MPEG 1 et MPEG 2. MSH Paris nord - Plate forme Arts, Sciences, Technologies Philippe GASSER Juin / 20

Transcription

1 MPEG 1 et MPEG 2 A partir du milieu des années 80, la vidéo sous une forme numérique commençait à s implanter dans les milieux professionnels : la normalisation suivait son cours et les industriels développaient des matériels pour la production Les images étaient de qualité mais cette mutation se heurtait à un obstacle majeur qui bloquait son évolution vers des applications pour le grand public : les débits nécessaires étaient très importants (au minimum 166 Mb/s pour la vidéo seule). Après la phase de production en numérique, la diffusion en analogique (par le canal de la télévision, hertzienne, câblée ou par satellite, ou par l intermédiaire de la cassette VHS pré-enregistrée) restait alors de mise. Atteindre le grand public était une nécessité. Réduire le volume de ces données numériques devenait une obligation pour pouvoir utiliser les canaux de diffusion (hertzien, répéteur satellite dont la capacité ne dépasse pas une quarantaine de Mb/s) ou les supports de stockage (bande magnétique, supports informatiques) existant ou à venir. C était aussi la solution pour favoriser la multiplication des programmes : au lieu d un unique programme en analogique, un canal hertzien ou un répéteur satellite allait pouvoir en accueillir jusqu à une dizaine en numérique. La révolution a été importante et rapide. En une vingtaine d années, le numérique est devenu une réalité dans tous les secteurs de l audiovisuel, y compris grand public. Caméscope, récepteurs satellites, DVD sont aujourd hui présents dans ma majorité des foyers. Les résultats sont spectaculaires. Avec les dernières évolutions des normes, le débit numérique nécessaire pour une diffusion de télévision vers le grand public ne dépasse pas aujourd hui quelques Mb/s, tout au plus 6 ou 8 Mb/s pour les programmes les plus exigeants. Ces valeurs sont à comparer au chiffre de 166 Mb/s correspondant à un signal non compressé (voir chapitre suivant). Cela représente une réduction des données de plus de 95%! Les technologies de compression sont aujourd hui utilisées à tous les stades de la production et de la diffusion. Ce document présente les principes et les technologies qui sont mises en œuvre dans les normes MPEG et plus précisément MPEG-1 et MPEG-2. MPEG-4 fait l objet d un second texte. Seule la problématique de la vidéo y est évoquée, mais il est évident que l audio est également soumis à des technologies similaires, avec cependant des contraintes de débits bien moindres il est vrai. MSH Paris nord - Plate forme Arts, Sciences, Technologies Philippe GASSER Juin / 20

2 1- A l origine, la vidéo numérique non compressée : Adoptée depuis 1982, la norme CCIR 601 (référencée officiellement aujourd hui sous les termes aujourd hui ITU-R BT.601) définit à l échelon mondial les paramètres de la vidéo numérique. La numérisation est réalisée à partir d un signal en composantes 1. Une image numérique au format 4/3 est composée de 720 pixels sur 576 lignes actives (pour la zone 625 lignes / 50 Hz). Tous les pixels contiennent des informations de luminance. Par contre, un pixel sur deux ne contient pas d'information couleur. La terminologie (utilisée parfois abusivement comme synonyme à CCIR 601) indique que les fréquences d échantillonnage, celle de la luminance (13,5 MHz) et celles des deux composantes de chrominance (6,75 MHz) sont dans le même rapport que les chiffres quatre, deux et deux. Avec une quantification sur 10 bits, le débit pour une image complète est de 270 Mb/s (216 Mb/s sur 8 bits). Si on ne numérise que la partie visible de l'image, le débit est de 166 Mb/s (sur 8 bits). Les trois formats d image. S appuyant sur la perception réduite de l œil humain pour les détails fins lorsqu ils sont en couleur, les ingénieurs ont développés des déclinaisons de la norme Le a donné naissance à deux déclinaisons : le et le La différence entre elles concerne uniquement l'échantillonnage de la chrominance. Dans le 4.1.1, un pixel sur 4 seulement sur chaque ligne contient des informations couleur. Dans le 4.2.0, le nombre total de pixels contenant des informations couleurs est identique au mais la répartition est différente : une ligne contient des informations couleurs un pixel sur deux (comme pour le 4.2.2) mais la 1 Une image vidéo en couleur est composée à partir de trois couleurs fondamentales, le rouge, le vert, le bleu (RVB dans la littérature technique). Pour différentes raisons (de compatibilité et d occupation spectrale notamment), ces signaux RVB ne convenaient pas pour les applications de diffusion et d enregistrement (nous sommes au début des années 80, ne l oublions pas!) Afin de satisfaire à ces exigences, les signaux de base RVB ont été recomposés sous une autre forme, à savoir un signal de luminance Y (représentant l image en noir et blanc et qui est défini par l égalité Y = 0,30R + 0,59V + 0,11B) et deux signaux contenant les informations de couleur Dr et Db (tels que Dr = R-Y et Db=B-Y). La bande passante de la luminance est de 6 MHz environ, celle des signaux Dr et Db a été limitée à 1,5 MHz (la sensibilité de l œil aux détails en couleur est moins grande). Cette représentation est dite «composante séparée». Elle est utilisée dans de très nombreuses applications professionnelles et est à l origine de la majorité des formats numériques (même grand public comme le DV). MSH Paris nord - Plate forme Arts, Sciences, Technologies Philippe GASSER Juin / 20

