Android 音视频编解码 -- 视频编码和H264格式原理讲解

Posted 2023-02-06 夏至的稻穗

Android 音视频编解码(一) – MediaCodec 初探
Android 音视频编解码(二) – MediaCodec 解码(同步和异步)

前面学习了 MediaCodec 的基本原理，以及如何解码，在学习MediaCodec 编码之前，先来学习视频是如何编码的，以及最常用的 H264。
这一章偏文字理论，但非常重要，希望沉下心来慢慢看。

说到视频，第一印象就是占内存，我们知道视频是由一连串图像组成的，假设我们现在有一个视频，1080p(1920x1080) ，帧率是25帧，时长是2个小时，如果不进行压缩的话，它的大小为 1920x1080x25x2x60x60x1.5≈260.7G 。如果我们不对视频进行压缩的话，任何存储设备都存储不了几部电影，更别说在线电影了，带宽根本撑不住。

一. 视频编码原理

前面说到，视频是一帧帧的图像，因此编码也是对图像的编码，而图像一般是 RGB，即红蓝绿三个分量来组合成所有颜色。但是 RGB 对编码不太友好，因此通常会使用 YUV 的图像格式来进行编码，Y 表示亮度，UV表示色彩空间。人眼对亮度信息敏感，对色度信息稍弱，因此我们对图像进行不同的编码。具体YUV与RGB的信息，可以查看Android OpenGL ES 学习(十一) –渲染YUV视频以及视频抖音特效

对于每一帧图像，又可以划分成一个个块来编码，不同编码类型对块的解释不通，但基本相同，如 H264 中图像块被叫做宏块，宏块的大小一般为 16x16(H264),32x32(H265,VP9)等。

二. 编码模式

图像一般具备数据冗余的，因此我们可以根据此特性去做一些操作，减少图像的数据量，比如 Bitmap 压缩，我们可以修改它的缩放因此，适配空间大小，达到压缩空间省内存的效果，视频同样如此，去除冗余的方式有：

• 空间冗余：相邻像素具备相似性
• 时间冗余：相邻帧的内容往往很相似，两张图像变化很小，相似性很高
• 视觉冗余：人眼睛对高频信息敏感度低于信息，比如眼睫毛，因此可以去除高频信息
• 信息熵冗余：我们一般会使用 Zip 等压缩工具去压缩文件，将文件大小减小，这个对于
  图像来说也是可以做的。

视频编码就是通过上述4中冗余来达到视频压缩的目的。更多视频压缩信息，可以参考极客学院-视频怎么编码的
而 H264 就是针对以上冗余信息进行算法编程，达到视频压缩的。

三. H264 简介

视频编码标准其实有很多，而大名鼎鼎的就是 H264 了，可以说是最常用，最普遍的视频编码格式。其实除了H264,还有H265，H264和H265都是国际标准化组织（ISO）和国际电信联盟（ITU）开发的编码标准，而VP8、VP9 和 AV1是谷歌开发的编码标准，H264 和 H265 是需要专利费的，所以VP8、VP9 和 AV1（都是免费）也是谷歌为了对抗他们高昂专利费而开发出来的。

上面讲到了视频编码的原理，这里我们通过H264来了解视频编码中的码流结构，以及H264 是如何解决4中冗余信息的。它的主要步骤为：

1. 帧内预测：解决空间冗余问题
2. 帧间预测：解决时间冗余问题
3. DCT变化和量化：解决视觉冗余问题

3.1 帧内预测 - 如何减少空间冗余

前面说到，帧内预测是为了解决空间冗余问题，我们知道，一幅图像中相邻像素的亮度和色度信息是比较接近的，并且亮度和色度信息也是逐渐变化的，不太会出现突变。也就是说，图像具有空间相关性，帧内预测就是按照这个特点来进行的。

比如这张蓝色，它相邻的像素的亮度和色彩就是相似。

所以帧内预测就是利用已经编码后的相邻像素的值，来预测待编码的像素值，从而达到减少空间冗余的目的。

你可能会奇怪，已经编码过的像素，不是变成码流了吗，怎么还能去预测待编码的像素的。其实这个已经编码的像素是会重建成重建像素，用做之后待编码快的参考像素的。

不同块大小的帧内预测模式

这里不打算深入讲，因为要深入讲的话，得重新开一章才行，这里我们简单了解一下即可。
前面说到，视频编码是以块为单位的。在H264的标准里面，块可以分为宏块和子块，宏块的大小是 16x16 (YUV 4:2:0 ，Y 为16x16,UV 为 8x8)，在帧内预测中，图像除了相似的地方，还有更细节的部分，如蓝色天空的一朵云，因此，Y 宏块还可以分成16个 4x4 的子块

Y 与 UV 的预测是分开进行的，因此，我们可以总结三个点：

1. 宏块大小为 16x16，Y 为16x16,UV 为 8x8
2. Y 和 UV 块是分开独立进行预测的，即Y会参考已编码Y块的像素，UV 会参考已编码的UV块像素
3. 16 x 16 的Y块可以继续划分成 16 个 4 x 4 的子块。

所以，我们在实际帧内预测的时候就会分为：4 x 4 Y块的预测、16 x 16 Y块的预
测、8 x 8 UV块的预测.

