Android 音视频开发之音视频编码原理

一、前言
在上一篇Android音视频开发之音视频基础知识文章中，我们学习了播放一个视频的流程：解协议、解封装、解码、音视频同步、音视频数据的渲染;
其中解码是非常关键的一步，那为什么要进行解码，所谓的解码就是音视频编码数据的解码，那为什么视频文件中的音视频数据是编码后的数据，而不是音视频原始数据这是因为音视频原始数据，这是因为音视频原始数据是非常大的，所谓编码，就是对视频的原始图像数据，音频数据进行压缩，压缩之后再按照封装格式规范，封装成一个视频文件，这样可以大大降低视频文件的大小,便于视频的存储以及传输；

二、图像的表示

（1）RGB表示
一个图像可以由RGB三原色组成，比如我们在Android中Bitmap的色彩空间模式
有ARGB_8888,ARGB_4444,RGB_565,ALPHA_8;分别就是一个像素是32位(4个字节),16位(2个字节),16位(2个字节)，8位(1个字节);
如一张1280720的ARGB_8888图像，大小是1280720*4≈3.5M,这个是一张图片占用的内存大小，所以一张图片的裸数据都是比较大的，直接在网络中传输或者存储到本地不太可能，所以出现了图像的压缩格式，比如PNG、WEBP、JPEG等；但是这种压缩不能直接用于视频压缩，对于视频来说还有时域上的因素要考虑，也就是说不尽要考虑一张图像的编码，还要考虑多帧图像之间的联系，能进一步减少视频；

（2）YUV表示
对于视频帧的裸数据其实更多的是YUV数据格式的表示,YUV主要应用于优化彩色视频信号的传输，且能够兼容黑白电视，与RGB相比，YUV只需占用极少的频宽（RGB需要三个独立的的视频信号同时传输）；YUV中的Y代表明亮度，也称灰阶值；U与V表示的则是色度（色调和饱和度），也可记作YCbCr,如果只有Y数据，则表示的图像就是黑白的；
YUV的采样方式有三种：
1.YUV 4:4:4采样，每一个Y对应一组UV分量
2.YUV 4:2:2采样，每两个Y共用一组UV分量
3.YUV 4:2:0采样，每四个Y共用一组UV分量
我们常见的NV21和I420格式都是属于YUV420,但是NV21属于YUV420SP,而I420属于YUV420P；
一帧1280720的视频帧，用YUV420P格式表示，数据大小为1280720*3/2≈1.3M
,如果fps(帧率)是30，按照一般电影90分钟来计算，则一部YUV420P电影，约为208G,所以仅用这种方式来存储电影肯定是不行的，更别说在网络上通过流媒体协议传输播放了，所以需要进行视频编码（视频压缩）；

三、视频编码

视频编码就是一种特定的压缩技术,将视频中的图像数据压缩成视频码流，音频数据压缩成音频码流，从而大大降低视频文件的大小;
当然通常我们说视频编码，通常指的是视频中的图像数据的编码，因为一个视频中，图像编码数据占了视频数据的绝大部分，音频数据部分其实占的很少；

视频是连续的图像序列,由连续的帧构成，一帧即一幅图像,由于人眼的视觉暂留效应，当帧序列以一定的速率播放时，我们看到的就是动作连续的视频,一般帧率(FPS)得有二三十,也即一秒有二三十帧，所以一个视频如果不经过编码，数据量是非常巨大的。
原始视频压缩是为了去除冗余信息，同一副图像的临近像素之间有着相关性,相邻图像之间内容也存在相似，所以有大量的数据冗余,包括空间冗余和时间冗余。

预测编码

预测编码的目的就是为了去除空间冗余和时间冗余,同一副图像的像素之间有着空间相关性，相邻图像之间有着很强的时间相关性，针对空间冗余，可以使用帧内预测编码，对于时间冗余有基于运动估计和运动补偿的技术的帧间预测编码；
通过预测可以，可以得到实际实际像素值和预测像素值之间的差值，解码器通过采用与编码器完全相同的预测方法，得到完全相同的预测值，然后用解码出来的预测残差与预测值相加就得到重建图像；

帧内预测(帧内编码)

每一幅图像(YUV数据)被分成很多个宏块，颜色相近的区域，块的大小比较大，颜色差别比较大的区域，块的大小比较小；比如一个宏块的大小是44个像素，这个时候一个宏块就是44=16个像素，帧内编码不是把16个像素全部保留，而是只保留最上面一行，和左边一行，这里就是(4+4-1=7个像素)，解码的时候就是根据这7个元素按照一定的算法推出整个宏块内(16个元素)的其他像素，而编码后的数据就少了
16-7=9个像素，对于颜色相近的区域，也即较大的宏块比如16*16=256像素的宏块，帧内编码之后就保存了16+16-1=31个像素，减少了256-31=225个像素，所以帧内编码可以大大减少图像数据大小；

