前言：该文收集了前辈们的一些关于图片优化的技巧，在此收拢到一起，对于各个方法的优化原理做了一些研究，希望能给大家对于图片优化这一块起到抛砖引玉的作用。

提到图片，我们不得不从位图开始说起，位图图像(bitmap)，也称为点阵图像或绘制图像，是由称作像素（图片元素）的单个点组成的。这些点可以进行不同的排列和染色以构成一副图片。当放大位图时，可以看见赖以构成整个图像的无数单个方块。

常见的格式中JPG、PNG、GIF亦属于位图，所以它们的数据结构大致相同，只是每一种图片格式都有不同的压缩算法，不同的扫描方式，但是优化的方法都有一个共同点，都是围绕着每个像素颜色值来下手，具体如何进行优化呢？

下面来给大家介绍一下图片的一些基本原理和优化的方法：

1.JPG原理与优化

JPG是一种对彩色或灰阶之类连续色调图形作压缩和解压缩的标准．这个标准是由ISO/IEC JTC1/SC29 WG10所订定。

压缩算法为正、反离散余弦转换，如下图：

反离散余弦转换即把整个流程反转。

这里的8X8像素区块是我们JPG优化方法的重点，在之后会涉及到取样、区块量化、扫描的步骤，然而取样、区块量化这两个步骤将是导致图像失真的过程，也是我们优化工作所涉及到核心部分。

取样：

这里所提到的可以很好的解释到下面JPG优化方法中的色彩优化；

JPG将不同的色彩当作独立的成份，因此各个成份可以被视为一个灰阶影像来处理，如果各个颜色成份间没有关联性时．便可以将压缩的效果处理得最好，因此把红(R)、绿(G)、蓝(B)的成份转换成：亮度 (Luminance)(Y)、色度 (Chrominance)(Cb和 Cr)，使得各项没有关联的成份：

Y = 0.299R+0.587G+0.144B

Cb = -0.169R-0.331G+0.500B

Cr = 0.500R- 0.419G –0.081B

由于人的视力系统对色度的敏锐度不高 ，因此以YCbCr色度的方式来表示可以再做一次作取样(Subsampling)来减低信息量：

4:4:4格式代表YCbCr原来完整的信息，可以再次取样以4:2:2或4:2:0格式来表达;4:2:2格式将原本的信息量减少为三分之二，而4:2:0格式则可以将信息三减少为一半。虽然色度的信息量减少了．但对人的视觉神经而言却仅仅感受到微小的差别而已。

区块量化：

为了说明执行离散余弦转换(DCT)的影响，我们将以自一张图去下的8×8区块的亮度资料转换成符合DCT运算范围内的系数表：

低频部分包含了区块的大部分能量，而对视觉较不敏感的高频部分，则通常只含有较低的能量。

接下来对亮度系数做量化处理的矩阵系数表：

在亮度系数的量化方面每个DCT系数除以相对的量化矩阵的值，在四舍五入后得到如下的量化后 DCT 系数（例如-80/16=-5）：

注意量化后区块高频部份出现许多零值，代表人类视觉系统对高频部份并不敏感。由于四舍五入的部份并不能在解码时重现，因此这个步骤将是个失真的过程。

扫描：

区块在量化之后，只有低频的部分有非零值，为了进一步地减少储存空间的大小，尽可能地将零值放在一起，使得处理时能以几个零来表示而非个别的处理每个零，因此运用了如下图的方式做斜向扫描：

这种斜向扫描的扫描线乃是沿着空间频率大小增加的方向作扫描的，使得许多的零可以被串接在一起，以达到更好的效果。

了解上述3个流程后，后续我们做JPG优化的时候会更得心应手了，如何处理颜色，如何减少颜色数值而却又最少的减少图片失真的比率。

接下来为大家介绍下JPG常用的几种优化方法：

8像素栅格

如下2副图片所示，图片为32X32，白色方块宽高为8X8：

正如大家看到的，左上角的小方块正好对齐在“8像素栅格”，这样就确保小方块保持是锐利。当保存的时候，图片会被分成许多的8×8 px的区块，而软件是对每一个区块进行独立优化的。由于右下方的方块并不匹配这些区块（也就是这个方块跨越了几个区块，正好落于区块的交接线上），优化器在寻找索引的时候就会在黑色和白色之间寻找平衡，即添加了杂色。

示例：

不仔细看可能发现不了，第二幅图片中盒子的黑子盖子左边超出的区域、99数字超出的多余像素均已删除，198.00元下移了一个像素，3个很简单的操作便可减少约1K，做到这一步，大家肯定会考虑一个问题，难道每次做图的时候都要拉着么辅助线不麻烦么？

其实，这里只是为了做一个精确的示范，如果应用到工作中，我们大可将8X8的辅助方格改为16X16或者32X32。

图片质量

不要保存质量为100的图片。这个并不是最高质量的图片，只是一个数值上的优化底线，最终你会得到一个不合理的大文件。事实上把质量设置在95以上就已经足以防止丢失信息了。

在质量上有个分水岭，这就是我们通常建议JPG质量最好是在60左右的原因。当在Photoshop中把质量设置低于51的时候，它就会执行另一个叫做“降色采样（原文：color down-sampling）”的优化算法，它会在8个像素周围平均采样，这样会在边缘产生杂色。

