跳轉到

3.2 1974年：離散餘弦轉換DCT——影像的能量集中#

1. 問題：影像的統計結構如何被利用？#

到 1970 年代，影像傳輸（影像電話、衛星、遙測）需要壓縮，率失代理論（3.1 節）已給出架構：「變換 → 集中能量 → 捨棄小係數」。但用哪個變換？候選者眾多（KLT、傅立葉、Hadamard…），標準是：

  1. 去相關：變換後係數互相獨立（位元分配有效）；
  2. 能量集中：自然影像的能量擠進少數係數（丟棄的尾巴損失小）；
  3. 可計算：有快速演算法。

N. Ahmed、T. Natarajan、K. R. Rao 1974 年發表的 DCT，在這三項上達到近乎最優的實用平衡。

2. 數學：DCT-II 與能量集中#

定義#

\(N\) 點 DCT-II：

\[ X[k] = \sum_{n=0}^{N-1} x[n]\cos\!\left[\frac{\pi}{N}\left(n + \frac{1}{2}\right) k\right] \]

（8×8 二維版本 = 先列後行兩次一維變換，JPEG 用 \(N=8\) 。）

為何 DCT 比傅立葉更適合影像？#

關鍵在邊界處理。DCT 等價於把信號做偶對稱延拓後再做 DFT——邊界連續，因此：

  1. 沒有傅立葉的週期跳躍假影（DFT 對非週期信號會在邊界產生能量洩漏 = Gibbs/振鈴）；
  2. 漸近最優性（Jain 的分析）：對一階馬可夫過程（相鄰像素相關係數 \(\rho \to 1\) ），DCT 的能量集中逼近理論最優的 KLT（Karhunen–Loève）——而 KLT 需要為每張圖算特徵向量，不可行。DCT = 免模型的「近似 KLT」。
  3. 快速演算法： \(O(N\log N)\) ，可用 FFT 的結構（同《電的數學》3.3 節的分治思想）。

自然影像的統計事實：相鄰像素高度相關（ \(\rho \approx 0.95\) ），變換後大部分區塊只剩少數低頻係數有顯著能量——空間冗餘被變換搬到「少數大係數」裡，剩下的可以大方地丟。

3. 後果#

  • JPEG（1992）的引擎：8×8 DCT + 量化 + 熵編碼——見 3.3 節；DCT 使「壓縮到 1/10 幾乎無感」成為日常。
  • 影音標準的通用零件：MPEG-1/2/4、H.261 到 H.264 的 I 幀、AVS、VP8（變體）全部使用 DCT 家族（H.264 用整數近似的 DCT）——DCT 是三十年編解碼標準的不動核心。
  • MP3/AAC 的時域版本：MDCT（改良 DCT，重疊視窗）是音訊壓縮的變換核心——同一數學貫穿圖像與聲音。

4. 回饋#

DCT 的統治地位也逼出後繼者與反思：

  1. 8×8 區塊的假影：區塊邊界不連續造成 blocking artifact（低碼率 JPEG 的方格紋）——重疊變換（Lapped Orthogonal Transform、MDCT 的重疊結構）與去區塊濾波（H.264 in-loop deblocking）被催生；
  2. 小波的挑戰：JPEG 2000（2000）改用離散小波（多解析度、無區塊、可漸進傳輸）——變換的選擇從「能量集中」升級為「尺度—空間局部化的權衡」（2.2 節回饋的時頻測不準）；
  3. 方向性：自然影像的邊緣有方向，DCT 的水平/垂直基不匹配——方向變換（directionlet、curvelet）與最終的學習變換（神經網路自學字典），把「哪個變換最好」從固定數學變成可訓練問題（5.3 節）。

5. 延伸思考#

  1. KLT 最優但不可行、DCT 可行且漸近同優——「模型的完美 vs. 結構的簡單」的取捨在哪些工程領域重演？
  2. DCT 係數的統計（低頻大、高頻小、Laplace 邊際）是自然影像統計的縮影——這與視覺皮層 V1 的方向性濾波（sparse coding 理論）有何深層關聯？（自然場景統計 = 感知系統的訓練資料）