public/uni
2
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
58e0457165c49a93d09438e7b021db7cc40c7a76
uni/courses/223015b/slides/02-bild-audio-video.md

25 KiB
Raw Blame History

marp, theme, paginate, backgroundColor, header, footer, title
marp theme paginate backgroundColor header footer title
true gaia true Dateiformate, Schnittstellen, Speichermedien & Distributionswege (223015b) Michael Czechowski – HdM Stuttgart Dateiformate, Schnittstellen, Speichermedien & Distributionswege - Teil 2
<style> :root { --color-foreground: #1a1a2e; --color-highlight: #1e5f8a; --color-dimmed: #4a4a6a; } section.invert { --color-foreground: #fff; } section { font-size: 1.7rem; } h1 { color: #1e5f8a; } section.invert h1 { color: #fff; } h2 { color: #1f2937; } pre { background: #0f0f23; color: #5fb3e4; border-radius: 8px; border-left: 3px solid #1e5f8a; } pre code { background: transparent; color: inherit; } code { background: #1a1a2e; color: #5fb3e4; padding: 0.15em 0.4em; border-radius: 4px; } a { color: var(--color-highlight); } section.klausur { background: repeating-linear-gradient( 135deg, #e3f2fd, #e3f2fd 40px, #fff 40px, #fff 80px ) !important; } </style>

bg cover opacity:0.2

Dateiformate, Schnittstellen, Speichermedien & Distributionswege

223015b · Modul "Technik 1" · 1. Semester
Digital- und Medienwirtschaft
Hochschule der Medien Stuttgart

https://librete.ch/hdm/223015b/

bg fit

Teil 2: Bild- & Videoformate

Rückblick: Physisch → Analog → Digital

Bei Bildern:

  • Physisch: Lichtwellen (elektromagnetisches Spektrum, 380-750 nm)
  • Analog: Film (Silberhalogenide reagieren auf Licht, kontinuierlich)
  • Digital: Kamera-Sensor (Photodioden → A/D-Wandler, diskret)

→ Moderne Kameras überspringen analog komplett!

I. Grundlagen Digitaler Bilder

Was ist ein digitales Bild?

Rastergrafik (Bitmap): Matrix aus Pixeln

Jedes Pixel = 1 Farbwert (z.B. RGB)

Beispiel 4×4 Pixel Bild:

R  G  B  W
G  B  W  R
B  W  R  G
W  R  G  B

Auflösung: Pixel-Anzahl bestimmt Detailgrad
1920×1080 (Full HD): 2.073.600 Pixel
3840×2160 (4K): 8.294.400 Pixel (4× mehr!)

Rastergrafiken: Das Problem der Skalierung

Problem: Pixelbilder verlieren Qualität beim Vergrößern

Beispiel: 100×100 Pixel Logo

  • Anzeige in 100×100: perfekt
  • Anzeige in 1000×1000: verpixelt (Interpolation kann nicht Details erfinden)

→ Lösung: Für verschiedene Größen verschiedene Versionen speichern
Oder: Vektorgrafiken nutzen

Vektorgrafiken

Prinzip: Mathematische Beschreibung statt Pixel

Beispiel Kreis:
Raster: 1000×1000 Pixel gespeichert
Vektor: "Kreis bei (500,500), Radius 200, Farbe Rot"

Vorteile:

  • Unbegrenzt skalierbar (verlustfrei)
  • Kleine Dateigröße (nur Gleichungen)

Nachteile:

  • Nur für geometrische Formen geeignet
  • Fotos unmöglich als Vektor

Raster- und Vektorgrafiken: Vergleich

Eigenschaft Rastergrafik Vektorgrafik
Speicherung Pixel-Matrix Mathematische Formeln
Skalierung Verlustbehaftet (Interpolation) Verlustfrei (neu berechnet)
Dateigröße Groß (abhängig von Auflösung) Klein (nur Gleichungen)
Anwendung Fotos, Screenshots Logos, Icons, Illustrationen
Formate PNG, JPEG, GIF SVG, AI, EPS, PDF (Vektor-Modus)

