【H.264/AVC视频编解码技术详解】十五、H.264的变换编码(二):H.264整数变换和量化的实现

简介: 《H.264/AVC视频编解码技术详解》视频教程已经在“CSDN学院”上线,视频中详述了H.264的背景、标准协议和实现,并通过一个实战工程的形式对H.

《H.264/AVC视频编解码技术详解》视频教程已经在“CSDN学院”上线,视频中详述了H.264的背景、标准协议和实现,并通过一个实战工程的形式对H.264的标准进行解析和实现,欢迎观看!

“纸上得来终觉浅,绝知此事要躬行”,只有自己按照标准文档以代码的形式操作一遍,才能对视频压缩编码标准的思想和方法有足够深刻的理解和体会!

链接地址:H.264/AVC视频编解码技术详解

GitHub代码地址:点击这里


一、H.264的整数变换

变换和量化编码在图像和视频的压缩编码中具有重要作用。通过变换编码,空间域信息可以被转换到频率域,使其能量集中于低频区域,并使其码率相对于空间信号有大幅下降。H.264定义了4×4的整数离散余弦变换(简称整数变换),相对浮点数的离散余弦变换,整数变换具有更低的运算复杂度,更适用于移动设备等适用于低功耗的设备运行。

H.264的整数变换的主要流程如下图所示:

标准的离散余弦变换经过多重运算和修正后,可以用下式表示:

在上式中,右侧的矩阵通常可以表示为常量矩阵,且并入量化中实现,左侧的变换只剩下加减和位移操作。通过这种方式构成了实际的整数变换操作。很明显,相对于原始的DCT变换,该变换的运算量明显要小得多。


二、量化

量化运算实际上并非视频压缩领域首先使用的。在通信信号处理等领域,量化技术早就获得广泛的应用。在模拟-数字信号转化过程中,首先需要对模拟信号按照某个频率进行采样,获得离散时间信号,其取值范围为一个连续区间。此时的离散时间信号尚不能称之为数字信号。

为了对信号进行数字化,必须对离散时间信号进行量化,将连续的取值范围区间也进行离散化。这样的取值位置离散,采样值也是离散的信号称之为数字信号。

在一维信号的量化过程中,我们就已经知道,对于同一模拟信号,使用不同的参数进行量化的结果可能差别非常大,如下图:

上图的量化步长更小,因此失真明显比量化步长更大的下图更小。

在H.264中,量化方法选择了运算较为简单的标量量化。通常标量量化的原理为:

FQ = round(y/QStep)

在上式中,y表示待量化的原始数值,FQ为量化后的值,QP为量化参数。量化的相反过程称之为反量化,其原理为:

y' = QStep × FQ

量化与反量化关键的因素在于量化参数QP。量化参数决定了量化步长,而量化步长决定了量化过程的精细度:QP越小,量化步长越小,量化过程中的真实数据损失越小。QP每增加6,量化步长增大一倍。在H.264中,通常亮度分量的QP取值范围为[0,51],色度分量QP的取值范围为[0,39]。

在H.264的量化过程中,还需要实现变换中的Ef矩阵按元素相乘的操作。量化和矩阵Ef的运算可通过与量化参数QP相关的预定义矩阵实现。

16×16模式与色度分量的变换量化

对于4×4模式的色度分量与16×16模式,其变换量化方法与4×4模式的亮度分量有些不同。

对于16×16的亮度块,变换量化的块包括两个部分:直流部分DC和交流部分AC。16×16亮度块的变换和量化依然要分为16个4×4个子块实现,而与4×4模式不同的是,16×16模式首先抽取出16个4×4系数矩阵的直流分量,组成一个新的4×4矩阵,再对这个直流矩阵进行Hadamard变换后再进行量化。Hadamard变换的原理如下式:

对于4×4模式的色度分量,同样需要抽取直流分量进行Hadamard变换然后再进行量化。然而色度分量的大小为8×8,每个分量分为4个4×4个子块,因此Hadamard变换的直流分量矩阵为2×2大小:

目录
相关文章
|
存储 边缘计算 运维
核心网架构 | 带你读《5G时代的承载网》之十三
对 5G 核心网进行了颠覆性的设计,通过基于服务的架构、网络切片、C/U 分离等,结合云化技术,实现网络的定制化、开放化、服务化,支持大流量、 大连接和低时延的万物互联需求。
核心网架构  | 带你读《5G时代的承载网》之十三
|
9月前
|
存储 编解码 算法
微帧WZ-JPEG图片编码压缩技术,实现超高压缩效率
在数字化时代,图像数据爆炸式增长,对传输和存储提出巨大挑战。JPEG作为互联网上最广泛应用的图片格式之一,占据超过60%的市场份额。微帧WZ-JPEG编码压缩技术通过优化DCT变换、量化及熵编码等步骤,实现了显著的压缩效率提升,平均节省27%的图片体积,复杂场景下可达40%,同时编码速度提升4倍,确保了高质量图像的快速加载与传输,极大提升了用户体验。此外,微帧还针对WebP、HEIF和AVIF等格式进行了专门优化,进一步彰显其在图像处理领域的技术优势。
|
10月前
|
存储 持续交付 虚拟化
|
Java 数据库连接 API
Seata异常捕获问题之回滚事务如何解决
Seata是一款开源的分布式事务解决方案,旨在提供高效且无缝的分布式事务服务;在集成和使用Seata过程中,开发者可能会遇到不同的异常问题,本合集针对Seata常见异常进行系统整理,为开发者提供详细的问题分析和解决方案,助力高效解决分布式事务中的难题。
797 102
|
存储 Linux 程序员
Linux解压Zip文件命令详解
Linux解压Zip文件命令详解
|
算法
3D Hough变换点云平面检测算法
3D Hough变换点云平面检测算法
479 0
|
机器学习/深度学习 前端开发 vr&ar
未来前端发展趋势与挑战
【2月更文挑战第4天】 随着互联网技术的快速发展,前端开发作为用户与网站交互的重要环节,其发展也日益受到重视。本文探讨了未来前端发展的趋势与挑战,从人工智能、跨平台开发、AR/VR技术等方面展望了前端技术的发展方向,同时也指出了前端开发者在面对这些变化时需要面对的挑战。
|
存储 安全 搜索推荐
阿里云上的Salesforce:产品和生态“一个都不少”
阿里云上的Salesforce绝非只是将产品带到中国,还要在中国市场培养繁荣的生态合作圈,生态将是一段时间里“重头戏”。
330 1
【论文速递】EMNLP2022:随机模态缺失情况下的多模态情感分析
【论文速递】EMNLP2022:随机模态缺失情况下的多模态情感分析

热门文章

最新文章