ವೀಡಿಯೊ ಕೊಡೆಕ್ ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ? ಭಾಗ 1: ಬೇಸಿಕ್ಸ್

ಎರಡನೇ ಭಾಗ: ವೀಡಿಯೊ ಕೊಡೆಕ್ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ

ಯಾವುದೇ ರಾಸ್ಟರ್ ಚಿತ್ರ ರೂಪದಲ್ಲಿ ಪ್ರತಿನಿಧಿಸಬಹುದು ಎರಡು ಆಯಾಮದ ಮ್ಯಾಟ್ರಿಕ್ಸ್. ಬಣ್ಣಗಳ ವಿಷಯಕ್ಕೆ ಬಂದಾಗ, ಚಿತ್ರವನ್ನು ನೋಡುವ ಮೂಲಕ ಕಲ್ಪನೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಬಹುದು ಮೂರು ಆಯಾಮದ ಮ್ಯಾಟ್ರಿಕ್ಸ್, ಇದರಲ್ಲಿ ಪ್ರತಿಯೊಂದು ಬಣ್ಣಗಳಿಗೆ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಲು ಹೆಚ್ಚುವರಿ ಆಯಾಮಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.

ನಾವು ಅಂತಿಮ ಬಣ್ಣವನ್ನು ಕರೆಯಲ್ಪಡುವ ಸಂಯೋಜನೆಯಾಗಿ ಪರಿಗಣಿಸಿದರೆ. ಪ್ರಾಥಮಿಕ ಬಣ್ಣಗಳು (ಕೆಂಪು, ಹಸಿರು ಮತ್ತು ನೀಲಿ), ನಮ್ಮ ಮೂರು ಆಯಾಮದ ಮ್ಯಾಟ್ರಿಕ್ಸ್‌ನಲ್ಲಿ ನಾವು ಮೂರು ವಿಮಾನಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತೇವೆ: ಮೊದಲನೆಯದು ಕೆಂಪು, ಎರಡನೆಯದು ಹಸಿರು ಮತ್ತು ಕೊನೆಯದು ನೀಲಿ.

ಈ ಮ್ಯಾಟ್ರಿಕ್ಸ್‌ನಲ್ಲಿ ನಾವು ಪ್ರತಿ ಬಿಂದುವನ್ನು ಪಿಕ್ಸೆಲ್ (ಚಿತ್ರ ಅಂಶ) ಎಂದು ಕರೆಯುತ್ತೇವೆ. ಪ್ರತಿ ಪಿಕ್ಸೆಲ್ ಪ್ರತಿ ಬಣ್ಣದ ತೀವ್ರತೆಯ (ಸಾಮಾನ್ಯವಾಗಿ ಸಂಖ್ಯಾ ಮೌಲ್ಯವಾಗಿ) ಮಾಹಿತಿಯನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಕೆಂಪು ಪಿಕ್ಸೆಲ್ ಅಂದರೆ ಇದು 0 ಹಸಿರು, 0 ನೀಲಿ ಮತ್ತು ಗರಿಷ್ಠ ಕೆಂಪು ಬಣ್ಣವನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಪಿಂಕ್ ಪಿಕ್ಸೆಲ್ ಮೂರು ಬಣ್ಣಗಳ ಸಂಯೋಜನೆಯನ್ನು ಬಳಸಿಕೊಂಡು ರಚಿಸಬಹುದು. 0 ರಿಂದ 255 ರವರೆಗಿನ ಸಂಖ್ಯಾ ಶ್ರೇಣಿಯನ್ನು ಬಳಸಿ, ಗುಲಾಬಿ ಪಿಕ್ಸೆಲ್ ಅನ್ನು ಹೀಗೆ ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ ಕೆಂಪು = 255, ಹಸಿರು = 192 и ನೀಲಿ = 203.

ಈ ಲೇಖನವನ್ನು EDISON ಬೆಂಬಲದೊಂದಿಗೆ ಪ್ರಕಟಿಸಲಾಗಿದೆ.

ನಾವು ಅಭಿವೃದ್ಧಿ ಹೊಂದುತ್ತಿದ್ದೇವೆ ವೀಡಿಯೊ ಕಣ್ಗಾವಲು, ವೀಡಿಯೊ ಸ್ಟ್ರೀಮಿಂಗ್‌ಗಾಗಿ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು, ಮತ್ತು ನಾವು ನಿಶ್ಚಿತಾರ್ಥ ಮಾಡಿಕೊಂಡಿದ್ದೇವೆ ಶಸ್ತ್ರಚಿಕಿತ್ಸಾ ಕೊಠಡಿಯಲ್ಲಿ ವೀಡಿಯೊ ರೆಕಾರ್ಡಿಂಗ್.

ಬಣ್ಣದ ಚಿತ್ರವನ್ನು ಎನ್ಕೋಡ್ ಮಾಡಲು ಪರ್ಯಾಯ ಮಾರ್ಗಗಳು

ಚಿತ್ರವನ್ನು ರೂಪಿಸುವ ಬಣ್ಣಗಳನ್ನು ಪ್ರತಿನಿಧಿಸಲು ಅನೇಕ ಇತರ ಮಾದರಿಗಳಿವೆ. ಉದಾಹರಣೆಗೆ, RGB ಮಾದರಿಯನ್ನು ಬಳಸುವಾಗ ಅಗತ್ಯವಿರುವ ಮೂರರ ಬದಲಿಗೆ, ಪ್ರತಿ ಪಿಕ್ಸೆಲ್ ಅನ್ನು ಪ್ರತಿನಿಧಿಸಲು ಕೇವಲ ಒಂದು ಬೈಟ್ ಅಗತ್ಯವಿರುವ ಸೂಚ್ಯಂಕ ಪ್ಯಾಲೆಟ್ ಅನ್ನು ನೀವು ಬಳಸಬಹುದು. ಅಂತಹ ಮಾದರಿಯಲ್ಲಿ, ಪ್ರತಿ ಬಣ್ಣವನ್ನು ಪ್ರತಿನಿಧಿಸಲು 2D ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಬದಲಿಗೆ 3D ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅನ್ನು ಬಳಸಲು ಸಾಧ್ಯವಿದೆ. ಇದು ಮೆಮೊರಿಯನ್ನು ಉಳಿಸುತ್ತದೆ, ಆದರೆ ಸಣ್ಣ ಬಣ್ಣದ ಹರವು ನೀಡುತ್ತದೆ.

RGB

ಉದಾಹರಣೆಗೆ, ಈ ಕೆಳಗಿನ ಚಿತ್ರವನ್ನು ನೋಡೋಣ. ಮೊದಲ ಮುಖವನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಚಿತ್ರಿಸಲಾಗಿದೆ. ಇತರರು ಕೆಂಪು, ಹಸಿರು ಮತ್ತು ನೀಲಿ ವಿಮಾನಗಳು (ಅನುಗುಣವಾದ ಬಣ್ಣಗಳ ತೀವ್ರತೆಯನ್ನು ಗ್ರೇಸ್ಕೇಲ್ನಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ).

ಮೂಲದಲ್ಲಿ ಕೆಂಪು ಛಾಯೆಗಳು ಎರಡನೇ ಮುಖದ ಪ್ರಕಾಶಮಾನವಾದ ಭಾಗಗಳನ್ನು ಗಮನಿಸಿದ ಅದೇ ಸ್ಥಳಗಳಲ್ಲಿ ಇರುತ್ತವೆ ಎಂದು ನಾವು ನೋಡುತ್ತೇವೆ. ನೀಲಿ ಕೊಡುಗೆಯನ್ನು ಮುಖ್ಯವಾಗಿ ಮಾರಿಯೋನ ಕಣ್ಣುಗಳಲ್ಲಿ (ಕೊನೆಯ ಮುಖ) ಮತ್ತು ಅವನ ಬಟ್ಟೆಯ ಅಂಶಗಳಲ್ಲಿ ಮಾತ್ರ ಕಾಣಬಹುದು. ಎಲ್ಲಾ ಮೂರು ಬಣ್ಣದ ವಿಮಾನಗಳು ಎಲ್ಲಿ ಕಡಿಮೆ ಕೊಡುಗೆ ನೀಡುತ್ತವೆ ಎಂಬುದನ್ನು ಗಮನಿಸಿ (ಚಿತ್ರಗಳ ಕಪ್ಪು ಭಾಗಗಳು) - ಮಾರಿಯೋನ ಮೀಸೆ.

