Что такое resample mode
Как правильно рендерить видео в Sony Vegas Pro 14 для YouTube
Многие пользователи не задумываются о том, каким образом они рендерят ролики… выбирают стандартные пресеты и потом ждут часами результат сомнительного качества… Вот не надо так!! Рендер видео — это, пожалуй, самый отвественный момент в создании ролика, после монтажа, конечно же. И подход к нему должен быть соответственный.
Данная публикация была написана год назад для старого блога, который сейчас закрыт. Я переписал её и постарался сохранить оригинальный посыл.
Создание проекта
Рассмотрим рендер видео с помощью Sony Vegas Pro 14 (по сути работает на любой версии).
Создаем проект (Файл-Создать…). Появится окно с заполненными полями шаблона по умолчанию. Нужно изменить поля, как показано на рисунке 1.
Вы вправе изменять настройки как пожелаете, но будьте внимательны, изменяя значения здесь, не забудьте сделать подобные изменения и в других местах в соотвествии с опцией.
* Если частота кадров записанного материала не совпадает с частатой кадров проекта, то убедительная просьба отключить ресемплинг, иначе видео будет сильно размыто. Для этого на таймлайн линии в настройках видео переключаете опцию на Disable resample.
Настройка рендера
Для того, чтобы приступить к процессу рендеринга нужно смонтировать и поработать над видео. Сделано? Тогда нужно скачать и установить x264vfw кодек. После установки кодека x264vfw нужно обязательно перезапустить Sony Vegas Pro.
Кодек x264 — это кодек с открытыми исходными текстами стандарта H.264. Кодек x264vfw — это неофициальный форк кодека x264 с большим набором настроек для Windows и множеством улучшений.
Я уверен Вы не раз слышали о том, что ютуб пережимает качество картинки ролика и на видео появляются артефакты… Да, это так, но этого можно избежать. YouTube использует стандарт H.264 и в случаи, когда видео загружается, допустим с использованием другого кодека и стандарта сжатия, то процесс обработки видео после загрузки на ютуб, увеличивается в несколько раз, так как серверы ютуба будут конвертировать ваш ролик под свой формат, тем самым, избежать потери качества не выйдет… оно будет неизбежно испорчено.
Чтобы такого не допустить, для youtube нужно рендерить видео только с помощью кодека x264, тогда обработка видео на серверах будет моментальна и ютуб не будет пережимать видео. К тому же, при правильной настройке кодека под компьютер, можно добиться хорошего результата по скорости рендера. Этим далее и займемся.
После установки кодека x264vfw возвращаемся в Sony Vegas и перемещаемся на страницу настройки рендера (File — Render As).
Что такое ресемплинг? (resampling, передискретизация)
Изменения в битовой глубине, например от 16-битного до 24-битного или обратно может выполняться одновременно с повторной дискретизацией, но следует позаботиться о том, чтобы избежать смешения двух принципов. Низкокачественные алгоритмы повторной дискретизации, будь то повышающая или понижающая выборка, могут вносить артефакты, которые отчетливо слышны при воспроизведении. Типичный некачественный, но чрезвычайно быстрый алгоритм будет основан на линейной интерполяции. Высококачественные алгоритмы передискретизации используют больше процессорного времени, поскольку они требуют преобразования в частотную область. Современные процессоры ПК (тактовая частота
2 ГГц) легко справляются с очень качественной передискретизацией в реальном времени. Звуковые карты, которые выполняют ресэмплинг в реальном времени, требуют хорошего DSP.
Очень часто требуется передискретизация, которая фактически является частью процесса мастеринга аудио для компакт-дисков, поскольку профессиональное аудиооборудование использует 96 кГц или 192 кГц для мастеров, тогда как в спецификации Red Book Audio CD используется частота дискретизации 44,1 кГц. Различные носители записываются с разной частотой дискретизации (CD на 44,1 кГц, DAT на 48 кГц, DVD-аудио на 96 кГц и т.д.). Цифровое микширование различных источников, отобранных с разной скоростью, потребует повторной выборки до общей скорости и разрешения.
