音頻壓縮編碼技術(shù)

1、音頻壓縮編碼技術(shù)信息學(xué)院電子二班 本內(nèi)容參照清華大學(xué)出版社許志祥編著的數(shù)字電視與圖像通信技術(shù)2009年8月第1版。先講聲音編碼機(jī)器壓縮依據(jù)，分析人的聽(tīng)覺(jué)生理-心理特性，再簡(jiǎn)單介紹數(shù)字音頻信號(hào)壓縮編碼的主要類型，最后重點(diǎn)介紹MPEG-1音頻壓縮編碼標(biāo)準(zhǔn)。一、概述二、人的聽(tīng)覺(jué)生理心理特性三、數(shù)字音頻信號(hào)壓縮編碼的主要類型四、MPEG-1音頻壓縮編碼標(biāo)準(zhǔn)一、概述1、聲音（Audio） 聲音的傳送是通信中一個(gè)極為重要的內(nèi)容。電視及圖像通信中除了傳送圖像外，傳送聲音也是極為重要的，如在會(huì)議電視中，由于通信線路帶寬的限制，圖像是可以跳幀的，每秒鐘能傳送10幀已經(jīng)很不錯(cuò)了，但語(yǔ)音的傳送卻不可以斷續(xù)，而且要有

2、較高音質(zhì)。2、聲音編碼（Audio Coding） 聲音編碼（Audio Coding）是一類高保真的音頻編碼，它的帶寬應(yīng)為20Hz20kHz ，但在許多場(chǎng)合，主要是傳送語(yǔ)音而不是音樂(lè)音頻帶寬在50Hz7kHz就夠了。在聲音編碼中主要傳送語(yǔ)音的一類編碼稱之為語(yǔ)音編碼（speech coding）。數(shù)字聲音信號(hào)與圖像信號(hào)一樣，通過(guò)取樣、量化、編碼后的數(shù)據(jù)量也非常大，傳輸與存儲(chǔ)均有很大困難。3、壓縮依據(jù) 聲音信息能夠進(jìn)行壓縮的基本依據(jù)是聲音信息的冗余度及人類的聽(tīng)覺(jué)特性。 從信息保持的角度講，只有當(dāng)信源本身具冗余度，才能進(jìn)行壓縮。因?yàn)檎Z(yǔ)音和音樂(lè)信號(hào)中存在著時(shí)域信息冗余及頻域信息冗余，所以可以進(jìn)行壓縮

3、，這是對(duì)音頻信號(hào)進(jìn)行壓縮的一個(gè)理論基礎(chǔ)。 語(yǔ)音和音樂(lè)信號(hào)最終是傳送給人聽(tīng)的，人的聽(tīng)覺(jué)生理心理特性在整個(gè)音頻傳輸過(guò)程中起著重要的作用。由于人們的聽(tīng)覺(jué)系統(tǒng)存在著某些不敏感效應(yīng)，某些情況下的音頻不能被感知，因此從感知效果來(lái)看這些不敏感的音頻分量可認(rèn)為是知覺(jué)冗余。如果將這部分冗余壓縮掉，可提高編碼效率，這是音頻壓縮的另一個(gè)理論基礎(chǔ)。4、對(duì)音頻數(shù)據(jù)壓縮的兩個(gè)途徑 （1）利用信號(hào)本身的統(tǒng)計(jì)特性，在完全不丟失信息的情況下進(jìn)行高效的熵編碼（平均信息量編碼） （2）利用人們對(duì)音頻信號(hào)的感知特性，通過(guò)省略人們所不能分辨或不敏感的信息來(lái)壓縮信息量，這就是知覺(jué)編碼。二、人的聽(tīng)覺(jué)生理心理特性 聽(tīng)覺(jué)的掩蔽效應(yīng)是聲音編碼的

