فناوری کدگذاری ویدیویی حذف افزونگی مکانی و زمانی را در اولویت قرار می دهد. در مرحله بعد، اجازه دهید به شما معرفی کنم که از چه روشی استفاده می شود: ویدیو با پخش مداوم فریم های مختلف شکل می گیرد.
این فریم ها عمدتا به سه دسته فریم I، فریم B و فریم P تقسیم می شوند. فریم من یک قاب مستقل با تمام اطلاعات خاص خود است که کاملترین تصویر (بزرگترین فضا را اشغال می کند) و به طور مستقل بدون مراجعه به تصاویر دیگر قابل رمزگشایی است. اولین فریم در دنباله ویدیو همیشه فریم I است. قاب P، "قاب رمزگذاری پیش بینی بین فریم"، برای رمزگذاری نیاز به ارجاع به بخش های مختلف قاب I قبلی و/یا فریم P دارد. فریم P به فریم های مرجع P و I قبلی وابستگی دارد. با این حال، نرخ فشرده سازی فریم P نسبتاً بالا است و فضای کمتری را اشغال می کند.
قاب B، "قاب رمزگذاری پیشگوی دوطرفه"، با فریم هایی که قبل و بعد از آن به عنوان فریم مرجع استفاده می شوند. نه تنها به جلو، بلکه به فریم های پشت نیز اشاره می شود، بنابراین میزان فشرده سازی آن بالاترین است و به 200:1 می رسد. با این حال، برای انتقال بلادرنگ (مانند کنفرانس ویدئویی) مناسب نیست زیرا به فریم های بعدی متکی است.
با طبقه بندی فریم ها، می توان اندازه ویدیو را به میزان قابل توجهی فشرده کرد. از این گذشته، تعداد اشیایی که باید پردازش شوند به میزان قابل توجهی کاهش یافته است (از کل تصویر به یک منطقه در داخل تصویر).
اگر بسته ای را از جریان ویدیو بگیرید، می توانید اطلاعات قاب I را نیز مشاهده کنید
اگر همیشه بر اساس پیکسل ها محاسبه کنیم، حجم داده ها نسبتا زیاد خواهد بود. بنابراین، ما معمولا تصویر را به «بلوک» یا «ماکرو بلاک» مختلف تقسیم می کنیم و آنها را محاسبه می کنیم. یک بلوک ماکرو معمولاً 16 پیکسل در 16 پیکسل است.
پردازش فریم I از روش رمزگذاری درون فریم استفاده می کند و فقط از همبستگی فضایی درون تصویر این قاب استفاده می کند. پردازش فریم‌های P همزمان با استفاده از همبستگی‌های مکانی و زمانی، رمزگذاری بین فریم (تخمین حرکت رو به جلو) را اتخاذ می‌کند. به عبارت ساده، با استفاده از الگوریتم‌های جبران حرکت برای حذف اطلاعات اضافی