基于定點(diǎn)DSP的MP3音頻編碼算法研究及實(shí)現(xiàn)
摘 要:通過對(duì)心理聲學(xué)模型的簡(jiǎn)化,并在子帶濾波器和量化編碼模塊采用快速算法,大大降低了運(yùn)算量,在一片100MIPS的定點(diǎn)DSP上實(shí)現(xiàn)了實(shí)時(shí)壓縮。
關(guān)鍵詞:音頻編碼 掩蔽閾值 心理聲學(xué)模型 分析子帶濾波器
MP3是MPEG-1國際標(biāo)準(zhǔn)中音頻壓縮層3的簡(jiǎn)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(dá)12倍以上,被廣泛應(yīng)用于互聯(lián)網(wǎng)等許多場(chǎng)合。由于解碼比編碼過程簡(jiǎn)單很多,MP3播放機(jī)或隨身聽已隨處可見,但MP3編碼在單片定點(diǎn)DSP上實(shí)現(xiàn),并要保證音質(zhì),則鮮有耳聞??紤]到心理聲學(xué)模型在整個(gè)MP3音頻編碼算法中所占比例巨大,筆者從簡(jiǎn)化該模型人手,采用快速算法減少子帶編碼的運(yùn)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TMS320C549芯片上實(shí)現(xiàn)了MP3的實(shí)時(shí)壓縮,用標(biāo)準(zhǔn)解碼軟件回放,主觀評(píng)定,對(duì)于通常的音頻能達(dá)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(gè)采樣值為一幀進(jìn)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?hào)劃分成相等帶寬的32個(gè)子帶。然后對(duì)子帶樣值作MDCT以補(bǔ)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(shí)采樣值通過心理聲學(xué)模型計(jì)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?cái)?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(huì)被人耳察覺。選擇量化階的依據(jù)就是心理聲學(xué)模型計(jì)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,解碼用。
那么為什么掩蔽閾值能反映人耳的聽覺特點(diǎn)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(duì)不同頻率的聲音感覺不同就是生理方面的問題,其中對(duì)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(gè)聲音的聽覺感受受到另一個(gè)聲音影響的現(xiàn)象,分為時(shí)間掩蔽(前向、后向掩蔽)和頻率掩蔽(同時(shí)掩蔽)。例如,當(dāng)一個(gè)較強(qiáng)的聲音停止后,要過一會(huì)兒才能聽到另一個(gè)較弱的聲音,這就是時(shí)間掩蔽效應(yīng)。頻率掩蔽是指一個(gè)聲音對(duì)與其同時(shí)存在的臨近頻率的聲音產(chǎn)生的影響,如圖2實(shí)線所示。其中標(biāo)志1的實(shí)線表示:當(dāng)1kHz的掩蔽聲音為60dB時(shí),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(hào)中包含的頻率分量,將每個(gè)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(shí),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(shí)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(hào)隨時(shí)間改變,因此每幀信號(hào)都要計(jì)算兩次心理聲學(xué)模型,其中要用到大量的實(shí)驗(yàn)測(cè)試數(shù)據(jù),運(yùn)算量之大是可想而知的。
2算法的簡(jiǎn)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(gè)采樣值,輸出是32個(gè)頻率等間隔的子帶樣值。它首先將32個(gè)采樣值放人一個(gè)長度512的先進(jìn)先出(FIFO)緩存;對(duì)該緩存加窗;然后512個(gè)緩存中每8個(gè)值累加,轉(zhuǎn)換成64個(gè)中間值;最后通過(1)式將64個(gè)中間值變換成32個(gè)采樣值:
尋找快速算法的關(guān)鍵就是這最后一步。將系數(shù)設(shè)為數(shù)組:
可以發(fā)現(xiàn)該數(shù)組具有如下的對(duì)稱性:
所以合并系數(shù)相等或相反的項(xiàng),(1)式變成:
可見用(5)式代替(1)式可以減少一半的乘法運(yùn)算。又發(fā)現(xiàn)(5)式和標(biāo)準(zhǔn)的IDCT非常相似,可以將Lee提出的快速IDCT算法稍加改動(dòng)推導(dǎo)(5)式的快速算法。所以又將32點(diǎn)變換分解成以下的兩個(gè)16點(diǎn)變換:
直接計(jì)算(1)式需要6432次乘法和6332次加法,采用快速算法需16162+162次乘法和15162+162+31+15次加法,運(yùn)算量為原來的1/4,而且數(shù)據(jù)表格所占用的存儲(chǔ)空間也減少為原來的1/8左右。
2.2心理聲學(xué)模型的簡(jiǎn)化
