视频编码失真测度实战指南:从SAD到PSNR的深度解析与代码实现
第一次接触视频编码时,我被各种缩写搞得晕头转向——SAD、SATD、SSD、MSE、PSNR,它们看起来都像在衡量"误差",但为什么编码标准里要用这么多不同的指标?直到自己动手实现了一个简易编码器才明白,每种失真测度都是为特定场景量身定制的计算工具。今天我们就来拆解这些"误差公式"背后的设计哲学,以及如何在实际项目中做出明智选择。
1. 失真测度家族全解析:从时域到频域
1.1 基础测度:SAD与SSD的时空较量
SAD(Sum of Absolute Differences) 是最直观的误差衡量方式,计算两个图像块像素值之差的绝对值总和:
python复制def SAD(block1, block2):
return np.sum(np.abs(block1 - block2))
而 SSD(Sum of Squared Differences) 则对差值进行平方运算:
cpp复制double SSD(const cv::Mat& block1, const cv::Mat& block2) {
double sum = 0;
for (int i = 0; i < block1.rows; i++) {
for (int j = 0; j < block1.cols; j++) {
double diff = block1.at<uchar>(i,j) - block2.at<uchar>(i,j);
sum += diff * diff;
}
}
return sum;
}
两者关键差异体现在:
| 特性 | SAD | SSD |
|---|---|---|
| 计算复杂度 | 低(无乘法) | 中(需平方运算) |
| 误差敏感性 | 对小幅误差不敏感 | 放大显著误差 |
| 应用场景 | 快速模式预选 | 精确质量评估 |
实际编码中发现:SAD在运动估计的早期阶段能快速排除明显不匹配的候选块,而SSD更适合最终的质量评估。
1.2 频域利器:SATD的独特价值
SATD(Sum of Absolute Transformed Differences) 先将残差进行哈达玛变换,再计算绝对值和。这种频域表示能更好预测编码后的比特消耗:
python复制d
