Profundidad de Bits
| ||||||
Profundidad de Bits. Es la cantidad de información binaria que conforma una imagen, ó gama de colores y tonalidades que poseerá la imagen digital, ya sea en color o en blanco y negro.
Sumario
Muestras de la profundidad de bits
Lo que la profundidad de bits nos dice es: de qué tamaño será cada una de las muestras, entre mayor sea el tamaño de muestra mayor cantidad de información podremos tener de cada una y lógicamente nuestros archivos también serán más grandes. Las diferentes profundidades que encontramos en audio son: 8, 16, 20, 24, 32 y 64 bits.
Si tenemos 24 bits para cada muestra ¿qué pasará al llegar al bit número 25? Cuando rebasamos el número de espacios asignados para definir nuestra muestra (wordlength) significa que ya no hay manera de interpretar datos para generar sonido y lo que obtenemos es lo que se conoce como ‘cama de ruido' a este fenómeno en el que se crea ruido por ‘indefinición', porque ya no tenemos manera de expresar algo más allá del número de bits asignado y se le llama ‘truncado de muestra'. En términos prácticos esto es el ‘Hiss' y es equivalente al ruido que encontramos en una cinta analógica, la diferencia es que en un entorno analógico el ruido es producido por la fricción entre la cinta y la cabeza lectora mientras que en el entorno digital el ruido es producto del ya mencionado truncado de muestra o wordlength truncation . Y entre más bits de wordlength tengamos la cama de ruido estará más abajo en volumen. De esto también se desprende el que entre más bits haya en el wordlength la información adicional que podemos captar corresponderá a la parte más tenue del sonido. A este fenómeno se le conoce como ‘rango señal a ruido' o signal to noise ratio El volumen lo expresamos en deciBeles (dB) y contrario a lo que pudieramos pensar esta medida no corresponde a volumen sino a presión (fuerza sobre una superficie), en el caso particular del sonido nos referimos a la presión del aire sobre nuestros oídos y se abrevian dBSPL (en inglés deciBels Sound Pressure Level ) y sus valores van de 0 hacia (infinito). A su vez los aparatos de audio tienen su propia manera de ‘medir' el volumen y lo hacen a partir de 0 como valor máximo hacia - o donde empiece la cama de ruido del sistema y siempre en números negativos, esto representa el voltaje necesario para producir un cierto volumen o mejor dicho una cierta potencia; estos valores corresponden a los deciBeles de escala completa o dBFS ( deciBels Full Scale ). Dentro de nuestro tema los dBFS son lo que nos interesan pues así podemos calcular la cama de ruido para cada profundidad de bits, así como algunas aproximaciones para entornos analógicos. En sistemas analógicos la cama de ruido es variable y en el entorno digital la cama de ruido es exacta.
Frecuencia de Resolución
Este es el otro componente crucial del dominio digital, pero ¿qué significa 44.1, 48, 96 y 192 KHz? En términos sencillos esto quiere decir cuántas muestras se podrán analizar por segundo, si tenemos una profundidad de 24 bits a 48 KHz (que es la resolución de un DAT) significa que podremos procesar 48000 muestras por segundo de 24 bits cada una, entre mayor sea la frecuencia de muestreo mayor número de muestras tendremos y por consiguiente podremos analizar a mayor detalle.
Hasta ahora como en el caso de la profundidad de bits entre mayor resolución tengamos mejor, pero en nuestro caso no es así y es aquí donde vamos a resolver el mito de las altísimas frecuencias de muestreo que no nos dan un beneficio y sin embargo entre mayor resolución mayor costo para nosotros.
La primera razón es la limitación de la frecuencia más alta para analizar:
Cómo sabemos el sonido también posee frecuencias y por supuesto esta también se mide en Hertz (Hz). La frecuencia se define en términos sencillos como el número de ciclos completos por segundo que ocurren (un periodo positivo y uno negativo), veamos la siguiente figura. La línea horizontal del medio representa tiempo, en este caso fracciones de segundo, los rectángulos representan una muestra de una resolución de supongamos 48 KHz, dentro de cada cuadro encontramos la fase positiva de una onda y en el siguiente la fase negativa de la misma onda, ahora haciendo aritmética sencilla podemos notar que necesitamos dos muestras (rectángulos) para analizar la onda completa (fase positiva y negativa) por tanto podemos concluir que la frecuencia más alta que podemos analizar en un muestreo de 48 KHz es 24 KHz esto debido a que separar una onda es sus componentes positivo y negativo es el tamaño más grande que podemos analizar.
