ਵੀਡੀਓ ਕੋਡੇਕ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ? ਭਾਗ 2. ਕੀ, ਕਿਉਂ, ਕਿਵੇਂ

ਪਹਿਲਾ ਭਾਗ: ਵੀਡੀਓ ਅਤੇ ਚਿੱਤਰਾਂ ਨਾਲ ਕੰਮ ਕਰਨ ਦੀਆਂ ਮੂਲ ਗੱਲਾਂ

ਕੀ? ਇੱਕ ਵੀਡੀਓ ਕੋਡੇਕ ਸੌਫਟਵੇਅਰ/ਹਾਰਡਵੇਅਰ ਦਾ ਇੱਕ ਟੁਕੜਾ ਹੈ ਜੋ ਡਿਜੀਟਲ ਵੀਡੀਓ ਨੂੰ ਸੰਕੁਚਿਤ ਅਤੇ/ਜਾਂ ਡੀਕੰਪ੍ਰੈਸ ਕਰਦਾ ਹੈ।

ਕਾਹਦੇ ਲਈ? ਬੈਂਡਵਿਡਥ ਅਤੇ ਦੋਵਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਕੁਝ ਸੀਮਾਵਾਂ ਦੇ ਬਾਵਜੂਦ
ਅਤੇ ਡੇਟਾ ਸਟੋਰੇਜ ਸਪੇਸ ਦੇ ਰੂਪ ਵਿੱਚ, ਮਾਰਕੀਟ ਵੱਧ ਤੋਂ ਵੱਧ ਉੱਚ ਗੁਣਵੱਤਾ ਵਾਲੇ ਵੀਡੀਓ ਦੀ ਮੰਗ ਕਰਦਾ ਹੈ। ਕੀ ਤੁਹਾਨੂੰ ਯਾਦ ਹੈ ਕਿ ਪਿਛਲੀ ਪੋਸਟ ਵਿੱਚ ਅਸੀਂ 30x24 ਦੇ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਦੇ ਨਾਲ, 480 ਫਰੇਮ ਪ੍ਰਤੀ ਸਕਿੰਟ, 240 ਬਿੱਟ ਪ੍ਰਤੀ ਪਿਕਸਲ ਲਈ ਲੋੜੀਂਦੇ ਘੱਟੋ-ਘੱਟ ਦੀ ਗਣਨਾ ਕਿਵੇਂ ਕੀਤੀ ਸੀ? ਸਾਨੂੰ ਕੰਪਰੈਸ਼ਨ ਤੋਂ ਬਿਨਾਂ 82,944 Mbit/s ਪ੍ਰਾਪਤ ਹੋਇਆ। ਸੰਕੁਚਨ ਵਰਤਮਾਨ ਵਿੱਚ ਆਮ ਤੌਰ 'ਤੇ ਟੈਲੀਵਿਜ਼ਨ ਸਕ੍ਰੀਨਾਂ ਅਤੇ ਇੰਟਰਨੈਟ ਤੇ HD/FullHD/4K ਨੂੰ ਸੰਚਾਰਿਤ ਕਰਨ ਦਾ ਇੱਕੋ ਇੱਕ ਤਰੀਕਾ ਹੈ। ਇਹ ਕਿਵੇਂ ਪ੍ਰਾਪਤ ਹੁੰਦਾ ਹੈ? ਆਓ ਹੁਣ ਮੁੱਖ ਤਰੀਕਿਆਂ ਨੂੰ ਸੰਖੇਪ ਵਿੱਚ ਵੇਖੀਏ।

ਅਨੁਵਾਦ EDISON ਸੌਫਟਵੇਅਰ ਦੇ ਸਹਿਯੋਗ ਨਾਲ ਕੀਤਾ ਗਿਆ ਸੀ।

ਅਸੀਂ ਲੱਗੇ ਹੋਏ ਹਾਂ ਵੀਡੀਓ ਨਿਗਰਾਨੀ ਪ੍ਰਣਾਲੀਆਂ ਦਾ ਏਕੀਕਰਣਅਤੇ ਅਸੀਂ ਇੱਕ ਮਾਈਕ੍ਰੋਟੋਮੋਗ੍ਰਾਫ ਵਿਕਸਿਤ ਕਰ ਰਹੇ ਹਾਂ.

ਕੋਡੇਕ ਬਨਾਮ ਕੰਟੇਨਰ

ਇੱਕ ਆਮ ਗਲਤੀ ਨਵੇਂ ਲੋਕਾਂ ਦੁਆਰਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਡਿਜੀਟਲ ਵੀਡੀਓ ਕੋਡੇਕ ਅਤੇ ਡਿਜੀਟਲ ਵੀਡੀਓ ਕੰਟੇਨਰ ਨੂੰ ਉਲਝਾਉਣਾ। ਇੱਕ ਕੰਟੇਨਰ ਇੱਕ ਖਾਸ ਫਾਰਮੈਟ ਹੈ। ਵੀਡੀਓ (ਅਤੇ ਸੰਭਵ ਤੌਰ 'ਤੇ ਆਡੀਓ) ਮੈਟਾਡੇਟਾ ਵਾਲਾ ਇੱਕ ਰੈਪਰ। ਕੰਪਰੈੱਸਡ ਵੀਡੀਓ ਨੂੰ ਕੰਟੇਨਰ ਪੇਲੋਡ ਦੇ ਤੌਰ 'ਤੇ ਸੋਚਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਆਮ ਤੌਰ 'ਤੇ, ਵੀਡੀਓ ਫਾਈਲ ਦਾ ਐਕਸਟੈਂਸ਼ਨ ਇਸਦੇ ਕੰਟੇਨਰ ਦੀ ਕਿਸਮ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਫਾਈਲ video.mp4 ਸ਼ਾਇਦ ਇੱਕ ਕੰਟੇਨਰ ਹੈ MPEG-4 ਭਾਗ 14, ਅਤੇ video.mkv ਨਾਮ ਦੀ ਇੱਕ ਫਾਈਲ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਨਾ ਹੈ ਮਾਤਰ. ਕੋਡੇਕ ਅਤੇ ਕੰਟੇਨਰ ਫਾਰਮੈਟ ਬਾਰੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ, ਤੁਸੀਂ ਵਰਤ ਸਕਦੇ ਹੋ FFmpeg ਜ ਮੀਡੀਆਇੰਫੋ.

ਇਤਿਹਾਸ ਦਾ ਇੱਕ ਬਿੱਟ

ਇਸ ਤੋਂ ਪਹਿਲਾਂ ਕਿ ਅਸੀਂ ਪ੍ਰਾਪਤ ਕਰੀਏ ਕਿਵੇਂ?, ਆਓ ਕੁਝ ਪੁਰਾਣੇ ਕੋਡੇਕਸ ਨੂੰ ਥੋੜਾ ਬਿਹਤਰ ਸਮਝਣ ਲਈ ਇਤਿਹਾਸ ਵਿੱਚ ਥੋੜਾ ਜਿਹਾ ਡੁਬਕੀ ਕਰੀਏ।

ਵੀਡੀਓ ਕੋਡੇਕ H.261 1990 ਵਿੱਚ ਪ੍ਰਗਟ ਹੋਇਆ (ਤਕਨੀਕੀ ਤੌਰ 'ਤੇ - 1988 ਵਿੱਚ) ਅਤੇ 64 Kbps ਦੀ ਡੇਟਾ ਟ੍ਰਾਂਸਫਰ ਦਰ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਬਣਾਇਆ ਗਿਆ ਸੀ। ਇਹ ਪਹਿਲਾਂ ਹੀ ਵਿਚਾਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਜਿਵੇਂ ਕਿ ਰੰਗ ਸਬਸੈਪਲਿੰਗ, ਮੈਕਰੋਬਲਾਕ, ਆਦਿ. ਵੀਡੀਓ ਕੋਡੇਕ ਸਟੈਂਡਰਡ 1995 ਵਿੱਚ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਸੀ H.263, ਜੋ ਕਿ 2001 ਤੱਕ ਵਿਕਸਿਤ ਹੋਇਆ।

ਪਹਿਲਾ ਸੰਸਕਰਣ 2003 ਵਿੱਚ ਪੂਰਾ ਹੋਇਆ ਸੀ ਐਚ.ਐਕਸ.ਐੱਨ.ਐੱਮ.ਐੱਨ.ਐੱਮ.ਐਕਸ / ਏਵੀਸੀ. ਉਸੇ ਸਾਲ, TrueMotion ਨੇ ਆਪਣਾ ਮੁਫਤ ਨੁਕਸਾਨਦਾਇਕ ਵੀਡੀਓ ਕੋਡੇਕ ਜਾਰੀ ਕੀਤਾ ਜਿਸ ਨੂੰ ਕਿਹਾ ਜਾਂਦਾ ਹੈ VP3. ਗੂਗਲ ਨੇ ਕੰਪਨੀ ਨੂੰ 2008 ਵਿੱਚ ਖਰੀਦਿਆ, ਜਾਰੀ ਕੀਤਾ VP8 ਉਸੇ ਸਾਲ. ਦਸੰਬਰ 2012 ਵਿੱਚ, ਗੂਗਲ ਨੇ ਜਾਰੀ ਕੀਤਾ VP9, ਅਤੇ ਇਹ ਲਗਭਗ ¾ ਬਰਾਊਜ਼ਰ ਮਾਰਕੀਟ (ਮੋਬਾਈਲ ਡਿਵਾਈਸਾਂ ਸਮੇਤ) ਵਿੱਚ ਸਮਰਥਿਤ ਹੈ।

AV1 ਦੁਆਰਾ ਵਿਕਸਤ ਇੱਕ ਨਵਾਂ ਮੁਫਤ ਅਤੇ ਓਪਨ ਸੋਰਸ ਵੀਡੀਓ ਕੋਡੇਕ ਹੈ ਓਪਨ ਮੀਡੀਆ ਲਈ ਗਠਜੋੜ (ਏਓਮੀਡੀਆ), ਜਿਸ ਵਿੱਚ ਸਭ ਤੋਂ ਮਸ਼ਹੂਰ ਕੰਪਨੀਆਂ ਸ਼ਾਮਲ ਹਨ, ਜਿਵੇਂ ਕਿ: Google, Mozilla, Microsoft, Amazon, Netflix, AMD, ARM, NVidia, Intel ਅਤੇ Cisco। ਕੋਡੇਕ ਦਾ ਪਹਿਲਾ ਸੰਸਕਰਣ, 0.1.0, 7 ਅਪ੍ਰੈਲ, 2016 ਨੂੰ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਸੀ।

AV1 ਦਾ ਜਨਮ

2015 ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ, ਗੂਗਲ 'ਤੇ ਕੰਮ ਕਰ ਰਿਹਾ ਸੀ VP10Xiph (ਜੋ ਮੋਜ਼ੀਲਾ ਦੀ ਮਲਕੀਅਤ ਹੈ) 'ਤੇ ਕੰਮ ਕਰ ਰਿਹਾ ਸੀ ਡਾਲਾ, ਅਤੇ ਸਿਸਕੋ ਨੇ ਆਪਣਾ ਮੁਫਤ ਵੀਡੀਓ ਕੋਡੇਕ ਬਣਾਇਆ ਜਿਸ ਨੂੰ ਕਿਹਾ ਜਾਂਦਾ ਹੈ Thor.

