فشرده‌سازی تصویر

فشرده‌سازی تصویر با افت اساساً بر زیست‌شناسی بینایی انسان استوار است، نه صرفاً علوم رایانه. شبکیه انسان حدود ۱۲۰ میلیون گیرنده استوانه‌ای دارد که به روشنایی فضایی (تغییرات روشنایی، لبه‌ها و کنتراست) فوق‌العاده حساس‌اند، اما فقط ۶ تا ۷ میلیون گیرنده مخروطی دارد که ظرافت رنگ را ثبت می‌کنند. چون قشر بینایی ما برای تشخیص لبه‌های هندسی تیز و شیب‌های نوری بسیار حساس است اما نسبت به ریزتغییرات در گذارهای رنگ طیفی نسبتاً بی‌حس است، الگوریتم‌های فشرده‌سازی می‌توانند اطلاعات رنگ را بدون کاهش محسوس کیفیت ذهنی تصویر به‌شدت حذف کنند.

برای اجرای این اصل، کدک‌های با افت ابتدا داده رنگ استاندارد RGB را به فضای رنگ YCbCr تبدیل می‌کنند که در آن Y روشنایی و Cb و Cr مؤلفه‌های کرومای تفاضل آبی و تفاضل قرمز را نشان می‌دهند. پس از جداسازی، رمزگذار زیرنمونه‌برداری کروما را اعمال می‌کند — معمولاً 4:2:0 که وضوح افقی و عمودی کانال‌های رنگ را نصف می‌کند و روشنایی را با وضوح کامل نگه می‌دارد. سپس تصویر به بلوک‌های گسسته ۸×۸ پیکسلی تقسیم شده و از تبدیل کسینوسی گسسته (DCT) عبور می‌کند. DCT شدت‌های فضایی پیکسل را به مؤلفه‌های فرکانسی نگاشت کرده و بلوک را از اشکال ساختاری کم‌فرکانس در بالا-چپ تا نویز پرفرکانس و بافت‌های میکروسکوپی در پایین-راست سازمان می‌دهد. مرحله کوانتیزه‌سازی سپس این ضرایب فرکانسی را بر یک ماتریس کوانتیزه‌سازی وزنی برگرفته از آزمایش‌های روان‌بصری تقسیم می‌کند و عملاً مقادیر پرفرکانس نامحسوس را صفر می‌کند. در نهایت رمزگذاری طول اجرا و رمزگذاری آنتروپی هافمن ضرایب باقی‌مانده را به یک جریان بیت دودویی فشرده و بسیار بهینه تبدیل کرده و ۷۰٪ تا ۸۵٪ حجم اصلی فایل را حذف می‌کنند.

فشرده‌سازی با افت استاندارد صنعتی برای محتوای عکاسی و تصاویر غنی بازاریابی است، اما گرافیک‌های دارای اشکال هندسی تیز، تایپوگرافی پرکنتراست، نمودارهای فنی معماری و اسکرین‌شات‌های دیجیتال به حفظ مطلق و ریاضی پیکسل نیاز دارند. در این موارد، کوانتیزه‌سازی با افت آرتیفکت‌های حلقه‌ای محسوس، ابیراهی رنگی و مرزهای تار متن ایجاد می‌کند. فشرده‌سازی بدون افت این چالش را با حذف افزونگی آماری و فضایی بدون تغییر یا حذف حتی یک مقدار پیکسل حل می‌کند.

جریان بدون افت (که استاندارد PNG نمونه آن است) با فیلترینگ دلتای پیش‌بین در پنج الگوریتم استاندارد آغاز می‌شود: None، Sub، Up، Average و Paeth. برای هر خط پیکسل، فیلتر به‌جای ذخیره مقادیر خام رنگ RGBA، تفاوت میان پیکسل‌های مجاور را محاسبه می‌کند. چون پیکسل‌های مجاور در آثار دیجیتال اغلب پالت رنگی یکسان یا نزدیک دارند، این گام پیش‌بینی ماتریس‌های پیکسلی پرنوسان را به دنباله‌های طولانی از اعداد صحیح نزدیک به صفر تبدیل می‌کند. پس از فیلترینگ، جریان داده از الگوریتم DEFLATE عبور می‌کند؛ ترکیبی هوشمندانه از جایگزینی دیکشنری پنجره لغزان LZ77 و رمزگذاری آنتروپی با طول متغیر هافمن. LZ77 دنباله‌های بایتی تکراری را با اشاره‌گرهای فاصله-طول رو به عقب جایگزین می‌کند و رمزگذاری هافمن کوتاه‌ترین نمایش بیتی ممکن را به پرتکرارترین نمادها اختصاص می‌دهد. فایل فشرده حاصل روی هر دستگاه نمایشی قابل بازگشایی است و یک نسخه دقیقاً بایت‌به‌بایت از دارایی منبع اصلی را بازسازی می‌کند.

