ഒരു വീഡിയോ കോഡെക് എങ്ങനെയാണ് പ്രവർത്തിക്കുന്നത്? ഭാഗം 2. എന്ത്, എന്തുകൊണ്ട്, എങ്ങനെ

ആദ്യ ഭാഗം: വീഡിയോയും ചിത്രങ്ങളും ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്നതിനുള്ള അടിസ്ഥാനകാര്യങ്ങൾ

എന്ത്? ഡിജിറ്റൽ വീഡിയോ കംപ്രസ്സുചെയ്യുന്ന കൂടാതെ/അല്ലെങ്കിൽ ഡീകംപ്രസ്സ് ചെയ്യുന്ന സോഫ്റ്റ്‌വെയർ/ഹാർഡ്‌വെയറുകളുടെ ഒരു ഭാഗമാണ് വീഡിയോ കോഡെക്.

എന്തിനുവേണ്ടി? ബാൻഡ്‌വിഡ്‌ത്തിന്റെ കാര്യത്തിൽ ചില പരിമിതികൾ ഉണ്ടായിരുന്നിട്ടും
ഡാറ്റ സംഭരണ ​​സ്ഥലത്തിന്റെ കാര്യത്തിൽ, വിപണി കൂടുതൽ ഉയർന്ന നിലവാരമുള്ള വീഡിയോ ആവശ്യപ്പെടുന്നു. കഴിഞ്ഞ പോസ്റ്റിൽ 30x24 റെസല്യൂഷനുള്ള സെക്കൻഡിൽ 480 ഫ്രെയിമുകൾ, ഒരു പിക്സലിന് 240 ബിറ്റുകൾ എന്നിങ്ങനെ ആവശ്യമായ ഏറ്റവും കുറഞ്ഞ തുക ഞങ്ങൾ കണക്കാക്കിയത് എങ്ങനെയെന്ന് നിങ്ങൾ ഓർക്കുന്നുണ്ടോ? കംപ്രഷൻ ഇല്ലാതെ ഞങ്ങൾക്ക് 82,944 Mbit/s ലഭിച്ചു. ടെലിവിഷൻ സ്‌ക്രീനുകളിലേക്കും ഇൻറർനെറ്റിലേക്കും എച്ച്‌ഡി/ഫുൾഎച്ച്‌ഡി/4കെ പ്രക്ഷേപണം ചെയ്യുന്നതിനുള്ള ഏക മാർഗം നിലവിൽ കംപ്രഷൻ മാത്രമാണ്. ഇത് എങ്ങനെയാണ് നേടിയെടുക്കുന്നത്? ഇപ്പോൾ നമുക്ക് പ്രധാന രീതികൾ ഹ്രസ്വമായി നോക്കാം.

EDISON സോഫ്റ്റ്‌വെയറിന്റെ പിന്തുണയോടെയാണ് വിവർത്തനം നടത്തിയത്.

ഞങ്ങൾ വിവാഹനിശ്ചയം കഴിഞ്ഞു വീഡിയോ നിരീക്ഷണ സംവിധാനങ്ങളുടെ സംയോജനം, അതുപോലെ തന്നെ ഞങ്ങൾ ഒരു മൈക്രോടോമോഗ്രാഫ് വികസിപ്പിക്കുകയാണ്.

കോഡെക് vs കണ്ടെയ്നർ

ഡിജിറ്റൽ വീഡിയോ കോഡെക്കും ഡിജിറ്റൽ വീഡിയോ കണ്ടെയ്‌നറും ആശയക്കുഴപ്പത്തിലാക്കുന്നതാണ് പുതുമുഖങ്ങൾ ചെയ്യുന്ന ഒരു സാധാരണ തെറ്റ്. ഒരു കണ്ടെയ്നർ ഒരു പ്രത്യേക ഫോർമാറ്റാണ്. വീഡിയോ (ഒരുപക്ഷേ ഓഡിയോ) മെറ്റാഡാറ്റ അടങ്ങുന്ന ഒരു റാപ്പർ. കംപ്രസ് ചെയ്‌ത വീഡിയോ ഒരു കണ്ടെയ്‌നർ പേലോഡായി കണക്കാക്കാം.

സാധാരണയായി, ഒരു വീഡിയോ ഫയലിന്റെ വിപുലീകരണം അതിന്റെ തരം കണ്ടെയ്നർ സൂചിപ്പിക്കുന്നു. ഉദാഹരണത്തിന്, ഫയൽ video.mp4 ഒരുപക്ഷേ ഒരു കണ്ടെയ്നർ ആണ് MPEG-4 ഭാഗം 14, കൂടാതെ video.mkv എന്ന് പേരുള്ള ഒരു ഫയൽ ആണ് മിക്കവാറും മാതൃയോഷ്ക. കോഡെക്, കണ്ടെയ്നർ ഫോർമാറ്റ് പൂർണ്ണമായും ഉറപ്പിക്കാൻ, നിങ്ങൾക്ക് ഉപയോഗിക്കാം FFmpeg അഥവാ മീഡിയ ഇൻഫോ.

ഒരു ചെറിയ ചരിത്രം

ഞങ്ങൾ എത്തുന്നതിന് മുമ്പ് എങ്ങനെ?, ചില പഴയ കോഡെക്കുകൾ കുറച്ചുകൂടി നന്നായി മനസ്സിലാക്കാൻ നമുക്ക് ചരിത്രത്തിലേക്ക് അൽപ്പം മുങ്ങാം.

വീഡിയോ കോഡെക് H.261 1990-ൽ (സാങ്കേതികമായി - 1988-ൽ) പ്രത്യക്ഷപ്പെട്ടു, കൂടാതെ 64 Kbps-ന്റെ ഡാറ്റാ ട്രാൻസ്ഫർ നിരക്കിൽ പ്രവർത്തിക്കാൻ ഇത് സൃഷ്ടിച്ചു. വർണ്ണ ഉപസാംപ്ലിംഗ്, മാക്രോബ്ലോക്കുകൾ മുതലായ ആശയങ്ങൾ ഇത് ഇതിനകം ഉപയോഗിച്ചു. വീഡിയോ കോഡെക് സ്റ്റാൻഡേർഡ് 1995 ൽ പ്രസിദ്ധീകരിച്ചു H.263, ഇത് 2001 വരെ വികസിച്ചു.

ആദ്യ പതിപ്പ് 2003 ൽ പൂർത്തിയായി H.264/AVC. അതേ വർഷം തന്നെ ട്രൂമോഷൻ അതിന്റെ സൗജന്യ ലോസി വീഡിയോ കോഡെക് എന്ന പേരിൽ പുറത്തിറക്കി VP3. 2008-ൽ ഗൂഗിൾ കമ്പനിയെ വാങ്ങി, പുറത്തിറക്കി VP8 അതേ വർഷം. 2012 ഡിസംബറിൽ ഗൂഗിൾ പുറത്തിറക്കി VP9, ബ്രൗസർ മാർക്കറ്റിന്റെ ഏകദേശം ¾ (മൊബൈൽ ഉപകരണങ്ങൾ ഉൾപ്പെടെ) ഇത് പിന്തുണയ്ക്കുന്നു.

AV1 വികസിപ്പിച്ചെടുത്ത ഒരു പുതിയ സ്വതന്ത്ര ഓപ്പൺ സോഴ്സ് വീഡിയോ കോഡെക് ആണ് ഓപ്പൺ മീഡിയയ്ക്കുള്ള സഖ്യം (AOMedia), അതിൽ ഏറ്റവും പ്രശസ്തമായ കമ്പനികൾ ഉൾപ്പെടുന്നു, ഉദാഹരണത്തിന്: Google, Mozilla, Microsoft, Amazon, Netflix, AMD, ARM, NVidia, Intel, Cisco. കോഡെക്കിന്റെ ആദ്യ പതിപ്പ്, 0.1.0, 7 ഏപ്രിൽ 2016-ന് പ്രസിദ്ധീകരിച്ചു.

