【wav音频解析】之wavread函数的C++实现
本文由三部分组成，第一部分背景介绍 —— 音频类型及本文动机，第二部分类比matlab下wavread()函数的作用，第三部分则给出该函数的C++实现。
一 背景介绍
1.1 本文动机
1）所有wav音频处理的基础就是将wav格式的文件解析出来，解析成数组才能供我们去做后续的处理（fft等等）。
2）在matlab中直接有一个很好用的函数wavread(' test.wav')，输入是wav音频，输出是数组，如第二章所述。
3）一般的C++函数读取出来的数据，格式如1.2节所述，然而不管是什么格式，数据之间是可互相转换的。
4) 我在解决问题的过程中，没有发现一篇详细的参考文献。
鉴于此，本文将介绍如何用C++完全实现matlab的wavread函数，输出数据格式一模一样，在这个过程中，大家也可以领略文件中数据的本质，及相互间的转换关系。
1.2 音频类型
RIFF全称为资源互换文件格式（ResourcesInterchange FileFormat），RIFF文件是windows环境下大部分多媒体文件遵循的一种文件结构,RIFF文件所包含的数据类型由该文件的扩展名来标识，能以RIFF文件存储的数据包括：音频视频交错格式数据（.AVI) 波形格式数据（.WAV) 位图格式数据（.RDI) MIDI格式数据（.RMI)调色板格式（.PAL)多媒体电影（.RMN)动画光标（.ANI)其它RIFF文件（.BND)。
Chunk是组成RIFF文件的基本单元，它的基本结构如下：
struct chunk{
u32 id; //由4个ASCII字符组成，用以识别块中所包含的数据。如：'RIFF','LIST','fmt','data','WAV','AVI'等
u32 size; //块大小，是存储在data域中数据的长度,id与size域的大小则不包括在该值内
u8 dat[size]; //块内容，数据以字(WORD)为单位排列，如果该数据结构长度是奇数，则最后添一个NULL字节
};
1.3 wav音频文件
WAVE 文件作为多媒体中使用的声音波形文件格式之一，它是以RIFF（Resource Interchange File Format）格式为标准的。每个WAVE文件的头四个字节便是“RIFF”。同样的，WAVE 文件由文件头和数据体两大部分组成。其中文件头又分为 RIFF／WAV 文件标识段和声音数据格式说明段两部分。WAVE文件各部分内容及格式见后文。
常见的声音文件主要有两种，分别对应于单声道（11.025KHz 采样率、8Bit 的采样值）和双声道（44.1KHz 采样率、16Bit 的采样值）。采样率是指：声音信号在“模→数”转换过程中单位时间内采样的次数。采样值是指每一次采样周期
内声音模拟信号的积分值。
对于单声道声音文件，采样数据为八位的短整数（short int 00H-FFH）；而对于双声道立体声声音文件，每次采样数据为一个16位的整数（int），高八位和低八位分别代表左右两个声道。
WAVE 文件数据块包含以脉冲编码调制（PCM）格式表示的样本。WAVE 文件是由样本组织而成的。在单声道 WAVE 文件中，声道0代表左声道，声道1代表右声道。在多声道WAVE文件中，样本是交替出现的。
WAVE 文件除了前面一小段文件头对数据组织进行说明之外，Data 块就是声音的原始采样数据，WAVE 文件虽然可以压缩，但一般都使用不压缩的格式。44.1KHz 采样率、16Bit的分辨率、双声道，所以WAVE可以保存音质要求非常高的声音文件，CD 采用的也是这种格式，声音方面的专家或是音乐发烧友们应该非常熟悉。但这种文件的体积也非常大，以 44.1KHz 16bit 双声道的数据为例，一分钟的声音数据量为：4100*2byte*2channel*60s/1024/1024=10.09M 。所以不合适在网上传送。
下面我们具体地分析 WAVE 文件的格式
endian |
field name |
Size |
|
| big | ChunkID | 4 | 文件头标识，一般就是" RIFF" 四个字母 |
| little | ChunkSize | 4 | 整个数据文件的大小，不包括上面ID和Size本身 |
| big | Format | 4 | 一般就是" WAVE" 四个字母 |
| big | SubChunk1ID | 4 | 格式说明块，本字段一般就是"fmt " |
| little | SubChunk1Size | 4 | 本数据块的大小，不包括ID和Size字段本身 |
| little | AudioFormat | 2 | 音频的格式说明 |
| little | NumChannels | 2 | 声道数 |
| little | SampleRate | 4 | 采样率 |
| little | ByteRate | 4 | 比特率，每秒所需要的字节数 |
| little | BlockAlign | 2 | 数据块对齐单元 |
| little | BitsPerSample | 2 | 采样时模数转换的分辨率 |
| big | SubChunk2ID | 4 | 真正的声音数据块，本字段一般是"data" |
| little | SubChunk2Size | 4 | 本数据块的大小，不包括ID和Size字段本身 |
| little | Data | N | 音频的采样数据 |
以下是对各个字段的详细解说：
| ChunkID | 4bytes | ASCII 码表示的“RIFF”。（0x52494646） |
| ChunkSize | 4bytes | 36+SubChunk2Size，或是 4 + ( 8 + SubChunk1Size ) + ( 8 + SubChunk2Size )， 这是整个数据块的大小（不包括ChunkID和ChunkSize的大小） |
| Format | 4bytes | ASCII 码表示的“WAVE”。（0x57415645） |
| SubChunk1ID | 新的数据块（格式信息说明块） ASCII 码表示的“fmt ”——最后是一个空格。（0x666d7420） |
|
| SubChunk1Size | 4bytes | 本块数据的大小（对于PCM，值为16）。 |
| AudioFormat | 2bytes | PCM = 1 （比如，线性采样），如果是其它值的话，则可能是一些压缩形式 |
