Fundamentos de Compresión de Vídeo: DCT, Estándares H.261, H.263 y MPEG-2
1. Propiedad de Compactación en Transformadas Bidimensionales y Uso de la DCT
Los niveles de luminancia y crominancia de un cuadro de vídeo se almacenan numéricamente en una matriz bidimensional. Estas matrices pueden transformarse a otros dominios mediante diferentes operadores matemáticos.
Propiedad de Compactación de Energía
Los coeficientes resultantes de aplicar una transformada representan la energía de la señal descompuesta en distintas frecuencias espaciales. No todos los coeficientes presentan la misma relevancia perceptual:
- Bajas frecuencias: Concentran la mayor parte de la energía visual de la imagen.
- Altas frecuencias: Poseen coeficientes de escasa significación que pueden despreciarse o cuantificarse de manera más agresiva sin introducir pérdidas perceptibles para el sistema visual humano.
Comparativa de Transformadas para Imagen y Vídeo
- Transformada de Fourier (TF): Sus componentes espectrales son números complejos, lo cual incrementa notablemente el número de operaciones necesarias para su procesado. Asimismo, sus propiedades de compactación de energía no resultan óptimas para señales de imagen.
- Transformada de Karhunen-Loève (KLT): Proporciona la máxima compactación teórica de energía y descorrelación total, pero requiere una elevadísima carga computacional al depender de la covarianza estadística de cada bloque de entrada.
- Transformada Discreta del Coseno (DCT): Aunque es ligeramente menos eficiente en términos teóricos que la de Karhunen-Loève, presenta un coste de cómputo sustancialmente menor. Sus coeficientes son puramente reales y convierte eficientemente elementos de imagen estadísticamente dependientes en coeficientes descorrelacionados e independientes.
Por estos motivos, la DCT es la opción preferida en los algoritmos de compresión, ya que maximiza la calidad subjetiva de la imagen permitiendo descartar coeficientes irrelevantes para alcanzar tasas de compresión elevadas.
2. Cuatro Mejoras Opcionales Introducidas en H.263 (Versión de 1996)
La primera versión de la recomendación ITU-T H.263 incorporó extensiones y anexos con mejoras opcionales de codificación:
- Vectores de movimiento ilimitados (Unrestricted Motion Vectors): Permite utilizar vectores de movimiento que apuntan fuera de los límites físicos de la imagen. Resulta de gran utilidad cuando aparecen objetos por los márgenes de la pantalla, habilitando el uso de vectores que en el modo base estarían prohibidos para ajustar regiones del objeto que entran en cuadro.
- Codificación aritmética basada en sintaxis: Reemplaza las tablas de códigos de longitud variable (Huffman) por codificación aritmética, lo que produce un flujo binario (bitstream) más compacto a cambio de una mayor complejidad de cómputo.
- Modo de predicción avanzada (Advanced Prediction Mode): Amplía la predicción estándar sobre macrobloques de 16×16 píxeles con un único vector de movimiento al uso facultativo de compensación de movimiento promediada en bloques de 8×8 píxeles con diferencias de predicción tomadas a partir de tres bloques (el actual y sus adyacentes). Con ello se evita que los residuos de predicción entre bloques colindantes difieran bruscamente, mitigando el efecto bloque (blocking artifacts).
- Cuadros PB (PB-frames): Alternativa a la codificación bidireccional estándar para atenuar el retardo provocado por la reordenación de cuadros B. Una trama PB integra dos imágenes dentro de una sola unidad: una imagen P (calculada a partir del último cuadro transmitido) y una imagen B interpolada entre dicho cuadro anterior y la propia imagen P compañera. Su propósito es duplicar la tasa de refresco temporal sin incrementar la tasa binaria ni requerir una sobrecarga excesiva.
3. Marcas de Tiempo PTS y DTS en MPEG-2
En el estándar MPEG-2, el flujo de datos elemental de vídeo o audio se fragmenta en paquetes dentro de una estructura denominada PES (Packetized Elementary Stream). Cada paquete incluye una cabecera con código de inicio, identificador de secuencia, longitud del paquete y marcas de temporización para garantizar la sincronización:
- PTS (Presentation Time Stamp): Indica el instante preciso en el que una muestra de audio o un cuadro de vídeo reconstruido debe presentarse en pantalla. Está presente en todas las muestras de audio y vídeo.
