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，離散數學相關。

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圖像編碼的一些相關知識，也會有幫助。

視頻編碼是連續的圖像編碼，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。

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

大家好，我是小棗君。

作為一名屌絲創業者，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業故事。我覺得挺好看的，一口氣追完了（貌似后面還會更新）。同為創業者，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業項目有密切的關系。

男豬腳理查德是一個技術宅，他發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量。這個算法受到了所有投資人的關注和追捧，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”領域，要構建一個“New Internet”。

更甚至，他們還利用自己的壓縮算法，搞起了區塊鏈，發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，是移動互聯網時代，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的日益強大，更離不開通信技術的飛速進步。

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。

除了視頻拍攝技術和網絡通信技術之外，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（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，我們經常所說的PPI又是什么東西呢？

PPI，就是“Pixels Per Inch”，每英寸像素數。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，蘋果開創了史無前例的“視網膜”（Retina）屏幕，PPI值高達326（每英寸屏幕有326像素），畫質清晰，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，顏色擁有無數種類，光是你們的口紅色號，就足以讓我們這些屌絲瞠目結舌。。。

在計算機系統里，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。在數字時代，當然是用數字來表述顏色。

這就牽出了“彩色分量數字化”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，對于我們人眼來說，已經沒有意義了，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，大量的圖片連續起來，就是視頻。

衡量視頻，又是用的什么指標參數呢？

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量（FPS，Frame 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，關鍵就在于此：一個視頻，如果未經編碼，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），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？就算你現在電腦硬盤是4TB的（實際也就3600GB），也放不下幾部大姐姐啊！

不僅要存儲，還要傳輸，不然視頻從哪來呢？

如果按照100M的網速（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），轉換成另一種形式（格式）。

視頻編碼，就是將一種視頻格式，轉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。

采集了視頻數據之后，就要進行模數轉換，將模擬信號變成數字信號。其實現在很多都是攝像機（攝像頭）直接輸出數字信號。

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字化表示方式。

視頻通信系統之所以要采用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，視頻工程師發現，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用于數字圖像領域，YUV用于模擬信號領域，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。（采樣，就是捕捉數據。）

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。要實現壓縮，就要設計各種算法，將視頻數據中的冗余信息去除。

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，應該是找規律。

是的，尋找像素之間的相關性，還有不同時間的圖像幀之間，它們的相關性。

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，就可以節約掉了？

是的，所謂編碼算法，就是尋找規律，構建模型。誰能找到更精準的規律，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：

視頻編碼技術優先消除目標，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，數據量會比較大，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，是采用幀內編碼方式，只利用本幀圖像內的空間相關性。

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（幀內編碼），雖然只有空間相關性，但整個編碼過程也不簡單。

如上圖所示，整個幀內編碼，還要經過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，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（國際電信聯盟）。

1865年5月17日，為了順利實現國際電報通信，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》，國際電報聯盟（International Telegraph Union ，ITU）也宣告成立。

隨著電話與無線電的應用與發展，ITU的職權不斷擴大。

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“國際電信聯盟” ，也就是現在的ITU。

ITU是聯合國下屬的一個專門機構，其總部在瑞士的日內瓦。

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系密切的組織，是ISO/IEC。

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

1988年，ISO和IEC聯合成立了一個專家組，負責開發電視圖像數據和聲音數據的編碼、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++，這些統稱為H.26X系列，主要應用于實時視頻通信領域，如會議電視、可視電話等。

ISO/IEC提出了MPEG1、MPEG2、MPEG4、MPEG7、MPEG21，統稱為MPEG系列。

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

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在內的一系列標準。

壓縮率對比

視頻編碼標準的發展關系

大家特別注意一下上圖里面的HEVC，也就是現在風頭正盛的H.265。

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

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，就有一門專業課程，叫圖像識別，當時是我們學校的王牌專業，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？就是把圖像數字化。

圖像變成了數字，計算機就能從中找到規律，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展。我們漸漸發現，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，開始對傳統技術發起挑戰。

前段時間很火的谷歌“你畫我猜”程序，就是AI結合圖像識別技術的一個“人機交互”經典案例。

運算速度足夠快，存儲空間足夠大，學習數據足夠多，計算機可以海量分析圖像和視頻數據，尋找其中的規律，構建模型。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、武器系統，可以隨時在全球范圍內，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的應用。

總而言之，這是一個非常有前途的技術領域，值得深入進行研究。也許，我們一直在尋找的5G爆款應用，就和視頻有關呢！

好啦，今天的內容就到這里，感謝大家的耐心觀看！

嘿嘿，大家看到那么優質的答案，不點下贊嘛？再來波關注更是極好的啊！