MPEG的基本编码思路(感知编码的基本思路)
分析信号,去掉不能被感知的部分:
- 人耳对于不同频率的声音的感知能力不同(生理感知极限),因此对于人耳感知力度更低的信号,可以分配更少的比特位。在低频子带中,为了保护音调和共振峰的结构,就要求用较小的量化阶、较多的量化级数。
- 听觉掩蔽特性,一种声音可以对另一种声音产生掩蔽效应(纯音对纯音,纯音对噪音,噪音对纯音),对于经计算确认被掩蔽的声音成分,可以不编码
两条线
PCM码流分别输入到上下两条线,上方最终作为编码的源数据形成MPEG编码结果。下方使用FFT对信号进行分析,经过心理声学模型计算信号中听觉无法感知的部分(计算噪声掩蔽效应)。为编码提供比特分配的信息。
时-频分析的矛盾
较高的时间分辨率和较高的频率分辨率时不可兼得的。为了实现较高的时间分辨率,势必要减少采样长度,确保在短暂冲击信号的情况下,编码的声音信号具有足够高的质量(尽量少地受到前后信号的影响),因此编码中以32个样本(框图中的上方部分)为一组通过多相滤波器(分离出32个频率范围下的幅度值)。
但是32个样本不足以提供足够的频率分辨率,无法精确地反映人耳的听觉特性,因此引入FFT补偿频率分辨率不足的问题。将32个样本经过滤波器得到的32个频点上的每个值,前后共12次滤波形成一组值(称为子带)共享缩放因子(从),因而每组子带有12x32=384个样本,3组子带称为一帧(Layer Ⅱ/Ⅲ)。这样一帧内共用3x12x32 = 1152样本。
LayerⅠ中,384个样本就是一帧,需要做512点FFT
Layer Ⅱ/Ⅲ中,1152个样本为一帧,需要做两次1024点FFT,选择其中信号掩蔽比较小者(心理声学模型1)。
心理声学模型的实现过程
MPEG-I标准定义了两个心理声学模型
模型1计算复杂度低,但对假设用户听不到的部分压缩太严重
模型2提供了适合LayerⅢ编码的更多特征。
临界频带
临界频带是指当某个纯音被以它为中心频率、且具有一定带宽的连续噪声所掩蔽时,如果该纯音刚好被听到时的功率等于这一频带内噪声功率,这个带宽为临界频带宽度。
临界频带的意义在于人耳与之相关的特性:纯音的听阈随掩蔽噪声带宽的增大而增大,在带宽增大到某一特定值之后听阈保持恒定不变。
噪声掩蔽纯音时,只有以纯音频率为中心的、一定频带宽度内的噪声能量起掩蔽作用。
码率分配的基本思路
再调整固定的码率之前,先确定可用于样值编码的有效比特数,这个数值取决于比例因子、比例因子选择信息、比特分配信息
比特分配过程:
对每个子带计算掩蔽-噪声比NMR(NMR=SMR-SNR),SNR是信噪比,由MPEG-Ⅰ标准给定(根据量化水平计算的得到)。
信掩比减去信噪比,得到的是考虑噪声和掩蔽后剩余的信号强度。
对最高NMR的子带分配比特,使获益最大的子带量化级别增加一级
重新计算分配了更多比特子带的NMR(SNR发生了改变)。
代码实现
main
int main (int argc, char **argv)
{
typedef double SBS[2][3][SCALE_BLOCK][SBLIMIT];
SBS *sb_sample;
typedef double JSBS[3][SCALE_BLOCK][SBLIMIT];
JSBS *j_sample;
typedef double IN[2][HAN_SIZE];
IN *win_que;
typedef unsigned int SUB[2][3][SCALE_BLOCK][SBLIMIT];
SUB *subband;
frame_info frame;//包含头信息、比特分配表、子带数等信息
frame_header header;//包含头信息
char original_file_name[MAX_NAME_SIZE];//输入文件名
char encoded_file_name[MAX_NAME_SIZE];//输出文件名
short **win_buf;
static short buffer[2][1152];
static unsigned int bit_alloc[2][SBLIMIT], scfsi[2][SBLIMIT];//存放两个声道各子带的比特分配表,SBLIMIT=32即32个子带
static unsigned int scalar[2][3][SBLIMIT], j_scale[3][SBLIMIT];//存放各子带每组12个样值的比例因子
static double smr[2][SBLIMIT], lgmin[2][SBLIMIT], max_sc[2][SBLIMIT];
// FLOAT snr32[32];
short sam[2][1344]; /* was [1056]; */
int model, nch, error_protection;
static unsigned int crc;
int sb, ch, adb;
unsigned long frameBits, sentBits = 0;
unsigned long num_samples;
int lg_frame;
int i;
/* Used to keep the SNR values for the fast/quick psy models */
static FLOAT smrdef[2][32];
static int psycount = 0;
extern int minimum;
time_t start_time, end_time;
int total_time;
