要彻底理解视频编码原理，看书都是虚的，需要实际动手，实现一个简单的视频编码器：
知识准备：基本图像处理知识，信号的时域和频域问题，熟练掌握傅立叶正反变换，一维、二维傅立叶变换，以及其变种，dct变换，快速dct变换。
第一步：实现有损图像压缩和解压
参考 JPEG原理，将 RGB->YUV，然后 Y/U/V 看成三张不同的图片，将其中一张图片分为 8×8的 block进行 dct变换（可以直接进行二维 dct变换，或者按一定顺序将 8×8的二维数组整理成一个64字节的一维数组），还是得到一个 8×8的整数频率数据。于是表示图像大轮廓的低频信号（人眼敏感的信号）集中在 8×8的左上角；表示图像细节的高频信号集中在右下角。
接着将其量化，所谓量化，就是信号采样的步长，8×8的整数频率数据块，每个数据都要除以对应位置的步长，左上角相对重要的低频信号步长是 1，也就是说 0-255，是多少就是多少。而右下角是不太重要的高频信号，比如步长取 10，那么这些位置的数据都要 /10，实际解码的时候再将他们 x10恢复出来，这样经过编码的时候 /10 和解码的时候 x10，那么步长为 10的信号1, 13, 25, 37就会变成规矩的：0, 10, 20, 30, 对小于步长 10的部分我们直接丢弃了，因为高频不太重要。
经过量化以后，8×8 的数据块左上角的数据由于步长小，都是比较离散的，而靠近右下角的高频数据，都比较统一，或者是一串0，因此图像大量的细节被我们丢弃了，这时候，我们用无损压缩方式，比如 lzma2算法（jpeg是 rle + huffman）将这 64个 byte压缩起来，由于后面高频数据步长大，做了除法以后，这些值都比较小，而且比较靠近，甚至右下部分都是一串0，十分便于压缩。
JPEG 图像有个问题就是低码率时 block边界比较严重，现代图片压缩技术往往要配合一些 de-block算法，比如最简单的就是边界部分几个像素点和周围插值模糊一下。
做到这里我们实现了一个同 jpeg类似的静态图片有损压缩算法。在视频里面用来保存I帧数据。
第二步：实现宏块误差计算
视频由连续的若干图像帧组成，分为 I帧，P帧，所谓I帧，就是不依赖就可以独立解码的视频图像帧，而 P帧则需要依赖前面已解码的视频帧，配合一定数据才能生成出来。所以视频中 I帧往往都比较大，而P帧比较小，如果播放器一开始收到了 P帧那么是无法播放的，只有收到下一个I帧才能开始播放。I帧多了视频就变大，I帧少了，数据量是小了，但视频受到丢包或者数据错误的影响却又会更严重。
那么所谓运动预测编码，其实就是 P帧的生成过程：继续将图片分成 16×16的 block（为了简单只讨论 yuv的 y分量压缩）。I 帧内部单帧图片压缩我们采用了 8×8的 block，而这里用 16×16的 block来提高帧间编码压缩率（当然也会有更多细节损失），我们用 x, y表示像素点坐标，而 s,t 表示 block坐标，那么坐标为（x, y）的像素点所属的 block坐标为：
s = x / 16 = x >> 4
t = y / 16 = y >> 4
接着要计算两个 block的相似度，即矢量的距离，可以表示为一个 256维矢量（16×16）像素点色彩距离的平方，我们先定义两个颜色的误差为：
PixelDiff(c1, c2) = (c1- c2) ^ 2
那么 256个点的误差可以表示为所有对应点的像素误差和：
BlockDiff(b1, b2) = sum( PixelDiff(c1, c2) for c1 in b1 for c2 in b2)
代码化为：
int block_diff(const unsigned char b1[16][16], const unsigned char b2[16][16]) {
int sum = 0;
for (int i = 0; i < 16; i++) {
for (int j = 0; j < 16; j++) {
int c1 = b1[i][j];
int c2 = b2[i][j];
