কিভাবে একটি ভিডিও কোডেক কাজ করে? পার্ট 2। কি, কেন, কিভাবে

প্রথম অংশ: ভিডিও এবং ইমেজ সঙ্গে কাজ মৌলিক

কি? একটি ভিডিও কোডেক হল সফ্টওয়্যার/হার্ডওয়্যারের একটি অংশ যা ডিজিটাল ভিডিওকে সংকুচিত করে এবং/অথবা ডিকম্প্রেস করে।

কিসের জন্য? ব্যান্ডউইথ এবং উভয় ক্ষেত্রেই কিছু সীমাবদ্ধতা থাকা সত্ত্বেও
এবং ডেটা স্টোরেজ স্পেস পরিপ্রেক্ষিতে, বাজার ক্রমবর্ধমান উচ্চ মানের ভিডিও দাবি করে। আপনার কি মনে আছে কিভাবে শেষ পোস্টে আমরা 30x24 রেজোলিউশন সহ প্রতি সেকেন্ডে 480 ফ্রেম, পিক্সেল প্রতি 240 বিটগুলির জন্য প্রয়োজনীয় সর্বনিম্ন গণনা করেছি? আমরা কম্প্রেশন ছাড়াই 82,944 Mbit/s পেয়েছি। কম্প্রেশন বর্তমানে টেলিভিশন স্ক্রীন এবং ইন্টারনেটে সাধারণত HD/FullHD/4K প্রেরণের একমাত্র উপায়। কিভাবে এই অর্জন করা হয়? এখন সংক্ষেপে প্রধান পদ্ধতিগুলো দেখে নেওয়া যাক।

অনুবাদটি EDISON সফটওয়্যারের সহায়তায় করা হয়েছিল।

আমরা নিযুক্ত করা হয় ভিডিও নজরদারি সিস্টেমের একীকরণএবং আমরা একটি মাইক্রোটোমোগ্রাফ তৈরি করছি.

কোডেক বনাম কন্টেইনার

নতুনরা একটি সাধারণ ভুল করে যা ডিজিটাল ভিডিও কোডেক এবং ডিজিটাল ভিডিও কন্টেইনারকে বিভ্রান্ত করে। একটি ধারক একটি নির্দিষ্ট বিন্যাস। ভিডিও (এবং সম্ভবত অডিও) মেটাডেটা ধারণকারী একটি মোড়ক। সংকুচিত ভিডিওটিকে একটি ধারক পেলোড হিসাবে ভাবা যেতে পারে।

সাধারণত, একটি ভিডিও ফাইলের এক্সটেনশন তার ধারক প্রকার নির্দেশ করে। উদাহরণস্বরূপ, video.mp4 ফাইলটি সম্ভবত একটি ধারক MPEG-4 পর্ব 14, এবং video.mkv নামের একটি ফাইল সম্ভবত matryoshka. কোডেক এবং ধারক বিন্যাস সম্পূর্ণরূপে নিশ্চিত হতে, আপনি ব্যবহার করতে পারেন FFmpeg বা মিডিয়া তথ্য.

ইতিহাস একটি বিট

আমরা পেতে আগে কিভাবে?, আসুন কিছু পুরানো কোডেককে একটু ভালোভাবে বুঝতে ইতিহাসে একটু ডুব দেওয়া যাক।

ভিডিও কোডেক H.261 1990 সালে উপস্থিত হয়েছিল (প্রযুক্তিগতভাবে - 1988 সালে) এবং 64 Kbps এর ডেটা স্থানান্তর হারে কাজ করার জন্য তৈরি করা হয়েছিল। এটি ইতিমধ্যেই কালার সাবস্যাম্পলিং, ম্যাক্রোব্লক ইত্যাদির মত ধারণা ব্যবহার করেছে। ভিডিও কোডেক মান 1995 সালে প্রকাশিত হয়েছিল H.263, যা 2001 পর্যন্ত বিকশিত হয়েছিল।

প্রথম সংস্করণ 2003 সালে সম্পন্ন হয়েছিল H.264 / অধীনে লাইসেন্সীকৃত. একই বছর, TrueMotion তার বিনামূল্যে ক্ষতিকর ভিডিও কোডেক নামক প্রকাশ করে VP3. গুগল 2008 সালে কোম্পানিটিকে কিনে নেয়, মুক্তি দেয় VP8 একই বছর. 2012 সালের ডিসেম্বরে, গুগল প্রকাশ করে VP9, এবং এটি ব্রাউজার মার্কেটের প্রায় ¾ অংশে সমর্থিত (মোবাইল ডিভাইস সহ)।

AV1 একটি নতুন ফ্রি এবং ওপেন সোর্স ভিডিও কোডেক তৈরি করেছে ওপেন মিডিয়ার জন্য জোট (এওমিডিয়া), যার মধ্যে সবচেয়ে বিখ্যাত কোম্পানি রয়েছে, যেমন: Google, Mozilla, Microsoft, Amazon, Netflix, AMD, ARM, NVidia, Intel এবং Cisco। কোডেক এর প্রথম সংস্করণ, 0.1.0, এপ্রিল 7, 2016 এ প্রকাশিত হয়েছিল।

AV1 এর জন্ম

2015 সালের প্রথম দিকে, গুগল কাজ করছিল VP10Xiph (যা মজিলার মালিকানাধীন) কাজ করছিল৷ Daala, এবং Cisco নামক নিজস্ব বিনামূল্যে ভিডিও কোডেক তৈরি করেছে থর.