ಪ್ರತಿ ಬಣ್ಣದ ತೀವ್ರತೆಯನ್ನು ಸಂಗ್ರಹಿಸಲು, ನಿರ್ದಿಷ್ಟ ಸಂಖ್ಯೆಯ ಬಿಟ್ಗಳು ಅಗತ್ಯವಿದೆ - ಈ ಪ್ರಮಾಣವನ್ನು ಕರೆಯಲಾಗುತ್ತದೆ ಬಿಟ್ ಆಳ. ಪ್ರತಿ ಬಣ್ಣದ ಸಮತಲಕ್ಕೆ 8 ಬಿಟ್‌ಗಳನ್ನು (0 ರಿಂದ 255 ರವರೆಗಿನ ಮೌಲ್ಯವನ್ನು ಆಧರಿಸಿ) ಖರ್ಚು ಮಾಡಲಾಗಿದೆ ಎಂದು ಹೇಳೋಣ. ನಂತರ ನಾವು 24 ಬಿಟ್‌ಗಳ ಬಣ್ಣದ ಆಳವನ್ನು ಹೊಂದಿದ್ದೇವೆ (8 ಬಿಟ್‌ಗಳು * 3 ಆರ್ / ಜಿ / ಬಿ ವಿಮಾನಗಳು).

ಚಿತ್ರದ ಇನ್ನೊಂದು ಗುಣವೆಂದರೆ ರೆಸಲ್ಯೂಶನ್, ಇದು ಒಂದು ಆಯಾಮದಲ್ಲಿರುವ ಪಿಕ್ಸೆಲ್‌ಗಳ ಸಂಖ್ಯೆ. ಎಂದು ಸಾಮಾನ್ಯವಾಗಿ ಸೂಚಿಸಲಾಗುತ್ತದೆ ಅಗಲ × ಎತ್ತರ, ಕೆಳಗಿನ 4 ರಿಂದ 4 ಉದಾಹರಣೆ ಚಿತ್ರದಲ್ಲಿರುವಂತೆ.


ಚಿತ್ರಗಳು/ವೀಡಿಯೊಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವಾಗ ನಾವು ವ್ಯವಹರಿಸುವ ಮತ್ತೊಂದು ಆಸ್ತಿ ಆಕಾರ ಅನುಪಾತ, ಚಿತ್ರ ಅಥವಾ ಪಿಕ್ಸೆಲ್‌ನ ಅಗಲ ಮತ್ತು ಎತ್ತರದ ನಡುವಿನ ಸಾಮಾನ್ಯ ಅನುಪಾತದ ಸಂಬಂಧವನ್ನು ವಿವರಿಸುತ್ತದೆ.

ನಿರ್ದಿಷ್ಟ ಚಲನಚಿತ್ರ ಅಥವಾ ಚಿತ್ರವು 16 ರಿಂದ 9 ಗಾತ್ರದಲ್ಲಿದೆ ಎಂದು ಅವರು ಹೇಳಿದಾಗ, ಅವರು ಸಾಮಾನ್ಯವಾಗಿ ಅರ್ಥೈಸುತ್ತಾರೆ ಪ್ರದರ್ಶನ ಆಕಾರ ಅನುಪಾತ (ಡಿಎಆರ್ - ನಿಂದ ಪ್ರದರ್ಶನ ಆಕಾರ ಅನುಪಾತ) ಆದಾಗ್ಯೂ, ಕೆಲವೊಮ್ಮೆ ಪ್ರತ್ಯೇಕ ಪಿಕ್ಸೆಲ್‌ಗಳ ವಿಭಿನ್ನ ಆಕಾರಗಳು ಇರಬಹುದು - ಈ ಸಂದರ್ಭದಲ್ಲಿ ನಾವು ಮಾತನಾಡುತ್ತಿದ್ದೇವೆ ಪಿಕ್ಸೆಲ್ ಅನುಪಾತ (PAR - ನಿಂದ ಪಿಕ್ಸೆಲ್ ಆಕಾರ ಅನುಪಾತ).

ಹೊಸ್ಟೆಸ್ಗೆ ಗಮನಿಸಿ: ಡಿವಿಡಿ ಗೆ ಅನುರೂಪವಾಗಿದೆ DAR 4 ರಿಂದ 3

ನಿಜವಾದ DVD ರೆಸಲ್ಯೂಶನ್ 704x480 ಆಗಿದ್ದರೂ, ಇದು ಇನ್ನೂ 4:3 ಆಕಾರ ಅನುಪಾತವನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ ಏಕೆಂದರೆ PAR 10:11 (704x10 / 480x11).

ಮತ್ತು ಅಂತಿಮವಾಗಿ, ನಾವು ನಿರ್ಧರಿಸಬಹುದು видео ಒಂದು ಅನುಕ್ರಮದಂತೆ n ಅವಧಿಗೆ ಚೌಕಟ್ಟುಗಳು ಸಮಯದ, ಇದನ್ನು ಹೆಚ್ಚುವರಿ ಆಯಾಮವೆಂದು ಪರಿಗಣಿಸಬಹುದು. ಎ n ನಂತರ ಫ್ರೇಮ್ ದರ ಅಥವಾ ಪ್ರತಿ ಸೆಕೆಂಡಿಗೆ ಫ್ರೇಮ್‌ಗಳ ಸಂಖ್ಯೆ (ಎಫ್ಪಿಎಸ್ - ನಿಂದ ಪ್ರತಿ ಸೆಕೆಂಡಿಗೆ ಚೌಕಟ್ಟುಗಳು).

ವೀಡಿಯೊವನ್ನು ಪ್ರದರ್ಶಿಸಲು ಅಗತ್ಯವಿರುವ ಪ್ರತಿ ಸೆಕೆಂಡಿಗೆ ಬಿಟ್‌ಗಳ ಸಂಖ್ಯೆ ಪ್ರಸರಣ ವೇಗ - ಬಿಟ್ರೇಟ್.

ಬಿಟ್ರೇಟ್ = ಅಗಲ * ಎತ್ತರ * ಬಿಟ್ ಆಳ * ಸೆಕೆಂಡಿಗೆ ಚೌಕಟ್ಟುಗಳು

ಉದಾಹರಣೆಗೆ, 30 fps, 24 bps, 480x240 ವೀಡಿಯೊಗೆ 82,944,000 bps ಅಥವಾ 82,944 Mbps (30x480x240x24) ಅಗತ್ಯವಿರುತ್ತದೆ - ಆದರೆ ಯಾವುದೇ ಸಂಕೋಚನ ವಿಧಾನವನ್ನು ಬಳಸದಿದ್ದರೆ ಅದು.

ವರ್ಗಾವಣೆ ವೇಗ ವೇಳೆ ಬಹುತೇಕ ಸ್ಥಿರ, ನಂತರ ಅದನ್ನು ಕರೆಯಲಾಗುತ್ತದೆ ನಿರಂತರ ಪ್ರಸರಣ ವೇಗ (ಸಿಬಿಆರ್ - ನಿಂದ ಸ್ಥಿರ ಬಿಟ್ ದರ) ಆದರೆ ಇದು ಬದಲಾಗಬಹುದು, ಈ ಸಂದರ್ಭದಲ್ಲಿ ಇದನ್ನು ಕರೆಯಲಾಗುತ್ತದೆ ವೇರಿಯಬಲ್ ಬಾಡ್ ದರ (ವಿಬಿಆರ್ - ನಿಂದ ವೇರಿಯಬಲ್ ಬಿಟ್ ದರ).

ಈ ಗ್ರಾಫ್ ಸೀಮಿತ VBR ಅನ್ನು ತೋರಿಸುತ್ತದೆ, ಅಲ್ಲಿ ಸಂಪೂರ್ಣ ಡಾರ್ಕ್ ಫ್ರೇಮ್‌ನ ಸಂದರ್ಭದಲ್ಲಿ ಹೆಚ್ಚು ಬಿಟ್‌ಗಳು ವ್ಯರ್ಥವಾಗುವುದಿಲ್ಲ.

ಎಂಜಿನಿಯರ್‌ಗಳು ಆರಂಭದಲ್ಲಿ ಹೆಚ್ಚುವರಿ ಬ್ಯಾಂಡ್‌ವಿಡ್ತ್ ಅನ್ನು ಬಳಸದೆಯೇ ವೀಡಿಯೊ ಪ್ರದರ್ಶನದ ಗ್ರಹಿಸಿದ ಫ್ರೇಮ್ ದರವನ್ನು ದ್ವಿಗುಣಗೊಳಿಸುವ ವಿಧಾನವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದರು. ಈ ವಿಧಾನವನ್ನು ಕರೆಯಲಾಗುತ್ತದೆ ಇಂಟರ್ಲೇಸ್ ಮಾಡಿದ ವೀಡಿಯೊ; ಮೂಲಭೂತವಾಗಿ, ಇದು ಮೊದಲ "ಫ್ರೇಮ್" ನಲ್ಲಿ ಅರ್ಧದಷ್ಟು ಪರದೆಯನ್ನು ಮತ್ತು ಮುಂದಿನ "ಫ್ರೇಮ್" ನಲ್ಲಿ ಉಳಿದ ಅರ್ಧವನ್ನು ಕಳುಹಿಸುತ್ತದೆ.

