Как наложить изображение и текст на кадры MP4 в Media Foundation

· Обновлено: · · Media Foundation, C++, Разработка Windows, GDI+, Direct2D, DirectWrite, H.264

История изменений (1 обновлений, последнее 30 Aug 2026)

Журнал изменений этой статьи. Там, где версия до правки была заархивирована, она остаётся доступной для чтения по постоянной ссылке с DOI.

Русский текст переписан как полноценный технический перевод, а не калька с японского. Утверждения статьи не менялись.
Первая публикация
Цитирование статьи(DOI: 10.5281/zenodo.21619720)

Статья заархивирована на Zenodo. Ниже приведены DOI, который всегда ведёт к последней версии, и DOI, закреплённый за версией, которую вы читаете.

Го Комура (2026). Как наложить изображение и текст на кадры MP4 в Media Foundation. KomuraSoft LLC. https://doi.org/10.5281/zenodo.21619720 https://comcomponent.com/ru/blog/2026/03/16/009-media-foundation-overlay-image-text-on-mp4-frames/

DOI (последняя версия)
10.5281/zenodo.21619720
DOI (эта версия)
10.5281/zenodo.21619721

Водяной знак логотипа, результат проверки, номер оборудования, имя оператора, метка времени. Требование прожечь такую информацию во все кадры MP4 и получить новый MP4 в системах видеонаблюдения, инспекции, журналирования и аналитических интерфейсах встречается очень часто.

Но стоит начать работать с Media Foundation — и перед вами выстраиваются IMFSourceReader, IMFSample, IMFMediaBuffer, IMFTransform, IMFSinkWriter, и внезапно становится непонятно, в каком именно месте накладывать текст или PNG.

В этой статье сначала разберём общую картину — Source Reader -> отрисовка -> преобразование цвета -> Sink Writer, — а затем дадим однофайловый пример, который можно целиком вставить в консольное C++-приложение Visual Studio. Пример читает заданный MP4, на каждом кадре рисует заданное изображение и строку HelloWorld и собирает выходной MP4.

При этом пример в первую очередь рассчитан на то, чтобы его можно было вставить и сразу запустить, поэтому перекодируется только видео. Remux звука тоже можно уместить в одну программу, но тема статьи — «прожечь изображение и текст в каждый кадр», поэтому сначала держимся только её.

Как сужен этот примерПример в статье в первую очередь рассчитан на то, чтобы его можно было вставить и сразу запустить, поэтому перекодируется только видео, а remux звука откладывается на расширение после того, как основная тема — прожиг — уже проходит насквозь.Сначала — вставить и запуститьПерекодировать только видеоСфокусироваться на прожиге кадровremux звука оставить на потом

Рис. 1: Первая рабочая версия — минимальная схема, в которой проходит только тема прожига.

Код из этой статьи опубликован на GitHub полным набором примера (однофайловый .cpp и конфигурация сборки CMake).

media-foundation-overlay-image-text-on-mp4-frames - komurasoft-blog-samples (GitHub)

Для кого статья и что нужно для запуска

Текст рассчитан на разработчика среднего уровня, который начинает писать обработку видео на Windows на C++. Предполагается, что с основами COM (ComPtr, HRESULT, подсчёт ссылок) вы уже сталкивались, а Media Foundation для вас ещё новая тема.

Среда, без которой пример не соберётся, такая. Подробности и ограничения на входные данные собраны в главе 5.

Параметр Требование
ОС Windows 10 / 11
Среда разработки консольное C++-приложение Visual Studio 2022
Конфигурация сборки x64
Предкомпилированные заголовки для этого .cpp поставить «Не использовать»
Входное видео обычный MP4. Ширина и высота чётные (потому что NV12 — это 4:2:0)
Выход MP4 только с видео. Звука не будет

Термины, которые стоит знать заранее

С главы 3 в таблице появляются английские слова без пояснения. Зафиксируем их по одной строке.

Термин Смысл
remux Пересобрать контейнер, не трогая сжатые данные внутри. Без перекодирования качество картинки и звука не падает, и обработка остаётся лёгкой
topology Граф Media Foundation, который описывает, от какого компонента к какому текут данные. По сути схема, где соединены источник, преобразования и sink
custom MFT Media Foundation Transform, который пишете сами. Реализовав IMFTransform, эффект можно вставить в конвейер Media Foundation как отдельный компонент
stride Сколько байт занимает одна строка изображения в памяти. Это не всегда ширина × 4: в конце строки часто есть выравнивающий хвост

1. Коротко — вывод

  • Базовая схема, чтобы положить изображение или текст в каждый кадр MP4: декодировать через Source Reader -> наложить на несжатые кадры -> при необходимости преобразовать цвет -> перекодировать через Sink Writer.
  • Само размещение изображения или текста — не задача Media Foundation. Здесь естественнее думать в терминах API отрисовки: GDI+, Direct2D, DirectWrite, WIC.
  • Если результат нужно вернуть в MP4 (H.264), почти всегда нужен этап преобразования между удобными для рисования RGB32 / ARGB32 и удобными для кодировщика NV12 / I420 / YUY2.
  • Чтобы быстро получить первую рабочую версию, понятнее всего цепочка Source Reader -> RGB32 -> отрисовка через GDI+ -> NV12 -> Sink Writer.
  • Если важнее скорость и запас по расширению, смещайтесь к D3D11 / DXGI surface -> Direct2D / DirectWrite -> Video Processor MFT -> Sink Writer.

Карта знаний этой статьи

Статья описывает схему, в которой Media Foundation прожигает изображение и текст в каждый кадр MP4 и собирает новый MP4. Кадры декодируются в RGB32 через IMFSourceReader; в однофайловом примере GDI+ накладывает изображение и текст; поскольку H.264-кодировщик чаще всего ждёт вход семейства YUV вроде NV12, кадр преобразуют из BGRA в NV12, после чего IMFSinkWriter записывает его в MP4 как H.264. Различия stride и ориентации по вертикали снимаются через IMF2DBuffer::Lock2D и нормализуются в top-down BGRA; у ReadSample нужно проверять три вещи: HRESULT, flags и sample. Для production статья показывает поэтапное расширение: перенести преобразование цвета на Video Processor MFT, заменить отрисовку на Direct2D/DirectWrite, при необходимости переиспользования вынести логику в custom MFT; remux звука добавляют только после того, как прожиг видео уже стабильно работает.

Карта знаний: прожиг изображения и текста в MP4 (Media Foundation)Схема связей: декодирование RGB32 через IMFSourceReader и композитинг в GDI+, необходимость преобразования из семейства RGB в NV12 как входа H.264-кодировщика, запись MP4 через IMFSinkWriter, нормализация stride и ориентации top-down/bottom-up, расширение на Direct2D/DirectWrite, Video Processor MFT и custom MFT, а remux звука — как поздний шаг.используетиспользуетрекомендуется длятребуетиспользуеттребуетиспользуетнесовместимо стребуеттребуетиспользуетрекомендуется длятребуетиспользуеттребуетиспользуетможет вызватьдолжен предшествоватьрекомендуется длятребуетналожение изображения и текста на кадры видеоIMFSinkWriter (Sink Writer)IMFSourceReader (Source Reader)GDI+Direct2D / DirectWritestride (байты на строку изображения)IMF2DBuffer::Lock2Dориентация top-down / bottom-upMFVideoFormat_RGB32H.264 Video Encoder (Media Foundation)формат пикселей NV12преобразование цвета BGRA → NV12Video Processor MFTIMFSourceReader::ReadSamplenull-сэмпл ReadSampleаудио remuxcustom MFTMedia Foundation

На схеме сплошная линия обозначает отношение, которое выполняется всегда, а пунктирная — условное отношение (условия указаны в пояснении к каждому отношению на странице сведений). Полный список отношений (всего 20, с доказательствами и степенью уверенности) и определения основных понятий собраны на странице сведений карты знаний (на японском). Данные: JSON-LD / Turtle

2. Почему задача кажется чуть запутаннее, чем есть

«Вписать текст в видео» на деле смешивает четыре разные темы.

  1. Контейнер и кодек mp4 — это контейнер, а не сами кадры. Внутри обычно лежат сжатые данные H.264 или H.265.

  2. Декодирование / кодирование Пока данные сжаты, обычный 2D API отрисовки не наложит на них ни текст, ни PNG. Сначала нужно вернуться к несжатым кадрам.

  3. Отрисовка Текст, логотип, прозрачное наложение PNG, сглаженный текст — это не зона ответственности самой Media Foundation. Здесь работают GDI+ или связка Direct2D / DirectWrite / WIC.

  4. Цветовое пространство и формат пикселей Формат, в котором удобно рисовать, и формат, который предпочитает кодировщик, не совпадают. Именно здесь тихо застревают.

