MPEG音频编码实验

 

 

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：

1. 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。
2. 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。