Aquisição de Dados Multimédia

Joaquim Macedo
Departamento de Informática da Universidade do Minho &
Faculdade de Engenharia da Universidade Católica de Angola
Sumário
 Amostragem de Sinais Áudio
 Amostragem de Imagens 2D
 Filtros Anti-Aliasing
 Digitalização de Sinais Áudio
 Conersão D/A
 Critério de Fidelidade de Áudio
 MIDI versus Áudio Digital
 Digitalização de Imagens
 Medidas de Fidelidade Visual
Forma de onda dum sinal
Amplitude versus Tempo
Espectro do mesmo sinal
Amplitude versus frequência
Um sinal áudio e o seu espectro
 Amostragem
• Amostragem é o processo de fazer medidas à amplitude do
sinal em intervalos discretos do tempo/espaço

t
t

fs =1 / t
Transformada de Fourier
 Seja g(t) um sinal áudio arbitrário
 Define-se G(w) como a transformada de
Fourier de g(t) se

G ( )   g (t )e
 jwt
dt


g(t) é limitado à banda B se

G ( )  0 para   2B
Transformada de Fourier
Transformada de Fourier
Transformada de Fourier
 Amostragem Discreta no
Tempo
amplitude

tempo
 Amostragem uniforme
 Se o sinal g(t) for amostrado uniformemente a
uma taxa de fs amostras por segundo
1
fs 
T

g s (t )  g (t ) s(t )   g (kT ) (t  kT )
k  

s (t )    (t  kT )
k  

1 
Gs ( )   G (  2f s )
T k  
1
f s   2B
T
Sub-amostragem
Sub-amostragem
Sinal original

Amostragem

Sinal reconstruído
Teorema da Amostragem
 Um sinal contínuo no tempo g(t) pode ser
reconstruído de forma exacta das suas amostras
gs(t) se se cumprirem 2 condições:
 g(t) deve ser de banda limitada com uma frequência
máxima M
 A frequência de amostragem s de gs(t) deve ser maior que
2M, i.e. s>2M.
 A segunda condição é conhecida como Critério de
Nyquist
 s referenciada como Frequência de Nyquist , i.e. a
menor frequência de amostragem possível para
recuperar o sinal original a partir das suas amostras
 Amostragem de banda limitada
|G(f)|
g(t)
Original F

t -B 0 B f
Filtro Passa
|Gs(f)|
Amostrado F Baixo
gs(t)

-2fs -fs 0 fs 2 fs
t f
(-fs-B) -(fs +B) -B B (fs -B) (fs +B)
Amostragem com frequência de
Nyquist
 Amostragem de um sinal 1-D
Time domain Frequency Domain

g (t ) G( )
t f
Frequency

s(t ) S ( )
t f
fs 2fs 3fs

g s (t ) Gs ( )
t f
fs 2fs 3fs
Lowpass
g (t ) G( ) filter

t
f
fs /2
Reconstrução Directa
Fórmula de Interpolação do domínio do tempo


sin( f s t  k )
g (t )   g (kT )
k   ( f st  k )
 Os valores do sinal para instâncias do sinal não
amostradas podem ser calculadas exactamente
com um somatório de todos os valores
amostrados
 As abordagens usadas para reconstrução do sinal
no domínio da frequência e do tempo são
equivalentes
 A função sinc do lado direito da equação é a resposta de
impulso dum filtro passa-baixo ideal
Exemplo 4.1
 Considere o seguinte sinal áudio com um tom
sinusoidal de 4.5KHz
g (t )  5 cos( 2 * 4500t )
 Amostre o sinal a taxa de i) 8000 ii) 10000
amostras/segundo
 Reconstrua o sinal passando-o através dum filtro passa
baixo ideal com frequência de corte igual a metade da
frequência de amostragem. Assuma que os ganhos dos
filtros são de i)1/8000 e ii)1/10000. Determina o sinal
reconstruído nos dois casos.
 Caso-1
 
1
Gs ( ) 
T1
 G(  2nf
n  
s )  8000  G(  16000 * n)
n  

 8000 * ........  G(  16000 )  G( )  G(  16000 )  .......

 40000 * ....   (  9000 )   (  7000 )   (  7000 )   (  9000 )  ...

