要徹底理解視訊編碼原理，看書都是虛的，需要實際動手，實現一個簡單的視訊編碼器：
知識準備：基本影像處理知識，訊號的時域和頻域問題，熟練掌握傅立葉正反變換，一維、二維傅立葉變換，以及其變種，dct變換，快速dct變換。
來自知乎問題：http://www.zhihu.com/question/22567173/answer/73610451
第一步：實現有損影像壓縮和解壓
參考 JPEG原理，將RGB->YUV，然後Y/U/V看成三張不同的圖片，將其中一張圖片分為 8×8的block進行 dct變換（可以直接進行二維dct變換，或者按一定順序將8×8的二維陣列整理成一個64位元組的一維陣列），還是得到一個8×8的整數頻率資料。於是表示影像大輪廓的低頻訊號（人眼敏感的訊號）集中在 8×8的左上角；表示影像細節的高頻訊號集中在右下角。
接著將其量化，所謂量化，就是訊號取樣的步長，8×8的整數頻率資料塊，每個資料都要除以對應位置的步長，左上角相對重要的低頻訊號步長是1，也就是說0-255，是多少就是多少。而右下角是不太重要的高頻訊號，比如步長取10，那麼這些位置的資料都要/10，實際解碼的時候再將他們*10恢復出來，這樣經過編碼的時候/10和解碼的時候*10，那麼步長為10的訊號1, 13, 25, 37就會變成規矩的：0, 10, 20, 30, 對小於步長10的部分我們直接丟棄了，因為高頻不太重要。
經過量化以後，8×8的資料塊左上角的資料由於步長小，都是比較離散的，而靠近右下角的高頻資料，都比較統一，或者是一串0，因此影像大量的細節被我們丟棄了，這時候，我們用無失真壓縮方式，比如lzma2演算法（jpeg是rle + huffman）將這64個byte壓縮起來，由於後面高頻資料步長大，做了除法以後，這些值都比較小，而且比較靠近，甚至右下部分都是一串0，十分便於壓縮。
JPEG影像有個問題就是低位元速率時 block邊界比較嚴重，現代圖片壓縮技術往往要配合一些de-block演算法，比如最簡單的就是邊界部分幾個畫素點和周圍插值模糊一下。
做到這裡我們實現了一個同 jpeg類似的靜態圖片有失真壓縮演算法。在視訊裡面用來儲存I幀資料。
第二步：實現巨集塊誤差計算
視訊由連續的若干影像幀組成，分為 I幀，P幀，所謂I幀，就是不依賴就可以獨立解碼的視訊影像幀，而P幀則需要依賴前面已解碼的視訊幀，配合一定資料才能生成出來。所以視訊中I幀往往都比較大，而P幀比較小，如果播放器一開始收到了P幀那麼是無法播放的，只有收到下一個I幀才能開始播放。I幀多了視訊就變大，I幀少了，資料量是小了，但視訊受到丟包或者資料錯誤的影響卻又會更嚴重。
那麼所謂運動預測編碼，其實就是P幀的生成過程：繼續將圖片分成 16×16的block（為了簡單隻討論yuv的y分量壓縮）。I幀內部單幀圖片壓縮我們採用了8×8的block，而這裡用16×16的block來提高幀間編碼壓縮率（當然也會有更多細節損失），我們用 x, y表示畫素點座標，而s,t表示block座標，那麼座標為（x,y）的畫素點所屬的block座標為：
|
1 2 |
s = x / 16 = x >> 4 t = y / 16 = y >> 4 |
接著要計算兩個block的相似度，即向量的距離，可以表示為一個256維向量（16×16）畫素點色彩距離的平方，我們先定義兩個顏色的誤差為：
PixelDiff(c1, c2) = (c1- c2) ^ 2
那麼256個點的誤差可以表示為所有對應點的畫素誤差和：
BlockDiff(b1, b2) = sum( PixelDiff(c1, c2) for c1 in b1 for c2 in b2)
程式碼化為：
|
1 2 3 4 5 6 7 8 9 10 11 |
int block_diff(const unsigned char b1[16][16], const unsigned char b2[16][16]) { int sum = 0; for (int i = 0; i < 16; i++) { for (int j = 0; j < 16; j++) { int c1 = b1[i][j]; int c2 = b2[i][j]; sum += (c1 – c2) * (c1 – c2); } } return sum; } |
