VC实现卡拉OK字幕叠加

一. GDI编程基础

 字幕叠加，应当是属于图形、图像处理的范畴。在Windows平台上，图形、图像处理的方法当然首选GDI（Graphics Device Interface，图形设备接口）。GDI是什么？GDI其实是一套API函数；它们功能丰富，使用起来简单、灵活。下面，我们首先来介绍一些GDI编程的基础知识。

　　GDI函数有很多，我们大致可以把它们分成如下几类：

　　· 设备上下文（Device Context，简称DC）函数，如GetDC、CreateDC、DeleteDC等；

　　· 画线函数，如LineTo、Polyline、Arc等；

　　· 填充画图函数，如Ellipse、FillRect、Pie等；

　　· 画图属性函数，如SetBkColor、SetBkMode、SetTextColor等；

　　· 文本、字体函数，如TextOut、GetTextExtentPoint32、GetFontData等；

　　· 位图函数，如SetPixel、BitBlt、StretchBlt等；

　　· 坐标函数，如DPtoLP、LPtoDP、ScreenToClient、ClientToScreen等；

　　· 映射函数，如SetMapMode、SetWindowExtEx、SetViewportExtEx等；

　　· 元文件（MetaFile）函数，如PlayMetaFile、SetWinMetaFileBits等；

　　· 区域（Region）函数，如FillRgn、FrameRgn、InvertRgn等；

　　· 路径（Path）函数，如BeginPath、EndPath、StrokeAndFillPath等；

　　· 裁剪（Clipping）函数，如SelectClipRgn、SelectClipPath等。

　　上述这些函数可以完成绘制用户界面中的各个部分，包括我们在Windows平台上司空见惯的窗口、菜单、工具条、按钮等。除了完成显示操作功能外，GDI还提供了一些绘图对象，用以渲染显示。这些GDI对象包括：

　　设备上下文（DC）——具有如显示器或打印机等输出设备的绘图属性信息的数据结构；

画笔（Pen）——用于绘制线条；

　　画刷（Brush）——用于图案的填充；

　　字体（Font）——用于确定文本字符的样式；

　　位图（Bitmap）——用于存储图像；

　　调色板（Palette）——屏幕上画图时可以使用的一些颜色的集合。

　　DC在GDI中是一个非常重要的概念。在MSDN上查看各个GDI函数的使用说明，我们会发现大部分GDI函数都有一个HDC类型的参数；HDC就是DC句柄。Windows应用程序进行图形、图像处理的一般操作步骤如下：

　　1. 取得指定窗口的DC；

　　2. 确定使用的坐标系及映射方式；

　　3. 进行图形、图像或文字处理；

　　4. 释放所使用的DC。

　　为了进一步简化GDI函数的使用，或者说为了适应面向对象的程序设计风格，微软的MFC类库提供了几个DC的封装类。这些类的继承关系如下：

　　图1 关于DC的几个MFC类的继承关系

　　我们知道，绝大部分MFC类都是从CObject类派生的，CDC类也不例外。我们看到，CDC类是最基本的DC封装类；它几乎对应封装了所有的GDI函数。另外，CDC类的各个派生类各有专门的用途：

　　CClientDC——在窗口的客户区画图的DC；

　　CMetaFileDC——用于操作Windows元文件的DC；

　　CPaintDC——响应WM_PAINT消息时画图使用的DC，多见于MFC程序的OnDraw函数中；

　　CWindowDC——在整个窗口范围（包括框架、工具条等）中画图的DC。

　　MFC除了对DC进行类封装外，对其它GDI对象也进行了类封装。这些类的继承关系如下：

　　图2 GDI对象的MFC封装类的继承关系

　　CGdiObject——GDI对象的父类，定义了GDI对象封装类的一些公有函数接口；

　　CBitmap——位图相关操作的封装类，包括位图的装入或创建等；

　　CBrush——画刷对象的封装类；

　　CFont——字体属性及相关操作的封装类；

　　CPalette——调色板的封装类；

　　CPen——画笔对象的封装类；

　　CRgn——区域对象以及区域相关操作的封装类。

　　通过上述介绍，相信读者对GDI编程有了一定的了解。接下去，我们就来讨论卡拉OK字幕叠加的实现原理。

　　二. 实现原理

　　字幕叠加，最基本的一种是在静态图像上进行的，一般就是直接在图像上输出标准的字符串，以合成新的图像帧；而视频上的字幕叠加，则是在连续的图像帧序列上进行的，单帧上的叠加与静态图像上的叠加类似。本文所要讲述的卡拉OK字幕叠加，就是一种在视频上进行的字幕叠加。

