Codificación de Audio
Anuncio
Tema 2: Codificación y compresión de audio. Bibliografía 1. Introducción. 2. Características del audio. Digitalización. Calidad de una señal de audio. Parámetros específicos. 3. Compresión de audio. [FLU95] Fluckiger, “Understanding networked multimedia”. [SAY00] K. Sayood,“Introduction to Data Compression” [Pan93] Digital Audio Compression [Pan96] A Tutorial on MPEG/Audio Compression [MP3 Intro] An introduction to MP3 Calidad telefónica. Calidad CD. Arquitecturas de red para la distribución de contenidos Arquitecturas de red para la distribución de contenidos 1. Introducción. Las secuencias de audio forman parte de las aplicaciones multimedia. El estudio de la codificación y compresión se puede enfocar en función de la aplicación: Aplicaciones interactivas (audio-conferencia audio) codecs simétricos. Aplicaciones de difusión y reproducción de medios (TV digital, audio Hi-Fi, DVD, etc.) codecs asimétricos Características de una señal de audio. Distintos tipos de calidad de audio. Técnicas de compresión de audio. 2 Arquitecturas de red para la distribución de contenidos 2. Características del audio Una señal de audio no es más que una onda acústica (variaciones de presión del aire) La señal de audio es unidimensional (tiempo) El micrófono transforma las ondas acústicas que lo golpean, en señales eléctricas (niveles de voltaje) El oído es muy sensible a las variaciones de sonido de corta duración (ms) al contrarío que el ojo humano. La relación de dos sonidos A y B se mide en decibelios: dB=20 log10 (A/B). La intensidad de un sonido A se mide en decibelios tomando como referencia el menor sonido audible. 0 dB: Menor sonido audible La señal de referencia (B) es una onda senoidal a 1khz que provoca una presión de 0.0003 dinas/cm2 A y B son amplitudes (si fueran potencias sería 10 log10 (A/B)) 50 dB: Conversación normal. 120dB: Umbral del dolor. 3 Arquitecturas de red para la distribución de contenidos Características del audio El rango de frecuencias audibles por los humanos está entre 20Hz y 20KHz. Audible No audible 4 Arquitecturas de red para la distribución de contenidos 2.1 Digitalización y cuantificación. La digitalización de las señales de audio se realizan mediante convertidores A/D. Muestrean la señal analógica de audio a una frecuencia determinada. Según Nyquist: “Si la señal de entrada tiene una frecuencia máxima de f, la frecuencia de muestreo tiene que ser de al menos 2f “(al muestrear a Sf captaremos hasta la frec. Sf/2) En el conversor D/A, un filtro paso bajo puede interpolar la parte de señal entre las muestras, para poder reconstruir perfectamente la señal original. 5 Arquitecturas de red para la distribución de contenidos Digitalización y cuantificación. Cuantificación: Las muestras obtenidas se codifican en un número finito de bits Error de cuantificación (quantification noise). Codificación lineal o logarítmica. PCM (Pulse Code Modulation). Usado para la digitalización de señales de audio. Parámetros: Sf, bits/muestra, niveles de cuantificación* 6 Arquitecturas de red para la distribución de contenidos Digitalización y cuantificación. Cuantificación PCM lineal Los niveles de cuantificación están espaciados de manera equitativa. Cada bit de resolución añade 6 dB de rango dinámico. Con 16 bits por muestra se cubre totalmente el rango dinámico del oído humano. Cuantificaciones no-lineales (logarítmica) Los pasos de cuantificación decrecen logarítmicamente. El oído humano es menos sensible a sonidos fuertes. 