Soporte de compresión JBIG2

Visión general

HotPDF incluye compresión y decodificación JBIG2 para imágenes bilevel usadas por texto escaneado, formularios y line art

Características principales

Compresión de alta eficiencia para imágenes bilevel
Soporte de modos de compresión con y sin pérdida
Optimizado para la compresión de texto y arte lineal
Reducción significativa del tamaño de archivo frente a los métodos de compresión tradicionales
Codificación multipágina con un único diccionario de símbolos entrenado compartido por cada XObject de imagen
Detección exacta de páginas duplicadas antes de la clasificación y reutilización de XObjects codificados durante el ensamblado del PDF
Presupuestos acotados de páginas y píxeles con respaldo nativo Pascal opcional

Ventajas de compresión

Reutilización entre páginas: los símbolos repetidos se clasifican una vez y se almacenan en datos globales compartidos
Symbol matching: con UseSymbolDictionary, los componentes conexos negros repetidos se almacenan una vez como símbolos, y LossyLevel permite que los componentes casi idénticos compartan un mismo símbolo
Memory Efficient: optimizado para procesar documentos escaneados grandes

Casos de uso típicos

Documentos de texto escaneados
Planos técnicos y blueprints
Formularios y facturas
Mapas y diagramas
Documentos de contenido mixto con texto y gráficos

Implementación técnica

La implementación JBIG2 proporciona rutas Pascal nativas y un backend estático externo opcional mediante estas APIs

THPDFJBIG2Decoder: clase de decodificación principal para datos comprimidos JBIG2
Cobertura de codificación nativa: regiones genéricas MMR, regiones genéricas MQ, diccionarios de símbolos y regiones de texto aritméticos y de estándar-Huffman, símbolos de refinement, símbolos agregados, instancias de texto refinadas, contextos aritméticos retenidos y tablas de referencia de forma larga acotadas
Reutilización acotada de contextos: los bancos de probabilidad genéricos y de refinement se retienen con tamaños conscientes de la plantilla, se aíslan entre dependencias de fan-out y se rechazan cuando su origen o plantilla es incompatible
Procesado de streams: manejo eficiente de streams de datos JBIG2
Soporte de diccionario global: diccionarios de símbolos compartidos y encadenados multinivel con identificadores de segmento de uno, dos o cuatro bytes
Codificador de lotes entre páginas: THPDFJBIG2Encoder.EncodePagesToByteArrays entrena sobre el lote completo y devuelve un stream de página por entrada más datos globales compartidos
Contrato de lote: TJBIG2BatchPage describe una página empaquetada, TJBIG2BatchEncodeBackend identifica la implementación seleccionada y TJBIG2BatchEncodeCallback define las integraciones de lote externas
Integración con documentos: THotPDF.AddJBIG2ImageBatch y THotPDF.AddJBIG2BitmapBatch codifican antes de mutar el grafo PDF, adjuntan un stream /JBIG2Globals compartido y devuelven índices de imagen en orden de entrada
Telemetría de lote: TJBIG2BatchEncodeStatistics informa del backend seleccionado, tamaños de entrada y salida, recuento de símbolos nativos y rechazos por presupuesto
Recuperación de backend: HPDFJBIG2EncRegisterBackends restaura ambos callbacks de codificador integrados después de limpiar las sobrescrituras temporales de la aplicación
HPDFJBIG2SplitSymbolDictionaryGlobals: separa un stream incrustado secuencial en diccionarios globales y segmentos de imagen de página preservando las cabeceras de dependencia de forma larga
Decodificación de región visible: THPDFJBIG2Decoder.LoadRegionFromByteArray asigna solo la ventana solicitada, resuelve sus dependencias transitivas de diccionario, compone las regiones de página que se cruzan con recorte y omite las regiones independientes fuera de ventana antes de la decodificación de entropía
Telemetría de decodificación de región: LastRegionDecodeStats informa de recuentos de regiones decodificadas y omitidas más píxeles de origen decodificados, mientras UsedIncrementalRegionDecode distingue la ruta de ventana nativa del fallback de decodificación completa
Acceso por scanlines: acceso a datos fila a fila para un procesado eficiente en memoria

