音视频编程ffmepg中的关键术语与概念：深度解析与实践（二）-阿里云开发者社区

音视频编程ffmepg中的关键术语与概念：深度解析与实践（一）https://developer.aliyun.com/article/1465227

4.2 容器格式：MP4，MKV等

在音视频编程中，我们经常会遇到各种各样的文件格式，这些文件格式通常被称为“容器”（Container）。容器可以包含多种类型的数据，例如音频流，视频流，字幕，元数据等。每种容器都有其特定的特性和用途。下面我们将详细介绍几种常见的容器格式。

4.2.1 MP4（MPEG-4 Part 14）

MP4（MPEG-4 Part 14）是一种非常常见的容器格式，它由Moving Picture Experts Group（MPEG）开发。MP4格式支持多种类型的数据，包括音频（如AAC和MP3），视频（如H.264和H.265），字幕以及元数据。

MP4的主要优点是高度兼容性和广泛的支持。几乎所有的设备和平台都支持MP4格式，包括各种浏览器，操作系统，移动设备等。此外，MP4还支持高质量的视频和音频，以及高效的压缩算法，使得MP4文件可以在保持较高质量的同时，具有较小的文件大小。

4.2.2 MKV（Matroska Video）

MKV是一种开源的容器格式，它可以包含无限数量的音频，视频，字幕轨道以及元数据。MKV的主要优点是其灵活性和功能强大。例如，MKV支持几乎所有的音频和视频编解码格式，支持多种字幕格式，以及丰富的元数据。

MKV的一个重要特性是支持章节，菜单和元数据，这使得MKV非常适合用于存储电影和电视节目。此外，MKV还支持无损音频和高质量视频，使得它在音乐和电影爱好者中非常受欢迎。

4.2.3 其他容器格式

除了MP4和MKV之外，还有许多其他的容器格式，例如AVI，MOV，FLV等。这些格式各有其特点和用途，例如AVI格式在早期的Windows平台上非常流行，MOV是Apple的QuickTime软件的默认格式，FLV被广泛用于网络视频流等。

在选择容器格式时，需要考虑多

个因素，包括你的目标平台，所需的功能，以及你的音频和视频编解码格式等。

在音视频编程中，理解和选择合适的容器格式是非常重要的。不同的容器格式有不同的特性和优点，选择合适的容器可以帮助你更有效地处理和传输音视频数据。

4.3 编解码库：FFmpeg，Libav等

在音视频流处理中，编解码库（Codec Libraries）是非常关键的一部分，它们提供了音视频编解码、格式转换、流媒体传输等功能。在这里，我们将重点介绍两个广泛使用的开源编解码库：FFmpeg和Libav。

4.3.1 FFmpeg

FFmpeg（快速前向移动图片组）是一个开源的音视频处理库，包含了众多音视频编解码器，用于录制、转换数字音视频，并能将其转化为流。它提供了录制、转换以及流化音视频的完整解决方案，包括了领先的音、视频编码库。

功能丰富：FFmpeg具有非常丰富的功能，包括音视频录制、音视频转换、音视频编解码、音视频流化等。它几乎支持所有的音视频格式，能够满足大部分音视频处理的需求。
跨平台：FFmpeg不仅支持Linux，还支持Windows、Mac OS X等操作系统，甚至包括一些嵌入式系统，如Android和iOS。
高效性能：FFmpeg在设计时充分考虑了效率问题，能够充分利用现代CPU的多核特性，进行并行处理，大大提高了音视频处理的效率。
活跃的社区：FFmpeg有一个非常活跃的开源社区，不断有新的功能被添加进来，同时也有很多人在维护和优化，保证了FFmpeg的稳定性和先进性。

4.3.2 Libav

Libav是从FFmpeg项目中分离出来的一个开源项目，它提供了一套完整的解决方案，用于处理多媒体数据，包括音频、视频、字幕、元数据等。

全面的解决方案：Libav包含了一系列工具，包括用于处理音视频数据的库，以及用于音视频转换、流化的命令行工具。
高度兼容：由于Libav和FFmpeg有共同的祖先，因此它们在API和ABI上有很高的兼容性，大部分基于FFmpeg的应用可以无缝切换到Libav。
活跃的社区：Libav也有一个