3 suivante ne contient que les informations de luminance. Le est donc un signal ayant deux fois moins d informations couleurs dans le sens vertical. En conclusion, les trois formats offrent donc la même définition pour la luminance mais diffèrent par la quantité et la répartition des informations couleurs. L utilisation du et est déjà en soi une première étape dans le cadre de la réduction des données, car elle permet déjà une diminution du débit par rapport au Le débit (identique pour les deux formats) est en effet égal à 124 Mb/s contre 166 Mb/s pour le Tous ces formats numériques conservent le rythme et la structure classique des images vidéo, à savoir 25 images par secondes (30 pour les américains et quelques autres pays) réparties en deux trames entrelacées, soit au total 625 lignes (pour l Europe) dont 576 utiles (c'est-à-dire réellement affichées à l écran). Tous les chiffres indiqués correspondent à des images de télévision standard, c'est-à-dire à des images dont la largeur et la hauteur sont dans un rapport 4/3. Les grands principes qui viennent d être évoqués ont été repris avec l avènement de la télévision au format 16/9, puis aujourd hui avec l arrivée prochaine de la haute définition. La définition des images changeant, les débits sont aussi différents et qui plus est beaucoup plus importants. Plus de vingt ans après sa naissance, la norme reste toujours la référence en matière de télévision numérique professionnelle. Les normes et sont employées dans de très nombreux matériels audiovisuels : magnétoscopes et caméscopes (y compris grand public), DVD, télévision numérique (satellite, TNT ). Formats (en 625 lignes) Résolution horizontale de la luminance Résolution verticale de la luminance Résolution horizontale de la chrominance Résolution verticale de la chrominance (nombre de lignes Db Dr) Débits bruts vidéo (partie utile de l image) Mb/s Mb/s Mb/s Tableau comparatif des 3 formats : L utilisation du ou du par rapport au était une première étape mais elle restait quand même très insuffisante (on pourrait même dire insignifiante) compte tenu du défi à relever. D autres technologies s appuyant sur les contenus même des images ont donc été développées. MSH Paris nord - Plate forme Arts, Sciences, Technologies Philippe GASSER Juin / 20

4 2- Les principes de bases de la compression : Dans la norme CCIR 601, puis ensuite dans les deux déclinaisons que sont le et le 4.2.0, chaque pixel est codé indépendamment des autres. L idée à la base de tous les systèmes de compression vidéo (mais aussi audio) est d exploiter les redondances qui existent naturellement dans des images vidéo, voire de les éliminer pour réduire la quantité et le débit d informations à transmettre. Ces redondances sont de quatre ordres : Les redondances spatiales : dans les grandes plages uniformes à l intérieur d'une image, il existe de nombreuses similitudes entre des points voisins. Les redondances temporelles : dans une séquence vidéo, les différences entre deux images successives sont minimes. On ne va coder que les différences entre des images successives et ne transmettre que les changements. Les redondances subjectives : il est inutile de coder les détails fins que l œil ne voit pas. Les redondances statistiques : on utilise des traitements purement informatiques qui exploitent par exemple les similitudes dans les suites de valeurs numériques. Ne pas transmettre un élément déjà transmis Ne pas transmettre ce que l on ne voit pas ou ce que l on n entend pas. Réduire voire supprimer toutes ces redondances va permettre des réductions qui peuvent être importantes, mais certaines de ces opérations ne sont pas sans dommages : elles provoquent des dégradations dans l image avec apparitions d artefacts plus ou moins visibles. Plus le taux de compression est élevé, plus les volumes des fichiers sont petits (ou en d autres termes, dans le cadre d une diffusion, plus le débit est faible) mais plus l image est affectée par des défauts visibles et inversement. Tout est question de dosage : les taux de compression qui sont appliqués sont variables selon le domaine d application visé et selon la position du média dans la chaîne de réalisation. Pour la production (secteur professionnel), les taux de compression restent très faibles, l image devant conserver toutes ses qualités intrinsèques. Pour la diffusion (télévisuelle, DVD ) à destination du grand public, des taux de compression plus importants sont recherchés avec pour objectif une «simplification des images jusqu à la limite de l apparition des défauts», notion toute relative il va de soi et qui est, qui plus est, variable en fonction du contenu même des images. Sans compression, un DVD simple face ne pourrait contenir que 30 secondes de vidéo : un spot publicitaire! Dans le cadre des processus de réduction des données, on distinguera les compressions avec pertes (lossy) et les compressions sans pertes (lossless). Les compressions avec pertes utilisent des algorithmes qui suppriment des informations qui existent mais qui sont invisibles ou non discernables pour l œil ou inaudibles pour l oreille humaine (par exemple, masquées par d autres sons). Ce sont des opérations irréversibles, la perte des informations étant définitive, mais les taux de compressions obtenus sont importants. MSH Paris nord - Plate forme Arts, Sciences, Technologies Philippe GASSER Juin / 20

5 Dans le cadre des compressions sans pertes, on supprime les informations redondantes et on procède au ré-agencement des données qui restent. Dans cette catégorie, on inclue également les compressions de type «informatique». Ce sont des opérations réversibles : une fois décodé, le signal retrouve ses qualités d origine mais les taux de compression sont beaucoup plus faibles. Dans la majorité des cas, les technologies de compression ne s appuient pas sur un seul et unique procédé mais reposent sur des successions d opérations élémentaires (qui pourront être losseless et lossy) et qui mises bout à bout procurent un taux de compression global important. Les «coupes» sont drastiques mais l œil s y accommode. Les résultats sont variables en fonction de la nature même des images. Les séquences vidéo comportant de nombreux objets en mouvement (retransmissions sportives par exemple) nécessitent des débits plus importants que celles qui ne comportent que des éléments statiques (journaux télévisés). Des groupes de travail se sont constitués pour tester et développer ces technologies. Le groupe MPEG (Moving Picture Experts Group) est l un d entre eux. Il est issu des deux instances de normalisation que sont l'iso et la IEC (International Standards Organisation et International Electrotechnical Commission). Ce groupe a en charge l'établissement de standards internationaux pour la vidéo et l'audio numérique. C'est une œuvre de longue haleine puisque les premiers travaux ont commencés à la fin des années 80, il y a plus de 15 ans. MSH Paris nord - Plate forme Arts, Sciences, Technologies Philippe GASSER Juin / 20