实际上，4x4的字块中，帧内预测的模式最多，共有8个，其中有8个方向模式和一种DC模式，且方向模式指的是预测是有方向角度的。这里涉及到具体的编码算法，就不展开，若感兴趣，可参考极客学院-帧内预测

3.2 帧间预测 - 如何减少时间冗余

这里也不深入，主要连接P帧，B 帧的概念即可

前面说到，时间冗余是指相邻两帧画面相似的地方比较多，前后两帧图像变化很小，比如帧率30,1秒内有30张图像，如果是连续变化，两帧的图像其实变化往往很小，这就是相关性，帧间预测，就是利用这个特点来进行算法编码的。即：

通过在已经编码的帧里面找到一个块来预测等待编码块的像素，从而达到减少时间冗余的目的。

注意这里和帧内预测的区别：

1. 帧内预测是同张图像，等待编码的块去参考已编码的块像素；而帧间预测，则是等待编码的图像去参考已经编码的图像像素块。
2. 帧间预测可以在多个已经编码的图像里，去寻找参考像素块，也可以是单个。
3. 帧间预测，即可以参考前面的图像，也可以参考后面的图像(如果参考后面的图像，后面的图像也需要提前编码)。只参考前面的帧，我们成为前向参考帧 - P帧了；参考后面的帧或者前后两帧图像的帧，我们称之双向参考帧 - B帧。

这里以 H264 的标准来讲讲 P 帧的帧间预测过程，当然也是了解个大概，更详细的，参考极客学院 - 帧间预测

其实阵间预测也是通过块作为参考的，我们会在已经编码的帧里面找到一个块来作为预测块，这个已经编码的帧称之为参考帧。

那问题来了，前面说到帧间预测是图像与图像之间的参考，如果两张图像一模一样，还好理解一点，如果是有变化的呢？比如下面这张图：

可以看到，树木是不变的，但是汽车移动了，这里是怎么计算的？

从编码的角度来看，汽车是不变的，变的是运动轨迹，因此，为了表示这种变化，可以使用运动矢量来表示编码帧中编码块和参考帧中，预测块之间的位置的差值。

比如说上面两幅图像中，小车从前一幅图像中的（32，80）的坐标位置，变化到当前图像
（80，80）的位置，向前行驶了 48 个像素。很明显，如果我们选用（32，80）这个块作
为当前（80，80）这个编码块的预测块的话，是不是就可以得到全为 0 像素的残差块了？
这是因为小车本身是没有变化的，变化的只是小车的位置。

而这里的难点，在于如何找到这个最佳的参考帧，这里就涉及到运动算法。你可能会箱单，既然都分成块了，那逐行对比即可，即全局搜索，好处就是啥都能对比到，但是缺点就是一帧算下来，耗时过长，因此还需要更快速的算法。这里就不细讲，参考极客学院 - 帧间预测

3.2 变换量化 – 如何减少视觉冗余

通过前面的知识，已经知道 ，通过帧内编码可以去除空间冗余，通过帧间编码可以去除时间冗余，而为了分离图像块的高频和低频信息从而去除视觉冗余，我们需要做 DCT 变换和量化。

其实DCT 变换，就是离散余弦变化，它可以将你扛到的图像转到成数据，并能很好的去除相关性。
经过 DCT 变化之后，低频信息会集中出现在左上角，高频信息则分散到其他地方，而人又对高频信息不敏感，因此图像在经过 DCT 变化后，再去除一些高频信息，就可以达到压缩的目的。

而高频信息幅度值比较小，因此还可以使用量化的方式，即除法操作，将高频信息幅度变小，达到压缩的目的。

更多细节，参考极客学院-变化量化

四. H264

前面学习了视频编码的原理，现在来看H264，估计会简单很多。先来看看结构：

在上面的结构中，一个视频编码后的数据叫做帧，一帧由1个片 (slice)或多个片组成，一个片 又可以分成多个宏块 (MB)，一个宏块又可以由多个子块组成。而宏块是H264的基本单位，前面也说到，编码基本是基于块去做参考的。

4.1 帧类型

可能平时你也接触过，H264的帧类型，可以分为 I帧，P帧，和B帧。前面的视频编码原理讲到，为了减少空间冗余和时间冗余，有涉及到帧内预测和帧间预测。
再回顾一下，帧内预测，是参考自身的宏块，帧间预测是不同帧之间的参考，即：

