কিভাবে একটি ভিডিও কোডেক কাজ করে? পার্ট 1: বেসিক

দ্বিতীয় অংশ: ভিডিও কোডেক কিভাবে কাজ করে

Любое растровое ভাবমূর্তি ফর্মে উপস্থাপন করা যেতে পারে двумерной матрицы. এটি রং আসে, ধারণা হিসাবে একটি ছবি দেখে উন্নত করা যেতে পারে ত্রিমাত্রিক ম্যাট্রিক্স, যেখানে প্রতিটি রঙের জন্য ডেটা সংরক্ষণ করতে অতিরিক্ত মাত্রা ব্যবহার করা হয়।

যদি আমরা তথাকথিত একটি সংমিশ্রণ হিসাবে চূড়ান্ত রঙ বিবেচনা। প্রাথমিক রং (লাল, সবুজ এবং নীল), আমাদের ত্রিমাত্রিক ম্যাট্রিক্সে আমরা তিনটি সমতলকে সংজ্ঞায়িত করি: প্রথমটি লাল, দ্বিতীয়টি সবুজ এবং শেষটি নীলের জন্য।

আমরা এই ম্যাট্রিক্সের প্রতিটি বিন্দুকে একটি পিক্সেল (চিত্র উপাদান) বলব। প্রতিটি পিক্সেল প্রতিটি রঙের তীব্রতা (সাধারণত একটি সাংখ্যিক মান হিসাবে) সম্পর্কে তথ্য ধারণ করে। উদাহরণ স্বরূপ, লাল পিক্সেল এর মানে হল 0 সবুজ, 0 নীল এবং সর্বাধিক লাল। পিঙ্ক পিক্সেল তিনটি রঙের সংমিশ্রণ ব্যবহার করে গঠিত হতে পারে। 0 থেকে 255 পর্যন্ত একটি সাংখ্যিক পরিসর ব্যবহার করে, একটি গোলাপী পিক্সেল হিসাবে সংজ্ঞায়িত করা হয় লাল = 255, সবুজ = 192 и নীল = 203.

এই নিবন্ধটি EDISON এর সমর্থনে প্রকাশিত হয়েছিল।

আমরা উন্নয়ন করছি ভিডিও নজরদারি, ভিডিও স্ট্রিমিংয়ের জন্য অ্যাপ্লিকেশন, এবং এছাড়াও আমরা নিযুক্ত হয় অস্ত্রোপচার কক্ষে ভিডিও রেকর্ডিং.

একটি রঙিন ছবি এনকোড করার বিকল্প উপায়

একটি ইমেজ তৈরি যে রং প্রতিনিধিত্ব করার জন্য অনেক অন্যান্য মডেল আছে। উদাহরণস্বরূপ, আপনি একটি সূচীযুক্ত প্যালেট ব্যবহার করতে পারেন, যার জন্য RGB মডেল ব্যবহার করার সময় প্রয়োজনীয় তিনটির পরিবর্তে প্রতিটি পিক্সেলের প্রতিনিধিত্ব করার জন্য শুধুমাত্র একটি বাইট প্রয়োজন। এই ধরনের মডেলে, প্রতিটি রঙের প্রতিনিধিত্ব করতে 2D ম্যাট্রিক্সের পরিবর্তে 3D ম্যাট্রিক্স ব্যবহার করা সম্ভব। এটি মেমরি সংরক্ষণ করে, কিন্তু একটি ছোট রঙ স্বরগ্রাম দেয়।

আরজিবি

উদাহরণস্বরূপ, নীচের এই ছবিটি দেখুন। প্রথম মুখ সম্পূর্ণরূপে আঁকা হয়। অন্যগুলো হল লাল, সবুজ এবং নীল সমতল (সংশ্লিষ্ট রঙের তীব্রতা গ্রেস্কেলে দেখানো হয়েছে)।

আমরা দেখতে পাচ্ছি যে মূলে লালের ছায়াগুলি একই জায়গায় থাকবে যেখানে দ্বিতীয় মুখের উজ্জ্বল অংশগুলি পরিলক্ষিত হয়। যদিও নীলের অবদান প্রধানত শুধুমাত্র মারিওর চোখ (শেষ মুখ) এবং তার পোশাকের উপাদানগুলিতে দেখা যায়। লক্ষ্য করুন যেখানে তিনটি রঙের প্লেনই সবচেয়ে কম অবদান রাখে (চিত্রের অন্ধকার অংশ) - মারিওর গোঁফ।

