数据压缩实验——MPEG音频编码实验

目录

实验原理

MPEG-1 Audio LayerII编码器原理

基本思想

两条线

时-频分析的矛盾

心理声学模型

MPEG-1音频编码器框架图

MPEG-1声音的主要性能

多相滤波器组

心理声学模型

比特分配器

装帧

 

实验要求

程序分析

调试及实验结果 

输出音频的采样率和目标码率

输出某个数据帧所分配的比特数，比例因子，比特分配结果

结果分析 

 

---

实验原理

MPEG-1 Audio LayerII编码器原理

基本思想

分析信号，去掉不能被感知的部分

两条线

从流程图来看，MPEG音频编码分为清晰的上下两条线。上面一条线是一个标准的子带编码系统的流程，下面一条线的本质是为了帮助计算线性量化器的量化比特数，实现线性量化器这一块的优化，其中，下面一条线最为关键的部分是心理声学模型，它对去除冗余信息起到了极大的作用，其复杂度取决于所需要的压缩因子。

时-频分析的矛盾

第一条线中， 信号需要具有高的时间分辨率， 确保在短暂冲击信号情况下，编码的声音信号具有 足够高的质量。

第二条线中，又要使信号通过 FFT 运算具有高的频率分辨率， 因为掩蔽阈值是从功率谱密度推出来的。

但是FFT变换是无法同时保证时域和频域的精细度，增加时域的分辨力，频域的分辨力就会下降，反之亦然。

心理声学模型

• 生理（Physiological）感知极限（传感极限）
• 心理（Psychological）感知极限（信号处理极限）

➢ 听觉系统中存在一个听觉阈值电平，低于这个电平的声音 信号就听不到

◼ 听觉阈值的大小随声音频率的改变而改变。

◼ 一个人是否听到声音取决于声音的频率，以及声音的幅 度是否高于这种频率下的听觉阈值

➢ 听觉掩蔽特性。即听觉阈值电平是自适应的，会随听到的 不同频率声音而发生变化

 

听觉阈值

 频域掩蔽

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 于这一频带内的噪声功率，这个带宽为临界频带宽度。

通常认为从 20Hz 到 16kHz 有 25 个临界频带，单位为 bark ， 1 Bark = 一个临界频带的宽度

人耳听觉系统

人类听觉系统大致等效于一个信号通过一组并联的不同中心 频率的带通滤波器

➢ 中心频率与信号频率相同的滤波器具有最大响应；中心频率偏离信号 频率较多的滤波器不会产生响应。

➢ 在 0Hz 到 20KHz 频率范围内由 25 个重叠的带通滤波器组成的滤波器组 。

➢ 听音者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，纯音信号通过该滤波器，而噪声信号只有通带范 围内的部分信号能通过，通带以外的频率成分则被抑制，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。

掩蔽效果的加和

Lutfi 对多个掩蔽音同时存在时的综合掩蔽效果进行了研究： 每个掩蔽音的掩蔽效果先独立变换然后再线性相加。

 

MPEG-1音频编码器框架图

MPEG-1声音的主要性能

· 输入为 PCM 信号，采样率为 32 ， 44.1 或 48kHz ，输出为 32kbps 到 384kbps 。

· 三个独立的压缩层次

Layer1 ：编码器最简单， 384kbps （ 4 ： 1， 用于小型数字盒带 DCC ， Compact Cassette ）

Layer2 ：编码器复杂程度中等， 256kbps ～ 192kbps （ 6： 1 ～ 8 ： 1 ， 用于 DAB 、 CD-I 和 VCD ）

Layer3 ：编码器最为复杂， 64kbps ，用于 ISDN ，网络 音频。

多相滤波器组

将 PCM 样本变换到 32 个子带的频域信号

多相滤波器缺点 ：

◼ 等带宽的滤波器组与人类听觉系统的临界频带 不对应

    在低频区域，单个子带会覆盖多个临界频带。在这 种情况下，量化比特数不能兼每个临界频带

◼ 滤波器组与其逆过程 不是 无失真的

    但滤波器组引入的误差差很小，且听不到

◼ 子带间频率有混叠

    滤波后的相邻子带有频率混叠现象，一个子带中的 信号可以影响相邻子带的输出

 

心理声学模型

MPEG-I 标准定义了两个模型

◼ 心理声学模型 1:

 计算复杂度低

 但对假设用户听不到的部分压缩太严重

◼ 心理声学模型 2 :

 提供了适合 Layer III 编码的更多特征

◼ 实际实现的模型复杂度取决所需要的压缩 因子

 

心理声学模型1

1、将样本变换到频域（Layer I：每帧384个样本点，512个样本点足够覆盖；Layer II 和Layer III：每帧1152个样本点，每帧两次计算，模型1选择两个信号掩蔽比（SMR）中较小的一个）

2 、确定声压级别

3 、考虑安静时阈值

4 、将音频信号分解成“乐音 (tones)” 和“非乐音 / 噪声” 部分：因为两种信号的掩蔽能力不同

5 、音调和非音调掩蔽成分的消除

6 、单个掩蔽阈值的计算

7 、全局掩蔽阈值的计算

8 、每个子带的掩蔽阈值（ 选择出本子带中最小的阈值作为子带阈值）

9 、计算每个子带信号掩蔽比 (signal-to-mask ratio, SMR) 并将 SMR 传递给编码单元

 SMR = 信号能量 / 掩蔽阈值 

比特分配器

根据心理声学模 型的计算结果，为每个子带信号分配比特数

在调整到固定的码率之前

➢ 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 以及辅助数据所需比特数

比特分配的过程

对每个子带计算掩蔽 - 噪声比 MNR ，是信噪比 SNR– 信掩比 SMR ，即： MNR = SNR–SMR     

NMR=SMR-SNR

➢ 使整个一帧和每个子带的总噪声 - 掩蔽比最 小。这是一个循环过程，每一次循环使获益 最大的子带的量化级别增加一级，当然所用 比特数不能超过一帧所能提供的最大数目

➢ 第 1 层一帧用 4 比特给每个子带的比特分配信 息编码；而第 2 层只在低频段用 4 比特，高频 段则用 2 比特

子带样值的量化和编码

输入以 12 个样本为一组，每组样本经过时间 - 频率变换 之后进行一次比特分配并记录一个比例因子 (scale factor)

比特分配信息告诉解码器每个样本由几位表示，比例 因子用 6 比特表示，解码器使用这个 6 比特的比例因子 乘逆量化器的每个输出样本值，以恢复被量化的子带 值。比例因子的作用是充分利用量化器的量化范围， 通过比特分配和比例因子相配合，可以表示态范围 超过 120dB 的样本 。

装帧

产生 MPEG-I 兼容的 比特流

实验要求

◼ 输出音频的采样率和目标码率

◼ 选择三个不同特性的音频文件

 噪声（持续噪声、突发噪声）； 音乐 ； 混合

◼ 某个数据帧，输出

 该帧所分配的比特数

    该帧的比例因子

 该帧的比特分配结果

程序分析

main函数

int main (int argc, char **argv)
{
  ...
  /***初始化及分配内存***/
  static unsigned int bit_alloc[2][SBLIMIT], scfsi[2][SBLIMIT];//存放每个声道32个子带的比特分配数
  static unsigned int scalar[2][3][SBLIMIT], j_scale[3][SBLIMIT]; //存放2声道3个组每组12个样值的32个子带的比例因子
  ...
  int sb, ch, adb;       //adb用于存放数据帧分配的比特数
  ...
  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);            //分析输入参数
  print_config (&frame, &model, original_file_name, encoded_file_name);   //输出配置信息

  /* this will load the alloc tables and do some other stuff */
  hdr_to_frps (&frame);
  nch = frame.nch;
  error_protection = header.error_protection;


  //get_audio()读取3*32*12=1152个音频样值，while循环获取每一帧信息
  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);        //得到分配的比特数
    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] );  //多项滤波器组
    }

