H.262/MPEG-2 Parte 2

Una cámara HDTV con muestreo de 8 bits genera un flujo de vídeo sin comprimir de 25  ×  1920  ×  1080  ×  3  =  155.520.000 bytes por segundo para  un vídeo de 25 fotogramas por segundo (utilizando el formato de muestreo 4:4:4 ). Este flujo de datos debe comprimirse para que la televisión digital se ajuste al ancho de banda de los canales de televisión disponibles y para que las películas quepan en DVD. La compresión de vídeo es práctica porque los datos de las imágenes suelen ser redundantes en el espacio y el tiempo. Por ejemplo, el cielo puede ser azul en la parte superior de una imagen y ese cielo azul puede persistir fotograma tras fotograma. Además, debido al funcionamiento del ojo humano, es posible eliminar o aproximar algunos datos de las imágenes de vídeo con poca o ninguna degradación perceptible de la calidad de la imagen.

Un truco común (y antiguo) para reducir la cantidad de datos es separar cada "fotograma" completo de vídeo en dos "campos" durante la transmisión/codificación: el "campo superior", que son las líneas horizontales impares, y el "campo inferior", que son las líneas pares. Durante la recepción/decodificación, los dos campos se muestran alternativamente, con las líneas de un campo intercalándose entre las líneas del campo anterior; este formato se llama vídeo entrelazado . La velocidad de campo típica es de 50 (Europa/PAL) o 59,94 (EE. UU./NTSC) campos por segundo, lo que corresponde a 25 (Europa/PAL) o 29,97 (Norteamérica/NTSC) fotogramas completos por segundo. Si el vídeo no está entrelazado, se denomina vídeo de escaneo progresivo y cada imagen es un fotograma completo. MPEG-2 admite ambas opciones.

La televisión digital requiere que estas imágenes se digitalicen para que puedan ser procesadas por el hardware de la computadora. Cada elemento de imagen (un píxel ) se representa mediante un valor de luminancia y dos valores de crominancia . Estos describen el brillo y el color del píxel (véase YCbCr ). Por lo tanto, cada imagen digitalizada se representa inicialmente mediante tres matrices rectangulares de números.

Otra práctica común para reducir la cantidad de datos a procesar es submuestrear los dos planos de croma (después de aplicar un filtro de paso bajo para evitar el aliasing ). Esto funciona porque el sistema visual humano resuelve mejor los detalles de brillo que los detalles de tono y saturación de los colores. El término 4:2:2 se usa para video con el croma submuestreado en una proporción de 2:1 horizontalmente, y 4:2:0 se usa para video con el croma submuestreado en una proporción de 2:1 tanto vertical como horizontalmente. El video que tiene luminancia y croma a la misma resolución se llama 4:4:4 . El documento MPEG-2 Video considera los tres tipos de muestreo, aunque 4:2:0 es, con mucho, el más común para video de consumo, y no hay "perfiles" definidos de MPEG-2 para video 4:4:4 (ver más abajo para una discusión más detallada sobre los perfiles).

Si bien la siguiente sección describe en general la compresión de video MPEG-2, existen muchos detalles que no se abordan, como los relacionados con los campos, los formatos de crominancia, las respuestas a los cambios de escena, los códigos especiales que identifican las partes del flujo de bits y otra información. Aparte de las funciones para el manejo de campos en la codificación entrelazada, el video MPEG-2 es muy similar al video MPEG-1 (e incluso bastante similar al estándar anterior H.261 ), por lo que toda la descripción que sigue se aplica igualmente bien a MPEG-1.

MPEG-2 incluye tres tipos básicos de fotogramas codificados: fotogramas codificados intra ( fotogramas I ), fotogramas codificados predictivamente ( fotogramas P ) y fotogramas codificados predictivamente bidireccionalmente ( fotogramas B ).

