07 cuantificacion_escalar (1)
TRANSCRIPT
Tema 7:
Cuantificación Escalar
Rafael MolinaDepto Ciencias de la Computación
e Inteligencia ArtificialUniversidad de Granada
Rafael Molina Cuantificación Escalar 2
Contenidos1. Introducción
• Definición.
• El problema de la cuantificación.
2. Cuantificación uniforme
• Introducción.
• Cuantificación de fuentes uniformementedistribuidas.
• Cuantificación de fuentes no uniformes.
3. Cuantificación adaptativa
• Cuantificación adaptativahacia adelante (off-line)
• Cuantificación adaptativahacia atrás (on-line).
4. Cuantificación no uniforme
• Cuantificación optimizadaen pdf.
• Algoritmo de Max-Lloyd
• Compansores
5. Bibliografía
Rafael Molina Cuantificación Escalar 3
1. Introducción
Proceso de representación de un número de valores extenso (posiblemente infinito) con un número mucho menor de valores.
El adjetivo escalar hacer referencia a las salidas y entradas del cuantificador.
cuantificador escalar
cuantificador vectorial
Si E/S son escalares
Si E/S son vectores
1.1 Definición de cuantificación:
Rafael Molina Cuantificación Escalar 4
Ejemplo I: si tenemos como rango de posibles valores de cuantificación todos los enteros comprendidos entre 0 y 100, podríamos diseñar el siguiente esquema de cuantificación:
Observa que las apariciones de 100 provienen de valores originales distintos Además, una vez obtenido un valor de la salida del cuantificador, no hay forma de saber de quévalor provenía.
Será bueno diseñar cuantificadores que minimicen (en algún sentido) la diferencia entre la entrada y la salida
10052100100231252Valor cuantificado
500.5252.99153.69196.5823.5612.255.562.58Valor original
Rafael Molina Cuantificación Escalar 5
I.2 El problema de la cuantificación
El cuantificador consiste en dos funciones:
Codificador:
•divide el rango de valores de la fuente en un número de intervalos,•cada intervalo es representado por una palabra de código distinta,•el codificador representa todas las fuentes en un intervalo mediante la palabra de código que lo representa, •si la fuente es analógica el codificador recibe el nombre de conversor analógico digital (A/D).
Rafael Molina Cuantificación Escalar 6
Ejemplo de codificador con ocho valores de reconstrucción.
Se usan 8 valores para representar las palabras del código, el cuantificador recibe el nombre de cuantificador de 3 bits.
-3.0 -2.0 -1.0 0.0 1.0 2.0 3.0
000 001 010 011 100 101 110 111
Observa que las palabras de códigos no necesariamenterepresentan valores de la fuente.
Rafael Molina Cuantificación Escalar 7
Decodificador:•genera un valor de reconstrucción para cada palabra del código, (como cada palabra representa un intervalo, no se puede saber ya quien era la fuente original). Podemos usar el punto medio del intervalo aunque otras opciones son posibles,•si la reconstrucción es análogica el decodificador recibe el nombre de conversor digital a analógico (D/A).
Un ejemplo de decodificador para el ejemplo anterior es la tabla siguiente
3.52.51.50.5-0.5-1.5-2.5-3.5Reconstrucción
111110101100011010001000Palabra de código
Rafael Molina Cuantificación Escalar 8
Ejemplo II: consideremos la señal
muestreada cada 0'05 s. La muestra fue codificada usandoel conversor A/D del ejemplo anterior y decodificadausando el conversor D/A del mismo ejemplo.
Algunos ejemplos de entradas, conversores A/D y D/A y los errores en la cuantificación se muestran en la tablasiguiente:
( )tts π2cos4)( =
-0'2641'51011'2360'20-0'1492'51102'3510'15-0'2643'51113'2360'100'3043'51113'8040'05ErrorCD/A CA/D s(t)t
Rafael Molina Cuantificación Escalar 9
-4.0 -3.0 -2.0 -1.0 1.0 2.0 3.0 4.0
0.5
1.5
2.5
3.5
-3.5
-2.5
-1.5
-0.5
Entrada
Salida
Representación gráfica del cuantificador.
Podría decirse que la división de la entradaes un problema del codificador y la asignación de salidas a las palabras del código es un problema del decodificador.
Obviamente ambos problemas están muyrelacionados y los dos forman parte del diseño del cuantificador. Observa que un problema importante de diseño es asignarcódigos binarios a los intervalos.
