音頻壓縮的成功者-感知編碼

音頻壓縮的成功者——感知編碼

2004年中南地區(qū)省級電視臺技術年會論文二等獎

近年來，隨著現(xiàn)代通信的發(fā)展，數(shù)字化日益滲透人們的日常生活，人們對各種多媒體業(yè)務的需求日益增長，我們正享受著數(shù)字化帶來的方便和快捷，衛(wèi)星電視、數(shù)字電視、各種數(shù)碼音樂產(chǎn)品正改變著我們的生活。于是便要求得到更多更好的音頻產(chǎn)品和服務。數(shù)字聲音作為一種存儲、處理和傳輸高保真聲音的方法，在消費電子、專業(yè)聲音等眾多領域已得到廣泛應用。但是如果沒有通用有效的高質量音頻編解碼方案，數(shù)字存儲和傳輸技術的進一步發(fā)展將會受到嚴重的束縛。在音頻數(shù)字壓縮技術中，當前比較成功的編碼方式被稱為“感知型編碼（ Perceptual Coding ）”，現(xiàn)在比較常用的 MP3 、 MD 等都是感知編碼原理。

一般來說，數(shù)據(jù)壓縮有兩種方法。一種方法是利用信號的統(tǒng)計性質，完全不丟失信息的高效率編碼法，稱為平均信息量編碼或熵編碼。第二種方法是利用接收信號的人的感覺特性，省略不必要的信息，壓縮信息量，這種方法稱為感覺編碼。

因為熵編碼可通過解碼完全再現(xiàn)編碼前的數(shù)據(jù)，故應用范圍廣泛 ,例如可用于磁盤壓縮、文件壓縮等，在保存信息方面，完全不用擔心劣化。不過遺憾的是，僅依靠熵編碼不能將音頻信號進行大幅度的數(shù)據(jù)壓縮。這是因為在音頻信號中會有白噪聲信號，這種完全隨機的信號，根據(jù)信息論是決不能用熵編碼進行壓縮的。因此在音頻壓縮中，必須同時采用感知編碼 。

感知編碼是利用人耳聽覺的心理聲學特性（頻譜掩蔽特性和時間掩蔽特性）、人耳對信號幅度、頻率、時間的有限分辨能力，凡是人耳感覺不到的成分不編碼，不傳送，即凡是對人耳辨別聲音信號的強度、音調、方位有貢獻的部分（稱為不相關部分或無關部分）都不編碼和傳送。對感覺到的部分進行編碼時，允許有較大的量化失真、并使其處于聽閾以下，人耳仍然感覺不到。簡單的說感知編碼是建立在人類聽覺系統(tǒng)的心理聲學原理為基礎，只記錄那些能被人的聽覺所感知的聲音信號，從而達到減少數(shù)據(jù)量而又不降低音質的目的。

目前音頻壓縮編碼已成為標準的是 MPEG-1 （ ISO/IEC11172-3 ）、 MPEG-2 （ ISO/IEC13818-3 ）和美國大聯(lián)盟的 AC-3 。他們都是感知編碼。

一、為什么壓縮

了解數(shù)字音頻首先要提到 脈沖編碼調制 PCM （ Pulse Code Modulation ），它 是概念上最簡單、理論上最完善的編碼系統(tǒng)，是最早研制成功、使用最為廣泛的編碼系統(tǒng)，但也是數(shù)據(jù)量最大的編碼系統(tǒng)。 PCM 指模擬音頻信號只經(jīng)過采樣、量化、編碼，模數(shù)轉換成 PCM 信號，得到標準的數(shù)字音頻碼流，而未經(jīng)過任何編碼和壓縮處理。

根據(jù)奈奎斯特采樣定律，通常其采樣頻率至少應當是信號中的最高頻率分量的兩倍。對于高質量的音頻信號，其頻率范圍是從 20Hz ～ 20kHz 。所以其采樣頻率必須在 40kHz 以上。在 CD 中采用了 44.1kHz 的采樣頻率。普通 CD 線性 PCM 的取樣頻率為 44.1kHz ，量化精度為 16bit ，動態(tài)范圍為 98db 。（在對模擬信號采樣以后，還必須對其幅度上加以分層。在 CD 中，其分層以后的幅度信號用 16 bit 的二進制信號來表示，也就是把模擬的音頻信號在幅度上分為 65536 （ 2 16 ）層。這樣，它的動態(tài)范圍就可以達到 96 分貝（ 6 分貝 / 比特）。）

