【秒懂音视频开发】23_H.264编码

本文主要介绍一种非常流行的视频编码：H.264。

计算一下：10秒钟1080p（1920x1080）、30fps的YUV420P原始视频，需要占用多大的存储空间？

• (10 * 30) * (1920 * 1080) * 1.5 = 933120000字节 ≈ 889.89MB
• 可以看得出来，原始视频的体积是非常巨大的

由于网络带宽和硬盘存储空间都是非常有限的，因此，需要先使用视频编码技术（比如H.264编码）对原始视频进行压缩，然后再进行存储和分发。H.264编码的压缩比可以达到至少是100:1。

简介

H.264，又称为MPEG-4 Part 10，Advanced Video Coding。

• 译为：MPEG-4第10部分，高级视频编码
• 简称：MPEG-4 AVC

H.264是迄今为止视频录制、压缩和分发的最常用格式。截至2019年9月，已有91％的视频开发人员使用了该格式。H.264提供了明显优于以前任何标准的压缩性能。H.264因其是蓝光盘的其中一种编解码标准而著名，所有蓝光盘播放器都必须能解码H.264。

编码器

H.264标准允许制造厂商自由地开发具有竞争力的创新产品，它并没有定义一个编码器，而是定义了编码器应该产生的输出码流。

x264是一款免费的高性能的H.264开源编码器。x264编码器在FFmpeg中的名称是libx264。

AVCodec *codec = avcodec_find_encoder_by_name("libx264");

解码器

H.264标准中定义了一个解码方法，但是制造厂商可以自由地开发可选的具有竞争力的、新的解码器，前提是他们能够获得与标准中采用的方法同样的结果。

FFmpeg默认已经内置了一个H.264的解码器，名称是h264。

AVCodec *codec1 = avcodec_find_decoder_by_name("h264");

// 或者
AVCodec *codec2 = avcodec_find_decoder(AV_CODEC_ID_H264);

编码过程与原理

H.264的编程过程比较复杂，本文只介绍大体的框架和脉络，具体细节就不展开了。

大体可以归纳为以下几个主要步骤：

• 划分帧类型
• 帧内/帧间编码
• 变换 + 量化
• 滤波
• 熵编码

划分帧类型

有统计结果表明：在连续的几帧图像中，一般只有10%以内的像素有差别，亮度的差值变化不超过2%，而色度的差值变化只在1%以内。

GOP

于是可以将一串连续的相似的帧归到一个图像群组（Group Of Pictures，GOP）。

GOP中的帧可以分为3种类型：

• I帧（I Picture、I Frame、Intra Coded Picture），译为：帧内编码图像，也叫做关键帧（Keyframe）
  • 是视频的第一帧，也是GOP的第一帧，一个GOP只有一个I帧
  • 编码
    • 对整帧图像数据进行编码
  • 解码
    • 仅用当前I帧的编码数据就可以解码出完整的图像
  • 是一种自带全部信息的独立帧，无需参考其他图像便可独立进行解码，可以简单理解为一张静态图像
• P帧（I Picture、I Frame、Predictive Coded Picture），译为：预测编码图像
  • 编码
    • 并不会对整帧图像数据进行编码
    • 以前面的I帧或P帧作为参考帧，只编码当前P帧与参考帧的差异数据
  • 解码
    • 需要先解码出前面的参考帧，再结合差异数据解码出当前P帧完整的图像
• B帧（B Picture、B Frame、Bipredictive Coded Picture），译为：前后预测编码图像
  • 编码
    • 并不会对整帧图像数据进行编码
    • 同时以前面、后面的I帧或P帧作为参考帧，只编码当前B帧与前后参考帧的差异数据
    • 因为可参考的帧变多了，所以只需要存储更少的差异数据
  • 解码
    • 需要先解码出前后的参考帧，再结合差异数据解码出当前B帧完整的图像

不难看出，编码后的数据大小：I帧 > P帧 > B帧。

在较早的视频编码标准（例如MPEG-2）中，P帧只能使用一个参考帧，而一些现代视频编码标准（比如H.264），允许使用多个参考帧。

GOP的长度

GOP的长度表示GOP的帧数。GOP的长度需要控制在合理范围，以平衡视频质量、视频大小（网络带宽）和seek效果（拖动、快进的响应速度）等。

• 加大GOP长度有利于减小视频文件大小，但也不宜设置过大，太大则会导致GOP后部帧的画面失真，影响视频质量

• 由于P、B帧的复杂度大于I帧，GOP值过大，过多的P、B帧会影响编码效率，使编码效率降低

• 如果设置过小的GOP值，视频文件会比较大，则需要提高视频的输出码率，以确保画面质量不会降低，故会增加网络带宽

• GOP长度也是影响视频seek响应速度的关键因素，seek时播放器需要定位到离指定位置最近的前一个I帧，如果GOP太大意味着距离指定位置可能越远（需要解码的参考帧就越多）、seek响应的时间（缓冲时间）也越长

