YUV 学习记录 - II.分类
首先我们看一张图片:
可以就看出,YUV分为 YUV420、YUV422、YUV444三大类
为什么分为这三类呢,是因为我们的眼睛对Y的敏感度远超U和V,这三中类型就是针对不同的人眼特性。
2.1YUV的占比
- YUV 420,由 4 个 Y 分量共用一套 UV 分量;
- YUV 422,由 2 个 Y 分量共用一套 UV 分量;
- YUV 444,不共用,一个 Y 分量使用一套 UV 分量;
2.2YUV排布方式
根据YUV三种分量在内存中的排布方式不一样,我们可以将YUV的三种类别再次进行细分;
- Planar (平面类格式):YUV 三个分量分开存放;
- Semi-Planar(半平面类格式) :Y 分量单独存放,UV 分量交错存放;
- Packed (打包类格式):YUV 三个分量全部交错存放;
2.3格式详解
(1)YUV420中的 I420(Planar)
依次序存放:先存放所有Y再存所有U最后存放所有V。
Y1 Y2 Y Y Y Y
Y3 Y4 Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
U1 U U
U U U
U U U
V1 V V
V V V
V V V
其中Y1 Y2 Y3 Y4 共用 U1 V1;
(2)YUV420中的NV12(Planar)
依次序存放:先存放所有Y再存所有V最后存放所有U。
Y1 Y2 Y Y Y Y
Y3 Y4 Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
V1 V V
V V V
V V V
U1 U U
U U U
U U U
其中Y1 Y2 Y3 Y4 共用 V1 U1;
(3)YUV420中的NV12(Semi-Planar)
依次序存放:先存放所有Y,然后UV依次存放,从U开始。
Y1 Y2 Y Y Y Y
Y3 Y4 Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
U1 V1 U V U V
U V U V U V
U V U V U V
其中Y1 Y2 Y3 Y4 共用 V1 U1;
(4)YUV420中的NV21(Semi-Planar)
依次序存放:先存放所有Y,然后VU依次存放,从V开始。
Y1 Y2 Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
V1 U1 V U V U
V U V U V U
V U V U V U
其中Y1 Y2 共用 V1 U1;
(5)YUV422中的I422(Planar)
依次序存放:先存放所有Y再存所有U最后存放所有V。
Y1 Y2 Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
U1 U U U U U
U U U U U U
U U U U U U
V1 V V V V V
V V V V V V
V V V V V V
其中Y1 Y2 共用 V1 U1;
(6)YUV422中的YV16(Planar)
依次序存放:先存放所有Y再存所有V最后存放所有U。
Y1 Y2 Y Y Y Y
Y3 Y4 Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
V1 V V V V V
V V V V V V
V V V V V V
U1 U U U U U
U U U U U U
U U U U U U
其中Y1 Y2 共用 V1 U1;
(7) YUV422中的 NV16 (Semi-Planar)
依次序存放:先存放所有Y再依次存放UV,从U开始。
Y1 Y2 Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
U1 V1 U V U V
U V U V U V
U V U V U V
U1 V1 U V U V
U V U V U V
U V U V U V
其中Y1 Y2 共用 V1 U1;
(8)YUV 422中的VYUY (Packed)
按照VYUY 格式依次排序
V1 Y1 U1 Y2 V Y U Y V Y U Y
V Y U Y V Y U Y V Y U Y
V Y U Y V Y U Y V Y U Y
V Y U Y V Y U Y V Y U Y
V Y U Y V Y U Y V Y U Y
V Y U Y V Y U Y V Y U Y
Y1 Y2 共用 V1 U1 ;
(9)YUV 422中的YUVY (Packed)
按照YUVY 格式依次排序
Y1 U1 V1 Y2 Y U V Y Y U V Y
Y U V Y Y U V Y Y U V Y
Y U V Y Y U V Y Y U V Y
Y U V Y Y U V Y Y U V Y
Y U V Y Y U V Y Y U V Y
Y U V Y Y U V Y Y U V Y
Y1 Y2 共用 V1 U1 ;
