داستان فرمت تصویر JPEG؛ چگونه کمیته مشترک عکاسان حرفه‌ای در سال ۱۹۹۲ فرمتی استاندارد برای عکس‌های وب ساختند؟

وب‌سایت‌های مدرن، شبکه‌های اجتماعی و کل ارتباطات بصری ما در دنیای دیجیتال بدون تصاویر معنایی ندارند؛ اما آیا تا به حال فکر کرده‌اید که چگونه میلیاردها تصویر با کیفیت بالا در هر ثانیه بدون از کار انداختن پهنای باند اینترنت جهانی منتقل می‌شوند؟ در این مقاله می‌خواهیم ببینیم داستان فرمت تصویر JPEG چگونه شکل گرفت و کمیته مشترک عکاسان حرفه‌ای در سال ۱۹۹۲ چطور فرمتی استاندارد برای عکس‌های وب ساختند. آیا واقعاً چشمان ما در طراحی الگوریتم‌های ریاضی این فرمت نقش داشتند؟ چگونه این استاندارد فشرده‌سازی توانست تعادلی بی‌نظیر میان کیفیت بصری و حجم فایل برقرار کند که هنوز پس از گذشت دهه‌ها بی رقیب مانده است؟ با ما همراه باشید تا به اعماق تاریخ فناوری تصویربرداری دیجیتال و رازهای مهندسی آن سفر کنیم.

بحران پهنای باند و ذخیره‌سازی در آغاز عصر دیجیتال

در اواخر دهه ۱۹۸۰ و اوایل دهه ۱۹۹۰، جهان در آستانه یک تحول دیجیتال بزرگ قرار داشت اما با یک مانع فنی بسیار سخت روبه‌رو بود: تصاویر دیجیتال خام (Uncompressed) حجم فوق‌العاده زیادی داشتند. در آن زمان، هارد دیسک‌ها ظرفیت‌های بسیار محدودی در حد چند مگابایت داشتند و سرعت اتصال به اینترنت از طریق خطوط تلفن (Dial-up) به شدت پایین بود. دانلود یک تصویر معمولی غیرفشرده می‌توانست چندین دقیقه طول بکشد، که انتقال تصاویر در شبکه‌های اولیه را عملاً غیرممکن می‌ساخت.

این محدودیت شدید، مانع بزرگی برای توسعه وب جهان‌گستر و نرم‌افزارهای مالتی‌مدیا بود. بدون یک روش کارآمد برای کاهش حجم تصاویر بدون تخریب شدید ظاهر آن‌ها، اینترنت به صورت یک محیط متنی خسته‌کننده باقی می‌ماند. دانشمندان کامپیوتر متوجه شدند که برای حل این بحران، به یک روش فشرده‌سازی با اتلاف (Lossy Compression) نیاز دارند که اطلاعات نامحسوس تصویر را حذف کند تا حجم فایل به کسری از نسخه اصلی کاهش یابد.

تشکیل کمیته مشترک عکاسان حرفه‌ای برای حل مشکل

برای حل این چالش بین‌المللی، گروهی از کارشناسان و استانداردهای بین‌المللی دست به دست هم دادند. در سال ۱۹۸۶، کمیته مشترک عکاسان حرفه‌ای (Joint Photographic Experts Group) با همکاری سازمان بین‌المللی استانداردسازی (ISO) تشکیل شد. هدف این گروه، طراحی یک استاندارد جهانی برای فشرده‌سازی تصاویر ثابت با کیفیت بالا بود که بتواند روی پلتفرم‌های سخت‌افزاری مختلف بدون مشکل اجرا شود.

این کمیته متشکل از برترین ریاضی‌دانان، مهندسان تصویر و متخصصان پردازش سیگنال بود که سال‌ها روی روش‌های مختلف ریاضی کار کردند. آن‌ها باید فرمتی را طراحی می‌کردند که نه تنها حجم فایل را به شدت کاهش دهد، بلکه کیفیت بصری عکس‌های واقعی با جزئیات زیاد و طیف‌های رنگی نرم را حفظ کند. پس از سال‌ها تحقیق و آزمایش فرمول‌های پیچیده، سرانجام در سال ۱۹۹۲ استاندارد نهایی با نام اختصاری JPEG معرفی شد.

بیولوژی چشم انسان؛ اساس الگوریتم فشرده‌سازی جی‌پگ

بزرگ‌ترین شاهکار طراحان فرمت JPEG، استفاده هوشمندانه از محدودیت‌های سیستم بینایی انسان برای فشرده‌سازی داده‌ها بود. چشم انسان در تشخیص تفاوت‌های روشنایی (Luminance) بسیار حساس‌تر از تشخیص تفاوت‌های رنگی (Chrominance) عمل می‌کند. به عبارت ساده‌تر، ما تغییرات جزئی در سایه‌روشن‌ها و خطوط مرزی را به سرعت متوجه می‌شویم، اما در تشخیص تغییرات بسیار ریز طیف‌های رنگی در نواحی کوچک ناتوان هستیم.