ಪ್ರಸ್ತುತ, ದೃಶ್ಯಗಳನ್ನು ಹೆಚ್ಚಾಗಿ ಬಳಸಿ ಪ್ರದರ್ಶಿಸಲಾಗುತ್ತದೆ ಪ್ರಗತಿಶೀಲ ಸ್ಕ್ಯಾನಿಂಗ್ ತಂತ್ರಜ್ಞಾನಗಳು. ಇದು ಚಲಿಸುವ ಚಿತ್ರಗಳನ್ನು ಪ್ರದರ್ಶಿಸುವ, ಸಂಗ್ರಹಿಸುವ ಅಥವಾ ರವಾನಿಸುವ ಒಂದು ವಿಧಾನವಾಗಿದೆ, ಇದರಲ್ಲಿ ಪ್ರತಿ ಚೌಕಟ್ಟಿನ ಎಲ್ಲಾ ಸಾಲುಗಳನ್ನು ಅನುಕ್ರಮವಾಗಿ ಎಳೆಯಲಾಗುತ್ತದೆ.

ಸರಿ! ಬಿಟ್ ದರವು ಸ್ಥಿರವಾಗಿದ್ದರೆ (CBR) ಅಥವಾ ವೇರಿಯಬಲ್ (VBR) ಆಗಿದ್ದರೆ, ಚಿತ್ರವನ್ನು ಹೇಗೆ ಡಿಜಿಟಲ್ ರೂಪದಲ್ಲಿ ಪ್ರತಿನಿಧಿಸಲಾಗುತ್ತದೆ, ಅದರ ಬಣ್ಣಗಳನ್ನು ಹೇಗೆ ಜೋಡಿಸಲಾಗಿದೆ, ವೀಡಿಯೊವನ್ನು ತೋರಿಸಲು ನಾವು ಪ್ರತಿ ಸೆಕೆಂಡಿಗೆ ಎಷ್ಟು ಬಿಟ್‌ಗಳನ್ನು ಖರ್ಚು ಮಾಡುತ್ತೇವೆ ಎಂಬುದರ ಕುರಿತು ಈಗ ನಮಗೆ ತಿಳಿದಿದೆ. ಕೊಟ್ಟಿರುವ ಫ್ರೇಮ್ ದರವನ್ನು ಬಳಸಿಕೊಂಡು ನೀಡಿರುವ ರೆಸಲ್ಯೂಶನ್ ಬಗ್ಗೆ ನಮಗೆ ತಿಳಿದಿದೆ, ಇಂಟರ್‌ಲೇಸ್ ಮಾಡಿದ ವೀಡಿಯೊ, PAR ಮತ್ತು ಇತರ ಕೆಲವು ಪದಗಳಂತಹ ಇತರ ಪದಗಳೊಂದಿಗೆ ನಮಗೆ ಪರಿಚಿತವಾಗಿದೆ.

ಪುನರಾವರ್ತನೆಯನ್ನು ತೆಗೆದುಹಾಕಲಾಗುತ್ತಿದೆ

ಸಂಕೋಚನವಿಲ್ಲದ ವೀಡಿಯೊವನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸಲಾಗುವುದಿಲ್ಲ ಎಂದು ತಿಳಿದಿದೆ. 720p ರೆಸಲ್ಯೂಶನ್ ಮತ್ತು ಪ್ರತಿ ಸೆಕೆಂಡಿಗೆ 30 ಫ್ರೇಮ್‌ಗಳಲ್ಲಿ ಒಂದು ಗಂಟೆ ಅವಧಿಯ ವೀಡಿಯೊ 278 GB ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. 1280 x 720 x 24 x 30 x 3600 (ಅಗಲ, ಎತ್ತರ, ಪ್ರತಿ ಪಿಕ್ಸೆಲ್‌ಗೆ ಬಿಟ್‌ಗಳು, FPS ಮತ್ತು ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಸಮಯ) ಗುಣಿಸುವ ಮೂಲಕ ನಾವು ಈ ಮೌಲ್ಯವನ್ನು ತಲುಪುತ್ತೇವೆ.

ಬಳಸಿ ನಷ್ಟವಿಲ್ಲದ ಸಂಕೋಚನ ಕ್ರಮಾವಳಿಗಳು, DEFLATE ನಂತಹ (PKZIP, Gzip ಮತ್ತು PNG ನಲ್ಲಿ ಬಳಸಲಾಗಿದೆ), ಅಗತ್ಯವಿರುವ ಬ್ಯಾಂಡ್‌ವಿಡ್ತ್ ಅನ್ನು ಸಾಕಷ್ಟು ಕಡಿಮೆ ಮಾಡುವುದಿಲ್ಲ. ವೀಡಿಯೊವನ್ನು ಕುಗ್ಗಿಸಲು ನಾವು ಇತರ ಮಾರ್ಗಗಳನ್ನು ಹುಡುಕಬೇಕಾಗಿದೆ.

ಇದನ್ನು ಮಾಡಲು, ನೀವು ನಮ್ಮ ದೃಷ್ಟಿಯ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಬಳಸಬಹುದು. ನಾವು ಬಣ್ಣಕ್ಕಿಂತ ಹೊಳಪನ್ನು ಪ್ರತ್ಯೇಕಿಸುವಲ್ಲಿ ಉತ್ತಮರು. ವೀಡಿಯೊವು ಕಾಲಾನಂತರದಲ್ಲಿ ಪುನರಾವರ್ತಿಸುವ ಅನುಕ್ರಮ ಚಿತ್ರಗಳ ಸರಣಿಯಾಗಿದೆ. ಒಂದೇ ದೃಶ್ಯದ ಪಕ್ಕದ ಚೌಕಟ್ಟುಗಳ ನಡುವೆ ಸಣ್ಣ ವ್ಯತ್ಯಾಸಗಳಿವೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಪ್ರತಿ ಫ್ರೇಮ್ ಒಂದೇ (ಅಥವಾ ಅದೇ ರೀತಿಯ) ಬಣ್ಣವನ್ನು ಬಳಸಿಕೊಂಡು ಅನೇಕ ಪ್ರದೇಶಗಳನ್ನು ಹೊಂದಿರುತ್ತದೆ.

ಬಣ್ಣ, ಹೊಳಪು ಮತ್ತು ನಮ್ಮ ಕಣ್ಣುಗಳು

ನಮ್ಮ ಕಣ್ಣುಗಳು ಬಣ್ಣಕ್ಕಿಂತ ಪ್ರಕಾಶಮಾನತೆಗೆ ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತವೆ. ಈ ಚಿತ್ರವನ್ನು ನೋಡುವ ಮೂಲಕ ನೀವೇ ಇದನ್ನು ನೋಡಬಹುದು.

ನೀವು ಚಿತ್ರದ ಎಡ ಅರ್ಧಭಾಗದಲ್ಲಿ ಚೌಕಗಳ ಬಣ್ಣಗಳನ್ನು ನೋಡದಿದ್ದರೆ A и B ವಾಸ್ತವವಾಗಿ ಒಂದೇ ಆಗಿರುತ್ತದೆ, ಆಗ ಅದು ಸಾಮಾನ್ಯವಾಗಿದೆ. ನಮ್ಮ ಮೆದುಳು ಬಣ್ಣಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ಬೆಳಕು ಮತ್ತು ನೆರಳುಗೆ ಹೆಚ್ಚು ಗಮನ ಕೊಡುವಂತೆ ಒತ್ತಾಯಿಸುತ್ತದೆ. ಗೊತ್ತುಪಡಿಸಿದ ಚೌಕಗಳ ನಡುವೆ ಬಲಭಾಗದಲ್ಲಿ ಅದೇ ಬಣ್ಣದ ಜಿಗಿತಗಾರನು ಇದೆ - ಆದ್ದರಿಂದ ನಾವು (ಅಂದರೆ ನಮ್ಮ ಮೆದುಳು) ಸುಲಭವಾಗಿ ನಿರ್ಧರಿಸುತ್ತೇವೆ, ವಾಸ್ತವವಾಗಿ, ಅವು ಒಂದೇ ಬಣ್ಣದ್ದಾಗಿರುತ್ತವೆ.

ನಮ್ಮ ಕಣ್ಣುಗಳು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಎಂಬುದನ್ನು (ಸರಳೀಕೃತ ರೀತಿಯಲ್ಲಿ) ನೋಡೋಣ. ಕಣ್ಣು ಅನೇಕ ಭಾಗಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಒಂದು ಸಂಕೀರ್ಣ ಅಂಗವಾಗಿದೆ. ಆದಾಗ್ಯೂ, ನಾವು ಶಂಕುಗಳು ಮತ್ತು ರಾಡ್ಗಳಲ್ಲಿ ಹೆಚ್ಚು ಆಸಕ್ತಿ ಹೊಂದಿದ್ದೇವೆ. ಕಣ್ಣಿನಲ್ಲಿ ಸುಮಾರು 120 ಮಿಲಿಯನ್ ರಾಡ್ಗಳು ಮತ್ತು 6 ಮಿಲಿಯನ್ ಕೋನ್ಗಳಿವೆ.

