本文引用了“拍樂云Pano”的“深入淺出理解視頻編解碼技術”和“揭秘視頻千倍壓縮背后的技術原理之預測技術”文章部分內容，感謝原作者的分享。
1、引言
從 20 世紀 90 年代以來，數(shù)字音視頻編解碼技術迅速發(fā)展，一直是國內外研究的熱點領域。隨著5G的成熟和廣泛商用，帶寬已經(jīng)越來越高，傳輸音視頻變得更加容易。視頻直播、視頻聊天，已經(jīng)完全融入了每個人的生活。
視頻為何如此普及呢？是因為通過視頻能方便快捷地獲取到大量信息。但視頻數(shù)據(jù)量非常巨大，視頻的網(wǎng)絡傳輸也面臨著巨大的挑戰(zhàn)。于是視頻編解碼技術就出場了。
具體到實時視頻場景，不僅僅是數(shù)據(jù)量的問題，實時通信對時延要求、設備適配、帶寬適應的要求也非常高，要解決這些問題，始終離不開視頻編解碼技術的范疇。
本文將從視頻編解碼技術的基礎知識入手，引出視頻編解碼技術中非常基礎且重要的預測技術，學習幀內預測和幀間預測的技術原理。
（本文已同步發(fā)布于：http://www.52im.net/thread-3581-1-1.html）
2、相關文章
如果你是音視頻技術初學者，以下3篇入門級干貨非常推薦一讀：
《零基礎，史上最通俗視頻編碼技術入門》
《零基礎入門：實時音視頻技術基礎知識全面盤點》
《實時音視頻面視必備：快速掌握11個視頻技術相關的基礎概念》
3、為什么需要視頻編解碼
首先，來復習一下視頻編解碼方面的理論常識。
視頻是由一系列圖片按照時間順序排列而成：
- 1）每一張圖片為一幀；
- 2）每一幀可以理解為一個二維矩陣；
- 3）矩陣的每個元素為一個像素。
一個像素通常由三個顏色進行表達，例如用RGB顏色空間表示時，每一個像素由三個顏色分量組成。每一個顏色分量用1個字節(jié)來表達，其取值范圍就是0~255。編碼中常用的YUV格式與之類似，這里不作展開。
以1280x720@60fps的視頻序列為例，十秒鐘的視頻有：1280*720*3*60*10 = 1.6GB。
如此大量的數(shù)據(jù)，無論是存儲還是傳輸，都面臨巨大的挑戰(zhàn)。視頻壓縮或者編碼的目的，也是為了保證視頻質量的前提下，將視頻減小，以利于傳輸和存儲。同時，為了能正確還原視頻，需要將其解碼。
PS：限于篇幅，視頻編解碼方面的技術原理就不在此展開，有興趣強烈推薦從這篇深入學習：《即時通訊音視頻開發(fā)（十九）：零基礎，史上最通俗視頻編碼技術入門》。
總之，視頻編解碼技術的主要作用就是：在可用的計算資源內，追求盡可能高的視頻重建質量和盡可能高的壓縮比，以達到帶寬和存儲容量的要求。
為何突出“重建質量”？
因為視頻編碼是個有損的過程，用戶只能從收到的視頻流中解析出“重建”畫面，它與原始的畫面已經(jīng)不同，例如觀看低質量視頻時經(jīng)常會碰到的“塊”效應。
如何在一定的帶寬占用下，盡可能地保持視頻的質量，或者在保持質量情況下，盡可能地減少帶寬利用率，是視頻編碼的基本目標。
用專業(yè)術語來說，即視頻編解碼標準的“率失真”性能：
- 1）“率”是指碼率或者帶寬占用；
- 2）“失真”是用來描述重建視頻的質量。
與編碼相對應的是解碼或者解壓縮過程，是將接收到的或者已經(jīng)存儲在介質上的壓縮碼流重建成視頻信號，然后在各種設備上進行顯示。
4、什么是視頻編解碼標準
視頻編解碼標準，通常只定義上述的解碼過程。
例如 H.264 / AVC 標準，它定義了什么是符合標準的視頻流，對每一個比特的順序和意義都進行了嚴格地定義，對如何使用每個比特或者幾個比特表達的信息也有精確的定義。
