一个做课程视频的团队遇到怪事:原始录屏是 1080p、2Mbps,上传平台后被转成 1080p、4Mbps,码率翻倍,画面里的代码文字却更糊了,快速滚动的页面还出现拖影。他们以为是平台编码器不行,自己又转了一遍,设置 8Mbps,结果文件大了四倍,文字仍然不清楚。
问题不在「码率不够」。码率只是每秒花多少比特,它不等于清晰度。源画面里如果文字边缘本来就细,转码时的缩放、量化、帧间预测都可能把它抹掉;码率再高,也只是把「已经糊掉的画面」保存得更精细,不会把丢掉的信息变回来。更常见的是链路里有一次不必要的缩放,或者编码器为了控制码率,把细节多但运动大的场景压得更狠。
这篇把分辨率、码率、质量参数、编码速度这四个旋钮拆开,用一个可控实验量出「量化」和「缩放」两条劣化路径的体积与 PSNR,再算清楚转码链路里哪些操作在浪费码率。这是压缩主题的最后一篇,前面讲的熵、LZ、DCT、心理声学,最后都要落到这几个参数上。
| 现象 | 真实原因 | 第一步查什么 |
|---|---|---|
| 码率翻倍,画面却更糊 | 源本身细节不足,或链路里做了缩放,码率只是保存了更精细的模糊 | 查源的编码参数和转码链路每一步的分辨率 |
| 文字边缘发虚、拖影 | 高频细节被量化,帧间预测把静态文字也当成可预测块 | 看编码器 preset、关键帧间隔和是否开了降噪 |
| 文件大小远超预期 | 用了恒定质量模式,复杂场景把码率顶得很高 | 看码率曲线,找峰值出现在哪些片段 |
| 码率固定,运动场景糊、静止场景浪费 | 恒定码率把预算平均分配,没有按内容复杂度调整 | 换恒定质量或带上限的可变码率 |
| 转码速度慢到无法接受 | preset 越慢,搜索和决策越细,压缩比高但耗时成倍 | 记录不同 preset 的耗时与体积,算单位时间收益 |
| 同一段视频不同平台体积差很多 | 编码器实现、GOP、B 帧策略、音频码率都不同 | 对比编码器版本、profile、level 和音频参数 |
| 高分辨率文件反而比低分辨率小 | 低分辨率素材被放大,细节少、熵低,压得更狠 | 查原始分辨率和是否经过上采样 |
四个旋钮,不要混着拧
第一个旋钮是分辨率,决定画面有多少像素。第二个是码率,决定每秒花多少比特。第三个是质量参数,不同编码器叫法不同,x264 叫 CRF,硬件编码器常叫 QP 或 CQP,本质是控制量化强度。第四个是编码速度,preset 或 level,决定编码器愿意花多少算力去找更好的压缩方式。
这四个旋钮互相影响,但不能互相替代。分辨率降一半,像素少四分之三,码率需求通常也会降,但画面细节真的少了;码率提高,只能让现有细节保存得更好,不能凭空造出细节;质量参数调低,量化更粗,体积下降但细节丢失;preset 调慢,压缩比通常更好,但耗时成倍。
最容易犯的错是「用一个指标解释所有问题」。看到画面糊,就加码率;看到文件大,就降分辨率;看到转码慢,就换硬件编码。每次只拧一个旋钮,却指望解决另一个旋钮造成的问题,结果就是反复转码、反复劣化。
码率和 bpp:每秒花多少,不等于每个像素多少
码率的单位是 bit/s,常用 Mbps。一段 1080p、4Mbps 的视频,每秒大约五百万比特。把它摊到像素上,就是每像素比特数 bpp:码率除以每秒像素数。1080p 每秒约 1.24 亿像素,4Mbps 除以它,大约 0.032 bpp,也就是每个像素平均只分到 0.032 位。
这个数字看起来小得离谱,但视频编码不是逐像素独立存,它利用帧内空间相关和帧间时间相关,把大量像素用「预测加残差」表示。所以 bpp 低不代表一定糊,关键看内容复杂度和编码器能不能找到好的预测。静止的 PPT 可以压到很低,快速运动的树叶和雨滴就很难。
画面糊的另一个来源是「有效分辨率」。如果一段素材先被缩到 720p 再放大回 1080p,像素数是回来了,信息没有。后续编码器再努力,也只能保存这个被放大过的模糊画面。所以排查顺序应该是先看源的像素和转码链路的分辨率,再看码率和质量参数。
帧间预测还会影响「清晰度」的分布。编码器会把画面切成块,在参考帧里找相似的块,只编码差异。静止不动的文字,如果和参考帧几乎一样,残差很小,花很少比特就能保留;但如果文字在滚动,每帧位置都变,参考块匹配不准,残差变大,编码器在码率压力下就会把残差量化得更粗,边缘先糊。这就是为什么同一段视频里,静止画面清楚、滚动画面糊,不一定是码率整体不够,而是预算被运动部分吃掉了。