Многие аудиокарты для ПК (в частности, кодеки Creative Labs на базе 10k1 и 10k2) и кодеки AC97 могут только вводить, выводить или обрабатывать аудиоданные на частоте 48 кГц и принудительно пересчитывать информацию на том или ином этапе. Иногда звуковое программное обеспечение, плагины и драйверы добавляют возможность пересемплирования, что позволяет получить более чистый звук (на разных уровнях алгоритмы продуктов могут показывать себя по-разному). Например: один и тот же синтезатор, на различных уровнях ресемплирования может давать различные оттенки одного и того же сигнала.
Ресемплинг. Цифровая кирпичная стена против теории заговора. Рождественская сказка для любителей чистого звука
Ни в одной области электроники не скопилось столько мифов,
как в области Hi-Fi и Hi-End устройств для воспроизведения звука.
Ударим Рождественской Историей по одному из них!
Когда старый год уже проводили, Новый встретили сначала в узком семейном кругу, а затем с более дальними родственниками, когда закончились или пришли в негодность новогодние салаты и стало отпускать похмелье…
Те, кто не захотел или не смог встречать Новый Год в Дальнем Зарубежье, начинают ощущать на себе зов персонального компьютера.
Именно для них и предназначена моя рождественская история, об основах ресемплинга — технологии, позволившей значительно улучшить качество воспроизведения дисков формата Аудио CD в начале тысячелетия. Именно тогда для воспроизведения 16 битных записей начали применять 18 и даже 20 битные цифро-аналоговые преобразователи. С первого взгляда это выглядело как маркетинговая уловка производителей, направленная на извлечение дополнительной порции денег из кошельков доверчивых аудиофилов, но в этот раз сторонники теории заговоров могут курить в сторонке. На самом деле это было удачной попыткой улучшить качество воспроизведения и снизить цену дорогостоящей профессиональной аппаратуры. История старая, но поучительная, во многом актуальная и по сей день.
Цифро-аналоговый преобразователь digital-to-analog DAC является сердцем любой аудиовопроизводящей системы, использующей в качестве источника компакт диски. На него возложена сложная и деликатная задача раскодирования последовательности 16-битных чисел и преобразования её в формат, воспринимаемый человеческим ухом.
В далёком 1983 году появился первый культовый CD проигрыватель Magnavox со сдвоенным 14 битным конвертором, но уже к началу века многие системы высококачественного воспроизведения CD дисков имели 18, а то и 20 битные преобразователи. Почему?
Немного теории, почти без формул
Концепция цифро-аналоговых преобразований покоится на двух китах: частоте дискретизации sampling и разрядности quantization.
Для воспроизведения звука в PCM формате мы должны через равные промежутки времени преобразовывать цифровые значения в соответствующие им аналоговые величины напряжения или тока. Частота этих преобразований и является частотой дискретизации. Согласно теореме Найквиста, таким образом возможно воспроизводить сигналы с частотой не выше половины частоты дискретизации. Наиболее распространённые форматы, которые способны воспроизводить сигналы с частотой воспринимаемой человеческим ухом общепринята цифра 20 кГц, имеют частоты дискретизации в 44.1 и 48 КГц.
Первый до сих пор широко используется в звуковых компакт дисках (CDDA, англ. Compact Disc Digital Audio, также называемый англ. Audio CD и Red Book), а второй зародился в ряде стандартов для профессиональной звукозаписывающей аппаратуры.
Давайте вообразим себе что при записи звуковой сигнал попадает на идеальный аналогово-цифровой преобразователь. Он не имеет собственных шумов и искажений и преобразует мгновенное значение поступающего на него сигнала в цифровое с заданной разрядностью, ну например в 16 бит, как это принято в формате Audio CD. В таком случае, теоретически достижимый динамический диапазон сигнала (соотношение между оцифрованными сигналами с самым большим и маленьким уровнями) будет составлять 98.1 dB. Для вычисления этой величины часто используют приближённую формулу, согласно которой каждый лишний бит добавляет 6 децибел к теоретически достижимому динамическому диапазону. Для 16 битного сигнала мы получим:
Реальный музыкальный сигнал чаще всего состоит не из чистого тона, а из смеси большого количества быстро меняющих свою частоту и амплитуду гармоник. Для гармоник, имеющих амплитуду менее одного разряда АЦП, невозможно восстановить корреляцию с исходным сигналом и они в результате операции кодирования-декодирования превращаются в белый шум. Кроме этого, шумы генерируются быстро изменяющимися сигналами с большой амплитудой, которых много скажем в поп музыке.
