输入矩阵 ===> DCT ===> 量化 ===> 游程编码压缩 ===> 网络传输 ===> 反游程恢复 ===> 反量化 ===> 反DCT ===> 得到输入矩阵的近似矩阵
整个流程中的 量化和反量化 需要量化矩阵参与，在实际应用中可以事先让网络收发双方都持有量化矩阵，这样就可以完成矩阵的还原了，同时由于量化后的矩阵非常适合用游程编码进行数据压缩，所以网络传输时的数据量非常小。
上面提到了如何压缩一个矩阵，这可以用在压缩图片的场景中，每个图片都是一个包含色彩值的矩阵，再经过上面的流程压缩后，可以有效地压缩传输后再尽可能地还原。
上面提到了用游程编码进行数据压缩，但是一般情况下还会在压缩之前加入一个zig-zag扫描，这个动作可以提高游程扫描过程中的连0几率，进而提高压缩比。因此流程为：
输入矩阵 ===> DCT ===> 量化 ===> zig-zag扫描 ===> 游程编码压缩 ===> 反zig-zag扫描 ===> 网络传输 ===> 反游程恢复 ===> 反量化 ===> 反DCT ===> 得到输入矩阵的近似矩阵