4、基礎(chǔ)，掩蔽效應(yīng)既和頻率與有關(guān)，也和時(shí)間域有關(guān)。1、頻譜掩蔽效應(yīng) 若有一個(gè)聲壓強(qiáng)度達(dá)70db、頻率1kHz的純音出現(xiàn)時(shí)，處于1kHz鄰近某一頻帶內(nèi)強(qiáng)度較小的信號(hào)聲音信號(hào)人耳是聽(tīng)不見(jiàn)的，即被1kHz純音掩蔽掉了。2、時(shí)間掩蔽效應(yīng) 除了在較強(qiáng)的聲音信號(hào)出現(xiàn)時(shí)，弱信號(hào)會(huì)被屏蔽掉外，在強(qiáng)的聲音信號(hào)出現(xiàn)之前或之后的短暫時(shí)間內(nèi)已存在的弱因信號(hào)也會(huì)被強(qiáng)信號(hào)屏蔽掉，分別稱為前掩蔽和后掩蔽，這種情況叫做時(shí)間掩蔽效應(yīng)（Temporal Masking Effect）。3、方向掩蔽效應(yīng) 人耳除具有聽(tīng)覺(jué)掩蔽效應(yīng)外，還不能分別判斷頻率接近的高頻聲音信號(hào)的方向，在聲音編碼中可利用此特性，把高頻聲道的多個(gè)部分耦合到一個(gè)公共聲

5、道，已達(dá)到壓縮編碼的目的。三、數(shù)字音頻信號(hào)壓縮編碼的主要類型 數(shù)字音頻信號(hào)的壓縮編碼主要分為熵編碼、波形編碼、參數(shù)編碼和混合編碼四種類型。1、熵編碼 主要包括霍夫曼編碼、算術(shù)編碼與游程編碼。2、波形編碼 主要包括全頻帶編碼子帶編碼和矢量量編碼，波形編碼能夠在高碼率的條件下獲得高質(zhì)量的音頻信號(hào)，因而適用于高保真語(yǔ)音及音樂(lè)信號(hào)的壓縮編碼。3、參數(shù)編碼 指使用合適的模型參數(shù)與參考激勵(lì)信號(hào)來(lái)模擬音頻信號(hào)進(jìn)行編碼，當(dāng)聲音重放時(shí)，根據(jù)這些參數(shù)重建音頻信號(hào)，這就是通常所說(shuō)的聲碼器（Vocoder）。參數(shù)編碼壓縮比很高，計(jì)算量也很大，因而不適合高保真要求的應(yīng)用場(chǎng)合。4、混合編碼 混合編碼充分吸收了波形編碼與參

6、數(shù)編碼的優(yōu)點(diǎn)，并將二者結(jié)合，它包括多脈沖線性預(yù)測(cè)編碼（MPL-PC）、矢量和激勵(lì)線性預(yù)測(cè)編碼（VSELP）、碼激勵(lì)線性預(yù)測(cè)編碼（CELP）等。四、MPEG-1音頻壓縮編碼標(biāo)準(zhǔn) 1 MPEG-1音頻的三個(gè)層次 MPEG-1(ISO/IEC11172)標(biāo)準(zhǔn)的第三部分（ISO/ IEC11172-3）稱為MPEG-1音頻。 MPEG-1音頻部分提供單聲道（mono）與雙聲道 （stereo）數(shù)字音頻，取樣頻率為32kHz 44.1kHz和48kHz。音頻的壓縮編碼技術(shù)采用的是MUSICAM方案。 MPEG-1音頻按照壓縮編碼的復(fù)雜程度規(guī)定了3個(gè)層次，即Layer1Layer2Layer3三個(gè)層次的基

7、本模型是相同的。層次越高，壓縮比越大，編解碼器越復(fù)雜。每個(gè)層次針對(duì)不同應(yīng)用。三個(gè)層的解碼器后相兼容，即Layer3的解碼器可以對(duì)三個(gè)層的碼流解碼， Layer2解碼器可以解碼Layer1和 Layer2。2 Layer1音頻編碼器 Layer1是簡(jiǎn)單型，通常目標(biāo)碼率為為每通道192kb/s。立體聲碼率為384kb/s，壓縮比為14。 Layer1被廣泛應(yīng)用在VCD的音頻壓縮編碼中。 Layer1音頻編碼器的方框圖如下圖。PCM輸入信號(hào) 32 32 比例因子 音頻碼 流輸出 Layer1音頻編碼器的方框圖32子帶濾波器組 量化編碼比例因子計(jì)算心里聲學(xué)模型動(dòng)態(tài)比特分配512點(diǎn)FFT復(fù) 用 器 輸入