6 3- L exploitation des redondances spatiales dans l image. Les traitements intra-image : Une image seule contient beaucoup de redondances, a fortiori si elle présente des zones uniformes plus ou moins grandes : il y a alors de fortes corrélations entre des pixels voisins. A l opposé, une image avec beaucoup de détails contient assez peu de redondances. Si une image était uniquement constituée de bruits erratiques, il serait pratiquement impossible de la réduire. Le traitement repose sur un découpage de l image en blocs de 8 sur 8 pixels puis une réduction des données en trois étapes successives : - Une opération mathématique : la transformation en cosinus discrète DCT (pour Discrete cosinus transform) Pour permettre un codage plus efficace, cette opération mathématique va réaliser une réorganisation de l information, à savoir une transposition de l image depuis le domaine spatial vers le domaine fréquentiel transformant ainsi des échantillons d amplitude en coefficients. Ces coefficients sont représentatifs de la fréquence des signaux vidéo et représentent donc la quantité de détails. La DCT existe, on l a même rencontrée! Au final, chaque bloc de 8 sur 8 pixels de l image originelle est représenté par un tableau de 64 cases (8 colonnes sur 8 lignes) : ces coefficients sont classés en ordre croissant dans la matrice, les valeurs situées en haut à gauche représentant les basses fréquences de la transformée (la première valeur indiquant la valeur moyenne de tous les pixels du bloc), puis les valeurs représentant les détails fins (et donc les fréquences les plus élevées) étant placés à l autre extrémité de matrice. Si l image comporte peu de détails (un ciel bleu par exemple) beaucoup de ces coefficients seront faibles voire nuls. A ce stade, il n y a pas encore de compression de données : l opération est totalement réversible et sans perte : on pourrait encore reconstituer l image d origine! - La quantification : Ces coefficients sont ensuite quantifiés, mais avec une précision qui sera pondérée en fonction de la position des coefficients dans les blocs et donc de la finesse des détails (précision décroissante quand la fréquence augmente). La sensibilité de l œil humain est variable en fonction des fréquences et de leur positionnement par rapport à l horizontale. Pour la quantification des grandes plages presque uniformes, on adoptera un codage avec une précision maximum (on affectera un plus grand nombre de bits) ce qui évitera l apparition de «méplats» ou d effets de pixélisation dans les zones de l image originale qui comportaient de subtils dégradés pour lesquels l œil est particulièrement sensible. Pour les détails fins (les hautes fréquences spatiales), l œil est beaucoup plus tolérant et il n y perçoit pas les différences d intensité. Les coefficients correspondant à ces détails pourront être codés avec peu de bits. De nombreux coefficients non significatifs verront aussi leur valeur ramenée à zéro. Cela correspond à l élimination pure et simple des détails les plus fins de l image. Le taux de compression total (et donc la taille du fichier) obtenu pour une image dépend directement de la «précision» de la quantification que l on applique. (Table de quantification). C est l étape qui règle le compromis entre le débit et la qualité de l image. Sur MSH Paris nord - Plate forme Arts, Sciences, Technologies Philippe GASSER Juin / 20

7 l image décompressée, la structure en forme de blocs peut redevenir visible lorsque les taux de compression sont importants (ce défaut est d ailleurs appelé effet de blocs). La quantification est une phase primordiale. A ce niveau, la réduction des données est importante mais définitive : les informations supprimées sont irrémédiablement perdues. Avec MPEG, l image vidéo est découpée en blocs de 8 x 8 pixels. - La lecture des données : Les données sont ensuite lues et sérialisées. Les matrices sont exploitées, non pas ligne par ligne, mais en zigzag ce qui permet de commencer par les coefficients correspondant aux basses fréquences de la matrice et de regrouper tous les éléments nuls les uns derrière les autres et d optimiser leur compression. Un «compactage» du flux binaire utilisant les propriétés statistiques du signal est ensuite réalisé selon deux procédés : - codage à longueur courante (RLC) : au lieu de coder indépendamment chaque zéro, on émet un code indiquant le nombre de valeurs nulles. - codage à longueur variable (VLC) de type Huffman : on calcule les fréquences d'apparition de chaque octet et on les recode en fonction de leur fréquence d'occurrence. En s appuyant sur un «dictionnaire» (ce qui signifie une analyse préalable de la suite des éléments à transmettre), on affecte aux suites les plus courantes des codes binaires courts et aux occurrences rares des mots plus longs (système identique dans son principe au code morse qui affecte un simple point pour la lettre E très courante- et deux traits deux points pour la lettre Z d un emploi moins courant). En terme de compression, l efficacité de ces deux dernières opérations est relativement modeste. MSH Paris nord - Plate forme Arts, Sciences, Technologies Philippe GASSER Juin / 20

