需要的前置知識不多，一般計算機大學本科會學過的，信息論相關(guān)，離散數(shù)學相關(guān)。

但實際了解編碼時，反而是比較復雜的，目前視頻編碼的常用的是H264,H265,H266（原型中）。

視頻編碼其實一幀幀的圖像編碼，因此也可以學習一下靜態(tài)圖像編碼的一些相關(guān)知識，也會有幫助。

視頻編碼是連續(xù)的圖像編碼，因此會可以應用到前后幀圖像的參考，比如一個視頻一直對著一個不太變化的物體，則后續(xù)幀只要簡單記錄變化即可。主要用到了離散變化，宏塊這些東西。

現(xiàn)在新的一些方法是基于人工智能學習后的結(jié)果，用這個方法來解決一個視頻，那些區(qū)塊壓縮多一些，那些區(qū)塊壓縮少一些，說白了，就是更符合人的視覺效果。

大家好，我是小棗君。

作為一名屌絲創(chuàng)業(yè)者，前幾天我追了一部美劇。劇名大家可能都聽過，就是「硅谷」。

劇里主要講述的，是一群美國硅谷年輕人的創(chuàng)業(yè)故事。我覺得挺好看的，一口氣追完了（貌似后面還會更新）。同為創(chuàng)業(yè)者，對里面的劇情非常有感觸。

今天這篇文章，并不是打算寫劇評，而是和劇中男豬腳的創(chuàng)業(yè)項目有密切的關(guān)系。

男豬腳理查德是一個技術(shù)宅，他發(fā)明了一個很強的算法，可以將視頻文件的體積大大壓縮，并且并不損失視頻質(zhì)量。這個算法受到了所有投資人的關(guān)注和追捧，大家都爭相給他投資。

中間的狗血故事略過不表，到這部劇的后期，理查德的壓縮算法，甚至延伸到“分布式計算”領(lǐng)域，要構(gòu)建一個“New Internet”。

更甚至，他們還利用自己的壓縮算法，搞起了區(qū)塊鏈，發(fā)行了自己的虛擬貨幣（魔笛手幣）。

為什么一個壓縮編碼算法，能有這么強大的能量？為什么視頻壓縮技術(shù)這么受追捧？圖像視頻壓縮到底是什么工作原理？

這，就是我們今天要討論的話題。

如今我們所處的時代，是移動互聯(lián)網(wǎng)時代，也可以說是視頻（多媒體）的時代。

從快播到抖音，從“三生三世”到“延禧攻略”，再從微信視頻通話，到支付寶人臉識別，我們的生活，被越來越多的視頻元素所影響。

而這一切，離不開視頻拍攝和制作技術(shù)的日益強大，更離不開通信技術(shù)的飛速進步。

試想一下，如果還是當年的56K Modem撥號，或者是2G手機，你還能享受到現(xiàn)在動輒1080P甚至4K的視頻體驗嗎？顯然是不可能的嘛。

除了視頻拍攝技術(shù)和網(wǎng)絡通信技術(shù)之外，我們能享受到視頻帶來的便利和樂趣，還有一個重要因素，就是視頻編碼技術(shù)的突飛猛進。

說視頻之前，先要說說圖像。

圖像，大家都知道，是由很多“帶有顏色的點”組成的。這個點，就是“像素點”。

像素點的英文叫Pixel（縮寫為PX）。這個單詞是由 Picture(圖像) 和 Element（元素）這兩個單詞的字母所組成的。

電影《像素大戰(zhàn)（Pixels）》，2015年

像素是圖像顯示的基本單位。我們通常說一幅圖片的大小，例如是1920×1080，就是長度為1920個像素點，寬度為1080個像素點。乘積是2,073,600，也就是說，這個圖片是兩百萬像素的。

1920×1080，這個也被稱為這幅圖片的分辨率。

分辨率也是顯示器的重要指標

那么，我們經(jīng)常所說的PPI又是什么東西呢？

PPI，就是“Pixels Per Inch”，每英寸像素數(shù)。也就是，手機（或顯示器）屏幕上每英寸面積，到底能放下多少個“像素點”。

這個值當然是越高越好啦！PPI越高，圖像就越清晰細膩。

以前的功能機，例如諾基亞，屏幕PPI都很低，有很強烈的顆粒感。

后來，蘋果開創(chuàng)了史無前例的“視網(wǎng)膜”（Retina）屏幕，PPI值高達326（每英寸屏幕有326像素），畫質(zhì)清晰，再也沒有了顆粒感。

