BMP、JPG等六种常用图形文件的结构
bmp文件
bmp（bitmap的缩写）文件格式是windows本身的位图文件格式，所谓本身是指windows内部存储位图即采用这种格式。一个.bmp格式的文件通常有.bmp的扩展名，但有一些是以.rle为扩展名的，rle的意思是行程长度编码（runlengthencoding）。这样的文件意味着其使用的数据压缩方法是.bmp格式文件支持的两种rle方法中的一种。
bmp文件可用每象素1、4、8、16或24位来编码颜色信息，这个位数称作图象的颜色深度，它决定了图象所含的最大颜色数。一幅1-bpp（位每象素，bitperpixel）的图象只能有两种颜色。而一幅24-bpp的图象可以有超过16兆种不同的颜色。
下一页的图说明了一个典型.bmp文件的结构。它是以256色也就是8-bpp为例的，文件被分成四个主要的部分：一个位图文件头，一个位图信息头，一个色表和位图数据本身。位图文件头包含关于这个文件的信息。如从哪里开始是位图数据的定位信息，位图信息头含有关于这幅图象的信息，例如以象素为单位的宽度和高度。色表中有图象颜色的rgb值。对显示卡来说，如果它不能一次显示超过256种颜色，读取和显示.bmp文件的程序能够把这些rgb值转换到显示卡的调色板来产生准确的颜色。
bmp文件的位图数据格式依赖于编码每个象素颜色所用的位数。对于一个256色的图象来说，每个象素占用文件中位图数据部分的一个字节。象素的值不是rgb颜色值，而是文件中色表的一个索引。所以在色表中如果第一个r/g/b值是255/0/0，那么象素值为0表示它是鲜红色，象素值按从左到右的顺序存储，通常从最后一行开始。所以在一个256色的文件中，位图数据中第一个字节就是图象左下角的象素的颜色索引，第二个就是它右边的那个象素的颜色索引。如果位图数据中每行的字节数是奇数，就要在每行都加一个附加的字节来调整位图数据边界为16位的整数倍。
并不是所有的bmp文件结构都象表中所列的那样，例如16和24-bpp，文件就没有色表，象素值直接表示rgb值，另外文件私有部分的内部存储格式也是可以变化的。例如，在16和256色.bmp文件中的位图数据采用rle算法来压缩，这种算法用颜色加象素个数来取代一串颜色相同的序列，而且，windows还支持os/2下的.bmp文件，尽管它使用了不同的位图信息头和色表格式。
pcx文件
.pcx是在pc上成为位图文件存储标准的第一种图象文件格式。它最早出现在zsoft公司的paintbrush软件包中，在80年代早期授权给微软与其产品捆绑发行，而后转变为microsoftpaintbrush，并成为windows的一部分。虽然使用这种格式的人在减少，但这种带有.pcx扩展名的文件在今天仍是十分常见的。
pcx文件分为三部分，依次为：pcx文件头，位图数据和一个可选的色表。文件头长达128个字节，分为几个域，包括图象的尺寸和每个象素颜色的编码位数。位图数据用一种简单的rle算法压缩，最后的可选色表有256个rgb值，pcx格式最初是为cga和ega来设计的，后来经过修改也支持vga和真彩色显示卡，现在pcx图象可以用1、4、8或24-bpp来对颜色数据进行编码。
tiff文件
pcx格式是所有位图文件格式中最简单的，而tiff(taggedimagefileformat)则是最难的一种。
tiff文件含有.tif的扩展名。它以8字节长的图象文件头开始(ifh)，这个文件头中最重要的成员是一个指向名为图象文件目录(ifd)的数据结构的指针。ifd是一个名为标记（tag）的用于区分一个或多个可变长度数据块的表，标记中含有关于图象的信息。tiff文件格式定义70多种不同类型的标记，有的用来存放以象素为单位的图象宽度和高度，有的用来存放色表(如果需要的话)，当然还必须有用来存放位图数据的标记，一个tiff格式文件完全为它的标记所决定，而且这种文件结构极易扩展，因为你要附加一些特征只须增加一些额外的标记。
