MPEG-1 - MPEG-1

MPEG-1 je Standard pro ztrátový komprese video a Zvuk. Je navržen pro kompresi VHS - kvalitní surové digitální video a zvuk CD až na přibližně 1,5 Mbit / s (kompresní poměr 26: 1, respektive 6: 1)^[1] bez nadměrné ztráty kvality video CD, digitální kabel /satelit TV a digitální audio vysílání (DAB) možné.^[2][3]

MPEG-1 se dnes stal nejrozšířenějším ztrátovým audio / video formátem na světě a používá se v mnoha produktech a technologiích. Snad nejznámější součástí standardu MPEG-1 je první verze MP3 zvukový formát, který zavedl.

Standard MPEG-1 je publikován jako ISO /IEC 11172 - Informační technologie — kódování pohyblivých obrázků a přidruženého zvuku pro digitální paměťová média rychlostí až přibližně 1,5 Mbit / s.
Standard se skládá z následujících pěti Díly:^{[4][5][6][7][8]}

1. Systémy (ukládání a synchronizace videa, zvuku a dalších dat dohromady)
2. Video (komprimovaný videoobsah)
3. Zvuk (komprimovaný zvukový obsah)
4. Testování shody (testování správnosti implementace normy)
5. Referenční software (příklad softwaru, který ukazuje, jak kódovat a dekódovat podle normy)

Dějiny

Předchůdcem MPEG-1 pro kódování videa byl H.261 standard produkovaný CCITT (nyní známý jako ITU-T ). Základní architektura zavedená v H.261 byla pohybově kompenzováno DCT hybridní struktura kódování videa.^[9][10] Využívá to makrobloky velikosti 16 × 16 s blokovou základnou odhad pohybu v kodéru a kompenzace pohybu pomocí zvoleného kodéru pohybové vektory v dekodéru se zbytkovým rozdílovým kódováním pomocí a diskrétní kosinová transformace (DCT) o velikosti 8 × 8, skalární kvantování a kódy s proměnnou délkou (například Huffmanovy kódy ) pro entropické kódování.^[11] H.261 byl prvním praktickým standardem kódování videa a všechny jeho popsané konstrukční prvky byly také použity v MPEG-1.^[12]

Na základě úspěšného přístupu založeného na spolupráci a kompresních technologií vyvinutých Společná skupina fotografických odborníků a CCITT skupina odborníků na telefonování (tvůrci JPEG standard komprese obrazu a standard H.261 pro video konference ) Skupina odborníků na pohyblivý obraz (MPEG) pracovní skupina byla zřízena v lednu 1988 z iniciativy Hiroši Yasuda (Nippon telegraf a telefon ) a Leonardo Chiariglione (CSELT ).^[13] MPEG byl vytvořen s cílem řešit potřebu Standard video a audio formáty a stavět na H.261 pro získání lepší kvality pomocí poněkud složitějších metod kódování (např. podpora vyšší přesnosti pohybových vektorů).^[2][14][15]

Vývoj standardu MPEG-1 byl zahájen v květnu 1988. Jednotlivé společnosti a instituce předložily ke zhodnocení čtrnáct návrhů videa a čtrnácti zvukových kodeků. Kodeky byly důkladně testovány výpočetní složitost a subjektivní (vnímaná člověkem) kvalita při rychlostech dat 1,5 Mbit / s. Tento specifický datový tok byl zvolen pro přenos přes T-1 /E-1 řádků a jako přibližná rychlost přenosu dat audio CD.^[16] Kodeky, které v tomto testování vynikly, byly použity jako základ pro standard a dále vylepšeny, přičemž do procesu byly začleněny další funkce a další vylepšení.^[17]

Po 20 setkáních celé skupiny v různých městech po celém světě a 4½ letech vývoje a testování byl konečný standard (pro části 1–3) schválen počátkem listopadu 1992 a publikován o několik měsíců později.^[18] Uváděné datum dokončení standardu MPEG-1 se velmi liší: v září 1990 byl vytvořen převážně kompletní návrh standardu a od tohoto okamžiku byly zavedeny pouze drobné změny.^[2] Návrh normy byl veřejně k dispozici ke koupi.^[19] Standard byl dokončen 6. listopadu 1992.^[20] V listopadu 1992 vyvinula Berkeley Plateau Multimedia Research Group dekodér MPEG-1.^[21] V červenci 1990, ještě než byl napsán první návrh standardu MPEG-1, byly zahájeny práce na druhém standardu, MPEG-2,^[22] zamýšlel rozšířit technologii MPEG-1 tak, aby poskytoval video v plné kvalitě ve vysílání (podle CCIR 601 ) při vysokých bitrate (3–15 Mbit / s) a podpora pro prokládaný video.^[23] Kvůli podobnosti mezi těmito dvěma kodeky standard MPEG-2 zahrnuje plnou zpětnou kompatibilitu s videem MPEG-1, takže jakýkoli dekodér MPEG-2 může přehrávat videa MPEG-1.^[24]

Je pozoruhodné, že standard MPEG-1 velmi přísně definuje bitový proud a dekodér, ale nedefinuje, jak má být kódování MPEG-1 prováděno, ačkoli referenční implementace je uvedena v ISO / IEC-11172-5.^[1] To znamená, že MPEG-1 účinnost kódování se může drasticky lišit v závislosti na použitém kodéru a obecně znamená, že novější kodéry fungují výrazně lépe než jejich předchůdci.^[25] První tři části (systémy, video a zvuk) normy ISO / IEC 11172 byly publikovány v srpnu 1993.^[26]

Patenty

Vzhledem ke svému věku již MPEG-1 není chráněn žádnými základními patenty a lze jej tedy používat bez získání licence nebo placení poplatků.^{[33][34][35][36][37]} Databáze patentů ISO uvádí jeden patent na ISO 11172, US 4 472 747, jehož platnost vypršela v roce 2003.^[38] Téměř úplná verze standardu MPEG-1 byla veřejně dostupná jako ISO CD 11172^[19] do 6. prosince 1991.^[39] Ani článek Kuro5hin z července 2008 „Patentový status MPEG-1, H.261 a MPEG-2“,^[40] ani vlákno ze srpna 2008 na gstreamer-devel^[41] v seznamu adresátů bylo možné vypsat jediný patent MPEG-1 Video a MPEG-1 Audio Layer I / II. Diskuse z května 2009 o seznamu adresátů whatwg zmínila patent USA 5 214 678, který pravděpodobně pokrývá MPEG-1 Audio Layer II.^[42] Tento patent, který byl podán v roce 1990 a publikován v roce 1993, nyní vypršel.^[43]

