JPEG ढाँचा कसरी काम गर्दछ

JPEG छविहरू हाम्रो डिजिटल जीवनमा सर्वव्यापी छन्, तर जागरूकताको यो लिबासको पछाडि एल्गोरिदमहरू छन् जसले विवरणहरू हटाउँदछ जुन मानव आँखाले बुझ्न सक्दैन। नतिजा सबैभन्दा सानो फाइल साइजमा उच्चतम भिजुअल गुणस्तर हो - तर यो सबैले कसरी काम गर्छ? हाम्रो आँखाले नदेखेको कुरा हेरौं!

साथीलाई तस्बिर पठाउने र उनीहरूले कुन यन्त्र, ब्राउजर वा अपरेटिङ सिस्टम प्रयोग गर्दैछन् भन्ने चिन्ता नगर्ने क्षमतालाई स्वीकार गर्न सजिलो छ - तर त्यो सधैं त्यस्तो थिएन। 1980 को प्रारम्भमा, कम्प्युटरहरूले डिजिटल छविहरू भण्डारण गर्न र प्रदर्शन गर्न सक्थे, तर यो गर्ने उत्तम तरिकाको बारेमा धेरै प्रतिस्पर्धी विचारहरू थिए। तपाईंले एउटा कम्प्युटरबाट अर्को कम्प्युटरमा छवि पठाउन सक्नुभएन र आशा गर्नुहोस् कि यसले काम गर्नेछ।

यस समस्याको समाधानका लागि सन् १९८६ मा विश्वभरका विज्ञहरूको एउटा समिति गठन गरिएको थियो जसलाई "फोटोग्राफी विशेषज्ञहरूको संयुक्त समूह» (संयुक्त फोटोग्राफिक विशेषज्ञ समूह, JPEG), मानकीकरणका लागि अन्तर्राष्ट्रिय संगठन (ISO) र अन्तर्राष्ट्रिय इलेक्ट्रोटेक्निकल आयोग (IEC), जेनेभा, स्विट्जरल्याण्डमा मुख्यालय रहेको दुई अन्तर्राष्ट्रिय मापदण्डको संस्थाहरू बीचको संयुक्त प्रयासको रूपमा स्थापित भएको हो।

JPEG भनिने व्यक्तिहरूको समूहले 1992 मा JPEG डिजिटल छवि कम्प्रेसन मानक सिर्जना गर्यो। इन्टरनेट प्रयोग गर्ने जो कोहीले सम्भवतः JPEG एन्कोड गरिएका छविहरूको सामना गरेको छ। यो तस्विरहरू इन्कोड गर्ने, पठाउने र भण्डारण गर्ने सबैभन्दा सामान्य तरिका हो। वेब पृष्ठहरूबाट सोशल मिडियामा इमेल सम्म, JPEG एक दिनमा अरबौं पटक प्रयोग गरिन्छ - लगभग हरेक पटक हामीले कुनै छवि अनलाइन हेर्छौं वा पठाउँछौं। JPEG बिना, वेब कम रंगीन, ढिलो हुनेछ, र सम्भवतः कम बिरालो चित्रहरू हुनेछ!

यो लेख JPEG छवि कसरी डिकोड गर्ने बारे छ। अर्को शब्दमा, कम्प्युटरमा भण्डारण गरिएको संकुचित डाटालाई स्क्रिनमा देखा पर्ने छविमा रूपान्तरण गर्न के आवश्यक छ। यो जान्न लायक छ, हामीले हरेक दिन प्रयोग गर्ने टेक्नोलोजी बुझ्नको लागि मात्र होइन, तर कम्प्रेसन स्तरहरू अनलक गरेर, हामी धारणा र दृष्टि, र हाम्रा आँखाहरू सबैभन्दा संवेदनशील हुने विवरणहरू बारे थप जान्दछौं।

थप रूपमा, यस तरिकामा छविहरूसँग खेल्न धेरै रोचक छ।

JPEG भित्र हेर्दै

कम्प्युटरमा, सबै चीजहरू बाइनरी संख्याहरूको अनुक्रमको रूपमा भण्डारण गरिन्छ। सामान्यतया यी बिटहरू, शून्य र एकहरू, बाइटहरू बनाउनको लागि आठ समूहहरूमा समूहबद्ध हुन्छन्। जब तपाइँ कम्प्यूटरमा JPEG छवि खोल्नुहुन्छ, केहि (एक ब्राउजर, एक अपरेटिङ सिस्टम, केहि अन्य) बाइटहरू डिकोड गर्नुपर्छ, मूल छविलाई प्रदर्शन गर्न सकिने रङहरूको सूचीको रूपमा पुनर्स्थापित गर्दै।

यदि तपाइँ यो मिठाई डाउनलोड गर्नुहोस् बिरालो को फोटो र यसलाई पाठ सम्पादकमा खोल्नुहोस्, तपाईंले असंगत क्यारेक्टरहरूको गुच्छा देख्नुहुनेछ।

यहाँ म फाइलको सामग्रीहरू जाँच्न Notepad++ प्रयोग गर्दैछु, किनकि Windows मा Notepad जस्ता नियमित पाठ सम्पादकहरूले बचत गरेपछि बाइनरी फाइललाई भ्रष्ट गर्नेछ र यसले JPEG ढाँचालाई अब सन्तुष्ट गर्दैन।

वर्ड प्रोसेसरमा छवि खोल्दा कम्प्यूटरलाई भ्रमित पार्छ, जसरी तपाइँ तपाइँको दिमागलाई भ्रमित गर्नुहुन्छ जब तपाइँ तपाइँको आँखा रग्दा र रंगका दागहरू देख्न थाल्नुहुन्छ!