Если сказать одной фразой, удобнее думать не «вписать текст средствами Media Foundation», а так: «Media Foundation прогоняет кадры, API отрисовки накладывает содержимое, перед кодированием при необходимости преобразуют цвет».

Четыре темы, которые смешаны вместеТребование вписать текст в видео смешивает четыре разные темы: контейнер и кодек, декодирование и кодирование, отрисовку, цветовое пространство и формат пикселей.Вписать текст в видеоКонтейнер и кодекДекодирование и кодированиеОтрисовкаЦветовое пространство и формат пикселей

Рис. 2: Если застряли, сначала отделите, в какой из четырёх тем сейчас находитесь.

3. Сводная таблица, с которой стоит начать

Подход Схема Когда уместно На что смотреть
Сначала добиться корректной работы Source Reader -> RGB32 -> композитинг -> NV12 -> Sink Writer Пакетная обработка, внутренние инструменты, первая реализация На стороне CPU легко накапливаются копирования и преобразования
Поднять скорость D3D11 / DXGI surface -> Direct2D / DirectWrite -> Video Processor MFT -> Sink Writer Длинные ролики, высокое разрешение, массовая обработка Растёт объём управления D3D11 и DXGI
Сделать переиспользуемым компонентом Реализовать как custom MFT и вставить в topology Эффект для нескольких приложений или встройка в конвейер MF Сложнее реализация, регистрация и отладка

Пример в статье ограничен верхней строкой — схемой «сначала добиться корректной работы».

3.1 Общая картина обработки

input.mp4IMFSourceReaderНесжатый кадрRGB32GDI+ рисует изображение + HelloWorldПреобразование BGRA -> NV12IMFSinkWriteroutput.mp4Звуковые сэмплыКопировать как естьили перекодировать

Рис. 3: Source Reader достаёт кадр, GDI+ рисует, преобразование уходит в NV12, Sink Writer пишет обратно.

Здесь важно, что сама отрисовка — не задача Media Foundation. Media Foundation отвечает за подачу и вывод кадров; изображение и текст кладёт API отрисовки.

4. Как разложить конвейер

4.1 Вход принимать через IMFSourceReader

Если на входе путь к файлу, понятнее всего MFCreateSourceReaderFromURL; если видео уже лежит в памяти — собрать IMFByteStream и вызвать MFCreateSourceReaderFromByteStream.

Первое решение здесь — принимать кадры в формате, удобном для рисования, или в формате, ориентированном на кодировщик.

  • Если важнее простая реализация — RGB32 или ARGB32
  • Если важнее эффективность кодирования — YUV вроде NV12

Но композитинг текста и PNG гораздо проще мыслить в RGB, поэтому на старте проще принимать кадры как RGB32 / ARGB32.

С какого формата начинать приёмЕсли важнее простота реализации, принимают RGB32 или ARGB32; если важнее эффективность кодирования — YUV вроде NV12. Композитинг текста и PNG проще мыслить в RGB, поэтому на старте удобнее принимать семейство RGB.Простота реализацииЭффективность кодированияЧто важнееПринимать RGB32 / ARGB32Принимать YUV вроде NV12Композитинг проще мыслить в RGB

Рис. 4: Если сомневаетесь, начните с RGB — так проще рисовать.

Если включить MF_SOURCE_READER_ENABLE_VIDEO_PROCESSING, Source Reader сам сделает преобразование YUV -> RGB32 и деинтерлейсинг. На этапе «хочу просто достать кадры и начать с ними работать» это удобно, но на длинных роликах и высоком разрешении режим легко становится тяжёлым. Если в production важна скорость, схему потом стоит пересмотреть.

Плюсы и минусы ENABLE_VIDEO_PROCESSINGЕсли включить MF_SOURCE_READER_ENABLE_VIDEO_PROCESSING, Source Reader сам преобразует YUV в RGB32 и снимает чересстрочность, но на длинных роликах и высоком разрешении это легко становится тяжёлым, и в production ради скорости схему стоит пересмотреть.Включить флагПоручить преобразование YUV → RGB32Поручить и деинтерлейсингНа длинных роликах и высоком разрешении легко становится тяжело

Рис. 5: Флаг упрощает извлечение кадров, но за удобство платят скоростью.

4.2 Наложение изображения и текста — зона GDI+ или Direct2D / DirectWrite

Из IMFSample, который вернула Media Foundation, достают буфер и поверх него кладут логотип и текст.

Этот пример в первую очередь рассчитан на то, чтобы его было легко уместить в один файл, поэтому для отрисовки взят GDI+.

  • Умеет загружать изображения
  • Умеет рисовать текст
  • Дополнительной подготовки сравнительно мало
  • Легко укладывается в один .cpp консольного приложения

С другой стороны, на длинных роликах и при массовой обработке 4K больше запаса у D3D11 + Direct2D + DirectWrite. Естественный путь — начать с GDI+, а когда понадобится скорость, перейти на Direct2D / DirectWrite.

4.3 RGB32 не всегда можно сразу отдать в H.264

Это самое частое место, где всё застревает.

Когда результат возвращают в MP4 (H.264), H.264-кодировщик Microsoft чаще всего рассчитан на вход семейства YUV: I420 / IYUV / NV12 / YUY2 / YV12. То есть скомпоновать кадр в удобных для рисования RGB32 / ARGB32 и просто отдать его в IMFSinkWriter — вариант, который не гарантирован.

На практике нужно одно из двух преобразований.

  • Вставить Video Processor MFT, который делает RGB32 / ARGB32 -> NV12
  • Написать своё преобразование RGB -> NV12

Этот пример в первую очередь однофайловый, поэтому выбран второй путь — своё преобразование. В production сильный вариант — вставить Video Processor MFT, который за один проход закрывает преобразование цветового пространства, смену размера и деинтерлейсинг.

Два пути из RGB в NV12После композитинга в удобных RGB32 или ARGB32 нужно либо преобразовать кадр через Video Processor MFT, либо написать своё преобразование RGB → NV12; пример ради однофайловости выбирает своё преобразование.Композитинг в RGB законченПреобразовать через Video Processor MFTПреобразовать в NV12 самостоятельноПример выбирает однофайловостьВ production это сильный вариант

Рис. 6: Этап преобразования нужен в любом случае; выбирают только, кому его отдать.

4.4 Выход писать через IMFSinkWriter

Для вывода видео удобнее всего IMFSinkWriter.

Идея простая:

  • Тип выходного потока — формат, который нужно записать в файл Пример: MFVideoFormat_H264
  • Тип входного потока — формат, который приложение отдаёт Sink Writer Пример: MFVideoFormat_NV12

Эти два параметра задают раздельно.

С точки зрения Sink Writer это выглядит так:

  • приложение отдаёт несжатые кадры NV12
  • Sink Writer кодирует их в H.264 и пишет в MP4

— такое разделение ролей.

Как Sink Writer разделяет типы входа и выходаУ Sink Writer тип входного потока, который отдаёт приложение, задают как NV12, а тип выходного потока, который пишут в файл, — как H.264; кодирование берёт на себя Sink Writer и пишет MP4.Приложение отдаёт кадры NV12Sink WriterКодирование в H.264Запись в MP4Тип входа и тип выхода задают раздельно

Рис. 7: У Sink Writer принято раздельно задавать формат, который отдаёте, и формат, который пишется в файл.

4.5 Звук на старте удобнее держать отдельно

Очень часто нужно только добавить логотип или текст на видео, а сам звук менять не хочется.

На практике удобна такая схема:

  • видеопоток: Source Reader -> композитинг -> Sink Writer
  • звуковой поток: remux в сжатом виде, без изменений

Но этот пример сфокусирован именно на прожиге изображения и текста в кадры, поэтому на выходе MP4 только с видео. Версию с сохранением звука проще добавить позже, на этапе расширения — так общую линию проще удержать в голове.

Видео и звук рассматривают раздельноНа практике удобно гнать только видеопоток из Source Reader через композитинг в Sink Writer, а звуковой поток оставлять сжатым и делать remux; пример ради фокуса пишет только видео.ВидеопотокКомпозитинг и в Sink WriterЗвуковой потокremux в сжатом видеВ примере не обрабатывается

Рис. 8: Если менять нужно только картинку, звук не трогают и переносят вместе с контейнером.

5. Предпосылки примера и как им пользоваться

Предпосылки этого кода такие.

  • Windows 10 / 11
  • консольное C++-приложение Visual Studio 2022
  • сборка x64
  • этот файл .cpp не использует предкомпилированные заголовки
  • ширина и высота входного видео чётные
  • на входе обычный файл MP4
  • на выходе MP4 только с видео
  • изображение в формате, который умеет читать GDI+: PNG / JPEG / BMP / GIF и так далее

NV12 — это 4:2:0, поэтому ширина и высота должны быть чётными. Если условие не выполнено, пример явно завершается ошибкой.

