约 1.3 万字 · 6 张图 · 读完你能解释为什么是 44.1 kHz、 为什么 4:2:0 砍掉一半颜色却看不出来、 以及为什么 JPEG 放大后会有一格一格的方块
先看一个最朴素的场景:用麦克风录一句话。
空气压力的变化推动振膜,振膜带动线圈,线圈在磁场里移动产生电压。 这个电压是连续变化的——在任何一个瞬间,它都有一个值, 两个瞬间之间还有无穷多个中间值。
计算机存不下「无穷多个值」。它只能存有限个数字。 所以必须做两件事:在时间上取样,在幅度上分级。
第一刀叫采样(sampling):每隔固定时间量一次电压,记下来。 每秒量多少次,叫采样率。CD 是 44100 次,电话是 8000 次。
第二刀叫量化(quantization):把量到的电压值,归到最近的刻度上。 用多少个刻度,叫位深。CD 是 65536 级(16 位),电话是 256 级(8 位)。
两刀切完,一条连续的曲线就变成了一串整数。这串整数就是数字音频的原始形态, 有个专门的名字叫 PCM(脉冲编码调制)。
这里有个容易忽略的点:两刀切的东西不一样。
采样切的是自变量(时间),量化切的是因变量(幅度)。 所以它们的误差性质也完全不同—— 采样出问题是「频率搞错了」,量化出问题是「数值不够准」。 这两类故障在听感上、在修法上,都是两回事。
| 参数 | 切哪根轴 | 变大意味着 | 出问题的表现 |
|---|---|---|---|
| 采样率(Hz) | 时间轴 | 能记录更高的频率 | 混叠:高频伪装成低频 |
| 位深(bit) | 幅度轴 | 能记录更小的差别 | 噪声:沙沙的底噪 |
采样率的选择,历史上还有一条完全不同的路线:电话。
电话只需要传人声,而人声的能量集中在 300 Hz 到 3.4 kHz 之间。 所以电话系统的采样率定在 8 kHz——刚好覆盖 4 kHz 以下的频段。
这个数字决定了整个电话网络的架构:一路通话 64 kbps(8 kHz × 8 位), 一条 E1 线路 2.048 Mbps 能装 30 路。到今天,VoIP 和手机通话的底层编码 仍然按 8 kHz 采样,只是压缩算法换了好几代。
| 场景 | 采样率 | 最高频率 | 为什么是这个数 |
|---|---|---|---|
| 电话 | 8 kHz | 4 kHz | 人声就到这里 |
| CD | 44.1 kHz | 22.05 kHz | 录像机频响 + 人耳 |
| 影视 | 48 kHz | 24 kHz | 能被 24/25/30 整除 |
| 录音棚 | 96 / 192 kHz | 48 / 96 kHz | 给滤波器和后期留余量 |
注意最后一行:192 kHz 能记录 96 kHz 的声音,而人耳只能听到 20 kHz。 这不是浪费吗?从「听」的角度是浪费,但从「处理」的角度不是—— 高采样率让抗混叠滤波器的过渡带更宽,相位失真更小; 也让变速、变调这类后期处理有更多余量。 它不是为耳朵服务的,是为处理链服务的。
还有一个数字容易被忽略:通道数。单声道是一个通道,立体声是两个。 它不改变「切」的方式,只是把同一件事做几遍——但直接决定了文件大小翻不翻倍。
有了这三个数,一个 PCM 文件的体积可以精确算出来:
体积(字节/秒)= 采样率 × 位深 ÷ 8 × 通道数
CD 音质:44100 × 16 ÷ 8 × 2 = 176400 字节/秒 ≈ 172 KB/s
一分钟:约 10.1 MB
一小时:约 606 MB
这个数字很吓人。一张 700 MB 的光盘,按这个算法只能存 69 分钟—— 而实际的 CD 能存 80 分钟,因为它的容量定义(74 分钟)和后来的高密度盘(80 分钟)不一样。 但量级是对的:未经压缩的数字音频,体积大得惊人。
顺着这个思路,可以说清一个老问题:数字为什么比模拟好?
模拟录音把声音存成磁带的磁化强度,或者黑胶的沟槽形状。 这些物理量是连续的,但每一次复制都会叠加噪声—— 转录一次差一点,转录十次就明显了。而且噪声一旦混进去,就再也分不开。
数字录音存的是整数。复制的时候,读出来是 1000,写进去还是 1000—— 只要噪声没大到把 1000 变成 999,复制就是完全无损的。 转录一百次,还是一个字节不差。
模拟复制:信号 + 噪声 → 再复制时噪声也参与放大,越滚越大
数字复制:信号 → 判定为最近的整数 → 只要误差不超过半级,得到的就是原值
这就是「数字」最本质的优势:它把「连续误差的累积」变成了「离散符号的判定」。 只要判对了,误差就清零。而判定是可以做到很可靠的——加纠错码、加重传、加校验。
代价是:一旦判错(比如误码),错的是整个符号,而不是「差一点点」。 所以数字系统必须有纠错机制,否则一个比特翻转就能毁掉一段数据。 模拟是「逐渐变差」,数字是「要么完美,要么全错」。
采样率定多少合适?直觉是「越高越好」,但高到多少才够,是有严格答案的。
答案是信号最高频率的两倍。这个结论叫奈奎斯特-香农采样定理, 1928 年奈奎斯特提出,1949 年香农给出严格证明。
人耳能听到的最高频率大约是 20 kHz(年轻人),所以采样率至少要 40 kHz。 CD 取 44.1 kHz,留了一点余量。
为什么是两倍?用一个具体的例子看最清楚。
假设采样率是每秒 8 次。现在有一个每秒振动 7 次的信号(7 Hz), 和一个每秒振动 1 次但方向相反的信号(−1 Hz)。图 1.1.5-2 是它们的采样结果。
为什么?因为采样只发生在整数时刻。7 Hz 的信号在第 n 个采样点的值是
sin(2π × 7n / 8),而 −1 Hz 的信号是 sin(2π × (−1)n / 8)。
这两个式子在 n 取整数时完全相等,因为
7n/8 和 −n/8 相差恰好 n 个整周期。
n=0: sin(0) = 0 sin(0) = 0
n=1: sin(7π/4) = −0.707 sin(−π/4) = −0.707
n=2: sin(7π/2) = −1 sin(−π/2) = −1
n=3: sin(21π/4) = −0.707 sin(−3π/4) = −0.707
...