AV1 ന്റെ ജനനം

2015-ന്റെ തുടക്കത്തിൽ, ഗൂഗിൾ പ്രവർത്തിക്കുകയായിരുന്നു VP10Xiph (മോസില്ലയുടെ ഉടമസ്ഥതയിലുള്ളത്) പ്രവർത്തിക്കുകയായിരുന്നു ദാല, കൂടാതെ സിസ്‌കോ സ്വന്തമായി സൗജന്യ വീഡിയോ കോഡെക് എന്ന പേരിൽ നിർമ്മിച്ചു തോർ.

അപ്പോള് MPEG LA എന്നതിനായുള്ള വാർഷിക പരിധികൾ ആദ്യം പ്രഖ്യാപിച്ചു HEVC (H.265) കൂടാതെ H.8-നേക്കാൾ 264 മടങ്ങ് ഉയർന്ന ഫീസ്, എന്നാൽ അവർ ഉടൻ തന്നെ നിയമങ്ങൾ വീണ്ടും മാറ്റി:

വാർഷിക പരിധി ഇല്ല,
ഉള്ളടക്ക ഫീസ് (വരുമാനത്തിന്റെ 0,5%) കൂടാതെ
യൂണിറ്റ് ഫീസ് H.10 നേക്കാൾ 264 മടങ്ങ് കൂടുതലാണ്.

ഓപ്പൺ മീഡിയയ്ക്കുള്ള സഖ്യം വിവിധ മേഖലകളിൽ നിന്നുള്ള കമ്പനികൾ സൃഷ്ടിച്ചത്: ഉപകരണ നിർമ്മാതാക്കൾ (ഇന്റൽ, എഎംഡി, എആർഎം, എൻവിഡിയ, സിസ്‌കോ), ഉള്ളടക്ക ദാതാക്കൾ (ഗൂഗിൾ, നെറ്റ്ഫ്ലിക്സ്, ആമസോൺ), ബ്രൗസർ സ്രഷ്‌ടാക്കൾ (ഗൂഗിൾ, മോസില്ല) മറ്റുള്ളവരും.

കമ്പനികൾക്ക് ഒരു പൊതു ലക്ഷ്യമുണ്ടായിരുന്നു - റോയൽറ്റി രഹിത വീഡിയോ കോഡെക്. അപ്പോൾ പ്രത്യക്ഷപ്പെടുന്നു AV1 വളരെ ലളിതമായ പേറ്റന്റ് ലൈസൻസ് ഉപയോഗിച്ച്. തിമോത്തി ബി. ടെറിബെറി അതിശയകരമായ ഒരു അവതരണം നൽകി, അത് നിലവിലെ AV1 ആശയത്തിന്റെയും അതിന്റെ ലൈസൻസിംഗ് മോഡലിന്റെയും ഉത്ഭവമായി മാറി.

ഒരു ബ്രൗസറിലൂടെ നിങ്ങൾക്ക് AV1 കോഡെക് വിശകലനം ചെയ്യാൻ കഴിയുമെന്നറിയുമ്പോൾ നിങ്ങൾ ആശ്ചര്യപ്പെടും (താൽപ്പര്യമുള്ളവർക്ക് പോകാം aomanalyzer.org).

യൂണിവേഴ്സൽ കോഡെക്

സാർവത്രിക വീഡിയോ കോഡെക്കിന്റെ അടിസ്ഥാനത്തിലുള്ള പ്രധാന സംവിധാനങ്ങൾ നോക്കാം. ഈ ആശയങ്ങളിൽ ഭൂരിഭാഗവും ഉപയോഗപ്രദമാണ് കൂടാതെ ആധുനിക കോഡെക്കുകളിൽ ഉപയോഗിക്കുന്നു VP9, AV1 и HEVC. വിശദീകരിക്കപ്പെട്ട പല കാര്യങ്ങളും ലളിതമാക്കുമെന്ന് ഞാൻ മുന്നറിയിപ്പ് നൽകുന്നു. ചിലപ്പോൾ യഥാർത്ഥ ലോക ഉദാഹരണങ്ങൾ (H.264 പോലെ) സാങ്കേതികവിദ്യകൾ പ്രദർശിപ്പിക്കാൻ ഉപയോഗിക്കും.

ആദ്യ ഘട്ടം - ചിത്രം വിഭജിക്കുന്നു

ഫ്രെയിമിനെ പല വിഭാഗങ്ങളായും ഉപവിഭാഗങ്ങളായും അതിനപ്പുറമായും വിഭജിക്കുക എന്നതാണ് ആദ്യപടി.

എന്തിനുവേണ്ടി? പല കാരണങ്ങളുണ്ട്. നമ്മൾ ഒരു ഇമേജ് വിഭജിക്കുമ്പോൾ, ചെറിയ ചലിക്കുന്ന ഭാഗങ്ങൾക്കായി ചെറിയ ഭാഗങ്ങൾ ഉപയോഗിച്ച് നമുക്ക് ചലന വെക്റ്റർ കൂടുതൽ കൃത്യമായി പ്രവചിക്കാൻ കഴിയും. ഒരു സ്റ്റാറ്റിക് പശ്ചാത്തലത്തിനായി നിങ്ങൾക്ക് സ്വയം വലിയ വിഭാഗങ്ങളിലേക്ക് പരിമിതപ്പെടുത്താം.

കോഡെക്കുകൾ സാധാരണയായി ഈ വിഭാഗങ്ങളെ വിഭാഗങ്ങളായി (അല്ലെങ്കിൽ ചങ്കുകൾ), മാക്രോബ്ലോക്കുകൾ (അല്ലെങ്കിൽ കോഡിംഗ് ട്രീ ബ്ലോക്കുകൾ), ഒന്നിലധികം ഉപവിഭാഗങ്ങൾ എന്നിങ്ങനെ ക്രമീകരിക്കുന്നു. ഈ പാർട്ടീഷനുകളുടെ പരമാവധി വലുപ്പം വ്യത്യാസപ്പെടുന്നു, HEVC അതിനെ 64x64 ആയി സജ്ജീകരിക്കുന്നു, AVC 16x16 ഉപയോഗിക്കുന്നു, കൂടാതെ ഉപപാർട്ടീഷനുകൾ 4x4 വലുപ്പങ്ങൾ വരെ വിഭജിക്കാം.

കഴിഞ്ഞ ലേഖനത്തിൽ നിന്നുള്ള ഫ്രെയിമുകളുടെ തരങ്ങൾ നിങ്ങൾ ഓർക്കുന്നുണ്ടോ?! ബ്ലോക്കുകളിലും ഇത് പ്രയോഗിക്കാൻ കഴിയും, അതിനാൽ നമുക്ക് ഒരു ഐ-ഫ്രാഗ്മെന്റ്, ഒരു ബി-ബ്ലോക്ക്, ഒരു പി-മാക്രോബ്ലോക്ക് മുതലായവ ഉണ്ടാകാം.