طراحان الگوریتم این ضعف بیولوژیکی را به عنوان یک فرصت طلایی دیدند. آن‌ها متوجه شدند که می‌توانند بخش زیادی از داده‌های رنگی تصویر را بدون اینکه کاربر متوجه تغییر کیفیت شود، حذف کنند. این رویکرد روان‌شناختی-بصری (Psychovisual) پایه و اساس تمام مراحل بعدی فشرده‌سازی در این فرمت قرار گرفت و به الگوریتم اجازه داد تا حجم داده‌ها را تا ده برابر کاهش دهد در حالی که تصویر همچنان برای چشم انسان بی‌پایان و باکیفیت به نظر می‌رسد.

تبدیل فضای رنگی RGB به YCbCr و نقش آن در کاهش حجم

اولین مرحله فنی در فشرده‌سازی JPEG، تبدیل تصویر از فضای رنگی معمولی دوربین‌ها یعنی RGB (قرمز، سبز، آبی) به یک فضای رنگی تخصصی‌تر به نام YCbCr است. در این فضای رنگی جدید، کانال Y نشان‌دهنده میزان روشنایی تصویر است و دو کانال Cb و Cr به ترتیب تفاوت‌های رنگی آبی و قرمز را ذخیره می‌کنند. این جداسازی ساده، امکان اعمال فشرده‌سازی‌های متفاوتی را روی روشنایی و رنگ فراهم می‌کند.

پس از این تبدیل، سیستم از تکنیکی به نام زیرنمونه‌گیری رنگی (Chroma Subsampling) استفاده می‌کند. در این مرحله، رزولوشن اطلاعات رنگی (Cb و Cr) به نصف یا حتی یک‌چهارم کاهش می‌یابد در حالی که وضوح کانال روشنایی (Y) کاملاً حفظ می‌شود. از آنجایی که چشم انسان متوجه این کاهش جزئیات رنگی نمی‌شود، حجم فایل در همین مرحله ابتدایی بدون افت کیفیت محسوس، تقریباً نصف می‌شود که یک پیروزی بزرگ در بهینه‌سازی داده‌ها به شمار می‌رود.

تبدیل کسینوسی گسسته یا DCT چیست و چگونه کار می‌کند؟

قلب تپنده ریاضی الگوریتم JPEG، فرآیندی به نام تبدیل کسینوسی گسسته (Discrete Cosine Transform) است. در این مرحله، تصویر به بلوک‌های کوچک ۸ در ۸ پیکسل تقسیم می‌شود. سپس فرمول DCT روی هر یک از این بلوک‌ها اعمال می‌شود تا اطلاعات پیکسلی فضایی به اطلاعات فرکانسی تبدیل شوند. این فرآیند، فرکانس‌های نوری تصویر را از گوشه بالا سمت چپ (فرکانس‌های پایین و اطلاعات کلی) تا گوشه پایین سمت راست (فرکانس‌های بالا و جزئیات ریز) دسته‌بندی می‌کند.

این تبدیل ریاضی پیچیده به سیستم اجازه می‌دهد تا الگوهای تکراری و جزئیات بسیار ریز تصویر را که اهمیت بصری کمتری دارند، شناسایی کند. تبدیل کسینوسی گسسته هیچ اطلاعاتی را حذف نمی‌کند، بلکه فقط داده‌ها را به شکلی سازماندهی می‌کند که در مراحل بعدی به راحتی قابل فشرده‌سازی و حذف باشند. این روش ریاضی هوشمندانه، یکی از بزرگ‌ترین دستاوردهای پردازش سیگنال دیجیتال در قرن بیستم به شمار می‌رود.

کوانتیزاسیون؛ مرحله حذف اطلاعات غیرضروری تصویر

مرحله اصلی کاهش حجم با اتلاف در فرآیند JPEG، کوانتیزاسیون (Quantization) نام دارد. در این مرحله، مقادیر فرکانسی به دست آمده از مرحله DCT بر یک ماتریس ثابت از اعداد تقسیم می‌شوند و نتایج به نزدیک‌ترین عدد صحیح گرد می‌شوند. این کار باعث می‌شود که بسیاری از مقادیر فرکانس‌های بالا که نشان‌دهنده جزئیات بسیار ریز و غیرقابل تشخیص برای چشم انسان هستند، به عدد صفر تبدیل شوند.

