Методи за компресия/съхранение на медийни данни в формати WAVE и JPEG, част 1

Здравейте! Първата ми серия статии ще бъде посветена на изучаването на методите за компресия и съхранение на изображения/звуци, като JPEG (изображение) и WAVE (звук), а също така ще включва примери за програми, използващи тези формати (.jpg, .wav) на практика. В тази част ще разгледаме конкретно WAVE.

История

WAVE (Waveform Audio File Format) — формат на контейнерен файл за съхранение на запис на аудио поток. Този контейнер обикновено се използва за съхранение на несжат звук в импулсно-кодова модулация. (Взето от Уикипедия)

Той е измислен и публикуван през 1991 година заедно с RIFF от компании като Microsoft и IBM (Водещите IT компании от онова време).

Структурата на файла

Файлът има заглавна част, самите данни, но няма футер. Заглавието заема общо 44 байта.
В заглавието се намират настройки за броя на битовете в семпла, честотата на дискретизация, дълбочината на звука и т.н. информация, необходима за звуковата карта. (Всички числови стойности в таблицата трябва да бъдат записани в Little-Endian ред.)

Име на блока
Размер на блока (B)
Описание/Предназначение
Стойност (при някои е фиксирана)

chunkId
4
Определя файла като медия-контейнер
0x52494646 в Big-Endian («RIFF»)

chunkSize
4
Размер на целия файл без chunkId и chunkSize
FILE_SIZE — 8

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

subchunk1Id
4
За да заема файла повече място, продължението на формата
0x666d7420 в Big-Endian («fmt «)

subchunk1Size
4
Останалата част от заглавието (в байтове)
16 по подразбиране (за случая без компресия на аудиопотока)

audioFormat
2
Аудио формат (зависи от метода на компресия и структурата на аудиоданните)
1 (за PCM, който разглеждаме)

numChannels
2
Брой канали
1/2, ще вземем 1 канал (3/4/5/6/7… — специфична аудиодорожка, например 4 за квадро звук и т.н.)

sampleRate
4
Честота на семплиране на звука (в Херци)
Колкото по-висока е, толкова по-качествен звук ще има, но толкова повече памет ще е необходима за създаването на аудиодорожка със същата дължина, препоръчителната стойност е 48000 (най-приемливо качество на звука)

byteRate
4
Брой байтове за 1 секунда
sampleRate numChannels bitsPerSample (по-долу)

blockAlign
2
Брой байтове за 1 семпъл
numChannels * bitsPerSample: 8

bitsPerSample
2
Брой битове за 1 семпъл (дълбочина)
Всяко число, кратно на 8. Колкото по-голямо е, толкова по-добро и тежко ще бъде аудио, от 32 бита няма значение за човека.

subchunk2Id
4
Маркер за началото на данните (тъй като могат да има други елементи в заглавието в зависимост от audioFormat)
0x64617461 в Big-Endian («data»)

subchunk2Size
4
Размер на областта с данни
размер data в int’е

data
byteRate * продължителност на аудио
Аудиоданни
?

Пример с WAVE

Предишната таблица може лесно да се преобразува в структура на C, но нашият език днес е Python. Най-лесното, което можем да направим, използвайки "вълната" — генератор на шум. За тази задача не са ни необходими висок byteRate и компресия.
Първо, нека импортираме необходимите 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)

След това трябва да създадем всички необходими променливи от таблицата по техните размери. Променливите в нея зависят само от numSamples (броя на семплите). Колкото повече бъдат, толкова по-дълго ще вървим нашия 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-канала са достатъчни (стерео)
sampleRate = pack('<L', 1000)  # 1000 е достатъчно, но ако сложим повече, шумът ще се чува по-добре. С 1000 звучи като вятър
bitsPerSample = b'x20x00'  # 0d32
byteRate = pack('<L', 1000 * 2 * 4)  # sampleRate * numChannels * bitsPerSample / 8  (32 битов звук)
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)  # самият шум

Остава само да ги запишем в необходимата последователност (както в таблицата):

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

И така, готово. За да използваме скрипта, трябва да добавим необходимите аргументи на командния ред:
python3 WAV.py [num of samples] [output]
num of samples — брой семпли
output — път към изходния файл

Ето връзка към тестов аудиофайл със шум, но за да спестя памет, намалих BPS до 1b/s и броя на каналите до 1 (с 32 битов несжат стерео аудиопоток с 64kbs стана 80M чист .wav файл, а така само 10): https://instaud.io/3Dcy

Целият код (WAV.py) (Кодът има много дублирани стойности на променливите, това е само наброска):

от struct import pack  # преобразование py-объектов в базовые типы из C
от os import urandom  # функция для чтения /dev/urandom, для Windows:
# от random import randint
# urandom = lambda sz: bytes([randint(0, 255) for _ in range(sz)])  # лямбда для Windows, так как urandom в Windows отсутствует
от sys import argv, exit  # аргументы для программы и выход

если len(argv) != 3:  # +1 имя скрипта (-1, если собираетесь замораживать)
    print('Использование: python3 WAV.py [число образцов] [выход]')
    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'  # достаточно 2 канала (стерео)
sampleRate = pack('<L', 1000)  # 1000 достаточно, но можно и больше.
bitsPerSample = b'x20x00'  # 0d32
byteRate = pack('<L', 1000 * 2 * 4)  # sampleRate * numChannels * bitsPerSample / 8  (32 бита звук)
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

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

Резюме

Теперь вы узнали немного больше о цифровом звуке и о том, как его хранят. В этом посте мы не использовали сжатие (audioFormat), но на каждый из популярных форматов потребуется около 10 статей. Надеюсь, вы узнали что-то новое для себя и это поможет вам в будущих разработках.
Спасибо!

Източници

Структура файла WAV
WAV — Википедия

Източник: habr.com