一次实验:量化与缩放,谁更伤画面
下面用一张合成的 640×360 画面做对照。它不是真实视频编码器,但能把两条劣化路径分开:一条是把像素值量化得更粗,模拟提高压缩强度;另一条是先缩小再放大,模拟分辨率损失。每条路径都记录 zlib 压缩后的字节数、每像素比特数和相对原图的 PSNR。
import zlib, math, random
random.seed(11)
W, H = 640, 360
px = []
for y in range(H):
row = []
for x in range(W):
base = 40 + x * 150 // W
tex = (x * 7 + y * 13) % 40
n = random.randint(-6, 6)
row.append((max(0, min(255, base + tex + n)),
max(0, min(255, 80 + y * 120 // H + tex // 2 + n)),
max(0, min(255, 160 - x * 60 // W + n))))
px.append(row)
def flatten(img):
return bytes(v for row in img for p in row for v in p)
def psnr(a, b):
mse = sum((x - y) ** 2
for ra, rb in zip(a, b)
for pa, pb in zip(ra, rb)
for x, y in zip(pa, pb)) / (W * H * 3)
if mse == 0:
return 99.0
return 20 * math.log10(255 / math.sqrt(mse))
def quantize(img, step):
return [[tuple(min(255, (v // step) * step + step // 2) for v in p)
for p in row] for row in img]
def down_up(img, factor):
sw, sh = W // factor, H // factor
small = []
for y in range(sh):
row = []
for x in range(sw):
acc = [0, 0, 0]
for dy in range(factor):
for dx in range(factor):
p = img[y * factor + dy][x * factor + dx]
for c in range(3):
acc[c] += p[c]
row.append(tuple(v // (factor * factor) for v in acc))
small.append(row)
out = []
for y in range(H):
sy = y * (sh - 1) / (H - 1)
y0, y1 = int(sy), min(int(sy) + 1, sh - 1)
fy = sy - y0
row = []
for x in range(W):
sx = x * (sw - 1) / (W - 1)
x0, x1 = int(sx), min(int(sx) + 1, sw - 1)
fx = sx - x0
p00, p10 = small[y0][x0], small[y0][x1]
p01, p11 = small[y1][x0], small[y1][x1]
row.append(tuple(round((p00[c] * (1 - fx) + p10[c] * fx) * (1 - fy)
+ (p01[c] * (1 - fx) + p11[c] * fx) * fy)
for c in range(3)))
out.append(row)
return out
def report(name, img):
data = zlib.compress(flatten(img), 9)
print(f"{name}: bytes={len(data)} "