| NumChannels | 2bytes | 1 => 单声道 | 2 => 双声道 |
| SampleRate | 4bytes | 采样率，如 8000，44100 等值 |
| ByteRate | 4bytes | 等于： SampleRate * numChannels * BitsPerSample / 8 |
| BlockAlign | 2bytes | 等于：NumChannels * BitsPerSample / 8 |
| BitsPerSample | 2bytes | 采样分辨率，也就是每个样本用几位来表示，一般是 8bits 或是 16bits |
| SubChunk2ID | 4bytes | 新数据块，真正的声音数据 ASCII 码表示的“data ”——最后是一个空格。（0x64617461） |
| SubChunk2Size | 4bytes | 数据大小，即，其后跟着的采样数据的大小。 |
| Data | N bytes | 真正的声音数据 |
对于Data块，根据声道数和采样率的不同情况，布局如下（每列代表8bits）：
1）. 8 Bit 单声道：
| 采样1 | 采样2 |
| 数据1 | 数据2 |
2）. 8 Bit 双声道
| 采样1 | 采样2 | ||
| 声道1数据1 | 声道2数据1 | 声道1数据2 | 声道2数据2 |
3）. 16 Bit 单声道：
| 采样1 | 采样2 | ||
| 数据1低字节 | 数据1高字节 | 数据1低字节 | 数据1高字节 |
4）. 16 Bit 双声道
| 采样1 | |||
| 声道1数据1低字节 | 声道1数据1高字节 | 声道2数据1低字节 | 声道2数据1高字节 |
| 采样2 | |||
| 声道1数据2低字节 | 声道1数据2高字节 | 声道2数据2低字节 | 声道2数据2高字节 |
下面我们看一个具体的例子，wav音频文件如下：（十六进制的形式）
52 49 46 46 24 08 00 00 57 41 56 45 66 6d 74 20 10 00 00 00 01 00 02 00 22 56 00 00 88 58 01 00 04 00 10 00 64 61 74 61 00 08 00 00 00 00 00 00 24 17 1e 3c 13 3c 14 16 18 34 23 3c 24 11 1a 0d
对应的分析如下图所示：
举例分析数据：形如 'FFFF' 为一个我们需要的完整的数据。如上图中 sample3：3c 和 13是两个数组合在一起是一个我们需要的数， 3c 13，但右端为大端，则应为 3c 13，十六进制数3c按位转换为2进制为0011 1100，同理13按位转换为2进制为0001 0011，则连起来的16bits的二进制数为0011 1100 0001 0011，那么我们可以看到符号位为0，即为正数。
二 matlab中的wavread( )函数
wavread('testwav.wav' )
读者试试看输出。例如，取我的一个声音文件'testwav.wav'，输出的最后10个数据为：
-0.0001 -0.0001 -0.0002 -0.0003 -0.0002 -0.0002 -0.0002 -0.0003 -0.0002 -0.0002
2. wavread('testwav.wav','native')
读者可以试试看输出。我的'testwav.wav' 输出的最后10个数据为：
-4 -2 -8 -9 -7 -8 -8 -11 -5 -7
1 和 2 的输出数据之间的转换公式为：-0.0002 = -7 / 32768 （其中32768 = 2 ^15，即2的15次幂。这是归一化。因为编码为16bits）
三 readwav的 C++实现
上面介绍了这么多，我们来进入主题，怎么用C++实现matlab中的wavread('testwav.wav')函数，且输出一致。
3.1 编码转换规则
在介绍之前，我们需要了解这几串数据之间的关系。本章节以test.wav文件的数据为例来分析：
（1）该wave文件的Data块即原始采样数据的最后20个数据是：
fc ff fe ff f8 ff f7 ff f9 ff f8 ff f8 ff f5 ff fb ff f9 ff
（2）在matlab中解析得到的最后10个数据是：
-0.0001 -0.0001 -0.0002 -0.0003 -0.0002 -0.0002 -0.0002 -0.0003 -0.0002 -0.0002
这两组数据之间是原码与补码的关系，即（1）是原码而（2）是补码。
由数据（1）转换为数据（2）的步骤是：先将（1）转换为其补码，再用补码除以32768，则得到（2）。
原码与补码之间的转换原则：
（2进制形式的转换）：若原码为正数，则补码是其本身。若原码为负数，则补码为符号位不变，数值位按位取反，再加1。
（数值形式的转换）：若原码为正数，则补码是其本身。若原码为负数，补码 = 原码 - 2^16。温馨提示: 为了方便计算数值上有等价替换 2^16 = FFFF - 1。
为了更好的理解，举例说明：
步骤一（每次读16字节）：由于数据是从X0000到XFFFF的数据。以f9 ff为例，右端为大端，换言之，右端是高位，则应该是fff9。步骤二（转换为补码）：按位转换为二进制形式为1111 1111 1111 1001（1位16进制数值对应4位二进制数值），该数据为原码，转换成带符号的十进制形式，先看符号位判断其为负数，则补码为FFF9 - FFFF -1 = -7。步骤三（归一化）：用补码数值-7除以32768，取小数点后4位（四舍五入），则等于-0.0002，正确。
读者可以试着用我的方法算一下（1）中的右起第3第4个数，是否对应等于（2）的右起第2个数。
3.2 C++实现
那么C++实现，就是先读取原始采样数据，每次读16字节，然后将16字节的16进制数字转化成十进制数，再转换成其补码，并归一化。转换时注意大小端和符号问题。
具体的C++代码，我已分享，读者可移步查看：http://www.oschina.net/code/snippet_1768500_39013
参考文献
1. http://www.cnblogs.com/liyiwen/archive/2010/04/19/1715715.html