7 Arquitecturas de red para la distribución de contenidos Digitalización: Interfaz MIDI MIDI (Musical Instrument Digital Interface). Utilizado para codificar música (instrumentos). Codifica los elementos básicos (notas, silencios, ritmos, etc.) en mensajes MIDI. Cada instrumento tiene su propio código (hasta 127) Un sintetizador interpreta los mensajes MIDI y produce la señal de audio correspondiente. Ventaja: Reduce mucho el ancho de banda necesario (factor de 1000 !!) Inconvenientes: Necesidad de un sintetizador en ambos extremos (calidad de sonido diferente). Aplicable solo a música. 8 Arquitecturas de red para la distribución de contenidos 2.2 Calidad de una señal de audio. Voz (telefonía) Se define para los servicios de telefonía digital. Estándar G.711 (ITU): Codificación logarítmica. Japón y USA: Transformación µ-law. Resto: Transformación A-law. Parámetros: Señal de audio de 3.5 KHz (BW). Sf = 8 KHz 8 bits/muestra. Tasa de bits: 64Kbps (N-ISDN). Otras técnicas de codificación y compresión: DPCM y ADPCM, G.72x, GSM, LPC y CELP, etc. 9 Arquitecturas de red para la distribución de contenidos Calidad de una señal de audio. CD-Digital Audio. Calidad de audio superior: Sonido Hi-Fi estereofónico. Utiliza una codificación lineal. Las diferencias de amplitud deben ser respetadas por igual. Parámetros: Señal de audio de 20 KHz (BW). Sf = 41.1 KHz 16 bits/muestra. Soporta estereofonía (dos canales) Tasa de bits: 1.411 Mbps. Otros estándares utilizan esta calidad de audio: DAT (32.4 y 48 KHz), MPEG (32, 44,1 y 48 KHz), DVI, etc. 10 Arquitecturas de red para la distribución de contenidos 2.3 Parámetros específicos. Tasa de bits (throughput): Audio sin comprimir: Calidad telefónica: 64Kbps. Calidad CD: 1.411 Mbps. Audio comprimido: Calidad telefónica: 32, 16, 4 Kbps (ADPCM, CELP) Calidad CD: 192 Kbps. (MPEG audio) Retardo de tránsito (aplicaciones interactivas) Conversación: Telefonía: < 25 ms (evitar echo). 100 a 500 ms (sensación de tiempo real). 11 Arquitecturas de red para la distribución de contenidos Parámetros específicos. Varianza del retardo (jitter). Es el parámetro más crítico para los streams de audio. Solución: Técnicas de ecualización del retardo. – Se suministra un tiempo adicional antes de comenzar la reproducción, almacenando los paquetes en un buffer de entrada. Consecuencias: – Incrementamos el retardo total. – Necesitamos recursos de memoria para el buffer de ecualización. Compromiso entre la capacidad de almacenamiento y el máximo jitter tolerable por la aplicación. Tasas de error: Calidad telefónica: < 10-2, Calidad CD: < 10-3 12 Tema 2: Codificación y compresión de audio. Bibliografía 1. Introducción. 2. Características del audio. Digitalización. Calidad de una señal de audio. Parámetros específicos. 