Plný dekodér a kodér MPEG-1 se zvukem „Layer III“ nebylo možné implementovat bez licenčních poplatků, protože existovaly společnosti, které požadovaly patentové poplatky za implementaci MPEG-1 Audio Layer III, jak je uvedeno v MP3 článek. Platnost všech patentů na světě připojených k MP3 vypršela 30. prosince 2017, díky čemuž je tento formát zcela zdarma k použití.^{[Citace je zapotřebí ]} 23. dubna 2017 Fraunhofer IIS přestal účtovat licenční program MP3 společnosti Technicolor pro určité patenty a software související s MP3.^[44]

Bývalí držitelé patentů

Následující společnosti podaly prohlášení u ISO s tím, že mají patenty na formát MPEG-1 Video (ISO / IEC-11172-2), ačkoli všechny tyto patenty od té doby vypršely.^[45]

• BBC
• Daimler Benz AG
• Fujitsu
• IBM
• Matsushita Electric Industrial Co., Ltd.
• Mitsubishi Electric
• NEC
• NHK
• Philips
• Pioneer Corporation
• Qualcomm
• Ricoh
• Sony
• Texas Instruments
• Thomson Multimedia
• Toppan tisk
• Toshiba
• Victor Company of Japan

Aplikace

• Nejoblíbenější software pro přehrávání videa obsahuje kromě dalších podporovaných formátů také dekódování MPEG-1.
• Popularita MP3 audio vytvořil obrovský nainstalovaná základna hardwaru, který dokáže přehrávat zvuk MPEG-1 (všechny tři vrstvy).
• „Prakticky všichni digitální audio zařízení "umí přehrávat zvuk MPEG-1.^[46] Dosud bylo prodáno mnoho milionů.
• Před MPEG-2 rozšířilo se, mnoho služeb digitální satelitní / kabelové televize používalo výhradně MPEG-1.^[15][25]
• Široká popularita MPEG-2 u vysílacích společností znamená, že MPEG-1 lze přehrávat většinou digitálních kabelů a satelitů set-top boxy a přehrávače digitálních disků a pásek kvůli zpětné kompatibilitě.
• MPEG-1 byl použit pro video na celou obrazovku Zelená kniha CD-i a dále Video CD (VCD).
• The Super Video CD standard, založený na VCD, používá výhradně zvuk MPEG-1 a také video MPEG-2.
• The DVD-Video formát používá primárně video MPEG-2, ale podpora MPEG-1 je ve standardu výslovně definována.
• Standard DVD-Video původně vyžadoval MPEG-1 Audio Layer II pro země PAL, ale byl změněn, aby umožňoval AC-3 /Dolby digital - pouze disky. MPEG-1 Audio Layer II je stále povolen na DVD, i když novější rozšíření formátu, jako Vícekanálový MPEG, jsou zřídka podporovány.
• Většina přehrávačů DVD podporuje také disky Video CD a MP3 CD přehrávání, které používají MPEG-1.
• Mezinárodní Digitální video vysílání Standard (DVB) primárně používá MPEG-1 Audio Layer II a MPEG-2 video.
• Mezinárodní Digitální audio vysílání Standard (DAB) používá výhradně MPEG-1 Audio Layer II kvůli jeho obzvláště vysoké kvalitě, skromným požadavkům na výkon dekodéru a toleranci chyb.
• The Digitální kompaktní kazeta používá ke kódování zvuku PASC (Precision Adaptive Sub-band Coding). PASC je raná verze zvukové vrstvy MPEG-1 I s pevnou bitovou rychlostí 384 kilobitů za sekundu.

Část 1: Systémy

Část 1 standardních krytů MPEG-1 systémy, a je definována v ISO / IEC-11172-1.

Systémy MPEG-1 specifikují logické rozložení a metody používané k ukládání kódovaných zvukových, obrazových a dalších dat do standardního bitového toku a k udržování synchronizace mezi různými obsahy. Tento formát souboru je speciálně navržen pro ukládání na média a pro přenos komunikační kanály, které jsou považovány za relativně spolehlivé. Norma definuje pouze omezenou ochranu před chybami a malé chyby v bitovém proudu mohou způsobit znatelné vady.

Tato struktura byla později pojmenována Stream programu MPEG: „Návrh systémů MPEG-1 je v podstatě totožný se strukturou programového proudu MPEG-2.“^[47] Tato terminologie je populárnější, přesnější (odlišuje ji od MPEG transportní proud ) a budou zde použity.

Základní streamy, pakety a reference hodin

• Elementární streamy (ES) jsou surové bitové toky zvukových a obrazových dat kódovaných ve formátu MPEG-1 (výstup z kodéru). Tyto soubory lze distribuovat samostatně, jako je tomu v případě souborů MP3.
• Paketizované základní proudy (PES) jsou základní proudy zabaleno do paketů proměnných délek, tj. rozdělených ES na nezávislé bloky, kde kontrola cyklické redundance (CRC) kontrolní součet byl přidán do každého paketu pro detekci chyb.
• System Clock Reference (SCR) je hodnota časování uložená v 33bitové hlavičce každého PES, na frekvenci / přesnost 90 kHz, s extra 9bitovou příponou, která ukládá další časovací data s přesností 27 MHz.^[48][49] Ty jsou vloženy kodérem, odvozeným od systémových hodin (STC). Současně kódované zvukové a obrazové toky nebudou mít stejné hodnoty SCR, nicméně kvůli vyrovnávací paměti, kódování, chvění a dalším zpožděním.

Programové toky

Programové toky (PS) se zabývají kombinací více paketovaných elementárních streamů (obvykle jen jednoho audio a video PES) do jednoho proudu, zajišťováním simultánního doručování a udržováním synchronizace. Struktura PS je známá jako multiplex nebo formát kontejneru.

Prezentační časová razítka (PTS) existují v PS k opravě nevyhnutelné nerovnosti mezi audio a video SCR hodnotami (korekce časové základny). Hodnoty PTS 90 kHz v záhlaví PS říkají dekodéru, které hodnoty SCR videa odpovídají těm hodnotám zvuku SCR.^[48] PTS určuje, kdy se má zobrazit část MPEG programu, a také se používá v dekodéru k určení, kdy lze data zahodit z nárazník.^[50] Video nebo audio bude dekodér zpožděno, dokud nepřijde odpovídající segment druhého a nebude možné je dekódovat.

Manipulace s PTS může být problematická. Dekodéry musí přijmout více proudy programu které byly zřetězeny (připojeny postupně). To způsobí, že se hodnoty PTS uprostřed videa resetují na nulu, které se pak začnou znovu zvyšovat. Takové oboustranné rozdíly PTS mohou způsobit problémy s časováním, které musí dekodér speciálně zpracovat.

