YUV视频格式详解（翻译自微软文档）

Video Rendering with 8-Bit YUV Formats

Gary Sullivan 和 Stephen Estrop
微软数字媒体部门
四月 2002年
更新于 八月 2003 年

摘要：此文描述了在windows操作系统上推荐的视频格式—-8位的YUV，此文同时也展示了YUV和RGB格式的互相转换计算方法，提供了上采样YUV的方法。这篇文章的适用人群是从事于YUV视频显示和编码的开发人员。

介绍：在整个视频行业里面，YUV定义有很多种类。此文讲解的是微软推荐的适用于windows操作系统的YUV格式。同时，解码器供应商和显示器供应商都是被鼓励支持文中所提到的YUV格式。本文并没有解决YUV彩色的其他用途，如静止摄像。

本文中描述的格式是使用8位像素去编码Y通道（也称为亮度通道）和每个样本使用8位编码U或者V色度通道。然而，大多数的YUV格式并没有24位像素，因为它们含有较少的U或V通道数据，相比Y通道而言。

为了此文章后目的表述，术语U相当于Cb，术语V相当于Cr。

此文接下来会聊聊这些话题：

1. 确定DirectShow的YUV格式—解释如何描述DirectShow的YUV格式类型
2. YUV采样—描述最普通的YUV采样方法
3. 表面定义—描述推荐的YUV定义格式
4. 颜色空间和色度采样频率转换—RGB和YUV的互相转换

确定DirectShow的YUV格式

本文指定的YUV格式都是4字节，一个4字节代码是一个32位的无符号整型数据，它包含了4个人ASCII字符。
有许多的C/C++的四字节宏定义使得它的能够更加简单的描述。下面是简单的代码

DWORD fccYUY2 = MAKEFOURCC('Y','U','Y','2');
DWORD fccYUY2 = FCC('YUY2');
//解释一下，FCC就是自定义的一个宏。使得上面的两行代码是一个意思。
//下面还有一句更加简单的，也是一个意思
DWORD ffcYUY2 = '2YUY'
//这行代码中，我们发现YUY2发生了位置反转。这是由于windows操作系统采用了小端模式架构

在ASCII中，’Y’=0x59 ‘U’=0x55 ‘2’=0x32，于是可以得到：
‘2YUY’ = 0x32595559

在DirectShow中，格式定义的主要类型是全局唯一标识符和二级全局唯一标识符。由于主要是类型是计算机视频媒体格式，其二级全局唯一标识符可以由4字节代码映射构建。

xxxxxxxx-0000-0010-8000-00AA00389B71
其中的xxxxxxxx代表4字节代码，因此YUY2可以表示为：
32595559-0000-0010-8000-00AA00389B71

这个部分本来还有代码展示的，非YUV视频开发人员就忽略吧。文章最后会附上英文原文地址，有兴趣可以自行阅读。

YUV采样

YUV的优点在于：色度和亮度隔离，并且色度采样频率低于Y通道的，也不会导致图像质量的剧烈下降。
为了简化表达方式，符号A:B:C表示Y:U:V，可以理解为：U和V相对于Y的比例。

总共有4种采样格式：

1. 4：4：4 表示色度通道没有降采样
2. 4：2：2 表示2：1的水平降采样和垂直方向没有降采样，简单的理解为采样线条里面有4个Y，2个U，2个V
3. 4：2：0 表示2：1的水平和垂直方向的降采样
4. 4：1：1 表示4：1的水平降采样和没有垂直降采样，简单理解为采样线条里面有4个Y，1个U，1个V

下面用图形完成4种格式的理解：
亮度用叉来表示，色度则用圈表示。

第一、4：4：4格式

图1. 4：4：4

第二、4：2：2

图2. 4：2：2

第三、4：2：0
这里有两种常见的变化形式，其中一种形式用于 MPEG-2 视频，另一种形式用于 MPEG-1 以及 ITU-T recommendations H.261 和 H.263。图 3 显示了 MPEG-1 方案中使用的采样网格，图 4 显示了 MPEG-2 方案中使用的采样网格。

图3. 4：2：0

图4. 4：2：0

表面定义

本节讲述推荐用于视频呈现的 8 位 YUV 格式。这些格式可以分为几个类别：

4:4:4 格式，每像素 32 位

4:2:2 格式，每像素 16 位

4:2:0 格式，每像素 16 位

4:2:0 格式，每像素 12 位

首先，您应该理解下列概念，这样才能理解接下来的内容：
1、表面原点。对于本文讲述的 YUV 格式，原点 (0,0) 总是位于表面的左上角。
2、跨距。表面的跨距，有时也称为间距，指的是表面的宽度，以字节数表示。对于一个表面原点位于左上角的表面来说，跨距总是正数。
3、对齐。表面的对齐是根据图形显示驱动程序的不同而定的。表面始终应该 DWORD 对齐，就是说，表面中的各个行肯定都是从 32 位 (DWORD) 边界开始的。对齐可以大于 32 位，但具体取决于硬件的需求。
4、打包格式与平面格式。YUV 格式可以分为打包 格式和平面 格式。在打包格式中，Y、U 和 V 组件存储在一个数组中。像素被组织到了一些巨像素组中，巨像素组的布局取决于格式。在平面格式中，Y、U 和 V 组件作为三个单独的平面进行存储。

4:4:4 格式，每像素 32 位
这是一个打包格式，其中每个像素都被编码为四个连续字节，其组织顺序如下所示。

4:2:2 格式，每像素 16 位，支持两个 4:2:2 格式如下：
YUY2
UYVY
这两个都是打包格式，其中每个像素都是编码为四个连续字节的两个像素。这样会使得色度水平下采样乘以系数 2。