因此，如果图片很小而且对比很大，建议在Photoshop中不要设置质量低于51。

图例（左为质量51右为质量50）：

色彩优化

这里优化的原理在于解压缩过程，反量化与斜向扫描中着手。这里涉及到两个量化矩阵（亮度与色度）的处理。

但是此方法用到的情况相对比较少，所以这里只做简短的介绍。

Photoshop有一个Lab的颜色模式，L表示亮度（Luminosity），a表示从洋红色至绿色的范围，b表示从黄色至蓝色的范围。

其中在这里最重要的就是明度（也称为亮度），优化图像的时候通常是压缩颜色通道，但尽可能保持高亮的亮度通道，因为人们对它最为敏感。

这里最关键的是滤镜>>杂色>>中间值针对A,B两个通道的颜色做处理

2.PNG原理与优化

PNG，图像文件储存格式，其目的是试图替代GIF和TIFF的文件格式，同时增加一些GIF所不具备的特性。PNG提供5种图片类型：灰度，真彩色，索引色，带alpha通道的灰度，带alpha通道的真彩色，遗憾的是Photoshop只能导出3种图像类型：带透明的索引颜色，真彩色，带透明度的真彩色。

对于PNG图像，可以分为索引（Index）图和RGB图两种，索引图只包含固定数量的颜色，而RGB图的颜色数量是不受限制的。

索引图：为节约存储，把图像中使用的颜色与一个颜色表对应起来，索引色常使用16色、32色、64色、128色或256色等，但最多不得超过256色；

RGB图：的每一个象素都保存一个RGB值，代表这个象素的颜色，因此，一张RGB图有多少个象素，文件中就保存多少个RGB值；

压缩：

PNG采取的是LZ77无损数据压缩算法：LZ77算法简单来说就是通过使用编码器或者解码器中已经出现过的相应匹配数据信息替换当前数据从而实现压缩功能。

最重要的还是线性过滤（也称为“三角过滤”），PNG有5种过滤器，None（无过滤），Sub（当前值减去左侧像素的值），Up（减去上方像素的值），Average（减去左侧和上方像素的平均值）和Paeth（替换上方，左边或者上方的左边像素值，并重新以Alan Paeth命名）。下面只举例其中之一的Up过滤：

以数字2为标识的每一行都经过了“Up过滤”，“Up过滤”向 png 解码器发送信息：“对于当前的像素，提取上方像素的值，并将其添加到当前值”。图中第2-5行垂直方向都拥有相同的值。所以它们的值都是0，如果这样的图片越大那么压缩比率也越大。

扫描：

PNG的扫描方式很简单，只存在两种：非隔行扫描、Adam7(7遍隔行扫描方法)

Adam7(由Adam M. Costello开发的7遍隔行扫描方法)，原理如下图：

图片示例：

常用的两种PNG优化方法：

色调分离

优化原理：有效的减少色彩数，合并相似的颜色，创建出色调区域，更好的执行“线性过滤”，得到高压缩率。

缺点：这种方法有一定的局限性，尤其是优化的图片与 html 背景融合的情况下须慎用。

这里的色阶值可根据实际情况设置：

优化图片对比：

    原图：212KB

    优化后:146KB

图层分离

有时候因为图片中存在一些半透明像素，不得不保存一个“重量级”的PNG-24文件。如果将此类图像一分为二，一部分是不透明像素，另一部分则为半透明，然后各以适当格式保存。

比如你可以用 PNG-24 格式保存半透明像素，而不透明像素则用 PNG-8 甚至 JPEG 格式保存。

例如：

操作步骤：

1.在图层面板中Ctrl+左键单击图层建立选区；

2.切换至通道面板，将选区储存为通道；

3.选择该通道，取消选区，将阈值（图像 -> 调整 -> 阈值）调至255；

4.再次Ctrl+左键单击该通道建立选区并隐藏该通道，然后选择原始图层，打开图层 -> 新建 -> 通过剪切的图层，即能得到上面两幅分离后的图片。

5.可再次对两幅图片进行色调分离等方法进行优化。

此方法类似活动中背景图过大时进行分割是为同一个道理，多增加一个请求而把图片拆分，进行叠加。

3.GIF原理与优化

由于GIF现在使用率偏低，除非需要用到GIF动画，由于PNG本身是开发者为了代替GIF而衍生出的图片格式，所以透明图片建议采用PNG8。下面只简单的介绍下GIF的原理：

GIF(Graphics Interchange Format)的原义是“图像互换格式”，是CompuServe公司在 1987年开发的图像文件格式。GIF文件的数据，是一种基于LZW算法的连续色调的无损压缩格式。其压缩率一般在50%左右，它不属于任何应用程序。GIF格式的另一个特点是其在一个GIF文件中可以存多幅彩色图像，如果把存于一个文件中的多幅图像数据逐幅读出并显示到屏幕上，就可构成一种最简单的动画。

LZW压缩算法

LZW就是通过建立一个字符串表，用较短的代码来表示较长的字符串来实现压缩，字符串和编码的对应关系是在压缩过程中动态生成的，并且隐含在压缩数据中，解压的时候根据表来进行恢复，算是一种无损压缩。例如：

正常文本：好人经常说自己是好人，但是我确实是个好人。

压缩文本：$1经常说自己是$1，但是我确实是个$1. $1=[好人]

文章已经接近尾声了，相信经过这啰啰嗦嗦一大堆文字，大家对图片优化也会有一个相对清晰的思路了，期待能一起寻找探讨更多的优化方法。