MPEG audio (Layer 1,2 a 3)

Skratka MPEG (Motion Picture Expert Group) vyjadruje názov skupiny expertov ktorá vznikla v roku 1988 a pracuje pod spoločným vedením ISO (International Standards Organization) a IEC (International Electro-Technical Commision). Skupina pripravuje medzinárodne uznávané štandardy pre kódovanie pohyblivého obrazu (video) a zvuku (audio). Ďalej sa budem venovať len kódovaniu zvuku a kompresným algoritmom Layer 1,2 a 3 a štandardom MPEG-1 a MPEG-2 v ktorých sa používajú.

Krátka špecifikácia štandardov MPEG:

MPEG-1 MPEG-2 Pozn.: Pre úplnosť treba dodať, že sú definované aj štandardy MPEG-4 a MPEG-7

Prečo komprimovať?

Napríklad digitálny zvukový signál v CD-kvalite (odpovedajúci svojou kvalitou záznamu CD-DA, digitálneho zvukového signálu na kompaktných diskoch) s nasledujúcimi parametrami:
- 2 kanály (stereo)
- 16 bitové vzorky
- vzorkovacia frekvencia 44,1 kHz
vyžaduje dátový tok 1,4 Mbit/s. Len tak pre zaujímavosť v MPEG-1 je maximálny dátový tok 1,5 Mbit/s a z toho je 1,2 Mbit/s vyhradené pre video dáta a 0,3 Mbit/s pre audio dáta. Použitím kompresného algoritmu Layer 1 znížime dátový tok z pôvodných 1,4 Mbit/s na 384 kbit/s, pri Layer 2 na 256-192 kbit/s a s použitím Layer 3 na 128-112 kbit/s pri zachovaní "CD" kvality. (Kompresné algoritmy Layer 1,2 a 3 budú popísané a vysvetlené nižšie)

Psychoakustický model. Vlastnosti ľudského sluchu.

Vlastnosti ľudského sluchu sú zhrnuté v psychoakustickom modeli. Tento model vychádza zo spôsobu, akým ľudský sluch vníma zvukové informácie. Využitie tohto modelu pri kompresii zvuku nám umožňuje odstrániť dáta ľudským sluchom nepočuteľné a teda signálov redundantných, bez znateľnej újmy na kvalite reprodukovaného signálu. Samotnou podstatou psychoakustického princípu je maskovací efekt. Maskovací efekt je založený na dvoch základných princípoch maskovania: frekvenčného a časového.

Frekvenčné maskovanie(frequency masking)
Využívame nelineárnu citlivosť ľudského sluchu. Jav maskovania spočíva v tom, že jeden silnejší zvuk zakrýva (maskuje) slabší zvuk (tento je maskovaný) aj keď ich frekvencie nie sú rovnaké.

Napríklad: Na prvom obrázku máme zvukový tón s frekvenciou 1000 Hz s hladinou akustického tlaku približne 60 dB. Tento signál maskuje signály s frekvenciami 990 Hz a 1100 Hz s hladinami akustických tlakov nižšími o 20 resp. 30 dB ako maskujúci signál. Signál s úrovňou tiež nižšou o 20 dB, ale s frekvenciou 2000 Hz už nieje maskovaný.

Zvukový signál sa skladá zo spektra zložiek rôznych frekvencií. Na druhom obrázku sú znázornené tri najsilnejšie signály s frekvenciami 0,25; 1 a 4 kHz s hladinou akustického tlaku 60 dB. Príslušné krivky maskovacích prahových hodnôt udávajú rozhranie, pod ktorým nie sú ostatné zvuky (príslušných frekvencií a akustických hladín) počuteľné. Túto vlastnosť využijeme pre maskovanie šumu tak, že šumové spektrum budeme "tvarovať" podľa najsilnejších zložiek zvukového signálu. Z premennej hladiny šumu vychádza minimálny počet bitov pre kvantovanie. Inak povedané, budeme zvyšovať šumovú úroveň okolo silného signálu, pretože bude pre ucho nepočuteľný. Zvyšovať šumovú úroveň je to isté ako znižovať počet bitov pre záznam, čo v konečnom dôsledku predstavuje kompresiu. V praxi sa frekvenčný rozsah 20 Hz až 20 kHz rozdelí na 32 subpásiem (subband). V každom subpásme zvolíme optimálny počet bitov na vzorku, pri ktorom je kvantovací šum ešte maskovaný a teda nedochádza k počuteľnému zníženiu kvality zvuku. Počet prideľovaných bitov pre kvantovanie sa teda adaptívne mení, čím sa výrazne obmedzí dátový tok audiosignálu.

