http://blog.csdn.net/xiahouzuoxin/article/details/7849249
目录
一、MP3文件格式解析....2
1、MP3文件及MPEG概述...2
二、MP3编码原理....4
1、MP3编码流程...4
2、子带滤波器排——编码流程图中编号为1......5
3、改良后的DCT（MDCT）——编码流程图中编号为2......7
4、声音心理学模型——编码流程图中编号为3......8
5、位元分配、量化和Huffman编码——4......12
三、SHINE程序分析....13
1、文件数据结构...13
2、编码前化工作...14
3、MP3编码...14
4、后处理...17
注：下面的资料参考网上论文整理而来
一、MP3文件格式解析
1、MP3文件及MPEG概述
MP3文件是由帧(frame)构成的，帧是MP3 文件最小的组成单位。MP3 的全称应为MPEG1 Layer-3 音频文件。
MPEG(MovingPicture Experts Group)，MPGE音频层指MPGE文件中的声音部分，根据编码质量和复杂程度分为3层，即Layer-1、Layer2、Layer3，对应MP1、MP2、MP3三种格式文件。
2、MP3文件结构
MP3文件分为TAG_V2(ID3V2)，Frame, TAG_V1(ID3V1)共3部分。
（1）Frame格式
帧头为4个字节，其结构如下
typedef FrameHeader{
unsigned intsync:11; //同步信息
unsigned intversion:2; //版本
unsigned intlayer:2; //层
unsigned intprotection:1; // CRC校验
unsigned intbitrate:4; //位率
unsigned intfrequency:2; //采样频率
unsigned intpadding:1; //帧长调节
unsigned intprivate:1; //保留字
unsigned intmode:2; //声道模式
unsigned int mode extension:2; //扩充模式
unsigned intcopyright:1; // 版权
unsigned intoriginal:1; //原版标志
unsigned intemphasis:2; //强调模式
}HEADER, *LPHEADER;
无论帧多长，每帧播放时间为26ms。MAIN_DATA长度为
Length(MAIN_DATA)=((version==MPEG1)?144:72)* bitrate / frequency +padding;数据长度
MP3帧长取决于位率和频率，计算公式为
(144*64000)/44100+1=210
|
名称
|
位长
|
说
明
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 同步信息 | 11 | 第1、2字节 | 所有位均为1，第1字节恒为FF。 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 版本 | 2 | 00-MPEG 2.5 01-未定义 10-MPEG 2 11-MPEG 1 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 层 | 2 | 00-未定义 01-Layer 3 10-Layer 2 11-Layer 1 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| CRC校验 | 1 | 0-校验 1-不校验 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 位率 | 4 | 第3字节 |
取样率，单位是kbps，例如采用MPEG-1 Layer 3，64kbps是，值为0101
。
V1 - MPEG 1 V2 - MPEG 2 and MPEG 2.5 L1 - Layer 1 L2 - Layer 2 L3 - Layer 3 "free" 表示位率可变 "bad" 表示不允许值 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 采样频率 | 2 |
采样频率，对于
MPEG-1
：
00-44.1kHz 01-48kHz 10-32kHz 11-
未定义
对于
MPEG-2
：
00-22.05kHz 01-24kHz 10-16kHz 11-
未定义
对于
MPEG-2.5
：
00-11.025kHz 01-12kHz 10-8kHz 11-
未定义
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 帧长调节 | 1 | 用来调整文件头长度，0-无需调整，1-调整，具体调整计算方法见下文。 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 保留字 | 1 | 没有使用。 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 声道模式 | 2 | 第4字节 | 表示声道， 00-立体声Stereo 01-Joint Stereo 10-双声道 11-单声道 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 扩充模式 | 2 |
