वीडियो संपीड़न - परिचय

दिन बीतते जा रहे हैं, वीडियो की गुणवत्ता की आवश्यकताएं लगातार बढ़ रही हैं। इसी समय, अगर वीडियो संपीड़न एल्गोरिदम में सुधार नहीं किया गया था तो चैनल की चौड़ाई और भंडारण क्षमता इस वृद्धि के साथ नहीं रह सकती है।

अगला, हम वीडियो संपीड़न की कुछ बुनियादी अवधारणाओं पर चर्चा करेंगे। उनमें से कुछ कुछ पुराने हैं या बहुत सरल रूप से वर्णित हैं, लेकिन एक ही समय में एक न्यूनतम विचार देते हैं कि सब कुछ कैसे काम करता है।





मोशन वैक्टर के लिए गति की भरपाई के लिए खोजें (-: इस पर अधिक ...

वीडियो स्ट्रीम सुविधाएँ

लगभग सभी जानते हैं कि कोई भी वीडियो बहुत सारी स्थिर तस्वीरें हैं जो समय के साथ एक-दूसरे को बदल देंगी। इसके अलावा, हम इस आदेशित वीडियो स्ट्रीम को कॉल करेंगे। वे अलग-अलग हैं, इसलिए एक छोटा वर्गीकरण करने के लिए यह अत्यंत उपयोगी है:

