视频里的 I 帧、P 帧、B 帧有什么区别？

I 帧（关键帧）存储一张完整图像，可以独立解码，类似一张 JPEG；P 帧只存储与前面某一帧的差异，体积小得多；B 帧同时参考前后两帧的差异，体积最小。由于相邻帧之间绝大部分像素完全相同，只记录差异而不是每帧都存完整画面，正是视频能实现 50–100 倍压缩的核心原理。

视频为什么用 YUV 4:2:0 而不是 RGB？

因为人眼对亮度的敏感度远高于对颜色。YUV 把亮度（Y）和色度（U、V）分开存储，编码时保留全部亮度信息，让相邻四个像素共用一组色度数据。这种 4:2:0 采样把数据量压到 RGB 的一半，而肉眼几乎察觉不到差别，所以几乎所有消费级流媒体都采用它。

电影为什么是 24 帧而不是 60 帧？

人的视觉暂留效应在大约 16 fps 时就能让大脑感知到连续运动，24 fps 已经足够流畅。它是 1920 年代“足够流畅 + 最省胶片”的折中方案，沿用至今并形成了独特的电影感。体育、游戏等快速画面才需要 60 fps 以上；而帧率越高文件越大，同等条件下 60 fps 的体积大约是 30 fps 的 1.7 倍。

Read in English →

VOD 深度剖析（一）：视频基础——视频到底是什么？

VOD 流媒体系列（共 12 篇）的开篇之作。从字节层面理解视频究竟是什么——像素、分辨率、帧率、码率、I/P/B 帧、GOP、色彩空间与 HDR。

zhuermu·2026年5月10日·20 分钟

vodstreamingvideoresolutionframe-ratebitrate

这是 VOD 流媒体深度剖析系列的第 1 篇——一份共 12 篇的技术指南，涵盖从原始像素到全球规模分发的方方面面。

那些你或许从未想过的问题

你每天都在看视频，但你有没有想过：

从点击”播放”到看到第一帧画面，中间到底发生了什么？
为什么一部 2 小时的 Netflix 电影只有 2 GB，而 2 小时的 iPhone 原始素材却有 20 GB？
为什么网络差的时候视频会”变糊”，而不是直接卡住不动？
为什么 iPhone 只能原生播放 HLS，却播不了 DASH？
为什么你没法把下载好的 Netflix 电影拷给别人的手机？
短视频 App 是怎么做到你一滑就几乎瞬间开播的？

读完这个系列，上面每一个问题你都能答上来。

什么是视频点播（VOD）？

视频点播——VOD——顾名思义：用户想看什么就看什么，想什么时候看就什么时候看。视频文件早在播放之前就已经录制好并存放在服务器上了。

与之相对的是直播：

	VOD（点播）	直播
内容来源	预先录制好的文件	摄像机/编码器实时产出
能否拖动进度？	能	不能（或仅有限的 DVR 时移窗口）
举例	Netflix、YouTube、Bilibili、在线课程	体育转播、电商直播、游戏直播
工程难点	以最低成本触达最多用户	保持低延迟、实时编码

短视频（TikTok、YouTube Shorts）也属于 VOD。虽然它感觉上是实时的，但每一个片段其实都是预先上传好的录制内容。它被切成秒级的分片，再由推荐算法投喂给你——这正是信息流看起来永无尽头的原因。

本系列聚焦于 VOD，但其中的大多数技术（编解码器、封装容器、传输协议、DRM）同样适用于直播。

VOD 的旅程：从摄像机到你的屏幕

一段视频要经过六个阶段才能到达你的手机：

①Capture/Upload     ②Transcode           ③Package
┌─────────┐        ┌─────────┐         ┌─────────┐
│ Director │ ────►  │ Compress │ ──────► │ Cut into │
│ uploads  │        │ into many│         │ small    │
│ raw file │        │ qualities│         │ segments │
└─────────┘        └─────────┘         └─────────┘
                                             │
     ┌───────────────────────────────────────┘
     │
     ▼
④Store in Cloud     ⑤CDN Distribution    ⑥Playback
┌─────────┐        ┌─────────┐         ┌─────────┐
│ Put into │ ────►  │ Copy to  │ ──────► │ Auto-   │
│ object   │        │ nearest  │         │ select  │
│ storage  │        │ data     │         │ quality │
│ (S3 etc) │        │ center   │         │ & play  │
└─────────┘        └─────────┘         └─────────┘

