本章将带您走进数字视频压缩的世界，从最基本的概念到现代编解码器的核心原理。我们将探讨为什么视频压缩是必要的，数字视频的构成要素，以及现代混合编码框架如何巧妙地利用人类视觉感知的特性来实现惊人的压缩效果。通过本章的学习，您将建立起对视频编解码技术的整体认知框架，为后续章节的深入学习打下坚实基础。
数字视频是21世纪信息革命的核心载体。从Netflix的4K流媒体服务到Zoom的实时视频会议，从自动驾驶汽车的感知系统到医疗诊断中的高分辨率影像，数字视频技术已深度渗透到现代生活的方方面面。然而，原始数字视频的数据量庞大得令人咋舌，这在网络传输和存储方面带来了几乎无法克服的挑战。
视频压缩技术的诞生正是为了解决这一根本性矛盾：如何在有限的带宽和存储资源下，高质量地传输和保存海量的视频内容。其核心使命是在尽可能保持人眼感知质量的前提下，将视频数据量压缩到可管理的程度。
让我们通过具体计算来量化这个问题的严重性。以一个在当今广泛使用的视频规格为例：
视频参数：
比特率计算： \(\text{原始比特率} = \text{宽度} \times \text{高度} \times \text{帧率} \times \text{每像素位数}\)
\[\text{原始比特率} = 1920 \times 1080 \times 30 \times 12 = 746,496,000 \text{ bps}\] \[\text{原始比特率} \approx 746.5 \text{ Mbps}\]这意味着：
将这些数字与现实世界的基础设施能力进行对比：
网络带宽限制：
带宽需求对比图 (未压缩1080p30fps视频):
┌────────────────────────────────────────────────┐
│ 需要的带宽: 746.5 Mbps ████████████████████████ │
│ 千兆光纤: 100 Mbps ███ │
│ 家庭宽带: 50 Mbps █ │
│ 4G移动网: 30 Mbps ▌ │
└────────────────────────────────────────────────┘
差距: 15-25倍
存储成本考量：
具体成本分析： 以一个典型的流媒体服务为例：
实时应用的不可能性： 没有压缩技术，视频会议、直播、在线教育等实时视频应用根本无法实现。即使是最基本的视频通话也需要几百Mbps的对称带宽。
延迟与缓冲的噩梦：
现代视频编解码器的成就堪称奇迹。以H.265/HEVC为例：
具体压缩效果对比：
压缩前后数据量对比 (90分钟1080p电影):
┌─────────────────────────────────────────────────────┐
│ 未压缩RAW: 504 GB ████████████████████████████████ │
│ H.264压缩: 2.5 GB █ │
│ H.265压缩: 1.8 GB ▌ │
│ AV1压缩: 1.4 GB ▌ │
└─────────────────────────────────────────────────────┘
压缩比: 280:1 到 360:1
技术演进的里程碑：
| 时期 | 编解码器 | 典型压缩比 | 突破性技术 | 实际应用影响 |
|---|---|---|---|---|
| 1990s | MPEG-1 | 50:1 | DCT变换、运动补偿 | VCD、数字电视起步 |
| 2000s | H.264/AVC | 200:1 | 帧内预测、CABAC | DVD、蓝光、早期流媒体 |
| 2010s | H.265/HEVC | 400:1 | 更大变换块、更多预测模式 | 4K流媒体普及 |
| 2020s | AV1/VVC | 600:1+ | AI优化、非线性变换 | 8K内容、实时通信革命 |
量化的经济影响：
技术门槛的跨越： 传统上，视频压缩存在一个被称为”压缩墙”的现象——随着压缩比的增加，所需的计算复杂度呈指数级增长。现代编解码器通过以下创新突破了这一限制：
Rule-of-thumb: 一个设计良好的现代视频编解码器可以将原始视频数据压缩至原始大小的0.1%-1%，同时保持令人满意的视觉质量。这种压缩效果使得我们今天习以为常的数字视频生态系统成为可能。
没有这些压缩技术的突破，YouTube、Netflix、TikTok等平台都将是天方夜谭，视频通话会重新回到科幻小说的范畴，而4K、8K等高清晰度视频标准也会成为实验室里的理论概念。更重要的是，COVID-19期间全球大规模远程工作和在线教育的实现，很大程度上依赖于这些压缩技术的成熟。
要深入理解视频压缩，必须首先全面掌握构成数字视频的三个核心维度：分辨率、帧率和色深。这三个参数不仅决定了视频的感知质量，更直接影响着原始数据量的规模，从而为后续的压缩策略奠定基础。
