视频编码技术详解

大家好，又见面了，我是你们的朋友全栈君。

1、引言

　　如今我们所处的时代，是移动互联网时代，也可以说是视频时代。从快播到抖音，从“三生三世”到“延禧攻略”，我们的生活，被越来越多的视频元素所影响。

视频编码技术详解

　　而这一切，离不开视频拍摄技术的不断升级，还有视频制作产业的日益强大。

　　此外，也离不开通信技术的飞速进步。试想一下，如果还是当年的56K Modem拨号，或者是2G手机，你还能享受到现在动辄1080P甚至4K的视频体验吗?

　　除了视频拍摄工具和网络通信技术升级之外，我们能享受到视频带来的便利和乐趣，还有一个重要因素，就是视频编码技术的突飞猛进。

　　视频编码技术涉及的内容太过专业和庞杂，市面上的书籍或博客多数都只是枯燥的技术概念罗列，对于新手来说读完依旧蒙逼是常态，本文将借此机会，专门给大家做一个关于视频编码的零基础科普。

　　2、图像基础知识

　　2.1 什么是像素?

　　说视频之前，先要说说图像。图像，大家都知道，是由很多“带有颜色的点”组成的。这个点，就是“像素点”。

　　像素点的英文叫Pixel(缩写为PX)。这个单词是由 Picture(图像) 和 Element(元素)这两个单词的字母所组成的。

　　▲ 电影《像素大战(Pixels)》，2015年

　　像素是图像显示的基本单位。我们通常说一幅图片的大小，例如是1920×1080，就是长度为1920个像素点，宽度为1080个像素点。乘积是2,073,600，也就是说，这个图片是两百万像素的。

　　1920×1080，这个也被称为这幅图片的分辨率。

　　▲ 分辨率也是显示器的重要指标

　　2.2 什么是PPI?

　　那么，我们经常所说的PPI又是什么东西呢?

　　PPI，就是“Pixels Per Inch”，每英寸像素数。也就是，手机(或显示器)屏幕上每英寸面积，到底能放下多少个“像素点”。这个值当然是越高越好啦!PPI越高，图像就越清晰细腻。

　　以前的功能机，例如诺基亚，屏幕PPI都很低，有很强烈的颗粒感。

　　后来，苹果开创了史无前例的“视网膜”(Retina)屏幕，PPI值高达326(每英寸屏幕有326像素)，画质清晰，再也没有了颗粒感。

　　2.3 颜色在计算机里是如何表示的?

　　像素点必须要有颜色，才能组成缤纷绚丽的图片。那么，这个颜色，又该如何表示呢?

　　大家都知道，我们生活中的颜色，可以拥有无数种类别。

　　▲ 光是妹纸们的口红色号，就足以让我们这些屌丝瞠目结舌。。。

　　在计算机系统里，我们不可能用文字来表述颜色。不然，就算我们不疯，计算机也会疯掉的。在数字时代，当然是用数字来表述颜色。这就牵出了“彩色分量数字化”的概念。

　　以前我们美术课学过，任何颜色，都可以通过红色(Red)、绿色(Green)、蓝色(Blue)按照一定比例调制出来。这三种颜色，被称为“三原色”。

　　在计算机里，R、G、B也被称为“基色分量”。它们的取值，分别从0到255，一共256个等级(256是2的8次方)。所以，任何颜色，都可以用R、G、B三个值的组合表示。

　　▲ RGB=(183,67,21)

　　通过这种方式，一共能表达多少种颜色呢?256×256×256=16,777,216种，因此也简称为1600万色。RGB三色，每色有8bit，这种方式表达出来的颜色，也被称为24位色(占用24bit)。这个颜色范围已经超过了人眼可见的全部色彩，所以又叫真彩色。再高的话，对于我们人眼来说，已经没有意义了，完全识别不出来。

　　3、视频编码基础知识

　　3.1 视频和图像和关系

　　好了，刚才说了图像，现在，我们开始说视频。所谓视频，大家从小就看动画，都知道视频是怎么来的吧?没错，大量的图片连续起来，就是视频。

　　衡量视频，又是用的什么指标参数呢?最主要的一个，就是帧率(Frame Rate)。在视频中，一个帧(Frame)就是指一幅静止的画面。帧率，就是指视频每秒钟包括的画面数量(FPS，Frame per second)。

　　帧率越高，视频就越逼真、越流畅。

　　3.2 未经编码的视频数据量会有多大?

