José M. Fanjul - Técnicas de compresión para video y televisión

Las técnicas de compresión para televisión y video digital hacen uso de dos procedimientos: reducción de la redundancia espacial y reducción de la redundancia temporal de las imágenes.

El tratamiento de las redundancias espaciales consiste en la eliminación de información de una imagen fija que no resulta perceptible por el ojo humano. Es similar al conocido proceso de filtrado que se realiza con las frecuencias de audio, por ejemplo en alta fidelidad. Dado que el oído humano no distingue sonidos por encima de unos 20 kHz (kilohertz) aproximadamente, pueden filtrarse estas frecuencias antes de la grabación, resultando en una disminución de la información almacenada por unidad de tiempo. Lo mismo ocurre con una imagen, que se compone de una serie de transiciones de color y luminosidad entre píxeles contiguos en las dos dimensiones. Las transiciones de color o luminosidad muy bruscas (equivalente a una frecuencia espacial muy alta) desperdician mucha información, dado que el sistema visual es incapaz de percibirlas. Al igual que en el caso de las señales de audio, las frecuencias espaciales pueden filtrarse a fin de disminuir la información visual a almacenar por unidad de tiempo (“video bit rate”). Para entenderlo mejor, imaginemos una imagen patrón compuesta de un mosaico de cuadros blancos y negros, tipo tablero de ajedrez. El efecto de filtrar las frecuencias espaciales superiores de la imagen sería el de suavizar las transiciones entre los cuadros blancos y los negros. El efecto resulta apenas perceptible para el ojo humano, pero permite un ahorro importante de información.

Para el filtrado espacial se utiliza típicamente la llamada “transformada discreta del coseno” (su abreviatura en inglés es DCT), que transforma una señal definida en el dominio del tiempo (señal de video) en otra señal en el dominio de las frecuencias espaciales. En primer lugar, los cuadros de imagen se subdividen en bloques (matrices) de tamaño 8 x 8 píxeles. A cada bloque se le aplica la transformada del coseno, obteniéndose otra matriz de 8 x 8 cuyos coeficientes representan las frecuencias espaciales (el tipo de transiciones entre píxeles) del bloque. Los coeficientes de alta frecuencia de esta matriz de frecuencias, (representativos de transiciones bruscas) se eliminan, con el ahorro consiguiente de información. El resto se codifica explotando su redundancia estadística, por ejemplo utilizando códigos de longitud variable (como los códigos de Huffman) para aumentar la compresión. Para ello se asignan códigos de longitud corta a los valores que aparecen más frecuentemente y códigos más largos a los valores menos frecuentes.

El tratamiento de las redundancias temporales de la imagen se basa en codificar únicamente las partes de ésta que cambian de un cuadro al siguiente. El ejemplo típico es un partido de tenis en el que únicamente cambia la parte de la imagen correspondiente a la pelota y a los jugadores. Dado que el fondo es casi fijo, en teoría bastaría codificarlo una sola vez al principio y concentrarse únicamente en la información relativa a los movimientos de la pelota y a los jugadores. De esta forma, se produce un considerable ahorro de información al codificarse únicamente un pequeño número de los píxeles totales del cuadro.

En la práctica se procede de la forma siguiente: el codificador estima el vector de movimiento, o dicho de otra forma, calcula el desplazamiento de los objetos definidos por medio de bloques de 16 x 16 píxeles (“macro bloques”), analizando varias imágenes sucesivas. A continuación, el codificador realiza una predicción del cuadro siguiente a partir del actual y los vectores de movimiento, es decir genera una imagen teórica a partir de la anterior y de las predicciones de movimiento de los objetos. Por ejemplo, en el caso del partido de tenis se generaría una imagen en la que la bola se ubicaría en la posición calculada a partir de sus vectores de movimiento. Por último, se calcula la diferencia de contenido entre la imagen resultante de la predicción y el contenido de la imagen real (en nuestro ejemplo, la pelota de tenis podría haber cambiado de forma a la vez que se ha movido, o simplemente, la predicción de los vectores de velocidad no es exacta). Esta diferencia se comprime como si fuera una imagen fija por medio de la transformada del coseno y se almacena junto con los vectores de movimiento para su utilización por el decodificador durante el proceso de generación de la imagen.

Es evidente que cuanto más precisa sea la predicción, existirán menos diferencias entre la imagen teórica y la real, con lo que la información a codificar disminuirá, aumentando la compresión final para una misma calidad objetiva.