分辨率定义了视频每一帧图像的空间采样密度，通常以”宽×高”的像素数表示。它直接决定了图像能够呈现的最大细节程度和清晰度上限。
技术细节：
人眼视觉模型与最适观看距离： 根据人眼的角分辨率极限，我们可以计算出不同分辨率在不同观看距离下的有效性：
\[\text{最适观看距离} = \frac{\text{屏幕高度}}{2 \times \tan(\text{视角}/2)}\]其中，人眼的极限角分辨率约为1角分（1/60度）。
| 分辨率 | 屏幕尺寸 | 最适观看距离 | 超出距离的影响 |
|---|---|---|---|
| 720p | 55英寸 | 4.5m以上 | 无法分辨额外细节 |
| 1080p | 55英寸 | 2.8-4.5m | 黄金观看区间 |
| 4K | 55英寸 | 1.4-2.8m | 近距离观看优势明显 |
| 8K | 55英寸 | 0.7-1.4m | 需超近距离才有意义 |
分辨率对压缩的影响：
主流分辨率标准：
分辨率对比图 (相对像素密度):
┌──────────────────────────────────────────────────────────────┐
│ 8K UHD │██████████████████████████████████████████████████│ 33.2M pixels
│ 4K UHD │█████████████████████████████│ │ 8.3M pixels
│ 2K QHD │█████████████████████│ │ 3.7M pixels
│ 1080p FHD │████████████│ │ 2.1M pixels
│ 720p HD │██████│ │ 0.9M pixels
│ 480p SD │██│ │ 0.3M pixels
└──────────────────────────────────────────────────────────────┘
实际应用考量：
帧率描述了视频在时间维度上的采样频率，直接影响运动的流畅度感知和视频的应用场景。
生理学基础：
奈奎斯特定理在视频中的应用： 根据采样定理，要完全重建原始信号，采样频率必须至少是信号最高频率成分的两倍。在视频中：
\[f_{\text{采样}} \geq 2 \times f_{\text{运动最大频率}}\]不同帧率的技术特征：
| 帧率范围 | 技术特点 | 感知效果 | 应用场景 | 编码挑战 |
|---|---|---|---|---|
| 15-20fps | 明显帧间跳跃 | 卡顿感明显 | 早期互联网视频 | 时间冗余有限 |
| 24fps | 电影标准 | 电影感、艺术感 | 电影制作 | 运动模糊依赖 |
| 25/30fps | 电视标准 | 自然流畅 | 电视广播、网络视频 | 平衡的时间冗余 |
| 50/60fps | 高帧率 | 超流畅、现实感强 | 体育转播、游戏 | 丰富的时间冗余 |
| 120fps+ | 超高帧率 | 用于慢动作 | 科学研究、艺术创作 | 数据量巨大 |
帧率与运动表现的关系：
运动速度与帧率需求关系图：
慢动作场景 |||||||||||||||||||||||||| 24fps足够
正常步行 |||||||||||||||||||||||||| 30fps理想
快速运动 |||||||||||||||||||||||||| 60fps推荐
竞技体育 |||||||||||||||||||||||||| 120fps最佳
低 ──────────────────────────────── 高
帧率需求
应用场景分析：
帧率应用场景对比:
电影制作 : 24fps ■■■■■■■■■■■■ (电影标准，艺术感)
电视广播 : 25/30fps ■■■■■■■■■■■■■■ (标准电视)
在线视频 : 30fps ■■■■■■■■■■■■■■ (流媒体主流)
游戏直播 : 60fps ■■■■■■■■■■■■■■■■■■■■■■■■ (竞技需求)
高速运动摄影 : 120fps+ ■■■■■■■■■■■■■■■■■■■■■■■■■■■■ (慢动作回放)
技术权衡：
色深定义了每个像素各颜色分量的量化精度，决定了色彩表现的细腻程度和动态范围。
量化理论基础：
数学模型： 量化噪声的功率与量化步长的关系为：
\[\sigma_q^2 = \frac{q^2}{12}\]其中$q = \frac{\text{最大值} - \text{最小值}}{2^n}$是量化步长，$n$是色深位数。
信噪比计算： \(\text{SNR}_{\text{dB}} = 6.02n + 1.76\)