当声道模式为
01
是才使用。
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 版权 | 1 | 文件是否合法，0-不合法 1-合法 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 原版标志 | 1 | 是否原版， 0-非原版 1-原版 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 强调方式 | 2 |
用于声音经降噪压缩后再补偿的分类，很少用到，今后也可能不会用。
00-
未定义
01-50/15ms 10-
保留
11-CCITT J.17
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
（2）ID3V1格式
ID3V1存放在MP3文件结尾，共128Bytes，各项信息都顺序存放，不足部分使用’\0’补足，可使用UltraEdit打开查看。
typedef struct tagID3V1
{
char Header[3];/*标签头必须是"TAG"否则认为没有标签*/
char Title[30]; /*标题*/
char Artist[30]; /*作者*/
char Album[30]; /*专集*/
char Year[4]; /*出品年代*/
char Comment[28]; /*备注*/
char reserve; /*保留*/
char track;; /*音轨*/
char Genre; /*类型*/
}ID3V1,*pID3V1;
（3）ID3V2格式
ID3V2存放在MP3文件的首部，由1个标签头和若干标签帧组成。
标签头为10个字节，
char Header[3]; /*必须为"ID3"否则认为标签不存在*/
char Ver; /*版本号ID3V2.3 就记录3*/
char Revision; /*副版本号此版本记录为0*/
char Flag; /*存放标志的字节，这个版本只定义了三位，稍后详细解说*/
char Size[4]; /*标签大小，包括标签头的10 个字节和所有的标签帧的大小*/
每个标签帧都有一个10个字节的帧头和至少一个字节的不固定长度的内容组成为，帧头的定义如下：
char FrameID[4]; /*用四个字符标识一个帧，说明其内容，稍后有常用的标识对照表*/
char Size[4]; /*帧内容的大小，不包括帧头，不得小于1*/
char Flags[2]; /*存放标志，只定义了6 位，稍后详细解说*/
二、MP3编码原理
1、MP3编码流程
MP3编码流程图
信号描述
（1）MP3编码输入信号：PCM（Pulse Code modulation脉冲编码调制）声音信号，有些.wav格式的音频文件为PCM信号。
（2）MP3编码输出信号：MP3格式码流
MP3属于有损失的格式，牺牲音乐文件的质量以换取较小的文件体积； WAV是无损的格式，标准格式化的WAV文件和CD格式一样，是44.1K的取样频率，16位量化数字，因此在声音文件质量和CD相当。 MP3是利用一种音频压缩技术，由于这种压缩方式的全称叫MPEG Audio Layer3，所以人们把它简称为MP3。因为人耳只能听到一定频段内的声音，而其他更高或更低频率的声音对人耳是没有用处的，所以MP3技术就把这部分声音去掉了，从而使得文件体积大为缩小，但在人耳听起来， 却并没有什么失真。MP3可以将声音用1∶10甚至1∶12的压缩率进行压缩.
wav文件头格式
wav数据块
WAV格式文件所占容量= (取样频率X量化位数X 声道)X 时间/ 8 (字节= 8bit)。
14H~15H的2个字节值为1时表示数据是PCM编码格式，可以作为MP3编码器的输入。
2、子带滤波器排——编码流程图中编号为1
子带滤波器及MDCT处理
子带滤波过程
为多重相位滤波器，将PCM信号输入后，滤波器系统看做线性系统，则有
再将用32点进行下采样，得子带滤波器输出结果为
ISO-M标准给出了如下图所示的实现方法，我们的程序将按照该实现方法编写。
ISO-M给出的滤波器组的实现
将上图整个流程综合用表达式表示为
其中
为分析矩阵的系数。是窗函数的系数，共512个点，其值在ISO11172-3标准的 ANNEX_C.DOC文档中给出了，为子带序列号，范围为0~31，为第i个子带的样点，且t是取样间隔的整数倍。
3、改良后的DCT（MDCT）——编码流程图中编号为2
DCT变换的目的：进一步提高频谱解析度，将每一个子频带细分为18个次频带。
在正式DCT运算前，需要对子带信号进行加窗处理，有如下4中窗框，长窗框（Normal Window）、长短窗框（Start Window）、短窗框（Short Window）与短长窗框（Stop Window）。