Dekódování časových značek (DTS) jsou navíc vyžadovány z důvodu B-snímků. U B-snímků ve video streamu musí být sousední snímky kódovány a dekódovány mimo pořadí (přeuspořádané snímky). DTS je docela podobný PTS, ale namísto pouhé manipulace se sekvenčními snímky obsahuje správná časová razítka, která dekodéru řeknou, kdy má dekódovat a zobrazit další B-snímek (typy snímků vysvětlených níže), před jeho kotvou (P - nebo I-) rám. Bez B-snímků ve videu jsou hodnoty PTS a DTS identické.^[51]

Multiplexování

Aby se generoval PS, multiplexer proloží (dva nebo více) paketizovaných elementárních proudů. To se provádí tak, že pakety simultánních proudů lze přenášet přes stejný kanál a je zaručeno, že oba dorazí k dekodéru přesně ve stejnou dobu. Toto je případ multiplexování s časovým dělením.

Určení toho, kolik dat z každého proudu by mělo být v každém prokládaném segmentu (velikost prokládaného), je komplikované, přesto je to důležitý požadavek. Nesprávné prokládání bude mít za následek podtečení nebo přetečení vyrovnávací paměti, protože přijímač získá více než jeden stream, který dokáže uložit (např. Zvuk), než získá dostatek dat k dekódování druhého simultánního proudu (např. Videa). MPEG Ověřovač ukládání videa do vyrovnávací paměti (VBV) pomáhá při určování, zda může být multiplexovaný PS dekódován zařízením se specifikovanou propustností dat a velikostí vyrovnávací paměti.^[52] To nabízí zpětnou vazbu pro muxer a kodér, aby mohli podle potřeby změnit velikost muxu nebo upravit bitové rychlosti.

Část 2: Video

Část 2 standardu MPEG-1 pokrývá video a je definována v ISO / IEC-11172-2. Design byl silně ovlivněn H.261.

MPEG-1 Video využívá metody percepční komprese k podstatnému snížení datové rychlosti požadované video streamem. Snižuje nebo zcela odstraňuje informace na určitých frekvencích a oblastech obrazu, které má lidské oko omezenou schopnost plně vnímat. Využívá také časovou (v čase) a prostorovou (na obrázku) redundanci běžnou ve videu k dosažení lepší komprese dat, než by bylo možné jinak. (Vidět: Video komprese )

Barevný prostor

Příklad podvzorkování 4: 2: 0. Dva překrývající se středové kruhy představují chroma modré a chroma červené (barevné) pixely, zatímco 4 vnější kruhy představují luma (jas).

Před kódováním videa do MPEG-1 je barevný prostor transformován na Y'CbCr (Y '= Luma, Cb = Chroma Blue, Cr = Chroma Red). Luma (jas, rozlišení) jsou uloženy odděleně od sytost (barva, odstín, fáze) a ještě dále se dělí na červenou a modrou složku.

Chroma je také podvzorkována 4:2:0, což znamená, že je sníženo na poloviční rozlišení svisle a poloviční rozlišení vodorovně, tj. na pouhou čtvrtinu počtu vzorků použitých pro lumovou složku videa.^[1] Toto použití vyššího rozlišení u některých barevných složek je koncepčně podobné konceptu Filtr Bayerova vzoru který se běžně používá pro snímač snímání obrazu v digitálních barevných fotoaparátech. Protože lidské oko je mnohem citlivější na malé změny jasu (složka Y) než barvy (složky Cr a Cb), podvzorkování chroma je velmi efektivní způsob, jak snížit množství video dat, která je třeba komprimovat. U videí s jemnými detaily (vysoké prostorová složitost ) to se může projevit jako chroma aliasing artefakty. Ve srovnání s jinými digitálními kompresní artefakty, zdá se, že tato otázka je velmi zřídka zdrojem obtěžování. Kvůli převzorkování je video Y'CbCr 4: 2: 0 obvykle uloženo pomocí sudých rozměrů (dělitelný o 2 vodorovně a svisle).

Barva Y′CbCr se často neformálně nazývá YUV ke zjednodušení zápisu, i když se tento výraz přesněji vztahuje na poněkud odlišný barevný formát. Podobně i podmínky jas a chrominancí se často používají místo (přesnějších) termínů luma a chroma.

Rozlišení / bitrate

MPEG-1 podporuje rozlišení až 4095 × 4095 (12 bitů) a přenosové rychlosti až 100 Mbit / s.^[15]

Videa MPEG-1 se nejčastěji zobrazují pomocí Zdrojový vstupní formát (SIF) rozlišení: 352 × 240, 352 × 288 nebo 320 × 240. Tato relativně nízká rozlišení v kombinaci s přenosovou rychlostí menší než 1,5 Mbit / s tvoří to, co je známé jako omezené parametry bitstream (CPB), později přejmenovaný na „Low Level“ (LL) profil v MPEG-2. Toto je minimální specifikace videa dekodér by měl být schopen zpracovat, aby byl považován za MPEG-1 v souladu. To bylo vybráno, aby poskytlo dobrou rovnováhu mezi kvalitou a výkonem, což umožnilo použití rozumně levného hardwaru té doby.^[2][15]

Typy rámů / obrázků / bloků

MPEG-1 má několik typů snímků / obrázků, které slouží různým účelům. Nejdůležitější, přesto nejjednodušší, je I-snímek.

I-snímky

„I-frame“ je zkratka pro „V rámci snímku ", tzv. proto, že je lze dekódovat nezávisle na jakýchkoli jiných rámcích. Mohou být také známé jako I-obrázky nebo klíčové snímky kvůli své poněkud podobné funkci jako klíčové rámečky používá se v animaci. I-snímky lze považovat za skutečně identické se základní linií JPEG snímky.^[15]

Vysokorychlostní vyhledávání prostřednictvím videa MPEG-1 je možné pouze k nejbližšímu I-snímku. Při stříhání videa není možné spustit přehrávání segmentu videa před prvním I-snímkem v segmentu (alespoň ne bez výpočetně náročného překódování). Z tohoto důvodu se v editačních aplikacích používají videa MPEG pouze s I-snímkem.

Komprese pouze I-snímků je velmi rychlá, ale vytváří velmi velké velikosti souborů: faktor 3 × (nebo více) větší než obvykle kódované video MPEG-1, v závislosti na tom, jak časově složité je konkrétní video.^[2] Pouze MPEG-1 video s I-snímkem je velmi podobné MJPEG video. A to natolik, že lze provést velmi rychlou a teoreticky bezztrátovou (ve skutečnosti jsou chyby zaokrouhlování) převodu z jednoho formátu do druhého za předpokladu, že při tvorbě bude dodrženo několik omezení (barevný prostor a kvantovací matice). bitový proud.^[53]

Délka mezi I-snímky je známá jako skupina obrázků (GOP) velikost. MPEG-1 nejčastěji používá velikost GOP 15-18. tj. 1 I-snímek na každých 14-17 non-I-snímků (nějaká kombinace P- a B- snímků). U inteligentnějších kodérů se velikost GOP vybírá dynamicky, až do předem zvoleného maximálního limitu.^[15]

Limity jsou kladeny na maximální počet rámců mezi I-snímky kvůli dekódování komplexu, velikosti vyrovnávací paměti dekodéru, době zotavení po chybách dat, schopnosti hledání a hromadění chyb IDCT v implementacích s nízkou přesností, které jsou v hardwarových dekodérech nejběžnější (viz IEEE -1180).

