Nghiên Cứu Về Mã Hóa Video Mở Rộng Để Tối Ưu Hiệu Suất Tại Đại Học Quốc Gia Hà Nội

Chuỗi video số thường chứa lượng lớn dữ liệu, gây khó khăn trong lưu trữ và truyền tải trong băng thông kênh truyền hạn chế. Cảm biến màu hiện nay có độ phân giải lên đến 16 triệu pixel, tương đương ảnh 4096x4096 pixels, nhưng các chuẩn video hiện tại chỉ dừng ở 1920x1080 pixel, do đó cần nén tín hiệu. Quá trình nén ảnh thực hiện được do thông tin trong ảnh có tổ chức, trật tự, vì vậy xem xét kỹ tính trật tự, cấu trúc ảnh sẽ phát hiện và loại bỏ được lượng thông tin dư thừa, chỉ giữ lại thông tin quan trọng nhằm giảm số lượng bit khi lưu trữ cũng như khi truyền mà vẫn đảm bảo tính thẩm mỹ của bức ảnh. Tín hiệu video thường chứa lượng lớn thông tin dư thừa, chia thành 5 loại: dư thừa về không gian, thời gian, phổ, tâm thị giác.

Kiểu lấy mẫu cho ảnh video cũng là một vấn đề quan trọng của kỹ thuật nén ảnh. Một số kiểu lấy mẫu phổ biến bao gồm 4:1:1, 4:2:2, 4:4:4 và 4:2:0. Kiểu 4:2:0 là phổ biến nhất, tương ứng với mỗi bốn thành phần chói Y thì có một thành phần màu Cb và một thành phần màu Cr. Ví dụ, một bức ảnh có độ phân giải 720 × 576 pixels. Độ phân giải của thành phần Y là 720 × 576 pixels được mã hóa bằng từ mã 8 bits. Nếu sử dụng kiểu lấy mẫu 4:4:4 thì độ phân giải của thành phần Cb, Cr là 720 × 576 mẫu cũng được mã hóa bằng từ mã 8 bits. Tổng số bits sử dụng để mã hóa bức ảnh là 720 × 576 × 8 × 3 = 9 953 280 bits.

Các tiêu chuẩn nén dữ liệu video định nghĩa kiểu phân cấp cấu trúc trong dữ liệu như sau: Video Sequence (chuỗi ảnh): bắt đầu với một Sequence header, bao gồm một hoặc một nhóm khung hình và kết thúc với mã End-0f-sequence. Một chuỗi các khung hình liên tục về mặt thời gian được gọi là cảnh (Scene). Frame/ Picture (khung hình): Dãy video được chia thành các ảnh là các frame để lấy mẫu. Macroblock và phân vùng Macroblock: Ảnh được chia thành số nguyên các Macroblock (MB), tương ứng với mỗi MB là các ma trận 16x16 mẫu thành phần sáng và 8x8 mẫu các thành phần mầu. Ngoài ra, mỗi một MB sẽ được chia thành nhiều phân vùng nhỏ hơn được gọi là subblock và block.

Các kỹ thuật nén video được chia thành hai họ lớn: Kỹ thuật nén không tổn hao và kỹ thuật nén tổn hao. Kỹ thuật nén không tổn hao là quy trình biểu diễn các ký hiệu trong dòng bit nguồn thành dòng các từ mã sao cho dữ liệu được khôi phục hoàn toàn giống dữ liệu gốc, các thuật toán chỉ phụ thuộc vào cách thống kê nội dung dữ liệu và thường dựa trên việc thay thế một nhóm các ký tự trùng lặp bởi một nhóm các ký tự đặc biệt khá ngắn hơn mà không quan tâm đến ý nghĩa của dòng bit dữ liệu, nên đòi hỏi phải có thiết bị lưu trữ và đường truyền lớn hơn. Kỹ thuật nén có tổn hao, tức là dữ liệu được khôi phục không hoàn toàn giống dữ liệu gốc. Các dạng nén này thường có hệ số nén cao hơn so với nén không tổn hao nhưng gây nên tổn hao dữ liệu và sự suy giảm dữ liệu sau khi giải nén.

