ຕົວແປງສັນຍານວິດີໂອເຮັດວຽກແນວໃດ? ສ່ວນທີ 1: ພື້ນຖານ

ສ່ວນທີສອງ: ວິ​ທີ​ການ codec ວິ​ດີ​ໂອ​ເຮັດ​ວຽກ​

raster ໃດ ຮູບພາບ ສາມາດເປັນຕົວແທນໃນຮູບແບບ ເມທຣິກສອງມິຕິ. ໃນເວລາທີ່ມັນມາກັບສີ, ຄວາມຄິດສາມາດໄດ້ຮັບການພັດທະນາໂດຍການເບິ່ງຮູບພາບເປັນ ເມທຣິກສາມມິຕິ, ໃນຂະຫນາດເພີ່ມເຕີມຖືກນໍາໃຊ້ເພື່ອເກັບຂໍ້ມູນສໍາລັບແຕ່ລະສີ.

ຖ້າພວກເຮົາພິຈາລະນາສີສຸດທ້າຍເປັນການປະສົມປະສານຂອງອັນທີ່ເອີ້ນວ່າ. ສີຕົ້ນຕໍ (ສີແດງ, ສີຂຽວແລະສີຟ້າ), ໃນ matrix ສາມມິຕິຂອງພວກເຮົາພວກເຮົາກໍານົດສາມແຜນການ: ທໍາອິດສໍາລັບສີແດງ, ທີສອງສໍາລັບສີຂຽວແລະສຸດທ້າຍສໍາລັບສີຟ້າ.

ພວກເຮົາຈະໂທຫາແຕ່ລະຈຸດໃນ matrix ນີ້ pixel (ອົງປະກອບຮູບພາບ). ແຕ່ລະ pixels ມີຂໍ້ມູນກ່ຽວກັບຄວາມເຂັ້ມ (ປົກກະຕິແລ້ວເປັນຄ່າຕົວເລກ) ຂອງແຕ່ລະສີ. ຍົກ​ຕົວ​ຢ່າງ, pixels ສີແດງ ຫມາຍຄວາມວ່າມັນມີ 0 ສີຂຽວ, 0 ສີຟ້າແລະສູງສຸດສີແດງ. ສີບົວ pixels ສາມາດໄດ້ຮັບການສ້າງຕັ້ງຂຶ້ນໂດຍໃຊ້ສາມສີ. ການນໍາໃຊ້ລະດັບຕົວເລກຈາກ 0 ຫາ 255, pixel ສີບົວແມ່ນຖືກກໍານົດເປັນ ສີແດງ = 255, ສີຂຽວ = 192 и ສີຟ້າ = 203.

ບົດ​ຄວາມ​ນີ້​ໄດ້​ຖືກ​ຈັດ​ພີມ​ມາ​ໂດຍ​ການ​ສະ​ຫນັບ​ສະ​ຫນູນ​ຂອງ EDISON​.

ພວກເຮົາກໍາລັງພັດທະນາ ຄໍາຮ້ອງສະຫມັກສໍາລັບການເຝົ້າລະວັງວິດີໂອ, ນ້ໍາວິດີໂອ, ແລະພວກເຮົາຍັງມີສ່ວນຮ່ວມ ບັນທຶກວິດີໂອຢູ່ໃນຫ້ອງຜ່າຕັດ.

ວິທີທາງເລືອກໃນການເຂົ້າລະຫັດຮູບພາບສີ

ມີຕົວແບບອື່ນໆຈໍານວນຫຼາຍສໍາລັບການເປັນຕົວແທນຂອງສີທີ່ປະກອບເປັນຮູບພາບ. ຕົວຢ່າງ, ທ່ານສາມາດນໍາໃຊ້ palette ທີ່ຖືກດັດສະນີ, ເຊິ່ງຕ້ອງການພຽງແຕ່ຫນຶ່ງ byte ເພື່ອເປັນຕົວແທນຂອງແຕ່ລະ pixels ລວງ, ແທນທີ່ຈະເປັນສາມທີ່ຕ້ອງການໃນເວລາທີ່ໃຊ້ຮູບແບບ RGB. ໃນຮູບແບບດັ່ງກ່າວ, ມັນເປັນໄປໄດ້ທີ່ຈະໃຊ້ 2D matrix ແທນ matrix 3D ເພື່ອເປັນຕົວແທນຂອງແຕ່ລະສີ. ນີ້ຈະຊ່ວຍປະຢັດຄວາມຊົງຈໍາ, ແຕ່ໃຫ້ gamut ສີນ້ອຍກວ່າ.

RGB

ຕົວຢ່າງ, ເບິ່ງຮູບຂ້າງລຸ່ມນີ້. ໃບຫນ້າທໍາອິດແມ່ນ painted ຫມົດ. ອື່ນໆແມ່ນຍົນສີແດງ, ສີຂຽວແລະສີຟ້າ (ຄວາມເຂັ້ມຂົ້ນຂອງສີທີ່ສອດຄ້ອງກັນແມ່ນສະແດງໃຫ້ເຫັນເປັນສີຂີ້ເຖົ່າ).

ພວກເຮົາເຫັນວ່າບ່ອນທີ່ມີຮົ່ມຂອງສີແດງໃນຕົ້ນສະບັບຈະຢູ່ໃນສະຖານທີ່ດຽວກັນບ່ອນທີ່ສ່ວນທີ່ສະຫວ່າງທີ່ສຸດຂອງໃບຫນ້າທີສອງຖືກສັງເກດເຫັນ. ໃນຂະນະທີ່ການປະກອບສ່ວນຂອງສີຟ້າສ່ວນໃຫຍ່ແມ່ນສາມາດເຫັນໄດ້ພຽງແຕ່ໃນຕາຂອງ Mario (ໃບຫນ້າສຸດທ້າຍ) ແລະອົງປະກອບຂອງເຄື່ອງນຸ່ງຂອງລາວ. ສັງເກດເຫັນບ່ອນທີ່ຍົນທັງສາມສີປະກອບສ່ວນຫນ້ອຍທີ່ສຸດ (ສ່ວນທີ່ຊ້ໍາທີ່ສຸດຂອງຮູບພາບ) - mustache ຂອງ Mario.

