在 1080P 的显示器上,4K 的视频是否看起来比 1080P 的视频更清晰?

作者:迟宬
链接:https://www.zhihu.com/question/37322363/answer/71717662
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

色度抽样:由于人眼对色度的敏感度不如亮度(因为我们还有不能感受“颜色”的视柱细胞嘛),图像的色度分量不需要有和亮度分量相同的清晰度,所以许多视频系统在色差通道上进行较低(相对亮度通道)清晰度(例如,抽样频率)的抽样。这样在不明显降低画面质量的同时降低了视频信号的总带宽。因抽样而丢失的色度值用内插值,或者前一色度值来替代。
我们来感受一下:
<img src="https://i-blog.csdnimg.cn/blog_migrate/06de452e61b5c4f497f41d7868b0bf87.jpeg" data-rawwidth="266" data-rawheight="400" class="content_image" width="266">这是一张很正常的照片。

这是一张很正常的照片。





然后我们把它的 色度信息去掉(只保留L通道,H,S全归零)……
然后就变成了这样:
<img src="https://i-blog.csdnimg.cn/blog_migrate/b1b8fd20dd5c111c8dbf725a98261c34.jpeg" data-rawwidth="264" data-rawheight="397" class="content_image" width="264">

好像还是很正常嘛……最起码能看得清……






可是,如果我们 去掉亮度信息,只保留色度(L通道全变成50):
<img src="https://i-blog.csdnimg.cn/blog_migrate/9248152ee9fb06b334481a0d0cac6719.jpeg" data-rawwidth="264" data-rawheight="397" class="content_image" width="264">
<img src="https://i-blog.csdnimg.cn/blog_migrate/2c7c2471948f714ad064da4bef1bd211.jpeg" data-rawwidth="128" data-rawheight="128" class="content_image" width="128">

什么鬼?!





正是利用人眼的这种特性,工程师们将视频的色域信息压缩,以降低视频的体积。
下面是几种流行的色度抽样方式:4:4:4: 4:2:2 4:2:0
<img src="https://i-blog.csdnimg.cn/blog_migrate/a96ed66ce05b98139fb3f07cc9bc47b3.png" data-rawwidth="784" data-rawheight="312" class="origin_image zh-lightbox-thumb" width="784" data-original="https://pic1.zhimg.com/5d683ff8869a04f8fd69f8cddbae6da8_r.png">所谓4:4:4,就是不对色域信号压缩,每个像素还保留之前的颜色。绝大部分电影的母带和专业电影摄影机,都会采用这种不压缩的方式。 所谓4:4:4,就是不对色域信号压缩,每个像素还保留之前的颜色。绝大部分电影的母带和专业电影摄影机,都会采用这种不压缩的方式。
所谓4:2:2,就是每两个横向的相邻像素,共用同一个颜色。4:2:2在广播电视领域比较流行,是压缩率和画质的权衡。
而最最常用的4:2:0,是每个正方形块的4个像素共用同一个颜色。事实上,绝大部分的视频编码器,如x264,的默认设置都是4:2:0色度抽样,这也就意味着一个1920*1080的视频,其色度信息只有960*540!
<img src="https://i-blog.csdnimg.cn/blog_migrate/77c4a64a978cb0f2307870b1b765c526.png" data-rawwidth="605" data-rawheight="93" class="origin_image zh-lightbox-thumb" width="605" data-original="https://pic1.zhimg.com/ab002008c9e7af564ad4bb402928b280_r.png"> <img src="https://i-blog.csdnimg.cn/blog_migrate/17cc38d36538df48ba7a4ae832532106.png" data-rawwidth="605" data-rawheight="93" class="origin_image zh-lightbox-thumb" width="605" data-original="https://pic4.zhimg.com/562d196a802e974fb5f3b9ca5c74e81b_r.png">这两张是视频检测彩条图,上图为原始图像经过200%放大后;而下图则经过了4:2:0色度抽样(以Sony Vegas DV编码器压缩,套用Box滤镜)。能明显看到,两个“分辨率”相同的视频,有着明显的观感差异。

这两张是视频检测彩条图,上图为原始图像经过200%放大后;而下图则经过了4:2:0色度抽样(以Sony Vegas DV编码器压缩,套用Box滤镜)。能明显看到,两个“分辨率”相同的视频,有着明显的观感差异。

--------------------基础知识介绍完毕-------------------

好,下面我们回到题主的问题,在 1080P 的显示器上,4K 的视频是否看起来比 1080P 的视频更清晰?为什么?

因为市面上下载的绝大部分片源都采用了4:2:0色度抽样,因此一个4k(3840×2160)分辨率的视频,其色度分辨率为1920*1080。在1080p的显示器上播放时,播放软件会自动对4k视频缩小,每4个方形排列的像素取平均值。3840*2160的亮度信息经缩小后变为1920*1080,而其原本就是1920*1080的色度信息则保持不变,因此你就得到了一个1080p的4:4:4色度未压缩的视频!
虽然亮度分辨率没有提高,但是色度分辨率提高了两倍,这就是为何4k片源比1080p观感更清晰。


注:本答案并没有讨论视频编码压缩(如h.264本身的压缩)的问题,只是解释了色度抽样并将其应用到题主的问题上。文中有几处我为了省事使用了压缩一词,其实都是在指色度抽样。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值