JPEG 与视觉神经生理学：该格式如何欺骗眼睛

JPEG如何欺骗视觉系统：根植于神经生理学的工程设计

JPEG不仅仅是一种压缩格式。它是一个基于人类视觉的三维模型，早在1992年就被编码进算法中。它并非单纯优化数据存储，而是模拟人眼所见、大脑如何处理这些信息，以及视觉系统在哪些环节会丢失信息。结果就是：文件大小缩小了5到10倍，而感知上却几乎毫无损失。这种效果并不是通过简化数学计算实现的，而是精准匹配了生物约束——视网膜感光细胞密度、对比敏感度以及大脑皮层的空间频率选择性。以下将从视觉神经生理学的角度，对JPEG流程中的每个阶段进行技术解析。

YCbCr：按生物学意义分离信号

JPEG编码的第一步是将RGB转换为YCbCr。这并非出于技术便利，而是直接体现了视网膜的解剖结构。人类约有1.2亿个视杆细胞（对亮度敏感），而视锥细胞仅有600万至700万个（负责色彩感知），比例约为20:1。因此，视觉系统对亮度渐变的分辨能力远高于对色彩细微差别的分辨能力。

计算Y通道的公式是：

Y = 0.299 × R + 0.587 × G + 0.114 × B

这些系数并非随意设定：其中绿色的0.587反映了人眼在约555纳米处的峰值敏感度——即光谱中的黄绿区域，这一波长恰好适应了进化过程中在绿叶间寻找成熟果实的需求。这就是为什么使用这些权重的黑白图像看起来更加立体、对比强烈，而如果采用均匀平均（0.33R + 0.33G + 0.33B）则会显得平淡、像“肥皂水”一样。

在YCbCr模式下，Y通道包含了所有对感知至关重要的信息——结构、轮廓和纹理。Cb和Cr只是用于调整色彩色调的分量，可以被大幅处理而不影响感知质量。

色度抽样：根据周边视觉解剖结构压缩色彩

转换完成后，便进入色度抽样阶段——降低色彩通道的分辨率。最常见的4:2:0模式意味着每四个Y像素块对应一个Cb块和一个Cr块（2×2像素）。实际上，75%的色彩信息都被舍弃了。

这与视网膜解剖结构完全吻合：视锥细胞集中在中央凹，而越往周边密度越低。平均而言，色彩视觉的空间分辨率比单色视觉低四倍。JPEG并不是“丢掉”色彩，而是保留了视觉系统在图像每个局部区域所能分辨的精确色彩信息。

为了验证这一点，只需在Photoshop中打开任意一张JPEG，将其拆分为YCbCr三个通道，然后比较Y与Cb/Cr的视觉质量：后两者会显得模糊、低频——但当叠加到Y通道上时，大脑会自动恢复图像的完整性。这并非格式本身的缺陷，而是充分利用了视觉皮层的工作方式。

DCT与量化：盲点的频率映射

离散余弦变换（DCT）将图像分割成8×8的区块，并把每个区块分解为64个基底成分——从低频渐变到高频边缘、噪声和纹理。这并非抽象概念：初级视觉皮层（V1）中的神经元会对特定空间频率的定向条纹作出反应，实际上就是在进行DCT的生物学近似。

接下来，这些系数会经过量化——除以量化表中的数值并四舍五入。标准的Y通道量化表具有如下结构：左上角的除数最小（低频、高敏感度），右下角的除数最大（高频、低敏感度）。这张表并非工程师的猜测，而是基于人类心理视觉实验得出的对比敏感度（CSF）经验地图。CSF的峰值出现在每度视角3到5个周期；超过约60个周期/度，人类就无法再分辨细节了。

当你在Photoshop中将质量设为80时，其实是在设定一个阈值，只有低于这个阈值的频率才会受到量化的影响。而当质量降到5时，算法甚至开始清零中频——那些大脑用来识别形状和纹理的关键频率。因此，感知质量会急剧下降。

实验：可视化眼睛看不见的部分

要确切了解JPEG认为哪些部分“不可见”，可以做一个简单的实验：用不同质量保存同一张图片为JPEG，然后计算原始PNG与压缩版之间的差异。

from PIL import Image
import numpy as np

original = np.array(Image.open("photo.png")).astype(np.float32)

for q in [95, 80, 50, 20, 5]:
    Image.open("photo.png").save(f"q{q}.jpg", quality=q)
    compressed = np.array(Image.open(f"q{q}.jpg")).astype(np.float32)

    diff = original - compressed
    diff_visual = ((diff - diff.min()) / (diff.max() - diff.min()) * 255)
    Image.fromarray(diff_visual.astype(np.uint8)).save(f"diff_q{q}.png")

结果令人震惊：

• 在质量95时，差异图几乎全黑——损失仅限于噪声。
• 在质量80时，差异主要集中在轮廓、细线和高频纹理（如头发、织物）上——恰恰是DCT分配到高频系数、且被量化最先清零的部分。
• 在质量5时，差异图已经能明显看出是“原图的颗粒版”——算法早已突破了CSF的界限，开始移除对感知形状至关重要的信息。

这并非代码上的偶然现象，而是你自身视觉阈值的真实映射。

质量80：CSF曲线上的拐点

为什么偏偏是80——这个事实上的网络标准？绘制文件大小与SSIM（结构相似性指数）随质量变化的曲线可以看到，在80左右出现了一个明显的拐点。在此之前，提高质量（SSIM）的同时文件大小只小幅增加；之后，文件大小翻倍，而SSIM提升却微乎其微（不到0.001）。

这正好对应着从“剔除不可见频率”到“剔除可见频率”的转变。质量低于80时，量化操作处于CSF接近零的区域；而质量高于80时，则进入了CSF急剧上升的区域。因此，“质量80”并非什么神奇数字，而是针对典型图像在标准观看条件下（30厘米距离、1080p分辨率）的对比敏感度阈值的实际近似。

重要启示

• JPEG并非压缩“画面”，而是模拟了视觉系统的运作方式：视杆/视锥→Y/CbCr，周边色彩视觉→色度抽样，V1中的神经频率选择性→DCT，对比敏感度阈值→量化表。
• 公式Y = 0.299R + 0.587G + 0.114B中的系数并非近似——它们是对人眼光谱敏感度的参数化建模。
• 4:2:0的色度抽样模式符合单色与彩色视觉的实际分辨率比例（约4:1），而非技术硬件限制。
• 量化表并非静态模板，而是基于实验室活体实验得出的CSF经验地图。
• 质量80并非“妥协”，而是算法停止在不可见损失区域工作、开始影响图像中可感知成分的临界点。

— Editorial Team