这意味着每增加1位色深，信噪比提升约6dB。
色深与感知质量的关系：
| 色深 | 量化级数/通道 | 理论SNR | 实际感知阈值 | 适用场景 |
|---|---|---|---|---|
| 6位 | 64 | 38dB | 可见色带严重 | 极简应用 |
| 8位 | 256 | 50dB | 轻微色带可见 | 标准SDR内容 |
| 10位 | 1024 | 62dB | 几乎无色带 | HDR/专业内容 |
| 12位 | 4096 | 74dB | 完全无色带 | 电影制作/医学成像 |
不同色深的视觉效果示意：
色深对渐变效果的影响 (天空渐变示例):
8位: ████▓▓▓▒▒▒░░░ <- 可见色带
10位: ████▓▓▓▒▒▒░░░ <- 平滑渐变
12位: ████▓▓▓▒▒▒░░░ <- 完美平滑
JND阈值: ΔL ≈ 1% (Weber定律)
主流色深标准：
| 色深 | 每分量级数 | 总颜色数 | 应用场景 | 技术特点 |
|---|---|---|---|---|
| 8位 | 256 | 16.7M | 标准视频 | SDR主流标准，兼容性好 |
| 10位 | 1024 | 1.07B | HDR视频 | 减少色带，支持更大动态范围 |
| 12位 | 4096 | 68.7B | 专业制作 | 电影后期制作，色彩分级 |
色彩空间的影响：
色彩空间容量对比 (以10位为例):
┌─────────────────────────────────────────┐
│ Rec.2020 (HDR) │████████████████████████│ 75.8% CIE色域
│ DCI-P3 (影院) │████████████████████ │ 53.6% CIE色域
│ Rec.709 (SDR) │████████████████ │ 35.9% CIE色域
│ sRGB (网络) │███████████████ │ 35.0% CIE色域
└─────────────────────────────────────────┘
实际应用中的考量：
这三个维度的乘积效应决定了视频的原始数据规模：
\[\text{数据量} \propto \text{宽度} \times \text{高度} \times \text{帧率} \times \text{色深}\]Rule-of-thumb: 在视频压缩设计中，通常按照以下优先级分配码率资源：
视频压缩的本质是识别并消除数据中的冗余。视频信号中存在多种类型的冗余，它们是压缩算法大展身手的舞台。
空间冗余是指单帧图像内部像素之间的相关性。图像中的大片区域，如蓝天、白墙或平坦的草地，其相邻像素的颜色值往往非常相似。帧内预测 (Intra-frame prediction) 技术就是专门用来利用这种冗余的。它不是直接编码每个像素的值，而是预测当前像素与其已编码邻近像素的差异，通常这个差异值会小得多，从而更容易被压缩。
空间相关性的数学描述： 对于图像中的两个像素点$(i,j)$和$(i’,j’)$，它们的空间相关性可以用相关系数表示：
\[\rho_{s} = \frac{E[(I_{i,j} - \mu)(I_{i',j'} - \mu)]}{\sigma^2}\]典型的自然图像中，相邻像素的相关系数通常在0.8-0.95之间。
不同类型的空间冗余：
天空区域示例:
Original: [120, 121, 120, 122, 119, 121, 120]
Prediction: 120 (DC预测)
Residual: [0, 1, 0, 2, -1, 1, 0] <- 能量大幅降低
水平纹理示例:
+--+--+--+--+--+--+--+--+
|██|▓▓|██|▓▓|██|▓▓|██|▓▓| <- 水平条纹
+--+--+--+--+--+--+--+--+
|██|▓▓|██|▓▓|██|▓▓|██|▓▓|
+--+--+--+--+--+--+--+--+
水平预测能很好地预测这种模式
对角边缘示例:
┌─────────────────────┐
│░░░░░░░██████████████│ <- 对角边缘
│░░░░░██████████████ │ 可用斜向预测
│░░░██████████████ │
│░██████████████ │
└─────────────────────┘
帧内预测模式的进化：
| 编码标准 | 预测模式数 | 主要创新 | 压缩效果提升 |
|---|---|---|---|
| H.263 | 1 | 基础DC预测 | 基准 |
| H.264 | 9 (4×4块) | 方向性预测 | +15-20% |