तपाईंले देख्नुहुने यी ठाउँहरू भनेर चिनिन्छन् phosphenes, र प्रकाश उत्तेजना वा दिमाग द्वारा उत्पन्न एक भ्रम को परिणाम होइन। तिनीहरू हुन्छन् किनभने तपाईंको दिमागले सोच्दछ कि अप्टिक तंत्रिकामा कुनै पनि विद्युतीय संकेतहरूले प्रकाशको बारेमा जानकारी दिन्छ। मस्तिष्कले यी धारणाहरू बनाउन आवश्यक छ किनभने त्यहाँ संकेत ध्वनि, दृष्टि, वा अरू केहि हो कि भनेर थाहा पाउन कुनै तरिका छैन। शरीरका सबै स्नायुहरूले ठ्याक्कै एउटै विद्युतीय आवेगहरू पठाउँछन्। तपाईंको आँखामा दबाब लागू गरेर, तपाईंले संकेतहरू पठाउनुहुन्छ जुन दृश्य होइन, तर आँखाको रिसेप्टरहरू सक्रिय गर्नुहोस्, जुन तपाईंको मस्तिष्कले व्याख्या गर्दछ - यस अवस्थामा, गलत रूपमा - दृश्यको रूपमा। तपाईं शाब्दिक दबाब देख्न सक्नुहुन्छ!

दिमागमा कम्प्यूटरहरू कत्तिको समान छन् भन्ने बारे सोच्नको लागि यो हास्यास्पद छ, तर यो डेटाको अर्थ कत्तिको व्याख्या गर्नको लागि उपयोगी समानता हो - चाहे स्नायुद्वारा शरीरमा लैजान्छ वा कम्प्युटरमा भण्डारण गरिन्छ - यसलाई कसरी व्याख्या गरिन्छ भन्नेमा निर्भर गर्दछ। सबै बाइनरी डाटा 0s र 1s मिलेर बनेको हुन्छ, आधारभूत कम्पोनेन्टहरू जसले कुनै पनि प्रकारको जानकारी प्रदान गर्न सक्छ। तपाईको कम्प्युटरले प्रायः फाइल एक्सटेन्सनहरू जस्ता सुरागहरू प्रयोग गरेर तिनीहरूलाई कसरी व्याख्या गर्ने भनेर पत्ता लगाउँदछ। अब हामी यसलाई पाठको रूपमा व्याख्या गर्न बाध्य पार्छौं, किनभने पाठ सम्पादकले यही अपेक्षा गर्छ।

JPEG कसरी डिकोड गर्ने भनेर बुझ्नको लागि, हामीले मूल संकेतहरू आफैं हेर्न आवश्यक छ - बाइनरी डाटा। यो हेक्साडेसिमल सम्पादक प्रयोग गरेर वा सिधै अन गर्न सकिन्छ मूल लेख वेब पृष्ठ! त्यहाँ एउटा छवि छ, जसको छेउमा पाठ फिल्डमा यसको सबै बाइटहरू छन् (हेडर बाहेक), दशमलव रूपमा प्रस्तुत। तपाईंले तिनीहरूलाई परिवर्तन गर्न सक्नुहुन्छ, र स्क्रिप्टले पुन: एन्कोड गर्नेछ र उडानमा नयाँ छवि उत्पादन गर्नेछ।

तपाईंले यो सम्पादकसँग खेलेर धेरै कुरा सिक्न सक्नुहुन्छ। उदाहरणका लागि, के तपाइँ पिक्सेलहरू कुन क्रममा भण्डार गरिएको छ भन्न सक्नुहुन्छ?

यस उदाहरणको बारेमा अनौठो कुरा यो हो कि केहि संख्याहरू परिवर्तन गर्दा छविलाई कुनै असर गर्दैन, तर, उदाहरणका लागि, यदि तपाईंले पहिलो लाइनमा 17 को साथ नम्बर 0 प्रतिस्थापन गर्नुभयो भने, फोटो पूर्ण रूपमा बर्बाद हुनेछ!

अन्य परिवर्तनहरू, जस्तै 7 लाई 1988 लाई नम्बर 254 सँग प्रतिस्थापन गर्दा, रङ परिवर्तन हुन्छ, तर पछिल्ला पिक्सेलको मात्र।

सायद अचम्मको कुरा यो हो कि केहि संख्याहरूले रंग मात्र होइन, तर छविको आकार पनि परिवर्तन गर्दछ। 70 लाई रेखा 12 मा 2 मा परिवर्तन गर्नुहोस् र मेरो मतलब के हो भनेर हेर्नको लागि छविको शीर्ष पङ्क्तिमा हेर्नुहोस्।

र तपाईले जेपीईजी छवि प्रयोग गर्नुभए पनि, बाइटहरू सम्पादन गर्दा तपाईले सधैं यी रहस्यमय चेस ढाँचाहरू फेला पार्नुहुनेछ।