长窗框具有高的频谱解析度，短窗框的时间解析度比较高。
然后进行DCT变换，变换表达式 如下，
为DCT变换前加窗处理后的结果，如果加短窗框，则DCT运算中的，若加长框，则DCT运算中的。
在提高频域解析度的同时，加长框后会有假象（混叠现象）产生，因为不同子带之间存在混叠的信号，加长框会对混叠的信号当做该子带内正常信号处理，一种避免的办法是减弱混叠信号的强度。
噢，现在我们是知道了，所谓改良的DCT只不过是，（1）DCT变换前加窗处理（2）DCT变换（3）长框假象的处理 这3个过程。
到这里，还有一个问题，那就是窗框的选择问题，该如何选择窗框？窄的窗框具有好的时间分辨率，宽的窗框具有好的频率分辨率。我们回到编码流程图，
请注意图中的标号3，3表示声音心理学模型，窗框的宽窄选择与声音心里学模型相关，下面来分析该模型。
4、声音心理学模型——编码流程图中编号为3
研究声音心理学模型用途有：
（1）研究模型的PE值决定做MDCT变换时使用长窗框还是短窗框
（2）研究模型的SMR值决定量化编码时的比特数分配
现在不明白以上2条用途没关系，我们先来分析几个重要的概念。
（1）SPL(Sound Pressure Level)，表示声音强度的名词，SPL是评价听觉刺激强度的标准，也就是说，我们对外界声音的感觉强度完全由它决定，其单位为dB。
（2）静音门槛曲线
横轴为f(HZ)，纵轴为SPL(dB)，若声音强度（SPL）低于该曲线的值表示人听不到声音，如下图所示。从图中可以得出几条结论：
第一，人的听觉频率范围大约在10Hz~20KHz之间
第二，大约在3KHz到4KHz时SPL有最小值，也就是所人在该频率范围内的听觉最敏锐
（3）临界频带（Critical Bands）
因为人耳对不同频率的敏感程度不同，MPEG1/Audio将22KHz范围内可感知的频率范围划分为23~26个临界频带，如下图。
从表中能得出几条结论：
第一，当当中心频率值在500Hz以内时，不同临界频带的带宽()几乎相同，约100Hz
当中心频率值大于500Hz后，随着f值得上升，临界频带的带宽剧增
第二，从表中也可以看出，人耳对低频的解析度要比高频更好
（4）频域上的遮蔽效应
SPL较大的信号容易掩盖频率相近的SPL较小的信号，叫声音的遮蔽效应。就比如在机场很难听到打电话的声音。
如上图所示，Masking Threshold（掩蔽阈值）将大约在0.7KHZ0.7kHz，1.6kHz和2.3kHz的信号遮蔽了，当然0.7kHz信号的SPL在静音门槛曲线之下，不被遮蔽也是听不到的。
在这里，涉及3个重要的量——SMR、SNR和MNR。
SMR(signal-to-maskratio)：指在一个临界频带内，从masker到遮噪门槛值的距离。
SNR(signal-to-noiseratio)：指信号经过m位元量化后的信噪比，等于量化前信号方差和量化噪声的方差之比，。
MNR(mask-to-noise)：用来测量人耳可以感知的失真参数，
如下图所示，展示了3者之间的关系，其中的灰色区域Critial Band指临界频带，Masking Threshold就是遮噪门槛曲线，图中的SMR指在临界频带内最大的SMR值。
遮噪门槛曲线和SMR、SNR、NMR
critial band是临界带，neighboring band是相邻的条带
值得注意的是，（1）我们上面讨论的SMR、SNR和NMR三者都是基于临界频带的，但遮蔽效应不仅对临界频带有影响，对临近的临界频带也有影响，称为遮噪延展性（2）上图所显示的是一个临界频带内的一条遮噪曲线，实际情况存在多条遮噪曲线，结果是这些曲线的叠加。
（5）时域上的遮噪曲线
simultaneous masking是同时掩蔽
从上图可以看出，在一段很短的时间内（200ms左右），若出现了两个声音，不管出现的先后顺序，SPL大的声音(masker)会遮蔽SPL小的声音(maskee)。
若maskee出现在前，则遮噪曲线如上图的Pre-Masking；若maskee出现在后，则遮噪曲线如上图中的Post-Masking。由图中很容易看出，Post-Masking要比Pre-Masking在时间轴上要长很多。Pre-Masking能遮蔽前回音，这是选择MDCT窗口的一个依据。
（6）感知熵Perceptual Entropy（PE）
最重要的一点，PE能显示特定信号在理论上的压缩极限。PE的单位是bits/sample，代表每个取样在维持CD音质的情况下，能够压缩到的最低位元数。
重新回到本小节一开始就提到的声音心里学模型的用途，重新列一下：
（1）研究模型的PE值决定做MDCT变换时使用长窗框还是短窗框
（2）研究模型的SMR值决定量化编码时的比特数分配
对于第一条，MP3中定义，当PE>1800时，使用短窗框的MDCT来处理该grannul（MP3每个数据帧包含2个grannul，每个grannul包含18*32个subband采样）的子频带信号。因为当PE>1800表示这段音讯变化比较大，可能产生回音，不适合使用长框。
对于第二条，下面的位元分配将给出解释。
5、位元分配、量化和Huffman编码——4
（1）位元分配
位元分配目的是使每个频带的MNR达到最大，使音质最佳。过程为：寻找最小的MNR频带，分配位元给该频带以提高MNR，接着重新计算各频带的MNR。重复上述过程，直到位元分配结束。
