La esencia de la Compresión de Imágenes es equilibrar Espacio de Almacenamiento y Calidad Visual. Esta página analiza a fondo cómo aprovechar la Redundancia Matemática y los Límites de Percepción Visual para una reducción extrema de datos.
La Entropía de Shannon define el límite de compresión de datos. Haz clic en los bloques para cambiar patrones:
El ojo humano es sensible a la Luminancia (Y) pero insensible a la Crominancia (Cb/Cr).
La Transformada de Coseno Discreta (DCT) convierte imágenes a frecuencias, luego descarta info vía Pasos de Cuantización.
Compromiso: ¿Cuánto detalle mantener a qué tamaño?
Todos los Algoritmos con Pérdida siguen una regla: Menor Tasa de Bits (Rate) significa mayor Distorsión. Los excelentes codificadores (como AV1) mantienen alta similitud a tasas muy bajas.
Cuando el PSNR de la imagen comprimida alcanza unos 35-45dB, el Sistema Visual Humano (HVS) apenas puede distinguirla de la original. Este arte de "engañar" al ojo es el núcleo de la compresión con pérdida.
Comparado con el PSNR tradicional, SSIM mide estructura, luminancia y contraste. Se alinea mejor con la estética subjetiva humana que el simple cálculo de error de píxeles.
La Compresión sin pérdida está limitada por la Entropía de la Información. Si los datos son ruido totalmente aleatorio, su entropía es máxima y ningún algoritmo puede reducirla. La Compresión con pérdida puede descartar más, pero si el Paso de Cuantización es muy grande, la imagen colapsa en bloques de color sólido.
Formatos modernos como WebP y HEIF introducen Intra-predicción de la codificación de video. Intentan predecir el bloque actual usando píxeles circundantes, grabando solo la "parte fallida" (residual), lo cual es más eficiente que el registro de bloque completo de JPEG.