MP3是MPEG-1國際標準中音頻壓縮層3的簡稱,單聲道比特率一般取64kbps,在采樣率44.1kHz的情況下,其壓縮比可達12倍以上,被廣泛應(yīng)用于互聯(lián)網(wǎng)等許多場合?由于解碼比編碼過程簡單很多,MP3播放機或隨身聽已隨處可見,但MP3編碼在單片定點DSP上實現(xiàn),并要保證音質(zhì),則鮮有耳聞?考慮到心理聲學(xué)模型在整個MP3音頻編碼算法中所占比例巨大,筆者從簡化該模型入手,采用快速算法減少子帶編碼的運算量和數(shù)據(jù)量,盡可能減少量化編碼的迭代循環(huán)次數(shù),從而在一片美國德州儀器公司的TMS320C549TMS320C549芯片上實現(xiàn)了MP3的實時壓縮,用標準解碼軟件回放,主觀評定,對于通常的音頻能達到接近CD的音質(zhì)?
1 MP3編碼算法及原理
圖1是MP3編碼器的系統(tǒng)方框圖?每聲道以1152個采樣值為一幀進行處理?首先,分析子帶濾波采用正交鏡像濾波器組,將20kHz左右?guī)挼男盘杽澐殖上嗟葞挼?2個子帶?然后對子帶樣值作MDCT以補償子帶濾波的不足,主要是為提高頻率分辨率?消除由子帶濾波引起的帶間混迭?
同時采樣值通過心理聲學(xué)模型計算出各頻帶的掩蔽閾值?
失真控制循環(huán)和非歸一化量化控制循環(huán)是量化編碼循環(huán)過程,它通過量化減少各MDCT系數(shù)的精度,使編碼比特數(shù)得以降低?不同系數(shù)采用不同的量化階,人耳敏感的頻率量化精度高,不敏感的頻率量化精度低,量化誤差則不會被人耳察覺?選擇量化階的依據(jù)就是心理聲學(xué)模型計算出的掩蔽閾值? 最后將量化階等信息以及霍夫曼碼打包成比特流,供解碼用?
那么為什么掩蔽閾值能反映人耳的聽覺特點呢?
人耳的聽覺特性涉及生理聲學(xué)和心理聲學(xué)方面的問題?例如人耳對不同頻率的聲音感覺不同就是生理方面的問題,其中對2kHz~4kHz的聲音最敏感,且低頻較高頻敏感?敏感程度具體體現(xiàn)為靜態(tài)掩蔽閾值,如圖2虛線所示,表示在安靜的情況下,各種頻率的聲音剛好被聽到的音量?與人的心理知覺有關(guān)的有掩蔽效應(yīng)等?掩蔽效應(yīng)指一個聲音的聽覺感受受到另一個聲音影響的現(xiàn)象,分為時間掩蔽(前向?后向掩蔽)和頻率掩蔽(同時掩蔽)?例如,當(dāng)一個較強的聲音停止后,要過一會兒才能聽到另一個較弱的聲音,這就是時間掩蔽效應(yīng)?頻率掩蔽是指一個聲音對與其同時存在的臨近頻率的聲音產(chǎn)生的影響,如圖2實線所示?其中標志1的實線表示:當(dāng)1kHz的掩蔽聲音為60dB時,不同頻率的聲音剛好被聽到的分貝值,可見越臨近頻率被掩蔽得越厲害,且低頻更易掩蔽高頻? 因此心理聲學(xué)模型就先用FFT分析信號中包含的頻率分量,將每個頻率處受到其他所有頻率分量掩蔽的值加起來,連線得到的曲線就是掩蔽閾值,是頻率的函數(shù)?當(dāng)某頻率分量的能量處在曲線下方時,不能被人耳感覺到,則該頻率分量可用零比特編碼;另一方面,選擇量化階時若能保證量化噪聲低于掩蔽曲線,也不被人耳察覺,所以掩蔽閾值越大的頻率分量量化階可以越大?因此用掩蔽閾值作為量化編碼的依據(jù),就能夠保證壓縮后的聲音質(zhì)量?由于聲音信號隨時間改變,因此每幀信號都要計算兩次心理聲學(xué)模型,其中要用到大量的實驗測試數(shù)據(jù),運算量之大是可想而知的?
