home.social

#dct — Public Fediverse posts

Live and recent posts from across the Fediverse tagged #dct, aggregated by home.social.

  1. Ist ja auch irgendwie nicht vertrauenserweckend, wenn der TÜV-Prüfer aufsitzt und fragt: "Wie funktioniert'n dit hier?"

    #motorrad #dct

  2. Ist ja auch irgendwie nicht vertrauenserweckend, wenn der TÜV-Prüfer aufsitzt und fragt: "Wie funktioniert'n dit hier?"

    #motorrad #dct

  3. Ist ja auch irgendwie nicht vertrauenserweckend, wenn der TÜV-Prüfer aufsitzt und fragt: "Wie funktioniert'n dit hier?"

    #motorrad #dct

  4. Ist ja auch irgendwie nicht vertrauenserweckend, wenn der TÜV-Prüfer aufsitzt und fragt: "Wie funktioniert'n dit hier?"

    #motorrad #dct

  5. 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.

    habr.com/ru/articles/1013668/

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

  6. 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.

    habr.com/ru/articles/1013668/

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

  7. 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.

    habr.com/ru/articles/1013668/

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

  8. 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.

    habr.com/ru/articles/1013668/

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

  9. ----------------

    🎥 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: youtube.com/watch?v=l03Os5uwWmk

  10. ----------------

    🎥 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: youtube.com/watch?v=l03Os5uwWmk

  11. ----------------

    🎥 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: youtube.com/watch?v=l03Os5uwWmk

  12. ✅ [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

    reddit.com/r/programming/comme

  13. 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

    reddit.com/r/programming/comme

  14. 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.

    habr.com/ru/articles/947506/

    #Бенфорд #DCT #KLдивергенция #AI #эксперимент

  15. 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.

    habr.com/ru/articles/947506/

    #Бенфорд #DCT #KLдивергенция #AI #эксперимент

  16. 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.

    habr.com/ru/articles/947506/

    #Бенфорд #DCT #KLдивергенция #AI #эксперимент

  17. 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.

    habr.com/ru/articles/947506/

    #Бенфорд #DCT #KLдивергенция #AI #эксперимент

  18. 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.

    habr.com/ru/articles/943742/

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

  19. 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.

    habr.com/ru/articles/943742/

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

  20. 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.

    habr.com/ru/articles/943742/

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

  21. 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.

    habr.com/ru/articles/943742/

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

  22. . @glitter and I went to our local #Honda and #Kawasaki dealer so she could check out the '24 CBR650R, and the one they had on the floor had the new #eClutch. The older salesperson said he rode a '24 CB650R (one that sold before it arrived at the shop) and really liked it. He even said it was so much better than Honda's #DCT! #motorcycle
  23. . @glitter and I went to our local #Honda and #Kawasaki dealer so she could check out the '24 CBR650R, and the one they had on the floor had the new #eClutch. The older salesperson said he rode a '24 CB650R (one that sold before it arrived at the shop) and really liked it. He even said it was so much better than Honda's #DCT! #motorcycle
  24. . @glitter and I went to our local #Honda and #Kawasaki dealer so she could check out the '24 CBR650R, and the one they had on the floor had the new #eClutch. The older salesperson said he rode a '24 CB650R (one that sold before it arrived at the shop) and really liked it. He even said it was so much better than Honda's #DCT! #motorcycle
  25. . @glitter and I went to our local #Honda and #Kawasaki dealer so she could check out the '24 CBR650R, and the one they had on the floor had the new #eClutch. The older salesperson said he rode a '24 CB650R (one that sold before it arrived at the shop) and really liked it. He even said it was so much better than Honda's #DCT! #motorcycle
  26. [Перевод] Существует ли частотная область в реальности?