像素點必須要有顏色，才能組成繽紛絢麗的圖片。那么，這個顏色，又該如何表示呢？

妹紙們都知道，顏色擁有無數(shù)種類，光是你們的口紅色號，就足以讓我們這些屌絲瞠目結(jié)舌。。。

在計算機系統(tǒng)里，我們不可能用文字來表述顏色。不然就算我們不瘋，計算機也會瘋掉的。在數(shù)字時代，當然是用數(shù)字來表述顏色。

這就牽出了“彩色分量數(shù)字化”的概念。

懂繪畫的童鞋一定知道，任何顏色，都可以通過紅色（Red）、綠色（Green）、藍色（Blue）按照一定比例調(diào)制出來。這三種顏色，被稱為“三原色”。

在計算機里，R、G、B也被稱為“基色分量”。它們的取值，分別從0到255，一共256個等級（256是2的8次方）。

所以，任何顏色，都可以用R、G、B三個值的組合表示。

RGB=[183,67,21]

通過這種方式，一共能表達多少種顏色呢？256×256×256=16,777,216種，因此也簡稱為1600萬色。而3個8次方，等于24，因此，這種方式表達出來的顏色，也被稱為24位色。

這個顏色范圍已經(jīng)超過了人眼可見的全部色彩，所以又叫真彩色。再高的話，對于我們?nèi)搜蹃碚f，已經(jīng)沒有意義了，完全識別不出來。

那么，如果是RGB方式，一個像素點需要占用多少bit？3個2的8次方，一共是24bit。請記住哈，下面會用到。

好了，剛才說了圖像，現(xiàn)在，我們開始說視頻。

所謂視頻，大家從小就看動畫，都知道視頻是怎么來的吧？沒錯，大量的圖片連續(xù)起來，就是視頻。

衡量視頻，又是用的什么指標參數(shù)呢？

最主要的一個，就是幀率（Frame Rate）。

在視頻中，一個幀（Frame）就是指一幅靜止的畫面。幀率，就是指視頻每秒鐘包括的畫面數(shù)量（FPS，F(xiàn)rame per second）。

幀率越高，視頻就越逼真、越流暢。

有了視頻之后，就涉及到兩個問題，一個是存儲，二個是傳輸。

而之所以會有視頻編碼，關(guān)鍵就在于此：一個視頻，如果未經(jīng)編碼，它的體積是非常龐大的。

以一個分辨率1920×1280，幀率30的視頻為例。

1920×1280=2,073,600（Pixels 像素）

每個像素點是24bit（前面算過的哦）

也就是每幅圖片2073600×24=49766400bit

8 bit（位）=1 byte（字節(jié)），所以，49766400bit=6220800byte≈6.22MB。

這是一幅1920×1280圖片的原始大小，再乘以幀率30，也就是說，每秒視頻的大小是186.6MB，每分鐘大約是11GB，一部90分鐘的電影，約是1000GB。。。

嚇尿了吧？就算你現(xiàn)在電腦硬盤是4TB的（實際也就3600GB），也放不下幾部大姐姐??！

不僅要存儲，還要傳輸，不然視頻從哪來呢？

如果按照100M的網(wǎng)速（12.5MB/s），下剛才那部電影，需要22個小時。。。再次崩潰。。。

正因為如此，屌絲工程師們就提出了，必須對視頻進行編碼。

什么是編碼？

編碼，就是按指定的方法，將信息從一種形式（格式），轉(zhuǎn)換成另一種形式（格式）。

視頻編碼，就是將一種視頻格式，轉(zhuǎn)換成另一種視頻格式。

編碼的終極目的，說白了，就是為了壓縮。

各種五花八門的視頻編碼方式，都是為了讓視頻變得體積更小，有利于存儲和傳輸。

我們先來看看，視頻從錄制到播放的整個過程，如下：

首先是視頻采集。通常我們會使用攝像機、攝像頭進行視頻采集。限于篇幅，我就不打算和大家解釋CCD成像原理了。

采集了視頻數(shù)據(jù)之后，就要進行模數(shù)轉(zhuǎn)換，將模擬信號變成數(shù)字信號。其實現(xiàn)在很多都是攝像機（攝像頭）直接輸出數(shù)字信號。