8、的PCM數(shù)字音頻信號(hào)首先通過(guò)一個(gè)多通道濾波器組，變換成32個(gè)等寬頻帶子帶。這些濾波器的輸出是臨界頻帶系數(shù)樣值。通過(guò)研究人耳對(duì)頻率的分辨率可知，在低頻段可以分辨出相差幾赫茲的音調(diào)聲；而在高頻段，要分辨音調(diào)音，其頻率間隔必須相差幾百赫茲，這些固有區(qū)域稱為臨界頻帶。輸出臨界頻帶樣值是經(jīng)過(guò)量化的，如果一個(gè)子帶覆蓋若干個(gè)臨界頻帶，就選擇具有最小噪聲掩蔽的臨界頻帶，并利用該臨界頻帶來(lái)計(jì)算分配給自帶量化信號(hào)的比特?cái)?shù)。 心理聲學(xué)模型首先確定各個(gè)子帶中允許的最大量化噪聲，對(duì)小于它的量化噪聲的子帶都會(huì)被掩蔽掉，即如果自帶內(nèi)的信號(hào)功率低于掩蔽閾值，則不進(jìn)行編碼。對(duì)子帶內(nèi)的信號(hào)功率不低于掩蔽閾值時(shí)，需要確定編碼的系數(shù)

9、所需的比特?cái)?shù)。 為了實(shí)現(xiàn)音頻心理聲學(xué)模型，首先要用快速傅里葉變換FFT將音頻樣值轉(zhuǎn)換到頻域。Layer1的FFT為512點(diǎn)。Layer2的FFT為1024點(diǎn)。將得到的頻率組成臨界頻帶，計(jì)算由臨界頻帶引起的每個(gè)子帶的掩蔽值，并計(jì)算每個(gè)子帶的信號(hào)掩蔽比SMR,SMR的計(jì)算方法是將信號(hào)的子帶能量除以子帶的最小掩蔽閾值，有一組32個(gè)SMR（每個(gè)子帶一個(gè)）構(gòu)成模型的輸出，最后將該子帶的最大信號(hào)/掩蔽閾值率輸入給量化器。 根據(jù)心理聲學(xué)模型的信息，決定分配給各個(gè)子帶的編碼比特?cái)?shù)，即比特分配。先計(jì)算出掩蔽噪聲比MNR: MNR=SNR(信噪比)-SMR（信號(hào)掩蔽比）一旦所有的自帶都計(jì)算出了掩蔽信噪比MNR，就

10、可找出其中具有最低MNR的子帶，并給這個(gè)子帶分配多一點(diǎn)比特。當(dāng)一個(gè)子帶獲得了更多的編碼比特，比特分配單位就找出信噪比的新估計(jì)值，重新計(jì)算該子帶的掩蔽噪聲比。上述過(guò)程重復(fù)進(jìn)行，直到再?zèng)]有多余的比特可分配了為止，這個(gè)過(guò)程稱為比特分配。 按輸入信號(hào)的大小來(lái)改變量化步長(zhǎng)，輸入信號(hào)小時(shí)用較小的量化步長(zhǎng)，輸入信號(hào)大時(shí)用較大的量化步長(zhǎng)。因此，需要將碼中的比特分為兩組，一組比特用來(lái)量化步長(zhǎng)大小，這組比特代表幅度值的“比例因子”，其余比特用來(lái)均勻量化與這些量化步長(zhǎng)對(duì)應(yīng)的信號(hào)，這組比特代表幅度值的“尾數(shù)”。通常量化信噪比SNR取決于位數(shù)的比特?cái)?shù)。 MPEG-1音頻數(shù)據(jù)是一幀一幀傳送的，Layer1每幀有32個(gè)子帶

11、組成，每個(gè)子帶包括12個(gè)樣值每幀有384個(gè)樣值的數(shù)據(jù)組成。 Layer1的幀結(jié)構(gòu)由32bit的幀同步頭開(kāi)始，其中12bit作為幀同步，其余的20bit為系統(tǒng)信息 ，如比特率標(biāo)記。然后是長(zhǎng)度為16bit的循環(huán)冗余碼，接著是用于描述比特分配長(zhǎng)度為4bit的比特分配域，長(zhǎng)度為6bit的比例因子域，以及子帶樣值域等。3、Layer1的解碼系統(tǒng) 聲音信號(hào)聲音碼流子帶樣值及量化32子帶合成濾波器組邊信息解碼解復(fù)用與糾錯(cuò)解碼4、Layer2和Layer3編、解碼器（1） Layer2音頻編、解碼器PCM輸入信號(hào) 32 32 音頻 碼流 Layer2音頻編碼器框圖Layer2音頻解碼器與Layer1的相同，這里不再重復(fù)。32子帶分析濾波器組 量化編碼比例因子選擇比例因子計(jì)算輔助數(shù)據(jù)編碼1024點(diǎn)FFT心理聲學(xué)模型