视频编码原理：为什么 1 小时电影只有几百 MB

导读：上一篇我们了解了播放器的工作流程，这一篇深入视频压缩的魔法世界。你会发现，1 小时电影从 500GB 压缩到 1GB，背后竟然藏着如此精妙的数学和心理学。 音视频开发全景图：播放器是怎样炼成的音视频开发全景图：播放器是怎样炼成的 🎬 开场：点击播放按钮，究竟发生了什么？ 想 - 掘金

🤔 开场：一个惊人的数字

让我们算一笔账：

未压缩视频的大小 = 分辨率 × 帧率 × 色彩深度 × 时长

1080p 视频（1 小时）:
= 1920 × 1080 像素              （分辨率）
× 30 帧/秒                       （帧率）
× 24 bit/像素                    （RGB 各 8 位）
× 3600 秒                        （1 小时）
= 5,970,432,000,000 bit
≈ 746 GB 😱

但你下载的电影通常只有 1-2 GB，压缩比高达 400 倍！

这是怎么做到的？

🎯 核心思想：视频中 95% 的信息是冗余的

视频编码器像一个聪明的打包工，会扔掉大部分"废话"：

冗余类型 1：空间冗余（同一帧内）

观察这张图片：

发现了吗？

• 天空的蓝色，左边和右边几乎一样
• 草地的绿色，相邻像素差别很小

传统存储：

像素1: RGB(135, 206, 250)  蓝色
像素2: RGB(135, 206, 250)  蓝色
像素3: RGB(136, 206, 250)  蓝色（几乎一样）
... 重复 100 万次

聪明的做法：

"这一片天空都是 RGB(135, 206, 250)，只有第 3 个像素稍微亮一点 (+1)"

节省了 90% 的存储！这就是 帧内预测（Intra Prediction）。

冗余类型 2：时间冗余（相邻帧之间）

观察这两帧：

发现了吗？

• 30fps 视频，相邻两帧间隔只有 0.033 秒
• 除了移动的人物，背景完全一样

传统存储：

第 100 帧: 存储完整画面（2MB）
第 101 帧: 存储完整画面（2MB）
第 102 帧: 存储完整画面（2MB）

聪明的做法：

第 100 帧: 存储完整画面（2MB）
第 101 帧: "背景不变，人物向右移动 10 像素"（5KB）
第 102 帧: "背景不变，人物向右移动 10 像素"（5KB）

节省了 99.75% 的存储！这就是 帧间预测（Inter Prediction）。

冗余类型 3：视觉冗余（人眼察觉不到的）

人眼有个特点：对细节不敏感。

编码器的策略：

• 保留主要轮廓和明显颜色变化
• 丢弃细微纹理和高频噪声

这就像 MP3 音频删掉人耳听不见的高频，H.264 视频删掉人眼看不清的细节。

🧩 H.264 编码的三大武器

H.264（也叫 AVC）是目前最流行的视频编码标准，它用三大技术实现压缩：

graph LR
    A[原始视频<br/>746 GB] --> B[帧内预测<br/>Intra]
    B --> C[帧间预测<br/>Inter]
    C --> D[熵编码<br/>Entropy]
    D --> E[压缩视频<br/>1.5 GB]
    
    style A fill:#ffebee
    style B fill:#fff3e0
    style C fill:#e8f5e9
    style D fill:#e1f5ff
    style E fill:#f3e5f5

🔧 武器 1：帧内预测（Intra Prediction）

目标：压缩单张图像内的空间冗余。

原理：预测 + 差值

步骤：

1. 把图像分成 4×4 或 16×16 的小块（宏块）
2. 用已编码的相邻块预测当前块的内容
3. 只存储预测值和实际值的差

举例：

已编码块（左边）: 平均亮度 = 128
当前块预测值: 128（假设和左边一样）
当前块实际值: 130
只需存储: +2（差值）

9 种预测模式：

编码器会自动选择误差最小的模式。

🎬 武器 2：帧间预测（Inter Prediction）

目标：利用相邻帧的相似性，只存储变化部分。

关键技术：运动估计（Motion Estimation）

核心思想：这一帧的内容，可能只是上一帧的"平移版本"。

步骤：

1. 在参考帧中搜索最匹配的块
2. 记录运动矢量（偏移量）
3. 只存储运动矢量 + 残差

示例：

当前帧的块: 小球在坐标 (100, 50)
参考帧中找到: 小球在坐标 (90, 50)
存储: 运动矢量 (+10, 0) + 少量残差

I/P/B 帧：三种不同的编码帧

H.264 把视频分成三种帧类型：

graph TD
    A[I 帧<br/>Intra Frame<br/>关键帧] --> B[完整图像<br/>不依赖其他帧]
    C[P 帧<br/>Predicted Frame<br/>预测帧] --> D[参考前面的 I/P 帧<br/>存储运动矢量]
    E[B 帧<br/>Bidirectional Frame<br/>双向帧] --> F[参考前后的 I/P 帧<br/>压缩率最高]
    
    style A fill:#ffcdd2
    style C fill:#c8e6c9
    style E fill:#bbdefb

详细对比：

举例：

帧序列: I P B P B P I P B P B P
大小:    100KB 20KB 10KB 20KB 10KB 20KB 100KB ...