ਫਿਰ ਐਮ ਪੀ ਈ ਜੀ ਐਲ ਏ ਲਈ ਪਹਿਲੀ ਘੋਸ਼ਿਤ ਸਾਲਾਨਾ ਸੀਮਾਵਾਂ HEVC (H.265) ਅਤੇ H.8 ਨਾਲੋਂ 264 ਗੁਣਾ ਵੱਧ ਫੀਸ, ਪਰ ਉਹਨਾਂ ਨੇ ਜਲਦੀ ਹੀ ਨਿਯਮਾਂ ਨੂੰ ਦੁਬਾਰਾ ਬਦਲ ਦਿੱਤਾ:

ਕੋਈ ਸਾਲਾਨਾ ਸੀਮਾ ਨਹੀਂ,
ਸਮੱਗਰੀ ਫੀਸ (ਮਾਲੀਆ ਦਾ 0,5%) ਅਤੇ
ਯੂਨਿਟ ਫੀਸ H.10 ਨਾਲੋਂ ਲਗਭਗ 264 ਗੁਣਾ ਵੱਧ ਹੈ।

ਓਪਨ ਮੀਡੀਆ ਲਈ ਗਠਜੋੜ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਦੀਆਂ ਕੰਪਨੀਆਂ ਦੁਆਰਾ ਬਣਾਇਆ ਗਿਆ ਸੀ: ਉਪਕਰਣ ਨਿਰਮਾਤਾ (Intel, AMD, ARM, Nvidia, Cisco), ਸਮੱਗਰੀ ਪ੍ਰਦਾਤਾ (Google, Netflix, Amazon), ਬ੍ਰਾਊਜ਼ਰ ਨਿਰਮਾਤਾ (Google, Mozilla) ਅਤੇ ਹੋਰ।

ਕੰਪਨੀਆਂ ਦਾ ਇੱਕ ਸਾਂਝਾ ਟੀਚਾ ਸੀ - ਇੱਕ ਰਾਇਲਟੀ-ਮੁਕਤ ਵੀਡੀਓ ਕੋਡੇਕ। ਫਿਰ ਪ੍ਰਗਟ ਹੁੰਦਾ ਹੈ AV1 ਬਹੁਤ ਸਰਲ ਪੇਟੈਂਟ ਲਾਇਸੈਂਸ ਦੇ ਨਾਲ। ਟਿਮੋਥੀ ਬੀ ਟੈਰੀਬੇਰੀ ਨੇ ਇੱਕ ਸ਼ਾਨਦਾਰ ਪੇਸ਼ਕਾਰੀ ਦਿੱਤੀ ਜੋ ਮੌਜੂਦਾ AV1 ਸੰਕਲਪ ਅਤੇ ਇਸਦੇ ਲਾਇਸੈਂਸਿੰਗ ਮਾਡਲ ਦਾ ਮੂਲ ਬਣ ਗਈ।

ਤੁਹਾਨੂੰ ਇਹ ਜਾਣ ਕੇ ਹੈਰਾਨੀ ਹੋਵੇਗੀ ਕਿ ਤੁਸੀਂ ਇੱਕ ਬ੍ਰਾਊਜ਼ਰ ਰਾਹੀਂ AV1 ਕੋਡੇਕ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰ ਸਕਦੇ ਹੋ (ਜੋ ਦਿਲਚਸਪੀ ਰੱਖਣ ਵਾਲੇ ਇਸ 'ਤੇ ਜਾ ਸਕਦੇ ਹਨ। aomanalyzer.org).

ਯੂਨੀਵਰਸਲ ਕੋਡੇਕ

ਆਉ ਯੂਨੀਵਰਸਲ ਵੀਡੀਓ ਕੋਡੇਕ ਦੇ ਅਧੀਨ ਮੁੱਖ ਵਿਧੀਆਂ ਨੂੰ ਵੇਖੀਏ. ਇਹਨਾਂ ਵਿੱਚੋਂ ਜ਼ਿਆਦਾਤਰ ਸੰਕਲਪ ਉਪਯੋਗੀ ਹਨ ਅਤੇ ਆਧੁਨਿਕ ਕੋਡੇਕਸ ਵਿੱਚ ਵਰਤੇ ਜਾਂਦੇ ਹਨ ਜਿਵੇਂ ਕਿ VP9, AV1 и HEVC. ਮੈਂ ਤੁਹਾਨੂੰ ਚੇਤਾਵਨੀ ਦਿੰਦਾ ਹਾਂ ਕਿ ਸਮਝਾਈਆਂ ਗਈਆਂ ਬਹੁਤ ਸਾਰੀਆਂ ਚੀਜ਼ਾਂ ਸਰਲ ਕੀਤੀਆਂ ਜਾਣਗੀਆਂ। ਕਈ ਵਾਰ ਅਸਲ ਸੰਸਾਰ ਦੀਆਂ ਉਦਾਹਰਣਾਂ (ਜਿਵੇਂ ਕਿ H.264 ਦੇ ਨਾਲ) ਤਕਨਾਲੋਜੀਆਂ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਲਈ ਵਰਤੀਆਂ ਜਾਣਗੀਆਂ।

ਪਹਿਲਾ ਕਦਮ - ਚਿੱਤਰ ਨੂੰ ਵੰਡਣਾ

ਪਹਿਲਾ ਕਦਮ ਫਰੇਮ ਨੂੰ ਕਈ ਭਾਗਾਂ, ਉਪ-ਭਾਗਾਂ ਅਤੇ ਇਸ ਤੋਂ ਅੱਗੇ ਵਿੱਚ ਵੰਡਣਾ ਹੈ।

ਕਾਹਦੇ ਲਈ? ਕਈ ਕਾਰਨ ਹਨ। ਜਦੋਂ ਅਸੀਂ ਇੱਕ ਚਿੱਤਰ ਨੂੰ ਵੰਡਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਛੋਟੇ ਹਿਲਾਉਣ ਵਾਲੇ ਹਿੱਸਿਆਂ ਲਈ ਛੋਟੇ ਭਾਗਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮੋਸ਼ਨ ਵੈਕਟਰ ਦੀ ਵਧੇਰੇ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦੇ ਹਾਂ। ਜਦੋਂ ਕਿ ਇੱਕ ਸਥਿਰ ਪਿਛੋਕੜ ਲਈ ਤੁਸੀਂ ਆਪਣੇ ਆਪ ਨੂੰ ਵੱਡੇ ਭਾਗਾਂ ਤੱਕ ਸੀਮਤ ਕਰ ਸਕਦੇ ਹੋ।

ਕੋਡੇਕ ਆਮ ਤੌਰ 'ਤੇ ਇਹਨਾਂ ਭਾਗਾਂ ਨੂੰ ਭਾਗਾਂ (ਜਾਂ ਟੁਕੜਿਆਂ), ਮੈਕਰੋਬਲਾਕ (ਜਾਂ ਕੋਡਿੰਗ ਟ੍ਰੀ ਬਲਾਕ), ਅਤੇ ਕਈ ਉਪ-ਭਾਗਾਂ ਵਿੱਚ ਵਿਵਸਥਿਤ ਕਰਦੇ ਹਨ। ਇਹਨਾਂ ਭਾਗਾਂ ਦਾ ਅਧਿਕਤਮ ਆਕਾਰ ਬਦਲਦਾ ਹੈ, HEVC ਇਸਨੂੰ 64x64 ਤੇ ਸੈੱਟ ਕਰਦਾ ਹੈ ਜਦੋਂ ਕਿ AVC 16x16 ਵਰਤਦਾ ਹੈ, ਅਤੇ ਸਬ-ਪਾਰਟੀਸ਼ਨਾਂ ਨੂੰ 4x4 ਆਕਾਰ ਤੱਕ ਵੰਡਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਕੀ ਤੁਹਾਨੂੰ ਪਿਛਲੇ ਲੇਖ ਤੋਂ ਫਰੇਮਾਂ ਦੀਆਂ ਕਿਸਮਾਂ ਯਾਦ ਹਨ?! ਇਹੀ ਬਲਾਕਾਂ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਇਸਲਈ ਸਾਡੇ ਕੋਲ ਇੱਕ ਆਈ-ਫ੍ਰੈਗਮੈਂਟ, ਇੱਕ ਬੀ-ਬਲਾਕ, ਇੱਕ ਪੀ-ਮੈਕਰੋਬਲਾਕ, ਆਦਿ ਹੋ ਸਕਦਾ ਹੈ।

ਉਹਨਾਂ ਲਈ ਜੋ ਅਭਿਆਸ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਨ, ਵੇਖੋ ਕਿ ਚਿੱਤਰ ਨੂੰ ਭਾਗਾਂ ਅਤੇ ਉਪ-ਭਾਗਾਂ ਵਿੱਚ ਕਿਵੇਂ ਵੰਡਿਆ ਗਿਆ ਹੈ। ਅਜਿਹਾ ਕਰਨ ਲਈ, ਤੁਸੀਂ ਪਿਛਲੇ ਲੇਖ ਵਿੱਚ ਪਹਿਲਾਂ ਹੀ ਦੱਸੇ ਗਏ ਇੱਕ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ. ਇੰਟੇਲ ਵੀਡੀਓ ਪ੍ਰੋ ਐਨਾਲਾਈਜ਼ਰ (ਇੱਕ ਜਿਸਦਾ ਭੁਗਤਾਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਪਰ ਇੱਕ ਮੁਫਤ ਅਜ਼ਮਾਇਸ਼ ਸੰਸਕਰਣ ਦੇ ਨਾਲ ਜੋ ਪਹਿਲੇ 10 ਫਰੇਮਾਂ ਤੱਕ ਸੀਮਿਤ ਹੈ)। ਭਾਗਾਂ ਦਾ ਇੱਥੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਗਿਆ ਹੈ VP9:

ਦੂਜਾ ਕਦਮ - ਪੂਰਵ ਅਨੁਮਾਨ

ਇੱਕ ਵਾਰ ਜਦੋਂ ਸਾਡੇ ਕੋਲ ਭਾਗ ਹੋ ਜਾਂਦੇ ਹਨ, ਤਾਂ ਅਸੀਂ ਉਹਨਾਂ ਲਈ ਜੋਤਿਸ਼ ਸੰਬੰਧੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦੇ ਹਾਂ। ਲਈ ਇੰਟਰ ਪੂਰਵ ਅਨੁਮਾਨ ਤਬਦੀਲ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਮੋਸ਼ਨ ਵੈਕਟਰ ਅਤੇ ਬਾਕੀ, ਅਤੇ INTRA ਪੂਰਵ ਅਨੁਮਾਨ ਲਈ ਇਹ ਪ੍ਰਸਾਰਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਭਵਿੱਖਬਾਣੀ ਦੀ ਦਿਸ਼ਾ ਅਤੇ ਬਾਕੀ।

3rd ਕਦਮ - ਤਬਦੀਲੀ

ਇੱਕ ਵਾਰ ਜਦੋਂ ਸਾਡੇ ਕੋਲ ਇੱਕ ਬਕਾਇਆ ਬਲਾਕ (ਅਨੁਮਾਨਿਤ ਸੈਕਸ਼ਨ → ਅਸਲ ਸੈਕਸ਼ਨ) ਹੋ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਬਦਲਣਾ ਸੰਭਵ ਹੁੰਦਾ ਹੈ ਕਿ ਅਸੀਂ ਜਾਣਦੇ ਹਾਂ ਕਿ ਸਮੁੱਚੀ ਗੁਣਵੱਤਾ ਨੂੰ ਕਾਇਮ ਰੱਖਦੇ ਹੋਏ ਕਿਹੜੇ ਪਿਕਸਲ ਨੂੰ ਰੱਦ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਕੁਝ ਪਰਿਵਰਤਨ ਹਨ ਜੋ ਸਹੀ ਵਿਵਹਾਰ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ।

ਹਾਲਾਂਕਿ ਹੋਰ ਤਰੀਕੇ ਹਨ, ਆਓ ਉਹਨਾਂ ਨੂੰ ਹੋਰ ਵਿਸਥਾਰ ਵਿੱਚ ਵੇਖੀਏ. ਡਿਸਕਰੀਟ ਕੋਸਾਈਨ ਟ੍ਰਾਂਸਫਾਰਮ (ਡੀ.ਸੀ.ਟੀ. - ਤੋਂ ਡਿਸਕਰੀਟ ਕੋਸਾਈਨ ਟ੍ਰਾਂਸਫਾਰਮ). DCT ਦੇ ਮੁੱਖ ਕਾਰਜ:

• ਪਿਕਸਲਾਂ ਦੇ ਬਲਾਕਾਂ ਨੂੰ ਬਾਰੰਬਾਰਤਾ ਗੁਣਾਂਕ ਦੇ ਬਰਾਬਰ ਆਕਾਰ ਦੇ ਬਲਾਕਾਂ ਵਿੱਚ ਬਦਲਦਾ ਹੈ।
• ਸਥਾਨਿਕ ਰਿਡੰਡੈਂਸੀ ਨੂੰ ਖਤਮ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ ਸ਼ਕਤੀ ਨੂੰ ਸੰਘਣਾ ਕਰਦਾ ਹੈ।
• ਰਿਵਰਸਬਿਲਟੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।

ਫਰਵਰੀ 2, 2017 ਸਿੰਤਰਾ ਆਰ.ਜੇ. (Cintra, R.J.) ਅਤੇ Bayer F.M. (ਬਾਯਰ ਐੱਫ.ਐੱਮ.) ਨੇ ਚਿੱਤਰ ਸੰਕੁਚਨ ਲਈ ਡੀਸੀਟੀ-ਵਰਗੇ ਪਰਿਵਰਤਨ ਬਾਰੇ ਇੱਕ ਲੇਖ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ ਜਿਸ ਲਈ ਸਿਰਫ਼ 14 ਜੋੜਾਂ ਦੀ ਲੋੜ ਹੈ।

ਚਿੰਤਾ ਨਾ ਕਰੋ ਜੇਕਰ ਤੁਸੀਂ ਹਰੇਕ ਆਈਟਮ ਦੇ ਲਾਭਾਂ ਨੂੰ ਨਹੀਂ ਸਮਝਦੇ ਹੋ। ਹੁਣ ਉਹਨਾਂ ਦੇ ਅਸਲ ਮੁੱਲ ਨੂੰ ਵੇਖਣ ਲਈ ਖਾਸ ਉਦਾਹਰਣਾਂ ਦੀ ਵਰਤੋਂ ਕਰੀਏ।

ਆਉ ਪਿਕਸਲ ਦੇ ਇਸ 8x8 ਬਲਾਕ ਨੂੰ ਲੈਂਦੇ ਹਾਂ:

ਇਸ ਬਲਾਕ ਨੂੰ ਹੇਠਾਂ ਦਿੱਤੇ 8 ਗੁਣਾ 8 ਪਿਕਸਲ ਚਿੱਤਰ ਵਿੱਚ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ:

ਪਿਕਸਲ ਦੇ ਇਸ ਬਲਾਕ 'ਤੇ DCT ਲਾਗੂ ਕਰੋ ਅਤੇ ਗੁਣਾਂ ਦਾ 8x8 ਬਲਾਕ ਪ੍ਰਾਪਤ ਕਰੋ:

ਅਤੇ ਜੇਕਰ ਅਸੀਂ ਗੁਣਾਂਕ ਦੇ ਇਸ ਬਲਾਕ ਨੂੰ ਰੈਂਡਰ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਸਾਨੂੰ ਹੇਠਾਂ ਦਿੱਤੀ ਤਸਵੀਰ ਮਿਲੇਗੀ:

ਜਿਵੇਂ ਕਿ ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ, ਇਹ ਅਸਲੀ ਚਿੱਤਰ ਵਰਗਾ ਨਹੀਂ ਲੱਗਦਾ। ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਪਹਿਲਾ ਗੁਣਾਂਕ ਬਾਕੀ ਸਾਰੇ ਗੁਣਾਂ ਨਾਲੋਂ ਬਹੁਤ ਵੱਖਰਾ ਹੈ। ਇਸ ਪਹਿਲੇ ਗੁਣਾਂਕ ਨੂੰ DC ਗੁਣਾਂਕ ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ, ਜੋ ਕਿ ਇੰਪੁੱਟ ਐਰੇ ਦੇ ਸਾਰੇ ਨਮੂਨਿਆਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਔਸਤ ਵਰਗਾ ਕੁਝ।

ਗੁਣਾਂਕ ਦੇ ਇਸ ਬਲਾਕ ਦੀ ਇੱਕ ਦਿਲਚਸਪ ਵਿਸ਼ੇਸ਼ਤਾ ਹੈ: ਇਹ ਉੱਚ-ਆਵਿਰਤੀ ਵਾਲੇ ਭਾਗਾਂ ਨੂੰ ਘੱਟ-ਆਵਿਰਤੀ ਵਾਲੇ ਭਾਗਾਂ ਤੋਂ ਵੱਖ ਕਰਦਾ ਹੈ।

ਇੱਕ ਚਿੱਤਰ ਵਿੱਚ, ਜ਼ਿਆਦਾਤਰ ਸ਼ਕਤੀ ਘੱਟ ਬਾਰੰਬਾਰਤਾ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਹੁੰਦੀ ਹੈ, ਇਸਲਈ ਜੇਕਰ ਤੁਸੀਂ ਚਿੱਤਰ ਨੂੰ ਇਸਦੇ ਬਾਰੰਬਾਰਤਾ ਭਾਗਾਂ ਵਿੱਚ ਬਦਲਦੇ ਹੋ ਅਤੇ ਉੱਚ ਫ੍ਰੀਕੁਐਂਸੀ ਗੁਣਾਂ ਨੂੰ ਰੱਦ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਤਸਵੀਰ ਗੁਣਵੱਤਾ ਦੀ ਕੁਰਬਾਨੀ ਕੀਤੇ ਬਿਨਾਂ ਚਿੱਤਰ ਦਾ ਵਰਣਨ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਡੇਟਾ ਦੀ ਮਾਤਰਾ ਨੂੰ ਘਟਾ ਸਕਦੇ ਹੋ।

ਬਾਰੰਬਾਰਤਾ ਸੰਕੇਤ ਕਰਦੀ ਹੈ ਕਿ ਸਿਗਨਲ ਕਿੰਨੀ ਤੇਜ਼ੀ ਨਾਲ ਬਦਲਦਾ ਹੈ।

ਆਉ ਡੀਸੀਟੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਮੂਲ ਚਿੱਤਰ ਨੂੰ ਇਸਦੀ ਬਾਰੰਬਾਰਤਾ (ਗੁਣਾਂ ਦੇ ਬਲਾਕ) ਵਿੱਚ ਬਦਲ ਕੇ ਅਤੇ ਫਿਰ ਘੱਟ ਤੋਂ ਘੱਟ ਮਹੱਤਵਪੂਰਨ ਗੁਣਾਂਕਾਂ ਦੇ ਹਿੱਸੇ ਨੂੰ ਰੱਦ ਕਰਕੇ ਟੈਸਟ ਕੇਸ ਵਿੱਚ ਪ੍ਰਾਪਤ ਗਿਆਨ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੀਏ।