 在视频上进行叠加的字幕，一般可以呈现出多种动态效果，比如滚动、旋转等；卡拉OK字幕需要表达更多的内容，它至少包括：

　　1．根据进度，显示不同的字幕内容（即歌词）；

　　2．字幕上应该表达出卡拉OK的音乐节奏；

　　3．对字幕进行勾边或其他效果处理，以突出显示。

　　以下是卡拉OK字幕效果的演示图：

　(图片较大，请拉动滚动条观看)

　　(图片较大，请拉动滚动条观看)

　　图3 卡拉OK字幕效果图

　　简单的字幕叠加我们就可以通过GDI函数来实现。我们知道，字符的输出可以使用TextOut函数；但是，如何输出空心字，如何填充空心字呢？我们这里要用到路径。字符路径的绘制过程参考如下：

CClientDC * pClientDC = new CClientDC(mTargetWnd);
// ......
pClientDC->BeginPath();
pClientDC->TextOut(x, y, szSubtitleLine);
pClientDC->EndPath();
// pClientDC->StrokePath();
pClientDC->StrokeAndFillPath();

　　我们看到，在TextOut函数调用前后分别调用了BeginPath函数和EndPath函数，以记录字符输出的路径（实际上就是字符的轮廓）；然后调用StrokePath函数将路径勾勒出来，或者调用 StrokeAndFillPath函数在勾勒路径的同时进行填充。需要注意的是，路径勾勒的颜色由DC中当前选入的画笔决定，填充的颜色由DC中当前选入的画刷决定。

　　那么，我们如何在字幕上表示演唱进度呢？根据音乐的节奏，我们需要为每个字符确定开始填充的时刻，并且指定该字符完成填充需要的时间。比如上述“真的好想你”一句歌词，我们从时刻0开始填充，让“真”显示1500毫秒，“的”显示300毫秒，“好”显示1600毫秒， “想”显示500毫秒，“你”显示1000毫秒。于是，我们可以从开始播放时进行计时，并且以一定的频率刷新当前播放到的时间点；表现在卡拉OK字幕上，就是不断地更新已经唱过的字幕和尚未唱过的字幕之间的分界线。从视觉效果上，我们看到的是填充色随着音乐从左到右地行进；并且单个字符的行进速度，也因该字符上分配的总的填充时间不同而不同，从而体现出应有的节奏感。

 另外，我们从上述卡拉OK字幕效果图中不难看出，已经唱过的字幕和尚未唱过的字幕的画法是不一样的：前半部分是蓝色填充、白色勾边，后半部分是黑色勾边的空心字。而且，这两部分之间的分界线有可能位于某个字符中（不会总是刚好在相邻字符的间隙中）。那么，如何准确地画出这两部分字幕呢？我们这里可以使用GDI的区域、路径裁剪操作。首先，根据当前进度，将窗口分成左右两个矩形区域：

// xStart, yStart为字幕行第一个字符显示的(x, y)坐标
// pregress为当前进度坐标（已经唱过的宽度）
// sz为SIZE类型的变量，记录整行字幕的宽、高
CRgn region1, region2;
region1.CreateRectRgn(xStart, yStart,
xStart + pregress,
yStart + sz.cy);
region2.CreateRectRgn(xStart + pregress, yStart,
xStart + sz.cx,
yStart + sz.cy);

