H264编码结构和解析

H.264（又称 MPEG-4 AVC）是目前应用最广泛的视频编码标准之一，其高效的压缩性能和良好的网络适配性使其成为流媒体、安防监控、视频会议等场景的核心技术。理解 H.264 的编码结构和解析过程，需要从其分层设计、核心数据单元及解码流程逐步展开。

一、H.264 的编码结构

H.264 的编码结构采用分层设计，核心分为视频编码层（VCL） 和网络抽象层（NAL），两者协同实现视频压缩与网络传输的适配。

1.1. 网络抽象层（NAL，Network Abstraction Layer）

NAL 的核心作用是将 VCL 生成的压缩数据封装为适合网络传输的格式，解决不同网络（如 IP、广播、存储）的适配问题。其基本单元是NAL 单元（NALU，NAL Unit）。
（1）NALU 的结构
每个 NALU 由1 字节的头部（NAL Header） 和负载（RBSP） 组成，结构如下：

[NAL Header (1字节)] + [RBSP (可变长度)]

NAL Header（头部）：共 8 位，包含 3 个关键字段，决定 NALU 的类型和传输优先级：

• forbidden_zero_bit（1 位）：禁止位，通常为 0；若为 1，表示该 NALU 存在严重错误，需丢弃。
• nal_ref_idc（2 位）：参考重要性指示，值越大表示该 NALU 对解码的重要性越高（如 I 帧的 NALU 通常为 3，B 帧可能为 0）。
• nal_unit_type（5 位）：NALU 类型标识，决定负载的内容，常见类型如下：
  0-23：VCL 相关（如 Slice 数据）；
  24-31：非 VCL 相关（如参数集、补充增强信息）。
  例如：nal_unit_type=7表示序列参数集（SPS），=8表示图像参数集（PPS），=5表示 I 帧的 Slice 数据。

负载（RBSP，Raw Byte Sequence Payload）：VCL 层输出的压缩数据经处理后的形式。VCL 输出的原始数据称为SODB（String of Data Bits），为了避免字节对齐问题，会在 SODB 末尾添加停止位（1 个或多个 0），形成 RBSP。

1.2. 视频编码层（VCL，Video Coding Layer）

VCL 负责核心的视频压缩逻辑（如预测、变换、量化、熵编码），生成压缩后的视频数据。其数据结构按层次分为：序列（Sequence）→ 图像（Picture）→ Slice（片）→ 宏块（Macroblock）→ 子块（Subblock）。

• ① 序列（Sequence）
  一个 “序列” 是由一系列连续的图像组成的视频片段，其全局参数由序列参数集（SPS，Sequence Parameter Set） 定义。SPS 是解码的 “全局配置”，包含影响整个序列的关键参数：
  profile_idc和 level_idc：定义编码的 “能力等级”，限制最大码率、分辨率、帧率等，确保不同设备的兼容性。
  图像尺寸：pic_width_in_mbs_minus1（宽度，以宏块为单位）、pic_height_in_mbs_minus1（高度，以宏块为单位），需结合宏块大小（16x16）计算实际像素尺寸。
  帧 / 场编码模式：指示视频是按 “帧”（Frame）还是 “场”（Field）编码（场编码用于隔行扫描视频）。
  参考帧数量：max_num_ref_frames 定义最大参考帧数目，影响帧间预测的复杂度。

• ② 图像（Picture）
  一个 “图像” 对应一帧（Frame）或一场（Field）视频，其参数由图像参数集（PPS，Picture Parameter Set） 定义。PPS 依赖于 SPS，包含单幅图像的局部参数：
  熵编码方式：entropy_coding_mode_flag 指示使用 CAVLC（0）还是 CABAC（1）（CAVLC 简单但压缩率低，CABAC 复杂但压缩率高）。
  宏块划分：pic_init_qp_minus26 定义量化参数基准，影响画质与码率的平衡。
  加权预测参数：用于 B 帧或 P 帧的参考帧加权，提升预测精度。
  一个 SPS 可对应多个 PPS，一个 PPS 可对应多个图像（即同一参数配置可复用）。