ಕಣ್ಣಿನ ಕೆಲವು ಭಾಗಗಳ ಪ್ರತ್ಯೇಕ ಕಾರ್ಯಗಳಾಗಿ ಬಣ್ಣ ಮತ್ತು ಹೊಳಪಿನ ಗ್ರಹಿಕೆಯನ್ನು ಪರಿಗಣಿಸೋಣ (ವಾಸ್ತವವಾಗಿ, ಎಲ್ಲವೂ ಸ್ವಲ್ಪ ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾಗಿದೆ, ಆದರೆ ನಾವು ಅದನ್ನು ಸರಳಗೊಳಿಸುತ್ತೇವೆ). ರಾಡ್ ಕೋಶಗಳು ಮುಖ್ಯವಾಗಿ ಹೊಳಪಿಗೆ ಕಾರಣವಾಗಿವೆ, ಆದರೆ ಕೋನ್ ಕೋಶಗಳು ಬಣ್ಣಕ್ಕೆ ಕಾರಣವಾಗಿವೆ. ಶಂಕುಗಳನ್ನು ಮೂರು ವಿಧಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ, ಅವುಗಳು ಹೊಂದಿರುವ ವರ್ಣದ್ರವ್ಯವನ್ನು ಅವಲಂಬಿಸಿ: ಎಸ್-ಕೋನ್ಗಳು (ನೀಲಿ), ಎಂ-ಕೋನ್ಗಳು (ಹಸಿರು) ಮತ್ತು ಎಲ್-ಕೋನ್ಗಳು (ಕೆಂಪು).

ನಾವು ಶಂಕುಗಳು (ಬಣ್ಣ) ಗಿಂತ ಹೆಚ್ಚಿನ ರಾಡ್ಗಳನ್ನು (ಪ್ರಕಾಶಮಾನ) ಹೊಂದಿರುವುದರಿಂದ, ಬಣ್ಣಗಳಿಗಿಂತ ಗಾಢ ಮತ್ತು ಬೆಳಕಿನ ನಡುವಿನ ಪರಿವರ್ತನೆಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ನಾವು ಹೆಚ್ಚು ಸಮರ್ಥರಾಗಿದ್ದೇವೆ ಎಂದು ನಾವು ತೀರ್ಮಾನಿಸಬಹುದು.

ಕಾಂಟ್ರಾಸ್ಟ್ ಸೆನ್ಸಿಟಿವಿಟಿ ವೈಶಿಷ್ಟ್ಯಗಳು

ಪ್ರಾಯೋಗಿಕ ಮನೋವಿಜ್ಞಾನ ಮತ್ತು ಇತರ ಹಲವು ಕ್ಷೇತ್ರಗಳಲ್ಲಿನ ಸಂಶೋಧಕರು ಮಾನವ ದೃಷ್ಟಿಯ ಅನೇಕ ಸಿದ್ಧಾಂತಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದಾರೆ. ಮತ್ತು ಅವುಗಳಲ್ಲಿ ಒಂದನ್ನು ಕರೆಯಲಾಗುತ್ತದೆ ಕಾಂಟ್ರಾಸ್ಟ್ ಸೆನ್ಸಿಟಿವಿಟಿ ಕಾರ್ಯಗಳು. ಅವು ಪ್ರಾದೇಶಿಕ ಮತ್ತು ತಾತ್ಕಾಲಿಕ ಪ್ರಕಾಶಕ್ಕೆ ಸಂಬಂಧಿಸಿವೆ. ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಹೇಳುವುದಾದರೆ, ವೀಕ್ಷಕರು ಅವುಗಳನ್ನು ಗಮನಿಸುವ ಮೊದಲು ಎಷ್ಟು ಬದಲಾವಣೆಗಳು ಅಗತ್ಯವಿದೆ ಎಂಬುದರ ಬಗ್ಗೆ. "ಕಾರ್ಯ" ಪದದ ಬಹುವಚನವನ್ನು ಗಮನಿಸಿ. ಇದಕ್ಕೆ ಕಾರಣ ನಾವು ಕಾಂಟ್ರಾಸ್ಟ್ ಸೆನ್ಸಿಟಿವಿಟಿ ಕಾರ್ಯಗಳನ್ನು ಕಪ್ಪು ಮತ್ತು ಬಿಳಿ ಚಿತ್ರಗಳಿಗೆ ಮಾತ್ರವಲ್ಲದೆ ಬಣ್ಣಗಳಿಗೂ ಸಹ ಅಳೆಯಬಹುದು. ಈ ಪ್ರಯೋಗಗಳ ಫಲಿತಾಂಶಗಳು ಹೆಚ್ಚಿನ ಸಂದರ್ಭಗಳಲ್ಲಿ ನಮ್ಮ ಕಣ್ಣುಗಳು ಬಣ್ಣಕ್ಕಿಂತ ಪ್ರಕಾಶಮಾನತೆಗೆ ಹೆಚ್ಚು ಸಂವೇದನಾಶೀಲವಾಗಿರುತ್ತವೆ ಎಂದು ತೋರಿಸುತ್ತದೆ.

ನಾವು ಚಿತ್ರದ ಹೊಳಪಿಗೆ ಹೆಚ್ಚು ಸಂವೇದನಾಶೀಲರಾಗಿದ್ದೇವೆ ಎಂದು ನಮಗೆ ತಿಳಿದಿರುವುದರಿಂದ, ನಾವು ಈ ಸತ್ಯವನ್ನು ಬಳಸಲು ಪ್ರಯತ್ನಿಸಬಹುದು.

ಬಣ್ಣದ ಮಾದರಿ

RGB ಸ್ಕೀಮ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಬಣ್ಣದ ಚಿತ್ರಗಳೊಂದಿಗೆ ಹೇಗೆ ಕೆಲಸ ಮಾಡಬೇಕೆಂದು ನಾವು ಸ್ವಲ್ಪ ಕಂಡುಕೊಂಡಿದ್ದೇವೆ. ಇತರ ಮಾದರಿಗಳೂ ಇವೆ. ಕ್ರೋಮಾದಿಂದ ಪ್ರಕಾಶವನ್ನು ಪ್ರತ್ಯೇಕಿಸುವ ಒಂದು ಮಾದರಿಯಿದೆ ಮತ್ತು ಅದನ್ನು ಕರೆಯಲಾಗುತ್ತದೆ YCbCr. ಮೂಲಕ, ಇದೇ ರೀತಿಯ ವಿಭಾಗವನ್ನು ಮಾಡುವ ಇತರ ಮಾದರಿಗಳಿವೆ, ಆದರೆ ನಾವು ಇದನ್ನು ಮಾತ್ರ ಪರಿಗಣಿಸುತ್ತೇವೆ.

ಈ ಬಣ್ಣದ ಮಾದರಿಯಲ್ಲಿ Y ಇದು ಹೊಳಪಿನ ಪ್ರಾತಿನಿಧ್ಯವಾಗಿದೆ ಮತ್ತು ಎರಡು ಬಣ್ಣದ ಚಾನಲ್‌ಗಳನ್ನು ಸಹ ಬಳಸುತ್ತದೆ: Cb (ಶ್ರೀಮಂತ ನೀಲಿ) ಮತ್ತು Cr (ಶ್ರೀಮಂತ ಕೆಂಪು). YCbCr ಅನ್ನು RGB ಯಿಂದ ಪಡೆಯಬಹುದು ಮತ್ತು ರಿವರ್ಸ್ ಪರಿವರ್ತನೆ ಸಹ ಸಾಧ್ಯವಿದೆ. ಈ ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ನಾವು ಕೆಳಗೆ ನೋಡಿದಂತೆ ಪೂರ್ಣ ಬಣ್ಣದ ಚಿತ್ರಗಳನ್ನು ರಚಿಸಬಹುದು:

YCbCr ಮತ್ತು RGB ನಡುವೆ ಪರಿವರ್ತಿಸಿ

ಯಾರಾದರೂ ಆಕ್ಷೇಪಿಸುತ್ತಾರೆ: ಹಸಿರು ಬಳಸದಿದ್ದರೆ ಎಲ್ಲಾ ಬಣ್ಣಗಳನ್ನು ಹೇಗೆ ಪಡೆಯುವುದು ಸಾಧ್ಯ?