Un fotograma I es una versión comprimida por separado de un único fotograma sin comprimir (en bruto). La codificación de un fotograma I aprovecha la redundancia espacial y la incapacidad del ojo para detectar ciertos cambios en la imagen. A diferencia de los fotogramas P y B, los fotogramas I no dependen de los datos de los fotogramas anteriores o posteriores, por lo que su codificación es muy similar a la de una fotografía fija (aproximadamente similar a la codificación de imágenes JPEG ). En resumen, el fotograma en bruto se divide en bloques de 8 píxeles por 8 píxeles. Los datos de cada bloque se transforman mediante la transformada discreta del coseno (DCT). El resultado es una matriz de 8×8 de coeficientes con valores numéricos reales . La transformada convierte las variaciones espaciales en variaciones de frecuencia, pero no altera la información del bloque; si la transformada se calcula con precisión perfecta, el bloque original se puede recrear exactamente aplicando la transformada inversa del coseno (también con precisión perfecta). La conversión de enteros de 8 bits a coeficientes de transformación de valor real aumenta la cantidad de datos utilizados en esta etapa del procesamiento, pero la ventaja de la transformación es que los datos de la imagen se pueden aproximar cuantificando los coeficientes. Muchos de los coeficientes de transformación, generalmente los componentes de mayor frecuencia, serán cero después de la cuantificación, que es básicamente una operación de redondeo. La desventaja de este paso es la pérdida de algunas distinciones sutiles en brillo y color. La cuantificación puede ser gruesa o fina, según lo seleccione el codificador. Si la cuantificación no es demasiado gruesa y se aplica la transformada inversa a la matriz después de cuantificarla, se obtiene una imagen muy similar a la original, pero no exactamente igual. A continuación, la matriz de coeficientes cuantificada se comprime. Normalmente, una esquina de la matriz de coeficientes de 8×8 contiene solo ceros después de aplicar la cuantificación. Al comenzar en la esquina opuesta de la matriz, recorrerla en zigzag para combinar los coeficientes en una cadena, sustituir los ceros consecutivos en dicha cadena por códigos de longitud variable y aplicar la codificación Huffman al resultado, se reduce la matriz a una menor cantidad de datos. Estos datos codificados mediante entropía son los que se transmiten o se graban en DVD. En el receptor o reproductor, todo el proceso se invierte, lo que permite al receptor reconstruir, con una aproximación cercana, el fotograma original.

El procesamiento de los fotogramas B es similar al de los fotogramas P, con la diferencia de que los fotogramas B utilizan tanto la imagen de un fotograma de referencia posterior como la de un fotograma de referencia anterior. Por lo general, los fotogramas B ofrecen mayor compresión que los fotogramas P. En el vídeo MPEG-2, los fotogramas B nunca son fotogramas de referencia.

Normalmente, cada 15 fotogramas, aproximadamente, se convierte en un fotograma I. Los fotogramas P y B pueden seguir a un fotograma I de esta forma, IBBPBBPBBPBB(I), para formar un Grupo de Imágenes (GOP) ; sin embargo, el estándar es flexible al respecto. El codificador selecciona qué imágenes se codifican como fotogramas I, P y B.

Los fotogramas P proporcionan mayor compresión que los fotogramas I porque aprovechan los datos de un fotograma I o P anterior (un fotograma de referencia) . Para generar un fotograma P, se reconstruye el fotograma de referencia anterior, al igual que en un receptor de TV o un reproductor de DVD. El fotograma que se está comprimiendo se divide en macrobloques de 16 píxeles por 16 píxeles . Luego, para cada uno de esos macrobloques, se busca en el fotograma de referencia reconstruido un área de 16 por 16 que coincida estrechamente con el contenido del macrobloque que se está comprimiendo. El desplazamiento se codifica como un "vector de movimiento". Con frecuencia, el desplazamiento es cero, pero si algo en la imagen se mueve, el desplazamiento podría ser algo como 23 píxeles a la derecha y 4 píxeles y medio hacia arriba. En MPEG-1 y MPEG-2, los valores del vector de movimiento pueden representar desplazamientos enteros o semi-enteros. La coincidencia entre las dos regiones a menudo no será perfecta. Para corregir esto, el codificador toma la diferencia de todos los píxeles correspondientes de las dos regiones y, sobre esa diferencia de macrobloque, calcula la DCT y las cadenas de valores de coeficientes para las cuatro áreas de 8×8 en el macrobloque de 16×16, como se describió anteriormente. Este "residuo" se agrega al vector de movimiento y el resultado se envía al receptor o se almacena en el DVD para cada macrobloque que se comprime. A veces no se encuentra una coincidencia adecuada. Entonces, el macrobloque se trata como un macrobloque de fotograma I.