音頻壓縮的成功者感知編碼

1、 音頻壓縮的成功者感知編碼音頻壓縮的成功者感知編碼2004年中南地區(qū)省級(jí)電視臺(tái)技術(shù)年會(huì)論文二等獎(jiǎng) 近年來(lái)，隨著現(xiàn)代通信的發(fā)展，數(shù)字化日益滲透人們的日常生活，人們對(duì)各種多媒體業(yè)務(wù)的需求日益增長(zhǎng)，我們正享受著數(shù)字化帶來(lái)的方便和快捷，衛(wèi)星電視、數(shù)字電視、各種數(shù)碼音樂(lè)產(chǎn)品正改變著我們的生活。于是便要求得到更多更好的音頻產(chǎn)品和服務(wù)。數(shù)字聲音作為一種存儲(chǔ)、處理和傳輸高保真聲音的方法，在消費(fèi)電子、專業(yè)聲音等眾多領(lǐng)域已得到廣泛應(yīng)用。但是如果沒有通用有效的高質(zhì)量音頻編解碼方案，數(shù)字存儲(chǔ)和傳輸技術(shù)的進(jìn)一步發(fā)展將會(huì)受到嚴(yán)重的束縛。在音頻數(shù)字壓縮技術(shù)中，當(dāng)前比較成功的編碼方式被稱為“感知型編碼（PerceptualC

2、oding）”，現(xiàn)在比較常用的MP3、MD等都是感知編碼原理。 一般來(lái)說(shuō)，數(shù)據(jù)壓縮有兩種方法。一種方法是利用信號(hào)的統(tǒng)計(jì)性質(zhì)，完全不丟失信息的高效率編碼法，稱為平均信息量編碼或熵編碼。第二種方法是利用接收信號(hào)的人的感覺特性，省略不必要的信息，壓縮信息量，這種方法稱為感覺編碼。 因?yàn)殪鼐幋a可通過(guò)解碼完全再現(xiàn)編碼前的數(shù)據(jù)，故應(yīng)用范圍廣泛,例如可用于磁盤壓縮、文件壓縮等，在保存信息方面，完全不用擔(dān)心劣化。不過(guò)遺憾的是，僅依靠熵編碼不能將音頻信號(hào)進(jìn)行大幅度的數(shù)據(jù)壓縮。這是因?yàn)樵谝纛l信號(hào)中會(huì)有白噪聲信號(hào)，這種完全隨機(jī)的信號(hào)，根據(jù)信息論是決不能用熵編碼進(jìn)行壓縮的。因此在音頻壓縮中，必須同時(shí)采用感知編碼。 感

3、知編碼是利用人耳聽覺的心理聲學(xué)特性（頻譜掩蔽特性和時(shí)間掩蔽特性）、人耳對(duì)信號(hào)幅度、頻率、時(shí)間的有限分辨能力，凡是人耳感覺不到的成分不編碼，不傳送，即凡是對(duì)人耳辨別聲音信號(hào)的強(qiáng)度、音調(diào)、方位有貢獻(xiàn)的部分（稱為不相關(guān)部分或無(wú)關(guān)部分）都不編碼和傳送。對(duì)感覺到的部分進(jìn)行編碼時(shí)，允許有較大的量化失真、并使其處于聽閾以下，人耳仍然感覺不到。簡(jiǎn)單的說(shuō)感知編碼是建立在人類聽覺系統(tǒng)的心理聲學(xué)原理為基礎(chǔ)，只記錄那些能被人的聽覺所感知的聲音信號(hào)，從而達(dá)到減少數(shù)據(jù)量而又不降低音質(zhì)的目的。 目前音頻壓縮編碼已成為標(biāo)準(zhǔn)的是MPEG-1（ISO/IEC11172-3）、MPEG-2（ISO/IEC13818-3）和美國(guó)大聯(lián)

