揭秘视频千倍压缩背后的技术原理之预测技术

前言

随着 5G 的成熟和广泛商用，带宽已经越来越高，传输视频变得更加容易。设备特别是移动设备算力的提升、存储容量的提升，使得视频技术的应用越来越广泛，无论是流媒体、泛娱乐、实时通信，视频都带给了用户更加丰富的体验。

视频相关的技术，特别是视频压缩，因其专业性，深入开发的门槛较高。具体到视频实时通信场景，视频压缩技术面临更严峻的挑战，因为实时通信场景下，对时延要求非常高，对设备适配的要求也非常高，对带宽适应的要求也非常高，开发一款满足实时通信要求的编解码器，难度也很高。之前的文章中，我们已经在《深入浅出理解视频编解码技术》一文中简要介绍了视频编解码基本框架，今天我们将深入剖析其中的预测模块，便于大家更好地理解视频编解码技术。

01

颜色空间

开始进入主题之前，先简单看一下视频是如何在计算机中进行表达的。视频是由一系列图片按照时间顺序排列而成，每一张图片为一帧。每一帧可以理解为一个二维矩阵，矩阵的每个元素为一个像素。一个像素通常由三个颜色进行表达，例如用 RGB 颜色空间表示时，每一个像素由三个颜色分量组成。每一个颜色分量用 1 个字节来表达，其取值范围就是 0~255。编码中常用的 YUV 格式与之类似，这里不作展开。

图一

以 1280x720@60fps 的视频序列为例，十秒钟的视频有 1280*720*3*60*10 = 1.6GB，如此大量的数据，无论是存储还是传输，都面临巨大的挑战。视频压缩或者编码的目的，也是为了保证视频质量的前提下，将视频减小，以利于传输和存储。同时，为了能正确还原视频，需要将其解码。从最早的 H.261 开始，视频编解码的框架都采用了这一结构，如图所示。主要的模块分为帧内/帧间预测、（反）变换、（反）量化、熵编码、环内滤波。一帧视频数据，首先被分割成一系列的方块，按照从左到右从上到下的方式，逐个进行处理，最后得到码流。

图二

02

帧内预测

视频数据被划分成方块之后，相邻的方块的像素，以及方块内的像素，颜色往往是逐渐变化的，他们之间有比较强的有相似性。这种相似性，就是空间冗余。既然存在冗余，就可以用更少的数据量来表达这样的特征。比如，先传输第一个像素的值，再传输第二个像素相对于第一个像素的变化值，这个变化值往往取值范围变小了许多，原来要 8 个 bit 来表达的像素值，可能只需要少于 8 个 bit 就足够了。同样的道理，以像素块为基本单位，也可以进行类似的“差分”操作。我们从示例图中，来更加直观地感受一下这样的相似性。

图三

如图中所标出的两个 8x8 的块，其亮度分量（Y）沿着“左上到右下”的方向，具有连续性，变化不大。假如我们设计某种特定的“模式”，使其利用左边的块来“预测”右边的块，那么“原始像素”减去“预测像素”就可以减少传输所需要的数据量，同时将该“模式”写入最终的码流，解码器便可以利用左侧的块来“重建”右侧的块。极端一点讲，假如左侧的块的像素值经过一定的运算可以完全和右侧的块相同，那么编码器只要用一个“模式”的代价，传输右侧的块。当然，视频中的纹理多种多样，单一的模式很难对所有的纹理都适用，因此标准中也设计了多种多样的帧内预测模式，以充分利用像素间的相关性，达到压缩的目的。例如下图 (From Vcodex)所示的 H.264 中 9 种帧内预测方向。以模式 0（竖直预测）为例，上方块的每个像素值（重建）各复制一列，得到帧内预测值。其它各种模式也采用类似的方法，不过，生成预测值的方式稍有不同。有这么多的模式，就产生了一个问题，对于一个块而言，我们应该采用哪种模式来进行编码呢？最佳的选择方式，就是遍历所有的模式进行尝试，计算其编码的所需的比特数和产生的质量损失，即率失真优化，这样明显非常复杂，因而也有很多种其它的方式来推断哪种模式更好，例如基于 SATD 或者边缘检测等。

从 H.264 的 9 种预测模式，到 AV1 的 56 种帧内方向预测模式，越来越多的模式也是为了更加精准地预测未编码的块，但是模式的增加，一方面增加了传输模式的码率开销，另一方面，从如此重多的模式中选一个最优的模式来编码，使其能达到更高的压缩比，这对编码器的设计和实现也提出了更高的要求。