তারপর এমপিইজি এলএ জন্য প্রথম বার্ষিক সীমা ঘোষণা HEVC (H.265) এবং H.8 এর চেয়ে 264 গুণ বেশি ফি, কিন্তু তারা শীঘ্রই আবার নিয়ম পরিবর্তন করেছে:

বার্ষিক সীমা নেই,
বিষয়বস্তুর ফি (রাজস্বের 0,5%) এবং
ইউনিট ফি H.10 থেকে প্রায় 264 গুণ বেশি।

ওপেন মিডিয়ার জন্য জোট বিভিন্ন ক্ষেত্রের কোম্পানিগুলি দ্বারা তৈরি করা হয়েছে: সরঞ্জাম নির্মাতারা (Intel, AMD, ARM, Nvidia, Cisco), সামগ্রী প্রদানকারী (Google, Netflix, Amazon), ব্রাউজার নির্মাতারা (Google, Mozilla) এবং অন্যান্য।

কোম্পানিগুলির একটি সাধারণ লক্ষ্য ছিল - একটি রয়্যালটি-মুক্ত ভিডিও কোডেক। তারপর দেখা দেয় AV1 অনেক সহজ পেটেন্ট লাইসেন্স সহ। টিমোথি বি. টেরিবেরি একটি অত্যাশ্চর্য উপস্থাপনা দিয়েছেন যা বর্তমান AV1 ধারণা এবং এর লাইসেন্সিং মডেলের উত্স হয়ে উঠেছে।

আপনি জেনে অবাক হবেন যে আপনি একটি ব্রাউজারের মাধ্যমে AV1 কোডেক বিশ্লেষণ করতে পারেন (যারা আগ্রহী তারা যেতে পারেন aomanalyzer.org).

ইউনিভার্সাল কোডেক

আসুন ইউনিভার্সাল ভিডিও কোডেক এর অন্তর্নিহিত প্রধান প্রক্রিয়াগুলি দেখুন। এই ধারণাগুলির বেশিরভাগই দরকারী এবং আধুনিক কোডেকগুলিতে ব্যবহৃত হয় যেমন VP9, AV1 и HEVC. আমি আপনাকে সতর্ক করছি যে ব্যাখ্যা করা অনেক বিষয় সরলীকৃত হবে। কখনও কখনও বাস্তব বিশ্বের উদাহরণ (H.264 এর মতো) প্রযুক্তি প্রদর্শনের জন্য ব্যবহার করা হবে।

1ম ধাপ - ছবি বিভক্ত করা

প্রথম ধাপ হল ফ্রেমটিকে কয়েকটি বিভাগ, উপধারা এবং তার পরেও বিভক্ত করা।

কি জন্য? এখানে অনেক কারণ আছে. যখন আমরা একটি চিত্রকে বিভক্ত করি, তখন আমরা ছোট চলমান অংশগুলির জন্য ছোট অংশ ব্যবহার করে গতি ভেক্টরের আরও সঠিকভাবে পূর্বাভাস দিতে পারি। একটি স্ট্যাটিক ব্যাকগ্রাউন্ডের জন্য আপনি নিজেকে বড় বিভাগে সীমাবদ্ধ করতে পারেন।

কোডেকগুলি সাধারণত এই বিভাগগুলিকে বিভাগ (বা খণ্ড), ম্যাক্রোব্লক (বা কোডিং ট্রি ব্লক) এবং একাধিক উপবিভাগে সংগঠিত করে। এই পার্টিশনগুলির সর্বাধিক আকার পরিবর্তিত হয়, HEVC এটিকে 64x64 এ সেট করে যখন AVC 16x16 ব্যবহার করে এবং সাবপার্টিশনগুলি 4x4 আকারে বিভক্ত করা যেতে পারে।

আপনি শেষ নিবন্ধ থেকে ফ্রেম ধরনের মনে আছে?! এটি ব্লকগুলিতেও প্রয়োগ করা যেতে পারে, তাই আমাদের কাছে একটি আই-ফ্র্যাগমেন্ট, একটি বি-ব্লক, একটি পি-ম্যাক্রোব্লক ইত্যাদি থাকতে পারে।

যারা অনুশীলন করতে চান তাদের জন্য, চিত্রটিকে কীভাবে বিভাগ এবং উপধারায় ভাগ করা হয়েছে তা দেখুন। এটি করার জন্য, আপনি পূর্ববর্তী নিবন্ধে ইতিমধ্যে উল্লিখিত একটি ব্যবহার করতে পারেন। ইন্টেল ভিডিও প্রো বিশ্লেষক (যেটি অর্থপ্রদান করা হয়, তবে একটি বিনামূল্যের ট্রায়াল সংস্করণ সহ যা প্রথম 10টি ফ্রেমে সীমাবদ্ধ)। বিভাগগুলি এখানে বিশ্লেষণ করা হয়েছে VP9:

২য় ধাপ - পূর্বাভাস

একবার আমাদের বিভাগ হয়ে গেলে, আমরা তাদের জন্য জ্যোতিষ সংক্রান্ত পূর্বাভাস দিতে পারি। জন্য INTER পূর্বাভাস স্থানান্তর করতে হবে গতি ভেক্টর এবং অবশিষ্ট, এবং INTRA পূর্বাভাসের জন্য এটি প্রেরণ করা হয় পূর্বাভাস দিক এবং অবশিষ্ট।

3য় ধাপ - রূপান্তর

একবার আমাদের একটি অবশিষ্ট ব্লক (ভবিষ্যদ্বাণীকৃত বিভাগ → বাস্তব বিভাগ) হয়ে গেলে, এটিকে এমনভাবে রূপান্তর করা সম্ভব যাতে আমরা জানি যে সামগ্রিক গুণমান বজায় রেখে কোন পিক্সেলগুলি বাতিল করা যেতে পারে। কিছু রূপান্তর আছে যা সঠিক আচরণ প্রদান করে।

যদিও অন্যান্য পদ্ধতি আছে, আসুন আরো বিস্তারিতভাবে তাদের তাকান। বিযুক্ত কোসাইন রূপান্তর (DCT - থেকে বিযুক্ত কোসাইন রূপান্তর) DCT এর প্রধান কাজ:

• পিক্সেলের ব্লকগুলিকে ফ্রিকোয়েন্সি সহগগুলির সমান আকারের ব্লকে রূপান্তর করে।
• স্থানিক অপ্রয়োজনীয়তা দূর করতে সাহায্য করার জন্য শক্তি ঘনীভূত করে।
• রিভার্সিবিলিটি প্রদান করে।

ফেব্রুয়ারি 2, 2017 Sintra R.J. (Cintra, RJ) এবং Bayer F.M. (বেয়ার এফএম) ইমেজ কম্প্রেশনের জন্য DCT-এর মতো রূপান্তর সম্পর্কে একটি নিবন্ধ প্রকাশ করেছে যার জন্য শুধুমাত্র 14 টি সংযোজন প্রয়োজন।

চিন্তা করবেন না যদি আপনি প্রতিটি আইটেমের সুবিধা বুঝতে না পারেন। এখন তাদের আসল মান দেখতে নির্দিষ্ট উদাহরণ ব্যবহার করা যাক।

পিক্সেলের এই 8x8 ব্লকটি নেওয়া যাক:

এই ব্লকটি নিম্নলিখিত 8 বাই 8 পিক্সেল ছবিতে রেন্ডার করা হয়েছে:

পিক্সেলের এই ব্লকে DCT প্রয়োগ করুন এবং সহগগুলির একটি 8x8 ব্লক পান:

এবং যদি আমরা সহগগুলির এই ব্লকটি রেন্ডার করি, আমরা নিম্নলিখিত চিত্রটি পাব:

আপনি দেখতে পাচ্ছেন, এটি আসল চিত্রের মতো দেখাচ্ছে না। আপনি দেখতে পাচ্ছেন যে প্রথম সহগটি অন্য সমস্ত থেকে খুব আলাদা। এই প্রথম সহগটি DC সহগ নামে পরিচিত, যা ইনপুট অ্যারের সমস্ত নমুনার প্রতিনিধিত্ব করে, একটি গড় মত কিছু।

সহগগুলির এই ব্লকের একটি আকর্ষণীয় বৈশিষ্ট্য রয়েছে: এটি উচ্চ-ফ্রিকোয়েন্সি উপাদানগুলিকে কম-ফ্রিকোয়েন্সিগুলির থেকে আলাদা করে।

একটি ছবিতে, বেশিরভাগ শক্তি নিম্ন ফ্রিকোয়েন্সিতে কেন্দ্রীভূত হয়, তাই আপনি যদি চিত্রটিকে এর ফ্রিকোয়েন্সি উপাদানগুলিতে রূপান্তর করেন এবং উচ্চতর ফ্রিকোয়েন্সি সহগগুলি বাতিল করেন, আপনি খুব বেশি ছবির গুণমানকে ত্যাগ না করেই চিত্রটি বর্ণনা করার জন্য প্রয়োজনীয় ডেটার পরিমাণ কমাতে পারেন।

ফ্রিকোয়েন্সি বোঝায় কত দ্রুত সংকেত পরিবর্তন হয়।

আসুন DCT ব্যবহার করে আসল চিত্রটিকে তার ফ্রিকোয়েন্সিতে (গুণগুণের ব্লক) রূপান্তর করে এবং তারপরে ন্যূনতম গুরুত্বপূর্ণ সহগের অংশ বাদ দিয়ে পরীক্ষার ক্ষেত্রে অর্জিত জ্ঞান প্রয়োগ করার চেষ্টা করি।

প্রথমে আমরা এটিকে ফ্রিকোয়েন্সি ডোমেনে রূপান্তর করি।

এর পরে, আমরা সহগগুলির অংশ (67%) বাতিল করি, প্রধানত নীচের ডান অংশ।

পরিশেষে, আমরা সহগগুলির এই বাতিল ব্লক থেকে চিত্রটি পুনর্গঠন করি (মনে রাখবেন, এটি অবশ্যই ইনভার্টেবল হতে হবে) এবং মূলটির সাথে এটি তুলনা করি।