GOP的类型

GOP又可以分为开放（Open）、封闭（Closed）两种。

• Open
  • 前一个GOP的B帧可以参考下一个GOP的I帧
• Closed
  • 前一个GOP的B帧不能参考下一个GOP的I帧
  • GOP不能以B帧结尾

需要注意的是：

• 由于P帧、B帧都对前面的参考帧（P帧、I帧）有依赖性，因此，一旦前面的参考帧出现数据错误，就会导致后面的P帧、B帧也出现数据错误，而且这种错误还会继续向后传播

• 对于普通的I帧，其后的P帧和B帧可以参考该普通I帧之前的其他I帧

在Closed GOP中，有一种特殊的I帧，叫做IDR帧（Instantaneous Decoder Refresh，译为：即时解码刷新）。

• 当遇到IDR帧时，会清空参考帧队列
• 如果前一个序列出现重大错误，在这里可以获得重新同步的机会，使错误不会继续往下传播
• 一个IDR帧之后的所有帧，永远都不会参考该IDR帧之前的帧
• 视频播放时，播放器一般都支持随机seek（拖动）到指定位置，而播放器直接选择到指定位置附近的IDR帧进行播放最为便捷，因为可以明确知道该IDR帧之后的所有帧都不会参考其之前的其他I帧，从而避免较为复杂的反向解析

帧内/帧间编码

I帧采用的是帧内（Intra Frame）编码，处理的是空间冗余。

P帧、B帧采用的是帧间（Inter Frame）编码，处理的是时间冗余。

划分宏块

在进行编码之前，首先要将一张完整的帧切割成多个宏块（Macroblock），H.264中的宏块大小通常是16x16。

宏块可以进一步拆分为多个更小的变换块（Transform blocks）、预测块（Prediction blocks）。

• 变换块的尺寸有：16x16、8x8、4x4

• 预测块的尺寸有：16×16、16×8、8×16、8×8、8×4、4×8、4×4

帧内编码

帧内编码，也称帧内预测。以4x4的预测块为例，共有9种可选的预测模式。

利用帧内预测技术，可以得到预测帧，最终只需要保留预测模式信息、以及预测帧与原始帧的残差值。

编码器会选取最佳预测模式，使预测帧更加接近原始帧，减少相互间的差异，提高编码的压缩效率。

帧间编码

帧间编码，也称帧间预测，用到了运动补偿（Motion compensation）技术。

编码器利用块匹配算法，尝试在先前已编码的帧（称为参考帧）上搜索与正在编码的块相似的块。如果编码器搜索成功，则可以使用称为运动矢量的向量对块进行编码，该向量指向匹配块在参考帧处的位置。

在大多数情况下，编码器将成功执行，但是找到的块可能与它正在编码的块不完全匹配。这就是编码器将计算它们之间差异的原因。这些残差值称为预测误差，需要进行变换并将其发送给解码器。

综上所述，如果编码器在参考帧上成功找到匹配块，它将获得指向匹配块的运动矢量和预测误差。使用这两个元素，解码器将能够恢复该块的原始像素。

如果一切顺利，该算法将能够找到一个几乎没有预测误差的匹配块，因此，一旦进行变换，运动矢量加上预测误差的总大小将小于原始编码的大小。

如果块匹配算法未能找到合适的匹配，则预测误差将是可观的。因此，运动矢量的总大小加上预测误差将大于原始编码。在这种情况下，编码器将产生异常，并为该特定块发送原始编码。

变换与量化

接下来对残差值进行DCT变换（Discrete Cosine Transform，译为离散余弦变换）。

规格

H.264的主要规格有：

• Baseline Profile（BP）
  • 支持I/P帧，只支持无交错（Progressive）和CAVLC
  • 一般用于低阶或需要额外容错的应用，比如视频通话、手机视频等即时通信领域
• Extended Profile（XP）
  • 在Baseline的基础上增加了额外的功能，支持流之间的切换，改进误码性能
  • 支持I/P/B/SP/SI帧，只支持无交错（Progressive）和CAVLC
  • 适合于视频流在网络上的传输场合，比如视频点播
• Main Profile（MP）
  • 提供I/P/B帧，支持无交错（Progressive）和交错（Interlaced），支持CAVLC和CABAC
  • 用于主流消费类电子产品规格如低解码（相对而言）的MP4、便携的视频播放器、PSP和iPod等
• High Profile（HiP）
  • 最常用的规格
  • 在Main的基础上增加了8x8内部预测、自定义量化、无损视频编码和更多的YUV格式（如4:4:4）
    • High 4:2:2 Profile（Hi422P）
    • High 4:4:4 Predictive Profile（Hi444PP）
    • High 4:2:2 Intra Profile
    • High 4:4:4 Intra Profile
  • 用于广播及视频碟片存储（蓝光影片），高清电视的应用