n=7: sin(49π/4) = +0.707 sin(−7π/4) = +0.707
一模一样。这就是混叠(aliasing):一个超出上限的高频, 在采样之后伪装成了一个低频。
折叠的公式很简单:
如果 f > f_s / 2,实际听到的频率 = |f_s − f|
8 Hz 采样,7 Hz 输入 → |8 − 7| = 1 Hz
8 Hz 采样,6 Hz 输入 → |8 − 6| = 2 Hz
8 Hz 采样,5 Hz 输入 → |8 − 5| = 3 Hz
注意 5 Hz 折叠成 3 Hz 之后,没有超过 4 Hz 的上限,所以它是「合法的」—— 也就是说,5 Hz 和 3 Hz 在 8 Hz 采样下无法区分。这就是为什么上限必须是采样率的一半: 超过一半的频率,都会折叠到一半以内,和已有的频率撞车。
这个现象在生活里到处都是。摄像机拍转动的车轮,转速超过帧率一半时轮子看起来在倒转; 拍直升机螺旋桨,桨叶看起来静止或者缓慢转动;用手机拍电脑屏幕,屏幕上出现滚动的黑条。 全是同一个数学。
那怎么解决?答案是在采样之前,先把高频砍掉。
这个滤波器叫抗混叠滤波器(anti-aliasing filter), 必须放在模数转换器之前,也就是必须是模拟电路。 因为一旦采样完成,高频已经折叠进去了,和真实的低频混在一起, 再也分不开。
这个定理为什么成立?严格证明要用傅里叶变换,但有一个直观的说法够用。
采样在频域里的效果,是把原始频谱复制无数份,每隔 f_s 摆一份。 这就像把一张画反复复印,然后按固定间距贴在一条长纸上。
如果原始信号最高只到 f_s/2,这些复制品之间刚好不重叠, 用低通滤波器就能把中间那一份单独切出来,还原原始信号。
但如果原始信号超过了 f_s/2,复制品就会互相压到对方身上。 压上去的部分再也分不开——这就是混叠在频域里的样子。
f_s = 8,信号带宽 0–4 → 复制品排在 0、±8、±16… 互不重叠 ✓
f_s = 8,信号带宽 0–6 → 第 1 份的 4–6 压在第 0 份的 −4–−2 上 ✗
所以「两倍」不是一个宽松的经验值,是刚好不重叠的临界点。 低于两倍一定重叠,等于两倍时边界刚好接触(实际工程要留余量), 高于两倍是浪费。
抗混叠滤波器在工程上有个难处:它必须是「陡」的。
理想的低通滤波器是「通带内全过,阻带内全断」,中间一刀切。 但真实的滤波器做不到——它有一个过渡带,从「全过」到「全断」需要一段频率。
如果过渡带正好压在 20 kHz 附近,那要么把 18 kHz 也削掉(损失高频), 要么放过 22 kHz(产生混叠)。这是采样率定在 44.1 而不是 40 的原因之一: 多出来的 4.1 kHz 是留给滤波器过渡带的。
理想:0 –20k 全过 | 20k 之后全断
实际:0 –20k 全过 | 20k–22k 逐渐衰减 | 22.05k 之后全断
↑
这一段就是过渡带,靠 44.1 的余量挤出来
专业录音设备用更高的采样率(96 kHz、192 kHz),一部分原因就是让过渡带更宽、 滤波器可以做得更平缓(相位失真更小)。但这是「工程上的从容」,不是「能听到更高频率」—— 96 kHz 能记录 48 kHz 的声音,而人耳只能听到 20 kHz,多出来的部分没有任何听觉意义。
顺带说,采样定理还有个反向的用法:只要信号里没有超过一半采样率的成分, 采样就能无损还原原信号。不是「近似还原」,是数学上严格的无损。
这就是数字音频的地基。44.1 kHz 采样的 CD,能完整还原 22.05 kHz 以下的所有频率, 而人耳只能听到 20 kHz——所以在这个范围内,CD 是完全忠实的, 不存在「数字音频丢失了细节」这回事。
44.1 这个数字看起来很怪。为什么不是整数的 44 或 45,也不是更漂亮的 48?
因为它不是从音频需求推出来的,是从录像机推出来的。
1970 年代末,索尼和飞利浦要合作定数字音频标准。当时没有硬盘录音机, 能存大量数据的只有专业录像机(U-matic),它把音频信号当成视频信号记录在磁带上。
PAL 制式的录像机,每帧 625 行,其中可见 245 行,每秒 25 帧(50 场)。 如果每行存 3 个采样:
245 行 × 3 采样 × 50 场 = 36750 采样/秒
不够 40 kHz。用 NTSC 制式(60 场):
245 行 × 3 采样 × 60 场 = 44100 采样/秒
正好。所以 44100 这个数字,本质上是「一条 NTSC 视频磁迹能装下的音频采样数」。 它刚好超过 40 kHz 的下限,又刚好能被当时的录像机整除, 于是就这么定下来了。
同一时期,广播和电影行业选了另一个数字:48 kHz。 因为 48 能被 24、25、30 整除,和电影帧率对得上,做音画同步方便。 于是今天有两套标准并存:CD 和消费音频用 44.1,影视和专业设备用 48。 转换的时候要做重采样,这也是一个音质损耗点。
16 位是怎么定的?这个更直接:人耳的动态范围。
人能听到的最弱声音大约是 0 dB SPL(听阈), 强到 120 dB 就会疼。所以理想的动态范围是 120 dB。
每一位提供大约 6 dB 的动态范围(下一节会推这个数)。16 位是 96 dB, 看起来不够 120。但实际录音时,最弱的声音远高于听阈—— 一个安静的录音室底噪就有 30 dB,所以 96 dB 的动态范围已经覆盖了「实际会遇到的最安静到最响」。
| 位深 | 级数 / 动态范围 | 典型用途 |
|---|---|---|
| 8 位 | 256 级 / 约 50 dB | 电话、玩具 |
| 16 位 | 65536 级 / 约 98 dB | CD、消费音频 |
| 24 位 | 1677 万级 / 约 146 dB | 录音棚 |
| 32 位浮点 | 理论 1500 dB | 混音内部,防削顶 |
24 位不是为了「听起来更好」,是为了留余量。 录音时你不可能精确控制峰值,留 20 dB 的余量,16 位就只剩 76 dB 可用了; 24 位留 20 dB 还有 126 dB,绰绰有余。 录的时候用 24 位,发的时候降到 16 位,这是标准流程。