പ്രാക്ടീസ് ചെയ്യാൻ ആഗ്രഹിക്കുന്നവർക്കായി, ചിത്രം എങ്ങനെ വിഭാഗങ്ങളായും ഉപവിഭാഗങ്ങളായും തിരിച്ചിരിക്കുന്നുവെന്ന് കാണുക. ഇത് ചെയ്യുന്നതിന്, മുമ്പത്തെ ലേഖനത്തിൽ ഇതിനകം പരാമർശിച്ചിരിക്കുന്ന ഒന്ന് നിങ്ങൾക്ക് ഉപയോഗിക്കാം. ഇന്റൽ വീഡിയോ പ്രോ അനലൈസർ (പണം നൽകിയത്, എന്നാൽ ആദ്യ 10 ഫ്രെയിമുകളിൽ മാത്രമായി പരിമിതപ്പെടുത്തിയിരിക്കുന്ന സൗജന്യ ട്രയൽ പതിപ്പ്). വിഭാഗങ്ങൾ ഇവിടെ വിശകലനം ചെയ്യുന്നു VP9:

രണ്ടാം ഘട്ടം - പ്രവചനം

നമുക്ക് വിഭാഗങ്ങൾ ലഭിച്ചുകഴിഞ്ഞാൽ, അവർക്ക് ജ്യോതിഷപരമായ പ്രവചനങ്ങൾ നടത്താം. വേണ്ടി ഇന്റർ പ്രവചനങ്ങൾ കൈമാറ്റം ചെയ്യണം ചലന വെക്റ്ററുകൾ ബാക്കിയുള്ളത്, ഇൻട്രാ പ്രവചനത്തിനായി അത് കൈമാറുന്നു പ്രവചന ദിശ ബാക്കിയുള്ളവയും.

മൂന്നാം ഘട്ടം - പരിവർത്തനം

നമുക്ക് ഒരു ശേഷിക്കുന്ന ബ്ലോക്ക് (പ്രവചിച്ച വിഭാഗം → യഥാർത്ഥ വിഭാഗം) ലഭിച്ചുകഴിഞ്ഞാൽ, മൊത്തത്തിലുള്ള ഗുണനിലവാരം നിലനിർത്തിക്കൊണ്ട് ഏതൊക്കെ പിക്സലുകൾ നിരസിക്കാൻ കഴിയുമെന്ന് ഞങ്ങൾക്ക് അറിയാവുന്ന തരത്തിൽ അത് രൂപാന്തരപ്പെടുത്താൻ കഴിയും. കൃത്യമായ പെരുമാറ്റം നൽകുന്ന ചില പരിവർത്തനങ്ങളുണ്ട്.

മറ്റ് രീതികൾ ഉണ്ടെങ്കിലും, അവ കൂടുതൽ വിശദമായി നോക്കാം. വ്യതിരിക്തമായ കോസൈൻ രൂപാന്തരം (ഡിസിടി - മുതൽ വ്യതിരിക്തമായ കോസൈൻ രൂപാന്തരം). ഡിസിടിയുടെ പ്രധാന പ്രവർത്തനങ്ങൾ:

• പിക്സലുകളുടെ ബ്ലോക്കുകളെ ഫ്രീക്വൻസി കോഫിഫിഷ്യന്റുകളുടെ തുല്യ വലിപ്പത്തിലുള്ള ബ്ലോക്കുകളാക്കി മാറ്റുന്നു.
• സ്പേഷ്യൽ റിഡൻഡൻസി ഇല്ലാതാക്കാൻ സഹായിക്കുന്ന ശക്തിയെ ഘനീഭവിപ്പിക്കുന്നു.
• റിവേഴ്സിബിലിറ്റി നൽകുന്നു.

ഫെബ്രുവരി 2, 2017 സിന്ട്ര ആർ.ജെ. (സിൻട്ര, ആർജെ) കൂടാതെ ബയേർ എഫ്.എം. (Bayer FM) 14 കൂട്ടിച്ചേർക്കലുകൾ മാത്രം ആവശ്യമുള്ള ഇമേജ് കംപ്രഷനുവേണ്ടിയുള്ള DCT-പോലുള്ള പരിവർത്തനത്തെക്കുറിച്ച് ഒരു ലേഖനം പ്രസിദ്ധീകരിച്ചു.

ഓരോ പോയിന്റിന്റെയും പ്രയോജനങ്ങൾ നിങ്ങൾക്ക് മനസ്സിലായില്ലെങ്കിൽ വിഷമിക്കേണ്ട. അവയുടെ യഥാർത്ഥ മൂല്യം കാണുന്നതിന് ഇപ്പോൾ നമുക്ക് നിർദ്ദിഷ്ട ഉദാഹരണങ്ങൾ ഉപയോഗിക്കാം.

നമുക്ക് ഈ 8x8 പിക്സൽ ബ്ലോക്ക് എടുക്കാം:

ഈ ബ്ലോക്ക് ഇനിപ്പറയുന്ന 8 ബൈ 8 പിക്സൽ ഇമേജിലേക്ക് റെൻഡർ ചെയ്തിരിക്കുന്നു:

ഈ പിക്സലുകളുടെ ബ്ലോക്കിലേക്ക് DCT പ്രയോഗിക്കുക, 8x8 ബ്ലോക്ക് കോഫിഫിഷ്യന്റ് നേടുക:

ഞങ്ങൾ ഈ ഗുണകങ്ങളുടെ ബ്ലോക്ക് റെൻഡർ ചെയ്താൽ, നമുക്ക് ഇനിപ്പറയുന്ന ചിത്രം ലഭിക്കും:

നിങ്ങൾക്ക് കാണാനാകുന്നതുപോലെ, ഇത് യഥാർത്ഥ ചിത്രം പോലെയല്ല. ആദ്യ ഗുണകം മറ്റെല്ലാതിൽ നിന്നും വളരെ വ്യത്യസ്തമാണെന്ന് നിങ്ങൾക്ക് കാണാൻ കഴിയും. ഈ ആദ്യ ഗുണകം ഡിസി കോഫിഫിഷ്യന്റ് എന്നറിയപ്പെടുന്നു, ഇത് ഇൻപുട്ട് അറേയിലെ എല്ലാ സാമ്പിളുകളേയും പ്രതിനിധീകരിക്കുന്നു, ഒരു ശരാശരി പോലെ.

ഗുണകങ്ങളുടെ ഈ ബ്ലോക്കിന് രസകരമായ ഒരു പ്രോപ്പർട്ടി ഉണ്ട്: ഇത് ഉയർന്ന ഫ്രീക്വൻസി ഘടകങ്ങളെ താഴ്ന്ന ആവൃത്തിയിൽ നിന്ന് വേർതിരിക്കുന്നു.

ഒരു ഇമേജിൽ, ശക്തിയുടെ ഭൂരിഭാഗവും താഴ്ന്ന ആവൃത്തികളിൽ കേന്ദ്രീകരിച്ചിരിക്കുന്നു, അതിനാൽ നിങ്ങൾ ഇമേജിനെ അതിന്റെ ഫ്രീക്വൻസി ഘടകങ്ങളാക്കി മാറ്റുകയും ഉയർന്ന ഫ്രീക്വൻസി കോഫിഫിഷ്യന്റുകൾ ഉപേക്ഷിക്കുകയും ചെയ്താൽ, വളരെയധികം ചിത്ര ഗുണമേന്മ നഷ്ടപ്പെടുത്താതെ തന്നെ ചിത്രത്തെ വിവരിക്കാൻ ആവശ്യമായ ഡാറ്റയുടെ അളവ് കുറയ്ക്കാനാകും.

സിഗ്നൽ എത്ര വേഗത്തിൽ മാറുന്നു എന്നതിനെയാണ് ഫ്രീക്വൻസി സൂചിപ്പിക്കുന്നത്.

ഡിസിടി ഉപയോഗിച്ച് ഒറിജിനൽ ഇമേജിനെ അതിന്റെ ഫ്രീക്വൻസിയിലേക്ക് (കോഫിഫിഷ്യന്റുകളുടെ ബ്ലോക്ക്) പരിവർത്തനം ചെയ്‌ത് ടെസ്റ്റ് കേസിൽ നേടിയ അറിവ് പ്രയോഗിക്കാൻ ശ്രമിക്കാം, തുടർന്ന് ഏറ്റവും പ്രധാനപ്പെട്ട ഗുണകങ്ങളുടെ ഒരു ഭാഗം നിരസിക്കുക.

