DCT Image Compression: Matematyka stojąca za JPEG

Od pikseli do częstotliwości

Zdjęcie zapisane w postaci surowej to siatka niezależnych wartości jasności bez oczywistej redundancji do wykorzystania piksel po pikselu. Jednak, gdy podzielimy je na małe bloki 8x8, pojawia się coś użytecznego: większość naturalnych bloków obrazowych jest zdominowana przez wolne, gładkie zmiany w jasności z jedynie sporadycznymi ostrymi krawędziami. Przemiana dyskretna kosinusowa ponownie wyraża blok nie jako 64 wartości pikseli, ale jako 64 współczynników częstotliwości przestrzennych – jak duża część wzoru bloku przypomina wolno zmieniającą się falę cosinusa w porównaniu z szybko oscylującą, zarówno w poziomie, jak i pionie.

Wzór DCT-II

JPEG wykorzystuje dwuwymiarową DCT-II, stosowaną jako transformata 1D wzdłuż rzędów a następnie kolumn. Wersja 1D dla N próbek wygląda następująco:

X_k = 2 * sum_{n=0}^{N-1} x_n * cos( pi/N * (n + 0.5) * k ), k = 0..N-1 X_0 = składnik DC — proporcjonalny do średniej wartości wszystkich x_n X_1..X_N-1 = składniki AC — o rosnącej częstotliwości przestrzennej Zastosowana w dwóch wymiarach do bloku 8x8, generuje siatkę 8x8 współczynników, gdzie element narożny górno-lewy reprezentuje średnią jasność bloku, a współczynniki dalej po prawej i w dół odpowiadają rosnącym częstotliwościom poziomych i pionowych. Ponieważ DCT jest ortogonalna i wykorzystuje jedynie prawdziwe kosinusy (nie złożone eksponencje, jak blisko spokrewniona transformata Fouriera), unika zbędnego symetrycznego spektrum, które generowałaby transformata Fouriera dla danych obrazów o wartościach rzeczywistych — co było jednym z powodów jej wyboru zamiast FFT do tego zadania.

X_k = 2 * sum_{n=0}^{N-1} x_n * cos( pi/N * (n + 0.5) * k ),   k = 0..N-1

X_0        = the DC term  — proportional to the average of all x_n
X_1..X_N-1 = AC terms     — increasing spatial frequency

Kompresja energii: dlaczego to działa

Dla typowego bloku fotograficznego, DCT koncentruje większość energii sygnału w niskoprzyswajalnych obszarach w pobliżu terminu DC, pozostawiając większość koeficientów o wysokiej częstotliwości małych lub skutecznie zerowych. Ta właściwość, zwana kompresją energii, jest głównym powodem użyteczności transformacji do kompresji: zamiast przechowywać około 64 liczby o zbliżonej wadze, można przechowywać kilka dużych koeficientów precyzyjnie, a pozostałe przybliżyć – lub je usunąć – z niewielką stratą jakości wizualnej.

Kwantyzacja: gdzie faktycznie zachodzi kompresja

Transformata Dyskretna Fouriera (DCT) sama w sobie jest bezstratna (do zaokrągleń) – zmienia jedynie reprezentację. Straty wprowadza kwantyzacja: każdy współczynnik jest dzielony przez wartość z tabeli kwantyzacji 8x8 i zaokrąglany do najbliższej liczby całkowitej. Wartości w tabeli rosną w kierunku krawędzi wysokich częstotliwości, ponieważ ludzkie oko jest znacznie mniej wrażliwe na drobne szczegóły o wysokiej częstotliwości niż na szerokie cieniowanie o niskiej częstotliwości; dlatego te współczynniki mogą być kwantyzowane grubsze – często do zera – przy niewielkiej utraconej percepcji. „Poziom jakości” w kodującym JPEG skaluje tę tabelę: wyższa jakość oznacza bardziej precyzyjną (mniejszy dzielnik) kwantyzację i więcej współczynników, które przetrwają bez zmian.

Skan podziałkowy i kodowanie entropijne

Po kwantyzacji większość typowych 64 współczynników bloku jest zerowa, zgrupowana w rogu o wysokiej częstotliwości. JPEG odczytuje współczynniki w kolejności podziałkowej, która zwiększa całkowitą częstotliwość, przekształcając ten róg zer na jeden długi ciąg — idealny dla kodowania długości sekwencji, a następnie dalej kompresowany za pomocą kodowania Huffmana. Połączenie DCT, agresywnej kwantyzacji wysokiej częstotliwości oraz kodowania długości sekwencji i Huffmana osiąga typowo stosunek 10:1 przy minimalnej widocznej utracie jakości, a znacznie wyższe proporcje kosztem widocznych artefaktów blokujących.

Często zadawane pytania

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz DCT Image Compression i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.