正是這樣的嚴格和精確，保證了不同廠商的視頻相關服務，可以很方便地兼容在一起，例如用 iPhone、Android Phone 或者 windows PC 都可以觀看同一在線視頻網(wǎng)站的同一視頻。
世界上有多個組織進行視頻編碼標準的制定工作，國際標準組織 ISO 的 MPEG 小組、國際電信聯(lián)盟 ITU-T 的 VCEG 小組、中國的 AVS 工作組、Google 及各大廠商組成的開放媒體聯(lián)盟等。
視頻編碼標準及發(fā)展歷史：
自 VCEG 制定 H.120標準開始，視頻編碼技術不斷發(fā)展，先后成功地制定了一系列滿足不同應用場景的視頻編碼標準。VCEG 組織先后制定了H.120、H.261、H.262(MPEG-2 Part 2)、H.263、H.263+、H.263++。
MPEG也先后制定了MPEG-1、MPEG-2、MPEG-4 Part 2。以及兩個國際組織合作制定的H.264/AVC、H.265/HEVC、H.266/VVC。
中國自主知識產(chǎn)權的 AVS、AVS2、AVS3 視頻編碼標準；Google 制定的 VP8、VP9。
Google、思科、微軟、蘋果等公司組成的開放媒體聯(lián)盟（AOM）制定的 AV1。
這里特別提一下H.264/AVC：H.264/AVC雖有近20年歷史，但它優(yōu)秀的壓縮性能、適當?shù)倪\算復雜度、優(yōu)秀的開源社區(qū)支持、友好的專利政策、強大的生態(tài)圈等多個方面的因素，依舊讓它保持著強大的生命力，特別是在實時通信領域。像 ZOOM、思科 Webex 等視頻會議產(chǎn)品和基于 WebRTC SDK 的視頻服務，大多數(shù)主流場景都采用 H.264/AVC。
有關視頻編解碼標準，這里就不深入展開。更多詳細資料，可以讀一下下面這些精選文章：
《即時通訊音視頻開發(fā)（五）：認識主流視頻編碼技術H.264》
《即時通訊音視頻開發(fā)（十三）：實時視頻編碼H.264的特點與優(yōu)勢》
《即時通訊音視頻開發(fā)（十七）：視頻編碼H.264、VP8的前世今生》
《愛奇藝技術分享：輕松詼諧，講解視頻編解碼技術的過去、現(xiàn)在和將來》
5、混和編碼框架
縱觀視頻編解碼標準歷史，每一代視頻標準都在率失真性能上有著顯著的提升，他們都有一個核心的框架，就是基于塊的混合編碼框架（如下圖所示）。它是由J. R. Jain 和A. K. Jain在1979年的國際圖像編碼學會(PCS 1979)上提出了基于塊運動補償和變換編碼的混合編碼框架。
我們一起來對該框架進行拆解和分析。
從攝像頭采集到的一幀視頻：通常是 YUV 格式的原始數(shù)據(jù)，我們將它劃分成多個方形的像素塊依次進行處理（例如 H.264/AVC 中以16x16像素為基本單元），進行幀內/幀間預測、正變換、量化、反量化、反變換、環(huán)路濾波、熵編碼，最后得到視頻碼流。從視頻第一幀的第一個塊開始進行空間預測，因當前正在進行編碼處理的圖像塊和其周圍的圖像塊有相似性，我們可以用周圍的像素來預測當前的像素。我們將原始像素減去預測像素得到預測殘差，再將預測殘差進行變換、量化，得到變換系數(shù)，然后將其進行熵編碼后得到視頻碼流。
