Formát souboru DJVU
Co je soubor DJVU?
DjVu, vyslovováno jako „déjà vu“, je formát grafického souboru určený pro naskenované dokumenty a knihy, zejména ty, které obsahují kombinaci textu, kreseb, obrázků a fotografií. Byl vyvinut společností AT&T Labs. Využívá různé techniky, jako je separace obrazových vrstev textu a obrázků na pozadí, progresivní načítání, aritmetické kódování a ztrátová komprese pro bitonální obrázky. Protože soubor DJVU může obsahovat komprimované, ale vysoce kvalitní barevné obrázky, fotografie, text a kresby a lze jej uložit na méně místa, používá se na webu jako e-knihy, manuály, noviny, staré dokumenty atd.
DjVu může být hodnocena jako lepší alternativa k PDF. Přípony souborů přidružené k DjVu jsou .DJVU nebo .DJV. DjVu může dosáhnout kompresních poměrů asi 5–10 lepších než stávající metody, jako je JPEG & GIF pro barevné dokumenty a 3–8krát lepší než TIFF v černobílých dokumentech. Naskenované dokumenty s rozlišením 300 DPI s plnobarevnou velikostí až 25 MB lze komprimovat na 30 až 100 KB. Podobně lze černobílé dokumenty komprimovat až na 5 až 30 kB. Průměrná velikost HTML stránky může být až 50 KB, takže tyto dokumenty lze bez problému nahrát na net.
Stručná historie
Technologie DjVu byla vyvinuta v laboratořích AT&T Yann LeCun, Léon Bottou, Patrick Haffner a Paul G od roku 1996 do roku 2001. Formát souboru DjVu prošel různými revizemi, z nichž poslední pochází z roku 2005.
| Verze | Datum vydání | Poznámky |
|---|---|---|
| 1–19 | 1996–1999 | Toto jsou vývojové verze. |
| 20 | Duben 1999 | Jedna stránka byla změněna na vícestránkový formát. |
| 23 | Červenec 2002 | Část CID |
| 24 | únor 2003 | LTAnno kus |
| 21 | Září 1999 | Formát nepřímého úložiště nahrazen. Byla přidána vrstva textového vyhledávání. |
| 22 | Duben 2001 | Orientace stránky, barva JB2 |
| 25 | Květen 2003 | Díl NAVM. Byla přidána podpora pro záložky DjVu. |
| 26 | Duben 2005 | Textové/řádkové anotace |
Formát souboru DjVu
Dokumenty DjVu jsou soubory IFF85. Struktura poskytuje hierarchii kontejnerů, které obsahují informace v souboru DjVu. Tyto nádoby se také nazývají „Chunks“. Typ bloku a ID bloku popisují, jak se blok používá. Následuje 4bajtová hlavička následovaná strukturou IFF. První čtyři bajty souboru DjVu jsou 0x41 0x54 0x26 0x54. Tato část pojednává o různých druzích dokumentů DjVu a odpovídajících částech, ze kterých se skládají.
| ID bloku | Použití |
|---|---|
| FORM | Složený blok obsahující první čtyři datové bajty bloku FORM, které jsou sekundárním identifikátorem. |
| FORM:DJVM | Vícestránkový dokument DjVu. Složený blok, který obsahuje blok DIRM. |
| FORM:DJVU | Jednostránkový dokument DjVu. Složený kus, který obsahuje části, které tvoří stránku v dokumentu djvu. |
| FORM:DJVI | „sdílený“ soubor DjVu, který je součástí části INCL. Sdílené anotace a slovník tvarů. |
| FORM:THUM | Složený blok, který obsahuje bloky TH44, což jsou vložené miniatury. |
| DIRM | Informace o názvu stránky pro vícestránkové dokumenty. |
| NAVM | Informace o záložce |
| ANTa, ANTz | Anotace včetně počátečního nastavení zobrazení a překrývajících se hypertextových odkazů, textových polí atd. |
| TXTa, TXTz | Unicode Text a informace o rozvržení. |
| Djbz | Tabulka sdílených tvarů. |
| Sjbz | BZZ komprimovaná bitonální data JB2 použitá k uložení masky. |
| FG44 | IW44 data použitá k uložení popředí |
| BG44 | Data IW44 použitá k uložení pozadí |
| TH44 | data IW44 používaná k ukládání vložených miniatur |
| K odstranění vodoznaku jsou vyžadována data | WMRM |
| FGbz | Barevná data JB2. Poskytuje barvu pro každý (blit nebo tvar?) v odpovídajícím bloku Sjbz. |
| INFO | Informace o stránce a DjVu |
| INCL | ID zahrnutého bloku FORM:DJVI. |
| BGjp | Zakódované pozadí JPEG |
| FGjp | JPEG kódované popředí |
| Smmr | Kódovaná maska G4 |
DJVU komprese
Jeden obrázek je rozdělen do mnoha různých obrázků a poté je každý obrázek komprimován samostatně. Pro vytvoření souboru DjVu je obrázek nejprve rozdělen na tři obrázky, pozadí, popředí a obrázek masky. Obrázky na pozadí a popředí jsou obvykle barevné obrázky s nižším rozlišením; ale obraz masky je obraz s vyšším rozlišením a obvykle je tam uložen text. Po oddělení jsou obrazy popředí a pozadí komprimovány pomocí kompresního algoritmu IW44 založeného na vlnkách, zatímco obraz masky je komprimován pomocí jiné metody zvané JB2.
Metoda kódování JB2 eliminuje velkou část redundance v textovém obrázku tím, že identifikuje identické tvary na stránce, jako je více výskytů znaku v určitém písmu. JB2 nejprve zakóduje bitmapu každého jedinečného tvaru využitím redundance mezi podobnými tvary. Poté kóduje umístění, ve kterých se jednotlivé tvary na stránce objevují. JB2 i IW44 spoléhají na nový typ adaptivního binárního aritmetického kodéru nazývaného ZP-kodér, který vytlačí veškerou zbývající redundanci v rámci několika procent Shannonova limitu. ZP-kodér je adaptivní a rychlejší než jiné přibližné binární aritmetické kodéry.