• ③ Slice（片）
  每个图像由 1 个或多个 Slice 组成，Slice 是独立解码的最小单元（目的是限制误码扩散：若一个 Slice 出错，仅影响该 Slice，不扩散到其他 Slice）。
  Slice 的组成：每个 Slice 包含Slice 头部和一系列连续的宏块（按光栅扫描顺序排列）。
  Slice 头部：包含解码关键信息，如：
  · slice_type：指示 Slice 类型（I、P、B 等，决定预测方式）。
  · pic_order_cnt_lsb：图像顺序计数（POC），用于确定解码顺序与显示顺序的映射（尤其是 B 帧，解码顺序与显示顺序不同）。
  ref_pic_list_reordering_flag_l0/l1：指示是否重排序参考帧列表（优化预测精度）。

• ④ 宏块（Macroblock）
  宏块是编码的基本单元，对应原始图像中的一块区域。对于 4:2:0 色度采样（最常用），一个宏块包含：
  1 个 16x16 的亮度块（Y）；
  2 个 8x8 的色度块（Cb、Cr）。
  宏块的类型由其所属的 Slice 类型决定，核心分类如下：
  I 宏块：仅依赖自身像素进行帧内预测（无需参考其他帧），适用于关键帧（I 帧）。
  P 宏块：依赖前向参考帧（已解码的 I/P 帧）进行帧间预测，适用于预测帧（P 帧）。
  B 宏块：依赖双向参考帧（前向和后向的 I/P 帧）进行帧间预测，压缩率最高，适用于双向预测帧（B 帧）。
  每个宏块还包含残差数据（原始像素与预测值的差值，经变换和量化后的数据）和运动矢量（对 P/B 宏块，指示参考帧中匹配块的位置偏移）。

• ⑤ 子块（Subblock）
  为提升预测精度，宏块可进一步划分为更小的子块（如 8x8、4x4），尤其是运动补偿时：
  P/B 宏块的运动补偿单元（PU）可分为 16x16、16x8、8x16、8x8（8x8 还可细分为 4x4），灵活适配不同运动强度的区域（如快速移动的物体用小尺寸子块，静止区域用大尺寸）。

1.3. 熵编码

VCL 层的最后一步是熵编码，将量化后的残差、运动矢量等数据转换为二进制比特流（进一步压缩）。H.264 支持两种熵编码方式：
CAVLC（基于上下文的自适应可变长编码）：用变长码表（VLC）编码，根据上下文动态选择码表，实现简单（适合低算力设备）。
CABAC（基于上下文的自适应二进制算术编码）：将数据转换为二进制后，用算术编码压缩，结合上下文概率模型动态更新编码参数，压缩率比 CAVLC 高 5-10%，但复杂度更高（适合高性能设备）。

1.4.“帧”（Frame）、 “场”（Field）编码简介

在视频编码中，“按帧（Frame）编码” 和 “按场（Field）编码” 是两种不同的处理视频画面的方式，主要区别源于传统隔行扫描电视技术与逐行扫描技术的差异：

• 帧（Frame）编码
  定义：将一整个画面（帧）作为基本编码单位，完整记录一帧内的所有像素信息。
  适用场景：适用于逐行扫描的视频，如电影（24fps）、电脑动画、现代数字摄像机录制的视频等。
  特点：
  每一帧都是完整独立的画面
  编码处理相对直接，压缩算法作用于完整画面
  适合静态或慢动作场景，细节保留更完整
• 场（Field）编码
  定义：将一帧画面分成两个 “场”（奇场和偶场）分别编码。奇场包含画面中所有奇数行像素，偶场包含所有偶数行像素。
  适用场景：源于传统 CRT 电视的隔行扫描技术，适用于广播电视信号（如 PAL 制、NTSC 制）。
  特点：
  每个场单独传输，播放时两场快速交替形成完整画面
  能有效减少运动画面的闪烁感
  编码时需考虑两场之间的相关性，处理运动场景更高效
  对于快速运动的画面，场编码可能比帧编码产生更少的模糊
  核心区别：
  数据结构：帧编码处理完整画面，场编码将画面拆分为两行交错的场
  时间特性：场的时间间隔是帧的一半（例如 60 场 / 秒相当于 30 帧 / 秒）
  压缩效率：运动场景中场编码通常更高效，静态场景中帧编码表现更好
  兼容性：场编码主要用于传统广播电视，帧编码是现代数字视频的主流方式随着数字技术的发展，逐行扫描和帧编码已成为主流，但场编码仍在广播电视领域有一定应用，许多编码器也支持根据内容自动选择最优模式。