3. Compresión de audio. [FLU95] Fluckiger, “Understanding networked multimedia”. [SAY00] K. Sayood,“Introduction to Data Compression” [Pan93] Digital Audio Compression [Pan96] A Tutorial on MPEG/Audio Compression [MP3 Intro] An introduction to MP3 Calidad telefónica. Calidad CD. Arquitecturas de red para la distribución de contenidos Arquitecturas de red para la distribución de contenidos 3.1 Calidad telefónica Codificación: ITU G.711 Muestreo: 8KHz. Muestra: 16 bits. Codificación log. µ-law y A-law: Codifican una muestra PCM de 16 bits (14 bits) en 8 bits. 8 segmentos: 0xFF, 0x1FF, 0x3FF, 0x7FF, 0xFFF, 0x1FFF, 0x3FFF, 0x7FFF Cod. lineal A-Law Cod. Lineal u-Law 0000000wxyza 000wxyz 00000001wxyza 000wxyz 0000001wxyza 001wxyz 0000001wxyzab 001wxyz 000001wxyzab 010wxyz 000001wxyzabc 010wxyz 00001wxyzabc 011wxyz 00001wxyzabcd 011wxyz 0001wxyzabcd 100wxyz 0001wxyzabcde 100wxyz 001wxyzabcde 101wxyz 001wxyzabcdef 101wxyz 01wxyzabcdef 110wxyz 01wxyzabcdefg 110wxyz 1wxyzabcdefg 111wxyz 1wxyzabcdefgh 111wxyz 14 Arquitecturas de red para la distribución de contenidos Algoritmos de compresión (Voz) Codificación diferencial: DPCM (Differential Pulse Code Modulation). Explota la redundancia temporal entre las muestras. Se transmite la diferencia entre muestras (bastante menor). Problema: Sobrecarga de gradiente (slope overload) Las diferencias en altas frec.(cercanas a Nyquist) no se pueden representar con el mismo número de bits. 15 Arquitecturas de red para la distribución de contenidos Algoritmos de compresión (Voz) Codificación diferencial adaptativa: (Adaptive Differential Pulse Code Modulation). Predice la muestra y cuantiza adaptativamente. ADPCM Predicción: Codifica la diferencia entre la muestra actual y una estimación basada en las últimas “n” muestras X[n] D[n] C[n] Quantizer (adaptive) Xp[n-1] Predictor module Codificador C[n] Dequantizer (adaptive) Xp[n] Dq[n] + Dq[n] Dequantizer (adaptive) Xp[n] + Xp[n-1] Predictor module Decodificador 16 Arquitecturas de red para la distribución de contenidos Algoritmos de compresión (Voz) Codificación diferencial adaptativa: ADPCM (Adaptive Differential Pulse Code Modulation). Predice la muestra y cuantiza adaptativamente. Cuantización adaptativa: Usa pasos más largos para codificar diferencias entre muestras muy distintas en magnitud (de alta frecuencia) y pasos más pequeños para muestras que son similares (bajas frecuencias). 17 Arquitecturas de red para la distribución de contenidos Una implementación de ADPCM ADPCM (IMA: Interactive Multimedia Association) Algoritmo Algoritmo de dominio público. Calidad de audio e índice de compresión aceptables. Sencillo y capaz de trabajar en tiempo real (software). Indice de compresión: (PCMbits/4) a 1. X[n] D[n] Xp[n-1] C[n] Quantizer (adaptive) + Predictor module Codificador C[n] Dequantizer (adaptive) Xp[n] Dq[n] Delay Dq[n] Dequantizer (adaptive) Xp[n] + Xp[n-1] Delay Decodificador 18 Arquitecturas de red para la distribución de contenidos IMA ADPCM B2B1B0 Tabla 1 Ajuste sobre la tabla 2 para decidir las diferencias a aplicar. Indice Ajuste 000 -1 001 -1 Step 0 7 Tabla 2 1 8 2 9 Distribuye el rango dinámico de la muestra PCM 010 -1 ….. ….. 011 -1 50 876 100 2 51 963 101 4 …. …. 110 6 88 32767 111 8 Start SI S<0 Quantizer: tres últimos bits Bit3 =1 S = -S NO Ajuste índice tabla 2 Tab1 + Step Indice Tab2 0..88 Tab2 SI Bit3 =0 S >= Step Bit2 =1 S = S - Step Retardo siguiente muestra NO SI Bit2 =0 S >= Step/2 Bit1 =1 S = S - Step/2 NO Quantizer SI S >= Step/4 Bit1 =0 Bit0 =1 NO Bit0 =0 19 Arquitecturas de red para la distribución de contenidos IMA ADPCM Tabla 2: Distribuye el rango dinámico de la muestra PCM 20 Arquitecturas de red para la distribución de contenidos IMA ADPCM: Ejemplo de funcionamiento (I) Supongamos que queremos codificar la siguiente secuencia de muestras de audio con IMA ADPCM: x 150,155,167,163 Estado inicial S=5 step=7 X dif. step Result Ajuste Índice Valor reconst. Valor predicho 150 - - - - 0 - 150 155 5 7 0010 -1 0 4 154 167 Start 163 Dif . 