P-snímky

„P-snímek“ je zkratka pro „předpovězený snímek“. Mohou být také nazývány dopředu predikované snímky nebo mezisnímky (B-snímky jsou také mezisnímky).

Existují P-snímky, které zlepšují kompresi využitím temporální (přesčas) nadbytek ve videu. P-snímky ukládají pouze rozdíl v obraze z rámečku (buď I-rámeček nebo P-rámeček) bezprostředně před ním (tento referenční rámeček se také nazývá Kotva rám).

Rozdíl mezi P-rámem a jeho kotevním rámem se vypočítá pomocí pohybové vektory na každém makroblok rámu (viz níže). Taková pohybová vektorová data budou vložena do P-snímku pro použití dekodérem.

P-rámec může obsahovat libovolný počet intra-kódovaných bloků, kromě jakýchkoli dopředu predikovaných bloků.^[54]

Pokud se video drasticky mění z jednoho snímku na další (například a střih ), je efektivnější jej kódovat jako I-snímek.

B-snímky

„B-snímek“ znamená „obousměrný snímek“ nebo „biprediktivní snímek“. Mohou být také známé jako zpětně předpovězené snímky nebo B-obrázky. B-snímky jsou docela podobné P-snímkům, až na to, že mohou předpovídat pomocí předchozího i budoucího snímku (tj. Dva kotevní snímky).

Je proto nutné, aby hráč nejprve dekódoval další I- nebo P- kotevní snímek postupně za B-snímek, než bude možné B-snímek dekódovat a zobrazit. To znamená, že dekódování B-snímků vyžaduje větší datové vyrovnávací paměti a způsobí zvýšené zpoždění jak při dekódování, tak během kódování. To také vyžaduje funkci dekódování časových značek (DTS) v proudu kontejner / systém (viz výše). B-snímky jako takové jsou již dlouho předmětem mnoha kontroverzí, ve videích se jim často vyhýbáme a někdy nejsou plně podporovány hardwarovými dekodéry.

Z B-snímku se nepředpovídají žádné další snímky. Z tohoto důvodu lze v případě potřeby vložit rám B s velmi nízkou přenosovou rychlostí, který pomůže řídit přenosovou rychlost. Pokud by to bylo provedeno s P-snímkem, z něj by se předpovídaly budoucí P-snímky a snížilo by to kvalitu celé sekvence. Podobně však budoucí P-snímek musí stále kódovat všechny změny mezi ním a předchozím I-nebo P-kotevním rámem. B-snímky mohou být také užitečné ve videích, kde je pozadí za objektem odhaleno na několika snímcích, nebo při slábnoucích přechodech, jako jsou změny scény.^[2][15]

B-snímek může obsahovat libovolný počet intra-kódovaných bloků a dopředu predikovaných bloků, kromě zpětně předpovídaných nebo obousměrně předpovídaných bloků.^[15][54]

D-snímky

MPEG-1 má jedinečný typ rámce, který nebyl nalezen v pozdějších video standardech. „D-snímky“ nebo DC-obrázky jsou nezávisle kódované obrazy (intra-snímky), které byly kódovány pouze pomocí DC transformačních koeficientů (AC koeficienty jsou odstraněny při kódování D-snímků - viz DCT níže), a proto mají velmi nízkou kvalitu. Na D-snímky nikdy neodkazují I-, P- nebo B- snímky. D-snímky se používají pouze pro rychlé náhledy videa, například při prohledávání videa vysokou rychlostí.^[2]

Vzhledem k mírně výkonnějšímu dekódovacímu zařízení lze rychlého náhledu dosáhnout dekódováním I-snímků namísto D-snímků. To poskytuje náhledy vyšší kvality, protože I-snímky obsahují AC koeficienty i DC koeficienty. Pokud kodér může předpokládat, že v dekodérech je k dispozici schopnost rychlého dekódování I-snímků, může ušetřit bity tím, že nebude odesílat D-snímky (čímž se zlepší komprese video obsahu). Z tohoto důvodu se D-snímky zřídka skutečně používají v kódování videa MPEG-1 a funkce D-snímků nebyla zahrnuta do žádných pozdějších standardů pro kódování videa.

Makrobloky

MPEG-1 pracuje na videu v sérii 8 × 8 bloků pro kvantizaci. Aby se však snížila bitová rychlost potřebná pro pohybové vektory a protože je chroma (barva) převzorkována faktorem 4, odpovídá každá dvojice (červených a modrých) chroma bloků 4 různým luma blokům. Tato sada 6 bloků s rozlišením 16 × 16 je zpracována společně a nazývá se a makroblok.

Makroblok je nejmenší nezávislá jednotka (barevného) videa. Pohybové vektory (viz níže) fungují pouze na úrovni makrobloku.

Pokud výška nebo šířka videa nejsou přesné násobky 16, celé řádky a plné sloupce makrobloků musí být stále zakódovány a dekódovány, aby vyplnily obrázek (ačkoli extra dekódované pixely se nezobrazí).

Pohybové vektory

Chcete-li snížit míru dočasné redundance ve videu, aktualizují se pouze bloky, které se mění (až do maximální velikosti GOP). Toto se nazývá podmíněné doplňování. To však samo o sobě není příliš efektivní. Pohyb objektů nebo kamery může mít za následek aktualizaci velkých částí rámečku, i když se změnila pouze poloha dříve zakódovaných objektů. Pomocí odhadu pohybu může kodér tento pohyb kompenzovat a odstranit velké množství nadbytečných informací.

Kodér porovnává aktuální snímek s přilehlými částmi videa z kotevního snímku (předchozí snímek I nebo P) v kosočtvercovém vzoru, a to až do předdefinovaného (specifického pro kodér) poloměr limit z oblasti aktuálního makrobloku. Pokud je nalezena shoda, pouze směr a vzdálenost (tj vektor z pohyb) z předchozí oblasti videa do aktuálního makrobloku je třeba zakódovat do mezisnímku (P- nebo B- snímek). Nazývá se zadní strana tohoto procesu, kterou provádí dekodér k rekonstrukci obrazu kompenzace pohybu.

Předpovězený makroblok se však zřídka dokonale shoduje s aktuálním obrázkem. Rozdíly mezi odhadovanou shodnou oblastí a skutečným rámcem / makroblokem se nazývají chyba predikce. Čím větší je množství predikční chyby, tím více dat musí být dodatečně zakódováno v rámci. Pro efektivní kompresi videa je velmi důležité, aby kodér byl schopen efektivně a přesně provádět odhad pohybu.