ເພື່ອເກັບຮັກສາຄວາມເຂັ້ມຂົ້ນຂອງແຕ່ລະສີ, ຈໍານວນບິດທີ່ແນ່ນອນແມ່ນຕ້ອງການ - ປະລິມານນີ້ເອີ້ນວ່າ ຄວາມເລິກເລັກນ້ອຍ. ສົມມຸດວ່າ 8 bits ຖືກໃຊ້ (ອີງຕາມຄ່າຈາກ 0 ຫາ 255) ຕໍ່ຍົນສີ. ຫຼັງຈາກນັ້ນ, ພວກເຮົາມີຄວາມເລິກສີຂອງ 24 bits (8 bits * 3 R / G / B ຍົນ).

ຊັບສິນອື່ນຂອງຮູບພາບແມ່ນ ຄວາມລະອຽດ, ຊຶ່ງເປັນຈໍານວນ pixels ໃນຫນຶ່ງມິຕິ. ມັກຈະຫມາຍເຖິງ ກວ້າງ × ສູງ, ໃນ 4 ໂດຍ 4 ຮູບຕົວຢ່າງຂ້າງລຸ່ມນີ້.


ຊັບສິນອື່ນທີ່ພວກເຮົາຈັດການກັບໃນເວລາທີ່ເຮັດວຽກກັບຮູບພາບ / ວິດີໂອແມ່ນ aspect ratio, ອະທິບາຍຄວາມສໍາພັນສັດສ່ວນປົກກະຕິລະຫວ່າງຄວາມກວ້າງແລະຄວາມສູງຂອງຮູບພາບຫຼື pixels ລວງ.

ໃນເວລາທີ່ພວກເຂົາເວົ້າວ່າຮູບເງົາຫຼືຮູບພາບທີ່ແນ່ນອນແມ່ນ 16 x 9 ໃນຂະຫນາດ, ພວກເຂົາມັກຈະຫມາຍຄວາມວ່າ ສະ​ແດງ​ອັດ​ຕາ​ສ່ວນ​ (DAR - ຈາກ ອັດຕາສ່ວນການສະແດງຜົນ). ຢ່າງໃດກໍ່ຕາມ, ບາງຄັ້ງອາດມີຮູບຮ່າງທີ່ແຕກຕ່າງກັນຂອງ pixels ສ່ວນບຸກຄົນ - ໃນກໍລະນີນີ້ພວກເຮົາກໍາລັງເວົ້າກ່ຽວກັບ ອັດຕາສ່ວນ pixel (ຕາມ - ຈາກ ອັດຕາສ່ວນ Pixel).

ຫມາຍເຫດເຖິງ hostess: DVD ກົງກັບ DAR 4 ເຖິງ 3

ເຖິງແມ່ນວ່າຄວາມລະອຽດຂອງດີວີດີຕົວຈິງແມ່ນ 704x480, ມັນຍັງຄົງຮັກສາອັດຕາສ່ວນ 4: 3 ເພາະວ່າ PAR ແມ່ນ 10: 11 (704x10 / 480x11).

ແລະສຸດທ້າຍ, ພວກເຮົາສາມາດກໍານົດ видео ຄືກັບລໍາດັບຂອງ n ກອບສໍາລັບໄລຍະເວລາ ເວລາ, ຊຶ່ງສາມາດພິຈາລະນາເປັນຂະຫນາດເພີ່ມເຕີມ. ກ n ຫຼັງຈາກນັ້ນແມ່ນອັດຕາເຟມຫຼືຈໍານວນຂອງເຟຣມຕໍ່ວິນາທີ (FPS - ຈາກ ເຟຣມຕໍ່ວິນາທີ).

ຈໍານວນບິດຕໍ່ວິນາທີທີ່ຕ້ອງການເພື່ອສະແດງວິດີໂອແມ່ນຂອງມັນ ຄວາມໄວລະບົບສາຍສົ່ງ - ອັດຕາບິດ.

bitrate = width * height * bit depth * frames per second

ຕົວຢ່າງ, ວິດີໂອ 30 fps, 24 bps, 480x240 ຕ້ອງການ 82,944,000 bps ຫຼື 82,944 Mbps (30x480x240x24) - ແຕ່ນັ້ນແມ່ນຖ້າບໍ່ມີວິທີການບີບອັດຖືກນໍາໃຊ້.

ຖ້າຄວາມໄວການໂອນ ເກືອບຄົງທີ່, ຫຼັງຈາກນັ້ນມັນຖືກເອີ້ນວ່າ ຄວາມໄວລະບົບສາຍສົ່ງຄົງທີ່ (CBR - ຈາກ ອັດຕາບິດຄົງທີ່). ແຕ່ມັນຍັງສາມາດແຕກຕ່າງກັນ, ໃນກໍລະນີນີ້ມັນຖືກເອີ້ນວ່າ ອັດຕາ baud ປ່ຽນແປງ (VBR - ຈາກ ອັດຕາບິດປ່ຽນແປງ).

ເສັ້ນສະແດງນີ້ສະແດງໃຫ້ເຫັນ VBR ຈໍາກັດ, ບ່ອນທີ່ບໍ່ຫຼາຍ bits ຈະເສຍໄປໃນກໍລະນີຂອງກອບຊ້ໍາຫມົດ.

ວິສະວະກອນໃນເບື້ອງຕົ້ນໄດ້ພັດທະນາວິທີການທີ່ຈະເພີ່ມອັດຕາເຟຣມທີ່ຮັບຮູ້ໄດ້ສອງເທົ່າຂອງການສະແດງວິດີໂອໂດຍບໍ່ໃຊ້ແບນວິດເພີ່ມເຕີມ. ວິທີການນີ້ແມ່ນເປັນທີ່ຮູ້ຈັກເປັນ ວິດີໂອ interlaced; ໂດຍພື້ນຖານແລ້ວ, ມັນສົ່ງເຄິ່ງຫນຶ່ງຂອງຫນ້າຈໍໃນ "ກອບ" ທໍາອິດແລະອີກເຄິ່ງຫນຶ່ງໃນ "ກອບ" ຕໍ່ໄປ.