还有一个 CD 的细节值得说:它不只是存音频,还存了大量的纠错码。
CD 的表面是一圈圈的坑,划一道就能毁掉几千个比特。 如果用裸数据,一张盘只要有一粒灰就报废。所以 CD 用了两层纠错(CIRC), 加上交叉交织——把连续的数据打散分布到盘的不同位置, 这样一道划痕损坏的是「每个块的几个字节」,而不是「一整个块」。
结果是:CD 的纠错码占了总容量的约 30%。 一张标称 700 MB 的盘,实际能装音频的只有 650 MB 左右。 这也是为什么 CD 能忍受明显的划痕还能放——它在用容量换可靠性。
顺带算一下 CD 的比特率:
44100 × 16 × 2 = 1411200 bit/s = 1411.2 kbps
这是 MP3 128 kbps 的十一倍。所以当年把 CD 音频压到 MP3, 是一个「十一倍」的压缩——这个数字决定了 MP3 必须用心理声学模型,不能靠无损压缩。
量化是把连续值归到最近的刻度。归的过程一定有误差,最大不超过半个刻度。 图 1.1.5-3 把这个误差单独画了出来。
误差的形状很规律:信号每上升一级,误差从 +½ 级线性掉到 −½ 级,然后跳回去。 这个波形听起来是什么?是一连串「咔哒」——因为它是周期性的,有明确的音高。
这就是早期 8 位音频难听的原因:量化误差太明显,形成了一种「嗡嗡」的噪声。 而且它和信号相关——信号变化慢的时候误差频率低,变化快的时候频率高, 听起来像失真,不像噪声。
解决办法很反直觉:故意加一点噪声。
在量化之前,往信号里加一个幅度约半个刻度的随机噪声(叫抖动,dither)。 这样量化误差就变成随机的了,不再是规律的「咔哒」,而是均匀的「沙沙」。
人耳对「沙沙」的容忍度远高于「咔哒」。所以加了噪声之后, 客观的信噪比变差了,主观的听感却变好了。
现在推一下那个「每位 6 dB」的公式。量化误差均匀分布在 ±½ LSB 之间,
它的功率是 q²/12(q 是步长)。
满幅正弦信号的功率是 (2ⁿq/2)²/2。两者一比,取对数:
SNR = 10 log₁₀( (2ⁿ q / 2)² / 2 ÷ (q² / 12) )
= 6.02n + 1.76 (dB)
16 位 → 6.02 × 16 + 1.76 = 98.1 dB
24 位 → 6.02 × 24 + 1.76 = 146.2 dB
每加一位,噪声功率降到四分之一,信噪比提高 6 dB。这条公式在音频、图像、ADC 里通用, 值得记。
同样的量化误差,在图像上的表现完全不同。音频是一维的(时间), 图像是二维的,误差会在两个方向上同时出现。
8 位灰度图有 256 级,在平滑渐变(比如天空)上,相邻两级之间的跳变是肉眼可见的, 表现为一圈圈色带(banding)。这和一维音频里的「台阶」是同一个东西, 只是画在二维平面上。
解决办法也一样:抖动。在量化前往图像里加一点噪声, 让色带的边界变成随机分布的噪点,远看就平滑了。 打印机和电子墨水屏都在用这个技巧——它们能表现的色阶很少, 靠抖动能模拟出几十种灰色。
8 位灰度:256 级,平滑渐变上能看到色带
10 位灰度:1024 级,色带基本消失
1 位(纯黑白):只有两级,必须靠抖动模拟灰阶
24 位真正的好处在这里:它允许你把电平录得很低。
假设你录一场安静的对话,峰值只到满幅的 10%(−20 dB)。 16 位下,你实际只用了 16 位里的 13 位,动态范围剩 80 dB; 24 位下,你用了 21 位,还剩 128 dB。后期把电平拉回正常, 前者会把量化噪声一起放大,后者几乎听不出来。
16 位,录到 −20 dB → 有效位深降到约 13 位 → 底噪明显
24 位,录到 −20 dB → 有效位深降到约 21 位 → 底噪仍在听阈以下
所以录音师的习惯是「24 位 + 留 12 到 20 dB 余量」, 而不是「16 位 + 尽量顶满」。顶满的风险是削顶—— 一旦超过满幅,波形被切平,那是不可逆的失真,比噪声难听得多。
最后说一个实际问题:为什么有的录音听起来「很脏」? 多半是录音时电平太低(峰值只到满幅的 20%),后期再拉回来, 等于把量化噪声也放大了十几 dB。正确做法是录的时候尽量接近满幅(但别削顶), 而不是「留很多余量后期再调」。
CD 音质的 PCM 是 1411 kbps。1990 年代,网络带宽只有几十 kbps, 存储卡只有几十 MB。必须压缩,而且必须是十倍以上的压缩。
无损压缩做不到。音频信号的熵很高,通用的无损压缩(zip 那一类)只能压到 60% 到 70%。 想要十倍,只能丢东西。
MP3 的思路是:丢掉人耳本来就听不见的部分。图 1.1.5-4 是它的五步。
核心概念是掩蔽效应(masking):一个强音附近,弱音听不见。
这个效应在频域和时域都存在。频域上,一个 1 kHz 的强音会让它附近几百 Hz 范围内的 弱音「消失」;时域上,强音之前 5 到 20 毫秒、之后 50 到 200 毫秒内的弱音也会被掩盖。
MP3 的编码器先算出每个频段的「掩蔽阈值」——低于这条线的成分, 人耳听不见。那些成分可以只分配很少的位,甚至完全丢掉。
剩下的部分按「重要程度」分配位:阈值以上的分得多,刚过线的分得少。 这就是为什么 MP3 是变比特率的——复杂的段落用得多,安静的段落用得少。
| 码率 | 压缩比 | 听感 | 典型场景 |
|---|---|---|---|
| 320 kbps | 4.4 : 1 | 绝大多数人听不出与 CD 的差别 | 音乐收藏 |
| 192 kbps | 7.3 : 1 | 仔细听能听出高频细节缺失 | 较早的在线音乐 |
| 128 kbps | 11 : 1 | 镲片、弦乐有明显「水声」 | 2000 年代的 MP3 下载 |
| 64 kbps | 22 : 1 | 明显发闷,像隔着门听 | 语音播客 |
128 kbps 那个「水声」(watery sound)有专门的名字,叫预回声(pre-echo)。 因为量化误差在时域上会扩散,一个突然的强音(比如鼓点)之前会出现一小段噪声。 MP3 用「短块」模式来缓解,但不能根治。