| H.265 | 35 | 更多角度 | +25-30% |
| VVC | 67+MIP | 矩阵内预测 | +35-40% |
空间冗余的量化评估：
空间冗余的统计分布 (自然图像):
频率
↑
│ ┌──┐
│ ┌─┘ └─┐ 平坦区域: ~40%
│ ┌─┘ └─┐ 纹理区域: ~35%
│─┘ └─┐ 边缘区域: ~20%
│ └┐复杂区域: ~5%
└─────────────────────→ 复杂度
低 高
时间冗余是视频压缩中最关键、也是压缩潜力最大的一种。它指的是视频序列中相邻帧之间的相似性。在一个典型的场景中，大部分背景和物体在短时间内是静止或缓慢移动的。因此，后一帧的大部分内容可以由前一帧的内容经过少量位移后得到。
时间相关性的量化分析： 相邻帧间的时间相关系数通常定义为：
\[\rho_{t} = \frac{E[(F_n - \bar{F_n})(F_{n+1} - \bar{F_{n+1}})]}{\sigma_{F_n}\sigma_{F_{n+1}}}\]其中$F_n$和$F_{n+1}$分别表示第$n$帧和第$n+1$帧。
不同类型视频的时间冗余特征：
时间轴视图 (相同区域的像素值):
Frame n: [128, 127, 129, 128, 126, 127, 128]
Frame n+1: [128, 127, 129, 128, 126, 127, 128]
Difference: [0, 0, 0, 0, 0, 0, 0]
时间相关系数 ρₜ ≈ 0.99
运动补偿示例:
Frame n: [A][B][C][D][ ][ ][ ]
Frame n+1: [ ][A][B][C][D][ ][ ] <- 向右移动1个位置
运动矢量: (1, 0)
补偿后残差: 接近于零
运动类型分析:
───────────────────────────────────────
平移运动 │████████████████████████│ 85% 易预测
旋转运动 │██████████████│ │ 60% 中等难度
缩放运动 │██████████│ │ 50% 较困难
遮挡/去遮挡 │██████│ │ 30% 很困难
新物体出现 │███│ │ 15% 极困难
时间冗余的统计特性：
| 场景类型 | 时间相关系数 | 运动矢量幅度 | 预测残差能量 | 压缩效果 |
|---|---|---|---|---|
| 新闻播报 | 0.95-0.98 | <2 pixels | 5-10% 原始 | 极佳 |
| 体育比赛 | 0.80-0.90 | 5-15 pixels | 15-25% 原始 | 良好 |
| 动作电影 | 0.70-0.85 | 10-30 pixels | 20-40% 原始 | 中等 |
| 快切场景 | 0.30-0.60 | 不适用 | 60-90% 原始 | 较差 |
帧间预测技术的演进：
帧间预测 (Inter-frame prediction) 技术通过运动估计和运动补偿来利用这种冗余。编码器会寻找当前块在前一帧（或后一帧）中的最佳匹配块，然后只编码两者之间的差异（残差）和描述运动的矢量。
运动估计搜索示意图:
参考帧 Frame n: 当前帧 Frame n+1:
┌─────────────────┐ ┌─────────────────┐
│ ┌───┐ │ │ ┌───┐ │
│ │ A │ ← 搜索窗口 │ │ │ A'│ │
│ └───┘ │ │ └───┘ │
│ │ │ │
└─────────────────┘ └─────────────────┘
↑ ↑
原始位置 运动矢量 (Δx,Δy)
运动补偿的精度演进：
感知冗余与人类视觉系统 (Human Visual System, HVS) 的特性有关。HVS 对图像的不同部分敏感度不同。例如，人眼对亮度变化的敏感度远高于对色度变化的敏感度，对低频信号（平滑区域）比高频信号（边缘、纹理）更敏感。
人类视觉系统的关键特性：
视觉敏感度对比 (相对值):
┌─────────────────────────────────────────┐
│ 亮度(Y)通道 │████████████████████████│ 100%
│ 色度(Cb)通道 │████████│ │ 30%
│ 色度(Cr)通道 │██████│ │ 25%
└─────────────────────────────────────────┘
这解释了YUV 4:2:0采样的合理性
人眼对不同频率的敏感度:
敏感度
↑ ┌──────┐
│ ┌┘ └┐ 峰值: ~3-5 cycles/degree
│ ┌┘ └┐
│ ┌┘ └┐
│─┘ └────
└─────────────────────→ 空间频率 (cycles/degree)