信號輸出之后，還要進行預處理，將RGB信號變成YUV信號。

前面我們介紹了RGB信號，那什么是YUV信號呢？

簡單來說，YUV就是另外一種顏色數(shù)字化表示方式。

視頻通信系統(tǒng)之所以要采用YUV，而不是RGB，主要是因為RGB信號不利于壓縮。

在YUV這種方式里面，加入了亮度這一概念。

在最近十年中，視頻工程師發(fā)現(xiàn)，眼睛對于亮和暗的分辨要比對顏色的分辨更精細一些，也就是說，人眼對色度的敏感程度要低于對亮度的敏感程度。

所以，工程師認為，在我們的視頻存儲中，沒有必要存儲全部顏色信號。我們可以把更多帶寬留給黑—白信號（被稱作“亮度”），將稍少的帶寬留給彩色信號（被稱作“色度”）。于是，就有了YUV。

YUV里面的“Y”，就是亮度（Luma），“U”和“V”則是色度（Chroma）。

大家偶爾會見到的Y'CbCr，也稱為YUV，是YUV的壓縮版本，不同之處在于Y'CbCr用于數(shù)字圖像領(lǐng)域，YUV用于模擬信號領(lǐng)域，MPEG、DVD、攝像機中常說的YUV其實就是Y'CbCr。

YUV（Y'CbCr）是如何形成圖像的

YUV碼流的存儲格式其實與其采樣的方式密切相關(guān)。（采樣，就是捕捉數(shù)據(jù)。）

主流的采樣方式有三種，YUV4:4:4，YUV4:2:2，YUV4:2:0。

具體解釋起來有點繁瑣，大家只需記住，通常用的是YUV4:2:0的采樣方式，能獲得1/2的壓縮率。

這些預處理做完之后，就是正式的編碼了。

前面我們說了，編碼就是為了壓縮。要實現(xiàn)壓縮，就要設計各種算法，將視頻數(shù)據(jù)中的冗余信息去除。

當你面對一張圖片，或者一段視頻的時候，你想一想，如果是你，你會如何進行壓縮呢？

對于新垣女神，我一bit也不舍得壓縮…

我覺得，首先你想到的，應該是找規(guī)律。

是的，尋找像素之間的相關(guān)性，還有不同時間的圖像幀之間，它們的相關(guān)性。

舉個例子，如果一幅圖（1920×1080分辨率），全是紅色的，我有沒有必要說2073600次[255,0,0]？我只要說一次[255,0,0]，然后再說2073599次“同上”。

如果一段1分鐘的視頻，有十幾秒畫面是不動的，或者，有80%的圖像面積，整個過程都是不變（不動）的。那么，是不是這塊存儲開銷，就可以節(jié)約掉了？

是的，所謂編碼算法，就是尋找規(guī)律，構(gòu)建模型。誰能找到更精準的規(guī)律，建立更高效的模型，誰就是厲害的算法。

通常來說，視頻里面的冗余信息包括：

視頻編碼技術(shù)優(yōu)先消除目標，就是空間冗余和時間冗余。

接下來，小棗君就和大家介紹一下，究竟是采用什么樣的辦法，才能干掉它們。

以下內(nèi)容稍微有點高能，不過我相信大家耐心一些還是可以看懂的。

視頻是由不同的幀畫面連續(xù)播放形成的。

這些幀，主要分為三類，分別是I幀，B幀，P幀。

I幀，是自帶全部信息的獨立幀，是最完整的畫面（占用的空間最大），無需參考其它圖像便可獨立進行解碼。視頻序列中的第一個幀，始終都是I幀。

P幀，“幀間預測編碼幀”，需要參考前面的I幀和/或P幀的不同部分，才能進行編碼。P幀對前面的P和I參考幀有依賴性。但是，P幀壓縮率比較高，占用的空間較小。

P幀

B幀，“雙向預測編碼幀”，以前幀后幀作為參考幀。不僅參考前面，還參考后面的幀，所以，它的壓縮率最高，可以達到200:1。不過，因為依賴后面的幀，所以不適合實時傳輸（例如視頻會議）。