Rafael Molina Cuantificación Escalar 10
Consideremos el siguiente ejemplo de matlab
t = [0:.1:2*pi]; % Times at which to sample %the sine function
sig = sin(t); % Original signal, a sine wave
partition = [-1:.2:1]; % Length 11, to %represent 12 intervals
codebook = [-1.2:.2:1]; % Length 12, one %entry for each interval
[index,quants]=quantiz(sig,partition,codebook); % Quantizeplot(t,sig,'x',t,quants,'.')legend('Original signal','Quantized signal');axis([-.2 7 -1.2 1.2])
Rafael Molina Cuantificación Escalar 11
Pasamos a la formulación matemática del problema de diseñode un cuantificador
Supongamos que nuestra fuente X es modelizada medianteuna variable aleatoria con función de densidad fX(x).
Para construir un cuantificador con M intervalos necesitamos:
1. Los M+1 puntos finales de los intervalos (fronteras de decisión) y
2. Los M valores representativos (niveles de reconstrucción) de esos intervalos que vamos a utilizar.
Las fuentes discretas se suelen modelizar como continuas. A veces se supone (incluso para fuentes discretas) que la diferencia entre dos valores dentro de un mismo intervalo de cuantificación es una distribución fX(x) de Laplace.
Rafael Molina Cuantificación Escalar 12
son los límites de decisión
Si son los valores de reconstrucción y
Observa que si X toma valores en toda la recta real los extremos de los intervalos finales serán –∞ y +∞
El error cuadrático medio de cuantificación se define mediante ruído de cuantificación
M=iiy 1
M=iib 0
( )( ) ( ) ( ) ( )∑ ∫∫−
−⋅−∞
∞−
M
=i
b
bXiXq
i
i
dxxfyx=dxxfxQx=σ1
222
1
Rafael Molina Cuantificación Escalar 13
Para medir el número medio de bits por palabra de códigoobservamos que cuando todas las palabras del código tienenlongitud fija, si M es el número de palabras de código, entonces la razón R viene dada por
Si la longitud de los códigos es variable entonces
donde li es la longitud de la palabra de código asignada a yi y P(yi) corresponde a la probabilidad de que aparezca yi.
Observa que R depende de y, b y l (que depende del códigoutilizado C) y por tanto para ser precisos debemos escribirR(y,b,C).
M=R 2log
( ) ( )∑∑ ∫ ⋅=−
M
=iii
M
=i
b
bXi yPldxxfl=R
i
i 11 1
Rafael Molina Cuantificación Escalar 14
Ya conocemos las dos magnitudes fundamentales de un cuantificador, R y .
Podría pensarse que para diseñar un cuantificador se podría intentar minimizar simultáneamente R y . Sin embargo, esta minimización simultánea no es posible.
Un decremento en el número medio de bits por palabrade código conlleva un aumento de la distorsión de cuantificación y viceversa.
Observa:1. si disminuimos R, la distorsión del cuantificador crecerá debido a que habrá
menos resolución (habrá menos intervalos) en la cuantificación. 2. si queremos disminuir la distorsión deberemos decrementar la longitud de
los intervalos de cuantificación, lo que conlleva inexorablemente incrementar el número de bits medio de las palabras de código.
2qσ
2qσ
Rafael Molina Cuantificación Escalar 15
Dada una distorsión máxima permitida D* , σq² ≤ D* ,
encontrar los límites de decisión, niveles de reconstrucción y código que minimicen R.
Dada una cota máxima de razón de cuantificación permitida, R ≤ R*,
encontrar los niveles de reconstrucción, los límites de decisión y código que minimicen σq² .
o
El diseño de un cuantificador consiste en
Observa que el problem es bastante complicado, siendo algo más simple sisuponemos que los códigos son de longitud fija. Comenzaremos con este caso paraluego pasar al general.
Rafael Molina Cuantificación Escalar 16
Es el cuantificador más simple.
•Todos sus intervalos de cuantificación tienen el mismotamaño (se suele notar como ∆); con la salvedad del primer y último intervalo si la señal de entrada no estáacotada.
•Los valores de reconstrucción están igualmenteespaciados con el mismo espacio que las fronteras de decisión ∆.
2. Cuantificación uniforme
Rafael Molina Cuantificación Escalar 17
-3 Δ - 2Δ -Δ Δ 2Δ 3Δ
Δ/2
3Δ/2
5Δ/2
7Δ/2
-7Δ/2
-5Δ/2
-3Δ/2
-Δ/2
Entrada
Salida
(entrada) finitos 1 1+kkk+k b,bsiΔ=bb −
(salida)1 jΔ=yy j+j ∀−
yj
yj+1
Δ
Δ
bk bk+1
Rafael Molina Cuantificación Escalar 18
Cuantificador Midrise (Cuantificador uniforme simétrico): el 0 no está en el conjunto de salidas.
