第3章音频信息处理技术 共102页

3.3.4 变换域编码
信号 输入 输入 缓冲
变换
量化 编码
边信息 提取
比特分配 量阶尺寸
谱插值
编码 合 输出 路
编码 输入 分
路
解码
反变换
输出 缓冲
比特分配 量阶尺寸
谱插值
(a)
(b)
图3.3-8 (a) 编码；(b) 解码
3.3.5 矢量量化
信号序 列输入
构成 矢量
矢量 码本
矢量 码本
传送
传送
人的耳朵只能感觉到振动频率在20Hz到20000Hz之间的 声波，超出此范围的振动波不能引起听觉器官的感觉。其中， 人耳对400-4000Hz的声波最敏感。
男性语音
100Hz ～ 9,000Hz
女性语音
150Hz ～ 10,000Hz
声
频
源
电话语音
200Hz ～ 3,400Hz
带
种
宽
类
调幅广播(AM)
(2) 参数编码
通过构造发声模型作为基础，用一套模拟声带频谱特 性的滤波器系数和若干声源参数来描述这个模型，在发送 端从模拟语音信号中提取各个特征参量并进行量化编码， 以实现语音信息的数字化。
优点：语音编码速率较低（2～9.6kbit/s），压缩比特 率低。
缺点：合成语音质量较差，实现的复杂度高。
m
d(S,Yi) j(s(j)yij)2
j1
其中，Yi是码本中第i个码字，每个码字有m维； j 是权
函数；d是误差值。
若矢量量化编码的对象是语音模型参数，将多数由 参数来表示的语音频谱失真作为误差准则。最常用的是 I-S准则：
d(X,Y i)2 1 ln Y X i((e ejj ))2 Y X i((e ejj ))21 d
度量声音客观质量的一个主要指标是信噪比SNR（Signal toFra Baidu bibliotekNoise Ration），信噪比是有用信号与噪声之比的简称。
(2) 声音主观质量的度量
表3.1-1 5分制平均观点分举例
MOS 5 4 3 2 1
质量级别 优(Excellent)
良(Good) 中(Fair) 差(Poor) 劣(Unacceptable)
搜索 下标 … 下标
矢量 输出 查表
图3.3-9 矢量量化编码及解码原理框图
码本的设计，目前最常用的是LBG算法。此算法的 步骤为：
(1) 采集用于构造码本的训练数据。数据越多，采 集对象越广泛 则训练出的码本越好。
(2) 构造初始码本。它有许多方法。例如，常用的 随机码本、白噪声码本等。
(3) 训练数据对已有的码本进行矢量量化编码，对 每个码字形成数据聚类。
(1) 波形编码
基于对语音信号波形的数字化处理，试图使处理后 重建的语音信号波形与原语音信号波形保持一致。
优点：实现简单、语音质量好、适应性强，有成熟 的技术实现方法。
缺点：压缩程度不高、实现的码速率较高，码率低 于32kbit/s时音质降低明显，16kbit/s时音质就非常差了。
常用的波形法编码技术有增量调制(DM)、自适应差 分脉冲编码调制(ADPCM)、子带编码(SBC)和矢量量化 编码(VQ)等等。
y 1.0
0.5
-1.0
-0.5
0
0.5
-0.5
1.0 x
-1.0
图3.3-3 律压扩特性
b7 b6 b5 b4 b3 b2 b1 b0
符号位
折线编号
数据位
图3.3-4 律压扩数据格式
2. 差分脉冲编码调制（DPCM）
预测值可以由过去的采样值进行预测， 其计算 公式如下所示：
N
y ˆ0a1y1a2y2 aNyN aiyi i 1
式中，a i 为预测系数。当前值与预测值的差为
e0 y0yˆ0
信号
＋
采样 y 0 －
量化器
输出
＋
yˆ 0 预测器
＋
输入 ＋ ＋
(a)
图3.3-5 (a) 编码器； (b) 解码器
信号 滤波 预测器
(b)
我们定义 a i 就是使估值的均方差最小的 a i 。估
值的均方差可由下式决定：
E { y 0 ( y ˆ 0 ) 2 } E { y 0 [ ( a 1 y 1 a 2 y 2 a N y N ) 2 } ]
(4) 根据量化得到的聚类结果修正码字，即寻找每 一类的新的代表性码字。