有了這個block求差的函式，我們就可以針對特定block，搜尋另外若干個block中哪個和它最相似了（誤差最小）。
第三步：實現運動預測編碼
根據上面的巨集塊比較函式，你已經可以知道兩個block到底像不像了，越象的block，block_diff返回值越低。那麼我們有兩幀相鄰的圖片，P1，P2，假設 P1已經完成編碼了，現在要對 P2進行P幀編碼，其實就是輪詢 P2裡面的每一個 block，為P2中每一個block找出上一幀中相似度最高的block座標，並記錄下來，具體虛擬碼可以表示為：
其中在P1中搜尋最相似 block的 block_search_nearest 函式原理是比較簡單的，我們可以暴力點用兩個for迴圈輪詢 P1中每個畫素點開始的16×16的block（速度較慢），當然實際中不可能這麼暴力搜尋，而是圍繞P2中該block對應座標在P1中位置作為中心，慢慢四周擴散，搜尋一定步長，並得到一個：按照一定順序進行搜尋，並且在一定範圍內最相似的巨集塊座標。
於是P2進行運動預測編碼的結果就是一大堆(x,y)的座標，代表P2上每個block在上一幀P1裡面最相似的 block的位置。反過來說可能更容易理解，我們可以把第三步整個過程定義為：
|
1 2 3 4 5 6 7 8 9 |
unsigned char block[16][16]; for (int t = 0; t <= maxt; t++) { for (int s = 0; s <= maxs; s++) { picture_get_block(P2, s * 16, t * 16, block); // 取得圖片 P2 的 block int x, y; block_search_nearest(P1, &x, &y, block); // 在P1中搜尋最相似的block output(x, y); // 將P1中最相似的block的左上角畫素座標 (x, y) 輸出 } } |
怎麼用若干 P1裡不同起始位置的block拼湊出圖片P2來，使得拼湊以後的結果和P2最像。
拼湊的結果就是一系列(x,y)的座標資料，我們繼續用lzma2將它們先壓縮起來，按照 vcd的解析度352 x 240，我們橫向需要 352 / 16 = 22個block，縱向需要 240 / 16 = 15 個block，可以用 P1中 22 x 15 = 330 個 block的座標資訊生成一張和P2很類似的圖片 P2′ ：
|
1 2 3 4 5 6 7 8 |
for (int t = 0; t < 15; t++) { for (int s = 0; s < 22; s++, next++) { int x = block_positions[next].x; // 取得對應 P1上的 block畫素位置 x int y = block_positions[next].y; // 取得對應 P1上的 block畫素位置 y // 將 P1位置(x,y)開始的 16 x 16 的圖塊拷貝到 P2’的 (s * 16, t * 16)處 CopyRect(P2′, s * 16, t * 16, P1, x, y, 16, 16); } } |
我們把用來生成P2的P1稱為 P2的 “參考幀”，再把剛才那一堆P1內用來拼成P2的 block座標稱為 “運動向量”，這是P幀裡面最主要的資料內容。但是此時由P1和這些座標資料拼湊出來的P2，你會發現粗看和P2很象，但細看會發現有些支離破碎，並且邊緣比較明顯，怎麼辦呢？我們需要第四步。
第四步：實現P幀編碼
有了剛才的運動預測向量（一堆block的座標），我們先用P1按照這些資料拼湊出一張類似 P2的新圖片叫做P2’，然後同P2上每個畫素做減法，得到一張儲存 differ的圖片：
|
1 |
D2 = (P2 – P2′) / 2 |