Pohybové vektory zaznamenávají vzdálenost mezi dvěma oblastmi na obrazovce na základě počtu pixelů (nazývaných také pixely). Video MPEG-1 využívá přesnost pohybového vektoru (MV) jedné poloviny jednoho pixelu nebo poloviční polohy. Čím přesnější je přesnost MV, tím přesnější bude pravděpodobně shoda a tím efektivnější bude komprese. Existují však kompromisy s vyšší přesností. Výsledkem jemnější přesnosti MV je použití většího množství dat k reprezentaci MV, protože pro každý jednotlivý MV musí být v rámci uloženy větší počty, zvýšená složitost kódování, protože u kodéru i dekodéru je vyžadována rostoucí úroveň interpolace na makrobloku, a klesající výnosy (minimální zisky) s vyšší přesností MV. Jako ideální kompromis pro daný okamžik byla zvolena přesnost na půl míle. (Vidět: qpel )

Protože sousední makrobloky pravděpodobně budou mít velmi podobné vektory pohybu, lze tuto nadbytečnou informaci poměrně efektivně komprimovat uložením DPCM -kódováno. V konečném bitstreamu musí být uloženo pouze (menší) množství rozdílu mezi MV pro každý makroblok.

P-snímky mají jeden pohybový vektor na každý makroblok, relativně k předchozímu kotevnímu rámci. B-snímky však mohou používat dva vektory pohybu; jeden z předchozího kotevního rámu a jeden z budoucího kotevního rámu.^[54]

Částečné makrobloky a černé okraje / pruhy zakódované do videa, které nespadají přesně na hranici makrobloku, způsobí zmatek s predikcí pohybu. Informace o polstrování / ohraničení bloku brání makrobloku v těsné shodě s jakoukoli jinou oblastí videa, a proto musí být pro každou z několika desítek částečných makrobloků podél okraje obrazovky zakódovány podstatně větší informace o chybě predikce. DCT kódování a kvantování (viz níže) také není zdaleka tak efektivní, když je v bloku velký / ostrý kontrast obrazu.

Ještě závažnější problém existuje s makrobloky, které obsahují významné, náhodné hluk hrany, kde obrázek přechází do (obvykle) černé. Všechny výše uvedené problémy se vztahují také na hluk hran. Navíc přidanou náhodnost je jednoduše nemožné výrazně komprimovat. Všechny tyto efekty podstatně sníží kvalitu (nebo zvýší datový tok) videa.

DCT

Každý blok 8 × 8 je kódován první aplikací a vpřed diskrétní kosinová transformace (FDCT) a poté kvantizační proces. Proces FDCT (sám o sobě) je teoreticky bezztrátový a lze jej zvrátit použitím Inverzní DCT (IDCT ) reprodukovat původní hodnoty (při absenci jakýchkoli chyb při kvantování a zaokrouhlování). Ve skutečnosti existují některé (někdy velké) chyby zaokrouhlování zavedené jak kvantováním v kodéru (jak je popsáno v následující části), tak chybou aproximace IDCT v dekodéru. Minimální povolená přesnost aproximace IDCT dekodéru je definována normou ISO / IEC 23002-1. (Před rokem 2006 to bylo specifikováno IEEE 1180 -1990.)

Proces FDCT převádí blok 8 × 8 nekomprimovaných hodnot pixelů (hodnoty jasu nebo barevného rozdílu) na indexované pole 8 × 8 frekvenční koeficient hodnoty. Jedním z nich je (statisticky vysoký rozptyl) „DC koeficient“, který představuje průměrnou hodnotu celého bloku 8 × 8. Dalších 63 koeficientů jsou statisticky menší „AC koeficienty“, které mají kladné nebo záporné hodnoty, z nichž každý představuje sinusové odchylky od hodnoty plochého bloku představované DC koeficientem.

Příklad kódovaného bloku 8 × 8 FDCT:

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

Protože hodnota DC koeficientu je statisticky korelována z jednoho bloku do druhého, je komprimována pomocí DPCM kódování. Pouze (menší) velikost rozdílu mezi každou DC hodnotou a hodnotou DC koeficientu v bloku nalevo musí být zastoupena v konečném bitstream.

Kromě toho frekvenční konverze prováděná aplikací DCT poskytuje statistickou dekorelační funkci pro efektivní koncentraci signálu na méně hodnot s vysokou amplitudou před použitím kvantizace (viz níže).

Kvantování

Kvantování je v podstatě proces snižování přesnosti signálu dělením nějakou větší velikostí kroku a zaokrouhlením na celočíselnou hodnotu (tj. nalezení nejbližšího násobku a vyřazení zbytku).

Kvantizátor na úrovni rámce je číslo od 0 do 31 (ačkoli kodéry obvykle vynechají / deaktivují některé extrémní hodnoty), které určuje, kolik informací bude z daného rámce odstraněno. Kvantizátor na úrovni rámce je obvykle buď dynamicky vybrán kodérem pro udržení určité uživatelem zadané přenosové rychlosti, nebo (mnohem méně často) přímo zadaný uživatelem.

„Kvantizační matice“ je řetězec 64 čísel (v rozsahu od 0 do 255), který kodéru říká, jak relativně důležitá nebo nedůležitá je každá vizuální informace. Každé číslo v matici odpovídá určité frekvenční složce video obrazu.

Příklad kvantizační matice:

${displaystyle {egin {bmatrix} 16 a 11 a 10 a 16 a 24 a 40 a 51 a 61 12 a 12 a 14 a 19 a 26 a 58 a 60 a 55 14 a 13 a 16 a 24 a 40 a 57 a 69 a 56 14 a 17 a 22 a 29 a 51 a 87 a 80 a 62 18 a 22 a 37 a 56 a 68 a 109 a 102 a 103 a$

Kvantování se provádí převzetím každého z 64 frekvence hodnoty bloku DCT, vydělte je kvantizátorem na úrovni rámce a poté je vydělte odpovídajícími hodnotami v kvantovací matici. Nakonec je výsledek zaokrouhlený dolů. To významně snižuje nebo zcela vylučuje informace v některých frekvenčních složkách obrazu. Vysokofrekvenční informace jsou obvykle vizuálně méně důležité, a proto jsou vysoké frekvence mnohem více silně kvantováno (drasticky sníženo). MPEG-1 ve skutečnosti používá dvě oddělené kvantizační matice, jednu pro intra-bloky (I-bloky) a jednu pro mezibloky (P- a B-bloky), takže kvantizaci různých typů bloků lze provádět nezávisle, a tedy efektivněji .^[2]

Tento kvantizační proces obvykle snižuje významný počet AC koeficienty na nulu, (známé jako řídký data), která pak mohou být v dalším kroku efektivněji komprimována entropickým kódováním (bezztrátová komprese).