活跃的社区：Libav也有一个非常活跃的开源社区，不断有新的功能被添加进来，同时也有很多人在维护和优化，保证了Libav的稳定性和先进性。

在音视频流处理中，FFmpeg和Libav都是非常重要的工具，它们提供了丰富的功能，能够满足大部分音视频处理的需求。然而，它们各有特点，选择使用哪一个，需要根据具体的需求来决定。

例如，一项研究《A Novel Real-time Video Transmission Approach for Remote Laboratory Development》中，作者使用了FFmpeg来开发一个基于HTTP Live Streaming (HLS)协议的实时视频传输解决方案，成功解决了网络防火墙的问题，使得终端用户可以在任何便携设备上观看实时实验直播视频，无需担心防火墙问题或需要第三方插件。

这个例子展示了FFmpeg在处理音视频流时的强大能力。然而，这并不意味着Libav就没有用武之地，事实上，由于Libav和FFmpeg有共同的祖先，因此它们在API和ABI上有很高的兼容性，大部分基于FFmpeg的应用可以无缝切换到Libav，这为开发者提供了更多的选择。

总的来说，FFmpeg和Libav都是非常优秀的音视频处理库，选择使用哪一个，需要根据具体的项目需求和个人喜好来决定。

5. 音频采样格式详解

5.1 音频采样格式：平面格式（Planar Formats）

在音频编程中，除了音频采样的数据类型（如整数、浮点数等）外，音频数据的存储方式也是非常重要的。这就引出了我们的下一个主题：平面格式（Planar Formats）。

5.1.1 平面格式（Planar）和打包格式（Packed）

在处理多声道音频数据时，有两种常见的数据布局：平面（Planar）和打包（Packed）。

打包格式（Packed）：在打包格式中，多个声道的样本是交错存储的。例如，对于立体声（stereo）音频，左声道（L）和右声道（R）的样本可能会以LRLRLR的方式交错存储。
平面格式（Planar）：在平面格式中，每个声道的样本都是连续存储的。例如，对于立体声音频，所有左声道的样本会先存储，然后是所有右声道的样本，形成LL…RR…的存储方式。

5.1.2 FLTP（Float Planar）

FLTP是一种特殊的音频采样格式，它结合了浮点数和平面格式的特性。在FLTP中，音频数据是以浮点数形式存储的，并且采用平面格式布局。这意味着每个声道的所有样本都是连续存储的，而且每个样本都是浮点数。

FLTP格式的优点是它可以提供大的动态范围和精确的表示，同时也方便对单个声道的数据进行处理。例如，如果你想要修改音频的左声道，你可以直接访问存储左声道样本的内存区域，而不需要遍历整个音频数据来找到左声道的样本。

然而，FLTP格式的缺点是它需要更多的内存来存储音频数据，因为浮点数通常需要更多的存储空间。此外，处理浮点数也需要更多的计算资源，尤其是在嵌入式系统或低功耗设备上。

5.1.3 其他平面格式

除了FLTP外，还有其他的平面格式，如：

S16P（Signed 16-bit Planar）：这是一种16位有符号整数平面格式。在S16P中，音频数据以16位有符号整数形式存储，并采用平面格式布局。
U8P（Unsigned 8-bit Planar）：这是一种8位无符号整数平面格式。在U8P中，音频数据以8位无符号整数形式存储，并采用平面格式布局。

这些平面格式各有优缺点，选择哪种

格式取决于你的具体需求，包括你的音频数据的特性（如声道数、采样率等），你的硬件和软件环境（如处理器的性能、内存的大小、操作系统等），以及你的应用场景（如实时音频处理、音频文件编码等）。

5.1.4 平面格式的编程应用

在编程中，处理平面格式的音频数据需要一些特殊的技巧。由于平面格式中每个声道的样本都是连续存储的，所以我们不能简单地通过一个循环来遍历所有的样本。相反，我们需要分别处理每个声道的数据。