(5) 判断(3)中量化编码误差是否小于规定数值， 或者迭代次数是否超过规定值，若是，训练结束。否 则转(3)继续。
矢量量化编码的关键技术的另一个方面是量化编 码准则问题，这与被编码对象特性有关。举例来说， 若直接对输入语音波形进行矢量量化，则多用最小均 方误差MSE (Mean-Squared-Error) 准则：
＋ ＋
自适应预测器
(a)
(b)
图3.3-6 ADPCM (a) ADPCM编码器; (b) ADPCM解码器
3.3.3 子带编码
带通滤波1 编码器
译码器 带通滤波1
信号
综
分
输入
带通滤波2
编码器
输出 输入
合
配
译码器 带通滤波2
信号 输出


器
带通滤波n 编码器


器
译码器 带通滤波n
图3.3-7 子带编码的原理框图
(1) 在人类听觉系统中，一个声音的存在会影响人们 对其他声音的听觉能力，使一个声音在听觉上掩蔽了 另一个声音，即所谓的“掩蔽效应”。
(2) 频谱掩蔽发生在高电平音调使附近频率的低电平 声音不能被人耳听到的情况下。
(3) 在冲击前和衰退后，声音都有掩蔽效应。
4. 声道
声音的三个属性分别是：
(1) 幅值(Amplitude)：如果左耳听到的声音比右耳的 大， 那么我们就认为声音在左边。
4. 声音的连续时基性 声音具有连续性和过程性，数据前后相关，数 据量大，具有实时性。
3.1.2 声音频率分布
次声波
人耳可听域
<20Hz
20～20,000Hz
超声波 >20,000Hz
模拟波信号有三个要素：基线、周期和振幅。
振幅即波形的最高点（或最低点）与基线间的距离，它 表示了声音音量的大小。
周期是波形中两个相邻波峰之间的距离，它表示完成一 次振动过程所需的时间，其大小体现了振动的速度。频率是 周期的倒数，周期越短，频率越高。
了解音频信息的相关知识对更进一步掌握多媒体 技术是很重要的。
3.1.1 声音概念
1. 声音定义 声音是振动波，具有振幅、周期和频率。 2. 声音三要素 (1) 音调 — (高低) (2) 音强 — (强弱) (3) 音色 — (特质)
3. 声音的质量 简称音质。音质与频率范围成正比，频率范围 越宽音质越好。
另一类使用较多的自适应增量调制称为连续可变斜率 增量(CVSD)调制。CVSD的自适应规则为
(k 1 ) P y (k)y (k 1 )y (k 2 ) (k) (k 1 ) Q其它
式中，β可在0～1之间取值。可以看到，β的大小可以通 过调节增量调制来适应输入信号变化所需时间的长短。P 和Q为增量，而且P要大于等于Q。
50Hz ～ 7,000Hz
度
调频广播(FM)
20Hz ～ 15,000Hz
高级音响
10Hz ～ 40,000Hz
3.1.3 声音信号特性分析
1. 时域 起始——稳定——结束 2. 频域 声音信号由正弦分量组成——周期、非周期 频谱分析——线状谱、连续谱 声音信号的描述——声波频率、声压、声强 人耳对声音的感觉通过声压或声压级描述——非线性 听域（1kHz）：2×10-5Pa—— 0dB 痛域：20 Pa —— 120dB
为了求得均方差最小，就需对式中各个a求导数并使
方程等于0，最后解联立方程可以求出
a
。
i
预测系数与输入信号特性有关，也就是说，采样
点同其前面采样点的相关性有关 。a i 的取值范围为
0.8～1。
3. 自适应差分脉冲编码调制(ADPCM)
＋ 量化器
－ 量化阶 自适应
逆量化器 ＋
自适应预测器
＋
逆量化器 量化阶自适应
3.3.2 自适应差分脉冲编码调制
1. 非均匀PCM（µ律压扩方法） 对小信号扩展、大信号压缩的特性可用下式表示：
ln1(x) ysgnx() ln1()
式中x为输入电压与A/D变换器满刻度电压之比，其取 值范围为－1～＋1；sgn(x)为x的极性；μ为压扩参数， 其取值范围为100～500，μ越大，压扩越厉害。
采样
量化
编码
图3.2-1 音频信息处理框图
按不同应用目标 进行数字压缩
(1) 采样过程
数字激光唱盘CD FM无线电广播 AM无线电广播
电话
10 20
50 200
3400 7k 15k 20k 频率/Hz
