一、音视频相关的基本概念

一、视频的相关概念

什么是视频

连续的图像变化每秒超过 24 帧(frame,fps) 画面以上时，根据视觉暂留原理，人眼无法 辨别单幅的静态画面；看上去是平滑连续的视觉效果，这样连续的画面叫做视频。

视频帧

帧，是视频的一个基本概念，表示一张画面，如上面的翻页动画书中的一页，就是一帧。 一个视频就是由许许多多帧组成的。

帧率

即单位时间内帧的数量，单位为：帧/秒 或 fps（frames per second）。如动画书中，一秒内包含多少张图片， 图片越多，画面越顺滑，过渡越自然。

帧率的一般以下几个典型值：29.97, 30000/1001

• 1）24/25 fps：1 秒 24/25 帧，一般的电影帧率；
• 2）30/60 fps：1 秒 30/60 帧，游戏的帧率，30 帧可以接受，60 帧会感觉更加流畅逼 真。
• 85 fps 以上人眼基本无法察觉出来了，所以更高的帧率在视频里没有太大意义。

色彩空间

这里我们只讲常用到的两种色彩空间。

• 1）RGB：RGB 的颜色模式应该是我们最熟悉的一种，在现在的电子设备中应用广泛。 通过 R G B 三种基础色，可以混合出所有的颜色；
• 2）YUV：这里着重讲一下 YUV，这种色彩空间并不是我们熟悉的。这是一种亮度与色度分离的色彩格式。
  早期的电视都是黑白的，即只有亮度值，即 Y。有了彩色电视以后，加入了 UV 两种色 度，形成现在的 YUV，也叫 YCbCr。
  1）Y：亮度，就是灰度值。除了表示亮度信号外，还含有较多的绿色通道量；
  2）U：蓝色通道与亮度的差值；
  3）V：红色通道与亮度的差值。
  如下图，可以看到 Y、V、U 3 个分量的效果差值。
  

采用 YUV 有什么优势呢？

人眼对亮度敏感，对色度不敏感，比如，在晚上，一个物件是啥颜色，可能根本看不出来，因此减少部分 UV 的数据量，人眼却无法感知出来，这 样可以通过压缩 UV 的分辨率，在不影响观感的前提下，减小视频的体积。

二、音频相关概念

基本知识

音频数据的承载方式最常用的是脉冲编码调制，即 PCM。

在自然界中，声音是连续不断的，是一种模拟信号，那怎样才能把声音保存下来呢？ 那就是把声音数字化，即转换为数字信号。

我们知道声音是一种波，有自己的振幅和频率，那么要保存声音，就要保存声音在各个 时间点上的振幅。

而数字信号并不能连续保存所有时间点的振幅，事实上，并不需要保存连续的信号， 就可以还原到人耳可接受的声音。

根据奈奎斯特采样定理：为了不失真地恢复模拟信号，采样频率应该不小于模拟信号频谱 中最高频率的 2 倍。

根据以上分析，PCM 的采集步骤分为以下步骤：
模拟信号 -> 采样 -> 量化 -> 编码 -> 数字信号

音频到底是什么？

• 音频这个专业业术语，人类能够听到的所有声音都称之为音频，它可能包括噪音、 声音 被录制下来以后，无论是说话声、歌声、乐器都可以通过数字音乐软件处理。
• 把它制作成 CD，这时候所有的声音没有改变，因为 CD 本来就是音频文件的一种类型。
• 而音频只是储存在计算机里的声音。演讲和音乐，如果有计算机加上相应的音频卡 – 就 是我们经常说的声卡，我们可以把所有的声音录制下来，声音的声学特性，音的高低都可以用计算机硬盘文件的方式储存下来。反过来，我们也可以把储存下来的音频文件通过一定的 音频程序播放，还原以前录下的声音。

