Quando un segnale viene quantizzato, gli intervalli tra i livelli discreti creano una sorta di “approssimazione” del segnale originale. La differenza tra il valore effettivo e il valore quantizzato introduce un errore, noto come errore di quantizzazione, che appare nel segnale sotto forma di rumore. Questo rumore è casuale e viene distribuito su tutta la gamma di frequenze del segnale.
Quando il livello di un segnale è molto basso, ad esempio nelle parti più silenziose di una registrazione audio, diventa particolarmente evidente l’effetto del rumore di quantizzazione. Ciò è dovuto a due fattori principali:
-
Numero limitato di livelli di quantizzazione disponibili a bassi volumi: Nei segnali deboli, l’ampiezza è vicina al livello zero. Poiché i livelli discreti di quantizzazione sono limitati, nelle sezioni a basso volume ci sono meno livelli disponibili per rappresentare accuratamente il segnale. Questo fa sì che l’errore di quantizzazione risulti relativamente più grande rispetto al segnale stesso.
-
Mancanza di mascheramento da parte del segnale principale: Quando l’ampiezza del segnale è alta, il rumore di quantizzazione è spesso mascherato dal segnale stesso e risulta quindi meno udibile. Tuttavia, a bassi livelli, il rumore diventa più udibile e può manifestarsi come un “fruscio” o “granulosità” udibile.
Un metodo comune per minimizzare l’effetto del low-level quantization noise è il Dithering.
Il dithering consiste nell’aggiungere un leggero rumore casuale al segnale prima della quantizzazione. Questo rumore maschera il rumore di quantizzazione e lo rende meno percepibile, distribuendo l’errore in maniera più uniforme e meno invasiva. Sebbene il dithering introduca esso stesso una sorta di rumore, questo tende a essere meno fastidioso rispetto al rumore di quantizzazione percepibile a bassi livelli.
I think a better term for quantization noise is simply “error.” When you digitize a signal voltage, there are a finite number of digital levels (numbers) you can use to describe it. The error is the difference between the actual, analog voltage level, and the digital level you use to represent it.
In signal processing terms, error is “information loss.” An analog signal has an infinite amount of information — any way you measure the voltage can be infinitely subdivided. A digital signal has a finite amount of information. When you digitize a signal, you lose information, and it can never be recovered.
What’s in that information? It’s unknown. If there are no biases in your system, it’s random. A random signal is noise.
So that’s where the terms come from.
Can you actually hear that noise? Mathematically, it’s definitely there; but does it sound like “white noise?” I’m a little unclear on that myself.
I find it easier to understand in visual terms. In image digitization, quantization error looks like color banding. If you have a continuous color gradient, artifacts due to color bit depth appear as “stripes” in the gradient. The lower the bit depth, the wider the bands.
The math, and, in fact, the tech is identical between the domains. It’s just our senses which are different. The audio equivalent of quantization error is what color banding “sounds” like.
Vedi anche: Quantizzazione, Dithering