MPEG-1

Las siguientes corporaciones presentaron declaraciones ante la ISO afirmando que poseían patentes para el formato de vídeo MPEG-1 (ISO/IEC-11172-2), aunque todas esas patentes ya han expirado. ^{[ 46 ]}

• BBC
• Daimler Benz AG
• fujitsu
• IBM
• Matsushita Electric Industrial Co., Ltd.
• Mitsubishi Electric
• Comité ejecutivo nacional
• NHK
• Philips
• Corporación Pionera
• Qualcomm
• Ricoh
• Sony
• Instrumentos Texas
• Thomson Multimedia
• Impresión Toppan
• Toshiba
• Compañía Victor de Japón

• Los flujos elementales (ES) son los flujos de bits sin procesar de los datos de audio y vídeo codificados en MPEG-1 (salida de un codificador). Estos archivos se pueden distribuir de forma independiente, como ocurre con los archivos MP3.
• Los flujos elementales empaquetados (PES) son flujos elementales empaquetados en paquetes de longitud variable, es decir, ES divididos en fragmentos independientes donde se agregó una suma de verificación de redundancia cíclica (CRC) a cada paquete para la detección de errores.
• La referencia del reloj del sistema (SCR) es un valor de temporización almacenado en una cabecera de 33 bits de cada PES, con una frecuencia/precisión de 90  kHz, y una extensión adicional de 9 bits que almacena datos de temporización adicionales con una precisión de 27  MHz. ^{[ 49 ] [ 50 ]} Estos valores son insertados por el codificador, derivados del reloj del sistema (STC). Sin embargo, las secuencias de audio y vídeo codificadas simultáneamente no tendrán valores SCR idénticos debido al almacenamiento en búfer, la codificación, la fluctuación y otros retrasos.

Los flujos de programa (PS) se encargan de combinar múltiples flujos elementales empaquetados (normalmente un solo flujo de audio y vídeo) en un único flujo, garantizando la entrega simultánea y manteniendo la sincronización. La estructura del PS se conoce como multiplex o formato de contenedor .

Las marcas de tiempo de presentación (PTS) existen en PS para corregir la inevitable disparidad entre los valores SCR de audio y video (corrección de base de tiempo).  Los valores PTS de 90 kHz en el encabezado PS le indican al decodificador qué valores SCR de video coinciden con qué valores SCR de audio. ^{[ 49 ]} PTS determina cuándo mostrar una parte de un programa MPEG, y también es utilizado por el decodificador para determinar cuándo se pueden descartar datos del búfer . ^{[ 51 ]} El decodificador retrasará el video o el audio hasta que llegue el segmento correspondiente del otro y pueda decodificarse.

El manejo de PTS puede ser problemático. Los decodificadores deben aceptar múltiples flujos de programa concatenados (unidos secuencialmente). Esto provoca que los valores de PTS en la parte central del video se restablezcan a cero y luego comiencen a incrementarse nuevamente. Estas discrepancias en el desbordamiento de PTS pueden causar problemas de sincronización que el decodificador debe manejar de manera especial.

Además, se requieren marcas de tiempo de decodificación (DTS) debido a los fotogramas B. Con fotogramas B en el flujo de video, los fotogramas adyacentes deben codificarse y decodificarse fuera de orden (fotogramas reordenados). DTS es bastante similar a PTS, pero en lugar de solo manejar fotogramas secuenciales, contiene las marcas de tiempo adecuadas para indicarle al decodificador cuándo decodificar y mostrar el siguiente fotograma B (los tipos de fotogramas se explican más adelante), antes de su fotograma de anclaje (P o I). Sin fotogramas B en el video, los valores de PTS y DTS son idénticos. ^{[ 52 ]}

Para generar el PS, el multiplexor intercalará los flujos elementales empaquetados (dos o más). Esto se hace para que los paquetes de los flujos simultáneos se puedan transmitir por el mismo canal y se garantice que ambos lleguen al decodificador exactamente al mismo tiempo. Este es un caso de multiplexación por división de tiempo .