7 7 7 0 1 x x x0 3.5 4 rec. 2 4 ¿5 < 0? NO ¿5 >=7? Bit3 =0 NO SI Bit2 =0 ¿5>=3.5? Bit1 =1 1.5>=1.75? Bit0 =0 NO 21 Arquitecturas de red para la distribución de contenidos IMA ADPCM: Ejemplo de funcionamiento (II) Tercera muestra: S=13 step=7 X dif. step Result Ajuste Índice Valor reconst. Valor predicho 150 - - - - 0 - 150 155 5 7 0010 -1 0 4 154 167 13 7 0111 8 8 13 167 163 Start Dif . 7 7 7 1 1 x x x1 12.25 13 rec. 2 4 ¿13<0? NO SI Bit3 =0 ¿13>=7? Bit2 =1 SI ¿6>=3.5? Bit1 =1 SI 2.5>=1.75? Bit0 =1 22 Arquitecturas de red para la distribución de contenidos IMA ADPCM: Ejemplo de funcionamiento (III) Cuarta muestra: S=4 step=16 X dif. step Result Ajuste Índice Valor reconst. Valor predicho 150 - - - - 0 - 150 155 5 7 0010 -1 0 4 154 167 13 7 0111 8 8 13 167 163 -4 16 1001 -1 7 -4 163 Star t Dif . 16 16 0 16 0 x x x1 4 4 rec. 4 2 SI -4 < 0? Bit3 =1 (como Bit3=1, realmente sería -4) 4 >=16? NO Bit2 =0 ¿4>=8? NO Bit1 =0 4>=4? SI Bit0 =1 23 Arquitecturas de red para la distribución de contenidos Calidad telefónica: Recomendaciones ITU G.701: Digitalización PCM G.711: Codificación logarítmica µ-law y A-law G.721: ADPCM Muestreo a 8 Khz, muestras de 8 bits: 64 Kbps Utiliza diferencias de 4 bits: tasa de bits final 32 Kbps G.722: Muestreo a 16 Khz, muestras de 14 bits: 224 Kbps Codifica señales de audio de hasta 7 KHz (por el muestreo) Descompone la señal en dos bandas de 4 KHz. A cada banda le aplica ADPCM. Tasas de bits finales: 48, 56 y 64 Kbps. G.723, Sub-Band ADPCM. G.726, G.727: Variantes del G.721 (ADPCM). 24 Arquitecturas de red para la distribución de contenidos Calidad telefónica: Vo-coding LPC (Linear Predictive Coding) US-FS-1015 Define un modelo analítico del aparato fonador Reduce cada segmento de audio a los parámetros del modelo que más se aproximan al original. El decodificador recoge estos parámetros y sintetiza la voz correspondiente. LPC-10E puede bajar hasta 2.4 Kbps. CELP (Code Excited Linear Prediction) US-FS-1016. Es una versión mejorada del LPC. Diferencia: Utiliza un code-book con secuencias predefinidas para aplicarlas a cada frame de audio, eligiendo aquella que más se aproxima al original. Además, calcula los errores cometidos. Se envían los parámetros y la versión comprimida de los errores. Tasa de bits de hasta 4.8 Kbps (calidad similar a ADPCM G.721 a 32 Kbps) Variantes CELP: GSM, VSELP, LD-CELP, ITU G.729, QCELP, MELT, etc. 25 Arquitecturas de red para la distribución de contenidos Calidad telefónica Tabla resumen de algunos codecs de audio. Año 1972 1976 1984 1990 1991 1991 1992 1992 1993 1995 1995 1995 1996 Tasa de bits (Kbps) 64 2.4 32 4.15 13 4.8 16 8 1-8 8 6.3 5-6 2.4 Nombre MOS PCM (PSTN) LPC-10 G.721 ADPCM INMARSAT GSM CELP (US 1016) G.728 (LD-CELP) VSELP QCELP G.729 G.723.1 Half-Rate GSM New LPC 4.4 2.7 4.1 3.2 3.6 3.2 4 3.5 3.4 4.2 3.98 3.4 3.3 26 Arquitecturas de red para la distribución de contenidos 3.2 Calidad CD Estándares MPEG/audio (Estándar ISO) MPEG (Moving Pictures Expert Group) MPEG/audio ofrece altos índices de compresión, manteniendo la calidad del audio del stream original. Son algoritmos de compresión con pérdidas*. MPEG-1 /audio Muestreos: 32, 44.1 y 48 KHz. Soportan uno o dos canales (diferentes modos de operación). Tasas de bits: 32 a 256 Kbps/canal. Indices de compresión: 2.7 a 24. MPEG-2 /audio Compatibilidad hacia atrás con MPEG-1. Diseñado para sistemas de sonido multicanal. 