सम्पादकसँग खेल्दा, यी बाइटहरूबाट फोटो कसरी पुन: सिर्जना गरिन्छ भनेर बुझ्न गाह्रो हुन्छ, किनकि JPEG कम्प्रेसनमा तीन फरक प्रविधिहरू हुन्छन्, क्रमबद्ध रूपमा स्तरहरूमा लागू हुन्छन्। हामीले देखिरहेको रहस्यमय व्यवहारलाई उजागर गर्न हामी प्रत्येकलाई छुट्टै अध्ययन गर्नेछौं।

JPEG कम्प्रेसन को तीन स्तर:

1. रङ सबसम्पलिंग.
2. अलग कोसाइन रूपान्तरण र नमूना.
3. लम्बाइ इन्कोडिङ चलाउनुहोस्, डेल्टा и हफम्यान

तपाईंलाई कम्प्रेसनको परिमाणको एक विचार दिनको लागि, ध्यान दिनुहोस् कि माथिको छविले 79 संख्याहरू, वा लगभग 819 KB प्रतिनिधित्व गर्दछ। यदि हामीले यसलाई कम्प्रेसन बिना भण्डारण गर्यौं भने, प्रत्येक पिक्सेललाई तीनवटा नम्बरहरू चाहिन्छ - रातो, हरियो र नीलो कम्पोनेन्टहरूका लागि। यो 79 संख्या, वा लगभग बराबर हुनेछ। ९१७ KB। JPEG कम्प्रेसनको परिणामको रूपमा, अन्तिम फाइल 917 भन्दा बढी पटक घटाइएको थियो!

वास्तवमा, यो छवि धेरै अधिक संकुचित गर्न सकिन्छ। तल दुईवटा तस्बिरहरू छेउमा छन् - दायाँपट्टिको तस्बिरलाई 16 KB मा संकुचित गरिएको छ, अर्थात्, असम्पीडित संस्करण भन्दा 57 गुणा सानो!

यदि तपाईंले नजिकबाट हेर्नुभयो भने, तपाईंले देख्नुहुनेछ कि यी छविहरू समान छैनन्। ती दुबै JPEG कम्प्रेसन भएका तस्बिरहरू हुन्, तर दायाँ एउटा भोल्युममा धेरै सानो छ। यो पनि अलि नराम्रो देखिन्छ (पृष्ठभूमि रङ वर्गहरूमा हेर्नुहोस्)। त्यसैले JPEG लाई हानिपूर्ण कम्प्रेसन पनि भनिन्छ; सङ्कुचन प्रक्रियाको समयमा, छवि परिवर्तन हुन्छ र केही विवरणहरू गुमाउँछ।

1. रङ सबसम्पलिंग

यहाँ पहिलो स्तरको सङ्कुचन लागू भएको छवि छ।

(अन्तर्क्रियात्मक संस्करण - in मौलिक लेखहरू)। एक नम्बर हटाउनाले सबै रंगहरू नष्ट गर्दछ। यद्यपि, यदि ठीक छ नम्बरहरू हटाइयो भने, यसले छविमा वस्तुतः कुनै प्रभाव पार्दैन।

अब संख्याहरू बुझ्न अलि सजिलो छ। यो लगभग रङहरूको एक साधारण सूची हो, जसमा प्रत्येक बाइटले ठ्याक्कै एक पिक्सेल परिवर्तन गर्दछ, तर एकै समयमा यो पहिले नै असम्पीडित छविको आधा साइज हो (जसले यो घटाइएको साइजमा लगभग 300 KB लिन्छ)। तपाईं किन अनुमान गर्न सक्नुहुन्छ?

तपाईंले देख्न सक्नुहुन्छ कि यी संख्याहरूले मानक रातो, हरियो र नीलो कम्पोनेन्टहरू प्रतिनिधित्व गर्दैनन्, किनकि यदि हामीले सबै संख्याहरूलाई शून्यसँग बदल्यौं भने, हामीले हरियो छवि (सेतो भन्दा) प्राप्त गर्नेछौं।

यो किनभने यी बाइटहरू Y (चमक) को लागि खडा छन्,

Cb (सापेक्ष निलोपन),

र Cr (सापेक्ष रातोपन) चित्रहरू।

किन RGB प्रयोग नगर्ने? आखिर, यो कसरी धेरै आधुनिक स्क्रिन काम गर्दछ। तपाईंको मनिटरले रातो, हरियो र नीलो सहित प्रत्येक पिक्सेलको लागि फरक तीव्रताका साथ कुनै पनि रङ प्रदर्शन गर्न सक्छ। सेतो तीनवटैलाई पूर्ण चमकमा खोलेर र कालोलाई बन्द गरेर प्राप्त हुन्छ।

