Qtff文件格式之Sample Description Atoms(stsd)

Sample Description Atoms保存了解码Samples时的有用信息。保存在sample description varies中的媒体数据依赖于媒体类型，比如VIdeo Media、Sound Media、Timecode Media、3D Media等等。Sample Description Atoms的布局如图1所示。

图1 Sample Description Atoms的布局

从图中可以看出，Sample Description Atoms包含了一个关于sample description的table，sample description的个数由Number of entries指定。

Sample Description的结构如下所示：

Sample description size：4个字节，指定该Sample Description的字节数；

Data format：4个字节，指定保存的数据格式；

Reserved：6个字节，设置为0；

Data reference index：2个字节。

这也可以看成是一个atom，Sample description size表示atom的大小，Data format表示atom的类型，比如“XVID”、“avc1”、“DIVX”等等，好多。其他数据都是该atom的内容，当然还可能包含其他的atoms。

虽然对于不同的媒体类型，Sample description是不一样的，变化的，但是这16个字节，对于所有的媒体类型都是一样的。在这16个字节的后面，还有一些额外的数据，这些数据会根据不同的媒体类型和数据格式的不同而不同。这里，我们主要介绍一下Sound Media类型的Sample Description。

Sound Sample Descriptions包含了用于解释audio数据的信息，支持的格式非常的多，可以参考qtff的spec。目前Sound Sample Descriptions有三种version，分别为version 0、version 1和version 2。

1、Sound Sample Descriptions of Version 0

Version 0仅仅支持非压缩的raw数据或者twos-complement格式，对应的fourcc分别为“raw ”和“twos”。Version 0的格式如下所示：

Version：2个字节。

Revision level：2个字节，设置为0。

Vendor：4个字节，设置为0。

Number of channels：2个字节，标识channel数量，monaural sounds设置为1，stereo sounds设置为2，不支持更高的channel数量。

Sample size：2个字节，标识非压缩的sample的比特数，允许的值为8或16。需要注意的是，如果sample的比特数超过16，那么该变量设置为16，而且使用version 1。

Compression ID：2个字节，对于version 0，该变量设置为0。对于一些version 2，该变量的值为-2，当为-2是，就需要考虑重新定义Sample Table了。

Packet size：2个字节，设置为0.

Sample rate：4个字节的无符号定点值(16.16)，标识了sample的比特率。这个数值的整数部分应该匹配time scale。

2、Sound Sample Descriptions of Version 1

Version 1是在QuickTime 3中引进的，在version 0的基础上扩展出了4个fields，每个field占四个字节，也就是总共16个字节。

在介绍这四个fields之前先说一下两个名词：packet和frame。

packet：对于非压缩audio，一个packet是一个来自于单个channel的sample；对于压缩audio，没什么意义，通常情况下被看作为1/number-of-channels。

frame：对于非压缩audio，一个frame是一个来自于每个channel的sample；对于压缩audio，一个frame是一组压缩的samples。

介绍完packet和frame了，下面该介绍一下这四个fields了。对于压缩的audio和非压缩的audio，这些fields都有不同的含义，而且这些含义不是field的名字就能简单的推论出来的。

（1）Samples per packet：通过压缩的frame产生的非压缩的frame的个数（一个非压缩frame是一个来自于每个channel的sample）。这个值也是frame的duration，通过媒体的timescale来表达，而且timescale等价于sample rate。对于非压缩的audio，这个值设置为1。

（2）Bytes per packet：对于非压缩的audio，这个值标识了一个sample的字节数。这个值替代了之前的sampleSize的值，将被设置为16。这个值可以通过frameSize / channelNum来获得。对于压缩的audio，可以用同样的方式来计算，但是没什么意义。

（3）Bytes per frame：对于非压缩的audio，是一个非压缩的frame的字节数；对于压缩的audio，是一个压缩的frame的字节数。该值可以通过Bytes per packet * channelNum来获得。

（4）Bytes per sample：非压缩sample的字节数。对于8比特的audio，该值设置为1，对于其他的所有情况，该值设置为2，即使sample size的值大于2个字节。

3、Sound Sample Description of Version 2

Version 2是QuickTime 7引进的一个新的version。

4、Redefined Sample Tables

最后，我们说一下这个Redefined Sample Tables。在version 1的情况下，如果compression ID设置为-2，那就说明需要使用Redefined Sample Tables，对压缩audio的一些优化。

不像video media，之前的QuickTime sound media的数据结构是为非压缩的sample设计的。而扩展的version 1则提供了很多对压缩audio的支持，但是并不直接处理sample table atoms。普通的Sample Tables并不指向压缩的frames，也就是压缩媒体数据的基本单元。而是指向非压缩的samples，一个sample只有一个字节。因此，通过使用之前的Sample Table来解析samples，显然是比较复杂的。

QuickTime 4.1引进了对VBR audio的支持，一些field 的内容被重新定义了，因此，一个压缩的audio frame可以看成是一个单独的sample。sample-to-chunk和chunk offset atoms指向压缩的frames，sample size table记载了frame的大小。这个大小，对于CBR来说是定值，对于VBR则是可变的。

time-to-sample table记载了frames的duration。如果time scale设置为sampling rate，那么frame的duration等价于frame中非压缩的sample的个数，这通常是一个定值，即使是VBR的audio。如果使用了一个不同的timescale，那么就有必要将timescale单元转化成sampling rate单元，以此来计算sample的个数。

Sample Tables意义的改变，可以让开发者利用这些tables来精确的定位压缩的frames。为了标明是使用Sample Tables的这些含义，通常将version设置为1，也就是使用Sound Sample Descriptions of Version 1，并将compression ID设置为-2。samplesPerPacket 和 bytesPerSample对于VBR的audio，不一定有意义，但是也应该被正确的设置。bytesPerPacket和bytesPerFrame被保留的且设置为0。

如果compression ID设置为0，Sample Tables则被用来描述非压缩的samples，不能直接用来查找和操作压缩的frames。但是QuickTime提供一些支持，可以让程序员感觉到，这些sample tables是指向了非压缩的samples，每个sample只有一个字节。

 

以上这些介绍可能比较乏味，可以分析一些相关的代码，比如FFmpeg、Android的Stagefrihgt等等。

为了研究QuickTime文件格式，最近就实现了一个解析MOV文件格式的工具，但这也仅仅只是为了研究，不过这样可以达到更深刻学习的目的，比研究spec、分析代码效果要好好多。