0 1 2 3 4 5 6 7
亮度掩蔽 (Luminance Masking)： 在高亮度区域，人眼对噪声的敏感度降低。掩蔽阈值与局部亮度的关系： \(T_{mask} = T_0 \cdot (L_{local}/L_0)^{\alpha}\) 其中$\alpha \approx 0.7$，$T_0$是基础阈值。
纹理掩蔽 (Texture Masking)： 在高纹理区域，量化噪声更容易被掩盖：
纹理掩蔽示例:
平坦区域: ████████ <- 微小噪声可见
纹理区域: ▓▒░▓▒░▓▒ <- 相同噪声被掩盖
时间掩蔽 (Temporal Masking)： 快速运动的物体对量化噪声的掩蔽效应：
感知冗余的实用技术：
4:2:0 (色度下采样): Y: [■][■][■][■] Cb: [▓] [▓] Cr: [▒] [▒] Y: [■][■][■][■] Cb: Cr: 数据量减少: 50%，感知质量损失: <5%
2. **感知量化矩阵**：
基于HVS模型的频域量化权重：
8×8 DCT块的感知量化矩阵示例: ┌─────────────────────────────────┐ │ 16 11 10 16 24 40 51 61 │ <- DC和低频 │ 12 12 14 19 26 58 60 55 │ 精细量化 │ 14 13 16 24 40 57 69 56 │ │ 14 17 22 29 51 87 80 62 │ │ 18 22 37 56 68 109 103 77 │ │ 24 35 55 64 81 104 113 92 │ │ 49 64 78 87 103 121 120 101 │ │ 72 92 95 98 112 100 103 99 │ <- 高频粗量化 └─────────────────────────────────┘
编码器可以利用这些特性，在人眼不敏感的区域进行更大力度的压缩（即引入更多失真），而在人眼敏感的区域则保留更多细节。量化 (Quantization) 是利用感知冗余的主要工具。
**Rule-of-thumb**: 利用感知冗余通常可以在主观质量基本不变的情况下，额外节省20-40%的码率。这种技术在低码率应用中尤其重要。
## 通用编解码框架概览
现代视频编解码器，无论是 H.264/AVC, H.265/HEVC, 还是 AV1, 都遵循一个相似的"混合编码" (Hybrid Coding) 框架。这个框架结合了基于预测和基于变换的两种编码策略，有效地消除了视频信号中的各种冗余。
其核心思想可以概括为：**预测、残差、变换、量化、熵编码**。
**混合编码的理论基础**：
混合编码框架是基于两个关键理论：
1. **预测理论**: 通过减少信号的一阶统计特性（均值）来降低数据冗余
2. **变换理论**: 通过能量集中和去相关来优化二阶统计特性
数学表达：
$$E = T \cdot Q(T^{-1}(I - P(I))) + P(I)$$
其中$I$是原始图像，$P$是预测，$T$是变换，$Q$是量化，$E$是重建图像。
下面是一个典型的编码器流程图：
ASCII Art: 详细的混合视频编码器架构
输入视频流 ↓ ┌─────────────────────────────────────────────────────────────────────────┐ │ 编码器主流程 │ │ │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │原始块分割│───→│ 预测器 │───→│ 残差计算 │───→│ 变换 │ │ │ │(CTU/MB) │ │(帧内/帧间)│ │ (-) │ │ (DCT/DST)│ │ │ └──────────┘ └────┬─────┘ └──────────┘ └──────────┘ │ │ │ ↓ │ │ │ ┌──────────┐ ┌──────────┐ │ │ │ │ 量化 │ │ 熵编码 │───→比特流 │ │ │ │(标量/矢量)│ │ (CABAC) │ │ │ │ └──────────┘ └──────────┘ │ │ │ ↓ ↑ │ │ │ ┌──────────┐ ┌──────────┐ │ │ ┌──────────┐ │ │ 反量化 │ │语法元素 │ │ │ │重建帧缓存│←─────────┴──────────│ 反变换 │ │打包 │ │ │ │ (DPB) │ └──────────┘ └──────────┘ │ │ └──────────┘ ↓ ↑ │ │ ↑ ┌──────────┐ ┌──────────┐ │ │ └──────────────────────────│重建块合成│ │运动矢量 │ │ │ │环路滤波 │ │量化参数 │ │ │ └──────────┘ └──────────┘ │ └─────────────────────────────────────────────────────────────────────────┘