Cuantificador Midtread (Cuantificador uniforme asimétrico): el 0 pertenece al conjunto de salidas.
Normalmente se usan los cuantificadoresmidtread si el número de intervalos esimpar o si necesitamos representar al 0 en los valores de salida.
Tipos de cuantificadores uniformes:
000
010
001
011
100
101
110
111
0001
0000
0010
0011
0100
0101
0110
0111
1000
Rafael Molina Cuantificación Escalar 19
II.1 Cuantificación uniforme sobre fuentes uniformemente distribuidas:
El diseño de un cuantificador uniforme con M intervalos, para una entrada uniformemente distribuida en el intervalo finito [-Xmax , Xmax] es muy simple.
Dividiremos [-Xmax, Xmax] en M intervalos, asíobtendremos ∆.
El valor de cuantificación para el intervalo comprendidoentre (i-1)Δ e iΔ es
MX=Δ max2
Δiyi 212 −
=
Rafael Molina Cuantificación Escalar 20
-3 Δ - 2Δ -Δ Δ 2Δ 3Δ Xmax=4Δ
Δ/2
-Δ/2
-Xmax=-4Δ
¿Cuánto vale gráficamenteel error de cuantificación?
Supongamos que M es par. ¿Cuánto vale el error cuadrático medio de cuantificación?
x-Q(x)
σ2q =
MXi=1
Z bi
bi−1(x − yi)2fX (x)dx
= 2
M/2Xi=1
Z i∆
(i−1)∆(x − 2i − 1
2∆)2
1
2Xmaxdx
= 2∆
2Xmax
M/2Xi=1
Z i∆
(i−1)∆(x − 2i− 1
2∆)2
1
∆dx
=2∆M
2
2Xmax
Z ∆
0
(x − 12∆)2
1
∆dx = ∆2/12
Rafael Molina Cuantificación Escalar 21
( )12
2 22 maxx
X=σ
Supongamos que M=2n . Calculemos la relación señal/ruidode este cuantificador. Tenemos
La varianza de una distribución U[-Xmax,Xmax] vale
esta ecuación expresa que por cada bit que añadamos al cuantificador, obtendremos una mejora (SNR) de 6'02 dB. Es decir, la expresión, nos permite medir cuanto mejoraránuestro cuantificador como máximo con respecto a la distorsión.
SNR(dB) = 10 log10σ2xσ2q
= 10 log10(2Xmax)
2/12
(∆)2/12= 10 log10(M
2)
= 20 log10(2n) = 6.02n dB
Observa quecorresponde a Δ=1
MX=Δ max2
recuerda
Rafael Molina Cuantificación Escalar 22
II.2 Cuantificación uniforme sobre fuentes no uniformemente distribuidas:
Consideremos de nuevo el intervalo (-Xmax,Xmax) cuyoscuyosextremosextremos ahoraahora puedenpueden ser ser infinitoinfinito. Podemos construir un cuantificador, que también es uniforme, mediante la siguiente division del intervalo (-Xmax,Xmax)
-3Δ’ - 2Δ’ -Δ’ Δ’ 2Δ’ 3Δ’ Xmax
Δ’/2
-Δ’/2-Xmax
Observa que si nuestra fuente está en el intervalo [-1,1] con probabilidad 0.95 y en [-100,-1) UU (1,100] con probabilidad0.05, esta división es mucho más razonable.
Los valores de cuantificaciónserán siempre de la forma iΔ’/2
¿Cuál es el error de cuantificación?
Rafael Molina Cuantificación Escalar 23
σ2q = 2
M/2−1Xi=1
Z i∆
(i−1)∆(x− 2i− 1
2∆)2fX(x)dx
+ 2
Z ∞(M/2−1)∆
(x− M − 12
∆)2fX(x)dx
Podemos usar la regla de Leibnitz:
para calcular ∂σ2q/ ∂Δ y consecuentemente encontrar (en
principio) el valor de Δ que minimiza el error de cuantificación.
