DJVU fájlformátum
Mi az a DJVU fájl?
A DjVu, ejtsd: „déjà vu”, egy grafikus fájlformátum, amelyet beolvasott dokumentumokhoz és könyvekhez, különösen azokhoz, amelyek szövegek, rajzok, képek és fényképek kombinációját tartalmazzák. Az AT&T Labs fejlesztette ki. Többféle technikát használ, mint például a szöveg és a háttérkép képréteg-elválasztása, progresszív betöltés, aritmetikai kódolás és veszteséges tömörítés a bitonális képekhez. Mivel a DJVU fájl tömörített, de jó minőségű színes képeket, fényképeket, szöveget és rajzokat tartalmazhat, és így kevesebb helyen menthető, a weben e-könyvként, kézikönyvként, újságként, régi dokumentumként stb.
A DjVu a PDF kiváló alternatívájaként értékelhető. A DjVu-hoz társított fájlkiterjesztések .DJVU vagy .DJV. A DjVu körülbelül 5-10-szer jobb tömörítési arányt tud elérni, mint a jelenlegi módszerek, például a JPEG és GIF színes dokumentumok esetén, és 3-8-szor jobb, mint a TIFF fekete-fehér dokumentumokban. A 300 DPI-vel szkennelt, színes dokumentumok akár 25 MB-ig 30-100 KB-ig tömöríthetők. Hasonlóképpen a fekete-fehér dokumentumok 5-30 KB-ig tömöríthetők. Egy átlagos HTML oldal akár 50 KB méretű is lehet, így ezek a dokumentumok gond nélkül feltölthetők a netre.
Rövid története
A DjVu technológiát az AT&T laborokban fejlesztette ki Yann LeCun, Léon Bottou, Patrick Haffner és Paul G 1996-tól 2001-ig. A DjVu fájlformátum különböző felülvizsgálatokon ment keresztül, a legutóbbi 2005-ből származik.
| Verzió | Kiadás dátuma | Megjegyzések |
|---|---|---|
| 1–19 | 1996–1999 | Ezek a fejlesztő verziók. |
| 20 | 1999. április | Az egyoldalas formátum többoldalas formátumra módosult. |
| 23 | 2002. július | CID-darab |
| 24 | 2003. február | LTAnno darab |
| 21 | 1999. szeptember | A közvetett tárolási formátum lecserélve. Szövegkereső réteg hozzáadva. |
| 22 | 2001. április | Oldaltájolás, szín JB2 |
| 25 | 2003. május | NAVM-darab. A DjVu könyvjelzők támogatása hozzáadásra került. |
| 26 | 2005. április | Szöveges/soros megjegyzések |
DjVu fájlformátum
A DjVu dokumentumok IFF85 fájlok. A struktúra a konténerek hierarchiáját biztosítja, amely információkat tartalmaz egy DjVu fájlban. Ezeket a tartályokat „daraboknak” is nevezik. A csonk típusa és a darabazonosító leírja a csonk használatát. Van egy 4 bájtos fejléc, amelyet az IFF szerkezet követ. A DjVu fájl első négy bájtja 0x41 0x54 0x26 0x54. Ez a rész a különféle DjVu-dokumentumokat és az ezekből álló megfelelő részeket tárgyalja.
| Chunk ID | Használat |
|---|---|
| FORM | Az összetett csonk, amely tartalmazza a FORM csonk első négy adatbájtját, amelyek másodlagos azonosítók. |
| FORM:DJVM | Egy többoldalas DjVu dokumentum. Összetett darab, amely tartalmazza a DIRM-darabot. |
| FORM:DJVU | Egyoldalas DjVu dokumentum. Összetett darab, amely tartalmazza a djvu-dokumentum oldalát alkotó darabokat. |
| FORM:DJVI | Egy „megosztott” DjVu-fájl, amelyet az INCL-darabon keresztül tartalmaznak. Megosztott megjegyzések és alakszótár. |
| FORM:THUM | Összetett darab, amely tartalmazza a TH44 darabokat, amelyek a beágyazott bélyegképek. |
| DIRM | Többoldalas dokumentumok oldalnév-információi. |
| NAVM | Könyvjelző információk |
| ANTa, ANTz | Annotációk, beleértve a kezdeti nézetbeállításokat és az átfedő hiperhivatkozásokat, szövegdobozokat stb. |
| TXTa, TXTz | Unicode Szöveg- és elrendezési információk. |
| Djbz | Megosztott alakzattábla. |
| Sjbz | BZZ tömörített JB2 bitonális adatok a maszk tárolására. |
| FG44 | IW44 adatok az előtér tárolására |
| BG44 | IW44 adatok a háttér tárolására |
| TH44 | IW44 adatok a beágyazott miniatűrök tárolására |
| WMRM | JB2 adatok szükségesek a vízjel eltávolításához |
| FGbz | Színes JB2 adatok. Színt ad a megfelelő Sjbz-darab mindegyikéhez (blit vagy alakzat?). |
| INFO | Információ a DjVu oldalról |
| INCL | Egy mellékelt FORM:DJVI darab azonosítója. |
| BGjp | JPEG kódolású háttér |
| FGjp | JPEG kódolású előtér |
| Smmr | G4 kódolású maszk |
DJVU tömörítés
Az egyetlen kép több különböző képre van felosztva, majd minden képet külön-külön tömörít. A DjVu fájl létrehozásához a képet először három képre, egy háttérre, előtérre és egy maszkképre osztják fel. A háttér- és előtérképek általában alacsonyabb felbontású színes képek; de a maszk kép egy nagyobb felbontású kép és jellemzően a szöveget ott tárolják. A szétválasztás után az előtér- és a háttérképet egy wavelet alapú IW44 tömörítési algoritmussal, míg a maszkképet egy másik módszerrel, a JB2-vel tömörítik.
A JB2 kódolási módszer kiküszöböli a szövegkép redundanciájának nagy részét azáltal, hogy azonos alakzatokat azonosít az oldalon, például egy karakter többszöri előfordulását egy adott betűtípusban. A JB2 először kódolja az egyes egyedi alakzatok bittérképét, kihasználva a hasonló alakzatok közötti redundanciát. Ezután kódolja azokat a helyeket, ahol az egyes alakzatok megjelennek az oldalon. Mind a JB2, mind az IW44 egy új típusú adaptív bináris aritmetikai kódolóra támaszkodik, az úgynevezett ZP-kódolóra, amely a Shannon-határ néhány százalékán belül kiszorítja a maradék redundanciát. A ZP-kódoló adaptív, és gyorsabb, mint a többi közelítő bináris aritmetikai kódoló.