4、盟的AC-3。他們都是感知編碼。 一、為什么壓縮 了解數(shù)字音頻首先要提到脈沖編碼調(diào)制PCM（PulseCodeModulation），它是概念上最簡(jiǎn)單、理論上最完善的編碼系統(tǒng)，是最早研制成功、使用最為廣泛的編碼系統(tǒng)，但也是數(shù)據(jù)量最大的編碼系統(tǒng)。PCM指模擬音頻信號(hào)只經(jīng)過(guò)采樣、量化、編碼，模數(shù)轉(zhuǎn)換成PCM信號(hào)，得到標(biāo)準(zhǔn)的數(shù)字音頻碼流，而未經(jīng)過(guò)任何編碼和壓縮處理。 根據(jù)奈奎斯特采樣定律，通常其采樣頻率至少應(yīng)當(dāng)是信號(hào)中的最高頻率分量的兩倍。對(duì)于高質(zhì)量的音頻信號(hào)，其頻率范圍是從20Hz20kHz。所以其采樣頻率必須在40kHz以上。在CD中采用了44.1kHz的采樣頻率。普通CD線性PCM的取樣頻率為

5、44.1kHz，量化精度為16bit，動(dòng)態(tài)范圍為98db。（在對(duì)模擬信號(hào)采樣以后，還必須對(duì)其幅度上加以分層。在CD中，其分層以后的幅度信號(hào)用16bit的二進(jìn)制信號(hào)來(lái)表示，也就是把模擬的音頻信號(hào)在幅度上分為65536（216）層。這樣，它的動(dòng)態(tài)范圍就可以達(dá)到96分貝（6分貝/比特）。） PCM的編碼原理比較直觀和簡(jiǎn)單，它的原理框圖如圖所示。 在這個(gè)編碼框圖中，它的輸入是模擬聲音信號(hào)，它的輸出是PCM樣本。圖中的“防失真濾波器”是一個(gè)低通濾波器，用來(lái)濾除聲音頻帶以外的信號(hào)；“波形編碼器”可暫時(shí)理解為“采樣器”，“量化器”可理解為“量化階大小(step-size)”生成器或者稱為“量化間隔”生成器。

6、 那么這種未經(jīng)壓縮的PCM信號(hào)的數(shù)據(jù)量具體有多大呢？以CD音質(zhì)的信號(hào)為例，它的單通道的采樣率是44.1kHz，每個(gè)樣值是16bit的量化，而立體聲CD音質(zhì)信號(hào)，有兩個(gè)通道，它每秒的碼流是44.1K×16×21.4Mbit/s。（數(shù)字信號(hào)傳輸率=取樣頻率×量化比特×通道數(shù)）一張CD唱片的容量約為680MB，可以容納約1小時(shí)的雙聲道PCM數(shù)字音頻節(jié)目，由于這種編碼方式所產(chǎn)生的數(shù)據(jù)量太大，存儲(chǔ)和傳輸都既不方便也不經(jīng)濟(jì)，有時(shí)甚至是行不通的。對(duì)于電視廣播來(lái)說(shuō)，數(shù)據(jù)傳輸速率越高，每套節(jié)目所需的頻寬就越大，在頻帶資源日趨緊張的今天，過(guò)寬的頻帶是不能允許的，同時(shí)對(duì)于有形

7、載體（激光碟、磁帶等），每種載體的記錄密度都是有限的（受當(dāng)時(shí)技術(shù)發(fā)展程度的制約），增大數(shù)據(jù)量就意味著縮短節(jié)目長(zhǎng)度。因此需要開發(fā)一種新的編碼方式，它應(yīng)該使用較少的數(shù)據(jù)量，而又不會(huì)導(dǎo)致音質(zhì)的主觀聽感有明顯的下降。 二、感知編碼原理 1、理論基礎(chǔ)聞?dòng)蚝团R界頻段 音頻壓縮理論是建立在心理聲學(xué)模型基礎(chǔ)上，從研究人耳的聽感系統(tǒng)開始的。 人耳實(shí)際上可看成一個(gè)多頻段的聽感分析器，在接收端的最后，它對(duì)瞬間的頻譜功率進(jìn)行了重新分配，這就為音頻的數(shù)據(jù)壓縮提供了依據(jù)。 眾所周知，聲源振動(dòng)的能量通過(guò)聲波傳入人耳，使耳膜發(fā)生振動(dòng)，人們就產(chǎn)生了聲音的感覺。但是人耳能聽到的振動(dòng)頻率約在20Hz到20KHz之間，低于20Hz或