maskovanie_signalov maskovanie_32_subpasiem
casove_maskovanie

Časové maskovanie(temporal masking)

V predchádzajúcom prípade sme uvažovali, že maskovací a maskovaný signál pôsobili dlhšie ako 200 ms. V časovom maskovaní využívame zotrvačnosť ľudského sluchu. Maskovanie nastáva aj pri doznení (zániku) maskovacieho signálu a chvíľu trvá (zhruba v intervale 200 ms, po 200 ms maskovanie úplne zaniká pozri obrázok), než začneme vnímať súčastne pôsobiaci slabší signál. Veľmi zaujímavá je aj skutočnosť, že rovnako môže byť maskovaný krátky zvukový impulz, ktorý príjde zhruba 5 ms pred maskujúcim signálom. To je evidentné porušenie v prírode inak striktne dodržovaného zákona kauzality.

Kompresné algoritmy Layer 1,2 a 3.

Pri kompresii audiosignálov v štandardoch MPEG sa využívajúvýkonné komprimačné algoritmy označované ako Layer (vrstva). Štandard MPEG zahŕňa tri takéto úrovne kompresie: Layer 1, Layer 2 a Layer 3. Čím vyššia úroveň tým je vyšší kompresný pomer pri rovnakej audiokvalite. Je zachovaná horizontálna kompatibilita týchto úrovní. Teda dekóder pre Layer 3 dokáže dekódovať nižšie vrstvy Layer 1 a Layer 2. Opačným smerom to neplatí. Všetky tri vrstvy používajú tú istú základnú štruktúru. Vychádza sa z vnímateľnej úrovne šumu. Kóder najprv analyzuje spektrálne komponenty audio signálu a potom aplikuje psychoakustický model k odhadu vnímateľnej šumovej úrovne.

Vstupné dáta sa delia na rámce obsahujúce 384 vzoriek. Štruktúra jednotlivých vrstiev:

Najväčšiu zásluhu na rozvoji aplikácií MPEG-1 Layer 3 má Frauenhoferov inštitút pre integrované obvody (Fraunhofer Institut Integrierte Schaltungen-IIS) ležiaci v nemeckom Erlagene, ktorý sa v roku 1987 zapojil do projektu EUREKA v oblasti kódovania zvuku na základe vnímania (perceptual audio coding). V spolupráci s univerzitou v Erlagene IIS vyvinul efektívny algoritmus, ktorý bol štandardizovaný ako ISO MPEG Audio Layer-3. Všetci títo ľudia sa zúčastnili pri tvorbe štandardu.

Pomer Layer Požadovaná rýchlosť prenosu
1:4
1 384 kbit/s pre stereo signál
1:6 - 1:8
2 256 - 192 kbit/s pre stereo signál
1:10 - 1:12
3 128 - 112 kbit/s pre stereo signál

Príklad použitia kompresných algoritmov pri kompresii audiosignálu v "CD-kvalite" a dosahované výsledky boli uvedené vyššie. Efektívnosť jednotlivých algoritmov v danom príklade ukazuje nasledujúca tabuľka.




Typické hodnoty dosahované algoritmom MPEG Layer-3 sú uvedené v nasledujúcej tabuľke.