究竟是什么使tiff文件如此复杂？一方面，要写一种能够识别所用不同标记的软件非常困难。大多数tiff的阅读程序只能识别一部分标记，所以会出现这种情况：有时一个应用程序创建的tiff文件，另一个应用程序却不能使用。创建tiff文件的程序还可能会在文件中加一些只有它自己认识的标记，虽然tiff的阅读程序可以跳过那些它们不认得的标记，但这样做总是有可能影响到图象的质量。
另一方面，一个tiff文件可以包含多个图象，每个图象都有自己的ifd和一系列标记。tiff文件中的位图数据可能会用好几种方法来压缩，所以一个完备的tiff阅读程序应该有rle解压缩程序，lzw解压缩程序和其他一些算法的解压缩程序。然而更糟的是使用lzw的解码必须得到unisys公司的同意，且通常是需要付版税的。所以即使是一些相当不错的tiff阅读程序在它们遇到lzw算法压缩的图象时也是无能为力的。
尽管tiff是那么的复杂，但仍是一种最好的跨平台格式。因为它非常灵活，无论在视觉上还是其他方面，都能把任何图象编码成二进制形式而不丢失任何属性。
gif文件
当许多图象方面的权威一想到lzw的时候，他们也会想到gif（graphicsinterchangeformat，读作jiff）这是一种常用的跨平台的位图文件格式，最初为compuserve公司所创。gif文件通常带有.gif的扩展名，而且在compuseve上大量存在。
gif文件的结构取决于它属于哪一个版本，目前的两种版本分别是gif87a和gif89a，前者较简单。无论是哪个版本，它都以一个长13字节的文件头开始，文件头中包含判定此文件是gif文件的标记、版本号和其他的一些信息。如果这个文件只有一幅图象，文件头后紧跟一个全局色表来定义图象中的颜色。如果含有多幅图象(gif和tiff格式一样，允许在一个文件里编码多个图象)，那么全局色表就被各个图象自带的局部色表所替代。
在gif87a文件中，文件头和全局色表之后是图象，它可能会是头尾相接的一串图象中的第一个，每个图象由三部分组成，一个10字节长的图象描述，一个可选的局部色表和位图数据。为有效利用空间，位图数据用lzw算法来压缩。
gif89a结构与此类似，但它还包括可选的扩展块来存放每个图象的附加信息。gif89a详细定义了四种扩展块：图象控制扩展块，它用来描述图象怎样被显示(例如，显示是应该象一个透明物去覆盖上一个图象，还是简单的替换它)；简单文本扩展块，它包含显示在图象中的文本；注释扩展块，它以ascii文本形式存放注释;应用扩展块，它存放生成该文件的应用程序的私有数据。这些扩展块可以出现在文件中全局色表的任何地方。
gif最显著的优点是它的广泛使用和它的紧密性。但它有两个弱点，一个是用gif格式存放的文件最多只能含有256种颜色。另一个可能更重要，就是那些使用了gif格式的软件开发者必须征得compuserve的同意，他们每卖出一个拷贝都要向compuserve付版税。这个政策是compuserve仿效unisys公司作出的，它抑制了那些程序员在他的图象应用程序中支持gif文件。
png文件
png(portablenetworkgraphic，发音做ping)文件格式是作为gif的替代品开发的，它能够避免使用gif文件所遇到的常见问题。它从gif那里继承了许多特征，而且支持真彩色图象。更重要的是，在压缩位图数据时它采用了一种颇受好评的lz77算法的一个变种，lz77则是lzw的前身，而且可以免费使用。由于篇幅所限，在这里就不花时间来具体讨论png格式了。
jpeg文件
jpeg(jointphotographicexpertsgroup，发音做jay-peg)文件格式最初由c-cubemicrosystems推出，是为了提供一种存储深度位象素的有效方法，例如对于照片扫描，颜色很多而且差别细微(有时也不细微)。jpeg和这里讨论的其他格式的最大区别是jpeg使用一种有损压缩算法，无损压缩算法能在解压后准确再现压缩前的图象，而有损压缩则牺牲了一部分的图象数据来达到较高的压缩率。但是这种损失很小以至于人们很难察觉。
jpeg图象压缩是一个复杂的过程，经常需要专门的硬件来帮助。首先图象以象素为单位分成8*8的块。然后，每个块分三个步骤被压缩。第一步使用dct(discretecosinetransform)离散余弦变换把8*8的象素矩阵变成8*8的频率（也就是颜色改变的速度）矩阵。第二步对频率矩阵中的值用量化矩阵进行量化，滤掉那些总体上对图象不重要的部分。第三步，也就是最后一步，对量化后的频率矩阵使用无损压缩。
