压缩的本质：用更少的数据量表达相同的信息
在深入无损与有损的区别之前，我们需要先理解压缩到底在做什么。
压缩的本质，是用更少的数据量表达相同的信息。任何一段数据，无论是文本、图片、音频还是视频，其中都存在"冗余"。冗余指的是那些在不损失信息含义的前提下可以被去除的部分。压缩算法的工作，就是识别并消除这些冗余。
举个最直观的例子：假设有一串字符 AAAAABBBCC，它占用了 10 个字节。但我们可以用一种更紧凑的方式来表达同样的信息——记录"连续出现的字符及其次数"，于是得到 5A3B2C，只占用 6 个字节。数据量减少了 40%，而信息含义完全一致。这就是最原始的游程编码（Run-Length Encoding, RLE）。
从信息论的角度看，香农提出了"信息熵"的概念：一段数据的最小平均编码长度由其信息熵决定。任何无损压缩算法都无法突破这个理论下限。这意味着，已经被高度压缩的数据再次压缩几乎不会有任何效果——因为其中的冗余已经被消除殆尽。
理解了压缩的本质，我们就能清晰地看到两条截然不同的技术路线：无损压缩追求信息的完全保真，有损压缩则主动舍弃人眼或人耳难以察觉的细节以换取更高的压缩比。
无损压缩：一字不差地还原
无损压缩的核心承诺是：解压后的数据与压缩前完全一致，连一个比特都不能错。这类算法只消除"统计冗余"和"结构冗余"，绝不触碰信息的语义内容。
DEFLATE：最广泛使用的无损算法
DEFLATE 是 ZIP、gzip、zlib 等工具底层使用的压缩算法，它巧妙地组合了两种经典技术：
- LZ77 算法：通过滑动窗口在已处理的数据中寻找重复出现的子串，用"距离+长度"的指针替换原始数据。例如，文本中反复出现的 "compression" 可以被替换为指向之前出现位置的引用。
- Huffman 编码：对 LZ77 输出的符号流进行变长编码，出现频率高的符号用短编码，频率低的用长编码。这进一步逼近了信息熵下限。
DEFLATE 的优势在于实现简单、速度快、兼容性极好，几乎所有编程语言的标准库都内置了它的实现。
LZMA：更高压缩比的进阶算法
LZMA（Lempel-Ziv-Markov chain Algorithm）在 LZ77 的基础上引入了更大的滑动窗口（可达数 GB）、更精细的概率模型和范围编码（Range Coding）。相比 DEFLATE，LZMA 通常能获得更高的压缩比，代价是更慢的压缩速度和更高的内存占用。7z 格式正是基于 LZMA 算法。
LZMA 的核心改进在于：它不是用静态的概率表来驱动编码，而是动态地根据上下文预测下一个符号的概率，这种"上下文建模"让编码更接近理论熵下限。
PNG 过滤：针对图像数据的预处理
PNG 是无损图像格式，但它并不是直接对像素值做 DEFLATE。在压缩之前，PNG 会对每一行像素应用"过滤器"（Filter），目的是让数据更适合 DEFLATE 处理。
常见的过滤方式包括：将每个像素与其左边、上边或左上角像素的差值存储下来。由于自然图像中相邻像素通常很接近，差值往往集中在 0 附近，这种变换后的数据冗余度更高，DEFLATE 能更高效地压缩。
这正是为什么 ZIP 无法有效压缩 JPEG 图片的原因：JPEG 已经是经过 DCT 和熵编码的高度压缩数据，几乎没有统计冗余可供 DEFLATE 消除。对 JPEG 再做 ZIP 压缩，通常只会增加几个字节的文件头开销。
有损压缩：在感知阈值之下做取舍
有损压缩的核心思想是：人眼的感知是有限的。如果舍弃的细节低于人眼的感知阈值，那么在视觉上几乎没有区别，但数据量可以大幅减少。
DCT 离散余弦变换：JPEG 的数学基石
DCT（Discrete Cosine Transform，离散余弦变换）是 JPEG 图像压缩的核心。它的作用是将图像从"空间域"转换到"频率域"。
在空间域中，图像由像素的亮度值表示。而在频率域中，图像被分解为不同频率的余弦波分量的叠加：低频分量代表图像中的大块平滑区域，高频分量代表边缘和细节。
DCT 本身是可逆的，不损失任何信息。真正的"有损"发生在下一步——量化。
量化：有损的根源
量化是将 DCT 系数从高精度数值映射到有限离散值的过程。具体做法是用一个量化表除以每个系数，然后取整。由于人眼对高频细节不敏感，量化表对高频系数使用更大的除数，导致大量高频系数被归零。
正是这一步造成了不可逆的信息损失——被归零的高频系数无法恢复。但同时也带来了巨大的压缩空间：大量为零的系数可以用游程编码高效压缩。
量化表的设计是一门艺术：除数越大，压缩比越高，画质损失越明显。这就是 JPEG 质量参数（如 quality=80）的本质——它在调整量化表的缩放比例。
帧间预测：视频压缩的关键
视频压缩比静态图像更进一步。视频的相邻帧之间往往变化很小（例如背景不动，只有人物移动），因此不需要存储每一帧的完整数据。
帧间预测通过"运动估计"找到当前帧与参考帧之间的位移关系，只存储"运动向量"和"残差"。这种时间维度的冗余消除，使得视频压缩比可以达到数百倍甚至更高，远超单帧图像的压缩效率。
无损 vs 有损：对比图
下面的流程图展示了两类压缩算法的核心分支与典型应用场景：
DCT 原理示意图
下图简化展示了 DCT 如何将一个 8×8 像素块从空间域转换到频率域，再通过量化保留低频、丢弃高频：
代码示例
无损压缩：用 zlib 演示
import zlib
# 原始文本数据，包含大量重复模式
original = b"compression compression compression " * 50
