视频压缩基础：从 MPEG-1 到 H.264/AVC
视频本质上是连续的图像帧序列。如果对每帧独立压缩（如 Motion JPEG），压缩效率很低，因为相邻帧之间通常存在极强的相似性——这就是时间冗余。
视频压缩的核心突破在于：不再独立编码每帧，而是利用帧间的时间相关性，只编码帧与帧之间的"变化"。这个思想催生了运动估计（Motion Estimation）和运动补偿（Motion Compensation）技术，使视频压缩比比单纯的空间压缩提高了 10–100 倍。
本篇将从视频压缩的基本概念讲起，讲解从 MPEG-1 到 H.264/AVC 的标准演进。H.264 的详细技术原理（宏块划分、帧内/帧间预测、整数 DCT、量化、CABAC/CAVLC、环路滤波、Profile/Level）已独立为专题文章：
📖 H.264 专题
H.264 的完整编码原理已独立为 图像压缩基础系列（八）：H.264 视频编码原理详解，按 12 个专题系统拆解：数字视频基础、数据冗余、YUV 色彩空间、帧类型、GOP 与 NAL 层结构、帧内预测、帧间预测、DCT 变换、量化与熵编码。
1. 空间冗余（Spatial Redundancy）：同一帧内相邻像素的相关性
2. 时间冗余（Temporal Redundancy）：相邻帧之间像素的相关性
3. 视觉冗余（Visual Redundancy）：人眼对某些信息不敏感
空间冗余的消除方法与图像压缩相同（DCT/小波变换 + 量化）。时间冗余的消除则需要帧间预测和运动估计。
视频编码将帧分为三种类型：
| 帧类型 | 名称 | 编码方式 | 特点 |
|---|---|---|---|
| I 帧 | Intra-coded | 仅帧内编码（类似 JPEG） | 独立解码，文件最大 |
| P 帧 | Predicted | 帧间预测（参考前面的帧） | 文件较小，需要参考帧 |
| B 帧 | Bi-directional | 双向预测（参考前后帧） | 文件最小，压缩比最高 |
GOP 定义了 I、P、B 帧的排列模式。一个典型的 GOP 结构：
I B B P B B P B B P B B IGOP 的长度（两个 I 帧之间的帧数）通常为 12–30 帧。GOP 越长，压缩比越高（因为 P/B 帧占比更大），但随机访问能力越差（需要从最近的 I 帧开始解码）。
运动估计是视频压缩的核心技术。其基本思想：
1. 运动估计：在参考帧中搜索与当前块最匹配的区域，记录偏移量（运动矢量）
2. 运动补偿：用参考帧中匹配区域的像素作为当前块的预测值
3. 残差编码：只编码当前块与预测值之间的差值（残差）
运动矢量（Motion Vector, MV）描述了当前块在参考帧中的位移。如果运动估计准确，残差的能量远小于原始像素值，可以用很少的比特编码。
块匹配算法最常用的运动估计方法是块匹配（Block Matching）。对于当前帧中的每个块，在参考帧的搜索窗口内寻找最佳匹配：
常用的匹配准则：
- SAD（Sum of Absolute Differences）：计算简单，最常用
- SATD（Sum of Absolute Transformed Differences）：更准确，计算量稍大
- MSE（Mean Squared Error）：数学性质好，但计算量大
搜索算法从全搜索（穷举所有可能的 MV）到快速搜索（三步搜索、菱形搜索等），在速度和精度之间权衡。
亚像素运动估计真实的运动往往不是整像素的整数倍。视频编码器支持亚像素精度的运动估计：
- 半像素：在整像素位置之间插值（H.264 使用 6-tap FIR 滤波器）
- 四分之一像素：在半像素位置之间进一步插值（H.264 支持）
亚像素插值提高了运动估计的精度，减少了残差能量。
运动估计的精度和速度由搜索算法决定。三种常用匹配准则的权衡：
| 准则 | 计算公式 | 精度 | 速度 |
|---|---|---|---|
| SAD | $\sum |I_c - I_r|$ | 中 | 最快 |
| SATD | $\sum |\text{HAD}(I_c - I_r)|$ | 高 | 中 |
