音频编码和视频编码基础
- 1 音频数字化
- 1.1 PCM
- 1.2 音频编码方式
- 2 视频数字化
- 2.1 RGB/YUV
- 2.2 视频编码方式
- 2.3 编码中的重要概念
1 音频数字化
1.1 PCM
音频裸数据就是PCM（Pulse Codec Modulation脉冲编码调制）
PCM数据涉及四个概念：
1、 sampleFormat（采样格式）：可理解为一多少字节存储声音，典型的量化格式为16bit。
2、sampleRate（采样率）：这就不用说了吧，典型的采样率为44.1KHz。
3、channel（声道数）：为了造成立体声效果，数字声音分为左、右两个声道。
4、比特率：对于数字音频而言，比特率是个关键概念。定义为：一秒时间内的比特数，用于衡量单位时间音频数据量的大小。
音频：比特率(码率) = 采样率 * 采样精度 * 声道数目
视频：比特率 = 帧率 * 每帧数据大小
以FFmpeg中常见的PCM数据格式s16le为例：它描述的是有符号16位小端PCM数据。s表示有符号，16表示位深，le表示小端存储。
PCM数据流
通常我们会为buffer分配一个固定的长度，例如2048字节，通过循环的方式一边从文件中加载PCM数据，一边播放。
加载好PCM数据后，需要送到音频设备驱动程序中播放，这时我们应该能听到声音。与PCM数数据一同到达驱动程序的通常还有采样率（sample rate），用来告诉驱动每秒钟应该播放多少个采样数据。如果传递给驱动程序的采样率大于PCM实际采样率，那么声音的播放速度将比实际速度快，反之亦然。
对于多声道的PCM数据而言，通常会交错排列，就像这样：
±--------±----------±----------±----------±----------±—
FL | FR | FL | FR | FL |
±--------±----------±----------±----------±----------±—
1.2 音频编码方式
音频压缩技术
目的/手段是：消除冗余数据。
冗余数据包括：人耳听觉范围外的音频信号，以及被掩蔽掉的音频信号。
信号的掩蔽分为：频域掩蔽和时域掩蔽。
方法：哈夫曼无损编码。
音频编码过程
1、WAV编码
WAV为微软公司（Microsoft）开发的一种声音文件格式。
WAV编码有多种实现方式，其中一种实现是：在PCM数据格式前加上44字节，用于表示PCM的采样率、声道数、数据格式等。也就是，并不会对PCM数据进行压缩（所有实现都不压缩）。
特点：音质好
场合：用于多媒体开发的中间件、或音效素材。
2、MP3编码
MPEG-1 or MPEG-2 Audio Layer III是一种音频压缩技术，其全称是动态影像专家压缩标准音频层面3（Moving Picture Experts Group Audio Layer III），简称为MP3，是目前最流行的音频编码格式。
同样MP3也有多种编码实现，其中LAME编码中的高码率文件，音效非常接近WAV。
特点：码率128Kbit/s以上的音频上压缩比较高，兼容性好。
场合：高比特率下，对兼容性有要求的音乐。+
3、AAC编码
AAC是高级音频编码（Advanced Audio Coding）的缩写，出现于1997年，最初是基于MPEG-2的音频编码技术。由Fraunhofer IIS、Dolby Laboratories、AT&T、Sony等公司共同开发，目的是取代MP3格式。2000年，MPEG-4标准出台，AAC重新集成了其它技术（PS，SBR），为区别于传统的MPEG-2 AAC，故含有SBR或PS特性的AAC又称为MPEG-4 AAC。
有损压缩技术，通过附加编码技术，有三种主要的版本：
LC-AAC: 应用于中高码率场景（>= 80Kbit/s)
HE-AAC：应用于中低码率场景（<= 80Kbit/s)
HE-AAC v2: 应用于低码率场景（<=48Kbit/s)
特点：在小于128Kbit/s码率下表现优异，常用于视频中的音频编码。
场景：128Kbit/s下的音频编码，用于视频中的音频编码。
AAC的音频文件格式有ADIF ＆ ADTS
ADIF：Audio Data Interchange Format 音频数据交换格式。这种格式的特征是可以确定的找到这个音频数据的开始，不需进行在音频数据流中间开始的解码，即它的解码必须在明确定义的开始处进行。故这种格式常用在磁盘文件中。
ADIF的头信息：
ADIF头信息位于AAC文件的起始处，接下来就是连续的 raw data blocks。组成ADIF头信息的各个域如下所示：
ADTS：Audio Data Transport Stream 音频数据传输流。这种格式的特征是它是一个有同步字的比特流，解码可以在这个流中任何位置开始。它的特征类似于mp3数据流格式。简单说，ADTS可以在任意帧解码，也就是说它每一帧都有头信息。ADIF只有一个统一的头，所以必须得到所有的数据后解码。且这两种的header的格式也是不同的，目前一般编码后的和抽取出的都是ADTS格式的音频流。两者具体的组织结构如下所示：