反馈控制环路
┌─────────────────────────────────┐
↓ │
┌──────────────┐ ┌────────────────┐
│码率控制模块 │←────────────────│质量评估模块 │
│(Rate Control)│ │(RDO Analysis) │
└──────────────┘ └────────────────┘ ```
详细编码流程分析：
编码器对当前要编码的块（macroblock 或 coding unit）进行预测。预测可以来自同一帧的已编码相邻块（帧内预测），也可以来自已编码参考帧的相似块（帧间预测）。
预测效果的数学评估： 预测效果通常用残差能量来衡量： \(E_{residual} = \frac{1}{N} \sum_{i=1}^{N} (x_i - \hat{x}_i)^2\)
预测模式决策：
Rate-Distortion优化决策:
失真
↑
│ ┌─ 帧内DC预测
│ ┌┴─ 帧内方向预测
│┌┴── 帧间SKIP模式
D ││ └─ 帧间运动补偿
│└──── 无预测（原始编码）
└─────────────────→ 码率
R
选择: min(D + λR) 的模式
将原始块与预测块相减，得到残差块： \(R[i,j] = O[i,j] - P[i,j]\)
残差信号的统计特性：
对残差块进行块级变换，通常是离散余弦变换 (DCT) 或其整数近似。
变换的能量集中效果：
DCT变换的能量集中示例:
空域残差块: 频域DCT系数:
┌────────────────┐ ┌────────────────┐
│ 5 3 -2 1 0 │ │92 8 2 1 0 │ ← DC和低频
│ 4 2 -1 0 0 │ DCT │ 6 3 1 0 0 │ 占主导地位
│-2 -1 1 0 0 │ ────→ │ 2 1 0 0 0 │
│ 1 0 0 0 0 │ │ 1 0 0 0 0 │
│ 0 0 0 0 0 │ │ 0 0 0 0 0 │ ← 高频通常为0
└────────────────┘ └────────────────┘
能量分散 能量集中(99%在左上角)
这是编码过程中唯一引入信息损失（有损压缩）的步骤： \(Q_{ij} = \text{round}\left(\frac{T_{ij}}{QP_{ij}}\right)\)
量化对不同系数的影响：
量化前后对比:
Original DCT: [92, 8, 2, 1, 0, ...]
QP = 4: [23, 2, 1, 0, 0, ...] ← 高频系数被置零
QP = 8: [12, 1, 0, 0, 0, ...] ← 更多系数置零
QP = 16: [6, 0, 0, 0, 0, ...] ← 仅保留DC分量
最后，量化后的系数、运动矢量以及其他元数据通过无损的熵编码算法（如 CABAC）转换成最终的二进制比特流。
CABAC的上下文建模：
上下文自适应过程:
量化系数: [6, 0, 1, 0, 0, 0, ...]
↓
上下文分析: 考虑邻近块的统计特性
↓
概率估计: P(0)=0.8, P(1)=0.15, P(6)=0.01
↓
算术编码: 根据概率分布生成压缩比特
解码过程： 解码器执行完全相反的过程：
编解码的信息流：
信息守恒分析:
原始信息: 100% ┌─→ 预测信息: ~60-80%
│ (时间/空间冗余)
│
└─→ 残差信息: ~20-40%
├─→ 变换域能量集中
└─→ 量化丢弃高频信息: ~60-90%
└─→ 熵编码无损压缩
最终保留信息: ~1-10% (取决于质量要求)
传统的视频编码优化目标通常是最小化客观失真度量，如峰值信噪比 (PSNR) 或结构相似性 (SSIM)。然而，这些指标并不总能与人类主观感受到的视频质量完美匹配。一个 PSNR 更高的视频，在人眼看来可能比另一个 PSNR 较低的视频更模糊或有更多令人不悦的伪影。
感知视频编码 (Perceptual Video Coding, PVC) 的目标是直接优化人类观众的主观体验。它试图将人类视觉系统 (HVS) 的模型更深入地集成到编码决策中，特别是率失真优化 (Rate-Distortion Optimization, RDO) 过程。
核心思想: 在分配比特时，不仅仅考虑像素的数学差异，更要考虑这种差异是否能被人类观察者注意到。
