Codificación de audio MPEG

Álvaro Pardo
Características del sistema auditivo

La sensibilidad del oído es logarítmico respecto a la frecuencia

Varía con la frecuencia

La discriminación en frecuencia es de 2Hz (a 1kHz)

Cambios de intensidad por encima de 1dB son detectados

El oído humano es sensible a frecuencias entre 20 Hz y 20 kHz

Existen una conjunto de bandas críticas en frecuencia. Algunos
fenómenos perceptivos son consistentes con las existencia de
estas bandas. Por ejemplo, la percepción de una señal en
presencia de otra da diferentes resultados si ambas están en una
misma banda crítica o no.
Introducción al estándar de
compresión de audio MPEG-1

Es un estándar genérico para la compresión

de audio.
– No hace ninguna hipótesis respecto a la fuente de
audio. Puede ser: voz, música, etc.
– Explota las características de sistema auditivo
para eliminar componentes perceptualmente
irrelevantes (que no son percibidas) y de esta
forma reducir la cantidad de información.
– Puede codificar cualquier señal que deba ser
escuchada por el oído humano.
Características de la compresión
de audio MPEG-1

Las frecuencias de muestreo son: 32, 44.1 y 48 kHz

Cuatro modos de codificación
– Monofónico
– Doble Monofónico (dos canales independientes)
– Estéreo
– Estéreo conjunto (usa la correlación entre los dos canales)

Soporta bitrates desde 32 kbps a 224 kbps que
equivalen a una factor de compresión entre 24 y 2.7.
Características de la compresión de
audio MPEG-1: Modos de compresión

Capa 1 (MP1)
– Es la más simple.
– Funciona bien con bitrates mayores 128 kbps
– Ejemplo: Philips Digital Compact Cassette (DCC) 192 kbps

Capa 2 (MP2)
– Complejidad intermedia
– Pensada para 128 kbps por canal

Capa 3 (MP3)
– La más compleja pero de mejor calidad de audio
– Funciona correctamente alrededor de 64 kbps por canal
 Estructura del codificador
Pasa el sonido PCM de entrada al
dominio de la frecuencia
dividiéndolo en 32 subbandas

Genera el bitstream
de salida en
formato MPEG

Calcula las partes Aloja bits a cada subbanda

perceptualmente irrelevantes de acuerdo al modelo
del sonido de entrante psicoacústico
El Filtro Polifase 1

Es común a los tres modos de codificación

Divide a la señal de audio en 32 bandas frecuenciales
de igual ancho

La descomposición tiene buena resolución temporal y
razonable definición frecuencial

Se utiliza una ventana de 512 muestras para el
procesamiento.

Se utiliza un buffer de 512 muestras y en cada ciclo de
introducen 32 nuevas muestras
 Ejemplo de codificación en
subbandas
Modelos
psicoacústicos

Filtrado Submuestreo Cuantificación Multiplexado

Q
16x16kHz +
8x16kHz +
Q 4x16kHz
=448 kbps !!!

16x48kHz =768 kbps 16x3x48kHz=2304 kbps

“El truco es elegir donde
Aumentó del bitrate!!! 16x3x16kHz=768 kbps gastar los bits”
 El Filtro Polifase 3

La salida para subanda i es: Ventana de análisis

63 7
S [i ] = ∑ M [i ][k ]∑ C[k + 64 j ]X [k + 64 j ]
k =0 j =0
Muestras
 ( 2i + 1)( k − 16)π 
Coeficientes del M [i ][k ] = cos 
filtro de análisis  64 

Se puede escribir como:

 (2i + 1)( n − 16)π 

511

n =0
∑
S [i ] = x[t − n ]H i [n ] H i [n ] = h[n ] cos
 64


El Filtro Polifase 4

1. Se enventana la señal
Z [i ] = C[i ] ⋅ X [i ] i = 0,...,511
2. Cálculo parcial
7
Y [i ] = ∑ Z [i + 64 j ] i = 0,...,63
j =0

3. Se calculan las 32 subbandas

63
S [i ] = ∑ Y [i ] ⋅ M [i ][k ]
k =0
El Filtro Polifase 5
El Filtro Polifase 6: h[n]
El Filtro Polifase 7: Problemas

El proceso no es reversible sin pérdidas

Existe solapamiento entre las diferentes bandas

Las bandas no se corresponden con las bandas críticas

A baja frecuencia una banda crítica es cubierta por

varias subbandas
Psicoacústica

La compresión se basa en la eliminación de información
perceptualmente irrelevante.

