Методы сжатия/хранения медиа данных в форматах WAVE и JPEG, часть 1

Здравствуйте! Моя первая серия статей будет направлена на изучение методов сжатия и хранения изображений/звука, таких как JPEG (изобр.) и WAVE (звук), также в них будут примеры программ с использованием этих форматов (.jpg, .wav) на практике. В этой части мы рассмотрим именно WAVE.

История

WAVE (Waveform Audio File Format) — формат файла-контейнера для хранения записи аудио потока. Этот контейнер, как правило, используется для хранения несжатого звука в импульсно-кодовой модуляции. (Взято из Википедии)

Он был придуман и опубликован в 1991 году вместе с RIFF компаниями Microsoft и IBM (Ведущие IT компании того времени).

Структура файла

У файла есть заголовочная часть, сами данные, но нет футера. Заголовок весит в общем 44 байта.
В хедере находятся настройки количества бит в семпле, частоты дескритизации, глубины звука и т.п. информации, необходимой для звуковой карты. (Все числовые значения таблицы должны быть записаны в Little-Endian порядке)

Имя блока
Размер блока (B)
Описание/Предназначение
Значение (у некоторых оно фиксировано

chunkId
4
Определение файла как медиа-контейнер
0x52494646 в Big-Endian («RIFF»)

chunkSize
4
Размер всего файла без chunkId и chunkSize
FILE_SIZE — 8

format
4
Определение типа из RIFF
0x57415645 в Big-Endian («WAVE»)

subchunk1Id
4
Чтобы файл побольше места занимал продолжение format’а
0x666d7420 в Big-Endian («fmt «)

subchunk1Size
4
Оставшийся хедер (в байтах)
16 по умолчанию (для случая без сжатия аудиопотока)

audioFormat
2
Аудио формат (зависит от метода сжатия и структуры аудиоданных)
1 (для PCM, который мы и рассматриваем)

numChannels
2
Количество каналов
1/2, мы возьмем 1 канал (3/4/5/6/7… — специфическая аудиодорожка, например 4 для квадро звука и т.п.)

sampleRate
4
Частота семплирования звука (в Герцах)
Чем больше, тем качественнее будет звук, но тем больше потребуется памяти для создания аудиодорожки той же длины, рекомендуемое значение — 48000 (наиболее приемлемое качество звука)

byteRate
4
Количество байт за 1 секунду
sampleRate numChannels bitsPerSample (далее)

blockAlign
2
Количество байт для 1 семпла
numChannels * bitsPerSample: 8

bitsPerSample
2
Количество бит за 1 семпл (глубина)
Любое число, кратное 8. Чем больше, тем лучше и тяжелее будет аудио, от 32 бит разницы нет для человека

subchunk2Id
4
Метка отсчета начала данных (т.к. могут быть другие элементы хедера в зависимости от audioFormat)
0x64617461 в Big-Endian («data»)

subchunk2Size
4
Размер области данных
размер data в int’е

data
byteRate * продолжительность аудио
Аудиоданные
?

Пример с WAVE

Предыдущую таблицу можно с легкостью перевести в структуру на C, но наш язык на сегодня — Python. Самое легкое, что можно сделать, используя «волну» — генератор шума. Для этой задачи нам не потребуются высокий byteRate и сжатие.
Для начала импортируем необходимые модули:

# WAV.py

from struct import pack  # перевод py-объектов в базовые типы из C
from os import urandom  # функция для чтения /dev/urandom, для windows:
# from random import randint
# urandom = lambda sz: bytes([randint(0, 255) for _ in range(sz)])  # лямбда под windows, т.к. urandom'а в винде нет
from sys import argv, exit  # аргументы к проге и выход

if len(argv) != 3:  # +1 имя скрипта (-1, если будете замораживать)
    print('Usage: python3 WAV.py [num of samples] [output]')
    exit(1)

Далее нам необходимо создать все необходимые переменные из таблицы по их размерам. Непостоянные величины в ней зависят тут только от numSamples (количество семплов). Чем больше их будет, тем дольше будет идти наш шум.