8、高于20KHz的振動(dòng)，不能引起人類聽覺器官的感覺。心理聲學(xué)模型中一個(gè)基本的概念就是聽覺系統(tǒng)中存在一個(gè)聽覺閾值電平，低于這個(gè)電平的聲音信號(hào)就聽不到，因此就可以把這部分信號(hào)去掉。聽覺閾值的大小隨聲音頻率的改變而改變，各個(gè)人的聽覺閾值也不同。大多數(shù)人的聽覺系統(tǒng)對(duì)2kHz5kHz之間的聲音最敏感。一個(gè)人是否能聽到聲音取決于聲音的頻率，以及聲音的幅度是否高于這種頻率下的聽覺閾值。這就是說(shuō)在聽覺閾值以外的電平可以去掉，相當(dāng)于壓縮了數(shù)據(jù)。另外，聽覺閾值電平是自適應(yīng)的，即聽覺閾值電平會(huì)隨聽到的不同頻率的聲音而發(fā)生變化。也許你有這樣的體驗(yàn)，在一安靜房間里的普通談話可以聽得很清楚，但在播放搖滾樂(lè)的環(huán)境下同樣的普通

9、談話就聽不清楚了。聲音壓縮算法也同樣可以確立這種特性的模型來(lái)取消更多的冗余數(shù)據(jù)。 2、掩蔽效應(yīng) 心理聲學(xué)模型中的另一個(gè)概念是聽覺掩飾特性掩蔽效應(yīng)，即一種頻率的聲音阻礙聽覺系統(tǒng)感受另一種頻率的聲音的現(xiàn)象稱為掩蔽效應(yīng)。前者稱為掩蔽聲音(maskingtone)，后者稱為被掩蔽聲音(maskedtone)。 掩蔽效應(yīng)探討的基礎(chǔ)是感知編碼中的一個(gè)重要的概念臨界頻段，即人耳對(duì)不同頻率段聲音信號(hào)的反應(yīng)靈敏程度有所差別。人耳中包含了約3萬(wàn)個(gè)毛細(xì)胞，它們能夠檢測(cè)到基膜的振動(dòng)，通過(guò)生理脈沖將音頻信息傳到大腦，但這些細(xì)胞在不同頻率的敏感程度不同，在低頻區(qū)域?qū)缀掌澋牟町惗寄芊直娉鰜?lái)，而在高頻區(qū)域，必須要有幾百赫茲

10、的差別才能分辨。所以，一般毛細(xì)胞會(huì)對(duì)其周圍的強(qiáng)刺激作出反應(yīng)，這就是臨界頻段。實(shí)驗(yàn)結(jié)果表明，在低頻區(qū)域臨界頻段比在高頻區(qū)域臨界頻段窄，在低頻段臨界頻段很窄，頻段寬度只有100Hz到200Hz，在高于5000Hz以后的臨界頻段的寬度有1000Hz至幾萬(wàn)Hz的頻段寬度。3/4臨界頻段低于5Khz，人耳可以接收到的低頻信息高于高頻信息。 掩蔽可分成頻域掩蔽和時(shí)域掩蔽。 所謂頻域掩蔽是指掩蔽聲與被掩蔽聲同時(shí)作用時(shí)發(fā)生掩蔽效應(yīng)，即較強(qiáng)的聲音信號(hào)可以掩蔽臨近頻段中同時(shí)發(fā)聲的較弱的信號(hào)。這種特性稱為頻域掩蔽，也稱同時(shí)掩蔽(simultaneousmasking)。這時(shí)，掩蔽聲在掩蔽效應(yīng)發(fā)生期間一直起作用，是一