Почему ширина и высота должны быть чётнымиNV12 использует субдискретизацию 4:2:0, поэтому ширина и высота входного видео должны быть чётными; если условие не выполнено, пример явно останавливается с ошибкой.ЧётныеЕсть нечётный размерNV12 — это 4:2:0Ширина и высота должны быть чётнымиВход чётный?Продолжить обработкуЯвно остановиться с ошибкой

Рис. 9: Лучше остановить неподходящий вход на пороге, чем молча получить испорченный результат.

5.1 Как пользоваться

  1. В Visual Studio создайте Console App
  2. Вставьте этот .cpp целиком
  3. Для этого .cpp отключите предкомпилированные заголовки — переключатель «Не использовать»
  4. Соберите под x64
  5. Запустите так
OverlayMp4.exe input.mp4 overlay.png output.mp4
  • input.mp4 исходное видео
  • overlay.png изображение, которое нужно наложить
  • output.mp4 куда сохранить результат

Строка задана в начале кода константой kOverlayText и равна HelloWorld. Положение и размер тоже меняются константами в коде. Как вынести строку в аргумент командной строки — в разделе 9.5.

5.2 Как убедиться, что результат правильный

«Завершилось без ошибки» и «прожиг получился правильно» — разные вещи. Если пройти четыре проверки по порядку, большую часть сбоев видно сразу.

  1. Посмотрите число кадров при завершении. Пример по окончании печатает Done. frames= и число записанных кадров. Если оно заметно расходится с общим числом кадров входного видео, кадры теряются где-то в цикле ReadSample
  2. Сравните базовые свойства выходного файла со входом. В Проводнике откройте выходной MP4: правый щелчок → Свойства → подробно. Там будут длительность, ширина кадра, высота кадра, частота кадров. Если длительность не совпадает со входом, смотрите обращение с timestamp (раздел 7.4)
  3. Глазами проверьте три места: начало, середину и конец. Если смотреть только первый кадр, легко пропустить исчезновение наложения где-то в середине. Надёжнее вырезать кадры в один и тот же момент из входа и выхода и положить рядом; процедура собрана в статье «Как извлечь кадр из MP4 по заданному времени с помощью Media Foundation»
  4. Проверьте, не «поехал» ли цвет. Если кожа или небо выглядят неестественно, возможно, выбор коэффициентов в BgraToNv12 (BT.601 и BT.709) не совпадает со входом

Для первого прогона лучше взять короткий MP4 на несколько секунд и PNG с чётким контуром. Если первую рабочую версию гонять на длинном ролике, на локализацию проблемы уходит слишком много времени.

Как проверить, что результат правильныйОтсутствие ошибки и корректный прожиг — разные вещи, поэтому по порядку сверяют число кадров, сравнивают базовые свойства выходного файла, смотрят начало, середину и конец и проверяют цвет.Сверить число кадров со входомСравнить длительность и размер в свойствахПросмотреть начало, середину и конецПроверить неестественность цветаЕсли цвет странный — смотреть выбор коэффициентов

Рис. 10: «Без ошибки» и «правильно» — не одно и то же, поэтому проверяют четыре стороны по порядку.

6. Однофайловый код, который вставляется в .cpp как есть

6.1 Карта кода

Сначала карта. Код длинный, но читать по делу нужно только три функции — CopySampleToTopDownBgra, DrawOverlay, BgraToNv12 — и цикл в wmain. Остальное — инициализация и разбор.

Функция / класс Роль Подробнее
ScopedMf / ScopedGdiplus MFStartup и инициализация/завершение GDI+ связаны через RAII
ConfigureSourceReader Выход Source Reader ставит в RGB32 и достаёт ширину, высоту, fps и длительность кадра по умолчанию 4.1
GetDefaultStride Из медиатипа получает stride по умолчанию 7.2
BufferLock Если есть IMF2DBuffer, блокирует его; иначе — IMFMediaBuffer 7.2
CopySampleToTopDownBgra Снимает stride и ориентацию по вертикали и нормализует кадр в top-down BGRA 7.2
DrawOverlay Рисует изображение и текст через GDI+. Это единственный «этап рисования» 4.2 / 7.1
BgraToNv12 Преобразует уже нарисованный BGRA в NV12 4.3 / 7.1
CreateNv12Sample Оборачивает буфер NV12 в IMFSample и вешает timestamp и duration 7.4
ChooseBitrate По данным входа выбирает битрейт выхода
CreateSinkWriter Задаёт выходной тип H.264 и входной тип NV12, который отдаём мы 4.4
цикл while в wmain Крутит по одному кадру, смотря HRESULT / flags / sample у ReadSample 7.3 / 7.4

Если положить это рядом с картиной обработки из главы 3, соответствие такое: CopySampleToTopDownBgra — «несжатый кадр», DrawOverlay — «отрисовка через GDI+», BgraToNv12 — «преобразование BGRA → NV12».

Три функции, которые стоит читатьВ длинном коде по делу читают CopySampleToTopDownBgra, DrawOverlay, BgraToNv12 и цикл wmain: они отвечают за нормализацию в несжатый кадр, отрисовку и преобразование в NV12.Цикл wmain гоняет по одному кадруCopySampleToTopDownBgraDrawOverlayBgraToNv12Нормализация в несжатый кадрРисует изображение и текстГотовит кадр к кодированию

Рис. 11: Остальное — инициализация и разбор; центр — эти три функции и цикл.

6.2 Код целиком

#define NOMINMAX
#include <windows.h>
#include <mfapi.h>
#include <mfidl.h>
#include <mfreadwrite.h>
#include <mferror.h>
#include <gdiplus.h>
#include <wrl/client.h>

#include <algorithm>
#include <cstdio>
#include <cstdlib>
#include <cstring>
#include <cwchar>
#include <iostream>
#include <stdexcept>
#include <string>
#include <vector>

#pragma comment(lib, "mfplat.lib")
#pragma comment(lib, "mfreadwrite.lib")
#pragma comment(lib, "mfuuid.lib")
#pragma comment(lib, "mf.lib")
#pragma comment(lib, "gdiplus.lib")

using Microsoft::WRL::ComPtr;

namespace
{
    const wchar_t* kOverlayText = L"HelloWorld";
    const float kMarginRatio = 0.03f;
    const float kImageMaxWidthRatio = 0.20f;
    const float kImageMaxHeightRatio = 0.20f;
    const float kMinFontPx = 24.0f;

    std::string HrToHex(HRESULT hr)
    {
        char buf[32]{};
        std::snprintf(buf, sizeof(buf), "0x%08X", static_cast<unsigned int>(hr));
        return std::string(buf);
    }

    void ThrowIfFailed(HRESULT hr, const char* message)
    {
        if (FAILED(hr))
        {
            throw std::runtime_error(std::string(message) + " failed. HRESULT=" + HrToHex(hr));
        }
    }

    void ThrowIfGdiplusError(Gdiplus::Status status, const char* message)
    {
        if (status != Gdiplus::Ok)
        {
            char buf[128]{};
            std::snprintf(buf, sizeof(buf), "%s failed. GDI+ status=%d", message, static_cast<int>(status));
            throw std::runtime_error(buf);
        }
    }

    BYTE ClampToByte(int value)
    {
        if (value < 0) return 0;
        if (value > 255) return 255;
        return static_cast<BYTE>(value);
    }

    class ScopedGdiplus
    {
    public:
        ScopedGdiplus()
        {
            Gdiplus::GdiplusStartupInput input;
            ThrowIfGdiplusError(Gdiplus::GdiplusStartup(&token_, &input, nullptr), "GdiplusStartup");
        }

        ~ScopedGdiplus()
        {
            if (token_ != 0)
            {
                Gdiplus::GdiplusShutdown(token_);
            }
        }

    private:
        ULONG_PTR token_ = 0;
    };

    class ScopedMf
    {
    public:
        ScopedMf()
        {
            ThrowIfFailed(CoInitializeEx(nullptr, COINIT_MULTITHREADED), "CoInitializeEx");
            comInitialized_ = true;

            ThrowIfFailed(MFStartup(MF_VERSION), "MFStartup");
            mfStarted_ = true;
        }

        ~ScopedMf()
        {
            if (mfStarted_)
            {
                MFShutdown();
            }

            if (comInitialized_)
            {
                CoUninitialize();
            }
        }

    private:
        bool comInitialized_ = false;
        bool mfStarted_ = false;
    };

    class BufferLock
    {
    public:
        explicit BufferLock(IMFMediaBuffer* buffer)
            : buffer_(buffer)
        {
            if (!buffer_)
            {
                throw std::runtime_error("BufferLock received a null buffer.");
            }

            buffer_.As(&buffer2D_);
        }

        HRESULT LockBuffer(LONG defaultStride, DWORD heightInPixels, BYTE** scanline0, LONG* actualStride)
        {
            if (scanline0 == nullptr || actualStride == nullptr)
            {
                return E_POINTER;
            }