Tendremos
∂
∂t
Z b(t)
a(t)
f(x, t)dx =
Z b(t)
a(t)
∂f(x, t)
∂tdx
+ f(b(t), t)∂b(t)
∂t− f(a(t), t)∂a(t)
∂t
Rafael Molina Cuantificación Escalar 24
La tabla siguiente muestra los valores óptimos de ∆para distintas distribuciones de entrada:
D. Uniforme D. Gaussiana D. Laplaciana Tamaño del
alfabeto ∆ SNR ∆ SNR ∆ SNR 2 1,732 6,02 1,596 4,40 1,414 3,00 4 0,866 12,04 0,9957 9,24 1,0873 7,05 6 0,577 15,58 0,7334 12,18 0,8707 9,56 8 0,433 18,06 0,5860 14,27 0,7309 11,39 10 0,346 20,02 0,4908 15,90 0,6334 12,81 12 0,289 21,60 0,4238 17,25 0,5613 13,98 14 0,247 22,94 0,3739 18,37 0,5055 14,98 16 0,217 24,08 0,3352 19,36 0,4609 15,84 32 0,108 30,10 0,1881 24,56 0,2799 20,46
Observa que cuanto menos uniforme es (tiene más pico) la distribución de entrada, menos obedece la regla del incremento de SNR en 6'02 dBs por cada bit.
Rafael Molina Cuantificación Escalar 25
-3 Δ - 2Δ -Δ Δ 2Δ 3Δ
Δ/2
-Δ/2
Observa que la forma del error es ahora diferente
x-Q(x)
Ruido granular Ruido de sobrecargaRuido de sobrecarga
Probabilidad de sobrecarga Probabilidad
granular
Normalmente, la probabilidad de que un error sea de sobrecarga es mucho menor que la probabilidad de que sea granular.
Rafael Molina Cuantificación Escalar 26
Efectos de desemparejamiento (desajuste):
Para resolver estos errores aparecen los cuantificadoresadaptativos que discutiremos a continuación.
Existen dos tipos de desajuste:
1.El tipo de distribución que se usa es el de la señal de entrada, pero la varianza de la entraday la supuesta no coinciden.
2.El tipo de distribución es distinto de la supuestapara obtener el valor del paso.
Rafael Molina Cuantificación Escalar 27
III. Cuantificación adaptativa
Vamos a intentar resolver los problemas de desajuste tantode los parámetros de la distribución de entrada como de una especificación errónea de la distribución.
Si suponemos que disponemos de todos los datos a cuantificar aparecerá la cuantificación adaptativa off-line o hacia delante que nos obligará a enviar informaciónadicional con el cuantificador conforme lo modifiquemos.
Si suponemos que sólo disponemos de los valorescuantificados no necesitaremos enviar información adicionaly dará lugar a la cuantificación adaptativa on-line o haciaatrás.
Rafael Molina Cuantificación Escalar 28
III.1. Cuantificación adaptativa off-linePodemos:
Dividir nuestros datos de entrada en bloques, (supuestoque todos son de media cero), calcular su desviación típicapor bloque y dividir cada dato por la desviación típica del bloque al que pertenece.
Así todos los datos (de todos los bloques en su conjunto) serán más uniformes y podemos aplicar sobre ellos un cuantificador del tipo uniforme que hemos visto.
Observa que tenemos que trasmitir la desviación típica de cada bloque ya que posteriormente tendremos quemultiplicar los datos cuantificados por la desviación típicadel bloque al que pertenece.
Rafael Molina Cuantificación Escalar 29
Igualmente podríamos normalizar al rango [-1,1] cadabloque utilizando el máximo y el mínimo de cada bloque(que luego obviamente tendríamos que transmitir)
Observa que los datos de la secuencia de voz de la derecha son candidatos perfectos para su división porbloques y la utilización de un paso diferente en cada bloque
We could barely see the fjords through the snow flurries
Rafael Molina Cuantificación Escalar 30
III.2 Cuantificación adaptativa on-line
Si nuestros datos pensamos que vienen de unadeterminada distribución de probabilidad, podemos calcularla probabilidad de que un dato ‘caiga’ en cada intervalo de cuantificación.
Si con los datos cuantificados que vamos recibiendo, calculamos la probabilidad de cada intervalo de cuantificación y no es parecida a la calculada con la distribución de probabilidad que suponemos, tendremosque modificar el paso del cuantificador (observa que sólopodemos hacerlo globalmente no en cada intervalo) aumentándolo o disminuyéndolo.
Rafael Molina Cuantificación Escalar 31
Esta es la idea del cuantificar de Jayant que no discutiremos aquí y que funciona modificando el pasocon cada dato cuantificado.
Observa que no hay necesidad de enviar ningunainformación adicional.
