你有没有想过一个问题：手机拍一张照片，为什么文件只有几百 KB，而不是几十 MB？一段 720p 的视频，为什么能在网上流畅播放，而不是把你的流量瞬间榨干？

答案就像你猜到的那样——这背后是一整套挺聪明的东西，叫压缩。但它不是魔法，它就是能把那些你不怎么看得到的"废话"给丢掉。

先算账

咱们先来算一算，如果不压缩，一张图片到底有多大。

一张 1280×720 的图，也就是手机上常见的 720p，总共 1280 × 720 = 921,600 个像素，大概九十多万个像素点。

每个像素要存什么呢？至少四个通道：红（R）、绿（G）、蓝（B），还有透明度（A）。每个通道用 8 个比特，也就是 1 个字节。这样每个像素就是 4 个字节。

921,600 像素 × 4 字节 = 3,686,400 字节，大约 3.52 MB。

一张 720p 的图，不压缩就是 3.52 MB。

如果这是一段视频呢？24 帧每秒，就是每秒 24 张这样的图。24 × 3.52 MB = 84.4 MB/秒。一分钟 5 GB，一小时接近 300 GB。一部两小时的电影，不压缩的话大约是 593 GB。

你的家庭宽带千兆网，理论最大下载速度不过 125 MB/秒。只够勉强传一路 720p 的视频，还要扣掉实际损耗。别说 4K 了，连看个家用摄像头都卡得不行。

这就是为什么必须压缩。不压缩，整个互联网根本跑不动任何图片和视频。

压缩的本质：找废话

压缩不神奇。它就是找到数据里的三种"废话"，然后不存它们。这三种废话分别叫：空间冗余、时间冗余、视觉冗余。

空间冗余：一张图片里，相邻的像素通常非常接近。蓝天一片，连续几千个像素的蓝色值几乎一模一样。你说"这里有九千个 128"和存九千个 128，信息是完全一样的，但前者只需要几十分之一的空间。这就是空间冗余——同一个画面里的重复信息。

时间冗余：视频里，前后两帧之间大部分画面没变。一个说话的人，背后的墙没动，桌上的杯子没动，只有嘴巴在动。存一帧完整的，再存一帧说"跟上帧比，嘴巴这里挪了 3 像素"，第二帧的数据就省了 99%。这就是时间冗余。

视觉冗余：人眼对亮度的变化非常敏感，对色彩的变化没那么敏感。对大面积平缓的色块很敏感，对细碎的小细节不怎么在意。一张灰度图可以区分 256 个级别，但人眼实际能分辨出来的不过三四十个级别。分辨不出来的那些级别存着干嘛呢？可以不存，因为你看不出来。

这三类冗余叠加在一起，给了压缩巨大的空间。你看到压缩后的画质"没区别"，不是因为它保住了所有信息，而是因为它丢掉的恰好都是你看不见的。

JPEG 怎么压一张图：六步走

JPEG 是我们最常见的图片格式。它处理空间冗余和视觉冗余，一共有六步。

第一步：颜色空间转换。 把 RGB 转成 YCbCr。Y 是亮度，Cb 和 Cr 是两种色差。因为人眼对亮度敏感、对色差不敏感，可以把每四个像素共用一组色差值（这叫 4:2:0 采样）。颜色信息直接丢掉四分之三，你肉眼看不出区别。这一步就砍掉了一半的数据量。

第二步：切成小块。 把整张图切成 8×8 像素的小块。1280×720 的图切出来总共 14,400 块。为什么要切块？因为相邻像素之间有关联，但隔了老远的像素就没关联了。分成小块，在每一块里搞局部处理，效率才最高。

第三步：DCT 变换。 这是 JPEG 中最硬核的数学操作。它把每个 8×8 小块从"空间域"（这一格的值是多少、那一格的值是多少）转换到"频率域"（这个块由哪些频率的波形组成）。变化完以后，左上角是低频——描述大面积的平缓区域；右下角是高频——描述细节和边缘。自然图像的能量大多集中在低频，高频系数通常很小甚至接近零。这一步本身不压缩数据，但它把数据重新排布了一下——重要的数字集中在左上角，不重要的摊在右下角，为下一步的"丢数据"做了完美的准备。

