FFmpeg

FFmpg是音視頻領域的瑞士軍刀，由C語言進行編寫，廣泛的支持C++, python,java,go等語言的調用，繼承了幾乎所有的編解碼庫和流協議，并能任意的添加圖片水印和問題，能解決音視頻開發領域幾乎所有的問題， FFmpeg的開源協議為LGPL何GPL協議，也就是說他能在一定程度上允許閉源商用，前提是不要使用它的GPL開源的功能。

本文經過裁剪

參考：https://ffmpeg.org/documentation.html

原文地址：https://www.fawdlstty.com/ffmpeg/docs/03_ffmpeg_beginning.html#%E5%90%84%E7%A7%8D%E6%95%B0%E6%8D%AE%E7%BB%93%E6%9E%84%E7%9A%84%E7%94%9F%E5%91%BD%E5%91%A8%E6%9C%9F

音視頻基礎

顏色空間

計算機中的任意圖形都要遵循一定的數據描述方式，圖像的描述方式被稱為顏色空間

RGB顏色空間

RGB是我們最為熟悉的顏色空間，最初通過物理學家發現，通過紅綠藍的不同強弱的組合幾乎能表現出任意的類型的光的顏色，所以后來計算機屏幕上每個像素點都是由這三種顏色的小燈組合成，通過控制等的強弱即可實現對顏色的控制，紅色Red、綠色Green、藍色Blue。

經過計算每個像素點從沒有光到最亮，每個顏色定義256種亮度，可以表達16777216種顏色，已經達到人類能識別的極限，所以現在屏幕及亮度采用RGB24的方式來表達顏色，24代表24位，也就是每個顏色8位，分別取值0-255.

YUV顏色空間

YUV顏色空間是視頻格式主要的顏色空間，與RGB一樣，這種顏色空間也能表示任意顏色。這種顏色空間有很多標準，但是無一例外都可以通過RGB運算獲得。

以YCbCr Rec.601來說， Y(luma代表亮度)，U(Chroma Blue, Cb代表藍色色度)， V(Chroma Red, Cr，代表紅色色度)三個份量描述一個顏色，這種描述方式將綠色給去掉了，藍色和紅色分別表示冷色色調和暖色色調。

從圖中能看到，左邊的圖最為清晰，因為人眼對細節敏感對冷暖色調反應比較遲緩。

于是科學家想到一種肉眼很難分辨出的壓縮方式，也就是原本Y,U,V分別一個值代表一個像素，現在兩個Y或者4個Y共用一個U和V。

目前常用的壓縮編碼方式是四個Y共用一個U和V，這種編碼方式相對于RGB來說節省了一半的存儲空間。如下：

RGB排列：RGBRGBRGBRGB YUV排列：YYYYUV

RGB轉YUV

Y = 0.299 * R + 0.587 * G + 0.114 * B U = - 0.168736 * R - 0.331264 * G + 0.5 * B V = 0.5 * R - 0.418688 * G - 0.081312 * B

YUV轉RGB

R = Y + 1.402 * V G = Y - 0.344 * U - 0.714 * V B = Y + 1.772 * U

音頻的說明

音頻簡而言之就是聲音在介質中的震動。以S16格式為存儲的聲音來看，聲音的取值范圍為-32768~32767，代表某個時間點聲音的強度，越高代表強度越大，越接近0代表聲音越下，直至沒有。

音頻采樣率

現在任何的超級計算機都沒有辦法把聲音完整的給錄制下來，聲音采樣的含義就是將聲音某個時間點的輕度存儲下來，需要進行播放時，就用相同的輕度和頻率震動空氣，即可還原出聲音信息。但是采樣并不是連續的，而是離散的，比如使用最為廣泛的44100Hz采樣率，含義就i事將聲音的振動輕度每秒種采樣44100次，這種采樣從大多數人角度來說依然足夠，人類能夠分辨采樣的極限是48000HZ采樣率，這種采樣在很多場合都在使用。

其次對于強度來說，最常用的是S16，通常電話的采樣是s8部分特殊領域也有進行S32位采樣的，目前采樣幾乎沒有S64的

聲音的黑科技

聲音兩種高級處理方式，一種是去噪，一種是消音

聲音同時也是一種波，通過傅立葉函數濾波也可以很容易的去除聲音中的噪音。原理是聲音是很多高頻和低頻的波的組合，通常低頻為實際需要的聲音，高頻為無用的噪音，此時通過低通濾波，過濾高頻的噪音，即可實現聲音去噪。

消音通常是一種嵌入式微型設備，比如去噪耳機或去噪器，大概效果就是這樣；帶上去噪耳機后就能消除環境聲音，更方便聽歌，去噪器是手機大小的設備，開啟后能消除環境噪音，方便私密談話或者喜歡安靜的人使用。這兩種設備的原理是這樣的：首先開啟特制麥克風采集聲音，然后輸出反向震動聲波，這個時候新的聲波就和原聲波中和掉了。

容器及編碼

容器

容器通常是一種文件格式或流媒體格式，用來描述純視頻、純音頻或音視頻的存儲格式。

純音頻容器格式有mp3、aac、wma等，通常你放的歌均使用這種容器來存儲。

純視頻容器格式我暫時沒見過，可能有。

混合容器格式有mp4、flv、vob、rmvb等，通?？吹囊曨l，音視頻都有的格式就使用這種存儲格式，它們除了能混合存儲，還能僅存放音頻或視頻。比如一首mp3的歌轉為flv格式來播放完全是沒問題的。