ആദ്യം നമ്മൾ അതിനെ ഫ്രീക്വൻസി ഡൊമെയ്‌നിലേക്ക് പരിവർത്തനം ചെയ്യുന്നു.

അടുത്തതായി, ഞങ്ങൾ ഗുണകങ്ങളുടെ ഭാഗം (67%) നിരസിക്കുന്നു, പ്രധാനമായും താഴെ വലത് ഭാഗം.

അവസാനമായി, ഈ കളഞ്ഞുകിട്ടിയ ഗുണകങ്ങളുടെ ബ്ലോക്കിൽ നിന്ന് ഞങ്ങൾ ചിത്രം പുനർനിർമ്മിക്കുകയും (ഓർക്കുക, അത് വിപരീതമായിരിക്കണം) ഒറിജിനലുമായി താരതമ്യം ചെയ്യുകയും ചെയ്യുന്നു.

ഇത് യഥാർത്ഥ ചിത്രവുമായി സാമ്യമുള്ളതായി ഞങ്ങൾ കാണുന്നു, എന്നാൽ ഒറിജിനലിൽ നിന്ന് നിരവധി വ്യത്യാസങ്ങളുണ്ട്. ഞങ്ങൾക്ക് 67,1875% എറിഞ്ഞെങ്കിലും ഒറിജിനലിനോട് സാമ്യമുള്ള എന്തെങ്കിലും ലഭിച്ചു. ഇതിലും മികച്ച നിലവാരമുള്ള ഒരു ഇമേജ് ലഭിക്കുന്നതിന് ഗുണകങ്ങളെ കൂടുതൽ ചിന്താപൂർവ്വം നിരസിക്കാൻ സാധിച്ചു, എന്നാൽ അത് അടുത്ത വിഷയമാണ്.

എല്ലാ പിക്സലുകളും ഉപയോഗിച്ചാണ് ഓരോ ഗുണകവും സൃഷ്ടിക്കുന്നത്

പ്രധാനപ്പെട്ടത്: ഓരോ ഗുണകവും നേരിട്ട് ഒരു പിക്സലിലേക്ക് മാപ്പ് ചെയ്തിട്ടില്ല, എന്നാൽ എല്ലാ പിക്സലുകളുടെയും വെയിറ്റഡ് തുകയാണിത്. ഈ അത്ഭുതകരമായ ഗ്രാഫ്, ഓരോ സൂചികയ്ക്കും അദ്വിതീയമായ ഭാരം ഉപയോഗിച്ച് ഒന്നാമത്തെയും രണ്ടാമത്തെയും ഗുണകങ്ങൾ എങ്ങനെ കണക്കാക്കുന്നുവെന്ന് കാണിക്കുന്നു.

ഡിസിടിയെ അടിസ്ഥാനമാക്കിയുള്ള ലളിതമായ ഒരു ഇമേജ് രൂപീകരണം നോക്കി അതിനെ ദൃശ്യവൽക്കരിക്കാനും നിങ്ങൾക്ക് ശ്രമിക്കാവുന്നതാണ്. ഉദാഹരണത്തിന്, ഓരോ ഗുണക ഭാരവും ഉപയോഗിച്ച് സൃഷ്ടിച്ച ചിഹ്നം A ഇതാ:

നാലാമത്തെ ഘട്ടം - അളവ്

മുമ്പത്തെ ഘട്ടത്തിൽ ഞങ്ങൾ ചില ഗുണകങ്ങൾ പുറത്തെടുത്ത ശേഷം, അവസാന ഘട്ടത്തിൽ (പരിവർത്തനം) ഞങ്ങൾ ഒരു പ്രത്യേക തരം ക്വാണ്ടൈസേഷൻ നടത്തുന്നു. ഈ ഘട്ടത്തിൽ വിവരങ്ങൾ നഷ്ടപ്പെടുന്നത് സ്വീകാര്യമാണ്. അല്ലെങ്കിൽ, കൂടുതൽ ലളിതമായി പറഞ്ഞാൽ, കംപ്രഷൻ നേടുന്നതിന് ഞങ്ങൾ ഗുണകങ്ങളെ അളക്കും.

ഗുണകങ്ങളുടെ ഒരു ബ്ലോക്ക് നിങ്ങൾക്ക് എങ്ങനെ കണക്കാക്കാം? ഏറ്റവും ലളിതമായ രീതികളിൽ ഒന്നാണ് ഏകീകൃത അളവ്, നമ്മൾ ഒരു ബ്ലോക്ക് എടുക്കുമ്പോൾ, അതിനെ ഒരു മൂല്യം കൊണ്ട് ഹരിക്കുക (10 കൊണ്ട്) ഫലം റൗണ്ട് ചെയ്യുക.

ഗുണകങ്ങളുടെ ഈ ബ്ലോക്ക് നമുക്ക് മാറ്റാനാകുമോ? അതെ, നമ്മൾ ഹരിച്ച അതേ മൂല്യം കൊണ്ട് ഗുണിച്ചാൽ നമുക്ക് കഴിയും.

ഈ സമീപനം മികച്ചതല്ല, കാരണം ഇത് ഓരോ ഗുണകത്തിന്റെയും പ്രാധാന്യം കണക്കിലെടുക്കുന്നില്ല. ഒരൊറ്റ മൂല്യത്തിനുപകരം ഒരാൾക്ക് ക്വാണ്ടൈസറുകളുടെ ഒരു മാട്രിക്സ് ഉപയോഗിക്കാം, കൂടാതെ ഈ മാട്രിക്സിന് താഴത്തെ വലതുഭാഗത്തിന്റെ ഭൂരിഭാഗവും മുകളിൽ ഇടതുവശത്തെ ന്യൂനപക്ഷവും കണക്കാക്കി DCT പ്രോപ്പർട്ടി ചൂഷണം ചെയ്യാം.

ഘട്ടം 5 - എൻട്രോപ്പി കോഡിംഗ്

ഒരിക്കൽ ഞങ്ങൾ ഡാറ്റ (ഇമേജ് ബ്ലോക്കുകൾ, ശകലങ്ങൾ, ഫ്രെയിമുകൾ) ക്വാണ്ടൈസ് ചെയ്തുകഴിഞ്ഞാൽ, നമുക്ക് അത് നഷ്ടമില്ലാതെ കംപ്രസ് ചെയ്യാൻ കഴിയും. ഡാറ്റ കംപ്രസ്സുചെയ്യാൻ നിരവധി അൽഗോരിതം മാർഗങ്ങളുണ്ട്. അവയിൽ ചിലത് ഞങ്ങൾ ദ്രുതഗതിയിൽ പരിശോധിക്കാൻ പോകുന്നു, ആഴത്തിലുള്ള ധാരണയ്ക്കായി നിങ്ങൾക്ക് കംപ്രഷൻ മനസ്സിലാക്കൽ: ആധുനിക ഡെവലപ്പർമാർക്കുള്ള ഡാറ്റ കംപ്രഷൻ ("കംപ്രഷൻ മനസ്സിലാക്കുന്നു: ആധുനിക ഡെവലപ്പർമാർക്കുള്ള ഡാറ്റ കംപ്രഷൻ").

