令人拍案叫绝的JPEG图像压缩原理

作者 | Jack Sigmoid 编辑 | 3D视觉开发者社区

前言

从事各行各业的大佬们，我相信，你们对图像格式是不陌生的，有很多种图像格式，比如，png，jpeg等等，但是你发现，同一张图片，当我们把他用工具变成各种其他格式时，其在计算机文件系统显示的文件大小各不一样，但是当你打开显示时，从视觉角度上看，几乎看不出差距。那为什么现实的文件大小不一样，但是带给我们的视觉感受确实几乎一样的呢，这里面就涉及到一个领域：数据压缩，具体到图像这块称之为图像压缩技术。今天，我就来给大家简单讲讲我们常用的JPEG压缩原理技术。

我们知道，常见的图像是由RGB格式组成，图像上的每个像素值分别由R(8bit)G(8bit)B(8bit)表示，如下图所示：

图像组成

下面展示的是一张2592x1944(所谓的2K分辨率)图像，在没有经过任何压缩和利用JPEG技术后的文件大小：

压缩前大约15M，压缩后大约只有0.8M

压缩技术一：颜色空间转换(RGB->YCrCb)+色彩下采样(Chroma Subsampling)

研究人员通过大量实验证明，人类视觉系统对亮度的更敏感，而对颜色没那么敏感，如下图所示，A和B其实是一种颜色。

因此，我们可以将图像从RGB->YCrCb空间，然后对于亮度Y，保留0~255等级，而对于Cr和Cb，采用下采样手段：

未对Cr和Cb进行下采样

对Cr和Cb进行下采样

我们来具体看看一个例子，下图是一副8x8的图，将其YCrCb单独分离出来：

YCrCb空间

然后我们分别对Cr和Cb进行下采样操作（2X2窗口滑动，取左上角元素）：

对Cr进行下采样，Cb也进行同样的操作

最终得到如下：

下采样的YCrCb空间

然后进行合并得到：

未进行下采样和进行下采样的图

上述过程进行对图像进行色彩下采样操作，再来看看对于2k的图，进行色彩下采样操作后的前后对比：

原图像(未经压缩)和被压缩后的图像

通过上述操作，我们可以看出，相对于原图，我们压缩了50%的存储空间：

通过上述操作，我们可以看出，图像数据在压缩了接近50%之后，对于人类视觉系统而言，也几乎没有什么差距，但是JPEG压缩技术可以做到接近95%的压缩，那还能从哪些地方进行数据压缩呢？

压缩技术二：DCT变换，留低频，弃高频

从信号处理角度看，数字图像其本身就是一种信号，那可不可以从这个角度剖析图像自身蕴含的信号，进一步抽取我们尽可能需要保留的信息，而去除一些无关紧要的其他信息呢？答案是肯定的。首先我们抽取图像的一行，

图像的一行所蕴含的信号图像

通过大量的视觉实验，我们知道，人类视觉对高频信息并不那么敏感：

人类视觉系统对高频信息并不那么敏感

因此，我们可以利用信号处理领域的相关手段，分析出图像中高低频信息含量，并通过一定手段筛选出我们需要的信息。此时，一个重要的方法排上了用场，DCT(离散余弦变换)，在冈萨雷斯的《数字图像处理》书中，有详细的推理，这里简述一下精髓：一切信号都可以用若干不同频率的标准余弦信号通过特定的组合形式表示出来。考虑下面一个只有8个像素的单行图像：

cos(x)

从上面可以看出，对于y0~y7，这8个离散值从标准的cos(x)函数上采样获取。也就是说，对于y来说，其可以只用一个cos(x)就能完全表达，因此，通过DCT变换后，在幅频图上，对于cos(x)的那个系数X1=1，而其他X0, X2, ....., X7则为0（X0~X7分别代表从低频信号(比如cos(x))到高频信号(比如cos(7x))的系数），同理有，当y0~y7服从cos(2x)时，其经过DCT变换后，其X2=1，下图是将y值在0~255范围空间进行转换到-128~128空间。

cos(2x)

类似的有，对于y0~y7从cos(3x)进行下采样操作，对应的DCT变换后的的幅频图。

cos(3x)

因此，经过上述分析，就有：cos(kx) 与Xk一一对应的关系：

cos(kx)

枚举所有情况，如下所示：

因此，我们也可以得到：8个像素值的所有组合，均可以表示为该8个余弦函数的总和。

这里，我们分析一下，对于任意的8个像素值组合，其对应的下面的DCT变换如下，其Xk求解形式如下：

将其写成向量形式有：

更进一步有：

需要注意的是，DCT变化是可逆的，对应如下图所示：

我们将Inverse DCT拆开写，更清楚的显示任意信号和对应的标准余弦信号组合关系：

接下来，我们从图像中，任意扣取一个8x8的区域进行分析，此时，一维的DCT变换也随之拓展到二维：

上述过程就是DCT 2D变换：

由于DCT具有可逆性，也就是说，根据DCT 2D得到的变换矩阵，我们可以完整反推出对应的像素值，我们可以把64个系数从低频到高频依次加入，其图像的变换情况：

加入0个频率系数时：

加入0个频率系数

加入8个频率系数时：

加入8个频率系数

加入32个频率系数时：

加入32个频率系数

加入48个频率系数时：

加入48个频率系数

加入64个频率系数时：

加入64个频率系数

从上述变换可以看出，后面添加的一些高频信息，对图像的整体改变并没有变多少，这是发生一些非常细微上的表现，然而，我们人类视觉系统对这些改变并不敏感。

在 JPEG 算法中，图像被分为了 8*8 的像素组，每个像素组用自己的离散余弦变化进行频域编码。为什么选用 8*8 的像素组。采用比 8*8 更大的像素组，会大幅增加 DCT 的运算量，且编码质量也不会明显提升；采用比 8*8 更小的像素组会导致分组增多降低精度。所以8*8 的像素组是效率最优的结果。对每个像素组组，我们都用上述DCT进行变换。

下面演示不断添加频率个数，图像恢复情况：

加入0个频率时，恢复出来一片白板

只用一个系数时，图像大体轮廓已出现

当加入8个频率时，图像基本上恢复出原样

当加入16个频率时，图像越来越清楚

随着后续高频不断加入，图像并没有多大改变

后续的高频分量对于图像的视觉感受并没有多大改变

从上述分析，我们就可以看到，一些高频分量的加入，并不会对我们的视觉带来冲击，因此，这部分高频信息就可以丢弃。具体怎么丢弃呢？研究人员通过大量的视觉实验，最终定义出一个量化表格（Quantization Table），如下所示：

Quantization Table

将DCT 2D变换得到表格(上面Encoding中左边)与量化表格进行逐元素触发，得到右边蓝色表格，可以发现，变成一个稀疏矩阵，同时，也注意到一个事情，如下图所示，DCT 2D得到的系数矩阵，其左上角最大，低频信息集中在左上角区域，而高频部分则集中在右下角部分(低频信息，对应的DCT系数矩阵其能量系数也大)。这个性质其实可以从DCT 2D的推理过程可以得到。在上述经过量化后的系数矩阵中，右下部分出现大量的0，也就意味着，该信号可以被舍弃。注意，舍弃高频信息的过程就是量化过程，这里会出现信息损失。