Determinar cuántos datos de cada flujo deben estar en cada segmento entrelazado (el tamaño del entrelazado) es complejo, pero un requisito importante. Un entrelazado incorrecto dará lugar a desbordamientos o subdesbordamientos del búfer, ya que el receptor recibe más de un flujo del que puede almacenar (por ejemplo, audio), antes de obtener suficientes datos para decodificar el otro flujo simultáneo (por ejemplo, vídeo). El verificador de almacenamiento en búfer de vídeo MPEG (VBV) ayuda a determinar si un PS multiplexado puede ser decodificado por un dispositivo con una tasa de transferencia de datos y un tamaño de búfer especificados. ^{[ 53 ]} Esto proporciona información al multiplexor y al codificador, para que puedan cambiar el tamaño del multiplexado o ajustar las tasas de bits según sea necesario para el cumplimiento.

Antes de codificar el vídeo a MPEG-1, el espacio de color se transforma a Y′CbCr (Y′=Luma, Cb=Azul cromático, Cr=Rojo cromático). La luminancia (brillo, resolución) se almacena por separado de la crominancia (color, tono, fase) y se divide aún más en componentes rojo y azul.

La croma también se submuestrea a 4:2:0 , lo que significa que se reduce a la mitad de la resolución vertical y a la mitad de la resolución horizontal, es decir, a solo una cuarta parte del número de muestras utilizadas para el componente de luminancia del vídeo. ^{[ 2 ]} Este uso de mayor resolución para algunos componentes de color es similar en concepto al filtro de patrón Bayer que se utiliza comúnmente para el sensor de captura de imagen en las cámaras digitales en color. Debido a que el ojo humano es mucho más sensible a pequeños cambios en el brillo (el componente Y) que en el color (los componentes Cr y Cb), el submuestreo de croma es una forma muy eficaz de reducir la cantidad de datos de vídeo que necesitan comprimirse. Sin embargo, en vídeos con detalles finos (alta complejidad espacial ) esto puede manifestarse como artefactos de aliasing de croma. En comparación con otros artefactos de compresión digital , este problema parece ser muy raramente una fuente de molestia. Debido al submuestreo, el vídeo Y′CbCr 4:2:0 se almacena normalmente utilizando dimensiones pares ( divisibles por 2 horizontal y verticalmente).

El color Y′CbCr se suele denominar informalmente YUV para simplificar la notación, aunque este término se aplica más propiamente a un formato de color algo diferente. Del mismo modo, los términos luminancia y crominancia se utilizan a menudo en lugar de los términos (más precisos) luma y croma.

MPEG-1 admite resoluciones de hasta 4095×4095 (12 bits) y velocidades de bits de hasta 100  Mbit/s. ^{[ 16 ]}

Los vídeos MPEG-1 suelen utilizar resoluciones SIF ( Source Input Format ) de 352×240, 352×288 o 320×240. Estas resoluciones relativamente bajas, junto con una tasa de bits inferior a 1,5  Mbit/s, conforman lo que se conoce como flujo de bits de parámetros restringidos (CPB), posteriormente denominado perfil de "bajo nivel" (LL) en MPEG-2. Estas son las especificaciones mínimas de vídeo que cualquier decodificador debe poder manejar para ser considerado compatible con MPEG-1 . Esta configuración se seleccionó para lograr un buen equilibrio entre calidad y rendimiento, permitiendo el uso de hardware relativamente económico de la época. ^{[ 3 ] [ 16 ]}

MPEG-1 tiene varios tipos de fotogramas/imágenes que cumplen diferentes propósitos. El más importante, aunque el más simple, es el fotograma I.

MPEG-1 opera el vídeo en una serie de bloques de 8×8 para la cuantificación. Sin embargo, para reducir la tasa de bits necesaria para los vectores de movimiento y debido a que la croma (color) se submuestrea por un factor de 4, cada par de bloques de croma (rojo y azul) corresponde a 4 bloques de luminancia diferentes. Es decir, para 4 bloques de luminancia de tamaño 8x8, hay un bloque Cb de 8x8 y un bloque Cr de 8x8. Este conjunto de 6 bloques, con una resolución de imagen de 16×16, se procesa conjuntamente y se denomina macrobloque .

Todos estos bloques de 8x8 se someten de forma independiente a la transformada discreta del coseno (DCT) y a la cuantización.

Un macrobloque es la unidad independiente más pequeña de vídeo (en color). Los vectores de movimiento (véase más abajo) operan exclusivamente a nivel de macrobloque.

