视频编解码原理
为什么需要编码?
原始视频数据很庞大,比如一个150分钟,30FPS,分辨率为720✖480的彩色电影需要占用280GB。无论是物理存储还是网络传输,这都是难以负担的。所以需要编码进行压缩。
编码方式
一般有两种编码方式:熵编码(entropy coding,以无损的方式将视频压缩到香农极限)和有损编码(lossy coding,删除冗余数据和不重要的数据)。熵编码的压缩率是有限的,但是得益于人类的视觉系统可以容忍细节丢失,有损压缩通常很有效。
典型的编解码码流程
下图展示了编解码的整体流程。
摄像头采集到数据,进行编码,传输或者保存编码后的数据,终端拿到数据后进行解码并显示。
下图展示了一个典型的编码流程:
一个典型的视频编码一般由三个模块组成:
- 预测性编码(Predictive coding)
- 转换编码(Transform coding)
- 熵编码(Entropy coding)
通常编码一个视频会产生若干完整的帧数据和增量帧数据。
完整帧只需要通过转换编码和熵编码进行压缩。本文主要考虑增量帧的编解码。
预测性编码
预测性编码通过利用时间(帧间预测)和空间冗余(帧内预测)来减少视频的冗余度。
通常预测性编码有两步:运动估计(Motion estimation, ME)和运动补偿(Motion compensation, MC)
- 运动估计为当前帧的某个区域(A)在参考帧中寻找一个合适的匹配区域(B)。(参考帧可以是之前的帧,也可以是后面的帧)
- 运动补偿找到区域A和区域B的不同
通过ME和MC预测性编码会产生一些运动矢量和残差。运动矢量就是某些区域针对参考帧的运动轨迹,而残差就是这些区域运动后产生的预测帧和当前帧之间的不同。举个不太恰当的例子:(不恰当的地方在于真实的编码中运动矢量涉及的区域不会这么大,比如H.264编码的最大区域为16✖16)
下象棋时,开局时为参考帧,炮二平五
后为当前帧,如图: