Videokomprimering och distribution

Transkript

1 Videokomprimering och distribution Digital video representerar flera olika codecs, d. v. s. kompressionsalgoritmer. Upprinnelsen till detta beror på att enormt stora dataflöden skall hanteras på kort tid. Detta ställer krav på systemens snabbhet. Idag lever vi i en värld som i de flesta fall har begränsningar när det gäller dataflödeshastighet. Beroende på hur videon skall distribueras till mottagaren, så kan man välja olika grader av kompression. Problemet är att hitta ett optimalt kompressionsförfarande som utnyttjar det aktuella distributionssystemet maximalt utan att riskera att man får störande avbrott. Bildstorlek För att distribuera okomprimerad video krävs ett dataflöde på ca 124 Mb/s. Det är långt ifrån alltid som man kan ha den datahastigheten. Då har man möjlighet att komprimera videobilden. När det gäller rörliga bilder, så är vi människor ganska lättlurade. D. v. s. vi kan ta bort en hel del information utan att vi märker en påtaglig försämring av videobilden. Den digitala videobilden byggs upp av ett raster av punkter (till skillnad från den analoga som består av horisontella linjer) PAL systemets 625 linjer motsvaras av 768x576 pixlar. Detta ger ett bildförhållande 4:3. Digitala videostandards använder förhållandet 720x 576 pixlar (5:4). Med kvadratiska pixlar innebär det att man får en svart kant på vardera sidan om PAL bilden. Därför görs pixlarna i 5:4 förhållandet något rektangulära. I slutändan när den digitala videon ska visas i en videomonitor, så måste den göras om till en analog PAL signal. Videokomprimering Video kan komprimeras på olika sätt. Det finns olika videokomprimeringsstandarder där MPEG är vanligast. Vi tittar lite närmare på detta sätt att komprimera, men det finns en uppsjö av andra standards som jobbar på likartat sätt. MPEG-1 är den äldsta versionen och är designad för 1,5Mb/s och komprimerar en faktor 100. Standarden är vanlig när man komprimerar för CD-ROM läsare. Även de vanliga webbläsarna klarar MPEG-1. Den nyare standarden MPEG-2 hanterar datahastigheter upp till 40 Mb/s. Den ska klara HDTV och både interlaced och progressive scan. Vid komprimering av vanlig video men med broadcastkvalitet genererar man ca 5Mb/s plus ljud på ca 300kb/s. MPEG-2 rekommenderas av framträdande TV organisationer i världen som en framtida standard för komprimering av video för sändning. Sedan lång tid tillbaka nyttjar man MPEG-2 för komprimering vid satellitöverföring. MPEG-4 är främst inriktad mot överföring via nät med begränsade bithastigheter. Det är en komprimeringsstandard som används mer och mer för överföring av bild på nätet. Videokomprimering går ut på att ta bort så mycket redundans som förutsättningarna tillåter. Tillvägagångssättet vid komprimering kan mycket förenklat beskrivas så här: RGB YUV Sampling Komprimering i pixelplanet (spatial) Komprimering i tidsplanet (temporal) Entropikodning (tar bort resterande redundans). I en videokamera delas ljuset upp i tre färgkomponenter: rött, grönt och blått (RGB). Dessa signaler görs om till en videosignal som bygger på separerad luminans och krominansinformation (YUV). I en digital videokamera samplas dessa signaler, d.v.s. signalerna scannas med en viss frekvens. Luminansdelen samplas 13,5 miljoner gånger per sekund (13,5MHz) medan samplingsfrekvensen för färgdelen varierar, beroende på vilken 1

