音视频学习笔记五——从0开始的播放器之编码简介

路漫漫心远
403 阅读18分钟

题记：上一节解封装获取的streams，包含了媒体文件的数据，这些数据通常是经过压缩的。压缩的过程称为编码，而解码就是重构图像和声音数据。编解码作为最核心内容，还是需要了解一下编码理论，本节梳理编码流程，下节介绍FFmpeg的解码，如果对理论不感兴趣可以暂时略过。同样可以结合ffplay和Demo更容易理解。

编码简介

如前文介绍的，编码实际上是利用信息冗余去除技术对数据进行压缩，编码后则可以降低到原来的几十分之一甚至更低，其中基本技术通常包括：

  • 空间冗余：相邻像素之间有较强的相关性，帧内压缩技术
  • 时间冗余：相邻图像之间内容变化不大，帧间压缩技术，I帧P帧B帧的由来
  • 编码冗余：不同像素值出现的概率不同，如变长编码技术
  • 视觉冗余：视觉系统对某些细节不敏感，如有损压缩技术
  • 知识冗余：根据已有知识进行优化，如智能编码技术

视频编码

常见的视频编码有3个系列：

  • ISO-MPEG/ITU-T 系列
    • H.264 高级视频编码（Advanced Video Coding，简称 AVC）
    • H.265 高效率视频编码（High Efficiency Video Coding，简称 HEVC）
    • H.266 多功能视频编码（Versatile Video Coding，简称 VVC）
  • AOM 系列
    • VP8 一个开放的图像压缩格式，随后由Google发布
    • VP9 是 Google 提供的开源的免费视频编码格式，是 VP8 的后续版本
    • AV1 Alliance for Open Media Video 1 是由 AOM（Alliance for Open Media，开放媒体联盟）制定的一个开源、免版权费的视频编码格式
  • AVS 系列 中国具备自主知识产权的系列编码标准
    • AVS2 第二代数字音视频编解码技术标准（AVS2）
    • AVS3 AVS3 增加了对 8K 分辨率的支持

H.264的计算复杂度相对较低，其编码和解码算法相对简单，使得它在早期的硬件设备上也能得到较好的支持。后续的系列往往有更高的压缩比，但也需要更强大的计算资源来进行复杂的预测、变换和熵编码等操作，本章着重介绍H.264。

H.264编码流程

编码流程

H.264编码流程大致分为

  • 输入处理
  • 帧类型分析
  • 帧内/帧间预测
  • 变换+量化
  • 环路滤波
  • 熵编码
  • 网络抽象层处理 H264模块.jpg

下图是H.264编码框架图（红色帧间，蓝色帧内），但实际上图中没有标出帧操作还是块操作，理解起来还是比较难，此处可以先略过，结合后文解释再来理解。 H264编码.jpg

1. 输入处理

原始视频数据的颜色空间（一般是RGB），通常会被转成YUV格式。这里其实是视觉冗余的第一个应用。

  • RGB
    • 每个像素包含R、G、B三个分量，每个分量一个字节；
    • 色彩直观，易于理解和使用，位图存储就是RGBA形成。
  • YUV
    • 亮度和色度分离，每个像素有一个Y分量，表示亮度，也就是灰度图的值。
    • U和V分量表示色度，根据采样格式的不同，U和V分量的数量会有所不同（如4:2:0采样中，每四个像素共用一个U分量和V分量）
    • 适用于视频存储和传输，如视频压缩、广播电视等
  • 相互转换
    • RGB转YUV：
      • Y=0.299R+0.587G+0.114B
      • U=0.492(B-Y)
      • V=0.877(R-Y)
    • YUV转RGB：
      • R=Y+1.140V
      • G=Y-0.395U-0.581V
      • B=Y+2.032U

由于人的视觉对亮度更敏感，色度方面都存在一定冗余，所以YUV会有不同的格式，如YUV444、YUV422、YUV420、YUV411等，如下简图。YUV444和RGB使用相同长度的字节，所表达的信息量是一样，而YUV420编码是RGB的一半长度。