每个阶段都对应本系列的一个章节：

阶段	它解决的问题	对应篇章
①采集/上传	如何可靠地把大文件传到服务器	第 11 篇
②转码	如何把 20 GB 的母版压到 200 MB，还依然清晰好看	第 2 篇、第 3 篇
③封装	如何把视频 + 音频 + 字幕组合起来并切成分片	第 4 篇、第 5 篇
④存储	如何低成本地存放海量视频	第 11 篇、第 12 篇
⑤CDN	如何让全球用户都能快速访问	第 7 篇
⑥播放	如何自适应网速并防盗版	第 6 篇、第 8 篇、第 9 篇

而贯穿始终的那条主线——你如何知道用户的体验好不好？——就是第 10 篇：QoE 指标。

视频不过是一叠照片

这是本章最重要的一句话：

视频 = 一连串快速播放的图像 + 一条音轨。

当你看视频时，你的大脑看到的是：

Frame 1   Frame 2   Frame 3   Frame 4   Frame 5  ...
┌────┐   ┌────┐   ┌────┐   ┌────┐   ┌────┐
│    │   │    │   │    │   │    │   │    │
│ 🚗 │   │ 🚗 │   │ 🚗 │   │ 🚗 │   │ 🚗 │
│    │   │    │   │    │   │    │   │    │
└────┘   └────┘   └────┘   └────┘   └────┘
         (car shifts slightly right)
           ┃
           ▼  Play 30 images per second → you see "smooth driving"

每一张图像都称为一帧（frame）。

像素与分辨率

把任意一张图片放得足够大，你就会看到一个个小方块——每一个方块记录一种颜色。这个方块就是像素（pixel）。

一张 1920×1080 的图像有 1920 列 × 1080 行 = 2,073,600 个像素（约 200 万像素）。
每个像素存储一个颜色值，占用几个字节。

分辨率就是像素的尺寸。常见的标识有：

标识	分辨率	总像素	相对大小
240p	426 × 240	~10 万	1x（基准）
360p	640 × 360	~23 万	2.3x
480p (SD)	854 × 480	~41 万	4.1x
720p (HD)	1280 × 720	~92 万	9.2x
1080p (FHD)	1920 × 1080	~200 万	20x
1440p (2K)	2560 × 1440	~370 万	37x
2160p (4K UHD)	3840 × 2160	~830 万	83x
4320p (8K)	7680 × 4320	~3320 万	332x

注意：“4K”有两种版本——UHD 4K（消费级：3840×2160）和 DCI 4K（电影级：4096×2160）。

竖屏手机视频采用 9:16 比例（例如 720×1280），正好是横屏 16:9（1920×1080）的倒置。

像素如何存储颜色：RGB、YUV 与位深

RGB

最直观的方式：为每个像素分别存储红、绿、蓝三种颜色的强度。

黑色 = R:0 G:0 B:0
白色 = R:255 G:255 B:255
每个通道占 8 位（1 字节，0–255），因此一个 RGB 像素 = 3 字节。

算笔账：单张 1080p 的 RGB 帧 = 1920 × 1080 × 3 字节 ≈ 6.2 MB。按 30 fps 计算，就是 186 MB/秒——一部 2 小时的电影如果不压缩将高达 1.3 TB！

这正是视频必须压缩的原因。

YUV（视频行业标准）

视频使用 YUV（也写作 YCbCr）：

Y（亮度 Luma）：像素有多亮（0 = 黑，255 = 白）
U、V（色度 Chroma）：像素是什么颜色

为什么不直接用 RGB？因为：

人眼对亮度的敏感程度远高于对颜色的敏感程度。

YUV 正是利用了这一点：你可以记录更少的颜色信息，而肉眼几乎察觉不到差别。

色度二次采样（Chroma Subsampling）

方案	说明	相对 4:4:4 的数据量	应用场景
4:4:4	每个像素都有完整的 Y/U/V	100%	影视后期制作
4:2:2	相邻两个像素共用一组 U/V	67%	广播、专业级
4:2:0	相邻四个像素共用一组 U/V	50%	几乎所有消费级流媒体

   Luma Y (all kept)          Chroma U/V (one per 2×2 block)
   ┌──┬──┬──┬──┐             ┌─────┬─────┐
   │Y │Y │Y │Y │             │     │     │
   ├──┼──┼──┼──┤             │ UV  │ UV  │
   │Y │Y │Y │Y │             │     │     │
   ├──┼──┼──┼──┤             ├─────┼─────┤
   │Y │Y │Y │Y │             │     │     │
   ├──┼──┼──┼──┤             │ UV  │ UV  │
   │Y │Y │Y │Y │             │     │     │
   └──┴──┴──┴──┘             └─────┴─────┘
   16 Y values                4 UV pairs

