ffmpeg api的应用——提取视频图片

Posted 2022-07-29 breaksoftware

        这些年来，“短视频”吸引了无数网民的注意。相对于丰富有趣的内容，我们码农可能更关心其底层技术实现。本系列文章将结合ffmpeg，讲解几则视频处理案例。（转载请指明出于breaksoftware的csdn博客）

        “短视频”都是以“文件"的形式保存于服务器上。任何一个便于传播的文件都会有一种定义良好的格式，同样视频也有其格式。这系列我们不会去从微观的角度去分析这些格式，因为其应用意义不是很大。我们将从宏观角度去分析，视频文件应该包含哪些信息？

        能确定的是，大部分情况下，我们可以使用眼睛看到“图像”，使用耳朵听到“声音”。如果我们关闭其中任意一个器官，就将停止接受对应的信息；而没有关闭的器官还和之前一样接受信息，不受影响。

        所以目前至少我们可以把视频分为：图像和声音两个模块。那这两个模块是怎么组合的？是不是一个极短时间内的图像和声音（比如我们此时此刻正看到的图像和听到的声音）融合在一个“区块”中？

        从设计的角度说，“耦合”是非常不好的。如果将图像和声音信息融合在一个“区块”中，就是一种很强的“耦合”。一种良好的设计就像我们小时候在电影院看的电影文件（不知道现在电影播放的原理）：一个文件用于播放图像，一个文件用于播放声音。这样我们可以配一个普通话版，一个英语版、一个法语版……的音频文件，而不用去修改播放的图像文件。但是我们在PC上看到的视频文件是一个独立文件，那是怎么搞的？

        于是在设计就要在“易用”和“可维护”之间做个平衡：宏观层面融合图像和声音文件，微观层面图像和声音信息是分离的。对应到ffmpeg上来说就是：

• 图像文件和声音文件分别是一个流——AVStream结构；
• 图像文件和声音文件微观分离体现在它们都是独立的包——AVPacket；
• 图像文件和声音文件宏观融合是通过“视音频复用器——Muxer”融合的；

        以ffmpeg4.0.2版本的API为例

void get_video_pictures(const char* file_path) 
    std::unique_ptr<AVFormatContext, std::function<void(AVFormatContext*)>> avfmt_ctx_t(
        avformat_alloc_context(),
        [](AVFormatContext *s) 
            if (s) 
                avformat_close_input(&s);
            
        
    );
    
    AVFormatContext* && avfmt_ctx = avfmt_ctx_t.get();

    if (avformat_open_input(&avfmt_ctx, file_path, NULL, NULL)) 
        std::cerr << "avformat_open_input error";
        return;
    

        首先我们需要构造一个AVFormatContext对象，它用于承载我们分析文件的上下文。Context（上下文）这个概念在ffmpeg中非常重要，我们可以通过它的一些参数干预ffmpeg底层的行为，还可以通过它获得对应层面的信息。之后我们会遇到各种Context。这类Context的使用有比较固定的套路：

1. 使用XXXXX_alloc_context分配空间。AVFormatContext对应的就是avformat_alloc_context。
2. 使用XXXXX_openXXX初始化。AVFormatContext对应的就是avformat_open_input。
3. 使用XXXXX_free_context释放空间。AVFormatContext对应的就是avformat_free_context。由于avformat_close_input包含了更多的释放操作，且其底层也会调用avformat_free_context，所以此处我们使用了它。

        AVFormatContext有个两个和“流”——AVStream相关的信息:nb_streams和streams。后者是一个AVStream数组的首地址，前者是该数组的元素个数。我们可以遍历所有流

    for (unsigned int i = 0; i < avfmt_ctx->nb_streams; i++) 
        AVStream *st = avfmt_ctx->streams[i];

        之前我们谈到，图像和声音分别属于不同的流，于是我们可以通过AVStream::codecpar::codec_type辨别流

enum AVMediaType 
    AVMEDIA_TYPE_UNKNOWN = -1,  ///< Usually treated as AVMEDIA_TYPE_DATA
    AVMEDIA_TYPE_VIDEO,
    AVMEDIA_TYPE_AUDIO,
    AVMEDIA_TYPE_DATA,          ///< Opaque data information usually continuous
    AVMEDIA_TYPE_SUBTITLE,
    AVMEDIA_TYPE_ATTACHMENT,    ///< Opaque data information usually sparse
    AVMEDIA_TYPE_NB
;

        在这组枚举类型中，我们还看到AVMEDIA_TYPE_SUBTITLE，它是“字幕流”类型。可以见得，字幕并不是刻印在图像上的。在现实生活中，我们在播放器中可以选择不同的字幕，不同的语言配音（英文/中文），这些都是以流的形式保存在视频文件这个容器中的，而且它们还可以是多份的。比如中文配音是一个流，英文配音是一个流，中文字幕是一个流，英文字幕是一个流。