A frequência de corte do filtro passa baixo é metdade da frequência da

amostragem isto é 4000 Hz. Portanto a função de transferência do filtro é

1 / 8000   8000
H 1 ( )  
 0 otherwise
 Caso-1 (cont)

Quando o sinal amostrado passa através do filtro passa-baixo a

transformada de Fourier do sinal de saída vai ser:

G1 ( )  Gs ( )H 1 ( )

 5  (  7000 )   (  7000 )

Portanto o sinal de saída

g 1 (t )   1 G1 ( )  5 cos( 2 * 3500t )

 Caso-2
 
1
Gs ( ) 
T2
 G(  2nf
n  
s )  10000  G(  20000 * n)
n  

 10000 * ........  G(  20000 )  G( )  G(  20000 )  .......

 50000 * ....   (  11000 )   (  9000 )   (  9000 )   (  11000 )  ...

A frequência de corte do filtro passa baixo é metdade da frequência da

amostragem isto é 5000 Hz. Portanto a função de transferência do filtro é

1/10000   10000
H 2 ( )  
 0 otherwise
 Caso-2 (cont)

Quando o sinal amostrado passa através do filtro passa-baixo a

transformada de Fourier do sinal de saída vai ser:

G2 ( )  Gs ( )H 2 ( )

 5  (  9000 )   (  9000 )
Portanto o sinal de saída

g 2 (t )   1 G2 ( )  5 cos( 2 * 4500t )

Sinal original e reconstruído
Exemplo 4.1
 Sobreposição do Espectro
(Aliasing)
 Se a condição de Nyquist não for satisfeita,
acontece a Sobreposição do Espectro
(Aliasing) que impede a perfeita reconstrução
do sinal.
XC(W)
1
W
WN 0 WN
Ws
Se Ws<2WN, ocorre o
X()
aliasing.
Fs


2 N 0 N 2
 Cálculo das frequências de aliasing
Frequência |f1-mFs| Frequência do Comentário
original (Hz) sinal recosntruído
500 500 Sem aliasing

2500 2500 Sem aliasing

2900 2900 Sem aliasing

3001 |3001-1*6000| 2900 Aliasing

3500 |3500-1*6000| 2500 Aliasing

10000 |10000-2*6000| 2000 Aliasing

20000 |20000-3*6000| 2000 Aliasing

1000000 |10000-167*6000| 2000 Aliasing

 O que é uma imagem?

Uma imagem pode ser definida como uma

uma função de intensidade de luz i(x,y,t) onde
a amplitude da função em qualquer coordenada espacial
(x,y) disponibiliza a intensidade (brilho) da imagem num
determinado instante t
Amostragem de imagem 2D

 Uma imagem digital pode ser obtida por

amostragem dum imagem contínua.
 Pode ser usada a seguinte função de
amostragem
 
s( x , y )     ( x  mx, y  ny )
m   n  
 Amostragem de imagem 2D
1 / x= frequência de amostragem horizontal (amostras/grau)
1 / y = frequência de amostragem vertical

s(x,y)

Δy

Δx
 Amostragem de imagens 2D

• A função de amostragem ideal para uma imagem é uma matriz

de infinita com funções delta de Dirac situadas numa grelha
 
comb( x, y; x, y )    [ x  mx, y  ny ]
m   n  

• A amostra da imagem é definida como

 
f s ( x, y )  f ( x, y )comb( x, y; x, y )    f (mx, ny ) ( x  mx, y  ny )
m   n  

• A Transformada de Fourier da função comb

1
COMB(1 , 2 )  comb(1 , 2 ;1 / x,1 / y )
xy
• A Transformada de Fourier da amostra da imagem é
 
1 k l
Fs (1 ,  2 )  F (1 ,  2 )  COMB(1 ,  2 )   
xy k  l 
F (1 -
x
,  2 -
y
)
Amostragem em 2D
Função de amostragem
Amostragem em 2D
Amostra da imagem
Resolução espacial da
amostragem
 Aumento ou Diminuição da
Resolução Espacial

Imagem original “zoomed down” “zoomed up”

para tamanho original
 A resolução espacial pode ser mudada pela
eliminação ou replicação de pixels ou por
interpolação
As técnicas mais comuns de interpolação incluem a
bilinear, bicúbica e do vizinho mais próximo ( nearest
neighbor)
 Taxa de Nyquist, Aliasing, and
Frequências Foldover
• Taxas e frequências de Nyquist : 2 x 0 ,2 y 0

• O efeito de aliasing acontece quando x 

1
or y 
1
2 x 0 2 y 0
• Frequências Foldover : 1
,
1
2x 2y
Imagens de banda limitada
f ( x, y ) F (1,2 )