यो पनि मानव आँखाले काम गर्ने तरिकासँग मिल्दोजुल्दो छ। हाम्रो आँखामा रंग रिसेप्टर भनिन्छ "शंकु", र तीन प्रकारमा विभाजन गरिएको छ, जसमध्ये प्रत्येक रातो, हरियो वा नीलो रङहरूमा बढी संवेदनशील हुन्छ [S-प्रकारको कोनहरू बैजनी-नीलोमा संवेदनशील हुन्छन् (अङ्ग्रेजी छोटो - छोटो-वेभ स्पेक्ट्रमबाट एस), एम। -प्रकार - हरियो-पहेँलोमा (अङ्ग्रेजी माध्यमबाट M - मध्यम-तरङ्ग), र L-प्रकार - पहेंलो-रातो (अङ्ग्रेजी लामो - लामो-तरङ्गबाट) स्पेक्ट्रमका भागहरूमा। यी तीन प्रकारका शंकुहरू (र रडहरू, जो स्पेक्ट्रमको पन्ना हरियो भागमा संवेदनशील हुन्छन्) को उपस्थितिले व्यक्तिलाई रंगीन दृष्टि दिन्छ। / लगभग। अनुवाद।] लण्डन, हाम्रो आँखामा फोटोरिसेप्टर को अर्को प्रकार, चमक मा परिवर्तन पत्ता लगाउन सक्षम छ, तर रंग को लागी धेरै संवेदनशील छ। हाम्रो आँखामा करिब १२ करोड डण्डी र ६ मिलियन कोन मात्र छन् ।

यसैले हाम्रो आँखा रंगमा परिवर्तन भन्दा चमकमा परिवर्तनहरू पत्ता लगाउन धेरै राम्रो छ। यदि तपाइँ चमकबाट रङ अलग गर्नुहुन्छ भने, तपाइँ थोरै रङ हटाउन सक्नुहुन्छ र कसैले केहि पनि याद गर्नेछैन। क्रोमा सबसम्पलिंग भनेको तस्विरको रङ कम्पोनेन्टहरूलाई लुमिनेन्स कम्पोनेन्टहरू भन्दा कम रिजोल्युसनमा प्रतिनिधित्व गर्ने प्रक्रिया हो। माथिको उदाहरणमा, प्रत्येक पिक्सेलमा ठ्याक्कै एउटा Y कम्पोनेन्ट हुन्छ, र चार पिक्सेलको प्रत्येक समूहमा ठ्याक्कै एउटा Cb र एउटा Cr कम्पोनेन्ट हुन्छ। तसर्थ, छविले मूल भन्दा चार गुणा कम रंग जानकारी समावेश गर्दछ।

YCbCr रङ स्पेस JPEG मा मात्र प्रयोग गरिन्छ। यो मूल रूपमा 1938 मा टेलिभिजन कार्यक्रमहरूको लागि आविष्कार गरिएको थियो। सबैसँग रङ टिभी हुँदैन, त्यसैले रङ र चमक छुट्याएर सबैलाई समान सङ्केत प्राप्त गर्न अनुमति दिईन्छ, र रङ बिनाको टिभीहरूले मात्र चमक घटक मात्र प्रयोग गर्दछ।

त्यसोभए सम्पादकबाट एक नम्बर हटाउनाले सबै रंगहरू पूर्ण रूपमा नष्ट गर्दछ। कम्पोनेन्टहरू YYYY Cb Cr फारममा भण्डार गरिएको छ (वास्तवमा, त्यो क्रममा आवश्यक छैन - भण्डारण क्रम फाइल हेडरमा निर्दिष्ट गरिएको छ)। पहिलो नम्बर हटाउनाले Cb को पहिलो मान Y, Cr लाई Cb को रूपमा बुझिनेछ, र सामान्यतया तपाईंसँग एउटा डोमिनो प्रभाव हुनेछ जसले तस्विरका सबै रङहरू बदल्छ।

JPEG विशिष्टताले तपाईंलाई YCbCr प्रयोग गर्न बाध्य पार्दैन। तर धेरै फाइलहरूले यसलाई प्रयोग गर्दछ किनभने यसले RGB भन्दा राम्रो डाउनसम्पल छविहरू उत्पादन गर्दछ। तर तपाईले यसको लागि मेरो शब्द लिनु पर्दैन। RGB र YCbCr दुबैमा प्रत्येक व्यक्तिगत कम्पोनेन्टको सबसम्पलिंग कस्तो देखिन्छ तलको तालिकामा आफैलाई हेर्नुहोस्।

(अन्तर्क्रियात्मक संस्करण - in मौलिक लेखहरू)।

नीलो हटाउने रातो वा हरियो जस्तो देखिने छैन। तपाईंको आँखामा ६० लाख शंकुको कारणले गर्दा, लगभग ६४% रातो, ३२% हरियो र २% नीलोमा संवेदनशील हुन्छन्।

Y कम्पोनेन्टको डाउनस्याम्पलिंग (तल बायाँ) सबैभन्दा राम्रो देखिन्छ। एक सानो परिवर्तन पनि उल्लेखनीय छ।

छविलाई RGB बाट YCbCr मा रूपान्तरण गर्दा फाइलको आकार घट्दैन, तर यसले हटाउन सकिने कम देखिने विवरणहरू फेला पार्न सजिलो बनाउँछ। दोस्रो चरणमा हानि कम्प्रेसन हुन्छ। यो थप संकुचित रूपमा डाटा प्रस्तुत गर्ने विचारमा आधारित छ।