ਪਹਿਲਾਂ ਅਸੀਂ ਇਸਨੂੰ ਬਾਰੰਬਾਰਤਾ ਡੋਮੇਨ ਵਿੱਚ ਬਦਲਦੇ ਹਾਂ।

ਅਗਲਾ, ਅਸੀਂ ਗੁਣਾਂ ਦੇ ਹਿੱਸੇ (67%) ਨੂੰ ਰੱਦ ਕਰਦੇ ਹਾਂ, ਮੁੱਖ ਤੌਰ 'ਤੇ ਹੇਠਲੇ ਸੱਜੇ ਹਿੱਸੇ ਨੂੰ।

ਅੰਤ ਵਿੱਚ, ਅਸੀਂ ਗੁਣਾਂ ਦੇ ਇਸ ਰੱਦ ਕੀਤੇ ਬਲਾਕ (ਯਾਦ ਰੱਖੋ, ਇਹ ਉਲਟ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ) ਤੋਂ ਚਿੱਤਰ ਦਾ ਪੁਨਰਗਠਨ ਕਰਦੇ ਹਾਂ ਅਤੇ ਇਸਦੀ ਅਸਲੀ ਨਾਲ ਤੁਲਨਾ ਕਰਦੇ ਹਾਂ।

ਅਸੀਂ ਦੇਖਦੇ ਹਾਂ ਕਿ ਇਹ ਅਸਲੀ ਚਿੱਤਰ ਨਾਲ ਮਿਲਦਾ-ਜੁਲਦਾ ਹੈ, ਪਰ ਮੂਲ ਤੋਂ ਬਹੁਤ ਸਾਰੇ ਅੰਤਰ ਹਨ। ਅਸੀਂ 67,1875% ਨੂੰ ਬਾਹਰ ਸੁੱਟ ਦਿੱਤਾ ਹੈ ਅਤੇ ਅਜੇ ਵੀ ਅਸਲੀ ਵਰਗਾ ਕੁਝ ਮਿਲਿਆ ਹੈ। ਹੋਰ ਵੀ ਬਿਹਤਰ ਕੁਆਲਿਟੀ ਦਾ ਚਿੱਤਰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਗੁਣਾਂਕਾਂ ਨੂੰ ਵਧੇਰੇ ਸੋਚ-ਸਮਝ ਕੇ ਰੱਦ ਕਰਨਾ ਸੰਭਵ ਸੀ, ਪਰ ਇਹ ਇੱਕ ਅਗਲਾ ਵਿਸ਼ਾ ਹੈ।

ਹਰੇਕ ਗੁਣਾਂਕ ਸਾਰੇ ਪਿਕਸਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਤਿਆਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ

ਮਹੱਤਵਪੂਰਨ: ਹਰੇਕ ਗੁਣਾਂਕ ਨੂੰ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਇੱਕ ਪਿਕਸਲ ਨਾਲ ਮੈਪ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਪਰ ਇਹ ਸਾਰੇ ਪਿਕਸਲਾਂ ਦਾ ਭਾਰ ਵਾਲਾ ਜੋੜ ਹੁੰਦਾ ਹੈ। ਇਹ ਅਦਭੁਤ ਗ੍ਰਾਫ਼ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਹਰੇਕ ਸੂਚਕਾਂਕ ਲਈ ਵਿਲੱਖਣ ਵਜ਼ਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪਹਿਲੇ ਅਤੇ ਦੂਜੇ ਗੁਣਾਂਕ ਦੀ ਗਣਨਾ ਕਿਵੇਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

ਤੁਸੀਂ ਇਸਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਸਧਾਰਨ ਚਿੱਤਰ ਨਿਰਮਾਣ ਨੂੰ ਦੇਖ ਕੇ ਡੀਸੀਟੀ ਦੀ ਕਲਪਨਾ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਵੀ ਕਰ ਸਕਦੇ ਹੋ। ਉਦਾਹਰਨ ਲਈ, ਇੱਥੇ ਪ੍ਰਤੀਕ A ਹੈ ਜੋ ਹਰੇਕ ਗੁਣਾਂਕ ਭਾਰ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ:

ਚੌਥਾ ਕਦਮ - ਕੁਆਂਟਾਇਜ਼ੇਸ਼ਨ

ਪਿਛਲੇ ਪੜਾਅ 'ਤੇ ਕੁਝ ਗੁਣਾਂਕ ਨੂੰ ਬਾਹਰ ਕੱਢਣ ਤੋਂ ਬਾਅਦ, ਆਖਰੀ ਪੜਾਅ (ਪਰਿਵਰਤਨ) 'ਤੇ ਅਸੀਂ ਕੁਆਂਟਾਇਜ਼ੇਸ਼ਨ ਦਾ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਰੂਪ ਕਰਦੇ ਹਾਂ। ਇਸ ਪੜਾਅ 'ਤੇ ਇਹ ਜਾਣਕਾਰੀ ਗੁਆਉਣ ਲਈ ਸਵੀਕਾਰਯੋਗ ਹੈ. ਜਾਂ, ਹੋਰ ਸਧਾਰਨ ਤੌਰ 'ਤੇ, ਅਸੀਂ ਸੰਕੁਚਨ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਗੁਣਾਂਕ ਦੀ ਮਿਣਤੀ ਕਰਾਂਗੇ।

ਤੁਸੀਂ ਗੁਣਾਂ ਦੇ ਇੱਕ ਬਲਾਕ ਨੂੰ ਕਿਵੇਂ ਮਾਪ ਸਕਦੇ ਹੋ? ਸਭ ਤੋਂ ਸਰਲ ਢੰਗਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ ਯੂਨੀਫਾਰਮ ਕੁਆਂਟਾਇਜ਼ੇਸ਼ਨ, ਜਦੋਂ ਅਸੀਂ ਇੱਕ ਬਲਾਕ ਲੈਂਦੇ ਹਾਂ, ਇਸਨੂੰ ਇੱਕ ਮੁੱਲ (10 ਦੁਆਰਾ) ਨਾਲ ਵੰਡਦੇ ਹਾਂ ਅਤੇ ਨਤੀਜੇ ਨੂੰ ਗੋਲ ਕਰਦੇ ਹਾਂ।

ਕੀ ਅਸੀਂ ਗੁਣਾਂ ਦੇ ਇਸ ਬਲਾਕ ਨੂੰ ਉਲਟਾ ਸਕਦੇ ਹਾਂ? ਹਾਂ, ਅਸੀਂ ਉਸੇ ਮੁੱਲ ਨਾਲ ਗੁਣਾ ਕਰ ਸਕਦੇ ਹਾਂ ਜਿਸ ਨਾਲ ਅਸੀਂ ਵੰਡਿਆ ਹੈ।

ਇਹ ਪਹੁੰਚ ਸਭ ਤੋਂ ਵਧੀਆ ਨਹੀਂ ਹੈ ਕਿਉਂਕਿ ਇਹ ਹਰੇਕ ਗੁਣਾਂਕ ਦੀ ਮਹੱਤਤਾ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਨਹੀਂ ਰੱਖਦਾ ਹੈ। ਇੱਕ ਇੱਕਲੇ ਮੁੱਲ ਦੀ ਬਜਾਏ ਕੁਆਂਟਾਇਜ਼ਰਾਂ ਦੇ ਇੱਕ ਮੈਟ੍ਰਿਕਸ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਇਹ ਮੈਟ੍ਰਿਕਸ ਹੇਠਲੇ ਸੱਜੇ ਦੀ ਬਹੁਗਿਣਤੀ ਅਤੇ ਉੱਪਰਲੇ ਖੱਬੇ ਹਿੱਸੇ ਦੀ ਘੱਟ ਗਿਣਤੀ ਨੂੰ ਮਿਣ ਕੇ DCT ਵਿਸ਼ੇਸ਼ਤਾ ਦਾ ਸ਼ੋਸ਼ਣ ਕਰ ਸਕਦਾ ਹੈ।

ਕਦਮ 5 - ਐਂਟਰੌਪੀ ਕੋਡਿੰਗ

ਇੱਕ ਵਾਰ ਜਦੋਂ ਅਸੀਂ ਡੇਟਾ (ਚਿੱਤਰ ਬਲਾਕ, ਟੁਕੜੇ, ਫਰੇਮ) ਦੀ ਮਾਤਰਾ ਕਰ ਲੈਂਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਇਸਨੂੰ ਬਿਨਾਂ ਕਿਸੇ ਨੁਕਸਾਨ ਦੇ ਸੰਕੁਚਿਤ ਕਰ ਸਕਦੇ ਹਾਂ। ਡੇਟਾ ਨੂੰ ਸੰਕੁਚਿਤ ਕਰਨ ਦੇ ਕਈ ਐਲਗੋਰਿਦਮਿਕ ਤਰੀਕੇ ਹਨ। ਅਸੀਂ ਉਹਨਾਂ ਵਿੱਚੋਂ ਕੁਝ 'ਤੇ ਇੱਕ ਝਾਤ ਮਾਰਨ ਜਾ ਰਹੇ ਹਾਂ, ਡੂੰਘੀ ਸਮਝ ਲਈ ਤੁਸੀਂ ਕਿਤਾਬ ਪੜ੍ਹ ਸਕਦੇ ਹੋ ਅੰਡਰਸਟੈਂਡਿੰਗ ਕੰਪਰੈਸ਼ਨ: ਡੇਟਾ ਕੰਪਰੈਸ਼ਨ ਫਾਰ ਮਾਡਰਨ ਡਿਵੈਲਪਰਸ ("ਕੰਪਰੈਸ਼ਨ ਨੂੰ ਸਮਝਣਾ: ਆਧੁਨਿਕ ਡਿਵੈਲਪਰਾਂ ਲਈ ਡੇਟਾ ਕੰਪਰੈਸ਼ਨ").