Si la altura o el ancho del vídeo no son múltiplos exactos de 16, es necesario codificar y decodificar filas y columnas completas de macrobloques para rellenar la imagen (aunque los píxeles decodificados adicionales no se muestran).

Para reducir la redundancia temporal en un vídeo, solo se actualizan los bloques que cambian (hasta el tamaño máximo del GOP). Esto se conoce como reposición condicional. Sin embargo, por sí solo no es muy eficaz. El movimiento de los objetos o de la cámara puede provocar que se actualicen grandes porciones del fotograma, aunque solo haya cambiado la posición de los objetos previamente codificados. Mediante la estimación de movimiento, el codificador puede compensar este movimiento y eliminar una gran cantidad de información redundante.

El codificador compara el fotograma actual con las partes adyacentes del vídeo del fotograma de referencia (fotograma I o P anterior) en un patrón de diamante, hasta un límite de radio predefinido (específico del codificador) desde el área del macrobloque actual. Si se encuentra una coincidencia, solo es necesario codificar la dirección y la distancia (es decir, el vector de movimiento ) desde el área de vídeo anterior hasta el macrobloque actual en el fotograma intermedio (fotograma P o B). El proceso inverso, realizado por el decodificador para reconstruir la imagen, se denomina compensación de movimiento .

Sin embargo, un macrobloque predicho rara vez coincide perfectamente con la imagen actual. La diferencia entre el área de coincidencia estimada y el fotograma/macrobloque real se denomina error de predicción. Cuanto mayor sea el error de predicción, más datos adicionales deberán codificarse en el fotograma. Para una compresión de vídeo eficiente, es fundamental que el codificador sea capaz de realizar una estimación de movimiento eficaz y precisa.

Los vectores de movimiento registran la distancia entre dos áreas en pantalla según el número de píxeles (también llamados pels). El vídeo MPEG-1 utiliza una precisión de vector de movimiento (MV) de medio píxel, o half-pel. Cuanto mayor sea la precisión de los MV, mayor será la exactitud de la coincidencia y más eficiente la compresión. Sin embargo, una mayor precisión conlleva ciertas desventajas. Una mayor precisión de los MV implica el uso de una mayor cantidad de datos para representarlos, ya que se deben almacenar números más grandes en el fotograma para cada MV; una mayor complejidad de codificación, dado que se requieren niveles crecientes de interpolación en el macrobloque tanto para el codificador como para el decodificador; y rendimientos decrecientes (ganancias mínimas) con MV de mayor precisión. La precisión half-pel se eligió como la solución ideal en ese momento. (Véase: qpel )

Dado que es probable que los macrobloques vecinos tengan vectores de movimiento muy similares, esta información redundante se puede comprimir de forma bastante eficaz almacenándola codificada en DPCM . Solo es necesario almacenar en el flujo de bits final la (menor) diferencia entre los vectores de movimiento de cada macrobloque.

Los fotogramas P tienen un vector de movimiento por macrobloque, en relación con el fotograma de anclaje anterior. Los fotogramas B, sin embargo, pueden usar dos vectores de movimiento; uno del fotograma de anclaje anterior y otro del fotograma de anclaje futuro. ^{[ 55 ]}

Los macrobloques parciales y los bordes/barras negras codificados en el vídeo que no coinciden exactamente con el límite de un macrobloque causan problemas en la predicción del movimiento. La información de relleno/borde del bloque impide que el macrobloque se ajuste con precisión a cualquier otra área del vídeo, por lo que se debe codificar información de error de predicción significativamente mayor para cada uno de los numerosos macrobloques parciales a lo largo del borde de la pantalla. La codificación DCT y la cuantización (véase más abajo) tampoco son tan eficaces cuando existe un alto contraste de imagen en un bloque.

Un problema aún más grave se presenta con los macrobloques que contienen ruido de borde aleatorio y significativo , donde la imagen transiciona a negro (generalmente). Todos los problemas mencionados anteriormente también se aplican al ruido de borde. Además, la aleatoriedad añadida resulta prácticamente imposible de comprimir de forma significativa. Todos estos efectos reducen sustancialmente la calidad (o aumentan la tasa de bits) del vídeo.