　　在画两部分字幕的路径之前，分别调用SelectClipRgn函数选入各自的区域；等到字幕路径画完之后，再调用SelectClipPath函数跟先前选入的区域进行“与”操作，即提取两者的公共部分。整个过程参考如下：

pClientDC->SelectClipRgn(&region1, RGN_COPY);
// 1.选入用于画已经唱过字幕的画笔、画刷
// 2.画字幕路径
// ......
pClientDC->SelectClipPath(RGN_AND);
pClientDC->SelectClipRgn(&region2, RGN_COPY);
// 1.选入用于画尚未唱过字幕的画笔、画刷
// 2.画字幕路径
// ......
pClientDC->SelectClipPath(RGN_AND);

　　三. 关键实现

　　我们使用VC生成一个基于对话框的程序来演示卡拉OK字幕叠加的实现。程序界面如下：

(图片较大，请拉动滚动条观看)

　　图4 演示程序界面

　　为了使字幕叠加的过程更加清晰，我们设计了一个逻辑控制类 CSubtitleController。在进行真正的字幕叠加之前，我们必须首先调用CSubtitleController类的 SetTargetWindow函数设置字幕的显示窗口，随后调用SetSubtitleLine函数设置字幕行的内容、填充时间等属性。具体实现中，我们在主对话框类CKaraokeDemoDlg中定义一个CSubtitleController类的实例mController，并且在对话框的初始化函数OnInitDialog中进行了如下的调用：