11、種較強(qiáng)的掩蔽效應(yīng)。換言之，如果在某一頻段中出現(xiàn)了一個(gè)較強(qiáng)的信號(hào)，那么該頻段中所有低于某一門檻值的信號(hào)都將被強(qiáng)信號(hào)掩蔽掉，成為人耳不可聞的信號(hào)。掩蔽特性與掩蔽音的強(qiáng)弱，掩蔽音的中心頻率，掩蔽音與被掩蔽音的頻率相對(duì)位置等有關(guān)。通常，頻域中的一個(gè)強(qiáng)音會(huì)掩蔽與之同時(shí)發(fā)聲的附近的弱音，弱音離強(qiáng)音越近，一般越容易被掩蔽；反之，離強(qiáng)音較遠(yuǎn)的弱音不容易被掩蔽。濾除這一弱信號(hào)將不會(huì)對(duì)音質(zhì)產(chǎn)生不良影響，而且能減少編碼后的數(shù)據(jù)量，所以可以把它們作為噪聲信號(hào)來(lái)對(duì)待。 除了同時(shí)發(fā)出的聲音之間有掩蔽現(xiàn)象之外，在時(shí)間上相鄰的聲音之間也有掩蔽現(xiàn)象，并且稱為時(shí)域掩蔽。所謂時(shí)域掩蔽是指掩蔽效應(yīng)發(fā)生在掩蔽聲與被掩蔽聲不同時(shí)出現(xiàn)時(shí)，

12、又稱異時(shí)掩蔽。時(shí)域掩蔽又分為超前掩蔽(pre-masking)和滯后掩蔽(post-masking)，若掩蔽聲音出現(xiàn)之前的一段時(shí)間內(nèi)發(fā)生掩蔽效應(yīng)，則稱為導(dǎo)前掩蔽；否則稱為滯后掩蔽。產(chǎn)生時(shí)域掩蔽的主要原因是人的大腦處理信息需要花費(fèi)一定的時(shí)間。一般來(lái)說(shuō)，超前掩蔽很短，只有大約520ms，而滯后掩蔽可以持續(xù)50200ms。異時(shí)掩蔽也隨著時(shí)間的推移很快會(huì)衰減，是一種弱掩蔽效應(yīng)。 如上圖左圖所示，當(dāng)有黑線所示的某頻率信號(hào)存在時(shí)，靠近它的本來(lái)可以聽見的噪聲B就變得聽不見了，這種現(xiàn)象叫做頻率掩蔽效應(yīng)。而如右圖所示，當(dāng)某時(shí)刻有黑線所示的信號(hào)存在時(shí)，位于其后面的比它小一些的本來(lái)可聽見的噪聲E也變得聽不見了，這種

13、現(xiàn)象稱為時(shí)間掩蔽效應(yīng)。這些兩種效應(yīng)合成的結(jié)果，就形成了實(shí)際的可聞閾。如下圖所示： 三、感知編碼器 1、感知編碼器的特點(diǎn) 感知編碼器首先分析輸入信號(hào)的頻率和振幅，然后將其與人的聽覺感知模型進(jìn)行比較。編碼器用這個(gè)模型去除音頻信號(hào)的不相干部分及統(tǒng)計(jì)冗余部分。盡管這個(gè)方法是有損的，但人耳卻感覺不到編碼信號(hào)質(zhì)量的下降。感知編碼器可以將一個(gè)聲道的比特速率從768kb/s降至128kb/s，將字長(zhǎng)從16比特/取樣減少至平均2.67比特/取樣，數(shù)據(jù)量減少了約83%。 感知編碼器的有效性部分源自采用了自適應(yīng)的量化方法。在PCM中，所有的信號(hào)都分為相同的字長(zhǎng)，感知編碼器則是根據(jù)可聽度來(lái)分配所使用的字長(zhǎng)。重要的聲音