　　有了视频之后，就涉及到两个问题：

　　一个是存储;

　　二个是传输。

　　而之所以会有视频编码，关键就在于此：一个视频，如果未经编码，它的体积是非常庞大的。

　　以一个分辨率1920×1280，帧率30的视频为例：

　　共：1920×1280=2,073,600(Pixels 像素)，每个像素点是24bit(前面算过的哦);

　　也就是：每幅图片2073600×24=49766400 bit，8 bit(位)=1 byte(字节);

　　所以：49766400bit=6220800byte≈6.22MB。

　　这是一幅1920×1280图片的原始大小，再乘以帧率30。

　　也就是说：每秒视频的大小是186.6MB，每分钟大约是11GB，一部90分钟的电影，约是1000GB。。。

　　吓尿了吧?就算你现在电脑硬盘是4TB的(实际也就3600GB)，也放不下几部大姐姐啊!不仅要存储，还要传输，不然视频从哪来呢?如果按照100M的网速(12.5MB/s)，下刚才那部电影，需要22个小时。。。再次崩溃。。。

　　正因为如此，屌丝工程师们就提出了，必须对视频进行编码。

　　3.3 什么是编码?

　　编码：就是按指定的方法，将信息从一种形式(格式)，转换成另一种形式(格式)。视频编码：就是将一种视频格式，转换成另一种视频格式。

　　编码的终极目的，说白了，就是为了压缩。各种五花八门的视频编码方式，都是为了让视频变得体积更小，有利于存储和传输。

　　我们先来看看，视频从录制到播放的整个过程，如下：

　　首先是视频采集。通常我们会使用摄像机、摄像头进行视频采集。限于篇幅，我就不打算和大家解释CCD成像原理了。

　　采集了视频数据之后，就要进行模数转换，将模拟信号变成数字信号。其实现在很多都是摄像机(摄像头)直接输出数字信号。信号输出之后，还要进行预处理，将RGB信号变成YUV信号。

　　前面我们介绍了RGB信号，那什么是YUV信号呢?

　　简单来说，YUV就是另外一种颜色数字化表示方式。视频通信系统之所以要采用YUV，而不是RGB，主要是因为RGB信号不利于压缩。在YUV这种方式里面，加入了亮度这一概念。在最近十年中，视频工程师发现，眼睛对于亮和暗的分辨要比对颜色的分辨更精细一些，也就是说，人眼对色度的敏感程度要低于对亮度的敏感程度。

　　所以，工程师认为，在我们的视频存储中，没有必要存储全部颜色信号。我们可以把更多带宽留给黑—白信号(被称作“亮度”)，将稍少的带宽留给彩色信号(被称作“色度”)。于是，就有了YUV。

　　YUV里面的“Y”，就是亮度(Luma)，“U”和“V”则是色度(Chroma)。

　　大家偶尔会见到的Y’CbCr，也称为YUV，是YUV的压缩版本，不同之处在于Y’CbCr用于数字图像领域，YUV用于模拟信号领域，MPEG、DVD、摄像机中常说的YUV其实就是Y’CbCr。

　　▲ YUV(Y’CbCr)是如何形成图像的

　　YUV码流的存储格式其实与其采样的方式密切相关。(采样，就是捕捉数据)

　　主流的采样方式有三种：

　　1)YUV4:4:4;

　　2)YUV4:2:2;

　　3)YUV4:2:0。

　　具体解释起来有点繁琐，大家只需记住，通常用的是YUV4:2:0的采样方式，能获得1/2的压缩率。

　　这些预处理做完之后，就是正式的编码了。

　　有关视频编码的更多专业知识，可以详细阅读以下文章：

　　《即时通讯音视频开发(一)：视频编解码之理论概述》

　　《即时通讯音视频开发(二)：视频编解码之数字视频介绍》

　　《即时通讯音视频开发(三)：视频编解码之编码基础》

　　《即时通讯音视频开发(四)：视频编解码之预测技术介绍》

　　《即时通讯音视频开发(五)：认识主流视频编码技术H.264》

　　4、视频编码的实现原理

　　4.1 视频编码技术的基本原理

　　前面我们说了，编码就是为了压缩。要实现压缩，就要设计各种算法，将视频数据中的冗余信息去除。当你面对一张图片，或者一段视频的时候，你想一想，如果是你，你会如何进行压缩呢?

　　▲ 对于新垣女神，我一bit也不舍得压缩…

　　我觉得，首先你想到的，应该是找规律。是的，寻找像素之间的相关性，还有不同时间的图像帧之间，它们的相关性。

　　举个例子：如果一幅图(1920×1080分辨率)，全是红色的，我有没有必要说2073600次[255,0,0]?我只要说一次[255,0,0]，然后再说2073599次“同上”。

　　如果一段1分钟的视频，有十几秒画面是不动的，或者，有80%的图像面积，整个过程都是不变(不动)的。那么，是不是这块存储开销，就可以节约掉了?