numSamples = int(argv[1])
output_path = argv[2]

chunkId = b'RIFF'
Format = b'WAVE'
subchunk1ID = b'fmt '
subchunk1Size = b'x10x00x00x00'  # 0d16
audioFormat = b'x01x00'
numChannels = b'x02x00'  # 2-х каналов будет достаточно (стерео)
sampleRate = pack('<L', 1000)  # 1000 хватит, но если поставить больше, то шум будет слышен лучше. С 1000-ю он звучит, как ветер
bitsPerSample = b'x20x00'  # 0d32
byteRate = pack('<L', 1000 * 2 * 4)  # sampleRate * numChannels * bitsPerSample / 8  (32 bit sound)
blockAlign = b'x08x00'  # numChannels * BPS / 8
subchunk2ID = b'data'
subchunk2Size = pack('<L', numSamples * 2 * 4)  # * numChannels * BPS / 8
chunkSize = pack('<L', 36 + numSamples * 2 * 4)  # 36 + subchunk2Size

data = urandom(1000 * 2 * 4 * numSamples)  # сам шум

Осталось лишь только записать их в необходимой последовательности (как в таблице):

with open(output_path, 'wb') as fh:
    fh.write(chunkId + chunkSize + Format + subchunk1ID +
            subchunk1Size + audioFormat + numChannels + 
            sampleRate + byteRate + blockAlign + bitsPerSample +
            subchunk2ID + subchunk2Size + data)  # записываем

И так, готово. Для использования скрипта, нам нужно добавить необходимые аргументы командной строки:
python3 WAV.py [num of samples] [output]
num of samples — кол. семплов
output — путь к выходному файлу

Вот ссылка на тестовый аудиофайл с шумом, но для экономии памяти я снизил BPS до 1b/s и количество каналов опустил до 1 (с 32 битным несжатым стерео аудиопотоком в 64kbs получилось 80M чистого .wav файла, а так только 10): https://instaud.io/3Dcy

Весь код целиком (WAV.py) (Код имеет множество дублирований значений переменнных, это лишь набросок):

from struct import pack  # перевод py-объектов в базовые типы из C
from os import urandom  # функция для чтения /dev/urandom, для windows:
# from random import randint
# urandom = lambda sz: bytes([randint(0, 255) for _ in range(sz)])  # лямбда под windows, т.к. urandom'а в винде нет
from sys import argv, exit  # аргументы к проге и выход

if len(argv) != 3:  # +1 имя скрипта (-1, если будете замораживать)
    print('Usage: python3 WAV.py [num of samples] [output]')
    exit(1)

numSamples = int(argv[1])
output_path = argv[2]

chunkId = b'RIFF'
Format = b'WAVE'
subchunk1ID = b'fmt '
subchunk1Size = b'x10x00x00x00'  # 0d16
audioFormat = b'x01x00'
numChannels = b'x02x00'  # 2-х каналов будет достаточно (стерео) 
sampleRate = pack('<L', 1000)  # 1000 хватит, но можно и больше.
bitsPerSample = b'x20x00'  # 0d32
byteRate = pack('<L', 1000 * 2 * 4)  # sampleRate * numChannels * bitsPerSample / 8  (32 bit sound)
blockAlign = b'x08x00'  # numChannels * BPS / 8
subchunk2ID = b'data'
subchunk2Size = pack('<L', numSamples * 2 * 4)  # * numChannels * BPS / 8
chunkSize = pack('<L', 36 + numSamples * 2 * 4)  # 36 + subchunk2Size

data = urandom(1000 * 2 * 4 * numSamples)  # сам шум

with open(output_path, 'wb') as fh:
    fh.write(chunkId + chunkSize + Format + subchunk1ID +
            subchunk1Size + audioFormat + numChannels + 
            sampleRate + byteRate + blockAlign + bitsPerSample +
            subchunk2ID + subchunk2Size + data)  # записываем в файл результат

Итог

Вот вы и узнали чуть побольше о цифровом звуке и о том, как его хранят. В этом посте мы не использовали сжатия (audioFormat), но для рассмотра каждого из популярных потребуется статей 10. Надеюсь вы узнали что-то новое для себя и это вам поможет в будущих разработках.
Спасибо!

Источники

Структура WAV файла
WAV — Википедия

Источник: habr.com