Методи за компресиране/съхраняване на медийни данни във формати WAVE и JPEG, част 1

Здравейте! Първата ми поредица от статии ще се съсредоточи върху изучаването на компресия на изображение/аудио и методи за съхранение като JPEG (изображение) и WAVE (звук) и ще включва също примери за програми, използващи тези формати (.jpg, .wav) на практика. В тази част ще разгледаме WAVE.

История

WAVE (Waveform Audio File Format) е контейнерен файлов формат за съхраняване на запис на аудио поток. Този контейнер обикновено се използва за съхраняване на некомпресирано аудио, модулирано с импулсен код. (Взето от Wikipedia)

Той е изобретен и публикуван през 1991 г. заедно с RIFF от Microsoft и IBM (водещи ИТ компании по това време).

Файлова структура

Файлът има заглавна част, самите данни, но няма долен колонтитул. Хедърът тежи общо 44 байта.
Заглавието съдържа настройки за броя на битовете в семпла, честота на семплиране, дълбочина на звука и др. необходимата информация за звуковата карта. (Всички числови стойности на таблицата трябва да бъдат записани в Little-Endian ред)

Име на блока
Размер на блока (B)
Описание/Цел
Стойност (за някои е фиксирана

chunkId
4
Дефиниране на файл като медиен контейнер
0x52494646 в Big-Endian („RIFF“)

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

формат
4
Дефиниция на типа от RIFF
0x57415645 в Big-Endian („WAVE“)

subchunk1Id
4
Така че файлът да заема повече място като продължение на формата
0x666d7420 в Big-Endian („fmt“)

subchunk1Size
4
Оставащ хедър (в байтове)
16 по подразбиране (за случая без компресиране на аудио поток)

audioFormat
2
Аудио формат (зависи от метода на компресиране и структурата на аудио данните)
1 (за PCM, което обмисляме)

numChannels
2
Брой канали
1/2, ще вземем 1 канал (3/4/5/6/7... - специфичен аудио запис, например 4 за четворен звук и т.н.)

sampleRate
4
Аудио честота на дискретизация (в херцове)
Колкото по-високо, толкова по-добър ще бъде звукът, но колкото повече памет ще е необходима за създаване на аудио запис със същата дължина, препоръчителната стойност е 48000 XNUMX (най-приемливото качество на звука)

byteRate
4
Брой байтове в секунда
sampleRate numChannels bitsPerSample (по-нататък)

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

bitsPerSample
2
Брой битове на 1 проба (дълбочина)
Всяко число, което е кратно на 8. Колкото по-високо е числото, толкова по-добро и по-тежко ще бъде аудиото; от 32 бита няма разлика за хората

subchunk2Id
4
Референтен знак за данни (тъй като може да има други елементи на заглавката в зависимост от аудиоформата)
0x64617461 в Big-Endian("данни")

subchunk2Size
4
Размер на областта за данни
размер на данните в int

данни
byteRate * продължителност на звука
Аудио данни
?

Пример за WAVE

Предишната таблица може лесно да бъде преведена в структура на C, но нашият език за днес е Python. Най-лесното нещо, което можете да направите, е да използвате „вълна“ - генератор на шум. За тази задача не се нуждаем от 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 според техните размери. Стойностите на променливите в него зависят само от numSamples (брой проби). Колкото повече от тях има, толкова по-дълго ще продължи шумът ни.

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

Остава само да ги запишете 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)  # записываем

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

Ето връзка към тестов аудио файл с шум, но за да спестя памет, намалих BPS до 1b/s и намалих броя на каналите до 1 (с 32-битов некомпресиран стерео аудио поток при 64kbs се оказа, че 80M чист .wav файл и само 10): https://instaud.io/3Dcy

Целият код (WAV.py) (Кодът има много дублиращи се стойности на променливи, това е само скица):

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

Общо

Така че научихте малко повече за цифровия звук и как се съхранява. В тази публикация не използвахме компресия (audioFormat), но за да разгледаме всеки от популярните, ще са необходими 10 статии.Надявам се, че сте научили нещо ново за себе си и това ще ви помогне в бъдещи разработки.
Благодаря ви!

източници

WAV файлова структура
WAV - Уикипедия

Източник: www.habr.com