Rafael Molina Cuantificación Escalar 32
Consideremos la siguiente función de densidad
IV. Cuantificación no-uniforme
Es obvio que sería bueno que los intervalos de cuantificaciónfuesen muy pequeños cerca del cero y luego fuesencreciendo (esto no lo podemos hacer con un cuantificadoruniforme).
Rafael Molina Cuantificación Escalar 33
b-3 b-2 b-1 b1 b2 b3
y-1
y-2
y-3
Un cuantificador que tieneintervalos no uniformesrecibe el nombre de cuantificador no-uniforme
y-4
y1
y2
y3
y4
Rafael Molina Cuantificación Escalar 34
IV.1 Cuantificación optimizada en pdf
Consideremos el error de cuantificación para una determinadafunción de densidad fX(x)
Para calcular los valores de y que minimizan esta función tenemos
que igualando a cero produce
σ2q =
MXi=1
Z bi
bi−1(x − yi)2fX(x)dx
∂σ2qyi
= −2Z bi
bi−1(x − yi)fX(x)dx
yi =
R bibi−1
xfX (x)dxR bibi−1
fX (x)dx
Rafael Molina Cuantificación Escalar 35
De la misma forma, puede probarse fácilmente que
que igualando a cero produce
Max publicó en una revista como resolver estas ecuacionesen 1960, aunque la solución la había dado antes en un memorandum interno de Bell Labs, en 1957 Lloyd. De aquíque el algoritmo se llame de Lloyd-Max. Sin embargo, Lukaszewicz y Steinhaus parece que lo habían publicado con anterioridad en 1955 en una revista polaca.
bi =yi + yi+1
2
∂σ2q∂bi
=∂
∂bj
ÃZ bi
bi−1(x− yi)2fX(x)dx+
Z bi+1
bi
(x− yi+1)2fX(x)dx!
= (bi − yi)2fX(bi)− (bi − yi+1)2fX(bi)
Rafael Molina Cuantificación Escalar 36
1. Inicializa los niveles de salida ym, m=1,…,M
2.Define los conjuntos de vecinos más próximos a dichosniveles
3. Calcula los nuevos niveles de salida como la media de los datos en cada región
4.Mientras mejoremos suficientemente el error de cuantificación volver al paso 2. En caso contrario parar.
El algoritmo de Max-Lloyd
Ωm = x : (x− ym)2 ≤ (x− yk)2 ∀k 6= m m = 1, . . . ,M
ym =
Rx∈Ωm xfX(x)dxRx∈Ωm fX(x)dx
Rafael Molina Cuantificación Escalar 37
1. Inicializa los niveles de salida ym, m=1,…,M
2.Define los conjuntos de vecinos más próximos a dichosniveles
3. Calcula los nuevos niveles de salida como la media de los datos en cada región
4.Mientras mejoremos suficientemente el error de cuantificación volver al paso 2. En caso contrario parar.
El algoritmo de Max-Lloyd (discreto)
¿qué ocurre si sólo tenemos muestras x1,…,xL de la variable aletoria X con función de densidad fX(x)?
Ωm = xi : (xi − ym)2 ≤ (xi − yk)2 ∀k 6= m m = 1, . . . ,M
ym =1
Ωm
Xxi∈Ωm
xi
Rafael Molina Cuantificación Escalar 38
Las gráficas siguientes muestran el resultado de utilizar el algoritmode Max-Lloyd para construir un cuantificador basado en 10.000 observaciones de una N(0,1) utilizando sqdtool en Matlab. Observalos diferentes tamaños de los intervalos de cuantificación.
Rafael Molina Cuantificación Escalar 39
IV.2 Compansores de CuantificaciónOtra forma de abordar la cuantificación no uniforme esprimero procesar los datos de forma que se transformenen (se parezcan a) realizaciones de una distribuciónuniforme (compresor), utilizar después un cuantificadoruniforme y finalmente deshacer el cambio (expansor)
Esta sería la descripción gráfica del proceso para una fuenteque concentra su masa de probabilidad simétricamentealrededor del cero.
Compresor Cuantificador uniforme Expansor
Rafael Molina Cuantificación Escalar 40
-4.0 -3.0 -2.0 -1.0 1.0 2.0 3.0 4.0
0.5
1.5
2.5
3.5
-3.5
-2.5
-1.5
-0.5Entrada
Salida
Supongamos que tenemosuna variable que toma valoresen el intervalo [-4,4] con másmasa de probabilidad cercadel cero y simétrica.
