音频压缩的成功者——感知编码.docVIP

音频压缩的成功者——感知编码 2004年中南地区省级电视台技术年会论文二等奖 近年来，随着现代通信的发展，数字化日益渗透人们的日常生活，人们对各种多媒体业务的需求日益增长，我们正享受着数字化带来的方便和快捷，卫星电视、数字电视、各种数码音乐产品正改变着我们的生活。于是便要求得到更多更好的音频产品和服务。数字声音作为一种存储、处理和传输高保真声音的方法，在消费电子、专业声音等众多领域已得到广泛应用。但是如果没有通用有效的高质量音频编解码方案，数字存储和传输技术的进一步发展将会受到严重的束缚。在音频数字压缩技术中，当前比较成功的编码方式被称为“感知型编码（PerceptualCoding）”，现在比较常用的MP3、MD等都是感知编码原理。 一般来说，数据压缩有两种方法。一种方法是利用信号的统计性质，完全不丢失信息的高效率编码法，称为平均信息量编码或熵编码。第二种方法是利用接收信号的人的感觉特性，省略不必要的信息，压缩信息量，这种方法称为感觉编码。 因为熵编码可通过解码完全再现编码前的数据，故应用范围广泛,例如可用于磁盘压缩、文件压缩等，在保存信息方面，完全不用担心劣化。不过遗憾的是，仅依靠熵编码不能将音频信号进行大幅度的数据压缩。这是因为在音频信号中会有白噪声信号，这种完全随机的信号，根据信息论是决不能用熵编码进行压缩的。因此在音频压缩中，必须同时采用感知编码。 感知编码是利用人耳听觉的心理声学特性（频谱掩蔽特性和时间掩蔽特性）、人耳对信号幅度、频率、时间的有限分辨能力，凡是人耳感觉不到的成分不编码，不传送，即凡是对人耳辨别声音信号的强度、音调、方位有贡献的部分（称为不相关部分或无关部分）都不编码和传送。对感觉到的部分进行编码时，允许有较大的量化失真、并使其处于听阈以下，人耳仍然感觉不到。简单的说感知编码是建立在人类听觉系统的心理声学原理为基础，只记录那些能被人的听觉所感知的声音信号，从而达到减少数据量而又不降低音质的目的。 目前音频压缩编码已成为标准的是MPEG-1（ISO/IEC11172-3）、MPEG-2（ISO/IEC13818-3）和美国大联盟的AC-3。他们都是感知编码。 一、为什么压缩 了解数字音频首先要提到脉冲编码调制PCM（PulseCodeModulation），它是概念上最简单、理论上最完善的编码系统，是最早研制成功、使用最为广泛的编码系统，但也是数据量最大的编码系统。PCM指模拟音频信号只经过采样、量化、编码，模数转换成PCM信号，得到标准的数字音频码流，而未经过任何编码和压缩处理。 根据奈奎斯特采样定律，通常其采样频率至少应当是信号中的最高频率分量的两倍。对于高质量的音频信号，其频率范围是从20Hz～20kHz。所以其采样频率必须在40kHz以上。在CD中采用了44.1kHz的采样频率。普通CD线性PCM的取样频率为44.1kHz，量化精度为16bit，动态范围为98db。（在对模拟信号采样以后，还必须对其幅度上加以分层。在CD中，其分层以后的幅度信号用16bit的二进制信号来表示，也就是把模拟的音频信号在幅度上分为65536（216）层。这样，它的动态范围就可以达到96分贝（6分贝/比特）。） PCM的编码原理比较直观和简单，它的原理框图如图所示。 在这个编码框图中，它的输入是模拟声音信号，它的输出是PCM样本。图中的“防失真滤波器”是一个低通滤波器，用来滤除声音频带以外的信号；“波形编码器”可暂时理解为“采样器”，“量化器”可理解为“量化阶大小(step-size)”生成器或者称为“量化间隔”生成器。 那么这种未经压缩的PCM信号的数据量具体有多大呢？以CD音质的信号为例，它的单通道的采样率是44.1kHz，每个样值是16bit的量化，而立体声CD音质信号，有两个通道，它每秒的码流是44.1K×16×2≈1.4Mbit/s。（数字信号传输率=取样频率×量化比特×通道数）一张CD唱片的容量约为680MB，可以容纳约1小时的双声道PCM数字音频节目，由于这种编码方式所产生的数据量太大，存储和传输都既不方便也不经济，有时甚至是行不通的。对于电视广播来说，数据传输速率越高，每套节目所需的频宽就越大，在频带资源日趋紧张的今天，过宽的频带是不能允许的，同时对于有形载体（激光碟、磁带等），每种载体的记录密度都是有限的（受当时技术发展程度的制约），增大数据量就意味着缩短节目长度。因此需要开发一种新的编码方式，它应该使用较少的数据量，而又不会导致音质的主观听感有明显的下降。 二、感知编码原理 1、理论基础——闻域和临界频段 音频压缩理论是建立在心理声学模型基础上，从研究人耳的听感系统开始的。 人耳实际上可看成一个多频段的听感分析器，在接收端的最后，它对瞬间的频谱功率进行了重新分配，这就为音频的数据压缩提供了依据。 众