  • 使用更少的字节，如下图4个像素，RGB需要12字节，而YUV420仅需要6个字节
    • 4个像素块共用一个UV
    • Y和UV不等长，传输时一般是 YY...YYUV...UV或者YY...YYU...UV...V
  • 编码上更容易实现压缩。 YUV与RGB.jpg

补充一点，在相机开发使用YUV420，Y和UVOpenGL通常会是两个纹理，亮度(UV)纹理宽高是亮度(Y)纹理的1/2，就是这个原因。以下是GPUImage的处理：

// 亮度纹理
CVOpenGLESTextureCacheCreateTextureFromImage(kCFAllocatorDefault, [[GPUImageContext sharedImageProcessingContext] coreVideoTextureCache], cameraFrame, **NULL**, GL_TEXTURE_2D, GL_LUMINANCE, bufferWidth, bufferHeight, GL_LUMINANCE, GL_UNSIGNED_BYTE, 0, &luminanceTextureRef);
// 色度纹理
CVOpenGLESTextureCacheCreateTextureFromImage(kCFAllocatorDefault, [[GPUImageContext sharedImageProcessingContext] coreVideoTextureCache], cameraFrame, **NULL**, GL_TEXTURE_2D, GL_LUMINANCE_ALPHA, bufferWidth/2, bufferHeight/2, GL_LUMINANCE_ALPHA, GL_UNSIGNED_BYTE, 1, &chrominanceTextureRef);
2. 类型分析

台球运动.jpg 对于视频来说，实际上是一幅幅图像构成，而在随意截取的片段中前后图像常常有很大相似性，这就是时间冗余。由于前后帧之间的相似性，衍生出了I帧P帧B帧和GOP的概念。 GOP.jpg

  • GOP（Group of Pictures）：
    • GOP通常认为两个关键帧之间的图像序列，包括前一个I帧，不包括后一个I帧。但这个说法并不严谨；
    • 在一些情况下，为了实现更高的随机访问能力、更好的错误恢复性能或更灵活的编辑操作，编码器可能会在一个GOP中插入多个I帧；
    • GOP分为开放GOP和闭合GOP，区别在于闭合GOP只能参考GOP内部帧，开放GOP可以参考前一个GOP的帧；
    • GOP的划分可以配置成固定长度的，也可以是可变的(根据视频内容变化，提高编码效率)；
  • I帧（Intra-coded frame，帧内编码帧）0x61 ：
    • I帧包含一个完整画面的信息，采用帧内压缩编码技术，
    • I帧可以独立解码，通常用作GOP的起始帧。
  • IDR帧（Instantaneous Decoding Refresh frame 即时解码刷新帧）0x65 ：
    • 特殊的I帧
    • 在解码时会清空之前的解码信息
    • IDR帧通常也用作划分GOP的边界。
  • P帧（Predictive-coded frame，预测帧） ：
    • P帧需要参考之前的I帧或P帧解码
  • B帧（Bi-predictive-coded frame，双向预测帧） ：
    • B帧需要参考前后的I帧和P帧解码
    • B帧的存在会导致DTS（解码顺序）和PTS（播放顺序）不一致，解码时需要先解码后面的P帧
3. 帧内/帧间预测

类型分析完后就可以进入帧编码阶段了，实际上为了有效分析图像信息，还需要先对图像切片，这里又引出了H.264的重点概念宏块。帧内/帧间预测的单位实际上就是宏块 H.264结构中，一个视频图像编码后的数据为一帧

  • 帧由一个或多个片构成
  • 片由一个或多个宏块构成
  • 宏块由16x16的YUV数据构成
  • 宏块还可以划分子块，子块的大小可以是 8X16､ 16X8､ 8X8､ 4X8､ 8X4､ 4X4

H264结构.jpg

对于宏块而言，需要选择帧间预测还是帧内预测，根据帧的类型：

  • I帧为帧内解码帧，所有宏块都会走帧内预测
  • P帧和B帧的宏块以帧间编码为主，某些宏块也可以选择帧内预测。
帧内预测

帧内预测是利用图像本身的相关性进行预测，简单来说就是根据周围的像素信息猜测当前宏块或子块，就是空间冗余的应用。

图中虚线部分实际是解码的部分流程，只所以编码也需要解码流程后面会讲到，这里主要表达帧内解码的参考信息不是来自原始图片，而是来自来对已经编码的块进行解码而获取到的信息。举例来说AB两个相邻块，A进行编码后得到A‘，然后使用A’而不是A的像素值进行对B的预测，这样可以保持和解码端处理一致。