2 kvalitet som vi vill jobba med. Man utnyttjar att ögat är mindre känsligt för variationer i färginformation (chroma) än variationer i ljushet (luminans). I den digitala värden ser man begrepp som 4:4:4, 4:2:2, 4:2:0 och 4:1:1. Dessa sifferkombinationer är olika standards och anger hur ofta färginformationen samplas i förhållande till luminansen. 4:4:4 anger att luminans och chroma samplas lika ofta eller att luminans och chroma registreras lika mycket i varje pixel. 4:2:2 anger att luminans registreras i varje pixel medan chroma registreras i varannan. Samplingsfrekvensen för chroman har halverats i förhållande till luminansen. Denna standard betraktas som fullt acceptabel för de flesta professionella sammanhang. Ett snäpp lägre är 4:2:0 som innebär att luminansen registreras i varje pixel medan chroman endast registreras i varannan pixel och på varannan rad. 4:1:1 innebär att luminansen registreras i varje pixel medan chroman registreras i var fjärde pixel, men på varje rad. I de två senare samplingsförhållanderna registreras alltså chroman med fyra gånger lägre frekvens än luminansen. Förhållandet används för de semiprofessionella digitala videoformaten som DV och DVCAM. Komprimering i pixelplanet (spatial kompression) konverteras till ett frekvensplan med hjälp av DCT (Discrete Cosinus Transform), en matematisk transform som påminner om Fouriertransformen. Komprimering i pixelplanet går ut på att man försöker att reducera informationen i enskilda bildelement. Exempelvis behandlas pixlar i ytor med samma grå- och färgskala som en enhet, t.ex. en jämnblå himmel. Bild som enbart är komprimerad i pixelplanet kallas för I-bild. Vid komprimering i tidsplanet (temporal komprimering) görs en jämpörelse mellan intilliggande bilder i en bildsekvens, d.v.s. en videofilm. I sekvensen stoppar man först och främst stoppa in I-bilder, Intraframe, (referensbilder) med jämna mellanrum. Sedan letar man efter skillnader i utseende på intilliggande bilder. Det är endast skillnaderna mellan bilderna som behöver komprimeras om. Statiska partier räknas som stillbilder. Bilder som återskapas enbart utifrån närmast föregående I-bild kallas P-bild (predicted frame). Bilder som återskapas utgående både från föregående och efterkommande bilder kallas B-bilder (bidirectional frame). För dessa krävs en buffert eftersom efterkommande bilder måste analyseras innan B-bilden kan skapas. Ett intervall mellan två I-bilder kallas GOP (Group Of Pictures) och kan se ut som följer: IBBBPBBBI. Vid mätningar visar det sig att en I-bild innehåller ca sju gånger mer information än en B-bild och tre gånger mer än en P-bild. Detta är naturligtvis beroende på hur mycket förändringar som sker mellan de olika bilderna. Inom MPEG standarden har man möjlighet att välja utseende på sin GOP. Längre avstånd mellan I-bilder minskar datamängden, men gör filmen känsligare för störningar. MPEG är egentligen ett uppspelningsformat och lämpar sig inte i sin grundform att klippa i. Har man otur kan man ju göra sitt klipp strax innan en P-bild. Resultatet blir att P-bilden tappar sin relation till närmast föregående I-bild. Detta har man numera löst så att det idag finns redigeringssystem som jobbar i MPEG format. Entropikodning är ett sätt att presentera det kodade materialet på ett effektivt sätt, samtidigt som man tar bort ytterligare redundant material. Run Lenght Coding kallas det när man istället för att skicka 50 nollor efter varandra skickar en nolla och sedan siffran 50. 2