2 算法的簡化和優(yōu)化
2.1 分析子帶濾波器的快速算法
分析子帶濾波器的輸入是32個采樣值,輸出是32個頻率等間隔的子帶樣值?它首先將32個采樣值放入一個長度512的先進先出(FIFO)緩存;對該緩存加窗;然后512個緩存中每8個值累加,轉(zhuǎn)換成64個中間值;最后通過(1)式將64個中間值變換成32個采樣值:
可見用(5)式代替(1)式可以減少一半的乘法運算?又發(fā)現(xiàn)(5)式和標準的IDCT非常相似,可以將Lee提出的快速IDCT算法稍加改動推導(dǎo)(5)式的快速算法?所以又將32點變換分解成以下的兩個16點變換:
最終的子帶樣值是如下的蝶形組合:
X[K]=Xe[k]+(1/cos[(2k+1)π/64])Xo[k],k=0,1,…,15 (11)
X[31-k]=Xe [k]-(1/cos[(k+1)π/64])Xo[k],k=0,1,…,15(12)
直接計算(1)式需要64×32次乘法和63×32次加法,采用快速算法需16×16×2+16×2次乘法和15×16×2+16×2+31+15次加法,運算量為原來的1/4,而且數(shù)據(jù)表格所占用的存儲空間也減少為原來的1/8左右?
2.2 心理聲學(xué)模型的簡化
根據(jù)試驗觀察發(fā)現(xiàn)每幀的掩蔽閾值曲線大致相同,所以考慮采用靜態(tài)聲學(xué)心理模型,具體做法是:首先對某一具有代表性的音頻幀,根據(jù)心理聲學(xué)模型計算出掩蔽閾值曲線,在壓縮其它音頻源時,不再計算每幀的心理聲學(xué)模型,而是認為每幀信號與上述被分析過的代表幀具有相同的掩蔽特性?這樣,雖然不是很準確,但通常情況下,誤差不會太大,不易被人耳察覺,省去心理聲學(xué)模型所需的巨大運算量和存儲空間?實踐證明編碼效果令人滿意,而且對于要求不是很高的應(yīng)用場合,可以認為掩蔽閾值是頻率的常數(shù)函數(shù),每個頻帶采用相同的量化階,也聽不出聲音質(zhì)量的明顯下降?
2.3 量化編碼迭代循環(huán)的簡化
量化編碼迭代是兩重循環(huán)過程,圖3是外迭代循環(huán)流圖,迭代的目的是在可用比特數(shù)的限制之內(nèi),以各頻帶的掩蔽值為依據(jù),確定全局增益(體現(xiàn)了全局量化階)和各頻帶的縮放因子(體現(xiàn)了局部量化階)?內(nèi)循環(huán)逐步增加量化器步長,即全局增益,直到MDCT系數(shù)量化后可被可用比特進行霍夫曼編碼,即通過增加全局量化階以降低編碼比特數(shù);外循環(huán)依據(jù)掩蔽閾值檢測各縮放因子帶的失真,若超過允許失真,則擴大該帶的MDCT系數(shù),即增大該帶的縮放因子,以降低局部失真;最后一次迭代的結(jié)果作為最終的霍夫曼碼?每一次循環(huán)都要用當(dāng)前的量化階量化并霍夫曼編碼一次,運算量相當(dāng)大?從外循環(huán)可以看出掩蔽閾值最終決定縮放因子,為了能省去外迭代循環(huán),將代表幀的縮放因子作成表格,供每幀采用?
由于上述三個模塊是最主要并且運算量最大的模塊,通過對它們的簡化和優(yōu)化,程序的大小和運算量可得到極大的減少?