ໃນປັດຈຸບັນ, scenes ສ່ວນໃຫຍ່ແມ່ນ rendered ການນໍາໃຊ້ ເຕັກ​ໂນ​ໂລ​ຊີ​ການ​ສະ​ແກນ​ກ້າວ​ຫນ້າ​. ມັນ​ເປັນ​ວິ​ທີ​ການ​ຂອງ​ການ​ສະ​ແດງ​, ການ​ເກັບ​ຮັກ​ສາ​ຫຼື​ການ​ຖ່າຍ​ໂອນ​ຮູບ​ພາບ​ເຄື່ອນ​ໄຫວ​ທີ່​ເສັ້ນ​ທັງ​ຫມົດ​ຂອງ​ແຕ່​ລະ​ກອບ​ແມ່ນ​ໄດ້​ຮັບ​ການ​ແຕ້ມ​ຕາມ​ລໍາ​ດັບ​.

ດີ! ຕອນນີ້ພວກເຮົາຮູ້ວ່າຮູບພາບໃດນຶ່ງຖືກສະແດງເປັນແບບດິຈິຕອລ, ການຈັດລຽງສີຂອງມັນແນວໃດ, ພວກເຮົາໃຊ້ເວລາຈັກບິດຕໍ່ວິນາທີເພື່ອສະແດງວິດີໂອ, ຖ້າອັດຕາບິດຄົງທີ່ (CBR) ຫຼືຕົວແປ (VBR). ພວກເຮົາຮູ້ກ່ຽວກັບຄວາມລະອຽດທີ່ໃຫ້ໂດຍໃຊ້ອັດຕາເຟຣມທີ່ໃຫ້, ພວກເຮົາຄຸ້ນເຄີຍກັບຄໍາສັບຕ່າງໆອື່ນໆ, ເຊັ່ນ: ວິດີໂອ interlaced, PAR ແລະອື່ນໆບາງອັນ.

ການກໍາຈັດການຊໍ້າຊ້ອນ

ມັນເປັນທີ່ຮູ້ຈັກວ່າວິດີໂອໂດຍບໍ່ມີການບີບອັດບໍ່ສາມາດຖືກນໍາໃຊ້ຕາມປົກກະຕິ. ວິດີໂອຍາວຫນຶ່ງຊົ່ວໂມງຢູ່ທີ່ຄວາມລະອຽດ 720p ແລະ 30 ເຟຣມຕໍ່ວິນາທີຈະໃຊ້ເວລາເຖິງ 278 GB. ພວກເຮົາມາຮອດຄ່ານີ້ໂດຍການຄູນ 1280 x 720 x 24 x 30 x 3600 (ຄວາມກວ້າງ, ຄວາມສູງ, ບິດຕໍ່ pixels, FPS ແລະເວລາເປັນວິນາທີ).

ການນໍາໃຊ້ ສູດການຄິດໄລ່ການບີບອັດທີ່ບໍ່ມີການສູນເສຍ, ເຊັ່ນ DEFLATE (ໃຊ້ໃນ PKZIP, Gzip ແລະ PNG), ຈະບໍ່ຫຼຸດແບນວິດທີ່ຕ້ອງການພຽງພໍ. ພວກເຮົາຕ້ອງຊອກຫາວິທີອື່ນເພື່ອບີບອັດວິດີໂອ.

ເພື່ອເຮັດສິ່ງນີ້, ທ່ານສາມາດນໍາໃຊ້ລັກສະນະຂອງວິໄສທັດຂອງພວກເຮົາ. ພວກເຮົາມີຄວາມດີກວ່າໃນການຈໍາແນກຄວາມສະຫວ່າງກ່ວາສີ. ວິ​ດີ​ໂອ​ແມ່ນ​ຊຸດ​ຂອງ​ຮູບ​ພາບ​ຕາມ​ລໍາ​ດັບ​ທີ່​ເຮັດ​ເລ​ື້ມ​ຄືນ​ໃນ​ໄລ​ຍະ​. ມີຄວາມແຕກຕ່າງເລັກນ້ອຍລະຫວ່າງກອບທີ່ຢູ່ໃກ້ຄຽງຂອງ scene ດຽວກັນ. ນອກຈາກນັ້ນ, ແຕ່ລະກອບປະກອບມີຫຼາຍພື້ນທີ່ໂດຍໃຊ້ສີດຽວກັນ (ຫຼືຄ້າຍຄືກັນ).

ສີ, ຄວາມສະຫວ່າງແລະຕາຂອງພວກເຮົາ

ຕາຂອງພວກເຮົາມີຄວາມອ່ອນໄຫວຕໍ່ກັບຄວາມສະຫວ່າງຫຼາຍກ່ວາສີ. ທ່ານສາມາດເບິ່ງນີ້ສໍາລັບຕົວທ່ານເອງໂດຍການເບິ່ງຮູບນີ້.

ຖ້າ​ຫາກ​ວ່າ​ທ່ານ​ບໍ່​ເຫັນ​ວ່າ​ໃນ​ເຄິ່ງ​ຊ້າຍ​ຂອງ​ຮູບ​ພາບ​ສີ​ຂອງ​ສີ່​ຫຼ່ຽມ​ A и B ຕົວຈິງແລ້ວແມ່ນຄືກັນ, ຫຼັງຈາກນັ້ນມັນເປັນເລື່ອງປົກກະຕິ. ສະຫມອງຂອງພວກເຮົາບັງຄັບໃຫ້ພວກເຮົາເອົາໃຈໃສ່ກັບແສງສະຫວ່າງແລະຮົ່ມຫຼາຍກວ່າສີ. ຢູ່ເບື້ອງຂວາລະຫວ່າງສີ່ຫລ່ຽມທີ່ກໍານົດມີ jumper ຂອງສີດຽວກັນ - ດັ່ງນັ້ນພວກເຮົາ (i.e. ສະຫມອງຂອງພວກເຮົາ) ກໍານົດໄດ້ງ່າຍວ່າ, ໃນຄວາມເປັນຈິງ, ພວກມັນເປັນສີດຽວກັນ.

ຂໍໃຫ້ເບິ່ງ (ແບບງ່າຍໆ) ວິທີທີ່ຕາຂອງພວກເຮົາເຮັດວຽກ. ຕາແມ່ນອະໄວຍະວະທີ່ສັບສົນທີ່ປະກອບດ້ວຍຫຼາຍພາກສ່ວນ. ຢ່າງໃດກໍຕາມ, ພວກເຮົາມີຄວາມສົນໃຈຫຼາຍທີ່ສຸດໃນໂກນດອກແລະ rods. ຕາປະກອບມີປະມານ 120 ລ້ານ rods ແລະ 6 ລ້ານໂກນ.