8 4- L exploitation des redondances temporelles. La compression inter-images : Dans une séquence vidéo, la différence entre une image et la suivante est relativement faible, sauf lors d un changement de plan. Un objet en mouvement à l écran va occuper un emplacement différent, mais il va conserver sensiblement le même aspect. L idée de base est la suivante : à partir d une image intégralement codée et transmise, on ne va ensuite transmettre pour les images suivantes que les informations de mouvement des différents éléments, ce qui correspond en fait à ne transmettre que les différences entre des images successives. Cette méthode de traitement étant établie par référence à une image codée intégralement, il est nécessaire que des images complètes soient diffusées à intervalle régulier. Ce point sera abordé dans le chapitre suivant. La position d un bloc de pixels variant peu d une image à l autre, tout (ou presque) macrobloc dans l image en cours peut être déduit par translation à partir d un macrobloc identique dans l image précédente. Par opposition aux opérations de réductions des redondances spatiales qui s appuyaient sur un découpage de l image en blocs de 8 x8 pixels, la compression inter-image s appuie sur un découpage de l image en macroblocs, entité de 16 x 16 pixels (soit 4 blocs en ce qui concerne la luminance voir encadré). A l encodage : - pour chaque macrobloc de l image en cours, on recherche dans l image précédente un macrobloc identique ou le plus ressemblant (bloc matching), ce qui va permettre la détermination d un vecteur de mouvement indiquant le déplacement réalisé entre les deux images. Ce vecteur s applique sur toutes les composantes (luminance et chrominance) du macrobloc. - on calcule ensuite les éventuelles différences pixel par pixel (si elles existent) entre les contenus des deux macroblocs, et on code spatialement cette image différentielle en utilisant les méthodes décrites précédemment pour le traitement des redondances spatiales : DCT, quantification, sérialisation, RLC et VLC. - Seuls les résultats de ces deux opérations, le vecteur de mouvement et le calcul sur la différence de constitution des deux macroblocs sont transmis dans le flux binaire et utilisés par le décodeur. A la réception du flux, ce dernier pourra reconstruire une image complète à partir de ces deux éléments et du contenu de l image précédente qu il aura déjà décodée et affichée. Estimation de mouvement La recherche d un macrobloc identique ou semblable peut ne pas aboutir (dans la cas d un changement de plan par exemple) : dans ce cas, le macrobloc sera recodé intégralement en intra. MSH Paris nord - Plate forme Arts, Sciences, Technologies Philippe GASSER Juin / 20

9 La méthode et les critères de ressemblance, l espace de recherche des macroblocs dans l image en cours et plus généralement les technologies utilisées pour l encodage ne sont pas indiqués dans la norme MPEG. Les fabricants d encodeurs sont libres d adopter la méthode de leur choix. Seul le résultat final compte, la détermination du vecteur de déplacement et du terme d erreurs. Ce sont ces deux éléments et seulement eux qui seront transmis dans le flux et utilisés par le décodeur. Les macroblocs peuvent être définis, soit à partir des images précédentes, soit à partir des images précédentes et suivantes (ce qui nécessitera un ré-ordonnancement de l ordre des images à l émission!). Ce point est abordé dans le chapitre suivant. Ces technologies élaborées pour MPEG-1 puis pour MPEG-2 seront reprises dans la norme MPEG-4 mais elles seront affinées et gagneront en efficacité. 5- La séquence MPEG. Les différents types d images : Redondances intra-images, redondances inter-images autant de caractéristiques des images animées qui ont entraîné les modes de traitement et de compression qui viennent d être décrits. Plus concrètement, au sein d une séquence MPEG cela a abouti à une hiérarchisation des images. Une séquence vidéo à la norme MPEG-2 peut être composée de trois types d images : - les images Intra (I) - les images Prédites (P) - les images bidirectionnelles (B) Toutes ces images ne sont pas traitées et compressées de la même façon. Les images Intra (I) sont codées intégralement, uniquement d après leurs propres caractéristiques, sans aucune référence aux images voisines. C est la redondance spatiale qui est exploitée. Les images I sont des images «références» à partir desquelles est réalisé le décodage. C est pourquoi chaque changement de plan doit commencer par une image I. Elles permettent un accès instantané en lecture. En diffusion, on place une image I toutes les 12 images. Ce sont les images les moins compressées, donc les plus volumineuses. Les images P sont prédites à partir des images I ou P précédentes en s appuyant exclusivement sur les technologies liées à l estimation et à la compensation des mouvements. Leur volume «informatique» est approximativement la moitié de celui des images I. Les images B sont également des images prédites, mais elles présentent la particularité de pouvoir être interpolées à partir d images I ou P passées et /ou futures. Il faut noter que le décodage d une image B n est possible que si les images I et P qui lui servent de référence (notamment les images futures) sont disponibles. C est pour cette raison que l ordre des images est modifié pour la diffusion et le décodage. Dans le décodeur, les images I et P déjà décodées sont «stockées» provisoirement dans des mémoires tampons, le temps de décoder et de calculer les images P et B suivantes Ce n est qu au moment de l affichage que les images sont replacées dans leur ordre «normal». La prédiction bi-directionnelle est si efficace que le volume des images B n est que le quart de celui des images I. Les images B ne propagent pas les erreurs puisqu elles ne sont jamais utilisées comme références. En résumé, seules les images I sont de véritables images. Les images P et B ne sont en fait que des reconstitutions à partir d éléments issus des autres images. Elles ne conviennent pas pour le montage. MSH Paris nord - Plate forme Arts, Sciences, Technologies Philippe GASSER Juin / 20