            HRESULT hr = S_OK;

            if (buffer2D_)
            {
                hr = buffer2D_->Lock2D(scanline0, actualStride);
            }
            else
            {
                BYTE* data = nullptr;
                hr = buffer_->Lock(&data, nullptr, nullptr);
                if (SUCCEEDED(hr))
                {
                    *actualStride = defaultStride;
                    if (defaultStride < 0)
                    {
                        *scanline0 = data + (static_cast<LONG>(heightInPixels) - 1) * std::abs(defaultStride);
                    }
                    else
                    {
                        *scanline0 = data;
                    }
                }
            }

            locked_ = SUCCEEDED(hr);
            return hr;
        }

        ~BufferLock()
        {
            if (!locked_)
            {
                return;
            }

            if (buffer2D_)
            {
                buffer2D_->Unlock2D();
            }
            else
            {
                buffer_->Unlock();
            }
        }

    private:
        ComPtr<IMFMediaBuffer> buffer_;
        ComPtr<IMF2DBuffer> buffer2D_;
        bool locked_ = false;
    };

    struct VideoFormatInfo
    {
        UINT32 width = 0;
        UINT32 height = 0;
        UINT32 fpsNum = 0;
        UINT32 fpsDen = 0;
        UINT32 parNum = 1;
        UINT32 parDen = 1;
        LONG sourceStride = 0;
        LONGLONG defaultFrameDuration = 0;
        UINT32 bitrate = 0;
    };

    LONG GetDefaultStride(IMFMediaType* type)
    {
        LONG stride = 0;

        HRESULT hr = type->GetUINT32(MF_MT_DEFAULT_STRIDE, reinterpret_cast<UINT32*>(&stride));
        if (SUCCEEDED(hr))
        {
            return stride;
        }

        GUID subtype = GUID_NULL;
        UINT32 width = 0;
        UINT32 height = 0;

        ThrowIfFailed(type->GetGUID(MF_MT_SUBTYPE, &subtype), "GetGUID(MF_MT_SUBTYPE)");
        ThrowIfFailed(MFGetAttributeSize(type, MF_MT_FRAME_SIZE, &width, &height), "MFGetAttributeSize(MF_MT_FRAME_SIZE)");
        ThrowIfFailed(MFGetStrideForBitmapInfoHeader(subtype.Data1, width, &stride), "MFGetStrideForBitmapInfoHeader");
        ThrowIfFailed(type->SetUINT32(MF_MT_DEFAULT_STRIDE, static_cast<UINT32>(stride)), "SetUINT32(MF_MT_DEFAULT_STRIDE)");

        return stride;
    }

    UINT32 ChooseBitrate(IMFMediaType* nativeType, UINT32 width, UINT32 height, UINT32 fpsNum, UINT32 fpsDen)
    {
        UINT32 srcBitrate = 0;
        if (SUCCEEDED(nativeType->GetUINT32(MF_MT_AVG_BITRATE, &srcBitrate)) && srcBitrate > 0)
        {
            return srcBitrate;
        }

        const double fps = static_cast<double>(fpsNum) / static_cast<double>(fpsDen);
        double estimated = static_cast<double>(width) * static_cast<double>(height) * fps * 0.07;

        if (estimated < 1500000.0)
        {
            estimated = 1500000.0;
        }

        if (estimated > 25000000.0)
        {
            estimated = 25000000.0;
        }

        return static_cast<UINT32>(estimated);
    }

    VideoFormatInfo ConfigureSourceReader(IMFSourceReader* reader)
    {
        ThrowIfFailed(reader->SetStreamSelection(MF_SOURCE_READER_ALL_STREAMS, FALSE), "SetStreamSelection(all,false)");
        ThrowIfFailed(reader->SetStreamSelection(MF_SOURCE_READER_FIRST_VIDEO_STREAM, TRUE), "SetStreamSelection(video,true)");

        ComPtr<IMFMediaType> nativeType;
        ThrowIfFailed(reader->GetNativeMediaType(MF_SOURCE_READER_FIRST_VIDEO_STREAM, 0, &nativeType), "GetNativeMediaType(video)");

        ComPtr<IMFMediaType> requestedType;
        ThrowIfFailed(MFCreateMediaType(&requestedType), "MFCreateMediaType(video requested)");
        ThrowIfFailed(requestedType->SetGUID(MF_MT_MAJOR_TYPE, MFMediaType_Video), "SetGUID(video requested major)");
        ThrowIfFailed(requestedType->SetGUID(MF_MT_SUBTYPE, MFVideoFormat_RGB32), "SetGUID(video requested subtype RGB32)");
        ThrowIfFailed(reader->SetCurrentMediaType(MF_SOURCE_READER_FIRST_VIDEO_STREAM, nullptr, requestedType.Get()), "SetCurrentMediaType(video RGB32)");

        ComPtr<IMFMediaType> currentType;
        ThrowIfFailed(reader->GetCurrentMediaType(MF_SOURCE_READER_FIRST_VIDEO_STREAM, &currentType), "GetCurrentMediaType(video)");

        VideoFormatInfo info;
        ThrowIfFailed(MFGetAttributeSize(currentType.Get(), MF_MT_FRAME_SIZE, &info.width, &info.height), "Get video frame size");

        HRESULT hr = MFGetAttributeRatio(currentType.Get(), MF_MT_FRAME_RATE, &info.fpsNum, &info.fpsDen);
        if (FAILED(hr))
        {
            ThrowIfFailed(MFGetAttributeRatio(nativeType.Get(), MF_MT_FRAME_RATE, &info.fpsNum, &info.fpsDen), "Get video frame rate");
        }

        if (info.fpsNum == 0 || info.fpsDen == 0)
        {
            throw std::runtime_error("Video frame rate is zero.");
        }

        hr = MFGetAttributeRatio(currentType.Get(), MF_MT_PIXEL_ASPECT_RATIO, &info.parNum, &info.parDen);
        if (FAILED(hr) || info.parNum == 0 || info.parDen == 0)
        {
            info.parNum = 1;
            info.parDen = 1;
        }

        info.sourceStride = GetDefaultStride(currentType.Get());
        info.defaultFrameDuration = (10000000LL * info.fpsDen) / info.fpsNum;
        if (info.defaultFrameDuration <= 0)
        {
            throw std::runtime_error("Calculated frame duration is invalid.");
        }

        info.bitrate = ChooseBitrate(nativeType.Get(), info.width, info.height, info.fpsNum, info.fpsDen);
        return info;
    }

    ComPtr<IMFSinkWriter> CreateSinkWriter(const std::wstring& outputPath, const VideoFormatInfo& videoInfo, DWORD* streamIndex)
    {
        if (streamIndex == nullptr)
        {
            throw std::runtime_error("streamIndex is null.");
        }

        ComPtr<IMFAttributes> attributes;
        ThrowIfFailed(MFCreateAttributes(&attributes, 1), "MFCreateAttributes(sink)");
        ThrowIfFailed(attributes->SetUINT32(MF_READWRITE_ENABLE_HARDWARE_TRANSFORMS, TRUE), "SetUINT32(MF_READWRITE_ENABLE_HARDWARE_TRANSFORMS)");

        ComPtr<IMFSinkWriter> writer;
        ThrowIfFailed(MFCreateSinkWriterFromURL(outputPath.c_str(), nullptr, attributes.Get(), &writer), "MFCreateSinkWriterFromURL");

        ComPtr<IMFMediaType> outputType;
        ThrowIfFailed(MFCreateMediaType(&outputType), "MFCreateMediaType(video output)");
        ThrowIfFailed(outputType->SetGUID(MF_MT_MAJOR_TYPE, MFMediaType_Video), "SetGUID(output major)");
        ThrowIfFailed(outputType->SetGUID(MF_MT_SUBTYPE, MFVideoFormat_H264), "SetGUID(output subtype H264)");
        ThrowIfFailed(outputType->SetUINT32(MF_MT_AVG_BITRATE, videoInfo.bitrate), "SetUINT32(output bitrate)");
        ThrowIfFailed(outputType->SetUINT32(MF_MT_INTERLACE_MODE, MFVideoInterlace_Progressive), "SetUINT32(output interlace)");
        ThrowIfFailed(MFSetAttributeSize(outputType.Get(), MF_MT_FRAME_SIZE, videoInfo.width, videoInfo.height), "MFSetAttributeSize(output frame size)");
        ThrowIfFailed(MFSetAttributeRatio(outputType.Get(), MF_MT_FRAME_RATE, videoInfo.fpsNum, videoInfo.fpsDen), "MFSetAttributeRatio(output fps)");
        ThrowIfFailed(MFSetAttributeRatio(outputType.Get(), MF_MT_PIXEL_ASPECT_RATIO, videoInfo.parNum, videoInfo.parDen), "MFSetAttributeRatio(output PAR)");
        ThrowIfFailed(writer->AddStream(outputType.Get(), streamIndex), "AddStream(video)");