От идеальных приближений к реальной жизни. Проблемы первых CD проигрывателей
Со времён начала использования цифровых технологий в звукозаписи ведётся постоянная гонка за увеличение их производительности и уменьшение стоимости. Первые CD проигрыватели имели единственный параллельный DAC и две входные цепи, которые поочерёдно подавали на него сигналы то правого, то левого каналов. Мгновенные уровни аналоговых сигналов на выходе DAC фиксировались с помощью специальных цепей на время между двумя считываниями и попеременно поступали на отдельные усилители правого и левого каналов. Это порождало дополнительные искажения, величина которых зависела от разности мгновенных звуковых уровней каналов. Под напором критики ауидофилов производители вынуждены были перейти на схему с отдельными DAC для каждого из каналов.
На выходе DAC присутствует ступенчатый сигнал, который не слишком похож на плавный исходный, в нём существуют неприятные на слух искажения. Давайте для упрощения представим что на вход была подана единственная гармоника с частотой 1 КГц. Операция восстановления оцифрованного сигнала приводит фактически к возникновению интермодуляционных искажений между исходным сигналом и частотой дискретизации — в нашем случае 44.1 КГц. (Механизм возникновения интермодуляционных искажений и ликбез по гармоникам при необходимости ищите в моей прошлой статье).
Несмотря на то, что паразитные гармоники лежат за пределами человеческого уха, они оказывают неблагоприятное воздействие на усилительный тракт и от них лучше избавиться.
В ранних моделях аппаратуры для воспроизведения цифрового контента для этого использовались фильтры, которые имели плоскую характеристику до частоты в 20 кГц, а далее резкое ослабление уровня на 80дБ и более. В английской терминологии такие фильтры называют brick-wall, на русском иногда именуют по аналогии “кирпичной стеной”. Проблема заключалась в том, что аналоговые ФНЧ высокого порядка очень чувствительны к точности значений пассивных компонентов, из которых они состоят. Ещё больше осложняют ситуацию требуемые номиналы выбивающиеся за пределы стандартного ряда и особые требования к качеству этих компонентов, которое необходимо для достижения минимального вклада в искажение сигнала. В результате, стоимость данных фильтров получалась запредельной, но самое печальное — они не смогли удовлетворить запросы аудиофилов, поскольку данные фильтры имели большие фазовые искажения, особенно на краях воспроизводимого диапазона. Поэтому звучание ранних версий CD проигрывателей несмотря на высокую стоимость аудиофилы характеризовали как “песочное” (gritty).
Цифровые фильтры спешат на помощь. Oversampling на пальцах
Серьёзным шагом в направлении улучшения качества звука а главное его доступности было внедрение технологии передискретизации сигнала, которой собственно и посвящена данная статья.
Для того, чтобы пояснить её сущность давайте представим процесс восстановления сигнала с так любимой ГОСТами частотой 1 КГц. На рисунке A представлен ряд сэмплов составляющих сигнал, которые появляются на выходе DAC, а правее спектральные составляющие второго и третьего порядков, содержащиеся в сигнале на выходе DAC. Можно заметить, что сигнал является ни чем иным, как продуктом интермодуляционных искажений между исходным тоном с частотой 1 КГц и частой оцифровки 44.1 КГц.
Увеличим частоту дискретизации сигнала в четыре раза путём элементарной операции — добавления лишних трёх сэмплов между двумя соседними, каждый из которых имеет нулевые значения, как показано на рисунке C. Одновременно с этим добавим два младших разряда в каждый сэмпл, также заполнив их нулями. Теперь мы получили 18 битные значения сэмплов. В результате этой операции спектр сигнала фактически не изменился, но на самом деле произошло фундаментальное изменение. Гармоники второго порядка, вызванные частотой дискретизации стали частью спектра основного сигнала. Производные же гармоники переместились выше частоты 44.1 кГц. Это показано на рисунке D.
В области же спектра основного сигнала с успехом можно применить цифровую фильтрацию, что мы и сделаем, использовав цифровой фильтр высокого порядка, с АЧХ показанный на рисунке F. Физически мы получаем дополнительные промежуточные точки между имеющимися сэмплами сигнала, которые сглаживают переходы между двумя значениями за счёт появления дополнительных двух разрядов в представлении амплитуды.