B幀

通過對幀的分類處理，可以大幅壓縮視頻的大小。畢竟，要處理的對象，大幅減少了（從整個圖像，變成圖像中的一個區(qū)域）。

如果從視頻碼流中抓一個包，也可以看到I幀的信息，如下：

我們來通過一個例子看一下。

這有兩個幀：

好像是一樣的？

不對，我做個GIF動圖，就能看出來，是不一樣的：

人在動，背景是沒有在動的。

第一幀是I幀，第二幀是P幀。兩個幀之間的差值，就是如下：

也就是說，圖中的部分像素，進行了移動。移動軌跡如下：

這個，就是運動估計和補償。

當然了，如果總是按照像素來算，數(shù)據(jù)量會比較大，所以，一般都是把圖像切割為不同的“塊（Block）”或“宏塊（MacroBlock）”，對它們進行計算。一個宏塊一般為16像素×16像素。

將圖片切割為宏塊

好了，我來梳理一下。

對I幀的處理，是采用幀內(nèi)編碼方式，只利用本幀圖像內(nèi)的空間相關(guān)性。

對P幀的處理，采用幀間編碼（前向運動估計），同時利用空間和時間上的相關(guān)性。簡單來說，采用運動補償(motion compensation)算法來去掉冗余信息。

需要特別注意，I幀（幀內(nèi)編碼），雖然只有空間相關(guān)性，但整個編碼過程也不簡單。

如上圖所示，整個幀內(nèi)編碼，還要經(jīng)過DCT（離散余弦變換）、量化、編碼等多個過程。限于篇幅，加之較為復雜，今天就放棄解釋了。

那么，視頻經(jīng)過編碼解碼之后，如何衡量和評價編解碼的效果呢？

一般來說，分為客觀評價和主觀評價。

客觀評價，就是拿數(shù)字來說話。例如計算“信噪比/峰值信噪比”。

搞通信的童鞋應該對這個概念不會陌生吧？

信噪比的計算，我就不介紹了，丟個公式，有空可以自己慢慢研究...

除了客觀評價，就是主觀評價了。

主觀評價，就是用人的主觀感知直接測量，額，說人話就是——“好不好看我說了算”。

接下來，我們再說說標準（Standard）。

任何技術(shù)，都有標準。自從有視頻編碼以來，就誕生過很多的視頻編碼標準。

提到視頻編碼標準，先介紹幾個制定標準的組織。

首先，就是大名鼎鼎的ITU（國際電信聯(lián)盟）。

1865年5月17日，為了順利實現(xiàn)國際電報通信，法、德、俄、意、奧等20個歐洲國家的代表在巴黎簽訂了《國際電報公約》，國際電報聯(lián)盟（International Telegraph Union ，ITU）也宣告成立。

隨著電話與無線電的應用與發(fā)展，ITU的職權(quán)不斷擴大。

1906年，德、英、法、美、日等27個國家的代表在柏林簽訂了《國際無線電報公約》。

1932年，70多個國家的代表在西班牙馬德里召開會議，將《國際電報公約》與《國際無線電報公約》合并， 制定《國際電信公約》，并決定自1934年1月1日起正式改稱為“國際電信聯(lián)盟” ，也就是現(xiàn)在的ITU。

ITU是聯(lián)合國下屬的一個專門機構(gòu)，其總部在瑞士的日內(nèi)瓦。

ITU下屬有三個部門，分別是ITU-R（前身是國際無線電咨詢委員會CCIR）、ITU-T（前身是國際電報電話咨詢委員會CCITT）、ITU-D。

除了ITU之外，另外兩個和視頻編碼關(guān)系密切的組織，是ISO/IEC。

ISO大家都知道，就是推出ISO9001質(zhì)量認證的那個“國際標準化組織”。IEC，是“國際電工委員會”。

1988年，ISO和IEC聯(lián)合成立了一個專家組，負責開發(fā)電視圖像數(shù)據(jù)和聲音數(shù)據(jù)的編碼、解碼和它們的同步等標準。這個專家組，就是大名鼎鼎的MPEG，Moving Picture Expert Group（動態(tài)圖像專家組）。