        ComPtr<IMFMediaType> inputType;
        ThrowIfFailed(MFCreateMediaType(&inputType), "MFCreateMediaType(video input)");
        ThrowIfFailed(inputType->SetGUID(MF_MT_MAJOR_TYPE, MFMediaType_Video), "SetGUID(input major)");
        ThrowIfFailed(inputType->SetGUID(MF_MT_SUBTYPE, MFVideoFormat_NV12), "SetGUID(input subtype NV12)");
        ThrowIfFailed(inputType->SetUINT32(MF_MT_INTERLACE_MODE, MFVideoInterlace_Progressive), "SetUINT32(input interlace)");
        ThrowIfFailed(MFSetAttributeSize(inputType.Get(), MF_MT_FRAME_SIZE, videoInfo.width, videoInfo.height), "MFSetAttributeSize(input frame size)");
        ThrowIfFailed(MFSetAttributeRatio(inputType.Get(), MF_MT_FRAME_RATE, videoInfo.fpsNum, videoInfo.fpsDen), "MFSetAttributeRatio(input fps)");
        ThrowIfFailed(MFSetAttributeRatio(inputType.Get(), MF_MT_PIXEL_ASPECT_RATIO, videoInfo.parNum, videoInfo.parDen), "MFSetAttributeRatio(input PAR)");
        ThrowIfFailed(writer->SetInputMediaType(*streamIndex, inputType.Get(), nullptr), "SetInputMediaType(video)");

        ThrowIfFailed(writer->BeginWriting(), "BeginWriting");
        return writer;
    }

    void CopySampleToTopDownBgra(IMFSample* sample, const VideoFormatInfo& videoInfo, std::vector<BYTE>& bgra)
    {
        ComPtr<IMFMediaBuffer> buffer;
        ThrowIfFailed(sample->ConvertToContiguousBuffer(&buffer), "ConvertToContiguousBuffer");

        BufferLock lock(buffer.Get());

        BYTE* scanline0 = nullptr;
        LONG actualStride = 0;
        ThrowIfFailed(lock.LockBuffer(videoInfo.sourceStride, videoInfo.height, &scanline0, &actualStride), "LockBuffer");

        const size_t dstStride = static_cast<size_t>(videoInfo.width) * 4;
        bgra.resize(dstStride * videoInfo.height);

        for (UINT32 y = 0; y < videoInfo.height; ++y)
        {
            const BYTE* srcRow = scanline0 + static_cast<LONG>(y) * actualStride;
            BYTE* dstRow = bgra.data() + static_cast<size_t>(y) * dstStride;
            std::memcpy(dstRow, srcRow, dstStride);

            for (UINT32 x = 0; x < videoInfo.width; ++x)
            {
                dstRow[static_cast<size_t>(x) * 4 + 3] = 0xFF;
            }
        }
    }

    void DrawOverlay(std::vector<BYTE>& bgra, UINT32 width, UINT32 height, Gdiplus::Image& overlayImage)
    {
        const INT stride = static_cast<INT>(width * 4);

        Gdiplus::Bitmap frameBitmap(
            static_cast<INT>(width),
            static_cast<INT>(height),
            stride,
            PixelFormat32bppPARGB,
            bgra.data());
        ThrowIfGdiplusError(frameBitmap.GetLastStatus(), "Create frame bitmap");

        Gdiplus::Graphics graphics(&frameBitmap);
        ThrowIfGdiplusError(graphics.GetLastStatus(), "Create graphics");

        graphics.SetCompositingMode(Gdiplus::CompositingModeSourceOver);
        graphics.SetCompositingQuality(Gdiplus::CompositingQualityHighQuality);
        graphics.SetInterpolationMode(Gdiplus::InterpolationModeHighQualityBicubic);
        graphics.SetSmoothingMode(Gdiplus::SmoothingModeAntiAlias);
        graphics.SetTextRenderingHint(Gdiplus::TextRenderingHintAntiAliasGridFit);

        const Gdiplus::REAL margin = std::max<Gdiplus::REAL>(16.0f, static_cast<Gdiplus::REAL>(height) * kMarginRatio);
        const Gdiplus::REAL maxImageW = static_cast<Gdiplus::REAL>(width) * kImageMaxWidthRatio;
        const Gdiplus::REAL maxImageH = static_cast<Gdiplus::REAL>(height) * kImageMaxHeightRatio;

        const Gdiplus::REAL srcW = static_cast<Gdiplus::REAL>(overlayImage.GetWidth());
        const Gdiplus::REAL srcH = static_cast<Gdiplus::REAL>(overlayImage.GetHeight());
        if (srcW <= 0.0f || srcH <= 0.0f)
        {
            throw std::runtime_error("Overlay image has invalid size.");
        }

        const Gdiplus::REAL imageScale =
            std::min<Gdiplus::REAL>(1.0f, std::min(maxImageW / srcW, maxImageH / srcH));

        const Gdiplus::REAL drawW = srcW * imageScale;
        const Gdiplus::REAL drawH = srcH * imageScale;

        Gdiplus::RectF imageRect(margin, margin, drawW, drawH);
        Gdiplus::SolidBrush imagePlate(Gdiplus::Color(96, 0, 0, 0));
        graphics.FillRectangle(
            &imagePlate,
            imageRect.X - 8.0f,
            imageRect.Y - 8.0f,
            imageRect.Width + 16.0f,
            imageRect.Height + 16.0f);

        graphics.DrawImage(&overlayImage, imageRect);

        const Gdiplus::REAL fontPx =
            std::max<Gdiplus::REAL>(kMinFontPx, static_cast<Gdiplus::REAL>(height) * 0.06f);

        Gdiplus::Font font(L"Segoe UI", fontPx, Gdiplus::FontStyleBold, Gdiplus::UnitPixel);
        ThrowIfGdiplusError(font.GetLastStatus(), "Create font");

        Gdiplus::StringFormat stringFormat;
        stringFormat.SetAlignment(Gdiplus::StringAlignmentNear);
        stringFormat.SetLineAlignment(Gdiplus::StringAlignmentNear);

        Gdiplus::RectF measureLayout(
            margin,
            static_cast<Gdiplus::REAL>(height) - margin - fontPx * 2.0f,
            static_cast<Gdiplus::REAL>(width) - margin * 2.0f,
            fontPx * 2.0f);

        Gdiplus::RectF measured;
        graphics.MeasureString(kOverlayText, -1, &font, measureLayout, &stringFormat, &measured);

        Gdiplus::RectF textBg(
            measured.X - 12.0f,
            measured.Y - 8.0f,
            measured.Width + 24.0f,
            measured.Height + 16.0f);

        Gdiplus::SolidBrush textPlate(Gdiplus::Color(128, 0, 0, 0));
        graphics.FillRectangle(&textPlate, textBg);

        Gdiplus::SolidBrush shadowBrush(Gdiplus::Color(220, 0, 0, 0));
        Gdiplus::RectF shadowLayout = measureLayout;
        shadowLayout.X += 2.0f;
        shadowLayout.Y += 2.0f;
        graphics.DrawString(kOverlayText, -1, &font, shadowLayout, &stringFormat, &shadowBrush);

        Gdiplus::SolidBrush textBrush(Gdiplus::Color(235, 255, 255, 255));
        graphics.DrawString(kOverlayText, -1, &font, measureLayout, &stringFormat, &textBrush);
    }

    void BgraToNv12(const BYTE* bgra, UINT32 width, UINT32 height, BYTE* nv12)
    {
        const bool useBt709 = (width > 1024 || height > 576);

        const int yR = useBt709 ? 47 : 66;
        const int yG = useBt709 ? 157 : 129;
        const int yB = useBt709 ? 16 : 25;

        const int uR = useBt709 ? -26 : -38;
        const int uG = useBt709 ? -87 : -74;
        const int uB = 112;

        const int vR = 112;
        const int vG = useBt709 ? -102 : -94;
        const int vB = useBt709 ? -10 : -18;