因为被量化后的频率矩阵缺了许多高频信息，通常能被压缩到一半甚至更少。无损压缩一般根本不能压缩真正的照片图象，所以50%的压缩率已是相当不错了，但另一方面，无损压缩能把一些图象文件尺寸减少90%，这样的图象文件就不适合用jpeg来压缩。
jpeg的有损部分产生在第二步，量化矩阵的值越高，从图象中丢掉的信息就越多，从而压缩率就越高，可是同时图象的质量就越差。在jpeg压缩时可以选择一个量化因子，这个因子的值决定了量化矩阵中的数值。理想的量化因子要在压缩率和图象质量间达到平衡，所以对不同的图象要选择不同的量化因子，通常要经过若干次尝试后方可确定。
谈谈Unicode编码，简要解释UCS、UTF、BMP、BOM等名词
这是一篇程序员写给程序员的趣味读物。所谓趣味是指可以比较轻松地了解一些原来不清楚的概念，增进知识，类似于打RPG游戏的升级。整理这篇文章的动机是两个问题：
- 问题一：
-
使用Windows记事本的“另存为”，可以在GBK、Unicode、Unicode big endian和UTF-8这几种编码方式间相互转换。同样是txt文件，Windows是怎样识别编码方式的呢？
我很早前就发现Unicode、Unicode big endian和UTF-8编码的txt文件的开头会多出几个字节，分别是FF、FE（Unicode）,FE、FF（Unicode big endian）,EF、BB、BF（UTF-8）。但这些标记是基于什么标准呢？
- 问题二：
- 最近在网上看到一个ConvertUTF.c，实现了UTF-32、UTF-16和UTF-8这三种编码方式的相互转换。对于Unicode(UCS2)、GBK、UTF-8这些编码方式，我原来就了解。但这个程序让我有些糊涂，想不起来UTF-16和UCS2有什么关系。
查了查相关资料，总算将这些问题弄清楚了，顺带也了解了一些Unicode的细节。写成一篇文章，送给有过类似疑问的朋友。本文在写作时尽量做到通俗易懂，但要求读者知道什么是字节，什么是十六进制。
0、big endian和little endian
big endian和little endian是CPU处理多字节数的不同方式。例如“汉”字的Unicode编码是6C49。那么写到文件里时，究竟是将6C写在前面，还是将49写在前面？如果将6C写在前面，就是big endian。还是将49写在前面，就是little endian。
“endian”这个词出自《格列佛游记》。小人国的内战就源于吃鸡蛋时是究竟从大头(Big-Endian)敲开还是从小头(Little-Endian)敲开，由此曾发生过六次叛乱，其中一个皇帝送了命，另一个丢了王位。
我们一般将endian翻译成“字节序”，将big endian和little endian称作“大尾”和“小尾”。
1、字符编码、内码，顺带介绍汉字编码
字符必须编码后才能被计算机处理。计算机使用的缺省编码方式就是计算机的内码。早期的计算机使用7位的ASCII编码，为了处理汉字，程序员设计了用于简体中文的GB2312和用于繁体中文的big5。
GB2312(1980年)一共收录了7445个字符，包括6763个汉字和682个其它符号。汉字区的内码范围高字节从B0-F7，低字节从A1-FE，占用的码位是72*94=6768。其中有5个空位是D7FA-D7FE。
GB2312支持的汉字太少。1995年的汉字扩展规范GBK1.0收录了21886个符号，它分为汉字区和图形符号区。汉字区包括21003个字符。2000年的GB18030是取代GBK1.0的正式国家标准。该标准收录了27484个汉字，同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字。现在的PC平台必须支持GB18030，对嵌入式产品暂不作要求。所以手机、MP3一般只支持GB2312。