আমরা দেখতে পাই যে এটি মূল চিত্রের সাথে সাদৃশ্যপূর্ণ, তবে মূল থেকে অনেক পার্থক্য রয়েছে। আমরা 67,1875% ছুড়ে ফেলেছি এবং এখনও আসলটির মতো কিছু পেয়েছি। আরও ভাল মানের একটি চিত্র পেতে সহগগুলিকে আরও ভেবেচিন্তে বাতিল করা সম্ভব ছিল, তবে এটি একটি পরবর্তী বিষয়।

প্রতিটি সহগ সমস্ত পিক্সেল ব্যবহার করে তৈরি করা হয়

গুরুত্বপূর্ণ: প্রতিটি সহগ সরাসরি এক পিক্সেলের সাথে ম্যাপ করা হয় না, তবে সমস্ত পিক্সেলের ওজনযুক্ত সমষ্টি। এই আশ্চর্যজনক গ্রাফটি দেখায় কিভাবে প্রথম এবং দ্বিতীয় সহগগুলি প্রতিটি সূচকের অনন্য ওজন ব্যবহার করে গণনা করা হয়।

আপনি এটির উপর ভিত্তি করে একটি সাধারণ চিত্র গঠন দেখে ডিসিটি কল্পনা করার চেষ্টা করতে পারেন। উদাহরণস্বরূপ, এখানে প্রতিটি সহগ ওজন ব্যবহার করে তৈরি করা প্রতীক A:

4র্থ ধাপ - পরিমাপকরণ

আমরা পূর্ববর্তী ধাপে কিছু সহগ নিক্ষেপ করার পর, শেষ ধাপে (রূপান্তর) আমরা একটি বিশেষ রূপ পরিমাপ করি। এই পর্যায়ে তথ্য হারানো গ্রহণযোগ্য। অথবা, আরও সহজভাবে, আমরা কম্প্রেশন অর্জনের জন্য সহগগুলি পরিমাপ করব।

আপনি কিভাবে সহগ একটি ব্লক পরিমাপ করতে পারেন? সবচেয়ে সহজ পদ্ধতিগুলির মধ্যে একটি হল ইউনিফর্ম কোয়ান্টাইজেশন, যখন আমরা একটি ব্লক নিই, এটিকে একটি মান (10 দ্বারা) দিয়ে ভাগ করে ফলাফলটি বৃত্তাকার করি।

আমরা সহগ এই ব্লক বিপরীত করতে পারি? হ্যাঁ, আমরা একই মান দিয়ে গুণ করতে পারি যার দ্বারা আমরা ভাগ করেছি।

এই পদ্ধতিটি সর্বোত্তম নয় কারণ এটি প্রতিটি সহগের গুরুত্ব বিবেচনা করে না। কেউ একটি একক মানের পরিবর্তে কোয়ান্টাইজারের একটি ম্যাট্রিক্স ব্যবহার করতে পারে এবং এই ম্যাট্রিক্সটি নীচের ডানের সংখ্যাগরিষ্ঠ এবং উপরের বাম অংশের সংখ্যালঘু সংখ্যা নির্ধারণ করে ডিসিটি সম্পত্তিকে কাজে লাগাতে পারে।

ধাপ 5 - এনট্রপি কোডিং

একবার আমরা ডেটা (ইমেজ ব্লক, টুকরো, ফ্রেম) পরিমাপ করা হয়ে গেলে, আমরা এখনও এটিকে ক্ষতিহীনভাবে সংকুচিত করতে পারি। ডেটা সংকুচিত করার অনেক অ্যালগরিদমিক উপায় রয়েছে। আমরা তাদের কয়েকটির উপর দ্রুত নজর দিতে যাচ্ছি, গভীরভাবে বোঝার জন্য আপনি আন্ডারস্ট্যান্ডিং কম্প্রেশন: ডেটা কম্প্রেশন ফর মডার্ন ডেভেলপারদের বইটি পড়তে পারেন ("কম্প্রেশন বোঝা: আধুনিক ডেভেলপারদের জন্য ডেটা কম্প্রেশন")।

ভিএলসি ব্যবহার করে ভিডিও এনকোডিং

ধরা যাক আমাদের অক্ষরের একটি প্রবাহ আছে: a, e, r и t. এই সারণীতে প্রতিটি অক্ষর কত ঘন ঘন প্রদর্শিত হবে তার সম্ভাব্যতা (0 থেকে 1 পর্যন্ত)।

	a	e	r	t
সম্ভাব্যতা	0,3	0,3	0,2	0,2

আমরা অনন্য বাইনারি কোড বরাদ্দ করতে পারি (পছন্দ করে ছোটগুলি) সবচেয়ে সম্ভাব্যদের জন্য, এবং কম সম্ভাবনার জন্য বড় কোডগুলি।

	a	e	r	t
সম্ভাব্যতা	0,3	0,3	0,2	0,2
বাইনারি কোড	0	10	110	1110

আমরা স্ট্রীমটি সংকুচিত করি, ধরে নিই যে আমরা প্রতিটি অক্ষরের জন্য 8 বিট খরচ করব। কম্প্রেশন ছাড়া, অক্ষর প্রতি 24 বিট প্রয়োজন হবে। আপনি যদি প্রতিটি অক্ষরকে তার কোড দিয়ে প্রতিস্থাপন করেন, আপনি সঞ্চয় পাবেন!