F (1,2 )  0, 1   x 0 , 2   y 0
 Teorema da amostragem

• Uma imagem de banda limitada amostrada por uma grelha

rectangular pode ser recuperada desde que a taxa de
amostragem seja superior à taxa de Nyquist rate.
• A imagem pode ser reconstruída pela fórmula de interpolação:

 
f ( x, y )    f (mx, ny )sinc x xs  m sinc  y ys  n 
m   n  

 
 sin( x xs  m)  sin( y ys  n ) 
  f ( mx, ny ) 



m   n    ( x xs  m)  ( y ys  n ) 

1 1  1 1   1 1 
where  xs  ,  ys  ,  xs  2 x 0 ,  ys  2 y 0 . R     xs ,  xs     ys ,  ys .
x y  2 2   2 2 
Exemplo 4.2
 Considere a seguinte grelha para imagem com
frequência horizontal e vertical de 4 e 6 ciclos/grau
respectivamente
i( x, y)  255 cos2 (4x  6 y)
 Amostre a imagem a 10 amostras/grau tanto na
horizontal como vertical. Reconstrua a grelha pasando-a
por um filtro passa baixo 2D com as seguintes
características
0.01  5  fh , fv  5
H 2D ( fh , fv )  
0 em qq outro caso
 Determina a grelha reconstruída
 Espectro de Fourier da Imagem Contínua

i( x, y )  255 cos[ 2 ( 4 x  6 y )]
I ( h ,  v )  255   h  4 * 2 , v  6 * 2     h  4 * 2 , v  6 * 2 
fv

-4
4 fh
-6
 Espectro de Fourier da Imagem Discreta

Transformada de Fourier da imagem amostrada

255  
I s ( h ,  v ) 
T1T2
  I (
m   n  
h  20m,   20n)
fv

255  

0.01
  I (
m   n  
h  20m,   20n ) 5
6

-4
-5 4 5 fh
-6
 Espectro da Imagem Amostrada

Transformada de Fourier do sinal filtrado:

Iˆ( h , v )  H 2 D ( h , v ) I s ( h , v )
 255 [  h  4 * 2 , v  4 * 2  
  h  4 * 2 , v  4 * 2 ]

iˆ( x, y )  255 cos[ 2 ( 4 x  4 y )]

Imagem Aliased

Imagem Original Imagem Reconstruída

Taxa de amostragem óptima
 Resolução da imagem
 Parâmetro importante para criar imagem digital
 Expressa em dpi ou dots/cm
 Frequência de amostragem
 Critério de Nyquist
 Limitações do SVH < 20 ciclos/grau,
 40 ciclos/grau na amostragem
Exemplo 4.3
 Vai-se fazer varrimento duma foto
4”x6”. Determinar a mínima resolução
do varrimento.
 Resolução de varrimento
1
Ângulo horizontal = 2 * tan ((W / 2) / 6W ) =9.5o
Ângulo vertical = 2 * tan 1((( 4 / 6) *W / 2) / 6W ) = 6 .4 o
W

6W
9.5º
9.5º
6.4º

 Assumindo uma taxa de amostragem de 40 amostras/grau

 A imagem digital deve ter 380 e 256 pixels na direcção hor. and vert.
 Como o tamanho da imagem é 4”x6”, a resolução mínima é 64 dpi.
Filtro anti-aliasing

Filtro PB ideal Filtro PB realizável

 Filtro Passa Baixo Ideal
A
1.0
Banda Filtrada

Banda Passante

0.0
fs/2 fs f
 Especificação do desenho de filtros
Considere um sinal áudio com espectro 0-20 KHz. O sinal vai
Ser amostrado a 8 KHZ. Conceba um filtro anti-aliasing adequado
 A frequência de amostragem é 8 KHz.
 O filtro ideal para anti-aliasing será um filtro passa baixo com frequência de
corte a 4KHz.
Contudo é fisicamente impossível desenhar um filtro ideal.
Neste exemplo vai-se desenhar um filtro PB com as seguintes características:

i) Banda passante é 0-3200 Hz. Ganho na banda passante, Gp > -2 dB

ii) Banda de transição é 3200-4000 Hz
iii) Banda de rejeição é is > 4000 Hz.O ganho na banda de rejeição ,
Gs < -20 dB
 Desenho de Filtros com
MATLAB
 Filtros passa-baixo contínuos no tempo típicos são Butterworth, e
Chebyshev-1, e Chebyshev-2.
 Estão disponíveis técnicas normalizadas para concepção desses filtros.
%MATLAB code for designing lowpass filter
Wp=3200; Ws=4000; Gp=-2; Gs=-20 ;
%Ideal Filter
mag0 = [ones(1,4001) zeros(1, 4000)] ;
%Butterworth Filter
[n, Wc] = buttord(Wp,Ws,-Gp,-Gs,’s’) ;
[num,den] = butter(n,Wc,’s’) ;