Теперь, когда всю тяжёлую и грязную работу выполнил цифровой фильтр мы подаём результирующий сигнал с частотой дискретизации в 44.1*4 =176.4 КГц, на DAC.
Осталось добавить вишенку на наш тортик — пропустить сигнал через простейший аналоговый фильтр третьего порядка, который отлично справится с подавлением гармоник в заданном диапазоне и не внесёт при этом заметных фазовых искажений.
Результат — спектр полученного сигнала стал гораздо ближе к исходному, паразитные составляющие в нём сильно ослаблены, а фазовые искажения сведены к минимуму благодаря возможностям цифровой фильтрации.
Аппаратная реализация
На рисунке представлена аппаратная реализация описанного выше решения. Операции передискретизации и цифровой фильтрации выполняет микросхема CXD1088Q производства фирмы SONY — одним из прародителей формата Audio CD. Несложная логическая схема поочерёдно запускает преобразование двух отдельных 18 битных DAC AD1860.
Какие же преимущества мы получили в результате наших цифровых фокусов?
Каждому яблоку место упасть, каждому вору возможность украсть…
Как любая хорошая рождественская история, эта имеет хэппиенд. От внедрения новой технологии кажется выиграли все:
Производители профессиональной аппаратуры и CD проигрывателей в сегменте Hi Fi смогли улучшить качество звука и значительно увеличить повторяемость параметров своих изделий в процессе производства.
Любители качественного звука получили проигрыватели дисков с улучшенными параметрами за разумную цену.
Законченные аудиофилы теперь могут ворчать о том, какой крутой звук был у старых аппаратов с аналоговыми фильтрами пока всё не испортила цифра и охотиться за винтажной техникой.
Ну а избранные производители хайэнда могут создавать единичные экземпляры устройств, тщательно подбирая компоненты аналогового фильтра с характерным названием “кирпичная стена”, получая при этом аппараты с индивидуальным звучанием обусловленным в основном вносимыми фильтрами фазовыми и не только искажениями и задирать их ценник до небес.
Более подробное сравнение работы аналоговых и цифровых фильтров и ответы на характерные вопросы читайте в следующей статье
При подготовке публикации были использованы материалы статьи DAC ICs: How Many Bits is Enought? под авторством Robert Adams
Интерполяция (Resample Image) в Фотошопе
В этом уроке Фотошопа мы рассмотрим интерполяцию в Фотошопе.
Сложность: Низкая
Дата: 17.10.2011
Обновлено: 24.08.2017
Для увеличения или уменьшения размера изображения Фотошоп использует метод Интерполяции. Так, например, при увеличении изображения, Фотошоп создает дополнительные пиксели на основе значений соседних. Грубо говоря, если один пиксель черный, а другой белый, то Фотошоп вычислит среднее значение и создаст новый пиксель серого цвета.
Некоторые виды интерполяции быстрые и некачественные, другие более сложные, но с помощью них достигаются хорошие результаты.
1. «Nearest Neighbor» (По соседним)
Этот способ редко используется для работы с фото, так как результат оставляет желать лучшего.
Здесь пиксели грубо копируются, переходы цветов получаются неровные.
2. «Bilinear» (Билинейная)
Результат от применения этого способа будет лучше.
Здесь значение новых пикселей вычисляется путем нахождения средней величины, а не просто копируется. Качество получается среднее.
3. «Bicubic» (Бикубическая)
Этот способ интерполяции работает с большим количеством смежных пикселей, производит серьезные вычисления значений этих элементов и создает новые пиксели, которые должны быть на этом месте. При небольших увеличениях фото этот способ вполне подойдет.
Версии Photoshop CS и выше предлагают два новых алгоритма интерполяции: «Bicubic Smoother» (Бикубическая глаже) и «Bicubic Sharper» (Бикубическая четче). Они видоизменяют вычисления стандартного «Бикубического» способа в зависимости от эффекта, который вы хотите получить.
4. «Bicubic Smoother» (Бикубическая глаже)
Прекрасно сделает свою работу, если вы хотите увеличить фото.
5. «Bicubic Sharper» (Бикубическая четче)
Подойдет в том случае, если вы уменьшаете фото.