Cada bloque de 8×8 se codifica aplicando primero una transformada discreta del coseno directa (FDCT) y luego un proceso de cuantificación. El proceso FDCT (en sí mismo) es teóricamente sin pérdidas y puede revertirse aplicando una transformada discreta del coseno inversa ( IDCT ) para reproducir los valores originales (en ausencia de errores de cuantificación y redondeo). En la práctica, se introducen algunos errores de redondeo (a veces considerables) tanto por la cuantificación en el codificador (como se describe en la siguiente sección) como por el error de aproximación de la IDCT en el decodificador. La precisión mínima permitida para la aproximación de la IDCT del decodificador está definida por la norma ISO/IEC 23002-1. (Antes de 2006, estaba especificada por la norma IEEE 1180-1990 ).

El proceso FDCT convierte el bloque de 8×8 píxeles sin comprimir (valores de brillo o diferencia de color) en una matriz indexada de 8×8 con coeficientes de frecuencia . Uno de estos coeficientes es el "coeficiente de CC" (con una varianza estadísticamente alta), que representa el valor promedio de todo el bloque de 8×8. Los otros 63 coeficientes son los "coeficientes de CA", estadísticamente menores, cuyos valores positivos o negativos representan desviaciones sinusoidales respecto al valor del bloque plano representado por el coeficiente de CC.

Ejemplo de un bloque FDCT codificado de 8×8:

${\displaystyle {\begin{bmatrix}-415&-30&-61&27&56&-20&-2&0\\4&-22&-61&10&13&-7&-9&5\\-47&7&77&-25&-29&10&5&-6\\-49&12&34&-15&-10&6&2&2\\12&-7&-13&-4&-2&2&-3&3\\-8&3&2&-6&-2&1&4&2\\-1&0&0&-2&-1&-3&4&-1\\0&0&-1&-4&-1&0&1&2\end{bmatrix}}}$

Dado que el valor del coeficiente de CC está estadísticamente correlacionado entre bloques, se comprime mediante codificación DPCM . Solo la pequeña diferencia entre cada valor de CC y el valor del coeficiente de CC del bloque a su izquierda debe representarse en el flujo de bits final.

Además, la conversión de frecuencia que se realiza al aplicar la DCT proporciona una función de decorrelación estadística para concentrar eficientemente la señal en un menor número de valores de alta amplitud antes de aplicar la cuantización (véase más abajo).

La cuantización es, esencialmente, el proceso de reducir la precisión de una señal, dividiéndola por un tamaño de paso mayor y redondeándola a un valor entero (es decir, encontrar el múltiplo más cercano y descartar el resto).

El cuantificador a nivel de fotograma es un número entre 0 y 31 (aunque los codificadores suelen omitir o deshabilitar algunos de los valores extremos) que determina cuánta información se eliminará de un fotograma determinado. El cuantificador a nivel de fotograma suele ser seleccionado dinámicamente por el codificador para mantener una tasa de bits específica definida por el usuario, o (con mucha menos frecuencia) especificado directamente por el usuario.

Una "matriz de cuantificación" es una secuencia de 64 números (del 0 al 255) que indica al codificador la importancia relativa de cada elemento de información visual. Cada número de la matriz corresponde a un componente de frecuencia específico de la imagen de vídeo.

Ejemplo de matriz de cuantización:

${\displaystyle {\begin{bmatrix}16&11&10&16&24&40&51&61\\12&12&14&19&26&58&60&55\\14&13&16&24&40&57&69&56\\14&17&22&29&51&87&80&62\\18&22&37&56&68&109&103&77\\24&35&55&64&81&104&113&92\\49&64&78&87&103&121&120&101\\72&92&95&98&112&100&103&99\end{bmatrix}}}$

La cuantización se realiza tomando cada uno de los 64 valores de frecuencia del bloque DCT, dividiéndolos por el cuantizador a nivel de fotograma y luego por sus valores correspondientes en la matriz de cuantización. Finalmente, el resultado se redondea hacia abajo. Esto reduce significativamente, o elimina por completo, la información en algunos componentes de frecuencia de la imagen. Por lo general, la información de alta frecuencia es menos importante visualmente, por lo que las altas frecuencias se cuantizan mucho más (se reducen drásticamente). MPEG-1 utiliza dos matrices de cuantización separadas, una para bloques internos (bloques I) y otra para bloques externos (bloques P y B), de modo que la cuantización de diferentes tipos de bloques se puede realizar de forma independiente y, por lo tanto, más eficaz. ^{[ 3 ]}

Este proceso de cuantización suele reducir a cero un número significativo de coeficientes de CA (lo que se conoce como datos dispersos ), que luego pueden comprimirse de forma más eficiente mediante codificación entrópica (compresión sin pérdidas) en el siguiente paso.

