DCT

离散余弦变换 (Discrete Cosine Transform, DCT)

离散余弦变换（Discrete Cosine Transform，简称 DCT）是一种将有限长离散信号表示为不同频率余弦函数加权和的正交变换。与离散傅里叶变换（DFT）类似，DCT 将信号从时域（或空间域）变换到频域，但 DCT 仅使用余弦基函数（实函数），避免了 DFT 中复数运算的复杂性，同时具有更强的能量压缩（Energy Compaction）特性。这一特性使 DCT 成为 JPEG 图像压缩、MPEG 视频编码、MP3 音频编码等有损压缩标准的核心数学工具。

DCT 最早由 Nasir Ahmed、T. Natarajan 和 K. R. Rao 于 1974 年提出，三人合著的论文《Discrete Cosine Transform》发表于 IEEE Transactions on Computers，至今已被引用数万次。DCT 的发明被视为数字信号处理领域里程碑式的贡献，其应用已渗透到现代数字生活的几乎每一个角落。

数学定义

DCT 有多种变体，根据边界条件和对称性的不同，共有八种标准类型（DCT-I 至 DCT-VIII）。其中应用最广泛的是DCT-II，也是通常所说的"离散余弦变换"。对于长度为 $N$ 的实数序列 $x[n]$（$n = 0, 1, \ldots, N-1$），DCT-II 定义为：

其相应的逆变换（IDCT-II）为：

其中 $\epsilon_0 = 1$，$\epsilon_k = 2$ 对于 $k \geq 1$。

DCT-III 是 DCT-II 的逆变换（忽略缩放因子），二者构成变换对。DCT-I 的定义中采样点为整数节点（$n$ 和 $k$ 均从 $0$ 到 $N-1$，边界对称于端点），常用于某些数学物理问题。DCT-IV 则以其在修正离散余弦变换（MDCT）中的角色著称，后者是 MP3 和 AAC 音频编码的基础。

从矩阵角度看，DCT 是一个 $N \times N$ 的正交变换矩阵 $\mathbf{C}$，其元素为：

矩阵 $\mathbf{C}$ 满足 $\mathbf{C}^T \mathbf{C} = \frac{N}{2} \mathbf{I}$（DCT-II），经适当归一化后成为正交矩阵。

与离散傅里叶变换的关系

DCT 与 DFT 有密切的数学联系。给定长度为 $N$ 的实序列 $x[n]$，可以通过以下方式构造一个长度为 $2N$ 的偶对称扩展序列：

x[n], \& 0 \leq n \leq N-1 \\ x[2N - 1 - n], \& N \leq n \leq 2N-1

对该扩展序列施加长度为 $2N$ 的 DFT，取其前 $N$ 个系数即与 DCT-II 的结果一致（仅相差一个相位因子）。这种构造方式揭示了 DCT 的核心思想：通过将信号对称延拓，使延拓后的信号在原边界处连续（消除了 DFT 隐含的周期性边界跳跃），从而大幅减少高频伪影，实现比 DFT 更优的能量集中。

正是这种边界连续性赋予了 DCT 相比 DFT 更强的能量压缩能力——对于一个缓变信号，DCT 能量高度集中于低频系数 $X[0], X[1], \ldots$，而高频系数迅速衰减至接近零。这一性质是 DCT 在压缩领域无可替代的数学根基。

能量压缩性质

能量压缩是 DCT 最重要的性质，也是它统治有损压缩算法的核心原因。在数学上，DCT 对一阶马尔可夫过程（AR(1)）的近似性能接近Karhunen-Loève 变换（KLT）——理论上最优的变换编码工具——但 DCT 不依赖于数据的统计特性，可以预先计算，具有快速算法。

对于高度相关的信号（如自然图像的相邻像素），DCT 能将绝大部分信号能量集中到极少数的低频系数上。具体而言，若按系数方差对所有正交变换进行排序，DCT 的方差分布最不均匀——少数几个低频系数拥有极大的方差，而大多数高频系数的方差接近于零。在压缩中，这意味着可以用粗糙的量化步长处理低频系数（保留精度），用极粗的量化甚至直接舍弃高频系数，从而在几乎不损失感知质量的前提下大幅度降低数据量。

快速算法

直接计算长度为 $N$ 的 DCT 复杂度为 $O(N^2)$。通过利用余弦函数的对称性和周期性，可以设计复杂度为 $O(N \log N)$ 的快速算法。最常用的方法是将 DCT 重新表达为长度为 $2N$ 的 DFT，再调用快速傅里叶变换（FFT）。具体步骤为：将输入序列 $x[n]$ 按偶对称延拓为长度 $2N$ 的序列，应用 FFT 后提取实部并乘以适当的旋转因子。