H264帧内解码.jpg 预测有多种模式，根据色块大小不同，Y和UV分量也有差别，一般有如DC预测、水平预测、垂直预测等，如下图（44亮度9种，1616亮度4种），就是使用周边像素选择一定方式填充预测块，选择过程就是模式选择：

帧内预测.jpg 用实际值-预测试得到一个残差值。此时需要编码的有一个模式和残差值，比原来的值更多了。但由于图像上通常有一定相关性（空间冗余），残差值通常会有一定范围或者说规律，为后续处理提供了可能。

参差计算.jpg 此外，如果没有无法找到合适的模式（图像变动没有规律）时，也可以直接使用本身的像素值不进行变化，即是I_PCM模式。

帧间预测

帧间预测是使用已经解码的帧对当前块进行预测（时间冗余的应用），由于视频序列帧间具有很强的相关性，因此可以通过这种方式有效地去除视频中的时间冗余信息，从而实现压缩的目的，在框架图如下部分，是整个编码最耗时和复杂的部分。 H264帧间.jpg

帧间预测实际上就是找到与当前宏块或子块最接近的块，计算出运动向量和预测残差。运动向量指实际像素块与参考块之间的偏移（小范围的抖动）；参考块与通过偏移得到预测像素，与真实像素的差值就是预测残差。需要把参考序号，运动向量和预测残差传入到编码才能构建出真实像素块。 帧间运动.jpg 这里列出涉及到3个概念：

  • 宏块分割
    • 宏块数据Y是16x16，UV是8x8
    • 16x16模式可分割为一个16×16，两个16×8，两个8×16，四个8×8
    • 8×8模式的子宏块还可以四种方式分割：一个8×8，两个4×8或两个8×4及4个4×4
    • 具体分割会根据图像内容、预测精度、编码效率等因素决定

image.png

  • 运动矢量&亚像素
    • 按照一定算法从已经编解码的帧中找出与当前块对接近的参考块，计算出运动矢量（偏移）
    • 运动矢量的最小精度，亮度是1/4，色度是1/8。
    • 即Y分量矢量可以是(1/4, -1/2)，整数对应Index，而像这样的(1.5, 0.125)不能对应真实的像素点，就是亚像素点，具体需要使用公式算出。
      • F(n+0.5) = round([F(n-2)-5F(n-1)+20F(n)+20F(n+1)-5F(n+2)+F(n+3)] / 32)
      • F(n+0.25) = round([F(n)+F(n+0.5)]/2)
      • 色度还有1/8精度可参考其他文档

亚像素点.jpeg

  • 运动预测

为了进一步压缩运动向量（MV），还有运动估计（ME）的概念。具体根据周边已经计算过的MV，左MV(A)，上MV(B)和右上MV(C)，按照一定规则得到MVp（Motion Vector Prediction，运动矢量预测）。而预测的结果和实际的MV还是有差别的，这个差值就是MVD，即当前运动矢量MV与预测运动矢量MVp之间的差值。此时传输时需要传输参考信息，MVD和预测参差。

image.png

4. 变换量化与熵编码

注意，上述无论是帧间(4x4~ 16x16亮度、4x4~ 8x8色度)还是帧内（16x16和4x4亮度、8x8色度），实际上增加了信息，如残差块就和原本色大小相同，此外还需要额外的参考信息等。但如果是有效预测的话，残差块的值会有一个小范围的浮动，就可以使用DCT变换与量化进行压缩。

DCT与低通滤波应用示例

此处内容与H.264编码无关，是本人在学习OpenCV中的笔记，帮助大家理解DCT是怎么回事，如何在图片压缩上起作用，关于傅里叶变换自己也是上学时没明白，在用到OpenCV才懂，书到用时方恨少