প্রথম ধাপ হল অক্ষর এনকোড করা e, যা 10 এর সমান, এবং দ্বিতীয় অক্ষর হল a, যা যোগ করা হয়েছে (গাণিতিক উপায়ে নয়): [10][0], এবং অবশেষে তৃতীয় অক্ষর t, যা আমাদের চূড়ান্ত সংকুচিত বিটস্ট্রিমকে [10][0][1110] বা এর সমান করে তোলে 1001110, যার জন্য প্রয়োজন মাত্র 7 বিট (আসলের চেয়ে 3,4 গুণ কম স্থান)।

অনুগ্রহ করে মনে রাখবেন যে প্রতিটি কোড একটি উপসর্গ সহ একটি অনন্য কোড হতে হবে। হাফম্যান অ্যালগরিদম এই সংখ্যা খুঁজে পেতে সাহায্য করবে. যদিও এই পদ্ধতিটি তার ত্রুটিগুলি ছাড়া নয়, সেখানে ভিডিও কোডেক রয়েছে যা এখনও কম্প্রেশনের জন্য এই অ্যালগরিদমিক পদ্ধতিটি অফার করে।

এনকোডার এবং ডিকোডার উভয়েরই তাদের বাইনারি কোড সহ একটি প্রতীক টেবিলে অ্যাক্সেস থাকতে হবে। অতএব, ইনপুট হিসাবে একটি টেবিল পাঠাতেও প্রয়োজন।

পাটিগণিত কোডিং

ধরা যাক আমাদের অক্ষরের একটি প্রবাহ আছে: a, e, r, s и t, এবং তাদের সম্ভাব্যতা এই টেবিলে উপস্থাপন করা হয়েছে।

	a	e	r	s	t
সম্ভাব্যতা	0,3	0,3	0,15	0,05	0,2

এই টেবিলটি ব্যবহার করে, আমরা সম্ভাব্য সব অক্ষর সম্বলিত রেঞ্জ তৈরি করব, সবচেয়ে বড় সংখ্যা অনুসারে সাজানো।

এখন তিনটি অক্ষরের একটি স্ট্রিম এনকোড করা যাক: খাওয়া.

প্রথমে প্রথম অক্ষর নির্বাচন করুন e, যা 0,3 থেকে 0,6 পর্যন্ত সাবরেঞ্জে রয়েছে (অন্তর্ভুক্ত নয়)। আমরা এই সাবরেঞ্জটি নিয়েছি এবং এটিকে আবার আগের মতো একই অনুপাতে ভাগ করি, কিন্তু এই নতুন পরিসরের জন্য।

আমাদের স্ট্রীম কোডিং চালিয়ে যাক খাওয়া. এখন দ্বিতীয় চরিত্রটি নিন a, যা 0,3 থেকে 0,39 পর্যন্ত নতুন সাবরেঞ্জে রয়েছে এবং তারপরে আমাদের শেষ অক্ষর নিন t এবং একই প্রক্রিয়া আবার পুনরাবৃত্তি করলে, আমরা 0,354 থেকে 0,372 পর্যন্ত চূড়ান্ত সাব-রেঞ্জ পাই।

আমাদের শুধু শেষ সাবরেঞ্জে 0,354 থেকে 0,372 পর্যন্ত একটি সংখ্যা নির্বাচন করতে হবে। আসুন 0,36 বেছে নেওয়া যাক (তবে আপনি এই সাবরেঞ্জে অন্য যেকোনো সংখ্যা বেছে নিতে পারেন)। শুধুমাত্র এই নম্বর দিয়ে আমরা আমাদের আসল স্ট্রীম পুনরুদ্ধার করতে সক্ষম হব। এটা যেন আমরা আমাদের স্ট্রীম এনকোড করার জন্য রেঞ্জের মধ্যে একটি রেখা আঁকছি।

বিপরীত অপারেশন (অর্থাৎ, ডিকোডিং) ঠিক ততটাই সহজ: আমাদের সংখ্যা 0,36 এবং আমাদের প্রাথমিক পরিসরের সাথে, আমরা একই প্রক্রিয়া চালাতে পারি। কিন্তু এখন, এই নম্বরটি ব্যবহার করে, আমরা এই নম্বরটি ব্যবহার করে এনকোড করা স্ট্রিমটি সনাক্ত করি।

প্রথম পরিসরের সাথে, আমরা লক্ষ্য করি যে আমাদের সংখ্যাটি স্লাইসের সাথে মিলে যায়, তাই এটি আমাদের প্রথম অক্ষর। এখন আমরা আগের মতই একই প্রক্রিয়া অনুসরণ করে এই সাব-রেঞ্জটিকে আবার ভাগ করি। এখানে আপনি দেখতে পাচ্ছেন যে 0,36 চিহ্নের সাথে মিলে যায় a, এবং প্রক্রিয়াটি পুনরাবৃত্তি করার পরে আমরা শেষ অক্ষরে পৌঁছেছি t (আমাদের মূল এনকোডেড স্ট্রীম গঠন করে খাওয়া).