#ifdef REFERENCECODE
    {
      ...
    }
#endif

#ifdef NEWENCODE
    ...
#else
    scale_factor_calc (*sb_sample, scalar, nch, frame.sblimit);   //计算比例因子
    pick_scale (scalar, &frame, max_sc);
    if (frame.actual_mode == MPG_MD_JOINT_STEREO) {
      /* this way we calculate more mono than we need */
      /* but it is cheap */
      combine_LR (*sb_sample, *j_sample, frame.sblimit);
      scale_factor_calc (j_sample, &j_scale, 1, frame.sblimit);
    }
#endif

    if ((glopts.quickmode == TRUE) && (++psycount % glopts.quickcount != 0)) {
      /* We're using quick mode, so we're only calculating the model every
         'quickcount' frames. Otherwise, just copy the old ones across */
      for (ch = 0; ch < nch; ch++) {
	for (sb = 0; sb < SBLIMIT; sb++)
	  smr[ch][sb] = smrdef[ch][sb];
      }
    } else {
      /* calculate the psymodel 根据心理声学模型计算SMR*/
      switch (model) {
      case -1:
	psycho_n1 (smr, nch);   //计算SMR
	break;
      case 0:	/* Psy Model A */
	psycho_0 (smr, nch, scalar, (FLOAT) s_freq[header.version][header.sampling_frequency] * 1000);	
	break;
      ...

      default:
	fprintf (stderr, "Invalid psy model specification: %i\n", model);
	exit (0);
      }
      if (glopts.quickmode == TRUE)
	/* copy the smr values and reuse them later */
	for (ch = 0; ch < nch; ch++) {
	  for (sb = 0; sb < SBLIMIT; sb++)
	    smrdef[ch][sb] = smr[ch][sb];
	}
      if (glopts.verbosity > 4) 
	smr_dump(smr, nch);
    }

#ifdef NEWENCODE
    ...
#else
    transmission_pattern (scalar, scfsi, &frame);
    main_bit_allocation (smr, scfsi, bit_alloc, &adb, &frame, &glopts);//进行比特分配
    if (error_protection)
      CRC_calc (&frame, bit_alloc, scfsi, &crc);
    encode_info (&frame, &bs);
    if (error_protection)
      encode_CRC (crc, &bs);
    encode_bit_alloc (bit_alloc, &frame, &bs);                        //对比特分配信息进行编码
    encode_scale (bit_alloc, scfsi, scalar, &frame, &bs);             //对比例因子进行编码
    subband_quantization (scalar, *sb_sample, j_scale, *j_sample, bit_alloc,
			  *subband, &frame);                          //量化子带
    sample_encoding (*subband, bit_alloc, &frame, &bs);               //进行编码
#endif
  ...  
  exit (0);
}

调试及实验结果 

输出音频的采样率和目标码率

print_config() 

void print_config(frame_info* frame, int* psy, char* inPath,
	char* outPath)               //可输出音频的采样率和目标码率
{
	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]);//输入文件路径和音频采样率
	fprintf(stderr, "Output File: '%s'\n",
		(strcmp(outPath, "-") ? outPath : "stdout"));//输出文件路径
	fprintf(stderr, "%d kbps ", bitrate[header->version][header->bitrate_index]);//目标码率
	fprintf(stderr, "%s ", version_names[header->version]);
	...
}

输出某个数据帧所分配的比特数，比例因子，比特分配结果

在main函数中添加代码

FILE* output = NULL;
output = fopen("output.txt", "wb");
......

if (frameNum == 100) {
        fprintf(output, "frameNum=%d\n", frameNum);
        fprintf(output, "available_bits=%d\n", adb);///输出该帧的可用比特数	
        fprintf(output, "\nscale_factors:\n");//输出该帧的比例因子
        for (int k = 0; k < nch; k++) {
            fprintf(output, "channel[%d]\n", k);
            for (int i = 0; i < frame.sblimit; i++) {
                fprintf(output, "subband[%d]:", i);
                for (int t = 0; t < 3; t++) {
                    fprintf(output, "%d\t", scalar[k][t][i]);
                }
                fprintf(output, "\n");
            }
        }
    }
transmission_pattern (scalar, scfsi, &frame);
main_bit_allocation (smr, scfsi, bit_alloc, &adb, &frame, &glopts);
if (frameNum == 100) {
        int k, i;
        fprintf(output, "\nbit_allocation:\n");///输出该帧的比特分配结果	
        for (k = 0; k < nch; k++) {
            fprintf(output, "channel[%d]\n", k);
            for (i = 0; i < frame.sblimit; i++) {
                fprintf(output, "subband[%d]:%d\n", i, bit_alloc[k][i]);
            }
        }
    }

得到output.txt

结果分析 

声音信号大部分频率分量都在相对低频的部分，运载最重要信息的低频部分的子带要用高质量编码，分配较多比特，高频部分的子带分配比特少，甚至不分配。