В каждом JPEG зашита модель вашей сетчатки. Буквально

После того как я написал статью про то, что ваш монитор не умеет показывать бирюзовый и 65% видимых цветов для него просто не существуют, один мой знакомый (далекий правда от технической отрасли) спросил: «Окей, монитор врёт, а что тогда делает JPEG с оставшимися 35%?» И это хороший вопрос. Я полез в спеку, а через полчаса забыл, зачем вообще полез. Потому меня уже интересовало другое: ребята, которые в 1992-м финализировали этот стандарт, по сути заревёрсили человеческое зрение и запихнули его в алгоритм сжатия. И я хочу вам про это рассказать, потому что это самый красивый кусок инженерии, который я видел. В той статье я разбирал, как мало мы на самом деле видим. Здесь — как мало нам на самом деле нужно видеть, чтобы мозг поверил, что видит всё. А потом я решил это проверить руками.

https://habr.com/ru/articles/1013668/?utm_source=habrahabr&utm_medium=rss&utm_campaign=1013668

#jpeg #сжатие_изображений #алгоритмы #обработка_изображений #зрение #ycbcr #цветовые_пространства #dct #python #оптимизация

В каждом JPEG зашита модель вашей сетчатки. Буквально

После того как я написал статью про то, что  ваш монитор не умеет показывать бирюзовый и 65% видимых цветов для него просто не существуют, один мой знакомый (далекий правда от технической...

Хабр

В каждом JPEG зашита модель вашей сетчатки. Буквально

После того как я написал статью про то, что ваш монитор не умеет показывать бирюзовый и 65% видимых цветов для него просто не существуют, один мой знакомый (далекий правда от технической отрасли) спросил: «Окей, монитор врёт, а что тогда делает JPEG с оставшимися 35%?» И это хороший вопрос. Я полез в спеку, а через полчаса забыл, зачем вообще полез. Потому меня уже интересовало другое: ребята, которые в 1992-м финализировали этот стандарт, по сути заревёрсили человеческое зрение и запихнули его в алгоритм сжатия. И я хочу вам про это рассказать, потому что это самый красивый кусок инженерии, который я видел. В той статье я разбирал, как мало мы на самом деле видим. Здесь — как мало нам на самом деле нужно видеть, чтобы мозг поверил, что видит всё. А потом я решил это проверить руками.

https://habr.com/ru/articles/1013668/

#jpeg #сжатие_изображений #алгоритмы #обработка_изображений #зрение #ycbcr #цветовые_пространства #dct #python #оптимизация

В каждом JPEG зашита модель вашей сетчатки. Буквально

После того как я написал статью про то, что  ваш монитор не умеет показывать бирюзовый и 65% видимых цветов для него просто не существуют, один мой знакомый (далекий правда от технической...

Хабр
Mort de Quentin Deranque : deux nouveaux suspects placés en garde à vue, 11 personnes interpellées au total

INFO LE PARISIEN. Parmi eux figure un jeune homme connu pour être un membre actif de la Jeune Garde antifasciste de Lyon. Il a été interpellé ce mercredi dans le Rhône en compagnie d’une seconde personne.

Le Parisien

Mikael Kingsbury wins #Canada's first gold
https://kensbookinfo.blogspot.com/p/sports.html#2

#Gaza remains a crisis of children's mental health
https://kensbookinfo.blogspot.com/p/blog-page.html#6

#DCT #AbuDhabi lists 40+ new sites under Modern
https://kensbookinfo.blogspot.com/p/business.html#18

Gordon Ramsay urges #Brooklyn Beckham to 'remember
https://kensbookinfo.blogspot.com/p/us-cities.html#78a

Ladies gush over 'handsome' #Mack Hansen as his personality
https://kensbookinfo.blogspot.com/p/ireland.html#Evoke

5 Ways to Handle a #Robot When It Goes Rogue
https://kensbookinfo.blogspot.com/p/infotech.html#17

Sports

----------------

🎥 Video
===================

Executive summary: A technical demonstration walks through converting arbitrary files into video containers for storage on YouTube. The project documents practical constraints (YouTube file/length limits, metadata stripping, and aggressive transcoding) and presents a workflow combining chunking, integrity checks, and forward error correction to enable file reconstruction after upload.

Technical details:
• Encapsulation: The workflow targets standard video containers and uses video and audio tracks as the durable carriers because YouTube strips most metadata and can reject subtitle payloads.
• Integrity checks: Uses multiple CRC flavors to detect corrupted chunks prior to reconstruction.
• Forward error correction: Implements Wirehair (an O(N) fountain code) to create redundant symbols so that the original file can be recovered despite dropped or heavily altered chunks during YouTube transcoding.
• Encoding channel: Embeds payload bits into transform-domain coefficients — specifically leveraging the Discrete Cosine Transform (DCT) used by common codecs — to hide data within compressed frames while balancing capacity and survivability.