圖像編碼

未壓縮編碼格式有rgb/bgr、hsl/hsv/hsb、yuv等等系列，因體積因素，使用最廣泛的是yuv系列。這類編碼方式有一個共同的特點，也就是抽取其中任意一幀都能表述整個圖像。

壓縮編碼格式有h263/h264/h265、vp8/vp9/av1、flv1等等，這類圖像均經過壓縮，只有I幀能完整還原整個畫面（前提是知道metadata信息），其他類型的幀可能是在I幀基礎上做一些改動的描述，比如有了I幀后，新的幀可以對其做出一定的修改；也可能壓根不存儲畫面信息，只存放metadata或SEI信息（h264/h265）等。

音頻編碼

未壓縮的音頻編碼有兩個主要概念，一個是格式，一個是采樣率。通常格式是使用16位有符號數字作為采樣，取值范圍-32768~32767，網上看到的很多音頻處理軟件的聲音波形圖就是這個值；除了這個外，還能用8位整數、32位整數、32位float來表示，存儲容量越大，聲音也就越保真。通常16位能滿足絕大多數人對聲音需求，所以很少有場景使用32位無損音質。同時32位也是人類對聲音分辨的極限，超過32位的比如64位音質，一方面沒任何優勢，另一方面浪費存儲空間。

采樣率的意思是每秒鐘存儲多少個聲音的值，主流使用44.1KHz，也就是每秒鐘有44100個采樣點，能滿足絕大多數人的需求了。同時人類對采樣率識別的極限是48KHz，也就是每秒鐘有48000個采樣點。超過這個頻率的音質對人類來說沒有任何區別，除非特殊場合，否則48KHz完全足夠，主流依然是44.1KHz。

各種數據結構的生命周期

FFmpeg對象的生命周期管理也是非常重要的內容，這一塊如果不處理好非常容易導致內存泄露等情況。

AVCodec

編碼對象，通常通過 avcodec_find_decoder 函數，傳入編碼ID獲得，可以直接拋棄，不用關心泄露。

AVFormatContext

最重要的對象之一，用于維護一個輸入流或輸出流，通常通過 avformat_alloc_output_context2 函數打開，由 avformat_close_input 函數釋放。對于文件對象，生命周期類似文件句柄；對于網絡IO對象，生命周期類似C語言網絡函數中的SOCKET句柄。

AVStream

這個類的作用就是指定具體的流的類型，比如一個MP4文件有音視頻數據，那么處理這個文件就由一個 AVFormatContext 對象來維護，可以通過這個對象訪問兩個 AVStream 對象，一個用于視頻的處理（讀或寫），一個用于音頻的處理（讀或寫）

在讀流的情況下，使用 avformat_find_stream_info 找出所有流的信息同時打開所有流，生命周期此時將交于 AVFormatContext 對象托管，不用再關心泄露。

在寫流的情況下，使用 avformat_new_stream 創建新的流并關聯至 AVFormatContext，生命周期此時將交于 AVFormatContext 對象托管，不用再關心泄露。

AVCodecContext

用于將數據進行編解碼，比如將yuv420p編碼為h264數據，或者將aac數據解碼為fltp格式數據，音視頻編解碼全靠這個類。

它可以獨立存在，也能與 AVStream 相關聯；通常一個 AVStream 對象就有一個 AVCodecContext。當它與 AVStream 關聯后，生命周期與 AVStream 一樣，交給 AVFormatContext 對象管理。

通常寫流時通過制定參數，然后通過 avcodec_open2 打開編碼；讀流時在通過 avcodec_find_decoder 找到 AVCodec* 后，通過 avcodec_open2 打開編碼。

如果它沒有與 AVStream 相關聯，那么需要手動關閉，先 avcodec_close，再 avcodec_free_context。

AVInputFormat

用于查找輸入流的對象，在通過 avformat_open_input 使用后，生命周期將交于 AVFormatContext 對象托管，不用再關心泄露。

AVDictionary

通常用于打開前指定參數，使用 av_dict_set 函數設置；使用完畢后通過 av_dict_free 函數釋放。

AVPacket

一個這個結構代表一個數據包，用于存儲編碼后的數據，比如h264 raw數據或aac raw數據。這個數據結構由兩部分組成，結構本身和數據部分。

結構本身通過 av_packet_alloc 與 av_packet_free 分配及釋放；數據部分通常通過 avcodec_receive_packet 或 av_read_frame 也就是編碼后或者從流管道獲取一幀數據，由于可能有多個 AVPacket 引用同一塊數據，所以不能直接釋放，需使用 av_packet_unref 結束引用這一塊數據，如果沒有結構再引用數據后，數據內存區域將自動釋放。

AVFrame

用于儲存音視頻的一幀數據，可以儲存視頻圖像的rgb或yuv像素格式數據，也可以儲存音頻的s16或fltp采樣格式數據，其中音頻一幀的采樣數與時長是不定的，一幀可能有幾十毫秒時長的數據，也可能有半秒時長的數據。

結構本身通過 av_frame_alloc 與 av_frame_free 分配及釋放；數據部分通常通過 avcodec_receive_frame 或 av_frame_get_buffer 解碼 AVPacket 或者自己分配。同ACPacket一樣，由于可能有多個 AVFrame 引用同一塊數據，所以不能直接釋放，需使用 av_frame_unref 結束引用這一塊數據，如果沒有結構再引用數據后，數據內存區域將自動釋放。

總結

以上是生活随笔為你收集整理的FFmpg音视频入门教程的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。