Coeficientes do numerador e denominador da função de transferência

do filtro
 Funções de
Transferência

Butterworth 4.909  10 45
H ( s) 
D( s )
D( s)  s13  27140 s12  3.682  108 s11  3.298  1012 s10  2.171  1016 s 9 

1.107 10 20 s 8  1.107 10 20 s 8  4.493 10 23 s 7  1.47 10 27 s 6 

3.874 10 30 s 5  8.129 10 33 s 4  1.322 10 37 s 3  1.322 10 37 s 3 

1.322  10 37 s 3  1.579  10 40 s 2  1.245  10 43 s  4.909  10 45

Chebyshev-1

2.742  1016
H (s)  5
s  2261s 4  1.536  10 7 s 3  2.272  1010 s 2  4.817  1013 s  2.742  1016
Características do Filtro
Exemplos Amostragem Imagens
Anti-Aliasing

Imagem Original Imagem sub-amostrada Filtragem Anti-aliasing

 Digitalização do Sinal Áudio
Amostragem e Digitalização

Áudio Analógico, Amplificador

+
Filtro
Anti-Aliasing
Contínuo
Amostra e
Sustenta
Gerador de
Ruído Aleatório
(Dither) Conversor
A/D

Áudio Digital,
Discreto
 Digitalização do Sinal Áudio
Gravação e Armazenamento de N canais

Áudio Analógico Amostragem e

Digitalização
Canal 1

. Multiplexer
Compressão
e Correcção de
. Erros
.

Amostragem e
Áudio Analógico Digitalização
Canal N

Meio de
Armazenamento
 Gravação e armazenamento áudio
Funções dos diferentes blocos do sistema
Bloco Funções
Amplificador Amplifica o sinal antes da introdução de qualquer
ruído (aleatório ou de quantificação)

Gerador de Ruído Adiciona uma pequena quantidade de ruído

aleatório, que aumenta a qualidade de percepção

Filtro anti-aliasing Um filtro passa baixo para garantir que o sinal é

de banda limitada. Elimina o aliasing

Amostra e Aguenta Aguenta o valor do sinal áudio e amostra-o em

cada instância da amostra

Conversor A/D Calcula a representação digital equivalente do

sinal analógico

Multiplexador Multiplexa a cadeia de bits dos diferentes canais

Compressão Reduz a redundância e compacta o tamanho do

ficheiro áudio mantendo uma qualidade de áudio
aceitável
 Conversor Digital-Analógico

 A entrada do conversor DA é um sinal discreto no tempo cuja

amplitude é um número real que pode requerer um número um
número infinito de bits/dígitos para uma verdadeira representação

Para o processamento digital por computadores, o sinal em cada

instante de tempo tem que ser convertido para um número para um
número com precisão finita (I.e., 8, 16 or 32 bits).

 Isto é feito por um quantificador que estabelece uma

correspondência entre uma variável contínua e uma variável discreta.
 Quantificador de N-níveis
A saída do quantificador para uma dada entrada g (nT ) pode ser
calculada com o seguinte procedimento.
Q[ g ( nT )]  rk se d k  g (nT )  d k 1
onde
d k , 0  k  N  São os níveis de decisão
rk , 0  k  N  1 São os níveis de reconstrução
Se os nívei de decisão são equidistantes, i.e., se ( d k 1  d k ) é
constante para todo o k, o quantificador é chamado quantificador
uniforme; caso contrário é chamado um quantificador não uniforme.
Quantificador uniforme

g* Quantizer output

rN 1
rN 2
Quantizer error

d0
g
d1 d2 dN
r2
r1
r0
Quantificador não uniforme

g* Quantizer output
rN 1
Quantizer error rN  2

d0
g
d1 d2 d3 dN
r2
r1
r0
Exemplo 4.5

 Considere um sistema de gravação áudio

onde o microfone gera uma voltagem
contínua no intervalo [-1,1] volts. Calcule os
níveis de decisão e reconstrução para um
quantificador de 8 níveis.
 Exemplo (cont.)
Os níveis de decisão e reconstrução podem ser calculados a
partir das seguintes equações:

k 4
dk  0 k 8
4
1
rk  d k  0k 7
8
Níveis de decisão e reconstrução
Quantificador do exemplo 4.5