例如，假设我们有一个FLTP格式的立体声音频数据，我们想要将左声道的音量增加50%，右声道的音量减少50%。我们可以通过以下的代码来实现这个功能：

float *left_channel = audio_data;
float *right_channel = audio_data + num_samples;
for (int i = 0; i < num_samples; i++) {
    left_channel[i] *= 1.5;  // 增加左声道的音量
    right_channel[i] *= 0.5; // 减少右声道的音量
}

在这个例子中，我们首先通过指针运算获取到左声道和右声道数据的起始位置。然后，我们分别处理左声道和右声道的数据，通过直接修改音频数据来改变音量。

这种处理方式的优点是它可以直接对音频数据进行操作，无需额外的数据结构或复杂的算法。然而，这也意味着我们需要对音频数据的内部结构有深入的理解，才能正确地处理平面格式的音频数据。

5.2音频采样格式：打包格式（Packed Formats）

在我们之前的讨论中，我们已经介绍了平面格式（Planar Formats），这是一种音频数据的布局方式，其中每个声道的样本都是连续存储的。然而，平面格式并不是唯一的音频数据布局方式。在这一节中，我们将介绍另一种常见的布局方式：打包格式（Packed Formats）。

5.2.1 打包格式（Packed）的概念

在打包格式（Packed）中，多个声道的样本是交错存储的。例如，对于立体声（stereo）音频，左声道（L）和右声道（R）的样本可能会以LRLRLR的方式交错存储。这种布局方式的优点是它可以更好地利用内存，因为它不需要为每个声道分配单独的内存区域。

5.2.2 打包格式的音频采样格式

在FFmpeg中，打包格式的音频采样格式通常以"P"结尾。例如：

FLT（Float Packed）：在FLT中，音频数据是以浮点数形式存储的，并且采用打包格式布局。这意味着左声道和右声道的样本会交错存储，形成LRLRLR…的存储方式。
S16（Signed 16-bit Packed）：这是一种16位有符号整数打包格式。在S16中，音频数据以16位有符号整数形式存储，并采用打包格式布局。
U8（Unsigned 8-bit Packed）：这是一种8位无符号整数打包格式。在U8中，音频数据以8位无符号整数形式存储，并采用打包格式布局。

5.2.3 打包格式的编程应用

在编程中，处理打包格式的音频数据比处理平面格式的音频数据要简单一些。由于打包格式中多个声道的样本是交错存储的，我们可以通过一个简单的循环来遍历所有的样本。

例如，假设我们有一个FLT格式的立体声音频数据，我们想要将左声道的音量增加50%，右声道的音量减少50%。我们可以通过以下的代码来实现这个功能：

float *audio_data = ...;
int num_samples = ...;
for (int i = 0; i < num_samples; i += 2) {
    audio_data[i] *= 1.5;     // 增加左声道的音量
    audio_data[i + 1] *= 0.5; // 减少右声道的音量
}

在这个例子中，我们通过一个循环来遍历所有的样本。由于左声道和右声道的样本是交错存

储的，所以我们可以通过索引i和i+1来分别访问左声道和右声道的样本。然后，我们通过直接修改音频数据来改变音量。

这种处理方式的优点是它可以直接对音频数据进行操作，无需额外的数据结构或复杂的算法。然而，这也意味着我们需要对音频数据的内部结构有深入的理解，才能正确地处理打包格式的音频数据。

5.2.4 打包格式和平面格式的选择

在选择使用打包格式还是平面格式时，需要考虑多个因素。首先，打包格式的音频数据更容易处理，因为它们可以通过一个简单的循环来遍历所有的样本。然而，打包格式的音频数据在处理多声道音频时可能会遇到一些问题，因为不同声道的样本是交错存储的，这可能会导致缓存未命中（cache miss）和其他性能问题。

另一方面，平面格式的音频数据在处理多声道音频时更为高效，因为每个声道的样本都是连续存储的。然而，平面格式的音频数据在处理单声道音频时可能会浪费内存，因为它们需要为每个声道分配单独的内存区域。