        BYTE* yPlane = nv12;
        BYTE* uvPlane = nv12 + static_cast<size_t>(width) * height;

        const size_t srcStride = static_cast<size_t>(width) * 4;

        for (UINT32 y = 0; y < height; ++y)
        {
            const BYTE* srcRow = bgra + static_cast<size_t>(y) * srcStride;
            BYTE* dstY = yPlane + static_cast<size_t>(y) * width;

            for (UINT32 x = 0; x < width; ++x)
            {
                const BYTE b = srcRow[x * 4 + 0];
                const BYTE g = srcRow[x * 4 + 1];
                const BYTE r = srcRow[x * 4 + 2];

                const int Y = ((yR * r + yG * g + yB * b + 128) >> 8) + 16;
                dstY[x] = ClampToByte(Y);
            }
        }

        for (UINT32 y = 0; y < height; y += 2)
        {
            const BYTE* row0 = bgra + static_cast<size_t>(y) * srcStride;
            const BYTE* row1 = bgra + static_cast<size_t>(y + 1) * srcStride;
            BYTE* dstUV = uvPlane + static_cast<size_t>(y / 2) * width;

            for (UINT32 x = 0; x < width; x += 2)
            {
                int b = 0;
                int g = 0;
                int r = 0;

                for (UINT32 dy = 0; dy < 2; ++dy)
                {
                    const BYTE* row = (dy == 0) ? row0 : row1;
                    for (UINT32 dx = 0; dx < 2; ++dx)
                    {
                        const UINT32 ix = x + dx;
                        b += row[ix * 4 + 0];
                        g += row[ix * 4 + 1];
                        r += row[ix * 4 + 2];
                    }
                }

                b = (b + 2) / 4;
                g = (g + 2) / 4;
                r = (r + 2) / 4;

                const int U = ((uR * r + uG * g + uB * b + 128) >> 8) + 128;
                const int V = ((vR * r + vG * g + vB * b + 128) >> 8) + 128;

                dstUV[x + 0] = ClampToByte(U);
                dstUV[x + 1] = ClampToByte(V);
            }
        }
    }

    ComPtr<IMFSample> CreateNv12Sample(
        const std::vector<BYTE>& bgra,
        const VideoFormatInfo& videoInfo,
        LONGLONG sampleTime,
        LONGLONG sampleDuration)
    {
        const DWORD bufferSize =
            static_cast<DWORD>(videoInfo.width * videoInfo.height * 3 / 2);

        ComPtr<IMFMediaBuffer> buffer;
        ThrowIfFailed(MFCreateMemoryBuffer(bufferSize, &buffer), "MFCreateMemoryBuffer");

        BYTE* dst = nullptr;
        DWORD maxLength = 0;
        DWORD currentLength = 0;
        ThrowIfFailed(buffer->Lock(&dst, &maxLength, &currentLength), "Lock(NV12 buffer)");

        try
        {
            BgraToNv12(bgra.data(), videoInfo.width, videoInfo.height, dst);
        }
        catch (...)
        {
            buffer->Unlock();
            throw;
        }

        ThrowIfFailed(buffer->Unlock(), "Unlock(NV12 buffer)");
        ThrowIfFailed(buffer->SetCurrentLength(bufferSize), "SetCurrentLength(NV12 buffer)");

        ComPtr<IMFSample> sample;
        ThrowIfFailed(MFCreateSample(&sample), "MFCreateSample");
        ThrowIfFailed(sample->AddBuffer(buffer.Get()), "AddBuffer(output sample)");
        ThrowIfFailed(sample->SetSampleTime(sampleTime), "SetSampleTime");
        ThrowIfFailed(sample->SetSampleDuration(sampleDuration), "SetSampleDuration");

        return sample;
    }
}

int wmain(int argc, wchar_t* argv[])
{
    if (argc != 4)
    {
        std::wcerr << L"Usage: OverlayMp4.exe <input.mp4> <overlayImage.png> <output.mp4>" << std::endl;
        return 1;
    }

    const std::wstring inputPath = argv[1];
    const std::wstring imagePath = argv[2];
    const std::wstring outputPath = argv[3];

    try
    {
        if (_wcsicmp(inputPath.c_str(), outputPath.c_str()) == 0)
        {
            throw std::runtime_error("Input and output paths must be different.");
        }

        ScopedMf mf;
        ScopedGdiplus gdiplus;

        ComPtr<IMFAttributes> readerAttributes;
        ThrowIfFailed(MFCreateAttributes(&readerAttributes, 1), "MFCreateAttributes(reader)");
        ThrowIfFailed(
            readerAttributes->SetUINT32(MF_SOURCE_READER_ENABLE_VIDEO_PROCESSING, TRUE),
            "SetUINT32(MF_SOURCE_READER_ENABLE_VIDEO_PROCESSING)");

        ComPtr<IMFSourceReader> reader;
        ThrowIfFailed(
            MFCreateSourceReaderFromURL(inputPath.c_str(), readerAttributes.Get(), &reader),
            "MFCreateSourceReaderFromURL");

        VideoFormatInfo videoInfo = ConfigureSourceReader(reader.Get());

        if ((videoInfo.width % 2) != 0 || (videoInfo.height % 2) != 0)
        {
            throw std::runtime_error(
                "This sample requires even video width and height because NV12 is 4:2:0.");
        }

        Gdiplus::Image overlayImage(imagePath.c_str());
        ThrowIfGdiplusError(overlayImage.GetLastStatus(), "Load overlay image");

        DWORD videoStreamIndex = 0;
        ComPtr<IMFSinkWriter> writer =
            CreateSinkWriter(outputPath, videoInfo, &videoStreamIndex);

        std::vector<BYTE> bgra;
        LONGLONG firstTimestamp = -1;
        unsigned long long frameCount = 0;

        while (true)
        {
            DWORD flags = 0;
            LONGLONG timestamp = 0;
            ComPtr<IMFSample> inputSample;

            ThrowIfFailed(
                reader->ReadSample(
                    MF_SOURCE_READER_FIRST_VIDEO_STREAM,
                    0,
                    nullptr,
                    &flags,
                    &timestamp,
                    &inputSample),
                "ReadSample(video)");

            if ((flags & MF_SOURCE_READERF_CURRENTMEDIATYPECHANGED) != 0)
            {
                throw std::runtime_error("Dynamic video format change is not supported in this sample.");
            }

            if ((flags & MF_SOURCE_READERF_NATIVEMEDIATYPECHANGED) != 0)
            {
                throw std::runtime_error("Native video format change is not supported in this sample.");
            }

            if ((flags & MF_SOURCE_READERF_STREAMTICK) != 0)
            {
                if (firstTimestamp < 0)
                {
                    firstTimestamp = timestamp;
                }

                ThrowIfFailed(
                    writer->SendStreamTick(videoStreamIndex, timestamp - firstTimestamp),
                    "SendStreamTick");
            }

            if (inputSample)
            {
                if (firstTimestamp < 0)
                {
                    firstTimestamp = timestamp;
                }

                LONGLONG duration = 0;
                if (FAILED(inputSample->GetSampleDuration(&duration)) || duration <= 0)
                {
                    duration = videoInfo.defaultFrameDuration;
                }

                CopySampleToTopDownBgra(inputSample.Get(), videoInfo, bgra);
                DrawOverlay(bgra, videoInfo.width, videoInfo.height, overlayImage);

                ComPtr<IMFSample> outputSample =
                    CreateNv12Sample(bgra, videoInfo, timestamp - firstTimestamp, duration);

                ThrowIfFailed(
                    writer->WriteSample(videoStreamIndex, outputSample.Get()),
                    "WriteSample(video)");

                ++frameCount;
            }

            if ((flags & MF_SOURCE_READERF_ENDOFSTREAM) != 0)
            {
                break;
            }
        }

        ThrowIfFailed(writer->Finalize(), "Finalize");

        std::wcout
            << L"Done. frames=" << frameCount
            << L", output=" << outputPath
            << std::endl;

        return 0;
    }
    catch (const std::exception& ex)
    {
        std::cerr << ex.what() << std::endl;
        return 1;
    }
}

7. На что смотреть, читая эту реализацию

7.1 Формат, удобный для рисования, и формат, удобный для кодировщика, — разные вещи

В этом примере поток такой:

  • выход Source Reader: RGB32
  • отрисовка: GDI+
  • вход Sink Writer: NV12

Причина простая: текст и PNG удобнее класть в RGB, а в H.264-кодировщик удобнее отдавать NV12.

Читая реализацию, проще следить за кодом, если мысленно разделить его на «этап рисования» и «этап подготовки к кодированию».

7.2 Stride и ориентацию по вертикали нормализуют до отрисовки

Кадры видео в памяти не обязаны лежать так, как выглядят на экране.

  • stride может не совпадать с width * 4
  • кадр может быть перевёрнут сверху вниз
  • IMF2DBuffer и IMFMediaBuffer обрабатываются чуть по-разному

Поэтому этот код сначала нормализует кадр в буфер BGRA с порядком строк top-down и только потом рисует. Если свести этот разнобой к одному виду заранее, код отрисовки получается заметно прямее.