প্রতিটি রঙের তীব্রতা সংরক্ষণ করতে, একটি নির্দিষ্ট সংখ্যক বিট প্রয়োজন - এই পরিমাণ বলা হয় একটু গভীর. ধরা যাক 8 বিট খরচ হয় (0 থেকে 255 পর্যন্ত একটি মানের উপর ভিত্তি করে) প্রতি রঙ সমতল। তারপরে আমাদের কাছে 24 বিটের রঙের গভীরতা রয়েছে (8 বিট * 3 আর/জি/বি প্লেন)।

Другое свойство изображения — это অনুমতি, যা এক মাত্রায় পিক্সেলের সংখ্যা। প্রায়ই হিসাবে চিহ্নিত করা হয় প্রস্থ × উচ্চতা, নিচের 4 by 4 উদাহরণ চিত্রের মত।


ছবি/ভিডিওর সাথে কাজ করার সময় আমরা যে আরেকটি সম্পত্তি নিয়ে কাজ করি তা হল আনুমানিক অনুপাত, একটি চিত্র বা পিক্সেলের প্রস্থ এবং উচ্চতার মধ্যে স্বাভাবিক আনুপাতিক সম্পর্ক বর্ণনা করে।

যখন তারা বলে যে একটি নির্দিষ্ট ফিল্ম বা ছবির আকার 16 বাই 9, তখন তারা সাধারণত বোঝায় আকৃতির অনুপাত প্রদর্শন (DAR - থেকে ডিসপ্লে অ্যাসপেক্ট রেশিও) যাইহোক, কখনও কখনও পৃথক পিক্সেলের বিভিন্ন আকার থাকতে পারে - এই ক্ষেত্রে আমরা কথা বলছি পিক্সেল অনুপাত (PAR - থেকে পিক্সেল আকৃতির অনুপাত).

হোস্টেসকে নোট করুন: ডিভিডি অনুরূপ DAR 4 на 3

যদিও প্রকৃত DVD রেজোলিউশন 704x480, তবুও এটি একটি 4:3 অনুপাত বজায় রাখে কারণ PAR হল 10:11 (704x10 / 480x11)।

এবং অবশেষে, আমরা নির্ধারণ করতে পারি видео как последовательность из n সময়ের জন্য ফ্রেম সময়, যা একটি অতিরিক্ত মাত্রা হিসাবে বিবেচনা করা যেতে পারে। ক n তাহলে ফ্রেম রেট বা প্রতি সেকেন্ডে ফ্রেমের সংখ্যা (FPS যে - থেকে প্রতি সেকেন্ডে ফ্রেম).

একটি ভিডিও প্রদর্শনের জন্য প্রতি সেকেন্ডে যে পরিমাণ বিট লাগে তা হল এর সংক্রমণ গতি - বিটরেট.

বিটরেট = প্রস্থ * উচ্চতা * বিট গভীরতা * ফ্রেম প্রতি সেকেন্ড

উদাহরণস্বরূপ, একটি 30 fps, 24 bps, 480x240 ভিডিওর জন্য 82,944,000 bps বা 82,944 Mbps (30x480x240x24) প্রয়োজন হবে - কিন্তু এটি যদি কোনো কম্প্রেশন পদ্ধতি ব্যবহার না করা হয়।

যদি স্থানান্তর গতি প্রায় ধ্রুবক, তারপর এটা বলা হয় ধ্রুবক সংক্রমণ গতি (সিবিআর - থেকে ধ্রুবক বিট রেট) কিন্তু এটি পরিবর্তিত হতে পারে, এই ক্ষেত্রে এটি বলা হয় পরিবর্তনশীল বড হার (VBR - থেকে পরিবর্তনশীল বিট রেট).

Этот график демонстрирует ограниченный VBR, когда тратится не слишком много битов в случае полностью тёмного кадра.