图四

03

帧间预测

以下 5 张图片是一段视频的前 5 帧，可以看出，图片中只有 Mario 和砖块在运动，其余的场景大多是相似的，这种相似性就称之为时间冗余。编码的时候，我们先将第一帧图片通过前文所述的帧内预测方式进行编码传输，再将后续帧的 Mario、砖块的运动方向进行传输，解码的时候，就可以将运动信息和第一帧一起来合成后续的帧，这样就大大减少了传输所需的 bit 数。这种利用时间冗余来进行压缩的技术，就是运动补偿技术。该技术早在 H.261 标准中，就已经被采用。

图五

细心地读者可能已经发现，Mario 和砖块这样的物体怎么描述，才能让它仅凭运动信息就能完整地呈现出来？其实视频编码中并不需要知道运动的物体的形状，而是将整帧图像划分成像素块，每个像素块使用一个运动信息。即基于块的运动补偿。下图中红色圈出的白色箭头即编码砖块和 Mario 时的运动信息，它们都指向了前一帧中所在的位置。Mario 和砖块都有两个箭头，说明它们都被划分在了两个块中，每一个块都有单独的运动信息。这些运动信息就是运动矢量。运动矢量有水平和竖直两个分量，代表是的一个块相对于其参考帧的位置变化。参考帧就是已经编码过的某一（多）个帧。

图六

当然，传输运动矢量本身就要占用很多 bit，为了提高运动矢量的传输效率，一方面，可以尽可能得将块划分变大，共用一个运动矢量，因为平坦区域或者较大的物体，他们的运动可能是比较一致的，从 H.264 开始，可变块大小的运动补偿技术被广泛采用；另一方面，相邻的块之间的运动往往也有比较高的相似性，其运动矢量也有较高的相似性，运动矢量本身也可以根据相邻的块运动矢量来进行预测，即运动矢量预测技术；最后，运动矢量在表达物体运动的时候，有精度的取舍。像素是离散化的表达，现实中物体的运动显然不是以像素为单位进行运动的，为了精确地表达物体的运动，需要选择合适的精度来定义运动矢量。各视频编解码标准都定义了运动矢量的精度，运动矢量精度越高，越能精确地表达运动，但是代价就是传输运动矢量需要花费更多的 bit。H.261 中运动矢量是以整像素为精度的，H.264 中运动矢量是以四分之一像素为精度的，AV1 中还增加了八分之一精度。一般情况，时间上越近的帧，它们之间的相似性越高，也有例外，例如往复运动的场景等，可能相隔几帧，甚至更远的帧，会有更高的相似度。为了充分利用已经编码过的帧来提高运动补偿的准确度，从 H.264 开始引入了多参考帧技术，即，一个块可以从已经编码过的很多个参考帧中进行运动匹配，将匹配的帧索引和运动矢量信息都进行传输。

那么如何得到一个块的运动信息呢？最朴素的想法就是，将一个块，在其参考帧中，逐个位置进行匹配检查，匹配度最高的，就是最终的运动矢量。匹配度，常用的有 SAD（Sum of Absolute Difference）、SSD（Sum of Squared Difference）等。逐个位置进行匹配度检查，即常说的全搜索运动估计，其计算复杂度可想而知是非常高的。为了加快运动估计，我们可以减少搜索的位置数，类似的有很多算法，常用的如钻石搜索、六边形搜索、非对称十字型多层次六边形格点搜索算法等。以钻石搜索为例，如图所示，以起始的蓝色点为中心的 9 个匹配位置，分别计算这 9 个位置的 SAD，如果 SAD 最小的是中心位置，下一步搜索中心点更近的周围 4 个绿色点的 SAD，选择其中 SAD 最小的位置，继续缩小范围进行搜索；如果第一步中 SAD 最小的点不在中心，那么以该位置为中心，增加褐色的 5 或者 3 个点，继续计算 SAD，如此迭代，直到找到最佳匹配位置。

图七

编码器在实现时，可根据实际的应用场景，对搜索算法进行选择。例如，在实时通信场景下，计算复杂度是相对有限的，运动估计模块要选择计算量较小的算法，以平衡复杂度和编码效率。当然，运动估计与运动补偿的复杂度还与块的大小，参考帧的个数，亚像素的计算等有关，在此不再深入展开。

04

总结

本文介绍的预测技术，充分利用了视频信号空间上和时间上的相关性，通过多种设计精巧的预测模式，达到了去除冗余的目的，这是视频压缩高达千倍比例的关键之一。纵观视频编解码技术的发展历史，预测模式越来越多，预测的精确度越来越高，带来的压缩比也越来越高。如何快速高效地使用这些预测模式，也必然成为设计实现的重中之重，成为 H.265/H.266/AV1 这些新标准发挥其高效压缩性能的关键。关注拍乐云 Pano，我们将在后面的文章中为大家分享《视频编解码系列》的更多技术干货。

图片出处：

图一：

https://github.com/leandromoreira/digital_video_introduction/blob/master/i/image_3d_matrix_rgb.png

图四：

H.264/AVC Intra Prediction