VLC ഉപയോഗിച്ച് വീഡിയോ എൻകോഡിംഗ്

നമുക്ക് പ്രതീകങ്ങളുടെ ഒരു സ്ട്രീം ഉണ്ടെന്ന് പറയാം: a, e, r и t. ഒരു സ്ട്രീമിൽ ഓരോ പ്രതീകവും എത്ര തവണ പ്രത്യക്ഷപ്പെടുന്നു എന്നതിന്റെ പ്രോബബിലിറ്റി (0 മുതൽ 1 വരെ) ഈ പട്ടികയിൽ അവതരിപ്പിച്ചിരിക്കുന്നു.

	a	e	r	t
സാധ്യത	0,3	0,3	0,2	0,2

ഏറ്റവും സാധ്യതയുള്ളവയ്ക്ക് അദ്വിതീയ ബൈനറി കോഡുകൾ (വെയിലത്ത് ചെറിയവ) നൽകാം, സാധ്യത കുറവുള്ളവയ്ക്ക് വലിയ കോഡുകൾ നൽകാം.

	a	e	r	t
സാധ്യത	0,3	0,3	0,2	0,2
ബൈനറി കോഡ്	0	10	110	1110

ഓരോ കഥാപാത്രത്തിനും 8 ബിറ്റുകൾ ചെലവഴിക്കുമെന്ന് കരുതി ഞങ്ങൾ സ്ട്രീം കംപ്രസ് ചെയ്യുന്നു. കംപ്രഷൻ ഇല്ലെങ്കിൽ, ഓരോ പ്രതീകത്തിനും 24 ബിറ്റുകൾ വേണ്ടിവരും. ഓരോ പ്രതീകവും അതിന്റെ കോഡ് ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കുകയാണെങ്കിൽ, നിങ്ങൾക്ക് ലാഭം ലഭിക്കും!

പ്രതീകം എൻകോഡ് ചെയ്യുക എന്നതാണ് ആദ്യപടി e, ഇത് 10 ന് തുല്യമാണ്, രണ്ടാമത്തെ പ്രതീകം a, ചേർത്തത് (ഗണിതശാസ്ത്രപരമായ രീതിയിലല്ല): [10][0], ഒടുവിൽ മൂന്നാമത്തെ പ്രതീകം t, ഇത് ഞങ്ങളുടെ അന്തിമ കംപ്രസ് ചെയ്ത ബിറ്റ്സ്ട്രീമിനെ [10][0][1110] അല്ലെങ്കിൽ 1001110, ഇതിന് 7 ബിറ്റുകൾ മാത്രമേ ആവശ്യമുള്ളൂ (ഒറിജിനലിനേക്കാൾ 3,4 മടങ്ങ് സ്ഥലം കുറവ്).

ഓരോ കോഡും ഒരു പ്രിഫിക്‌സുള്ള ഒരു അദ്വിതീയ കോഡായിരിക്കണം എന്നത് ശ്രദ്ധിക്കുക. ഹഫ്മാൻ അൽഗോരിതം ഈ നമ്പറുകൾ കണ്ടെത്താൻ നിങ്ങളെ സഹായിക്കും. ഈ രീതി അതിന്റെ പോരായ്മകളില്ലെങ്കിലും, കംപ്രഷനായി ഈ അൽഗോരിതം രീതി ഇപ്പോഴും വാഗ്ദാനം ചെയ്യുന്ന വീഡിയോ കോഡെക്കുകൾ ഉണ്ട്.

എൻകോഡറിനും ഡീകോഡറിനും അവരുടെ ബൈനറി കോഡുകളുള്ള ഒരു ചിഹ്ന പട്ടികയിലേക്ക് ആക്‌സസ് ഉണ്ടായിരിക്കണം. അതിനാൽ, ഇൻപുട്ടായി ഒരു പട്ടിക അയയ്ക്കേണ്ടതും ആവശ്യമാണ്.

അരിത്മെറ്റിക് കോഡിംഗ്

നമുക്ക് പ്രതീകങ്ങളുടെ ഒരു സ്ട്രീം ഉണ്ടെന്ന് പറയാം: a, e, r, s и t, അവയുടെ സംഭാവ്യത ഈ പട്ടികയിൽ അവതരിപ്പിച്ചിരിക്കുന്നു.

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

ഈ പട്ടിക ഉപയോഗിച്ച്, സാധ്യമായ എല്ലാ പ്രതീകങ്ങളും ഉൾക്കൊള്ളുന്ന ശ്രേണികൾ ഞങ്ങൾ നിർമ്മിക്കും, ഏറ്റവും വലിയ സംഖ്യ പ്രകാരം അടുക്കും.

ഇനി നമുക്ക് മൂന്ന് പ്രതീകങ്ങളുടെ ഒരു സ്ട്രീം എൻകോഡ് ചെയ്യാം: ഭക്ഷിക്കുക.

ആദ്യം ആദ്യത്തെ പ്രതീകം തിരഞ്ഞെടുക്കുക e, ഇത് 0,3 മുതൽ 0,6 വരെയുള്ള ഉപവിഭാഗത്തിലാണ് (ഉൾപ്പെടാത്തത്). ഞങ്ങൾ ഈ ഉപവിഭാഗം എടുത്ത് മുമ്പത്തെ അതേ അനുപാതത്തിൽ വീണ്ടും വിഭജിക്കുന്നു, എന്നാൽ ഈ പുതിയ ശ്രേണിക്ക്.

നമുക്ക് നമ്മുടെ സ്ട്രീം കോഡിംഗ് തുടരാം ഭക്ഷിക്കുക. ഇനി രണ്ടാമത്തെ കഥാപാത്രം എടുക്കുക a, അത് 0,3 മുതൽ 0,39 വരെയുള്ള പുതിയ ഉപവിഭാഗത്തിലാണ്, തുടർന്ന് ഞങ്ങളുടെ അവസാന പ്രതീകം എടുക്കുക t അതേ പ്രക്രിയ വീണ്ടും ആവർത്തിക്കുമ്പോൾ, നമുക്ക് 0,354 മുതൽ 0,372 വരെയുള്ള അന്തിമ ഉപ ശ്രേണി ലഭിക്കും.

0,354 മുതൽ 0,372 വരെയുള്ള അവസാന സബ്‌റേഞ്ചിൽ നമുക്ക് ഒരു നമ്പർ തിരഞ്ഞെടുക്കേണ്ടതുണ്ട്. നമുക്ക് 0,36 തിരഞ്ഞെടുക്കാം (എന്നാൽ ഈ ഉപവിഭാഗത്തിൽ നിങ്ങൾക്ക് മറ്റേതെങ്കിലും നമ്പർ തിരഞ്ഞെടുക്കാം). ഈ നമ്പർ ഉപയോഗിച്ച് മാത്രമേ ഞങ്ങളുടെ യഥാർത്ഥ സ്ട്രീം പുനഃസ്ഥാപിക്കാൻ കഴിയൂ. ഞങ്ങളുടെ സ്ട്രീം എൻകോഡ് ചെയ്യാൻ ഞങ്ങൾ ശ്രേണികൾക്കുള്ളിൽ ഒരു വര വരയ്ക്കുന്നത് പോലെയാണ് ഇത്.

വിപരീത പ്രവർത്തനം (അതായത്, ഡീകോഡിംഗ്) വളരെ ലളിതമാണ്: ഞങ്ങളുടെ സംഖ്യ 0,36 ഉം ഞങ്ങളുടെ പ്രാരംഭ ശ്രേണിയും ഉപയോഗിച്ച്, നമുക്ക് അതേ പ്രക്രിയ പ്രവർത്തിപ്പിക്കാൻ കഴിയും. എന്നാൽ ഇപ്പോൾ, ഈ നമ്പർ ഉപയോഗിച്ച്, ഈ നമ്പർ ഉപയോഗിച്ച് എൻകോഡ് ചെയ്ത സ്ട്രീം ഞങ്ങൾ തിരിച്ചറിയുന്നു.