BOOL CKaraokeDemoDlg::OnInitDialog()
{
CDialog::OnInitDialog();
// TODO: Add extra initialization here
mController.SetTargetWindow(&mKaraokeWnd);
mController.SetSubtitleLine(mSubtitleArray, mDurationArray, 0, 5);
// ......
return TRUE;
}
　　其中，mKaraokeWnd表示字幕显示窗口，是一个CStatic类的对象实例；mSubtitleArray是CString类型的数组，用于存储字幕内容（注意，应将字幕行中的各个字符单独存储）；mDurationArray是int类型的数组，用于存储字幕行中各个字符填充需要的时间。 mSubtitleArray和mDurationArray可以在CKaraokeDemoDlg类的构造函数中做如下的初始化：
mSubtitleArray = new CString[5];
mDurationArray = new int[5];
mSubtitleArray[0] = "真";
mSubtitleArray[1] = "的";
mSubtitleArray[2] = "好";
mSubtitleArray[3] = "想";
mSubtitleArray[4] = "你";
mDurationArray[0] = 1500; // 以毫秒为单位
mDurationArray[1] = 300;
mDurationArray[2] = 1600;
mDurationArray[3] = 500;
mDurationArray[4] = 1000;
　　主对话框类中还使用了一个定时器，定时间隔是40毫秒，即以每秒25帧的频率刷新字幕叠加的进度。我们在开始播放（即当用户按下“Play”按钮）时记下系统时间（存储到DWORD类型的变量mStartTime中），然后在每次定时到达的时候再次读取系统时间，与mStartTime做差值运算，得到当前播放到的时间点（我们暂且称之为流时间）。在定时器消息响应函数CKaraokeDemoDlg::OnTimer中，我们会调用 CSubtitleController类的DrawSubtitle函数来完成实际的卡拉OK字幕输出，这个函数的参数就是这个流时间。
　　在CSubtitleController类中，我们看到DrawSubtitle函数的具体实现如下：
BOOL CSubtitleController::DrawSubtitle(DWORD inStreamTime)
{
ASSERT(mClientDC);
DWORD timeInChar = 0; // 相对于当前字符填充的开始时间的时间
LONG sungLength = 0; // 已经唱过的字幕宽度
// LocateChar为CSubtitleController类的一个私有函数
// 根据当前播放到的时间点，定位到当前进度中的字符，
// 并且得到播放时间点在当前字符中的相对时间
int currentChar = LocateChar(inStreamTime, timeInChar);
if (currentChar != -1) // 定位成功
{
// 计算已经唱过的字幕宽度
// mFromToArray数组记录各个字符的属性，包括开始、结束时间、尺寸等
sungLength = mFromToArray[currentChar].size.cx * timeInChar;
sungLength = sungLength / mFromToArray[currentChar].duration;
for (int i = 0; i < currentChar; i++)
{
// 累加上当前进度中的字符以前的所有字符的宽度
sungLength += mFromToArray[i].size.cx;
}
}
else
{
// 如果无法定位到任何一个字符，则画出整行
sungLength = mTotalWidth;
}
// 将字幕字体选入目标窗口的DC中
CFont * pOldFont = (CFont *) mClientDC->SelectObject(&mTextFont);
mClientDC->SetBkMode(TRANSPARENT); // 设置输出时背景透明
// 生成已经唱过的和尚未唱过的两块窗口区域
// mSungRegion和mSingingRegion均是CRgn类对象实例
mSungRegion.CreateRectRgn(mStartPoint.x, mStartPoint.y,
mStartPoint.x + sungLength, mStartPoint.y + mFromToArray[0].size.cy);
mSingingRegion.CreateRectRgn(mStartPoint.x + sungLength, mStartPoint.y,
mStartPoint.x + mTotalWidth, mStartPoint.y + mFromToArray[0].size.cy);
// 画出第一部分：已经唱过的字幕（蓝色填充，白色勾边）
int ret = mClientDC->SelectClipRgn(&mSungRegion, RGN_COPY);
mClientDC->SetPolyFillMode(WINDING);
HPEN pOldPen = (HPEN) mClientDC->SelectObject(mSungBoundaryPen);
HBRUSH pOldBrush = (HBRUSH) mClientDC->SelectObject(mSungTextBrush);
mClientDC->BeginPath();
mClientDC->TextOut(mStartPoint.x, mStartPoint.y, mSubtitleLine);
mClientDC->EndPath();
mClientDC->StrokeAndFillPath(); // 画出字符路径并填充
mClientDC->SelectClipPath(RGN_AND);
// 恢复以前的画笔和画刷
mClientDC->SelectObject(pOldPen);
mClientDC->SelectObject(pOldBrush);
// 画出第二部分：尚未唱过的字幕（黑色勾边空心字）
pOldPen = (HPEN) mClientDC->SelectObject(mSingingBoundaryPen);
pOldBrush = (HBRUSH) mClientDC->SelectObject(mSingingTextBrush);
mClientDC->SelectClipRgn(&mSingingRegion, RGN_COPY);
mClientDC->BeginPath();
mClientDC->TextOut(mStartPoint.x, mStartPoint.y, mSubtitleLine);
mClientDC->EndPath();
mClientDC->StrokePath(); // 画出字符路径（不填充）
mClientDC->SelectClipPath(RGN_AND);
// 恢复以前的画笔和画刷
mClientDC->SelectObject(pOldBrush);
mClientDC->SelectObject(pOldPen);
mSungRegion.DeleteObject();
mSingingRegion.DeleteObject();
// 恢复目标窗口为“全区域”
RECT bounds;
mTargetWnd->GetClientRect(&bounds);
CRgn rgn;
rgn.CreateRectRgn(bounds.left, bounds.top, bounds.right, bounds.bottom);
ret = mClientDC->SelectClipRgn(&rgn, RGN_COPY);
// 恢复以前的字体
mClientDC->SelectObject(pOldFont);
// 如果无法定位到任何一个字符，则返回一个错误值
return (currentChar != -1);
}
// 根据当前播放到的时间点，定位到当前进度中的字符
int CSubtitleController::LocateChar(DWORD inStreamTime, DWORD & outTimeInChar)
{
// mCharCount为整个字幕行的字符个数
for (int i = 0; i < mCharCount; i++)
{
if (inStreamTime >= mFromToArray[i].from &&
inStreamTime < mFromToArray[i].to)
{
outTimeInChar = inStreamTime - mFromToArray[i].from;
return i;
}
}
return -1;
}

　四. 性能优化

　　我们在演示中发现，频繁地直接在窗口DC中画图会带来一定的闪烁感。对此，我们可以进行一下优化，即首先创建一个与目标窗口DC兼容的内存DC，在这个内存DC中画好字幕后，再将字幕位图从内存DC拷贝到目标窗口DC中去。