2. अलग कोसाइन रूपान्तरण र नमूना

कम्प्रेसनको यो स्तर, धेरै जसो भागको लागि, जेपीईजी भनेको के हो। रंगहरूलाई YCbCr मा रूपान्तरण गरेपछि, कम्पोनेन्टहरू व्यक्तिगत रूपमा संकुचित हुन्छन्, त्यसैले हामी केवल Y कम्पोनेन्टमा ध्यान केन्द्रित गर्न सक्छौं र यो तह लागू गरेपछि Y कम्पोनेन्ट बाइटहरू कस्तो देखिन्छन्।

(अन्तर्क्रियात्मक संस्करण - in मौलिक लेखहरू)। अन्तरक्रियात्मक संस्करणमा, पिक्सेलमा क्लिक गर्नाले सम्पादकलाई यसलाई प्रतिनिधित्व गर्ने रेखामा स्क्रोल गर्छ। अन्त्यबाट संख्याहरू हटाउन वा निश्चित संख्यामा केही शून्यहरू थप्ने प्रयास गर्नुहोस्।

पहिलो नजर मा, यो धेरै खराब कम्प्रेसन जस्तो देखिन्छ। त्यहाँ एक छविमा 100 पिक्सेलहरू छन्, र यसले तिनीहरूको चमक (Y-कम्पोनेन्टहरू) प्रतिनिधित्व गर्न 000 संख्याहरू लिन्छ - यो कुनै पनि कुरालाई कम्प्रेस गर्नु भन्दा खराब छ!

यद्यपि, ध्यान दिनुहोस् कि यी धेरै संख्याहरू शून्य छन्। यसबाहेक, रेखाहरूको अन्त्यमा ती सबै शून्यहरू छवि परिवर्तन नगरी हटाउन सकिन्छ। त्यहाँ लगभग 26 नम्बरहरू बाँकी छन्, र यो लगभग 000 गुणा कम छ!

यस स्तरमा चेस ढाँचाको रहस्य समावेश छ। हामीले देखेका अन्य प्रभावहरूको विपरीत, यी ढाँचाहरूको उपस्थिति कुनै त्रुटि होइन। तिनीहरू सम्पूर्ण छविको निर्माण ब्लकहरू हुन्। सम्पादकको प्रत्येक पङ्क्तिमा ठ्याक्कै 64 नम्बरहरू छन्, 64 अद्वितीय ढाँचाहरूको तीव्रतासँग मेल खाने डिस्क्रिट कोसाइन रूपान्तरण (DCT) गुणांकहरू।

यी ढाँचाहरू कोसाइन प्लटमा आधारित हुन्छन्। यहाँ तिनीहरू मध्ये केहि जस्तो देखिन्छ:

8 बाधाहरू मध्ये 64

तल सबै 64 ढाँचाहरू देखाउने छवि छ।

(अन्तर्क्रियात्मक संस्करण - in मौलिक लेखहरू)।

यी ढाँचाहरू विशेष महत्त्वका छन् किनभने तिनीहरू 8x8 छविहरूको आधार बनाउँछन्। यदि तपाईं रैखिक बीजगणितसँग अपरिचित हुनुहुन्छ भने, यसको मतलब यी 8 ढाँचाहरूबाट कुनै पनि 8x64 छवि बनाउन सकिन्छ। DCT छविहरूलाई 8x8 ब्लकहरूमा विभाजन गर्ने र प्रत्येक ब्लकलाई यी 64 गुणांकहरूको संयोजनमा रूपान्तरण गर्ने प्रक्रिया हो।

यो जादुई जस्तो देखिन्छ कि कुनै पनि छवि 64 विशिष्ट ढाँचाहरू बनाइन्छ। यद्यपि, यो पृथ्वीमा कुनै पनि स्थानलाई दुई संख्याहरू - अक्षांश र देशान्तर [गोलार्ध / लगभग सङ्केत गर्दै वर्णन गर्न सकिन्छ भनी भन्नु जस्तै हो। अनुवाद।] हामी प्रायः पृथ्वीको सतहलाई दुई-आयामीको रूपमा सोच्दछौं, त्यसैले हामीलाई दुई संख्या मात्र चाहिन्छ। 8x8 छविमा 64 आयामहरू छन्, त्यसैले हामीलाई 64 नम्बरहरू चाहिन्छ।

यो अझै स्पष्ट छैन कि यसले हामीलाई कम्प्रेसनको सन्दर्भमा कसरी मद्दत गर्दछ। यदि हामीलाई 64x8 छवि प्रतिनिधित्व गर्न 8 नम्बरहरू चाहिन्छ भने, यो किन 64 चमक घटकहरू भण्डारण गर्नु भन्दा राम्रो हुन्छ? हामीले तीनवटा RGB नम्बरहरूलाई तीन YCbCr नम्बरहरूमा परिणत गर्ने कारणले गर्दा हामी यो गर्छौं: यसले हामीलाई सूक्ष्म विवरणहरू हटाउन अनुमति दिन्छ।

JPEG ले 8x8 ब्लकहरूमा DCT लागू गरेको हुनाले यस चरणमा कुन विवरण हटाइएको छ भनेर हेर्न गाह्रो छ। यद्यपि, कसैले हामीलाई सम्पूर्ण चित्रमा लागू गर्न निषेध गर्दैन। यहाँ पूरै चित्रमा लागू गरिएको Y कम्पोनेन्टको लागि DCT कस्तो देखिन्छ:

60 भन्दा बढी नम्बरहरू अन्तबाट हटाउन सकिन्छ फोटोमा वस्तुतः कुनै उल्लेखनीय परिवर्तनहरू बिना।

