1 H264 簡介

H.264，同時也是 MPEG-4 第十部分，是由 ITU-T 視頻編碼專家組（VCEG）和 ISO/IEC 動態圖像專家組（MPEG）聯合組成的聯合視頻組（JVT，Joint Video Team）提出的高度壓縮數字視頻編解碼器標準。這個標準通常被稱之為 H.264/AVC（或者 AVC/H.264 或者 H.264/MPEG-4 AVC 或 MPEG-4/H.264 AVC）。是一種面向塊，基于運動補償的視頻編碼標準。

視頻編碼其本質就是將數據壓縮，主要是去除冗余信息（包括空間上的冗余信息和時間上的冗余信息），從而實現數據量的壓縮。

• 空間冗余： 在同一圖像（幀）內，相近像素之間的差別很小（甚至是相同的），所以就可以用一個特定大小的像素矩陣來表示相鄰的像素。
• 時間冗余： 視頻中連續的圖像（幀）之間，其中發生變化的像素占整張圖像像素的比例極其微小，所以就可以用其中一幀來表示相鄰的幀來減少帶寬消耗。
• 編碼冗余： 不同像素出現的概率不同，所以就可以為出現概率高的像素分配盡量少的字節，對出現概率低的像素分配盡量多的字節。
• 視覺冗余：人眼對很多像素顏色不敏感，所以就可以丟棄這些冗余的信息而并不影響人眼觀看的效果。
• 知識冗余：有許多圖像的理解與某些基礎知識有相當大的相關性。例如，人臉的圖像有固定的結構，嘴的上方有鼻子，鼻子的上方有眼睛，鼻子位于正面圖像的中線上等等。這類規律性的結構可由先驗知識和背景知識得到，我們稱此類冗余為知識冗余。根據已有知識，對某些圖像中所包含的物體，可以構造其基本模型，并創建對應各種特征的圖像庫，進而圖像的存儲只需要保存一些特征參數，從而可以大大減少數據量。

用一個簡單的例子來說明編碼的必要性：
當你此刻顯示器正在播放一個視頻，分辨率是1280*720，幀率是25，那么一秒所產生正常的數據大小為：

1280*720(位像素)*25(幀) / 8(1字節8位)(轉換結果:B) / 1024(轉換結果:KB) / 1024
(轉換結果:MB) = 2.74MB

那么90分鐘的電影就要14.8GB，這個數據量顯然在當前網絡下是不現實的。

2 H264 功能結構

在 H.264/AVC 視頻編碼標準中，整個系統框架劃分為如下兩個層面：

• 視頻編碼層（Video Coding Layer，VCL）：VCL 數據即被壓縮編碼后的視頻數據序列，負責有效表示視頻數據的內容，主要包括幀內預測，幀間預測、變換量化、熵編碼等壓縮單元。
• 網絡抽象層（Network Abstraction Layer，NAL）：負責將 VCL 數據封裝到 NAL 單元中，并提供頭信息，以保證數據適合各種信道和存儲介質上的傳輸。
  如圖所示：

因此平時每幀數據就是一個 NAL 單元。NAL 單元的實際格式如下：

+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+| NAL Header | EBSP | NAL Header | EBSP | ...+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+

每個 NAL 單元都是由 1 字節 NAL header 和 若干整數字節的原始字節序列負荷（RBSP, Raw Byte Sequence Payload） 構成。

3 H264 幀類型

H264 結構中，一個視頻圖像編碼后的數據叫做一幀，一幀由一個片（slice）或多個片組成，一個片由一個或多個宏塊（MB）組成，一個宏塊由16x16的 yuv 數據組成。宏塊作為 H264 編碼的基本單位。

經過壓縮后的幀分為：I幀，P幀 和 B幀:

• I 幀 ：關鍵幀，采用幀內壓縮技術。你可以理解為這一幀畫面的完整保留，解碼時只需要本幀數據就可以完成（因為包含完整畫面）。
• P 幀 ：向前參考幀，在壓縮時，只參考前面已經處理的幀。采用幀間壓縮技術。P 幀表示的是這一幀跟之前的一個關鍵幀（或 P 幀）的差別，解碼時需要用之前緩存的畫面疊加上本幀定義的差別，生成最終畫面。（也就是差別幀，P 幀沒有完整畫面數據，只有與前一幀的畫面差別的數據）。
• B 幀 ：雙向參考幀，在壓縮時，它即參考前而的幀，又參考它后面的幀。采用幀間壓縮技術。B 幀記錄的是本幀與前后幀的差別，換言之，要解碼 B 幀，不僅要取得之前的緩存畫面，還要解碼之后的畫面，通過前后畫面的與本幀數據的疊加取得最終的畫面。B 幀壓縮率高，但是解碼時 CPU 工作量會比較大。

兩個 I 幀之間是一個圖像序列，即 GOP，在一個圖像序列中只有一個I幀。
如下圖所示：

當運動變化比較少時，一個序列可以很長，因為運動變化少就代表圖像畫面的內容變動很小，所以就可以編一個 I 幀，然后一直 P 幀、B 幀了。當運動變化多時，可能一個序列就比較短了。

還有一個概念是，IDR幀：
一個序列的第一個圖像叫做 IDR 圖像（立即刷新圖像），IDR 圖像都是 I 幀圖像。H.264 引入 IDR 圖像是為了解碼的重同步，當解碼器解碼到 IDR 圖像時，立即將參考幀隊列清空，將已解碼的數據全部輸出或拋棄，重新查找參數集，開始一個新的序列。這樣，如果前一個序列出現重大錯誤，在這里可以獲得重新同步的機會。IDR 圖像之后的圖像永遠不會使用 IDR 之前的圖像的數據來解碼。IDR 圖像一定是 I 圖像，但 I 圖像不一定是 IDR 圖像。一個序列中可以有很多的I圖像，I 圖像之后的圖像可以引用 I 圖像之間的圖像做運動參考。

還有一點注意的，對于 IDR 幀來說，在 IDR 幀之后的所有幀都不能引用任何 IDR 幀之前的幀的內容，與此相反，對于普通的 I 幀來說，位于其之后的 B幀 和 P 幀可以引用位于普通 I 幀之前的 I 幀。從隨機存取的視頻流中，播放器永遠可以從一個 IDR 幀播放，因為在它之后沒有任何幀引用之前的幀。但是，不能在一個沒有 IDR 幀的視頻中從任意點開始播放，因為后面的幀總是會引用前面的幀。

I、B、P 各幀是根據壓縮算法的需要，是人為定義的，它們都是實實在在的物理幀。一般來說，I 幀的壓縮率是7（跟JPG差不多），P 幀是20，B 幀可以達到50。可見使用 B 幀能節省大量空間，節省出來的空間可以用來保存多一些 I 幀，這樣在相同碼率下，可以提供更好的畫質。

正因為有 B 幀這樣的雙向預測幀的存在，某一幀的解碼序列和實際的顯示序列是不一樣的。如下圖所示：

DTS: (Decode Time Stamp) 用于視頻的解碼序列
PTS: (Presentation Time Stamp)用于視頻的顯示序列。

4 H264 編碼原理

H264 采用的核心壓縮算法是幀內壓縮和幀間壓縮，幀內壓縮是生成 I 幀的算法，幀間壓縮是生成 B 幀和 P 幀的算法。

• 幀內（Intraframe）壓縮：也稱為空間壓縮（Spatialcompression）。當壓縮一幀圖像時，僅考慮本幀的數據而不考慮相鄰幀之間的冗余信息，這實際上與靜態圖像壓縮類似。幀內一般采用有損壓縮算法，由于幀內壓縮是編碼一個完整的圖像，所以可以獨立的解碼、顯示。幀內壓縮一般達不到很高的壓縮，跟編碼 JPEG 差不多。
• 幀間（Interframe）壓縮：也稱為時間壓縮（Temporalcompression），它通過比較時間軸上不同幀之間的數據進行壓縮。幀間壓縮一般是無損的。幀差值（Framedifferencing）算法是一種典型的時間壓縮法，相鄰幾幀的數據有很大的相關性，它通過比較本幀與相鄰幀之間的差異，僅記錄本幀與其相鄰幀的差值，這樣可以大大減少數據量。