这里要澄清一个流传很广的误解:把 MP3 转成 WAV,音质不会变好。
转换只是解码,丢掉的信息不会回来。文件从 3 MB 变成 50 MB, 但内容还是那个 128 kbps 的 MP3。这就像把一张压缩过的 JPEG 另存为 BMP, 像素不会变多。
MP3 之后,压缩技术又走了两代。
AAC(1997)是 MP3 的直系后继。它换了更好的滤波器组(MDCT 从 18 个频带扩到 1024 个), 所以频率分辨率高得多,能在更低的码率下保持同样的听感。 同样 128 kbps,AAC 明显好于 MP3;同样听感,AAC 能省 30% 的码率。 今天苹果音乐、YouTube、B 站用的都是 AAC。
Opus(2012)是更新的一代,专为网络设计。 它的特点是码率可以实时变——网络好的时候用 128 kbps, 网络差的时候瞬间降到 16 kbps,而且切换不爆音。 所以视频会议(WebRTC)、Discord、YouTube 直播都用它。
| 格式 | 出现 | 最低码率 | 延迟 | 用在哪 |
|---|---|---|---|---|
| MP3 | 1993 | 64 kbps | 100+ ms | 老音乐文件 |
| AAC | 1997 | 48 kbps | 50 ms | 流媒体、手机 |
| Opus | 2012 | 6 kbps | 20 ms | 视频会议、直播 |
Opus 能做到 6 kbps,是因为它有两套模式:音乐用 MDCT(和 AAC 类似), 语音用 LPC(线性预测,和电话编码类似)。编码器根据内容自动切换—— 说话的段落用语音模式,放音乐的段落用音乐模式。 这是第一个「知道自己该用哪种算法」的编码器。
音频是时间的函数,图像是空间的函数。数学上是一回事,工程上差别很大。
摄像头的核心是一块图像传感器,上面排着几百万到几亿个感光单元。 每个单元接收光子,产生电荷,电荷量正比于光强。 读出电荷、转成电压、再转成数字——这就是一个像素。
但这里有个物理限制:硅不区分颜色。 一个感光单元只能测「这里有多亮」,测不出「这里是什么颜色」。
解决办法是在传感器前面贴一层彩色滤光片,每个单元前面只放一种颜色。 最常见的排布叫拜耳阵列(Bayer pattern),1976 年由柯达的 Bryce Bayer 发明。
排布的规律是:每 2×2 一组,两个绿、一个红、一个蓝。 所以绿色占 50%,红蓝各 25%。
为什么绿色是两倍?因为人眼的视锥细胞里,感绿的最多(约 60%), 感红的约 30%,感蓝的只有 10% 左右。 传感器按人眼的敏感度分配采样密度,是按感知重要性分配资源的典型例子。
代价是:每个像素只测到一种颜色,另外两种要靠邻居猜。 这个「猜」的过程叫去马赛克(demosaic)。
一个红色像素的绿色值 = 上下左右四个绿像素的平均
一个红色像素的蓝色值 = 对角四个蓝像素的平均
所以每一张照片里,三分之二的色彩数据是算出来的,不是测出来的。 这句话听起来很吓人,但实际效果很好——因为自然图像在局部是平滑的, 邻居的颜色差不多。
什么时候会出问题?细密的纹理。比如远处的栅栏、织物的经纬、 密集的线条。这时候邻居的颜色差很多,插值就会猜错, 出现伪色(false color)——本来没有颜色的地方出现彩色条纹。
专业摄像机用另一种方案:三片传感器,加一个分光棱镜, 把光分成红绿蓝三路,每路一片传感器。这样每个像素三个颜色都是实测的, 没有插值误差。代价是体积、重量、价格都翻几倍,而且需要更长的镜头后焦。
说到传感器,值得和胶片对比一下,因为两者解决的是同一个问题,方法却完全相反。
胶片是化学的:卤化银晶体受光后发生反应,形成潜影, 显影时被还原成金属银。晶体是随机分布的,所以胶片的「像素」大小不一、位置随机。 这带来一个副作用:胶片的颗粒是随机的,放大看是自然的噪点, 而数字传感器的噪点是规则的网格。
人眼对规则图案特别敏感,对随机图案反而宽容。 所以同样信噪比下,胶片的颗粒看起来比数字噪点「舒服」。 这是很多人说「胶片感」的技术原因之一——不是分辨率更高,是噪声的分布更讨喜。
另一件事是过曝的表现。胶片过曝时,高光部分会平滑地「肩部压缩」, 慢慢过渡到纯白;数字传感器过曝是硬切——超过满阱容量就是 255,一片死白。 所以胶片拍逆光很宽容,数码拍逆光容易「死白一片」。 这不是玄学,是两种介质的响应曲线不同。
传感器还有一个绕不开的敌人:噪声。 光子打到硅上产生的电荷是随机的,即使光强完全不变, 每次读出的电子数也会上下浮动。这个波动叫散粒噪声(shot noise), 它服从泊松分布,标准差等于电子数的平方根。
一个像素收到 10000 个电子 → 噪声约 100 个 → 信噪比 100:1,约 40 dB
一个像素收到 100 个电子 → 噪声约 10 个 → 信噪比 10:1,约 20 dB
这条规律解释了两件事。第一,暗光下噪点一定多—— 因为光子少,散粒噪声的相对比例大。第二,像素越大噪声越小—— 大像素能收集更多光子,分母大了,相对波动就小。
所以手机的高像素和大底是一对矛盾。一亿像素塞进指甲盖大的传感器, 单个像素只有零点几微米,进光量极少。厂商的解法是像素合并: 把相邻 4 个或 9 个像素的电荷加在一起读出,等效成一个大像素。 一亿像素合并后输出 1200 万,单像素等效面积变成 9 倍。
这也解释了 ISO 是什么。ISO 不是「感光度」,传感器对光的敏感度是固定的。 ISO 只是一个放大倍数:把读出的电荷放大后再量化。 放大信号的同时也放大噪声,所以高 ISO 一定伴随噪点。 「提高 ISO 能拍到更暗的场景」是真的,「提高 ISO 画质不变」是假的。
颜色这件事,比大多数人想的复杂。它不是光的物理属性,是人眼的三种视锥细胞 对光谱的三种响应强度。也就是说,颜色是感知,不是物理量。
这个事实带来一个很实用的后果:只要三种原色的比例对,人眼就认为颜色一样, 哪怕实际的光谱完全不同。这就是所有彩色显示技术的基础。