Un ejemplo de bloque DCT cuantificado:

${\displaystyle {\begin{bmatrix}-26&-3&-6&2&2&-1&0&0\\0&-2&-4&1&1&0&0&0\\-3&1&5&-1&-1&0&0&0\\-4&1&2&-1&0&0&0&0\\1&0&0&0&0&0&0&0&0\\0&0&0&0&0&0&0&0&0\\0&0&0&0&0&0&0&0\\0&0&0&0&0&0&0&0\end{bmatrix}}}$

La cuantización elimina una gran cantidad de datos y es el principal paso de procesamiento con pérdida en la codificación de video MPEG-1. También es la principal causa de la mayoría de los artefactos de compresión de video MPEG-1 , como el efecto de bloques , bandas de color , ruido , anillos , decoloración , etc. Esto ocurre cuando el video se codifica con una tasa de bits insuficiente, lo que obliga al codificador a utilizar cuantizadores de alto nivel de fotograma ( cuantización fuerte ) en gran parte del video.

Varios pasos en la codificación de video MPEG-1 son sin pérdida, lo que significa que se revertirán al decodificar para producir exactamente los mismos valores (originales). Dado que estos pasos de compresión de datos sin pérdida no agregan ruido ni modifican el contenido (a diferencia de la cuantización), a veces se le denomina codificación sin ruido . ^{[ 47 ]} Dado que la compresión sin pérdida busca eliminar la mayor cantidad de redundancia posible, se conoce como codificación entrópica en el campo de la teoría de la información .

Los coeficientes de los bloques DCT cuantificados tienden a cero hacia la esquina inferior derecha. La máxima compresión se puede lograr mediante un escaneo en zigzag del bloque DCT, comenzando desde la esquina superior izquierda y utilizando técnicas de codificación de longitud variable.

Los coeficientes de CC y los vectores de movimiento están codificados en DPCM .

La codificación de longitud variable (RLE, por sus siglas en inglés) es un método sencillo para comprimir la repetición. Una cadena de caracteres, independientemente de su longitud, puede reemplazarse con unos pocos bytes que indiquen el valor que se repite y cuántas veces. Por ejemplo, si alguien dijera "cinco nueves", sabríamos que se refiere al número 99999.

RLE resulta especialmente eficaz tras la cuantización, ya que un número significativo de coeficientes AC ahora son cero (lo que se denomina datos dispersos ) y pueden representarse con tan solo un par de bytes. Esta información se almacena en una tabla Huffman bidimensional especial que codifica la longitud de la secuencia y el carácter de fin de secuencia.

La codificación Huffman es un método de codificación entrópica muy popular y relativamente sencillo, utilizado en vídeo MPEG-1 para reducir el tamaño de los datos. Estos se analizan para encontrar secuencias que se repiten con frecuencia. Dichas secuencias se almacenan en una tabla especial, asignando a los datos que se repiten con mayor frecuencia el código más corto. Esto permite mantener los datos lo más pequeños posible con este tipo de compresión. ^{[ 47 ]} Una vez construida la tabla, estas secuencias se reemplazan por sus códigos (mucho más cortos), que hacen referencia a la entrada correspondiente en la tabla. El decodificador simplemente invierte este proceso para generar los datos originales.

Este es el paso final del proceso de codificación de vídeo, por lo que el resultado de la codificación Huffman se conoce como el "flujo de bits" de vídeo MPEG-1.

Los fotogramas I almacenan información completa del fotograma dentro del mismo y, por lo tanto, son adecuados para el acceso aleatorio. Los fotogramas P proporcionan compresión utilizando vectores de movimiento relativos al fotograma anterior (I o P). Los fotogramas B proporcionan la máxima compresión, pero requieren tanto el fotograma anterior como el siguiente para el cálculo. Por lo tanto, el procesamiento de fotogramas B requiere más búfer en el lado decodificado. Una configuración del Grupo de Imágenes (GOP) debe seleccionarse en función de estos factores. Las secuencias de solo fotogramas I proporcionan la menor compresión, pero son útiles para el acceso aleatorio, el avance rápido/retroceso rápido y la edición. Las secuencias de fotogramas I y P proporcionan una compresión moderada, pero añaden cierto grado de acceso aleatorio y funcionalidad de avance rápido/retroceso rápido. Las secuencias de fotogramas I, P y B proporcionan una compresión muy alta, pero también aumentan significativamente el retardo de codificación/decodificación. Por lo tanto, dichas configuraciones no son adecuadas para aplicaciones de videotelefonía o videoconferencia.