下面就簡單描述下 H264 壓縮數據的過程。通過攝像頭采集到的視頻幀（按每秒 30 幀算），被送到 H264 編碼器的緩沖區中。編碼器先要為每一幅圖片劃分宏塊。
以下面這張圖為例：

劃分宏塊

H264 默認是使用 16X16 大小的區域作為一個宏塊，也可以劃分成 8X8 大小。

劃分好宏塊后，計算宏塊的象素值。

以此類推，計算一幅圖像中每個宏塊的像素值，所有宏塊都處理完后如下面的樣子。

劃分子塊

H264 對比較平坦的圖像使用 16X16 大小的宏塊。但為了更高的壓縮率，還可以在 16X16 的宏塊上更劃分出更小的子塊。子塊的大小可以是 8X16､ 16X8､ 8X8､ 4X8､ 8X4､ 4X4非常的靈活。

上幅圖中，紅框內的 16X16 宏塊中大部分是藍色背景，而三只鷹的部分圖像被劃在了該宏塊內，為了更好的處理三只鷹的部分圖像，H264就在 16X16 的宏塊內又劃分出了多個子塊。

這樣再經過幀內壓縮，可以得到更高效的數據。下圖是分別使用 mpeg-2 和 H264 對上面宏塊進行壓縮后的結果。其中左半部分為 MPEG-2 子塊劃分后壓縮的結果，右半部分為 H264 的子塊劃壓縮后的結果，可以看出 H264 的劃分方法更具優勢。

宏塊劃分好后，就可以對 H264 編碼器緩存中的所有圖片進行分組了。

幀分組

對于視頻數據主要有兩類數據冗余，一類是時間上的數據冗余，另一類是空間上的數據冗余。其中時間上的數據冗余是最大的。為什么這么說呢？假設攝像頭每秒抓取30幀，這30幀的數據大部分情況下都是相關聯的。也有可能不止30幀的的數據，可能幾十幀，上百幀的數據都是關聯特別密切的。
對于這些關聯特別密切的幀，其實我們只需要保存一幀的數據，其它幀都可以通過這一幀再按某種規則預測出來，所以說視頻數據在時間上的冗余是最多的。
為了達到相關幀通過預測的方法來壓縮數據，就需要將視頻幀進行分組。那么如何判定某些幀關系密切，可以劃為一組呢？我們來看一下例子，下面是捕獲的一組運動的臺球的視頻幀，臺球從右上角滾到了左下角。

H264 編碼器會按順序，每次取出兩幅相鄰的幀進行宏塊比較，計算兩幀的相似度。如下圖：

通過宏塊掃描與宏塊搜索可以發現這兩個幀的關聯度是非常高的。進而發現這一組幀的關聯度都是非常高的。因此，上面這幾幀就可以劃分為一組。其算法是：在相鄰幾幅圖像畫面中，一般有差別的像素只有10%以內的點,亮度差值變化不超過2%，而色度差值的變化只有1%以內，我們認為這樣的圖可以分到一組。
在這樣一組幀中，經過編碼后，我們只保留第一帖的完整數據，其它幀都通過參考上一幀計算出來。我們稱第一幀為 IDR／I 幀，其它幀我們稱為 P／B 幀，這樣編碼后的數據幀組我們稱為 GOP。

運動估計與補償

在 H264 編碼器中將幀分組后，就要計算幀組內物體的運動矢量了。還以上面運動的臺球視頻幀為例，我們來看一下它是如何計算運動矢量的。
H264 編碼器首先按順序從緩沖區頭部取出兩幀視頻數據，然后進行宏塊掃描。當發現其中一幅圖片中有物體時，就在另一幅圖的鄰近位置（搜索窗口中）進行搜索。如果此時在另一幅圖中找到該物體，那么就可以計算出物體的運動矢量了。下面這幅圖就是搜索后的臺球移動的位置。