ໃຫ້ພິຈາລະນາຄວາມຮັບຮູ້ຂອງສີແລະຄວາມສະຫວ່າງເປັນຫນ້າທີ່ແຍກຕ່າງຫາກຂອງບາງສ່ວນຂອງຕາ (ໃນຄວາມເປັນຈິງ, ທຸກສິ່ງທຸກຢ່າງແມ່ນສັບສົນຫຼາຍ, ແຕ່ພວກເຮົາຈະເຮັດໃຫ້ມັນງ່າຍດາຍ). ຈຸລັງ Rod ສ່ວນໃຫຍ່ແມ່ນຮັບຜິດຊອບຕໍ່ຄວາມສະຫວ່າງ, ໃນຂະນະທີ່ຈຸລັງໂກນແມ່ນຮັບຜິດຊອບສໍາລັບສີ. ໂກນແມ່ນແບ່ງອອກເປັນສາມປະເພດ, ຂຶ້ນກັບເມັດສີທີ່ພວກມັນມີ: S-cones (ສີຟ້າ), M-cones (ສີຂຽວ), ແລະ L-cones (ສີແດງ).

ເນື່ອງຈາກພວກເຮົາມີ rods ຫຼາຍ (ຄວາມສະຫວ່າງ) ຫຼາຍກ່ວາໂກນ (ສີ), ພວກເຮົາສາມາດສະຫຼຸບໄດ້ວ່າພວກເຮົາມີຄວາມສາມາດຈໍາແນກການຫັນປ່ຽນລະຫວ່າງຄວາມມືດແລະແສງສະຫວ່າງຫຼາຍກ່ວາສີ.

ຄຸນສົມບັດຄວາມອ່ອນໄຫວດ້ານກົງກັນຂ້າມ

ນັກຄົ້ນຄວ້າໃນຈິດຕະວິທະຍາທົດລອງແລະສາຂາອື່ນໆຈໍານວນຫຼາຍໄດ້ພັດທະນາທິດສະດີວິໄສທັດຂອງມະນຸດຫຼາຍ. ແລະຫນຶ່ງໃນນັ້ນແມ່ນເອີ້ນວ່າ ຟັງຊັນຄວາມອ່ອນໄຫວທາງກົງກັນຂ້າມ. ພວກເຂົາເຈົ້າແມ່ນກ່ຽວຂ້ອງກັບການ illumination ພື້ນທີ່ແລະທາງໂລກ. ໃນສັ້ນ, ມັນແມ່ນກ່ຽວກັບຈໍານວນການປ່ຽນແປງທີ່ຕ້ອງການກ່ອນທີ່ຜູ້ສັງເກດການສັງເກດເຫັນພວກມັນ. ໃຫ້ສັງເກດຫຼາຍຂອງຄໍາວ່າ "function". ນີ້ແມ່ນເນື່ອງມາຈາກຄວາມຈິງທີ່ວ່າພວກເຮົາສາມາດວັດແທກຫນ້າທີ່ລະອຽດອ່ອນທາງກົງກັນຂ້າມບໍ່ພຽງແຕ່ສໍາລັບຮູບພາບສີດໍາແລະສີຂາວ, ແຕ່ຍັງສໍາລັບສີ. ຜົນໄດ້ຮັບຂອງການທົດລອງເຫຼົ່ານີ້ສະແດງໃຫ້ເຫັນວ່າໃນກໍລະນີຫຼາຍທີ່ສຸດ, ຕາຂອງພວກເຮົາມີຄວາມອ່ອນໄຫວຕໍ່ກັບຄວາມສະຫວ່າງຫຼາຍກ່ວາສີ.

ເນື່ອງຈາກພວກເຮົາຮູ້ວ່າພວກເຮົາມີຄວາມອ່ອນໄຫວຕໍ່ກັບຄວາມສະຫວ່າງຂອງຮູບພາບ, ພວກເຮົາສາມາດພະຍາຍາມໃຊ້ຄວາມເປັນຈິງນີ້.

ຮູບແບບສີ

ພວກ​ເຮົາ​ໄດ້​ຄິດ​ອອກ​ເລັກ​ນ້ອຍ​ວິ​ທີ​ການ​ເຮັດ​ວຽກ​ຮ່ວມ​ກັບ​ຮູບ​ພາບ​ສີ​ໂດຍ​ນໍາ​ໃຊ້​ໂຄງ​ການ RGB​. ຍັງມີແບບອື່ນໆ. ມີຮູບແບບທີ່ແຍກ luminance ຈາກ chroma ແລະມັນຖືກເອີ້ນວ່າ YCbCr. ໂດຍວິທີທາງການ, ມີແບບຈໍາລອງອື່ນໆທີ່ເຮັດໃຫ້ການແບ່ງສ່ວນທີ່ຄ້າຍຄືກັນ, ແຕ່ພວກເຮົາຈະພິຈາລະນາພຽງແຕ່ອັນນີ້.

ໃນຮູບແບບສີນີ້ Y ເປັນຕົວແທນຂອງຄວາມສະຫວ່າງ, ແລະຍັງໃຊ້ສອງຊ່ອງສີ: Cb (ສີຟ້າອຸດົມສົມບູນ) ແລະ Cr (ສີແດງອຸດົມສົມບູນ). YCbCr ສາມາດມາຈາກ RGB, ແລະການແປງຄືນແມ່ນເປັນໄປໄດ້. ການ​ນໍາ​ໃຊ້​ຮູບ​ແບບ​ນີ້​ພວກ​ເຮົາ​ສາ​ມາດ​ສ້າງ​ຮູບ​ພາບ​ສີ​ເຕັມ​ທີ່​ດັ່ງ​ທີ່​ພວກ​ເຮົາ​ເບິ່ງ​ຂ້າງ​ລຸ່ມ​ນີ້​:

ປ່ຽນລະຫວ່າງ YCbCr ແລະ RGB

ບາງຄົນຈະຄັດຄ້ານ: ມັນເປັນໄປໄດ້ແນວໃດທີ່ຈະໄດ້ຮັບສີທັງຫມົດຖ້າສີຂຽວບໍ່ໄດ້ໃຊ້?