采样率和采样位数

采样率，即采样的频率。

• 上面提到，采样率要大于原声波频率的 2 倍，人耳能听到的最高频率为 20kHz，所以为 了满足人耳的听觉要求，采样率至少为 40kHz，通常为 44.1kHz，更高的通常为 48kHz。
  注意：人耳听觉频率范围[20Hz, 20KHz]

采样位数

• 涉及到上面提到的振幅量化。波形振幅在模拟信号上也是连续的样本值，而在数字信 号中，信号一般是不连续的，所以模拟信号量化以后，只能取一个近似的整数值，为了记录 这些振幅值，采样器会采用一个固定的位数来记录这些振幅值，通常有 8 位、16 位、32 位。
  注意：位数越多，记录的值越准确，还原度越高。但是占用的硬盘空间越大。

音频编码

• 由于数字信号是由 0，1 组成的，因此，需要将幅度值转换为一系列 0 和 1 进行存储，也 就是编码，最后得到的数据就是数字信号：一串 0 和 1 组成的数据。

声道数

声道数，是指支持能不同发声（注意是不同声音）的音响的个数。

码率(比特率)

码率，是指一个数据流中每秒钟能通过的信息量，单位 bps（bit per second）。

码率 = 采样率 * 采样位数 * 声道数

音频格式

• 是指要在计算机内播放或是处理音频文件，也就是要对声音文件进行数、模转换，这 个过程同样由采 样和量化构成，人耳所能听到的声音，最低的频率是从 20Hz 起一直到最 高频率 20KHZ，20KHz 以上人耳是听不到 的，因此音频文件格式的最大带宽是 20KHZ， 故而采样速率需要介于 40~50KHZ 之间，而且对每个样本需要更多的量化比特数。
• 音频数字化的标准是每个样本 16 位-96dB 的信噪比，采用线性脉冲编码调制 PCM， 每一量化步长都 具有相等的长度。在音频文件的制作中，正是采用这一标准。
• 常见的音频格式有：CD 格式、WAVE（*.WAV）、 AIFF、MP3、MIDI、 AAC、WMA、 OggVorbis。

三、为什么要编码

这里的编码和上面音频中提到的编码不是同一个概念，而是指压缩编码。

我们知道，在计算机的世界中，一切都是 0 和 1 组成的，音频和视频数据也不例外。 由于音视频的数据量庞大，如果按照裸流数据存储的话，那将需要耗费非常大的存储空 间，也不利于传送。

而音视频中，其实包含了大量 0 和 1 的重复数据，因此可以通过一定的算法来压缩这些 0 和 1 的数据。

特别在视频中，由于画面是逐渐过渡的，因此整个视频中，包含了大量画面/像素的重复， 这正好提供了非常大的压缩空间。

因此，编码可以大大减小音视频数据的大小，让音视频更容易存储和传送。

那么，未经编码的原始音视频，数据量至底有多大？
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；
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（6.22MB），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。。。

视频编码

视频编码格式有很多，比如 H26x 系列和 MPEG 系列的编码，这些编码格式都是为了适 应时代发展而出现的。

• H26x（1/2/3/4/5）系列由 ITU（International Telecommunication Union）国际电讯 联盟主导
• MPEG（1/2/3/4）系列由 MPEG（Moving Picture Experts Group, ISO 旗下的组织） 主导。

当然，他们也有联合制定的编码标准，那就是现在主流的编码格式 H264，当然还有下 一代更先进的压缩编码标准 H265。

所谓视频编码方式就是指能够对数字视频进行压缩或者解压缩（视频解码）的程序或者 设备。通常这种压缩属于有损数据压缩。也可以指通过过特定的压缩技术，将某个视频格式 转换成另一种视频格式。常见的编码方式有：