ആദ്യ ശ്രേണിയിൽ, ഞങ്ങളുടെ നമ്പർ സ്ലൈസുമായി പൊരുത്തപ്പെടുന്നതായി ഞങ്ങൾ ശ്രദ്ധിക്കുന്നു, അതിനാൽ ഇത് ഞങ്ങളുടെ ആദ്യ പ്രതീകമാണ്. ഇപ്പോൾ മുമ്പത്തെ അതേ പ്രക്രിയ പിന്തുടർന്ന് ഞങ്ങൾ ഈ ഉപ ശ്രേണിയെ വീണ്ടും വിഭജിക്കുന്നു. 0,36 ചിഹ്നവുമായി പൊരുത്തപ്പെടുന്നതായി ഇവിടെ കാണാം a, പ്രക്രിയ ആവർത്തിച്ചതിന് ശേഷം ഞങ്ങൾ അവസാന പ്രതീകത്തിൽ എത്തി t (ഞങ്ങളുടെ യഥാർത്ഥ എൻകോഡ് ചെയ്ത സ്ട്രീം രൂപീകരിക്കുന്നു ഭക്ഷിക്കുക).

എൻകോഡറിനും ഡീകോഡറിനും ചിഹ്ന സാധ്യതകളുടെ ഒരു പട്ടിക ഉണ്ടായിരിക്കണം, അതിനാൽ അത് ഇൻപുട്ട് ഡാറ്റയിലും അയയ്ക്കേണ്ടത് ആവശ്യമാണ്.

വളരെ ഗംഭീരം, അല്ലേ? ഈ പ്രതിവിധി കൊണ്ട് വന്നവരെല്ലാം മിടുക്കനായിരുന്നു. ചില വീഡിയോ കോഡെക്കുകൾ ഈ സാങ്കേതികത ഉപയോഗിക്കുന്നു (അല്ലെങ്കിൽ കുറഞ്ഞത് ഒരു ഓപ്‌ഷനായി ഇത് വാഗ്ദാനം ചെയ്യുന്നു).

ഒരു ക്വാണ്ടൈസ്ഡ് ബിറ്റ് സ്ട്രീം നഷ്ടമില്ലാതെ കംപ്രസ് ചെയ്യുക എന്നതാണ് ആശയം. തീർച്ചയായും ഈ ലേഖനത്തിൽ ടൺ കണക്കിന് വിശദാംശങ്ങളും കാരണങ്ങളും ട്രേഡ് ഓഫുകളും നഷ്‌ടമായിരിക്കുന്നു. എന്നാൽ നിങ്ങൾ ഒരു ഡെവലപ്പർ ആണെങ്കിൽ, നിങ്ങൾ കൂടുതൽ അറിഞ്ഞിരിക്കണം. പുതിയ കോഡെക്കുകൾ വ്യത്യസ്ത എൻട്രോപ്പി എൻകോഡിംഗ് അൽഗോരിതങ്ങൾ ഉപയോഗിക്കാൻ ശ്രമിക്കുന്നു ANS.

ഘട്ടം 6 - ബിറ്റ്സ്ട്രീം ഫോർമാറ്റ്

ഇതെല്ലാം ചെയ്ത ശേഷം, നിർവഹിച്ച ഘട്ടങ്ങളുടെ പശ്ചാത്തലത്തിൽ കംപ്രസ് ചെയ്ത ഫ്രെയിമുകൾ അൺപാക്ക് ചെയ്യുക എന്നതാണ് അവശേഷിക്കുന്നത്. എൻകോഡർ എടുക്കുന്ന തീരുമാനങ്ങളെക്കുറിച്ച് ഡീകോഡറിനെ വ്യക്തമായി അറിയിച്ചിരിക്കണം. ഡീകോഡറിന് ആവശ്യമായ എല്ലാ വിവരങ്ങളും നൽകണം: ബിറ്റ് ഡെപ്ത്, കളർ സ്പേസ്, റെസല്യൂഷൻ, പ്രവചന വിവരങ്ങൾ (മോഷൻ വെക്റ്ററുകൾ, ദിശാസൂചന INTER പ്രവചനം), പ്രൊഫൈൽ, ലെവൽ, ഫ്രെയിം റേറ്റ്, ഫ്രെയിം തരം, ഫ്രെയിം നമ്പർ എന്നിവയും അതിലേറെയും.

ഞങ്ങൾ ബിറ്റ്സ്ട്രീമിലേക്ക് പെട്ടെന്ന് നോക്കാം H.264. ഏറ്റവും കുറഞ്ഞ H.264 ബിറ്റ്‌സ്ട്രീം സൃഷ്‌ടിക്കുക എന്നതാണ് ഞങ്ങളുടെ ആദ്യ പടി (FFmpeg ഡിഫോൾട്ടായി എല്ലാ എൻകോഡിംഗ് ഓപ്ഷനുകളും ചേർക്കുന്നു SEI NAL - അത് എന്താണെന്ന് ഞങ്ങൾ കുറച്ച് കൂടി കണ്ടെത്തും). ഞങ്ങളുടെ സ്വന്തം റിപ്പോസിറ്ററിയും FFmpeg ഉം ഉപയോഗിച്ച് നമുക്ക് ഇത് ചെയ്യാൻ കഴിയും.

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

ഈ കമാൻഡ് ഒരു റോ ബിറ്റ്സ്ട്രീം സൃഷ്ടിക്കും H.264 ഒരു ഫ്രെയിം, 64×64 റെസല്യൂഷൻ, കളർ സ്പേസ് YUV420. ഈ സാഹചര്യത്തിൽ, ഇനിപ്പറയുന്ന ചിത്രം ഒരു ഫ്രെയിമായി ഉപയോഗിക്കുന്നു.

H.264 ബിറ്റ്സ്ട്രീം

സാധാരണം AVC (H.264) മാക്രോഫ്രെയിമുകളിൽ (നെറ്റ്‌വർക്ക് അർത്ഥത്തിൽ) വിവരങ്ങൾ അയയ്‌ക്കുമെന്ന് നിർണ്ണയിക്കുന്നു nal (ഇതൊരു നെറ്റ്‌വർക്ക് അബ്‌സ്‌ട്രാക്ഷൻ ലെവലാണ്). NAL-ന്റെ പ്രധാന ലക്ഷ്യം "വെബ്-സൗഹൃദ" വീഡിയോ അവതരണം നൽകുക എന്നതാണ്. ഈ സ്റ്റാൻഡേർഡ് ടിവികളിൽ (സ്ട്രീം അധിഷ്ഠിതം), ഇന്റർനെറ്റ് (പാക്കറ്റ് അടിസ്ഥാനമാക്കി) പ്രവർത്തിക്കണം.

NAL മൂലകങ്ങളുടെ അതിരുകൾ നിർവചിക്കുന്നതിന് ഒരു സിൻക്രൊണൈസേഷൻ മാർക്കർ ഉണ്ട്. ഓരോ സമന്വയ ടോക്കണിലും ഒരു മൂല്യം അടങ്ങിയിരിക്കുന്നു 0x00 0x00 0x01, ആദ്യത്തേത് ഒഴികെ, അത് തുല്യമാണ് 0x00 0x00 0x00 0x01. ഞങ്ങൾ ലോഞ്ച് ചെയ്താൽ ഹെക്സ്ഡമ്പ് സൃഷ്ടിച്ച H.264 ബിറ്റ്സ്ട്രീമിനായി, ഫയലിന്റെ തുടക്കത്തിൽ ഞങ്ങൾ മൂന്ന് NAL പാറ്റേണുകളെങ്കിലും തിരിച്ചറിയുന്നു.

പ്രസ്‌താവിച്ചതുപോലെ, ഡീകോഡറിന് ഇമേജ് ഡാറ്റ മാത്രമല്ല, വീഡിയോയുടെ വിശദാംശങ്ങളും ഫ്രെയിം, നിറങ്ങൾ, ഉപയോഗിച്ച പാരാമീറ്ററുകൾ എന്നിവയും അതിലേറെയും അറിഞ്ഞിരിക്കണം. ഓരോ NAL-ന്റെയും ആദ്യ ബൈറ്റ് അതിന്റെ വിഭാഗവും തരവും നിർവചിക്കുന്നു.