| MSE | $\frac{1}{N^2}\sum (I_c - I_r)^2$ | 高 | 最慢 |
其中 $\text{HAD}$ 是 Hadamard 变换。SATD 在率失真意义上更接近最优，广泛用于 H.264/HEVC 的模式决策。
三步搜索（TSS）的步骤：1. 以当前块位置为中心，第一步搜索 8 个步长为 4 的候选位置
2. 找到最小 SAD 的位置作为新中心，第二步搜索步长为 2 的 8 个位置
3. 第三步搜索步长为 1 的 8 个位置
搜索范围（Search Range）通常为 ±16 到 ±64 像素。搜索范围越大压缩比越高，但计算量以 $O(SR^2)$ 增长。
菱形搜索（DS）利用运动矢量通常接近零的特点，优先搜索中心附近：1. 以当前块为中心，搜索大菱形模板（9 个点）的 SAD
2. 最小 SAD 点成为新中心；若最小点在菱形中心则进入小菱形模板
3. 重复直到中心为最小点
菱形搜索的平均搜索点数远少于 TSS，在自然视频中通常更高效。
MPEG-1 是第一个成功的视频压缩标准，用于 VCD（Video CD）和 CD-ROM 存储。
关键特征：
- 分辨率：352×240（NTSC）或 352×288（PAL）
- 码率：1.5 Mbps
- 帧类型：I、P、B
- 变换：8×8 DCT
- 运动补偿：16×16 宏块，半像素精度
- 熵编码：Huffman
MPEG-2 是 MPEG-1 的增强版，用于 DVD、数字电视和蓝光光盘。
关键改进：
- 支持隔行扫描视频
- 分辨率最高 1920×1080
- 码率最高 80 Mbps
- 更灵活的帧间预测（支持场预测和帧预测）
- 支持可变长编码
H.263 为低码率通信（如视频会议）设计。
关键改进：
- 更灵活的宏块划分（支持 8×8 块的运动补偿）
- 改进的运动预测（非限制运动矢量）
- 更高效的熵编码
MPEG-4 引入了基于对象的编码概念，但在实践中大多数实现仍使用基于块的编码。
H.264 是视频压缩的里程碑标准，由 ITU-T VCEG 和 ISO/IEC MPEG 联合开发（Joint Video Team, JVT）。它在 MPEG-2 的基础上提供了约 50% 的压缩效率提升，至今仍是使用最广泛的视频编码标准。
📖 H.264 详细技术原理
H.264 的完整编码架构（宏块划分、帧内/帧间预测、整数 DCT、量化、CABAC/CAVLC、环路滤波、多参考帧、Profile/Level）已独立为专题文章：图像压缩基础系列（八）：H.264 视频编码原理详解。该文按 12 个专题系统拆解 H.264 的全部核心技术模块。
参考来源
- Richardson, I. E. G. (2010). The H.264 Advanced Video Compression Standard (2nd ed.). Wiley.
- ITU-T H.264 (2021). "Advanced Video Coding for Generic Audiovisual Services".
- Wiegand, T., et al. (2003). "Overview of the H.264/AVC Video Coding Standard". IEEE Transactions on Circuits and Systems for Video Technology, 13(7), 560–576.
- Vcodex (2024). "Historical Timeline of Video Coding Standards and Formats".
- MPEG (1993). ISO/IEC 11172-2, "Coding of Moving Pictures and Associated Audio".
本篇是基础系列的第五篇。
- H.264 专题：H.264 视频编码原理详解（12 个专题系统拆解）
- H.265 专题：H.265/HEVC 技术深度解析（12 个专题对照 H.264 拆解）