[a]可编码位元数计算方法，1152指每个编码框的取样个数，
比如，以单声道为例，比特率为128kbps，采样频率为44.1kHz，则每个编码框可编码的位元数为3344。但考虑到挡头的32位，附属资料的136位和可选择的16位CRC，所以最终可用的位元数为3344-32-136-16=3160，实际编码最小单位为grannul，所以每个grannul可用位元数为3160/2=1580。
[b]MNR计算方法，在前面心理学模型中已经提到，
其中SMR由声音心理学模型提供，SNR信噪比则是由量化确定的。
（2）非均匀量化
上式为MP3量化的公式，其中为MDCT输出并调整后的值，为量化后的整数值，0.75是为了使量化器提供一致的SNR值，表示四舍五入。
下图为量化器的输入输出曲线，量化器的输入为浮点值频率，输出为整形值的频率。
由图知，量化器将输入的浮点值量化后变为整型值，且量化过程为非线性非均匀的。
频谱量化器的输入输出
三、SHINE程序分析
SHINE是一个C语言编写的MP编码程序，总共由11个源文件构成。将源文件添加到VC新建的控制台应用程序中即可运行，但运行时得使用命令行方式。
1、文件数据结构
在types.h中定义了一个config_t的结构体类型，并用它初始化了一个全局变量config，该变量作用相当于面向对象语言中的“对象”，用于在整个编码流程中对编码数据和参数进行保存和管理。
定义了一个用于存储PCM脉冲格式文件信息的结构体类型wave_t，并且用wave_t在config_t中定义了wave变量，该变量保存了MP3编码的源的信息，作为MP3编码器的输入。
定义了一个用于存储MP3编码后信息的结构体类型mpeg_t，同样用mpeg_t在config_t中定义了mpeg变量，该变量存储的信息作为编码后的MP3参数信息输出。
typedefstruct {
time_t start_time; /*记录编码起始时间*/
char* infile; /*编码输入文件*/
wave_t wave; /*PCM文件头信息*/
char* outfile; /*编码输出码流文件*/
mpeg_t mpeg; /*MP3文件头信息*/
} config_t;
以上的结构体主要用于保存“头”信息，编码输出后的字节流实体信息保存在bs结构体（bitstream.h文件中定义）中，bs结构体定义为
staticstruct
{
FILE *f; /* bitstream output file handle */
unsigned int i; /*file buffer index */
unsigned char *b; /* buffer pointer */
} bs;
结构体中的文件指针与指向同一个输出文件，b指向编码后的码流，编码结束后写入文件中。
2、编码前化工作
包括初始化config.mpeg结构体变量的默认值，打开wave类型文件（SHINE程序中此时只读取了文件头信息，没读取实体信息），根据读取的信息对mpeg输出信息进行配置。
3、MP3编码
MP3编码主要由3步组成，分析子频带滤波器组，MDCT变换到频域，位元分配与量化。每次的操作对象为输入PCM的一帧。
MP3编码核心调用
/* polyphase filtering */
| 多相滤波 |
for(gr=0; gr<config.mpeg.granules; gr++)
for(ch=0; ch<config.mpeg.channels; ch++)
for(i=0;i<18;i++)
L3_window_filter_subband(&buffer[ch],&l3_sb_sample[ch][gr+1][i][0] ,ch);
/* applymdct to the polyphase output */
L3_mdct_sub(l3_sb_sample, mdct_freq);
/* bit andnoise allocation */
L3_iteration_loop(mdct_freq, &side_info, l3_enc,mean_bits);
/* writethe frame to the bitstream */
L3_format_bitstream(l3_enc, &side_info);
（1）子频带滤波器
下图是ISO11172-3标准给出的Analysis subband filter flow chart(分析子带过滤流程图)。其步骤为
【a】输入32个音频samples
【b】建立一个数组x[n], for n=0~511用于保存输入的采样值。将x[n]看做一个最多能容纳512个元素的队列，x[511]为队首，x[0]为队尾， 每次接收新的samples前将队首32个元素移出，将samples放入队尾。
【c】加窗滤波器处理，窗函数系数为C[i],i=0~512，通过实现窗函数滤波器
【d】计算64个Yi值，表达式如流程图中所示
【e】计算32个子带滤波器采样值Si，这里使用到矩阵M[i][k]，
M[i][k] = cos [(2i + 1)(k - 16)p/64] ,
for i = 0 to 31, and k = 0 to 63.
