有损 JPEG 压缩不仅仅去除高频中的小系数。它以相对于（相对粗略的）视觉感知模型的精度对它们进行编码；最值得注意的是，水平和垂直频率的量化精度不同。与许多压缩格式一样，它本质上假设数据是本地静止的。

如果对整个图像应用 DCT，并量化 DCT 系数，这种量化将影响整个图像。想象一张背景为棋盘格图案的图像，前景中有一只小斑马。使用整体 DCT 压缩，斑马可能会失去条纹，因为它们的能量相对于棋盘的能量可以忽略不计。更重要的是，由于 JPEG 也将 DCT 应用于色度，通过下采样，颜色系数量化可能会在它们不属于的地方产生假色。当块大小大于大约$8 \times 8$时，几个有意义的图像梯度（对象边缘的一部分）更有可能在同一个补丁中同时发生。

块可以获得稍好的结果。那是感知部分。$16\times 16$

还有一个计算部分。小的非重叠块更容易处理，并且需要更少的内存，这仍然是电子设备的昂贵部分。早期的 JPEG 2000，在整个图像上应用小波，尽管结果更好，但未能采用，部分原因是它们的内存占用。现在，随着 GPU 的出现，处理块变得非常有吸引力。最后，2 的幂 ( ) 和巧妙的技巧使块 DCT 非常有效。在现代编码器中，标准通常使用不同的、 ... 块大小。$8=2^3$$2\times 4$$4\times 4$

最后但并非最不重要的一点是，它不是模块化的，因为您需要为每个图像大小实现 DCT。尽管可以通过软件实现，但芯片制造商不太可能喜欢硬件部分。

因此，在整个图像上应用 DCT：

1. 对非静止图像有害，并且浪费一些局部方向，
2. 在内存和硬件方面可能很昂贵，
3. 不是很模块化，计算效率也不高。

话虽如此，非常静止的图像会更好地使用全尺寸 DCT 进行压缩。

我们的听力似乎受益于大的变换尺寸（精细的频率分辨率）。因此，对于音频编解码器而言，1024 个样本的 MDCT 并非闻所未闻。

相比之下，我们的愿景似乎可以更好地分析为紧凑的变换大小（“更接近未变换”）。

将长滤波器或大变换应用于视觉应用程序往往会引入预振铃和讨厌。