- DTS (Decode Time Stamp): Define el momento exacto en el que el cuadro debe ser decodificado por el receptor. Únicamente se incluye en imágenes con codificación bidireccional (cuadros B y sus cuadros de referencia P o I), dado que el orden de decodificación no coincide con el orden de visualización en presencia de dependencias temporales futuras.
4. Características del Estándar H.261
El estándar ITU-T H.261 define los métodos de compresión y descompresión de vídeo concebidos originalmente para servicios de videoconferencia y videotelefonía sobre redes digitales RDSI (ISDN):
- Compresión híbrida y dominio transformado: Aplica predicción inter-imagen para reducir la redundancia temporal y la DCT sobre bloques de 8×8 píxeles del residuo o imagen de error para explotar la redundancia espacial. Los coeficientes se cuantifican y codifican mediante códigos de longitud variable (VLC).
- Estructura de cuadros: Utiliza cuadros intra (I) codificados puramente mediante DCT y cuadros inter (P) con predicción diferencial y compensación de movimiento opcional.
- Formatos y resoluciones de vídeo: Admite los formatos CIF (352×288 píxeles) y QCIF (176×144 píxeles) con muestreo 4:2:0 en componentes de luminancia y crominancia (Y, Cb, Cr), asegurando la compatibilidad universal entre sistemas de televisión de 625 líneas (PAL/SECAM) y 525 líneas (NTSC) al utilizar un número entero de macrobloques. Todos los decodificadores deben soportar obligatoriamente QCIF y CIF.
- Frecuencia y tasa binaria: Trabaja con secuencias no entrelazadas de hasta 30 cuadros por segundo y opera en tasas binarias comprendidas entre 40 kbit/s y aproximadamente 2 Mbit/s (en múltiplos de 64 kbit/s, p × 64 kbps).
- Protección frente a errores: Incorpora esquemas de corrección directa de errores basados en códigos BCH.
5. Perfiles Escalables en MPEG-2
MPEG-2 contempla mecanismos de escalabilidad jerárquica para permitir que un mismo flujo sea decodificado con diferentes niveles de calidad o resolución:
Escalabilidad SNR (Relación Señal a Ruido)
La información se distribuye en capas según la precisión de cuantificación de los coeficientes DCT:
- Capa base (nivel inferior): Emplea una cuantificación más gruesa, requiriendo menor tasa binaria pero ofreciendo una menor relación señal a ruido (SNR).
- Capa de realce (nivel superior): Transmite el residuo de cuantificación obtenido de restar la imagen reconstruida localmente de la original. Un decodificador avanzado combina ambas capas para obtener una señal con mayor fidelidad visual.
Escalabilidad Espacial
Ofrece secuencias decodificadas a distintas resoluciones espaciales:
- La capa base codifica las bajas frecuencias espaciales (por ejemplo, para resolución SDTV estándar).
- La imagen decodificada se interpola y se resta de la imagen original en alta definición (HDTV), generando una capa de ayuda con las componentes de alta frecuencia. Los receptores convencionales muestran la señal SDTV, mientras que los terminales HDTV combinan ambas corrientes de bits para reconstruir la imagen de alta definición completa.
6. Parámetro MTYPE (Tipo de Macrobloque)
El campo MTYPE es una palabra de código de longitud variable (VLC) incluida en la cabecera del macrobloque que especifica su estructura interna y los elementos de sintaxis que contiene:
- Determina la presencia de coeficientes de luminancia y crominancia transformados, así como el modo de predicción (intra o inter).
- Indica la presencia de vectores de movimiento diferenciales (MVD), los cuales forman parte de todos los macrobloques con compensación de movimiento (MC).
- Señales como MIC o FIL especifican cuándo se aplica un filtro de lazo espacial sobre macrobloques compensados sin movimiento para suavizar transiciones y suprimir artefactos visuales.