Formátum-kiskáté: mozgóképek

Kezdetben vala az AVI?

Az első igazán elterjedt videós fájltípus PC-s berkekben az AVI (Audio Video Interleaved) volt. A Microsoft által 1992-ben bevezetett konténerformátumot azóta is sok szoftver használja. Az elnevezése arra utal, hogy szinkronban le lehet játszani a bele csomagolt hangot és képet, mivel a különféle hang- és képfolyamok kis szeletekre bontva párhuzamosan nyerhetők ki a fájlból az olvasás során.

Konténer lévén a formátum csak keretet ad a tulajdonképpeni kódolt mozgókép- és hanganyagokhoz, a lejátszóprogram dolga, hogy ismerje a fejlécben megadott kódolást és ennek megfelelően képes legyen értelmezni az anyagot. Ezt sok lejátszóprogram a Video for Windows rendszerre bízza, amely be- és kikódoló modulokat, úgynevezett kodekeket (codes=coder/decoder) bocsát a program rendelkezésére. Ha az adott jelfolyam kodekje szerepel a rendszerben, akkor egy közönséges lejátszóprogram is fel tudja dolgozni a képet, illetve hangot. Több mai sikeres lejátszó (például VLC Media Player) nem fordul a rendszerhez a kikódolásért, hanem belső rutinjaival oldja meg a feladatot, így nem kell megvásárolnunk és feltelepítenünk a rendszerkodekeket, megkímélve a Windowst egy rakás rendszerleíró adatbázis-beli bejegyzéstől.

Léteznek úgynevezett kodekcsomagok is (codec pack), ezek azonban illegálisan a rendszerből kiemelt elemek és bejegyzések gyűjteményei. Sok modult tartalmaznak, de számos esetben hibás működést eredményezhetnek, így a használatuk nem javasolt. Legális módon legtöbbször valamilyen videoszerkesztő szoftverrel egyetemben kerülnek kodekek a számítógépünkre, illetve sok megvásárolható egyesével is. Az AVI mellett más konténerformátumok lejátszásakor is igénybe vehetők a rendszer dekódoló szolgáltatásai. Ez annál is inkább örvendetes, mivel az AVI sok modern kihívásra nincs felkészülve: nem tartalmazza a kép oldalarányát (aspect ratio), a pontos időkódok – ez a műsorszóró iparban alapvető igény – az AVI módosított formátumaiban alkalmazhatók. Nem képes változó képismétlés kezelésére, valamint a mozgások tömörítésében korlátozottak a lehetőségek.

Tömörített, de mennyire?

A Lumiére testvérek óta a mozgókép – analóg és digitális formáit tekintve is – állóképek sorozatából áll. Hogy a szem folyamatos mozgásként érzékelje a képváltásokat, ahhoz legalább 24 képkockát kell befogadnia másodpercenként (a képváltás mértékegysége az fps, azaz frame per second). Ez rengeteg információt jelent, hiszen egy kép standard felbontásban (PAL-tévérendszert alkalmazó területeken) 720×576 képpontból áll. Ha egyszerűen minden képpontra három színértéket (RGB) és ezzel három bájtot szánnánk, akkor egy egyórás mozgókép-anyag (csak a kép) az említett felbontásban, 25 képismétléssel és pixelenként három bájttal 720×576×25×3×3600 = 111 974 400 000 bájtnyi, azaz majdnem 112 gigabájtnyi tárterületet igényelne.

Ez megengedhetetlenül sok az adatátviteli sebesség korlátai miatt is, így nem véletlen, hogy mind a színinformációkat, a képkockán belül a részleteket, illetve a képkockák közötti változásokat tömörítik. Veszteségmentes videokódolás tehát nincs, a kérdés, hogy mennyit vesztünk.

Ma a jobb fogyasztói kamerák is csak 1080 soros felbontással dolgoznak, de a digitális mozaikban már rendelkezésre áll a 4K-s technológia is

Az emberi látás sokkal inkább érzékeny a világosság változásaira, mint a színre, sok mindennel elboldogulunk színvakon is, ezért már az analóg videózásban is kettéválasztják a képet világosságra és színjelekre, több sávszélességet, illetve tárterületet hagyva az előbbinek. A világosságadatok (Y) mellé kiegészítőként társulnak a színkülönbség-adatok (Cr és Cb, azaz a vörös és kék), e módszer valamilyen válfaja használatos a digitális, JPEG alapú (például DV, M-JPEG és mindegyik MPEG) videokódolás során is. Általában négy képponthoz a négy világosságinformáció mellett csak kevesebb színinformáció található.