ເພື່ອຕອບຄໍາຖາມນີ້, ໃຫ້ປ່ຽນ RGB ເປັນ YCbCr. ໃຫ້ໃຊ້ຄ່າສໍາປະສິດທີ່ໄດ້ຮັບຮອງເອົາໃນມາດຕະຖານ ບາດ 601, ເຊິ່ງໄດ້ຖືກແນະນໍາໂດຍຫນ່ວຍງານ ITU-R. ພະແນກນີ້ກໍານົດມາດຕະຖານສໍາລັບວິດີໂອດິຈິຕອນ. ຕົວຢ່າງ: 4K ແມ່ນຫຍັງ? ອັດຕາເຟມ, ຄວາມລະອຽດ, ຮູບແບບສີຄວນເປັນແນວໃດ?

ທໍາອິດໃຫ້ຄິດໄລ່ຄວາມສະຫວ່າງ. ໃຫ້ໃຊ້ຄ່າຄົງທີ່ທີ່ສະເໜີໂດຍ ITU ແລະປ່ຽນແທນຄ່າ RGB.

Y = 0.299R + 0.587G + 0.114B

ຫຼັງຈາກທີ່ພວກເຮົາມີຄວາມສະຫວ່າງ, ພວກເຮົາຈະແຍກສີຟ້າແລະສີແດງ:

Cb = 0.564(B - Y)

Cr = 0.713(R - Y)

ແລະພວກເຮົາຍັງສາມາດປ່ຽນຄືນແລະແມ້ກະທັ້ງໄດ້ຮັບສີຂຽວໂດຍໃຊ້ YCbCr:

R = Y + 1.402Cr

B = Y + 1.772Cb

G = Y -0.344Cb -0.714Cr

ໂດຍປົກກະຕິ, ຈໍສະແດງຜົນ (ຈໍພາບ, ໂທລະພາບ, ຫນ້າຈໍ, ແລະອື່ນໆ) ໃຊ້ພຽງແຕ່ຮູບແບບ RGB. ແຕ່ຮູບແບບນີ້ສາມາດຖືກຈັດຢູ່ໃນວິທີທີ່ແຕກຕ່າງກັນ:

ການເກັບຕົວຢ່າງສີ

ດ້ວຍຮູບພາບທີ່ເປັນຕົວແທນເປັນການປະສົມປະສານຂອງ luminance ແລະ chrominance, ພວກເຮົາສາມາດຂຸດຄົ້ນຄວາມອ່ອນໄຫວຂອງລະບົບສາຍຕາຂອງມະນຸດຕໍ່ກັບຄວາມສະຫວ່າງຫຼາຍກວ່າ chrominance ໂດຍການເອົາຂໍ້ມູນອອກໂດຍເລືອກ. Chroma subsampling ແມ່ນວິທີການເຂົ້າລະຫັດຮູບພາບໂດຍໃຊ້ຄວາມລະອຽດຫນ້ອຍສໍາລັບ chroma ກ່ວາການສະຫວ່າງ.

ອະນຸຍາດໃຫ້ຫຼຸດຄວາມລະອຽດສີໄດ້ເທົ່າໃດ?! ມັນ turns ອອກແລ້ວມີບາງແຜນວາດທີ່ອະທິບາຍວິທີການຈັດການການແກ້ໄຂແລະການຜະສົມຜະສານ (ສີຜົນໄດ້ຮັບ = Y + Cb + Cr).

ໂຄງ​ການ​ເຫຼົ່າ​ນີ້​ແມ່ນ​ເປັນ​ທີ່​ຮູ້​ຈັກ​ເປັນ​ ລະບົບ downsampling ແລະສະແດງອອກເປັນອັດຕາສ່ວນ 3 ເທົ່າ - a:x:y, ເຊິ່ງກໍານົດຈໍານວນຂອງຕົວຢ່າງຂອງ luminance ແລະສັນຍານຄວາມແຕກຕ່າງຂອງສີ.

a - ມາດ​ຕະ​ຖານ​ການ​ເກັບ​ຕົວ​ຢ່າງ​ຕາມ​ລວງ​ນອນ (ປົກ​ກະ​ຕິ​ແລ້ວ​ເທົ່າ​ກັບ 4​)
x — ຈໍາ​ນວນ​ຂອງ​ຕົວ​ຢ່າງ chroma ໃນ​ແຖວ​ທໍາ​ອິດ​ຂອງ pixels (ຄວາມ​ລະ​ອຽດ​ຕາມ​ລວງ​ນອນ​ກ່ຽວ​ກັບ​ການ​ a)
y — ຈໍາ​ນວນ​ຂອງ​ການ​ປ່ຽນ​ແປງ​ໃນ​ຕົວ​ຢ່າງ chroma ລະ​ຫວ່າງ​ແຖວ​ທໍາ​ອິດ​ແລະ​ທີ່​ສອງ​ຂອງ pixels ລວງ​.

ຂໍ້ຍົກເວັ້ນແມ່ນ 4:1:0, ສະຫນອງຫນຶ່ງຕົວຢ່າງ chroma ໃນແຕ່ລະຕັນການແກ້ໄຂ 4-×4 luminance.

ໂຄງ​ການ​ທົ່ວ​ໄປ​ທີ່​ໃຊ້​ໃນ codecs ທັນ​ສະ​ໄຫມ​:

• 4:4:4 (ບໍ່​ມີ​ການ​ລົງ​ຕົວ​ຢ່າງ​)
• 4:2:2
• 4:1:1
• 4:2:0
• 4:1:0
• 3:1:1

YCbCr 4:2:0 - ຕົວຢ່າງ fusion

ນີ້ແມ່ນຮູບພາບທີ່ຮວມກັນໂດຍໃຊ້ YCbCr 4:2:0. ໃຫ້ສັງເກດວ່າພວກເຮົາກໍາລັງໃຊ້ພຽງແຕ່ 12 bits ຕໍ່ pixels ລວງ.

ນີ້ແມ່ນສິ່ງທີ່ຮູບດຽວກັນມີລັກສະນະ, ເຂົ້າລະຫັດກັບປະເພດຕົ້ນຕໍຂອງການເກັບຕົວຢ່າງສີ. ແຖວທໍາອິດແມ່ນ YCbCr ສຸດທ້າຍ, ແຖວລຸ່ມສະແດງໃຫ້ເຫັນຄວາມລະອຽດຂອງ chroma. ຜົນໄດ້ຮັບ decent ຫຼາຍ, ພິຈາລະນາການສູນເສຍເລັກນ້ອຍໃນຄຸນນະພາບ.