প্রকৌশলীরা প্রাথমিকভাবে অতিরিক্ত ব্যান্ডউইথ ব্যবহার না করে একটি ভিডিও প্রদর্শনের অনুভূত ফ্রেম রেট দ্বিগুণ করার একটি পদ্ধতি তৈরি করেছিলেন। এই পদ্ধতি হিসাবে পরিচিত হয় ইন্টারলেস করা ভিডিও; মূলত, এটি প্রথম "ফ্রেমে" অর্ধেক স্ক্রীন এবং পরবর্তী অর্ধেকটি পরবর্তী "ফ্রেমে" পাঠায়।

বর্তমানে, দৃশ্যগুলি বেশিরভাগ ব্যবহার করে রেন্ডার করা হয় প্রগতিশীল স্ক্যানিং প্রযুক্তি. এটি চলমান চিত্রগুলি প্রদর্শন, সংরক্ষণ বা প্রেরণ করার একটি পদ্ধতি যাতে প্রতিটি ফ্রেমের সমস্ত লাইন ক্রমানুসারে আঁকা হয়।

আমরা হব! এখন আমরা সচেতন যে কীভাবে একটি ছবিকে ডিজিটালভাবে উপস্থাপন করা হয়, কীভাবে তার রঙগুলি সাজানো হয়, ভিডিও দেখানোর জন্য আমরা প্রতি সেকেন্ডে কত বিট খরচ করি, যদি বিট রেট স্থির (CBR) বা পরিবর্তনশীল (VBR) হয়। আমরা একটি প্রদত্ত ফ্রেম রেট ব্যবহার করে একটি প্রদত্ত রেজোলিউশন সম্পর্কে জানি, আমরা অন্যান্য অনেক পদের সাথে পরিচিত, যেমন ইন্টারলেসড ভিডিও, PAR এবং কিছু অন্যান্য।

অপ্রয়োজনীয়তা অপসারণ

Известно, что видео без сжатия нормально использовать невозможно. Часовое видео с разрешением 720p и частотой 30 кадров в секунду занимало бы 278 Гб. К такому значению приходим, перемножив 1280 x 720 x 24 x 30 x 3600 (ширина, высота, биты на пиксель, FPS и время в секундах).

ব্যবহারের ক্ষতিহীন কম্প্রেশন অ্যালগরিদম, DEFLATE এর মত (PKZIP, Gzip এবং PNG তে ব্যবহৃত), প্রয়োজনীয় ব্যান্ডউইথ যথেষ্ট কমবে না। আমাদের ভিডিও কম্প্রেস করার অন্যান্য উপায় খুঁজতে হবে।

এটি করার জন্য, আপনি আমাদের দৃষ্টি বৈশিষ্ট্য ব্যবহার করতে পারেন. আমরা রঙের চেয়ে উজ্জ্বলতা পার্থক্য করতে ভাল. একটি ভিডিও হল ধারাবাহিক চিত্রগুলির একটি সিরিজ যা সময়ের সাথে পুনরাবৃত্তি হয়৷ একই দৃশ্যের সংলগ্ন ফ্রেমের মধ্যে ছোট পার্থক্য রয়েছে। অতিরিক্তভাবে, প্রতিটি ফ্রেমে একই (বা অনুরূপ) রঙ ব্যবহার করে অনেক এলাকা রয়েছে।

রঙ, উজ্জ্বলতা এবং আমাদের চোখ

আমাদের চোখ রঙের চেয়ে উজ্জ্বলতার প্রতি বেশি সংবেদনশীল। আপনি এই ছবিটি দেখে নিজেই এটি দেখতে পারেন।

যদি আপনি দেখতে না পান যে ছবিটির বাম অর্ধেক স্কোয়ারের রং A и B আসলে একই, তাহলে এটাই স্বাভাবিক। আমাদের মস্তিষ্ক রঙের চেয়ে আলো এবং ছায়ায় বেশি মনোযোগ দিতে বাধ্য করে। মনোনীত বর্গক্ষেত্রগুলির মধ্যে ডানদিকে একই রঙের একটি জাম্পার রয়েছে - তাই আমরা (অর্থাৎ আমাদের মস্তিষ্ক) সহজেই নির্ধারণ করতে পারি যে, আসলে, তারা একই রঙের।