    Частотная область — волшебное математическое пространство, которое трансформирует комплексные сигналы в амплитуды и фазы синусоид. Она открывает нам возможность применять разнообразные методы обработки сигналов, казавшиеся почти недостижимыми при их анализе в наиболее очевидной форме, а именно — во временной области. Однако насколько материально частотное пространство? Дискретное преобразование Фурье (DFT) имеет ключевое значение в сферах связи и анализа сигналов, но не раскрывает ли оно более глубокие, скрытые аспекты реальности? Рассмотрим, к примеру, квадратные волны. Действительно ли они существуют, если преобразование Фурье разлагает их на ряд нечетных гармоник синусоид , которые, в свою очередь, эффективно предсказывают поведение электронных схем в реальном мире? Сегодня я хочу немного уменьшить роль преобразования Фурье, сняв его с постамента. Несомненно, синусоидальные волны являются повсеместными в природе и служат мощным аналитическим инструментом для множества задач. Однако возможно создание иных частотных областей с хорошими свойствами, которые подчиняются другим принципам. К таким областям можно отнести ту, где реальностью являются исключительно квадратные волны, а все остальное представляет собой лишь гармонические составляющие.

    habr.com/ru/companies/bothub/a

    #волны #физика #частотный_диапазон #синусоида #дискретное_преобразование_фурье #dct #дискретное_преобразование

  27. [Перевод] Существует ли частотная область в реальности?

    Частотная область — волшебное математическое пространство, которое трансформирует комплексные сигналы в амплитуды и фазы синусоид. Она открывает нам возможность применять разнообразные методы обработки сигналов, казавшиеся почти недостижимыми при их анализе в наиболее очевидной форме, а именно — во временной области. Однако насколько материально частотное пространство? Дискретное преобразование Фурье (DFT) имеет ключевое значение в сферах связи и анализа сигналов, но не раскрывает ли оно более глубокие, скрытые аспекты реальности? Рассмотрим, к примеру, квадратные волны. Действительно ли они существуют, если преобразование Фурье разлагает их на ряд нечетных гармоник синусоид , которые, в свою очередь, эффективно предсказывают поведение электронных схем в реальном мире? Сегодня я хочу немного уменьшить роль преобразования Фурье, сняв его с постамента. Несомненно, синусоидальные волны являются повсеместными в природе и служат мощным аналитическим инструментом для множества задач. Однако возможно создание иных частотных областей с хорошими свойствами, которые подчиняются другим принципам. К таким областям можно отнести ту, где реальностью являются исключительно квадратные волны, а все остальное представляет собой лишь гармонические составляющие.

    habr.com/ru/companies/bothub/a

    #волны #физика #частотный_диапазон #синусоида #дискретное_преобразование_фурье #dct #дискретное_преобразование

  28. [Перевод] Существует ли частотная область в реальности?

    Частотная область — волшебное математическое пространство, которое трансформирует комплексные сигналы в амплитуды и фазы синусоид. Она открывает нам возможность применять разнообразные методы обработки сигналов, казавшиеся почти недостижимыми при их анализе в наиболее очевидной форме, а именно — во временной области. Однако насколько материально частотное пространство? Дискретное преобразование Фурье (DFT) имеет ключевое значение в сферах связи и анализа сигналов, но не раскрывает ли оно более глубокие, скрытые аспекты реальности? Рассмотрим, к примеру, квадратные волны. Действительно ли они существуют, если преобразование Фурье разлагает их на ряд нечетных гармоник синусоид , которые, в свою очередь, эффективно предсказывают поведение электронных схем в реальном мире? Сегодня я хочу немного уменьшить роль преобразования Фурье, сняв его с постамента. Несомненно, синусоидальные волны являются повсеместными в природе и служат мощным аналитическим инструментом для множества задач. Однако возможно создание иных частотных областей с хорошими свойствами, которые подчиняются другим принципам. К таким областям можно отнести ту, где реальностью являются исключительно квадратные волны, а все остальное представляет собой лишь гармонические составляющие.

    habr.com/ru/companies/bothub/a

    #волны #физика #частотный_диапазон #синусоида #дискретное_преобразование_фурье #dct #дискретное_преобразование

  29. Разбираем самый маленький JPEG в мире

    Недавно здесь была статья с описанием самого маленького файла PNG. Интересно, а какой самый маленький файл JPEG? В ответах на StackOverflow и Reddit можно встретить размеры 107, 119, 125, 134, 141, 160 байтов. Все они представляют серый прямоугольник 1 на 1. И кто прав? Все правы, просто такая разница объясняется различными режимами кодирования и степенью строгости соответствия стандарту. Описание всех этих нюансов разрослось до целой статьи cо всеми необходимыми подробностями для более-менее хорошего знакомства с самыми маленькими jpeg-ами. После краткой теории разберем 159-байтный файл на КДПВ, а затем рассмотрим способы его уменьшения.

    habr.com/ru/articles/791302/

    #jpeg #хаффман #dct #квантование