图中表示出了ADTS一帧的简明结构，其两边的空白矩形表示一帧前后的数据。AAC原始码流（又称为“裸流”）是由一个一个的ADTS frame组成的。
每个ADTS frame之间通过syncword（同步字）进行分隔。同步字为0xFFF（二进制“111111111111”）。AAC码流解析的步骤就是首先从码流中搜索0x0FFF，分离出ADTS frame；然后再分析ADTS frame的首部各个字段。
ADTS的固定头信息：
ADTS的可变头信息：
（1）帧同步目的在于找出帧头在比特流中的位置，13818-7规定，aac ADTS格式的帧头
同步字为12比特的“1111 1111 1111”。
（2）ADTS的头信息为两部分组成，其一为固定头信息，紧接着是可变头信息。固定头信息中的数据每一帧都相同，而可变头信息则在帧与帧之间可变。
AAC解码流程
在主控模块开始运行后，主控模块将AAC比特流的一部分放入输入缓冲区，通过查找同步字得到一帧的起始，找到后，根据ISO/IEC 13818-7所述的语法开始进行Noisless Decoding(无噪解码)，无噪解码实际上就是哈夫曼解码，通过反量化(Dequantize)、联合立体声（Joint Stereo），知觉噪声替换（PNS）,瞬时噪声整形（TNS），反离散余弦变换（IMDCT），频段复制（SBR）这几个模块之后，得出左右声道的PCM码流，再由主控模块将其放入输出缓冲区输出到声音播放设备。
输入为一个AAC原始码流（裸流）的文件路径，输出为该码流中ADTS frame的统计数据，如下图所示。
4、Ogg编码
OGG是一个自由且开放标准的容器格式，由Xiph.Org 基金会所维护，“Ogg”意指一种文件格式，可以纳入各式各样自由和开放源代码的编解码器，包含音效、视频、文字（像字幕）与元数据的处理。
一种非常好的编码，在各种码率下表现都十分优异，特别是低码率下。
特点：可以用比MP3更小的码率实现比它更好的音质，中高码率编码表现也毫不逊色.但兼容性不好，不支持流媒体特性。
场景：语音聊天。
2 视频数字化
2.1 RGB/YUV
RGB
任何图像都可以由RGB组成。每个像素点的子像素有两种表示：
浮点表示：取值范围为0.0 ～ 1.0，常见于OpenGL中的子像素表示。
整数表示：取之范围为0 ～ 255或者00 ～ FF，8个bit表示一个子像素。常见的格式有RGBA-8888、Android平台上的RGB-565。
对于一般图像，通常使用整数表示。如计算一张分辨率为1280 * 720，格式为RGBA-8888的图像大小：1280 * 720 * 4 = 3.516MB
RGBA-8888格式：一个字节表示透明度三个字节表示RGB分量。
YUV
对于视频而言，它的裸数据更多的使用YUV格式表示。和RGB比较，最大的优点在于占用较少的频宽（RGB要求三个独立的视频数据分量同时传输），另外YUV可以很好的向黑白电视兼容。其中：
Y ：（拉丁文Luminance或Luma)表示亮度分量,通常称为亮度分量或者灰度。Y亮度分量的建立，是通过叠加RGB输入信号的特定部分完成。
U和V ： 表示色度（Chrominance或Chroma），作用是描述色彩和饱和度，用于指定颜色。U和V色度分量，定义了色调和饱和度两方面，分别用Cr和Cb表示。Cr反映RGB输入信号红色部分和亮度值之间的差异。Cb则反映RGB输入信号蓝色部分和亮度值之间的差异。
YUV格式表示的数据，Y分量和U、V是分离的。只有Y分量的数据，表现出来就是黑白视频，这正是YUV格式能兼容黑白电视的原因。
2.2 视频编码方式
和音频数据相似，视频的编码也是通过去除冗余数据实现。不同数据在于，视频数据在时间和空间上有较强的相关性。所以这些冗余信息包括时间冗余和空间冗余。
帧间编码
帧内编码用于去除时间冗余。关于帧间编码技术实现细节，可以先熟悉一下概念，暂时不用了解细节，这将在以后介绍。
帧间编码技术，是去除时间冗余的方式，包括以下方面：
- 运动补偿： 通过之前的图像来预测、补偿当前图像，减少帧序列冗余信息。
- 运动表示： 不同区域的图像需要使用不同的运动适量来描述运动信息。
- 运动估计： 是一中从视频序列中抽取运动信息的一整套技术。
帧内编码
帧内编码用于去除空间冗余。关于帧内编码技术实现细节，可以先熟悉一下概念，暂时不用了解细节，这将在以后介绍。
帧内编码编码标准有很多，且都需要大量篇幅介绍，这里只作大致介绍。一类是MPEG,主要包括四个版本：1、Mpeg1（用于VCD）。2、Mpeg2（用于DVD）。3、Mpeg4（现在流行的流媒体）。第二类是H.26*系列，包括H264。
2.3 编码中的重要概念
IPB帧
I帧：帧内编码帧（intra picture)，通常是每个GOP（MPEG使用的一种视频压缩技术）的第一帧，经过适当的压缩，作为随机访问的参考点，可以当作静态图像。I帧可以得到6：1的压缩比，而不造成图像模糊，可以去除空间冗余。I帧可理解为一张独立完整的视频画面，只是进行了空间冗余的压缩而已。