यद्यपि, ध्यान दिनुहोस् कि यदि हामीले पहिलो पाँच नम्बरहरू शून्य गर्छौं भने, भिन्नता स्पष्ट हुनेछ।

सुरुमा अंकहरूले छविमा कम फ्रिक्वेन्सी परिवर्तनहरू प्रतिनिधित्व गर्दछ, जुन हाम्रो आँखाले राम्रोसँग लिन्छ। अन्त तर्फ अंकहरूले उच्च आवृत्तिहरूमा परिवर्तनहरू संकेत गर्दछ जुन ध्यान दिन गाह्रो हुन्छ। "आँखाले देख्न नसक्ने कुराहरू हेर्न" को लागी हामी यी उच्च आवृत्ति विवरणहरूलाई पहिलो 5000 संख्याहरू शून्य गरेर अलग गर्न सक्छौं।

हामी छविको सबै क्षेत्रहरू देख्छौं जहाँ सबैभन्दा ठूलो परिवर्तन पिक्सेलबाट पिक्सेलमा हुन्छ। बिरालोको आँखा, उसको फुस्रो, टेरी कम्बल र तल्लो बायाँ कुनामा छायाहरू बाहिर खडा छन्। तपाईं पहिलो १०,००० नम्बरहरू शून्य गरेर अगाडि जान सक्नुहुन्छ:

20 000:

40 000:

60 000:

यी उच्च-फ्रिक्वेन्सी विवरणहरू कम्प्रेसन चरणमा JPEG द्वारा हटाइन्छ। रंगहरूलाई DCT गुणांकमा रूपान्तरण गर्दा कुनै हानि छैन। हानि नमूना चरणमा हुन्छ, जहाँ उच्च-फ्रिक्वेन्सी वा लगभग शून्य मानहरू हटाइन्छ। जब तपाइँ JPEG बचत गुणस्तर कम गर्नुहुन्छ, कार्यक्रमले हटाइएका मानहरूको संख्याको लागि थ्रेसहोल्ड बढाउँछ, जसले फाइल साइज घटाउँछ, तर चित्रलाई थप पिक्सेल बनाउँछ। त्यसैले पहिलो खण्डको छवि, जुन 57 गुणा सानो थियो, यस्तो देखिन्थ्यो। प्रत्येक 8x8 ब्लक उच्च गुणस्तर संस्करणको तुलनामा धेरै कम DCT गुणांक द्वारा प्रतिनिधित्व गरिएको थियो।

तपाईं छविहरूको क्रमिक स्ट्रिमिङको रूपमा यस्तो राम्रो प्रभाव सिर्जना गर्न सक्नुहुन्छ। तपाईले धमिलो तस्बिर प्रदर्शन गर्न सक्नुहुन्छ जुन अधिक र अधिक गुणांकहरू डाउनलोड हुँदा अधिक र अधिक विस्तृत हुन्छ।

यहाँ, केवल रमाइलोको लागि, तपाईंले केवल 24 नम्बरहरू प्रयोग गरेर के प्राप्त गर्नुहुन्छ:

वा मात्र 5000:

धेरै धमिलो, तर कुनै न कुनै रूपमा चिन्न सकिने!

3. लम्बाइ इन्कोडिङ, डेल्टा र हफम्यान चलाउनुहोस्

अहिलेसम्म, सङ्कुचनका सबै चरणहरू हानिपूर्ण छन्। अन्तिम चरण, यसको विपरीत, हानि बिना अगाडि बढ्छ। यसले जानकारी मेटाउँदैन, तर यसले महत्त्वपूर्ण रूपमा फाइल साइज घटाउँछ।

तपाईं कसरी जानकारीलाई फ्याँके बिना केहि कम्प्रेस गर्न सक्नुहुन्छ? कल्पना गर्नुहोस् कि हामी कसरी साधारण कालो आयत 700 x 437 को वर्णन गर्नेछौं।

JPEG ले यसको लागि 5000 नम्बरहरू प्रयोग गर्दछ, तर धेरै राम्रो परिणामहरू प्राप्त गर्न सकिन्छ। के तपाइँ एक एन्कोडिङ योजनाको कल्पना गर्न सक्नुहुन्छ जसले यस्तो छविलाई सकेसम्म थोरै बाइटहरूमा वर्णन गर्दछ?

मसँग आउन सक्ने न्यूनतम योजनाले चार प्रयोग गर्दछ: तीन रङ प्रतिनिधित्व गर्न, र चौथो रङ कति पिक्सेलहरू छन् भनेर संकेत गर्न। यस संकुचित तरिकामा दोहोरिने मानहरू प्रतिनिधित्व गर्ने विचारलाई रन-लेन्थ इन्कोडिङ भनिन्छ। यो हानिरहित छ किनभने हामी एन्कोड गरिएको डाटालाई यसको मूल रूपमा पुनर्स्थापित गर्न सक्छौं।