二、H.264 的解析过程（解码流程）

H.264 的解析（解码）是编码的逆过程，核心是从 NALU 流中恢复原始视频帧，步骤如下：

2.1. 码流读取与 NALU 提取

H.264 码流是连续的 NALU 序列，NALU 之间通过起始码（Start Code） 分隔：
短起始码：0x000001（3 字节）；
长起始码：0x00000001（4 字节，通常用于码流开头或关键参数集前）。
解析时需先检测起始码，分割出单个 NALU，同时处理防竞争字节（Emulation Prevention Bytes）：若 NALU 内部出现0x000000、0x000001（可能被误判为起始码），编码时会插入0x03（如0x000000→0x00000300），解析时需移除0x03以恢复原始数据。

2.2. NALU 类型判断与参数集解析

提取 NALU 后，先解析NAL Header，通过nal_unit_type判断 NALU 类型：
若为 SPS（nal_unit_type=7）或 PPS（nal_unit_type=8），则解析并存储参数集（SPS/PPS 需优先解析，后续 Slice 解码依赖这些参数）。
若为 Slice 数据（nal_unit_type=1-5等），则进入 Slice 解析流程。

2.3. Slice 解析

Slice 解析是核心步骤，依赖已解析的 SPS 和 PPS，流程如下：
解析 Slice 头部：获取slice_type（确定宏块类型）、POC（确定显示顺序）、参考帧列表等信息。
宏块解析：按顺序解析 Slice 内的每个宏块：
若为 I 宏块：执行帧内预测（根据 SPS 中的帧内预测模式，如 16x16、8x8 或 4x4 模式，用相邻已重构像素预测当前块）。
若为 P/B 宏块：执行帧间预测（根据运动矢量从参考帧中找到匹配块，计算预测值）。
残差恢复：对量化后的残差数据执行反量化和反变换（H.264 用 4x4 或 8x8 整数 DCT 变换，避免浮点运算），得到原始残差。
像素重构：将预测值与残差相加，得到重构像素。

2.4. 去块滤波（Deblocking Filter）

重构后的图像可能因宏块边界的量化误差产生 “方块效应”（块边缘明显），需通过去块滤波平滑边界：对宏块边缘的像素进行加权平均，在不模糊细节的前提下减少块效应，提升视觉质量。

2.5. 图像合成与输出

所有 Slice 解析完成后，合成完整的图像，根据 POC 调整显示顺序（尤其是 B 帧，解码顺序可能晚于显示顺序），最终输出解码后的视频帧。

总结

编码结构：H.264 通过 VCL（负责压缩）和 NAL（负责网络适配）分层设计，核心数据单元包括 NALU、参数集（SPS/PPS）、Slice、宏块，形成从序列到像素的多级结构。
解析过程：从码流中提取 NALU，解析 SPS/PPS 获取全局参数，再按 Slice→宏块的顺序解析，通过预测、残差恢复、去块滤波等步骤重构原始视频帧，最终输出连续的解码图像。
这种结构既保证了高效的压缩性能（通过帧内 / 帧间预测、变换量化），又具备良好的网络适应性（通过 NAL 的封装和 Slice 的独立解码），使其成为视频编码领域的经典标准。