JPEG 压缩到底在干嘛?小白也能看懂的 8 步拆解

图:先整理图像信息,再做有损取舍,最后高效编码。

平时用 libvips 压缩 JPEG,你是不是也这样调参数?

80 太大了,试试 75。75 还是大,再降一点。怎么文字开始糊了?赶紧调回去......

想调得有依据,我们得先弄懂:JPEG 到底省掉了什么?

先记住三句话:换一种表示方式,舍弃一部分信息,再把剩下的数据写得更省。

本文讲的是常见的 8 位、DCT 型有损 JPEG,以 YCbCr、4:2:0 和 Huffman 编码这条路线为例。4:2:0 很常见,但不是所有 JPEG 都必须用。

第 1 步:RGB → YCbCr,先把亮度和颜色拆开

我们熟悉的 RGB,是用红、绿、蓝三个值描述一个像素。转换成 YCbCr 后,可以通俗地理解为:把"有多亮"和"偏什么颜色"分开记录。

图:Y 近似描述亮度,Cb、Cr 描述蓝色色差和红色色差;不是三张独立的彩色原图。

为什么要拆?人眼通常对精细的亮度变化,比对同样精细的色度变化更敏感。比如黑字白底的笔画稍微糊一点,我们就容易察觉。

拆开以后,编码器就能区别对待:亮度认真记,颜色在合适的时候少记一些。

这里的 Y 严格说是 luma,本文为方便理解称作"亮度"。颜色转换主要是在换表示方式,不是后面大规模丢细节的那一步;实际计算也可能有舍入误差。

第 2 步:4:2:0 色度降采样,颜色少记几份

4:2:0 不是把四个像素合成一个,而是降低 Cb、Cr 的采样密度。

图:相对 4:4:4,色度采样减少 3/4,三分量的总采样数减少一半;这不等于最终文件体积减半。

看一个 2×2 区域,区别就清楚了:

采样方式 Y Cb Cr 合计
4:4:4 4 个 4 个 4 个 12 份
4:2:0 4 个 1 个 1 个 6 份

这一个 Cb、Cr 通常由附近的色度值经过滤波、降采样得到。可以理解成"附近几个颜色信息,合成一份有代表性的记录",不是随便挑一个,也不一定只对这四个值做简单平均。

解码时,再用插值等方法把色度扩展回需要的尺寸。四个位置仍有各自的 Y,因此不是四个像素变成同一种 RGB 颜色。但颜色信息确实损失了,重建后的 RGB 值也可能改变。

很多自然照片不容易看出差异;彩色小字和锐利的颜色边界,却可能出现颜色发糊。不是人眼一定察觉不到。

例如一张 1920×1080 的图,在 4:2:0 下:Y 是 1920×1080,Cb 和 Cr 各是 960×540。色度的宽、高都减半了。

第 3 步:Y、Cb、Cr 各自在自己的平面里按 8×8 分块

这里的一个块,是某一个分量平面中的 64 个采样值,不是同时装着 RGB 三种值的 64 个像素。

图:分块是各做各的;MCU 则按照采样关系,把相关的块组织在一起。

后面的 DCT、量化和 Zigzag,都会分别处理这些 8×8 的 Y、Cb、Cr 分量块。边缘不足一个完整块时,编码器会补齐处理,解码后的显示尺寸仍是原尺寸。

为什么经典 JPEG 选择 8×8?

不是整张图不能做 DCT,而是小块便于利用局部规律,也方便控制计算量和内存。比如天空和文字,不必放进同一个巨大的变换里处理。

8×8 是压缩效率、计算成本和失真表现之间的工程折中,并不是"只有这个尺寸才能分出高低频"。

顺便补充:这些块怎样组成 MCU?

JPEG 编码时,还会按照采样关系,把相关的数据块组成 MCU(Minimum Coded Unit,最小编码单元)。

在常见的 4:2:0 交错扫描中,一个 MCU 通常包含:

text 复制代码
4 个 8×8 的 Y 块
1 个 8×8 的 Cb 块
1 个 8×8 的 Cr 块

它对应原图中一个 16×16 的亮度区域。先记住这个组合就够了,不必把 MCU 和单个 DCT 块混为一谈。

第 4 步:DCT,把分量采样值翻译成频率系数

像素位置上的值,不会直接告诉我们"哪里是缓慢变化,哪里是快速变化"。DCT(离散余弦变换)就是换个角度描述它们。

图:输入与输出都是 64 个数,但含义变了;右边不是另一张像素图。

  • 变换前,空间域:每个位置的 Y、Cb 或 Cr 采样值是多少?
  • 变换后,频率域:这个块的整体水平怎样?有哪些不同方向、不同快慢的变化?

