基于定點(diǎn)DSP的MP3音頻編碼算法研究

MP3是MPEG-1國(guó)際標(biāo)準(zhǔn)中音頻壓縮層3的簡(jiǎn)稱(chēng),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(guò)程簡(jiǎn)單很多,MP3播放機(jī)或隨身聽(tīng)已隨處可見(jiàn),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?考慮到心理聲學(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)化該模型入手,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(guó)德州儀器公司的TMS320C549TMS320C549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(guò)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(guò)程,它通過(guò)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(jué)?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,供解碼用?

那么為什么掩蔽閾值能反映人耳的聽(tīng)覺(jué)特點(diǎn)呢?

人耳的聽(tīng)覺(jué)特性涉及生理聲學(xué)和心理聲學(xué)方面的問(wèn)題?例如人耳對(duì)不同頻率的聲音感覺(jué)不同就是生理方面的問(wèn)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(tīng)到的音量?與人的心理知覺(jué)有關(guān)的有掩蔽效應(yīng)等?掩蔽效應(yīng)指一個(gè)聲音的聽(tīng)覺(jué)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(guò)一會(huì)兒才能聽(tīng)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(tīng)到的分貝值,可見(jiàn)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(lái),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(jué)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(jué),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)采樣值放入一個(gè)長(zhǎng)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(guò)(1)式將64個(gè)中間值變換成32個(gè)采樣值:

可見(jiàn)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I(mǎi)DCT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:

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(jì)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(yùn)算量為原來(lái)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(lái)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(guò)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(jué),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(tīng)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(guò)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(zhǎng),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(guò)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(guò)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(guò)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(guó)德州儀器(TI)公司的主流定點(diǎn)DSP芯片TMS320C549,其運(yùn)算速度是100MIPS,調(diào)試開(kāi)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TLC320AD55TLC320AD55,與PC機(jī)通過(guò)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(pán)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(pán)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(pán),再加載后續(xù)文件,壓縮存盤(pán),直到整個(gè)音頻文件全部壓縮完,最后用C語(yǔ)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(guò)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(yǔ)言或MATLAB語(yǔ)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(lái)加以利用,子帶分析濾波器之后的MDCT全部采用長(zhǎng)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(kāi)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(guò)程,采用折半搜索的辦法實(shí)現(xiàn),也就是說(shuō)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(wú)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?jī)H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(guò)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(lè),這種簡(jiǎn)化帶來(lái)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?