专栏首页瓜大三哥YCbCr数据格式

YCbCr数据格式

我们经常会看到4:4:4、4:2:2、4:2:0这样的字眼,比如你的5D拍摄的视频是4:2:0取样压缩的,又比如QuickTime的ProRes422格式,或者专业摄影机拍摄时是以4:4:4取样的。视频压缩通常被认为是数字格式特有的概念,但早在模拟信号时代就有了,数字格式的压缩只是变得更复杂了而已。在这个文章中,我们来看看什么是4:2:2、4:1:1和4:2:0色度取样。

YUV主要的采样格式

  主要的采样格式有YCbCr 4:2:0、YCbCr 4:2:2、YCbCr4:1:1和 YCbCr 4:4:4。其中YCbCr 4:1:1 比较常用,其含义为:每个点保存一个 8bit 的亮度值(也就是Y值), 每 2x2 个点保存一个 Cr和Cb 值, 图像在肉眼中的感觉不会起太大的变化。所以, 原来用RGB(R,G,B 都是 8bit unsigned) 模型, 每个点需要8x3=24 bits(如下图第一个图). 而现在仅需要8+(8/4)+(8/4)=12bites, 平均每个点占12bites(如下图第二个图)。这样就把图像的数据压缩了一半。

  上边仅给出了理论上的示例,在实际数据存储中是有可能是不同的,下面给出几种具体的存储形式:

(1) YUV 4:4:4

YUV三个信道的抽样率相同,因此在生成的图像里,每个象素的三个分量信息完整(每个分量通常8比特),经过8比特量化之后,未经压缩的每个像素占用3个字节。

  下面的四个像素为: [Y0 U0 V0] [Y1 U1 V1] [Y2 U2 V2][Y3 U3 V3]

  存放的码流为: Y0 U0 V0 Y1 U1 V1 Y2 U2 V2 Y3 U3V3

(2) YUV 4:2:2

  每个色差信道的抽样率是亮度信道的一半,所以水平方向的色度抽样率只是4:4:4的一半。对非压缩的8比特量化的图像来说,每个由两个水平方向相邻的像素组成的宏像素需要占用4字节内存。

  下面的四个像素为: [Y0 U0 V0] [Y1 U1 V1] [Y2 U2 V2][Y3 U3 V3]

  存放的码流为: Y0 U0 Y1 V1 Y2 U2 Y3 V3

  映射出像素点为:[Y0 U0 V1] [Y1 U0 V1] [Y2 U2 V3][Y3 U2 V3]

(3) YUV 4:1:1

4:1:1的色度抽样,是在水平方向上对色度进行4:1抽样。对于低端用户和消费类产品这仍然是可以接受的。对非压缩的8比特量化的视频来说,每个由4个水平方向相邻的像素组成的宏像素需要占用6字节内存

  下面的四个像素为: [Y0 U0 V0] [Y1 U1 V1] [Y2 U2 V2][Y3 U3 V3]

  存放的码流为: Y0 U0 Y1 Y2 V2 Y3

  映射出像素点为:[Y0 U0 V2] [Y1 U0 V2] [Y2 U0 V2][Y3 U0 V2]

(4)YUV4:2:0

4:2:0并不意味着只有Y,Cb而没有Cr分量。它指得是对每行扫描线来说,只有一种色度分量以2:1的抽样率存储。相邻的扫描行存储不同的色度分量,也就是说,如果一行是4:2:0的话,下一行就是4:0:2,再下一行是4:2:0...以此类推。对每个色度分量来说,水平方向和竖直方向的抽样率都是2:1,所以可以说色度的抽样率是4:1。对非压缩的8比特量化的视频来说,每个由2x2个2行2列相邻的像素组成的宏像素需要占用6字节内存。

  下面八个像素为:[Y0 U0 V0] [Y1 U1 V1] [Y2 U2 V2][Y3 U3 V3][Y5 U5 V5] [Y6 U6 V6] [Y7U7 V7] [Y8U8 V8]

  存放的码流为:Y0 U0 Y1 Y2 U2 Y3Y5 V5 Y6 Y7 V7 Y8

  映射出的像素点为:[Y0 U0 V5] [Y1 U0 V5] [Y2 U2 V7][Y3 U2 V7][Y5 U0 V5] [Y6 U0 V5] [Y7U2V7] [Y8 U2 V7]

取样的概念

视觉专家很早以前就知道,人眼对亮度分辨率的敏感度高于对色彩分辨率的敏感度。

这就是早期模拟和数字压缩形式的主要动因。视频信号会分解为亮度和色度,这两个是组成色彩的元素,这类似于图像可以分解为红、绿、蓝三个元素。亮度和色度元素被称为YUV(模拟信号)或YCbCr(数字信号)而不是RGB。

一旦被分开,色度分辨率会通过一个叫做“色度取样”的步骤被减半或更多。结果就是在同样的广播带宽情况下,视频信号能呈现更多的细节,这是因为亮度元素对视频信号的贡献更大。