  • 傅里叶变换 抛开公式不谈，傅里叶变换就是把时域信号映射到频域的变换，如下图，把时域上的信号波形看作一系列不同频率的正余弦波。 2271737533703_.pic.jpg
  • 离散傅里叶变换
    • 时域上的离散对应频域上的周期，频域上的离散对应时域上的周期。把有限离散信号看成了可以无限延伸的周期离散信号，就是推出DFT变换。
    • 偶对称信号的虚部为0.于是把有限离散信号先扩展成对称图形，再扩展成周期信号，就是DCT变形。

这里给出DCT的一个应用，图像处理（二维傅里叶变换，或者DCT、FFT）中低通滤波。就是把高频率（视觉冗余）的部分过滤掉，达到JPEG或者H.264数据压缩的目的，实际上会丢失一部分信息造成模糊的效果。

# 读取图像
image = cv2.imread('input.png')

# 将图像转换为灰度
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 将图像转换为浮点型，方便后续处理
float_gray = np.float32(gray)
threshold = 100

# 对图像进行DCT变换
dct_matrix = cv2.dct(float_gray)
dct_abs = np.abs(dct_matrix)
dct_abs_normalized = cv2.normalize(dct_abs, None, 0, 255, cv2.NORM_MINMAX)
dct_abs_normalized_uint8 = np.uint8(dct_abs_normalized)
sub_dct = dct_abs_normalized_uint8[:threshold, :threshold]
np.savetxt('dct_context.txt', dct_abs_normalized_uint8, fmt='%d')
# 创建一个与dct_matrix形状相同的掩膜
mask = np.zeros(dct_matrix.shape, dtype=np.float32)
# 将低频部分置为零（或接近零的某个小值，以避免逆DCT后的伪影）
mask[:threshold, :threshold] = 1
# 应用掩膜到DCT矩阵上
filtered_dct = dct_matrix * mask

# 执行DCT逆变换
inverse_dct = cv2.idct(filtered_dct)
# 由于IDCT的结果可能包含负值或超出0-255范围的值，我们需要将其裁剪到有效的8位图像范围内
inverse_dct = np.clip(inverse_dct, 0, 255)

# 将结果转换回8位无符号整数类型
inverse_dct = np.uint8(inverse_dct)

input大小是（720,1080），右边是DCT变换后低通滤波的效果，中间是DCT变换数据展示，可以看到除了左上角其他地方都是黑色的(值比较小)。左上角对应的就是低频信号，右下对应高频信号。也就是说只需要存储（100,100）的数据就可以达到result效果，当然可以调整threshold达到想要的效果。 image.png

打开保存的DCT变换的数据，如下图。可以看到右下的有效数据会越来越少，而这些高频信息对视觉上影响也较小。这就为压缩提供了可能（舍弃一定清晰度）。实际上对于H.264不是对图片本身做变换，而是对块的残差或者运动残差做DCT变换；也不是像低通滤波直接变成0而是采用量化的方式减小精度，再通过变长编码减小位数。 image.png

  • H.264中的DCT

经过帧间/帧内预测，残差块亮度4x4 ~ 16x16，色度4x4 ~ 8x8.对于DCT变换（这里是整数DCT变换）得到的（0,0）位置上的为DC系数（代表了图像块的平均亮度或色度值），其他位置上为AC系数（代表了图像块中的细节信息，如边缘、纹理等），分别进行处理如图

量化.jpg 分块成4x4区域做DCT变换，如果DC系数是4以上做Hadamard变换，变换后的图像数据可能更加集中或稀疏。这样16x16块分成16个4x4块，即有16个DC系数，8x8块有4个DC系数，分别做相应的Hadamard变换。最后分别对DC和AC系数做量化处理。

  • 量化与熵编码

前面的步骤无论是帧间帧内还是DCT变换，还都不会造成图像画质上的损失。而量化本质上是把变换而来的连续数值离散化，简单来说就是(x / Qstep）取整，Qstep称为步长。量化会带来一定精度的损失，步长越大压缩越多，图像清晰度也越差。这时回头看一下DCT变换的结果，上一节中的图片（经过归一化取整了），可以看出左上的变动大，值也比较大，而越往右下变动越小，所以量化更影响高频（视觉冗余）。

