原文地址:http://bbs.chinavideo.org/viewthread.php?tid=14356&extra=page%3D1
GOP 一般指兩個IDR幀之間的距離,x264中和GOP中相關的參數有兩個,其一是-keyint,控制的是GOP中最大可能距離,另一個是-min-keyint,控制的是允許最小的GOP距離
IDR 和IDR有關的參數除了上面的GOP設定的兩個基本參數之外,還有一個scenecut控制瞭如何自適應的通過判斷場景的變化加入IDR幀,用來override之前的判斷。具體做法是通過計算本幀和前一幀之間visual difference 在根據scenecut和minkeyint的設定值形成判斷,判定此處是否存在scenechange,判斷成立的話將本幀判斷爲IDR幀,反之則有可能爲I幀(判斷依據的前半成立)或者BP.
Ref frames 首先這是一個針對sub-mb level而言的參數,而不是一個從frame角度說的參數。假定在b-pyramid關掉的前提下,ref frames控制的是p幀內每個P sub-macroblock(8x8),它可以選擇的前向一遍嗎P/I幀的最大值,已編碼幀一般放在decoded picture buffer(DPB)中,而DPB的允許大小又level控制,這也是不同分辨率下DXVA Compatible Profile中ref設置的參照標準。在編碼過程中,P Frame中每個P的8x8 sub-MB,都會在ref規定的DPB中尋找最合適(比如difference最小)的某一幀的某一位置作爲它的參考塊。在沒有weightp引入 的前提下,對每一個P Sub-MB而言,最終作爲參考總對象的只可能有一個。
Weightp,我們來看weightp下的情況()
編碼順序:
我們回到最基本的無weightp下,站在frame level的角度說下編碼的順序是怎樣的,同時假設我們處理的第一真是IDR幀,此處所有的“向後”指的是回訪順序時間增長的方向:
1. 編碼IDR幀
2. 根據scenecut 和 min-keyint的設置,向後移動 min-keyint的距離,開始判定是否爲scenechange,直到判定滿足,或者到達keyint設置值的距離時候停止。同時記錄判定條件不完全滿足時候的位置。
3. 編碼找到的爲指針,亦爲IDR幀,GOP形成。
4. 根據2步中得到的判定條件不完全滿足的位置,將對應幀按時間順序用I編碼。
5. 找到最頭上IDR和離其最近的I幀形成的Sub-GOP(嚴格意義上說此處並非GOP因爲GOP之間不能交換信息,)結合bframes的設定大小,推斷P幀出現的位置。具體而言,按時間順序走每一幀比較該幀用P編碼和B編碼時的視覺誤差和複雜度何者更大,根據某些公式推導出此處應該用何種幀類型,再向後移一幀;如果直到bframes規定的值都未出現P,則強制插入一幀P。這樣就決定了每個sub-GOP內P幀的位置。
6. 最後一步,根據I/IDR/P形成的子區間,按時間順序編碼各幀爲B幀。
例子
100-120幀這樣的一段視頻
第一步結束後編碼完成 100幀
第二步結束後可能編碼完成 120幀和110幀 (IDR幀)同時找出了104,108, 115幀應該編碼爲I
第四步結束後編碼完成104 108 115 幀爲I
第五步對 100-104 104- 108 108-110 110 – 115 115-120五個子區間,判斷P幀出現的位置並編碼有可能判斷出102 113 118 爲p幀
最後一步在編碼之間的部分爲B幀
於是解碼過程的輸出幀順序其實是
100 110 104 108 102 101 103 105 106 109.。。。。。。。即(GOP邊界,I I PBBBBBB)
(二)關於碼流中的三種隨機接入點的解釋:
BLA、CRA、IDR是文獻中提到過的三種隨機接入點(RAP),在文獻中的解釋的確不是很容易理解。更關鍵的是,與這三個名詞相應的還有GOP,open/closed GOP, RASL,RADL等等概念,環環相扣,一個不理解,剩下的也很難弄懂,下面我們一個一個解釋,很多也是我自己剛剛想到的,不一定正確全面,歡迎批評。