Ejemplo de uso


// Delphi example - Processing JBIG2 compressed data
procedure ProcessJBIG2Data;
var
  PDF: THotPDF;
  Decoder: THPDFJBIG2Decoder;
  ImageData: TBytesArray;
  ScanlineData: TBytesArray;
  Row: Integer;
begin
  PDF := THotPDF.Create(nil);
  Decoder := THPDFJBIG2Decoder.Create;
  try
    PDF.BeginDoc;
    PDF.AddPage;

    // Load JBIG2 compressed image data
    if Decoder.LoadFromByteArray(ImageData) then
    begin
      // Process scanline by scanline for memory efficiency
      for Row := 0 to Decoder.Height - 1 do
      begin
        if Decoder.GetScanline(Row, ScanlineData) then
        begin
          // Process scanline data as needed
          // Add to PDF page
        end;
      end;
    end;

    PDF.EndDoc;
  finally
    Decoder.Free;
    PDF.Free;
  end;
end;

Opciones del codificador y backends

THotPDF.JBIG2Options: el THPDFJBIG2Options del documento, que AddImage(..., icJBIG2) convierte en TJBIG2EncodeOptions. Sus valores por defecto van bien para escaneos: Lossless=True, LossyLevel=5, RemoveIsolatedBlackPixels=True y BlackDotSize=3
Eliminación de motas: mientras RemoveIsolatedBlackPixels es True, los componentes conexos negros cuyo ancho y alto son menores que BlackDotSize se limpian antes de codificar, así que los valores por defecto eliminan motas de 2 x 2 píxeles o menores. Póngalo a False cuando la salida deba coincidir píxel a píxel con el bitmap
Elección de codificador: UseExternalEncoder (True por defecto) usa el codificador aritmético de alto rendimiento registrado; si está apagado, falta o falla, se escribe la región genérica MMR sin pérdida integrada. UseNativeArithmeticFallback=True prueba el codificador aritmético Pascal integrado antes que MMR y, con UseSymbolDictionary=True, prueba primero un diccionario de símbolos con regiones de texto
DefaultJBIG2EncodeOptions: las opciones que usa un THPDFJBIG2Encoder independiente: sin pérdida, con LossyLevel=0 y sin eliminación de motas
Elección de decodificador: THotPDF.UseExternalJBIG2Decoder (True por defecto) decodifica imágenes /JBIG2Decode cargadas con el backend de alto rendimiento cuando está disponible; False usa el decodificador Pascal integrado
Backends personalizados: RegisterJBIG2EncoderBackend y RegisterJBIG2DecoderBackend instalan callbacks de la aplicación, IsJBIG2EncoderBackendAvailable y IsJBIG2DecoderBackendAvailable los informan y ClearJBIG2Backends los elimina

Referencia de clases

THPDFJBIG2Decoder

LoadFromByteArray: carga de datos JBIG2 desde un byte array; devuelve False cuando los datos están incompletos o no son soportados
GetScanline: obtención de datos de una scanline concreta
Width/Height: propiedades de dimensiones de la imagen

Optimización de rendimiento

Un corpus fijo de escaneos de 100 páginas se comprime de 158.300 bytes con regiones genéricas separadas a 33.600 bytes con entrenamiento cruzado externo entre páginas, una reducción del 78,8 por ciento
El mismo corpus completa en 11 ms en lugar de 53 ms en Win64 y 16 ms en lugar de 77 ms en Win32 en el benchmark de regresión
La búsqueda página-a-símbolo está indexada y los streams de páginas codificadas repetidas se cachean para extracción por lotes en tiempo constante
Procesado por scanlines eficiente en memoria
Optimizado para el manejo de documentos grandes
Huella de memoria mínima durante la descompresión

Conformidad con estándares

Conformidad con el estándar ITU-T T.88
Soporte del estándar ISO/IEC 14492
Image XObjects PDF 1.4 o posterior con /JBIG2Decode y /JBIG2Globals
HotPDF no escribe JBIG2 mientras la salida PDF/A está activa: AddImage(..., icJBIG2) escribe icCCITT42 en su lugar y la inserción por lotes devuelve False
Consistencia entre plataformas

Véase también