# 压缩
compressed = zlib.compress(original, level=9)
print(f"原始大小: {len(original)} 字节")
print(f"压缩后大小: {len(compressed)} 字节")
print(f"压缩比: {len(original) / len(compressed):.2f}x")
# 解压并验证数据完全一致
decompressed = zlib.decompress(compressed)
assert decompressed == original, "数据不一致！"
print("验证通过: 解压数据与原始数据完全一致")
运行这段代码，你会看到压缩比通常在 10 倍以上，且解压后的数据与原始数据逐字节相同。这就是"无损"的含义。
有损压缩：用 PIL 演示
from PIL import Image
import io
# 创建一张包含细节的测试图像
img = Image.new("RGB", (512, 512))
pixels = img.load()
for x in range(512):
for y in range(512):
# 生成具有高频细节的图案
pixels[x, y] = ((x * 7) % 256, (y * 5) % 256, ((x + y) * 3) % 256)
# 以无损 PNG 保存
img.save("test_lossless.png")
print(f"PNG 无损大小: {len(open('test_lossless.png', 'rb').read())} 字节")
# 以有损 JPEG 保存，质量设为 20 以放大效果
buffer = io.BytesIO()
img.save(buffer, format="JPEG", quality=20)
jpeg_size = buffer.tell()
print(f"JPEG 有损大小: {jpeg_size} 字节")
print(f"压缩比: {len(open('test_lossless.png', 'rb').read()) / jpeg_size:.2f}x")
# 重新加载 JPEG，对比像素差异
buffer.seek(0)
img_jpeg = Image.open(buffer)
diff_count = sum(
1 for x in range(512) for y in range(512)
if img.getpixel((x, y)) != img_jpeg.getpixel((x, y))
)
print(f"像素发生变化的数量: {diff_count} / {512 * 512}")
print("结论: JPEG 压缩后像素值已改变, 信息损失不可逆")
这段代码直观展示了有损压缩的特征：文件更小，但像素值发生了不可逆的改变。
对比表格
| 维度 | 无损压缩 | 有损压缩 |
|---|---|---|
| 核心原理 | 消除统计冗余与结构冗余 | 在感知阈值下舍弃不敏感信息 |
| 信息保真 | 100% 可逆，解压后完全一致 | 不可逆，存在不可恢复的损失 |
| 典型算法 | DEFLATE、LZMA、Brotli、Zstandard | DCT+量化、小波变换、MDCT |
| 核心技术 | LZ77、Huffman 编码、范围编码 | 变换编码、量化、预测编码 |
| 典型应用 | ZIP、GZIP、7Z、PNG、FLAC | JPEG、WebP、H.264、MP3、AAC |
| 适用场景 | 文本、源代码、归档、医疗影像 | 照片、视频、音乐、流媒体 |
| 压缩比范围 | 通常 2x ~ 5x | 通常 10x ~ 100x 甚至更高 |
| 不可用于 | 已压缩数据（如 JPEG 文件） | 需要精确还原的数据（如法律文本） |
常见问题
Q1：为什么 ZIP 不能压缩 JPEG 图片？
JPEG 在生成时已经完成了 DCT 变换、量化和熵编码，数据中的统计冗余几乎被消除殆尽。DEFLATE 算法找不到可利用的重复模式，因此对 JPEG 做 ZIP 压缩不仅无法减小体积，反而可能因添加文件头而略微增大。
Q2：同一张图片，PNG 一定比 JPEG 大吗？
不一定。对于大面积纯色或有限颜色的图形（如 Logo、图标、截图），PNG 的过滤+DEFLATE 组合往往比 JPEG 更小且画质无损。但对于色彩丰富的自然照片，JPEG 凭借 DCT+量化通常能实现 10 倍以上的压缩比，远小于 PNG。
Q3：无损压缩能反复压缩同一文件吗？
不能。无损压缩每次都逼近信息熵下限。第一次压缩后冗余已被消除，第二次压缩几乎没有可利用的空间，甚至可能因为添加新的元数据而略微增大。这也是为什么"压缩已经压缩过的文件"是徒劳的。
总结
无损压缩和有损压缩并不是对立的两个阵营，而是针对不同信息特性做出的最优选择：
- 无损压缩面向那些"一个比特都不能错"的数据——文本、代码、归档。它通过 LZ77、Huffman 等技术消除统计冗余，在保证完全还原的前提下尽量减小体积。
- 有损压缩面向那些"人眼人耳无法察觉"的细节——照片、视频、音乐。它通过 DCT、量化、帧间预测在感知阈值之下做取舍，用可控的信息损失换取数量级的压缩比提升。
理解这两条路线的本质区别，是掌握所有压缩技术的基石。后续文章中，我们将分别深入这两条路线的具体算法实现，从一行行代码中理解压缩的精妙之处。
相关阅读：