(1)關於GOP。這是圖像組(Group of Pictures)的意思,表示編碼的視頻序列分成了一組一組的有序的幀的集合進行編碼。每個GOP一定是以一個I幀開始的,但是卻不一定指代的是兩個I幀之間的距離。因爲一個GOP內可能包含幾個I幀,只有第一個I幀(也就是第一幀)纔是關鍵幀。在程序cfg中,GOP的長度和兩個I幀的距離也是兩個不同參數指定的(如IntraPeriod和GOP Size或者類似的參數)。所以,兩個I幀的間距不可能大於GOP的長度,一般情況是更小的。
(2)關於IDR。這個詞兒的全稱是Instantaneous Decoding Refresh,是在H.264中定義的結構。在H.264中,IDR幀一定是I幀,而且一定是GOP的開始,也是H.264 GOP的關鍵幀。但是反過來卻不成立,I幀不一定是IDR幀。GOP的長度不是定死不變的,在H.264的編碼器中,如果判定場景發生變化,那麼即使不到原定GOP的末尾,也會在這個位置加入一個IDR,作爲新一個GOP的開始。此時這個GOP的長度就被縮小了。
(3)閉合GOP和開放GOP(closed GOP/open GOP),CRA。閉合GOP是H.264中GOP的格式。在H.264的GOP中,所有的GOP都是獨立解碼的,與其他GOP無關,即它們都是“封閉”的。但是在HEVC中,GOP的結構發生了變化,採用了“開放”的結構,在解碼過程過可能會參考其他GOP的數據。這時,一個GOP的起始幀命名爲CRA,clean random access,同樣採用幀內編碼,但是這個GOP內的幀間編碼幀可以越過CRA參考前一個GOP的數據,這便是GOP的open。
(4)關於BLA。個人感覺BLA只是CRA在視頻流切換情況下的一種特例。視頻流在某個RAP上要求切換到另一個視頻流繼續解碼,則直接將該CRA同另一個視頻流中的接入CRA連接,後者便是BLA。由於BLA之前解碼到緩存的視頻流與當前視頻流無關,因此其特性類似於直接從該點進行隨機存取後的CRA。
(5)RASL和RADL。這是兩種GOP間的圖像類型。如果解碼器從某個CRA隨機接入,則按照顯示順序的後面幾幀數據由於缺少參考幀而不能解碼,這些圖像將被解碼器拋棄,即skip leading。而對於沒有從當前CRA接入的數據,這些圖像可以被正常解碼顯示,因此稱爲decodable leading。由於這些數據是有可能捨棄的,因此其他圖像(trailing pictures)不能參考這些數據,否則萬一這些圖像被捨棄,將會有更多的圖像受其影響而不能正常解碼。
下面舉個例子:
假設視頻序列的顯示順序爲①,這是一個完整的GOP,解碼順序爲②
①I B B P B B P B B P
②I P B B P B B P B B
在H.264中,第一個I幀爲IDR,GOP爲閉合結構,因此兩個GOP組成視頻的結構爲
I B B P B B P B B P I B B P B B P B B P(顯示順序)
I P B B P B B P B B I P B B P B B P B B(解碼順序)
而在HEVC中,兩個I幀爲CRA,GOP爲開放結構,因此GOP的結構爲:
I B B P B B P B B P B B I B B P B B P B (顯示順序)
I P B B P B B P B B I B B P B B P B B...(解碼順序)
兩個紅色的B幀表示的是按照解碼順序在CRA之後,該GOP內參考的前一個GOP進行編碼的圖像。這樣便很容易得知,如果選擇在第二個CRA進行隨機接入,這兩個紅色的B幀將會由於沒有參考幀無法解碼而被捨棄。這兩個紅色的B幀即RASP。如果沒有選擇這個CRA進行隨機接入,這兩個紅色B幀將可以順利解碼,即成爲RADP。
對於BLA,情況也是類似的。由於出現碼流拼接,第二段碼流的CRA之後的B也會因爲沒有參考幀無法解碼而丟棄。很容易理解,此時緩存中的參考幀數據還來自上一段碼流,跟當前碼流沒關係,當然不能用作B的參考了。
之餘HEVC這麼設計的目的,我覺得應該是爲了編碼效率考慮的。因爲B幀的壓縮比相對是最高的,引入這種設計可以在不影響隨機存取性能的前提下,儘可能增大B幀的比重,提高整體壓縮編碼的性能。
以下是一些國外研究者在論壇中對這個問題的一些討論,可以拿來做一下參考:
www.linkedin.com/groups/IDR-vs-CRA-3724292.S.125836481
forum.doom9.org/archive/index.php/t-105129.html