میزان فشرده‌سازی و کیفیت نهایی تصویر در این مرحله و با تغییر مقادیر ماتریس کوانتیزاسیون تعیین می‌شود. وقتی شما کیفیت خروجی را روی عدد کمتری تنظیم می‌کنید، اعداد ماتریس تقسیم بزرگ‌تر شده و در نتیجه تعداد بیشتری از فرکانس‌ها به صفر تبدیل می‌شوند، که حجم فایل را کمتر اما تصویر را کمی تارتر می‌کند. این توازن ظریف به کاربر اجازه می‌دهد تا بسته به نیاز خود، تعادل مناسبی بین حجم فایل و کیفیت تصویر برقرار سازد.

کدگذاری هافمن و فشرده‌سازی نهایی بدون اتلاف داده

پس از اینکه فرآیند کوانتیزاسیون بخش زیادی از داده‌های فرکانس بالا را به صفر تبدیل کرد، نوبت به مرحله نهایی می‌رسد که کاملاً بدون اتلاف (Lossless) است. در این مرحله، مقادیر عددی بلوک‌ها به صورت یک الگوی زیگ‌زاگ خوانده می‌شوند تا زنجیره‌های طولانی از اعداد صفر در کنار هم قرار گیرند. سپس از الگوریتم کدگذاری طول اجرا (RLE) برای خلاصه کردن این صفرهای متوالی استفاده می‌شود.

در نهایت، کدگذاری هافمن (Huffman Coding) روی داده‌های باقی‌مانده اعمال می‌شود. این روش کدهایی را که بیشتر تکرار شده‌اند با بیت‌های کوتاه‌تر و کدهای کم‌تکرار را با بیت‌های طولانی‌تر ذخیره می‌کند تا حجم نهایی فایل به کمترین میزان ممکن برسد. نتیجه این زنجیره طولانی از فرآیندهای ریاضی و بیولوژیکی، فایلی با پسوند jpg یا jpeg است که آماده انتشار در شبکه‌های جهانی است.

معرفی رسمی استاندارد در سال ۱۹۹۲ و چالش‌های پذیرش آن

زمانی که استاندارد JPEG در سال ۱۹۹۲ رسماً منتشر شد، بلافاصله با استقبال همگانی روبه‌رو نشد. در آن زمان، پردازنده‌های کامپیوترها بسیار ضعیف بودند و فرآیند باز کردن و رندر کردن تصاویر فشرده شده با الگوریتم DCT زمان‌بر بود. برخی مهندسان نگران بودند که این محاسبات سنگین ریاضی باعث کندی سیستم‌ها شود و فرمت‌های ساده‌تر بدون اتلاف مانند GIF را ترجیح می‌دادند.

با این حال، با افزایش سرعت پردازنده‌ها و معرفی مرورگرهای وب اولیه مانند موزائیک که شروع به پشتیبانی مستقیم از این فرمت کردند، مزیت حجم بسیار کم فایل‌های JPEG بر نگرانی‌های پردازشی غلبه کرد. به سرعت مشخص شد که بارگذاری سریع‌تر صفحات وب ارزش صرف چند ثانیه زمان پردازنده برای رمزگشایی تصویر را دارد. این پذیرش تدریجی، جایگاه جی‌پگ را به عنوان استاندارد بلامنازع وب تثبیت کرد.

چگونه جی‌پگ وب جهان‌گستر را برای همیشه متحول کرد؟

ورود فرمت JPEG به وب، ظاهر اینترنت را از صفحات متنی خسته‌کننده به رسانه‌ای جذاب و پویا تبدیل کرد. وب‌سایت‌های خبری، فروشگاه‌های اینترنتی نوپا و پورتال‌های تفریحی ناگهان توانستند بدون ترس از پهنای باند گران‌قیمت آن زمان، تصاویر محصولات و رویدادها را با کیفیت واقعی به نمایش بگذارند. این اتفاق شتاب عجیبی به تجاری‌سازی وب و پذیرش آن توسط عموم مردم داد.

بدون فرمت JPEG، ظهور پلتفرم‌های اشتراک‌گذاری تصویر اولیه و بعدها شبکه‌های اجتماعی بزرگ غیرممکن بود. این فرمت به عکاسان اجازه داد تا نمونه کارهای خود را به صورت دیجیتال منتشر کنند و روزنامه‌نگاری تصویری را وارد عصر لحظه‌ای کرد. کارایی بی‌نظیر این فرمت در کاهش حجم تصاویر واقعی، زیربنای وب بصری امروزی را ساخت و سبک زندگی دیجیتال ما را عمیقاً شکل داد.