K Níveis de Decisão Níveis de

Reconstrução
0 -1.0 -0.875
1 -0.75 -0.625
2 -0.50 -0.375
3 -0.25 -0.125
4 0.00 0.125
5 0.25 0.375
6 0.50 0.625
7 0.75 0.875
8 1.0
Sinais originais e quantificados
 Erro de quantificação
O erro de quantificação (também conhecido como ruído de quantificação) é
a diferença entre o valor actual do sinal analógico e o seu valor quantificado..
e( nT )  f ( nT )  gˆ ( nT )  g ( nT )  Q[ g ( nT )]

Amplitude Original Amplitude Quantificada

Taxa de bits do sinal áudio

Para canal mono

bitrate  FS * B bits / sec ond

Frequência amostragem
Para cana stéreo
bitrate  2 * FS * B bits / sec ond
 Representação PCM da saída
Como se representam as saídas do quantificador?
As saídas quantificadas a N-níveis são representadas com B bits onde
N  2B
Por exemplo, a saída do quantificador de 8 níveis pode ser representado
usando 3 bits.
Níveis Representação PCM 8 bits  256 Níveis
0 000 16 bits  65536 Níveis
1 001 32 bits  4.3x109 Níveis
…….
6 110
7 111
 Taxa de bits Vs. Qualidade

Máximo erro de quantificação = 0.5*Intervalo_Decisão

A qualidade do sinal quantificado será superior se o ruúdo de

quantificação for pequeno Intervalo de deecisão é pequeno  N é
grande B é grande.

Se B é grande  Aumenta a taxa de bits.

Portanto, há que estabelecer um comprimisso entre a taxa de bits e a

qualidade do sinal áudio digitalizado.

Taxa de bits alta  Ruído de quantificação baixo == Melhor qualidade

subjectiva
Critérios de Fidelidade Áudio
 A amostragem e a quantificação
 Degradam a qualidade do sinal
 São usadas diversas métricas para avaliar a
quaildade do sinal quantificado
 Medidas de Distorção
 Relação Sinal-Ruído e Erro Quadrático Médio
 Crítérios objectivos
 Audibilidade da distorção do sinal
 Critérios subjectivos
Critério de Fidelidade Áudio
Audibilidade da distorção do sinal

Muito incómodo 1

Incómodo 2

Ligeiramente Incómodo 3

Perceptível mas não 4

incómodo
Imperceptível 5
Critério de Fidelidade Áudio
 Os testes de qualidade subjectiva são geralmente
superiores
 Mas são um processo complicado envolvendo uma série
de pessoas
 As medidas são influenciadas pela escolha das pessoas
e pelo estabelecimento do cenário experimental
 Por esse facto, são usadas geralmente medidas
objectivas para avaliação
Medidas de Distorção
Relação Sinal-Ruído e Erro Quadrático Médio

N 1 ^

 f ( n) 2

SNR  n 0
2
N 1
 ^


n 0
 f (n)  f (n)

SNR(em dB)  10 log 10 SNR
2
1 N 1
 ^

MSE 
N

n 0
 f (n)  f (n)

 Relação Sinal-Ruído

 A relação sinal-ruído (SNR) é a medida de erro mais popular

em engenharia electrotécnica.

Disponibiliza informação útil na maior parte dos casos e é

matematicamente tratável. Por esta razão é também bastante
usada na codificação de áudio e imagens.

 Infelizmente os valores SNR não se correlacionam bem com

medidas subjectivas, especialmente com altas taxas de
compressão.
 Foi proposta uma série de novas medidas de distorção para
melhor adaptação ao sistema de audição humano.
 Medida de qualidade objectiva
Pressuposto:
 Ruído de quantificação com gama de variação dinâmica de 1 istó é

Q  2 B

 O erro e(nT) é suposto ser estatisticamente independente e

uniformemente distribuído no intervalo [–Q/2 e Q/2]
Erro médio quadrado do erro de quantificação