La tasa de datos típica de un fotograma I es de 1 bit por píxel, mientras que la de un fotograma P es de 0,1 bits por píxel y la de un fotograma B es de 0,015 bits por píxel. ^{[ 56 ]}

MPEG-1 Audio Layer I es una versión simplificada de MPEG-1 Audio Layer II. ^{[ 18 ]} Layer I utiliza un tamaño de trama más pequeño de 384 muestras para una latencia muy baja y una resolución más fina. ^{[ 26 ]} Esto es ventajoso para aplicaciones como teleconferencias, edición de estudio, etc. Tiene una complejidad menor que Layer II para facilitar la codificación en tiempo real en el hardware disponible alrededor de 1990. ^{[ 47 ]}

La capa I tuvo una adopción limitada en su época, y en particular se usó en el extinto casete digital compacto de Philips a una tasa de bits de 384 kbit/s. ^{[ 2 ]} Con las mejoras sustanciales en el rendimiento del procesamiento digital desde su introducción, la capa I rápidamente se volvió innecesaria y obsoleta. 

Los archivos de audio de la capa I suelen usar la extensión ".mp1" o, a veces, ".m1a".

MPEG-1 Audio Layer II (la primera versión de MP2, a menudo llamada informalmente MUSICAM) ^{[ 57 ]} es un formato de audio con pérdida  diseñado para proporcionar alta calidad a unos 192 kbit/s para sonido estéreo. ^{[ 59 ]} La decodificación de audio MP2 es computacionalmente simple en comparación con MP3, AAC , etc.

Detalles técnicos

MP2 es un codificador en el dominio del tiempo. Utiliza un banco de filtros polifásicos de 32 subbandas de baja latencia para el mapeo tiempo-frecuencia; con rangos superpuestos (es decir, polifásicos) para evitar el aliasing. ^{[ 61 ]} El modelo psicoacústico se basa en los principios de enmascaramiento auditivo , efectos de enmascaramiento simultáneo y el umbral absoluto de audición (ATH). El tamaño de un cuadro de la Capa II está fijo en 1152 muestras (coeficientes).

El dominio del tiempo se refiere a cómo se realiza el análisis y la cuantificación en muestras o fragmentos cortos y discretos de la forma de onda de audio. Esto ofrece una baja latencia, ya que solo se analiza un número reducido de muestras antes de la codificación, a diferencia de la codificación en el dominio de la frecuencia (como MP3), que debe analizar muchas más muestras antes de poder transformar y generar el audio codificado. Además, ofrece un mejor rendimiento en impulsos complejos, aleatorios y transitorios (como instrumentos de percusión y aplausos), evitando artefactos como el pre-eco.

El banco de filtros de 32 subbandas devuelve 32 coeficientes de amplitud , uno para cada banda/segmento de frecuencia de igual tamaño del audio, que tiene un ancho aproximado de 700 Hz (dependiendo de la frecuencia de muestreo del audio). El codificador utiliza entonces el modelo psicoacústico para determinar qué subbandas contienen información de audio menos importante y, por lo tanto, dónde la cuantización será inaudible, o al menos mucho menos perceptible. ^{[ 47 ]} 

El modelo psicoacústico se aplica mediante una transformada rápida de Fourier (FFT) de 1024 puntos . De las 1152 muestras por trama, se ignoran 64 muestras en los extremos superior e inferior del rango de frecuencia para este análisis. Se presume que no son lo suficientemente significativas como para cambiar el resultado. El modelo psicoacústico utiliza un modelo de enmascaramiento determinado empíricamente para determinar qué subbandas contribuyen más al umbral de enmascaramiento y cuánto ruido de cuantización puede contener cada una sin ser percibido. Cualquier sonido por debajo del umbral absoluto de audición (ATH) se descarta por completo. Los bits disponibles se asignan a cada subbanda en consecuencia. ^{[ 57 ] [ 61 ]}