1，H.26X 系列 （由 ITU[国际电传视讯联盟]主导）包括 H.261、H.262、H.263、H.264、 H.265。

1. H.261：主要在老的视频会议和视频电话产品中使用。
2. H.263：主要用在视频会议、视频电话和网络视频上。
3. H.264：H.264/MPEG-4 第十部分，或称 AVC（Advanced Video Coding，高级视频 编码），是一种视频压缩标准，一种被广泛使用的高精度视频的录制、压缩和发布格式。
4. H.265：高效率视频编码（High Efficiency Video Coding，简称 HEVC）是一种视频 压缩标准，H.264/MPEG-4 AVC 的继任者。HEVC 被认为不仅提升图像质量，同时也 能达到 H.264/MPEG-4 AVC 两倍之压缩率（等同于同样画面质量下比特率减少了 50%），可支持 4K 分辨率甚至到超高画质电视，最高分辨率可达到 8192×4320（8K 分辨率），这是目前发展的趋势。直至 2013 年，Potplayer 添加了对于 H.265 视频的 解码，尚未有大众化编码软件出现。

2，MPEG 系列（由 ISO[国际标准组织机构]下属的 MPEG[运动图象专家组]开发 ）视频编 码方面主要有：

1. MPEG-1 第二部分（MPEG-1 第二部分主要使用在 VCD 上，有些在线视频也使用这 种格式。该编解码器的质量大致上和原有的 VHS 录像带相当。）
2. MPEG-2 第二部分（MPEG-2 第二部分等同于 H.262，使用在 DVD、SVCD 和大多 数数字视频广播系统和有线分布系统（cable distribution systems）中。）
3. MPEG-4 第二部分（MPEG-4 第二部分标准可以使用在网络传输、广播和媒体存储 上。比起 MPEG-2 和第一版的 H.263，它的压缩性能有所提高。）
4. MPEG-4 第十部分（MPEG-4 第十部分技术上和 ITU-TH.264 是相同的标准，有时 候也被叫做“AVC”）最后这两个编码组织合作，诞生了 H.264/AVC 标准。ITU-T 给这个 标准命名为 H.264，而 ISO/IEC 称它为 MPEG-4 高级视频编码（Advanced Video Coding，AVC）

3，其他系列：
AMV · AVS · Bink · CineForm · Cinepak · Dirac · DV · Indeo · Video · Pixlet · RealVideo · RTVideo · SheerVideo · Smacker · SorensonVideo · Theora · VC-1 · VP3 · VP6 · VP7 · VP8 · VP9 · WMV。因为以上编码方式不常用， 不再介绍。

音频编码

原始的 PCM 音频数据也是非常大的数据量，因此也需要对其进行压缩编码。
和视频编码一样，音频也有许多的编码格式，如：WAV、MP3、WMA、APE、FLAC 等 等，音乐发烧友应该对这些格式非常熟悉，特别是后两种无损压缩格式。

AAC 是新一代的音频有损压缩技术，一种高压缩比的音频压缩算法。
在 MP4 视频中的音频数据，大多数时候都是采用 AAC 压缩格式。

AAC 格式主要分为两种：ADIF、ADTS。

• 1）ADIF：Audio Data Interchange Format。音频数据交换格式。
  这种格式的特征是可以确定的找到这个音频数据的开始，不需进行在音频数据流中间开 始的解码，即它的解码必须在明确定义的开始处进行。这种格式常用在磁盘文件中。
  ADIF 只有一个统一的头，所以必须得到所有的数据后解码。

• 2）ADTS：Audio Data Transport Stream。音频数据传输流。
  这种格式的特征是它是一个有同步字的比特流，解码可以在这个流中任何位置开始。 它的特征类似于 mp3 数据流格式。
  ADTS 可以在任意帧解码，它每一帧都有头信息
  区别：ADIF 只有一个统一的头，所以必须得到所有的数据后解码。
  且这两种的 header 的格式也是不同的，目前一般编码后的都是 ADTS 格式的音频流。

ADIF 数据格式：

header | raw_data

ADTS 一帧 数据格式（中间部分，左右省略号为前后数据帧）：