于是有了两套完全不同的混色方式。
加色法(RGB):用在自发光的东西上——屏幕、LED、投影。 红绿蓝三种光叠加,全加是白色,全不加是黑色。
减色法(CMYK):用在反射光的东西上——纸张、油墨。 青、品红、黄三种颜料,每种吸收一种原色,反射另外两种。 全加是黑色(理论上),实际印刷要再加一个 K(黑)来省钱和加深。
加色:R + G = 黄 G + B = 青 R + B = 品红 R+G+B = 白
减色:C + M = 蓝 M + Y = 红 C + Y = 绿 C+M+Y = 黑(理论)
这两套是互补的:加色里的黄 = 减色里的「不吸蓝」, 所以屏幕上的黄和印刷上的黄,光谱完全不同,但人眼看起来一样。
问题在于,没有一套原色能覆盖人眼能看到的全部颜色。 把所有人眼能分辨的颜色画在一张图上,是一个马蹄形(CIE 1931 色度图)。 任何三种实际的原色,连成的三角形都只是马蹄形的一部分。
这个三角形叫色域(gamut)。不同的标准定义了不同的三角形:
| 标准 | 覆盖范围 | 典型设备 |
|---|---|---|
| sRGB | 约 35% 的可见色 | 绝大多数显示器、网页 |
| DCI-P3 | 比 sRGB 大约 25% | 电影、近年手机屏幕 |
| Adobe RGB | 比 sRGB 大约 35%,青色更宽 | 印刷、摄影后期 |
| Rec.2020 | 约 75% 的可见色 | 4K/8K HDR 电视 |
这就解释了一个日常困惑:为什么照片在电脑上很鲜艳,打出来发灰?
因为打印机的色域比屏幕小。屏幕上能显示的一些鲜艳颜色(尤其是亮绿和亮橙), 油墨调不出来,只能找「最接近的」,结果就暗了一截。 这个现象叫色域裁切(gamut clipping)。
反过来也有:某些印刷色(比如金属色、荧光色)屏幕显示不出来。 所以专业的印刷流程要做「软打样」——在屏幕上模拟印刷的效果, 提前看到哪些颜色会崩。
颜色是感知这件事,还有一个更有说服力的例子:那条裙子。
2015 年,一张连衣裙的照片在网上吵翻了——有人说蓝黑,有人说白金。 同一张图、同一批像素,不同的人看到的颜色完全不同。
原因是照片曝光过度,颜色落在了一个模糊的区间。人脑在判断颜色时会自动补偿光源: 如果你认为这张照片是在阴影里拍的(偏蓝的光),大脑会减掉蓝色,于是看出白金; 如果你认为是在强光下拍的(偏黄的光),大脑会减掉黄色,于是看出蓝黑。
这个机制叫色彩恒常性(color constancy)。它让我们在日光、白炽灯、 阴天下都能认出「这是红苹果」,但也意味着:你看到的颜色,有一部分是大脑编的。
对做图像的人来说,这件事的意义是:「准确的颜色」和「好看的颜色」不是一回事。 相机厂商的直出色彩都做了「记忆色」优化——把肤色往红里调一点,把天空往蓝里调一点, 因为人记忆中的颜色比实际的颜色更鲜艳。
再往下是色深:每个通道用多少位。8 位是 256 级, 三个通道组合是 256³ = 1677 万色,这就是常说的「1600 万色」。
10 位是 1024 级,组合超过 10 亿色。听起来很多,但人眼在平滑渐变上能看出 8 位的「色带」 (banding)——天空从蓝到白的过渡会出现一条条明显的台阶。 10 位就是为了消除这个。
既然每台设备的色域都不一样,那同一张图在不同设备上显示不同颜色就是必然的。 要让它们尽量一致,靠的是一套叫色彩管理的机制。
核心是一份叫 ICC 配置文件的东西。它相当于设备的「颜色说明书」: 里面记录了这个设备的三原色坐标、白点、伽马曲线。 操作系统读这份文件,就知道「这个屏幕上的 (255,0,0) 实际是什么颜色」。
转换的过程是这样的:图片带着「源色域」的标记(比如 Adobe RGB), 系统把它转到一个和设备无关的中间空间(通常是 CIE XYZ), 再转成目标设备的色域。
图片(Adobe RGB)→ CIE XYZ → 屏幕(sRGB)
↓
超出屏幕色域的部分,被裁掉或压缩
这个中间步骤很重要,因为它把「两次转换」变成了「一次转换 + 一次转换」, 而不是直接 RGB 到 RGB 的近似。代价是超出目标色域的颜色会被处理掉, 处理方式有四种(叫「渲染意图」):
| 渲染意图 | 怎么处理超色域 | 用在哪 |
|---|---|---|
| 可感知 | 整体压缩,保持颜色之间的关系 | 照片 |
| 相对比色 | 只改超出的,其余不动 | Logo、图表 |
| 绝对比色 | 不裁切,模拟白点 | 打样 |
| 饱和度 | 优先保饱和,牺牲准确 | 商业图表 |
这件事在日常里的表现是:同一张照片,在手机、笔记本、显示器上颜色不一样。 如果三台设备都做了校准,差异会小到看不出来; 如果都没校准,差异可以大到「这是两张图吧」。
所以专业修图的第一步不是调色,是校准显示器—— 用一台分光光度计贴着屏幕测几十个色块,生成一份专属的 ICC 文件。 没有这一步,你调出来的颜色在别人眼里是另一个样子。
分辨率这个词被用得很乱。它至少有三个不同的意思:
| 说法 | 含义 | 例子 |
|---|---|---|
| 像素尺寸 | 横向多少个、纵向多少个 | 1920 × 1080 |
| 像素密度 | 每英寸多少个像素 | 326 PPI |
| 总像素数 | 相乘的结果 | 207 万像素 |
真正决定「清不清楚」的是第二个:PPI(每英寸像素数)。 因为它和观看距离一起,决定了像素在视网膜上占多大的角度。
人眼的分辨极限大约是1 角分(1/60 度)。 在 25 厘米的距离上,1 角分对应的长度是:
2 × 25cm × tan(0.5′) ≈ 0.073 mm
25.4 mm ÷ 0.073 mm ≈ 348 PPI
所以 25 厘米看手机,超过 350 PPI 就看不出像素点了。 这就是「视网膜屏」的物理依据——乔布斯 2010 年发布 iPhone 4 时说 326 PPI, 算法用的是 30 厘米距离,结论一样:超过某个密度,再高也没意义。