Esta norma, utilizada en los discos DVD, la televisión digital por cable, terrenal y por satélite, entre otras aplicaciones, se basa en los procedimientos de compresión descritos anteriormente. La norma especifica la sintaxis del flujo de datos binarios que recibe el decodificador y a partir del cual éste debe regenerar la imagen. Es decir, obliga a formatear de una forma determinada los datos obtenidos al aplicar los procedimientos de compresión, de tal manera que puedan ser comprendidos y utilizados por cualquier tipo de decodificador que se encuentre en los equipos reproductores.

Es interesante señalar que la norma no prescribe cómo debe realizarse la codificación, es decir, no se propone ningún mecanismo específico para calcular los vectores de movimiento, o cómo adaptar los coeficientes de la transformada del coseno de acuerdo con el contenido de la imagen. Esto deja intencionadamente un amplio espacio para la competencia entre los diseñadores de codecs (codificadores – decodificadores ) de MPEG-2. Así, dos codecs MPEG-2 diferentes serán siempre compatibles porque comparten el formato de los datos que intercambian y puede decirse que hablan el mismo lenguaje. Sin embargo su calidad puede ser muy diferente. Por ejemplo, un algoritmo deficiente para el cálculo de vectores de velocidad dará lugar a un gran desperdicio de información, al existir más diferencias de las debidas entre la predicción de un cuadro (basada en los vectores de velocidad) y el contenido real del mismo, como ya se ha explicado anteriormente La disminución de información útil por unidad de tiempo originará un pérdida de calidad perfectamente perceptible durante la reproducción.

El procedimiento concreto de compresión utilizado en MPEG-2 es una mejora del ya utilizado por su predecesor en la norma MPEG-1, dedicada a codificación de video de baja calidad. La secuencia a comprimir se divide en grupos de imágenes. Cada uno de ellos está formado por N imágenes, de las cuales la primera es de tipo “I” (codificación “Intra – imagen”, o imagen base). Las imágenes números (M+1), (2M+1), etc., se predicen “hacia delante”, a partir de la imagen “I” anterior y se denominan “P”. Entre estos dos tipos “I” y “P”, que se denominan “imágenes ancla”, se intercalan el resto de las imágenes, que pasan a denominarse imágenes “B” (bidireccionales, como veremos a continuación). Así la secuencia final de imágenes codificadas es la siguiente:

La predicción de las imágenes “B” se basa en el hecho de que una imagen cualquiera guarda relación (matemáticamente se dice que está “correlacionada”, o “correlada”) tanto con las imágenes pasadas como con las futuras. En consecuencia, el codificador puede utilizar imágenes futuras en el proceso de predicción, lo que en algunos casos da lugar a una predicción de mayor precisión, con el consiguiente ahorro de información.

Imaginemos por ejemplo el caso de un único objeto que, desplazándose de izquierda a derecha, pasa por detrás de un árbol y vuelve a aparecer. La predicción para la secuencia de movimientos comprendida entre el inicio y la ocultación por el árbol puede realizarse solamente “hacia delante”. Sin embargo, para la secuencia comprendida entre la nueva aparición por detrás del árbol y el final, es mucho más útil la predicción a partir de imágenes futuras (téngase en cuenta que se trata de un movimiento simétrico en el tiempo con respecto a la primera de las secuencias). El precio a pagar por esta mejora consiste en la necesidad de una mayor velocidad y memoria en el decodificador, problema hoy en día superado debido a las altas prestaciones y bajo coste de los procesadores de señal y de los microprocesadores utilizados en los ordenadores personales y equipos de electrónica de consumo.

Dado que la norma MPEG-2 pretende cubrir las necesidades de una gama muy amplia de aplicaciones, desde televisión de alta definición hasta transmisión de secuencias de video por Internet, se han establecido una serie de perfiles y niveles de uso destinados a su optimización para cada utilización específica.

Un perfil consiste en la limitación a un subconjunto de los elementos de la norma que se consideran suficientes para dar soporte a las características de una aplicación específica. Algunos de los perfiles definidos actualmente son: Simple (permite la realización de decodificadores más sencillos), Principal (compatible con la mayoría de las aplicaciones), SNR, Espacial y Alto (permiten la escalabilidad y altas resoluciones en la crominancia). Los niveles especifican los rangos que pueden tomar parámetros tales como el tamaño de la imagen, velocidad binaria final, etcétera.

José Miguel es ingeniero de telecomunicación por la Universidad Politécnica de Madrid. Hasta 1989 trabajó en proyectos de I+D en el campo de radar y ESM en el grupo CESELSA, hasta 1997 fue Jefe del Área de Normalización Técnica en la Dirección General de Telecomunicaciones, con participación en comités europeos en internacionales de normalización (ETSI y UIT-T), y hasta 1999 fue Subdirector de Redes y Servicios de la Comisión del Mercado de las Telecomunicaciones. Actualmente trabaja en la Oficina Europea de Patentes, con sede en Munich.