当前位置: 首页 > news >正文

AVIF和WebP图片格式介绍

概述

  • WebP:由 Google 基于 VP8 视频编码派生(libwebp),支持有损(基于预测+变换+熵编码)与无损(基于局部字典/预测)压缩、RGBA alpha、动画。设计目标:在保持视觉质量的同时比 JPEG/PNG 更小。图片转WEBP
  • AVIF:基于 AV1 视频编码(AOMedia Video 1)的一种静态/动画图像容器(通常使用 libavif / libaom / dav1d 等实现)。支持更高位深(8/10/12-bit)、HDR 元数据、YUV 色度采样、先进的变换/滤波与更高效熵编码,追求在更低比特率下更好视觉质量。图片转AVIF

核心原理(简要)

  • 共同点(视频编码派生技术)
    • 颜色空间:多数现代编码先将 RGB 转换为 YUV(亮度 + 色度),并通常对色度做下采样(如 4:2:0)以降低数据量(对视觉影响较小)。
    • 块/预测:对图像分块,使用空间预测(基于已编码邻块像素)减少冗余。
    • 变换:将预测残差做频域变换(DCT 或类似)以聚合能量到少数系数。
    • 量化:削减小系数以实现有损压缩(影响视觉细节)。
    • 熵编码:使用更高效的熵编码(如 CABAC/ANSC)把量化系数编码成比特流。
  • WebP(基于 VP8 keyframe)
    • 有损:预测 + 4x4 或 16x16 变换 + 量化 + Huffman-like 熵编码。
    • 无损:基于局部像素字典、色彩缓存、LZ77 风格的匹配和霍夫曼式编码。
    • 支持 alpha(无损或有损 alpha)。
    • 算法较老但编码/解码实现成熟,速度较快。
  • AVIF(基于 AV1)
    • 更复杂的帧内(intra)预测模式、可变大小的变换、更多的滤波(环路滤波、CDEF、CLPF)、更先进的熵编码(基于上下文的符号编码)。
    • 原生支持高位深和 HDR(可以携带 HDR10 元数据 /色调映射信息)。
    • 在低码率下通常显著优于 WebP 和 JPEG(主观视觉质量更好)。
    • 编码器实现(例如 libaom、rav1e、SVT-AV1)在速度/效率上差异大,通常比 WebP 慢很多。

与传统格式的差异

  • JPEG(有损):
    • 使用 8x8 DCT、简单量化表、较原始的熵编码(Huffman)。
    • 缺点:色块效应、对高压缩比视觉退化明显、无 alpha、8-bit RGB。
    • AVIF/WebP 在相同视觉质量下通常体积更小;AVIF 的优势明显。
  • PNG(无损光栅图,适合图形/文字/透明):
    • 基于滤波 + DEFLATE(LZ77+哈夫曼),对摄影图像压缩效率差。
    • WebP/AVIF 的无损模式在摄影或有透明需求时通常能提供更小的文件(但 PNG 在某些图形场景仍优)。
  • GIF:
    • 只支持 256 色、简单 LZW 压缩、动画但色彩受限。
    • WebP/AVIF 支持全色深动画且压缩更好、文件更小并支持 alpha。
  • BMP/TIFF:
    • 通常无压缩或无损大文件,适合中间格式或专业用途。AVIF/WebP 目标是 web 分发而非替代高精度无损档案。

性能、兼容性与实践建议

  • 兼容性:
    • WebP 浏览器支持广泛(Chrome、Firefox、Edge、Safari 从 14 开始部分支持,但早期 Safari 有限制)。
    • AVIF 浏览器支持在近几年快速增长(Chrome、Firefox、Safari 逐步支持),但旧环境需回退。
  • 编码复杂度:
    • WebP 编码速度快,工具成熟(cwebp、libwebp)。
    • AVIF 编码慢且对资源密集(尤其用高质量设置),但效果更好;解码有多实现(dav1d 快速解码器)。
  • 色彩与位深:
    • AVIF 支持 10/12-bit 和 HDR,适合对色彩保真要求高的应用(摄影、视觉媒体)。
    • WebP 一般以 8-bit 为主(虽然有扩展),适合大多数 web 场景。
  • 动画与 alpha:
    • 两者都支持动画与 alpha,且比 GIF 更高效。
  • 大小 vs 质量度量:
    • 使用 PSNR/SSIM/VMAF 评估,AVIF 常在低比特率下优于 WebP;WebP 在速度/兼容性权衡上仍优秀。

示例命令
使用 libwebp:

cwebp -q80input.jpg -o output.webp# 无损cwebp -lossless input.png -o output_lossless.webp

