4、经典有损压缩技术：变换编码（DCT、小波）、量化、预测编码在图像音频中的应用
有损压缩的核心思想是在保证人类感知质量基本不变的前提下，通过去除视觉或听觉上的冗余信息来换取更高的压缩比。与无损压缩不同，有损压缩允许重建信号与原始信号之间存在一定误差，但要求误差在感知层面“不可见”或“不可闻”。本章聚焦于三大经典技术支柱：变换编码（DCT与小波）、量化以及预测编码，并深入剖析它们在JPEG、MP3、JPEG2000等标准中的具体工程实现路径。
4.1 核心原理：从时域/空域到频域的“能量集中”
变换编码的基本思想是将原始信号从时域（音频）或空域（图像）映射到频域，使得信号的能量集中在少数几个变换系数上。以图像为例，自然图像中相邻像素的灰度值通常高度相关，直接存储像素值会产生大量冗余。经过离散余弦变换（DCT）后，低频分量集中在左上角，高频分量分布在右下角，而人眼对高频细节的敏感度远低于低频信息。因此，通过保留低频系数、粗量化或丢弃高频系数，即可在几乎不影响主观质量的前提下大幅降低数据量。
小波变换则进一步解决了DCT的“分块效应”问题。DCT以8×8或16×16像素块为单位独立变换，在低码率下块边界会出现可见的“马赛克”伪影。小波变换采用多分辨率分析，将图像分解为不同尺度的子带（LL、LH、HL、HH），既保留了空间位置信息，又实现了频率分离。JPEG2000正是基于离散小波变换（DWT），在相同压缩比下主观质量优于JPEG，且支持渐进传输和感兴趣区域编码。
4.2 量化：有损压缩的“旋钮”与感知模型
量化是将连续取值的变换系数映射到有限个离散电平的过程，这是有损压缩中唯一不可逆的步骤。量化步长（Q-step）越大，系数被舍入的精度越低，压缩比越高，但失真也越大。在JPEG中，标准量化表基于人眼视觉特性设计：低频系数使用较小的量化步长（如16、11、10），高频系数使用较大的步长（如99、103、100）。这种“感知加权量化”利用了视觉掩蔽效应——人眼对平滑区域中的微小噪声比对纹理区域中的噪声更敏感。
音频编码中的量化更为精细。MP3使用心理声学模型计算每个频带的掩蔽阈值，低于阈值的噪声不可闻，因此可以动态调整每个频带的量化精度。例如，在安静段落中，量化噪声被掩蔽在信号之下；而在强音附近，噪声阈值提高，允许更粗的量化。AAC编码器进一步采用“瞬时噪声整形”（TNS）技术，在量化前对预测残差进行滤波，将量化噪声整形到信号频谱的掩蔽区域之下。
| 编码标准 | 变换方式 | 量化策略 | 典型压缩比 | 主要应用 |
|---|---|---|---|---|
| JPEG | 8×8 DCT | 感知加权标量量化 | 10:1 ~ 20:1 | 数码照片、Web图像 |
| JPEG2000 | 离散小波变换（5/3或9/7） | 嵌入式码块量化+率失真优化 | 20:1 ~ 50:1 | 医学影像、卫星图像 |
| MP3 | MDCT（改进型DCT） | 心理声学模型+比特池分配 | 10:1 ~ 12:1 | 音乐流媒体、便携播放器 |
| AAC | MDCT + TNS | 感知噪声整形+自适应量化 | 12:1 ~ 16:1 | iTunes、YouTube、数字广播 |
4.3 预测编码：利用相邻相关性消除冗余
预测编码不直接量化原始信号，而是量化“当前值与预测值之间的差值”。如果预测准确，残差信号的动态范围远小于原始信号，量化所需的比特数随之减少。在图像编码中，JPEG的DC系数采用DPCM预测——用前一个块的DC值预测当前块的DC值；AC系数则进行Zig-Zag扫描后游程编码。在视频编码中，帧内预测利用当前块左侧和上方的像素预测当前块，帧间预测则利用参考帧的运动补偿结果进行预测。
音频领域的预测编码典型代表是ADPCM（自适应差分脉冲编码调制）。G.726标准使用自适应量化器和自适应预测器，对语音信号实现16~40 kbit/s的编码。其核心在于：预测器系数根据信号统计特性实时更新，量化步长也随信号幅度动态调整。对于音乐信号，MP3的“联合立体声”模式利用左右声道的相关性，对中侧（M/S）信号进行预测编码，进一步去除声道间冗余。