Příklad kvantovaného bloku DCT:

${Displaystyle {Egin {bmatrix} -26 & -3 -6 2 2 -1 0 0 0 -2 a -4 1 1 0 0 0 -3 '1 5 -1 -1 0 0 0 -4 & 1 & 2 -1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0end {bmatrix}}}$

Kvantování eliminuje velké množství dat a je hlavním krokem ztrátového zpracování v kódování videa MPEG-1. Toto je také primární zdroj většiny videí MPEG-1 kompresní artefakty, jako blokáda, barevné pruhy, hluk, zvonění, odbarvení, et al. K tomu dochází, když je video kódováno s nedostatečnou přenosovou rychlostí, a kodér je proto nucen používat kvantizátory na vysoké úrovni snímků (silná kvantizace) prostřednictvím velké části videa.

Entropické kódování

Několik kroků v kódování videa MPEG-1 je bezztrátových, což znamená, že budou po dekódování obráceny, aby vznikly přesně stejné (původní) hodnoty. Protože tyto kroky bezeztrátové komprese dat nepřidávají šum nebo jinak nemění obsah (na rozdíl od kvantování), je někdy označováno jako bezhlučné kódování.^[46] Protože bezeztrátová komprese si klade za cíl odstranit co nejvíce nadbytečnosti, je známá jako entropické kódování v oblasti teorie informace.

Koeficienty kvantovaných bloků DCT mají tendenci k nule směrem doprava dole. Maximální komprese lze dosáhnout klikatým skenováním bloku DCT počínaje zleva nahoře a technikami kódování Run-length.

DC koeficienty a vektory pohybu jsou DPCM -kódováno.

Kódování délky běhu (RLE) je jednoduchá metoda komprese opakování. Sekvenční řetězec znaků, bez ohledu na to, jak dlouho, lze nahradit několika bajty, přičemž si všimněte hodnoty, která se opakuje, a kolikrát. Pokud by například někdo řekl „pět devíti“, věděli byste, že má na mysli číslo: 99999.

RLE je obzvláště efektivní po kvantování, protože značný počet AC koeficientů je nyní nulový (tzv řídký data), a lze je reprezentovat jen pár bajty. To je uloženo ve speciálním 2-dimenzionální Huffmanova tabulka, která kóduje délku běhu a znak konce běhu.

Huffman kódování je velmi populární a relativně jednoduchá metoda kódování entropie a používá se ve videu MPEG-1 ke zmenšení velikosti dat. Data se analyzují, aby se našli řetězce, které se často opakují. Tyto řetězce jsou poté vloženy do speciální tabulky, přičemž nejčastěji opakovaným datům je přiřazen nejkratší kód. To u této formy komprese udržuje data co nejmenší.^[46] Po sestavení tabulky jsou tyto řetězce v datech nahrazeny jejich (mnohem menšími) kódy, které odkazují na příslušnou položku v tabulce. Dekodér jednoduše obrátí tento proces a vytvoří původní data.

Toto je poslední krok v procesu kódování videa, tedy výsledek Huffmanovo kódování je známé jako video MPEG-1 „bitstream“.

GOP configurations for specific applications

I-frames store complete frame info within the frame and are therefore suited for random access. P-frames provide compression using motion vectors relative to the previous frame ( I or P ). B-frames provide maximum compression but require the previous as well as next frame for computation. Therefore, processing of B-frames requires more buffer on the decoded side. A configuration of the Group of Pictures (GOP) should be selected based on these factors. I-frame only sequences give least compression, but are useful for random access, FF/FR and editability. I- and P-frame sequences give moderate compression but add a certain degree of random access, FF/FR functionality. I-, P- and B-frame sequences give very high compression but also increase the coding/decoding delay significantly. Such configurations are therefore not suited for video-telephony or video-conferencing applications.

The typical data rate of an I-frame is 1 bit per pixel while that of a P-frame is 0.1 bit per pixel and for a B-frame, 0.015 bit per pixel.^[55]

Část 3: Zvuk

Part 3 of the MPEG-1 standard covers audio and is defined in ISO/IEC-11172-3.

MPEG-1 Audio utilizes psychoakustika to significantly reduce the data rate required by an audio stream. It reduces or completely discards certain parts of the audio that it deduces that the human ear can't slyšet, either because they are in frequencies where the ear has limited sensitivity, or are maskovaný by other (typically louder) sounds.^[56]

Channel Encoding:

• Mono
• Joint Stereo – intensity encoded
• Joint Stereo – M/S encoded for Layer III only
• Stereo
• Dual (two nesouvisí mono channels)
• Sampling rates: 32000, 44100, and 48000 Hz
• Bitrates for Layer I: 32, 64, 96, 128, 160, 192, 224, 256, 288, 320, 352, 384, 416 and 448 kbit/s^[57]
• Bitrates for Layer II: 32, 48, 56, 64, 80, 96, 112, 128, 160, 192, 224, 256, 320 and 384 kbit/s
• Bitrates for Layer III: 32, 40, 48, 56, 64, 80, 96, 112, 128, 160, 192, 224, 256 and 320 kbit/s

MPEG-1 Audio is divided into 3 layers. Each higher layer is more computationally complex, and generally more efficient at lower bitrates than the previous.^[15] The layers are semi backwards compatible as higher layers reuse technologies implemented by the lower layers. A "Full" Layer II decoder can also play Layer I audio, but ne Layer III audio, although not all higher level players are "full".^[56]

Vrstva I

MPEG-1 Audio Layer I is a simplified version of MPEG-1 Audio Layer II.^[17] Layer I uses a smaller 384-sample frame size for very low delay, and finer resolution.^[25] This is advantageous for applications like teleconferencing, studio editing, etc. It has lower complexity than Layer II to facilitate reálný čas encoding on the hardware available cca 1990.^[46]

Layer I saw limited adoption in its time, and most notably was used on Philips ' zaniklý Digitální kompaktní kazeta at a bitrate of 384 kbit/s.^[1] With the substantial performance improvements in digital processing since its introduction, Layer I quickly became unnecessary and obsolete.

Layer I audio files typically use the extension ".mp1" or sometimes ".m1a".

Vrstva II

MPEG-1 Audio Layer II (the first version of MP2, often informally called MUSICAM)^[56] je ztrátový audio format designed to provide high quality at about 192 kbit/s for stereo sound. Decoding MP2 audio is computationally simple relative to MP3, AAC, atd.

History/MUSICAM

MPEG-1 Audio Layer II was derived from the MUSICAM (Masking pattern adapted Universal Subband Integrated Coding And Multiplexing) audio codec, developed by Center commun d'études de télévision et télécommunications (CCETT), Philips, a Institut für Rundfunktechnik (IRT/CNET)^[15][17][58] jako součást EUREKA 147 pan-European inter-governmental research and development initiative for the development of digital audio broadcasting.

