音视频相关技术基础知识总结

Posted 2022-01-22 Engineer-Bruce_Yang

前阵子写了很多笔记，由于忙于研究生课程学习，故很少有时间整理笔记分享到公众号上，今天整理的笔记是我之前学习音视频技术相关的笔记整理。

1、视频

1.1、视频帧

帧，是视频的一个基本概念，表示一张画面，一个视频就是由许许多多的帧组成的。

1.2、帧率

即单位内帧的数量，单位为：帧/秒 或 fps(frames per second)，一秒内包含多少张图片，图片越多，画面越顺滑，过渡越自然。

常见的帧率典型值：

(1)24/25 fps：1秒24/25帧，一般的电影频率。

(2)30/60 fps：1秒30/60帧，游戏的频率，30帧可以接受，60帧会感觉更加流畅逼真

(3)85fps：这个帧率及以上人眼基本无法察觉出来，更高的帧率在视频里没有太大意义。

2、色彩空间

2.1、RGB

通过R、G、B三种基础色，可以混合出所有的颜色

2.2、YUV

也叫，YCbCr，是一种亮度与色度分离的色彩格式

(1)Y：亮度，就是灰度值，出了表示亮度信号外，还含有较多的绿色通道量

(2)U：蓝色通道与亮度的差值

(3)V：红色通道与亮度的差值

优势：

人眼对亮度敏感，对色度不敏感，因此减少部分UV的数据量，人眼却无法感知出来，这样可以通过压缩UV分辨率，在不影响感观的前提下，减少视频的体积。

2.3、RGB与YUV的换算

(1)RGB转YUV算法

Y = 0.299R + 0.587G + 0.114B

U = -0.147R - 0.289G + 0.436B

V = 0.635R - 0.515G - 0.100B

(2)YUV转RGB算法

R = Y + 1.14V

G = Y - 0.39U - 0.58V

B = Y + 2.03U

3、音频

3.1、基本知识

人类能够听到的所有声音都称之为音频，在计算机中，音频只是存储在计算机里的声音。

PCM：音频数据的承载方式最常用的是脉冲编码调制。

在自然界中，声音是连续不断的，是一种模拟信号，那怎样才能把声音保存下来呢？就是将这些模拟信号数字化，即模数转换，将模拟信号转换为数字信号。

声音是一种波，由自己的振幅和频率，那么要保存声音，就要保存声音在各个时间点上的振幅。而数字信号并不能连续保存所有时间点的振幅。

奈奎斯特采样定理：为了不失真地恢复模拟信号，采样频率应该不小于模拟信号频率中最高频率的2倍。

3.2、采样率和采样位数

(1)采样率

根据奈奎斯特采样定理，人耳能听到的最高频率为20KHz，所以为了满足人耳的听觉要求，采样率至少为40KHz，通常为44.1KHz，更高的通常为48KHz。

注意：人耳听觉频率范围[20Hz，20KHz]。

(2)采样位数

波形振幅在模拟信号上也是连续的样本值，而在数字信号中，信号一般是不连续的，所以模拟信号量化后，只能取一个近似的整数值，为了记录这些振幅值，采样器会采用一个固定的位数来记录这些振幅值，通常有8位、16位、32位。

注意：位数越多，记录的值越准确，还原度越高，但是占用的硬盘空间越大。

位数	最小值	最大值
8	0	255
16	-32768	32767
32	-2147483648	2147483647

3.3、音频编码

由于数字信号是由0、1组成的，因此，需要将幅度值转化为一系列0和1进行存储，也就是编码。

3.4、PCM的采集步骤

模拟信号->采样(奈奎斯特采样定理)->量化->编码->数字信号

3.5、声道数

声道数是指支持能不同发声(注意是不同声音)的音响的个数。

• 单声道：1个声道

• 双声道：2个声道

• 立体声道：默认为2个声道

• 立体声道(4声道)：4个声道

3.6、码率

码率是指一个数据量中每秒钟能通过的信息量，单位bps(bit per second)

码率 = 采样率 * 采样位数 * 声道数

3.7、常见的音频格式

CD格式、WAVE(*.WAV)、AIFF、MP3、MIDI、AAC、WMA、OggVorbis

4、FFmpeg

4.1、FFmpeg是什么？

是一套可以用来记录、转化数字音频、视频、并能将其转化为流的开源计算机程序。它有着非常强大的功能，主要包括：视频采集功能、视频格式转换、视频抓图、给视频加水印等。

4.2、FFmpeg的组成

FFmpeg由三个部分组成：

(1)工具

分别是ffmpeg、ffplay、ffserver和ffprobe。

ffmpeg：音视频转码、转换器

ffplay：简单的音视频播放器

ffserver：流媒体服务器

ffprobe：简单的多媒体码流分析器

(2)SDK

提供开发者使用的SDK，我们可以根据自己的需求使用这些库开发自己的应用程序，这些库主要有：

libavcodec：包含音视频编码器和解码器

libavutil：包含多媒体应用常用的简化编程的工具，如随机数生成器、数据结构、数学函数等功能

libavformat：包含多种多媒体容器格式的封装、解封装工具

libavfilter：包含多媒体处理常用的滤镜功能

libavdevice：用于音视频数据采集和渲染等功能的设备相关

libswscale：用于图像缩放和色彩空间和像素格式转换功能

libswresample：用于音频量采样和格式转换等功能

libpostproc：用于后期处理，当我们使用filter的时候，需要打开这个模块，filter会用到这个模块里的一些基础函数

(3)源代码

整个工程的源代码，无论是编译出来的可执行程序还是SDK。

它的源代码由C语言实现，主要在Linux平台上进行开发。