Kvalita Šírka pásma Mód Rýchlosť prenosu Faktor kompresie
 Telefónna  2,5 kHz  mono  8 kbit/s  96:1
 Rozhlas na DV  4,5 kHz  mono  16 kbit/s  48:1
 Rozhlas na SV  7,5 kHz  mono  32 kbit/s  24:1
 Rozhals na VKV  11 kHz  stereo  56-64 kbit/s  26-24:1
 Blízka CD kvalite  15 kHz  stereo  96 kbit/s  16:1
 CD kvalita  >15 kHz  stereo  112-128 kbit/s  14-12:1

Princíp činnosti algoritmov Layer 1,2 a 3

Vývojový diagram zvukového kóderu MPEG Audio Layer 2 je na tomto obrázku. Nasledujúci text vysvetľuje zjednodušene princíp činnosti kóderov MPEG Audio Layer 1,2 a 3.

V banke filtrov sa prevedie dekompozícia signálu na 32 subpásiem (je to prevod z časovej do frekvenčnej oblasti). V layer 3 je ešte za bankov filrov v kaskáde zaradený obvod s MDCT (modifikovaná diskrétna kosínusová transformácia) pre dosiahnutie jemnejšieho rozlíšenia frekvencií. Pre všetky vrstvy je pri dekompozícii na subpásma použité tzv. kritické vzorkovanie tj. počet všetkých vzoriek na jednotku času v každom subpásme krát počet subpásiem je rovnaký ako počet vzoriek signálu pred dekompozíciou.

Pre každé subpásmo sa stanovia činitele merítka (napr. ako maximálna amplitúda z 12 vzoriek v jednom subpásme pre layer 1, v layer 2,3 je v subpásme viac vzoriek ako 12 a podľa potreby sa určí aj viac činiteľov merítka). Činitele merítka majú rozhodujúcu úlohu pri stanovení maskovacích prahov v každom subpásme. V časti, ktorá reprezentuje psychoakustický model sa porovnávajú činitele merítka s hodnotami získanými pri experimentoch a výsledkom je pomer signálu k maskovaciemu prahu SMR (Signal to Mask Ratio), teda hodnota pomeru užitočného signálu k šumu, pod ktorou môžeme očakávať zamaskovanie skreslenia zvuku. Podľa SMR sa pridelí v každom subpásme vždy pre dvanásť vzoriek určitý počet bitov b ktorými budú kvantované. Tento počet je rovnaký pre uvedenú skupinu vzoriek, ale odlišný pre každé subpásmo. Zmenšenie počtu bitov (2-15) sa priaznivo prejaví na prenosovej rýchlosti výsledného bitového toku.
Ďalšou úlohou činiteľov merítok je normovanie signálu vo všetkých 32 subpásmach. Normovanie sa deje tak, že signál sa delí príslušným činiteľom merítka. Z toho vyplýva, že maximálna amplitúda v subpásme je normovaná na jednotku. Následný kvantizér dostáva rovnakú max. úroveň, čo znamená, že jeho maximálna prebuditeľnosť je v jednotlivých rámcoch rovnaká a takto môžeme zamerať kvantizáciu na oveľa užšie rozmedzie dynamického rozsahu vzoriek. Prideľovanie počtu bitov na kvantovanie bolo už vysvetlené vyššie. Informácie o merítkach ScFSI (Scale Factor Select Information) sú zakódovaná pomocou 6 bitov.

Treba ešte spomenúť, že psychoakustický model nedostáva informácie len o veľkosti vzoriek, ale aj o tom, či ide o tónový alebo netónový signál. Túto informáciu potrebuje preto, lebo priebeh maskovacieho prahu závisí aj na časovej postupnosti, tzn. či je tón sínusový alebo ide len o ojedinelí ráz. Preto vstupný signál PCM podrobujeme FFT (rýchla Fourierova transformácia) , ktorá určí o aký z uvedených signálov ide. Podľa týchto informácií potom v obvode psychoakustického modelu "modelujeme" tvar maskovacej krivky.

Dôležitým krokom pri kódovaní je výber vhodného psychoakustického modelu. Každý výrobca kóderu môže použiť svoj vlastný model.