Пример использования «Bicubic Sharper» (Бикубическая четче).
Есть фото, размеры 448 х 336 px разрешение 96 dpi.
Нам нужно его увеличить.
Размеры документа сразу установятся на значения 100%.
Будем постепенно увеличивать изображение.
Измените значение 100% на 110%.
Когда вы измените ширину, высота автоматически подгонится сама.
Нажмите ОК. Посмотрите на изображение.
Теперь его размеры уже 493 х 370 px.
Повторяя данные действия можно добиться хороших результатов.
Конечно, идеальной четкости нам добиться будет достаточно сложно, так как фото было маленькое и низкого разрешения.
Но посмотрите, какие изменения произошли в пикселях.
Насколько большими мы можем делать фотографии благодаря методу интерполяции?
Все зависит от качества фотографии, как оно было сделано и для каких целей вы его увеличиваете. Лучший ответ: возьмите и проверьте сами.
Как изменить выборку и интерполировать данные временных рядов с помощью Python
Дата публикации 2016-12-16
У вас могут быть наблюдения на неправильной частоте.
Может быть, они слишком гранулированы или недостаточно гранулированы. Библиотека Pandas в Python предоставляет возможность изменять частоту данных временных рядов.
В этом руководстве вы узнаете, как использовать Pandas в Python для увеличения и уменьшения частоты дискретизации данных временных рядов.
После завершения этого урока вы узнаете:
Обновление декабрь / 2016: Исправлены определения upsample и downsample.
Resampling
Повторная выборка включает в себя изменение частоты ваших наблюдений временного ряда.
Два типа повторной выборки:
В обоих случаях данные должны быть изобретены.
В случае повышения дискретизации может потребоваться осторожность при определении того, как детализированные наблюдения рассчитываются с использованием интерполяции. В случае понижающей выборки может потребоваться осторожность при выборе суммарной статистики, используемой для расчета новых агрегированных значений.
Возможно, есть две основные причины, по которым вы можете быть заинтересованы в пересчете данных временных рядов:
Существует много совпадений между этими двумя случаями.
Например, у вас могут быть ежедневные данные и вы хотите прогнозировать ежемесячные проблемы. Вы можете использовать ежедневные данные напрямую или преобразовать их в ежемесячные данные и разработать свою модель.
При разработке модели перспектива проектирования элементов может использовать наблюдения и сводки наблюдений как в масштабе времени, так и в большей степени.
Давайте сделаем пересчет более конкретным, взглянув на реальный набор данных и несколько примеров.
Набор данных по продажам шампуня
Этот набор данных описывает ежемесячное количество продаж шампуня за 3-летний период.
Единицами являются количество продаж и 36 наблюдений. Оригинальный набор данных приписан Макридакису, Уилрайту и Хиндману (1998).
Ниже приведен пример первых 5 строк данных, включая строку заголовка.
Ниже приведен график всего набора данных, взятого из Data Market.
Набор данных показывает тенденцию к увеличению и, возможно, некоторые сезонные компоненты.
Загрузите набор данных по продажам шампуня
Загрузите набор данных и поместите его в текущий рабочий каталог с именем файла «Шампунь-sales.csv«.
Временные метки в наборе данных не имеют абсолютного года, но имеют месяц. Мы можем написать пользовательскую функцию анализа даты, чтобы загрузить этот набор данных и выбрать произвольный год, например 1900, для определения базовых лет.
Ниже приведен фрагмент кода для загрузки набора данных Shampoo Sales с использованием настраиваемой функции анализа дат изread_csv (),
Выполнение этого примера загружает набор данных и печатает первые 5 строк. Это показывает правильную обработку дат, основанных на 1900 году.
Мы также получаем график набора данных, показывающий тенденцию роста продаж от месяца к месяцу.
Продажи шампуня
Наблюдения в продаже шампуней проводятся ежемесячно.
Представьте, что нам нужна ежедневная информация о продажах. Нам пришлось бы повышать частоту с ежемесячной до ежедневной и использовать схему интерполяции для заполнения новой ежедневной частоты.
Библиотека Pandas предоставляет функцию под названиемресэмплировать ()наСерииа такжеDataFrameобъекты. Это может быть использовано для группировки записей при пониженной выборке и выделения места для новых наблюдений при повышающей выборке.