原始图像

色度取样后

这个技术也是很容易实现的,在解码时也不需要进行太多处理。基于这些原因这个方法在今天仍然被广泛的成功使用。

它是如何工作的

早期的显示器是以逐行扫描每个横线上的像素来显示图像的,通常是从顶部到底部快速连续的扫描。在每条线被扫描时,色度数值的传送频率比亮度低。

尽管现代的显示设备不是这种工作模式,扫描线的概念依然很重要,因为色度取样的方式是水平的。一条线被扫描时传递的亮度值和色度值间的比率常用来描述各种取样方式。这个比率通常基于亮度值,然后以4:X:Y的形式描述,X和Y是每两个色度通道中的数值的相对数量。下面的例子中体现了这些比率是如何影响一个4x2像素图像的分辨率。

亮度分辨率

色度分辨率4:4:4

色度分辨率4:1:1

色度分辨率4:2:0

使用标准的命名规则,4:2:2意味着每个横向的扫描线每4个亮度值对应两个色度值。简单的,4:1:1意味着每4个亮度值对应1个色度值,4:4:4意味着色度值不进行二次采样。不过这不是完全连续的,4:2:0会以1个色度值对应四个亮度值,对于第一个色度元素有两个取样值,第二个色度元素则不进行取样,这不能产生完整的彩色图像。实际当中,4:2:0意味着每条扫描线有两个色度取样,只对隔行进行取样。

压缩失真

由于色度取样有效的减少了色彩分辨率,在色彩过渡较锐利的边缘体现较明显。下面的例子展现了在8x8的图像中压缩后的样子。

原始4:4:4

色度取样4:2:2

色度取样4:1:1

色度取样4:2:0

副作用通常是减少细节处颜色的饱和度。通常这个不会减少大个物体内的颜色饱和度,如果这些物体含有精细的色彩图案,压缩后会较明显。下面的这种色彩图案就很容易受压缩的影响:

原始

4:2:2

4:1:1

4:2:0

总结

尽管从早期视频采样到现在,色度取样已经是一种简单有效的压缩技术,但是它会产生明显的失真。数字技术那是起也变得更复杂。不过取样只是简单的减少图像的色彩分辨率的宽度,现代数字编码能够分析图像内容然后决定如何优先处理细节。举例来说,现代数字采样,能够对低亮度、低饱和度以及细节度低的区域区别对待。

消费者的眼光也变得更犀利,对图像质量的要求也越来越高。对于4:2:0压缩方式的DVD,蓝光碟成为了趋势。最后,在进行现代数字编码时,为其提供4:4:4采样的数据,能极大程度的改善编码后的图像质量。

本文分享自微信公众号 - 瓜大三哥(xiguazai_tortoise)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2018-06-22

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • matlab GUI基础2

    GUIDE编程开发 matlab可视化姐买你的设计,一般有两种方法,一是直接通过编辑M脚本文件产生GUI,二是通过MATLAB图形用户界面开发环境GUIDE来建...

    瓜大三哥
  • 视频处理算法——Dither

    最早源自二战,当时的轰炸机飞行员使用了一个机械计算机来进行导航和 bomb 轨道计算。奇怪的是,这些计算机(由上百机械零件组成)在飞机甲板上要比在地面上工作地更...

    瓜大三哥
  • matlab GUI基础11

    神经网络工具 人工神经网络,是对人类大脑系统的一阶特性的一种描述。它是一个数学模型,可以用电子线路来实现,也可以用计算机程序来模拟,是人工智能研究的一种方法。在...

    瓜大三哥
  • React里配置接口跨域代理【亲测完美实现~】

    2、在“src”文件夹下新建“setupProxy.js”文件。并做官网推荐的配置~

    xing.org1^
  • 《deep learning》学习笔记(3)——概率与信息论

    http://blog.csdn.net/u011239443/article/details/78040210

    用户1621453
  • TCP/IP详解notes:04DNS

    访问一台机器要靠 IP 地址和 MAC 地址,其中,MAC 地址可以通过 ARP 协议得到,所以这对用户是透明的, 但是 IP 地址就不行,无论如何用户都需要用...

    mojocn
  • 神经网络相关名词解释

    很多人认为深度学习很枯燥,大部分情况是因为对深度学习的学术词语,特别是专有名词很困惑,即便对相关从业者,亦很难深入浅出地解释这些词语的含义。  相信读过此文的圈...

    两只橙
  • 深度学习入门者必看:25个你一定要知道的概念

    王瀚森 编译自 Analytics Vidhya 量子位 出品 | 公众号 QbitAI 人工智能,深度学习,机器学习……不管你在从事什么工作,都需要了解这些概...

    量子位
  • 原创译文|从神经网络说起:深度学习初学者不可不知的25个术语和概念(下)

    人工智能,深度学习和机器学习,不论你现在是否能够理解这些概念,你都应该学习。否则三年内,你就会像灭绝的恐龙一样被社会淘汰。 ——马克·库班(NBA小牛队老板,...

    灯塔大数据
  • 深度学习必知必会25个概念

    导语:很多人认为深度学习很枯燥,大部分情况是因为对深度学习的学术词语,特别是专有名词很困惑,即便对相关从业者,亦很难深入浅出地解释这些词语的含义。本文编译自An...

    IT派

扫码关注云+社区

领取腾讯云代金券