JPEG | файлов формат, който се използва за компресиране на цифрови изображения

Как работи

YP P_br

Първото забележително нещо при компресията JPEG е начинът, по който се съхранява цветът на всеки пиксел. На всеки пиксел от изображението се присвояват 3 байта, за да се определи неговият цвят. И трите байта могат да имат всякаква стойност от 0 до 255 и всяка възможна комбинация от трите байта означава друг цвят. В повечето файлови формати за определяне на цвета се използва форматът RGB. RGB означава Red Green Blue (червено, зелено, синьо). Наречен е така, защото първият от трите байта ви казва колко червено има в цвета на пиксела. Вторият байт ви казва колко е зеленият цвят, а третият байт - колко е синият. Колкото по-висока е стойността на първия байт, толкова по-червен изглежда пикселът.

JPEG също използва по три байта за всеки пиксел, но използва формата YP P_br (известен също като YC C_br ). Тук първият байт ни казва колко ярък е пикселът. Вторият байт ни казва колко син е пикселът. Третият байт ни казва колко червен е пикселът. При използването на този цветови формат яркостта се съхранява отделно от цвета. Това е полезно, защото ще компресираме изображението. Тъй като човешкото око вижда по-добре яркостта, отколкото цвета, можем да приложим по-голяма компресия към цветовите байтове (байта P_b и байта P_r ). Тъй като виждаме по-добре яркостта, използваме по-малка компресия за Y-байта, за да изглежда изображението по-добре след компресирането.

Тъй като изображенията най-често се съхраняват в RGB формат, първата стъпка от компресирането на JPEG обикновено е правилно да се промени RGB форматът в YP P_br формат.

Дискретно косинусово преобразуване

JPEG използва косинусоидални функции за представяне на изображението. Затова ще поговорим малко за косинусоидалните функции. Ето как може да изглежда една косинусова функция:

За да представим косинусовата функция като цвят на пиксел, казваме, че колкото по-висока е стойността на косинусовата функция, толкова по-светъл е пикселът. Ако разполагаме с набор от пиксели, които са светли-тъмни-ярки, можем да използваме горната функция, за да ги определим.

Функцията може да има и по-висока честота. Например така:

Но тук става интересно. Можем също така да създадем различни функции, като вземем средната стойност на различни косинусови функции. Ето как би изглеждало, ако вземем средната стойност на горните две функции:

В JPEG DCT се прилага към блокове от 8 × 8 пиксела.

Количествена оценка

Досега в процеса на компресиране на изображението не е загубена никаква информация. На тази стъпка филтрираме информацията. По тази причина това е стъпката, която понижава качеството на изображението. За всеки блок от 8 × 8 пиксела косинусоидалните функции с високи честоти се настройват на 0. Това означава, че те вече не могат да оказват влияние върху начина, по който изглежда изображението, когато го декомпресирате.

Много от стойностите сега ще бъдат 0, което означава, че това може да се компресира много лесно. Това се прави с помощта на кодиране на Хъфман. Кодирането на Хъфман е последната стъпка от компресирането на JPEG. Това е и единствената стъпка, при която данните действително се компресират.

 
(cos(x) + cos(2x)) / 2  


cos(x)  


cos(2x)  

Структура

Като компютърен файл, JPEG файлът се състои от множество байтове. Един байт в шестнадесетична бройна система може да изглежда като 0x01. Първите байтове на JPEG файла са 0xFF, 0xD8 ("FF D8"); тези байтове се наричат Start Of Image (SOI). Първата част от байтове в JPEG е заглавието; то е от FF D8 до точно преди последните 0xFF, 0xDA ("FF DA") байтове. Заглавието съдържа данни за данните и други полезни данни. Следващият раздел от байтове в JPEG са данните за изображението; той е от FF DA до 0xFF, 0xD9 ("FF D9"). Байтовете от FF DA се наричат "Начало на сканирането" (SOS), а байтовете от FF D9 се наричат "Край на изображението" (EOI).