এনকোডার এবং ডিকোডার উভয়েরই প্রতীক সম্ভাব্যতার একটি টেবিল থাকতে হবে, তাই এটি ইনপুট ডেটাতেও পাঠাতে হবে।

বেশ মার্জিত, তাই না? যারা এই সমাধান নিয়ে এসেছেন তারাই বুদ্ধিমান। কিছু ভিডিও কোডেক এই কৌশলটি ব্যবহার করে (বা অন্তত এটি একটি বিকল্প হিসাবে অফার করে)।

ধারণাটি হল একটি কোয়ান্টাইজড বিট স্ট্রীমকে ক্ষতিহীনভাবে সংকুচিত করা। নিশ্চিতভাবে এই নিবন্ধটি বিশদ বিবরণ, কারণ, ট্রেড-অফ, ইত্যাদি অনুপস্থিত। তবে আপনি যদি একজন বিকাশকারী হন তবে আপনার আরও জানা উচিত। নতুন কোডেক বিভিন্ন এনট্রপি এনকোডিং অ্যালগরিদম যেমন ব্যবহার করার চেষ্টা করে ANS এর.

ধাপ 6 - বিটস্ট্রিম বিন্যাস

এই সব করার পরে, যা অবশিষ্ট থাকে তা হল সঞ্চালিত পদক্ষেপগুলির পরিপ্রেক্ষিতে সংকুচিত ফ্রেমগুলি আনপ্যাক করা। ডিকোডারকে অবশ্যই এনকোডারের সিদ্ধান্ত সম্পর্কে স্পষ্টভাবে অবহিত করতে হবে। ডিকোডারকে অবশ্যই সমস্ত প্রয়োজনীয় তথ্য সরবরাহ করতে হবে: বিট গভীরতা, রঙের স্থান, রেজোলিউশন, পূর্বাভাস তথ্য (মোশন ভেক্টর, নির্দেশমূলক ইন্টার পূর্বাভাস), প্রোফাইল, স্তর, ফ্রেমের হার, ফ্রেমের ধরন, ফ্রেম নম্বর এবং আরও অনেক কিছু।

আমরা বিটস্ট্রিমটি দ্রুত দেখে নেব H.264. আমাদের প্রথম ধাপ হল একটি ন্যূনতম H.264 বিটস্ট্রিম তৈরি করা (ডিফল্টরূপে FFmpeg সমস্ত এনকোডিং বিকল্প যোগ করে যেমন SEI NAL - আমরা এটি একটু এগিয়ে খুঁজে বের করব)। আমরা আমাদের নিজস্ব সংগ্রহস্থল এবং FFmpeg ব্যবহার করে এটি করতে পারি।

./s/ffmpeg -i /files/i/minimal.png -pix_fmt yuv420p /files/v/minimal_yuv420.h264

এই কমান্ডটি একটি কাঁচা বিটস্ট্রিম তৈরি করবে H.264 একটি ফ্রেম সহ, 64×64 রেজোলিউশন, রঙের স্থান সহ YUV420. এই ক্ষেত্রে, নিম্নলিখিত ছবিটি একটি ফ্রেম হিসাবে ব্যবহার করা হয়।

H.264 বিটস্ট্রিম

মান অধীনে লাইসেন্সীকৃত (H.264) নির্ধারণ করে যে তথ্য ম্যাক্রোফ্রেমে পাঠানো হবে (নেটওয়ার্ক অর্থে), বলা হয় চূড়ান্ত (এটি একটি নেটওয়ার্ক বিমূর্ততা স্তর)। NAL এর মূল লক্ষ্য হল একটি "ওয়েব-ফ্রেন্ডলি" ভিডিও উপস্থাপনা প্রদান করা। এই স্ট্যান্ডার্ডটি টিভিতে (স্ট্রিম-ভিত্তিক), ইন্টারনেট (প্যাকেট-ভিত্তিক) কাজ করা উচিত।

NAL উপাদানগুলির সীমানা সংজ্ঞায়িত করার জন্য একটি সিঙ্ক্রোনাইজেশন মার্কার রয়েছে। প্রতিটি সিঙ্ক টোকেনে একটি মান থাকে 0x00 0x00 0x01, প্রথমটি ছাড়া, যা সমান 0x00 0x00 0x00 0x01. আমরা যদি লঞ্চ করি হেক্সডাম্প জেনারেট করা H.264 বিটস্ট্রিমের জন্য, আমরা ফাইলের শুরুতে অন্তত তিনটি NAL প্যাটার্ন চিহ্নিত করি।

যেমন বলা হয়েছে, ডিকোডারকে শুধুমাত্র ছবির ডেটাই নয়, ভিডিও, ফ্রেম, রং, ব্যবহৃত প্যারামিটার এবং আরও অনেক কিছুর বিশদ বিবরণ জানতে হবে। প্রতিটি NAL এর প্রথম বাইট তার বিভাগ এবং ধরনকে সংজ্ঞায়িত করে।