14、就分配多一些位數(shù)來(lái)確?？陕牭耐暾裕鴮?duì)于輕言細(xì)語(yǔ)的編碼位數(shù)就會(huì)少一些，不可聽的聲音就根本不進(jìn)行編碼，從而降低了比特速率。編碼器的壓縮率是輸入的比特?cái)?shù)與輸出的比特?cái)?shù)之比。一般常見的壓縮率是4：1，6：1或12：1。 一般感知編碼采用兩種比特分配方案。一種是前向自適應(yīng)分配方案，所有的分配都在編碼器中進(jìn)行，這個(gè)編碼信息也包含在比特流中。前向自適應(yīng)編碼的一個(gè)突出優(yōu)點(diǎn)是在編碼器中采用了心理聲學(xué)模型，它只是利用編碼數(shù)據(jù)完全地重建信號(hào)。當(dāng)改進(jìn)了編碼器中心理聲學(xué)模型時(shí)，可利用現(xiàn)有的編碼器來(lái)重建信號(hào)。這種方法的一個(gè)缺點(diǎn)是需要占用一些比特位來(lái)傳遞分配信息。在后向自適應(yīng)分配方案中，比特分配信息可以直接從編碼的音頻

15、信號(hào)中推導(dǎo)出來(lái)，不需要編碼器中詳細(xì)的分配信息，分配信息也不占用比特位。然而在解碼器中的比特分配信息是根據(jù)有限的信息推導(dǎo)出來(lái)的，精度必然會(huì)降低。另外解碼器相應(yīng)也比較復(fù)雜，而且不能輕易地改變心理聲學(xué)模型。 感知編碼有一定的抗噪性。在PCM中誤差引入了寬帶噪聲，而對(duì)于許多感知編碼器，根據(jù)預(yù)編碼信號(hào)的典型帶寬，噪聲被限定在窄帶內(nèi)，因而限制了其強(qiáng)度。誤差僅僅引入了一個(gè)低電平的噪聲。感知編碼系統(tǒng)還對(duì)目標(biāo)噪聲進(jìn)行校正，例如對(duì)于極弱的聲音、比較強(qiáng)的聲音給予更多的保護(hù)。象任何編碼系統(tǒng)一樣，感知編碼系統(tǒng)也是綜合存儲(chǔ)量、傳輸速率等因素來(lái)考慮的合適的誤差校正方案。 由于感知編碼器根據(jù)人耳的靈敏度來(lái)編碼，它也可以輸出放

16、音系統(tǒng)所要求的響度。實(shí)況播送的音樂(lè)不通過(guò)放大器和揚(yáng)聲器而直接進(jìn)入耳朵但是錄制的音樂(lè)必須通過(guò)放音系統(tǒng)。由于感知編碼器去除了不可聽的信號(hào)成分，從邏輯上講，加強(qiáng)了放音系統(tǒng)傳送可聽音樂(lè)的能力。簡(jiǎn)言之，感知編碼器很適合對(duì)需要經(jīng)過(guò)音頻系統(tǒng)的音頻信號(hào)編碼。 2、壓縮的實(shí)現(xiàn)子帶壓縮技術(shù) 子帶壓縮技術(shù)是以子帶編碼理論為基礎(chǔ)的一種編碼方法。 子帶編碼理論的基本思想是將信號(hào)分解為若干子頻帶內(nèi)的分量之和，然后對(duì)各子帶分量根據(jù)其不同的分布特性采取不同的壓縮策略以降低碼率。 子帶編碼是將一個(gè)短周期內(nèi)的連續(xù)時(shí)間取樣信號(hào)送入濾波器中，濾波器組將信號(hào)分為多個(gè)（最多32個(gè)）限帶信號(hào)，以近似人耳的臨界頻段響應(yīng)。對(duì)于這些子帶，利用F