V layer 1 a 2 sú vzorky zakódované s pevnou dĺžkou a v layer 3 sú kódované premenlivým Huffmanovým kódovaním. Kódovanie layer 1 je veľmi podobné kódovaniu layer 2, rozdiel je v možnosti použitia premenlivého merítka pre skupiny 12 vzoriek, keď pomocou prídavnej informácie môžeme špecifikovať počet subpásiem, ktoré máme uvažovať a ktoré budeme ignorovať.

Výsledný bitový tok v jednom rámci potom obsahuje okrem hodnôt vzoriek aj ďalšie informácie ako je záhlavie, zabezpečenie proti chybám, pridelenie počtu bitov pre kvantovanie, počet činiteľov merítka, veľkosti činiteľov merítka a ďalšie prídavné dáta. Tieto dáta sú potrebné poskytnúť dekóderu aby vedel signál dekódovať do pôvodnej podoby.

Zvukový dekóder MPEG neobsahuje psychoakustický model ani procedúru na prideľovanie bitov pre jednotlivé vzorky v každom z 32 subpásiem a teda dekóder je oveľa jednoduchší a lacnejší ako kóder. Všetky potrebné informácie dostáva v zakódovanom tvare spolu s kódovaným signálom. Z týchto informácií a z dekódovaných vzoriek obnoví ich pôvodné hodnoty. Po potrebných frekvenčných presunoch realizovaným bankov filtrov , zlúčenie signálov jednotlivých subpásiem a prevode z paralelného na sériový tvar je na výstupe dekóderu opäť digitálny audiosignál v tvare ako na vstupe kóderu MPEG.

MPEG-1; štyri módy zahrnuté do štandardu:

MPEG-2; viackanálový zvuk

Viackanálový zvuk je obvykle zložený z ľavého predného (Left) a pravého predného (Right) kanálu, stredového kanálu (Center) určeného pre dialóg, ľavého priestorového (Left Surround) kanálu a pravého priestorového (Right Surround) kanálu a kanálu pre nízkofrekvenčné efekty LFE (Low Frequency Enhancement) pre subwoofer.

Slovko na záver

Na záver by som chcel len dodať, že formáty Layer 1,2 a 3 nie sú jedinými formátmi pre záznam zvuku. Dolby Laboratories vyvinuli formát AC-3 podobný s Layer 3, určený hlavne pre HDTV, surround sound a domáce kino, s tokmi pri päť kanáloch plus jednom nízkofrekvenčnom kanály okolo 320 kbit/s. Firma Yamaha s formátom VQF môže tiež plne konkurovať Layer 3 (vraj pri 80 kbit/s produkuje lepší zvuk ako Layer 3 pri 128 kbit/s ).
Skupina MPEG pokračuje v tvorbe štandardov ďalej a výsledkom ich snaženia je štandard AAC (Advanced Audio Coding) "zdokonalené kódovanie zvuku", ktorý bude súčasťou špecifikácie MPEG-4, kde sa uvažuje aj s využitím formátu VQF pri prenosu zvuku s nižším tokom dát. Testy ukazujú, že AAC je asi o 1/3 lepší ako Layer 3. To znamená, že AAC s 96 kbit/s má lepšiu kvalitu ako Layer 3 s 128 kbit/s.

Pozn.: MP3 "empétrojka" nieje nič iné ako MPEG-1 Layer 3
 

Informačné zdroje:

[1] Čapek, J., Fabian, P.: Komprimace dat principy a praxe, Computer Press, 2000
[2] Líška, D.: Digitálna terestriálna televízia DVB-T, Telekomunikace č.4/2000
[3] Toman, M.: http://home.zcu.cz/~mtoman/mp3.htm (Vinikajúca stránka o MP3)
[4] Bier, J.: Digital Audio Compression: Why,What and How, Berkely Design Technology, Inc., 2000
 
pdf dokument  Táto stránka vo formáte pdf : MPEG_audio.zip [284 kB]
 

[hlavná strana]

Dušan SOVIČ