总的来说，选择使用打包格式还是平面格式主要取决于你的具体需求，包括你的音频数据的特性（如声道数、采样率等），你的硬件和软件环境（如处理器的性能、内存的大小、操作系统等），以及你的应用场景（如实时音频处理、音频文件编码等）。

5.3 音频采样格式：其他格式

除了我们已经介绍的平面格式和打包格式，FFmpeg还支持其他一些音频采样格式。在这一节中，我们将介绍其中的一些。

5.3.1 双精度浮点数格式（Double）

在双精度浮点数格式（Double）中，音频数据是以双精度浮点数（即64位浮点数）形式存储的。这种格式提供了非常高的精度，但也需要更多的内存和计算资源。在FFmpeg中，双精度浮点数格式的音频采样格式通常以"D"开头。例如：

DBL（Double Packed）：在DBL中，音频数据是以双精度浮点数形式存储的，并且采用打包格式布局。
DBLP（Double Planar）：在DBLP中，音频数据是以双精度浮点数形式存储的，并且采用平面格式布局。

5.3.2 无符号整数格式（Unsigned Integer）

在无符号整数格式（Unsigned Integer）中，音频数据是以无符号整数形式存储的。这种格式通常用于表示非负的音频数据。在FFmpeg中，无符号整数格式的音频采样格式通常以"U"开头。例如：

U8（Unsigned 8-bit Packed）：这是一种8位无符号整数打包格式。在U8中，音频数据以8位无符号整数形式存储，并采用打包格式布局。
U8P（Unsigned 8-bit Planar）：这是一种8位无符号整数平面格式。在U8P中，音频数据以8位无符号整数形式存储，并采用平面格式布局。

5.3.3 有符号整数格式（Signed Integer）

在有符号整数格式（Signed Integer）中，音频数据是以有符号整数形式存储的。这种格式可以表示正数和负数的音频数据。在FFmpeg中，有符号整数格式的音频采样格式通常以"S"开头。例如：

S16（Signed 16-bit Packed）：这是一种16位有符号整数打包格式。在S16中，音频数据以16位有符号整数形式存储，并采用打包格式布局。
S16P（Signed 16-bit Planar）：这是一种16位有符号整数平面格式。在S16P中，音频数据以16位有符号整数形式存储，并采用平面格式布局。

这些音频采样格式提供了不同的精度和存储效率，可以根据具体的需求和资源限制来选择合适的格式。

6. 音视频编程的实践应用（Practical Applications of Audio and Video Programming）

6.1 使用FFmpeg进行音视频编解码

FFmpeg是一套可以用来记录、转换数字音频、视频，并能将其转化为流的开源计算机程序。它提供了录制、转换以及流化音视频的完整解决方案。在音视频编程中，我们常常需要对音视频数据进行编解码操作，而FFmpeg提供了一套完整的解决方案。

6.1.1 FFmpeg简介（Introduction to FFmpeg）

FFmpeg是一个开源项目，它包含了一系列的音视频处理工具，如ffmpeg, ffplay, ffprobe等。其中，ffmpeg是一个非常强大的工具，能够解码、编码、转码、复用、解复用、流、过滤和播放任何人类和机器创造的音/视频。

6.1.2 FFmpeg的音视频编解码流程（Audio and Video Encoding and Decoding Process of FFmpeg）

在FFmpeg中，音视频编解码的流程大致可以分为以下几个步骤：

打开输入文件：使用avformat_open_input()函数打开输入文件，获取到AVFormatContext结构体。
获取音视频流信息：使用avformat_find_stream_info()函数获取音视频流的信息。
找到音视频流：在AVFormatContext中找到音频流和视频流。
打开解码器：对于找到的音频流和视频流，需要找到对应的解码器，并使用avcodec_open2()函数打开解码器。
读取音视频帧：使用av_read_frame()函数读取音视频帧。
解码音视频帧：使用avcodec_send_packet()和avcodec_receive_frame()函数对音视频帧进行解码。
处理解码后的帧：对解码后的帧进行处理，如显示视频、播放音频等。
关闭解码器和输入文件：使用avcodec_close()和avformat_close_input()函数关闭解码器和输入文件。