ຈື່ໄດ້ເມື່ອພວກເຮົານັບພື້ນທີ່ເກັບຂໍ້ມູນ 278 GB ເພື່ອເກັບໄຟລ໌ວິດີໂອຍາວໜຶ່ງຊົ່ວໂມງທີ່ຄວາມລະອຽດ 720p ແລະ 30 ເຟຣມຕໍ່ວິນາທີ? ຖ້າພວກເຮົາໃຊ້ YCbCr 4: 2: 0, ຫຼັງຈາກນັ້ນຂະຫນາດນີ້ຈະຫຼຸດລົງເຄິ່ງຫນຶ່ງ - 139 GB. ມາຮອດປະຈຸ, ມັນຍັງໄກຈາກຜົນໄດ້ຮັບທີ່ຍອມຮັບໄດ້.

ທ່ານສາມາດໄດ້ຮັບ YCbCr histogram ຕົວທ່ານເອງໂດຍໃຊ້ FFmpeg. ໃນຮູບນີ້, ສີຟ້າກວມເອົາສີແດງ, ເຊິ່ງເຫັນໄດ້ຊັດເຈນຢູ່ໃນ histogram ຕົວຂອງມັນເອງ.

ສີ, ຄວາມສະຫວ່າງ, ສີ gamut - ການທົບທວນຄືນວິດີໂອ

ພວກເຮົາແນະນໍາໃຫ້ເບິ່ງວິດີໂອທີ່ຫນ້າຫວາດສຽວນີ້. ມັນອະທິບາຍວ່າຄວາມສະຫວ່າງແມ່ນຫຍັງ, ແລະໂດຍທົ່ວໄປຈຸດທັງຫມົດແມ່ນ dotted ё ກ່ຽວກັບຄວາມສະຫວ່າງແລະສີ.

ປະເພດກອບ

ໃຫ້ກ້າວຕໍ່ໄປ. ໃຫ້ພະຍາຍາມລົບລ້າງການຊ້ໍາຊ້ອນທີ່ໃຊ້ເວລາ. ແຕ່ທໍາອິດ, ໃຫ້ກໍານົດບາງຄໍາສັບພື້ນຖານ. ໃຫ້ເວົ້າວ່າພວກເຮົາມີຮູບເງົາທີ່ມີ 30 ເຟຣມຕໍ່ວິນາທີ, ນີ້ແມ່ນ 4 ເຟຣມທໍາອິດຂອງມັນ:

ພວກເຮົາສາມາດເຫັນການຊໍ້າຄືນຫຼາຍໃນກອບ: ຕົວຢ່າງ, ພື້ນຫລັງສີຟ້າທີ່ບໍ່ປ່ຽນແປງຈາກກອບເປັນກອບ. ເພື່ອແກ້ໄຂບັນຫານີ້, ພວກເຮົາສາມາດຈັດປະເພດພວກມັນອອກເປັນສາມປະເພດຂອງກອບ.

I-frame (Iຂອບຂອບ)

I-frame (ກອບອ້າງອິງ, ກອບກະແຈ, ກອບພາຍໃນ) ແມ່ນຕົວຂອງມັນເອງ. ໂດຍບໍ່ຄໍານຶງເຖິງສິ່ງທີ່ທ່ານຕ້ອງການສ້າງພາບ, I-frame ເປັນສິ່ງຈໍາເປັນສໍາລັບການຖ່າຍຮູບຄົງທີ່. ເຟຣມທໍາອິດແມ່ນປົກກະຕິແລ້ວເປັນ I-frame, ແຕ່ພວກເຮົາຈະສັງເກດເຫັນ I-frames ເປັນປະຈໍາເຖິງແມ່ນວ່າບໍ່ແມ່ນເຟຣມທໍາອິດ.

P-frame (Pຂອບ​ການ​ຕັດ​ສິນ​)

P-frame (ກອບການຄາດເດົາ) ໃຊ້ປະໂຫຍດຈາກຄວາມຈິງທີ່ວ່າເກືອບສະເຫມີຮູບພາບໃນປະຈຸບັນສາມາດຖືກຜະລິດຄືນໃຫມ່ໂດຍໃຊ້ກອບທີ່ຜ່ານມາ. ຕົວຢ່າງ, ໃນກອບທີສອງການປ່ຽນແປງພຽງແຕ່ແມ່ນບານທີ່ກ້າວໄປຂ້າງຫນ້າ. ພວກເຮົາສາມາດໄດ້ຮັບກອບ 2 ໂດຍພຽງແຕ່ດັດແປງກອບ 1 ເລັກນ້ອຍ, ພຽງແຕ່ໃຊ້ຄວາມແຕກຕ່າງລະຫວ່າງກອບເຫຼົ່ານີ້. ເພື່ອສ້າງກອບ 2, ພວກເຮົາອ້າງອີງເຖິງກອບກ່ອນຫນ້າ 1.

←

B-frame (Bi-predictive Frame)

ແມ່ນຫຍັງກ່ຽວກັບການເຊື່ອມໂຍງບໍ່ພຽງແຕ່ກັບອະດີດ, ແຕ່ຍັງກັບກອບໃນອະນາຄົດເພື່ອໃຫ້ການບີບອັດທີ່ດີກວ່າ?! ນີ້ແມ່ນພື້ນຖານ B-frame (ກອບ bidirectional).

← →

ການຖອນເງິນຂັ້ນກາງ

ປະເພດກອບເຫຼົ່ານີ້ຖືກນໍາໃຊ້ເພື່ອສະຫນອງການບີບອັດທີ່ດີທີ່ສຸດທີ່ເປັນໄປໄດ້. ພວກເຮົາຈະເບິ່ງວິທີການນີ້ເກີດຂຶ້ນໃນພາກຕໍ່ໄປ. ສໍາລັບໃນປັດຈຸບັນ, ໃຫ້ພວກເຮົາສັງເກດວ່າ "ລາຄາແພງທີ່ສຸດ" ໃນແງ່ຂອງຄວາມຊົງຈໍາທີ່ບໍລິໂພກແມ່ນ I-frame, P-frame ແມ່ນລາຄາຖືກກວ່າຢ່າງເຫັນໄດ້ຊັດ, ແຕ່ທາງເລືອກທີ່ມີກໍາໄລຫຼາຍທີ່ສຸດສໍາລັບວິດີໂອແມ່ນ B-frame.