• पिक्सेल प्रारूप एक पिक्सेल हमें इसके रंग के अलावा कोई जानकारी नहीं देता है। हालांकि, रंग की धारणा अत्यधिक व्यक्तिपरक है, और रंग प्रतिपादन और रंग प्रतिपादन प्रणाली बनाने के लिए बहुत प्रयास किए गए हैं जो ज्यादातर लोगों को स्वीकार्य होंगे। तो जो रंग हम वास्तविक दुनिया में देखते हैं, वह प्रकाश आवृत्तियों के स्पेक्ट्रम में काफी जटिल होता है, जिसे डिजिटल रूप में प्रसारित करना बेहद कठिन होता है, और यहां तक ​​कि प्रदर्शित करना भी अधिक कठिन होता है। हालांकि, यह नोट किया गया था कि स्पेक्ट्रम के सभी तीन बिंदु एक सामान्य व्यक्ति द्वारा रंग धारणा के मीट्रिक में वर्तमान में प्रदर्शित रंग को सटीक रूप से अनुमानित कर सकते हैं। ये तीन बिंदु लाल, हरे और नीले हैं। यही है, उनके रैखिक संयोजन के साथ, हम रंगों के अधिकांश दृश्यमान स्पेक्ट्रम को कवर कर सकते हैं। इसलिए, पिक्सेल का प्रतिनिधित्व करने का सबसे आसान तरीका RGB24 है , जहां बिल्कुल 8 बिट्स की जानकारी को लाल, हरे और नीले घटकों को आवंटित किया जाता है। और इसलिए हम प्रत्येक रंग के 256 उन्नयन और कुल 16,777,216 रंगों के सभी प्रकार बता सकते हैं। लेकिन व्यवहार में, इस तरह के रंग प्रतिनिधित्व व्यावहारिक रूप से भंडारण के दौरान उपयोग नहीं किया जाता है, न केवल इसलिए कि हम प्रति पिक्सेल 3 बाइट्स के रूप में खर्च करते हैं, बल्कि अन्य कारणों से भी, लेकिन बाद में ( वाईवी 12 के बारे में)।
• फ्रेम का आकार । हमने वीडियो स्ट्रीम के सभी पिक्सल को पहले ही ले लिया है और इनकोडिंग कर लिया है और डेटा का एक विशाल सरणी प्राप्त किया है, लेकिन इसके साथ काम करना असुविधाजनक है। सबसे पहले, सब कुछ बहुत सरल है, फ्रेम की विशेषता है: चौड़ाई, ऊंचाई, दृश्य भाग का आकार और प्रारूप (बाद में उस पर अधिक)। यहाँ, निश्चित रूप से, संख्याएँ बहुतों से परिचित होंगी: 640x480, 720x480, 720x576, 1280x720, 1920x1080 । क्यों? हां, क्योंकि वे विभिन्न मानकों में दिखाई देते हैं, उदाहरण के लिए, 720x576 रिज़ॉल्यूशन में यूरोपीय डीवीडी का एक बड़ा हिस्सा है। नहीं, बेशक, आप 417x503 वीडियो बना सकते हैं, लेकिन मुझे नहीं लगता कि इसमें कुछ भी अच्छा होगा।
• फ्रेम प्रारूप । फ्रेम के आकार को जानते हुए भी, हम फ्रेम की "पैक" करने के तरीके के बारे में जानकारी के बिना, अधिक सुविधाजनक रूप में पिक्सेल की एक सरणी की कल्पना नहीं कर सकते। सरलतम मामले में, कुछ भी मुश्किल नहीं है: हम पिक्सेल की एक स्ट्रिंग लेते हैं और प्रत्येक एन्कोडेड पिक्सेल के बिट्स को पंक्ति में लिखते हैं, और इसलिए लाइन द्वारा लाइन। यही है, हम कई पंक्तियों के रूप में लिखते हैं, क्योंकि हमारे पास एक चौड़ाई और सब कुछ है जितनी ऊंचाई में एक पंक्ति में, उतने पिक्सेल हैं। इस स्कैन को प्रगतिशील कहा जाता है । लेकिन हो सकता है कि आपने उचित सेटिंग्स के बिना कंप्यूटर पर टीवी शो देखने की कोशिश की और "कंघी प्रभाव" देखा, यह तब है जब एक ही वस्तु अलग-अलग स्थिति में समान और विषम रेखाओं के सापेक्ष होती है। आप इंटरलेज्ड स्कैनिंग की व्यवहार्यता के बारे में बहुत लंबे समय तक बहस कर सकते हैं, लेकिन यह तथ्य कि यह परंपरागत टेलीविजन से अतीत के अवशेष के रूप में बना रहा (कोई भी जिसे किनेस्कोप डिवाइस के बारे में पढ़ना है)। मैं इस अप्रिय प्रभाव को खत्म करने ( deinterlacing ) के तरीकों के बारे में नहीं बोलूंगा। यहां से जादू की धारणा आती है: 576i, 720p, 1080i, 1080p , जो लाइनों की संख्या (फ्रेम ऊंचाई) और स्कैन के प्रकार को इंगित करता है।
• फ्रेम दर । मानक मानों में से एक: 23.976, 24, 25 और 29.97 फ्रेम प्रति सेकंड। उदाहरण के लिए, 25 एफपीएस का उपयोग यूरोपीय टेलीविजन में किया जाता है, अमेरिकी में 29.97, और 24 एफपीएस की आवृत्ति के साथ फिल्म पर फिल्माया जाता है। लेकिन 23.76 और 29.97 "अजीब" कहाँ से आया? मैं आपको एक रहस्य बताता हूं: 23.976 = 24 / 1.001, और 29.97 = 30 / 1.001, अर्थात्, 1.001 विभक्त अमेरिकी टेलीविज़न प्रसारण NTSC के मानक में शामिल है। तदनुसार, जब फिल्म दिखाई जाती है, तो बहुत मामूली मंदी होगी, जो दर्शक को ध्यान देने योग्य नहीं होगी, लेकिन अगर यह एक संगीत समारोह है, तो शो की गति इतनी महत्वपूर्ण है कि समय-समय पर फ़्रेम को छोड़ना बेहतर है और फिर से दर्शक को कुछ भी ध्यान नहीं होगा। हालाँकि मैंने थोड़ा धोखा दिया, अमेरिकन टीवी कभी भी "24" फ्रेम प्रति सेकंड नहीं दिखाता, लेकिन "30" इंटरलेस्ड फ्रेम (और 59.94 आधा फ्रेम प्रति सेकंड, जो उनकी बिजली आपूर्ति की आवृत्ति से मेल खाती है), लेकिन उन्हें "शटर" विधि ( 3: का उपयोग करके प्राप्त किया जाता है) 2 पुलडाउन )। विधि का सार यह है कि हमारे पास 2 पूर्ण फ्रेम और 5 आधे फ्रेम हैं, और हम पहले 3 आधे फ्रेम को पहले फ्रेम से जानकारी के साथ भरेंगे, और शेष 2 दूसरे से। यही है, आधे फ्रेम का क्रम निम्नानुसार है: [1 शीर्ष, 1 नीचे], [1] शीर्ष, 2 नीचे], [2 शीर्ष, 3 नीचे], [3 शीर्ष, 3 नीचे], [4 शीर्ष, 4 नीचे], आदि। जहाँ शीर्ष शीर्ष रेखाएँ ( फ़ील्ड्स, फ़ील्ड्स ) हैं, और नीचे वाले नीचे वाले हैं, अर्थात्, क्रमशः और ऊपर से शुरू होने वाले हैं। इस प्रकार, फिल्म की तस्वीर टीवी पर काफी उपलब्ध है, लेकिन डायनामिक दृश्यों पर ट्विचिंग ध्यान देने योग्य है। फ्रेम दर परिवर्तनीय हो सकती है, लेकिन इससे जुड़ी कई समस्याएं हैं, इसलिए मैं इस मामले पर विचार नहीं करूंगा।
• वैश्विक विशेषताएं । उपरोक्त सभी स्थानीय गुणों पर लागू होते हैं, अर्थात्, जो प्लेबैक के दौरान परिलक्षित होते हैं। लेकिन समय में वीडियो स्ट्रीम की अवधि , डेटा की मात्रा, अतिरिक्त जानकारी की उपलब्धता, निर्भरता आदि। उदाहरण के लिए: एक वीडियो स्ट्रीम में एक स्ट्रीम हो सकती है जो बाईं आंख से मेल खाती है, और दूसरी स्ट्रीम किसी तरह से दाईं आंख और बाईं ओर के अंतर के बारे में जानकारी संग्रहीत करेगी। तो आप स्टीरियो वीडियो या लोकप्रिय रूप से ज्ञात "3 डी" प्रसारित कर सकते हैं।