以上就是使用FFmpeg进行音视频编解码的基本流程。在实际的音视频处理中，可能还需要进行音视频同步、格式转换等操作，这就需要更深入地学习和理解FFmpeg。

6.2 立体声和多声道音频处理

在音频处理中，声道布局是一个重要的概念。声道布局描述了音频数据中的声道信息，例如声道的数量、类型以及它们的相对位置等。在FFmpeg中，我们可以通过AVChannelLayout结构体来表示声道布局。

6.2.1 立体声（Stereo）

立体声，也称为双声道（Stereo），是一种音频系统，它使用两个独立的音频信号来模拟声音的方向性，从而创建出一种更为真实的音场环境。在立体声系统中，左声道（FL）和右声道（FR）的音频信号是独立的，它们可以分别连接到左右两个扬声器，从而模拟出声音的左右位置。

在FFmpeg中，我们可以使用AV_CH_LAYOUT_STEREO来表示立体声的声道布局，它包含了左声道（FL）和右声道（FR）。

6.2.2 多声道音频处理（Multi-Channel Audio Processing）

除了立体声，还有很多其他的声道布局，例如5.1声道、7.1声道等。这些声道布局通常用于家庭影院系统，它们可以提供更为丰富和真实的音场环境。

在FFmpeg中，我们可以使用AV_CH_LAYOUT_5POINT1、AV_CH_LAYOUT_7POINT1等来表示不同的多声道声道布局。

在处理多声道音频数据时，我们需要注意声道的顺序。在FFmpeg中，声道的顺序是固定的，例如在5.1声道中，声道的顺序为FL、FR、FC、LFE、BL、BR。

6.3 声道布局的转换

在音频处理中，我们可能会遇到需要改变声道布局的情况，例如将立体声转换为单声道，或者将5.1声道转换为立体声。在FFmpeg中，我们可以使用swr_alloc_set_opts函数来进行声道布局的转换。

6.3.1 立体声转单声道

立体声转单声道是一种常见的声道布局转换。在这种转换中，我们需要将左声道和右声道的音频数据合并为一个声道。

在FFmpeg中，我们可以设置swr_alloc_set_opts函数的out_ch_layout参数为AV_CH_LAYOUT_MONO，并将in_ch_layout参数设置为AV_CH_LAYOUT_STEREO，然后调用swr_init函数来初始化转换器。在转换音频数据时，我们可以使用swr_convert函数。

6.3.2 5.1声道转立体声

5.1声道转立体声是另一种常见的声道布局转换。在这种转换中，我们需要将5.1声道的音频数据合并为两个声道。

在FFmpeg中，我们可以设置swr_alloc_set_opts函数的out_ch_layout参数为AV_CH_LAYOUT_STEREO，并将in_ch_layout参数设置为AV_CH_LAYOUT_5POINT1，然后调用swr_init函数来初始化转换器。在转换音频数据时，我们可以使用swr_convert函数。

6.4 音频采样格式的处理

音频采样格式描述了音频数据的存储方式，例如，音频数据可以是整数或浮点数，可以是8位、16位、32位或64位，可以是有符号或无符号，等等。在FFmpeg中，音频采样格式由enum AVSampleFormat表示。

6.4.1 音频采样格式的转换

在音频处理中，我们可能会遇到需要改变音频采样格式的情况，例如，将16位整数格式转换为32位浮点数格式。在FFmpeg中，我们可以使用swr_alloc_set_opts函数来进行音频采样格式的转换。

在设置swr_alloc_set_opts函数的参数时，我们需要将out_sample_fmt参数设置为目标音频采样格式，将in_sample_fmt参数设置为源音频采样格式，然后调用swr_init函数来初始化转换器。在转换音频数据时，我们可以使用swr_convert函数。