(10)YUV 422中的UYVY (Packed)
按照UYVY依次排序。
U1 Y1 V1 Y2 U Y V Y U Y V Y
U Y V Y U Y V Y U Y V Y
U Y V Y U Y V Y U Y V Y
U Y V Y U Y V Y U Y V Y
U Y V Y U Y V Y U Y V Y
U Y V Y U Y V Y U Y V Y
Y1 Y2 共用 V1 U1 ;
(11)YUV 444中的 I444(Planar)
依次序存放:先存放所有Y再存所有U最后存放所有V。
Y1 Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
U1 U U U U U
U U U U U U
U U U U U U
U U U U U U
U U U U U U
U U U U U U
V1 V V V V V
V V V V V V
V V V V V V
V V V V V V
V V V V V V
V V V V V V
Y1 U1 V1组成一组YUV;
(12)YUV 444中的 YV42(Planar)
依次序存放:先存放所有Y再存所有U最后存放所有V。
Y1 Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
V1 V V V V V
V V V V V V
V V V V V V
V V V V V V
V V V V V V
V V V V V V
U1 U U U U U
U U U U U U
U U U U U U
U U U U U U
U U U U U U
U U U U U U
Y1 U1 V1组成一组YUV;
(13)YUV 444中的 NV24 (半Planar)
依次序存放:先存放所有Y然后UV依次存放,从U开始。
Y1 Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
U1 V1 U V U V U V U V U V
U V U V U V U V U V U V
U V U V U V U V U V U V
U V U V U V U V U V U V
U V U V U V U V U V U V
U V U V U V U V U V U V
Y1 U1 V1组成一组YUV;
(14)YUV 444中的 NV42 (半Planar)
依次序存放:先存放所有Y然后VU依次存放,从V开始。
Y1 Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
V1 U1 V U V U V U V U V U
V U V U V U V U V U V U
V U V U V U V U V U V U
V U V U V U V U V U V U
V U V U V U V U V U V U
V U V U V U V U V U V U
Y1 U1 V1组成一组YUV;
(15)YUV444 中的 yuv444(packed)
YUV 依次排列;
Y1 U1 V1 Y U V Y U V Y U V Y U V Y U V
Y U V Y U V Y U V Y U V Y U V Y U V
Y U V Y U V Y U V Y U V Y U V Y U V
Y U V Y U V Y U V Y U V Y U V Y U V
Y U V Y U V Y U V Y U V Y U V Y U V
Y U V Y U V Y U V Y U V Y U V Y U V
Y1 U1 V1组成一组YUV;
推荐阅读
-
YUV 学习记录 - II.分类
-
国家推荐标准 20986 2023 信息安全技术 网络安全事件分类和分级指南 学习记录
-
DeepShip-它由四个类别的265艘不同船只的47小时4分钟的真实世界水下录音组成。建议的数据集包括全年不同海况和噪音水平的记录。所提供的数据集不仅有助于评估现有算法的性能,而且还将使研究团体在未来受益。使用提出的数据集,我们还对六种基于时频提取特征的各种机器学习和深度学习算法进行了全面研究。此外,我们提出了一种新的基于可分离卷积的自编码器网络,以提高分类精度。对比分类准确率、精密度、查全率、fl-score等方面的实验结果,并进行配对抽样统计测试,结果表明,基于CQT特征的网络分类准确率达到77.53%,优于其他方法。 1.Introduction 近年来,由于水声分类在海洋船舶分类和探测、测量这些船舶的声音对环境的影响、退出船设计和海洋生物分类等方面的应用,引起了广泛的关注(Erbe et al., 2019;Malfante, Mars, Dalla Mura, & Gervaise, 2018)。复杂的水下环境、背景噪声、声音数据的频率依赖性吸收和散射等因素使其成为一个具有挑战性的领域(Erbe et al., 2019)。此外,螺旋桨、发动机和隐形船体技术的改进使该领域更具挑战性(Khishe &摩萨维,2020 年)。