NAL തരം ഐഡന്റിഫയർ	വിവരണം
0	അജ്ഞാത തരം
1	IDR ഇല്ലാതെ എൻകോഡ് ചെയ്ത ചിത്ര ശകലം
2	കോഡ് ചെയ്ത സ്ലൈസ് ഡാറ്റ വിഭാഗം A
3	കോഡ് ചെയ്ത സ്ലൈസ് ഡാറ്റ വിഭാഗം B
4	കോഡ് ചെയ്ത സ്ലൈസ് ഡാറ്റ വിഭാഗം C
5	ഒരു IDR ചിത്രത്തിന്റെ എൻകോഡ് ചെയ്ത IDR ശകലം
6	SEI വിപുലീകരണത്തെക്കുറിച്ചുള്ള കൂടുതൽ വിവരങ്ങൾ
7	SPS സീക്വൻസ് പാരാമീറ്റർ സെറ്റ്
8	PPS ഇമേജ് പാരാമീറ്ററുകളുടെ സെറ്റ്
9	ആക്സസ് സെപ്പറേറ്റർ
10	ക്രമത്തിന്റെ അവസാനം
11	ത്രെഡിന്റെ അവസാനം
പങ്ക് € |	പങ്ക് € |

സാധാരണയായി ഒരു ബിറ്റ്സ്ട്രീമിന്റെ ആദ്യ NAL ആണ് എസ്പിഎസ്. പ്രൊഫൈൽ, ലെവൽ, റെസല്യൂഷൻ മുതലായവ പോലുള്ള സാധാരണ എൻകോഡിംഗ് വേരിയബിളുകളെക്കുറിച്ച് അറിയിക്കുന്നതിന് ഇത്തരത്തിലുള്ള NAL ഉത്തരവാദിയാണ്.

നമ്മൾ ആദ്യത്തെ സമന്വയ മാർക്കർ ഒഴിവാക്കുകയാണെങ്കിൽ, ഏത് NAL തരമാണ് ആദ്യം എന്ന് കണ്ടെത്താൻ നമുക്ക് ആദ്യത്തെ ബൈറ്റ് ഡീകോഡ് ചെയ്യാം.

ഉദാഹരണത്തിന്, സമന്വയ ടോക്കണിന് ശേഷമുള്ള ആദ്യത്തെ ബൈറ്റ് 01100111, എവിടെ ആദ്യ ബിറ്റ് (0) ഫീൽഡിലാണ് എഫ്orbidden_zero_bit. അടുത്ത 2 ബിറ്റുകൾ (11) ഫീൽഡ് ഞങ്ങളോട് പറയുന്നു nal_ref_idc, ഇത് NAL ഒരു റഫറൻസ് ഫീൽഡാണോ അല്ലയോ എന്ന് സൂചിപ്പിക്കുന്നു. ബാക്കിയുള്ള 5 ബിറ്റുകൾ (00111) ഫീൽഡ് ഞങ്ങളോട് പറയുന്നു nal_unit_type, ഈ സാഹചര്യത്തിൽ ഇത് SPS ബ്ലോക്ക് ആണ് (7) NAL.

രണ്ടാമത്തെ ബൈറ്റ് (ബൈനറി=01100100, ഹെക്സ്=0x64, ഡിസംബർ=100) SPS-ൽ NAL ആണ് ഫീൽഡ് profile_idc, ഇത് എൻകോഡർ ഉപയോഗിച്ച പ്രൊഫൈൽ കാണിക്കുന്നു. ഈ സാഹചര്യത്തിൽ, ഒരു പരിമിതമായ ഉയർന്ന പ്രൊഫൈൽ ഉപയോഗിച്ചു (അതായത്, ബൈഡയറക്ഷണൽ ബി-സെഗ്മെന്റ് പിന്തുണയില്ലാത്ത ഉയർന്ന പ്രൊഫൈൽ).

നിങ്ങൾ ബിറ്റ്സ്ട്രീം സ്പെസിഫിക്കേഷൻ നോക്കുകയാണെങ്കിൽ H.264 SPS NAL-നായി, പാരാമീറ്ററിന്റെ പേര്, വിഭാഗം, വിവരണം എന്നിവയ്‌ക്കായി ഞങ്ങൾ നിരവധി മൂല്യങ്ങൾ കണ്ടെത്തും. ഉദാഹരണത്തിന്, നമുക്ക് വയലുകൾ നോക്കാം pic_width_in_mbs_minus_1 и pic_height_in_map_units_minus_1.

പാരാമീറ്ററിന്റെ പേര്	വിഭാഗം	വിവരണം
pic_width_in_mbs_minus_1	0	ue(v)
pic_height_in_map_units_minus_1	0	ue(v)

ഈ ഫീൽഡുകളുടെ മൂല്യങ്ങൾ ഉപയോഗിച്ച് ഞങ്ങൾ ചില ഗണിത പ്രവർത്തനങ്ങൾ നടത്തുകയാണെങ്കിൽ, നമുക്ക് റെസല്യൂഷൻ ലഭിക്കും. ഒരാൾക്ക് 1920 x 1080 ഉപയോഗിച്ച് പ്രതിനിധീകരിക്കാം pic_width_in_mbs_minus_1 119 മൂല്യമുള്ള ((119 + 1) * macroblock_size = 120 * 16 = 1920). വീണ്ടും, സ്ഥലം ലാഭിക്കാൻ, 1920 എൻകോഡ് ചെയ്യുന്നതിന് പകരം, ഞങ്ങൾ അത് 119 ഉപയോഗിച്ച് ചെയ്തു.

ഞങ്ങൾ സൃഷ്ടിച്ച വീഡിയോ ബൈനറി രൂപത്തിൽ പരിശോധിക്കുന്നത് തുടരുകയാണെങ്കിൽ (ഉദാഹരണത്തിന്: xxd -b -c 11 v/minimal_yuv420.h264), തുടർന്ന് നിങ്ങൾക്ക് അവസാന NAL-ലേക്ക് പോകാം, അത് ഫ്രെയിം തന്നെ.

അതിന്റെ ആദ്യ 6 ബൈറ്റ് മൂല്യങ്ങൾ ഇവിടെ കാണാം: 01100101 10001000 10000100 XIX XIX 00000000. ആദ്യ ബൈറ്റ് NAL തരത്തെ സൂചിപ്പിക്കുന്നു എന്നതിനാൽ, ഈ സാഹചര്യത്തിൽ (00101) ഒരു IDR ശകലമാണ് (5), തുടർന്ന് നിങ്ങൾക്ക് ഇത് കൂടുതൽ പര്യവേക്ഷണം ചെയ്യാം:

സ്പെസിഫിക്കേഷൻ വിവരങ്ങൾ ഉപയോഗിച്ച്, ശകലത്തിന്റെ തരം ഡീകോഡ് ചെയ്യാൻ കഴിയും (സ്ലൈസ്_തരം) കൂടാതെ ഫ്രെയിം നമ്പർ (ഫ്രെയിം_എണ്ണം) മറ്റ് പ്രധാന മേഖലകൾക്കിടയിൽ.

ചില ഫീൽഡുകളുടെ മൂല്യങ്ങൾ ലഭിക്കുന്നതിന് (ue(v), me(v), se(v) അല്ലെങ്കിൽ te(v)), അടിസ്ഥാനമാക്കിയുള്ള ഒരു പ്രത്യേക ഡീകോഡർ ഉപയോഗിച്ച് ഞങ്ങൾ ശകലം ഡീകോഡ് ചെയ്യേണ്ടതുണ്ട് എക്‌സ്‌പോണൻഷ്യൽ ഗോലോംബ് കോഡ്. വേരിയബിൾ മൂല്യങ്ങൾ എൻകോഡ് ചെയ്യുന്നതിന് ഈ രീതി വളരെ കാര്യക്ഷമമാണ്, പ്രത്യേകിച്ചും ധാരാളം ഡിഫോൾട്ട് മൂല്യങ്ങൾ ഉള്ളപ്പോൾ.