• 帧内预测不需要参考已编码帧，对已编码帧是没有依赖的，并可以自行完成编码
  和解码。
• 帧间预测是需要参考已编码帧的，并对已编码帧具有依赖性。帧间预测需要参
  考已经编码好了的帧内编码帧或者帧间编码帧。并且，帧间编码帧又可以分为只参考前面
  帧的前向编码帧，和既可以参考前面帧又可以参考后面帧的双向编码帧。

因此，我们可以得出两者之间的关系：

	帧类型	预测方式	参考帧	优点	缺点
I帧	帧内编码帧	只帧内预测	无	能独立编码	压缩率小
P帧	前向编码帧	可以进行帧内预测和帧内预测	参考前面的I帧或P帧	压缩率比I帧高	必需参考正确的帧才能正确解码
B帧	双向编码帧	可以进行帧内预测和帧内预测	参考前面或者后面已经编码的I帧或者P帧	压缩率最高	需要缓存帧，参考后面的帧，延时高

可以看到，如果编解码中，如果前面一个帧出现了错误，那么P帧和B帧肯定也会出现错误，虽然B帧也可以参考后面的帧，但一般很少用到B帧，比如只有P帧，错误就会一直传递，为了避免这种情况，就有一种特殊的I帧，叫 IDR 帧，也叫立即刷新帧。

4.2 IDR 帧

在H264的标砖中，IDR 后的帧不再参考前面的帧，这样如果一帧编码错误后，如果此时有IDR帧过来，后面的帧就只会参考这个IDR帧，就截断了错误，后面就可以正常编解码了。
所以，一般都会使用 IDR帧，而不是普通I帧。

4.3 GOP - 关键帧间隔

从一个 IDR 帧开始到下一个 IDR 帧的前一帧为止，这里面包含的 IDR 帧、普通 I 帧、P 帧和 B 帧，我们称为一个 GOP（图像组）。

所以，一个GOP的大小，是由IDR的间隔决定的，这个间隔，也叫做 关键帧间隔，关键帧越大，则IDR相关越远，GOP越大，反之亦然。
当然GOP不是越大越好，也不是越小越好，比如直播场景，由于网络等因素，你可能GOP小一些比较好，而局域网投屏，网络基本稳定，所以GOP可以设置大一些。

4.4 码流结构

前面也说到一帧图像可以划分成一个或多个 Slice，而一个 Slice 包含多个宏块，且一个宏块又可以划分成多个不同尺寸的子块。这里我们一层层去剥开它。

4.4.1 码流格式

H264 有两种格式，一种是Annexb,另一种是MP4，相同是他们都有起始码，而它们的不同是：

• Annexb: 起始码是三个字节，即 00 00 01
• MP4: 起始码是四个字节，即 00 00 00 01

因此，我们在解析H264文件时，要注意头部信息的起始码。

4.4.2 SPS/ PPS

在H264码流中，有两个很重要的信息，即sps和pps：

• sps：主要包含图像的宽高，YUV 格式和位深等基本信息
• pps：主要包含熵编码类型，基础QP和最大参考帧等编码信息

如果一段码流中，缺失了这两个部分，之后的I帧，P帧，B帧都无办法解码。

4.4.3 NALU

现在我们知道了，H264 的码流中， SPS、PPS、I 帧、P帧和 B 帧。由于帧又可以划分成一个或多个 Slice。因此，帧在码流中实际上是以 Slice 的形式呈现的。

所以，H264 的码流主要是由 SPS、PPS、I Slice、P Slice和B Slice 组成
的。如下图所示：

那如何在码流中区分这些数据呢？
为了解决这个问题，H264设计了NALU (网络抽象层单元)，sps 是一个 NALU,pps也是一个 NALU单元，每一个片(Slice) 也是一个 NALU 。
它的结构组成是：

• NALU : 一个字节的 Nalu Header 加若干个字节的Nalu data 组成吗
  – 如果这个NALU 是 Slice，它的data ，有可以拆分成 slice Header 和 Slice Data
  – 而Slice data 由可以拆分成 MB Data，如下图：
  
  这里主要看 NALU Header ，它是一个字节，结构如下：
  
  这里关注 type类型，它占5个bit，表示 NALU 的类型，取值如下：
  
  有了 NALU Type 表示，我们就可以知道了几个重要的类型，如sps 是7，pps 是8，而IDR 帧是5等等：
  
  通过解析一段H264的码流，我们也可以看到这些信息：
  SPS:
  
  PPS:
  
  IDR:
  
  因此，我们解析H264 文件时，就可以通过起始码，00 00 01 x 或00 00 00 001 x 的方式去取出每一帧的数据，再喂给解码器，实现解码的效果。

参考：
极客学院-帧内预测
极客学院 - 帧间预测
极客学院-变化量化