ಈ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸಲು, RGB ಅನ್ನು YCbCr ಗೆ ಪರಿವರ್ತಿಸೋಣ. ಮಾನದಂಡದಲ್ಲಿ ಅಳವಡಿಸಿಕೊಂಡ ಗುಣಾಂಕಗಳನ್ನು ಬಳಸೋಣ ಬಿಟಿ .601, ಇದನ್ನು ಘಟಕವು ಶಿಫಾರಸು ಮಾಡಿದೆ ITU-R. ಈ ವಿಭಾಗವು ಡಿಜಿಟಲ್ ವೀಡಿಯೊಗಾಗಿ ಮಾನದಂಡಗಳನ್ನು ಹೊಂದಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ: 4K ಎಂದರೇನು? ಫ್ರೇಮ್ ದರ, ರೆಸಲ್ಯೂಶನ್, ಬಣ್ಣ ಮಾದರಿ ಹೇಗಿರಬೇಕು?

ಮೊದಲು ಹೊಳಪನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡೋಣ. ITU ಪ್ರಸ್ತಾಪಿಸಿದ ಸ್ಥಿರಾಂಕಗಳನ್ನು ಬಳಸೋಣ ಮತ್ತು RGB ಮೌಲ್ಯಗಳನ್ನು ಬದಲಾಯಿಸೋಣ.

Y = 0.299R 0.587 +G 0.114 +B

ನಾವು ಹೊಳಪನ್ನು ಹೊಂದಿದ ನಂತರ, ನಾವು ನೀಲಿ ಮತ್ತು ಕೆಂಪು ಬಣ್ಣಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸುತ್ತೇವೆ:

Cb = 0.564(B - Y)

Cr = 0.713(R - Y)

ಮತ್ತು YCbCr ಅನ್ನು ಬಳಸಿಕೊಂಡು ನಾವು ಮರಳಿ ಪರಿವರ್ತಿಸಬಹುದು ಮತ್ತು ಹಸಿರು ಬಣ್ಣವನ್ನು ಸಹ ಪಡೆಯಬಹುದು:

R = Y 1.402 +Cr

B = Y 1.772 +Cb

G = Y - 0.344Cb - 0.714Cr

ವಿಶಿಷ್ಟವಾಗಿ, ಪ್ರದರ್ಶನಗಳು (ಮಾನಿಟರ್‌ಗಳು, ಟಿವಿಗಳು, ಪರದೆಗಳು, ಇತ್ಯಾದಿ) RGB ಮಾದರಿಯನ್ನು ಮಾತ್ರ ಬಳಸುತ್ತವೆ. ಆದರೆ ಈ ಮಾದರಿಯನ್ನು ವಿವಿಧ ರೀತಿಯಲ್ಲಿ ಆಯೋಜಿಸಬಹುದು:

ಬಣ್ಣದ ಉಪಮಾದರಿ

ಪ್ರಕಾಶಮಾನತೆ ಮತ್ತು ಕ್ರೋಮಿನೆನ್ಸ್‌ನ ಸಂಯೋಜನೆಯಾಗಿ ಪ್ರತಿನಿಧಿಸುವ ಚಿತ್ರದೊಂದಿಗೆ, ಮಾಹಿತಿಯನ್ನು ಆಯ್ದವಾಗಿ ತೆಗೆದುಹಾಕುವ ಮೂಲಕ ನಾವು ಕ್ರೋಮಿನೆನ್ಸ್‌ಗಿಂತ ಮಾನವ ದೃಶ್ಯ ವ್ಯವಸ್ಥೆಯ ಹೆಚ್ಚಿನ ಸಂವೇದನೆಯನ್ನು ಪ್ರಕಾಶಮಾನತೆಗೆ ಬಳಸಿಕೊಳ್ಳಬಹುದು. ಕ್ರೋಮಾ ಸಬ್ ಸ್ಯಾಂಪ್ಲಿಂಗ್ ಎನ್ನುವುದು ಲುಮಿನನ್ಸ್‌ಗಿಂತ ಕ್ರೋಮಾಕ್ಕೆ ಕಡಿಮೆ ರೆಸಲ್ಯೂಶನ್ ಬಳಸಿ ಚಿತ್ರಗಳನ್ನು ಎನ್‌ಕೋಡಿಂಗ್ ಮಾಡುವ ವಿಧಾನವಾಗಿದೆ.

ಬಣ್ಣ ರೆಸಲ್ಯೂಶನ್ ಅನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಎಷ್ಟು ಅನುಮತಿಸಲಾಗಿದೆ?! ರೆಸಲ್ಯೂಶನ್ ಮತ್ತು ವಿಲೀನವನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸುವುದು ಎಂಬುದನ್ನು ವಿವರಿಸುವ ಕೆಲವು ರೇಖಾಚಿತ್ರಗಳು ಈಗಾಗಲೇ ಇವೆ (ಪರಿಣಾಮಕಾರಿ ಬಣ್ಣ = Y + Cb + Cr).

ಈ ಯೋಜನೆಗಳನ್ನು ಕರೆಯಲಾಗುತ್ತದೆ ಡೌನ್‌ಸಾಂಪ್ಲಿಂಗ್ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು 3-ಪಟ್ಟು ಅನುಪಾತವಾಗಿ ವ್ಯಕ್ತಪಡಿಸಲಾಗುತ್ತದೆ - a:x:y, ಇದು ಪ್ರಕಾಶಮಾನ ಮತ್ತು ಬಣ್ಣ ವ್ಯತ್ಯಾಸದ ಸಂಕೇತಗಳ ಮಾದರಿಗಳ ಸಂಖ್ಯೆಯನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ.

a - ಸಮತಲ ಮಾದರಿ ಮಾನದಂಡ (ಸಾಮಾನ್ಯವಾಗಿ 4 ಕ್ಕೆ ಸಮಾನವಾಗಿರುತ್ತದೆ)
x - ಪಿಕ್ಸೆಲ್‌ಗಳ ಮೊದಲ ಸಾಲಿನಲ್ಲಿರುವ ಕ್ರೋಮಾ ಮಾದರಿಗಳ ಸಂಖ್ಯೆ (ಸಮತಲ ರೆಸಲ್ಯೂಶನ್ ಸಂಬಂಧಿತವಾಗಿ a)
y - ಪಿಕ್ಸೆಲ್‌ಗಳ ಮೊದಲ ಮತ್ತು ಎರಡನೆಯ ಸಾಲುಗಳ ನಡುವಿನ ಕ್ರೋಮಾ ಮಾದರಿಗಳಲ್ಲಿನ ಬದಲಾವಣೆಗಳ ಸಂಖ್ಯೆ.

ಅಪವಾದವೆಂದರೆ 4:1:0, ಪ್ರತಿ 4-ಬೈ-4 ಲುಮಿನನ್ಸ್ ರೆಸಲ್ಯೂಶನ್ ಬ್ಲಾಕ್‌ನಲ್ಲಿ ಒಂದು ಕ್ರೋಮಾ ಮಾದರಿಯನ್ನು ಒದಗಿಸುತ್ತದೆ.

ಆಧುನಿಕ ಕೋಡೆಕ್‌ಗಳಲ್ಲಿ ಬಳಸಲಾಗುವ ಸಾಮಾನ್ಯ ಯೋಜನೆಗಳು:

• 4:4:4 (ಯಾವುದೇ ಡೌನ್ ಸ್ಯಾಂಪ್ಲಿಂಗ್ ಇಲ್ಲ)
• 4:2:2
• 4:1:1
• 4:2:0
• 4:1:0
• 3:1:1

YCbCr 4:2:0 - ಸಮ್ಮಿಳನ ಉದಾಹರಣೆ

YCbCr 4:2:0 ಬಳಸಿಕೊಂಡು ವಿಲೀನಗೊಂಡ ಚಿತ್ರ ಇಲ್ಲಿದೆ. ನಾವು ಪ್ರತಿ ಪಿಕ್ಸೆಲ್‌ಗೆ 12 ಬಿಟ್‌ಗಳನ್ನು ಮಾತ್ರ ಖರ್ಚು ಮಾಡುತ್ತಿದ್ದೇವೆ ಎಂಬುದನ್ನು ಗಮನಿಸಿ.

ಅದೇ ಚಿತ್ರವು ಹೇಗೆ ಕಾಣುತ್ತದೆ, ಮುಖ್ಯ ಪ್ರಕಾರದ ಬಣ್ಣ ಉಪವಿಭಾಗಗಳೊಂದಿಗೆ ಎನ್ಕೋಡ್ ಮಾಡಲಾಗಿದೆ. ಮೊದಲ ಸಾಲು ಅಂತಿಮ YCbCr ಆಗಿದೆ, ಕೆಳಗಿನ ಸಾಲು ಕ್ರೋಮಾ ರೆಸಲ್ಯೂಶನ್ ತೋರಿಸುತ್ತದೆ. ಗುಣಮಟ್ಟದಲ್ಲಿ ಸ್ವಲ್ಪ ನಷ್ಟವನ್ನು ಪರಿಗಣಿಸಿ ಬಹಳ ಯೋಗ್ಯ ಫಲಿತಾಂಶಗಳು.