ການຊໍ້າຊ້ອນຊົ່ວຄາວ (ການຄາດຄະເນລະຫວ່າງກອບ)

ໃຫ້ເຮົາເບິ່ງວ່າເຮົາມີທາງເລືອກໃດແດ່ເພື່ອຫຼຸດຜ່ອນການຊໍ້າຄືນໃຫ້ໜ້ອຍທີ່ສຸດໃນໄລຍະເວລາ. ພວກ​ເຮົາ​ສາ​ມາດ​ແກ້​ໄຂ​ປະ​ເພດ​ຂອງ redundancy ນີ້​ໂດຍ​ນໍາ​ໃຊ້​ວິ​ທີ​ການ​ຄາດ​ຄະ​ເນ​ຂ້າມ​.

ພວກເຮົາຈະພະຍາຍາມໃຊ້ສອງສາມບິດເທົ່າທີ່ເປັນໄປໄດ້ເພື່ອເຂົ້າລະຫັດລໍາດັບຂອງເຟຣມ 0 ແລະ 1.

ພວກເຮົາສາມາດຜະລິດ ການຫັກລົບ, ພວກເຮົາພຽງແຕ່ລົບກອບ 1 ຈາກກອບ 0. ພວກເຮົາໄດ້ຮັບກອບ 1, ພຽງແຕ່ໃຊ້ຄວາມແຕກຕ່າງລະຫວ່າງມັນແລະກອບທີ່ຜ່ານມາ, ໃນຄວາມເປັນຈິງພວກເຮົາພຽງແຕ່ເຂົ້າລະຫັດສ່ວນທີ່ເຫຼືອຜົນໄດ້ຮັບ.

ແຕ່ຖ້າຂ້ອຍບອກເຈົ້າວ່າມີວິທີການທີ່ດີກວ່າທີ່ຈະໃຊ້ຫນ້ອຍລົງໄດ້ແນວໃດ?! ທໍາອິດ, ໃຫ້ແຍກກອບ 0 ເຂົ້າໄປໃນຕາຂ່າຍໄຟຟ້າທີ່ຊັດເຈນປະກອບດ້ວຍຕັນ. ແລະຫຼັງຈາກນັ້ນພວກເຮົາຈະພະຍາຍາມຈັບຄູ່ບລັອກຈາກກອບ 0 ກັບກອບ 1. ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ພວກເຮົາຈະຄາດຄະເນການເຄື່ອນໄຫວລະຫວ່າງກອບ.

ຈາກ Wikipedia - ຕັນການຊົດເຊີຍການເຄື່ອນໄຫວ

ການຊົດເຊີຍການເຄື່ອນໄຫວຂອງຕັນແບ່ງກອບປະຈຸບັນເຂົ້າໄປໃນທ່ອນໄມ້ທີ່ບໍ່ທັບຊ້ອນກັນແລະ vector ການຊົດເຊີຍການເຄື່ອນໄຫວລາຍງານຕົ້ນກໍາເນີດຂອງບລັອກ (ຄວາມເຂົ້າໃຈຜິດທົ່ວໄປແມ່ນວ່າ. ທີ່ຜ່ານມາ ກອບຖືກແບ່ງອອກເປັນທ່ອນໄມ້ທີ່ບໍ່ທັບຊ້ອນກັນ, ແລະ vectors ການຊົດເຊີຍການເຄື່ອນໄຫວບອກບ່ອນທີ່ຕັນເຫຼົ່ານັ້ນໄປ. ແຕ່ໃນຄວາມເປັນຈິງ, ມັນເປັນທາງອື່ນ - ມັນບໍ່ແມ່ນກອບທີ່ຜ່ານມາທີ່ຖືກວິເຄາະ, ແຕ່ອັນຕໍ່ໄປ; ມັນບໍ່ຊັດເຈນວ່າທ່ອນໄມ້ກໍາລັງເຄື່ອນທີ່, ແຕ່ວ່າພວກເຂົາມາຈາກໃສ). ໂດຍປົກກະຕິແລ້ວ ບລັອກແຫຼ່ງທັບຊ້ອນກັນຢູ່ໃນກອບແຫຼ່ງ. ຂັ້ນຕອນການບີບອັດວິດີໂອບາງອັນປະກອບກອບປັດຈຸບັນຈາກບາງສ່ວນຂອງບາງສ່ວນ, ແຕ່ບາງເຟຣມທີ່ສົ່ງຜ່ານກ່ອນໜ້າ.

ໃນລະຫວ່າງຂະບວນການປະເມີນຜົນ, ພວກເຮົາເຫັນວ່າບານໄດ້ຍ້າຍຈາກ (x= 0, y=25) ເຖິງ (x= 6, y=26), ຄ່າ x и y ກໍານົດ vector ການເຄື່ອນໄຫວ. ຂັ້ນຕອນອື່ນທີ່ພວກເຮົາສາມາດເຮັດໄດ້ເພື່ອຮັກສາ bits ແມ່ນການເຂົ້າລະຫັດພຽງແຕ່ຄວາມແຕກຕ່າງຂອງ vectors motion ລະຫວ່າງຕໍາແຫນ່ງ block ສຸດທ້າຍແລະຫນຶ່ງທີ່ຄາດຄະເນ, ດັ່ງນັ້ນ vector motion ສຸດທ້າຍຈະເປັນ (x=6-0=6, y=26-25=1. ).

ໃນສະຖານະການທີ່ແທ້ຈິງ, ບານນີ້ຈະຖືກແບ່ງອອກເປັນ n ຕັນ, ແຕ່ນີ້ບໍ່ໄດ້ປ່ຽນແປງຄວາມສໍາຄັນຂອງເລື່ອງ.

