正向矩阵变换（如DCT、整数DCT等）本身输出的依然是矩阵，但通过能量集中特性和后续的量化、熵编码等步骤，能够显著减少存储空间。这一过程的核心逻辑是：变换将原始数据的冗余信息集中到少数系数中，使大部分系数可被高效压缩或丢弃。
为什么变换后的矩阵能减少存储空间？
能量集中：从“分散”到“集中”
原始图像或视频残差块的像素值通常具有较强的空间相关性（例如相邻像素值接近），数据分布较为分散，直接存储会有大量冗余。
而变换（如DCT）的核心作用是将这种空间域的冗余转换为频率域的能量集中——即把原始数据的能量（信息）集中到少数低频系数中，而高频系数（对应细节、边缘的快速变化）的值很小甚至接近0。
例如：一张平坦区域的4x4像素块，原始像素值可能都是255，变换后低频系数（左上角）会很大，其他高频系数几乎为0。量化：保留重要信息，丢弃次要信息
变换后的矩阵虽然仍是矩阵，但系数的“重要性”差异极大。通过量化步骤（用一个量化矩阵对变换系数进行除法取整），可以进一步放大这种差异：- 低频系数（能量集中区）被轻度量化，保留较大值；
- 高频系数（能量微弱区）被重度量化，很多会变成0。
量化后的矩阵中会出现大量连续的0，为后续压缩创造条件。
熵编码：高效压缩非零值和零
经过量化后，矩阵中充满了0和少量非零值。此时通过熵编码（如Huffman编码、算术编码）：- 对连续的0采用“游程编码”（记录0的数量而非逐个存储）；
- 对非零值根据其出现概率分配更短的编码。
最终将矩阵转换为紧凑的二进制流，大幅减少存储空间。
举例说明：4x4像素块的压缩过程
假设一个4x4的残差块（原始数据，范围-128~127）：
[ 2, 3, 2, 1]
[ 3, 4, 3, 2]
[ 2, 3, 2, 1]
[ 1, 2, 1, 0]
- 正向DCT变换后：能量集中到低频系数（左上角），高频系数值很小：
[24, 5, 0, -1]
[ 6, 2, 0, 0]
[ 0, 0, 0, 0]
[-1, 0, 0, 0]
- 量化后：高频小系数被量化为0，矩阵变得稀疏：
[3, 1, 0, 0]
[1, 0, 0, 0]
[0, 0, 0, 0]
[0, 0, 0, 0]
- 熵编码后：用游程编码记录连续的0，非零值用短码表示，最终存储的二进制数据远小于原始矩阵（原始需16×8=128比特，编码后可能仅需20比特左右）。
总结
正向矩阵变换本身不直接减少数据量，但它通过能量集中为后续的量化和熵编码提供了基础——让大部分数据变成可高效压缩的0，最终实现存储空间的大幅减少。这也是所有基于变换的压缩算法（如JPEG、H.264）的核心逻辑：变换是“预处理”，量化和熵编码是“压缩执行”，两者结合才能实现高效存储。