YUY2 内存布局

UYVY 内存布局

4:2:0 格式，每像素 16 位，支持两个 4:2:0 格式如下：
IMC1
IMC3
这两个都是平面格式，色度频道在水平方向和垂直方向上都要以系数 2 来进行再次采样。

对于IMC1而言，V和U都必须和Y的水平对齐，于是就出现了未使用的Space区域。

IMC1 内存布局

IMC3 内存布局

4:2:0 格式，每像素 12 位，支持四个 4:2:0 格式如下：
IMC2
IMC4
YV12
NV12
在所有这些格式中，色度频道在水平方向和垂直方向上都要以系数 2 来进行再次采样。

对于IMC2而言，此格式与 IMC1 相同，只是 V (Cr) 和 U (Cb) 行在半跨距边界处进行了交错。每一行都是以V开头，然后在每一行的交界处U再开始存储。

IMC2 内存布局

对于IMC4而言，与IMC2是一样的。只是U和V的位置换了而已。

IMC4 内存布局

在YV12中，U和V的平面跨度只有Y的一半。

YV12 内存布局

对于NV12格式而言，组合的 U-V 数组被视为一个由 little-endian（小断） WORD 值组成的数组时，LSB 包含 U 值，MSB 包含 V 值。

NV12 内存布局

RGB和YUV的互相转换

我们首先描述了RGB和YUV4：4：4格式之间的转换。为了把4：2：2或者4：2：0转换为RGB格式，我们一般是把它们转换为4：4：4以后，然后把4：4：4格式转换为RGB。这个4：4：4的YUV格式，为每个Y、U和V都采用8为数据。在其他的应用里面，也可以使用超过8位的来表示YUV格式。

从RGB转换到两个主要的YUV格式都是为数字视频而定义的。这两个都是基于ITU-R所推荐的BT.709。第一个转换可以称之为老的YUV，基于BT.709的50Hz，它和ITU-R推荐的BT.601是一样的，他有一个旧称—-CCIR601。这种格式更加适用于标清及以下分辨率的电视视频。它有两个特征常量：

Kr = 0.299
Kb = 0.114

第二个转换可以称之为新的YUV，基于BT.709的60Hz，这种格式更加适用于标清分辨率以上的电视视频。它也有两个特征常量：

Kr = 0.2126
Kb = 0.0722

接下来就是RGB转换为YUV的定义：

//常数L
L = Kr * R + Kb * B + (1 – Kr – Kb) * G
//Y分量
Y = floor(2^(M-8) * (219*(L–Z)/S + 16) + 0.5)
//U分量
U = clip3(0, 2^M-1, floor(2^(M-8) * (112*(B-L) / ((1-Kb)*S) + 128) + 0.5))
//V分量
V = clip3(0, 2^M-1, floor(2^(M-8) * (112*(R-L) / ((1-Kr)*S) + 128) + 0.5))

上面变量以及函数定义解释：
M : YUV样本的位数
Z : 黑色的值，对于计算机RGB，Z＝0；对于电视视频RGB，Z＝16*2^(N-8)，这里的N代表电视视频RGB每个分量的位数。
S : 缩放比例，对于计算机RGB，S＝255；对于电视视频RGB，S＝219*2^(N-8)，这里的N同上。

函数floor(x)表示返回大于或者等于x的最大整数。
函数clip3(x,y,z)定义如下：

clip3(x, y, z) = ((z < x) ? x : ((z > y) ? y : z))

这个Y分量代表亮度，U和V分别代表色差里面的blue和red。下面只YUV三个分量的范围：

16*2^(M-8) ≤ Y ≤ 235*2^(M-8)//左边代表黑色，右边代表白色

16*2^(M-8) ≤ U ≤ 240*2^(M-8)

16*2^(M-8) ≤ V ≤ 240*2^(M-8)

这三个范围只是理论上的范围。实际上的值往往会超过这个范围。

如果输入数据是计算机RGB格式，那么这个clip3函数是无效的。
如果输入数据是电视视频RGB格式，clip3函数是为了保证U和V的值在0～ 2^M-1之间。

接下来会有2个转换公式：

RGB888转换到YUV4：4：4
如果是计算机RGB输入，YUV4：4：4输出，那么上面的公式可以近似简化为：

Y = ((66 * R + 129 * G +  25 * B + 128) >> 8)+16
U = ((-38 * R - 74 * G + 112 * B + 128) >> 8)+128
V = ((112 * R - 94 * G -  18 * B + 128) >> 8)+128

YUV4：4：4转换到RGB888

//第一步：
Y = round( 0.256788 * R + 0.504129 * G + 0.097906 * B) +  16 
U = round(-0.148223 * R - 0.290993 * G + 0.439216 * B) + 128
V = round( 0.439216 * R - 0.367788 * G - 0.071427 * B) + 128

//第二步
C = Y - 16
D = U - 128
E = V - 128

//第三步
R = clip(round(1.164383*C+1.596027*E ))
G = clip(round(1.164383*C-(0.391762*D)-(0.812968 * E)))
B = clip(round(1.164383*C+2.017232*D))

//第四步，上面的公式可以近似为下面公式
R = clip(( 298 * C           + 409 * E + 128) >> 8)
G = clip(( 298 * C - 100 * D - 208 * E + 128) >> 8)
B = clip(( 298 * C + 516 * D           + 128) >> 8)