要彻底理解视频编码原理,看书都是虚的,需要实际动手,实现一个简单的视频编码器:

知识准备:基本图像处理知识,信号的时域和频域问题,熟练掌握傅立叶正反变换,一维、二维傅立叶变换,以及其变种,dct变换,快速dct变换。

来自知乎问题:http://www.zhihu.com/question/22567173/answer/73610451

第一步:实现有损图像压缩和解压

参考 JPEG原理,将RGB->YUV,然后Y/U/V看成三张不同的图片,将其中一张图片分为 8x8的block进行 dct变换(可以直接进行二维dct变换,或者按一定顺序将8x8的二维数组整理成一个64字节的一维数组),还是得到一个8x8的整数频率数据。于是表示图像大轮廓的低频信号(人眼敏感的信号)集中在 8x8的左上角;表示图像细节的高频信号集中在右下角。

接着将其量化,所谓量化,就是信号采样的步长,8x8的整数频率数据块,每个数据都要除以对应位置的步长,左上角相对重要的低频信号步长是1,也就是说0-255,是多少就是多少。而右下角是不太重要的高频信号,比如步长取10,那么这些位置的数据都要/10,实际解码的时候再将他们*10恢复出来,这样经过编码的时候/10和解码的时候*10,那么步长为10的信号1, 13, 25, 37就会变成规矩的:0, 10, 20, 30, 对小于步长10的部分我们直接丢弃了,因为高频不太重要。

经过量化以后,8x8的数据块左上角的数据由于步长小,都是比较离散的,而靠近右下角的高频数据,都比较统一,或者是一串0,因此图像大量的细节被我们丢弃了,这时候,我们用无损压缩方式,比如lzma2算法(jpeg是rle + huffman)将这64个byte压缩起来,由于后面高频数据步长大,做了除法以后,这些值都比较小,而且比较靠近,甚至右下部分都是一串0,十分便于压缩。

JPEG图像有个问题就是低码率时 block边界比较严重,现代图片压缩技术往往要配合一些de-block算法,比如最简单的就是边界部分几个像素点和周围插值模糊一下。

做到这里我们实现了一个同 jpeg类似的静态图片有损压缩算法。在视频里面用来保存I帧数据。

第二步:实现宏块误差计算

视频由连续的若干图像帧组成,分为 I帧,P帧,所谓I帧,就是不依赖就可以独立解码的视频图像帧,而P帧则需要依赖前面已解码的视频帧,配合一定数据才能生成出来。所以视频中I帧往往都比较大,而P帧比较小,如果播放器一开始收到了P帧那么是无法播放的,只有收到下一个I帧才能开始播放。I帧多了视频就变大,I帧少了,数据量是小了,但视频受到丢包或者数据错误的影响却又会更严重。

那么所谓运动预测编码,其实就是P帧的生成过程:继续将图片分成 16x16的block(为了简单只讨论yuv的y分量压缩)。I帧内部单帧图片压缩我们采用了8x8的block,而这里用16x16的block来提高帧间编码压缩率(当然也会有更多细节损失),我们用 x, y表示像素点坐标,而s,t表示block坐标,那么坐标为(x,y)的像素点所属的block坐标为:

s = x / 16 = x >> 4  
t = y / 16 = y >> 4

接着要计算两个block的相似度,即矢量的距离,可以表示为一个256维矢量(16x16)像素点色彩距离的平方,我们先定义两个颜色的误差为:

PixelDiff(c1, c2) = (c1- c2) ^ 2

那么256个点的误差可以表示为所有对应点的像素误差和:
BlockDiff(b1, b2) = sum( PixelDiff(c1, c2) for c1 in b1 for c2 in b2)

代码化为:

int block_diff(const unsigned char b1[16][16], const unsigned char b2[16][16]) {  
	int sum = 0;  
	for (int i = 0; i < 16; i++) {  
		for (int j = 0; j < 16; j++) {  
			int c1 = b1[i][j];  
			int c2 = b2[i][j];  
			sum += (c1 - c2) * (c1 - c2);  
		}  
	}  
	return sum;  
}