278p ರೆಸಲ್ಯೂಶನ್ ಮತ್ತು ಪ್ರತಿ ಸೆಕೆಂಡಿಗೆ 720 ಫ್ರೇಮ್‌ಗಳಲ್ಲಿ ಒಂದು ಗಂಟೆ ಅವಧಿಯ ವೀಡಿಯೊ ಫೈಲ್ ಅನ್ನು ಸಂಗ್ರಹಿಸಲು ನಾವು 30 GB ಸಂಗ್ರಹಣಾ ಸ್ಥಳವನ್ನು ಎಣಿಸಿದಾಗ ನೆನಪಿದೆಯೇ? ನಾವು YCbCr 4:2:0 ಅನ್ನು ಬಳಸಿದರೆ, ಈ ಗಾತ್ರವು ಅರ್ಧದಷ್ಟು ಕಡಿಮೆಯಾಗುತ್ತದೆ - 139 GB. ಇಲ್ಲಿಯವರೆಗೆ, ಇದು ಇನ್ನೂ ಸ್ವೀಕಾರಾರ್ಹ ಫಲಿತಾಂಶದಿಂದ ದೂರವಿದೆ.

FFmpeg ಬಳಸಿಕೊಂಡು YCbCr ಹಿಸ್ಟೋಗ್ರಾಮ್ ಅನ್ನು ನೀವೇ ಪಡೆಯಬಹುದು. ಈ ಚಿತ್ರದಲ್ಲಿ, ನೀಲಿ ಬಣ್ಣವು ಕೆಂಪು ಬಣ್ಣದಲ್ಲಿ ಪ್ರಾಬಲ್ಯ ಹೊಂದಿದೆ, ಇದು ಹಿಸ್ಟೋಗ್ರಾಮ್‌ನಲ್ಲಿಯೇ ಸ್ಪಷ್ಟವಾಗಿ ಗೋಚರಿಸುತ್ತದೆ.

ಬಣ್ಣ, ಹೊಳಪು, ಬಣ್ಣದ ಹರವು - ವೀಡಿಯೊ ವಿಮರ್ಶೆ

ಈ ಅದ್ಭುತ ವೀಡಿಯೊವನ್ನು ವೀಕ್ಷಿಸಲು ನಾವು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ. ಇದು ಹೊಳಪು ಏನೆಂದು ವಿವರಿಸುತ್ತದೆ, ಮತ್ತು ಸಾಮಾನ್ಯವಾಗಿ ಎಲ್ಲಾ ಚುಕ್ಕೆಗಳು ಚುಕ್ಕೆಗಳಿಂದ ಕೂಡಿರುತ್ತವೆ ё ಹೊಳಪು ಮತ್ತು ಬಣ್ಣದ ಬಗ್ಗೆ.

ಫ್ರೇಮ್ ವಿಧಗಳು

ಮುಂದೆ ಸಾಗೋಣ. ಸಮಯ ಮಿತಿಯನ್ನು ತೊಡೆದುಹಾಕಲು ಪ್ರಯತ್ನಿಸೋಣ. ಆದರೆ ಮೊದಲು, ಕೆಲವು ಮೂಲಭೂತ ಪರಿಭಾಷೆಯನ್ನು ವ್ಯಾಖ್ಯಾನಿಸೋಣ. ನಾವು ಪ್ರತಿ ಸೆಕೆಂಡಿಗೆ 30 ಫ್ರೇಮ್‌ಗಳನ್ನು ಹೊಂದಿರುವ ಚಲನಚಿತ್ರವನ್ನು ಹೊಂದಿದ್ದೇವೆ ಎಂದು ಹೇಳೋಣ, ಅದರ ಮೊದಲ 4 ಫ್ರೇಮ್‌ಗಳು ಇಲ್ಲಿವೆ:

ಚೌಕಟ್ಟುಗಳಲ್ಲಿ ನಾವು ಬಹಳಷ್ಟು ಪುನರಾವರ್ತನೆಗಳನ್ನು ನೋಡಬಹುದು: ಉದಾಹರಣೆಗೆ, ಫ್ರೇಮ್ನಿಂದ ಫ್ರೇಮ್ಗೆ ಬದಲಾಗದ ನೀಲಿ ಹಿನ್ನೆಲೆ. ಈ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು, ನಾವು ಅವುಗಳನ್ನು ಮೂರು ವಿಧದ ಚೌಕಟ್ಟುಗಳಾಗಿ ಅಮೂರ್ತವಾಗಿ ವರ್ಗೀಕರಿಸಬಹುದು.

I-ಫ್ರೇಮ್ (Intro ಫ್ರೇಮ್)

I-ಫ್ರೇಮ್ (ಉಲ್ಲೇಖ ಫ್ರೇಮ್, ಕೀ ಫ್ರೇಮ್, ಒಳ ಚೌಕಟ್ಟು) ಸ್ವಯಂ-ಒಳಗೊಂಡಿದೆ. ನೀವು ಏನನ್ನು ದೃಶ್ಯೀಕರಿಸಲು ಬಯಸುತ್ತೀರಿ ಎಂಬುದರ ಹೊರತಾಗಿಯೂ, I-ಫ್ರೇಮ್ ಮೂಲಭೂತವಾಗಿ ಸ್ಥಿರವಾದ ಛಾಯಾಚಿತ್ರವಾಗಿದೆ. ಮೊದಲ ಫ್ರೇಮ್ ಸಾಮಾನ್ಯವಾಗಿ ಐ-ಫ್ರೇಮ್ ಆಗಿದೆ, ಆದರೆ ಮೊದಲ ಫ್ರೇಮ್‌ಗಳಲ್ಲದಿದ್ದರೂ ಸಹ ನಾವು ನಿಯಮಿತವಾಗಿ ಐ-ಫ್ರೇಮ್‌ಗಳನ್ನು ಗಮನಿಸುತ್ತೇವೆ.

ಪಿ-ಫ್ರೇಮ್ (Pರಿಡಿಕ್ಟೆಡ್ ಫ್ರೇಮ್)

P-ಫ್ರೇಮ್ (ಮುನ್ಸೂಚಕ ಫ್ರೇಮ್) ಯಾವಾಗಲೂ ಪ್ರಸ್ತುತ ಚಿತ್ರವನ್ನು ಹಿಂದಿನ ಫ್ರೇಮ್ ಬಳಸಿ ಪುನರುತ್ಪಾದಿಸಬಹುದು ಎಂಬ ಅಂಶದ ಪ್ರಯೋಜನವನ್ನು ಪಡೆಯುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಎರಡನೇ ಚೌಕಟ್ಟಿನಲ್ಲಿ ಮಾತ್ರ ಬದಲಾವಣೆಯು ಚೆಂಡನ್ನು ಮುಂದಕ್ಕೆ ಚಲಿಸುತ್ತದೆ. ಫ್ರೇಮ್ 2 ಅನ್ನು ಸ್ವಲ್ಪ ಮಾರ್ಪಡಿಸುವ ಮೂಲಕ ನಾವು ಫ್ರೇಮ್ 1 ಅನ್ನು ಪಡೆಯಬಹುದು, ಈ ಚೌಕಟ್ಟುಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಮಾತ್ರ ಬಳಸಿ. ಫ್ರೇಮ್ 2 ಅನ್ನು ನಿರ್ಮಿಸಲು, ನಾವು ಹಿಂದಿನ ಫ್ರೇಮ್ 1 ಅನ್ನು ಉಲ್ಲೇಖಿಸುತ್ತೇವೆ.

←

ಬಿ-ಫ್ರೇಮ್ (Bಐ-ಪ್ರಿಡಿಕ್ಟಿವ್ ಫ್ರೇಮ್)

ಇನ್ನೂ ಉತ್ತಮವಾದ ಸಂಕುಚನವನ್ನು ಒದಗಿಸಲು ಹಿಂದಿನದಕ್ಕೆ ಮಾತ್ರವಲ್ಲದೆ ಭವಿಷ್ಯದ ಚೌಕಟ್ಟುಗಳಿಗೆ ಲಿಂಕ್‌ಗಳ ಬಗ್ಗೆ ಏನು?! ಇದು ಮೂಲತಃ ಬಿ-ಫ್ರೇಮ್ (ದ್ವಿಮುಖ ಚೌಕಟ್ಟು).