此外，还有直接从矩阵分解出发的专用快速 DCT 算法，如基于蝶形运算的 Chen-Wang 算法和 Loeffler-Ligtenberg-Moschytz 算法。后者仅需 $11N \log_2 N + O(N)$ 次乘法和 $29N \log_2 N + O(N)$ 次加法，是 JPEG 实际实现中最常用的快速 DCT 方案之一。

主要应用

图像压缩：JPEG

JPEG 是 DCT 最著名的应用。JPEG 编码流程为：将图像划分为 $8 \times 8$ 的像素块，对每个块施加二维 DCT（通过对行和列分别进行一维 DCT 实现），得到 $8 \times 8$ 的 DCT 系数矩阵。左上角的系数 $X[0,0]$ 称为 DC 系数，代表块的平均亮度；其余 63 个系数为 AC 系数，代表不同频率的细节。

随后的量化步骤是造成信息损失（有损）的唯一环节：利用人眼对高频细节不敏感的特性，对高频系数使用更大的量化步长，使大量高频系数被量化为零。最后使用游程编码和霍夫曼编码对量化后的系数进行熵编码。JPEG 的解码流程则依次执行熵解码、反量化和二维 IDCT，恢复近似图像。

视频编码：MPEG 与 H.26x 系列

MPEG-1、MPEG-2、H.261、H.263 等视频编码标准同样以二维 DCT 为核心。视频编码将每一帧作为图像处理，但额外利用了帧间的运动补偿预测：对当前帧与运动补偿预测帧之间的残差帧进行 DCT 变换。由于残差帧的能量通常远小于原始帧，进一步增强了压缩效率。新一代视频编码标准（如 H.264/AVC、H.265/HEVC）已逐步采用整数 DCT（对 DCT 系数取整数近似，避免编解码器间的浮点精度差异）。

音频编码：MP3 与 AAC

MP3 编码使用修正离散余弦变换（MDCT），这是 DCT-IV 的一种变体，专为消除块边界伪影而设计。MDCT 采用 50\% 重叠窗口——相邻变换块之间有半窗重叠，通过时域混叠消除（Time-Domain Aliasing Cancellation, TDAC）技术保证完全重建。AAC 和 Vorbis 等现代音频编码器同样以 MDCT 为基础。MDCT 将时域音频信号变换到频域后，编码器可根据心理声学模型对频谱系数进行非均匀量化，将编码位集中在人耳敏感的频率区域。

其他应用

DCT 还广泛用于：数字水印（在 DCT 域嵌入不可见标记）、特征提取（如人脸识别中提取 DCT 系数作为分类特征）、偏微分方程数值解（DCT 对应诺伊曼边界条件下的谱方法）以及机器学习中的数据去相关预处理。

DCT 的局限性

尽管 DCT 性能卓越，但也存在固有局限。首先，DCT 是全局变换——每个频域系数都依赖于输入序列的所有采样点，这意味着在图像压缩中，一个 $8 \times 8$ 块内的每个系数都受到该块全部 64 个像素的影响，使得压缩伪影以块边界（blocking artifacts）的形式呈现。在高压缩率下，块效应是 JPEG 图像最显著的视觉缺陷。

其次，DCT 对于非平稳信号（如包含尖锐边缘的图像块）的稀疏表示能力有限，会在边缘周围产生振铃效应（ringing artifacts）。为解决这一问题，JPEG 2000 标准以离散小波变换（DWT）替代 DCT，但小波变换的计算复杂度更高，且在极高压缩率下的视觉表现改善并非压倒性的。

理论地位

DCT 在变换编码理论中占据近乎最优的位置。它在不对信号统计特性做任何假设的前提下，为一大类平稳随机过程（尤其是一阶马尔可夫过程）提供了接近 KLT 最优变换的性能，同时拥有 $O(N \log N)$ 的快速算法，这在理论上极具吸引力——KLT 虽然理论最优，但其基函数依赖于数据的协方差矩阵，需要为每个信号单独计算，不具备通用性和快速算法。DCT 因此成为理论与工程实践之间近乎完美的折中方案。

从这个角度看，DCT 不仅是一种数学工具，更是信息论中率失真理论（Rate-Distortion Theory）在实践中的标志性实现。它说明了在给定编码位率约束下，如何通过变换域的能量重分配最大化重建信号的信噪比。自 1974 年问世以来，DCT 深刻塑造了数字媒体的存储与传输方式，是现代数字基础设施中不可或缺的数学基石之一。