常见 8 位 JPEG 在 DCT 前,还会先把采样值减去 128,让数据以 0 附近为中心。这里先不展开公式,重点看这些数的含义如何变化。

左上角和右下角是什么意思?

最左上角的 DC 系数 对应块的平均水平;另外 63 个是 AC 系数,描述不同方向和频率的变化。

沿矩阵向右,水平方向频率增加;向下,竖直方向频率增加。左上附近是低频,右下是两个方向都较高的频率。不是只有右下角才有高频。

频率看的不是"颜色总共差多少",而是"在多短的距离里变化":

  • 从黑到白慢慢过渡,总差值很大,但平滑渐变主要是低频。
  • 文字边缘、细线和密集纹理在很短距离内快速变化,通常包含较多高频。
  • 纯色色块内部变化很少,高频主要来自它的边界。

如果处理的是 Y 块,讲的是明暗变化;如果处理 Cb、Cr 块,讲的是色度变化。

DCT 会删信息吗?

DCT 本身不负责主动丢信息。理想数学变换可以逆变换回去;实际实现有有限精度误差,DCT 系数也不天然都是整数。

自然照片的局部区域通常比较平缓,变换后往往能用少量低频系数承载较多能量。把信息分开表示以后,下一步才方便有针对性地降低精度。

第 5 步:量化,频率信息的精度在这里丢失

量化的做法,可以先理解成:每个 DCT 系数除以对应的量化步长,再取整。

图:50 除以 16 后取整成 3,解码时乘回去得到 48,而不是原来的 50。

先看一个小例子

下面用 4×4 缩小示意,便于阅读;实际 JPEG 块是 8×8。这不是上一节某张图的真实 DCT 计算结果。

text 复制代码
DCT 系数          量化步长           取整后的结果
50 20 10 5        16 11 20  40       3 2 1 0
20 10  5 2        12 15 30  60       2 1 0 0
10  5  2 1        20 30 60 100       1 0 0 0
 5  2  1 1        40 60 100 120      0 0 0 0

这里按正数四舍五入计算,例如 10÷20=0.5,取整得到 1。很多小系数则变成了 0。

到底丢掉了什么?

**不是删除矩阵的位置,而是丢掉系数的精度。**实际的 8×8 矩阵仍然有完整的 64 个位置。

例如,50÷16 取整后是 3,恢复时只能算出 3×16=48;3÷16 取整后是 0,恢复时只能得到 0。解码器不知道原来到底是 3,还是另一个也被取整成 0 的数。

所以不仅变成 0 的系数会损失信息,仍然非 0 的系数也可能丢失精度。

为什么高频区域更容易出现大量 0?

通常有两件事叠在一起:

  1. 自然照片的局部能量往往集中在低频,高频系数的幅度通常较小。
  2. 常用量化表对高频位置使用的步长通常较大。

本来就小,再除以一个较大的数,取整后自然更容易变成 0。例如 3÷16=0.1875,取整就是 0。

**0 本身不代表高频,矩阵位置才决定频率。**低频也可能为 0,高频也完全可能保留非 0 值。

这样设计,是为了利用人眼对许多细微变化相对不敏感的特点。但文字轮廓也包含高频,不能理解成"高频都没用,删光也没关系"。

质量参数主要在调什么?

libvips 保存 JPEG 时用的是 Q。在其他条件相近时,通常可以这样理解:

  • Q 较高:量化较轻,精度保留得更多,文件通常更大。
  • Q 较低:量化较粗,细节损失更多,文件通常更小。

Q=80 不代表"保留了 80% 的画质"。而且 libvips 在自动色度采样模式下,Q 还会影响是否启用色度降采样,后面会具体说。

到这里,主要的有损取舍已经发生了。接下来的步骤是在把量化后的数据写得更省,不是继续删高频。

第 6 步:Zigzag,按固定顺序重排系数

不改任何值,不删除任何位置,只把二维矩阵排成一维序列。

图:左边只画了扫描起点;实际会按固定顺序遍历完整的 8×8 块。

例如一个量化后的块是:

text 复制代码
8 4 2 1 0 0 0 0
4 2 1 0 0 0 0 0
2 1 0 0 0 0 0 0
1 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0