        如本文标题，我们需要从图像流中提取图片，于是切入AVMEDIA_TYPE_VIDEO类型的流进行操作

        if (st->codecpar->codec_type == AVMEDIA_TYPE_VIDEO) 

            std::unique_ptr<AVCodecContext, std::function<void(AVCodecContext*)>> avcodec_ctx(
                avcodec_alloc_context3(NULL),
                [](AVCodecContext *avctx) 
                    if (avctx) 
                        avcodec_free_context(&avctx);
                    
                
            );
            if (0 > avcodec_parameters_to_context(avcodec_ctx.get(), st->codecpar)) 
                std::cerr << "avcodec_parameters_to_context error.stream " << i;
                continue;
            
            AVCodec *avcodec = avcodec_find_decoder(avcodec_ctx->codec_id);
            if (avcodec_open2(avcodec_ctx.get(), avcodec, NULL) < 0) 
                std::cerr << "Failed to open codec" << std::endl;
                continue;
            
            save_video_pic(avfmt_ctx, i, avcodec_ctx.get());
        

    

        对于每个流，也有其自身的格式。我们需要使用解码器对该流进行解码分析，所以这次会涉及到AVCodecContext结构。和之前的Context使用套路一致：

• 使用avcodec_alloc_context3申请空间；
• 使用avcodec_free_context释放空间；
• 通过avcodec_parameters_to_context以流中解码器信息初始化；
• 通过avcodec_find_decoder找到对应的解码器；
• 使用avcodec_open2和上述找到的解码器，打开这个上下文；

        这次我们没有使用avcodec_open2对应的avcodec_close方法，是因为该方法在4.0.2版本中被声明为“即将废弃”

/**
 * Close a given AVCodecContext and free all the data associated with it
 * (but not the AVCodecContext itself).
 *
 * Calling this function on an AVCodecContext that hasn't been opened will free
 * the codec-specific data allocated in avcodec_alloc_context3() with a non-NULL
 * codec. Subsequent calls will do nothing.
 *
 * @note Do not use this function. Use avcodec_free_context() to destroy a
 * codec context (either open or closed). Opening and closing a codec context
 * multiple times is not supported anymore -- use multiple codec contexts
 * instead.
 */
int avcodec_close(AVCodecContext *avctx);

        类似的，我们没有直接使用AVSteam中的AVCodecContext *codec，也是因为它“即将废弃”

    attribute_deprecated
    AVCodecContext *codec;

        通过avcodec_open2打开一个和解码器相关的上下文后，我们就可以开始解码了。在这之前需要熟悉两个比较微观的结构——AVPacket和AVFrame。AVPacket是编码后（未解码）的数据结构，AVFrame是编码前（未编码）的结构。所以我们从一个视频文件中，通过av_read_frame读出来的是一个尚未解码的数据——AVPacket。

void save_video_pic(AVFormatContext *avfmt_ctx, int stream_index, AVCodecContext *avcodec_ctx) 
    int err = av_seek_frame(avfmt_ctx, -1, avfmt_ctx->start_time, 0);
    do 
        std::unique_ptr<AVPacket, std::function<void(AVPacket*)>> avpacket_src(
            av_packet_alloc(), 
            [](AVPacket *pkt) 
                if (pkt) 
                    av_packet_free(&pkt);
                
            
        );
        av_init_packet(avpacket_src.get());
        if (av_read_frame(avfmt_ctx, avpacket_src.get()) < 0) 
            break;
        
        if (avpacket_src->stream_index != stream_index) 
            continue;
        

        注意第16行，它通过判断读出来的AVPacket的stream_index是否为之前分析出来的视频流下标，决定是否继续执行。 这个流程说明不同流的AVPacket在文件中可以是穿插分布的。这种设计存在一定的合理性。因为在同一时刻，图像、声音、字幕等都要展现出来，顺序性读取并解析可以减少频繁的跳转。

        因为编解码过程比较类似，我将过程中结果保存组织在一个模板类中

template<typename Component>
class AvComponentStore 
public:
    virtual void save(Component *d) = 0;
;

template<typename Component>
class TransStore :
    public AvComponentStore<Component>

public:
    TransStore(std::function<Component*(const Component*)> clone, std::function<void(Component**)> free) 
        _clone = clone;
        _free = free;
    

    ~TransStore() 
        for (auto it = _store.begin(); it != _store.end(); it++) 
            if (*it) 
                _free(&*it);
            
        
    
public:
    void traverse(std::function<void(Component*)> t) 
        if (!t) 
            return;
        
        for (auto it = _store.begin(); it != _store.end(); it++) 
            if (*it) 
                t(*it);
            
        
    
public:
    virtual void save(Component *d) 
        Component *p = _clone(d);
        _store.push_back(p);
    
private:
    std::vector<Component*> _store;
    std::function<Component*(const Component*)> _clone;
    std::function<void(Component**)> _free;
;

using PacketsStore = TransStore<AVPacket>;
using FramesStore = TransStore<AVFrame>;