sb_sample = (SBS *) mem_alloc (sizeof (SBS), "sb_sample");
j_sample = (JSBS *) mem_alloc (sizeof (JSBS), "j_sample");
win_que = (IN *) mem_alloc (sizeof (IN), "Win_que");
subband = (SUB *) mem_alloc (sizeof (SUB), "subband");
win_buf = (short **) mem_alloc (sizeof (short *) * 2, "win_buf");
/* clear buffers */
memset ((char *) buffer, 0, sizeof (buffer));
memset ((char *) bit_alloc, 0, sizeof (bit_alloc));
memset ((char *) scalar, 0, sizeof (scalar));
memset ((char *) j_scale, 0, sizeof (j_scale));
memset ((char *) scfsi, 0, sizeof (scfsi));
memset ((char *) smr, 0, sizeof (smr));
memset ((char *) lgmin, 0, sizeof (lgmin));
memset ((char *) max_sc, 0, sizeof (max_sc));
//memset ((char *) snr32, 0, sizeof (snr32));
memset ((char *) sam, 0, sizeof (sam));
global_init ();//初始化
header.extension = 0;
frame.header = &header;
frame.tab_num = -1; /* no table loaded */
frame.alloc = NULL;
header.version = MPEG_AUDIO_ID; /* Default: MPEG-1 */
total_time = 0;
time(&start_time);
programName = argv[0];
if (argc == 1) /* no command-line args */
short_usage ();
else
parse_args (argc, argv, &frame, &model, &num_samples, original_file_name,
encoded_file_name);
print_config (&frame, &model, original_file_name, encoded_file_name);
//输出配置信息等内容
/* this will load the alloc tables and do some other stuff */
hdr_to_frps (&frame);
nch = frame.nch;
error_protection = header.error_protection;
//从数据流获取音频
while (get_audio (musicin, buffer, num_samples, nch, &header) > 0) {
if (glopts.verbosity > 1)
if (++frameNum % 10 == 0)
fprintf (stderr, "[%4u]\r", frameNum);
fflush (stderr);
win_buf[0] = &buffer[0][0];
win_buf[1] = &buffer[1][0];
adb = available_bits (&header, &glopts);//比特分配计算
lg_frame = adb / 8;
if (header.dab_extension) {
/* in 24 kHz we always have 4 bytes */
if (header.sampling_frequency == 1)
header.dab_extension = 4;
/* You must have one frame in memory if you are in DAB mode */
/* in conformity of the norme ETS 300 401 http://www.etsi.org */
/* see bitstream.c */
if (frameNum == 1)
minimum = lg_frame + MINIMUM;
adb -= header.dab_extension * 8 + header.dab_length * 8 + 16;
}
{
int gr, bl, ch;
/* New polyphase filter
Combines windowing and filtering. Ricardo Feb'03 */
for( gr = 0; gr < 3; gr++ )
for ( bl = 0; bl < 12; bl++ )
for ( ch = 0; ch < nch; ch++ )
WindowFilterSubband( &buffer[ch][gr * 12 * 32 + 32 * bl], ch,
&(*sb_sample)[ch][gr][bl][0] );
}
…………
输出音频的采样率和目标码率
