Teoria del Campionamento
Dal segnale continuo ai bit
Perché si campiona a una certa frequenza, cosa succede se non lo si fa correttamente, e cosa significa "precisione" in un mondo fatto solo di 0 e 1. Con due simulazioni dal vivo.
💡 Guida introduttiva · Livello base · ~15 min di lettura · 2 simulazioni interattive
Un fenomeno naturale — un suono, la luce che colpisce un sensore, la temperatura — è per sua natura continuo: in ogni istante ha un valore, e tra due istanti qualsiasi ne esistono infiniti altri. Un computer, invece, può memorizzare solo numeri con un numero finito di cifre, misurati in un numero finito di istanti. Digitalizzare un segnale significa quindi rispondere a due domande separate:
Queste due scelte sono indipendenti l'una dall'altra, e sono esattamente i due numeri che comparivano nella formula del bit rate audio: canali × frequenza di campionamento × bit per campione. Se non hai ancora visto come questi numeri incidono sulla dimensione di un file, può valere la pena partire da lì.
Per poter ricostruire fedelmente un segnale a partire dai suoi campioni, la frequenza di campionamento deve essere almeno il doppio della frequenza massima contenuta nel segnale. Questa soglia minima si chiama frequenza di Nyquist.
Il teorema garantisce la ricostruzione perfetta, ma solo usando lo specifico metodo di ricostruzione previsto dalla teoria (l'interpolazione sinc). La simulazione qui sotto, per restare semplice, usa invece una curva morbida di approssimazione: sopra la soglia di Nyquist l'aliasing vero non c'è più, ma la ricostruzione approssimata può comunque apparire imprecisa finché non si sale un po' oltre il minimo teorico.
Se questa condizione non è rispettata — se cioè si campiona troppo lentamente rispetto a quanto varia il segnale — succede qualcosa di controintuitivo: i campioni raccolti non permettono più di distinguere il segnale originale da un altro, più lento, che passa esattamente per gli stessi punti. Il segnale ricostruito assume quindi una frequenza diversa (falsa) da quella reale. Questo fenomeno si chiama aliasing, ed è un'informazione persa in modo irreversibile: una volta campionato male, non si può più recuperare il segnale corretto.
Porta lo slider appena sotto 2: qui è aliasing vero, garantito dal teorema — nessuna tecnica di ricostruzione, nemmeno quella perfetta, potrebbe recuperare il segnale originale. Tra 2 e 4 la situazione è diversa: l'aliasing vero non c'è più, ma questa demo (che usa un'interpolazione approssimata, non quella perfetta della teoria) mostra ancora una ricostruzione imprecisa. Solo sopra 4-5 la curva verde diventa quasi indistinguibile dall'originale.
Nella pratica, un microfono o un convertitore audio non sa a priori quali frequenze contiene il segnale in ingresso: per questo, prima della conversione, un filtro anti-aliasing elimina elettronicamente tutte le frequenze superiori alla metà della frequenza di campionamento scelta, in modo che l'aliasing non possa verificarsi.
Anche una volta deciso quando campionare, resta un problema: il valore del segnale in quell'istante è ancora un numero continuo (potenzialmente con infinite cifre decimali), ma un campione digitale può usare solo un numero finito di bit. La quantizzazione è l'operazione che approssima ogni valore reale al livello discreto più vicino tra quelli rappresentabili con i bit disponibili.
Più bit sono disponibili, più i livelli discreti sono fitti, e più piccola è la distanza tra il valore reale e quello approssimato. Questa distanza è l'errore di quantizzazione (chiamato anche rumore di quantizzazione, perché all'ascolto si percepisce come un fruscio di fondo).
Più bit per campione significa errore più piccolo, ma anche file più grandi: lo si è visto nella formula del bit rate audio. La scelta dei bit per campione (come dei 16 bit del CD audio) è sempre un compromesso tra fedeltà e dimensione — un compromesso che, sopra una certa soglia, diventa impercettibile all'orecchio umano pur costando byte aggiuntivi.