അർത്ഥങ്ങൾ സ്ലൈസ്_തരം и ഫ്രെയിം_എണ്ണം ഈ വീഡിയോയുടെ 7 (I-ശകലം), 0 (ആദ്യ ഫ്രെയിം) എന്നിവയാണ്.

ഒരു ബിറ്റ്സ്ട്രീം ഒരു പ്രോട്ടോക്കോൾ ആയി കണക്കാക്കാം. നിങ്ങൾക്ക് ബിറ്റ്സ്ട്രീമിനെക്കുറിച്ച് കൂടുതൽ അറിയണമെങ്കിൽ, നിങ്ങൾ സ്പെസിഫിക്കേഷൻ റഫർ ചെയ്യണം ITU H.264. ഇമേജ് ഡാറ്റ എവിടെയാണെന്ന് കാണിക്കുന്ന ഒരു മാക്രോ ഡയഗ്രം ഇതാ (യു.യു.വി. കംപ്രസ് ചെയ്ത രൂപത്തിൽ).

പോലുള്ള മറ്റ് ബിറ്റ്സ്ട്രീമുകൾ പരിശോധിക്കാവുന്നതാണ് VP9, H.265 (HEVC) അല്ലെങ്കിൽ ഞങ്ങളുടെ പുതിയ മികച്ച ബിറ്റ്സ്ട്രീം പോലും AV1. അവയെല്ലാം സമാനമാണോ? ഇല്ല, എന്നാൽ ഒരെണ്ണമെങ്കിലും നിങ്ങൾ മനസ്സിലാക്കിക്കഴിഞ്ഞാൽ, ബാക്കിയുള്ളവ മനസ്സിലാക്കുന്നത് വളരെ എളുപ്പമാണ്.

പരിശീലിക്കണോ? H.264 ബിറ്റ്സ്ട്രീം പര്യവേക്ഷണം ചെയ്യുക

നിങ്ങൾക്ക് ഒരൊറ്റ ഫ്രെയിം വീഡിയോ സൃഷ്ടിക്കാനും ബിറ്റ്സ്ട്രീം പരിശോധിക്കാൻ MediaInfo ഉപയോഗിക്കാനും കഴിയും H.264. വാസ്തവത്തിൽ, ബിറ്റ് സ്ട്രീം വിശകലനം ചെയ്യുന്ന സോഴ്സ് കോഡ് നോക്കുന്നതിൽ നിന്ന് ഒന്നും നിങ്ങളെ തടയുന്നില്ല H.264 (AVC).

പരിശീലനത്തിനായി, നിങ്ങൾക്ക് ഇന്റൽ വീഡിയോ പ്രോ അനലൈസർ ഉപയോഗിക്കാം (പ്രോഗ്രാം പണമടച്ചതായി ഞാൻ ഇതിനകം പറഞ്ഞിട്ടുണ്ടോ, പക്ഷേ 10 ഫ്രെയിമുകളുടെ പരിധിയുള്ള ഒരു സൗജന്യ ട്രയൽ പതിപ്പ് ഉണ്ടോ?).

പൊതു അവലോകനം

പല ആധുനിക കോഡെക്കുകളും നമ്മൾ പഠിച്ച അതേ മാതൃകയാണ് ഉപയോഗിക്കുന്നത് എന്നത് ശ്രദ്ധിക്കുക. ഇവിടെ, വീഡിയോ കോഡെക്കിന്റെ ബ്ലോക്ക് ഡയഗ്രം നോക്കാം തോർ. നമ്മൾ കടന്നുപോയ എല്ലാ ഘട്ടങ്ങളും അതിൽ അടങ്ങിയിരിക്കുന്നു. ഈ മേഖലയിലെ പുതുമകളെയും ഡോക്യുമെന്റേഷനെയും കുറിച്ച് നിങ്ങൾക്ക് മികച്ച ധാരണയെങ്കിലും നൽകുക എന്നതാണ് ഈ പോസ്റ്റിന്റെ മുഴുവൻ പോയിന്റും.

139p നിലവാരത്തിലും 720 fps-ലും ഒരു മണിക്കൂർ ദൈർഘ്യമുള്ള ഒരു വീഡിയോ ഫയൽ സംഭരിക്കുന്നതിന് 30 GB ഡിസ്ക് സ്പേസ് ആവശ്യമായി വരുമെന്നായിരുന്നു മുമ്പ് കണക്കാക്കിയിരുന്നത്. ഈ ലേഖനത്തിൽ ചർച്ച ചെയ്ത രീതികൾ നിങ്ങൾ ഉപയോഗിക്കുകയാണെങ്കിൽ (ഇന്റർ-ഫ്രെയിമും ആന്തരിക പ്രവചനങ്ങളും, പരിവർത്തനം, ക്വാണ്ടൈസേഷൻ, എൻട്രോപ്പി കോഡിംഗ് മുതലായവ), നിങ്ങൾക്ക് നേടാൻ കഴിയും (ഞങ്ങൾ ഒരു പിക്സലിന് 0,031 ബിറ്റുകൾ ചെലവഴിക്കുന്നു എന്ന വസ്തുതയെ അടിസ്ഥാനമാക്കി), തികച്ചും ഒരു വീഡിയോ തൃപ്തികരമായ നിലവാരം, 367,82 MB മാത്രം ഉൾക്കൊള്ളുന്നു, 139 GB മെമ്മറി അല്ല.

H.265 നെക്കാൾ മികച്ച കംപ്രഷൻ അനുപാതം H.264 എങ്ങനെ കൈവരിക്കും?

കോഡെക്കുകൾ എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതിനെക്കുറിച്ച് ഇപ്പോൾ ഞങ്ങൾക്ക് കൂടുതൽ അറിയാം, പുതിയ കോഡെക്കുകൾക്ക് കുറച്ച് ബിറ്റുകൾ ഉപയോഗിച്ച് ഉയർന്ന റെസല്യൂഷനുകൾ നൽകുന്നത് എങ്ങനെയെന്ന് മനസ്സിലാക്കാൻ എളുപ്പമാണ്.

നമ്മൾ താരതമ്യം ചെയ്താൽ AVC и HEVC, ഇത് മിക്കവാറും എല്ലായ്‌പ്പോഴും വലിയ സിപിയു ലോഡിനും കംപ്രഷൻ അനുപാതത്തിനും ഇടയിലുള്ള ഒരു തിരഞ്ഞെടുപ്പാണെന്ന് ഓർമ്മിക്കേണ്ടതാണ്.

HEVC എന്നതിനേക്കാൾ കൂടുതൽ വിഭാഗം (ഉപവിഭാഗം) ഓപ്ഷനുകൾ ഉണ്ട് AVC, കൂടുതൽ ആന്തരിക പ്രവചന ദിശകൾ, മെച്ചപ്പെട്ട എൻട്രോപ്പി കോഡിംഗ് എന്നിവയും മറ്റും. ഈ മെച്ചപ്പെടുത്തലുകളെല്ലാം വരുത്തിയിട്ടുണ്ട് H.265 50% കൂടുതൽ കംപ്രസ് ചെയ്യാൻ കഴിവുള്ള H.264.

ആദ്യ ഭാഗം: വീഡിയോയും ചിത്രങ്ങളും ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്നതിനുള്ള അടിസ്ഥാനകാര്യങ്ങൾ

അവലംബം: www.habr.com