Most key features of MPEG-1 Audio were directly inherited from MUSICAM, including the filter bank, time-domain processing, audio frame sizes, etc. However, improvements were made, and the actual MUSICAM algorithm was not used in the final MPEG-1 Audio Layer II standard. The widespread usage of the term MUSICAM to refer to Layer II is entirely incorrect and discouraged for both technical and legal reasons.^[56]

Technické údaje

MP2 is a time-domain encoder. It uses a low-delay 32 sub-band polyphased filter bank for time-frequency mapping; having overlapping ranges (i.e. polyphased) to prevent aliasing.^[59] The psychoacoustic model is based on the principles of sluchové maskování, simultaneous masking effects, and the absolute threshold of hearing (ATH). The size of a Layer II frame is fixed at 1152-samples (coefficients).

Časová doména refers to how analysis and quantization is performed on short, discrete samples/chunks of the audio waveform. This offers low delay as only a small number of samples are analyzed before encoding, as opposed to frekvenční doména encoding (like MP3) which must analyze many times more samples before it can decide how to transform and output encoded audio. This also offers higher performance on complex, random and přechodný impulses (such as percussive instruments, and applause), offering avoidance of artifacts like pre-echo.

The 32 sub-band filter bank returns 32 amplituda koeficienty, one for each equal-sized frequency band/segment of the audio, which is about 700 Hz wide (depending on the audio's sampling frequency). The encoder then utilizes the psychoacoustic model to determine which sub-bands contain audio information that is less important, and so, where quantization will be inaudible, or at least much less noticeable.^[46]

Example FFT analysis on an audio wave sample.

The psychoacoustic model is applied using a 1024-point rychlá Fourierova transformace (FFT). Of the 1152 samples per frame, 64 samples at the top and bottom of the frequency range are ignored for this analysis. They are presumably not significant enough to change the result. The psychoacoustic model uses an empirically determined masking model to determine which sub-bands contribute more to the masking threshold, and how much quantization noise each can contain without being perceived. Any sounds below the absolute threshold of hearing (ATH) are completely discarded. The available bits are then assigned to each sub-band accordingly.^[56][59]

Typically, sub-bands are less important if they contain quieter sounds (smaller coefficient) than a neighboring (i.e. similar frequency) sub-band with louder sounds (larger coefficient). Also, "noise" components typically have a more significant masking effect than "tonal" components.^[58]

Less significant sub-bands are reduced in accuracy by quantization. This basically involves compressing the frequency range (amplitude of the coefficient), i.e. raising the noise floor. Then computing an amplification factor, for the decoder to use to re-expand each sub-band to the proper frequency range.^[60][61]

Layer II can also optionally use intensity stereo coding, a form of joint stereo. This means that the frequencies above 6 kHz of both channels are combined/down-mixed into one single (mono) channel, but the "side channel" information on the relative intensity (volume, amplitude) of each channel is preserved and encoded into the bitstream separately. On playback, the single channel is played through left and right speakers, with the intensity information applied to each channel to give the illusion of stereo sound.^[46][58] This perceptual trick is known as "stereo irrelevancy". This can allow further reduction of the audio bitrate without much perceivable loss of fidelity, but is generally not used with higher bitrates as it does not provide very high quality (transparent) audio.^{[46][59][62][63]}

Kvalitní

Subjective audio testing by experts, in the most critical conditions ever implemented, has shown MP2 to offer transparent audio compression at 256 kbit/s for 16-bit 44.1 kHz Audio CD using the earliest reference implementation (more recent encoders should presumably perform even better).^{[1][58][59][64]} That (approximately) 1:6 compression ratio for CD audio is particularly impressive because it is quite close to the estimated upper limit of perceptual entropie, at just over 1:8.^[65][66] Achieving much higher compression is simply not possible without discarding some perceptible information.

MP2 remains a favoured lossy audio coding standard due to its particularly high audio coding performances on important audio material such as castanet, symphonic orchestra, male and female voices and particularly complex and high energy transients (impulses) like percussive sounds: triangle, glockenspiel and audience applause.^[25] More recent testing has shown that Vícekanálový MPEG (based on MP2), despite being compromised by an inferior matrixed mode (for the sake of backwards compatibility)^[1][59] rates just slightly lower than much more recent audio codecs, such as Dolby digital (AC-3) and Pokročilé kódování zvuku (AAC) (mostly within the margin of error—and substantially superior in some cases, such as audience applause).^[67][68] This is one reason that MP2 audio continues to be used extensively. The MPEG-2 AAC Stereo verification tests reached a vastly different conclusion, however, showing AAC to provide superior performance to MP2 at half the bitrate.^[69] The reason for this disparity with both earlier and later tests is not clear, but strangely, a sample of applause is notably absent from the latter test.

Layer II audio files typically use the extension ".mp2" or sometimes ".m2a".

Vrstva III

MPEG-1 Audio Layer III (the first version of MP3 ) je ztrátový audio format designed to provide acceptable quality at about 64 kbit/s for monaural audio over single-channel (BRI ) ISDN links, and 128 kbit/s for stereo sound.

History/ASPEC

ASPEC 91 in the Deutsches Museum Bonn, with encoder (below) and decoder

MPEG-1 Audio Layer III was derived from the Adaptive Spectral Perceptual Entropy Coding (ASPEC) codec developed by Fraunhofer as part of the EUREKA 147 pan-European inter-governmental research and development initiative for the development of digital audio broadcasting. ASPEC was adapted to fit in with the Layer II model (frame size, filter bank, FFT, etc.), to become Layer III.^[17]

ASPEC was itself based on Multiple adaptive Spectral audio Coding (MSC) E. F. Schroeder, Optimum Coding in the Frequency domain (OCF) the disertační práce podle Karlheinz Brandenburg na University of Erlangen-Nuremberg, Perceptual Transform Coding (PXFM) by J. D. Johnston na AT&T Bell Labs, a Transform coding of audio signals podle Y. Mahieux a J. Petit na Institut für Rundfunktechnik (IRT/CNET).^[70]

Technické údaje

MP3 is a frequency-domain audio transform encoder. Even though it utilizes some of the lower layer functions, MP3 is quite different from MP2.

MP3 works on 1152 samples like MP2, but needs to take multiple frames for analysis before frequency-domain (MDCT) processing and quantization can be effective. It outputs a variable number of samples, using a bit buffer to enable this variable bitrate (VBR) encoding while maintaining 1152 sample size output frames. This causes a significantly longer delay before output, which has caused MP3 to be considered unsuitable for studio applications where editing or other processing needs to take place.^[59]

MP3 does not benefit from the 32 sub-band polyphased filter bank, instead just using an 18-point MDCT transformation on each output to split the data into 576 frequency components, and processing it in the frequency domain.^[58] Tohle navíc zrnitost allows MP3 to have a much finer psychoacoustic model, and more carefully apply appropriate quantization to each band, providing much better low-bitrate performance.