实际计算时可以将非线性的运算用查Table的方法以减小运算的复杂度。
当然，在SHINE程序中，作者对M[i][k]×Y[k]的运算做了简化，主要从两方面：
第一，cos函数在k=16和k=48处的对称性；第二，从各滤波器的相关性考虑，即cos(2i+1)的对称性考虑。
（2）MDCT实现
DCT（离散余弦变换）的原始表达式为
DCT可以通过蝶形运算提高运算效率，具体内容可参考数字信号处理教材的内容。
DCT运算的蝶形图
MDCT的表达式为
MDCT快速算法蝶形图
计算一样可以通过蝶形图运算来提高效率，蝶形运算中最重要的是系数值，使用短窗框的MDCT运算点数为12，长窗框则为36。
ISO 11172-3的ANNEX_AB.DOC文档中Table 3-B.9给出了蝶形运算的系数如下
Table 3-B.9 Layer III coefficients for aliasingreduction:
(i) ci
------------------------------------
0 -0.6
1 -0.535
2 -0.33
3 -0.185
4 -0.095
5 -0.041
6 -0.0142
7 -0.0037
蝶形系数csi和cai通过下面2个式子计算
带假象处理的MDCT/IMDCT编解码图
32个频带每个频带的蝶形运算都需要8次，SHINE中蝶形运算的程序如下
for(band=31; band--; )
for(k=8;k--; )
{
/* must left justifyresult of multiplication here because the centre
* two values in eachblock are not touched.
*/
bu = muls(mdct_enc[band][17-k],cs[k])+ muls(mdct_enc[band+1][k],ca[k]);
bd =muls(mdct_enc[band+1][k],cs[k]) - muls(mdct_enc[band][17-k],ca[k]);
mdct_enc[band][17-k] = bu;
mdct_enc[band+1][k] = bd;
}
（3）Huffman编码与位元分配
在经过声音心理模型和分析滤波器排之后提供信息之后，就可以对Audio进行位元分配和量化编码了。SHINE程序在该部分做了很多工作，位元分配和量化编码通过3个回圈实现：[a]Iteration Loop [b]Outer Loop [c]Inner Loop。且[a]包含[b]，[b]包含[c]。
[c]主要完成量化工作，[b]计算量化后失真大小以决定是否需要重新量化，[a]计算剩余位元数并放在储存处。
|
|
位元分配与量化是整个编码过程中计算量最大的部分，是整个编码过程的核心。
【1】外部回圈分析
根据下面的公式计算失真度大小
对于量化误差大于人耳所能能最大可容忍失真的情况，则需将最大的可容忍失真度放大并且将每个未量化前的频带xr[i]放大。
【2】内部回圈分析
首先，根据下面公式进行量化
若出现溢位或者位元数不够分配的情况，则按+1逐渐增大stepsize，直到前述情况不存在。
接着，计算编码所需位元数，通过位元数选择Huffman码表。
4、后处理
将结果写入比特流中，关闭PCM文件和码流存储文件。计算整个编码过程算法运行时间end_time -=config.start_time。
扫一扫
257
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