接下來：為了可以使后續(xù)的圖像塊可以使用已經(jīng)編碼過的塊進行預測，我們還要對變換系統(tǒng)進行反量化、反變換，得到重建殘差，再與預測值進行求合，得到重建圖像。最后我們對重建圖像進行環(huán)路濾波、去除塊效應等，這樣得到的重建圖像，就可以用來對后續(xù)圖像塊進行預測了。按照以上步驟，我們依次對后續(xù)圖像塊進行處理。
對于視頻而言：視頻幀與幀的間隔大約只有十到幾十毫秒，通常拍攝的內容不會發(fā)生劇烈變化，它們之間存在非常強的相關性。
如下圖所示，將視頻圖像分割成塊，在時間相鄰的圖像之間進行匹配，然后將匹配之后的殘差部分進行編碼，這樣可以較好地去除視頻信號中的視頻幀與幀之間的冗余，達到視頻壓縮的目的。這就是運動補償技術，直到今天它仍然是視頻編解碼的核心技術之一。
運動估計和運動補償：
變換編碼的核心思想：是把視頻數(shù)據(jù)分割成塊，利用正交變換將數(shù)據(jù)的能量集中到較少幾個變換系數(shù)上。結合量化和熵編碼，我們可以獲得更有效的壓縮。視頻編碼中信息的損失和壓縮比的獲得，很大程度上來源于量化模塊，就是將源信號中的單一樣本映射到某一固定值，形成多到少的映射，從而達到壓縮的目的，當然在壓縮的過程中就引入了損失。量化后的信號再進行無損的熵編碼，消除信號中的統(tǒng)計冗余。熵編碼的研究最早可以追溯到 20 世紀 50 年代，經(jīng)過幾十年的發(fā)展，熵編碼在視頻編碼中的應用更加成熟、更加精巧，充分利用視頻數(shù)據(jù)中的上下文信息，將概率模型估計得更加準確，從而提高了熵編碼的效率。例如H.264/AVC中的Cavlc（基于上下文的變長編碼）、Cabac（基于上下文的二進制算術編碼）。算術編碼技術在后續(xù)的視頻編碼標準，如AV1、HEVC/H.265、VVC/H.266 中也有應用。
視頻編碼發(fā)展至今，VVC/H.266 作為最新制定的標準，采納了一系列先進的技術，對混合編碼框架的各個部分都進行了優(yōu)化和改進，使得其率失真性能相比前一代標準，又提高了一倍。
例如：VVC/H.266 采用了128x128大小的基本編碼單元，并且可以繼續(xù)進行四叉樹劃分，支持對一個劃分進行二分、三分；色度分量獨立于亮度分量，支持單獨進行劃分；更多更精細的幀內預測方向、幀間預測模式；支持多種尺寸和形式的變換、環(huán)內濾波等。
VVC/H.266 的制定，目標是對多種視頻內容有更好支持，例如屏幕共享內容、游戲、動漫、虛擬現(xiàn)實內容（VR、AR）等。其中也有特定的技術被采納進標準，例如調色板模式、幀內運動補償、仿射變換、跳過變換、自適應顏色變換等。
回到本文的正題，接下來的內容，我們著重介紹視頻編解碼中的預測技術。
6、幀內預測技術
視頻數(shù)據(jù)被劃分成方塊之后，相鄰的方塊的像素，以及方塊內的像素，顏色往往是逐漸變化的，他們之間有比較強的有相似性。這種相似性，就是空間冗余。既然存在冗余，就可以用更少的數(shù)據(jù)量來表達這樣的特征。
比如：先傳輸?shù)谝粋€像素的值，再傳輸?shù)诙€像素相對于第一個像素的變化值，這個變化值往往取值范圍變小了許多，原來要8個bit來表達的像素值，可能只需要少于8個bit就足夠了。
同樣的道理，以像素塊為基本單位，也可以進行類似的“差分”操作。我們從示例圖中，來更加直觀地感受一下這樣的相似性。
如上圖中所標出的兩個8x8的塊：其亮度分量（Y）沿著“左上到右下”的方向，具有連續(xù)性，變化不大。
假如：我們設計某種特定的“模式”，使其利用左邊的塊來“預測”右邊的塊，那么“原始像素”減去“預測像素”就可以減少傳輸所需要的數(shù)據(jù)量，同時將該“模式”寫入最終的碼流，解碼器便可以利用左側的塊來“重建”右側的塊。