　　我们可以参考CSubtitleController类的DrawSubtitle2函数的实现：

BOOL CSubtitleController::DrawSubtitle2(DWORD inStreamTime)
{
ASSERT(mClientDC);
RECT bounds;
mTargetWnd->GetClientRect(&bounds);
int wndWidth = bounds.right - bounds.left;
int wndHeight = bounds.bottom - bounds.top;
CDC memDC;
// 创建与目标窗口DC兼容的内存DC
memDC.CreateCompatibleDC(mClientDC);
// 创建与目标窗口DC兼容的位图
HBITMAP membmp = CreateCompatibleBitmap(mClientDC->GetSafeHdc(),wndWidth,wndHeight);
// 将位图选入内存DC
HBITMAP oldbmp = (HBITMAP) memDC.SelectObject(membmp);
FillRect(memDC.GetSafeHdc(), &bounds, (HBRUSH)GetStockObject(LTGRAY_BRUSH));
/*----------------- 以下字幕操作都在内存DC中进行 ----------------*/
DWORD timeInChar = 0;
LONG sungLength = 0;
int currentChar = LocateChar(inStreamTime, timeInChar);
if (currentChar != -1)
{
sungLength = mFromToArray[currentChar].size.cx * timeInChar;
sungLength = sungLength / mFromToArray[currentChar].duration;
for (int i = 0; i < currentChar; i++)
{
sungLength += mFromToArray[i].size.cx;
}
}
else
{
sungLength = mTotalWidth;
}
CFont * pOldFont = (CFont *) memDC.SelectObject(&mTextFont);
memDC.SetBkMode(TRANSPARENT);
mSungRegion.CreateRectRgn(mStartPoint.x, mStartPoint.y,
mStartPoint.x + sungLength, mStartPoint.y + mFromToArray[0].size.cy);
mSingingRegion.CreateRectRgn(mStartPoint.x + sungLength, mStartPoint.y,
mStartPoint.x + mTotalWidth, mStartPoint.y + mFromToArray[0].size.cy);
// Draw the first part which has been sung
int ret = memDC.SelectClipRgn(&mSungRegion, RGN_COPY);
memDC.SetPolyFillMode(WINDING);
HPEN pOldPen = (HPEN) memDC.SelectObject(mSungBoundaryPen);
HBRUSH pOldBrush = (HBRUSH) memDC.SelectObject(mSungTextBrush);
memDC.BeginPath();
memDC.TextOut(mStartPoint.x, mStartPoint.y, mSubtitleLine);
memDC.EndPath();
memDC.StrokeAndFillPath();
memDC.SelectClipPath(RGN_AND);
memDC.SelectObject(pOldPen);
memDC.SelectObject(pOldBrush);
// Draw the second part which is waiting for being sung
pOldPen = (HPEN) memDC.SelectObject(mSingingBoundaryPen);
pOldBrush = (HBRUSH) memDC.SelectObject(mSingingTextBrush);
memDC.SelectClipRgn(&mSingingRegion, RGN_COPY);
memDC.BeginPath();
memDC.TextOut(mStartPoint.x, mStartPoint.y, mSubtitleLine);
memDC.EndPath();
memDC.StrokePath();
memDC.SelectClipPath(RGN_AND);
memDC.SelectObject(pOldBrush);
memDC.SelectObject(pOldPen);
mSungRegion.DeleteObject();
mSingingRegion.DeleteObject();
memDC.SelectObject(pOldFont);
// 将内存DC中的位图拷贝到目标窗口DC中
mClientDC->BitBlt(0, 0, wndWidth, wndHeight, &memDC, 0, 0, SRCCOPY);
// 删除内存DC及使用的资源
memDC.SelectObject(oldbmp);
DeleteObject(membmp);
memDC.DeleteDC();
return (currentChar != -1);
}

　　五. 结束语

　　本文介绍了卡拉OK字幕叠加的一般原理以及VC上使用GDI的一种简单实现，并且提供了完整的示例源代码，希望能够对读者朋友们有所启示。