Зачем нормализовать до рисованияРасхождения вроде stride, который не равен ширине × 4, перевёрнутой ориентации и разного обращения с IMF2DBuffer и IMFMediaBuffer сначала снимают нормализацией в top-down BGRA и только потом рисуют.stride может не совпастьНормализация в top-down BGRAКадр бывает перевёрнутТип буфера меняет обращениеКод отрисовки становится прямым

Рис. 12: Если разнобой в памяти снять в одном месте, стороне рисования ничего знать не нужно.

7.3 У ReadSample смотрят не только HRESULT, но и flags вместе с sample

ReadSample может вернуть S_OK, а sample == nullptr. Типичные случаи:

  • MF_SOURCE_READERF_STREAMTICK
  • MF_SOURCE_READERF_ENDOFSTREAM
  • прочие потоковые события

Поэтому в цикле нужно смотреть сразу три значения: HRESULT, flags и inputSample. Если пропустить STREAMTICK или ENDOFSTREAM, дальнейшая обработка временной шкалы легко разъезжается.

Три точки, которые смотрят у ReadSampleReadSample может вернуть S_OK при sample равном nullptr; типичны потоковые события вроде STREAMTICK и ENDOFSTREAM, поэтому в цикле проверяют HRESULT, flags и sample вместе.ReadSample вернулсяПроверить HRESULTПроверить flagsПроверить, есть ли sampleS_OK не гарантирует ненулевой указатель

Рис. 13: Один код возврата ничего не решает — кадр обрабатывают как набор из трёх проверок.

7.4 Timestamp и duration безопаснее наследовать со входа

Метка времени задаётся в единицах по 100 нс. Duration при этом нужно отдельно брать из IMFSample.

Надёжнее по возможности наследовать timestamp / duration входного sample, чем каждый раз прибавлять константу из расчёта на фиксированный fps. В этом примере значение по умолчанию, посчитанное из fps, используется только когда duration получить не удалось.

Как обращаются с timestamp и durationВместо того чтобы прибавлять константу из расчёта на фиксированный fps, timestamp и duration по возможности наследуют из входного sample, а к значению по умолчанию из fps падают только если duration получить не удалось.ДаНетВзять из входного sampleduration удалось получить?Наследовать как естьВзять значение по умолчанию из fpsНадёжнее, чем прибавлять константу

Рис. 14: Время не изобретают — его наследуют со входа.

7.5 GDI+ легко внедрить, но на длинных роликах и высоком разрешении есть следующий этап

GDI+ отлично подходит для однофайлового примера, но на длинных роликах и при массовой обработке 4K связка D3D11 + Direct2D + DirectWrite часто оказывается выгоднее.

  • сначала прогнать весь конвейер на GDI+
  • затем при необходимости заменить на Direct2D / DirectWrite
  • преобразование цвета увести в Video Processor MFT или на GPU

Такое поэтапное движение позволяет расширять решение, не ломая схему.

Как поэтапно менять API отрисовкиСначала весь конвейер прогоняют на GDI+, при необходимости заменяют на Direct2D и DirectWrite, а преобразование цвета уводят в Video Processor MFT или на GPU — так схему не ломают.Сначала прогнать всё на GDI+При необходимости заменить на Direct2DПреобразование цвета — на MFT или GPUДлинные ролики и массовый 4K — следующий этап

Рис. 15: Начинают с того, что проще внедрить, и по мере нужды в производительности заменяют по частям.

7.6 Этот пример сфокусирован только на видео

Если в ту же статью напихать ещё и полноценную работу со звуком, основная мысль легко расплывается. Поэтому пример держит фокус на прожиге изображения и текста в кадры видео, а на выходе получается MP4 только с видео.

На практике его логично вырастить до схемы:

  • видео: Source Reader -> композитинг -> Sink Writer
  • звук: remux в сжатом виде, без изменений

8. Если «переданные видеоданные» — не файл, а байты MP4 в памяти

Этот код вызывает MFCreateSourceReaderFromURL, поэтому на входе путь к файлу.

Но если требование звучит как «нужно сделать то же самое с байтами mp4, которые пришли по API», сама логика не меняется. Меняется только точка входа.

  • подготовить IStream или собственный поток
  • отдать его в Source Reader как IMFByteStream
  • дальше всё то же: RGB32 -> отрисовка -> NV12 -> Sink Writer

Иначе говоря, суть не в том, как хранятся видеоданные, а в том, как рисовать поверх каждого декодированного кадра.

Если вход — байтовый массив, меняется только входЕсли вход — путь к файлу, вызывают MFCreateSourceReaderFromURL; если это байты MP4 в памяти, готовят IMFByteStream и отдают его Source Reader; дальше цепочка RGB32 → отрисовка → NV12 → Sink Writer та же.Путь к файлуSource ReaderБайтовый массив в памятиОбернуть в IMFByteStreamДальше поток тот же

Рис. 16: Способ хранения данных может измениться — меняется только один входной шаг.

9. Как расти до production

9.1 Добавить remux звука

Самое практичное первое расширение — оставить звук как есть. Если перекодировать только видео, а звук записать обратно в том же сжатом формате, требование закрывается без заметного роста объёма реализации.

Sink Writer явно поддерживает связку сжатый вход того же формата, что и выход, именно как remux без перекодирования. Добавляют три места.

  1. Принять звуковой поток сжатым. Включают его через reader->SetStreamSelection(MF_SOURCE_READER_FIRST_AUDIO_STREAM, TRUE) и тип, полученный из GetNativeMediaType, как есть передают в SetCurrentMediaType. Если декодировать не хотите, на стороне Source Reader принято указывать native-тип
  2. На Sink Writer тот же тип ставят и на вход, и на выход. В writer->AddStream(audioType.Get(), &audioStreamIndex) и writer->SetInputMediaType(audioStreamIndex, audioType.Get(), nullptr) передают один и тот же медиатип
  3. Ось timestamp сделать общей с видео. firstTimestamp, который код в 6.2 уже использует для видео, так же вычитают и у звуковых сэмплов. Если завести две разные оси, звук разъедется с картинкой

Вызов ReadSample тоже меняют: сейчас читается только видео, а нужно перейти на MF_SOURCE_READER_ANY_STREAM и разводить потоки по индексу, который возвращает вызов.

Sink Writer сам не делает ресемплинг звука и не меняет размер кадра или частоту кадров видео, если этого не даёт кодировщик. Если sink MP4 не принимает входной формат звука, нужен не remux, а перекодирование.

Три места, которые добавляют для remux звукаЧтобы оставить звук как есть, звуковой поток принимают сжатым, на Sink Writer тот же тип ставят и на вход, и на выход, и ось timestamp делают общей с видео.Принять звук сжатымТот же тип на вход и на выходОбщая ось timestamp с видеоРазные оси — звук разъедется

Рис. 17: Remux добавляется в трёх местах, но общую ось времени забывать нельзя.

9.2 Вставить Video Processor MFT

Этот пример ради однофайловости сам преобразует BGRA -> NV12, но в production схема с Video Processor MFT тоже очень сильный вариант.

С Video Processor MFT проще закрыть за один раз:

  • преобразование цветового пространства
  • смену размера
  • деинтерлейсинг
  • преобразование частоты кадров

9.3 Заменить GDI+ на Direct2D / DirectWrite

Для наложений вроде логотипа, субтитров или метки времени GDI+ во многих случаях достаточно, но если ужимать производительность, выгоднее Direct2D / DirectWrite.

Особенно если есть такие условия, как

  • высокое разрешение
  • большая длительность
  • большой объём роликов
  • планы со временем уйти на GPU-путь

— тогда в поле зрения попадает схема на D3D11 / DXGI surface.

9.4 Custom MFT имеет смысл, когда нужен «видеоэффект, который будут переиспользовать»

В Media Foundation эффект можно реализовать как IMFTransform. Поэтому если одно и то же наложение нужно в нескольких приложениях или pipeline, custom MFT — аккуратный выбор.

Но для первой рабочей версии стоит помнить, что:

  • нужно удовлетворить контракт IMFTransform
  • растёт объём управления входными и выходными медиатипами
  • сложнее регистрация и отладка

Поэтому на практике чаще проще сначала добиться корректной работы на связке Source Reader + композитинг + Sink Writer и вынести MFT, только когда в этом реально появится нужда.

Когда рассматривать custom MFTСначала добиваются корректной работы на Source Reader, композитинге и Sink Writer; в custom MFT выносят, когда то же наложение начинают переиспользовать в нескольких приложениях или конвейерах.В нескольких приложенияхХватает одной программыСначала добиться корректной работыНужно переиспользовать?Вынести в custom MFTОставить текущую схемуСложнее реализация, регистрация и отладка

Рис. 18: Вынос в компонент выглядит аккуратно, но не опоздаете, если сделаете его по факту нужды.