按 Zigzag 顺序读取后,前 10 个数是:

text 复制代码
8, 4, 4, 2, 2, 2, 1, 1, 1, 1

后面接着 54 个 0,总共仍然是 64 个数。

这个顺序大体上让低频靠前、高频靠后。由于量化后的高频经常为 0,连续 0 就更容易出现在后半段。

注意,Zigzag 不是按数值大小排序,也不是专门搜出所有 0 再搬到末尾。它的扫描路径是固定的,不保证每个块的 0 都连续。

第 7 步:RLE / EOB,零不用一个个写

有了连续的 0,就可以少写一些重复记录,但不能让解码器搞不清它们原来在哪。

图:能补回的是量化后的系数,不能找回的是量化前已经丢掉的精度。

先把 DC 和 AC 分开:在常见的顺序编码里,DC 通常记录它与同一分量前一个块 DC 的差值;后面的 63 个 AC 才使用这里讲的游程编码和 EOB。

RLE(游程编码)的思想是:不必逐个写连续的 0,可以记录"下一个非 0 值前面有几个 0"。JPEG 实际用 run / size 符号描述零的个数和下一个非零值的幅值类别,再附上幅值 bit。连续 16 个 0 也有专门的 ZRL 符号。

EOB(End Of Block,块结束)更直观。假设 AC 序列开头是 3, -2, 1,剩下的 60 个 AC 都是 0,就可以用"3, -2, 1,后面全是 0"来理解它,而不必逐个写下那 60 个 0。这是概念表达,不是实际文件里的原样语法。

补回了 0,为什么图片还是回不到原样?

因为补回来的是量化后的 0。

原来的某个系数可能是 3,量化时已经变成了 0。后面的编码能保证这个 0 不丢,却不知道它原来是 3。

就像把"约等于 3"记得再准确,也找不回四舍五入前的 3.14。后半段无损,不等于整张图片无损。

解码器把 DC 和 AC 合起来,可以恢复量化后的完整 64 个位置;再做反量化、逆 DCT 等步骤,得到的是重建图像,不保证与原图一致。

第 8 步:Huffman,常见符号用更短的 bit

最后再省一次:经常出现的符号用短编码,较少出现的符号用长编码,降低总体长度。

图:A/B/C 是通用教学示例,不是 JPEG 实际码表;计算只包含符号,不包含码表等开销。

例如 A 出现 50 次、B 出现 30 次、C 出现 20 次:

  • 都用 2 bit,需要 200 bit。
  • 用 A=0、B=10、C=11,需要 50×1+30×2+20×2=150 bit。

这些编码不会互相成为前缀,解码器可以分清每个符号。这里说的"出现频率",是符号出现的次数,和前面图像里的高频、低频不是一回事。

JPEG 的 Huffman 主要编码 DC 的幅值类别、AC 的 run / size、EOB 等符号。具体幅值所需的额外 bit 仍要保存,不是只留下一个 Huffman 符号就够了。

Huffman 不再降低画质,只改变存储方式。编码数据还要连同量化表、码表、尺寸等必要信息组织起来,才成为可解码的 JPEG 文件。

为什么照片通常合适,UI 截图却容易出问题?

自然照片常有平缓区域和连续渐变,小误差也容易被丰富的画面掩盖。JPEG 通常能在文件大小和观感之间取得不错的平衡。

UI 截图不同:文字、细线和图标往往靠干净利落的边缘传达信息,稍微变糊就很明显。

图:高频与失真的效果示意,非 libvips 实测压缩对比。纯色色块内部平缓,边界才包含快速变化。

量化过强时,描述快速变化的系数损失精度,重建就难以拼回原来的锐利边缘:

  • 模糊:陡峭的边界被还原得更平缓,字就糊了。
  • 振铃(ringing):边缘附近出现明暗波纹,像多了一圈影子。
  • 蚊式噪声(mosquito noise):高对比度边缘附近出现细小、杂乱的痕迹。
  • 块状感:相邻块重建后的边界不够连贯,压缩很重时能看出小方块;不只会出现在文字边缘。

色度降采样也可能让彩色细线、彩字边缘发糊。纯色色块内部本身并不难压,难的是把它的边界保持干净。

回到 libvips:这几个参数分别在调什么?