有了这个block求差的函数,我们就可以针对特定block,搜索另外若干个block中哪个和它最相似了(误差最小)。

第三步:实现运动预测编码

根据上面的宏块比较函数,你已经可以知道两个block到底像不像了,越象的block,block_diff返回值越低。那么我们有两帧相邻的图片,P1,P2,假设 P1已经完成编码了,现在要对 P2进行P帧编码,其实就是轮询 P2里面的每一个 block,为P2中每一个block找出上一帧中相似度最高的block坐标,并记录下来,具体伪代码可以表示为:

unsigned char block[16][16];  
for (int t = 0; t <= maxt; t++) {  
	for (int s = 0; s <= maxs; s++) {  
		picture_get_block(P2, s * 16, t * 16, block); // 取得图片 P2 的 block  
		int x, y;  
		block_search_nearest(P1, &x, &y, block); // 在P1中搜索最相似的block  
		output(x, y); // 将P1中最相似的block的左上角像素坐标 (x, y) 输出  
	}  
}

其中在P1中搜索最相似 block的 block_search_nearest 函数原理是比较简单的,我们可以暴力点用两个for循环轮询 P1中每个像素点开始的16x16的block(速度较慢),当然实际中不可能这么暴力搜索,而是围绕P2中该block对应坐标在P1中位置作为中心,慢慢四周扩散,搜索一定步长,并得到一个:按照一定顺序进行搜索,并且在一定范围内最相似的宏块坐标。

于是P2进行运动预测编码的结果就是一大堆(x,y)的坐标,代表P2上每个block在上一帧P1里面最相似的 block的位置。反过来说可能更容易理解,我们可以把第三步整个过程定义为:

怎么用若干 P1里不同起始位置的block拼凑出图片P2来,使得拼凑以后的结果和P2最像。

拼凑的结果就是一系列(x,y)的坐标数据,我们继续用lzma2将它们先压缩起来,按照 vcd的分辨率352 x 240,我们横向需要 352 / 16 = 22个block,纵向需要 240 / 16 = 15 个block,可以用 P1中 22 x 15 = 330 个 block的坐标信息生成一张和P2很类似的图片 P2’ :

for (int t = 0; t < 15; t++) {  
	for (int s = 0; s < 22; s++, next++) {  
		int x = block_positions[next].x; // 取得对应 P1上的 block像素位置 x  
		int y = block_positions[next].y; // 取得对应 P1上的 block像素位置 y  
		// 将 P1位置(x,y)开始的 16 x 16 的图块拷贝到 P2'的 (s * 16, t * 16)处  
		CopyRect(P2', s * 16, t * 16, P1, x, y, 16, 16);  
	}  
}

我们把用来生成P2的P1称为 P2的 “参考帧”,再把刚才那一堆P1内用来拼成P2的 block坐标称为 “运动矢量”,这是P帧里面最主要的数据内容。但是此时由P1和这些坐标数据拼凑出来的P2,你会发现粗看和P2很象,但细看会发现有些支离破碎,并且边缘比较明显,怎么办呢?我们需要第四步。

第四步:实现P帧编码

有了刚才的运动预测矢量(一堆block的坐标),我们先用P1按照这些数据拼凑出一张类似 P2的新图片叫做P2’,然后同P2上每个像素做减法,得到一张保存 differ的图片:

D2 = (P2 - P2') / 2

误差图片 D2上每一个点等于 P2上对应位置的点的颜色减去 P2’上对应位置的点的颜色再除以2,用8位表示差值,值是循环的,比如-2就是255,这里一般可以在结果上 + 0x80,即 128代表0,129代表2,127代表-2。继续用一个 8位的整数可以表示 [-254, 254] 之间的误差范围,步长精度是2。