VLC ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਵੀਡੀਓ ਇੰਕੋਡਿੰਗ

ਮੰਨ ਲਓ ਕਿ ਸਾਡੇ ਕੋਲ ਅੱਖਰਾਂ ਦੀ ਇੱਕ ਧਾਰਾ ਹੈ: a, e, r и t. ਇਸ ਸਾਰਣੀ ਵਿੱਚ ਹਰੇਕ ਅੱਖਰ ਨੂੰ ਕਿੰਨੀ ਵਾਰ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ, ਇਸਦੀ ਸੰਭਾਵਨਾ (0 ਤੋਂ 1 ਤੱਕ) ਨੂੰ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ।

	a	e	r	t
ਸੰਭਾਵਨਾ	0,3	0,3	0,2	0,2

ਅਸੀਂ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਿਤ ਲੋਕਾਂ ਨੂੰ ਵਿਲੱਖਣ ਬਾਈਨਰੀ ਕੋਡ (ਤਰਜੀਹੀ ਤੌਰ 'ਤੇ ਛੋਟੇ) ਅਤੇ ਘੱਟ ਸੰਭਾਵਨਾ ਵਾਲੇ ਲੋਕਾਂ ਲਈ ਵੱਡੇ ਕੋਡ ਨਿਰਧਾਰਤ ਕਰ ਸਕਦੇ ਹਾਂ।

	a	e	r	t
ਸੰਭਾਵਨਾ	0,3	0,3	0,2	0,2
ਬਾਈਨਰੀ ਕੋਡ	0	10	110	1110

ਅਸੀਂ ਸਟ੍ਰੀਮ ਨੂੰ ਸੰਕੁਚਿਤ ਕਰਦੇ ਹਾਂ, ਇਹ ਮੰਨਦੇ ਹੋਏ ਕਿ ਅਸੀਂ ਹਰੇਕ ਅੱਖਰ ਲਈ 8 ਬਿੱਟ ਖਰਚ ਕਰਾਂਗੇ। ਕੰਪਰੈਸ਼ਨ ਦੇ ਬਿਨਾਂ, ਪ੍ਰਤੀ ਅੱਖਰ ਲਈ 24 ਬਿੱਟਾਂ ਦੀ ਲੋੜ ਹੋਵੇਗੀ। ਜੇਕਰ ਤੁਸੀਂ ਹਰੇਕ ਅੱਖਰ ਨੂੰ ਇਸਦੇ ਕੋਡ ਨਾਲ ਬਦਲਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਬਚਤ ਮਿਲਦੀ ਹੈ!

ਪਹਿਲਾ ਕਦਮ ਅੱਖਰ ਨੂੰ ਏਨਕੋਡ ਕਰਨਾ ਹੈ e, ਜੋ ਕਿ 10 ਦੇ ਬਰਾਬਰ ਹੈ, ਅਤੇ ਦੂਜਾ ਅੱਖਰ ਹੈ a, ਜੋ ਕਿ ਜੋੜਿਆ ਗਿਆ ਹੈ (ਗਣਿਤਿਕ ਤਰੀਕੇ ਨਾਲ ਨਹੀਂ): [10][0], ਅਤੇ ਅੰਤ ਵਿੱਚ ਤੀਜਾ ਅੱਖਰ t, ਜੋ ਸਾਡੀ ਅੰਤਿਮ ਸੰਕੁਚਿਤ ਬਿੱਟਸਟ੍ਰੀਮ ਨੂੰ [10][0][1110] ਜਾਂ ਦੇ ਬਰਾਬਰ ਬਣਾਉਂਦਾ ਹੈ 1001110, ਜਿਸ ਲਈ ਸਿਰਫ਼ 7 ਬਿੱਟ (ਅਸਲ ਨਾਲੋਂ 3,4 ਗੁਣਾ ਘੱਟ ਥਾਂ) ਦੀ ਲੋੜ ਹੈ।

ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਹਰੇਕ ਕੋਡ ਨੂੰ ਇੱਕ ਅਗੇਤਰ ਵਾਲਾ ਵਿਲੱਖਣ ਕੋਡ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਹਫਮੈਨ ਐਲਗੋਰਿਦਮ ਇਹ ਨੰਬਰ ਲੱਭਣ ਵਿੱਚ ਤੁਹਾਡੀ ਮਦਦ ਕਰੇਗਾ। ਹਾਲਾਂਕਿ ਇਹ ਵਿਧੀ ਇਸ ਦੀਆਂ ਖਾਮੀਆਂ ਤੋਂ ਬਿਨਾਂ ਨਹੀਂ ਹੈ, ਇੱਥੇ ਵੀਡੀਓ ਕੋਡੇਕਸ ਹਨ ਜੋ ਅਜੇ ਵੀ ਕੰਪਰੈਸ਼ਨ ਲਈ ਇਸ ਅਲਗੋਰਿਦਮਿਕ ਵਿਧੀ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦੇ ਹਨ.

ਏਨਕੋਡਰ ਅਤੇ ਡੀਕੋਡਰ ਦੋਵਾਂ ਕੋਲ ਉਹਨਾਂ ਦੇ ਬਾਈਨਰੀ ਕੋਡਾਂ ਦੇ ਨਾਲ ਇੱਕ ਪ੍ਰਤੀਕ ਸਾਰਣੀ ਤੱਕ ਪਹੁੰਚ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ। ਇਸ ਲਈ, ਇੱਕ ਸਾਰਣੀ ਨੂੰ ਇਨਪੁਟ ਵਜੋਂ ਭੇਜਣਾ ਵੀ ਜ਼ਰੂਰੀ ਹੈ.

ਅੰਕਗਣਿਤ ਕੋਡਿੰਗ

ਮੰਨ ਲਓ ਕਿ ਸਾਡੇ ਕੋਲ ਅੱਖਰਾਂ ਦੀ ਇੱਕ ਧਾਰਾ ਹੈ: a, e, r, s и t, ਅਤੇ ਉਹਨਾਂ ਦੀ ਸੰਭਾਵਨਾ ਇਸ ਸਾਰਣੀ ਵਿੱਚ ਪੇਸ਼ ਕੀਤੀ ਗਈ ਹੈ।

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

ਇਸ ਸਾਰਣੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਅਸੀਂ ਸਭ ਤੋਂ ਵੱਡੀ ਸੰਖਿਆ ਦੁਆਰਾ ਕ੍ਰਮਬੱਧ ਕੀਤੇ ਸਾਰੇ ਸੰਭਵ ਅੱਖਰਾਂ ਵਾਲੀ ਰੇਂਜ ਬਣਾਵਾਂਗੇ।

ਹੁਣ ਤਿੰਨ ਅੱਖਰਾਂ ਦੀ ਇੱਕ ਸਟ੍ਰੀਮ ਨੂੰ ਏਨਕੋਡ ਕਰੀਏ: ਖਾਓ.

ਪਹਿਲਾਂ ਪਹਿਲਾ ਅੱਖਰ ਚੁਣੋ e, ਜੋ ਕਿ 0,3 ਤੋਂ 0,6 ਤੱਕ ਸਬਰੇਂਜ ਵਿੱਚ ਹੈ (ਸ਼ਾਮਲ ਨਹੀਂ)। ਅਸੀਂ ਇਸ ਸਬਰੇਂਜ ਨੂੰ ਲੈਂਦੇ ਹਾਂ ਅਤੇ ਇਸਨੂੰ ਪਹਿਲਾਂ ਵਾਂਗ ਹੀ ਅਨੁਪਾਤ ਵਿੱਚ ਦੁਬਾਰਾ ਵੰਡਦੇ ਹਾਂ, ਪਰ ਇਸ ਨਵੀਂ ਰੇਂਜ ਲਈ।

ਆਓ ਆਪਣੀ ਸਟ੍ਰੀਮ ਨੂੰ ਕੋਡਿੰਗ ਜਾਰੀ ਰੱਖੀਏ ਖਾਓ. ਹੁਣ ਦੂਜੇ ਅੱਖਰ ਨੂੰ ਲਓ a, ਜੋ ਕਿ 0,3 ਤੋਂ 0,39 ਤੱਕ ਨਵੇਂ ਸਬਰੇਂਜ ਵਿੱਚ ਹੈ, ਅਤੇ ਫਿਰ ਸਾਡਾ ਆਖਰੀ ਅੱਖਰ ਲਓ t ਅਤੇ ਉਸੇ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਦੁਬਾਰਾ ਦੁਹਰਾਉਂਦੇ ਹੋਏ, ਅਸੀਂ 0,354 ਤੋਂ 0,372 ਤੱਕ ਅੰਤਮ ਉਪ-ਰੇਂਜ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਾਂ।

ਸਾਨੂੰ ਸਿਰਫ਼ 0,354 ਤੋਂ 0,372 ਤੱਕ ਆਖਰੀ ਸਬਰੇਂਜ ਵਿੱਚ ਇੱਕ ਨੰਬਰ ਚੁਣਨ ਦੀ ਲੋੜ ਹੈ। ਚਲੋ 0,36 ਦੀ ਚੋਣ ਕਰੀਏ (ਪਰ ਤੁਸੀਂ ਇਸ ਸਬਰੇਂਜ ਵਿੱਚ ਕੋਈ ਹੋਰ ਨੰਬਰ ਚੁਣ ਸਕਦੇ ਹੋ)। ਸਿਰਫ਼ ਇਸ ਨੰਬਰ ਨਾਲ ਹੀ ਅਸੀਂ ਆਪਣੀ ਮੂਲ ਧਾਰਾ ਨੂੰ ਬਹਾਲ ਕਰ ਸਕਾਂਗੇ। ਇਹ ਇਸ ਤਰ੍ਹਾਂ ਹੈ ਜਿਵੇਂ ਅਸੀਂ ਆਪਣੀ ਸਟ੍ਰੀਮ ਨੂੰ ਏਨਕੋਡ ਕਰਨ ਲਈ ਰੇਂਜਾਂ ਦੇ ਅੰਦਰ ਇੱਕ ਲਾਈਨ ਖਿੱਚ ਰਹੇ ਸੀ।

ਉਲਟ ਕਾਰਵਾਈ (ਜੋ ਕਿ, ਡੀਕੋਡਿੰਗ) ਬਿਲਕੁਲ ਸਧਾਰਨ ਹੈ: ਸਾਡੇ ਨੰਬਰ 0,36 ਅਤੇ ਸਾਡੀ ਸ਼ੁਰੂਆਤੀ ਰੇਂਜ ਦੇ ਨਾਲ, ਅਸੀਂ ਉਹੀ ਪ੍ਰਕਿਰਿਆ ਚਲਾ ਸਕਦੇ ਹਾਂ। ਪਰ ਹੁਣ, ਇਸ ਨੰਬਰ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਅਸੀਂ ਇਸ ਨੰਬਰ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਏਨਕੋਡ ਕੀਤੀ ਸਟ੍ਰੀਮ ਦੀ ਪਛਾਣ ਕਰਦੇ ਹਾਂ।

