视频编码算法
本章目标
学完本章，你应该能够：
- 解释视频中存在的时间/空间/视觉/统计四类冗余，以及对应的压缩手段；
- 区分 H.264 / H.265(HEVC) / AV1 的核心技术与适用场景；
- 理解 GOP、I/P/B 帧的构成及其对剪辑与流媒体的影响；
- 在社团拍摄中针对「存档」「剪辑」「网络发布」选择合适的编码与参数。
1. 视频压缩基础原理
视频之所以能被大幅压缩，是因为像素之间、帧与帧之间存在大量可被预测的冗余：
- 时间冗余：相邻帧高度相似（如固定机位的访谈）。
- 空间冗余：单帧内相邻像素相关性强（如天空的渐变）。
- 视觉冗余：人眼对高频细节、暗部噪点不敏感。
- 统计冗余：像素值分布不均匀，可用变长编码压缩。
一条典型的混合编码（Hybrid Coding）流水线如下：
关键术语
- 变换编码：把空域像素转到频域（DCT/DST/小波），能量集中在少数系数。
- 量化：有损压缩的核心，决定码率与质量的权衡。
- 熵编码：无损地压缩量化后的符号（CABAC、CAVLC、算术编码）。
- 运动估计与补偿：在参考帧中寻找最匹配块，只编码「运动矢量 + 残差」。
2. 主流编码标准分析
三者均为「混合编码」框架，差异主要体现在块结构、预测模式与授权方式上：
| 标准 | 发布年份 | 最大块尺寸 | 帧内预测模式 | 同质量码率节省* | 授权方式 |
|---|---|---|---|---|---|
| H.264 / AVC | 2003 | 16×16 宏块 | 9 种 | 基准参考 | MPEG-LA 等专利池 |
| H.265 / HEVC | 2013 | 64×64 CTU | 35 种（33 角度 + DC + Planar） | 比 H.264 省约 50% | 多专利池并存 |
| AV1 | 2018 | 128×128 超级块 | 56+ 种 | 比 HEVC 省约 30% | AOMedia，免版税 |
* 码率节省为同主观质量下的业界常见估计值，实际取决于内容、编码器实现与调参，不可机械套用。
- H.264/AVC：1/4 像素精度运动估计、多参考帧（最多 16 帧）、CABAC 熵编码；Profile 从 Baseline→Main→High，High 10/4:2:2/4:4:4 用于更高位深与专业制作。至今兼容性最好。
- H.265/HEVC：CTU 取代宏块，编码计算量约为 H.264 的 3–10 倍；Main / Main 10 / Main Still Picture 等 Profile，适合 4K/8K 与 HDR。
- AV1 / VP9：开源、无专利费，被 YouTube、Netflix 等广泛采用；超大块划分、非二次变换、更灵活的帧内预测，但软件编码耗时较高（生产环境多用硬件或 libaom/SVT-AV1 多核并行）。
3. GOP 结构与帧类型
GOP（Group of Pictures，图像组） 是相邻 I 帧之间的一组画面，直接决定「随机拖动是否流畅」与「压缩效率」：
| 帧类型 | 全称 | 编码依赖 | 用途 |
|---|---|---|---|
| I 帧 | Intra | 仅自身，不参考其他帧 | 随机访问点、关键帧 |
| P 帧 | Predicted | 参考前面已解码帧 | 前向预测，压缩率高 |
| B 帧 | Bi-predictive | 参考前后两向帧 | 压缩率最高，引入延迟 |
一个「IPBBPBB」结构的 GOP 示意：
对剪辑的影响
- B 帧越多、GOP 越长 → 压缩率越高，但「精准剪到某一帧」越难（需解码整段）。
- 社团剪辑素材建议：采集时适度降低 B 帧数量、使用 Intra（全 I 帧）/ 低频 GOP 的中介编码（如 ProRes、DNxHR），后期再统一转码发布。
4. 专业编解码格式
| 编码 | 厂商 | 特点 | 典型用途 |
|---|---|---|---|
| ProRes | Apple | 编辑友好，多种档位（Proxy/LT/422/422 HQ/4444/4444 XQ） | 后期剪辑、调色母版 |
| DNxHD / DNxHR | Avid | 与 ProRes 对位的专业中间格式，HR 支持高分辨率 | 广播级剪辑工作流 |
| JPEG 2000 | — | 小波变换、支持无损 | DCI 数字影院（DCP） |
| FFV1 | FFmpeg | 开源无损 | 长期档案保存 |
| HQX | — | 高质量中间格式 | 部分摄影机机内记录 |
5. 编码决策与优化
- 速率控制：
- CBR（恒定码率）：直播/带宽受限场景，码率平稳但浪费或不足。
- VBR（可变码率）：离线制作，复杂片段多分配码率，质量更均衡。
- CRF（恒定质量因子，x264/x265 常用）：设一个目标「质量值」（如 18–23），编码器自定码率；值越小质量越高。
- 预设与遍数：
preset越快则压缩率越低；两遍编码（2-pass）比单遍更优但耗时翻倍。 - 特殊场景：屏幕内容（游戏录制）用专门工具或 SCC 扩展；视频会议追求低延迟，关闭 B 帧、缩小 GOP；HDR 需注意 10-bit 与 PQ/HLG 传递函数。
6. 编码质量评估
- 客观指标：
- PSNR：峰值信噪比，简单但与人眼感知相关性弱。
- SSIM / MS-SSIM：结构相似度，更贴近主观感受。
- VMAF：Netflix 出品的机器学习评分，与主观打分相关性最佳。
- 效率对比：常用 BD-Rate（Bjøntegaard-Delta Rate）表示「在同等质量下码率增减的百分比」，是标准间横向对比的权威指标。
7. 校园实践案例
社团宣传片：从拍摄到发布的编码选择
场景：校园社团招新宣传片，拍摄 1080p/30fps 素材，需在公众号与 B 站发布。
- 拍摄/采集：机内记录 ProRes 422 或相机 RAW，保留最大调色空间。
- 剪辑母版：导出 ProRes 422 HQ 作为后续二次制作母版。
- 网络发布：用 x264 转码，CRF 20、preset medium、GOP 约 2 秒（60 帧），封装为 MP4(H.264 + AAC)；B 站同时提供 H.265 选项可进一步省带宽。
- 归档：保留一份 ProRes 母版 + 一份 FFV1 无损（若预算允许）长期保存。
课程总结 / 核心要点
关键结论
- 压缩本质是利用时间/空间/视觉/统计冗余，核心工具是「预测 + 变换 + 量化 + 熵编码」。
- H.264 兼容性最好，H.265 省一半码率但专利复杂，AV1 免版税、面向未来流媒体。
- GOP 越长、B 帧越多越省码率，但剪辑越不灵活；中介编码应选编辑友好的 ProRes/DNxHR。
- 发布优先用 CRF/VBR + H.264(H.265) + MP4，档案用无损或高质量中间格式。