距离一变,结论就变。看显示器通常 60 厘米,这个距离下 1 角分对应 0.175 mm, 也就是 145 PPI 就够。
| 设备 | 尺寸 / 分辨率 | PPI | 典型距离 | 够不够 |
|---|---|---|---|---|
| 手机 | 6.1 寸 2532×1170 | 460 | 25 cm | 远超 |
| 笔记本 | 14 寸 2880×1800 | 242 | 40 cm | 够 |
| 27 寸 4K 显示器 | 3840×2160 | 163 | 60 cm | 刚好 |
| 27 寸 1080p | 1920×1080 | 82 | 60 cm | 看得出颗粒 |
| 65 寸 4K 电视 | 3840×2160 | 68 | 2.5 m | 够 |
最后一行值得注意:65 寸 4K 电视只有 68 PPI,比 27 寸 1080p 还低, 但没人抱怨电视看不清——因为观看距离是 2.5 米,不是 60 厘米。 PPI 单独看没有意义,必须和距离一起看。
这解释了两件常被争论的事。
第一,「4K 在手机上没意义」。6 寸屏幕做到 4K,PPI 会超过 700, 是分辨极限的两倍。多出来的像素只会增加功耗,肉眼一点收益都没有。 所以手机厂商早就不拼分辨率了,改拼色准和亮度。
第二,「为什么高分辨率屏幕要开缩放」。 一个 27 寸 4K 显示器,如果按 100% 显示,字会小得看不清——因为系统默认按 96 PPI 设计字号。 所以要开 150% 或 200% 缩放,让「逻辑像素」变大,物理像素还是那么多。 这就是为什么 4K 显示器上截图,得到的图是 3840 宽,但看起来和 1920 的布局一样。
还有一个和 PPI 相关的技巧,值得单独说:子像素渲染。
液晶屏的每个像素是由红绿蓝三个子像素并排组成的。 正常的渲染是三个子像素一起亮,混成一个颜色。 但早期的液晶屏分辨率低(96 PPI),文字边缘会有明显的锯齿。
微软的 ClearType 想了个办法:分别控制三个子像素的亮度, 相当于把水平分辨率提高了三倍。这样文字的边缘可以落在「三分之一像素」的位置上, 看起来锐利得多。
普通渲染:一个像素 = 一个灰阶值(RGB 同时亮)
子像素渲染:一个像素 = 三个独立的亮度值(R、G、B 分别控制)
代价是:颜色边缘会出现彩边(fringing)。近距离看白底黑字, 字的左右边缘会有一点红或蓝。大多数人看不出,但对色彩敏感的人会觉得刺眼。
这也是为什么高分屏普及之后,ClearType 反而被关掉了—— 像素密度够高时,子像素带来的收益抵不过彩边的代价。 一个为低分辨率设计的技巧,在高分辨率时代自然退场。
分辨率还有一个绕不开的问题:缩放。
把 1000×1000 的图显示在 500×500 的窗口里,要丢掉一半像素。 最简单的做法是「每隔一个取一个」(最近邻),快,但会有锯齿。 更好的是双线性插值:取周围 4 个像素的加权平均。 再好一点是双三次插值:取周围 16 个像素,用三次函数加权。
| 算法 | 取几个邻居 | 效果 | 速度 |
|---|---|---|---|
| 最近邻 | 1 | 锯齿明显,像素感强 | 最快 |
| 双线性 | 4 | 平滑但会糊 | 快 |
| 双三次 | 16 | 较锐利,轻微振铃 | 中等 |
| Lanczos | 更多 | 最锐利,振铃更明显 | 慢 |
这里有个反直觉的点:缩小图像时,双三次不一定比双线性好。 因为缩小是「多个像素合成一个」,如果只取 16 个邻居,会漏掉远处像素的贡献, 产生摩尔纹。正确做法是先用低通滤波(模糊)再采样—— 这其实就是把「抗混叠滤波器」搬到了图像领域。
放大和缩小是两件事:放大的难点是「猜缺失的细节」(插值), 缩小的难点是「别让高频混进来」(抗混叠)。很多人把两者混为一谈,结果缩小后的图总是有摩尔纹。
终于到了那个所有人都有直观感受的现象:JPEG 图片放大,边缘会出现一格一格的方块。
原因藏在它的第八步流程里。图 1.1.5-6 是完整路径。
第一步到第三步是换颜色空间。RGB 三个通道里,人眼对亮度最敏感, 对色度不敏感。所以先转成 YCbCr(Y 是亮度,Cb/Cr 是两个色度), 然后把色度的分辨率砍一半——这就是 4:2:0。
4:2:0 的意思是:每 2×2 个像素共用一组色度值,亮度还是每个像素一个。 所以数据量从 3 份(RGB)降到 1.5 份(Y 全 + Cb/Cr 各四分之一)。 直接省掉一半,而肉眼几乎看不出来。
第四步是切成 8×8 的块。这一步是关键,也是块效应的根源。
为什么要切块?因为 DCT(离散余弦变换)的计算量随尺寸平方增长, 8×8 是「效果够好、算得够快」的折中。1974 年提出时,8×8 的 DCT 刚好能用当时的硬件实时算。
第五步,对每个块做 DCT,把 64 个空间像素值变成 64 个频率系数。 左上角是低频(整块的平均亮度),右下角是高频(块内的细节)。
第六步,量化。这是唯一真正丢信息的一步: 每个系数除以量化表里对应的数,然后取整。
量化表(质量 50 时的标准表,左上到右下)
16 11 10 16 24 40 51 61
12 12 14 19 26 58 60 55
14 13 16 24 40 57 69 56
14 17 22 29 51 87 80 62
18 22 37 56 68 109 103 77
24 35 55 64 81 104 113 92
49 64 78 87 103 121 120 101
72 92 95 98 112 100 103 99
注意这个表的形状:左上角是 16、11、10,右下角是 112、100、103。 高频的除数大得多,所以高频系数除完基本都变成 0。
这就是 JPEG 的核心:人眼对「块内的高频细节」不敏感,那就把高频全扔掉。 扔掉之后,一个块里的大部分系数变成 0,再经过之字形排序和霍夫曼编码, 连续的一长串 0 可以压得很短。
代价就是块效应。因为每个块是独立做 DCT 和量化的, 块与块之间没有约束。量化后每块的边界值不再连续, 放大看就是一条条硬边。