誤差圖片 D2上每一個點等於 P2上對應位置的點的顏色減去 P2’上對應位置的點的顏色再除以2，用8位表示差值，值是迴圈的，比如-2就是255，這裡一般可以在結果上 + 0x80，即 128代表0，129代表2，127代表-2。繼續用一個 8位的整數可以表示 [-254, 254] 之間的誤差範圍，步長精度是2。
按照第三步實現的邏輯，P2’其實已經很像P2了，只是有些誤差，我們將這些誤差儲存成了圖片D2，所以圖片D2中，資訊量其實已經很小了，都是些細節修善，比起直接儲存一張完整圖片熵要低很多的。所以我們將 D2用類似第一步提到的有損圖片壓縮方法進行編碼，得到最終的P幀資料：
|
1 |
Encode(P2) = Lzma2(block_positions) + 有損影像編碼（D2） |
具體在操作的時候，D2的影像塊可以用16×16進行有損編碼，因為前面的運動預測資料是按16×16的巨集塊搜尋的，而不用象I幀那樣精確的用8×8表示，同時儲存誤差圖時，量化的精度可以更粗一些用不著象I幀那麼精確，可以理解成用質量更低的JPEG編碼，按照16×16的塊進行編碼，加上誤差圖D2本來資訊量就不高，這樣的儲存方式能夠節省不少空間。
第五步：實現GOP生成
通過前面的程式碼，我們實現了I幀編碼和P幀編碼，P幀是參考P1對P2進行編碼，而所謂B幀，就是參考 P1和 P3對P2進行編碼，當然間隔不一定是1，比如可以是參考P1和P5對P2進行編碼，前提條件是P5可以依賴P1及以前的資料進行解碼。
不過對於一個完整的簡版視訊編碼器，I幀和P幀編碼已經夠了，市面上任然有很多面向低延遲的商用編碼器是直接幹掉B幀的，因為做實時傳輸時收到B幀沒法播放，之後再往後好幾幀收到下一個I或者P幀時，先前收到的B幀才能被解碼出來，造成不少的延遲。
而所謂的 GOP (Group of picture) 就是由一系列類似 I, P, B, B, P, B, B, P, B, B P 組成的一個可以完整被解碼出來的影像組，而所謂視訊檔案，就是一個接一個的GOP，每個GOP由一個I幀開頭，然後接下來一組連續的P 或者 B構成，播放時只有完整收到下一個GOP的I幀才能開始播放。
最後是關於參考幀選擇，前面提到的 P2生成過程是參考了 P1，假設一個GOP中十張圖片，是 I1, P1, P2, P3, P4, … P9 儲存的，如果P1參考I1，P2參考P1, P3參考P2 …. P9參考P8這樣每一個P幀都是參考上一幀進行編碼的話，誤差容易越來越大，因為P1已經引入一定誤差了，P2在P1的基礎上誤差更大，到了P9的話，圖片質量可能已經沒法看了。
因此正確的參考幀選擇往往不需要這樣死板，比如可以P1-P9全部參考I1來生成，或者，P1-P4參考I1來生成，而P5-P9則參考P5來生成，這樣步子小點，誤差也不算太離譜。
第六步：容器組裝
我們生成了一組組編碼過的GOP了，這時候需要一定的檔案格式將他們恰當的儲存下來，記錄視訊資訊，比如解析度，幀率，時間索引等，就是一個類似MP4（h.264的容器）檔案的東西。至此一個簡單的小型編碼器我們已經完成了，可以用 SDL / DirectX / OpenGL 配合實現一個播放器，愉快的將自己編碼器編碼的視訊播放出來。
第七部：優化改進
這時候你已經大概學習並掌握了視訊編碼的基礎原理了，接下來大量的優化改進的坑等著你去填呢。優化有兩大方向，編碼效率優化和編碼效能優化：前者追求同質量（同訊雜比）下更低的位元速率，後者追求同樣質量和位元速率的情況下，更快的編碼速度。
有這個基礎後接下來可以回過頭去看JPEG標準，MPEG1-2標準，並閱讀相關實現程式碼，你會發現簡單很多了，接著肯H.264程式碼，不用全部看可以針對性的瞭解以下H.264的I幀編碼和各種搜尋預測方法，有H.264的底子，你瞭解 HEVC和 vpx就比較容易了。
參考這些編碼器一些有意思的實現來改進自己的編碼器，試驗性質，可以側重原理，各種優化技巧了解下即可，本來就是hack性質的。
有卯用呢？首先肯定很好玩，其次，當你有需要使用並修改這些編碼器為他們增加新特性的時候，你會發現前面的知識很管用了。