平均每帧: (100 + 20×3 + 10×2) / 6 ≈ 30KB
vs 原始: 2MB/帧
压缩比: 67 倍

GOP（Group of Pictures）：关键帧间隔

GOP 是从一个 I 帧到下一个 I 帧之间的所有帧。

常见 GOP 结构：

GOP = 12, M = 3
I B B P B B P B B P B B I ...
↑                       ↑
└───── 12 帧 ──────────┘

参数含义：

• GOP 大小：多少帧出现一个 I 帧（常见 12、30、60）
• M 参数：多少个 B 帧夹在两个参考帧之间

权衡：

GOP 越大:
  优点: 压缩率更高（更多 P/B 帧）
  缺点: Seek 慢（必须从上一个 I 帧开始解码）
  
GOP 越小:
  优点: Seek 快（I 帧更多）
  缺点: 文件更大（I 帧占空间）

实际应用：

• 直播：GOP = 1-2 秒（30-60 帧），快速响应
• 点播：GOP = 2-10 秒，追求压缩率
• 广播：GOP = 0.5 秒（12 帧），方便剪辑

📊 武器 3：熵编码（Entropy Coding）

目标：进一步压缩数据的表示形式。

原理：高频出现的数据用短编码，低频数据用长编码。

CAVLC vs CABAC

H.264 提供两种熵编码方式：

类比：

原始数据: AAAAABBBCCCCCCCDE
频率统计: A=5, B=3, C=7, D=1, E=1

霍夫曼编码:
  C → 0       （最常见，1 位）
  A → 10      （较常见，2 位）
  B → 110     （3 位）
  D → 1110    （4 位）
  E → 1111    （4 位）

压缩后: 0010101010...
vs 原始: AAAAA... (每个字符 8 位)
节省: 约 60%

🎨 完整的编码流程

让我们把三大武器串起来：

sequenceDiagram
    participant Input as 原始帧<br/>2MB
    participant Predict as 预测模块
    participant Transform as 变换模块
    participant Quantize as 量化模块
    participant Entropy as 熵编码
    participant Output as 压缩数据<br/>5KB
    
    Input->>Predict: 输入宏块
    Predict->>Predict: 帧内/帧间预测
    Predict->>Transform: 残差数据
    Transform->>Transform: DCT 变换
    Transform->>Quantize: 变换系数
    Quantize->>Quantize: 量化（丢弃高频）
    Quantize->>Entropy: 量化系数
    Entropy->>Entropy: CABAC 编码
    Entropy->>Output: 比特流

详细步骤：

1. 预测（Prediction）

   • 选择帧内或帧间预测模式
   • 计算残差：实际值 - 预测值

2. 变换（Transform）

   • DCT（离散余弦变换）
   • 把空间域转为频域

3. 量化（Quantization）

   • 丢弃人眼不敏感的高频信息
   • 这一步是有损压缩的关键

4. 熵编码（Entropy Coding）

   • CABAC 或 CAVLC
   • 无损压缩数据表示

5. 打包（Bitstream）

   • 加上 NAL 单元头
   • 写入 SPS/PPS 参数集

💾 码率（Bitrate）与画质的平衡

码率：单位时间的数据量（单位：Kbps 或 Mbps）。

常见码率参考

三种编码模式：

1. CBR（Constant Bitrate） - 固定码率 优点: 文件大小可预测 缺点: 静态场景浪费码率，动作场景画质差 适用: 直播流

2. VBR（Variable Bitrate） - 可变码率 优点: 画质更稳定 缺点: 文件大小不可预测 适用: 视频点播

3. CRF（Constant Rate Factor） - 恒定质量 优点: 保证视觉质量 参数: 0-51（18-28 最常用） 适用: 离线编码

🛠️ 实战：FFmpeg 编码命令

实验 1：对比不同码率的效果

# 原始视频信息
ffprobe input.mp4

# 低码率编码（1 Mbps）
ffmpeg -i input.mp4 -c:v libx264 -b:v 1M -c:a aac output_1M.mp4

# 中等码率编码（4 Mbps）
ffmpeg -i input.mp4 -c:v libx264 -b:v 4M -c:a aac output_4M.mp4

# 高码率编码（10 Mbps）
ffmpeg -i input.mp4 -c:v libx264 -b:v 10M -c:a aac output_10M.mp4

# 查看文件大小
ls -lh output_*.mp4

预期结果：

output_1M.mp4  →  60 MB  （画质一般，压缩块明显）
output_4M.mp4  →  240 MB （画质良好，推荐）
output_10M.mp4 →  600 MB （画质优秀，但体积大）