6.4.2 音频采样格式的查询

在FFmpeg中，我们可以使用av_get_sample_fmt_name函数来获取音频采样格式的名称。这个函数接受一个enum AVSampleFormat参数，返回一个表示音频采样格式名称的字符串。

例如，我们可以使用以下代码来获取音频采样格式的名称：

const char* sample_fmt_name = av_get_sample_fmt_name(codec_ctx_->sample_fmt);

在这段代码中，codec_ctx_->sample_fmt是音频编解码器上下文中的音频采样格式，sample_fmt_name是音频采样格式的名称。

6.5 音频采样率的处理

音频采样率描述了在一秒钟内对音频信号进行采样的次数，单位是Hz（赫兹）。常见的音频采样率有44100Hz、48000Hz等。在FFmpeg中，音频采样率由整数表示。

6.5.1 音频采样率的转换

在音频处理中，我们可能会遇到需要改变音频采样率的情况，例如，将44100Hz的音频转换为48000Hz的音频。在FFmpeg中，我们可以使用swr_alloc_set_opts函数来进行音频采样率的转换。

在设置swr_alloc_set_opts函数的参数时，我们需要将out_sample_rate参数设置为目标音频采样率，将in_sample_rate参数设置为源音频采样率，然后调用swr_init函数来初始化转换器。在转换音频数据时，我们可以使用swr_convert函数。

6.5.2 音频采样率的查询

在FFmpeg中，我们可以直接从音频编解码器上下文中获取音频采样率。例如，我们可以使用以下代码来获取音频采样率：

int sample_rate = codec_ctx_->sample_rate;

在这段代码中，codec_ctx_->sample_rate是音频编解码器上下文中的音频采样率，sample_rate是获取到的音频采样率。

6.6 音频声道数的处理

音频声道数描述了音频信号中的声道数量。常见的音频声道数有1（单声道）、2（立体声）、5（5.1环绕声）等。在FFmpeg中，音频声道数由整数表示。

6.6.1 音频声道数的转换

在音频处理中，我们可能会遇到需要改变音频声道数的情况，例如，将单声道音频转换为立体声音频。在FFmpeg中，我们可以使用swr_alloc_set_opts函数来进行音频声道数的转换。

在设置swr_alloc_set_opts函数的参数时，我们需要将out_ch_layout参数设置为目标音频声道数对应的声道布局，将in_ch_layout参数设置为源音频声道数对应的声道布局，然后调用swr_init函数来初始化转换器。在转换音频数据时，我们可以使用swr_convert函数。

6.6.2 音频声道数的查询

在FFmpeg中，我们可以直接从音频编解码器上下文中获取音频声道数。例如，我们可以使用以下代码来获取音频声道数：

int channels = codec_ctx_->channels;

在这段代码中，codec_ctx_->channels是音频编解码器上下文中的音频声道数，channels是获取到的音频声道数。

在下一节，我们将介绍如何处理不同的音频格式。

6.7 音频格式的处理

音频格式描述了音频数据的存储方式。常见的音频格式有PCM、FLTP等。在FFmpeg中，音频格式由枚举类型AVSampleFormat表示。

6.7.1 音频格式的转换

在音频处理中，我们可能会遇到需要改变音频格式的情况，例如，将PCM格式的音频转换为FLTP格式的音频。在FFmpeg中，我们可以使用swr_alloc_set_opts函数来进行音频格式的转换。

在设置swr_alloc_set_opts函数的参数时，我们需要将out_sample_fmt参数设置为目标音频格式，将in_sample_fmt参数设置为源音频格式，然后调用swr_init函数来初始化转换器。在转换音频数据时，我们可以使用swr_convert函数。

6.7.2 音频格式的查询

在FFmpeg中，我们可以直接从音频编解码器上下文中获取音频格式。例如，我们可以使用以下代码来获取音频格式：

AVSampleFormat sample_fmt = codec_ctx_->sample_fmt;

在这段代码中，codec_ctx_->sample_fmt是音频编解码器上下文中的音频格式，sample_fmt是获取到的音频格式。

音视频编程ffmepg中的关键术语与概念：深度解析与实践（二）