कालो आयत भएको JPEG फाइल 4 बाइट भन्दा धेरै ठूलो छ - याद गर्नुहोस् कि DCT स्तरमा, कम्प्रेसन 8x8 पिक्सेल ब्लकहरूमा लागू हुन्छ। त्यसकारण, कम्तिमा, हामीलाई प्रत्येक 64 पिक्सेलको लागि एक DCT गुणांक चाहिन्छ। हामीलाई एउटा चाहिन्छ किनभने 63 शून्यहरू पछि एउटा DCT गुणांक भण्डारण गर्नुको सट्टा, रन लम्बाइ इन्कोडिङले हामीलाई एउटा नम्बर भण्डारण गर्न र "अन्य सबै शून्यहरू छन्" भनेर संकेत गर्न अनुमति दिन्छ।

डेल्टा एन्कोडिङ एउटा प्रविधि हो जसमा प्रत्येक बाइटले निरपेक्ष मानको सट्टा केही मानबाट भिन्नता समावेश गर्दछ। त्यसकारण, निश्चित बाइटहरू सम्पादन गर्दा अन्य सबै पिक्सेलको रङ परिवर्तन हुन्छ। उदाहरणका लागि, भण्डारण गर्नुको सट्टा

12 13 14 14 14 13 13 14

हामी 12 बाट सुरु गर्न सक्छौं र त्यसपछि अर्को नम्बर प्राप्त गर्न हामीले कति जोड्न वा घटाउनुपर्छ भनेर संकेत गर्न सक्छौं। र डेल्टा कोडिङमा यो अनुक्रम फारम लिन्छ:

१२ १ १ ० ० - १ ० १

रूपान्तरित डाटा मूल डाटा भन्दा सानो छैन, तर यसलाई कम्प्रेस गर्न सजिलो छ। रन लम्बाइ एन्कोडिङ अघि डेल्टा एन्कोडिङ लागू गर्दा अझै पनि हानिरहित कम्प्रेसन हुँदा धेरै मद्दत गर्न सक्छ।

डेल्टा कोडिङ 8x8 ब्लकहरू बाहिर प्रयोग गरिएका केही प्रविधिहरू मध्ये एक हो। 64 DCT गुणांकहरू मध्ये, एउटा मात्र स्थिर लहर प्रकार्य (ठोस रंग) हो। यसले लुमा कम्पोनेन्टहरूका लागि प्रत्येक ब्लकको औसत चमक, वा Cb कम्पोनेन्टहरूका लागि औसत नीलोपन, र यस्तै अन्यलाई प्रतिनिधित्व गर्दछ। प्रत्येक DCT ब्लकको पहिलो मानलाई DC मान भनिन्छ, र प्रत्येक DC मान अघिल्लोको सन्दर्भमा डेल्टा इन्कोड गरिएको छ। त्यसकारण, पहिलो ब्लकको चमक परिवर्तनले सबै ब्लकहरूलाई असर गर्नेछ।

अन्तिम रहस्य रहन्छ: कसरी एकवचन परिवर्तनले सम्पूर्ण चित्रलाई पूर्ण रूपमा बर्बाद गर्छ? अहिलेसम्म, कम्प्रेसन स्तरहरूमा त्यस्ता गुणहरू छैनन्। जवाफ JPEG हेडरमा छ। पहिलो 500 बाइटहरूमा छवि - चौडाइ, उचाइ, आदि बारे मेटाडेटा समावेश छ, र हामीले तिनीहरूसँग काम गरेका छैनौं।

हेडर बिना यो JPEG डिकोड गर्न लगभग असम्भव (वा धेरै गाह्रो) छ। यस्तो देखिन्छ कि म तपाईलाई चित्र वर्णन गर्न कोशिस गर्दैछु, र मैले मेरो प्रभाव व्यक्त गर्न शब्दहरू आविष्कार गर्न थालेको छु। वर्णन सायद एकदम संकुचित हुनेछ, किनकि मैले व्यक्त गर्न चाहेको अर्थका साथ शब्दहरू आविष्कार गर्न सक्छु, तर अरू सबैको लागि तिनीहरूले अर्थ राख्दैनन्।

यो मूर्ख सुनिन्छ, तर वास्तवमा के हुन्छ। प्रत्येक JPEG छवि विशेष कोड संग संकुचित छ। कोड शब्दकोश हेडरमा भण्डार गरिएको छ। यो प्रविधिलाई हफम्यान कोड भनिन्छ र शब्दावलीलाई हफम्यान टेबल भनिन्छ। हेडरमा, तालिकालाई दुई बाइटहरू - 255 र त्यसपछि 196 ले चिन्ह लगाइएको छ। प्रत्येक रङ कम्पोनेन्टको आफ्नै तालिका हुन सक्छ।

तालिकाहरूमा परिवर्तनहरूले मौलिक रूपमा कुनै पनि छविलाई असर गर्नेछ। एउटा राम्रो उदाहरण 15 औं रेखालाई 1 मा परिवर्तन गर्नु हो।

यो हुन्छ किनभने तालिकाहरूले व्यक्तिगत बिटहरू कसरी पढ्नुपर्दछ भनेर निर्दिष्ट गर्दछ। अहिलेसम्म हामीले दशमलव रूपमा बाइनरी संख्याहरूसँग मात्र काम गरेका छौं। तर यसले हामीबाट यो तथ्य लुकाउँछ कि यदि तपाइँ बाइटमा नम्बर 1 भण्डारण गर्न चाहनुहुन्छ भने, यो 00000001 जस्तो देखिनेछ, किनकि प्रत्येक बाइटमा ठ्याक्कै आठ बिटहरू हुनुपर्दछ, यद्यपि तिनीहरूमध्ये एउटा मात्र चाहिन्छ।