27 Arquitecturas de red para la distribución de contenidos MPEG-1 audio. El stream comprimido puede incluir información auxiliar (acceso aleatorio, avance y retroceso rápido, CRC, etc.) Arquitectura de tres niveles MPEG-1 Nivel I: El más sencillo. Tasa de bits 192 Kbps/canal. Aplicaciones: Philips DCC MPEG-1 Nivel II: Complejidad media. Tasa de bits 128 Kbps/canal. Aplicaciones: DAB, CD-I, Vídeo CD. MPEG-1 Nivel III: El más complejo. Ofrece la mejor calidad de audio con tasas de bits sobre 64 Kbps/canal. Está preparado para N-RDSI. Existen codecs hardware de los tres niveles para aplicaciones de tiempo real. 28 Arquitecturas de red para la distribución de contenidos MPEG audio: Fundamentos. Se basa en la capacidad de percepción que tiene el oído humano (modelos psico-acústicos) Enmascaramiento de señales débiles (noise masking): 29 Arquitecturas de red para la distribución de contenidos MPEG audio: Fundamentos. Discriminación frecuencial limitada. La agudeza (selectividad) del oído humano en baja frecuencia es muy superior que en altas frecuencias (sub-band coding) 30 Arquitecturas de red para la distribución de contenidos MPEG Audio: Diagrama de bloques Codificador PCM audio Time-Frec Sub-band filtering Asig. Bits. Cuantizador Codificador Modelo psico-acúst. Formato del stream de bits Stream de bits comprimido Datos auxiliares (opcional) Decodificador Stream de bits comprimido Desensamblado Reconst. de bandas Transformación Frec-Time PCM audio Datos auxiliares (opcional) 31 Arquitecturas de red para la distribución de contenidos MPEG-1 audio: Niveles. Nivel I: Se divide la señal de audio en 32 bandas de 750 Hz. Tasa de muestreo: 48 Khz. Tamaño de trama: 384 muestras El umbral de enmascaramiento (SMR) se calcula con una FFT de 512 puntos (modelo psico-acústico). Para cada sub-banda se escoge uno de los 15 cuantizadores definidos en función del SMR y la tasa de bits requerida. Nivel II: Utiliza un tamaño de trama de 1152 muestras, una FFT de 1024 puntos (cálculo del SMR) y una cuantización más fina. Nivel III: Incrementa la resolución en frecuencia de las 32 bandas (MDCT), utiliza un modelo psico-acústico más elaborado, y añade una etapa de compresión Huffman. 32 Arquitecturas de red para la distribución de contenidos MPEG Audio: Calidad de audio Parámetros de calidad objetivos: MSE (Mean Square Error). Calcula el error cuadrático medio entre la señal original y la reconstruida con el codec. 1 MSE N s i s i i 1 N 2 SNR (Signal-to-Noise Ratio) Relación logarítmica entre dos señales. Se utilizará para comparar la señal original con el error introducido por el codec. Se expresa en decibelios (dB). 1 SNR (dB) 10 log10 N N si i 1 MSE 2 2552 PSNR 10 log10 MSE 33 Arquitecturas de red para la distribución de contenidos MPEG Audio: Calidad de audio. Parámetros de calidad subjetivos: MOS (Mean Opinion Score): MPEG define una serie de tests para determinar la calidad de audio generada por cada nivel. Resultados: Fuente: Estéreo, 16bits, 48KHz, 256 Kbps Compresión 6:1 En condiciones de escucha óptimas, expertos en audición han sido incapaces de distinguir secuencias comprimidas de sus originales. 34