Q/2 2 2 B
1 Q 2
E  e 2
de   onde Q  2 B
Q Q / 2 12 12
 SNR versus Bits/amostra

   
E (in dB)  10 log Q 2 / 12  10 log 2 2 B / 12  6 * B  10.8

Cada bit adicional/amostra reduz o ruído de aproxiamadamente

6 dB, aumentando assim a SNR da mesma quantidade.
Regra
8 bits audio  48 dB SNR
SNR (in dB)  6.02 * B 12 bits audio  72 dB SNR
16 bits audio  96 dB SNR
CD audio  96 dB. Tipicamente, um sinal de áudio com uma relação
sinal-ruído (SNR) de mais de 90 dB SNR é considerado de excelente
qualidade.
 Exemplo
Considere o sinal áudio stéreo “chord” digitalizado com uma
frequência de amostragem de 22.050 KHz, com uma precisão de
16 bits/amostra.

Chord.wav

Duração do sinal = 1.1 sec; # Total de amostras = 24231

Estime a SNRs do sinal de for quantificado com 5-12 bits/amostra.
 Erro de quantificação
Considere que o sinal original é um sinal áudio de 16-bit, podemos
quantificá-lo para b bits usando :
y  round ( x * 2b ) / 2b
Erro de quantificação pdf do erro de quantificação
a 8 bits/amostra (8 bits/amostra)
SNR versus Taxa de bits

SNR versus bits/amostra

 Áudio Digital
Várias taxas de amostragem e resoluções

Qualidade Taxa de Bits/ Mono/ Taxa de Dados Banda

amostragem Amostra Stereo (se não Frequência
compactado)
(em KHz) (em Hz)
Telefone 8 8 Mono 8 Kb/seg 200-3,4 K
Rádio AM 11,025 8 Mono 11Kb/seg
Rádio FM 22,050 16 Stereo 88.2 Kb/seg
CD 44.1 16,linear Stereo 176.4 Kb/seg 20-20k
PCM
DAT 48 16 Stereo 192.0 Kb/seg 20-20K

Áudio 192 24 Stereo 1152.0 Kb/seg 20-20K

DVD
 Digitalização de Imagens

 Pixels -- picture elements nas imagens digitais

 Resolução da Imagem – número de pixels numa imagem digital
(Uma resolução mais alta conduz a mior qualidade da imagem.)
 Bit-Map – uma representação para os dados da imagem/gráfico da
mesma forma que é armazenada na memória vídeo.
 Imagem Monocromática

Cada pixel é armazenado como um único bit (0 ou 1)

 Uma imagem monocromática de 640 x 480 pixels requer 37.5
KB de armazenamento.
 Dithering é usado muitas vezes para mostrar imagens
monocromáticas
Imagens com níveis de cinzento

Cada pixel é armazenado normalmente num byte (valor de 0 a 255)

Uma imagem com níveis de cinzento com 640 x 480 precisa de

mais de 300 KB para armazenamento.

 Imagens a cores

Cada pixel é representado com 3 bytes (e.g., RGB)

Suporta 256 x 256 x 256 cores possíveis (16,777,216) para 24 bit res.

Uma imagem a cores 640 x 480 24-bit precisa de 921.6 KB para

armazenamento
Tipos de imagens

Monocromática Níveis de cinzento Cor 24 bits

 1 Bit/pixel  1 Byte/pixel  3 Bytes/pixel

 2 (0,1) níveis  256 níveis cinzento  16 Milhões cores
 640x480 imagem =  640x480 imagem =  640x480 imagem =
307 Kbit 307 KB 921 KB
Medidas de Distorção da Imagem
Relação Sinal-Ruído e Erro Quadrático Médio
M 1 N 1 ^

 f (m, n) 2
SNR(em dB)  10 log 10 m 0 n 0
2
M 1 N 1
 ^

 
m 0 n 0 
f ( m, n )  f ( m, n ) 

M 1 N 1

 valor de pico do sinal 2

PSNR(em dB)  10 log 10 m 0 n 0

2
M 1 N 1
 ^

 
m 0 n 0 
f ( m, n )  f ( m, n ) 

2
1 M 1 N 1
^

EQM 
MN
 
m 0 n 0 
f ( m, n )  f ( m, n ) 

1 M 1 N 1
^ 
EAM 
MN
 
m 0 n 0 
f ( m, n )  f ( m, n ) 

Imagens em níveis de cinzento com
nº diferentes de bits/amostra

8 bits, 256 níveis original

6 bit, 8 níveis 5 bit, 32 níveiss 4 bits, 16 níveis

3 bit, 8 níveis 2 bit, 4 níveis 1 bit, 2 níveis