MPEG-1 Audio Layer II编码原理及编码器调试

MPEG-1 Audio Layer II编码原理及编码器调试

模拟音频信号数字化后通常具有极高的码率，例如对于取样频率为44.1 kHz的双声道CD数字音频而言，采用16 bit量化，无压缩码率可达1.41 Mbps，非常不利于存储和传输。因此，为了节省存储空间、提高传输效率，必须要对数字音频信号进行压缩编码。

一. 数字音频信号压缩的可能性

无压缩的数字音频信号中主要存在两方面的冗余信息：

一是声音信号中本身存在的冗余：信号幅度分布是非均匀的（小幅度的样值比大幅度样值出现的概率高），且样本之间存在相关性（时域冗余）；

二是根据人耳的听觉特性，可不对与听觉无关的部分编码（具体内容见后）。

二. 人类听觉系统的感知特性

1. 等响度曲线

等响度曲线

图中每条曲线代表的（人耳感受的）响度相同，最下方一条曲线代表最小可听阈，其下方区域的声音人耳无法察觉，因此可以不编码。

2. 频域掩蔽效应

一个高强度纯音会使得该频率附近的最小可听阈曲线提升，掩蔽掉在其下的（原本能听到的）声音。这个纯音称为掩蔽声，掩蔽声存在时，音调音刚刚能被听到时的阈值称为掩蔽阈值。

频域掩蔽示意图

因此在编码时，可以去除掩蔽阈值以下的信号分量，并忽略可能会被掩蔽的量化噪声。

掩蔽曲线具有以下特点：

• 不对称，高频一端的斜率绝对值更小；
• 低频音易对高频音产生掩蔽；
• 掩蔽声强度越高、频率越高，掩蔽的频率范围越宽。

3. 临界频带（Critical Band）

临界频带具有两种等价的定义：

• 定义一：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的噪声功率，这个带宽为临界频带宽度；

• 定义二：如果增大掩蔽信号覆盖的频率范围，超过到某个值后掩蔽效应不再随着带宽的增大而增强，这个临界的带宽就称为临界频带。

其单位为Bark，代表一个临界频带的宽度。

通常认为，在20 Hz—16 kHz的范围内有25个临界频带（500 Hz以下每个临界频带的带宽大约是100 Hz，500 Hz以上的临界频带带宽逐渐增加）。

4. 人类听觉系统

人类听觉系统可以大致等效为在0 Hz—20 kHz范围内的25个重叠的带通滤波器组。

• 人耳在噪声中听某一纯音信号时，只启用中心频率与信号频率相同的那个听觉滤波器，且只有纯音信号和在通带范围内的部分信号可通过该滤波器。只有通过该滤波器的噪声才对掩蔽起作用；

• 聆听复音时启动多个听觉滤波器。听觉能够计算各滤波器输出端的信噪比。当信噪比达到或者超过听阈因子时，即可听到该频率成分。

  
  
  人耳听觉系统

5. 时域掩蔽效应

由于在时间上相邻的声音之间存在超前掩蔽（5—20 ms）和滞后掩蔽（50—200 ms），因此在编码时，可将时间上相继的一些样值归并成块，并计算每块内最大样值的比例因子。

三. MPEG-1音频压缩编码

MPEG-1中采用了感知音频编码，Layer II的编码器框图如下。

MPEG-1 Audio Layer II编码器框图

可以看到，编码器具有两条脉络：一是上方蓝色框内的子带编码部分，这也是编码的主线；二是下方的部分，是MPEG音频编码的亮点。

下面以Layer II为基准，简要说明编码器的组成和编码过程。

1. 多相滤波器

数字音频信号通过一个多相滤波器组，变换成32个等宽频带子带，使得信号具有较高的时间分辨率，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。

但需要说明的是，高时域分辨率和高频域分辨率是不可兼得的，我们需要做出权衡。

滤波器组的输出是临界频带经过量化的系数样值。若一个子带覆盖多个临界频带，则选择具有最小NMR的临界频带来计算分配给子带的比特数。

2. 心理声学模型

心理声学模型决定了各个子带中允许的最大量化噪声，小于它的量化噪声都会被掩蔽。若子带内的信号功率小于掩蔽阈值，则不进行编码；否则，确定要编码的系数所需的比特数，使量化引起的噪声低于掩蔽效应；

