NV12 и YV12, основные форматы «рекомендуемой коллекции» YUV.
NV12 и YV12, основные форматы «рекомендуемой коллекции» YUV.

Всем привет, мы снова встретились, я ваш друг Цюаньчжаньцзюнь.

YUV — это тип скомпилированного цветового пространства с истинными цветами Y’UV, YUV, YCbCr, YPbPr и другие имена собственные могут называться YUV, и они перекрываются друг с другом. «Y» представляет яркость (яркость, яркость), «U» и «V» представляют цветность и концентрацию (цветность, цветность).

YV12 — это широко используемый формат кодека. Его формат следующий:

На рисунке 1:

W — ширина изображения, H — высота изображения, Stride представляет собой диапазон строк изображения, а часть за W — данные заполнения. Основная цель — выравнивание байтов, обычно 16 байт или 32 байта.

NV12 — это формат видео, определенный Intel. Он изначально поддерживается на аппаратных платформах Intel. Его формат следующий:

В YV12 U и V расположены непрерывно, а в NV12 — в шахматном порядке. Расположение в памяти очень четкое. Первые — Y, а последующие — шахматное расположение U1V1U2V2.

Дополнительные знания:

YUV-формат

Основными форматами выборки являются YCbCr 4:2:0, YCbCr 4:2:2, YCbCr 4:1:1 и YCbCr 4:4:4. Среди них чаще используется YCbCr 4:1:1. Его значение следующее: каждая точка сохраняет 8-битное значение яркости (то есть значение Y), а каждые 2×2 точки сохраняют значения Cr и Cb. Изображение кажется другим невооруженным глазом. Это будет иметь большое значение. Поэтому при первоначальном использовании модели RGB (R, G, B — все 8-битные беззнаковые) для 1 точки требуется 8 × 3 = 24 бита (первое изображение ниже) (после полной выборки YUV по-прежнему занимает по 8 бит каждый). После выборки в соответствии с 4:1:1 для среднего значения теперь требуется только 8+(8/4)+(8/4)=12 бит (4 точки, 8*4(Y)+8(U)+8(V) =48бит), каждая точка в среднем занимает 12бит (второе изображение ниже). Это сжимает данные изображения вдвое. Выше приведены только теоретические примеры. В реальном хранении данных все может быть иначе. Вот несколько конкретных форм хранения:

(1) YUV 4:4:4

Три канала YUV имеют одинаковую частоту дискретизации, поэтому в сгенерированном изображении три компонента каждого пикселя имеют полную информацию (каждый компонент обычно имеет размер 8 бит). После 8-битного квантования каждый несжатый пиксель занимает 3 байта.

Следующие четыре пикселя: [Y0 U0 V0] [Y1 U1 V1] [Y2 U2 V2] [Y3 U3 V3]

Сохраненный кодовый поток: Y0 U0 V0 Y1 U1 V1 Y2 U2 V2 Y3 U3 V3.

(2) YUV 4:2:2

Частота дискретизации каждого канала цветового различия вдвое меньше, чем у канала яркости, поэтому частота дискретизации цветности в горизонтальном направлении составляет только половину от 4:4:4. Для несжатых 8-битных квантованных изображений каждый макропиксель, состоящий из двух соседних по горизонтали пикселей, требует 4 байта памяти.

Следующие четыре пикселя: [Y0 U0 V0] [Y1 U1 V1] [Y2 U2 V2] [Y3 U3 V3]

Сохраненный поток кода: Y0 U0 Y1 V1 Y2 U2 Y3 V3.

Сопоставленные пиксели: [Y0 U0 V1] [Y1 U0 V1] [Y2 U2 V3] [Y3 U2 V3]

(3) YUV 4:1:1

Выборка цветности 4:1:1 — это выборка цветности 4:1 в горизонтальном направлении. Это по-прежнему приемлемо для бюджетных пользователей и потребительских товаров. Для несжатого 8-битного квантованного видео каждый макропиксель, состоящий из 4 соседних по горизонтали пикселей, требует 6 байт памяти.

Следующие четыре пикселя: [Y0 U0 V0] [Y1 U1 V1] [Y2 U2 V2] [Y3 U3 V3]

Сохраненный поток кода: Y0 U0 Y1 Y2 V2 Y3.

Сопоставленные пиксели: [Y0 U0 V2] [Y1 U0 V2] [Y2 U0 V2] [Y3 U0 V2]

(4)YUV4:2:0

4:2:0 не означает только компоненты Y, Cb и отсутствие Cr. Это означает, что для каждой строки сканирования сохраняется только один компонент цветности с частотой дискретизации 2:1. Соседние строки сканирования хранят разные компоненты цветности, то есть, если одна строка имеет соотношение 4:2:0, следующая строка — 4:0:2, следующая строка — 4:2:0… и так далее. Для каждого компонента цветности частота дискретизации по горизонтали и вертикали составляет 2:1, поэтому можно сказать, что частота дискретизации цветности равна 4:1. Для несжатого 8-битного квантованного видео каждый макропиксель, состоящий из 2×2 соседних пикселей в 2 строках и 2 столбцах, требует 6 байт памяти.