　　▲ 以上图为例，只有部分元素在动，大部分是不动的

　　是的，所谓编码算法，就是寻找规律，构建模型。谁能找到更精准的规律，建立更高效的模型，谁就是厉害的算法。

　　通常来说，视频里面的冗余信息包括：

　　视频编码技术优先消除的目标，就是空间冗余和时间冗余。

　　接下来，就和大家介绍一下，究竟是采用什么样的办法，才能干掉它们。以下内容稍微有点高能，不过我相信大家耐心一些还是可以看懂的。

　　4.2 视频编码技术的实现方法

　　视频是由不同的帧画面连续播放形成的。

　　这些帧，主要分为三类，分别是：

　　1)I帧;

　　2)B帧;

　　3)P帧。

　　I帧：是自带全部信息的独立帧，是最完整的画面(占用的空间最大)，无需参考其它图像便可独立进行解码。视频序列中的第一个帧，始终都是I帧。

　　P帧：“帧间预测编码帧”，需要参考前面的I帧和/或P帧的不同部分，才能进行编码。P帧对前面的P和I参考帧有依赖性。但是，P帧压缩率比较高，占用的空间较小。

　　▲ P帧

　　B帧：“双向预测编码帧”，以前帧后帧作为参考帧。不仅参考前面，还参考后面的帧，所以，它的压缩率最高，可以达到200:1。不过，因为依赖后面的帧，所以不适合实时传输(例如视频会议)。

　　▲ B帧

　　通过对帧的分类处理，可以大幅压缩视频的大小。毕竟，要处理的对象，大幅减少了(从整个图像，变成图像中的一个区域)。

　　如果从视频码流中抓一个包，也可以看到I帧的信息，如下：

　　我们来通过一个例子看一下。

　　这有两个帧：

　　好像是一样的?

　　不对，我做个GIF动图，就能看出来，是不一样的：

　　人在动，背景是没有在动的。

　　第一帧是I帧，第二帧是P帧。两个帧之间的差值，就是如下：

　　也就是说，图中的部分像素，进行了移动。移动轨迹如下：

　　这个，就是运动估计和补偿。

　　当然了，如果总是按照像素来算，数据量会比较大，所以，一般都是把图像切割为不同的“块(Block)”或“宏块(MacroBlock)”，对它们进行计算。一个宏块一般为16像素×16像素。

　　▲ 将图片切割为宏块

　　好了，我来梳理一下。

　　对I帧的处理，是采用帧内编码方式，只利用本帧图像内的空间相关性。对P帧的处理，采用帧间编码(前向运动估计)，同时利用空间和时间上的相关性。简单来说，采用运动补偿(motion compensation)算法来去掉冗余信息。

　　需要特别注意，I帧(帧内编码)，虽然只有空间相关性，但整个编码过程也不简单。

　　如上图所示，整个帧内编码，还要经过DCT(离散余弦变换)、量化、编码等多个过程。限于篇幅，加之较为复杂，今天就放弃解释了。

　　那么，视频经过编码解码之后，如何衡量和评价编解码的效果呢?

　　一般来说，分为客观评价和主观评价。客观评价，就是拿数字来说话。例如计算“信噪比/峰值信噪比”。

　　信噪比的计算，我就不介绍了，丢个公式，有空可以自己慢慢研究…

　　除了客观评价，就是主观评价了。主观评价，就是用人的主观感知直接测量，额，说人话就是——“好不好看我说了算”。

　　5、视频编码的国际标准

　　5.1 视频编码格式的标准化

　　接下来，我们再说说标准(Standard)。任何技术，都有标准。自从有视频编码以来，就诞生过很多的视频编码标准。

　　提到视频编码标准，先介绍几个制定标准的组织。

　　首先，就是大名鼎鼎的ITU(国际电信联盟)。

　　ITU是联合国下属的一个专门机构，其总部在瑞士的日内瓦。

　　ITU下属有三个部门：

　　1)分别是ITU-R(前身是国际无线电咨询委员会CCIR);

　　2)ITU-T(前身是国际电报电话咨询委员会CCITT);

　　3)ITU-D。

　　除了ITU之外，另外两个和视频编码关系密切的组织，是ISO/IEC。

　　ISO大家都知道，就是推出ISO9001质量认证的那个“国际标准化组织”。IEC，是“国际电工委员会”。1988年，ISO和IEC联合成立了一个专家组，负责开发电视图像数据和声音数据的编码、解码和它们的同步等标准。这个专家组，就是大名鼎鼎的MPEG，Moving Picture Expert Group(动态图像专家组)。