无损压缩的特征：

信息保留：所有的原始数据在压缩后都会被保留，解压缩后与压缩前完全一致。
使用场景：无损压缩通常用于文本文件、程序代码、图像（如 PNG 格式）、音频等需要保持原始质量的文件类型。
技术实现：ZIP压缩结合了霍夫曼编码和LZ77等算法，确保在压缩过程中不丢失任何数据。

有损压缩：

数据丢失：编码过程会舍弃一些原始数据（通常是人眼或人耳不易察觉的细节），以换取更高的压缩率。
不可逆：压缩后的数据在解码时不能完全恢复到原始的未压缩状态，尤其是在高压缩率下，细节丢失会更为明显。
压缩效率高：相比无损压缩，有损压缩能够显著减小文件大小，适用于带宽和存储空间有限的场景，如在线视频、图片分享等。
感知质量优化：有损压缩会根据人类视觉或听觉系统的特性，优先保留对人类感知更重要的信息（如低频部分），舍弃不容易察觉的高频细节和噪声。

视频编码过程

1.颜色空间转换（RGB → YUV/YCbCr）
2.分块处理（通常为 8×8 或 16×16）
3.预测编码（帧内/帧间）
4.变换（DCT 频域变换）
5.量化（压缩高频系数）
6.熵编码（进一步压缩）
7.输出码流（用于存储或传输）

1. 颜色空间转换

将原始视频/图像的 RGB 颜色空间转换为 YUV 或 YCbCr 颜色空间。这样做是因为人眼对亮度（Y）信息更敏感，而对色度（U 和 V）信息不敏感。因此，色度信息可以被适当压缩而不明显影响感知质量。将 RGB 转换为 YUV/YCbCr 颜色空间后，色度分量（U 和 V）的数据量可以被压缩，但这个步骤的压缩程度有限。

2. 分块处理

将图像分成小块（如 8×8 或 16×16 像素的块）。编码器对每个块分别进行处理。本身并不压缩数据，而是将图像分为更小的块，便于后续处理。

3. 预测编码

根据相邻块或前后帧的图像信息，预测当前块的内容,通过帧内预测和帧间预测减少冗余信息，能压缩一部分数据。分为两种主要类型：
帧内预测（Intra Prediction）：在同一帧内，通过相邻块预测当前块。
帧间预测（Inter Prediction）：通过参考前后帧的相似块，预测当前块。

4. 变换（DCT）

将每个块的像素值通过离散余弦变换（DCT）转换到频域，得到一组频域系数。DCT 能集中图像的能量到低频部分，从而使高频部分（细节和噪声）可以进行压缩。将图像从空间域转换到频域，便于后续压缩，但这个过程本身并不直接压缩数据,为量化做数据准备

5. 量化

对变换后的频域系数进行量化。通过舍弃或简化高频系数，实现数据压缩。量化过程中，低频部分被精确保留，而高频部分被大幅度压缩或丢弃。通过舍弃或简化高频细节信息（尤其是人眼不易察觉的细节）大幅减少了需要存储和传输的数据量。它将变换后的频域系数除以量化步长并四舍五入成整数，导致高频分量（通常是图像中的细节和噪声）被大量压缩甚至完全舍弃。
量化过程中丢失的高频信息无法恢复，导致不可逆的有损压缩。这也是压缩率提高的主要来源。量化步骤也是压缩数据量最多的环节

6. 熵编码

量化后的数据进行熵编码，如霍夫曼编码或算术编码。熵编码进一步减少数据冗余，通过对数据的统计特性进行编码，以更少的比特数表示高频出现的数据。压缩幅度相对较小。

DCT 的基本原理

DCT 的核心思想是将图像数据从 空间域（像素的明暗值）转换到 频域（频率成分）。在频域中，大多数自然图像的数据能量集中在低频部分，而高频部分则包含细节和噪声。通过这种转换，图像可以通过量化低频成分而保留主要信息，而高频成分可以被去除或减少，达到压缩的目的。

空间域与频域

空间域：图像的空间域就是我们看到的像素点阵，每个像素的值代表图像中该位置的亮度（灰度图）或颜色（彩色图）。
频域：在频域中，图像信息被表示为不同频率的组合。低频部分代表了图像中的平滑变化（如大面积的背景颜色），高频部分则包含了图像中的细节和边缘。