3 Huffmankodning innebär att man tilldelar de DCT koefficienterna som förekommer oftare ett färre antal bitar än de som förekommer mer sällan. Resultatet blir en mycket kompakt ström av kodade koefficientvärden. Feltolerant kodning innebär att när videoinformation strömmar ut i nätet är det viktigt att veta att alla bitar inte är lika mycket värda. Ett obetydligt fel är en modifikation av en DCT koefficient i en B-bild som räcker 1/25 sekund medan en modifierad koefficient i en I-bild kan påverka bilderna i uppemot en sekund. Video på dator När man ska lägga ut video på nätet är det viktigt att känna till arkitekturer och codecs. Arkitekturer definierar mediastruktur som Windows Media (Microsoft), QuickTime (Apple) och Real Video (Real Networks). Många väljer att lägga ut video på mer än ett format, eftersom de olika arkitekturerna är bra på olika saker. Codec definierar kompressionen i en struktur som t. ex. MPEG-4, Sorenson, Cinepac m. fl. RealVideo är den äldsta streamingarkitekturen (1995) och även den äldsta streaming video arkitekturen (1998). RealVideo har en hygglig cross-platform support. Den har den bästa modemsupporten och stödjer streaming och progressiv nerladdning. RealPlayer finns för Windows och Mac och använder Real Video codec. QuickTime är det äldsta digitala media arkitekturen. Men den var senast på att stödja setreaming (1999). I QuickTime finns inbyggt stöd för programmering och den har det bästa cross-platform stödet. Däremot har den det sämsta modem stödet. Den stödjer streaming och progressiv nerladdning. Uppspelning sker via QuickTime Player och den använder QT codecs som t.ex. Sorenson. Exempel på QuickTime Video Codecs är Cinepak som är originalcodec utvecklad för första generationens CD-ROM. Sorenson Video ger högre kvalitet med relativt hög kompression. H.263 är oftast bäst för low motion "talking heads". Den komprimerar fort och är bra för live sändningar. Windows Media Leker katt och råtta med Real för att kamma hem marknadsandelar och att positionera sig. Den använder MPEG-4 härstammad codec, alltså inte äkta MPEG-4. Windows Media kommer för Mac. Den har för närvarande ingen cross plattform. Windows media stödjer streaming och progressiv nerladdning. Den stödjer dubbla videospår för optimal leverans. Ursprunglig codec är MPEG-4 och V.263. Internet leverans Det finns primärt tre olika sätt att leverera video på nätet. Man kan använda sig av nedladdningsbara filer som innebär att hela filen måste laddas ner innan man börjar titta på den. Där använder man HTTP eller FTP överföring. Progressiv nedladdning innebär att man kan börja titta på filmen under tiden som den laddas ner. Även här används HTTP eller FTP överföring. Tekniken är bra för korta filmer och QuickTime är bäst lämpad för detta. Den sista varianten är streaming. Här laddas inget material ner på hårddisken, utan det buffras och spelas upp i datorn i realtid. Streaming kan delas upp i två delar: Video on Demand och Live Broadcasting. Vid Video on Demand utnyttjar man färdiga filmer medan Live Broadcasting spelas den in samtidigt som den spelas upp (med en viss fördröjning). Live Broadcasting kräver bra prestanda på utrustningen. Den ger ganska låg kvalitet då komprimering sker i realtid. Det är dessutom svårare att garantera flödet på Internet. 3

4 Flödet Det finns en rad mer eller mindre bra komprimeringsprogram ute på marknaden. Generellt kan ändå arbetsflödet sammanfattas på detta sätt: Spela in Deinterlace Crop Scale Bildinställningar Ljudfix - Komprimera Vid inspelning är det bra med hög kvalitet och helst digital sådan. En analog inspelning innehåller brus som försvårar komprimeringen. (Bruset gör att "förändringen" mellan närliggande bilder blir mycket större eftersom detta även ligger på ytor som är "statiska"). Deinterlacing innebär att man tar bort ena fältet i en bildruta. Det ger en sämre upplösning, men man tar bort "taggara" i konturer på föremål som rör sig. Detta syns nämligen i en datamonitor. Antingen dubblerar man det kvarvarande fältet, eller så interpolerar man. Det senare ger naturligtvis bättre kvalitet. Croping innebär att vi tar bort oväsentlig information i kanterna inklusive "digitalt skräp". En TV monitor visar inte hela bilden. Det gör däremot