按照第三步实现的逻辑,P2’其实已经很像P2了,只是有些误差,我们将这些误差保存成了图片D2,所以图片D2中,信息量其实已经很小了,都是些细节修善,比起直接保存一张完整图片熵要低很多的。所以我们将 D2用类似第一步提到的有损图片压缩方法进行编码,得到最终的P帧数据:

Encode(P2) = Lzma2(block_positions) + 有损图像编码(D2)

具体在操作的时候,D2的图像块可以用16x16进行有损编码,因为前面的运动预测数据是按16x16的宏块搜索的,而不用象I帧那样精确的用8x8表示,同时保存误差图时,量化的精度可以更粗一些用不着象I帧那么精确,可以理解成用质量更低的JPEG编码,按照16x16的块进行编码,加上误差图D2本来信息量就不高,这样的保存方式能够节省不少空间。

第五步:实现GOP生成

通过前面的代码,我们实现了I帧编码和P帧编码,P帧是参考P1对P2进行编码,而所谓B帧,就是参考 P1和 P3对P2进行编码,当然间隔不一定是1,比如可以是参考P1和P5对P2进行编码,前提条件是P5可以依赖P1及以前的数据进行解码。

不过对于一个完整的简版视频编码器,I帧和P帧编码已经够了,市面上任然有很多面向低延迟的商用编码器是直接干掉B帧的,因为做实时传输时收到B帧没法播放,之后再往后好几帧收到下一个I或者P帧时,先前收到的B帧才能被解码出来,造成不少的延迟。

而所谓的 GOP (Group of picture) 就是由一系列类似 I, P, B, B, P, B, B, P, B, B P 组成的一个可以完整被解码出来的图像组,而所谓视频文件,就是一个接一个的GOP,每个GOP由一个I帧开头,然后接下来一组连续的P 或者 B构成,播放时只有完整收到下一个GOP的I帧才能开始播放。

最后是关于参考帧选择,前面提到的 P2生成过程是参考了 P1,假设一个GOP中十张图片,是 I1, P1, P2, P3, P4, … P9 保存的,如果P1参考I1,P2参考P1, P3参考P2 …. P9参考P8这样每一个P帧都是参考上一帧进行编码的话,误差容易越来越大,因为P1已经引入一定误差了,P2在P1的基础上误差更大,到了P9的话,图片质量可能已经没法看了。

因此正确的参考帧选择往往不需要这样死板,比如可以P1-P9全部参考I1来生成,或者,P1-P4参考I1来生成,而P5-P9则参考P5来生成,这样步子小点,误差也不算太离谱。

第六步:容器组装

我们生成了一组组编码过的GOP了,这时候需要一定的文件格式将他们恰当的保存下来,记录视频信息,比如分辨率,帧率,时间索引等,就是一个类似MP4(h.264的容器)文件的东西。至此一个简单的小型编码器我们已经完成了,可以用 SDL / DirectX / OpenGL 配合实现一个播放器,愉快的将自己编码器编码的视频播放出来。

第七部:优化改进

这时候你已经大概学习并掌握了视频编码的基础原理了,接下来大量的优化改进的坑等着你去填呢。优化有两大方向,编码效率优化和编码性能优化:前者追求同质量(同信噪比)下更低的码率,后者追求同样质量和码率的情况下,更快的编码速度。

有这个基础后接下来可以回过头去看JPEG标准,MPEG1-2标准,并阅读相关实现代码,你会发现简单很多了,接着肯H.264代码,不用全部看可以针对性的了解以下H.264的I帧编码和各种搜索预测方法,有H.264的底子,你了解 HEVC和 vpx就比较容易了。

参考这些编码器一些有意思的实现来改进自己的编码器,试验性质,可以侧重原理,各种优化技巧了解下即可,本来就是hack性质的。

有卯用呢?首先肯定很好玩,其次,当你有需要使用并修改这些编码器为他们增加新特性的时候,你会发现前面的知识很管用了。