आपको वीडियो कंप्रेस करने की आवश्यकता क्यों है?

यदि हम वीडियो को असम्पीडित स्थानांतरित करते हैं, तो कुछ भी गंभीर के लिए, हमारे पास पर्याप्त संचार चैनल या डेटा स्टोर करने के लिए जगह नहीं होगी। मान लीजिए कि हमारे पास विशेषताओं के साथ एक एचडी स्ट्रीम है:

1920x1080p, 24 एफपीएस, RGB24 और इस तरह के एक स्ट्रीम की "लागत" की गणना।

1920 * 1080 * 24 * 24 = 1139 मेगाबिट्स / और अगर हम 90 मिनट की फिल्म रिकॉर्ड करना चाहते हैं, तो 90 * 60 * 1139 = 750 गीगाबाइट की आवश्यकता होगी! कूल? यह इस तथ्य के बावजूद है कि BluRay पर समान 1920x1080p के साथ अद्भुत गुणवत्ता की फिल्म का एक वीडियो 20 जीबी पर कब्जा करेगा, अर्थात, अंतर लगभग 40 गुना है!

जाहिर है, वीडियो में संपीड़न की आवश्यकता होती है, विशेष रूप से यह देखते हुए कि आप दर्शक को प्रसन्न करते हुए आकार को 40 या अधिक बार कम कर सकते हैं।

मैं कैसे बचा सकता हूं?

• रंग कोडन । निश्चित रूप से बहुत से लोग जानते हैं कि एक समय में टेलीविजन काला और सफेद था, लेकिन आज का टेलीविजन पूरी तरह से रंग में है। लेकिन ब्लैक एंड व्हाइट टीवी अभी भी प्रसारण दिखा सकता है। तथ्य यह है कि एक टेलीविजन सिग्नल में, चमक को रंग घटकों से अलग से एन्कोड किया गया है और YUV प्रारूप (विकिपीडिया पर अधिक) में प्रस्तुत किया गया है। जहां Y का घटक चमक है, और U और V रंग घटक हैं और यह सब "जादू" सूत्र का उपयोग करके गणना की जाती है:
  
  Y = 0.299 * R + 0.587 * G + 0.114 * B

U = -0.14713 * R - 0.28886 * G + 0.436 * B

V = 0.615 * R - 0.51499 * G - 0.10001 * B
  
  
  
  
  