Por lo general, las subbandas son menos importantes si contienen sonidos más suaves (coeficiente menor) que una subbanda vecina (es decir, de frecuencia similar) con sonidos más fuertes (coeficiente mayor). Además, los componentes de "ruido" suelen tener un efecto de enmascaramiento más significativo que los componentes "tonales". ^{[ 60 ]}

La cuantización reduce la precisión de las subbandas menos significativas. Esto implica básicamente comprimir el rango de frecuencias (amplitud del coeficiente), es decir, aumentar el nivel de ruido. Luego se calcula un factor de amplificación que el decodificador utiliza para reexpandir cada subbanda al rango de frecuencias adecuado. ^{[ 62 ] [ 63 ]}

La capa II también puede utilizar opcionalmente la codificación estéreo de intensidad , una forma de estéreo conjunto. Esto significa que las frecuencias superiores a 6  kHz de ambos canales se combinan/mezclan en un único canal (mono), pero la información del "canal lateral" sobre la intensidad relativa (volumen, amplitud) de cada canal se conserva y se codifica en el flujo de bits por separado. Durante la reproducción, el único canal se reproduce a través de los altavoces izquierdo y derecho, con la información de intensidad aplicada a cada canal para dar la ilusión de sonido estéreo. ^{[ 47 ] [ 60 ]} Este truco perceptivo se conoce como "irrelevancia estéreo". Esto puede permitir una mayor reducción de la tasa de bits de audio sin mucha pérdida perceptible de fidelidad, pero generalmente no se utiliza con tasas de bits más altas, ya que no proporciona un audio de muy alta calidad (transparente). ^{[ 47 ] [ 61 ] [ 64 ] [ 65 ]}

MPEG-1 Audio Layer III (la primera versión de MP3 ) es un formato de audio con pérdida diseñado para proporcionar una calidad aceptable de aproximadamente 64 kbit/s para audio monofónico a través de enlaces ISDN  de un solo canal ( BRI ) , y de 128 kbit/s para sonido estéreo. 

Historia/ASPECTO

La capa III de audio MPEG-1 se derivó del códec ASPEC ( Adaptive Spectral Perceptual Entropy Coding ), desarrollado por Fraunhofer como parte de la iniciativa paneuropea intergubernamental de investigación y desarrollo EUREKA 147 para el desarrollo de la radiodifusión de audio digital. ASPEC se adaptó para ajustarse al modelo de la capa II (tamaño de trama, banco de filtros, FFT, etc.), convirtiéndose así en la capa III. ^{[ 18 ]}

ASPEC se basó a su vez en Multiple adaptive Spectral audio Coding (MSC) de EF Schroeder , Optimum Coding in the Frequency domain (OCF), la tesis doctoral de Karlheinz Brandenburg en la Universidad de Erlangen-Nuremberg , Perceptual Transform Coding (PXFM) de JD Johnston en AT&T Bell Labs , y Transform coding of audio signals de Y. Mahieux y J. Petit en Institut für Rundfunktechnik (IRT/CNET). ^{[ 72 ]}

El estándar MPEG-2 incluye varias extensiones de MPEG-1 Audio. ^{[ 61 ]} Estas se conocen como MPEG-2 BC – retrocompatible con MPEG-1 Audio. ^{[ 74 ] [ 75 ] [ 76 ] [ 77 ]} MPEG-2 Audio está definido en ISO/IEC 13818-3.

• MPEG Multichannel – Sonido envolvente de 5.1 canales compatible con versiones anteriores . ^{[ 25 ]}
• Frecuencias de muestreo : 16000, 22050 y 24000  Hz
• Tasas de bits : 8, 16, 24, 32, 40, 48, 56, 64, 80, 96, 112, 128, 144 y 160  kbit/s

Estas frecuencias de muestreo son exactamente la mitad de las definidas originalmente para MPEG-1 Audio. Se introdujeron para mantener una mayor calidad de sonido al codificar audio a tasas de bits más bajas. ^{[ 25 ]} Las tasas de bits aún más bajas se introdujeron porque las pruebas demostraron que MPEG-1 Audio podía proporcionar una mayor calidad que cualquier códec de audio existente ( c. 1994 ) de tasa de bits muy baja (es decir, voz ). ^{[ 78 ]}