关键技术:
Rule-of-thumb: 感知编码技术通常可以在相同的客观码率下，带来 10-20% 的等效主观质量提升，尤其是在中低码率场景下。
长期以来，视频质量评估 (Video Quality Assessment, VQA) 都是一个巨大的挑战。如前所述，PSNR 和 SSIM 等传统指标有其局限性。主观测试（如 MOS - Mean Opinion Score）虽然是黄金标准，但成本高昂、耗时且无法用于实时系统。
近年来，基于深度学习的 VQA 模型取得了巨大成功，它们在预测人类主观评分方面的准确性远超传统方法。
代表性模型：VMAF (Video Multimethod Assessment Fusion) VMAF 是由 Netflix 开发并开源的一个广受欢迎的 VQA 指标。它并非一个纯粹的深度学习模型，而是一个融合了多种特征的“融合”模型。
其工作流程如下：
VMAF 的分数范围通常在 0 到 100 之间，100 代表完美质量。它在预测流媒体视频质量方面表现出色，已被广泛应用于 Netflix、YouTube 等平台的编码流程中，用于指导码率阶梯的选择和编码参数的优化。
除了 VMAF，许多基于卷积神经网络 (CNN) 的端到端 VQA 模型也被提了出来，它们试图直接从原始像素中学习感知质量的特征，省去了手动设计特征的步骤，展现了更大的潜力。
在1980年代后期，数字视频技术正处于萌芽阶段，但缺乏统一的标准。不同的公司和研究机构各自为政，开发了多种互不兼容的数字视频格式。这严重阻碍了数字视频内容的创作、分发和消费。
为了解决这一“数字巴别塔”问题，1988年，在国际标准化组织 (ISO) 和国际电工委员会 (IEC) 的联合技术委员会 (JTC 1) 旗下，一个名为 MPEG (Moving Picture Experts Group) 的工作组正式成立。其主要推动者是意大利工程师 Leonardo Chiariglione 和日本的 Hiroshi Yasuda。
MPEG 的目标非常明确：为视频、音频和它们的同步制定一套国际通用的压缩标准。该组织的运作模式是开放的，汇集了来自全球学术界和工业界的顶尖专家。他们通过竞争性的“提案征集”(Call for Proposals) 流程，将最好的技术融合到一个统一的标准中。
这一努力的第一个伟大成果是 MPEG-1 标准，于1993年正式发布。它最初是为在 CD-ROM 上存储和播放 VHS 质量的视频而设计的，其著名的 “Video CD” (VCD) 格式风靡了整个亚洲市场。更重要的是，MPEG-1 的音频部分——MPEG-1 Audio Layer III，就是后来家喻户晓的 MP3。
MPEG 的成立及其后续一系列标准（MPEG-2, MPEG-4, H.264/AVC, H.265/HEVC）的成功，为数字电视、DVD、蓝光、流媒体等无数革命性应用铺平了道路，从根本上塑造了我们今天消费媒体的方式。
进入21世纪10年代，随着在线视频流媒体成为最主流的视频消费方式，一个新的挑战浮出水面：专利授权。以 H.265/HEVC 为代表的传统视频编码标准虽然技术先进，但其专利授权模式极其复杂且昂贵。它由多个专利池 (Patent Pool) 管理，授权费用高昂，且条款不甚透明，这给许多互联网公司和内容分发商带来了巨大的成本和法律风险。
为了应对这一挑战，Alliance for Open Media (AOMedia) 于2015年应运而生。这是一个由全球科技巨头组成的产业联盟，创始成员包括 Google, Amazon, Cisco, Intel, Microsoft, Mozilla 和 Netflix。这个联盟的目标非常清晰：创建一个开放、免版税 (royalty-free) 的下一代视频编码格式。
AOMedia 集合了其成员公司的技术积累，特别是 Google 的 VP9, Mozilla 的 Daala, 和 Cisco 的 Thor 编解码器的思想，开发出了他们的第一个视频编码标准——AV1 (AOMedia Video 1)。
AV1 在设计上旨在提供比 HEVC 更高的压缩效率（约 20-30% 的码率节省），同时完全免除专利授权费用。这一特性使其迅速获得了主流浏览器（Chrome, Firefox）、操作系统（Android, Windows）以及 YouTube, Netflix 等大型内容平台的支持。
AOMedia 的崛起标志着视频编码领域的一个重要转变：从传统的、由标准化组织主导、基于专利授权的模式，转向由行业联盟推动的、以开源和免版税为核心的模式。这场由 AOMedia 引领的运动正在深刻地影响着未来视频技术的生态格局。
本章我们探讨了数字视频与压缩的基础知识，为后续深入学习编解码技术细节打下了地基。