void print_config (frame_info * frame, int *psy, char *inPath,
char *outPath)
{
frame_header *header = frame->header;
if (glopts.verbosity == 0)
return;
fprintf (stderr, "--------------------------------------------\n");
fprintf (stderr, "Input File : '%s' %.1f kHz\n",
(strcmp (inPath, "-") ? inPath : "stdin"),
s_freq[header->version][header->sampling_frequency]);
fprintf (stderr, "Output File: '%s'\n",
(strcmp (outPath, "-") ? outPath : "stdout"));
fprintf (stderr, "%d kbps ", bitrate[header->version][header->bitrate_index]);
fprintf (stderr, "%s ", version_names[header->version]);
if (header->mode != MPG_MD_JOINT_STEREO)
fprintf (stderr, "Layer II %s Psycho model=%d (Mode_Extension=%d)\n",
mode_names[header->mode], *psy, header->mode_ext);
else
fprintf (stderr, "Layer II %s Psy model %d \n", mode_names[header->mode],
*psy);
fprintf (stderr, "[De-emph:%s\tCopyright:%s\tOriginal:%s\tCRC:%s]\n",
((header->emphasis) ? "On" : "Off"),
((header->copyright) ? "Yes" : "No"),
((header->original) ? "Yes" : "No"),
((header->error_protection) ? "On" : "Off"));
fprintf (stderr, "[Padding:%s\tByte-swap:%s\tChanswap:%s\tDAB:%s]\n",
((glopts.usepadbit) ? "Normal" : "Off"),
((glopts.byteswap) ? "On" : "Off"),
((glopts.channelswap) ? "On" : "Off"),
((glopts.dab) ? "On" : "Off"));
if (glopts.vbr == TRUE)
fprintf (stderr, "VBR Enabled. Using MNR boost of %f\n", glopts.vbrlevel);
fprintf(stderr,"ATH adjustment %f\n",glopts.athlevel);
fprintf (stderr, "--------------------------------------------\n");
}
…………
int gr;
FILE *out_txt=NULL;
unsigned char *outTXT=NULL;
out_txt=fopen("output.txt","w");
………………
fprintf(out_txt, "该音频声道数:%d\n", nch);
fprintf(out_txt, "观测第 %d 帧\n", frameNum);
fprintf(out_txt, "本帧比特预算:%d bits\n", adb);
fprintf(out_txt, "该帧比例因子和比特分配表如下:\n");
for (ch = 0; ch < nch; ch++) //逐声道输出
{
fprintf(out_txt, "--- 声道%2d ----\n", ch + 1);
for (sb = 0; sb < frame.sblimit; sb++) //各子带
{
fprintf(out_txt, "子带[%2d]比例因子:\t", sb + 1);
for (gr = 0; gr < 3; gr++)
{
fprintf(out_txt, "%2d\t", scalar[ch][gr][sb]);
}
fprintf(out_txt, "\n");
fprintf(out_txt, "子带[%2d]比特分配表:\t%2d\n", sb + 1, bit_alloc[ch][sb]);
fprintf(out_txt, "\n");
}
}
free(outTXT);
fclose(out_txt);
……
选取噪声文件noise.wav,音乐文件music.wav和混合文件noise+music.wav,依次输出上述三个文件某数据帧所分配的比特数、该帧的比例因子以及该帧的比特分配结果,如下图。
music
noise
noise+music
- 对于噪音和含有噪声的音乐来说,各个子带所被分配到的比特数分布比较均匀,说明这种信号分布较为均匀。
- 对于音乐来说,在高频部分所被分配的比特数较少,主要是因为人类发声的语音范围有限。