  जैसा कि देखा जा सकता है, परिवर्तन रैखिक और गैर-पतित है। इसलिए, हम आसानी से आर, जी और बी के मूल्यों को वापस पा सकते हैं। मान लीजिए कि हम वाई, यू और वी को स्टोर करते हैं, हम प्रत्येक को 8 बिट्स आवंटित करेंगे, तो 24 पिक्सेल प्रति पिक्सेल थे और वह बाईं ओर था। कोई बचत नहीं। लेकिन इंसान की आंखें चमक के प्रति संवेदनशील होती हैं, लेकिन यह रंग के प्रति बहुत अधिक दिखावा नहीं है। हां, और लगभग सभी छवियों में, रंग एक दूसरे को इतनी बार नहीं बदलते हैं। यदि हम सशर्त रूप से छवि को Y, U, और V लेयर्स में विभाजित करते हैं और ब्राइटनेस लेयर को अपरिवर्तित छोड़ देते हैं, और U और V लेयर्स को ऊंचाई में आधा और चौड़ाई में आधा कर दिया जाएगा, और वह चौगुनी हो जाएगी। पहले, प्रत्येक पिक्सेल पर 24 बिट्स खर्च किए जाते थे, लेकिन अब हम 8 * 4 + 8 + 8 = 48 बिट्स प्रति 4 पिक्सेल खर्च करते हैं, अर्थात, मोटे तौर पर बोल प्रति पिक्सेल 12 बिट्स (यही कारण है कि इस एन्कोडिंग प्रारूप को वाईवी 12 कहा जाता है)। रंग के पतले होने के कारण , हमने बिना किसी महत्वपूर्ण नुकसान के दो बार प्रवाह को निचोड़ा। उदाहरण के लिए, जेपीईजी हमेशा इस तरह के रूपांतरण करता है, लेकिन अन्य संभावित कलाकृतियों की तुलना में, रंग का पतला होना कोई नुकसान नहीं पहुंचाता है।
• छवि अतिरेक । मैं विशेष रूप से यहां नहीं रहूंगा, क्योंकि छवि संपीड़न एल्गोरिदम से कोई मतभेद नहीं हैं। वही JPEG असतत कोसाइन परिवर्तन (DCT) और मात्रा का ठहराव के तरीकों द्वारा अपने स्थानीय अतिरेक के कारण छवि को संकुचित करता है, जिसे फिर से विकिपीडिया पर पढ़ा जा सकता है। मैं केवल यह इंगित करता हूं कि कोडेक में निर्मित स्थिर छवि संपीड़न एल्गोरिदम को वास्तविक छवियों के समान दूर से संपीड़ित करना चाहिए, आपको जल्द ही पता चल जाएगा कि क्यों।
• अंतर-फ्रेम अंतर । निश्चित रूप से, कोई भी वीडियो देखने वाला व्यक्ति यह नोटिस करेगा कि चित्र नाटकीय रूप से नहीं बदलते हैं, और पड़ोसी फ्रेम काफी समान हैं। बेशक, अचानक परिवर्तन होते हैं, लेकिन वे आम तौर पर दृश्य बदलते समय होते हैं। और यहां समस्या उत्पन्न होती है: कंप्यूटर को सभी संभावित छवि परिवर्तनों का प्रतिनिधित्व कैसे करना चाहिए? गति क्षतिपूर्ति एल्गोरिथ्म बचाव के लिए आता है। मैंने उनके बारे में एक विकिपीडिया लेख लिखा। कॉपी-पेस्ट का उत्पादन नहीं करने के लिए, मैं केवल मुख्य बिंदुओं तक ही सीमित रहूंगा। छवि को ब्लॉकों में विभाजित किया गया है और उनमें से प्रत्येक के आसपास के क्षेत्र में एक समान ब्लॉक दूसरे फ्रेम ( गति अनुमान ) के लिए खोजा जाता है , इसलिए गति वैक्टर का क्षेत्र प्राप्त होता है। और पहले से ही मुआवजे ( गति क्षतिपूर्ति ) के दौरान, गति वैक्टर को ध्यान में रखा जाता है, और एक छवि मूल फ्रेम के समान सामान्य रूप से बनाई जाती है।
  
  
  
  
  
  गति मुआवजे से पहले अंतर
  
  
  
  
  
  मूल और मुआवजा फ्रेम के बीच अंतर
  
  
  
