आहे त्या शब्दांचा मी शोध लावू शकतो, परंतु इतर प्रत्येकासाठी ते अर्थपूर्ण होणार नाहीत.

हे मूर्खपणाचे वाटते, परंतु तेच घडते. प्रत्येक JPEG प्रतिमा विशिष्ट कोडसह संकुचित केली जाते. कोड डिक्शनरी हेडरमध्ये संग्रहित आहे. या तंत्राला हफमन कोड म्हणतात आणि शब्दसंग्रहाला हफमन टेबल म्हणतात. हेडरमध्ये, टेबल दोन बाइट्सने चिन्हांकित केले आहे - 255 आणि नंतर 196. प्रत्येक रंग घटकाचे स्वतःचे टेबल असू शकते.

टेबलमधील बदल कोणत्याही प्रतिमेवर आमूलाग्र परिणाम करतात. एक चांगले उदाहरण म्हणजे 15 वी ओळ बदलून 1 करणे.

हे घडते कारण सारणी वैयक्तिक बिट्स कसे वाचले जावे हे निर्दिष्ट करतात. आतापर्यंत आपण केवळ बायनरी संख्यांसह दशांश स्वरूपात काम केले आहे. परंतु हे आपल्यापासून हे तथ्य लपवून ठेवते की जर तुम्हाला बाइटमध्ये क्रमांक 1 संग्रहित करायचा असेल तर तो 00000001 सारखा दिसेल, कारण प्रत्येक बाइटमध्ये अगदी आठ बिट असणे आवश्यक आहे, जरी त्यापैकी फक्त एक आवश्यक असला तरीही.

जर तुमच्याकडे खूप लहान संख्या असतील तर हे संभाव्यतः जागेचा मोठा अपव्यय आहे. हफमन कोड हे एक तंत्र आहे जे आम्हाला ही आवश्यकता शिथिल करण्यास अनुमती देते की प्रत्येक संख्येने आठ बिट व्यापले पाहिजेत. याचा अर्थ असा की जर तुम्हाला दोन बाइट दिसत असतील तर:

234 115

मग, हफमन टेबलवर अवलंबून, हे तीन संख्या असू शकतात. ते काढण्यासाठी, आपण प्रथम त्यांना वैयक्तिक बिट्समध्ये विभाजित करणे आवश्यक आहे:

11101010 01110011

मग त्यांचा गट कसा करायचा हे शोधण्यासाठी आम्ही टेबल पाहतो. उदाहरणार्थ, हे पहिले सहा बिट्स, (111010), किंवा 58 दशांश, त्यानंतर पाच बिट्स (10011), किंवा 19, आणि शेवटी शेवटचे चार बिट (0011), किंवा 3 असू शकतात.

म्हणून, कॉम्प्रेशनच्या या टप्प्यावर बाइट्स समजणे फार कठीण आहे. बाइट्स ते दिसत नाहीत ते दर्शवत नाहीत. मी या लेखातील टेबलसह काम करण्याच्या तपशीलात जाणार नाही, परंतु साहित्य या समस्येवर ऑनलाइन पुरेसा आहे.

या ज्ञानासह तुम्ही करू शकता अशी एक मनोरंजक युक्ती म्हणजे हेडर JPEG मधून वेगळे करणे आणि ते वेगळे संग्रहित करणे. खरं तर, असे दिसून आले की केवळ आपण फाइल वाचू शकता. फेसबुक फायली आणखी लहान करण्यासाठी हे करते.

आणखी काय करता येईल हफमन टेबल थोडा बदलणे. इतरांसाठी ते तुटलेल्या चित्रासारखे दिसेल. आणि त्याचे निराकरण करण्याचा जादूचा मार्ग फक्त तुम्हालाच कळेल.

चला सारांश द्या: जेपीईजी डीकोड करण्यासाठी काय आवश्यक आहे? आवश्यक:

1. हेडरमधून हफमन सारणी काढा आणि बिट्स डीकोड करा.
2. प्रत्येक 8x8 ब्लॉकसाठी प्रत्येक रंग आणि ल्युमिनन्स घटकासाठी वेगळे कोसाइन ट्रान्सफॉर्म गुणांक काढा, उलट रन-लांबी आणि डेल्टा एन्कोडिंग ट्रान्सफॉर्म्स करा.
3. प्रत्येक 8x8 ब्लॉकसाठी पिक्सेल मूल्ये मिळविण्यासाठी गुणांकांवर आधारित कोसाइन एकत्र करा.
4. सबसम्पलिंग केले असल्यास रंग घटक स्केल करा (ही माहिती हेडरमध्ये आहे).
5. प्रत्येक पिक्सेलसाठी परिणामी YCbCr मूल्ये RGB मध्ये रूपांतरित करा.
6. स्क्रीनवर प्रतिमा प्रदर्शित करा!

फक्त मांजरीसह फोटो पाहण्यासाठी गंभीर काम! तथापि, मला त्याबद्दल काय आवडते ते हे दर्शवते की जेपीईजी तंत्रज्ञान मानव-केंद्रित आहे. हे आमच्या आकलनाच्या वैशिष्ट्यांवर आधारित आहे, जे आम्हाला पारंपारिक तंत्रज्ञानापेक्षा बरेच चांगले कॉम्प्रेशन प्राप्त करण्यास अनुमती देते. आणि आता जेपीईजी कसे कार्य करते हे आम्हाला समजले आहे, आम्ही कल्पना करू शकतो की हे तंत्रज्ञान इतर भागात कसे हस्तांतरित केले जाऊ शकते. उदाहरणार्थ, व्हिडिओमधील डेल्टा एन्कोडिंग फाइल आकारात लक्षणीय घट प्रदान करू शकते, कारण बहुतेकदा संपूर्ण क्षेत्रे असतात जी फ्रेमपासून फ्रेममध्ये बदलत नाहीत (उदाहरणार्थ, पार्श्वभूमी).

लेखात वापरलेला कोड, उघडलेले आहे, आणि आपल्या स्वतःच्या चित्रांसह कसे बदलायचे यावरील सूचना आहेत.

स्त्रोत: www.habr.com