帧间预测(帧间编码)
一个视频相邻的图像之间有着很强的相似性，即时间冗余，比如一分钟的视频，有十几秒画面是不动的，或者有很多一部分图像面积是不动的；所以就有了帧间编码，对于连续的图像，对第一幅图像不做改变，保存原本的像素数据，然后以此图像为基准，对另外的图像使用公式计算来做运动预测，即把第一幅图像的某个像素值，经过公式计算后，预测出第二个图像指定位置的像素值，以此类推，得到一整副图像的像素值；这里要注意的是，其实不是根据公式直接计算出图像数据，因为
没有任何算法能够保证能够保证预测出来的图像的准确性，因此帧间编码不是为了得到预测值，而是得到差值；

因为差值的绝对值都很小，数值小，到编码阶段编码压缩的数据量更小，从而压缩效率更高，这是预测的作用，有了原图，有了特定的预测公式算法，就不需要再去存储第二幅至第N副图像的原始像素值，只需要存储他们的差值就可以了；解码的时候，根据第一幅图像的原始像素值，以及差值，就可以把预测的图像恢复成原图了；之后还需要进行：变换（如DCT离散余弦变换）、量化、熵编码等多个过程。
变换：依据频率和幅度的存储方式，改变像素信息的空间顺序。低频的、重要的信息放在一起，人类不敏感的、高频的数据放在一处。在接下来的量化步骤，就可以滤掉不敏感的数据。
量化：对数据进行有损量化，将不重要的数据归零，通过更粗糙的数据或者去除人眼不敏感的信息来降低编码的数据量；
熵编码：RLE行程编码、Huffman霍夫曼编码、CABAC/CAVLC等，根据待编码数据概率特性降低编码冗
余。

IPB帧

I帧：帧内编码帧；关键帧（I帧是一副完整原图经过压缩之后的产物），可以单独解码出完整原图的;

P帧：前向参考帧，记录了本帧和前一帧(I帧或者P帧)的差别，解码时，就根据差值和前一帧计算出完整的当前帧

B帧：双向参考帧，记录了本帧和前后帧的差别，解码时，需要根据前后帧还原出完整的本帧图像;

PTS与DTS
PTS：Presentation Timestamp 显示时间戳，表示帧的显示顺序
DTS: Decode Timestamp 解码时间戳，表示解码顺序

视频解码的顺序是按照DTS顺序进行解码的，解码顺序肯定是按照编码时的顺序，
肯定是先解码I帧，P帧，B帧，编码顺序也就是码流顺序 (I ,B…B,P, I,B…B,P ),
如果没有B帧，PTS和DTS是一样的，有了B帧，由于B帧必须要先解码后面的P帧
所以B帧打乱了解码和显示的顺序，所以一点有了B帧，PTS和DTS就会不同；
播放的时候是按照PTS顺序进行播放的；

主流视频编码标准：

视频流传输中最重要的编解码标准有国际电联(ITU-T，国际电信联盟)的H.261、H.263、H.264等，运动静止图像专家组（由ISO
国际标准化组织与IEC国际电子委员会于1988年联合成立 )的MPEG系列标准MPEG1、MPEG2、MPEG4 AVC等。
其中ITU-T H.264/MPEG-4 AVC是 ITU-T与ISO/IEC连手合作制订的新标准。ITU-T方面称之为H.264。但ISO/IEC的
则将这个新标准归纳于MPEG系列，称为MPEG-4 AVC。
而H.265则被视为是ITU-T H.264/MPEG-4 AVC标准的继任者，又称为高效率视频编码（High Efficiency Video
Coding，简称HEVC）。

四、音频编码

音频编码就是对音频裸数据(音频采样数据PCM)数据进行压缩，实际上一个视频编码包括了图像数据编码，和音频数据编码，只不过前面我们说过了，一个视频中，图像数据占了整个视频数据的绝大部分，所以一般说视频编码主要是指视频中图像数据的编码，这里我们把音频编码单独拿出来学习；

音频的裸数据就是脉冲编码调制PCM，描述一段PCM数据一般需要量化格式（sampleFormat）、采样率(sampleRate)、声道数(channel)。以CD的音质为例，量化格式(也描述为位深度)位16bit，采样率为44100HZ,声道数为2，对于声音数据的码率计算为：
16441002/1024=1378.125kbps;
如果是1分钟的这类CD音质的数据存储空间为：
16441002*60/8/1024/1024≈10.09MB；
10M大小存在磁盘中，可能还好，但是如果在网络中实时传输，数据量相对还是较大的，因为这还只是1分钟的音频数据，所以要进行压缩编码。对于声音数据而言，不被人耳感知到的信号，包括人耳听觉范围之外的以及掩蔽掉的信号就是冗余
信号。编码实际上就是把这些冗余信号压缩、去除掉。

主流音频编码标准：

常见的音频编码格式有：AAC、MP3、AC3等。

欢迎扫码订阅公众号，公众号主要分享原创或转载移动开发技术文章，和广大移动开发者一起学习成长!