质量参数 Q 只做一件事:缩放这张量化表。 Q 高,所有除数变小,高频留得多,块效应轻,文件大; Q 低,除数变大,高频全没了,块效应重,文件小。
JPEG 之后,图像压缩也换了两代,思路和音频很像:换更好的变换 + 更聪明的码率分配。
HEIC(2017,基于 H.265 的帧内编码)比同画质的 JPEG 小一半。 苹果从 iOS 11 起默认用它。但它的专利授权复杂, 很多开源软件不支持,所以在 Windows 和安卓上兼容性很差—— 这就是「iPhone 拍的照片在电脑上打不开」的原因。
AVIF(2019,基于 AV1)是 royalty-free 的,压缩率比 HEIC 还好一点, 而且支持 HDR、透明通道、动画。Chrome、Firefox、Safari 16 之后都支持了。 它大概率会是下一个十年的主流。
| 格式 | 出现 | 相对 JPEG 的体积 | 授权 | 浏览器支持 |
|---|---|---|---|---|
| JPEG | 1992 | 100% | 免费 | 全部 |
| WebP | 2010 | 约 70% | 免费 | 全部 |
| HEIC | 2017 | 约 50% | 收费 | 仅 Safari |
| AVIF | 2019 | 约 45% | 免费 | 主流全部 |
注意 WebP 那一行:它 2010 年就出来了,压缩率也不错,但花了十年才铺开。 原因不是技术,是生态——网站要同时准备 JPEG 和 WebP 两份, 图片处理工具要支持,CDN 要能自动转换。技术赢了,工程输了。
AVIF 吸取了教训,从一开始就有大厂推动(Netflix、谷歌、苹果), 而且浏览器原生支持。这大概能解释为什么它铺开得比 WebP 快。
JPEG 还有两个变体值得知道。
渐进式 JPEG(progressive):普通 JPEG 是从上到下一行行解码的, 网速慢的时候你看到的是「上半张图 + 下半片空白」。 渐进式改成分多趟传输:第一趟传低频(整张图的模糊版),第二趟补细节, 第三趟再补。所以它打开时是「先糊后清」,体验好得多。
4:4:4 / 4:2:2:这两个数字是色度采样的比例。 4:2:0 是色度横竖都减半(数据量 1/2),4:2:2 是只横向减半(2/3), 4:4:4 是不减(全采样)。
4:4:4 每像素都有独立的 Y Cb Cr → 数据量 3 份,画质最好
4:2:2 横向两个像素共用一组色度 → 数据量 2 份
4:2:0 横竖各两个像素共用一组色度 → 数据量 1.5 份,最常见
截图、线稿、带文字的海报,应该用 4:4:4——因为文字边缘有大量高频色度信息, 4:2:0 会让彩色文字(尤其是红色小字)糊成一团。 这也是为什么很多设计规范会写「导出 JPG 时把色度采样设为 4:4:4」。
视频就是「很多张图」。一张 1080p 的 24 位图是 6.2 MB, 每秒 30 张就是 186 MB/s。一部两小时的电影要 1.3 TB。
所以视频压缩必须利用一个新维度:时间。 相邻两帧的内容几乎一样,只差一点点位移。
这就是帧间压缩。视频里的帧分三种:
| 类型 | 怎么编 | 大小 | 能不能单独解码 |
|---|---|---|---|
| I 帧(关键帧) | 像一张 JPEG,独立编码 | 最大 | 能 |
| P 帧(前向预测) | 只存「相对前一帧的差异」 | 小 | 不能,要前面的帧 |
| B 帧(双向预测) | 参考前后两帧,取平均或插值 | 最小 | 不能,要前后都解出来 |
一组连续的帧叫一个 GOP(Group of Pictures),结构通常是
I B B P B B P B B P ...。GOP 的长度决定了两个权衡:
GOP 长:压缩率高(I 帧少),但拖动进度条时不好定位—— 你得从上一个 I 帧开始解,可能要解好几秒才能显示画面。
GOP 短:压缩率低,但随机访问快,直播和视频会议都用很短的 GOP。
这也解释了为什么「视频剪辑卡」:剪辑软件要显示第 300 帧, 但第 300 帧是 B 帧,必须先解第 295 帧的 I 帧和中间所有的 P/B 帧。 所以专业剪辑会用「全 I 帧」的中间格式(如 ProRes),代价是文件巨大。
帧间压缩的基本单位是宏块(macroblock)。H.264 用 16×16, H.265 可以小到 8×8 或大到 64×64。编码器为每个宏块找一个「最像它的位置」, 只记录运动矢量(往哪个方向移动了多少)和残差。
这个「找」的过程叫运动估计(motion estimation), 是视频编码里最耗算力的一步。一个编码器要在参考帧里搜索几百个候选位置, 对每个候选算一次差异——这就是为什么视频编码比解码慢十倍以上。
GOP 的长度直接决定了两个场景的技术选型。
点播(看电影、刷视频):GOP 可以很长,比如 250 帧(约 8 秒一个 I 帧)。 这样压缩率最高,文件最小。拖动进度条时,播放器会找最近的前一个 I 帧开始解码, 最多等 8 秒的画面——用户感觉不到,因为预加载已经做好了。
直播:GOP 必须很短,通常 1 到 2 秒一个 I 帧。 因为新观众随时可能进来,他需要立刻看到画面,不能等 8 秒。 代价是码率上升——I 帧比 P 帧大好几倍,I 帧多了,总码率就高。
| 场景 | GOP | 延迟 / 码率 |
|---|---|---|
| 点播 1080p | 250 帧 / 8 秒 | 可缓冲 · 4–8 Mbps |
| 直播 1080p | 30–60 帧 | 2–5 秒 · 6–10 Mbps |
| 视频会议 | 全 I 帧 | 200 ms 内 · 1–2 Mbps |
最后一行值得注意:视频会议经常用「全 I 帧」,也就是每一帧都独立编码。 这样压缩率最低(可能只有 20:1),但延迟最小、抗丢包最强—— 丢了一帧就是丢了一帧,不会连带后面几秒全花。 在实时场景里,「能恢复」比「压得小」重要得多。
把前面所有数字串起来,做一次完整的估算。这个练习值得亲手算一遍, 因为它能建立「数字内容的体积感」。
