作者：声网Agora

从只能坐在放映机旁、电影院里、电视机前看视频，到可以坐在电脑屏幕前看直播，再到拿着手机、Pad，跟人聊天。

大家与影像、视频交互的方式发生了翻天覆地的变化。

为了让大家能在各种设备上看到清晰的视频，背后的编解码技术也经历了多次演进。

不过视频编码是什么？

本期 RTC 科普，带你了解视频编码的原理。

在胶片时代，人们通过感光成像原理，把人眼看到的景色映照到了胶片上，这相当于我们现在所说的编码过程。

然后人们在通过放映机把胶片投影到幕布上，这就相当于我们现在的解码过程。

但胶片只能在电影院中看到，人们希望在家里也能看到电影。

后来，在 1951 年，脉冲调制编码与第一部数字电视和广播出现了。画面上的每一个像素都是一个数值，这个数值通过一个脉冲信号进行传输。

视频画面以广播的形式传到了千家万户的电视中，电视再基于同样的编解码标准，把视频播放出来。人们终于可以坐在沙发上看电影了。

尽管计算机的出现比电视早了 5 年，但直到 1957 年，计算机技术先驱 Russell Kirsch 通过扫描照片的形式成功地在计算机上显示出了自己 3 个月大的儿子，至此计算机上才真正出现了第一幅图像。

图：Russell Kirsch 的儿子（图片源自wafflesatnoon）

如果 Russell 的儿子现在还活着，应该也已经是个老爷爷了。

既然图像都能显示了，那么视频呢？

由于直接采集到的视频格式太大了，当时的电脑根本无法直接处理。正如我们在视频中举的例子，以一张 1920*1080 的图片为例，要传输这张照片就需要 1920*1080*8*3个bit，即 47Mb。 其中 3 代表的是 RGB（Red、Green、Blue） 。如果现在要传输一个每秒30帧的视频，每一帧都是这样的图片，那么一秒就需要传输 1.4Gb 的数据，你所需要的带宽就是1.4Gbps。普通家庭很难能有这样的带宽。 很多人可能还在看 720P 的视频。

所以视频需要经过压缩、编码才能传输。这个过程就是视频编码。

不过，由于输入到视频编码器的视频数据必须是 YUV 格式的。因为只有使用 YUV 格式才能极大地去除冗余信息，最大限度地节省网络带宽。

所以，如果目前你手上的视频数据是 RGB 格式的，就需要通过算法将 RGB 转换为 YUV 格式。

准备好输入的 YUV 数据后，视频就该进入编码器了。我们在这里以主流的 H.264 为例。H.264 的视频编码分为五个模块，帧类型分析、帧内/帧间预测、变换+量化、滤波、熵编码。

首先，YUV 格式的视频数据会先经过帧类型分析模块，确定当前这一帧是属于什么类型。

一般来讲，视频帧会分为 I、P、B 三种帧。

你可以把 I 帧理解为电影中的一段连续影像，里面包含了所有的图像信息，只要影像里的画面没有出现太多变化，基本不会出现新的 I 帧（除了超过GOP长度）。

如果在视频中，画面只是出现一些比较小的变化，那么这些变化的信息都会在 P、B 帧中体现出来。

理想情况下，一个视频流，从一个I帧开始后面轻微运动都是 P、B，直到遇到场景切换就再插一个 I，如此往复。一般来说，P/B 参考范围不会越过I帧。但也有特例，我们可以强行指定 P、B 参考不允许越过 I 帧，这样的I帧我们叫它 IDR(Instantaneous Decoding Refresh) 帧，每个 IDR 帧的间隔我们称作一个 GOP。

而实际上，在编码器中实现帧类型分析，通常会先将 YUV 一帧的数据做降采样处理，然后用降采样后的数据先进行帧内/帧间预测，估算出最能节省码流的方式，来确定当前帧的帧类型。

除此之外，也会有专门判断场景切换阈值的算法，或者固定 GOP 大小下每个 GOP 的开始强行指定 IDR、每个 GOP 结尾强行指定 P 帧的操作。

判断出视频帧类型后，这些帧会再经过帧内与帧间预测 ，以及变换、量化，进一步得到压缩。

由于这几步的处理，可能会出现块效应，比如马赛克就是块效应的一种表现。块效应会影响我们的观看感受，为了避免这种情况，优化视频质量，这些数据还会通过滤波模块。

经过了压缩、优化等处理，这些数据已经可以被传输出去了。

由于我们在真实网络传输的过程中肯定都是二进制码，所以我们需要将当前的像素值进一步压缩成二进制流。在编码中一共有两种熵编码方式：较为简单的 Cavlc，以及一种压缩率更高但运算更复杂的 Cabac。如果你感兴趣，可以详细查查这两算法。

最终编码器会输出这些适合传输的二进制码流，进入网络传输。

当这些数据传输到你的手机上时，解码器会通过熵解码、反量化、反变换等一系列操作，把图像重建出来。这时候你就看到了对方的视频画面。