en datamonitor. Scaling innebär att vi ställer in bilden till rätt storlek. Bilden behöver inte ha TV form. Med bildinställningar kan vi göra flera handgrepp. Vi kan ställa in ljushet och kontrast. Gammavärdet anger svärtningskurvans lutning. Gammakurvan är olika för Mac och PC. Här måste man hitta en kompromiss. Noise Reduktion tar bort grynighet och underlättar komprimering. Frame Rate, d. v. s. bildfrekvens kan också ställas in för att minska dataflödet. Ljudkällan bör ha minst 16 bitars ljud och ha en hög utstyrning. I en webdecoder tar stereo 30% större plats än mono. Olika samplingsfrekvens kan användas beroende på programinnehåll. 8 KHz räcker för prat, 11 KHz är minimum för musik. 32 KHz är vanligt för web radio. Vid komprimering ger fler I-bilder bättre kvalitet, men större datamängd. Skall filmen visas på web bör antalet I-bilder minimeras. Videokonferenssystem Förespråkarna för videokonferenssystem kallar det för distribuerad kunskap. Principen är att man ska kunna föra en dialog i ljud och bild med en eller flera andra personer på en annan ort eller en annan del av världen. Detta ställer en del krav på systemet. Kommunikationen ska vara dubbelriktad och den ska ske i realtid, eller med en mycket liten föredröjning. Detta innebär att det ska finnas en bandbreddsgaranti. Normalt kan inte Internet uppfylla kravet på bandbreddsgaranti utan man måste använda andra vägar. Det i särklass vanligaste sättet att kommunicera över video i världen är via telenätet och ISDN. En ISDN kanal medger en garanterad dataöverföringshastighet av 64 kb/s. ITU (Internationella Tele Unionen) har skapat olika standards för dataöverföring i videokonferenssystem (dubbelriktad kommunikation). H.32X är på samma sätt som MPEG en familj av standarder. Familjen bygger upp en mängd delstandarder som medger att man bygger videotelefoni- och videokonferensapplikationer för datahastigheter från 56kb/s till 1934kb/s. Standarden stöds idag av många produkter. H.320 är ämnad för applikationer över 4

5 ISDN. H.324 är ämnad för PSDN, d.v.s. vanlig telefoni (analoga nät). En tredje standard i familjen är H.323 som medger videokonferens över lokala nät (LAN) som ej kan garantera QoS (Quality of Service) d.v.s. i detta fall, garanti för en viss bandbredd. H.323 används t.ex. i videotelefoner över Internet. H.32X relaterar även till andra standarder som t.ex. T.120 som beskriver hur man i en videokonferens skall dela på applikationer som ordbehandlare och delad arbetsyta. Några fler refererade standarder från familjealbumet är H.261 och H.263 (videokomprimering), H.221 (synkronisering och multiplexering av ljud och video) och H.233 (kryptering). I H.320 standarden delas i sin tur bilden och ljudet in i olika komprimeringsstandarder. De vanligaste komprimeringsstandarderna är H.261 och H.263. Den senare är en nyare standard som medför en 30% förbättring mot den tidigare. Speciellt vinner man i kvalitet vid låga bandbredder under 384 kb/s. Under dessa standarder kan man välja olika bildstorlek (upplösning). CIF betecknar 360x288 punkter d.v.s. halv 5:4 PAL storlek (rektangulära pixlar). Det finns även möjlighet att välja 2xCIF (720x576). QCIF har en upplösning på 180x144 pixlar. När det gäller ljud så finns det ett flertal standards. G.711 motsvarar 56 kb/s och 3,1 khz motsvarar traditionell komprimering. G.722: 48/56 och 7 khz ger en högre kvalitet. G.728: 16kb/s och 3,1 khz motsvarar telefoniljud. Om man vill ha större bandbredd när man använder ISDN är man tvungen att ringa upp flera telefonnummer. Detta styrs av H.221. Med bonding kan man förprogrammera nummer så att det räcker med att ringa upp ett nummer för att koppla upp flera linjer. I ett H.323 nät utan QoS kan man