ਪਹਿਲੀ ਰੇਂਜ ਦੇ ਨਾਲ, ਅਸੀਂ ਦੇਖਦੇ ਹਾਂ ਕਿ ਸਾਡਾ ਨੰਬਰ ਟੁਕੜੇ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ, ਇਸਲਈ ਇਹ ਸਾਡਾ ਪਹਿਲਾ ਅੱਖਰ ਹੈ। ਹੁਣ ਅਸੀਂ ਇਸ ਉਪ-ਰੇਂਜ ਨੂੰ ਪਹਿਲਾਂ ਵਾਂਗ ਹੀ ਪ੍ਰਕਿਰਿਆ ਦਾ ਪਾਲਣ ਕਰਕੇ ਦੁਬਾਰਾ ਵੰਡਦੇ ਹਾਂ। ਇੱਥੇ ਤੁਸੀਂ ਵੇਖ ਸਕਦੇ ਹੋ ਕਿ 0,36 ਚਿੰਨ੍ਹ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ a, ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਦੁਹਰਾਉਣ ਤੋਂ ਬਾਅਦ ਅਸੀਂ ਆਖਰੀ ਅੱਖਰ 'ਤੇ ਪਹੁੰਚੇ t (ਸਾਡੀ ਅਸਲ ਏਨਕੋਡ ਕੀਤੀ ਸਟ੍ਰੀਮ ਨੂੰ ਬਣਾਉਣਾ ਖਾਓ).

ਏਨਕੋਡਰ ਅਤੇ ਡੀਕੋਡਰ ਦੋਵਾਂ ਵਿੱਚ ਪ੍ਰਤੀਕ ਸੰਭਾਵਨਾਵਾਂ ਦੀ ਇੱਕ ਸਾਰਣੀ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ, ਇਸਲਈ ਇਸਨੂੰ ਇਨਪੁਟ ਡੇਟਾ ਵਿੱਚ ਵੀ ਭੇਜਣਾ ਜ਼ਰੂਰੀ ਹੈ।

ਕਾਫ਼ੀ ਸ਼ਾਨਦਾਰ, ਹੈ ਨਾ? ਜੋ ਵੀ ਇਸ ਹੱਲ ਦੇ ਨਾਲ ਆਇਆ ਉਹ ਬਹੁਤ ਹੁਸ਼ਿਆਰ ਸੀ. ਕੁਝ ਵੀਡੀਓ ਕੋਡੇਕ ਇਸ ਤਕਨੀਕ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ (ਜਾਂ ਘੱਟੋ ਘੱਟ ਇਸਨੂੰ ਇੱਕ ਵਿਕਲਪ ਵਜੋਂ ਪੇਸ਼ ਕਰਦੇ ਹਨ)।

ਇਹ ਵਿਚਾਰ ਇੱਕ ਕੁਆਂਟਾਈਜ਼ਡ ਬਿੱਟ ਸਟ੍ਰੀਮ ਨੂੰ ਨੁਕਸਾਨ ਰਹਿਤ ਸੰਕੁਚਿਤ ਕਰਨਾ ਹੈ। ਯਕੀਨਨ ਇਸ ਲੇਖ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਵੇਰਵੇ, ਕਾਰਨ, ਵਪਾਰ-ਆਫ, ਆਦਿ ਗੁੰਮ ਹੈ. ਪਰ ਜੇਕਰ ਤੁਸੀਂ ਇੱਕ ਡਿਵੈਲਪਰ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਹੋਰ ਪਤਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਨਵੇਂ ਕੋਡੇਕ ਵੱਖ-ਵੱਖ ਐਂਟਰੌਪੀ ਏਨਕੋਡਿੰਗ ਐਲਗੋਰਿਦਮ ਜਿਵੇਂ ਕਿ ਵਰਤਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਨ ਏ.ਐੱਨ.ਐੱਸ.

ਕਦਮ 6 - ਬਿੱਟਸਟ੍ਰੀਮ ਫਾਰਮੈਟ

ਇਹ ਸਭ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਜੋ ਕੁਝ ਬਚਦਾ ਹੈ ਉਹ ਕੀਤੇ ਗਏ ਕਦਮਾਂ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਸੰਕੁਚਿਤ ਫਰੇਮਾਂ ਨੂੰ ਖੋਲ੍ਹਣਾ ਹੈ। ਡੀਕੋਡਰ ਨੂੰ ਏਨਕੋਡਰ ਦੁਆਰਾ ਲਏ ਗਏ ਫੈਸਲਿਆਂ ਬਾਰੇ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਸੂਚਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਡੀਕੋਡਰ ਨੂੰ ਸਾਰੀਆਂ ਲੋੜੀਂਦੀ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ: ਬਿੱਟ ਡੂੰਘਾਈ, ਰੰਗ ਸਪੇਸ, ਰੈਜ਼ੋਲਿਊਸ਼ਨ, ਪੂਰਵ ਅਨੁਮਾਨ ਜਾਣਕਾਰੀ (ਮੋਸ਼ਨ ਵੈਕਟਰ, ਦਿਸ਼ਾਤਮਕ ਇੰਟਰ ਪੂਰਵ ਅਨੁਮਾਨ), ਪ੍ਰੋਫਾਈਲ, ਪੱਧਰ, ਫਰੇਮ ਰੇਟ, ਫਰੇਮ ਦੀ ਕਿਸਮ, ਫਰੇਮ ਨੰਬਰ ਅਤੇ ਹੋਰ ਬਹੁਤ ਕੁਝ।

ਅਸੀਂ ਬਿੱਟਸਟ੍ਰੀਮ 'ਤੇ ਇੱਕ ਤੇਜ਼ ਨਜ਼ਰ ਮਾਰਾਂਗੇ H.264. ਸਾਡਾ ਪਹਿਲਾ ਕਦਮ ਇੱਕ ਨਿਊਨਤਮ H.264 ਬਿੱਟਸਟ੍ਰੀਮ ਬਣਾਉਣਾ ਹੈ (FFmpeg ਮੂਲ ਰੂਪ ਵਿੱਚ ਸਾਰੇ ਏਨਕੋਡਿੰਗ ਵਿਕਲਪਾਂ ਨੂੰ ਜੋੜਦਾ ਹੈ ਜਿਵੇਂ ਕਿ SEI NAL - ਅਸੀਂ ਇਹ ਪਤਾ ਲਗਾਵਾਂਗੇ ਕਿ ਇਹ ਥੋੜਾ ਹੋਰ ਕੀ ਹੈ)। ਅਸੀਂ ਇਹ ਆਪਣੀ ਖੁਦ ਦੀ ਰਿਪੋਜ਼ਟਰੀ ਅਤੇ FFmpeg ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਰ ਸਕਦੇ ਹਾਂ।

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

ਇਹ ਕਮਾਂਡ ਇੱਕ ਕੱਚਾ ਬਿੱਟਸਟ੍ਰੀਮ ਤਿਆਰ ਕਰੇਗੀ H.264 ਇੱਕ ਫਰੇਮ ਦੇ ਨਾਲ, 64×64 ਰੈਜ਼ੋਲਿਊਸ਼ਨ, ਕਲਰ ਸਪੇਸ ਦੇ ਨਾਲ YUV420. ਇਸ ਕੇਸ ਵਿੱਚ, ਹੇਠ ਦਿੱਤੀ ਤਸਵੀਰ ਇੱਕ ਫਰੇਮ ਦੇ ਤੌਰ ਤੇ ਵਰਤੀ ਜਾਂਦੀ ਹੈ.

H.264 ਬਿੱਟਸਟ੍ਰੀਮ

ਮਿਆਰੀ AVC (H.264) ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਕਿ ਜਾਣਕਾਰੀ ਨੂੰ ਮੈਕਰੋਫ੍ਰੇਮ (ਨੈੱਟਵਰਕ ਅਰਥਾਂ ਵਿੱਚ) ਵਿੱਚ ਭੇਜਿਆ ਜਾਵੇਗਾ, ਜਿਸਨੂੰ ਕਿਹਾ ਜਾਂਦਾ ਹੈ NAL (ਇਹ ਇੱਕ ਨੈੱਟਵਰਕ ਐਬਸਟਰੈਕਸ਼ਨ ਪੱਧਰ ਹੈ)। NAL ਦਾ ਮੁੱਖ ਟੀਚਾ ਇੱਕ "ਵੈੱਬ-ਅਨੁਕੂਲ" ਵੀਡੀਓ ਪੇਸ਼ਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਨਾ ਹੈ। ਇਹ ਮਿਆਰ ਟੀਵੀ (ਸਟ੍ਰੀਮ-ਅਧਾਰਿਤ), ਇੰਟਰਨੈਟ (ਪੈਕੇਟ-ਅਧਾਰਿਤ) 'ਤੇ ਕੰਮ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ।

NAL ਤੱਤਾਂ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਲਈ ਇੱਕ ਸਿੰਕ੍ਰੋਨਾਈਜ਼ੇਸ਼ਨ ਮਾਰਕਰ ਹੈ। ਹਰੇਕ ਸਿੰਕ ਟੋਕਨ ਵਿੱਚ ਇੱਕ ਮੁੱਲ ਹੁੰਦਾ ਹੈ 0x00 0x00 0x01, ਸਭ ਤੋਂ ਪਹਿਲੇ ਨੂੰ ਛੱਡ ਕੇ, ਜੋ ਬਰਾਬਰ ਹੈ 0x00 0x00 0x00 0x01. ਜੇਕਰ ਅਸੀਂ ਲਾਂਚ ਕਰਦੇ ਹਾਂ ਹੈਕਸਡੰਪ ਤਿਆਰ ਕੀਤੇ H.264 ਬਿੱਟਸਟ੍ਰੀਮ ਲਈ, ਅਸੀਂ ਫਾਈਲ ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ ਘੱਟੋ-ਘੱਟ ਤਿੰਨ NAL ਪੈਟਰਨਾਂ ਦੀ ਪਛਾਣ ਕਰਦੇ ਹਾਂ।