Следующие восемь пикселей: [Y0 U0 V0] [Y1 U1 V1] [Y2 U2 V2] [Y3 U3 V3]

[Y5 U5 V5] [Y6 U6 V6] [Y7U7 V7] [Y8 U8 V8]

Сохраненный поток кода: Y0 U0 Y1 Y2 U2 Y3.

Y5 V5 Y6 Y7 V7 Y8

Сопоставленные пиксели: [Y0 U0 V5] [Y1 U0 V5] [Y2 U2 V7] [Y3 U2 V7]

[Y5 U0 V5] [Y6 U0 V5] [Y7U2 V7] [Y8 U2 V7]

Заявление об авторских правах: Содержание этой статьи добровольно предоставлено пользователями Интернета, а мнения, выраженные в этой статье, представляют собой только точку зрения автора. Этот сайт предоставляет только услуги по хранению информации, не имеет никаких прав собственности и не принимает на себя соответствующие юридические обязательства. Если вы обнаружите на этом сайте какое-либо подозрительное нарушение авторских прав/незаконный контент, отправьте электронное письмо, чтобы сообщить. После проверки этот сайт будет немедленно удален.

bit
boy illustration
Неразрушающее увеличение изображений одним щелчком мыши, чтобы сделать их более четкими артефактами искусственного интеллекта, включая руководства по установке и использованию.
boy illustration
Копикодер: этот инструмент отлично работает с Cursor, Bolt и V0! Предоставьте более качественные подсказки для разработки интерфейса (создание навигационного веб-сайта с использованием искусственного интеллекта).
boy illustration
Новый бесплатный RooCline превосходит Cline v3.1? ! Быстрее, умнее и лучше вилка Cline! (Независимое программирование AI, порог 0)
boy illustration
Разработав более 10 проектов с помощью Cursor, я собрал 10 примеров и 60 подсказок.
boy illustration
Я потратил 72 часа на изучение курсорных агентов, и вот неоспоримые факты, которыми я должен поделиться!
boy illustration
Идеальная интеграция Cursor и DeepSeek API
boy illustration
DeepSeek V3 снижает затраты на обучение больших моделей
boy illustration
Артефакт, увеличивающий количество очков: на основе улучшения характеристик препятствия малым целям Yolov8 (SEAM, MultiSEAM).
boy illustration
DeepSeek V3 раскручивался уже три дня. Сегодня я попробовал самопровозглашенную модель «ChatGPT».
boy illustration
Open Devin — инженер-программист искусственного интеллекта с открытым исходным кодом, который меньше программирует и больше создает.
boy illustration
Эксклюзивное оригинальное улучшение YOLOv8: собственная разработка SPPF | SPPF сочетается с воспринимаемой большой сверткой ядра UniRepLK, а свертка с большим ядром + без расширения улучшает восприимчивое поле
boy illustration
Популярное и подробное объяснение DeepSeek-V3: от его появления до преимуществ и сравнения с GPT-4o.
boy illustration
9 основных словесных инструкций по доработке академических работ с помощью ChatGPT, эффективных и практичных, которые стоит собрать
boy illustration
Вызовите deepseek в vscode для реализации программирования с помощью искусственного интеллекта.
boy illustration
Познакомьтесь с принципами сверточных нейронных сетей (CNN) в одной статье (суперподробно)
boy illustration
50,3 тыс. звезд! Immich: автономное решение для резервного копирования фотографий и видео, которое экономит деньги и избавляет от беспокойства.
boy illustration
Cloud Native|Практика: установка Dashbaord для K8s, графика неплохая
boy illustration
Краткий обзор статьи — использование синтетических данных при обучении больших моделей и оптимизации производительности
boy illustration
MiniPerplx: новая поисковая система искусственного интеллекта с открытым исходным кодом, спонсируемая xAI и Vercel.
boy illustration
Конструкция сервиса Synology Drive сочетает проникновение в интрасеть и синхронизацию папок заметок Obsidian в облаке.
boy illustration
Центр конфигурации————Накос
boy illustration
Начинаем с нуля при разработке в облаке Copilot: начать разработку с минимальным использованием кода стало проще
boy illustration
[Серия Docker] Docker создает мультиплатформенные образы: практика архитектуры Arm64
boy illustration
Обновление новых возможностей coze | Я использовал coze для создания апплета помощника по исправлению домашних заданий по математике
boy illustration
Советы по развертыванию Nginx: практическое создание статических веб-сайтов на облачных серверах
boy illustration
Feiniu fnos использует Docker для развертывания личного блокнота Notepad
boy illustration
Сверточная нейронная сеть VGG реализует классификацию изображений Cifar10 — практический опыт Pytorch
boy illustration
Начало работы с EdgeonePages — новым недорогим решением для хостинга веб-сайтов
boy illustration
[Зона легкого облачного игрового сервера] Управление игровыми архивами
boy illustration
Развертывание SpringCloud-проекта на базе Docker и Docker-Compose