跳轉到

1974 - DCT 離散餘弦轉換#

案件摘要#

1974 年，Nasir Ahmed 提出離散餘弦轉換（DCT）。之後它成為幾乎所有影音壓縮標準（JPEG、MPEG、H.26x）的心臟——數位影音之所以能塞進有限的頻寬與儲存，DCT 是最大功臣。

前因#

  • 數位影音的原始資料量驚人：未壓縮的 NTSC 影像約 100 Mbps，一小時節目數十 GB——1970 年代的儲存與網路完全無法負荷。
  • 取樣定理解決了「怎麼數位化」，但沒解決「怎麼壓縮」。需要的壓縮必須利用影像本身的統計特性：相鄰像素高度相關。

線索與推理#

線索一：能量集中#

影像 \(f(x,y)\) 切成 8×8 區塊，做二維 DCT：

\[ F(u,v) = \frac{1}{4}C(u)C(v)\sum_{x=0}^{7}\sum_{y=0}^{7} f(x,y)\cos\frac{(2x+1)u\pi}{16}\cos\frac{(2y+1)v\pi}{16} \]

DCT 把影像從「空間域」轉到「頻率域」：自然影像的能量集中在低頻係數（左上角），高頻係數大多接近零——丟掉高頻，人眼看不出差別。DCT 近似 KLT（Karhunen–Loève 轉換）在強相關訊號下的最佳能量集中性，但計算遠比 KLT 簡單。

線索二：量化#

對 DCT 係數除以量化表再取整：

\[ \hat F(u,v) = \mathrm{round}\!\left(\frac{F(u,v)}{Q(u,v)}\right) \]

量化表對高頻係數用較大的量化步階（除得兇）——這是有損壓縮的核心：失真被集中在人眼不敏感的高頻。亮度與色度可用不同量化表（色度壓得更兇，沿襲 NTSC 的感知壓縮傳統）。

線索三：壓縮管線#

DCT 之後接上之字形掃描（zigzag）、遊程編碼（RLE）、熵編碼（Huffman），構成 JPEG/MPEG 的標準管線：

\[ \text{區塊} \to \text{DCT} \to \text{量化} \to \text{zigzag} \to \text{熵編碼} \]

Python 實作：DCT 能量集中示範#

import numpy as np
from scipy.fftpack import dct, idct
block = np.random.rand(8, 8)          # 平滑影像區塊
F = dct(dct(block, axis=0, norm='ortho'), axis=1, norm='ortho')
F[4:, :] = 0; F[:, 4:] = 0            # 丟掉高頻
recon = idct(idct(F, axis=0, norm='ortho'), axis=1, norm='ortho')

後果#

  • 1992 年 JPEG（靜態影像）、1993 年 MPEG-1、之後所有 H.26x 標準皆以 DCT 為核心。
  • 2013 年 HEVC 與 2018 年 AV1 改用更大區塊（16/32/64）與變換組合，但仍是 DCT 家族的延伸。
  • Ahmed 的論文當年被拒稿一次——之後成為工程史上引用次數最高的論文之一。