ਜਿਵੇਂ ਕਿ ਦੱਸਿਆ ਗਿਆ ਹੈ, ਡੀਕੋਡਰ ਨੂੰ ਸਿਰਫ਼ ਚਿੱਤਰ ਡੇਟਾ ਹੀ ਨਹੀਂ, ਸਗੋਂ ਵੀਡੀਓ, ਫਰੇਮ, ਰੰਗ, ਵਰਤੇ ਗਏ ਪੈਰਾਮੀਟਰਾਂ ਅਤੇ ਹੋਰ ਬਹੁਤ ਕੁਝ ਦੇ ਵੇਰਵੇ ਵੀ ਪਤਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਹਰੇਕ NAL ਦਾ ਪਹਿਲਾ ਬਾਈਟ ਇਸਦੀ ਸ਼੍ਰੇਣੀ ਅਤੇ ਕਿਸਮ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦਾ ਹੈ।

NAL ਕਿਸਮ ਪਛਾਣਕਰਤਾ	ਵੇਰਵਾ
0	ਅਗਿਆਤ ਕਿਸਮ
1	IDR ਤੋਂ ਬਿਨਾਂ ਐਨਕੋਡ ਕੀਤੇ ਚਿੱਤਰ ਦੇ ਟੁਕੜੇ
2	ਕੋਡ ਕੀਤਾ ਟੁਕੜਾ ਡਾਟਾ ਭਾਗ A
3	ਕੋਡ ਕੀਤਾ ਟੁਕੜਾ ਡਾਟਾ ਭਾਗ B
4	ਕੋਡ ਕੀਤਾ ਟੁਕੜਾ ਡਾਟਾ ਭਾਗ C
5	ਇੱਕ IDR ਚਿੱਤਰ ਦਾ ਐਨਕੋਡ ਕੀਤਾ IDR ਟੁਕੜਾ
6	SEI ਐਕਸਟੈਂਸ਼ਨ ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ
7	SPS ਕ੍ਰਮ ਪੈਰਾਮੀਟਰ ਸੈੱਟ
8	PPS ਚਿੱਤਰ ਪੈਰਾਮੀਟਰਾਂ ਦਾ ਸੈੱਟ
9	ਪਹੁੰਚ ਵੱਖ ਕਰਨ ਵਾਲਾ
10	ਕ੍ਰਮ ਦਾ ਅੰਤ
11	ਧਾਗੇ ਦਾ ਅੰਤ
...	...

ਆਮ ਤੌਰ 'ਤੇ ਬਿੱਟਸਟ੍ਰੀਮ ਦਾ ਪਹਿਲਾ NAL ਹੁੰਦਾ ਹੈ ਐਸ ਪੀ ਐਸ. ਇਸ ਕਿਸਮ ਦੀ NAL ਆਮ ਏਨਕੋਡਿੰਗ ਵੇਰੀਏਬਲ ਜਿਵੇਂ ਕਿ ਪ੍ਰੋਫਾਈਲ, ਪੱਧਰ, ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਆਦਿ ਬਾਰੇ ਜਾਣਕਾਰੀ ਦੇਣ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੈ।

ਜੇਕਰ ਅਸੀਂ ਪਹਿਲੇ ਸਿੰਕ ਮਾਰਕਰ ਨੂੰ ਛੱਡਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਇਹ ਪਤਾ ਕਰਨ ਲਈ ਪਹਿਲੇ ਬਾਈਟ ਨੂੰ ਡੀਕੋਡ ਕਰ ਸਕਦੇ ਹਾਂ ਕਿ ਕਿਹੜੀ NAL ਕਿਸਮ ਪਹਿਲਾਂ ਹੈ।

ਉਦਾਹਰਨ ਲਈ, ਸਿੰਕ ਟੋਕਨ ਤੋਂ ਬਾਅਦ ਪਹਿਲਾ ਬਾਈਟ ਹੈ 01100111, ਜਿੱਥੇ ਪਹਿਲਾ ਬਿੱਟ (0) ਖੇਤਰ f ਵਿੱਚ ਹੈorbidden_zero_bit. ਅਗਲੇ 2 ਬਿੱਟ (11) ਸਾਨੂੰ ਖੇਤਰ ਦੱਸਦਾ ਹੈ nal_ref_idc, ਜੋ ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਕੀ ਇਹ NAL ਇੱਕ ਹਵਾਲਾ ਖੇਤਰ ਹੈ ਜਾਂ ਨਹੀਂ। ਅਤੇ ਬਾਕੀ 5 ਬਿੱਟ (00111) ਸਾਨੂੰ ਖੇਤਰ ਦੱਸਦਾ ਹੈ nal_unit_type, ਇਸ ਕੇਸ ਵਿੱਚ ਇਹ SPS ਬਲਾਕ ਹੈ (7) NAL.

ਦੂਜਾ ਬਾਈਟ (ਬਾਈਨਰੀ=01100100, ਹੈਕਸਾ=0x64, ਦਸੰਬਰ ਨੂੰ=100) SPS NAL ਵਿੱਚ ਖੇਤਰ ਹੈ profile_idc, ਜੋ ਏਨਕੋਡਰ ਦੁਆਰਾ ਵਰਤੇ ਗਏ ਪ੍ਰੋਫਾਈਲ ਨੂੰ ਦਿਖਾਉਂਦਾ ਹੈ। ਇਸ ਕੇਸ ਵਿੱਚ, ਇੱਕ ਸੀਮਤ ਉੱਚ ਪ੍ਰੋਫਾਈਲ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਸੀ (ਭਾਵ, ਦੋ-ਦਿਸ਼ਾਵੀ ਬੀ-ਸਗਮੈਂਟ ਸਮਰਥਨ ਤੋਂ ਬਿਨਾਂ ਇੱਕ ਉੱਚ ਪ੍ਰੋਫਾਈਲ)।

ਜੇ ਤੁਸੀਂ ਬਿੱਟਸਟ੍ਰੀਮ ਨਿਰਧਾਰਨ ਨੂੰ ਦੇਖਦੇ ਹੋ H.264 SPS NAL ਲਈ, ਅਸੀਂ ਪੈਰਾਮੀਟਰ ਨਾਮ, ਸ਼੍ਰੇਣੀ ਅਤੇ ਵਰਣਨ ਲਈ ਬਹੁਤ ਸਾਰੇ ਮੁੱਲ ਲੱਭਾਂਗੇ। ਉਦਾਹਰਨ ਲਈ, ਆਓ ਖੇਤਾਂ ਨੂੰ ਵੇਖੀਏ pic_width_in_mbs_minus_1 и pic_height_in_map_units_minus_1.

ਪੈਰਾਮੀਟਰ ਦਾ ਨਾਮ	ਸ਼੍ਰੇਣੀ	ਵੇਰਵਾ
pic_width_in_mbs_minus_1	0	ue(v)
pic_height_in_map_units_minus_1	0	ue(v)

ਜੇਕਰ ਅਸੀਂ ਇਹਨਾਂ ਖੇਤਰਾਂ ਦੇ ਮੁੱਲਾਂ ਨਾਲ ਕੁਝ ਗਣਿਤਿਕ ਕਾਰਵਾਈਆਂ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਪ੍ਰਾਪਤ ਕਰਾਂਗੇ। ਇੱਕ ਵਰਤ ਕੇ 1920 x 1080 ਦੀ ਨੁਮਾਇੰਦਗੀ ਕਰ ਸਕਦਾ ਹੈ pic_width_in_mbs_minus_1 119 (119 + 1) * macroblock_size = 120 * 16 = 1920) ਦੇ ਮੁੱਲ ਨਾਲ। ਦੁਬਾਰਾ, ਸਪੇਸ ਬਚਾਉਣ ਲਈ, 1920 ਨੂੰ ਏਨਕੋਡਿੰਗ ਕਰਨ ਦੀ ਬਜਾਏ, ਅਸੀਂ ਇਸਨੂੰ 119 ਨਾਲ ਕੀਤਾ।

ਜੇਕਰ ਅਸੀਂ ਆਪਣੇ ਬਣਾਏ ਵੀਡੀਓ ਨੂੰ ਬਾਈਨਰੀ ਰੂਪ ਵਿੱਚ ਜਾਂਚਣਾ ਜਾਰੀ ਰੱਖਦੇ ਹਾਂ (ਉਦਾਹਰਨ ਲਈ: xxd -b -c 11 v/minimal_yuv420.h264), ਫਿਰ ਤੁਸੀਂ ਆਖਰੀ NAL 'ਤੇ ਜਾ ਸਕਦੇ ਹੋ, ਜੋ ਕਿ ਫਰੇਮ ਹੀ ਹੈ।

ਇੱਥੇ ਅਸੀਂ ਇਸਦੇ ਪਹਿਲੇ 6 ਬਾਈਟ ਮੁੱਲ ਦੇਖਦੇ ਹਾਂ: 01100101 10001000 10000100 00000000 00100001 11111111. ਕਿਉਂਕਿ ਪਹਿਲੀ ਬਾਈਟ NAL ਕਿਸਮ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਜਾਣੀ ਜਾਂਦੀ ਹੈ, ਇਸ ਕੇਸ ਵਿੱਚ (00101) ਇੱਕ IDR ਟੁਕੜਾ ਹੈ (5), ਅਤੇ ਫਿਰ ਤੁਸੀਂ ਇਸਦੀ ਹੋਰ ਪੜਚੋਲ ਕਰ ਸਕਦੇ ਹੋ:

ਨਿਰਧਾਰਨ ਜਾਣਕਾਰੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਟੁਕੜੇ ਦੀ ਕਿਸਮ ਨੂੰ ਡੀਕੋਡ ਕਰਨਾ ਸੰਭਵ ਹੋਵੇਗਾ (ਟੁਕੜਾ_ਕਿਸਮ) ਅਤੇ ਫਰੇਮ ਨੰਬਰ (frame_num) ਹੋਰ ਮਹੱਤਵਪੂਰਨ ਖੇਤਰਾਂ ਵਿੱਚ.