三十多年以來，世界上主流的視頻編碼標準，基本上都是它們提出來的。

ITU提出了H.261、H.262、H.263、H.263+、H.263++，這些統(tǒng)稱為H.26X系列，主要應用于實時視頻通信領(lǐng)域，如會議電視、可視電話等。

ISO/IEC提出了MPEG1、MPEG2、MPEG4、MPEG7、MPEG21，統(tǒng)稱為MPEG系列。

ITU和ISO/IEC一開始是各自搗鼓，后來，兩邊成立了一個聯(lián)合小組，名叫JVT（Joint Video Team，視頻聯(lián)合工作組）。

JVT致力于新一代視頻編碼標準的制定，后來推出了包括H.264在內(nèi)的一系列標準。

壓縮率對比

視頻編碼標準的發(fā)展關(guān)系

大家特別注意一下上圖里面的HEVC，也就是現(xiàn)在風頭正盛的H.265。

作為一種新編碼標準，相比H.264有極大的性能提升，目前已經(jīng)成為最新視頻編碼系統(tǒng)的標配。

最后，我再說說封裝。

對于任何一部視頻來說，只有圖像，沒有聲音，肯定是不行的。所以，視頻編碼后，加上音頻編碼，要一起進行封裝。

封裝，就是封裝格式，簡單來說，就是將已經(jīng)編碼壓縮好的視頻軌和音頻軌按照一定的格式放到一個文件中。再通俗點，視頻軌相當于飯，而音頻軌相當于菜，封裝格式就是一個飯盒，用來盛放飯菜的容器。

目前主要的視頻容器有如下：MPG、VOB、MP4、3GP、ASF、RMVB、WMV、MOV、Divx、MKV、FLV、TS/PS等。

封裝之后的視頻，就可以傳輸了，你也可以通過視頻播放器進行解碼觀看。

好啦！額滴神啊，終于介紹完了。。。

其實，小棗君之所以要做視頻編碼這么一個看似和通信無關(guān)的“跨界”專題，是有原因的。

以前我上大學的時候，就有一門專業(yè)課程，叫圖像識別，當時是我們學校的王牌專業(yè)，屬于計算機系。那個時候我并不明白，圖像識別到底是什么，為什么“畫畫”這種事情，會歸為“計算機類”。

后來，我才明白，所謂的“圖像識別”，就是讓計算機看懂圖像。怎么樣才能看懂呢？就是把圖像數(shù)字化。

圖像變成了數(shù)字，計算機就能從中找到規(guī)律，也能對它進行分析。

這么多年過去了，圖像識別取得了非常大的發(fā)展。我們漸漸發(fā)現(xiàn)，攝像頭開始“認臉”了，停車場開始“看懂”車牌了，生活開始變得不一樣了。

更沒有想到的是，機器學習和AI人工智能也因此迅速崛起，開始對傳統(tǒng)技術(shù)發(fā)起挑戰(zhàn)。

前段時間很火的谷歌“你畫我猜”程序，就是AI結(jié)合圖像識別技術(shù)的一個“人機交互”經(jīng)典案例。

運算速度足夠快，存儲空間足夠大，學習數(shù)據(jù)足夠多，計算機可以海量分析圖像和視頻數(shù)據(jù)，尋找其中的規(guī)律，構(gòu)建模型。如果這個AI足夠強大，就能做出反應和處理。

在電影《鷹眼》里，也描繪到這樣的一個場景：強大的AI大腦，控制全球的視頻攝像頭，還有所有的計算機系統(tǒng)、武器系統(tǒng)，可以隨時在全球范圍內(nèi)，找到想找到的人，并且干掉他。電影《速度與激情6》里，也有類似的場景。

電影《鷹眼》，2008年

除此之外，還有3D視頻、VR/AR等，也都是和圖像視頻密切相關(guān)的應用。

總而言之，這是一個非常有前途的技術(shù)領(lǐng)域，值得深入進行研究。也許，我們一直在尋找的5G爆款應用，就和視頻有關(guān)呢！

好啦，今天的內(nèi)容就到這里，感謝大家的耐心觀看！

嘿嘿，大家看到那么優(yōu)質(zhì)的答案，不點下贊嘛？再來波關(guān)注更是極好的??！