আসুন দেখি (একটি সরলীকৃত উপায়ে) আমাদের চোখ কীভাবে কাজ করে। চোখ একটি জটিল অঙ্গ যা অনেক অংশ নিয়ে গঠিত। যাইহোক, আমরা শঙ্কু এবং rods সবচেয়ে আগ্রহী. চোখে প্রায় 120 মিলিয়ন রড এবং 6 মিলিয়ন শঙ্কু রয়েছে।

Рассмотрим восприятие цвета и яркости как отдельные функции определённых частей глаза (на самом деле, всё обстоит несколько сложнее, но мы упростим). Палочковые клетки, в основном, отвечают за яркость, в то время как колбочковые клетки отвечают за цвет. Колбочки подразделяются на три типа, в зависимости от содержащегося пигмента: S-колбочки (синий цвет), M-колбочки (зеленый цвет) и L-колбочки (красный цвет).

Поскольку у нас гораздо больше палочек (яркость), чем колбочек (цвет), можно сделать вывод, что мы более способны различать переходы между темнотой и светом, чем цвета.

কনট্রাস্ট সংবেদনশীলতা বৈশিষ্ট্য

পরীক্ষামূলক মনোবিজ্ঞান এবং অন্যান্য অনেক ক্ষেত্রে গবেষকরা মানুষের দৃষ্টির অনেক তত্ত্ব তৈরি করেছেন। এবং তাদের একজনকে বলা হয় কনট্রাস্ট সংবেদনশীলতা ফাংশন. Они связаны с пространственным и временны́м освещением. Если кратко, то речь о том, сколько требуется изменений, прежде чем наблюдатель их заметит. Обратите внимание на множественное число слова «функция». Это связано с тем, что мы можем измерять функции чувствительности к контрасту не только к черно-белому изображению, но и цветному. Результаты этих экспериментов показывают, что в большинстве случаев наши глаза более чувствительны к яркости, чем к цвету.

যেহেতু আমরা জানি যে আমরা ছবির উজ্জ্বলতার প্রতি আরও সংবেদনশীল, আমরা এই সত্যটি ব্যবহার করার চেষ্টা করতে পারি।

রঙের মডেল

আরজিবি স্কিম ব্যবহার করে রঙিন চিত্রগুলির সাথে কীভাবে কাজ করা যায় তা আমরা কিছুটা খুঁজে বের করেছি। এছাড়াও অন্যান্য মডেল আছে. একটি মডেল আছে যা ক্রোমা থেকে লুমিন্যান্সকে আলাদা করে এবং এটি নামে পরিচিত ওয়াইসিবিসিআর. যাইহোক, অন্যান্য মডেল রয়েছে যা অনুরূপ বিভাগ তৈরি করে, তবে আমরা কেবল এটি বিবেচনা করব।

এই রঙের মডেলে Y উজ্জ্বলতার একটি উপস্থাপনা, এবং দুটি রঙের চ্যানেলও ব্যবহার করে: Cb (ধনী নীল) এবং Cr (ধনী লাল)। YCbCr RGB থেকে প্রাপ্ত করা যেতে পারে, এবং বিপরীত রূপান্তরও সম্ভব। এই মডেলটি ব্যবহার করে আমরা সম্পূর্ণ রঙিন চিত্র তৈরি করতে পারি যেমনটি আমরা নীচে দেখছি:

YCbCr এবং RGB এর মধ্যে রূপান্তর করুন

কেউ আপত্তি করবে: সবুজ ব্যবহার না করলে সব রং পাওয়া কিভাবে সম্ভব?

এই প্রশ্নের উত্তর দিতে, আসুন RGB কে YCbCr এ রূপান্তর করি। আসুন স্ট্যান্ডার্ডে গৃহীত সহগগুলি ব্যবহার করি বিটি.601, যা ইউনিট দ্বারা সুপারিশ করা হয়েছিল আইটিইউ-আর. এই বিভাগ ডিজিটাল ভিডিওর মান নির্ধারণ করে। যেমন: 4K কি? ফ্রেম রেট, রেজোলিউশন, রঙের মডেল কেমন হওয়া উচিত?