極端一點講：假如左側的塊的像素值經(jīng)過一定的運算可以完全和右側的塊相同，那么編碼器只要用一個“模式”的代價，傳輸右側的塊。
當然，視頻中的紋理多種多樣，單一的模式很難對所有的紋理都適用，因此標準中也設計了多種多樣的幀內預測模式，以充分利用像素間的相關性，達到壓縮的目的。
例如下圖所示的H.264中9種幀內預測方向：以模式0（豎直預測）為例，上方塊的每個像素值（重建）各復制一列，得到幀內預測值。其它各種模式也采用類似的方法，不過，生成預測值的方式稍有不同。有這么多的模式，就產(chǎn)生了一個問題，對于一個塊而言，我們應該采用哪種模式來進行編碼呢？最佳的選擇方式，就是遍歷所有的模式進行嘗試，計算其編碼的所需的比特數(shù)和產(chǎn)生的質量損失，即率失真優(yōu)化，這樣明顯非常復雜，因而也有很多種其它的方式來推斷哪種模式更好，例如基于SATD或者邊緣檢測等。
從H.264的9種預測模式，到AV1的56種幀內方向預測模式，越來越多的模式也是為了更加精準地預測未編碼的塊，但是模式的增加，一方面增加了傳輸模式的碼率開銷，另一方面，從如此重多的模式中選一個最優(yōu)的模式來編碼，使其能達到更高的壓縮比，這對編碼器的設計和實現(xiàn)也提出了更高的要求。
7、幀間預測技術
以下5張圖片是一段視頻的前5幀：可以看出，圖片中只有Mario和磚塊在運動，其余的場景大多是相似的，這種相似性就稱之為時間冗余。編碼的時候，我們先將第一幀圖片通過前文所述的幀內預測方式進行編碼傳輸，再將后續(xù)幀的Mario、磚塊的運動方向進行傳輸，解碼的時候，就可以將運動信息和第一幀一起來合成后續(xù)的幀，這樣就大大減少了傳輸所需的bit數(shù)。這種利用時間冗余來進行壓縮的技術，就是運動補償技術。該技術早在H.261標準中，就已經(jīng)被采用。
細心地讀者可能已經(jīng)發(fā)現(xiàn)：Mario和磚塊這樣的物體怎么描述，才能讓它僅憑運動信息就能完整地呈現(xiàn)出來？
其實視頻編碼中并不需要知道運動的物體的形狀，而是將整幀圖像劃分成像素塊，每個像素塊使用一個運動信息。即基于塊的運動補償。
下圖中紅色圈出的白色箭頭即編碼磚塊和Mario時的運動信息，它們都指向了前一幀中所在的位置。Mario和磚塊都有兩個箭頭，說明它們都被劃分在了兩個塊中，每一個塊都有單獨的運動信息。這些運動信息就是運動矢量。運動矢量有水平和豎直兩個分量，代表是的一個塊相對于其參考幀的位置變化。參考幀就是已經(jīng)編碼過的某一（多）個幀。
當然：傳輸運動矢量本身就要占用很多 bit。為了提高運動矢量的傳輸效率，主要有以下措施。
一方面：可以盡可能得將塊劃分變大，共用一個運動矢量，因為平坦區(qū)域或者較大的物體，他們的運動可能是比較一致的。從 H.264 開始，可變塊大小的運動補償技術被廣泛采用。
另一方面：相鄰的塊之間的運動往往也有比較高的相似性，其運動矢量也有較高的相似性，運動矢量本身也可以根據(jù)相鄰的塊運動矢量來進行預測，即運動矢量預測技術；
最后：運動矢量在表達物體運動的時候，有精度的取舍。像素是離散化的表達，現(xiàn)實中物體的運動顯然不是以像素為單位進行運動的，為了精確地表達物體的運動，需要選擇合適的精度來定義運動矢量。各視頻編解碼標準都定義了運動矢量的精度，運動矢量精度越高，越能精確地表達運動，但是代價就是傳輸運動矢量需要花費更多的bit。