10 Le poids «relatif» des images I, P et B. On appelle GOP (Group of Picture) la séquences élémentaire composée d images I, P et /ou B. Un GOP commence toujours par une image I, puis par des images P et B et se termine avec l image précédant l image I suivante. La longueur du GOP peut être variable, mais la valeur la plus courante en diffusion (télévision ou DVD) est de 12. Dans ce cas, il comprend, outre l image I de départ, 3 images P et 8 images B. En production, le GOP peut n être que de 1 : la séquence n est alors composée que d images I, permettant de ce fait le montage à l image près. Des GOP de 2 (images I et B seulement) sont également possibles sur certains caméscopes. Le GOP en diffusion Pourquoi les images I sont elles indispensables à intervalle régulier? En diffusion, il y a donc environ deux images I par seconde dans le flux. Ce sont les seules images dans le flux à être codées intégralement, en fonction de leurs seuls éléments constitutifs et indépendamment des images voisines. Les images I doivent apparaître à intervalle régulier - pour éviter qu en cas de problème dans la transmission, une erreur ne se perpétue indéfiniment - en diffusion (télévision ou DVD), pour permettre aux utilisateurs de se connecter à tout moment et non pas uniquement au démarrage de la séquence (accès aléatoire) - de permettre la lecture avant ou arrière rapide (le décodeur ne décodant alors que les images I et non pas l ensemble des images). Plus la distance entre deux images I et entre deux images P est grande et plus la compression est forte (il y a dans ce cas un nombre très important d images B, celles qui sont les plus compressées et qui présentent donc le plus faible volume). Ceci offre l avantage de permettre un débit plus faible mais génère deux inconvénients : une distance importante entre deux images P implique un plus grand délai dans les phases de codage et décodage ; une distance importante entre deux images I apporte une restriction pour l accès instantané (zapping) en un MSH Paris nord - Plate forme Arts, Sciences, Technologies Philippe GASSER Juin / 20

11 point quelconque d une séquence (mais est ce vraiment important pour le téléspectateur lambda?). A qualité constante, une séquence vidéo encodée avec un GOP de 1 (c'està-dire constitué uniquement d images I) nécessitera un débit 2 à 3 fois plus élevé que la même séquence encodée avec un GOP de 12 (le modèle utilisé en diffusion ou pour le DVD avec des images I, P B). MSH Paris nord - Plate forme Arts, Sciences, Technologies Philippe GASSER Juin / 20

12 6- Profils et niveaux avec MPEG-2 MPEG-1, la première norme qui fut développée, puis MPEG-2 élaborée par la suite, s appuient sur les mêmes principes de base. Néanmoins les champs d applications visés ne sont pas les mêmes. A une première norme mono-usage à la qualité très modeste a suivi une norme multi-applications, avec des niveaux qualitatifs qui peuvent être élevés. MPEG-1 avait pour cible les applications et le stockage de vidéos sur les disques CD de la première génération, c'est à dire avec un débit ne dépassant pas 1,5 Mb/s 2. L'image est en avec une définition totale pour la luminance de 288 x 352 pixels. Par rapport à une image classique de télévision (720 x 576), cela signifie en clair que l on ne prend en compte qu une trame sur deux (on s affranchit de l entrelacement) et qu un pixel sur deux horizontalement. En d autres termes, la définition est divisée par deux dans le sens horizontal et par deux dans le sens vertical. La qualité de l'image est souvent comparable à celle obtenue à la lecture d'une cassette VHS. Ce standard a été approuvé en novembre A l opposé, MPEG-2 n est pas un format simple et rigide. Il offre un ensemble d éléments qui s adaptent à un large éventail d applications : diffusion télé, DVD, post production, haute définition Les débits sont différents pour l acquisition, le montage et la distribution. MPEG-2 gère l entrelacement. MPEG-2 ne constitue pas une norme unique mais une sorte de boîte à outils, une famille de normes dont on choisit les paramètres finaux en fonction des besoins. Afin de rendre la norme polyvalente (en terme d applications visées mais aussi au niveau des fonctionnalités possibles) on a défini pour MPEG-2 une série de profils et de niveaux (profiles et levels en anglais). Les profils correspondent à une approche qualitative : ils regroupent les outils de codage et les algorithmes les plus appropriés pour diverses situations d utilisation : diffusion, production... Les profils définissent ainsi les types d images qui seront utilisés (Images I, P, B ), les procédés de codage employé Les décodeurs n'auront pas à implémenter tous les outils de la norme mais seulement ceux destinés à l'usage visé. Chaque profil comporte ensuite différents niveaux. Ils apportent une approche quantitative, décrivant différents paliers de performance pour un profil donné et correspondant à autant de degrés de complexité dans la mise en oeuvre. Les niveaux imposent des contraintes à certains paramètres clés du flux. Ils vont par exemple spécifier les limites supérieures pour la définition des images, le nombre d'image par seconde, les gammes de débits utilisables Chaque profil offre une compatibilité ascendante, c'est-à-dire qu un profil donné est capable de reconnaître et d exploiter tous les profils de niveau inférieur. Les couples Profile / Level sont conçus pour faciliter l interopérabilité entre des applications qui peuvent être utilisées pour générer un flux compatible. Six profils et quatre niveaux ont été définis. Sur les 24 combinaisons possibles, seules 12 ont été jugées utiles et réalisables. Celle actuellement retenue pour la diffusion numérique et pour le DVD est «Main Profil / Main Level» noté ML». L image est au format 720 x 576 en avec un débit maximum de 15 Mb/s. La séquence vidéo est composée des trois types d images I, P, et B avec un GOP de 12. Autour de ce couple «phare» universellement adopté, d autres formats ont été imaginés : formats inférieurs avec le «low level» qui offre une définition limitée à 352 x 288 (c est le format du MPEG-1) ou le «simple profile» qui n utilise que des images I et P (pas de prédiction bi-directionnelle) ou formats supérieurs avec l introduction de la haute définition et des formats d images atteignant 1920 x 1152 en ou en Tous les usages imaginés autour de MPEG-2 ne verront sans doute pas le jour. Il 2 débit obtenu avec un lecteur de CD ROM de base. Aujourd'hui, les lecteurs peuvent tourner beaucoup plus vite (X40) et donc fournir des débits beaucoup plus importants. MSH Paris nord - Plate forme Arts, Sciences, Technologies Philippe GASSER Juin / 20

