传统图像压缩技术的核心目标是通过减少数据冗余，实现更高效的图像存储与传输。技术流程如下图所示，一般包括变换编码、量化和熵编码等步骤，最终生成压缩码以供存储或传输；解码时则通过逆向操作还原图像。

        在压缩过程中，变换编码是关键环节之一，其目的是将图像数据从空间域转换到频率域，以更高效地压缩信息。

 常见的变换方法包括离散余弦变换、离散小波变换和离散傅里叶变换。

        DCT 通过将图像数据分解为频率分量，有效去除人眼不敏感的高频信息，是JPEG 压缩的核心技术；DWT 则提供了多分辨率分析能力，在JPEG2000 中被广泛应用，可实现高压缩比与高图像质量的平衡；离散傅里叶变换（Discrete Fourier Transform，DFT）虽然在图像压缩中的直接应用较少，但其在频率分析中的价值仍不可忽视。
        量化是图像压缩中的关键步骤，主要通过将连续值转换为离散值来减少数据的位数，从而实现有效的压缩。

在实际实现中，常见的量化方法包括均匀量化和非均匀量化。

        均匀量化将整个值域均匀划分为若干段，而非均匀量化则根据人眼的视觉特性或信号特性，保留更多重要信息。

量化级别决定了将连续值映射到离散值的数量，通常，量化级别越高，图像质量越好，压缩比越低。

        常见的设置是将每个像素值量化到256 个级别，这样可以将图像的数据表示为一个离散的整数值范围，从而减少存储空间。量化后，可能出现误差，常用非线性重构方法来减少失真。此外，在深度学习中，知觉量化算法可以通过神经网络学习更复杂的量化函数，以最小化重构误差。在JPEG 图像压缩中，量化通常在DCT 变换后进行，并通过量化矩阵根据人眼对不同频率的敏感度调整系数，最终与哈夫曼编码结合实现进一步压缩。

优化量化策略可以大大提高图像压缩的效率和质量，尤其是在低比特率条件下保持较好的视觉效果。

        熵编码作为无损压缩的核心技术，通过分析数据流的统计特性为高频数据分配较短编码，从而进一步降低数据量。

常见的熵编码方法包括哈夫曼编码、算术编码和行程编码。

        哈夫曼编码通过构建最优前缀编码树实现简单高效的压缩；算术编码基于概率模型，能够提供更高效的压缩率，尤其在小数据集上表现突出；行程编码则擅长处理重复数据，在图像位图的压缩中应用广泛。

        在解码阶段，压缩数据依次通过熵解码、反量化和逆变换处理，最终还原为原始图像或近似图像。为了进一步提升压缩性能，传统技术常采用混合编码策略，将多种编码方式有机结合以充分发挥不同方法的优点。

在图像和视频压缩领域，混合编码通过结合有损和无损编码、空间和变换域处理、熵编码与算术编码等方式，充分利用不同编码策略的优势。

        例如，JPEG 标准结合了DCT 变换与哈夫曼编码，而JPEG2000 则融合了DWT 和算术编码。此外，高效便携图形格式（Better Portable Graphics ， BPG ）作为一种基于高效视频编码（ High Efficiency Video Coding，HEVC）的图像压缩格式，其目标是在保证图像质量的同时，尽可能地减少数据量，主要在变换编码和熵编码步骤中引入预测和上下文编码技术，它在JPEG 和JPEG2000 相同文件大小下能够提供更高的图像质量，它支持透明度，并在低比特率场景下表现尤为出色，因此广泛应用于需要高效压缩且保证图像质量的应用场景中。

        传统图像压缩技术通过变换编码、量化和熵编码的有机结合，为图像的高效存储与传输提供了多样化的技术手段，并通过不断改进与标准化实现了图像质量与压缩率的优化平衡。传统图像压缩技术在图像存储与传输中占据了重要地位，其核心思想是通过减少数据冗余来实现高效压缩。

        这些方法经过长期的发展与优化，形成了多种经典的技术流派

其中以下四种方法具有代表性：

（1）基于DCT 的图像压缩技术，作为JPEG 压缩的核心，其在压缩比与视觉质量之间达成了良好的平衡；

（2）基于DWT的图像压缩技术，其在多分辨率分析和高效压缩方面表现出色；

（3）基于矢量量化的图像压缩技术，依托简单高效的块编码方法，降低了数据复杂度；

（4）分形图像压缩技术，通过建模图像的自相似特性，在高压缩比场景中展现了独特的应用优势。

1 DCT

        DCT 是图像压缩领域的一项关键技术，其本质是一种正交变换，它将图像从空间域转换到频率域，利用图像数据在频率域内的冗余性。

DCT 的优势在于其能量压缩特性，能够将图像的大部分能量集中在低频部分，同时减少由图像分块引起的块效应，即子图像间边界的可见性。

        DCT 凭借将图像转换到频率域并集中能量的特性，在各类图像压缩场景中发挥关键作用。通过量化和熵编码步骤，实现数据高效压缩，在JPEG 等图像压缩标准中取得巨大成功。其以较高的压缩率、保留信号主要能量的能力、相对简单的实现方式以及计算效率，广泛应用于多个领域。

DCT 及其变体存在局限性。在图像质量上，会因高频细节丢失和色彩信息偏差，出现“块状”伪影和色彩还原度问题，导致质量损失。计算复杂度方面，计算量大对硬件要求高，在实时处理和资源受限设备中应用受限。并且，其对非平稳图像区域和复杂结构图像的处理效果不佳，压缩效率受影响。

        尽管DCT 存在诸多挑战，但仍然是现代图像压缩技术的基石。为平衡压缩率和图像质量，需要对量化参数进行细致调优。随着技术的不断进步，预计DCT 及其变体将继续在图像和视频压缩领域中扮演关键角色，未来也需不断改进以克服现有不足。

        DCT 在压缩编码中的应用主要体现在其将图像转换到频率域，集中能量的特性上。通过量化和熵编码步骤，实现了数据的高效压缩。这一方法在JPEG等图像压缩标准中取得了巨大成功，确立了其作为一种经典且有效的压缩技术的地位。DCT 技术以其较高的压缩率、保留信号主要能量的能力、实现的相对简单性以及计算效率而受到青睐。

        然而，DCT 在压缩过程中也可能丢失部分细节信息，这将导致压缩后的图像质量有所下降。为了解决这一问题，需要对量化参数进行细致的调优，以平衡压缩率和图像质量。尽管存在这些挑战，DCT 仍然是现代图像压缩技术的基石，并持续在新的压缩算法和应用中发挥着重要作用。随着技术的不断进步，DCT 及其变体预计将继续在图像和视频压缩领域中扮演关键角色。

未完待续。。。。。。