图3.2-2 常见音频应用带宽示意图
(2) 量化过程 (3) 编码过程
3.3 音频信号压缩编码
典型代表：线性预测编码器（LPC）
(3) 混合编码 混合编码是指同时使用两种或两种以上的编码方法进 行编码的过程。 波形编码：保真度好，计算量小，但编码后速率高； 参数编码：码速率较低，但保真度欠佳，计算复杂。 波形编码与参数编码结合——混和编码：克服弱点， 结合优点 压缩比特率：4～16kbit/s 编码器：多脉冲激励线性预测编码器（MPE-LPC）、 规则脉冲激励线性预测编码器（RPE-LPC）、码激励线性 预 测 编 码 器 （ CELP ） 、 矢 量 和 激 励 线 性 预 测 编 码 器 （VSELP）和多带激励线性预测编码器。
声音文件所需的存储空间可用下式来计算
存 储 量 字 节 /秒 采 样 率 量 化 精 度 声 道 数
8 以16位、22.05 kHz的频率录制1分钟的立体声，所需存 储空间为5.292 MB。
如果录制1小时的立体声。其所要求的存储空间为 60×5.292=317.52 MB。
音频信息编码技术可分为三类：
(2) 相位(Phase)：如果人的两耳听到的信号具有相同 的相位，那么大脑就认为声音在中部；如果两耳听到信 号有180°的相位差，那么声音就不包含方向信息了。
(3) 时序(Timing)：声音的传播速度为1英尺每毫秒； 如果声音到达右耳的时间比到达左耳的早，我们就认为 声源就在右边。
5. 声音质量评价
失真级别 觉察不到 觉察得到，但不难听 有点难听 难听，但不反感 难以忍受
3.2 音频信号数字化
0.2 0.1
0 -0.1 -0.2
0 0.2 0.1
0 -0.1 -0.2
0
0.5
1
1.5
2
2.5
x 104
200
400
600
800 1000 1200 1400 1600
模拟 音频信号
音频信号数字化
图3.3-2 增量调制编码过程示意图
输出码
2. 自适应增量调制(ADM) 在ADM中，常用的规则有两种： 一种是控制可变因子M，使量化阶距在一定范围内 变化。对于每一个新的采样，其量化阶距为其前面数值 的M倍。而M的值则由输入信号的变化率来决定。其典 型的规则为
2 y(k)y(k1) M 1/2 y(k)y(k1)
(1) 声音客观质量的度量方法 声波的测量与分析传统的方法是先用机电换能器把声波 转换为相应的电信号，然后用电子仪表放大到一定的电压级 进行测量与分析。许多计算和测量工作都使用了计算机或程 序实现。 (a) 评价值的测量——响度和响度级，噪音级，清晰度指 数，噪音评价数。 (b) 声源的测量——频谱的时间变化，声功率，指向性， 效率，频谱特征，幅值分布等。 (c) 音质的测量——混响时间，隔音量，吸音量。
3.1.4 人耳听觉特性
1. 人耳对声音强弱的感觉特性 人耳对声音强弱的感觉与声压级成正比。
2. 响度和响度级 响度是听觉判断声音强弱的属性——主观，与声压级有 一定关系：声压级每增加10dB，响度增加1倍。 3. 人耳听觉的掩蔽效应
安静的环境和嘈杂的环境中人耳可以分辨的声音不同。 掩蔽：一个频率声音的听域由于另一个声音的存在而上 升的现象。 掩蔽效应：复合声音信号中，响度较低的声音频率分量 被高者淹没。
三种压缩编码的性能比较
主观 音质评价
混和法
参量法
波形法
2 4 6 8 16 32 kbit/s
3.3.1 增量调制
1. 一般增量调制
脉冲 发生器
输入 信号
＋
比较器
极性判别
调制器
信道
－
y ' t
译码器
图3.3-1 增量调制的系统结构框图
u（模拟输入）
0 1 1 11 1 1 1 00 0 0 1 10 0 0 10 0 1 0
第3章 音频信息处理技术
3.1 声学基础知识 3.2 音频信号数字化 3.3 音频信号压缩编码 3.4 语音压缩编码标准 3.5 常见多媒体应用的语音编码器的选择 3.6 IP电话技术
3.1 声学基础知识
人类从外界获得的信息大约有16%是从耳朵得到的。 在多媒体技术中，音频信息占有很重要的地位， 比如视频会议系统，音频信息的优先级最高。