13 en est ainsi pour la haute définition qui lorsqu elle apparaîtra très prochainement en France s appuiera, compte tenu des évolutions technologiques, non pas sur MPEG-2 mais sur la norme MPEG-4. Tableau des profils et des niveaux Le duo ML était inexploitable en post-production pour différentes raisons. Tout d abord, le codage d un signal source en n est pas satisfaisant puisque les informations de chrominance sont deux fois moindres qu en Ensuite parce que la structure même de la séquence vidéo avec son GOP de 12 interdit toute possibilité de montage avec une précision suffisante. Enfin, le débit maximum de 15 Mb/s s avère insuffisant pour ce type d application. Un profil spécifique pour les applications en studio a donc été développé ultérieurement afin de répondre aux exigences d un environnement de post-production. Sous l appellation il s appuie sur une structure d image en avec un débit pouvant atteindre 50 Mb/s et un GOP qui peut être limité à 1 (uniquement des images I) ou à deux (images I et B comme dans l ancien format SX de SONY). La résolution verticale atteint 608 lignes (au lieu de 576) permettant le codage de données auxiliaires. Le mot anglais scalable qui apparaît dans la tableau des profils et des niveaux désigne la possibilité de fournir et de transmettre dans un même signal un ensemble d éléments correspondant à différents niveaux de qualité et qui pourront être exploités différemment en fonction des conditions de transmission ou du type de terminal utilisé par l usager. Un même flux pourra comprendre des données principales utilisables par un décodeur bon marché (qui restituera alors une image de base) et des données complémentaires qui seront utilisées (avec les données de base) par un décodeur plus performant pour offrir une meilleure image. Dans MPEG-2, deux profils présentant cette particularité : le «SNR Scalable Profile» et le «Spatially Scalable Profile» permettent ainsi ce codage hiérarchique en deux couches favorisant, pour le premier, la réduction du rapport signal à bruit, et pour le second l augmentation de la résolution spatiale. Ces deux profils n ont quasiment pas été mis en œuvre, mais le principe a été repris (et devrait être étendu) dans la nouvelle norme MPEG-4. MSH Paris nord - Plate forme Arts, Sciences, Technologies Philippe GASSER Juin / 20

14 7- Débit fixe ou débit variable : En terme de complexité des images, le contenu d une séquence vidéo ou d un film est rarement homogène sur toute sa durée. MPEG-2 peut utiliser deux modes de fonctionnement : à débit constant ou CBR (Constant Bit Rate) ou à débit variable ou VBR (Variable Bit Rate). Comme les noms l indiquent, dans le premier cas, le débit restera toujours constant, alors que dans le second cas il sera variable en fonction des caractéristiques des images : des images complexes nécessitant des débits élevés et vice et versa. A un encodage à débit constant correspondra une qualité des images qui sera variable, et inversement, à un débit variable correspondant des images de qualité constante. Le débit variable permet également une meilleure optimisation de l espace ou du volume en fonction de la complexité des images : un DVD encodé à débit variable sera généralement moins volumineux qu encodé à débit fixe. 8- MPEG-2 en diffusion : les usages Les programmes de télévision diffusés en numérique aujourd hui, qu ils le soient par satellite, réseaux câbles urbains, ADSL et même terrestre (TNT), du moins pour ce qui concerne les premiers programmes gratuits s appuient tous sur la norme MPEG-2 et plus précisément sur le couple niveau / profil : Main Level / Main Profile. Ceci signifie une image en 720 x 576 en avec un débit qui ne dépassera pas selon la norme 15 Mb/s. En réalité, ce débit maximum n est jamais atteint dans les applications courantes. Il ne serait d ailleurs pas utile de choisir cette valeur maximum, l évolution des technologies de compression permettant aujourd hui d obtenir des images de qualité pour des débits largement en deçà (sans toutefois atteindre des débits trop faibles qui engendreraient des défauts trop visibles sur les images). On l a déjà mentionné, pour une qualité d image donnée, le taux de compression qui doit être appliqué dépend directement du contenu même des images, de leur richesse au niveau des détails ou des objets en mouvement. La retransmission d une épreuve sportive nécessitera un débit beaucoup plus élevé que la diffusion d une émission politique en plateau. Les quelques exemples présentés dans le tableau ci-dessous précisent quelques valeurs réelles mesurées pour différents types de programmes. Ils ont été relevés au mois de mars 2005 sur le site et concernent des programmes qui sont diffusés par TPS dans le cadre de son bouquet satellite. On l a déjà indiqué également, la définition «normale» d une image numérique est de 720 points (dans le sens horizontal) sur 576 lignes (verticalement donc). Comme ce tableau le montre également, certains programmes sont diffusés avec une définition horizontale réduite afin d économiser la bande passante, le récepteur se chargeant ensuite à la réception de «recomposer» l image dans le format normal de 720 x 576. Ceci se traduit aussi par des dégradations qui peuvent devenir visibles à l écran. On pourra retrouver sur ce même site les valeurs des autres programmes proposés par ce même diffuseur ainsi que celles utilisées par CANALSAT et par la TNT M6 Boutique Type de programme Débits compris entre : Valeur maximum Valeur moyenne Définition des images Emission en studio 1 et 3 Mb/s 4,3 Mb/s 1,6 Mb/s 480 x 576 LCI information 1,5 et 4 Mb/s 5,4 Mb/s 2,4 Mb/s 544 x 576 TPS Star films 2,5 et 6,5 Mb/s 8,3 Mb/s 4,3 Mb/s 720 x 576 Eurosport2 sport 3 et 8 Mb/s 8,8 Mb/s 4,8 Mb/s 720 x 576 Ce tableau illustre quelques uns des choix qui ont adoptés en terme de débit et de définition d images par ce diffuseur pour quatre de ses chaînes avec des thématiques bien ciblées. MSH Paris nord - Plate forme Arts, Sciences, Technologies Philippe GASSER Juin / 20

