Compressie

Videocompressie Algemeen

Is het correct om te stellen dat het algemene principe van videocompressie
als volgt kan worden omschreven:

In de eerste plaats doen we bij compressie aan redundantiedetectie, we beperken de
hoeveelheid data waarop we lossy compressie zullen toepassen. Door
tijdsredundantie beperken we het aantal beelden bij de doorsturing 
(Neen: het aantal beelden wordt niet beperkt, het blijven er 25/sec) de hoeveelheid informatie door te
werken met motion estimation en door transmissie van enkel de werkelijke
verschillen in de opeenvolging van beelden (GOP-structuren). Door
ruimtelijke redundantie delen we een beeld op in zijn
frequentiecomponenten (toegepast op beperktere sample-blocks) waarvan we
de hoge frequenties (details in beeld) het meest kunnen missen. Aan de
hand van weging geven we een groter gewicht (waarde) aan de lagere
frequenties en een kleiner gewicht aan de hoge. Op wat overblijft passen
we Bit Rate Reduction-technieken toe als VLC en RLC.

Ruimtelijke redundantie:

DCT/Wavelets/DWT 'Wavelets' moet niet extra worden aangehaald, omdat DWT de 'digitale' vorm is van de wavelet-berekeningen

DCT:

1. Voor ruimtelijke redundantie bij DCT toe te passen dient men eerst het beeld op te delen in aparte deelbeelden (doorgaans 8x8 pixels = sampleblock)

2. Vervolgens voert men DCT uit waardoor het signaal gespiegeld wordt en we kunnen werken met een 8x8 coëfficiëntsblok die toelaat om met de frequentie inhoud te werken (transformatie van tijdsdomein naar frequentiedomein)
Het spiegelen is een wiskundige stap binnen de DCT die er voor zorgt dat berekeningen eenvoudiger kunnen worden uitgevoerd.  Het resultaat van de DCT geeft de frequentiecomponenten van de 8*8 pixelblok.

Omdat we nu de frequentie inhoud beschikbaar hebben is het mogelijk om frequenties/deelbeelden met de fijnste details weg te laten en zo te compresseren.

3. Of er nu wel of niet gecompresseerd is, men dient inverse DCT toe te passen om de coëfficiëntsblok terug om te zetten naar een sample block. Zonder compressie zal deze een exacte replica zijn (Loss-less) tegenover gecompresseerd (Lossy)
Door de resultaten van de DCT te interpreteren kan men bits weg laten.  Als bepaalde frequentiecomponenten niet aanwezig zijn, is het resultaat voor die component 0, en kan dus eenvoudig worden weggelaten.  Dit weglaten van de '0'-gegevens zorgt voor compressie, maar zonder dat detail wordt verloren; lossless.
Als bepaalde waarden die in de buurt van '0' liggen worden weggelaten, of bepaalde waarden worden weggelaten omdat die details niet nodig zijn/kunnen doorgestuurd worden is er lossy compressie.

Wavelets/DWT:

Is het correct te zeggen dat, doordat we de wavelet in de tijd verplaatsen, we de veronderstelling dat het signaal periodiek is loslaten en daardoor ook de tijdsfactor in rekening kunnen brengen, maw dat we beter in kaart kunnen brengen wanneer welke componenten voorkomen?

Vooreerst: compressie bij video gebeurt op basis van de beelden,  wat tijd dus is bij de 'gewone' DWT, is positie in het beeld bij video.

De vorm van de wavelets is zo dat ze inherent rekeing houden met het feit dat de grootte van de wavelet niet overeenkomt met de grootte van het beeld.  Dit heeft te maken met de 'windowing'.  Dit is niet zo bij de DCT, waar de cosinusfunctie, met dewelke dus vergeleken wordt, deze windowing niet 'ingebakken' heeft.

Ten tweede is er de schaling.

 

 

Is het correct om te stellen dat als je een group of pictures doet eindigen met een P-beeld,  dat de GOP dan gesloten is. En dat de GOP doen eindigen met een B-beeld altijd voor een open GOP zorgt?
Op dit moment vind ik niet onmiddellijk een tegevoorbeeld uit de praktijk, maar de definitie van Gesloten Gop is: een groep van beelden waarvoor je voor het decoderen van de beelden geen info nodig hebt uit de volgende GOP.

Zie Signaaltechnologie vorig jaar.
Bij fourieranalyse is gezien dat een willekeurige golfvorm kan worden omgezet in een grondtoon en harmonischen, maar ook dat een grondtoon en harmonischen optellen een complexere golf kunnen aanmaken.
Voor een blokgolf (eentjes en nulletjes) is de derde harmonische (3θ) nodig.

de waarden in de tabel van (quantisatie matrix waarden), is dit de hoeveelheid stappen die worden genomen bij die frequenties
of is dit de grote van de stap bvb

bij de laagste frequentie coeff wa: 7842 wordt die gequantificeerd in 8 stappen of wordt deze x aantal keer gequantificeerd met
een stapgrootte van 8.
deze laatste lijkt mij de meest correcte methode om de theorie te doen kloppen. maar ik wil even checken

In dit voorbeeld is 7842 één van de resultaten van de DCT van een 8*8 pixel blok.
Het is de DCT die de frequentiecomponenten van het beeld opzoekt in de 8*8 pixelblok. De manier waarop dit gebeurt ligt
wiskundig vast.
Deze waarde wordt daarna gedeeld door de waarde 8 uit de quantisatie matrix. Hoe groter deze waarde is,
hoe hoe minder naukeurig de benadering, maar ook hoe meer kans deze deling de waarde 0 oplevert.

Mij is de Wavelet Transform nog steeds niet zo duidelijk hoe dit werkt. Kan u hier een simpelere uitleg voor geven?

De website heeft het inderdaad wel wat duidelijker gemaakt.
Nu zit ik wel nog met een andere vraag bij de weging die wordt toegepast na de DCT wordt er zowel gebruikt gemaakt van 2 tabellen (quantisatie matrix waarden & quantisatie schalingswaarden).
Wat is het verschil hier juist tussen en hoe worden deze toegepast?

Ik kan me momenteel niet voorstellen wat een wavelet juist is. Ook weet ik niet zo goed wat het verschil is tussen de wavelet en de windowing.  Windowing is de techniek om uit een grote reeks gegevens een deel uit te nemen die te verwerken.  (bv. een macroblok uit een beeld, 1024 audio samples uit de stream van audio, ..) Bij video waveletcompressie gaat men over het gehele beeld de overeenkomst zoeken. Is de wavelet u signaal en de windowing de samples van u signaal. Want als ik het goed heb dan gaat men bij DWT het signaal toch opsplitsen in frequentiebanden net zoals bij de fourieranalyse gebeurt. Neen, bij DWT wordt niet opgesplitst in frequentiebanden, maar in resoluties. Ik heb de FAQ al een aantal keer bestudeerd, maar ik begrijp het nog altijd niet goed.

na het uitvoeren van een DCT, wordt er gezegd dat in de coeff. die de lage frequenties voorstellen, de meeste visuele beeldinhoud weergeven. dus in de tabel (input dct coeff) de vakjes linksboven. (dct verdeeld de coeff volgens spectrale inhoud) bij weging gaan we ervan uit dat die coeff met lage frequenties best fin gequantiseerd worden. maar moet dan niet in de tabel van (quantisatie matrix waarden) niet linksboven de hoogste factor hebben? als die coeff dan toch het fijnste moet gequantiseerd worden?

=> De grote waarden in de quantisatietabel zal waarden uit de DCT sneller doen naar 0 gaan, omdat delen door een groot getal een kleiner resultaat oplevert.