使用 libavif / avifenc(或参考 rav1e+libavif):

avifenc -c aom -q35input.png output.avif# 更高质量(慢)avifenc -c aom -q20--min0--max63--speed1input.jpg output_high.avif

选型建议(简短)

  • 兼容性优先且需要快速编码:WebP。
  • 最大压缩效率与高/HDR 位深保真:AVIF(接受更慢的编码)。
  • 图形/透明小色彩索引图像:PNG 或有时 WebP 无损。
  • 动画替代 GIF:WebP 或 AVIF(视兼容与文件大小需求)。

常见坑

  • 色彩偏差:RGB ↔ YUV 与下采样会导致色彩/边缘差异,测试需在目标设备/浏览器上验证。
  • 编码时间:AVIF 高质量设置非常慢,需评估离线编码 vs 实时生成。
  • 回退策略:在 production 使用 或 content-negotiation 提供 AVIF → WebP → JPEG/PNG 回退。

参考实现与工具

  • WebP: libwebp, cwebp/dwebp
  • AVIF: libavif, avifenc/avifdec, rav1e, libaom, daala/dav1d(解码)

结语
AVIF 和 WebP 代表了基于视频编码技术的下一代图像压缩方向:在相同视觉质量下显著减小文件体积、支持 alpha 与动画,并在 AVIF 上进一步支持高位深与 HDR。实践中结合目标客户浏览器/设备兼容性、编码资源与质量需求做选择,并采用合适的回退策略。

http://www.cnnetsun.cn/news/174150.html

相关文章:

  • 【AI测试工具新标杆】:Open-AutoGLM如何以0.1ms响应精度碾压Ranorex?
  • Open-AutoGLM 与 Playwright 到底怎么选?:3大核心维度全面测评,90%的人都忽略了这一点
  • 【顶级测试架构师亲授】:Open-AutoGLM对接Sauce Labs的7步完美适配法
  • 大数据时代MongoDB的性能瓶颈与解决办法
  • 【Open-AutoGLM vs Applitools】:谁才是视觉测试的终极王者?
  • 【专家亲测】Open-AutoGLM与UiPath操作复杂度全面拆解(含学习曲线数据)
  • Open-AutoGLM vs WinAutomation:高并发场景下谁更稳定?(实测结果曝光)
  • 为什么你的自动化项目失败了?Open-AutoGLM与Power Automate适配性全剖析
  • Thinkphp和Laravel框架社区物业车位缴费房屋充电桩管理系统 论文
  • 你真的了解Open-AutoGLM与Katalon Studio的适配边界吗?
  • 【测试工程师必看】Open-AutoGLM与Katalon Studio适配差异的5大关键点
  • 【自动化平台选型避坑指南】:Open-AutoGLM与Power Automate 6大场景实测对比
  • Vue3+TypeScript+Element-Plus确认对话框ElMessageBox.confirm
  • 企业流程自动化怎么选,Open-AutoGLM和Power Automate到底差在哪?
  • 为什么99%的人没发挥Open-AutoGLM全部潜力?,解锁隐藏的动态权重调优功能
  • 批量打印神器,太流批了
  • 【Java毕设全套源码+文档】基于springboot的大学生兼职平台设计与实现(丰富项目+远程调试+讲解+定制)
  • 从零开始学昇腾Ascend C算子开发-第四篇:常用算子实现
  • 学术迷航中的“智能罗盘”:书匠策AI如何重塑本科硕士论文写作新范式
  • 为什么90%的企业都在用Open-AutoGLM做客户信息归档?真相曝光
  • Open-AutoGLM实时跟进系统搭建全流程(含源码级避坑指南)
  • 【AI驱动销售革命】:Open-AutoGLM如何实现线索筛选效率提升10倍
  • 告别加班写年报!Open-AutoGLM自动写作系统实测效果曝光(附对比数据)
  • Open-AutoGLM数据同步实战指南(从配置到监控全链路拆解)
  • 【Open-AutoGLM邮件分类实战】:手把手教你构建企业级智能筛选系统
  • Java全栈工程师面试实录:从基础到实战的深度探讨
  • Open-AutoGLM核心原理深度解析:NLP+知识图谱如何重塑周报流程?
  • 【独家披露】某头部科技公司如何用Open-AutoGLM实现周报零人工干预
  • 揭秘Open-AutoGLM自动回邮系统:如何3步实现企业级智能响应?
  • Open-AutoGLM月报统计避坑指南:资深工程师总结的7大常见错误