Color indexado
Para las profundidades de color inferiores o iguales a 8, los valores de los píxeles hacen referencia a tonos RGB indexados en una tabla, llamada habitualmente caja creadora de colorización o paleta. Los tonos en dicha tabla pueden ser definidos por convención o bien ser configurables, en función de la aplicación que la defina. A continuación, se mencionarán algunas profundidades de color en la gama baja, así como la cantidad de tonos que pueden representar en cada pixel y el nombre que se les otorga a las imágenes o framebuffers que los soportan.
1 bit por píxel: 21 = 2 colores, también llamado monocromo o blanco y negro. Compatible IBM PC con MDA o HGC, primeros Macintosh, Atari ST en alta resolución
2 bits por píxel: 22 = 4 colores, o CGA
3 bits por píxel: 23 = 8 colores: primeros modelos de ordenador doméstico como el ZX Spectrum y el BBC Micro
4 bits por píxel: 24 = 16 colores, la cual es la mínima profundidad aceptada por el estándar EGA. Macintosh en color, Atari ST, Commodore 64, Amstrad CPC.
5 bits por píxel: 25 = 32 colores, como en el chipset original del Commodore Amiga
6 bits por píxel: 26 = 64 colores, como en el chipset original del Commodore Amiga
8 bits por píxel: 28 = 256 colores, también llamado VGA. Super VGA, Macintosh color, Atari TT, Commodore Amiga con chipset AGA, Atari Falcon030.
10 bits por pixel: 210 = 1024 colores, usado en UHDTV.
12 bits por pixel: 212 = 4096 colores, algunos modelos de Silicon Graphics, NeXTstation en color, modo HAM del Commodore Amiga.
Color de alta resolución o HiColor
Los valores de profundidad de color de 15 y 16 bits son llamados habitualmente color de alta resolución o HiColor.
- En la profundidad de 15 bpp se utilizan 5 bits para codificar la intensidad del rojo, 5 para el verde y los otros 5 para el azul. Con una profundidad de 15 bpp es posible representar 32 x 32 x 32 = 32768 colores en cada pixel.
- En la profundidad de 16 bpp se utilizan 5 bits para codificar la intensidad del rojo, 6 para el verde y los otros 5 para el azul. La razón de esto es que experimentalmente se sabe que el ojo humano es más sensible al color verde, y que puede discriminar más tonos que varía ligeramente en la intensidad verde. Con la profundidad de 16 bpp es posible representar 32 x 64 x 32=65536 colores en cada pixel. El tamaño de la imagen dependerá de la profundidad de bit.
Color real o True Color
Para la profundidad de color de 24 bits por pixel, se habla de color verdadero debido a que la policromía se acerca a lo que el ojo humano puede encontrar en el mundo real, y a que dicho ojo humano se torna incapaz de diferenciar entre un tono y otro, si la diferencia se mantiene en un cierto rango mínimo. En la profundidad de color de 24 bits por pixel, se dedica un octeto entero a representar la intensidad luminosa de cada uno de los tres tonos primarios de rojo, verde y azul, lo cual permite que cada pixel pueda tomar 224 = 256x256x256 = 16.777.216 colores distintos. Cuando se utilizan 32 bits para representar un color se agrega al esquema de 256 valores para cada tono primario un cuarto canal denominado alfa que representa la transparencia. Este valor se utiliza cuando se deben superponer dos imágenes.
Edwin Catmull propuso una serie de operadores para la mezcla (también llamado blend) de imágenes. Debido a que Catmull estaba desarrollando el sistema de animación de Pixar necesitaba automatizar la composición de imágenes. Juntamente con Marc Levoy (Levoy los desarrolló por su cuenta en los estudios Hanna Barbera) sentaron las bases del álgebra de colores. El operador más común es el OVER, que presentamos a continuación: Dados los colores A [r1, g1, b1, a1] y B [r2, g2, b2, a2], el resultado de mezclar: A sobre B es:
A OVER B = [ r1 * a1 + r2(1 - a1), g1 * a1 + g2(1 - a1), b1 * a1 + b2(1 - a1) ] Notemos que el orden es importante: A over B es diferente que B over A. Esta es la razón por la cual la transparencia se debe aplicar en orden. Por ejemplo si tenemos tres imágenes A, B y C, donde C es el fondo y A es la imagen al frente, el orden es el siguiente: Imagen Final = A over ( B over C ) Existen otros operadores importantes como el OUT, ADD, SUB y otras formulaciones de OVER más complejas.