15 Le DVD, formidable succès aussi à l échelon mondial, s appuie également sur la norme MPEG-2. Pour la vidéo, le débit de doit pas dépasser 9,8 Mb/s. Il peut être fixe ou variable. La qualité tant vantée de l image DVD tient à la possibilité d utiliser une technique de compression «multipasses». Dans une première phase, l équipement d encodage procède à un examen précis de la vidéo, et dans un deuxième temps effectue l encodage au format MPEG-2 en s appuyant sur les relevés réalisés dans la première phase. Cette technique permet d optimiser la qualité des images en fonction de leur contenu précis : détails, mouvements rapides et n est pas soumise aux contraintes du temps réel. A débit égal, elle offre des résultats qualitatifs supérieurs à ceux issus d un encodage en une seule passe. Le codage en deux passes permet de réduite le débit (et donc le volume informatique du fichier) mais il est inapplicable pour la télévision en direct. MSH Paris nord - Plate forme Arts, Sciences, Technologies Philippe GASSER Juin / 20

16 Conclusion : MPEG-2 a été un formidable succès dans le monde entier : des millions de décodeurs ou de lecteurs de DVD s appuyant sur cette norme sont aujourd hui en service. Une des idées majeures qui a prévalue lors des développements de MPEG-2 était de ne pas bloquer l évolution de la technologie au fil des années et donc de continuer à améliorer la qualité finale des images, malgré le nécessaire blocage des technologies au niveau des décodeurs (notamment les lecteurs DVD) qui une fois installés au domicile des utilisateurs ne sont plus guère «upgradables». MPEG-2 (comme d ailleurs MPEG-4, on le verra dans un autre texte) ne définit pas les technologies utilisables pour l encodage, mais seulement la sémantique du décodage. En clair peu importe la méthode utilisée pour encoder les images, seul le résultat compte : le flux binaire produit devant être compatible avec la totalité des récepteurs. Cela laisse bien entendu toute latitude aux industriels pour améliorer leurs technologies de compression et développer de nouveaux encodeurs plus performants. Cette politique a été payante, puisque entre 1994 et 2002, et à qualité d image égale, le débit nécessaire a été divisé par un facteur de trois. Source RIAM Mais on estime aujourd hui que les évolutions de MPEG-2 ont atteint leur limite et qu il n est plus guère possible de réussir à l améliorer. MPEG-4 va lui succéder. C est une norme récente, performante, évolutive et prometteuse au niveau de ses potentiels. La première application à grande échelle devrait se concrétiser en France à la fin de cette année 2005 avec le télévision numérique terrestre qui s appuiera sur MPEG-4 pour les chaînes payantes (mais sur aussi sur MPEG-2 pour les chaînes gratuites!). Les nouvelles générations de DVD en haute définition utiliseront, non seulement le vieillissant MPEG-2, mais également les nouveaux codecs H264 (MPEG-4 Part10) et VC1 (Microsoft). Philippe GASSER MSH Paris nord - Plate forme Arts, Sciences, Technologies Philippe GASSER Juin / 20

17 Encadrés Quelques grandes dates de l histoire du numérique : 1982 Adoption de la norme CCIR 601 qui définit les paramètres de la vidéo numérique à l échelon mondial (4.2.2.) 1988 Premiers travaux du groupe MPEG (Moving Picture Experts Group) pour définir les standards de la vidéo numérique Approbation de la norme MPEG Premières spécifications pour le format DV 1994 Approbation de la norme MPEG Premier bouquet de TV numérique par satellite aux USA 1995 Premiers caméscopes au format DV 1996 Lancement en France du premier bouquet de télévision par satellite en définition standard à la norme MPEG Premiers lecteurs de DVD Vidéo en France 1998 Diffusion des premiers programmes en haute définition aux USA utilisant la norme MPEG-2 (débits environ 18 Mb/s) 1998 Approbation de la première version de la norme MPEG Formation d une équipe commune (JVT) entre l ISO et l ITU pour développer un nouveau format de compression pour MPEG-4 dénommé Advanced Video Coding (AVC) 2003 Ce système de codage est officiellement intégré dans les normes MPEG-4 sous deux noms : H264 et MPEG-4 Part Télévision numérique par ADSL Mars 2005 Mise en service de la Télévision numérique terrestre (TNT). Elle s appuie sur la norme MPEG-2 pour les programmes gratuits. Fin 2005? Utilisation de MPEG-4 pour la compression des programmes payants dans le cadre de la télévision numérique terrestre en France. MSH Paris nord - Plate forme Arts, Sciences, Technologies Philippe GASSER Juin / 20