SVC đã được một nghiên cứu hoạt động trong vòng ít nhất 20 năm trở lại đây. Trong các tiêu chuẩn nén quốc tế H.263 và MPEG-4 đã bao gồm một số công cụ mà có thể hỗ trợ tính mở rộng được. H262 hỗ trợ nhiều profile khác nhau như trong hình 3.1 ta thấy các profile có khả năng về chất lượng và không gian trong Mpeg2 như SNG scalable profile, Spatial Scalable profile, High profile, 4:2:2 profile, Multi-view profile.

Mục đích khi thiết kế công cụ dự đoán liên lớp để việc sử dụng thông tin tại các lớp thấp hơn giảm độ méo tín hiệu tại lớp nâng cao.263, và MPEG-4 visual phương pháp dự đoán liên lớp sử dụng các mẫu tái dựng từ tín hiệu tại lớp thấp hơn. Tín hiệu dự đoán được định dạng từ việc dự đoán bù chuyển động trong lớp nâng cao hoặc từ quá trình tăng mẫu các tín hiệu tái dựng từ lớp thấp hơn hoặc lấy trung bình các tín hiệu tăng mẫu với tín hiệu dự đoán thời gian. Tuy nhiên, các profile của những chuẩn này hiếm khi được sử dụng.

Giải thuật chọn mode tối ưu dựa trên việc phân tích các đặc tính của từng block, bao gồm độ phức tạp, độ tương đồng với các block lân cận, và mức độ chuyển động. Dựa trên các đặc tính này, giải thuật sẽ lựa chọn chế độ mã hóa phù hợp nhất, ví dụ như chế độ intra, inter, hoặc skip. Mục tiêu là giảm thiểu số lượng bit cần thiết để mã hóa block, đồng thời đảm bảo chất lượng video chấp nhận được.

Kết quả mô phỏng cho thấy giải thuật chọn mode tối ưu có thể cải thiện đáng kể hiệu suất mã hóa so với các phương pháp truyền thống. Cụ thể, giải thuật này có thể giảm số lượng bit cần thiết để mã hóa video từ 10% đến 30%, tùy thuộc vào đặc tính của video. Đồng thời, chất lượng video vẫn được đảm bảo ở mức chấp nhận được, với PSNR (Peak Signal-to-Noise Ratio) không giảm quá 0.5 dB.

SVC cho phép tạo ra các luồng video có thể thích ứng với băng thông thay đổi. Khi băng thông giảm, thiết bị người dùng có thể chuyển sang giải mã luồng video ở mức chất lượng thấp hơn, giúp tránh tình trạng giật lag. Khi băng thông tăng, thiết bị người dùng có thể chuyển sang giải mã luồng video ở mức chất lượng cao hơn, giúp cải thiện trải nghiệm xem.

SVC cho phép hỗ trợ đa dạng thiết bị với khả năng xử lý khác nhau. Các thiết bị có khả năng xử lý mạnh có thể giải mã luồng video ở mức chất lượng cao nhất, trong khi các thiết bị có khả năng xử lý yếu hơn có thể giải mã luồng video ở mức chất lượng thấp hơn. Điều này giúp đảm bảo rằng tất cả người dùng đều có thể xem video một cách mượt mà.

AI và machine learning có thể được sử dụng để cải thiện nhiều khía cạnh của mã hóa video, như dự đoán chuyển động, lựa chọn chế độ mã hóa, và tối ưu hóa các tham số mã hóa. Các hệ thống mã hóa video thông minh có thể tự động học hỏi từ dữ liệu và điều chỉnh các tham số mã hóa để đạt được hiệu suất tốt nhất.

Các ứng dụng thực tế ảo (VR) và thực tế tăng cường (AR) đòi hỏi các hệ thống mã hóa video có thể xử lý các video 360 độ và video có độ phân giải cực cao. Các công nghệ mã hóa video thế hệ mới, như Versatile Video Coding (VVC), đang được phát triển để đáp ứng các yêu cầu này.