II. Psychovisuelle Kompression

Die Schwächen des Auges nutzen

Die Schwächen des Auges

Menschliches Sehen ist nicht gleichmäßig:

  1. Helligkeitsempfindlichkeit > Farbempfindlichkeit
    Wir sehen Graustufen schärfer als Farbnuancen

  2. Räumliche Frequenzen:
    Grobe Strukturen wichtiger als feine Details

  3. Foveales Sehen:
    Nur Zentrum des Blickfelds ist scharf (peripher unscharf)

→ Chroma Subsampling, DCT, Quantisierung nutzen das aus

Chroma Subsampling

Prinzip: Farbe mit niedrigerer Auflösung speichern als Helligkeit

Notation: 4:2:0, 4:2:2, 4:4:4

4:4:4 – Volle Auflösung (keine Subsampling)
4:2:2 – Horizontale Halbierung der Chroma
4:2:0 – Horizontale und vertikale Halbierung

Beispiel 4:2:0:
4 Pixel Helligkeit → 1 Pixel Farbe
= 75% weniger Farbdaten, kaum sichtbar!

III. JPEG: Der Bildkompressionsstandard

JPEG: Sechs Schritte der Kompression

JPEG = Joint Photographic Experts Group (1992)

Verlustbehaftete Kompression in 6 Schritten:

  1. Farbraum-Konvertierung (RGB → YCbCr)
  2. Chroma Subsampling (4:2:0)
  3. DCT (Discrete Cosine Transform)
  4. Quantisierung (Hier entsteht Verlust!)
  5. Zigzag-Scan & RLE
  6. Huffman-Coding

JPEG: Schritt 1 – Farbraum wechseln

RGB → YCbCr

  • Y = Luma (Helligkeit)
  • Cb = Blau-Differenz
  • Cr = Rot-Differenz

Warum?
Erlaubt Chroma Subsampling (Farbe weniger auflösen)

JPEG: Schritt 2 – Chroma Subsampling

4:2:0 Standard:

Aus 4 Pixeln wird:

  • 4 Luma-Werte (Y)
  • 1 Cb-Wert
  • 1 Cr-Wert

Resultat: 50% Datenreduktion, kaum sichtbar

JPEG: Schritt 3 – DCT

Discrete Cosine Transform:
Bild in 8×8 Pixel Blöcke teilen
Jeder Block → Frequenzbereich transformieren

Ergebnis:
Niedrige Frequenzen (große Flächen) → hohe Werte
Hohe Frequenzen (feine Details) → niedrige Werte

→ Vorbereitung für Quantisierung

JPEG: Schritt 4 – Quantisierung

Hier entsteht der Verlust!

Prinzip: Hohe Frequenzen stark reduzieren

Quantisierungstabelle teilt DCT-Koeffizienten:

  • Niedrige Frequenzen: Division durch kleine Zahl (wenig Verlust)
  • Hohe Frequenzen: Division durch große Zahl (starker Verlust)

JPEG-Qualität (0-100):
100 = sanfte Quantisierung (große Datei, hohe Qualität)
10 = aggressive Quantisierung (kleine Datei, Artefakte)

JPEG: Schritt 5 – Zigzag & RLE

Zigzag-Scan:
8×8 Block in 1D-Array umwandeln (niedrige Frequenzen zuerst)

Run-Length Encoding (RLE):
Viele Nullen (hohe Frequenzen wurden stark quantisiert)
→ 0 0 0 0 0 0 0 5 wird zu 7×0, 5

JPEG: Schritt 6 – Huffman-Coding

Verlustfreie Kompression (wie ZIP)