实验 2：使用 CRF 模式（推荐）

# CRF 模式（自动调节码率，保证质量）
ffmpeg -i input.mp4 -c:v libx264 -crf 23 -preset medium output_crf23.mp4

# 不同 CRF 值对比
ffmpeg -i input.mp4 -c:v libx264 -crf 18 -preset slow output_crf18.mp4   # 高质量
ffmpeg -i input.mp4 -c:v libx264 -crf 28 -preset fast output_crf28.mp4   # 低质量

CRF 值建议：

0-17:  视觉无损（文件极大）
18-23: 高质量（推荐用于存档）
23-28: 中等质量（推荐用于网络分发）
28-51: 低质量（不推荐）

实验 3：调整 GOP 大小

# 默认 GOP（通常 250 帧）
ffmpeg -i input.mp4 -c:v libx264 -crf 23 output_default.mp4

# 小 GOP（30 帧 = 1 秒）
ffmpeg -i input.mp4 -c:v libx264 -crf 23 -g 30 output_gop30.mp4

# 大 GOP（300 帧 = 10 秒）
ffmpeg -i input.mp4 -c:v libx264 -crf 23 -g 300 output_gop300.mp4

# 测试 Seek 速度
ffmpeg -ss 00:01:30 -i output_gop30.mp4 -frames:v 1 frame_gop30.jpg
ffmpeg -ss 00:01:30 -i output_gop300.mp4 -frames:v 1 frame_gop300.jpg

观察：

• gop30.mp4 文件更大，但 Seek 更快
• gop300.mp4 文件更小，但 Seek 需要解码更多帧

实验 4：查看帧类型分布

# 分析视频的帧类型
ffprobe -select_streams v -show_frames -show_entries frame=pict_type \
        -of csv output.mp4 | head -30

# 统计 I/P/B 帧数量
ffprobe -select_streams v -show_frames -show_entries frame=pict_type \
        -of csv output.mp4 | grep -v "frame" | sort | uniq -c

输出示例：

frame,I
frame,P
frame,B
frame,B
frame,P
frame,B
frame,B
...

统计结果:
  45 I  （关键帧）
  680 P （预测帧）
  1275 B（双向帧）

📈 H.264 vs H.265 vs AV1

新一代编码器的对比：

同等画质下的码率对比（1080p）：

H.264: 8 Mbps
H.265: 4 Mbps  （节省 50%）
AV1:   3 Mbps  （节省 62.5%）

🧠 深入理解：为什么 B 帧压缩率最高？

示例场景：一个球从左飞到右

第 10 帧（I 帧）: 球在左边
第 11 帧（B 帧）: 球在中间
第 12 帧（P 帧）: 球在右边

B 帧的选择:
  方案1: 参考第 10 帧（前向）→ 运动矢量 (+50, 0)
  方案2: 参考第 12 帧（后向）→ 运动矢量 (-50, 0)
  方案3: 同时参考两帧（双向）→ 平均预测，残差最小 ✅

编码器选择方案3，压缩率最高！

🎓 思考题

Q1：为什么直播流通常不使用 B 帧？

不使用 B 帧:
  编码延迟: 1 帧（33ms）
  适合: 实时直播

使用 B 帧:
  编码延迟: 3-5 帧（100-167ms）
  适合: 点播视频

Q2：如果视频是纯黑画面（全是 RGB(0,0,0)），理论上能压缩到多小？

# 生成 10 秒纯黑视频
ffmpeg -f lavfi -i color=c=black:s=1920x1080:d=10 -c:v libx264 black.mp4

# 文件大小约 10KB（几乎全是容器开销和元数据）
ls -lh black.mp4
# 10K black.mp4

Q3：为什么游戏录屏的视频文件比电影大得多？

电影场景:
  - 大量静态镜头（对话、风景）
  - 镜头切换相对缓慢
  - P/B 帧压缩效率高

游戏录屏:
  - 快速移动、旋转（FPS 游戏）
  - 大量粒子特效（爆炸、烟雾）
  - 屏幕每一帧都有变化
  - P/B 帧压缩效率低，更多依赖 I 帧

电影: 4 Mbps → 1.8 GB/小时
游戏: 15 Mbps → 6.8 GB/小时（高 3.7 倍）

📚 下一篇预告

下一篇《音频编码原理：人耳听不见的频率都被删掉了》，我们将探索：

• 音频采样和量化
• 心理声学模型（为什么 MP3 只有原始大小的 1/10）
• AAC 和 MP3 的区别
• 如何用 FFmpeg 分析音频频谱

敬请期待！🎵

🔗 相关资源

• H.264 官方标准：ISO/IEC 14496-10
• FFmpeg H.264 编码指南：trac.ffmpeg.org/wiki/Encode…
• 推荐阅读：《数字视频编码技术原理》（毕厚杰）
• 在线工具：streaminglearningcenter.com/codecs （编码器对比）