9.5 Вынести строку в аргумент и научиться рисовать японский текст

В примере строка зафиксирована в kOverlayText как HelloWorld. Если прожигать номер оборудования или имя оператора, первым делом хочется сделать её аргументом. Для японского текста нужно ещё сменить шрифт.

Меняют четыре места.

1. В безымянном namespace добавляют имя шрифта. Существующий kOverlayText оставляют значением по умолчанию.

    const wchar_t* kOverlayText = L"HelloWorld";          // уже есть; значение по умолчанию, если аргумент не передан
    const wchar_t* kFontFamilyName = L"Yu Gothic UI";     // гарнитура, в которой есть японские глифы
    const wchar_t* kFallbackFontFamilyName = L"Segoe UI"; // если верхней нет в системе

2. В DrawOverlay добавляют строку, которую нужно нарисовать.

    void DrawOverlay(
        std::vector<BYTE>& bgra,
        UINT32 width,
        UINT32 height,
        Gdiplus::Image& overlayImage,
        const std::wstring& overlayText)      // добавлено

3. Внутри DrawOverlay меняют создание шрифта и то, откуда берётся строка. Строку Gdiplus::Font font(L"Segoe UI", ...) заменяют на следующее.

        // Если указанной гарнитуры нет, падаем на гарнитуру по умолчанию
        Gdiplus::FontFamily preferred(kFontFamilyName);
        Gdiplus::FontFamily fallback(kFallbackFontFamilyName);
        const Gdiplus::FontFamily& family = preferred.IsAvailable() ? preferred : fallback;
        if (!family.IsAvailable())
        {
            throw std::runtime_error("Neither the preferred nor the fallback font family is installed.");
        }

        Gdiplus::Font font(&family, fontPx, Gdiplus::FontStyleBold, Gdiplus::UnitPixel);
        ThrowIfGdiplusError(font.GetLastStatus(), "Create font");

После этого все вхождения kOverlayText, которые уходят в MeasureString и в два вызова DrawString, заменяют на overlayText.c_str(). Если поправить не все три места, в тени останется старая строка.

4. В wmain принимают аргумент и передают его в DrawOverlay.

    if (argc < 4 || argc > 5)
    {
        std::wcerr
            << L"Usage: OverlayMp4.exe <input.mp4> <overlayImage.png> <output.mp4> [text]"
            << std::endl;
        return 1;
    }

    const std::wstring inputPath = argv[1];
    const std::wstring imagePath = argv[2];
    const std::wstring outputPath = argv[3];
    const std::wstring overlayText = (argc == 5) ? std::wstring(argv[4]) : std::wstring(kOverlayText);

А вызов внутри цикла меняют так.

                DrawOverlay(bgra, videoInfo.width, videoInfo.height, overlayImage, overlayText);

Для японского текста есть два момента.

  • Если японские литералы пишете прямо в .cpp, сохраняйте исходник как UTF-8 with BOM или собирайте MSVC с /utf-8. Иначе получите кракозябры. Если строка приходит аргументом командной строки, wmain принимает её как UTF-16, и этой проблемы нет
  • Гарнитура в системе может отсутствовать. Как в коде выше, всегда готовьте запасной вариант. Если при отсутствии шрифта молча подставится другая гарнитура, причину съехавшей вёрстки потом трудно найти
Что менять, чтобы рисовать японский текстЧтобы вынести строку в аргумент и рисовать японский текст, добавляют константы имён шрифтов, аргумент в DrawOverlay, создание шрифта с запасным вариантом и приём аргумента в wmain; отдельно следят за кракозябрами и отсутствующим шрифтом.Добавить константы имён шрифтовДобавить аргумент в DrawOverlayСоздавать шрифт с запасным вариантомПринять аргумент в wmain и передатьОтсутствующий шрифт — на запасной

Рис. 19: Меняют четыре места; чаще всего подводят подготовка шрифта и кодировка.

10. Итоги

Когда нужно прожечь изображение или текст во все кадры MP4 средствами Media Foundation, картина становится яснее, если разложить задачу на четыре части.

  • достать: IMFSourceReader
  • нарисовать: GDI+ или Direct2D / DirectWrite
  • привести к виду, который кодировщик принимает охотнее: NV12 и подобные
  • записать обратно: IMFSinkWriter

А если нужен именно «пример, который целиком вставляется в один .cpp и сразу работает», схема вроде той, что использована здесь,

Source Reader -> RGB32 -> изображение + HelloWorld через GDI+ -> BGRA to NV12 -> Sink Writer

получается довольно прямой.

Дальше, доращивая до production, меньше ломается такая последовательность.

  1. Добавить remux звука
  2. Заменить GDI+ на Direct2D / DirectWrite
  3. Увести преобразование в NV12 в Video Processor MFT или на GPU
  4. Для длинных роликов и высокого разрешения перейти на схему на D3D11 surface
  5. Если нужно переиспользование — вынести в custom MFT

Если попытаться сделать всё сразу, разом навалятся COM, stride, цветовые пространства и управление поверхностями. И в проектировании, и в отладке гораздо проще сначала прогнать решение по этапам, а усиливать только те части, которым это действительно нужно.

Порядок, в котором доращивают до productionМеньше ломается такой порядок: добавить remux звука, заменить GDI+ на Direct2D и DirectWrite, увести преобразование NV12 в Video Processor MFT или на GPU, для длинных роликов и высокого разрешения перейти на D3D11 surface и при необходимости вынести в custom MFT.Добавить remux звукаЗаменить отрисовку на Direct2DПреобразование — на MFT или GPUПерейти на D3D11 surfaceПри необходимости вынести в custom MFT

Рис. 20: Не собирайте всё сразу — усиливайте по одному этапу в этом порядке.

11. Связанные статьи

12. Источники

Недавние статьи с теми же тегами помогут подробнее изучить близкие темы.

Эти страницы показывают тему статьи в более широком контексте услуг и решений.

Статья напрямую связана со следующими услугами.

Частые вопросы

Вопросы, которые часто возникают при консультациях по теме статьи.

Каков базовый порядок, чтобы прожечь изображение или текст в каждый кадр MP4 средствами Media Foundation?
Базовая схема такая: «декодировать через Source Reader → наложить на несжатые кадры → при необходимости преобразовать цвет → перекодировать через Sink Writer». Само размещение изображения или текста — не задача Media Foundation, а задача API отрисовки вроде GDI+, Direct2D/DirectWrite или WIC. Для первой рабочей версии понятнее всего цепочка Source Reader → RGB32 → отрисовка через GDI+ → NV12 → Sink Writer; если важнее скорость и запас по расширению, имеет смысл смещаться к D3D11/DXGI surface и Direct2D/DirectWrite.
Можно ли отдать кадры RGB32 в H.264-кодировщик как есть?
Не факт. H.264-кодировщик Microsoft чаще всего рассчитан на вход семейства YUV — I420/IYUV/NV12/YUY2/YV12, поэтому после композитинга в удобных для рисования RGB32/ARGB32 почти всегда нужен этап преобразования. Либо вставляют Video Processor MFT и гонят RGB32 → NV12, либо пишут своё преобразование RGB → NV12. Кроме того, NV12 — это 4:2:0, поэтому ширина и высота кадра должны быть чётными.
Для отрисовки наложения лучше взять GDI+ или Direct2D?
В первой реализации GDI+ удобнее для однофайлового примера: загрузка изображений и рисование текста почти не требуют подготовки. На длинных роликах, в 4K и при массовой обработке связка D3D11 + Direct2D + DirectWrite часто выигрывает по производительности. Практичный путь — сначала прогнать весь конвейер на GDI+, а на этапе оптимизации скорости заменить отрисовку на Direct2D/DirectWrite и увести преобразование цвета в Video Processor MFT или на GPU: так схема не ломается и её проще расширять.
На что смотреть, когда вызываете IMFSourceReader::ReadSample?
ReadSample может вернуть S_OK, а sample при этом будет nullptr. Типичные случаи — потоковые события вроде MF_SOURCE_READERF_STREAMTICK и MF_SOURCE_READERF_ENDOFSTREAM. Поэтому в цикле проверяют сразу три вещи: HRESULT, flags и sample. Метка времени идёт в единицах по 100 нс; duration надёжнее наследовать из входного sample (timestamp и duration), чем каждый раз прибавлять константу из расчёта на фиксированный fps.

Об авторе

Страница с профилем автора статьи.

Го Комура

Представитель KomuraSoft LLC

Специализируется на разработке программного обеспечения для Windows, техническом консалтинге и расследовании сбоев, особенно в проектах с унаследованными системами и трудно воспроизводимыми ошибками.

Публичные ссылки

Вернуться в блог