NAL টাইপ শনাক্তকারী	বিবরণ
0	অজানা প্রকার
1	IDR ছাড়া এনকোড করা ছবির খণ্ড
2	কোডেড স্লাইস ডেটা বিভাগ A
3	কোডেড স্লাইস ডেটা বিভাগ B
4	কোডেড স্লাইস ডেটা বিভাগ C
5	একটি IDR ছবির এনকোড করা IDR খণ্ড
6	SEI এক্সটেনশন সম্পর্কে আরও তথ্য
7	SPS সিকোয়েন্স প্যারামিটার সেট
8	PPS ইমেজ প্যারামিটারের সেট
9	অ্যাক্সেস বিভাজক
10	ক্রম শেষ
11	থ্রেড শেষ
...	...

সাধারণত একটি বিটস্ট্রিমের প্রথম NAL হয় SPS. এই ধরনের NAL সাধারণ এনকোডিং ভেরিয়েবল যেমন প্রোফাইল, লেভেল, রেজোলিউশন ইত্যাদি সম্পর্কে জানানোর জন্য দায়ী।

যদি আমরা প্রথম সিঙ্ক মার্কারটি এড়িয়ে যাই, তাহলে কোন NAL টাইপ প্রথম তা খুঁজে বের করতে আমরা প্রথম বাইটটি ডিকোড করতে পারি।

উদাহরণস্বরূপ, সিঙ্ক টোকেনের পরে প্রথম বাইট 01100111, যেখানে প্রথম বিট (0) ক্ষেত্রে চorbidden_zero_bit. পরবর্তী 2 বিট (11) আমাদের ক্ষেত্র বলে nal_ref_idc, যা নির্দেশ করে যে এই NAL একটি রেফারেন্স ক্ষেত্র কি না। এবং অবশিষ্ট 5 বিট (00111) আমাদের ক্ষেত্র বলে নাল_ইউনিট_টাইপ, এই ক্ষেত্রে এটি SPS ব্লক (7) NAL।

দ্বিতীয় বাইট (বাইনারি=01100100, সম্মোহন=0x64, ডিসেম্বর=100) SPS NAL ক্ষেত্র হল প্রোফাইল_আইডিসি, যা এনকোডার ব্যবহার করা প্রোফাইল দেখায়। এই ক্ষেত্রে, একটি সীমিত উচ্চ প্রোফাইল ব্যবহার করা হয়েছিল (অর্থাৎ, দ্বিমুখী বি-সেগমেন্ট সমর্থন ছাড়াই একটি উচ্চ প্রোফাইল)।

আপনি যদি বিটস্ট্রিম স্পেসিফিকেশন তাকান H.264 SPS NAL-এর জন্য, আমরা প্যারামিটারের নাম, বিভাগ এবং বিবরণের জন্য অনেকগুলি মান খুঁজে পাব। উদাহরণস্বরূপ, আসুন ক্ষেত্রগুলি দেখুন pic_width_in_mbs_minus_1 и pic_height_in_map_units_minus_1.

পরামিতি নাম	বিভাগ	বিবরণ
pic_width_in_mbs_minus_1	0	ue(v)
pic_height_in_map_units_minus_1	0	ue(v)

যদি আমরা এই ক্ষেত্রগুলির মানগুলির সাথে কিছু গাণিতিক ক্রিয়াকলাপ করি তবে আমরা রেজোলিউশন পাব। একজন ব্যবহার করে 1920 x 1080 প্রতিনিধিত্ব করতে পারে pic_width_in_mbs_minus_1 119 এর মান সহ (119 + 1) * macroblock_size = 120 * 16 = 1920)। আবার, স্থান বাঁচাতে, 1920 এনকোডিংয়ের পরিবর্তে, আমরা 119 দিয়ে এটি করেছি।

যদি আমরা আমাদের তৈরি ভিডিওটি বাইনারি আকারে চেক করতে থাকি (উদাহরণস্বরূপ: xxd -b -c 11 v/minimal_yuv420.h264), তারপর আপনি শেষ NAL-এ যেতে পারেন, যা ফ্রেম নিজেই।

এখানে আমরা এর প্রথম 6 বাইট মান দেখতে পাচ্ছি: 01100101 10001000 10000100 00000000 00100001 11111111. যেহেতু প্রথম বাইটটি NAL প্রকার নির্দেশ করতে পরিচিত, এই ক্ষেত্রে (00101) হল একটি IDR খণ্ড (5), এবং তারপরে আপনি এটি আরও অন্বেষণ করতে পারেন:

স্পেসিফিকেশন তথ্য ব্যবহার করে, খণ্ডের ধরনটি ডিকোড করা সম্ভব হবে (স্লাইস_টাইপ) এবং ফ্রেম নম্বর (ফ্রেম_সংখ্যা) অন্যান্য গুরুত্বপূর্ণ ক্ষেত্রের মধ্যে।

কিছু ক্ষেত্রের মান পেতে (ue(v), me(v), se(v) বা te(v)), আমাদের উপর ভিত্তি করে একটি বিশেষ ডিকোডার ব্যবহার করে খণ্ডটি ডিকোড করতে হবে সূচকীয় Golomb কোড. এই পদ্ধতিটি পরিবর্তনশীল মান এনকোড করার জন্য খুব কার্যকর, বিশেষ করে যখন অনেকগুলি ডিফল্ট মান থাকে।