Frequency-domain processing imposes some limitations as well, causing a factor of 12 or 36 × worse temporal resolution than Layer II. This causes quantization artifacts, due to transient sounds like percussive events and other high-frequency events that spread over a larger window. This results in audible smearing and pre-echo.^[59] MP3 uses pre-echo detection routines, and VBR encoding, which allows it to temporarily increase the bitrate during difficult passages, in an attempt to reduce this effect. It is also able to switch between the normal 36 sample quantization window, and instead using 3× short 12 sample windows instead, to reduce the temporal (time) length of quantization artifacts.^[59] And yet in choosing a fairly small window size to make MP3's temporal response adequate enough to avoid the most serious artifacts, MP3 becomes much less efficient in frequency domain compression of stationary, tonal components.

Being forced to use a hybridní time domain (filter bank) /frequency domain (MDCT) model to fit in with Layer II simply wastes processing time and compromises quality by introducing aliasing artifacts. MP3 has an aliasing cancellation stage specifically to mask this problem, but which instead produces frequency domain energy which must be encoded in the audio. This is pushed to the top of the frequency range, where most people have limited hearing, in hopes the distortion it causes will be less audible.

Layer II's 1024 point FFT doesn't entirely cover all samples, and would omit several entire MP3 sub-bands, where quantization factors must be determined. MP3 instead uses two passes of FFT analysis for spectral estimation, to calculate the global and individual masking thresholds. This allows it to cover all 1152 samples. Of the two, it utilizes the global masking threshold level from the more critical pass, with the most difficult audio.

In addition to Layer II's intensity encoded joint stereo, MP3 can use middle/side (mid/side, m/s, MS, matrixed) joint stereo. With mid/side stereo, certain frequency ranges of both channels are merged into a single (middle, mid, L+R) mono channel, while the sound difference between the left and right channels is stored as a separate (side, L-R) channel. Unlike intensity stereo, this process does not discard any audio information. When combined with quantization, however, it can exaggerate artifacts.

If the difference between the left and right channels is small, the side channel will be small, which will offer as much as a 50% bitrate savings, and associated quality improvement. If the difference between left and right is large, standard (discrete, left/right) stereo encoding may be preferred, as mid/side joint stereo will not provide any benefits. An MP3 encoder can switch between m/s stereo and full stereo on a frame-by-frame basis.^[58][63][71]

Unlike Layers I and II, MP3 uses variable-length Huffmanovo kódování (after perceptual) to further reduce the bitrate, without any further quality loss.^[56][59]

Kvalitní

These technical limitations inherently prevent MP3 from providing critically transparent quality at any bitrate. This makes Layer II sound quality actually superior to MP3 audio, when it is used at a high enough bitrate to avoid noticeable artifacts. The term "transparent" often gets misused, however. The quality of MP3 (and other codecs) is sometimes called "transparent," even at impossibly low bitrates, when what is really meant is "good quality on average/non-critical material," or perhaps "exhibiting only non-annoying artifacts."

MP3's more fine-grained and selective quantization does prove notably superior to MP2 at lower-bitrates, however. It is able to provide nearly equivalent audio quality to Layer II, at a 15% lower bitrate (approximately).^[68][69] 128 kbit/s is considered the "sweet spot" for MP3; meaning it provides generally acceptable quality stereo sound on most music, and there are diminishing quality improvements from increasing the bitrate further. MP3 is also regarded as exhibiting artifacts that are less annoying than Layer II, when both are used at bitrates that are too low to possibly provide faithful reproduction.

Layer III audio files use the extension ".mp3".

MPEG-2 audio extensions

The MPEG-2 standard includes several extensions to MPEG-1 Audio.^[59] These are known as MPEG-2 BC – backwards compatible with MPEG-1 Audio.^{[72][73][74][75]} MPEG-2 Audio is defined in ISO/IEC 13818-3.

• Vícekanálový MPEG – Backward compatible 5.1-channel prostorový zvuk.^[24]
• Sampling rates: 16000, 22050, and 24000 Hz
• Bitrates: 8, 16, 24, 32, 40, 48, 56, 64, 80, 96, 112, 128, 144 and 160 kbit/s

These sampling rates are exactly half that of those originally defined for MPEG-1 Audio. They were introduced to maintain higher quality sound when encoding audio at lower-bitrates.^[24] The even-lower bitrates were introduced because tests showed that MPEG-1 Audio could provide higher quality than any existing (cca 1994) very low bitrate (i.e. mluvený projev ) audio codecs.^[76]

Part 4: Conformance testing

Part 4 of the MPEG-1 standard covers conformance testing, and is defined in ISO/IEC-11172-4.

Conformance: Procedures for testing conformance.

Provides two sets of guidelines and reference bitstreams for testing the conformance of MPEG-1 audio and video decoders, as well as the bitstreams produced by an encoder.^[15][22]

Part 5: Reference software

Part 5 of the MPEG-1 standard includes reference software, and is defined in ISO/IEC TR 11172-5.

Simulation: Reference software.

C reference code for encoding and decoding of audio and video, as well as multiplexing and demultiplexing.^[15][22]

To zahrnuje ISO Dist10 audio encoder code, which CHROMÝ a ToLAME were originally based upon.

Přípona souboru

.mpg is one of a number of file extensions for MPEG-1 or MPEG-2 audio and video compression. MPEG-1 Part 2 video is rare nowadays, and this extension typically refers to an Stream programu MPEG (defined in MPEG-1 and MPEG-2) or MPEG transportní proud (defined in MPEG-2). Other suffixes such as .m2ts also exist specifying the precise container, in this case MPEG-2 TS, but this has little relevance to MPEG-1 media.

.mp3 is the most common extension for files containing MP3 audio (typically MPEG-1 Audio, sometimes MPEG-2 Audio). An MP3 file is typically an uncontained stream of raw audio; the conventional way to tag MP3 files is by writing data to "garbage" segments of each frame, which preserve the media information but are discarded by the player. This is similar in many respects to how raw .AAC files are tagged (but this is less supported nowadays, e.g. iTunes ).

Note that although it would apply, .mpg does not normally append raw AAC or AAC in MPEG-2 Part 7 Containers. The .aac extension normally denotes these audio files.

Viz také

• MPEG The Moving Picture Experts Group, developers of the MPEG-1 standard
• MP3 Additional less technical details about MPEG-1 Audio Layer III
• Vícekanálový MPEG Backwards compatible 5.1 channel prostorový zvuk extension to MPEG-1 Audio Layer II
• MPEG-2 The direct successor to the MPEG-1 standard.
• ISO / IEC JTC 1 / SC 29

Implementace

• Libavcodec includes MPEG-1/2 video/audio encoders and decoders
• Mjpegtools MPEG-1/2 video/audio encoders
• ToLAME A high quality MPEG-1 Audio Layer II encoder.
• CHROMÝ A high quality MP3 audio encoder.
• Musepack A format originally based on MPEG-1 Audio Layer II, but now incompatible.

Reference

externí odkazy

• Official Web Page of the Moving Picture Experts Group (MPEG) a working group of ISO/IEC
• MPEG Industry Forum Organization
• Source Code to Implement MPEG-1
• A simple, concise explanation from Berkeley Multimedia Research Center