  यहां यह स्पष्ट रूप से देखा गया है कि मूल अंतर-फ्रेम अंतर मूल और मुआवजा फ्रेम के बीच के अंतर से बहुत बड़ा है। छवियों को संपीड़ित करते समय जानकारी की मात्रा को देखते हुए, हम मोशन वैक्टर को लगभग मुफ्त में बचा सकते हैं। उन्होंने ऐसा किया और फिर स्थिर छवियों के लिए संपीड़न एल्गोरिदम द्वारा मुआवजे के अंतरफ्रेम अंतर की छवि को संकुचित कर दिया। और चूंकि दूसरी छवि में खुली छवि गड़बड़ है, इसलिए छवि संपीड़न एल्गोरिदम को ऐसी चीजों के साथ सही ढंग से काम करना चाहिए। ऐसी छवियों के बड़े अतिरेक के कारण, वे बहुत दृढ़ता से संपीड़ित करते हैं। लेकिन अगर कोडेक उन्हें बहुत अधिक संकुचित करता है, तो अवरुद्ध प्रभाव होता है। पुराने एल्गोरिदम किसी भी तरह से चमक में वस्तुओं में परिवर्तन को ध्यान में नहीं रखते हैं, यही वजह है कि टीवी के साथ कैमरे की चमक के साथ राष्ट्रपति की रुकावट दिखाई देती है।
• फ्रेम के अनुक्रम का संगठन । सबसे पहले, कोडेक बदलते दृश्यों के प्रति संवेदनशील होना चाहिए। यह निर्धारित करना काफी सरल है, क्योंकि गति क्षतिपूर्ति इस मामले में बदसूरत हो जाएगी। एक नए दृश्य "जैसा है" की शुरुआत के फ्रेम को संरक्षित करना तर्कसंगत है, क्योंकि यह पहले से सामना किए गए कुछ भी नहीं दिखता है। ऐसे फ्रेम को संदर्भ फ्रेम ( आई-फ्रेम ) कहा जाता है। और फिर ऐसे फ्रेम होते हैं जिनसे गति क्षतिपूर्ति लागू की गई थी, अर्थात वे संदर्भ फ्रेम और एक दूसरे पर निर्भर करते हैं। यह पी-फ्रेम या बी-फ्रेम हो सकता है । पूर्व केवल पिछले फ्रेम पर भरोसा कर सकता है, और बाद वाला बाएं और दाएं पड़ोसियों पर आधारित हो सकता है। I- फ्रेम और इसके सभी आश्रित एक GOP (चित्रों का समूह) बनाते हैं। द्वि-फ़्रेमों का उपयोग करने के लाभ: त्वरित नेविगेशन (क्योंकि पिछले द्वि-फ़्रेमों को डिकोड करने की आवश्यकता नहीं है) और यह तथ्य कि वे फिल्म के सभी फ्रेमों में सबसे छोटे आकार के हैं, और थोड़ी कम गुणवत्ता (लेकिन बेहतर फ्रेम के साथ तेजी से वैकल्पिक) इसे दर्शक के लिए असंगत बनाता है)।
• आउटपुट का अतिरेक । सभी संपीड़न प्रक्रियाएं पूरी होने के बाद भी, गुणांक प्रवाह में अतिरेक है। इसके अलावा, विभिन्न दोषरहित संपीड़न विधियों को लागू किया जा सकता है। उदाहरण के लिए, H.264 कोडेक में, दो संस्करण हैं, CABAC और CAVLC , जो एक शक्तिशाली संभाव्य मॉडल के साथ अंकगणितीय संपीड़न को लागू करते हैं और हफ़मैन को एक सरल मॉडल के साथ कार्यान्वित करते हैं। अज्ञात कारणों के लिए, Apple बाद वाले विकल्प को पसंद करता है, हालांकि अच्छे डिकोडर्स पर गति का अंतर महत्वहीन है।

एक निष्कर्ष के बजाय

मैंने आपको कुछ बुनियादी अवधारणाओं को बताने की कोशिश की, जो तकनीकी विवरणों से बहुत अधिक भरी हुई नहीं हैं। आगे मैं कोडेक्स, कंटेनर आदि की संरचना के बारे में बात करूंगा। जो लोग वीडियो संपीड़न और प्रसंस्करण में गंभीरता से रुचि रखते हैं, उनके लिए एक संपीड़न.ru साइट है जो कंप्यूटर ग्राफिक्स की देशी प्रयोगशाला और वीएमके मॉस्को स्टेट यूनिवर्सिटी के मल्टीमीडिया द्वारा समर्थित है।

जारी रखने के लिए ...