数字视频基础：像素、分辨率、帧率、色彩空间与色度采样

各位同学，欢迎来到第二章。在正式接触 H.264 和 H.265 的码流之前，我们得先把地基打牢。说白了，视频编码处理的对象不是「画面」，而是「数据」。如果你不理解这些数据长什么样，后面看码流分析工具的输出，你会一头雾水。

我个人习惯把这一章叫做「视频的物理层」。像素、分辨率、帧率、色彩空间、色度采样——这五个概念，决定了原始视频的体积，也决定了编码器能压缩到什么程度。嗯，咱们一个一个来。

2.1 像素与分辨率

像素是图像的最小单元。你可以把它想象成一个「颜色点」。一张 1920×1080 的图，就是横向 1920 个点、纵向 1080 个点，总共约 207 万个点。

分辨率就是「宽×高」。但这里有个坑——分辨率不等于清晰度。我在项目中遇到过有人把 720p 强行拉伸到 1080p 显示，结果画面糊成一片。分辨率只决定像素总数，清晰度还取决于编码质量、码率、显示设备。

你想想看，从 1080p 到 4K，像素数翻了 4 倍。如果直接存储原始 RGB 数据，一帧 4K 画面就要将近 100MB。这就是为什么我们需要编码——但这是后话。

2.2 帧率

帧率就是每秒显示多少帧画面，单位 fps。常见的帧率有 24fps（电影）、30fps（电视/直播）、60fps（体育/游戏）。

帧率越高，运动越流畅，但数据量也线性增长。60fps 的视频比 30fps 多一倍的帧，码率自然也要翻倍。

帧率还有一个隐藏属性：时间戳。编码器处理的是帧序列，每一帧都有自己的 PTS（显示时间戳）和 DTS（解码时间戳）。这个后面讲 H.264 的 NAL 单元时会细说。

2.3 色彩空间：RGB vs YUV

这是本章最核心的概念。RGB 是显示器用的，YUV 是编码器用的。为什么编码器不用 RGB？

因为人眼对亮度敏感，对颜色不敏感。YUV 把亮度（Y）和色度（U、V）分开，编码器就可以对色度通道下重手压缩——反正你看不出来。

RGB 三个通道都是全分辨率，每个通道 8bit，一个像素就是 24bit。YUV 呢？Y 通道保留全分辨率，U 和 V 可以降采样。这就是后面要讲的色度采样。

// BT.601 标准，用于标清
Y  =  0.299 * R + 0.587 * G + 0.114 * B
U  = -0.147 * R - 0.289 * G + 0.436 * B + 128
V  =  0.615 * R - 0.515 * G - 0.100 * B + 128

// BT.709 标准，用于高清
Y  =  0.2126 * R + 0.7152 * G + 0.0722 * B
U  = -0.0999 * R - 0.3360 * G + 0.4360 * B + 128
V  =  0.6150 * R - 0.5586 * G - 0.0564 * B + 128

注意看，Y 通道的系数加起来正好是 1.0，而 U、V 的系数加起来是 0。这意味着纯黑白画面（R=G=B）的 U、V 值就是 128——中性灰。我曾经调试一个编码器，发现画面偏绿，查了半天，结果是 YUV 转 RGB 时用了 BT.601 的系数去处理 1080p 的视频。嗯，标准搞错了，颜色全乱套。

2.4 色度采样：4:4:4 / 4:2:2 / 4:2:0

色度采样是 YUV 的精髓。它决定了 U、V 通道相对于 Y 通道的「分辨率」有多高。

先看一张结构图，把三种采样方式的关系理清楚。

从图上可以看得很清楚：

• 4:4:4：Y、U、V 都是全分辨率。一个像素 24bit，数据量最大。一般用于专业影视后期、屏幕录制。
• 4:2:2：U、V 在水平方向降采样一半。一个像素平均 16bit。常用于广播级设备。
• 4:2:0：U、V 在水平和垂直方向都降采样一半。一个像素平均 12bit。H.264/H.265 最常用的格式，没有之一。

为什么 4:2:0 这么流行？因为人眼对色度的空间分辨率确实不高。你拿一张 4:4:4 的图和一张 4:2:0 的图放在一起，不放大到 200% 根本看不出区别。但数据量直接省了一半。

2.5 数据量估算

把上面几个概念串起来，我们可以估算原始视频的数据量。

// 以 1080p 30fps 4:2:0 8bit 为例
每帧像素数 = 1920 × 1080 = 2,073,600
每像素比特数 = 8 (Y) + 8/4 (U) + 8/4 (V) = 12 bit
每帧数据量 = 2,073,600 × 12 / 8 = 3,110,400 字节 ≈ 3 MB
每秒数据量 = 3 MB × 30 = 90 MB/s

// 如果是 4K 60fps 4:4:4 10bit
每帧像素数 = 3840 × 2160 = 8,294,400
每像素比特数 = 10 + 10 + 10 = 30 bit
每帧数据量 = 8,294,400 × 30 / 8 = 31,104,000 字节 ≈ 30 MB
每秒数据量 = 30 MB × 60 = 1.8 GB/s

1.8GB/s 的原始数据，不压缩的话，一部 2 小时的电影就是 13TB。这就是为什么我们需要 H.264 和 H.265——它们能把数据压缩到原始体积的 1/100 甚至更低，而画质损失肉眼几乎不可见。

2.6 本章小结

像素、分辨率、帧率决定了视频的「时空规模」。色彩空间和色度采样决定了每个像素的「数据密度」。这五个参数组合起来，就是编码器的输入约束。

后面讲 H.264 的宏块、H.265 的 CTU 时，你会反复看到这些概念。尤其是色度采样——H.264 的色度插值、H.265 的色度预测，都依赖你对 4:2:0 的理解。嗯，先把基础打牢，后面才走得稳。