Implementation concepts:
• Chunking strategy: Files are split into chunks sized to fit per-video capacity limits (YouTube supports up to 256 GB or 12 hours), then encoded into frames or audio payloads with added FEC symbols.
• Hybrid error-proof algorithm: Combines CRC validation for corruption detection with fountain-code-based redundancy for recovery of missing symbols.
• Codec selection: Emphasizes that codec choice and compression aggressiveness materially affect recoverability; lower-loss codecs and control of quantization on DCT coefficients increase success rates.

Use cases and limitations:
• Practical use cases include long-term archival of very large files and covert transport where traditional storage is unavailable. The approach is constrained by platform policy, upload limits, potential content removal, and the non-deterministic nature of platform transcoding pipelines.

Detection and considerations:
• Detection vectors are platform-specific; artifacts include atypical frame-level entropy patterns and persistent non-media payloads in transform coefficients. The talk notes that subtitles/metadata are unreliable for storage because of sanitization.

References and tooling:
• The presentation references the Wirehair fountain codec and recommends studying CRC variants and video compression internals. Visualizations were created with Manim and DaVinci Resolve.

🔹 wirehair #fountaincode #crc #dct #tool

🔗 Source: https://www.youtube.com/watch?v=l03Os5uwWmk

Turning YouTube Into Cloud Storage

How I made a YouTube file media storage using C++ and a few libraries. You can view my repository here: https://github.com/PulseBeat02/yt-media-storageHere i...

YouTube

✅ [Tự làm DCT trong C] Dự án DCT (GitHub: theElandor) là thư viện biến đổi cosin rời rạc nhỏ gọn, hoàn toàn bằng ngôn ngữ C. Bị chia sẻ trên Reddit, mã nguồn công khai. #GitHub #DCT #Lýthuyếtánhxạ #Mãnguồnmở #Programming #Câuhiềnhọc

https://www.reddit.com/r/programming/comments/1qqmw3w/github_theelandordct_a_small_dct_implementation/

GitHub - theElandor/DCT: Triển khai DCT nhỏ gọn bằng C thuần. DCT (Discrete Cosine Transform) hỗ trợ nén video, âm thanh hiệu quả. Phù hợp cho dự án cần mã nguồn nhẹ, hiệu suất cao. #GitHub #DCT #LậpTrìnhC #NénVideo #NénÂmThanh #MãMở

https://www.reddit.com/r/programming/comments/1qqmw3w/github_theelandordct_a_small_dct_implementation/

Оцениваем «естественность» изображений по первой цифре

Еще вчера фотография была «доказательством» того, что событие произошло. Сегодня любой школьник может сгенерировать или изменить изображение до неузнаваемости с помощью ИИ. Индустрия цифровой-криминалистики пытается угнаться за технологиями, разрабатывая все новые детекторы фальсификаций. Но что, если подойти к проблеме с другой стороны? Не искать следы конкретного алгоритма генерации, а задать более фундаментальный вопрос: насколько естественны статистические свойства этого изображения? В этой статье мы не предложим вам волшебную таблетку для детекции фейковых картинок. Это интеллектуальный эксперимент. Возьмем известный математический закон — закон Бенфорда — и попробуем применить его для анализа изображений. Мы реализуем этот метод на чистом JavaScript, чтобы любой желающий мог поэкспериментировать в собственном браузере, и обсудим результаты, философские вопросы и технические подводные камни, которые ждут нас на этом пути.

https://habr.com/ru/articles/947506/

#Бенфорд #DCT #KLдивергенция #AI #эксперимент

Оцениваем «естественность» изображений по первой цифре

Еще вчера фотография была «доказательством» того, что событие произошло. Сегодня любой школьник может сгенерировать или изменить изображение до неузнаваемости с помощью ИИ. Индустрия...

Хабр

Сколько весит секрет? Считаем стеганографическую емкость контейнеров на Python

Привет, Хабр! При работе со стеганографией первый и самый важный вопрос, который возникает перед пользователем: «А мой файл вообще поместится в эту картинку?». Попытка спрятать 10-мегабайтный архив в иконку размером 64x64 пикселя обречена на провал. Именно поэтому оценка стеганографической емкости контейнера — это краеугольный камень любой операции по сокрытию данных. Емкость — это не просто размер файла. Это сложное понятие, которое кардинально меняется в зависимости от формата контейнера (PNG, JPEG, DOCX) и метода сокрытия (LSB, DCT и др.). Сегодня на примере кода из нашего проекта ChameleonLab мы подробно разберем, как вычисляется емкость для разных типов файлов, и напишем соответствующие функции на Python.

https://habr.com/ru/articles/943742/

#стеганография #стегоанализ #chameleonlab #защита_данных #скрытие_данных #dct #LBS

Сколько весит секрет? Считаем стеганографическую емкость контейнеров на Python

Привет, Хабр! При работе со стеганографией первый и самый важный вопрос, который возникает перед пользователем: «А мой файл вообще поместится в эту картинку?». Попытка спрятать 10-мегабайтный архив в...

Хабр