        FrameStore用于保存AVPacket的解码结果。对于中间产生的AVFrame结构，我们使用av_frame_clone深度拷贝。FrameStore对象释放时，将通过av_frame_free释放这些空间和资源。

        std::shared_ptr<FramesStore> frames_store = std::make_shared<FramesStore>(av_frame_clone, av_frame_free);
        decode_packet(avcodec_ctx, avpacket_src.get(), frames_store);
        frames_store->traverse(traverse_frame);
 
     while (true);

        解码AVPacket通过avcodec_send_packet和avcodec_receive_frame实现。从语义上说，我们将一个解码前的数据发送给一个解码器上下文，然后从这个解码器上下文中获得解码后的数据。

int decode_packet(AVCodecContext *avctx, AVPacket *pkt, std::shared_ptr<FramesStore> store) 
    int ret = avcodec_send_packet(avctx, pkt);
    if (ret < 0 && ret != AVERROR_EOF) 
        return ret;
    
    
    std::unique_ptr<AVFrame, std::function<void(AVFrame*)>> frame(
        av_frame_alloc(),
        [](AVFrame *frame) 
            if (frame) 
                av_frame_free(&frame);
            
        
    );

    ret = avcodec_receive_frame(avctx, frame.get());
    if (ret >= 0) 
        store->save(frame.get());
    
    else if (ret < 0 && ret != AVERROR(EAGAIN)) 
        return ret;
    

    return 0;

        对于每个解码后的数据，我们需要通过图片编码器将其编码成一个图片文件。

        和之前生成解码器上下文相似，我们要构造一个编码器上下文。这次我们要使用avcodec_find_encoder去寻找编码器

void traverse_frame(AVFrame* avframe) 
    AVCodec *avcodec = avcodec_find_encoder(AV_CODEC_ID_MJPEG);

        然后使用avcodec_open2去打开一个和该编码器相关的上下文

    std::unique_ptr<AVCodecContext, std::function<void(AVCodecContext*)>> avcodec_ctx_output(
        avcodec_alloc_context3(avcodec),
        [](AVCodecContext *avctx) 
            if (avctx) 
                avcodec_free_context(&avctx);
            
        
    );

    avcodec_ctx_output->width = avframe->width;
    avcodec_ctx_output->height = avframe->height;
    avcodec_ctx_output->time_base.num = 1;
    avcodec_ctx_output->time_base.den = 1000;
    avcodec_ctx_output->pix_fmt = AV_PIX_FMT_YUVJ420P;
    avcodec_ctx_output->codec_id = avcodec->id;
    avcodec_ctx_output->codec_type = AVMEDIA_TYPE_VIDEO;

    if (avcodec_open2(avcodec_ctx_output.get(), avcodec, nullptr) < 0) 
        std::cerr << "Failed to open codec" << std::endl;
        return;
    

        encode_frame方法将把每个AVFrame打包成若干个AVPacket，并保存在PacketsStore对象中

    std::shared_ptr<PacketsStore> packets_store = std::make_shared<PacketsStore>(av_packet_clone, av_packet_free);
    if (encode_frame(avcodec_ctx_output.get(), avframe, packets_store) < 0) 
        std::cerr << "encode_frame error" << std::endl;
        return;
    

        编码的过程使用avcodec_send_frame和avcodec_receive_packet方法。从语义上就是将一个解码前的数据发送到一个编码器上下文，然后从这个上下文中获得编码后的数据。

int encode_frame(AVCodecContext *c, AVFrame *frame, std::shared_ptr<PacketsStore> store) 
    int ret;
    int size = 0;

    std::unique_ptr<AVPacket, std::function<void(AVPacket*)>> pkt(
        av_packet_alloc(),
        [](AVPacket *pkt) 
            if (pkt) 
                av_packet_free(&pkt);
            
        
    );
    av_init_packet(pkt.get());

    ret = avcodec_send_frame(c, frame);
    if (ret < 0) 
        return ret;
    

    do 
        ret = avcodec_receive_packet(c, pkt.get());
        if (ret >= 0) 
            store->save(pkt.get());
            size += pkt->size;
            av_packet_unref(pkt.get());
        
        else if (ret < 0 && ret != AVERROR(EAGAIN) && ret != AVERROR_EOF) 
            return ret;
        
     while (ret >= 0);

    return size;

        在编码完数据后，我们将其保存到一个文件中。

    std::string&& file_name = gen_pic_name(avframe);
    std::unique_ptr<std::FILE, std::function<int(FILE*)>> file(std::fopen(file_name.c_str(), "wb"), std::fclose);
    packets_store->traverse(
        [&file](AVPacket* packet)
            fwrite(packet->data, 1, packet->size, file.get());
        
    );