f"bpp={len(data) * 8 / (W * H):.3f} psnr={psnr(px, img):.2f}dB")
report("original", px)
for step in (8, 16, 32):
report(f"quant step {step}", quantize(px, step))
for factor in (2, 4):
report(f"downscale {factor}x", down_up(px, factor))
本机实际输出:
original: bytes=574685 bpp=19.954 psnr=99.00dB
quant step 8: bytes=188570 bpp=6.548 psnr=40.73dB
quant step 16: bytes=117204 bpp=4.070 psnr=34.82dB
quant step 32: bytes=69130 bpp=2.400 psnr=28.87dB
downscale 2x: bytes=441894 bpp=15.344 psnr=30.03dB
downscale 4x: bytes=245819 bpp=8.535 psnr=29.78dB
看第三行和第五行:量化到 16 级,每像素 4.07 位,PSNR 34.82 分贝;缩小两倍再放大,每像素 15.34 位,接近前者的四倍,PSNR 却只有 30.03 分贝。也就是说,缩放路径花了更多字节,画质反而更差。这正是「转码后更糊、文件还更大」的一种典型账。
再看第四行和第六行:量化到 32 级是 2.4 bpp、28.87 分贝;缩小四倍是 8.5 bpp、29.78 分贝。画质接近,体积却差了三倍多。如果只盯 PSNR,会以为缩小更划算;如果把体积和画质一起看,量化路径明显更高效。实际编码器还会利用帧间预测,数字会变,但「缩放不等于免费降码率」这个结论不变。
为什么转码后反而更糊
第一条原因是源头已经损失过。源文件本身可能就是低码率、低质量的,转码只是把已有的损失再保存一遍。第二条原因是链路里有一次缩放:录屏软件按 2K 捕获,编码前缩到 1080p,上传平台再缩一次,播放器又按窗口大小缩一次,每缩一次都在丢高频。
第三条原因是参数选错。恒定码率模式下,编码器为了守住总预算,会在复杂场景降低质量,在简单场景浪费比特。快速滚动的代码页面正好是「细节多、运动大」的复杂场景,被压得最狠。把码率提高,只是让它在复杂场景能多花一点,但如果 preset 太慢或 B 帧策略不好,细节仍然保不住。
第四条原因是代际损失。每转一次码,都会经历一次解码和有损编码。第一次丢掉的细节回不来,第二次又在残缺的画面上做预测,误差继续累积。很多时候不是最后一次转码的问题,而是这条链路已经转了三四次。
录屏和实拍还有一点不同:录屏的「细节」主要是文字、线条和界面元素,它们是典型的高频硬边缘,最怕缩放和粗量化。实拍画面有大面积渐变和自然纹理,同样的参数下反而更耐压。所以拿实拍视频调出来的参数去转录屏,经常会出现「文件不大,但字看不清」;反过来,用录屏调出来的高码率参数去转实拍,又会发现体积大得没必要。
恒定码率、可变码率和恒定质量
编码器控制体积有三种常见模式。恒定码率(CBR)把每秒的比特数压在一个固定值附近,适合直播和带宽受限的传输,但简单场景会浪费、复杂场景会不够。可变码率(VBR)允许码率随内容起伏,总体积更省,适合点播文件。恒定质量(CRF 或 CQP)不直接定码率,而是定量化强度,让编码器自己决定花多少比特。
CBR:预算固定
每秒比特数稳定,传输和缓冲好算。缺点是复杂画面质量下降,简单画面浪费比特。适合直播、实时通话。
VBR:按内容分配
允许峰值,总体积更小。通常设一个目标平均码率和上限,避免复杂片段把文件撑爆。适合点播。
CRF:按质量分配
给定量化强度,码率随内容自动变化。体积不可预测,但观感更稳定。适合归档和需要统一质量的场景。
选哪种取决于你要优化什么。要「文件别太大、画质别太差」,用 CRF 加一个码率上限;要「直播不能卡」,用 CBR 留足缓冲;要「总带宽固定、内容混合」,用 VBR 加平均码率。没有一种模式能同时把体积、质量、延迟都做到最优。