Podemos usar el cuantificadorque se muestra en la figurapero podemos tambiénprocesar los datos antes de usar dicho cuantificador.
Veamos el proceso
Rafael Molina Cuantificación Escalar 41
Consideremos el siguiente compresorque pretende llevar nuestradistribución a una uniforme en [-4,4]. Observa que mueve masa de probabilidad de regiones próximas al cero a alejadas del cero
y su inversa
c−1(x) =
⎧⎨⎩ x/2 −1 ≤ x ≤ 13x/2− 2 x > 23x/2 + 2 x < −2
c(x) =
⎧⎨⎩ 2x −1 ≤ x ≤ 12x/3 + 4/3 x > 12x/3− 4/3 x < −1
Rafael Molina Cuantificación Escalar 42
Supongamos que la fuente está acotada por un valor xmax, entonces cualquier cuantificador no uniforme puede representarse por un compansor.
Veamos como usando este hecho podemos desarrollar un cuantificador que es robusto a errores de ajuste.
Comencemos considerando cuantificadores con un número elevado de niveles.
Sea
Si el número de niveles es alto, el tamaño de cada intervalo de cuantificación será pequeño y podemos escribir dentro de cadaintervalo de cuantificación
fX (x) = fX(yk) si bk−1 ≤ x < bk
∆k = bk − bk−1
Rafael Molina Cuantificación Escalar 43
Lo que nos permite escribir el error de cuantificación como
Una aproximación de la derivada de c(yk) puede obtenerse de la forma siguiente
Si c() lleva nuestra señal a unadistribución U[-xmax , xmax] entonces
que usado en la fórmula anterior produce
de donde
que para Δi pequeño produce
σ2q =x2max3M2
R xmax−xmax
fX(x)c02(x)dx
c0(yk) =c(bk)−c(bk−1)
∆k
∆k =2xmaxMc0(yk)
σ2q =PM
i=1 fX (yi)R bibi−1
(x− yi)2dx = 112
PMi=1 fX (yi)∆
3i
σ2q =1
12
MXi=1
fX(yi)
µ2xmaxMc0(yi)
¶3
=x2max3M2
MXi=1
fX(yi)
c02(yi)2xmaxMc0(yi)
=x2max3M2
MXi=1
fX(yi)
c02(yi)∆ic(bk)− c(bk−1) = 2xmax
M
Rafael Molina Cuantificación Escalar 44
La fórmula anterior recibe el nombre de integral de Bennett.
Supongamos (para librarnos de la dependencia de la fuente) que
y por tanto la SNR es independiente de la pdf de entrada y vale
Utilizando la ecuación de definición de la derivada de c() obtenemos que
Como estos compresores tienen problemas alrededor del cero, se modifican para definir una función que es lineal alrededor del cero y logarítmica lejos de él. Tenemosentonces la siguientes leyes:
σ2q =x2max3M2
R xmax−xmax
fX(x)c02(x)dx =
α2
3M2σ2xc0(x) = xmaxα|x|
SNR = 10 logσ2xσ2q= 10 log10(3M
2) − 20 log10 α
entonces
c(x) = xmax + β log |x|xmax
Rafael Molina Cuantificación Escalar 45
La ley μ de compresión
cuyo expansor es
c(x) = xmaxln(1+μ |x|
xmax)
ln(1+μ) sgn(x)
Esta ley con μ=255 se usa en telefonía en Estados Unidos y Japón.
La función compand de Matlab puede ser utilizadapara ver esta función(además de obviamentecomo compansor).
c−1(x) = xmaxμ
h(1 + μ)
|x|xmax − 1
isgn(x)
Rafael Molina Cuantificación Escalar 46
Esta ley con A=87.5 se usaen numerosos paises.
La función compand de Matlab puede ser utilizadapara ver esta función(además de obviamentecomo compansor).
La ley A de compresión
cuyo descompresor es
c(x) =
(A|x|1+lnAsgn(x) 0 ≤ |x|
xmax≤ 1
A
xmax1+ln
A|x|xmax
1+lnA sgn(x) 1A ≤ |x|
A ≤ 1
c−1(x) =
( |x|A (1 + lnA) 0 ≤ |x|
xmax≤ 1
+ lnAxmaxA exp
h|x|xmax
(1 + lnA)− 1i
11+lnA ≤ |x|
A ≤ 1
Rafael Molina Cuantificación Escalar 47
VI. BibliografíaK. Sayood, “Introduction to Data Compression”, Morgan and Kaufmann, 2005.