প্রথমে এর উজ্জ্বলতা গণনা করা যাক। আসুন ITU দ্বারা প্রস্তাবিত ধ্রুবকগুলি ব্যবহার করি এবং RGB মানগুলি প্রতিস্থাপন করি।

Y = 0.299R + + 0.587G + + 0.114B

আমাদের উজ্জ্বলতা পাওয়ার পরে, আমরা নীল এবং লাল রং আলাদা করব:

Cb = ০.৫৬৪(B - Y)

Cr = ০.৫৬৪(R - Y)

এবং আমরা আবার রূপান্তর করতে পারি এবং এমনকি YCbCr ব্যবহার করে সবুজ পেতে পারি:

R = Y + + 1.402Cr

B = Y + + 1.772Cb

G = Y - 0.344Cb - 0.714Cr

সাধারণত, ডিসপ্লে (মনিটর, টিভি, স্ক্রিন ইত্যাদি) শুধুমাত্র RGB মডেল ব্যবহার করে। কিন্তু এই মডেল বিভিন্ন উপায়ে সংগঠিত করা যেতে পারে:

রঙের সাবস্যাম্পলিং

আলোকসজ্জা এবং ক্রোমিন্যান্সের সংমিশ্রণ হিসাবে উপস্থাপিত একটি চিত্রের সাথে, আমরা বেছে বেছে তথ্য অপসারণের মাধ্যমে ক্রোমিন্যান্সের চেয়ে আলোর প্রতি মানুষের ভিজ্যুয়াল সিস্টেমের বৃহত্তর সংবেদনশীলতাকে কাজে লাগাতে পারি। ক্রোমা সাবস্যাম্পলিং হল লুমিন্যান্সের তুলনায় ক্রোমার জন্য কম রেজোলিউশন ব্যবহার করে ছবি এনকোড করার একটি পদ্ধতি।

কালার রেজুলেশন কতটা কমানো জায়েজ?! এটি দেখা যাচ্ছে যে ইতিমধ্যেই কিছু ডায়াগ্রাম রয়েছে যা রেজোলিউশন এবং মার্জিং কীভাবে পরিচালনা করতে হয় তা বর্ণনা করে (ফলাফলের রঙ = Y + Cb + Cr)।

এই স্কিম হিসাবে পরিচিত হয় ডাউনস্যাম্পলিং সিস্টেম এবং 3-গুণ অনুপাত হিসাবে প্রকাশ করা হয় - a:x:y, যা আলোকসজ্জা এবং রঙের পার্থক্য সংকেতের নমুনার সংখ্যা নির্ধারণ করে।

a - অনুভূমিক নমুনা মান (সাধারণত 4 এর সমান)
x — количество выборок цветности в первой строке пикселей (горизонтальное разрешение по отношению к a)
y — পিক্সেলের প্রথম এবং দ্বিতীয় সারির মধ্যে ক্রোমা নমুনার পরিবর্তনের সংখ্যা।

ব্যতিক্রম হল 4:1:0, প্রতিটি 4-বাই-4 লুমিন্যান্স রেজোলিউশন ব্লকে একটি ক্রোমা নমুনা প্রদান করে।

আধুনিক কোডেক্সে ব্যবহৃত সাধারণ স্কিম:

• 4:4:4 (কোন ডাউনস্যাম্পলিং)
• 4:2:2
• 4:1:1
• 4:2:0
• 4:1:0
• 3:1:1

YCbCr 4:2:0 - ফিউশন উদাহরণ

এখানে YCbCr 4:2:0 ব্যবহার করে একটি মার্জ করা ছবি রয়েছে। মনে রাখবেন যে আমরা প্রতি পিক্সেলে মাত্র 12 বিট খরচ করছি।

Вот так выглядит одно и то же изображение, закодированное основными типами цветовой субдискретизации. Первый ряд — это окончательный YCbCr, нижний ряд показывает разрешение цветности. Весьма достойные результаты, учитывая небольшие потери в качестве.