ວັດຖຸໃນກອບເຄື່ອນຍ້າຍໃນສາມມິຕິ, ດັ່ງນັ້ນເມື່ອລູກເຄື່ອນທີ່, ມັນສາມາດກາຍເປັນຕານ້ອຍລົງ (ຫຼືໃຫຍ່ກວ່າຖ້າມັນເຄື່ອນໄປຫາຜູ້ເບິ່ງ). ມັນເປັນເລື່ອງປົກກະຕິທີ່ຈະບໍ່ມີການຈັບຄູ່ທີ່ສົມບູນແບບລະຫວ່າງທ່ອນໄມ້. ນີ້ແມ່ນທັດສະນະລວມຂອງການຄາດຄະເນຂອງພວກເຮົາແລະຮູບພາບທີ່ແທ້ຈິງ.

ແຕ່ພວກເຮົາເຫັນວ່າໃນເວລາທີ່ພວກເຮົານໍາໃຊ້ການຄາດຄະເນການເຄື່ອນໄຫວ, ມີຂໍ້ມູນຫນ້ອຍທີ່ສັງເກດເຫັນສໍາລັບການເຂົ້າລະຫັດກ່ວາເມື່ອນໍາໃຊ້ວິທີການທີ່ງ່າຍກວ່າຂອງການຄິດໄລ່ delta ລະຫວ່າງກອບ.

ການຊົດເຊີຍການເຄື່ອນໄຫວທີ່ແທ້ຈິງຈະມີລັກສະນະແນວໃດ

ເຕັກນິກນີ້ຖືກນໍາໃຊ້ກັບທ່ອນໄມ້ທັງຫມົດໃນເວລາດຽວກັນ. ເລື້ອຍໆບານເຄື່ອນທີ່ຕາມເງື່ອນໄຂຂອງພວກເຮົາຈະຖືກແບ່ງອອກເປັນຫຼາຍທ່ອນໄມ້ໃນເວລາດຽວກັນ.

ທ່ານສາມາດໄດ້ຮັບຄວາມຮູ້ສຶກສໍາລັບແນວຄວາມຄິດເຫຼົ່ານີ້ຕົວທ່ານເອງໂດຍໃຊ້ ດາວພະຫັດ.

ເພື່ອເບິ່ງ vectors ການເຄື່ອນໄຫວ, ທ່ານສາມາດສ້າງວິດີໂອການຄາດຄະເນພາຍນອກໂດຍໃຊ້ ffmpeg.

ນອກນັ້ນທ່ານຍັງສາມາດນໍາໃຊ້ Intel Video Pro Analyzer (ມັນຈ່າຍ, ແຕ່ມີການທົດລອງຟຣີທີ່ຈໍາກັດພຽງແຕ່ສິບເຟຣມທໍາອິດ).

ຄວາມຊໍ້າຊ້ອນທາງພື້ນທີ່ (ການພະຍາກອນພາຍໃນ)

ຖ້າພວກເຮົາວິເຄາະແຕ່ລະກອບໃນວິດີໂອ, ພວກເຮົາຈະຊອກຫາພື້ນທີ່ເຊື່ອມຕໍ່ກັນຫຼາຍ.

ໃຫ້ໄປໂດຍຜ່ານຕົວຢ່າງນີ້. scene ນີ້ສ່ວນໃຫຍ່ແມ່ນປະກອບດ້ວຍສີຟ້າແລະສີຂາວ.

ນີ້ແມ່ນ I-frame. ພວກເຮົາບໍ່ສາມາດເອົາເຟຣມທີ່ຜ່ານມາສໍາລັບການຄາດຄະເນ, ແຕ່ພວກເຮົາສາມາດບີບອັດມັນໄດ້. ໃຫ້ເຂົ້າລະຫັດການຄັດເລືອກຂອງຕັນສີແດງ. ຖ້າພວກເຮົາເບິ່ງປະເທດເພື່ອນບ້ານ, ພວກເຮົາສັງເກດເຫັນວ່າມີທ່າອ່ຽງສີບາງຢ່າງຢູ່ອ້ອມຮອບມັນ.

ພວກເຮົາສົມມຸດວ່າສີແຜ່ລາມໃນແນວຕັ້ງຢູ່ໃນກອບ. ຊຶ່ງຫມາຍຄວາມວ່າສີຂອງ pixels ທີ່ບໍ່ຮູ້ຈັກຈະມີຄ່າຂອງເພື່ອນບ້ານຂອງຕົນ.

ການຄາດຄະເນດັ່ງກ່າວອາດຈະເຮັດໃຫ້ບໍ່ຖືກຕ້ອງ. ມັນແມ່ນຍ້ອນເຫດຜົນນີ້, ທ່ານຈໍາເປັນຕ້ອງໃຊ້ວິທີການນີ້ (ການຄາດຄະເນພາຍໃນ), ແລະຫຼັງຈາກນັ້ນຫັກຄ່າທີ່ແທ້ຈິງ. ນີ້ຈະໃຫ້ພວກເຮົາຕັນທີ່ຕົກຄ້າງ, ເຊິ່ງຈະສົ່ງຜົນໃຫ້ມາຕຣິກເບື້ອງທີ່ຖືກບີບອັດຫຼາຍເມື່ອທຽບໃສ່ກັບຕົ້ນສະບັບ.

ຖ້າທ່ານຕ້ອງການປະຕິບັດກັບການຄາດຄະເນພາຍໃນ, ທ່ານສາມາດສ້າງວິດີໂອຂອງ macroblocks ແລະການຄາດຄະເນຂອງພວກເຂົາໂດຍໃຊ້ ffmpeg. ເພື່ອເຂົ້າໃຈຄວາມຫມາຍຂອງແຕ່ລະສີຕັນ, ທ່ານຈະຕ້ອງອ່ານເອກະສານ ffmpeg.

ຫຼືທ່ານສາມາດນໍາໃຊ້ Intel Video Pro Analyzer (ດັ່ງທີ່ຂ້າພະເຈົ້າໄດ້ກ່າວມາຂ້າງເທິງ, ສະບັບທົດລອງຟຣີແມ່ນຈໍາກັດພຽງແຕ່ 10 ເຟຣມທໍາອິດ, ແຕ່ນີ້ຈະພຽງພໍສໍາລັບທ່ານໃນຕອນທໍາອິດ).

ສ່ວນທີສອງ: ວິ​ທີ​ການ codec ວິ​ດີ​ໂອ​ເຮັດ​ວຽກ​

ແຫຼ່ງຂໍ້ມູນ: www.habr.com