H.261中運動矢量是以整像素為精度的，H.264中運動矢量是以四分之一像素為精度的，AV1中還增加了八分之一精度。一般情況，時間上越近的幀，它們之間的相似性越高，也有例外，例如往復運動的場景等，可能相隔幾幀，甚至更遠的幀，會有更高的相似度。
為了充分利用已經(jīng)編碼過的幀來提高運動補償?shù)臏蚀_度，從H.264開始引入了多參考幀技術。
即：一個塊可以從已經(jīng)編碼過的很多個參考幀中進行運動匹配，將匹配的幀索引和運動矢量信息都進行傳輸。
那么如何得到一個塊的運動信息呢？最樸素的想法就是，將一個塊，在其參考幀中，逐個位置進行匹配檢查，匹配度最高的，就是最終的運動矢量。
匹配度：常用的有SAD（Sum of Absolute Difference）、SSD（Sum of Squared Difference）等。逐個位置進行匹配度檢查，即常說的全搜索運動估計，其計算復雜度可想而知是非常高的。為了加快運動估計，我們可以減少搜索的位置數(shù)，類似的有很多算法，常用的如鉆石搜索、六邊形搜索、非對稱十字型多層次六邊形格點搜索算法等。
以鉆石搜索為例，如下圖所示，以起始的藍色點為中心的9個匹配位置，分別計算這9個位置的SAD，如果SAD最小的是中心位置，下一步搜索中心點更近的周圍4個綠色點的SAD，選擇其中SAD最小的位置，繼續(xù)縮小范圍進行搜索；如果第一步中SAD最小的點不在中心，那么以該位置為中心，增加褐色的5或者3個點，繼續(xù)計算SAD，如此迭代，直到找到最佳匹配位置。
編碼器在實現(xiàn)時，可根據(jù)實際的應用場景，對搜索算法進行選擇。
例如：在實時音視頻場景下，計算復雜度是相對有限的，運動估計模塊要選擇計算量較小的算法，以平衡復雜度和編碼效率。當然，運動估計與運動補償?shù)膹碗s度還與塊的大小，參考幀的個數(shù)，亞像素的計算等有關，在此不再深入展開。
更多預測技術方面的原理這里就不再贅述。如果你對上面所述的預測技術理解上感到力不從心，這里有篇入門級的文章，可以先讀讀這篇《即時通訊音視頻開發(fā)（四）：視頻編解碼之預測技術介紹》。
8、寫在最后
音視頻編解碼技術，歸根結底就是在有限的資源下（網(wǎng)絡帶寬、計算資源等），讓音質更清晰、視頻更高質。
這其中，對于視頻來說，質量的提升仍然有很多可以深入研究的熱點問題。
比如：基于人眼的主觀質量優(yōu)化，主要利用人眼的視覺特性，將掩蔽效應、對比度靈敏度、注意力模型等與編碼相結合，合理分配碼率、減少編碼損失引起的視覺不適。
AI在視頻編解碼領域的應用：包括將多種人工智能算法，如分類器、支持向量機、CNN等對編碼參數(shù)進行快速選擇，也可以使用深度學習對視頻進行編碼環(huán)外與編碼環(huán)內的處理，如視頻超分辨率、去噪、去霧、自適應動態(tài)范圍調整等編碼環(huán)外處理，達到提升視頻質量的目的。
此外還有打破傳統(tǒng)混合編碼框架的深度神經(jīng)網(wǎng)絡編碼，如Nvidia的Maxine視頻會議服務，利用深度學習來提取特征，然后對特征進行傳輸以節(jié)省帶寬。
附錄：更多精華文章
[1] 實時音視頻開發(fā)的其它精華資料：
[2] 開源實時音視頻技術WebRTC的文章：
本文已同步發(fā)布于“即時通訊技術圈”公眾號。
▲ 本文在公眾號上的鏈接是：點此進入。同步發(fā)布鏈接是：http://www.52im.net/thread-3581-1-1.html