以 libvips 的 JPEG 保存操作 jpegsave 为准,实际参数名是下面这些。不要把通用说法 quality 当成它的参数名。

参数 通俗理解 主要影响
Q 精度留多少,默认 75 主要控制量化;自动采样时也影响色度采样选择
subsample_mode 色度要不要少采一些 auto 自动选择,off 禁用,on 启用
optimize_coding 为这张图优化 Huffman 表 通常能省一些体积,不额外损失画质
interlace 使用渐进式 JPEG 改变扫描组织和显示方式,不是提高图像质量

一个容易漏掉的细节:按 libvips 文档,subsample_mode=auto 时,Q >= 90 会禁用色度降采样。因此,只改 Q 跨过这个阈值,可能同时改变量化和采样方式。见 libvips jpegsave 官方文档。

如果只是想比较量化强弱,先固定 subsample_mode,再调整 Q,结果会更容易解释。对文字或彩色细线敏感时,可以对比关闭色度降采样的效果;但关闭它不等于消除量化失真。

Q=100 也不应当当成无损保存的保证。需要精确保留原始像素值时,不要靠提高 JPEG 质量参数代替无损格式。

PNG 压到 256 色,和 JPEG 有什么区别?

两者通常都不改变图片尺寸和像素格子数量,但格子里的 RGB 值都可能改变。区别是怎么减少信息。

图:两种压缩思路的效果示意,非实测结果。JPEG 一侧展示同一处建筑边缘的示意对比。

  • JPEG:把颜色和细节记得更粗。可能减少色度采样,再降低频率系数的精度;文字、细线、锐利边缘和密集纹理处容易出现模糊、振铃或蚊式噪声,重压缩时也可能有块状感。
  • PNG 256 色:像素格子还在,但只能从最多 256 种颜色里选择。原来的大量颜色被合并成代表色,照片和渐变可能出现色带;也可以主动加入抖动,用细小点阵模拟缺少的颜色。

PNG 格式本身是无损的。有损发生在保存前的减色 ,PNG 再把减色后的结果无损存下来。如果原图本来就不超过 256 种颜色,转成索引色也不一定丢信息。PNG 的索引色调色板最多 256 项,见 PNG 规范的调色板说明。

那和 Cb、Cr 降采样不是差不多吗?

都在简化颜色,但简化的是两个不同维度:

  • 4:2:0:附近的色度采样合成较少的代表值,减少空间上的采样密度;不限制整张图只能使用 256 种 RGB 颜色。
  • PNG 256 色:每个位置仍有自己的颜色索引,但整张图可选的颜色最多 256 种。

所以不能说"JPEG 像素没变,PNG 像素才变了"。它们都没必然删掉像素格子,却都可能改变最终的像素颜色。

照片通常可以先试 JPEG;颜色较少的图标、简单插画可以试索引色 PNG;需要精确保留丰富颜色、文字或透明细节时,可以考虑全彩 PNG。不要仅凭格式名判断,最好看实际图片效果。

一句话:JPEG 是把颜色和细节记得更粗;PNG 256 色是把可用颜色减少到最多 256 种。

最后总结

把这 8 步串起来,核心就清楚了:

  1. 颜色转换、分块、DCT:把信息整理成更方便处理的形式。
  2. 色度降采样和量化:主要的有损取舍发生在这里。
  3. Zigzag、RLE / EOB、Huffman:重排、简写、编码,把量化后的数据写得更省。

后面的步骤不用"再删除高频 0"。原来的细节在量化时已经损失了,后面只需要把这些 0 省着记。解码能补回 0,却补不回量化前的精度。

下次调 libvips 参数时,先问一句:"我是在少保留一些信息,还是在把相同的数据编码得更省?"比只盯着文件大小反复试,更容易找到合适的取舍。

进一步了解 DCT、DC/AC 与 JPEG 编码流程,可阅读 Wallace 的 JPEG 原理介绍。

相关推荐
wangruofeng12 小时前
AI Models 1.1.0 发布,查大模型价格、对比模型和找 API 地址
前端·aigc·ai编程
脚本自动化开发12 小时前
玩影之刃零,两张四千元级显卡怎么挑
后端
wangruofeng12 小时前
给前端开发者的 100 个设计参考网站
前端·设计
星栈16 小时前
视频即代码,Remotion 能做什么、不能做什么
前端·音视频开发
广州华水科技16 小时前
单北斗GNSS位移监测系统的应用与技术解析
前端
用户479492835691516 小时前
从一句话或代码仓到可交互 HTML:开源 Agent 画图技能 Archify v3.2 实测与选型边界
前端·后端·面试
努力的小雨17 小时前
别再复制日志给AI了!我让Codex自己去观测云查报错
后端
风骏时光牛马18 小时前
生成一个AI多模态标题,仅输出一条标题,无额外文字、问句、备选、配图、文案等任何附加内容,不需要其他的任务服务 只要标题。
前端
wangruofeng19 小时前
从 GIF 到 AVIF:网页图片格式演进与 2026 年选型指南
前端·架构
afumu19 小时前
Go 写一个只监听 127.0.0.1 的控制服务:鉴权、白名单、危险命令拦截
后端·安全·go