H<EFBFBD>ufige Werte → kurze Codes
Seltene Werte → lange Codes

Beispiel:
0 (sehr häufig) → 1 (1 Bit)
127 (selten) → 11001111 (8 Bit)

Grenzen der Kompression: JPEG-Artefakte

Bei zu hoher Kompression (niedrige Qualität):

  1. Blocking: 8×8 Pixel Blöcke sichtbar
  2. Color Bleeding: Farbränder verschwimmen
  3. Ringing: Halos um scharfe Kanten
  4. Mosquito Noise: Flimmern um Kanten in Video

Faustregel:
JPEG-Qualität < 70: Artefakte sichtbar
JPEG-Qualität 85-95: Sweet Spot (kaum Verlust, gute Kompression)

IV. Andere Bildformate

PNG: Verlustfrei mit Transparenz

PNG = Portable Network Graphics (1996)

Eigenschaften:

  • Verlustfreie Kompression (Deflate-Algorithmus, wie ZIP)
  • Alpha-Kanal: Transparenz (0 = durchsichtig, 255 = undurchsichtig)
  • Paletten-Modus (8-bit, 256 Farben) oder True Color (24/32-bit)

Anwendung:
Logos, Screenshots, Grafiken mit Text, Transparenz

Nachteil:
Größer als JPEG für Fotos (keine Psychovisuelle Kompression)

GIF: Der Meme-Veteran

GIF = Graphics Interchange Format (1987)

Eigenschaften:

  • 256 Farben (8-bit Palette)
  • Animation (Frame-basiert)
  • LZW-Kompression (verlustfrei)

Anwendung:
Memes, einfache Animationen

Nachteil:
Nur 256 Farben → Fotos sehen schlecht aus
Ineffizient für Video (besser: MP4, WebM)

WebP & AVIF: Moderne Alternativen

WebP (Google, 2010):

  • Verlustfrei und verlustbehaftet
  • ~30% kleiner als JPEG bei gleicher Qualität
  • Transparenz + Animation

AVIF (AOMedia, 2019):

  • Basiert auf AV1-Video-Codec
  • ~50% kleiner als JPEG
  • Bessere Qualität, aber langsamer zu encodieren

Problem: Browser-Support
WebP: >95% (gut)
AVIF: ~85% (wachsend)

Formatwahl in der Praxis

Anwendung Format Warum?
Foto (Web) JPEG/WebP Verlustbehaftet OK, kleine Datei
Logo SVG/PNG Vektor (SVG) oder Transparenz (PNG)
Screenshot PNG Verlustfrei, Text lesbar
Meme/Animation GIF/MP4 GIF für Kompatibilität, MP4 für Effizienz
Druck (CMYK) TIFF/PDF Verlustfrei, CMYK-Farbraum
Archivierung TIFF/DNG Unkomprimiert oder verlustfrei

V. Warum Instagram eure Fotos "ruiniert"

Social Media & Re-Kompression

Problem:
Instagram, Facebook, Twitter re-encodieren alle Uploads

Warum?

  • Speicherkosten (Milliarden Bilder)
  • Bandbreite (schnellere Ladezeiten)
  • Einheitlichkeit (verschiedene Geräte)

Konsequenz:
Upload PNG/JPEG → Instagram konvertiert zu JPEG (Qualität ~85%)
→ Generationsverlust bei mehrfachem Re-Upload

VI. Video: Bilder + Zeit + Audio

Das Größenproblem bei Video

Recap: 1 Min 4K = ~45 GB unkomprimiert

Ein 2-Stunden-Film: 5,4 Terabyte

Streaming unmöglich ohne Kompression:

  • Netflix 4K: ~15 Mbit/s (~7 GB/Stunde)
  • YouTube 4K: ~20-40 Mbit/s (~10-20 GB/Stunde)

→ Faktor 100-200× Kompression nötig!