17、FT將信號(hào)變換到頻域分析其能量，利用心理聲學(xué)模型來(lái)分析這些數(shù)值，給出這組數(shù)據(jù)的合成掩蔽曲線。編碼器通過(guò)分析每個(gè)子帶的能量來(lái)判斷該子帶是否包含可聽信息。計(jì)算每個(gè)子帶的平均功率，用來(lái)計(jì)算當(dāng)前子帶及鄰接子帶的掩蔽級(jí)，最后根據(jù)最小聞?dòng)蛲茖?dǎo)出各個(gè)子帶最后的掩蔽級(jí)。每個(gè)子帶的峰值功率與掩蔽級(jí)的比率由所作的運(yùn)算來(lái)決定，并根據(jù)信號(hào)振幅高于可聽曲線的程度來(lái)分配量化所需的比特?cái)?shù)。 由于在子帶壓縮技術(shù)中主要應(yīng)用了心理聲學(xué)中的聲音掩蔽模型，因而在對(duì)信號(hào)進(jìn)行壓縮時(shí)引入了大量的量化噪聲。當(dāng)重建信號(hào)時(shí)，每個(gè)子帶的量化噪聲被限制在該子帶內(nèi)，由于每個(gè)子帶的信號(hào)會(huì)對(duì)噪聲進(jìn)行掩蔽，所以子帶內(nèi)的量化噪聲是可以容忍的。因?yàn)楦鶕?jù)人耳的聽

18、覺掩蔽曲線，在解碼后，這些噪聲被有用的聲音信號(hào)掩蔽掉了，人耳無(wú)法察覺；同時(shí)由于子帶分析的運(yùn)用，各頻帶內(nèi)的噪聲將被限制在頻帶內(nèi)，不會(huì)對(duì)其它頻帶的信號(hào)產(chǎn)生影響。因而在編碼時(shí)各子帶的量化階數(shù)不同，采用了動(dòng)態(tài)比特分配技術(shù)，這也正是此類技術(shù)壓縮效率高的主要原因。在一定的碼率條件下，此類技術(shù)可以達(dá)到“完全透明”的聲音質(zhì)量（EBU音質(zhì)標(biāo)準(zhǔn)）。 3、子帶編碼的典型應(yīng)用MPEG-1音頻壓縮 在音頻壓縮標(biāo)準(zhǔn)化方面取得巨大成功的是MPEG-1數(shù)字音頻壓縮方案。 在MPEG-1壓縮中，按復(fù)雜程度規(guī)定了三種模式即MPEGAudioLayer-1、Layer-2和Layer-3。目前廣泛使用的VCD的音頻壓縮方案為MPE

19、GAudioLayer-1，它的典型的碼流為每通道192Kbit/S。Layer-2即稱掩蔽模式通用子帶集成編碼與多路復(fù)用，典型的碼流為每通道128Kbit/S，廣泛應(yīng)用于數(shù)字音頻廣播、數(shù)字演播室等數(shù)字音頻專業(yè)的制作、交流、存儲(chǔ)和傳送。我們最熟悉的是Layer-3，也就是常說(shuō)的MP3，是綜合于層的優(yōu)點(diǎn)提出的混合壓縮技術(shù)，MP3的壓縮比率更大，可以達(dá)到110112的比例，而MP1和MP2分別只有14和1618的壓縮比例。這也就決定了MP3格式的文件尺寸更加適合存儲(chǔ)空間小的隨身聽使用。但MP3的復(fù)雜度相對(duì)較高，編碼不利于實(shí)時(shí)，典型碼流為64Kbit/S，在低碼率下有高品質(zhì)的音質(zhì)，所以成為網(wǎng)上音源的寵兒。MPEG-1的壓縮技術(shù)方案是子帶壓縮，子帶分割的實(shí)現(xiàn)是通過(guò)時(shí)頻映射，采用多相正交分解濾波器組將數(shù)字化的寬帶音頻信號(hào)分成32個(gè)子帶；同時(shí)，信號(hào)通過(guò)FFT運(yùn)算，對(duì)信號(hào)進(jìn)行頻譜分析；子帶信號(hào)與頻譜同步計(jì)算，得出對(duì)各子帶的掩蔽特性，由于掩蔽特性的存在，減少了對(duì)量化比特率的要求，不同子帶分配不同的量化比特?cái)?shù)，但對(duì)于各子帶而言，是線性量化。另上C