sum += (c1 – c2) * (c1 – c2);
}
}
return sum;
}
有了这个block求差的函数，我们就可以针对特定block，搜索另外若干个block中哪个和它最相似了（误差最小）。
第三步：实现运动预测编码
根据上面的宏块比较函数，你已经可以知道两个 block到底像不像了，越象的block，block_diff返回值越低。那么我们有两帧相邻的图片，P1，P2，假设 P1已经完成编码了，现在要对 P2进行P帧编码，其实就是轮询 P2里面的每一个 block，为P2中每一个 block找出上一帧中相似度最高的 block坐标，并记录下来，具体伪代码可以表示为：
unsigned char block[16][16];
for (int t = 0; t <= maxt; t++) {
for (int s = 0; s <= maxs; s++) {
picture_get_block(P2, s * 16, t * 16, block); // 取得图片 P2 的 block
int x, y;
block_search_nearest(P1, &x, &y, block); // 在P1中搜索最相似的block
output(x, y); // 将P1中最相似的block的左上角像素坐标 (x, y) 输出
}
}
其中在P1中搜索最相似 block的 block_search_nearest 函数原理是比较简单的，我们可以暴力点用两个 for循环轮询 P1中每个像素点开始的 16×16的block（速度较慢），当然实际中不可能这么暴力搜索，而是围绕 P2中该 block对应坐标在P1中位置作为中心，慢慢四周扩散，搜索一定步长，并得到一个：按照一定顺序进行搜索，并且在一定范围内最相似的宏块坐标。
于是P2进行运动预测编码的结果就是一大堆(x,y)的坐标，代表P2上每个block在上一帧P1里面最相似的 block的位置。反过来说可能更容易理解，我们可以把第三步整个过程定义为：
怎么用若干 P1里不同起始位置的block拼凑出图片P2来，使得拼凑以后的结果和P2最像。
拼凑的结果就是一系列(x,y)的坐标数据，我们继续用lzma2将它们先压缩起来，按照 vcd的分辨率352 x 240，我们横向需要 352 / 16 = 22个block，纵向需要 240 / 16 = 15 个block，可以用 P1中 22 x 15 = 330 个 block的坐标信息生成一张和P2很类似的图片 P2′ ：
for (int t = 0; t < 15; t++) {
for (int s = 0; s < 22; s++, next++) {
int x = block_positions[next].x; // 取得对应 P1上的 block像素位置 x
int y = block_positions[next].y; // 取得对应 P1上的 block像素位置 y
// 将 P1位置(x,y)开始的 16 x 16 的图块拷贝到 P2’的 (s * 16, t * 16)处
CopyRect(P2′, s * 16, t * 16, P1, x, y, 16, 16);
}
}
我们把用来生成P2的P1称为 P2的 “参考帧”，再把刚才那一堆P1内用来拼成P2的 block坐标称为 “运动矢量”，这是P帧里面最主要的数据内容。但是此时由P1和这些坐标数据拼凑出来的P2，你会发现粗看和P2很象，但细看会发现有些支离破碎，并且边缘比较明显，怎么办呢？我们需要第四步。
第四步：实现P帧编码
有了刚才的运动预测矢量（一堆block的坐标），我们先用P1按照这些数据拼凑出一张类似 P2的新图片叫做P2’，然后同P2上每个像素做减法，得到一张保存 differ的图片：
D2 = (P2 – P2′) / 2