• 使用FFT将音频样值变换到频域。这里Layer II采用1024点FFT（Layer I中采用512点），提高了频率分辨率，可以得到更准确的频谱特性；

• 将得到的频率组成临界频带；

• 由于乐音和非乐音（噪声）信号的掩蔽能力不同，因此在临界频带的谱值中，将两种信号分离：可将局部峰值视为乐音，然后将本临界频带内的剩余频谱组成一个代表噪声频率（无调成份）；

  
  
  乐音和非乐音（噪声）的掩蔽能力不同

• 计算每个子带的全局掩蔽阈值（以频率为自变量）；

  
  
  全局掩蔽阈值的计算公式

• 计算每个子带的SMR（每8 ms计算一个）；

3. 量化编码

(1) 比特分配

比特分配：对每个子带计算**掩噪比MNR (dB) = 信噪比SNR - 信掩比SMR，然后找出其中具有最低MNR的子带，并给该子带多分配一些比特，然后重新计算MNR，继续分配，重复该步骤，直至没有比特可以分配。这样可以使得在满足比特率和掩蔽要求的前提下，使MNR最小**；

掩噪比MNR = 信噪比SNR - 信掩比SMR

(2) 计算比例因子

• 对各个子带每36个样点（Layer I为12个样点）进行一次比例因子的计算，先确定12个连续样值中的最大值，查Layer II、Layer I比例因子表中比这它大的最小值作为量化比例因子；
• 每12个样值计算出一个比例因子，Layer II中将每个子带分为3组，每组各有12个取样值，因此36个样值具有3个比例因子；
• 比例因子可以使得比较准确地计算出子带的声压级；
• 一般比例因子从低频子带到高频子带连续下降；

(3) 子带样值量化

将子带样值除以比例因子（结果为$X$），根据所分配的比特数查表得$A$、$B$，量化结果为$AX+B$。

(4) 颗粒形成

对量化级别在3、5、9级时，采用“颗粒” 优化。例如：

• 采用颗粒量化：3个样本 @ 3个量化水平 = 27种可能的值 → 5 bit
• 不采用颗粒量化：1个样本 @ 3个量化水平 = 2bit → 3个样本6 bit
• 经过大量实验，使用颗粒量化可将压缩比从4:1增加到6:1乃至8:1

4. 帧比特流形成

• 其中每个子带中前后相邻的连续36个样值（3组12个样值）共用在这个子带比特分配值，36个样值中的同一组样值共用该组的比例因子；
• 同一时刻的32个子带样值放在一起；
• Layer II每帧包含1152个PCM样值（为Layer I的三倍）；
• 若取样频率为48 kHz，一帧相当于1152 / 48k = 24 ms的声音样值，因此Layer II的精确度为24 ms（为Layer I的三倍，因而更精确）。

MPEG-1 Audio Layer II的帧结构

四. MPEG-1 Audio Layer II编码器调试

1. 编码流程

下面是编码器main()函数部分的代码，可以结合上面的编码步骤，并结合注释进行理解。

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、声道数、子带数等内容
	frame_header header;	// 包含采样频率等信息
	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];	// 存放双声道各个子带的比特分配表
	static unsigned int scfsi[2][SBLIMIT];
	static unsigned int scalar[2][3][SBLIMIT];	// 存放双声道3组12个样值的各个子带的比例因子
	static unsigned int j_scale[3][SBLIMIT];
	static double smr[2][SBLIMIT], lgmin[2][SBLIMIT], max_sc[2][SBLIMIT];
	// FLOAT snr32[32];
	short sam[2][1344];		/* was [1056]; */
	int model;
	int nch;	// 声道数
	int error_protection;
	static unsigned int crc;
	int sb, ch;
	int adb;	// 比特预算 (i.e., number of bits available)
	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