A szín-mintavételezést rendszerint a világosságjel, a horizontális és vertikális színfelbontás arányának megadásával jellemzik (például 4:1:1 a DV-kamerák esetében, 4:2:2 a DVCPRO 50-nél, 4:2:0 a HDV és AVCHD esetében és akár 4:4:4, azaz teljes színfelbontás egyes H.264 és MPEG-4 AVC variánsoknál). Az átalakítások nem éppen egyszerűek, elég, ha tudjuk, hogy minél több színinformációt tárolunk, annál kevésbé lehetnek a tömörített képeken a kontúrok mentén színszellemképek, áthallások.

A legelső mozgóképes formátumok nem tettek mást, mint egy rakás (gyakorlatilag) JPEG-kódolással készült állóképet sorakoztattak fel egymás után. A JPEG-kódolás a képen belüli ismétlődéseket kihasználja tömörítéskor és – beállítástól függően – jelentős mennyiségű részletet elhagy. Ilyenek például a DV AVI és az M-JPEG (Motion JPEG), előbbivel a Digital8 és MiniDV szalagos kamerák felvételeiként, utóbbival analóg forrásból digitalizáló régebbi rendszerek esetében találkozhatunk. A csak képkockán belüli (intraframe) tömörítés előnye, hogy nincs szükség a következő kockák előolvasására és kis számítási teljesítményű számítógéppel (akár egy 1 gigahertzes, Pentium III-alapú PC-vel) is szerkeszthetők megfelelően fürge előnézettel. Hátránya, hogy a tömörítés nem terjed ki a közeli képkockákban található hasonlóságok kihasználására, így egy óra DV-felvétel (hanggal együtt) mintegy 13 GB tárterületet igényel.

Színminta-vételezések balról jobbra javuló minőség szerint rendezve. A bal oldali minta a DV-kamerák, a jobb oldali a H.264 High profillal készült kereskedelmi anyagok minőségét tükrözi

Sokkal kevésbé pazarlók azok a formátumok, amelyek ugyanazokat a blokkokat képesek az előző vagy következő képkockákon belül más pozícióban felhasználni, azaz a mozgásokat tömöríteni. Ez nagyon erőteljes megtakarítást tesz lehetővé, hisz ugyanazok a blokkok – például egy alak, arc, felirat – akár több száz képen keresztül is megjelenik a képen, csak másutt, esetleg minimális különbségekkel. Ilyenek az MPEG-1/2/4 és hasonló formátumok, például a MOV konténerekben is használatos H.264. Valamennyinek előnye a takarékosabb tömörítés, hátrányuk viszont, hogy a lejátszás és a kódolás még inkább erőforrás-igényes. Számos alfajuk létezik – például internetes lejátszásra vagy DVB-T műsorszórásra optimalizált –, és nagyon sok múlik a mozgások visszaadásában a kódolón.

Megjegyzendő még, hogy itt is, akárcsak a hangkódolók esetén, megkülönböztetnek fix és változó bitarányú kódolást (a bitarány mutatja meg, hogy másodpercenként hány kilobit tárterületre, illetve adatátviteli teljesítményre, sávszélességre van szükség a használathoz). A fix bitarány sokszor követelmény az olyan statikus átviteli teljesítményt nyújtó rendszereknél, mint a tévés műsorszórás vagy a DV-kamerák szalagos rögzítőegysége. Fix bitarány esetén a mozgalmasabb jelenetek leképezésénél sem lépheti túl a kódoló a határt és az abszolút eseménytelen, gyakorlatilag sávszélességet alig igénylő álló témáknál sem takaríthat meg semmit. A változó bitarány viszont igen, cserébe nagyfokú előolvasás szükséges hozzá, és – hacsak erre a videofolyamot nem készítik fel megfelelően – megnehezíti a „csévélést” is.