Es decir en la incapacidad del sistema auditivo para detectar los
errores de cuantificación en condiciones de enmascaramiento.

El enmascaramiento ocurre cuando la presencia de una señal
“fuerte” hace que una señal “más débil” cercana, en frecuencia o
en el tiempo, no sea percibida.

Se sabe que la resolución del sistema auditivo es limitada y
dependiente de la frecuencia. Esta dependencia con la frecuencia
se puede formular en función de las bandas críticas.

Las bandas críticas tiene un ancho de unos 100 Hz a bajas
frecuencias y 4000 Hz en altas frecuencias.
Psicoacústica 1

En función de la existencia de las
bandas críticas, el umbral de
detección del ruido de
cuantificación depende
únicamente de la potencia de la
señal en un entorno de la misma.

El estándar MPEG divide la
señal en bandas de frecuencia
que se aproximan a las bandas
críticas, y luego cuantifica cada
subbanda en función del umbral
de detección del ruido dentro de
esa banda.
Psicoacústica 2: Enmascaramiento
en frecuencia
Se fija un tono enmascarador de cierta
amplitud (ejemplo 1kHz 60 dB). Para cada
tono de test cercano se aumenta la
amplitud hasta que sea apenas audible y
así se define el umbral de
enmascaramiento.

Umbral Absoluto: Se
obtiene haciendo escuchar
un tono en silencio. Se
aumenta la amplitud hasta
que comienza a ser audible.
Psicoacústica 3: Enmascaramiento
en el tiempo
Si escuchamos un sonido
fuerte demoramos unos
segundos en poder detectar
sonidos más débiles.

Premasking Postmasking
El modelo psicoacústico

El modelo psicoacústico analiza la señal de audio y

calcula la cantidad de ruido que se puede introducir en
función de la frecuencia (en cada banda de frec.).

Esto es equivalente a decir que calcula la “cantidad de
enmascaramiento” en función de la frecuencia.

El codificador usa esta información para decidir la
mejor manera de gastar los bits disponibles.

El estándar provee dos modelos psicoacústicos de
diferente complejidad.
El modelo psicoacústico:
1) Representación frecuencial

Utiliza una representación frecuencial diferente

al filtro polifase dado que requiere mayor
resolución en frecuencia para poder calcular
los umbrales de enmascarameinto. Utiliza la
transformada de Fourier.

El modelo I utiliza 512 muestras y el modelo II
utiliza 1024 muestras.
El modelo psicoacústico:
2) Separación tonal – no-tonal

Se separan las componentes espectrales en tonales y

no-tonales dado que el fenómeno de
enmascaramiento es diferente en cada caso.
– El modelo I identifica los componentes tonales mediante la
detección de los picos en el espectro. Luego junta todo el
resto y los etiqueta como componentes no-tonales dentro de
cada banda crítica.
– El modelo II define un índice de tonalidad en función de la
frecuencia. Luego se usa este índice para interpolar entre tono
enmascarando ruido y ruido enmascarando tono.
El modelo psicoacústico:
3) Cálculo de los umbrales de enmascaramiento

En función de los umbrales calculados para las bandas

críticas se deben extraer umbrales para cada
subbanda.

Los modelos I y II implementan diferentes técnicas.

Esencialmente buscan el umbral mínimo en cada
subbanda.

En función de estos umbrales se calcula la relación
señal/enmascaramiento.
– (Energía de la señal)/(umbral mínimo de la subbanda)
 El modelo psicoacústico: Ejemplo
Umbral de enmsacaramiento
sin umbral absoluto y con umbral absoluto

Señal original en frecuencia Se puede aumentar el ruido de cuantificación

-El umbral absoluto aumenta el umbral de

enmsacaramiento en altas frecuencias,
-La sinusoide enmascara las frecuencias
adyacentes.

Relación señal/enmascaramiento
MPEG Layer 3: MP3

Mejora los resultados del filtro
polifase mediante la utilización
de una transformada MDCT
(Modified DCT) para mejorar la
precisión en frecuencia.

La mejorar resolución frecuencial
empeora la resolución temporal
(esto introduce problemas de
pre-eco que son predecidos y
corregidos).

Se utilizan códigos de Huffman
para codificar las muestras
cuantificadas.

La distribución de los bits se
hace en forma iterativa para
reducir la cantidad de ruido.