从ASCII、GB2312、GBK到GB18030，这些编码方法是向下兼容的，即同一个字符在这些方案中总是有相同的编码，后面的标准支持更多的字符。在这些编码中，英文和中文可以统一地处理。区分中文编码的方法是高字节的最高位不为0。按照程序员的称呼，GB2312、GBK到GB18030都属于双字节字符集 (DBCS)。
有的中文Windows的缺省内码还是GBK，可以通过GB18030升级包升级到GB18030。不过GB18030相对GBK增加的字符，普通人是很难用到的，通常我们还是用GBK指代中文Windows内码。
这里还有一些细节：
-
GB2312的原文还是区位码，从区位码到内码，需要在高字节和低字节上分别加上A0。
-
在DBCS中，GB内码的存储格式始终是big endian，即高位在前。
-
GB2312的两个字节的最高位都是1。但符合这个条件的码位只有128*128=16384个。所以GBK和GB18030的低字节最高位都可能不是1。不过这不影响DBCS字符流的解析：在读取DBCS字符流时，只要遇到高位为1的字节，就可以将下两个字节作为一个双字节编码，而不用管低字节的高位是什么。
2、Unicode、UCS和UTF
前面提到从ASCII、GB2312、GBK到GB18030的编码方法是向下兼容的。而Unicode只与ASCII兼容（更准确地说，是与ISO-8859-1兼容），与GB码不兼容。例如“汉”字的Unicode编码是6C49，而GB码是BABA。
Unicode也是一种字符编码方法，不过它是由国际组织设计，可以容纳全世界所有语言文字的编码方案。Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。UCS可以看作是"Unicode Character Set"的缩写。
根据维基百科全书(http://zh.wikipedia.org/wiki/)的记载：历史上存在两个试图独立设计Unicode的组织，即国际标准化组织（ISO）和一个软件制造商的协会（unicode.org）。ISO开发了ISO 10646项目，Unicode协会开发了Unicode项目。
在1991年前后，双方都认识到世界不需要两个不兼容的字符集。于是它们开始合并双方的工作成果，并为创立一个单一编码表而协同工作。从Unicode2.0开始，Unicode项目采用了与ISO 10646-1相同的字库和字码。
目前两个项目仍都存在，并独立地公布各自的标准。Unicode协会现在的最新版本是2005年的Unicode 4.1.0。ISO的最新标准是10646-3:2003。
UCS规定了怎么用多个字节表示各种文字。怎样传输这些编码，是由UTF(UCS Transformation Format)规范规定的，常见的UTF规范包括UTF-8、UTF-7、UTF-16。
IETF的RFC2781和RFC3629以RFC的一贯风格，清晰、明快又不失严谨地描述了UTF-16和UTF-8的编码方法。我总是记不得IETF是Internet Engineering Task Force的缩写。但IETF负责维护的RFC是Internet上一切规范的基础。
3、UCS-2、UCS-4、BMP
UCS有两种格式：UCS-2和UCS-4。顾名思义，UCS-2就是用两个字节编码，UCS-4就是用4个字节（实际上只用了31位，最高位必须为0）编码。下面让我们做一些简单的数学游戏：
UCS-2有2^16=65536个码位，UCS-4有2^31=2147483648个码位。
UCS-4根据最高位为0的最高字节分成2^7=128个group。每个group再根据次高字节分为256个plane。每个plane根据第3个字节分为256行 (rows)，每行包含256个cells。当然同一行的cells只是最后一个字节不同，其余都相同。
group 0的plane 0被称作Basic Multilingual Plane, 即BMP。或者说UCS-4中，高两个字节为0的码位被称作BMP。
将UCS-4的BMP去掉前面的两个零字节就得到了UCS-2。在UCS-2的两个字节前加上两个零字节，就得到了UCS-4的BMP。而目前的UCS-4规范中还没有任何字符被分配在BMP之外。
4、UTF编码