目标是:1080p、30 帧、24 位色、一小时。
单帧像素:1920 × 1080 = 2,073,600
单帧字节:2,073,600 × 3 = 6,220,800 ≈ 6.2 MB
每秒:6.2 MB × 30 = 186 MB
每小时:186 MB × 3600 = 669,600 MB ≈ 654 GB
654 GB。一块 1 TB 的硬盘,只够存一个半小时的原始视频。
实际用 H.264 压缩之后呢?1080p30 的常见码率是 8 Mbps:
8 Mbps = 1 MB/s
一小时 = 3600 MB ≈ 3.5 GB
从 654 GB 到 3.5 GB,压缩比 187 : 1。 这个数字就是过去二十年视频行业的全部努力。
| 格式 | 分辨率 | 码率 | 一小时体积 |
|---|---|---|---|
| 未压缩 | 1080p30 | 1490 Mbps | 654 GB |
| ProRes 422 | 1080p30 | 147 Mbps | 66 GB |
| H.264 高画质 | 1080p30 | 8 Mbps | 3.5 GB |
| H.264 网页 | 1080p30 | 4 Mbps | 1.8 GB |
| H.265 / HEVC | 4K HDR | 25 Mbps | 11 GB |
第二行值得注意:ProRes 只压了 10 倍,但它是帧内压缩(每帧独立), 所以剪辑时不用等。这就是「中间格式」的定位——不为省空间,为省时间。
再看音频这一路。CD 音质的 PCM 是 1411 kbps,AAC 256 kbps 是它的 1/5.5。 一小时 CD 音频是 606 MB,AAC 之后是 110 MB。
所以一个「1080p 视频 + 立体声」的在线视频,音轨占的比例很小(8 Mbps 里音频只占 0.2)。 但如果是「4K HDR + 全景声」,音频的码率会上到 1 Mbps,比例就明显了。
码率这件事还有一个维度:它是固定的还是可变的。
CBR(固定码率):每秒输出的数据量基本不变。 适合直播——网络带宽是固定的,码率必须稳定,否则会卡。 代价是:简单画面(比如静止的风景)浪费了码率,复杂画面(比如爆炸)又不够用。
VBR(可变码率):按画面复杂度分配。简单的段落给 2 Mbps, 复杂的给 15 Mbps,平均下来 8 Mbps。画质更均匀,文件也更小。 适合点播和本地存储。
CBR:每分钟都是 60 MB,简单画面浪费,复杂画面吃亏
VBR:简单段落 15 MB,复杂段落 110 MB,总量更少但画质更好
还有一种 CRF(恒定质量),是 VBR 的变体: 你指定一个「质量等级」(比如 x264 的 CRF 23),编码器自己决定用多少码率。 这是压制视频最常用的模式——不用猜码率,质量稳定。
这一节从头到尾只做了一件事:把连续的量切成离散的数。 切法只有两个动作,但每个动作都有自己的数学。
采样切时间轴,受采样定理约束:采样率必须大于信号最高频率的两倍, 否则高频会折叠成低频(混叠),而且不可逆。
量化切幅度轴,受位数约束:每加一位,信噪比提高 6 dB。 量化误差可以用抖动改善听感,但会牺牲客观指标。
图像是同一套逻辑换了维度:传感器上的感光点是采样,每个点的位数是量化。 拜耳阵列让绿色占一半,是因为人眼对绿最敏感。
压缩则是在这两刀之上再砍三轮:空间上砍高频(JPEG)、 时间上砍重复(帧间预测)、感知上砍不敏感的部分(心理模型)。 三层砍完,体积能降两个数量级。
把整条链上的数字汇总成一张表,方便对照:
| 媒介 | 采样:测多少个点 | 量化:每点多少级 | 典型配置 |
|---|---|---|---|
| 音频 | 每秒测电压 | 幅度分级 | 44.1 kHz / 16 位 |
| 灰度图 | 横纵像素数 | 亮度分级 | 1920×1080 / 8 位 |
| 彩色图 | 同上 | 每通道分级 | 同上 / 8 位 × 3 |
| 视频 | 每秒帧数 | 同单帧 | 30 fps / 8 位 |
四行的结构完全一样,只是「轴」换成了时间或空间。 理解了一行,其余三行都是平移。
最后回到一个更大的问题:为什么这一章叫「信息的单位」? 因为从比特到字节,从数字到文字,从声音到图像, 每一层都在做同一件事——用有限的符号,逼近无限的世界。 逼近的方式决定了代价,代价决定了工程上的所有取舍。
下一章换一个层级:从「信息怎么表示」跳到「机器怎么运算」。 有了比特、字节和这些表示法,接下来该让它们动起来了。
1. 采样切时间轴(或空间轴),量化切幅度轴。采样出问题是混叠(假频率),量化出问题是噪声(沙沙声)。
2. 采样率必须大于信号最高频率的两倍。因为超过一半采样率的频率会折叠到一半以内,和已有频率撞车,无法区分。
3. |8 − 6| = 2 kHz。6 kHz 折叠成了 2 kHz,和真实的 2 kHz 无法区分。
4. 因为混叠发生在采样的那一刻。采样完成后高频已经和低频混在一起,数学上再也分不开,只能靠采样前的模拟滤波器提前砍掉。
5. 44100 = 245 行 × 3 采样 × 60 场,来自 NTSC 录像机的磁迹容量;48 kHz 因为能被 24/25/30 整除,方便和电影帧率对齐。
6. 约 98 dB,公式是 6.02n + 1.76(n 是位数)。每加一位,量化噪声功率降到四分之一,信噪比提高 6 dB。
7. 因为抖动把「有规律的失真」(听起来像咔哒声、有音高)换成了「无规律的噪声」(沙沙声)。人耳对后者的容忍度高得多。
8. 因为人眼感绿的视锥细胞最多(约 60%),按感知重要性分配采样密度。代价是每个像素只测一种颜色,另外两种要靠邻居插值,细密纹理处会出现伪色。
9. 因为图像被切成 8×8 的块独立做 DCT 和量化,块与块之间没有连续性约束。质量参数只缩放量化表:Q 高除数小、高频留得多,Q 低除数大、高频全丢。
10. 1920×1080×3×30×3600 ≈ 654 GB;H.264 8 Mbps 压到约 3.5 GB,压缩比接近 190 : 1。