4.4 案例拆解：JPEG编码器实现与质量调优
以一张512×512的8位灰度图像为例，演示JPEG编码的完整流程与参数影响。原始图像数据量为512×512×8 = 2,097,152比特（约256KB）。目标压缩比为15:1，即输出码流约17KB。
- 预处理：将图像从RGB转换为YCbCr色彩空间，对色度通道进行2:1下采样（4:2:0格式），利用人眼对色度分辨率不敏感的特性。
- 分块与DCT：每个通道按8×8像素分块，对每个块执行二维DCT。DC系数反映块平均亮度，AC系数反映纹理细节。
- 量化：使用标准亮度量化表（Q50），将DCT系数除以对应量化步长后取整。例如，DC系数16，高频系数99。若需更高压缩比，可将量化表整体乘以2（Q25）或4（Q12.5）。
- Zig-Zag扫描与熵编码：将量化后的系数按Zig-Zag顺序重排，使非零系数集中在序列前部。对DC系数进行DPCM差分编码，对AC系数进行游程长度编码（RLE），最后用Huffman编码压缩。
实际测试中，Q50质量因子下压缩比为12:1，PSNR约36dB，主观几乎无差异；Q25时压缩比达到20:1，PSNR降至32dB，在图像边缘出现轻微振铃效应；Q12.5时压缩比30:1，PSNR仅28dB，块效应明显。调优的关键在于根据图像内容选择量化表：对于医学影像或文字截图，应使用Q75以上保证细节；对于自然风景照片，Q50即可满足视觉需求。
4.5 音频应用：MP3心理声学模型与比特分配
MP3编码器将音频流分割为1152个采样点的帧，每帧通过32个子带滤波器组和MDCT变换得到576个频域系数。心理声学模型并行计算每个频带的掩蔽阈值：首先通过FFT分析信号频谱，识别出音调成分和噪声成分，然后根据人耳听觉的频域掩蔽曲线（如听阈、临界频带）计算每个频带允许的最大量化噪声能量。
比特分配算法根据掩蔽阈值决定每个频带的量化精度。掩蔽阈值高的频带（如强音附近的频带）可以使用较粗的量化，而阈值低的频带（如安静的高频段）需要更精细的量化。MP3的“比特池”机制允许在静音段节省比特，留到复杂段落使用，从而在恒定码率下获得更稳定的主观质量。例如，128kbps的MP3在交响乐段落可能分配180kbps的瞬时码率，而在独奏段落仅使用80kbps。
现代AAC编码器进一步改进了这一过程：采用自适应量化器，根据信号短期频谱包络调整量化步长；使用“感知噪声替换”（PNS）技术，对噪声类信号直接编码噪声能量而非具体频谱；结合“联合立体声”编码，对中侧信号分别量化。这些技术使得AAC在96kbps下的音质接近MP3 128kbps，成为流媒体服务的首选音频编码格式。
4.6 常见误区与总结复盘
- 误区一：认为变换编码本身是有损的。实际上，DCT和小波变换都是完全可逆的数学变换，有损性完全来自量化步骤。如果量化步长为1且系数为整数，则变换编码可以做到无损。
- 误区二：混淆“感知无损”与“数学无损”。感知无损指失真低于人眼/人耳检测阈值，但数据已改变。医学影像、法律证据等场景要求数学无损，必须使用无损压缩或无损JPEG2000。
- 误区三：忽视预测编码在变换编码中的作用。JPEG的DC系数差分、H.264的帧内预测、MP3的立体声预测都是预测编码的变体，它们与变换编码协同工作，而非互斥关系。
- 误区四：量化表不可调整。JPEG标准允许自定义量化表，但许多编码器固定使用默认表。针对特定图像类型（如屏幕截图、医学影像）优化量化表，可在相同码率下提升主观质量5%~10%。
总结而言，经典有损压缩技术遵循“变换去相关→感知加权量化→熵编码”的通用框架。变换编码负责能量集中，量化负责根据感知模型丢弃不可见信息，预测编码则利用信号相关性进一步降低残差能量。理解这三者的协同关系，是设计高效压缩系统的基础。在实际工程中，应根据信号类型、质量要求和计算资源约束，选择合适的变换、量化策略和预测模式，并通过率失真优化实现压缩比与质量的动态平衡。