UTF-8就是以8位为单元对UCS进行编码。从UCS-2到UTF-8的编码方式如下：
UCS-2编码(16进制)
UTF-8 字节流(二进制)
0000 - 007F
0xxxxxxx
0080 - 07FF
110xxxxx 10xxxxxx
0800 - FFFF
1110xxxx 10xxxxxx 10xxxxxx
例如“汉”字的Unicode编码是6C49。6C49在0800-FFFF之间，所以肯定要用3字节模板了：1110xxxx 10xxxxxx 10xxxxxx。将6C49写成二进制是：0110 110001 001001， 用这个比特流依次代替模板中的x，得到：11100110 10110001 10001001，即E6 B1 89。
读者可以用记事本测试一下我们的编码是否正确。
UTF-16以16位为单元对UCS进行编码。对于小于0x10000的UCS码，UTF-16编码就等于UCS码对应的16位无符号整数。对于不小于0x10000的UCS码，定义了一个算法。不过由于实际使用的UCS2，或者UCS4的BMP必然小于0x10000，所以就目前而言，可以认为UTF-16和UCS-2基本相同。但UCS-2只是一个编码方案，UTF-16却要用于实际的传输，所以就不得不考虑字节序的问题。
5、UTF的字节序和BOM
UTF-8以字节为编码单元，没有字节序的问题。UTF-16以两个字节为编码单元，在解释一个UTF-16文本前，首先要弄清楚每个编码单元的字节序。例如收到一个“奎”的Unicode编码是594E，“乙”的Unicode编码是4E59。如果我们收到UTF-16字节流“594E”，那么这是“奎”还是“乙”？
Unicode规范中推荐的标记字节顺序的方法是BOM。BOM不是“Bill Of Material”的BOM表，而是Byte Order Mark。BOM是一个有点小聪明的想法：
在UCS编码中有一个叫做"ZERO WIDTH NO-BREAK SPACE"的字符，它的编码是FEFF。而FFFE在UCS中是不存在的字符，所以不应该出现在实际传输中。UCS规范建议我们在传输字节流前，先传输字符"ZERO WIDTH NO-BREAK SPACE"。
这样如果接收者收到FEFF，就表明这个字节流是Big-Endian的；如果收到FFFE，就表明这个字节流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被称作BOM。
UTF-8不需要BOM来表明字节顺序，但可以用BOM来表明编码方式。字符"ZERO WIDTH NO-BREAK SPACE"的UTF-8编码是EF BB BF（读者可以用我们前面介绍的编码方法验证一下）。所以如果接收者收到以EF BB BF开头的字节流，就知道这是UTF-8编码了。
Windows就是使用BOM来标记文本文件的编码方式的。
6、进一步的参考资料
本文主要参考的资料是 "Short overview of ISO-IEC 10646 and Unicode" (http://www.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html)。
我还找了两篇看上去不错的资料，不过因为我开始的疑问都找到了答案，所以就没有看：
- "Understanding Unicode A general introduction to the Unicode Standard" (http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter04a)
- "Character set encoding basics Understanding character set encodings and legacy encodings" (http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter03)
转载至：http://blog.csdn.net/fmddlmyy/archive/2005/05/04/372148.aspx