18 Structure hiérarchique des éléments dans MPEG le GOP : groupe d images commençant par une image de type I qui permet un accès aléatoire. En diffusion, le GOP est souvent de 12 : il comprend, outre l image I de départ, 3 images P et 8 images B. En production, le GOP est de 1 : une séquence n est composée que d images I, permettant de ce fait le montage à l image près. l image : elle est constituée de 720 points sur 576 lignes les tranches (slices dans la littérature anglaise) : ensemble composé par un nombre entier de macroblocs alignés de gauche à droite sans recouvrement. Ils sont destinés à la gestion des erreurs au moment du décodage des images et notamment à la resynchronisation du décodeur en cours d image. les macroblocs : matrice constituée à partir de l association de blocs. Un macrobloc comprend 4 blocs de luminance (soit un pavé de 16 sur 16 pixels). C est l élément de base pour l estimation de mouvement. le bloc : partie de l image de 8 sur 8 pixels. Cette matrice est l élément de base pour le codage avec la DCT. Quelques défauts liés à la compression : Effet de blocs : apparition d'une structure carrée sur une partie de l'image, sans corrélation avec le contenu normal de l'image. Souvent confondus avec les pixels, ce sont les blocs de 8 x 8 pixels de la compression, les mêmes qui apparaissent avec une cassette numérique lors de l'avance ou du retour accéléré. Ce défaut est dû à un taux de compression trop élevé. Effet de blurring (de blurred signifiant flou, troublé) provoquant une réduction des détails, avec des contours moins nets et des traînées (smearing). Ce défaut affecte la totalité de l'image. Il est généralement lié à une réduction de la bande passante et /ou à un débit trop faible. Edge busyness (Effet de halo) : distorsion se produisant temporairement sur les contours des objets (bruit dynamique) Mosquito noise (effet "moustique") bruit sur les transitions sur des objets en mouvement. Ce défaut est causé par des erreur de quantification entre deux pixels voisins. Il y a alors MSH Paris nord - Plate forme Arts, Sciences, Technologies Philippe GASSER Juin / 20

19 apparition de petits points noirs ou blancs qui "miroitent" autour de l'objet comme des moustiques. Bruit de quantification : il provoque un effet de neige ou de vitre salle et n'est pas uniforme sur toute l'image. Ce défaut est lié à un problème de conversion A/D sur une portion de l'image. L effet de falaise : Les conséquences sur les images des perturbations pouvant survenir lors d une transmission sur un réseau ou pour un enregistrement sont différentes selon que l opération se déroule en analogique ou en numérique. En analogique, lorsque les conditions de transfert se dégradent, la qualité des images s altère au fur et à mesure mais elles restent «visibles» y compris les défauts. Le rapport signal / bruit diminue et cela se matérialise à l écran par un effet de neige devenant de plus en plus perceptible. En numérique, les conséquences sont toutes autres. Si la transmission est correcte, l image est restituée avec sa qualité d origine. Quand des défauts viennent altérer légèrement la liaison, des mécanismes de correction d erreurs restituent les informations perturbées et l image est reconstruite avec une qualité proche de l original. Quand elle est fortement perturbée, les images disparaissent brutalement dès que les dispositifs de corrections d erreurs ne peuvent plus intervenir. Ce fonctionnement en tout ou rien (d où le nom d effet de falaise) est indépendant de la qualité intrinsèque des images qui peuvent présenter par ailleurs des défauts, créés notamment pendant la compression. Quelles différences entre le format DV et le MPEG-2 Le format DV est plutôt un format de prise de vue (caméscopes et lecteurs enregistreurs fonctionnant avec une cassette spécifique normalisée) alors que le MPEG-2 est une norme de compression utilisable pour la diffusion (satellite, terrestre, réseaux urbains, DVD) ou pour la production. Nous limiterons le comparatif à la vidéo standard (format 4/3). Si ces deux formats possèdent de nombreux points communs (ils s appuient sur des technologies de compression identiques à base de DCT avec une quantification sur les coefficients issus de la transformation), ils offrent également de nombreuses différences. en termes de débit en premier lieu : pour le DV, deux débits uniquement sont possibles : 25 Mb/s pour les matériels grand public et 50 Mb/s pour les matériels professionnels. A ces deux chiffres fixes, MPEG-2 oppose une large gamme de valeurs (de quelques Mb/s jusqu à 100 Mb/s) et des débits qui peuvent être fixes ou variables. MSH Paris nord - Plate forme Arts, Sciences, Technologies Philippe GASSER Juin / 20

20 en termes de format source pour les images ensuite : le MPEG-2 ML s appuie sur le (le pouvant être également utilisé pour la production et la HD) alors que le format DV est disponible (pour les pays en 50 Hz) en (DV pour le grand public et DVCAM pour les professionnels) ou (DVCPRO également pour les professionnels). en termes de nature des images pour terminer, puisque le format MPEG offre différentes possibilités de séquencement (images I seules, images I et B, images I, P et B ) alors que le format DV s appuie exclusivement sur des images I, avec cependant une petite particularité puisqu en fonction de la détection ou non de mouvements dans l image, le codage s effectue séparément sur les deux trames (prédiction entre les deux trames et utilisation de blocs de 4 x 8 ) ou sur l ensemble de l image (blocs de 8x8). MSH Paris nord - Plate forme Arts, Sciences, Technologies Philippe GASSER Juin / 20