通過上圖中臺球位置相差，就可以計算出臺球運動的方向和距離。H264 依次把每一幀中球移動的距離和方向都記錄下來就成了下面的樣子。

運動矢量計算出來后，將相同部分（也就是綠色部分）減去，就得到了補償數據。我們最終只需要將補償數據進行壓縮保存，以后在解碼時就可以恢復原圖了。壓縮補償后的數據只需要記錄很少的一點數據。如下所示：

我們把運動矢量與補償稱為幀間壓縮技術，它解決的是視頻幀在時間上的數據冗余。除了幀間壓縮，幀內也要進行數據壓縮，幀內數據壓縮解決的是空間上的數據冗余。下面我們就來介紹一下幀內壓縮技術。

幀內預測

人眼對圖象都有一個識別度，對低頻的亮度很敏感，對高頻的亮度不太敏感。所以基于一些研究，可以將一幅圖像中人眼不敏感的數據去除掉。這樣就提出了幀內預測技術。
H264 的幀內壓縮與 JPEG 很相似。一幅圖像被劃分好宏塊后，對每個宏塊可以進行 9 種模式的預測。找出與原圖最接近的一種預測模式。

下面這幅圖是對整幅圖中的每個宏塊進行預測的過程。

幀內預測后的圖像與原始圖像的對比如下：

然后，將原始圖像與幀內預測后的圖像相減得殘差值。

再將我們之前得到的預測模式信息一起保存起來，這樣我們就可以在解碼時恢復原圖了。效果如下：

經過幀內與幀間的壓縮后，雖然數據有大幅減少，但還有優化的空間。

對殘差數據做 DCT 變換

可以將殘差數據做整數離散余弦變換，去掉數據的相關性，進一步壓縮數據。如下圖所示，左側為原數據的宏塊，右側為計算出的殘差數據的宏塊。

將殘差數據宏塊數字化后如下圖所示：

將殘差數據宏塊進行 DCT 轉換。

去掉相關聯的數據后，我們可以看出數據被進一步壓縮了。

做完 DCT 變換后，還不夠，還要進行熵編碼。

熵編碼（CABAC）

上面的幀內壓縮是屬于有損壓縮技術，也就是說圖像被壓縮后，無法完全復原。而熵編碼壓縮是一種無損壓縮，其實現原理是使用新的編碼來表示輸入的數據，給高頻的詞一個短碼，給低頻詞一個長碼，從而達到壓縮的效果。常用的熵編碼有游程編碼，哈夫曼編碼和 CAVLC 編碼等。
在 H.264/MPEG-4 AVC 中使用的熵編碼算法是 CABAC（ContextAdaptive Binary Arithmatic Coding）。CABAC 在不同的上下文環境中使用不同的概率模型來編碼。其編碼過程大致是這樣：首先，將欲編碼的符號用二進制 bit 表示；然后對于每個 bit，編碼器選擇一個合適的概率模型，并通過相鄰元素的信息來優化這個概率模型；最后，使用算術編碼壓縮數據。
MPEG-2 中使用的 VLC 也是這種算法，我們以 A-Z 作為例子，A屬于高頻數據，Z屬于低頻數據。看看它是如何做的。

CABAC 也是給高頻數據短碼，給低頻數據長碼。同時還會根據上下文相關性進行壓縮，這種方式又比 VLC 高效很多。其效果如下：

現在將 A-Z 換成視頻幀，它就成了下面的樣子。

從上面這張圖中明顯可以看出采用 CACBA 的無損壓縮方案要比 VLC 高效的多。

以上就是整個編碼流程，生成的數據就是壓縮后的可傳輸的比特流。解碼過程則與之相反。

總結

以上是生活随笔為你收集整理的H264 编码基本原理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。