0和1是如何构成图像和音频的呢？

0和1（二进制数字）本身只是抽象概念，但它们通过一系列巧妙的转换和编码规则，就能完美地表示图像和音频，其核心在于数字化和编码。

核心原理：从模拟到数字

1. 模拟信号：现实世界中的图像（光线的连续变化）和声音（空气压力的连续波动）都是连续不断变化的模拟信号。

2. 采样

图像： 将连续的图像分割成一个个微小的方格，称为像素。想象一下马赛克画。每个像素代表图像在那个小区域的颜色信息。

音频： 将连续的声波在时间轴上按固定的时间间隔进行“快照”记录。每秒记录的次数称为采样率。例如，CD音质是每秒44100次采样。

3. 量化

图像：测量每个像素的颜色值（通常分解为红、绿、蓝三个通道）。但这个颜色值可能是无限精度的（比如红色有无数种深浅）。量化就是把这个连续的值强制分配到有限个离散的级别（称为“位深度”）。

例如，8位深度可以表示256种红色（2⁸ = 256），8种绿色，8种蓝色，总共能组合出1677万种颜色（256 256 256）。

每个像素的颜色值（或RGB分量值）被转换成一个数字（比如0到255之间的整数）。

音频：测量每次采样点上的声波振幅（音量大小）。这个振幅也是连续变化的。量化就是把这个连续振幅值强制分配到有限个离散的级别（也是“位深度”）。

例如，16位深度可以表示65536个不同的振幅级别（2¹⁶ = 65536）。0通常代表最小振幅（静音），最大值代表最大振幅。

每个采样点的振幅值被转换成一个数字（比如-32768到32767之间的整数）。

4. 编码：将量化后得到的数字转换成二进制（0和1）。这是计算机存储和处理的基础。

图像： 每个像素的数字值（或RGB分量值）被转换成二进制比特串。

例如，一个纯红色（R=255, G=0, B=0）的像素：

R=255 -> 二进制 `11111111` (8位)

G=0 -> 二进制 `00000000` (8位)

B=0 -> 二进制 `00000000` (8位)

这个像素在内存/文件中可能就表示为这24位（3字节）的二进制串：`111111110000000000000000`。

音频：每个采样点的振幅值被转换成二进制比特串。

例如，一个16位的采样点值为 `10000` (十进制)，其二进制可能是 `0010011100010000`。

文件格式：仅仅存储像素/采样点的二进制数据还不够。还需要额外的信息告诉计算机如何解读这些0和1：

图像： 文件头包含宽度、高度、位深度、颜色空间（如RGB）、压缩方式等信息，然后是像素数据流。

音频：文件头包含采样率、位深度、通道数（单声道、立体声）、压缩方式等信息，然后是采样点数据流。

正是这些精心设计的规则和转换过程，让0和1构成了我们看到的图像和听到的声音。