پدیده مصنوعات فشرده‌سازی و معایب جی‌پگ

با وجود تمام مزایا، فشرده‌سازی با اتلاف در فرمت JPEG بدون عوارض نیست. بارزترین نشانه فشرده‌سازی بیش از حد، پدیده‌ای به نام مصنوعات فشرده‌سازی (Compression Artifacts) است. از آنجایی که الگوریتم روی بلوک‌های ۸ در ۸ پیکسل کار می‌کند، در فشرده‌سازی‌های شدید مرز این بلوک‌ها به صورت خطوط افقی و عمودی واضحی نمایان می‌شود که به آن شطرنجی شدن تصویر می‌گویند.

همچنین این فرمت برای تصاویری که دارای خطوط تیز، متون ریز یا کنتراست‌های شدید رنگی هستند (مانند اسکرین‌شات‌ها یا لوگوها) مناسب نیست، زیرا پدیده «هاله یا نویز دور لبه‌ها» در اطراف این متون شکل می‌گیرد. برای این نوع تصاویر، فرمت‌های بدون اتلاف مانند PNG گزینه‌های بسیار بهتری هستند. همچنین با هر بار باز کردن، ویرایش و ذخیره مجدد یک فایل JPEG، کیفیت آن به صورت تجمعی کاهش می‌یابد که به آن تخریب نسل می‌گویند.

رقبای نوین؛ چرا فرمت‌های جدید هنوز نتوانسته‌اند جی‌پگ را حذف کنند؟

در طول دهه‌های گذشته، فرمت‌های بسیار پیشرفته‌تری مانند JPEG 2000، WebP و اخیراً HEIF و AVIF معرفی شده‌اند که بدون افت کیفیت، حجم فایل را تا نصف فایل‌های JPEG سنتی کاهش می‌دهند. با این وجود، فرمت JPEG اصلی همچنان پادشاه بلامنازع تصویر در جهان است. علت این بقای شگفت‌انگیز در یک کلمه خلاصه می‌شود: سازگاری جهانی (Universal Compatibility).

تقریباً هر دوربین، گوشی هوشمند، مرورگر وب، تلویزیون هوشمند و نرم‌افزار ویرایش تصویر که در سی سال گذشته ساخته شده است، می‌تواند فایل‌های JPEG را بدون نیاز به هیچ افزونه‌ای باز کند. تولیدکنندگان نرم‌افزار و سخت‌افزار تمایل چندانی به سرمایه‌گذاری روی فرمت‌های جدید ندارند تا زمانی که فرمت قدیمی همچنان کار خود را به خوبی انجام می‌دهد. این چسبندگی شدید بازار، به این فرمت کلاسیک اجازه داده تا در برابر تمام رقبای جوان‌تر خود مقاومت کند.

آینده فرمت‌های تصویری در عصر هوش مصنوعی و نمایشگرهای پیشرفته

با ظهور نمایشگرهای با دامنه دینامیکی بالا (HDR) و فضاهای رنگی بسیار گسترده‌تر، محدودیت‌های فنی فرمت JPEG قدیمی (مانند عمق رنگ ۸ بیتی) بیشتر نمایان شده است. فرمت کلاسیک جی‌پگ نمی‌تواند شکوه رنگ‌های نمایشگرهای پیشرفته امروزی را به نمایش بگذارد. این امر نیاز به مهاجرت به فرمت‌های جدیدتر را بیش از پیش تقویت کرده است.

همچنین الگوریتم‌های فشرده‌سازی مبتنی بر هوش مصنوعی و شبکه‌های عصبی در حال توسعه هستند که می‌توانند تصاویر را بر اساس درک محتوایی فشرده کنند؛ به این معنی که هوش مصنوعی بخش‌های مهم تصویر مانند چهره‌ها را با کیفیت بالا حفظ کرده و نواحی کم‌اهمیت‌تر مانند پس‌زمینه آسمان را بیشتر فشرده می‌کند. با این حال، حتی در این آینده هوشمند نیز، کدهای ساده و کارآمد جی‌پگ تا سال‌ها به عنوان ستون فقرات تبادل سریع اطلاعات تصویری باقی خواهند ماند.

سوالات متداول

دکتر علیرضا مجیدی

پزشک، نویسنده و بنیان‌گذار وبلاگ «یک پزشک»

دکتر علیرضا مجیدی، نویسنده و بنیان‌گذار وبلاگ «یک پزشک».
با بیش از ۲۰ سال نویسندگی «ترکیبی» مستمر در زمینهٔ پزشکی، فناوری، سینما، کتاب و فرهنگ.
باشد که با هم متفاوت بیاندیشیم!

دربارهٔ علیرضا مجیدی در یک پزشک