অর্থ স্লাইস_টাইপ и ফ্রেম_সংখ্যা এই ভিডিওর 7টি (I-fragment) এবং 0 (প্রথম ফ্রেম)।

একটি বিট স্ট্রিম একটি প্রোটোকল হিসাবে চিন্তা করা যেতে পারে. আপনি যদি বিটস্ট্রিম সম্পর্কে আরও জানতে চান তবে আপনার স্পেসিফিকেশনটি উল্লেখ করা উচিত ITU H.264. এখানে একটি ম্যাক্রো ডায়াগ্রাম দেখানো হয়েছে যেখানে চিত্রের ডেটা রয়েছে (YUV সংকুচিত আকারে)।

অন্যান্য বিটস্ট্রিম পরীক্ষা করা যেতে পারে, যেমন VP9, H.265 (HEVC) বা এমনকি আমাদের নতুন সেরা বিটস্ট্রিম AV1. তারা সব একই? না, কিন্তু একবার আপনি অন্তত একটা বুঝতে পারলে বাকিটা বোঝা অনেক সহজ।

অনুশীলন করতে চান? H.264 বিটস্ট্রিম এক্সপ্লোর করুন

আপনি একটি একক ফ্রেম ভিডিও তৈরি করতে পারেন এবং বিটস্ট্রিম পরীক্ষা করতে MediaInfo ব্যবহার করতে পারেন H.264. আসলে, বিট স্ট্রীম বিশ্লেষণ করে এমন সোর্স কোডের দিকে তাকানো থেকেও কিছুই আপনাকে বাধা দেয় না H.264 (অধীনে লাইসেন্সীকৃত).

অনুশীলনের জন্য, আপনি ইন্টেল ভিডিও প্রো বিশ্লেষক ব্যবহার করতে পারেন (আমি কি ইতিমধ্যে বলেছি যে প্রোগ্রামটি অর্থপ্রদান করা হয়েছে, তবে 10 ফ্রেমের সীমা সহ একটি বিনামূল্যের ট্রায়াল সংস্করণ রয়েছে?)।

ওভারভিউ

মনে রাখবেন যে অনেক আধুনিক কোডেক একই মডেল ব্যবহার করে যা আমরা সবেমাত্র অধ্যয়ন করেছি। এখানে, ভিডিও কোডেক এর ব্লক ডায়াগ্রাম দেখে নেওয়া যাক থর. এতে আমরা যে সমস্ত ধাপ অতিক্রম করেছি তা রয়েছে। এই পোস্টের পুরো পয়েন্টটি হল অন্তত আপনাকে এই এলাকার উদ্ভাবন এবং ডকুমেন্টেশন সম্পর্কে আরও ভাল বোঝার জন্য।

পূর্বে, এটি গণনা করা হয়েছিল যে 139p গুণমান এবং 720 fps তে এক ঘন্টা স্থায়ী একটি ভিডিও ফাইল সংরক্ষণ করতে 30 GB ডিস্ক স্থানের প্রয়োজন হবে। আপনি যদি এই নিবন্ধে আলোচিত পদ্ধতিগুলি ব্যবহার করেন (আন্তঃ-ফ্রেম এবং অভ্যন্তরীণ ভবিষ্যদ্বাণী, রূপান্তর, কোয়ান্টাইজেশন, এনট্রপি কোডিং, ইত্যাদি), তাহলে আপনি অর্জন করতে পারেন (আমরা পিক্সেল প্রতি 0,031 বিট ব্যয় করি) এর একটি ভিডিও সন্তোষজনক গুণমান, শুধুমাত্র 367,82 MB দখল করে, 139 GB মেমরি নয়।

কিভাবে H.265 H.264 এর চেয়ে ভালো কম্প্রেশন অনুপাত অর্জন করে?

এখন যেহেতু আমরা কোডেকগুলি কীভাবে কাজ করে সে সম্পর্কে আরও জানি, নতুন কোডেকগুলি কীভাবে কম বিটের সাথে উচ্চতর রেজোলিউশন সরবরাহ করতে পারে তা বোঝা সহজ।

আমরা যদি তুলনা করি অধীনে লাইসেন্সীকৃত и HEVC, এটা মনে রাখা মূল্যবান যে এটি প্রায় সবসময় বৃহত্তর CPU লোড এবং কম্প্রেশন অনুপাতের মধ্যে একটি পছন্দ।

HEVC এর চেয়ে বেশি বিভাগ (এবং উপধারা) বিকল্প রয়েছে অধীনে লাইসেন্সীকৃত, আরো অভ্যন্তরীণ পূর্বাভাস দিকনির্দেশ, উন্নত এনট্রপি কোডিং, এবং আরও অনেক কিছু। এই সব উন্নতি করা হয়েছে H.265 50% বেশি সংকুচিত করতে সক্ষম H.264.

প্রথম অংশ: ভিডিও এবং ইমেজ সঙ্গে কাজ মৌলিক

উত্স: www.habr.com