মনে আছে যখন আমরা 278p রেজোলিউশন এবং 720 ফ্রেম প্রতি সেকেন্ডে একটি ঘন্টা-দীর্ঘ ভিডিও ফাইল সংরক্ষণ করার জন্য 30 গিগাবাইট স্টোরেজ স্পেস গণনা করেছি? যদি আমরা YCbCr 4:2:0 ব্যবহার করি, তাহলে এই আকার অর্ধেক কমে যাবে - 139 GB৷ এখনও অবধি, এটি এখনও একটি গ্রহণযোগ্য ফলাফল থেকে অনেক দূরে।

আপনি FFmpeg ব্যবহার করে নিজেই YCbCr হিস্টোগ্রাম পেতে পারেন। এই ছবিতে, নীল লালের উপর প্রাধান্য পেয়েছে, যা হিস্টোগ্রামে স্পষ্টভাবে দৃশ্যমান।

রঙ, উজ্জ্বলতা, রঙ স্বরগ্রাম - ভিডিও পর্যালোচনা

আমরা এই দুর্দান্ত ভিডিওটি দেখার পরামর্শ দিই। এটি ব্যাখ্যা করে উজ্জ্বলতা কী এবং সাধারণভাবে সমস্ত বিন্দু বিন্দুযুক্ত ё о яркости и цвете.

ফ্রেমের ধরন

চল এগোই. সময়ের অপ্রয়োজনীয়তা দূর করার চেষ্টা করা যাক। কিন্তু প্রথমে, আসুন কিছু মৌলিক পরিভাষা সংজ্ঞায়িত করি। ধরা যাক আমাদের কাছে প্রতি সেকেন্ডে 30 ফ্রেম সহ একটি চলচ্চিত্র রয়েছে, এখানে তার প্রথম 4টি ফ্রেম রয়েছে:

আমরা ফ্রেমে অনেক পুনরাবৃত্তি দেখতে পাচ্ছি: উদাহরণস্বরূপ, একটি নীল পটভূমি যা ফ্রেম থেকে ফ্রেমে পরিবর্তন হয় না। এই সমস্যাটি সমাধান করার জন্য, আমরা তাদের বিমূর্তভাবে তিন ধরণের ফ্রেমে শ্রেণীবদ্ধ করতে পারি।

আই-ফ্রেম (Iএনট্রো ফ্রেম)

আই-ফ্রেম (রেফারেন্স ফ্রেম, কী ফ্রেম, ভিতরের ফ্রেম) স্বয়ংসম্পূর্ণ। আপনি যা কল্পনা করতে চান তা নির্বিশেষে, একটি আই-ফ্রেম মূলত একটি স্ট্যাটিক ফটোগ্রাফ। প্রথম ফ্রেমটি সাধারণত একটি আই-ফ্রেম হয়, তবে আমরা নিয়মিত আই-ফ্রেমগুলি পর্যবেক্ষণ করব এমনকি প্রথম ফ্রেমের মধ্যেও নয়।

P-кадр (Pরেডিক্টেড ফ্রেম)

পি-ফ্রেম (ভবিষ্যদ্বাণীমূলক ফ্রেম) এই সত্যটির সুবিধা নেয় যে প্রায় সর্বদা বর্তমান চিত্রটি পূর্ববর্তী ফ্রেম ব্যবহার করে পুনরুত্পাদন করা যেতে পারে। উদাহরণস্বরূপ, দ্বিতীয় ফ্রেমে একমাত্র পরিবর্তন হল বলটি এগিয়ে যাওয়া। আমরা ফ্রেম 2 কে সামান্য পরিবর্তন করে ফ্রেম 1 পেতে পারি, শুধুমাত্র এই ফ্রেমের মধ্যে পার্থক্য ব্যবহার করে। ফ্রেম 2 নির্মাণ করতে, আমরা পূর্ববর্তী ফ্রেম 1 উল্লেখ করি।

←

বি-ফ্রেম (Bi-ভবিষ্যদ্বাণীমূলক ফ্রেম)

А как насчет ссылок не только на прошлые, а заодно и на будущие кадры, чтобы обеспечить еще лучшее сжатие?! Это, в основном и есть B-кадр (двунаправленный кадр).