در بهینه‌سازی موتور جستجوی مدرن، کارایی فنی وب دیگر یک ملاحظه حاشیه‌ای نیست — بلکه عامل رتبه‌بندی الگوریتمی مستقیم و تأییدشده است. گوگل تجربه واقعی کاربر را از طریق Core Web Vitals می‌سنجد؛ مجموعه‌ای استاندارد از معیارهای کارایی که شاخص Largest Contentful Paint (LCP) در آن غالب است. LCP مدت دقیق از لحظه شروع ناوبری کاربر تا زمانی را که بزرگ‌ترین بلوک بصری بالای صفحه — معمولاً بنر اصلی، تصویر محصول فروشگاه یا گرافیک شاخص وبلاگ — کاملاً رسم و در نمای مرورگر دیده شود اندازه می‌گیرد. برای کسب رتبه «خوب» و بهره‌مندی از بیشترین مزیت رتبه‌بندی، صفحه وب باید روی سخت‌افزار موبایل میان‌رده با اتصال 4G محدودشده به LCP برابر ۲.۵ ثانیه یا کمتر برسد.

تصاویر فشرده‌نشده و بد بهینه‌شده عامل شماره یک شکست امتیاز LCP در وب جهانی‌اند. وقتی مرورگر موبایل یک بنر JPEG فشرده‌نشده ۳.۵ مگابایتی را روی اتصال موبایل دانلود می‌کند، با ازدحام شدید شبکه ناشی از رفت‌وبرگشت‌های بسته TCP Slow Start، رقابت پهنای باند با منابع حیاتی CSS و جاوااسکریپت مسدودکننده رندر و سربار سنگین رمزگشایی روی رشته اصلی پردازنده روبه‌رو می‌شود. با فشرده کردن همان تصویر به ۱۲۰ کیلوبایت با موتور کوانتیزه‌سازی ادراکی ما، تأخیر انتقال شبکه از ۴۲۰۰ میلی‌ثانیه به کمتر از ۳۰۰ میلی‌ثانیه کاهش می‌یابد. این کاهش چشمگیر تکمیل آنی LCP را تضمین می‌کند، در صورت همراهی با ویژگی‌های صریح عرض و ارتفاع شاخص Cumulative Layout Shift (CLS) را کاهش می‌دهد، نرخ پرش را تا بیش از ۴۰٪ پایین می‌آورد و دیده شدن ارگانیک در کلیدواژه‌های تجاری رقابتی را به‌طور چشمگیری بالا می‌برد.

انتخاب قالب بهینه رمزگذاری تصویر نیازمند تعادل میان کارایی فشرده‌سازی، سازگاری با مرورگر و ویژگی‌های بصری است. JPEG قدیمی همچنان قالب پشتیبان جهانی است که ۱۰۰٪ دستگاه‌ها، مرورگرها و سیستم‌عامل‌های تعبیه‌شده از آن پشتیبانی می‌کنند. اما JPEG از شفافیت کانال آلفا پشتیبانی نمی‌کند و وقتی تا آستانه‌های تهاجمی زیر ۷۰٪ کیفیت فشرده شود، آرتیفکت‌های مرزی بلوکی آشکاری نشان می‌دهد.

قالب‌های نسل جدید تحویل وب را متحول کرده‌اند: قالب WebP گوگل از رمزگذاری ماکروبلوک درون‌فریمی پیش‌بین برگرفته از کدک ویدیویی VP8 استفاده می‌کند، فایل‌هایی ۲۵٪ تا ۳۵٪ کوچک‌تر از JPEG معادل می‌سازد و به‌طور بومی از شفافیت آلفای ۸ بیتی و انیمیشن‌های با افت پشتیبانی می‌کند. WebP در بیش از ۹۸٪ مرورگرهای رومیزی و موبایل مدرن پشتیبانی جهانی دارد و آن را به استاندارد اصلی همه‌منظوره طراحی وب امروزی تبدیل کرده است. برای پیشرفته‌ترین کارایی فشرده‌سازی، AVIF (AV1 Image File Format) از پیش‌بینی فضایی جهت‌دار پیشرفته، مدل‌سازی مشتق کروما و رمزگذاری مبتنی بر کاشی از استاندارد ویدیویی متن‌باز AV1 بهره می‌گیرد و در بافت‌های عکاسی پیچیده و پرفرکانس ۲۰٪ دیگر از WebP بهتر عمل می‌کند. سرانجام PNG همچنان برای آیکون‌های رابط کاربری، تصویرسازی‌های رستری برگرفته از بردار و دارایی‌های گرافیکی نیازمند شفافیت سختگیرانه بدون افت ضروری است. در یک جریان وب سازمانی، معماری پیشنهادی ارائه عناصر picture واکنش‌گرا با AVIF به‌عنوان منبع اصلی، WebP به‌عنوان جایگزین مدرن دوم و JPEG یا PNG کوانتیزه‌شده ادراکی به‌عنوان پشتیبان برای کلاینت‌های قدیمی است.