ਕੁਝ ਖੇਤਰਾਂ ਦੇ ਮੁੱਲ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ (ue(v), me(v), se(v) ਜ te(v)), ਸਾਨੂੰ ਆਧਾਰਿਤ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਡੀਕੋਡਰ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਟੁਕੜੇ ਨੂੰ ਡੀਕੋਡ ਕਰਨ ਦੀ ਲੋੜ ਹੈ ਘਾਤਕ ਗੋਲਮਬ ਕੋਡ. ਇਹ ਵਿਧੀ ਵੇਰੀਏਬਲ ਮੁੱਲਾਂ ਨੂੰ ਏਨਕੋਡਿੰਗ ਕਰਨ ਲਈ ਬਹੁਤ ਕੁਸ਼ਲ ਹੈ, ਖਾਸ ਕਰਕੇ ਜਦੋਂ ਬਹੁਤ ਸਾਰੇ ਡਿਫੌਲਟ ਮੁੱਲ ਹੋਣ।

ਮੁੱਲ ਟੁਕੜਾ_ਕਿਸਮ и frame_num ਇਸ ਵੀਡੀਓ ਦੇ 7 (ਆਈ-ਫੁੱਟ) ਅਤੇ 0 (ਪਹਿਲਾ ਫਰੇਮ) ਹਨ।

ਇੱਕ ਬਿੱਟਸਟ੍ਰੀਮ ਨੂੰ ਇੱਕ ਪ੍ਰੋਟੋਕੋਲ ਵਜੋਂ ਸੋਚਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਜੇ ਤੁਸੀਂ ਬਿੱਟਸਟ੍ਰੀਮ ਬਾਰੇ ਹੋਰ ਜਾਣਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਨਿਰਧਾਰਨ ਦਾ ਹਵਾਲਾ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ ITU H.264. ਇੱਥੇ ਇੱਕ ਮੈਕਰੋ ਡਾਇਗ੍ਰਾਮ ਦਿਖਾਇਆ ਗਿਆ ਹੈ ਕਿ ਚਿੱਤਰ ਡੇਟਾ ਕਿੱਥੇ ਹੈ (YUV ਸੰਕੁਚਿਤ ਰੂਪ ਵਿੱਚ).

ਹੋਰ ਬਿੱਟਸਟ੍ਰੀਮ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ VP9, H.265 (HEVC) ਜਾਂ ਇੱਥੋਂ ਤੱਕ ਕਿ ਸਾਡਾ ਨਵਾਂ ਸਭ ਤੋਂ ਵਧੀਆ ਬਿਟਸਟ੍ਰੀਮ AV1. ਕੀ ਉਹ ਸਾਰੇ ਸਮਾਨ ਹਨ? ਨਹੀਂ, ਪਰ ਇੱਕ ਵਾਰ ਜਦੋਂ ਤੁਸੀਂ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਨੂੰ ਸਮਝ ਲੈਂਦੇ ਹੋ, ਤਾਂ ਬਾਕੀ ਨੂੰ ਸਮਝਣਾ ਬਹੁਤ ਸੌਖਾ ਹੁੰਦਾ ਹੈ।

ਅਭਿਆਸ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ? H.264 ਬਿੱਟਸਟ੍ਰੀਮ ਦੀ ਪੜਚੋਲ ਕਰੋ

ਤੁਸੀਂ ਇੱਕ ਸਿੰਗਲ ਫਰੇਮ ਵੀਡੀਓ ਬਣਾ ਸਕਦੇ ਹੋ ਅਤੇ ਬਿੱਟਸਟ੍ਰੀਮ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ MediaInfo ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ H.264. ਵਾਸਤਵ ਵਿੱਚ, ਤੁਹਾਨੂੰ ਬਿੱਟ ਸਟ੍ਰੀਮ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਵਾਲੇ ਸਰੋਤ ਕੋਡ ਨੂੰ ਦੇਖਣ ਤੋਂ ਵੀ ਕੁਝ ਨਹੀਂ ਰੋਕਦਾ H.264 (AVC).

ਅਭਿਆਸ ਲਈ, ਤੁਸੀਂ ਇੰਟੈਲ ਵੀਡੀਓ ਪ੍ਰੋ ਐਨਾਲਾਈਜ਼ਰ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ (ਕੀ ਮੈਂ ਪਹਿਲਾਂ ਹੀ ਕਿਹਾ ਸੀ ਕਿ ਪ੍ਰੋਗਰਾਮ ਦਾ ਭੁਗਤਾਨ ਕੀਤਾ ਗਿਆ ਹੈ, ਪਰ 10 ਫਰੇਮਾਂ ਦੀ ਸੀਮਾ ਵਾਲਾ ਇੱਕ ਮੁਫਤ ਅਜ਼ਮਾਇਸ਼ ਸੰਸਕਰਣ ਹੈ?)

ਸੰਖੇਪ

ਨੋਟ ਕਰੋ ਕਿ ਬਹੁਤ ਸਾਰੇ ਆਧੁਨਿਕ ਕੋਡੇਕ ਉਹੀ ਮਾਡਲ ਵਰਤਦੇ ਹਨ ਜਿਸਦਾ ਅਸੀਂ ਹੁਣੇ ਅਧਿਐਨ ਕੀਤਾ ਹੈ। ਇੱਥੇ, ਆਉ ਵੀਡੀਓ ਕੋਡੇਕ ਦੇ ਬਲਾਕ ਚਿੱਤਰ 'ਤੇ ਇੱਕ ਨਜ਼ਰ ਮਾਰੀਏ Thor. ਇਸ ਵਿੱਚ ਉਹ ਸਾਰੇ ਪੜਾਅ ਸ਼ਾਮਲ ਹਨ ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ ਅਸੀਂ ਲੰਘੇ ਹਾਂ। ਇਸ ਪੋਸਟ ਦਾ ਪੂਰਾ ਨੁਕਤਾ ਘੱਟੋ ਘੱਟ ਤੁਹਾਨੂੰ ਇਸ ਖੇਤਰ ਵਿੱਚ ਨਵੀਨਤਾਵਾਂ ਅਤੇ ਦਸਤਾਵੇਜ਼ਾਂ ਦੀ ਬਿਹਤਰ ਸਮਝ ਪ੍ਰਦਾਨ ਕਰਨਾ ਹੈ.

ਪਹਿਲਾਂ, ਇਹ ਗਣਨਾ ਕੀਤੀ ਗਈ ਸੀ ਕਿ 139p ਗੁਣਵੱਤਾ ਅਤੇ 720 fps 'ਤੇ ਇੱਕ ਘੰਟੇ ਤੱਕ ਚੱਲਣ ਵਾਲੀ ਵੀਡੀਓ ਫਾਈਲ ਨੂੰ ਸਟੋਰ ਕਰਨ ਲਈ 30 GB ਡਿਸਕ ਸਪੇਸ ਦੀ ਲੋੜ ਹੋਵੇਗੀ। ਜੇ ਤੁਸੀਂ ਇਸ ਲੇਖ ਵਿਚ ਦੱਸੇ ਗਏ ਤਰੀਕਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ (ਅੰਤਰ-ਫਰੇਮ ਅਤੇ ਅੰਦਰੂਨੀ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ, ਪਰਿਵਰਤਨ, ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ, ਐਂਟਰੌਪੀ ਕੋਡਿੰਗ, ਆਦਿ), ਤਾਂ ਤੁਸੀਂ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ (ਇਸ ਤੱਥ ਦੇ ਅਧਾਰ ਤੇ ਕਿ ਅਸੀਂ ਪ੍ਰਤੀ ਪਿਕਸਲ 0,031 ਬਿੱਟ ਖਰਚ ਕਰਦੇ ਹਾਂ), ਕਾਫ਼ੀ ਦੀ ਇੱਕ ਵੀਡੀਓ ਤਸੱਲੀਬਖਸ਼ ਕੁਆਲਿਟੀ, ਸਿਰਫ 367,82 MB ਤੇ ਕਬਜ਼ਾ ਕਰਨਾ, 139 GB ਮੈਮੋਰੀ ਨਹੀਂ।

H.265 H.264 ਨਾਲੋਂ ਬਿਹਤਰ ਕੰਪਰੈਸ਼ਨ ਅਨੁਪਾਤ ਕਿਵੇਂ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ?

ਹੁਣ ਜਦੋਂ ਅਸੀਂ ਇਸ ਬਾਰੇ ਹੋਰ ਜਾਣਦੇ ਹਾਂ ਕਿ ਕੋਡੇਕਸ ਕਿਵੇਂ ਕੰਮ ਕਰਦੇ ਹਨ, ਇਹ ਸਮਝਣਾ ਆਸਾਨ ਹੈ ਕਿ ਨਵੇਂ ਕੋਡੇਕਸ ਘੱਟ ਬਿੱਟਾਂ ਨਾਲ ਉੱਚ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਕਿਵੇਂ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੇ ਹਨ।

ਜੇ ਅਸੀਂ ਤੁਲਨਾ ਕਰਦੇ ਹਾਂ AVC и HEVC, ਇਹ ਯਾਦ ਰੱਖਣ ਯੋਗ ਹੈ ਕਿ ਇਹ ਲਗਭਗ ਹਮੇਸ਼ਾ ਵੱਧ CPU ਲੋਡ ਅਤੇ ਕੰਪਰੈਸ਼ਨ ਅਨੁਪਾਤ ਵਿਚਕਾਰ ਇੱਕ ਵਿਕਲਪ ਹੁੰਦਾ ਹੈ।

HEVC ਨਾਲੋਂ ਵੱਧ ਸੈਕਸ਼ਨ (ਅਤੇ ਉਪ ਧਾਰਾ) ਵਿਕਲਪ ਹਨ AVC, ਹੋਰ ਅੰਦਰੂਨੀ ਪੂਰਵ-ਅਨੁਮਾਨ ਦਿਸ਼ਾਵਾਂ, ਸੁਧਾਰੀ ਐਂਟਰੌਪੀ ਕੋਡਿੰਗ, ਅਤੇ ਹੋਰ ਬਹੁਤ ਕੁਝ। ਇਹ ਸਾਰੇ ਸੁਧਾਰ ਕੀਤੇ ਗਏ ਹਨ H.265 50% ਤੋਂ ਵੱਧ ਸੰਕੁਚਿਤ ਕਰਨ ਦੇ ਸਮਰੱਥ H.264.

ਪਹਿਲਾ ਭਾਗ: ਵੀਡੀਓ ਅਤੇ ਚਿੱਤਰਾਂ ਨਾਲ ਕੰਮ ਕਰਨ ਦੀਆਂ ਮੂਲ ਗੱਲਾਂ

ਸਰੋਤ: www.habr.com