P帧：前向预测帧（predictive-frame），通过图像序列中，前面已编码帧的时间冗余信息的去除来压缩数据量的编码图像，也称为预测帧。P帧可理解为需要前一个I帧或P帧来解码才能得到一张完成视频画面。
B帧：双向预测内插编码帧（bi-directional interpolated prediction frame), 即考虑图像序列前已编码帧，也参照图像序列后已编码帧的时间冗余信息，来压缩数据量，也称为双向预测帧。B帧可理解为需要曹考前一个I帧或P帧，以及后一个P帧生成一张完整的视频画面。
IDR帧：（instantaneous decoding refresh picture),在H264编码中出现的概念，类似I帧，区别在于：H264采用多帧预测，I帧之后的P帧可能参考I帧之前的帧才能解析完整图像，所以在随机访问中，就不能以I帧作为参考条件。而IDR帧就是一种特殊的I帧，这一帧后的所有帧只会参考它，而不会参考前面的帧。在编码器中，一旦接收到一个IDR帧，就会立即清理参考帧缓冲区，并将这个IDR帧作为参考帧使用。
GOP
英文全称为Group Of Picture,意思是，两个I帧之间形成的一组图片。通常在为解码器设置参数时，需要指定gop_size的值，因为I帧的压缩率是最低的，对一个视频源而言，gop_size越大，相对来说I帧就越少，节约出来的空间就可以保存更多的I帧，所以画质就会越好。所以，应该根据业务场景，选择适当的gop_size值，从而提高视频质量。
常见的压缩率：
I帧：7
P帧：20
B帧：50
H264
H264的相关概念有：序列、图像、片组、片、NALU、宏块、亚宏块、块、像素。
H.264的主要目标有两个：高视频压缩比、良好的网络亲和性。为此，H.264的功能分为两层，即视频编码层（VCL）和网络提取层（NAL，Network Abstraction Layer）。VCL数据即编码处理的输出，它表示被压缩编码后的视频数据序列。在VCL数据传输或存储之前，这些编码的VCL数据，先被映射或封装进NAL Unit中。每个NAL Unit包括一个原始字节序列负荷（RBSP）、一组对应于视频编码数据的NAL头信息：
NAL Unit的头占一个字节，由三部份組成，包括forbidden_bit、nal_reference_idc和 nal_unit_type。其中forbidden_bit占1 bit，一般来说其值为0；nal_reference_idc占2 bit，用于表示此NAL在重建过程中的重要程度。剩下5 bit表示nal_unit_type，用于表示该NAL Unit（RBSP）的类型。
举例来说，若截取某一段 H.264 bitstream为00 00 00 01 67 42 e0 14 da 05 82 51。其中 00 00 00 01为startcode（起始码），每个NALU之间通过startcode进行分隔。之后才是NAL 的数据，因为67 = 0 11 00111，nal_unit_tye = 00111 = 7，所以这一段为SPS。SPS信息在整个视频编码序列中是不变的，用于描述一个视频编码序列；PPS 信息在一幅编码图像之内是不变的，用于描述一个或多个独立的图像。SPS、PPS 的作用是防止在某些数据丢失后，整幅图像都受到影响的情况。
一个视频图像可编码成一个或更多个片（Slice）：
每片包含整数个宏块（Marco Block，以下简称MB），即每片至少一个MB，最多时每片包含整个图像的宏块。设片的目的是为了限制误码的扩散和传输，应使编码片相互间是独立的。某片的预测不能以其它片中的宏块为参考图像，这样某一片中的预测误差才不会传播到其它片中去。
一个宏块由一个16×16亮度像素和附加的一个8×8 Cb和一个8×8 Cr彩色像素块组成。每个图象中，若干宏块被排列成片的形式。I片只包含I宏块，P片可包含P和I宏块，而B 片可包含B和I宏块。
SPS、PPS
H.264 引入了参数集的概念，每个参数集包含了相应的编码图像的信息。序列参数集 SPS 包含的是针对一连续编码视频序列的参数，如标识符 seq_parameter_set_id、帧数及参考帧数目、解码图像尺寸等等。图像参数集 PPS 对应的是一个序列中某一幅图像或者某几幅图像 ，其参数如标识符 pic_parameter_set_id、可选的 seq_parameter_set_id、片组数目等等。
通常，SPS和PPS在片的头信息和数据解码前传送至解码器。每个片的头信息对应一个pic_parameter_set_id，PPS被其激活后一直有效到下一个PPS被激活；类似的，每个PPS对应一个 seq_parameter_set_id，SPS被其激活以后将一直有效到下一个SPS被激活。
参数集机制将一些重要的、改变少的序列参数和图像参数与编码片分离，并在编码片之前传送至解码端，或者通过其他机制传输。
