音视频小白系统入门课-4

本系列笔记为博主学习李超老师课程的课堂笔记，仅供参阅

往期课程笔记传送门：

将mp4文件转换为yuv文件

bash 复制代码

ffmpeg -i demo.mp4   # 输入文件
       -an            # 禁用音频流（audio no）
       -c:v rawvideo  # 视频流用rawvideo处理（非编码）
       -pix_fmt yuv420p # 指定输出像素格式为YUV420平面
       demo.yuv       # 输出原始YUV数据文件

rawvideo是一个伪编码器，仅仅进行数据格式转换，不进行有损编码

yuv数据仅仅存储视频，不存储音频

bash 复制代码

ffplay -f rawvideo 
			-video_size 640x360 # 分辨率需要根据视频内容手动指定
			-pixel_format yuv420p 
			-framerate 24 
			# -vf extractplanes=y # 简单滤波
			demo.yuv #播放yuv数据

yuv没有元信息，需要手动指定分辨率等信息

ffmpeg支持filter_complex复杂滤波

bash 复制代码

ffmpeg -i demo.mp4  -c:v rawvideo # 输出yuv格式时默认rawvideo
			-filter_complex "extractplanes=y+u+v[y][u][v]" 
			-map '[y]' y.yuv -map '[u]' u.yuv -map '[v]' v.yuv
			

# 播放
ffplay -f rawvideo -video_size 640x360 -pixel_format gray -framerate 24 y.yuv
ffplay -f rawvideo -video_size 320x180 -pixel_format gray -framerate 24 u.yuv

yuv格式：https://fourcc.org/yuv.php

H264视频编码

yuv420 640x480 15 → 52Mbps

H264建议码流：500kbps，压缩比1/100

交互通讯码流较低，需要时延较低；直播通讯码流较高，因为用户不和主播直接交换

GOP

Group of Picture 一组帧

GOP中帧的差距较小

低码率环境：减少I帧频率（延长GOP）以节省带宽，但可能降低随机访问能力。
高动态内容：频繁插入I帧（如GOP=15）以应对快速运动，但会增加文件体积。

I/P/B帧

I帧（Interframe frame）：关键帧，采用帧内压缩技术，不依赖其他帧。

例如IDR帧（Instantaneous Decoding Refresh Frame）瞬时解码刷新帧，清空IDR帧之前的所有数据，后面的数据不会依赖IDR帧之前的数据。每当遇到IDR帧，解码器会清空解码器参考buffer中的内容
每个GOP中的第一帧是IDR帧
可以防止错误传播

P帧（forward Predicted frame）：向前参考帧。压缩时只参考前面已经处理的帧，采用帧间压缩技术。约占I帧的 1/2 大小

B帧（Bidirectionally predicted frame）：双向参考帧。压缩时，既参考前面已经处理的帧，也参考后面的帧，帧间压缩技术。它约占I帧 1/4 大小。提高B帧的数量可以提高压缩比，但是会提高编解码的耗时。实时通讯中B帧不能太多，云服务中可以很多。

解码顺序：I帧是帧内压缩，不参考其他帧 → P帧依赖前面紧邻的I帧 → B帧依赖前面和后面的I/P帧

播放顺序：I → B → P → B → ...

SPS （Sequence Parameter Set）序列参数集：位于GOP的头部（IDR帧之前），表征GOP中每一帧的序列特性

seq_parameter_set_id
帧数
POC（picture order count）的约束
参考帧数目
解码图像尺寸
帧长编码模式选择标识等

PPS（Picture Parameter Set）图像参数集：位于GOP的头部（IDR帧之前），表征GOP中每一帧的图片特性

pic_parameter_set_id
熵编码模式选择标识（无损压缩）
片组数目
初始量化参数
去方块滤波洗漱调整标识等

H264压缩技术

帧内压缩：解决空（间）域数据冗余问题

帧间压缩：解决时（间）域数据冗余问题

整数离散余弦变换（DCT），将空间上的相关性变为频域上无关的数据然后进行量化

CABAC压缩（老）

有损压缩

帧内：DCT/整数DCT + 量化 + 熵编码（解决空间冗余）。
帧间：运动估计 + 残差变换/量化（解决时间冗余）。

无损压缩

预测编码：如DPCM、线性预测（FLAC）。
熵编码：如霍夫曼、算术编码（CABAC压缩）、LZ77（ZIP/PNG）、VLC压缩

宏块

宏块是视频压缩操作的基本单元

H.265/HEVC：用编码树单元（CTU）替代宏块，支持更大块（如64×64）和更灵活的划分

16x16 8x16 16x8 8x8

宏块大 → 运动预测和数据头开销减少 → 压缩比提升，但细节丢失风险增加

宏块小 → 运动预测更精确且残差数据更少 → 细节保留更好，但压缩比可能降低（因运动向量增多）

帧内压缩

针对I帧

理论基础：

相邻像素差别不大，所以可以进行宏块预测
人眼对亮度的敏感度超过色度
YUV很容易将亮度和色度分开

帧内预测：H264 9种模式，将亮度块和色度块分开预测

预测模式信息+残差值压缩

帧间压缩

运动估计：宏块匹配 → 运动矢量

运动补偿：残差值 Residual

宏块匹配算法：

三步搜索、四步搜索
二维对数搜索
钻石搜索

花屏：部分帧丢失

卡顿：当有帧丢失时，丢失GOP内所有帧，显示前一个I帧，直到下一个IDR帧

H264标准支持：https://en.wikipedia.org/wiki/Advanced_Video_Coding

H264码流

码流分层

NAL层：Netword Abstraction Layer，视频数据网络抽象层。

NAL层是视频编码与网络传输之间的适配层，即使底层用TCP，仍需NAL解决视频特有的问题（如帧划分、参数集管理）。而在UDP场景下，NAL层的设计更是不可或缺。

VLC层：Video Coding Layer，视频数据编码层

一般情况下：一个slice对应一个图像

SODB（String of Data Bits）：原始数据比特流，二进制数据，不一定是8的倍数，由VCL层产生的，需要补齐。

RBSP（Raw Byte Sequence Payload）

补齐为8的倍数，补1和多个0

NALU

NAL Header(1 Byte) + RBSP

Annexb格式：用于本地文件存储

RTP格式：用于直播推流