← →

মধ্যবর্তী প্রত্যাহার

এই ফ্রেম প্রকারগুলি সর্বোত্তম সম্ভাব্য কম্প্রেশন প্রদান করতে ব্যবহৃত হয়। আমরা পরবর্তী বিভাগে এটি কিভাবে ঘটবে তা দেখব। আপাতত, আমাদের নোট করা যাক যে মেমরি খরচের ক্ষেত্রে সবচেয়ে "ব্যয়বহুল" হল আই-ফ্রেম, পি-ফ্রেমটি লক্ষণীয়ভাবে সস্তা, তবে ভিডিওর জন্য সবচেয়ে লাভজনক বিকল্প হল বি-ফ্রেম।

টেম্পোরাল রিডানডেন্সি (আন্তঃ-ফ্রেম পূর্বাভাস)

সময়ের সাথে পুনরাবৃত্তি কমাতে আমাদের কি বিকল্প আছে তা দেখা যাক। আমরা ক্রস-পূর্বাভাস পদ্ধতি ব্যবহার করে এই ধরনের অপ্রয়োজনীয়তা সমাধান করতে পারি।

আমরা ফ্রেম 0 এবং 1 এর একটি ক্রম এনকোড করতে যতটা সম্ভব কম বিট খরচ করার চেষ্টা করব।

আমরা উৎপাদন করতে পারি বিয়োগ, আমরা কেবল ফ্রেম 1 থেকে ফ্রেম 0 বিয়োগ করি। আমরা ফ্রেম 1 পাই, শুধুমাত্র এটি এবং পূর্ববর্তী ফ্রেমের মধ্যে পার্থক্য ব্যবহার করি, প্রকৃতপক্ষে আমরা শুধুমাত্র অবশিষ্টাংশ এনকোড করি।

কিন্তু যদি আমি আপনাকে বলি যে আরও ভাল পদ্ধতি আছে যা এমনকি কম বিট ব্যবহার করে?! প্রথমে, আসুন ফ্রেম 0 কে ব্লক সমন্বিত একটি পরিষ্কার গ্রিডে বিভক্ত করি। এবং তারপরে আমরা ফ্রেম 0 এর সাথে ফ্রেম 1 থেকে ব্লকগুলিকে মেলানোর চেষ্টা করব। অন্য কথায়, আমরা ফ্রেমের মধ্যে গতিবিধি অনুমান করব।

উইকিপিডিয়া থেকে - ব্লক মোশন ক্ষতিপূরণ

ব্লক মোশন ক্ষতিপূরণ বর্তমান ফ্রেমটিকে নন-ওভারল্যাপিং ব্লকে বিভক্ত করে এবং গতি ক্ষতিপূরণ ভেক্টর ব্লকের উৎপত্তি সম্পর্কে রিপোর্ট করে (একটি সাধারণ ভুল ধারণা হল পূর্ববর্তী ফ্রেমটি নন-ওভারল্যাপিং ব্লকে বিভক্ত, এবং গতি ক্ষতিপূরণ ভেক্টরগুলি সেই ব্লকগুলি কোথায় যায় তা বলে। কিন্তু প্রকৃতপক্ষে, এটি উল্টো দিকে - এটি আগের ফ্রেমটি নয় যা বিশ্লেষণ করা হয়েছে, কিন্তু পরেরটি; ব্লকগুলি কোথায় চলছে তা স্পষ্ট নয়, তবে তারা কোথা থেকে এসেছে)। সাধারণত সোর্স ব্লকগুলো সোর্স ফ্রেমে ওভারল্যাপ করে। কিছু ভিডিও কম্প্রেশন অ্যালগরিদম বর্তমান ফ্রেমকে একত্রিত করে একটির অংশ থেকে নয়, বরং বেশ কয়েকটি পূর্বে প্রেরিত ফ্রেম থেকে।

মূল্যায়ন প্রক্রিয়া চলাকালীন, আমরা দেখতে পাই যে বলটি (x= 0, y=25) দ্বারা (x= 6, y=26), মান x и y গতি ভেক্টর নির্ধারণ করুন। বিটগুলি সংরক্ষণের জন্য আরেকটি পদক্ষেপ যা আমরা করতে পারি তা হল শেষ ব্লক অবস্থান এবং পূর্বাভাসিত একটির মধ্যে কেবল গতি ভেক্টরের পার্থক্যকে এনকোড করা, তাই চূড়ান্ত গতি ভেক্টর হবে (x=6-0=6, y=26-25=1 )

একটি বাস্তব পরিস্থিতিতে, এই বল ভাগ করা হবে n ব্লক, কিন্তু এটি বিষয়টির সারাংশ পরিবর্তন করে না।