यदि तपाईंसँग धेरै सानो संख्याहरू छन् भने यो सम्भावित रूपमा ठाउँको ठूलो बर्बादी हो। Huffman कोड एक प्रविधि हो जसले हामीलाई यो आवश्यकतालाई आराम गर्न अनुमति दिन्छ कि प्रत्येक नम्बरले आठ बिटहरू ओगटेको हुनुपर्छ। यसको मतलब यदि तपाइँ दुई बाइटहरू देख्नुहुन्छ भने:

234 115

त्यसपछि, Huffman तालिका मा निर्भर गर्दछ, यी तीन संख्या हुन सक्छ। तिनीहरूलाई निकाल्नको लागि, तपाईंले पहिले तिनीहरूलाई व्यक्तिगत बिटहरूमा विभाजन गर्न आवश्यक छ:

11101010 01110011

त्यसपछि हामी तिनीहरूलाई कसरी समूह बनाउने भनेर पत्ता लगाउन तालिका हेर्छौं। उदाहरण को लागी, यो पहिलो छ बिट्स, (111010), वा 58 दशमलव मा, पाँच बिट्स (10011), वा 19, र अन्तमा अन्तिम चार बिट (0011), वा 3 हुन सक्छ।

त्यसैले, यो कम्प्रेसन को यो चरण मा बाइट बुझ्न धेरै गाह्रो छ। बाइटहरूले तिनीहरूले देखेको कुरालाई प्रतिनिधित्व गर्दैन। म यस लेखमा तालिकाको साथ काम गर्ने विवरणहरूमा जाने छैन, तर सामग्री यस मुद्दामा अनलाइन पर्याप्त छ.

यो ज्ञानको साथ तपाईले गर्न सक्ने एउटा चाखलाग्दो चाल JPEG बाट हेडर अलग गर्नु र यसलाई छुट्टै भण्डारण गर्नु हो। वास्तवमा, यो बाहिर जान्छ कि केवल तपाईं फाइल पढ्न सक्नुहुन्छ। फेसबुकले फाईलहरूलाई अझ सानो बनाउन यस्तो गर्छ।

अरू के गर्न सकिन्छ हफम्यान तालिकालाई अलिकति परिवर्तन गर्नु हो। अरूको लागि यो एक टुक्रा तस्वीर जस्तै देखिनेछ। र केवल तपाईं यसलाई ठीक गर्न जादुई तरिका थाहा हुनेछ।

संक्षेप गरौं: त्यसोभए JPEG डिकोड गर्न के आवश्यक छ? आवश्यक:

1. हेडरबाट Huffman तालिका(हरू) निकाल्नुहोस् र बिटहरू डिकोड गर्नुहोस्।
2. प्रत्येक 8x8 ब्लकको लागि प्रत्येक रङ र ल्युमिनेन्स कम्पोनेन्टका लागि अलग्गै कोसाइन रूपान्तरण गुणांकहरू निकाल्नुहोस्, उल्टो रन-लम्बाइ र डेल्टा एन्कोडिङ रूपान्तरणहरू प्रदर्शन गर्दै।
3. प्रत्येक 8x8 ब्लकको लागि पिक्सेल मानहरू प्राप्त गर्न गुणांकहरूमा आधारित कोसाइनहरू जोड्नुहोस्।
4. मापन रङ घटकहरू यदि सबसम्पलिंग प्रदर्शन गरिएको थियो (यो जानकारी हेडरमा छ)।
5. प्रत्येक पिक्सेलको लागि परिणामस्वरूप YCbCr मानहरूलाई RGB मा रूपान्तरण गर्नुहोस्।
6. स्क्रिनमा छवि प्रदर्शन!

एक बिरालो संग फोटो हेर्न को लागी गम्भीर काम! जे होस्, मलाई यसको बारेमा मनपर्ने कुरा यो हो कि यसले मानव-केन्द्रित JPEG प्रविधि कस्तो छ भनेर देखाउँछ। यो हाम्रो धारणा को विशेषताहरु मा आधारित छ, हामीलाई परम्परागत प्रविधिहरु भन्दा धेरै राम्रो कम्प्रेसन प्राप्त गर्न अनुमति दिन्छ। र अब हामीले JPEG कसरी काम गर्छ भन्ने बुझेका छौं, हामी कल्पना गर्न सक्छौं कि कसरी यी प्रविधिहरू अन्य क्षेत्रमा स्थानान्तरण गर्न सकिन्छ। उदाहरणका लागि, भिडियोमा डेल्टा इन्कोडिङले फाइल साइजमा महत्त्वपूर्ण कमी प्रदान गर्न सक्छ, किनकि त्यहाँ प्रायः सम्पूर्ण क्षेत्रहरू हुन्छन् जुन फ्रेमबाट फ्रेममा परिवर्तन हुँदैनन् (उदाहरणका लागि, पृष्ठभूमि)।

लेखमा प्रयोग गरिएको कोड, खुला छ, र कसरी आफ्नो चित्रहरु संग प्रतिस्थापन गर्न निर्देशन समावेश गर्दछ।

स्रोत: www.habr.com