量化后的数据更方便熵编码，这一步是无损压缩。可类比大学课程中的霍夫曼编码，出现频率越高的编码短，以此来压缩数据。H.264采用两种熵编码方法：基于上下文的自适应可变长度编码（CAVLC）和基于上下文的自适应二进制算术编码（CABAC）。

6. 环路滤波

此时再回头看下本节开始的流程图，还有一部分没有用到。上文中经过熵编码的数据已经可以封装输出了，下图的路径其实是在解码，为什么编码端需要用到解码呢？ 环路滤波.jpg

事实上这里是为了使用和解码端一致的参考块（帧内）和参考帧。编码端是有原图像的，无论是帧间还是帧内使用的参考帧都是已编码再解码得到的图像。此处的参考帧或者参考块是经过压缩的，和原图有差别，但能和解码端保持一致。

解码后的宏块组成图像，还要经过环路滤波才是解码端的效果，环路滤波是以图像为单位的。整体上在编码会以宏块（子块为单位），又有一定精度损失，块边界又常常是信号高频区域。因此会出现以下现象：

块效应.jpeg

环路滤波对重建图像进行平滑处理，减少编码过程中引入的块效应和振铃效应等，具体大家可以查更详细的文档。

编码结构

H264分层.jpg

  • AnnexB格式和RTP格式
    • AnnexB格式以起始位0X01开始，后面是NAL Unit
    • RTP格式是NAL Unit封装成RTP数据包，如在线流媒体服务
  • NAL Unit
    • NALU Header 1字节
      • forbidden_zero_bit：占用NAL单元头的第一个位，值默认0，值为1时表示错误
      • nal_ref_idc：占用NAL单元头的第2、3位，取值00~11，取值越大表示此NAL单元越重要。
      • nal_unit_type：4~8位，用来表示NAL单元的类型，标识IDR，数据帧，SPS和PPS，结束符等
    • NALU 主体（preload）
      • 视频压缩数据EBSP（Encapsulated Byte Sequence Payload）
        • SODB（String Of Data Bits） ：原始数据比特流
        • RBSP（Raw Byte Sequence Payload） ：在SODB的后面添加了trailing bits（一个bit 1和若干个bit 0），以便字节对齐
        • EBSP ：为了避免NAL单元内部的数据与开始码冲突，在NAL单元内部每出现两个连续的00时，就增加一个0x03（称为仿效字节），从而预防压缩后的数据与开始码产生冲突。
  • Slice层
    • Slice Header
      • first_mb_in_slice：开始宏块索引
      • slice_type：I帧Slice P帧Slice B帧Slice
      • pic_parameter_set_id：PPS的索引
      • frame_num：当前Slice所属的帧的帧号
      • slice_qp_delta：前Slice的量化参数偏移量
      • disable_deblocking_filter_idc：表示是否禁用环形滤波器
    • Slice Data
      • 由宏块组成
  • Slice Data层
    • flags 指示slice数据的不同特性和状态
    • 宏块
      • mb_type 标识宏块类型和编码方式等
      • 块数据，分为I_PCM模式（宏块原数据）和预测模式，又化为子块等

音频编码

音频编码是指将模拟音频信号转换为数字信号的过程，主要通过抽样、量化和编码三个步骤实现，常用的编码。

  • 脉冲代码调制编码（PCM） 最基础的音频编码方式，保持高保真度，但文件体积较大。
  • 高级音频编码（AAC） ：一种高效的压缩格式，保持高音质的同时，实现更小的文件体积。
  • SBC ：蓝牙音频传输中最基础的编解码器。

PCM是对声音量化后的基本编码，AAC是利用冗余信息的有损编码，这里简要介绍一下AAC（对音频学习比较少~）。

AAC编码

AAC两个格式：

  • ADIF（Audio Data Interchange Format） 只有一个头信息，需要得到所有的数据后才能解码，适用于本地存储的音频文件。
  • ADTS（Audio Data Transport Stream） 每一帧都有头信息，因此可以在任意帧解码，可用于网络直播等需要实时传输和处理的场景。ADTS帧结构如下：

ADTS.jpg

avatar
文章
阅读
粉丝