رایانش مصرفی امروز تحت سلطه نمایشگرهای با تراکم پیکسل بالاست؛ از جمله صفحه‌های رتینای اپل، مانیتورهای رومیزی 4K/5K و پنل‌های OLED گوشی‌های پرچم‌دار. این دستگاه‌ها نسبت پیکسل دستگاه (DPR) برابر 2x یا 3x دارند و برای هر پیکسل منطقی CSS چهار تا نه پیکسل فیزیکی رندر می‌کنند. ارائه گرافیک با وضوح استاندارد 1x روی این نمایشگرهای پرتراکم به مات بودن، تاری و نرم‌شدگی ناشی از درون‌یابی محسوس منجر می‌شود. اما دو برابر کردن ساده عرض و ارتفاع تصویر، تعداد کل پیکسل‌ها و حجم خام بایتی را چهار برابر می‌کند و گلوگاه‌های شدید پهنای باند موبایل می‌سازد.

راه‌حل حرفه‌ای این تناقض، ترکیب ماتریس‌های پیکسلی پروضوح با کوانتیزه‌سازی با افت تهاجمی‌تر است. چون نمایشگرهای رتینا پیکسل‌ها را آن‌قدر فشرده می‌چینند که مرز تک‌پیکسل‌ها برای چشم انسان میکروسکوپی می‌شود، آرتیفکت‌هایی که در وضوح 1x اندکی محسوس‌اند، در مقیاس 2x یا 3x کاملاً نامرئی می‌شوند. با ساخت یک دارایی 2x با دو برابر ابعاد منطقی و فشرده‌سازی آن با ضریب کیفیت ۶۵٪ تا ۷۵٪ به‌جای ۸۵٪ استاندارد، دارایی‌ای تولید می‌کنید که روی نمایشگرهای DPI بالا کاملاً تیز است و ۳۰٪ تا ۵۰٪ سبک‌تر از یک دارایی استاندارد 1x فشرده‌نشده است. موتور فشرده‌سازی ما ابزارهای مقایسه بصری فوری برای تنظیم دقیق همین آستانه فراهم می‌کند.

برای رسیدن به بیشترین کارایی در دارایی‌های دیجیتال پرترافیک، فشرده‌سازی هرگز نباید یک گام مجزا و مستقل باشد. تیم‌های مهندسی پیشرو ابزارهای مرورگری ما را در یک جریان هماهنگ و چندمرحله‌ای آماده‌سازی دارایی ادغام می‌کنند. ابتدا عکس‌های خام و ویرایش‌نشده باید از نظر خطای جهت و ابعاد با ابزارهای «چرخاندن تصویر» و «برش تصویر» بررسی شوند و حاشیه‌های اضافی پس‌زمینه حذف شوند تا تمرکز مستقیماً روی سوژه باشد.

دوم، توسعه‌دهندگان باید عکس‌های بسیار بزرگ دوربین دیجیتال (که اغلب از ۶۰۰۰×۴۰۰۰ پیکسل فراتر می‌روند) را با ابزار «تغییر اندازه تصویر» به حداکثر عرض موردنیاز چیدمان واکنش‌گرا (مثلاً ۱۲۰۰ یا ۱۹۲۰ پیکسل) کوچک کنند. کوچک‌سازی پیش از فشرده‌سازی صدها میلیون محاسبه پیکسلی زائد را حذف کرده، سرعت پردازش را بالا می‌برد و ۷۰٪ وزن فایل را حتی پیش از شروع فشرده‌سازی از بین می‌برد. سوم، دارایی با ضریب کیفیت ۸۰٪ تا ۸۵٪ از همین ابزار «فشرده‌سازی تصویر» عبور می‌کند تا داده طیفی زائد حذف شود. سرانجام، مختصات اختصاصی موقعیت جغرافیایی، شماره سریال دوربین و شناسه‌های شخصی موجود در برچسب‌های EXIF باید پیش از انتشار عمومی با ابزار «حذف فراداده EXIF و GPS» برای همیشه پاک شوند تا انطباق کامل با چارچوب‌های جهانی حریم خصوصی داده تضمین شود.