använda sig av en gatekeeper för att hålla nätet fritt från andra applikationer. I bildtelefoni i H.324 system använder man sig normalt av 3-5 bilder/sek. Detta är normalt tillräckligt för överföring av teckenspråk. Detta gör att döva har möjlighet att kommunicera med denna teknik. ATM är en standard som syftar till att integrera alla möjliga tjänster över ett fiberbaserat nät. Det ska alltså gå att skicka både data, video och annat över ett och samma nät med gott resultat. Det är en standard som ska komma till rätta med de prestandaproblem so telefoninätet och ISDN lider av. H.310 är en standard som styr kommunikation över ATM, men för närvarande har den inte implementerats helt och hållet. Ett problem när klienter ska hämta hem material från en server t.ex. "video on demand" är att den ställer krav på serverns prestanda. Det innebär att varje klient direkt måste kommunicera med servern, vilket i sin tur gör att servern inte kan kommunicera med flera än ett begränsat antal klienter åt gången. Detta kallas för Unicast. Med Multicast arbetar man i ett s.k. intelligent nät. Det innebär att servern endast behöver hantera en klient d.v.s. nätet. Sedan sköter routrarna distributionen till ett obegränsat antal klienter. För närvarande finns ingen standard för detta, men tekniken förväntas underlätta flerpartskommunikation högst väsentligt. Kablage Ljud och video är för de flesta synonymt med en massa sladdar. Dessutom verkar det finnas en uppsjö av olika kontaktdon som inte passar i varandra. Dessa är dock nödvändiga vid 5

6 överföring av bild- och ljudsignaler mellan olika enheter. Man brukar skilja mellan kontakter för bild och ljud. Det som alla som handskats med TV råkat ut för är antennsladden eller RF-kontakten. I den skickas alltså RF-signalen (Radio Frekvens från antenn) till TV:n. För att visa video i en TVmonitor använder man normalt inte RF-ingången. I stället utnyttjar man en SCART kontakt. Det är en mångpolig kontakt som bl.a. kan hantera video och ljud både in och ut ur en enhet. Alla enheter är dock inte utrustade med SCART-uttag. Detta gäller videokameror eller bandspelare av lite mer professionell karaktär. För dessa ändamål brukar vissa SCARTkontakter vara utrustade med lösa kontaktdon av RCA-typ i andra änden av kabeln. En del SCART-kontakter är kopplade så att de endast fungerar för avspelning, medan andra endast fungerar för inspelning. Normalt brukar dessa kontakter vara märkta med IN respektive OUT. Dock inte alltid har jag märkt. RCA- eller Phonokontakten är vanlig i konsumentsammanhang för överföring av både bild och ljud. Videokontakten brukar vara gul, medan ljudet brukar vara vitt och rött (stereo). För mer professionell användning använder man BNC-kontakt som har en skärmad kabel för att minska påverkan från yttre störningskällor. BNC-kontakten är låsbar, vilket gör att den inte av misstag kan slitas ut ur uttaget. För komponentvideo används tre parallella och lika långa kablar av BNC-typ. En kontakttyp som ligger mellan komponent och kompositvideo är S- videokontakten som är en 4 polig mini DIN-kontakt. 6

7 För ljudets vidkommande kompliceras tillvaron av att det förekommer både mono och stereoversion av vissa kontakttyper. En av de kontakttyper som användes flitigt förr är DINkontakten, en hylskontakt med tre eller fem stift. Den är inte lika vanligt förekommande idag. Till kontakter för konsumentprodukter räknas Mini-tele (3,5 mm) och RCA/Phono. Telekontakten (eller Teleplugg) används mycket i PA-sammanhang. Musikproduktion i fält. Den är vanlig i mixerbord m.m. I professionella sammanhang används strikt XLR-kontakter (Cannon). Dessa är låsbara och skärmade för att minska påverkan från yttre störningskällor. 7