c - 解码字典中没有的 TIFF LZW 代码

Question

我做了一个 LZW 压缩的 TIFF 图像解码器，所有部分都工作，它可以在有或没有水平预测的情况下解码各种位深度的大图像，除了一种情况。虽然它可以很好地解码大多数程序(如 Photoshop 和具有各种编码选项的 Krita)编写的文件，但 ImageMagick 的 convert 创建的文件有一些非常奇怪的地方，它会生成 LZW 代码，这些代码还没有出现在字典，我不知道如何处理它。

大多数时候，字典中还没有的 LZW 流中的 9 到 12 位代码是我的解码算法将尝试放入字典中的下一个代码(我不确定应该是这是一个问题，虽然我的算法在包含此类情况的图像上失败了)，但有时它甚至可能是 future 的数百个代码。在一种情况下，明文代码 (256) 之后的第一个代码是 364，这似乎是不可能的，因为明文代码清除了我的所有代码 258 及以上的字典，在另一种情况下，当我的字典只达到 317 时，代码是 501 !

我不知道如何处理它，但似乎只有我有这个问题，其他程序中的解码器可以很好地加载此类图像。那么他们是怎么做到的呢？

这是我的解码算法的核心，显然由于涉及的代码太多，我无法以紧凑的方式提供完整的可编译代码，但由于这是一个算法逻辑问题，这应该足够了。它严格遵循官方TIFF specification中描述的算法。 (第 61 页)，实际上大部分规范的伪代码都在注释中。

void tiff_lzw_decode(uint8_t *coded, buffer_t *dec)
{
    buffer_t word={0}, outstring={0};
    size_t coded_pos;   // position in bits
    int i, new_index, code, maxcode, bpc;

    buffer_t *dict={0};
    size_t dict_as=0;

    bpc = 9;            // starts with 9 bits per code, increases later
    tiff_lzw_calc_maxcode(bpc, &maxcode);
    new_index = 258;        // index at which new dict entries begin
    coded_pos = 0;          // bit position

    lzw_dict_init(&dict, &dict_as);

    while ((code = get_bits_in_stream(coded, coded_pos, bpc)) != 257)   // while ((Code = GetNextCode()) != EoiCode) 
    {
        coded_pos += bpc;

        if (code >= new_index)
            printf("Out of range code %d (new_index %d)\n", code, new_index);

        if (code == 256)                        // if (Code == ClearCode)
        {
            lzw_dict_init(&dict, &dict_as);             // InitializeTable();
            bpc = 9;
            tiff_lzw_calc_maxcode(bpc, &maxcode);
            new_index = 258;

            code = get_bits_in_stream(coded, coded_pos, bpc);   // Code = GetNextCode();
            coded_pos += bpc;

            if (code == 257)                    // if (Code == EoiCode)
                break;

            append_buf(dec, &dict[code]);               // WriteString(StringFromCode(Code));

            clear_buf(&word);
            append_buf(&word, &dict[code]);             // OldCode = Code;
        }
        else if (code < 4096)
        {
            if (dict[code].len)                 // if (IsInTable(Code))
            {
                append_buf(dec, &dict[code]);           // WriteString(StringFromCode(Code));

                lzw_add_to_dict(&dict, &dict_as, new_index, 0, word.buf, word.len, &bpc);
                lzw_add_to_dict(&dict, &dict_as, new_index, 1, dict[code].buf, 1, &bpc);    // AddStringToTable
                new_index++;
                tiff_lzw_calc_bpc(new_index, &bpc, &maxcode);

                clear_buf(&word);
                append_buf(&word, &dict[code]);         // OldCode = Code;
            }
            else
            {
                clear_buf(&outstring);
                append_buf(&outstring, &word);
                bufwrite(&outstring, word.buf, 1);      // OutString = StringFromCode(OldCode) + FirstChar(StringFromCode(OldCode));

                append_buf(dec, &outstring);            // WriteString(OutString);

                lzw_add_to_dict(&dict, &dict_as, new_index, 0, outstring.buf, outstring.len, &bpc); // AddStringToTable
                new_index++;
                tiff_lzw_calc_bpc(new_index, &bpc, &maxcode);

                clear_buf(&word);
                append_buf(&word, &dict[code]);         // OldCode = Code;
            }
        }

    }

    free_buf(&word);
    free_buf(&outstring);
    for (i=0; i < dict_as; i++)
        free_buf(&dict[i]);
    free(dict);
}

至于我的代码在这种情况下产生的结果，从外观上可以很清楚地看出，只有少数代码解码不当，之前和之后的所有内容都已正确解码，但显然在大多数情况下，后续图像在一个之后这些神秘的 future 代码中的一部分由于将其余解码字节移动了几个位置而被破坏了。这意味着我对 9 到 12 位码流的读取是正确的，所以这实际上意味着我在 256 位字典清除码之后看到了 364 码。

编辑:Here's an example file包含如此奇怪的代码。我还找到了 small TIFF LZW loading library遇到同样的问题，it crashes我的加载程序在该图像中找到第一个奇怪的代码的地方(当字典仅达到 2051 时代码为 3073)。好处是，由于它是一个小型库，您可以使用以下代码对其进行测试:

#include "loadtiff.h"
#include "loadtiff.c"
void loadtiff_test(char *path)
{
    int width, height, format;
    floadtiff(fopen(path, "rb"), &width, &height, &format);
}

如果有人坚持深入研究我的代码(这应该是不必要的，而且它是一个大库)here's where to start .

Answer 1

伪造的代码来自于尝试解码比我们预期的更多。问题是 LZW strip 有时可能不会以 End-of-Information 257 代码结束，因此当输出一定数量的解码字节时，解码循环必须停止。每个 strip 的字节数由 TIFF 标记 ROWSPERSTRIP * IMAGEWIDTH * BITSPERSAMPLE/8 确定，如果 PLANARCONFIG 为 1(这意味着交错 channel 而不是平面)，则将其全部乘以 SAMPLESPERPIXEL。因此，除了在遇到代码 257 时停止解码循环之外，还必须在达到解码字节数后停止循环。