根據(jù)試驗(yàn)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(duì)某一具有代表性的音頻幀,根據(jù)心理聲學(xué)模型計(jì)算出掩蔽閾值曲線,在壓縮其它音頻源時(shí),不再計(jì)算每幀的心理聲學(xué)模型,而是認(rèn)為每幀信號(hào)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(zhǔn)確,但通常情況下,誤差不會(huì)太大,不易被人耳察覺,省去心理聲學(xué)模型所需的巨大運(yùn)算量和存儲(chǔ)空間。實(shí)踐證明編碼效果令人滿意,而且對(duì)于要求不是很高的應(yīng)用場(chǎng)合,可以認(rèn)為掩蔽閾值是頻率的常數(shù)函數(shù),每個(gè)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(jiǎn)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?cái)?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(jìn)行霍夫曼編碼,即通過增加全局量化階以降低編碼比特?cái)?shù);外循環(huán)依據(jù)掩蔽閾值檢測(cè)各縮放因子帶的失真,若超過允許失真,則擴(kuò)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(yùn)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(gè)模塊是最主要并且運(yùn)算量最大的模塊,通過對(duì)它們的簡(jiǎn)化和優(yōu)化,程序的大小和運(yùn)算量可得到極大的減少。
3用定點(diǎn)DSP實(shí)現(xiàn)MP3壓縮算法
為了實(shí)現(xiàn)MP3的實(shí)時(shí)編碼,必須采用高速DSP芯片。采用美國德州儀器(T1)公司的主流定點(diǎn)DSP芯片TMS320C549,其運(yùn)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(píng)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 TLC320AD55,與PC機(jī)通過JTAG口實(shí)現(xiàn)數(shù)據(jù)與程序的加載和調(diào)試。
由于評(píng)估板與主機(jī)的接口速度太慢,即使能做到實(shí)時(shí)壓縮,將比特流傳給PC機(jī)存盤的速度也會(huì)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(jī)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(jī)存盤,再加載后續(xù)文件,壓縮存盤,直到整個(gè)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(dá)到實(shí)時(shí)要求只能通過測(cè)試每幀運(yùn)行的指令數(shù)判斷。
在運(yùn)用快速算法計(jì)算子帶分析濾波器時(shí),考慮到DSP芯片的特點(diǎn),每分解一次,要作一次如(10)式的加法,勢(shì)必降低精度,另外(11)和(12)式的系數(shù)動(dòng)態(tài)范圍太大,精度也會(huì)受到影響,因此,只分解到16點(diǎn)DCT運(yùn)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(yùn)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(jì)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?cái)?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(gè)全局增益使最大量化值小于碼表可編碼的最大值,標(biāo)準(zhǔn)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(jì)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(jì)算編碼比特?cái)?shù),如果比特?cái)?shù)太大或太小都還要調(diào)整全局增益。對(duì)這一迭代循環(huán)過程,采用折牛搜索的辦法實(shí)現(xiàn),也就是說第一次循環(huán)時(shí)全局增益取上述初始化值的一半,若編碼比特?cái)?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(jiǎn)化、優(yōu)化措施以及編程技巧,整個(gè)編碼程序運(yùn)算量僅需75MIPS左右,片上存儲(chǔ)空間占用27K字左右。用標(biāo)準(zhǔn)的MP3回放軟件解碼,通過主觀測(cè)評(píng),音質(zhì)接近CD。
由于本系統(tǒng)對(duì)心理聲學(xué)模型進(jìn)行了大量的簡(jiǎn)化,對(duì)于一般的音樂,這種簡(jiǎn)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(chǎng)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(hào),例如響板時(shí),聲音質(zhì)量下降較明顯。因此如果采用更高運(yùn)算速度的DSP,可在該編碼系統(tǒng)中加入一個(gè)完備的或簡(jiǎn)化的動(dòng)態(tài)心理聲學(xué)模型,編碼質(zhì)量可進(jìn)一步提高,至于簡(jiǎn)化的動(dòng)態(tài)心理聲學(xué)模型還有待進(jìn)一步摸索。
參考文獻(xiàn)
1 Draft International Standard ISO/IEC CD 11172―3.1992
2王劍虹,吳海華,陳?。甅PEG音頻解碼中子帶合成濾波器的快速算法及定點(diǎn)DSP實(shí)現(xiàn).上海交通大學(xué)學(xué)報(bào),2000;34(6):761-764
3陳健,李力利,陳亞駿.MUSICAM算法仿真及DSP實(shí)現(xiàn).上海交通大學(xué)學(xué)報(bào),1997;31(1):74-78
4吳海華,王劍虹,陳?。玫蛢r(jià)型DSP實(shí)現(xiàn)MP3解碼.電聲技術(shù),1999,10:11-14
5 Byeong Gi Lee.FCT―A Fast Cosine Transform.ICASSP, San Diego.Califonia,America,1984;10(2)
評(píng)論