← →

ಮಧ್ಯಂತರ ವಾಪಸಾತಿ

ಈ ಫ್ರೇಮ್ ಪ್ರಕಾರಗಳನ್ನು ಅತ್ಯುತ್ತಮವಾದ ಸಂಕೋಚನವನ್ನು ಒದಗಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ. ಮುಂದಿನ ವಿಭಾಗದಲ್ಲಿ ಇದು ಹೇಗೆ ಸಂಭವಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ನಾವು ನೋಡುತ್ತೇವೆ. ಸದ್ಯಕ್ಕೆ, ಸೇವಿಸುವ ಮೆಮೊರಿಯ ವಿಷಯದಲ್ಲಿ ಹೆಚ್ಚು “ದುಬಾರಿ” ಐ-ಫ್ರೇಮ್, ಪಿ-ಫ್ರೇಮ್ ಗಮನಾರ್ಹವಾಗಿ ಅಗ್ಗವಾಗಿದೆ, ಆದರೆ ವೀಡಿಯೊಗೆ ಹೆಚ್ಚು ಲಾಭದಾಯಕ ಆಯ್ಕೆಯೆಂದರೆ ಬಿ-ಫ್ರೇಮ್.

ತಾತ್ಕಾಲಿಕ ಪುನರಾವರ್ತನೆ (ಇಂಟರ್-ಫ್ರೇಮ್ ಭವಿಷ್ಯ)

ಕಾಲಾನಂತರದಲ್ಲಿ ಪುನರಾವರ್ತನೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಲು ನಾವು ಯಾವ ಆಯ್ಕೆಗಳನ್ನು ಹೊಂದಿದ್ದೇವೆ ಎಂಬುದನ್ನು ನೋಡೋಣ. ಕ್ರಾಸ್-ಪ್ರಿಡಿಕ್ಷನ್ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ನಾವು ಈ ರೀತಿಯ ಪುನರಾವರ್ತನೆಯನ್ನು ಪರಿಹರಿಸಬಹುದು.

ಫ್ರೇಮ್ 0 ಮತ್ತು 1 ರ ಅನುಕ್ರಮವನ್ನು ಎನ್ಕೋಡ್ ಮಾಡಲು ನಾವು ಸಾಧ್ಯವಾದಷ್ಟು ಕಡಿಮೆ ಬಿಟ್ಗಳನ್ನು ಕಳೆಯಲು ಪ್ರಯತ್ನಿಸುತ್ತೇವೆ.

ನಾವು ಉತ್ಪಾದಿಸಬಹುದು ವ್ಯವಕಲನ, ನಾವು ಫ್ರೇಮ್ 1 ರಿಂದ ಫ್ರೇಮ್ 0 ಅನ್ನು ಸರಳವಾಗಿ ಕಳೆಯುತ್ತೇವೆ. ನಾವು ಫ್ರೇಮ್ 1 ಅನ್ನು ಪಡೆಯುತ್ತೇವೆ, ಅದರ ಮತ್ತು ಹಿಂದಿನ ಫ್ರೇಮ್ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಮಾತ್ರ ಬಳಸುತ್ತೇವೆ, ವಾಸ್ತವವಾಗಿ ನಾವು ಫಲಿತಾಂಶದ ಶೇಷವನ್ನು ಮಾತ್ರ ಎನ್ಕೋಡ್ ಮಾಡುತ್ತೇವೆ.

ಆದರೆ ಇನ್ನೂ ಕಡಿಮೆ ಬಿಟ್‌ಗಳನ್ನು ಬಳಸುವ ಇನ್ನೂ ಉತ್ತಮವಾದ ವಿಧಾನವಿದೆ ಎಂದು ನಾನು ನಿಮಗೆ ಹೇಳಿದರೆ ಏನು?! ಮೊದಲಿಗೆ, ಫ್ರೇಮ್ 0 ಅನ್ನು ಬ್ಲಾಕ್ಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಸ್ಪಷ್ಟವಾದ ಗ್ರಿಡ್ಗೆ ಒಡೆಯೋಣ. ತದನಂತರ ನಾವು ಫ್ರೇಮ್ 0 ರಿಂದ ಫ್ರೇಮ್ 1 ನೊಂದಿಗೆ ಬ್ಲಾಕ್ಗಳನ್ನು ಹೊಂದಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತೇವೆ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ನಾವು ಚೌಕಟ್ಟುಗಳ ನಡುವಿನ ಚಲನೆಯನ್ನು ಅಂದಾಜು ಮಾಡುತ್ತೇವೆ.

ವಿಕಿಪೀಡಿಯಾದಿಂದ - ಬ್ಲಾಕ್ ಮೋಷನ್ ಪರಿಹಾರ

ಬ್ಲಾಕ್ ಚಲನೆಯ ಪರಿಹಾರವು ಪ್ರಸ್ತುತ ಚೌಕಟ್ಟನ್ನು ಅತಿಕ್ರಮಿಸದ ಬ್ಲಾಕ್‌ಗಳಾಗಿ ವಿಭಜಿಸುತ್ತದೆ ಮತ್ತು ಚಲನೆಯ ಪರಿಹಾರ ವೆಕ್ಟರ್ ಬ್ಲಾಕ್‌ಗಳ ಮೂಲವನ್ನು ವರದಿ ಮಾಡುತ್ತದೆ (ಸಾಮಾನ್ಯ ತಪ್ಪುಗ್ರಹಿಕೆಯಾಗಿದೆ ಹಿಂದಿನದು ಚೌಕಟ್ಟನ್ನು ಅತಿಕ್ರಮಿಸದ ಬ್ಲಾಕ್‌ಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ, ಮತ್ತು ಚಲನೆಯ ಪರಿಹಾರ ವಾಹಕಗಳು ಆ ಬ್ಲಾಕ್‌ಗಳು ಎಲ್ಲಿಗೆ ಹೋಗುತ್ತವೆ ಎಂಬುದನ್ನು ತಿಳಿಸುತ್ತವೆ. ಆದರೆ ವಾಸ್ತವವಾಗಿ, ಇದು ಇನ್ನೊಂದು ಮಾರ್ಗವಾಗಿದೆ - ಇದು ಹಿಂದಿನ ಫ್ರೇಮ್ ಅನ್ನು ವಿಶ್ಲೇಷಿಸುವುದಿಲ್ಲ, ಆದರೆ ಮುಂದಿನದು; ಬ್ಲಾಕ್‌ಗಳು ಎಲ್ಲಿಗೆ ಚಲಿಸುತ್ತಿವೆ ಎಂಬುದು ಸ್ಪಷ್ಟವಾಗಿಲ್ಲ, ಆದರೆ ಅವು ಎಲ್ಲಿಂದ ಬಂದವು). ವಿಶಿಷ್ಟವಾಗಿ ಮೂಲ ಬ್ಲಾಕ್‌ಗಳು ಮೂಲ ಚೌಕಟ್ಟಿನಲ್ಲಿ ಅತಿಕ್ರಮಿಸುತ್ತವೆ. ಕೆಲವು ವೀಡಿಯೋ ಕಂಪ್ರೆಷನ್ ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಪ್ರಸ್ತುತ ಫ್ರೇಮ್ ಅನ್ನು ಒಂದಲ್ಲ ಒಂದು ಭಾಗದಿಂದ ಜೋಡಿಸುತ್ತವೆ, ಆದರೆ ಹಲವಾರು ಹಿಂದೆ ರವಾನೆಯಾದ ಫ್ರೇಮ್‌ಗಳು.

ಮೌಲ್ಯಮಾಪನ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ, ಚೆಂಡು (x= 0, y=25) ಮೂಲಕ (x= 6, y=26), ಮೌಲ್ಯಗಳು x и y ಚಲನೆಯ ವೆಕ್ಟರ್ ಅನ್ನು ನಿರ್ಧರಿಸಿ. ಬಿಟ್‌ಗಳನ್ನು ಸಂರಕ್ಷಿಸಲು ನಾವು ಮಾಡಬಹುದಾದ ಇನ್ನೊಂದು ಹಂತವೆಂದರೆ, ಕೊನೆಯ ಬ್ಲಾಕ್ ಸ್ಥಾನ ಮತ್ತು ಊಹಿಸಲಾದ ಒಂದರ ನಡುವಿನ ಚಲನೆಯ ವೆಕ್ಟರ್‌ಗಳ ವ್ಯತ್ಯಾಸವನ್ನು ಮಾತ್ರ ಎನ್‌ಕೋಡ್ ಮಾಡುವುದು, ಆದ್ದರಿಂದ ಅಂತಿಮ ಚಲನೆಯ ವೆಕ್ಟರ್ ಆಗಿರುತ್ತದೆ (x=6-0=6, y=26-25=1 )

ನೈಜ ಪರಿಸ್ಥಿತಿಯಲ್ಲಿ, ಈ ಚೆಂಡನ್ನು ವಿಂಗಡಿಸಲಾಗಿದೆ n ಬ್ಲಾಕ್ಗಳು, ಆದರೆ ಇದು ಮ್ಯಾಟರ್ನ ಸಾರವನ್ನು ಬದಲಾಯಿಸುವುದಿಲ್ಲ.