Мы можем использовать эту функцию, чтобы преобразовать наш месячный набор данных в ежедневный набор данных, вызвав повторную выборку и указав предпочтительную частоту календарного дня или «D».
Pandas умен, и вы можете с такой же легкостью указать частоту, как «1D» или даже что-то конкретное для домена, например, «5D». См. Дальнейший раздел чтения в конце учебника для списка псевдонимов, которые вы можете использовать.
При выполнении этого примера печатаются первые 32 строки набора данных с повышенной дискретизацией, показывающие каждый день января и первый день февраля.
Мы видим, чторесэмплировать ()Функция создала строки, поместив значения NaN в новые значения. Мы можем видеть, что у нас все еще есть объем продаж на первое января и февраль от оригинальных данных
Далее мы можем интерполировать пропущенные значения на этой новой частоте.
СерииОбъект Панды обеспечиваетинтерполировать ()функция для интерполяции пропущенных значений, и есть хороший выбор простых и более сложных функций интерполяции. У вас может быть знание предметной области, чтобы помочь выбрать, как следует интерполировать значения.
Хорошей отправной точкой является использование линейной интерполяции. Это рисует прямую линию между доступными данными, в данном случае на первое число месяца, и заполняет значения с выбранной частотой из этой линии.
Запустив этот пример, мы можем увидеть интерполированные значения.
Глядя на линейный график, мы не видим никакой разницы от построения исходных данных, поскольку график уже интерполировал значения между точками для рисования линии.
Другим распространенным методом интерполяции является использование полинома или сплайна для соединения значений.
Это создает больше кривых и может выглядеть более естественно для многих наборов данных. Для использования сплайн-интерполяции необходимо указать порядок (количество слагаемых в многочлене); в этом случае порядка 2 просто отлично.
Запустив пример, мы можем сначала просмотреть необработанные интерполированные значения.
Рассматривая линейный график, мы можем увидеть более естественные кривые на интерполированных значениях.
Как правило, интерполяция является полезным инструментом, когда у вас отсутствуют наблюдения.
Далее мы рассмотрим повторную выборку в другом направлении и уменьшение частоты наблюдений.
Продажи шампуней
Данные о продажах являются ежемесячными, но, возможно, мы бы предпочли, чтобы данные были квартальными.
Год можно разделить на 4 бизнес-квартала по 3 месяца.
Вместо создания новых строк между существующими наблюдениями,ресэмплировать ()Функция в Pandas сгруппирует все наблюдения по новой частоте.
Мы могли бы использовать псевдоним типа «3M» для создания групп по 3 месяца, но это может вызвать проблемы, если наши наблюдения не начнутся в январе, апреле, июле или октябре. У Панд есть четвертый псевдоним «Q», который мы можем использовать для этой цели.
Теперь мы должны решить, как создать новое квартальное значение из каждой группы из 3 записей. Хорошей отправной точкой является подсчет среднемесячных продаж за квартал. Для этого мы можем использоватьимею в виду()функция.
Собрав все это вместе, мы получим следующий пример кода.
При выполнении примера печатаются первые 5 строк квартальных данных.
Мы также строим квартальные данные, показывающие Q1-Q4 за 3 года первоначальных наблюдений.
Возможно, мы хотим пойти дальше и превратить ежемесячные данные в годовые данные, а, возможно, позже использовать их для моделирования следующего года.
Мы можем уменьшить выборку данных, используя псевдоним «A» для частоты на конец года, и на этот раз использовать сумму для расчета общего объема продаж за год.
Выполнение примера показывает 3 записи за 3 года наблюдений.
Мы также получаем график, на котором правильно показаны год по оси X и общее количество продаж за год по оси Y.
Дальнейшее чтение
В этом разделе приведены ссылки и дальнейшее чтение для функций Pandas, используемых в этом руководстве.
Резюме
В этом руководстве вы узнали, как пересчитывать данные временных рядов с помощью Pandas в Python.
В частности, вы узнали:
Есть ли у вас какие-либо вопросы о повторной выборке или интерполяции данных временных рядов или об этом руководстве?
Задайте свои вопросы в комментариях, и я сделаю все возможное, чтобы ответить на них.