   RGB 4:4:4 = 16 × 3 = 48 bytes
   YUV 4:2:0 = 16 + 4 + 4 = 24 bytes (half the data)

代价是：纯黑背景上的鲜红色文字可能会出现轻微的色彩溢出。但 99% 的自然场景看起来毫无差别。

位深（Bit Depth）

即每个通道用多少位来表示：

位深	每通道取值范围	每像素可表示的颜色	应用场景
8 位	0–255	1670 万	大多数消费级流媒体
10 位	0–1023	10.7 亿	HDR 必备；Netflix 4K、蓝光
12 位	0–4095	687 亿	影视母版、Dolby Vision

8 位通常够用，但在平滑的渐变上（例如从深蓝逐渐过渡到浅蓝的天空），会出现明显的色带（banding）——不自然的阶梯状分界。HDR 内容需要 10 位来消除这种现象。

帧率（fps）

fps = 每秒帧数（frames per second）。

24 fps：自 1920 年代以来的电影标准，带来那种”电影感”。
25 / 50 fps：PAL 制式电视（欧洲、中国）。
29.97 / 30 fps：NTSC 制式（北美、日本）。大多数手机录制的默认值。
60 fps：游戏、体育、YouTube 高帧率视频。
120 / 240 fps：慢动作、专业级拍摄。

为什么电影 24 fps 就够了？人的”视觉暂留”效应在大约 16 fps 时便会起作用——你的大脑此时已经看到连续的运动了。24 fps 是 1920 年代”足够流畅 + 最省胶片”的甜蜜点。但对于快速动作（体育、游戏），则需要 60 fps 以上来避免运动模糊。

留意一下 29.97 fps——这可不是打错了。NTSC 彩色电视故意把频率偏移了一点，以避免与黑白信号相互干扰。

帧率越高，文件越大。在相同分辨率和画质下，60 fps 的体积大约是 30 fps 的 1.7 倍。

码率：每秒消耗多少数据

码率（Bitrate）是指每秒视频所消耗的比特数。

kbps（千比特/秒）：1 Mbps = 1000 kbps
Mbps（兆比特/秒）：常用单位

文件大小 ≈ 码率 × 时长：

1 Mbps × 60 seconds ÷ 8 (bits to bytes) ≈ 7.5 MB

典型码率（H.264）

分辨率	推荐码率	1 分钟文件大小
240p	0.3–0.5 Mbps	~3 MB
360p	0.5–0.8 Mbps	~5 MB
480p	0.8–1.2 Mbps	~8 MB
720p	1.5–3 Mbps	~15 MB
1080p	3–6 Mbps	~30 MB
4K	15–30 Mbps	~150 MB

CBR / VBR / CRF

三种码率控制模式：

模式	含义	类比
CBR（恒定码率）	每秒固定比特数	每次都正好点 2 个菜
VBR（可变码率）	复杂场景多给比特，简单场景少给	饭量大的多点，饭量小的少点
CRF（恒定质量因子）	质量保持恒定，码率随之变化	不管点什么，都吃到八分饱为止

VOD 偏好 VBR 或 CRF——在相同文件大小下画质更好。直播偏好 CBR——码率可预测，网络传输更稳定。

I 帧、P 帧、B 帧：视频压缩的核心

这是本章最关键的概念。理解了它，编解码器那一章的内容便会豁然开朗。

视频为什么能被如此激进地压缩？

想象一段视频：一个人坐在沙发上看电视：

Frame 1: Person on couch, TV playing animation
Frame 2: Person on couch, TV playing animation (TV image changes slightly)
Frame 3: Person blinks, TV playing animation
Frame 4: Person on couch, TV playing animation

**相邻两帧之间 99% 的像素都是完全相同的。**把每一帧都完整存下来是巨大的浪费。

聪明的做法是：

偶尔存一张”完整快照”
其余时间只存”相比上一帧发生了什么变化”

三种帧类型

类型	全称	内容	大小	能否独立解码？
I 帧（关键帧）	帧内编码（Intra-coded）	一张完整图像（类似 JPEG）	大	能
P 帧	预测帧（Predicted）	“与前面某一帧的差异”	小	不能——需要先有参考帧
B 帧	双向预测帧（Bidirectional）	“与前一帧和后一帧的差异”	最小	不能——需要前后两个参考帧

Timeline →
 I - P - P - P - B - P - P - B - I - P - P - P ...
 ▲                               ▲
 Keyframe                        Next keyframe
 (appears every N frames)