误差图片 D2上每一个点等于 P2上对应位置的点的颜色减去 P2’上对应位置的点的颜色再除以2，用8位表示差值，值是循环的，比如-2就是255，这里一般可以在结果上 + 0x80，即 128代表0，129代表2，127代表-2。继续用一个 8位的整数可以表示 [-254, 254] 之间的误差范围，步长精度是2。
按照第三步实现的逻辑，P2’其实已经很像P2了，只是有些误差，我们将这些误差保存成了图片D2，所以图片D2中，信息量其实已经很小了，都是些细节修善，比起直接保存一张完整图片熵要低很多的。所以我们将 D2用类似第一步提到的有损图片压缩方法进行编码，得到最终的P帧数据：
Encode(P2) = Lzma2(block_positions) + 有损图像编码（D2）
具体在操作的时候，D2的图像块可以用16×16进行有损编码，因为前面的运动预测数据是按16×16的宏块搜索的，而不用象I帧那样精确的用8×8表示，同时保存误差图时，量化的精度可以更粗一些用不着象I帧那么精确，可以理解成用质量更低的JPEG编码，按照16×16的块进行编码，加上误差图D2本来信息量就不高，这样的保存方式能够节省不少空间。
第五步：实现GOP生成
通过前面的代码，我们实现了I帧编码和P帧编码，P帧是参考P1对P2进行编码，而所谓B帧，就是参考 P1和 P3对P2进行编码，当然间隔不一定是1，比如可以是参考P1和P5对P2进行编码，前提条件是P5可以依赖P1及以前的数据进行解码。
不过对于一个完整的简版视频编码器，I帧和P帧编码已经够了，市面上任然有很多面向低延迟的商用编码器是直接干掉B帧的，因为做实时传输时收到B帧没法播放，之后再往后好几帧收到下一个I或者P帧时，先前收到的B帧才能被解码出来，造成不少的延迟。
而所谓的 GOP (Group of picture) 就是由一系列类似 I, P, B, B, P, B, B, P, B, B P 组成的一个可以完整被解码出来的图像组，而所谓视频文件，就是一个接一个的GOP，每个GOP由一个I帧开头，然后接下来一组连续的P 或者 B构成，播放时只有完整收到下一个GOP的I帧才能开始播放。
最后是关于参考帧选择，前面提到的 P2生成过程是参考了 P1，假设一个GOP中十张图片，是 I1, P1, P2, P3, P4, … P9 保存的，如果P1参考I1，P2参考P1, P3参考P2 …. P9参考P8这样每一个P帧都是参考上一帧进行编码的话，误差容易越来越大，因为P1已经引入一定误差了，P2在P1的基础上误差更大，到了P9的话，图片质量可能已经没法看了。
因此正确的参考帧选择往往不需要这样死板，比如可以P1-P9全部参考I1来生成，或者，P1-P4参考I1来生成，而P5-P9则参考P5来生成，这样步子小点，误差也不算太离谱。
第六步：容器组装
我们生成了一组组编码过的GOP了，这时候需要一定的文件格式将他们恰当的保存下来，记录视频信息，比如分辨率，帧率，时间索引等，就是一个类似MP4（h.264的容器）文件的东西。至此一个简单的小型编码器我们已经完成了，可以用 SDL / DirectX / OpenGL 配合实现一个播放器，愉快的将自己编码器编码的视频播放出来。
第七部：优化改进
这时候你已经大概学习并掌握了视频编码的基础原理了，接下来大量的优化改进的坑等着你去填呢。优化有两大方向，编码效率优化和编码性能优化：前者追求同质量（同信噪比）下更低的码率，后者追求同样质量和码率的情况下，更快的编码速度。
有这个基础后接下来可以回过头去看 JPEG标准，MPEG1-2标准，并阅读相关实现代码，你会发现简单很多了，接着肯 H.264代码，不用全部看可以针对性的了解以下 H.264的I帧编码和各种搜索预测方法，有 H.264的底子，你了解 HEVC和 vpx就比较容易了。
参考这些编码器一些有意思的实现来改进自己的编码器，试验性质，可以侧重原理，各种优化技巧了解下即可，本来就是hack性质的。
有卯用呢？首先肯定很好玩，其次，当你有需要使用并修改这些编码器为他们增加新特性的时候，你会发现前面的知识很管用了。
继续阅读：
这篇文章里是具体 step by step 的一个编码演示。