还有一个容易忽略的参数是关键帧间隔。间隔越长,帧间预测利用得越充分,压缩比越高;但拖动进度条要等更久,错误传播的范围也更大。点播可以用较长间隔,直播和需要频繁 seek 的场景要短一些。这个参数不在「码率」里,却直接影响观感和交互。
两遍编码是另一种换质量的办法:第一遍先扫一遍全片,统计每个场景的复杂度,第二遍按这份统计分配比特。它比单遍更均匀,复杂场景不会突然糊,代价是编码时间接近翻倍。离线转码、电影发行这类场景值得用;实时录制和直播用不上。
怎么定参数:按用途分档,别追求一个万能值
实际项目里,最省事的做法是按用途分几档,而不是给所有内容套一个参数。列表页缩略图追求体积,可以用较低质量、较小尺寸;详情页主图要看清细节,质量和尺寸都要留;原始素材存档必须无损或高位深,不能拿有损文件当母版。
| 用途 | 分辨率 | 编码策略 | 优先指标 |
|---|---|---|---|
| 列表缩略图 | 按显示尺寸的 1 到 2 倍 | 有损,较高质量压缩 | 体积、加载速度 |
| 详情主图 | 按最大展示尺寸 | 有损,中高质量 | 细节、色彩 |
| 点播视频 | 按目标设备 | CRF 加码率上限 | 观感稳定、体积可控 |
| 直播 | 按网络条件 | CBR,短关键帧间隔 | 延迟、不卡顿 |
| 素材母版 | 原始分辨率 | 无损或高位深 | 可反复编辑 |
定完档位,再做一次盲测。把原版和压缩版随机打乱,让人在正常观看距离和正常音量下判断,记录正确率。正确率接近一半,说明这档参数在目标场景下够用;明显高于一半,说明压得太狠或者内容本身太敏感。盲测比盯着 PSNR 数字靠谱,也比「我觉得还行」靠谱。
最后是留证据。每次转码记录源文件参数、编码器版本、preset、CRF 或码率、分辨率变化、音频参数。出了问题,能顺着链路往回查,而不是靠猜。转码不是一次性的魔法,它是一条有输入、有中间产物、有输出的流水线,账要记清楚。
边界与代价
压缩比的边界,前面几篇已经铺过:无损压缩受熵限制,有损压缩受感知限制,LZ 受重复限制,DCT 受量化限制。这一篇要补的是「工程边界」:带宽、存储、CPU、延迟、兼容性,任何一项都可能让理论上更优的参数在实际项目里不可用。
带宽和存储是显性成本,容易算。CPU 和延迟是隐性成本:高质量编码可能慢十倍,直播场景根本等不起;解码端如果设备老旧,高压缩比的格式可能解不动,或者耗电明显。兼容性更隐性:某些格式在旧浏览器、旧电视、旧手机上打不开,用户看到的不是「画质更好」,而是「黑屏」。
还有一个代价是「不可逆」。有损编码丢掉的信息回不来,参数调错只能从母版重来。所以母版管理比参数调优更重要:没有母版,任何一次错误的转码都是永久损失;有母版,最坏情况只是重转一遍。
最后是心理账。用户不会拿放大镜看你的 PSNR,他们只会说「这个视频清楚不清楚」「这张图能不能看清商品」。参数服务的是这个判断,不是指标本身。指标可以用来做回归测试和横向比较,但不能代替真实场景的观看体验。
分档还会带来额外成本:同一份素材要保存多个分辨率、多个码率的版本,存储和 CDN 回源都会增加。版本太多,管理容易乱;版本太少,又覆盖不了不同设备和网络。常见的折中是保留两到三档,按设备能力和网络条件做选择,其余按需实时生成。把这几笔账一起算,才叫真正的压缩比优化;只盯文件大小,迟早会在别处还回去。
当天能自己验证的五个练习
- 用手机拍一段 1080p 视频,分别导出 1080p 和 720p,再把 720p 放大回 1080p,对比文字细节和文件大小。
- 把示例脚本里的量化步长改成 4、64,记录 bpp 和 PSNR,画出「体积与质量」的粗略曲线。
- 用同一个编码器分别跑 CRF 18、23、28,记录体积和主观观感,找出你这个场景的拐点。
- 找一段运动多的视频,用 CBR 和 CRF 各转一次,比较文件大小和运动片段的清晰度。
- 把自己项目里的转码链路画出来,标出每一次分辨率和编码变化,找出可以去掉的一步。
小结
三句话:分辨率、码率、质量参数、编码速度是四个独立旋钮,不能用其中一个解释全部问题;码率只决定保存细节的预算,不能恢复已经被缩放或量化丢掉的细节;按用途分档、做盲测、留母版、记链路,比追求一个万能参数更可靠。
压缩主题到这里结束。接下来进入图像主题,从最基础的问题开始:一张图在计算机里到底由什么组成,像素、色彩空间和位深分别意味着什么。把这些搞清楚了,再看格式、体积和质量,才不会只记住几个参数名。