时间冗余（帧间预测）
让我们探究去除时间上的重复，去除这一类冗余的技术就是帧间预测。
我们将尝试花费较少的数据量去编码在时间上连续的 0 号帧和 1 号帧。
原始帧
我们可以做个减法，我们简单地用 0 号帧减去 1 号帧，得到残差，这样我们就只需要对残差进行编码。
残差帧
但我们有一个更好的方法来节省数据量。首先，我们将0 号帧 视为一个个分块的集合，然后我们将尝试将 帧 1 和 帧 0 上的块相匹配。我们可以将这看作是运动预测。
维基百科—块运动补偿 “运动补偿是一种描述相邻帧（相邻在这里表示在编码关系上相邻，在播放顺序上两帧未必相邻）差别的方法，具体来说是描述前面一帧（相邻在这里表示在编码关系上的前面，在播放顺序上未必在当前帧前面）的每个小块怎样移动到当前帧中的某个位置去。”
原始帧运动预测
我们预计那个球会从 x=0, y=25 移动到 x=6, y=26，x 和 y 的值就是运动向量。进一步节省数据量的方法是，只编码这两者运动向量的差。所以，最终运动向量就是 x=6 (6-0), y=1 (26-25)。
实际情况下，这个球会被切成 n 个分区，但处理过程是相同的。
帧上的物体以三维方式移动，当球移动到背景时会变小。当我们尝试寻找匹配的块，找不到完美匹配的块是正常的。这是一张运动预测与实际值相叠加的图片。
运动预测
但我们能看到当我们使用运动预测时，编码的数据量少于使用简单的残差帧技术。
运动预测 vs 残差
你可以使用 jupyter 玩转这些概念。
自己动手：查看运动向量 我们可以使用 ffmpeg 生成包含帧间预测（运动向量）的视频。
ffmpeg 帧间预测（运动向量）或者我们也可使用 Intel® Video Pro Analyzer（需要付费，但也有只能查看前 10 帧的免费试用版）。
Intel® Video Pro Analyzer 使用帧间预测
空间冗余（帧内预测）
如果我们分析一个视频里的每一帧，我们会看到有许多区域是相互关联的。
空间内重复
让我们举一个例子。这个场景大部分由蓝色和白色组成。
smw 背景
这是一个 I 帧，我们不能使用前面的帧来预测，但我们仍然可以压缩它。我们将编码我们选择的那块红色区域。如果我们看看它的周围，我们可以估计它周围颜色的变化。
smw 背景块
我们预测:帧中的颜色在垂直方向上保持一致，这意味着未知像素的颜色与临近的像素相同。
smw 背景预测
我们的预测会出错，所以我们需要先利用这项技术（帧内预测），然后减去实际值，算出残差，得出的矩阵比原始数据更容易压缩。
smw 残差
自己动手：查看帧内预测 你可以使用 ffmpeg 生成包含宏块及预测的视频。请查看 ffmpeg 文档以了解每个块颜色的含义。
ffmpeg 帧内预测（宏块）或者我们也可使用 Intel® Video Pro Analyzer（需要付费，但也有只能查看前 10 帧的免费试用版）。
Intel® Video Pro Analyzer 帧内预测