第四步：量化。 这是整个流程里唯一丢数据的环节，也是"有损压缩"的损字来源。每个 DCT 系数除以量化表里对应的数字，四舍五入取整。量化表是怎么设计的？低频区除的数小，精度保留得高；高频区除的数大，大量高频系数直接变成零。你调的 JPEG 质量从 90 变成 50，本质上就是调这个量化表的步长——除的数越大，丢掉的高频细节越多，文件越小，画质越差。

第五步：Z 字扫描和游程编码。 这一步看起来不起眼，其实很精妙。量化后的 8×8 矩阵，从左上角开始，按 Z 字形斜着扫描到右下角——先把低频部分扫完，最后再扫高频。因为高频大部分已经被量化成零了，扫出来的序列末尾是一大串连续的 0。这时候游程编码（RLE）就能大显身手：一大串连续的 0，不写 0,0,0,0,0,0,0，而是写"7 个 0"。连续的零越长，省的空间越多。

第六步：熵编码。 最后一道处理。经过前面五步，数据里出现了大量的 0 和一些小数值。熵编码的核心逻辑很简单：出现频率高的符号用短的编码，出现频率低的用长的编码。这样大量高频出现的 0 和 1 可以用非常短的比特来表示，进一步榨干了最后一滴水。

六步走完，一张 3.52 MB 的图通常能压到 100-300 KB，压缩 10 到 30 倍。而你肉眼几乎看不出和原图的区别。

视频压缩：多了一维

如果视频只是每一帧用 JPEG 压一次（这叫 MJPEG），那只能拿到大概 7 倍的压缩率——84 MB/s 压到 12 MB/s，还是太慢了。网上看个视频还是得等半天。

真正的视频压缩（H.264、H.265、AV1）比 JPEG 多了一层处理：它会把时间冗余也消灭掉。这就是 I 帧、P 帧、B 帧的由来：

I 帧（关键帧）：完整编码，和 JPEG 的方式差不多。这个帧的数据量最大，它作为后面帧的参考基准。通常每秒只有一两个 I 帧。

P 帧（前向预测）：不存完整画面，只存"跟上个帧相比哪里变了"。编码器在上一帧里找当前画面的每个小块最接近的位置，算出一个运动向量（比如"往右挪了三个像素"），然后只存这个运动向量加上和实际画面的微小差异。如果画面里的东西只是平移，差异几乎是零，数据量只有 I 帧的三分之一。

B 帧（双向预测）：比 P 帧更进一步，它同时参考前一帧和后一帧来做预测。准确度最高、残留数据最少，数据量只有 I 帧的六分之一。代价是需要缓冲，因为得先把后一帧也解出来才能解 B 帧，会有一点延迟。

典型的视频文件里，帧的排列是：I-B-B-P-B-B-P-B-B-P... 每隔 12 到 15 帧放一个 I 帧重新锚定。24fps 的视频里，只有两三帧是完整的，剩下的二十多帧都只存差异，总数据量就被大幅压下来了。

其中运动估计是整颗 CPU 最吃力的活儿——编码器要在一帧里对每一块在上一帧里搜索最佳匹配位置。这个搜索的窗口还算不小，每一帧要查几万个块。这就是为什么视频编码特别耗 CPU 和 GPU，实时编码就更不用说了。

不同编码的效果对比

从 84 MB/s 压到 2 MB/s，四十倍的压缩，让你在千兆宽带上能同时传几十路视频都不卡。这就是这三类冗余被一步步搜刮出来的结果。

最后说几句

压缩的本质不是"把数据塞进更小的盒子"，而是想清楚哪些数据是信息、哪些是噪音，只保留信息。

空间冗余——"这一片像素都差不多"，不用逐个存；时间冗余——"跟上帧几乎没变"，只存差异；视觉冗余——"这些颜色差别人眼看不出来"，直接丢弃。三者叠加，才有了从 593 GB 到 2 GB 的接近三百倍压缩。

你调的每个画质参数——码率、CRF 值、GOP 大小、B 帧数量——本质上都是在控制这三类冗余各丢掉多少。理解了这个，你就理解了图片和视频为什么能在网上跑得飞快。