ফ্রেমের মধ্যে থাকা বস্তুগুলি তিনটি মাত্রায় চলে, তাই বলটি যখন নড়াচড়া করে, তখন এটি দৃশ্যত ছোট হয়ে যেতে পারে (অথবা এটি দর্শকের দিকে সরে গেলে বড়)। ব্লকের মধ্যে নিখুঁত মিল হবে না এটাই স্বাভাবিক। এখানে আমাদের অনুমান এবং বাস্তব চিত্রের একটি সম্মিলিত দৃশ্য রয়েছে।

কিন্তু আমরা দেখি যে যখন আমরা গতি অনুমান ব্যবহার করি, তখন ফ্রেমের মধ্যে ডেল্টা গণনা করার একটি সহজ পদ্ধতি ব্যবহার করার তুলনায় কোডিংয়ের জন্য লক্ষণীয়ভাবে কম ডেটা থাকে।

বাস্তব গতির ক্ষতিপূরণ কেমন হবে

এই কৌশলটি একবারে সমস্ত ব্লকে প্রয়োগ করা হয়। প্রায়শই আমাদের শর্তসাপেক্ষ চলমান বল একবারে কয়েকটি ব্লকে বিভক্ত হবে।

আপনি নিজে ব্যবহার করে এই ধারণাগুলির জন্য একটি অনুভূতি পেতে পারেন জুপিটার.

Чтобы увидеть векторы движения можно создать видео с внешним предсказанием с помощью ffmpeg.

আপনিও ব্যবহার করতে পারেন ইন্টেল ভিডিও প্রো বিশ্লেষক (এটি অর্থপ্রদান করা হয়েছে, তবে একটি বিনামূল্যের ট্রায়াল রয়েছে যা শুধুমাত্র প্রথম দশটি ফ্রেমের মধ্যে সীমাবদ্ধ)।

স্থানিক অপ্রয়োজনীয়তা (অভ্যন্তরীণ পূর্বাভাস)

যদি আমরা একটি ভিডিওতে প্রতিটি ফ্রেম বিশ্লেষণ করি, তাহলে আমরা অনেক আন্তঃসংযুক্ত এলাকা খুঁজে পাব।

চলুন এই উদাহরণ মাধ্যমে যান. এই দৃশ্যটি প্রধানত নীল এবং সাদা রং নিয়ে গঠিত।

এটি একটি আই-ফ্রেম। আমরা পূর্বাভাসের জন্য পূর্ববর্তী ফ্রেম নিতে পারি না, তবে আমরা এটি সংকুচিত করতে পারি। লাল ব্লকের নির্বাচন এনকোড করা যাক। আমরা যদি এর প্রতিবেশীদের দিকে তাকাই, আমরা লক্ষ্য করি যে এর চারপাশে কিছু রঙের প্রবণতা রয়েছে।

আমরা অনুমান করি যে রঙগুলি ফ্রেমে উল্লম্বভাবে ছড়িয়ে পড়ে। যার অর্থ অজানা পিক্সেলের রঙে এর প্রতিবেশীদের মান থাকবে।

এই ধরনের একটি পূর্বাভাস ভুল হতে পারে. এই কারণেই আপনাকে এই পদ্ধতিটি (অভ্যন্তরীণ পূর্বাভাস) প্রয়োগ করতে হবে এবং তারপরে আসল মানগুলি বিয়োগ করতে হবে। এটি আমাদের একটি অবশিষ্ট ব্লক দেবে, যার ফলে মূলের তুলনায় অনেক বেশি সংকুচিত ম্যাট্রিক্স হবে।

আপনি যদি অভ্যন্তরীণ ভবিষ্যদ্বাণীগুলির সাথে অনুশীলন করতে চান তবে আপনি ffmpeg ব্যবহার করে ম্যাক্রোব্লক এবং তাদের ভবিষ্যদ্বাণীগুলির একটি ভিডিও তৈরি করতে পারেন। প্রতিটি ব্লক রঙের অর্থ বোঝার জন্য, আপনাকে ffmpeg ডকুমেন্টেশন পড়তে হবে।

Или же можно использовать Intel Video Pro Analyzer (как я уже упоминал выше, в пробной бесплатной версии ограничение на первые 10 кадров, но вам этого на первых порах хватит).

দ্বিতীয় অংশ: ভিডিও কোডেক কিভাবে কাজ করে

উত্স: www.habr.com