(三)
1、由圖像幀到樹形編碼單元的分割
一幀圖像分割成樹形編碼單元(coding tree units,CTUs),CTU包含亮度和色度分量CTB,是基本的處理單元。亮度分量CTB爲邊長爲16、32或者64的矩形塊,色度CTB的邊長爲亮度的一半,CTB的實際大小由碼流中的序列參數集合指定。更大尺寸的分塊可以更好地處理高清視頻信號。
2、由CTB分割爲CB:
亮度和色度CTB可以按照四叉樹結構進一步分解爲CB。四叉樹結構可以根據視頻信號的區域特徵將CTB分割成合適大小的CB塊。分割過程可反覆迭代,知道亮度CB的大小爲可支持的最小值8×8。在圖像的邊界處,CB爲最小支持尺寸。解碼器對可能“越界”的CTB會做專門處理。
3、PB和PU
每個CU的預測模式可能爲幀內或者幀間。若預測模式爲幀內,除了最小尺寸模式外,PB的尺寸等於CB。若是最小尺寸模式,則用標誌位表示是否將CB分割成四個PB塊。這樣最小可以支持到4×4大小的幀內預測塊(此時色度分量PB也爲4×4)。
若預測模式爲幀間預測,亮度和色度CB可能分割爲1/2/4個PB。只有CB爲最小尺寸模式時才能分割爲4個PB塊。CB分割爲四個PB時,每個PB佔據CB的1/4;CB分爲兩個PB時,可選擇6種分割模式的一種,其中包含不平均分割模式(只針對16×16及以上的亮度塊)。每個幀間預測PB包含一個或者兩個運動矢量和參考幀索引。爲控制編碼效率,4×4亮度塊不允許使用幀間預測,8×4和4×8最多隻允許單向預測編碼。
(四)
GOP in MPEG-1
ISO 11172-2, p24
Group of Pictures:
圖像組是一個或多個解碼後的圖像,用於可以隨機存取。一個GOP的第一幀爲I幀,編碼碼流中的圖像順序就是解碼器輸出的順序;特別的,臨近的B幀按照顯示順序編碼;按照顯示順序排列的最後一幀需爲I或P幀。一個GOP的長度不定,至少要包含一個I幀,支持隨機接入、調速播放的應用,應該使用相對較小的GOP。在場景切換以及其他運動估計不好的地方也可以作爲GOP的起始位置。B幀的數目也是可變的。
GOP in MPEG-2
ISO 13818-2, p6
Group of Pictures headers:
在MPEG-2中,GOP的概念由Group of Pictures headers來實現(p6)。GOP頭是視頻序列中的可選結構,在序列頭(sequence header)之後。在一個序列之中,有多幀之前可能存在重複序列頭(repeat sequence header)或者(group of picture header),或者二者兼備(p16)。在編碼碼流的某些I幀前面,可能會加入一個GOP頭,以向解碼器說明在將該位置作爲隨機接入點及後續B幀能不能正常解碼(p18)。
MPEG-2中的Group of Pictures headers是一個結構體,包含group_start_code,time_code, closed_gop和broken_link等元素(p34)。
Syntax Element Structs in H.264/AVC
到了H.264/AVC中,語法元素的結構發生了重大變化。在H.264中圖像組GOP的概念被大大弱化了。比如,在標準文檔ISO/IEC 14496-10中,用GOP或者group of picture這類關鍵詞搜索,幾乎得不到什麼結果。同時,在JM86的代碼的配置文件中,也沒有指定如GOP長度之類的設置。
配置文件中,I幀週期IntraPeriod設置的值不包括B幀,僅僅表示I幀在I/P序列中的週期;B幀的位置和數目由跳過幀數FrameSkip和B幀數目NumberBFrames決定。
在H.264中,編碼層的語法元素分爲了五層結構:序列參數集、圖像參數集、條帶(slice)、宏塊和子塊。序列層和圖像層被取消了,並將二者的頭結構中的數據分離出來形成了參數集。在解碼過程中,圖像參數集會參考序列參數集,而條帶會參考圖像參數集,真正在編解碼中發揮具體作用的是條帶這一結構。參考同一個圖像參數集的各個條帶,並不一定屬於同一幀圖像。
H.264定義了IDR圖像,通常是一串圖像序列的第一幀。引入該概念是爲了解碼同步的因素,當解碼器解碼到一個IDR圖像時,立刻清空參考幀隊列,輸出或拋棄解碼的數據並重新查找參數集,開始一個新的序列。
(五)HEVC及其RPS