ಚೌಕಟ್ಟಿನಲ್ಲಿರುವ ವಸ್ತುಗಳು ಮೂರು ಆಯಾಮಗಳಲ್ಲಿ ಚಲಿಸುತ್ತವೆ, ಆದ್ದರಿಂದ ಚೆಂಡು ಚಲಿಸಿದಾಗ, ಅದು ದೃಷ್ಟಿಗೋಚರವಾಗಿ ಚಿಕ್ಕದಾಗಬಹುದು (ಅಥವಾ ಅದು ವೀಕ್ಷಕರ ಕಡೆಗೆ ಚಲಿಸಿದರೆ ದೊಡ್ಡದಾಗಿದೆ). ಬ್ಲಾಕ್‌ಗಳ ನಡುವೆ ಪರಿಪೂರ್ಣ ಹೊಂದಾಣಿಕೆ ಇಲ್ಲದಿರುವುದು ಸಹಜ. ನಮ್ಮ ಅಂದಾಜು ಮತ್ತು ನೈಜ ಚಿತ್ರದ ಸಂಯೋಜಿತ ನೋಟ ಇಲ್ಲಿದೆ.

ಆದರೆ ನಾವು ಚಲನೆಯ ಅಂದಾಜನ್ನು ಬಳಸುವಾಗ, ಚೌಕಟ್ಟುಗಳ ನಡುವೆ ಡೆಲ್ಟಾವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಸರಳ ವಿಧಾನವನ್ನು ಬಳಸುವಾಗ ಕೋಡಿಂಗ್‌ಗೆ ಗಮನಾರ್ಹವಾಗಿ ಕಡಿಮೆ ಡೇಟಾ ಇರುತ್ತದೆ ಎಂದು ನಾವು ನೋಡುತ್ತೇವೆ.

ನಿಜವಾದ ಚಲನೆಯ ಪರಿಹಾರವು ಹೇಗಿರುತ್ತದೆ

ಈ ತಂತ್ರವನ್ನು ಎಲ್ಲಾ ಬ್ಲಾಕ್ಗಳಿಗೆ ಏಕಕಾಲದಲ್ಲಿ ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ. ಸಾಮಾನ್ಯವಾಗಿ ನಮ್ಮ ಷರತ್ತುಬದ್ಧ ಚಲಿಸುವ ಚೆಂಡನ್ನು ಏಕಕಾಲದಲ್ಲಿ ಹಲವಾರು ಬ್ಲಾಕ್ಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗುತ್ತದೆ.

ನೀವೇ ಬಳಸಿಕೊಂಡು ಈ ಪರಿಕಲ್ಪನೆಗಳ ಅನುಭವವನ್ನು ನೀವು ಪಡೆಯಬಹುದು ಜುಪಿಟರ್.

ಚಲನೆಯ ವೆಕ್ಟರ್‌ಗಳನ್ನು ನೋಡಲು, ನೀವು ಬಳಸಿಕೊಂಡು ಬಾಹ್ಯ ಭವಿಷ್ಯ ವೀಡಿಯೊವನ್ನು ರಚಿಸಬಹುದು ffmpeg.

ನೀವು ಸಹ ಬಳಸಬಹುದು ಇಂಟೆಲ್ ವಿಡಿಯೋ ಪ್ರೊ ವಿಶ್ಲೇಷಕ (ಇದನ್ನು ಪಾವತಿಸಲಾಗಿದೆ, ಆದರೆ ಮೊದಲ ಹತ್ತು ಫ್ರೇಮ್‌ಗಳಿಗೆ ಮಾತ್ರ ಸೀಮಿತವಾಗಿರುವ ಉಚಿತ ಪ್ರಯೋಗವಿದೆ).

ಪ್ರಾದೇಶಿಕ ಪುನರಾವರ್ತನೆ (ಆಂತರಿಕ ಮುನ್ಸೂಚನೆ)

ನಾವು ಪ್ರತಿ ಫ್ರೇಮ್ ಅನ್ನು ವೀಡಿಯೊದಲ್ಲಿ ವಿಶ್ಲೇಷಿಸಿದರೆ, ನಾವು ಅನೇಕ ಅಂತರ್ಸಂಪರ್ಕಿತ ಪ್ರದೇಶಗಳನ್ನು ಕಾಣಬಹುದು.

ಈ ಉದಾಹರಣೆಯ ಮೂಲಕ ಹೋಗೋಣ. ಈ ದೃಶ್ಯವು ಮುಖ್ಯವಾಗಿ ನೀಲಿ ಮತ್ತು ಬಿಳಿ ಬಣ್ಣಗಳನ್ನು ಒಳಗೊಂಡಿದೆ.

ಇದು ಐ-ಫ್ರೇಮ್ ಆಗಿದೆ. ಭವಿಷ್ಯಕ್ಕಾಗಿ ನಾವು ಹಿಂದಿನ ಚೌಕಟ್ಟುಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಸಾಧ್ಯವಿಲ್ಲ, ಆದರೆ ನಾವು ಅದನ್ನು ಸಂಕುಚಿತಗೊಳಿಸಬಹುದು. ಕೆಂಪು ಬ್ಲಾಕ್ನ ಆಯ್ಕೆಯನ್ನು ಎನ್ಕೋಡ್ ಮಾಡೋಣ. ನಾವು ಅದರ ನೆರೆಹೊರೆಯವರನ್ನು ನೋಡಿದರೆ, ಅದರ ಸುತ್ತಲೂ ಕೆಲವು ಬಣ್ಣ ಪ್ರವೃತ್ತಿಗಳಿವೆ ಎಂದು ನಾವು ಗಮನಿಸುತ್ತೇವೆ.

ಚೌಕಟ್ಟಿನಲ್ಲಿ ಬಣ್ಣಗಳು ಲಂಬವಾಗಿ ಹರಡುತ್ತವೆ ಎಂದು ನಾವು ಭಾವಿಸುತ್ತೇವೆ. ಇದರರ್ಥ ಅಜ್ಞಾತ ಪಿಕ್ಸೆಲ್‌ಗಳ ಬಣ್ಣವು ಅದರ ನೆರೆಹೊರೆಯವರ ಮೌಲ್ಯಗಳನ್ನು ಹೊಂದಿರುತ್ತದೆ.

ಅಂತಹ ಮುನ್ಸೂಚನೆಯು ತಪ್ಪಾಗಿ ಪರಿಣಮಿಸಬಹುದು. ಈ ಕಾರಣಕ್ಕಾಗಿಯೇ ನೀವು ಈ ವಿಧಾನವನ್ನು ಅನ್ವಯಿಸಬೇಕಾಗಿದೆ (ಆಂತರಿಕ ಮುನ್ಸೂಚನೆ), ತದನಂತರ ನೈಜ ಮೌಲ್ಯಗಳನ್ನು ಕಳೆಯಿರಿ. ಇದು ನಮಗೆ ಉಳಿದಿರುವ ಬ್ಲಾಕ್ ಅನ್ನು ನೀಡುತ್ತದೆ, ಇದು ಮೂಲಕ್ಕೆ ಹೋಲಿಸಿದರೆ ಹೆಚ್ಚು ಸಂಕುಚಿತ ಮ್ಯಾಟ್ರಿಕ್ಸ್‌ಗೆ ಕಾರಣವಾಗುತ್ತದೆ.

ನೀವು ಆಂತರಿಕ ಮುನ್ನೋಟಗಳೊಂದಿಗೆ ಅಭ್ಯಾಸ ಮಾಡಲು ಬಯಸಿದರೆ, ನೀವು ffmpeg ಅನ್ನು ಬಳಸಿಕೊಂಡು ಮ್ಯಾಕ್ರೋಬ್ಲಾಕ್‌ಗಳು ಮತ್ತು ಅವುಗಳ ಮುನ್ನೋಟಗಳ ವೀಡಿಯೊವನ್ನು ರಚಿಸಬಹುದು. ಪ್ರತಿ ಬ್ಲಾಕ್ ಬಣ್ಣದ ಅರ್ಥವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, ನೀವು ffmpeg ದಸ್ತಾವೇಜನ್ನು ಓದಬೇಕು.

ಅಥವಾ ನೀವು ಇಂಟೆಲ್ ವೀಡಿಯೊ ಪ್ರೊ ವಿಶ್ಲೇಷಕವನ್ನು ಬಳಸಬಹುದು (ನಾನು ಮೇಲೆ ಹೇಳಿದಂತೆ, ಉಚಿತ ಪ್ರಾಯೋಗಿಕ ಆವೃತ್ತಿಯು ಮೊದಲ 10 ಫ್ರೇಮ್‌ಗಳಿಗೆ ಸೀಮಿತವಾಗಿದೆ, ಆದರೆ ಇದು ನಿಮಗೆ ಮೊದಲಿಗೆ ಸಾಕಾಗುತ್ತದೆ).

ಎರಡನೇ ಭಾಗ: ವೀಡಿಯೊ ಕೊಡೆಕ್ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ

ಮೂಲ: www.habr.com