Container und Codec

Wichtige Unterscheidung:

Container (Wrapper):
Datei-Format, das Video, Audio, Untertitel, Metadaten enthält
Beispiele: MP4, MKV, AVI, MOV, WebM

Codec (Compressor/Decompressor):
Algorithmus zur Kompression/Dekompression
Beispiele: H.264, H.265, VP9, AV1

Container ≠ Codec!
MP4 kann H.264, H.265, AV1, oder andere Codecs enthalten

Gängige Container

Container Endung Codecs Anwendung
MP4 .mp4, .m4v H.264, H.265, AV1 Web, Smartphones, universal
MKV .mkv Alle Flexibel, Open-Source, Filme
WebM .webm VP8, VP9, AV1 Web (HTML5), YouTube
AVI .avi Viele (alt) Legacy (90er), veraltet
MOV .mov H.264, ProRes Apple-Ökosystem, Editing

Video-Codecs

Codec Jahr Effizienz Status
H.264 (AVC) 2003 Basis Standard, universell kompatibel
H.265 (HEVC) 2013 ~50% besser Patente, teuer, langsame Adoption
VP9 2013 ~H.265 Google, YouTube, patent-frei
AV1 2018 ~30% besser als H.265 Zukunft, Netflix/YouTube, patent-frei

VII. Video-Kompression im Detail

Drei Kompressionsprinzipien

1. Spatial Compression (Intra-Frame):
Kompression innerhalb eines Frames (wie JPEG)

2. Temporal Compression (Inter-Frame):
Differenzen zwischen Frames (nur Änderungen speichern)

3. Motion Compensation:
Bewegungsvektoren statt volle Frames

→ Kombination ermöglicht Faktor 100-200× Kompression

1. Spatial Compression (Intra-Frame)

Prinzip: Wie JPEG für Video-Frames

I-Frames (Intra-coded):
Vollständige Bilder, unabhängig von anderen Frames
→ Größer, aber notwendig für Schnitte, Wiedereinstiegspunkte

Anwendung:
Jedes N-te Frame ist I-Frame (z.B. alle 2 Sekunden)

2. Temporal Compression (Inter-Frame)

Prinzip: Speichere nur Änderungen zum vorherigen Frame

P-Frames (Predicted):
Referenzieren vorheriges Frame, speichern nur Differenzen
→ Viel kleiner als I-Frames

B-Frames (Bi-directional):
Referenzieren vorheriges und nächstes Frame
→ Noch kleiner, aber komplexer zu dekodieren

3. Motion Compensation

Prinzip: Bewegungsvektoren statt volle Blöcke

Beispiel:
Ball bewegt sich von (100,100) zu (150,100)
→ Statt neuen Ball speichern: "Kopiere Block von (100,100), verschiebe um (50,0)"

Resultat:
Bewegung wird mit wenigen Bytes kodiert statt komplettem Block

H.264 / AVC

H.264 = MPEG-4 Part 10 / AVC (Advanced Video Coding)

Status: De-facto Standard (seit 2003)

Vorteile:

  • Universelle Hardware-Unterstützung (jedes Gerät kann dekodieren)
  • Gute Qualität bei moderaten Bitraten
  • Mature, stable

Nachteile:

  • Patente (MPEG LA) → Lizenzgebühren
  • Nicht so effizient wie H.265/AV1

Das Patent-Problem

H.264 Patente:
MPEG LA Pool (viele Unternehmen)
Lizenzgebühren für Encoder/Decoder
→ Bremste Open-Source-Adoption

H.265 noch schlimmer:
Mehrere Patent-Pools, unklar wer zahlen muss
→ Viele Firmen verweigerten Adoption

Reaktion:
AOMedia (Google, Netflix, Amazon, Apple) → AV1 (patent-frei)

VP9: Googles Antwort

VP9 (2013): Googles patent-freie Alternative zu H.265

Status:

  • YouTube Standard (>90% der Videos)
  • Android, Chrome unterstützen
  • Ähnliche Effizienz wie H.265