3 用定點DSP實現(xiàn)MP3壓縮算法
為了實現(xiàn)MP3的實時編碼,必須采用高速DSP芯片?采用美國德州儀器(TI)公司的主流定點DSP芯片TMS320C549,其運算速度是100MIPS,調(diào)試開發(fā)的環(huán)境是TI公司的第三方Spectrum Digital公司的EVM評估板,板上除了TMS320C549自帶的32K字片上內(nèi)存外,還有128K字片外內(nèi)存,數(shù)模轉(zhuǎn)換采用TI的TLC320AD55TLC320AD55,與PC機通過JTAG口實現(xiàn)數(shù)據(jù)與程序的加載和調(diào)試?
由于評估板與主機的接口速度太慢,即使能做到實時壓縮,將比特流傳給PC機存盤的速度也會跟不上?因此筆者采用的辦法是:將原始PCM音頻數(shù)據(jù)從PC機的硬盤文件加載到板上的片外內(nèi)存,壓縮后的數(shù)據(jù)傳給PC機存盤,再加載后續(xù)文件,壓縮存盤,直到整個音頻文件全部壓縮完,最后用C語言程序?qū)⒏鲾?shù)據(jù)塊拼成MP3文件,用軟件解碼程序回放?是否能達到實時要求只能通過測試每幀運行的指令數(shù)判斷?
在運用快速算法計算子帶分析濾波器時,考慮到DSP芯片的特點,每分解一次,要作一次如(10)式的加法,勢必降低精度,另外(11)和(12)式的系數(shù)動態(tài)范圍太大,精度也會受到影響,因此,只分解到16點DCT運算?
采用靜態(tài)心理聲學(xué)模型,心理聲學(xué)模型和量化編碼外循環(huán)所需的運算量就為零?代表幀的心理聲學(xué)模型和縮放因子采用C語言或MATLAB語言編程計算,或者將網(wǎng)上下載的MP3文件中的縮放因子信息破譯出來加以利用,子帶分析濾波器之后的MDCT全部采用長塊?表1是靜態(tài)縮放因子比特數(shù)和縮放因子的一種設(shè)置方案?
另外在內(nèi)循環(huán)中,首先初步選擇一個全局增益使最大量化值小于碼表可編碼的最大值,標準推薦的作法是全局增益從小開始,每循環(huán)一次量化后,比較最大量化值,并調(diào)整一次全局增益,直到滿足要求為止?本程序省去了這一循環(huán),事先根據(jù)最大譜線值計算出應(yīng)有的全局增益,作成數(shù)據(jù)表格,程序中只需根據(jù)最大譜線值查表即可?初始化全局增益確定后,要分區(qū)?量化?編碼并計算編碼比特數(shù),如果比特數(shù)太大或太小都還要調(diào)整全局增益?對這一迭代循環(huán)過程,采用折半搜索的辦法實現(xiàn),也就是說第一次循環(huán)時全局增益取上述初始化值的一半,若編碼比特數(shù)超出要求,則再取一半作為新的全局增益,否則增大一半,如此不斷循環(huán)直到無法折半為止?這種折半搜索的方法比逐一搜索要快很多?
采用了這些簡化?優(yōu)化措施以及編程技巧,整個編碼程序運算量僅需75MIPS左右,片上存儲空間占用27K字左右?用標準的MP3回放軟件解碼,通過主觀測評,音質(zhì)接近CD?
由于本系統(tǒng)對心理聲學(xué)模型進行了大量的簡化,對于一般的音樂,這種簡化帶來的聲音質(zhì)量的下降并不明顯,尤其是在要求不高的應(yīng)用場合完全可行?但是當(dāng)應(yīng)用到某些編碼難度較高的音頻信號,例如響板時,聲音質(zhì)量下降較明顯?因此如果采用更高運算速度的DSP,可在該編碼系統(tǒng)中加入一個完備的或簡化的動態(tài)心理聲學(xué)模型,編碼質(zhì)量可進一步提高,至于簡化的動態(tài)心理聲學(xué)模型還有待進一步摸索?
下載文檔