PCM 的編碼原理比較直觀和簡單，它的原理框圖如圖所示。

在這個編碼框圖中，它的輸入是模擬聲音信號，它的輸出是 PCM 樣本。圖中的“防失真濾波器”是一個低通濾波器，用來濾除聲音頻帶以外的信號；“波形編碼器”可暫時理解為“采樣器”，“量化器”可理解為“量化階大小 (step-size) ”生成器或者稱為“量化間隔”生成器。

那么這種未經(jīng)壓縮的 PCM 信號的數(shù)據(jù)量具體有多大呢？以 CD 音質的信號為例，它的單通道的采樣率是 44.1k Hz ，每個樣值是 16bit 的量化，而立體聲 CD 音質信號，有兩個通道，它每秒的碼流是 44.1K × 16 × 2 ≈ 1.4Mbit/s 。（數(shù)字信號傳輸率 = 取樣頻率 × 量化比特 × 通道數(shù)）一張 CD 唱片的容量約為 680MB ，可以容納約 1 小時的雙聲道 PCM 數(shù)字音頻節(jié)目，由于這種編碼方式所產(chǎn)生的數(shù)據(jù)量太大，存儲和傳輸都既不方便也不經(jīng)濟，有時甚至是行不通的。對于電視廣播來說，數(shù)據(jù)傳輸速率越高，每套節(jié)目所需的頻寬就越大，在頻帶資源日趨緊張的今天，過寬的頻帶是不能允許的，同時對于有形載體（激光碟、磁帶等），每種載體的記錄密度都是有限的（受當時技術發(fā)展程度的制約），增大數(shù)據(jù)量就意味著縮短節(jié)目長度。因此需要開發(fā)一種新的編碼方式，它應該使用較少的數(shù)據(jù)量，而又不會導致音質的主觀聽感有明顯的下降。

二、 感知編碼原理

1 、理論基礎——聞域和臨界頻段

音頻壓縮理論是建立在心理聲學模型基礎上，從研究人耳的聽感系統(tǒng)開始的。

人耳實際上可看成一個多頻段的聽感分析器，在接收端的最后，它對瞬間的頻譜功率進行了重新分配，這就為音頻的數(shù)據(jù)壓縮提供了依據(jù)。

眾所周知，聲源振動的能量通過聲波傳入人耳，使耳膜發(fā)生振動，人們就產(chǎn)生了聲音的感覺。但是人耳能聽到的振動頻率約在 20 Hz 到 20KHz 之間，低于 20 Hz 或高于 20K Hz 的振動，不能引起人類聽覺器官的感覺。心理聲學模型中一個基本的概念就是聽覺系統(tǒng)中存在一個聽覺閾值電平，低于這個電平的聲音信號就聽不到，因此就可以把這部分信號去掉。聽覺閾值的大小隨聲音頻率的改變而改變，各個人的聽覺閾值也不同。大多數(shù)人的聽覺系統(tǒng)對 2kHz ～ 5kHz 之間的聲音最敏感。一個人是否能聽到聲音取決于聲音的頻率，以及聲音的幅度是否高于這種頻率下的聽覺閾值。 這就是說在聽覺閾值以外的電平可以去掉，相當于壓縮了數(shù)據(jù)。另外， 聽覺閾值電平是自適應的，即聽覺閾值電平會隨聽到的不同頻率的聲音而發(fā)生變化。也許你有這樣的體驗，在一安靜房間里的普通談話可以聽得很清楚，但在播放搖滾樂的環(huán)境下同樣的普通談話就聽不清楚了。聲音壓縮算法也同樣可以確立這種特性的模型來取消更多的冗余數(shù)據(jù)。

【音頻壓縮的成功者-感知編碼】相關文章：

視音頻素材的編碼轉換03-19

視頻壓縮編碼的差錯復原技術03-21

用于壓縮感知的無線傳感網(wǎng)測量矩陣設計方法01-06

多相編碼脈沖壓縮信號及其旁瓣抑制性能研究03-07

Tunstall編碼與自適應編碼算法03-07

淺析音頻失真11-27

工程音頻電纜論文03-18

Video Object編碼技術01-07

藍牙技術在音頻網(wǎng)關中的應用01-07