Problem:
Wenig Hardware-Support (Software-Dekodierung → Batterie)

AV1: Die offene Zukunft

AV1 (2018): AOMedia Video Codec 1

Vorteile:

  • ~30% effizienter als H.265
  • Patent-frei (Royalty-free)
  • Netflix, YouTube nutzen es

Nachteile:

  • Langsam zu encodieren (CPU-intensiv)
  • Hardware-Support wächst erst jetzt

Ausblick:
Wird H.265 langfristig ersetzen

Adaptive Bitrate Streaming

Problem: Nutzer haben verschiedene Bandbreiten

Lösung: Video in mehreren Qualitätsstufen encodieren

Beispiel:

  • 360p @ 1 Mbit/s
  • 720p @ 3 Mbit/s
  • 1080p @ 6 Mbit/s
  • 4K @ 15 Mbit/s

Client wählt dynamisch je nach Bandbreite

Technologien:
MPEG-DASH (Standard), HLS (Apple)

VIII. Kritische Perspektive: Deepfakes & Manipulation

Wenn Codecs lügen

Deepfakes nutzen Codec-Schwächen:

Moderne ML-Modelle (GANs) erzeugen synthetische Videos
→ Müssen nur "gut genug für H.264" sein, nicht pixel-perfekt

Compression Artifacts als Forensik:

Echte Kamera-Footage hat charakteristische Muster
Synthetische Videos zeigen andere Artefakte
→ Forensische Tools nutzen das zur Erkennung

Ethische Dimension:

Als Medienschaffende: Verantwortung, nicht zu täuschen
Technisches Wissen befähigt, Manipulationen zu erkennen

IX. Abschluss

Fragen & Diskussion

Was wir heute gelernt haben:

  1. Digitale Bilder: Raster vs. Vektor, Skalierungsprobleme
  2. Psychovisuell: Chroma Subsampling, Schwächen des Auges
  3. JPEG: 6-Schritte-Kompression, Artefakte
  4. Formate: PNG, GIF, WebP, AVIF
  5. Instagram-Problem: Re-Kompression, Generationsverlust
  6. Video: Container vs. Codec, Spatial/Temporal Compression
  7. Codecs: H.264, H.265, VP9, AV1, Patent-Probleme
  8. Deepfakes: Ethische Verantwortung

Fragen?

Selbstlernen: Bildkompression experimentieren

Aufgabe: Exportiert ein Foto in verschiedenen JPEG-Qualitätsstufen

Tools:

  • GIMP (kostenlos, Open-Source)
  • Photopea (Browser-basiert, kostenlos)

Experiment:

  1. Exportiere mit Qualität 100, 85, 70, 50, 10
  2. Vergleiche Dateigröße und visuelle Qualität
  3. Wo werden Artefakte sichtbar?

Link: https://www.photopea.com/

Selbstlernen: Video analysieren

Aufgabe: Analysiert eine Video-Datei mit MediaInfo

Tool: MediaInfo (kostenlos)
https://mediaarea.net/en/MediaInfo

Fragen:

  • Welcher Container?
  • Welcher Video-Codec?
  • Welche Bitrate?
  • I-Frame-Abstand?

Bonus: Vergleicht YouTube-Video (Download mit yt-dlp) vs. eigene Aufnahme

Lizenz & Attribution

Dieses Foliendeck:
© 2025 Michael Czechowski
Lizenz: CC BY-SA 4.0

Quellen:

  • Wallace, G. K. (1992). "The JPEG Still Picture Compression Standard." IEEE Transactions on Consumer Electronics.
  • Sullivan, G. J., et al. (2012). "Overview of the High Efficiency Video Coding (HEVC) Standard." IEEE Transactions on Circuits and Systems for Video Technology.
  • AOMedia (2018). AV1 Bitstream & Decoding Process Specification.

Kontakt: https://librete.ch/hdm/223015b/