IDR 帧

IDR 帧（Instantaneous Decoder Refresh，即时解码刷新）是一种特殊的 I 帧：它之后的所有帧都被禁止引用它之前的任何内容。IDR 帧是”安全的起始点”。当你把进度拖到视频中间时，播放器会跳到最近的 IDR 帧开始解码。

GOP（图像组，Group of Pictures）

GOP 是两个 I 帧之间的那一组帧：

 ┌──── GOP 1 ────┐ ┌──── GOP 2 ────┐ ┌──── GOP 3 ...
  I  P  B  P  P  B  I  P  B  P  P  B  I  P ...
                    ▲
                    New IDR starts here

GOP 长度决定了分片的粒度：

短 GOP（1–2 秒）：分片更细，拖动和起播更快；文件略大（I 帧更多）
长 GOP（4–10 秒）：文件更小，但拖动更慢

短视频 App 通常采用短 GOP（1–2 秒），因为用户会在不同片段之间频繁滑动切换。长片 VOD 则可以采用更长的 GOP 来节省带宽。

色彩空间与 HDR

色彩空间

同一组 RGB 数值，在不同标准下会显示出不同的实际颜色：

标准	应用场景	色域大小
sRGB	网页、电脑	基准
BT.709	高清电视、1080p 流媒体	≈ sRGB
BT.2020	HDR、4K/8K	比 BT.709 大约 72%
DCI-P3	电影、Apple 生态	介于 BT.709 与 BT.2020 之间

HDR：更亮的亮部、更暗的暗部、更丰富的色彩

传统 SDR 的峰值亮度约为 100 尼特（nits）。HDR 可达到 1,000–4,000 尼特的峰值亮度，再结合 10 位位深 + BT.2020 色域：

夜空中的星星显得更亮
阴影中的细节得以保留
颜色更饱和且不会溢出（clipping）

主流 HDR 格式：

格式	出品方	关键特性
HDR10	蓝光光盘协会	免版税；每部电影使用静态元数据
HDR10+	三星 / Amazon	每个场景使用动态元数据
Dolby Vision	Dolby	12 位、动态元数据；画质最高；需付版税
HLG	BBC / NHK	兼容 SDR 显示器；广播首选

请注意：HDR 视频在 SDR 显示器上并不会神奇地更好看。如果不做色调映射（tone mapping），它看起来会灰蒙蒙、发白。

动手实践：用 ffprobe 检查一段视频

# macOS / Linux
brew install ffmpeg  # or: apt install ffmpeg

# Inspect a video
ffprobe -v error -show_streams -select_streams v:0 myvideo.mp4

典型输出：

codec_name=h264            # Codec (H.264) — see Part 2
profile=High               # Encoding profile
width=1920
height=1080                # Resolution: 1080p
r_frame_rate=30000/1001    # Frame rate: 29.97 fps
pix_fmt=yuv420p            # Pixel format: YUV 4:2:0, 8-bit
color_space=bt709          # Color space: SDR
bit_rate=4500000           # Bitrate: 4.5 Mbps

读完本章，上面每一行你都应该能看懂。

核心要点

视频 = 一连串图像 + 音频。每一张图像就是一帧。
每一帧由像素组成；分辨率就是像素的尺寸。
视频世界使用 YUV 4:2:0（数据量只有 RGB 的一半，肉眼无差别）。
位深：8 位是标准；HDR 需要 10 位。
帧率：24 fps（电影）/ 30 fps（电视）/ 60 fps（游戏/体育）。
码率 = 每秒数据量。VOD 首选 VBR/CRF。
I/P/B 帧是视频实现 50–100 倍压缩的方式。
GOP = 关键帧之间的那组帧。短视频使用短 GOP（1–2 秒）。
HDR = 10 位 + 更宽色域 + 更高亮度——与 SDR 有着本质区别。

三对处处可见的概念

在深入之前，先把这三对概念钉牢：

编解码器 ≠ 封装容器——H.264 是一种压缩算法（编解码器）；MP4 是一种文件格式（封装容器）。一个 .mp4 文件里可以装 H.264，也可以装 H.265，或装 AV1。
协议 ≠ 封装——HLS 和 DASH 是”如何分发”的规则（协议）；fMP4 和 TS 是”如何切片和封装”的格式（封装）。
加密 ≠ DRM——HLS AES-128 是轻量级加密（密钥一旦泄露就全盘皆输）。DRM 则是一整套体系：密钥分发 + 设备限制 + 输出保护。

这三对概念都会在本系列中详细展开。

下一篇：一部 4K 电影是如何塞进 5 GB 的？ → 第 2 篇：视频编解码器——H.264、H.265 与 AV1

参考资料

FFmpeg documentation — FFmpeg
H.264: Advanced video coding — ITU-T