董寧

（西安外事學(xué)院 現(xiàn)代教育中心，陜西 西安 710077）

MP3編碼器的基本結(jié)構(gòu)一般包括心里聲學(xué)模型、子帶濾波、量化編碼等幾個(gè)關(guān)鍵模塊，這幾個(gè)模塊雖然經(jīng)歷了大量的改進(jìn)和優(yōu)化，由于各種改進(jìn)算法層出不窮。所以仍然有很大的改進(jìn)空間，本論文主要對(duì)其心理聲學(xué)模型和量化模塊進(jìn)行改進(jìn)，以期采用一種更為先進(jìn)的模型來(lái)代替標(biāo)準(zhǔn)模型，進(jìn)一步改善MP3編碼算法的性能。

1 心理聲學(xué)模型的改進(jìn)

為了提高M(jìn)P3編碼器的編碼質(zhì)量，本論文使用了一個(gè)改進(jìn)的心理聲學(xué)模型，用其替代原MP3編碼算法中的心理聲學(xué)模型。下面對(duì)該改進(jìn)的心理聲學(xué)模型的計(jì)算流程[1]做一個(gè)詳細(xì)的介紹：

1.1 原心理聲學(xué)模型計(jì)算流程

首先進(jìn)行的是FFT計(jì)算：

1）重新構(gòu)造時(shí)域輸入信號(hào)采樣值；

2）FFT變換計(jì)算輸入信號(hào)的頻譜：

①用1 024點(diǎn)或256點(diǎn)的漢寧窗給采樣值加窗，記為；SWi

②分長(zhǎng)短塊分別計(jì)算采樣值的FFT，分別存放在wsamp_l和wsamp_s兩個(gè)數(shù)組中；

③計(jì)算FFT變換后的頻譜能量：fftenergy；

④對(duì)變換結(jié)果用極坐標(biāo)表示。RW和FW表示SWi的幅度和相位。

3）計(jì)算預(yù)測(cè)的幅度和相位：

4）計(jì)算不可預(yù)測(cè)性度量C（w）：

計(jì)算閾值如圖1所示。

5）計(jì)算能量和不可預(yù)測(cè)性：

6）用上一步計(jì)算的能量和不可預(yù)測(cè)性卷積頻帶擴(kuò)展函數(shù)：

7）計(jì)算音調(diào)索引值tbb：

其中 conv1=0.229，conv2=0.43，均為常數(shù)。

8）計(jì)算各部分的信噪比SNR：

miniba1是閾值計(jì)算表中的值，可以查表，TMN為29 dB，NMT為 6.0 dB。

圖1 閾值計(jì)算流程圖Fig.1 Threshold calculation flow chart

9）計(jì)算實(shí)際的能量門限：

其中norm是一個(gè)規(guī)格化的常數(shù)。

10）計(jì)算預(yù)回聲控制?？紤]到絕對(duì)掩蔽門限，則可聽性的最終能量門限閾值為：

其中 rpwlev=2，rpwlev_2=16，qthr是為靜音閾值。

計(jì)算感知熵PE，進(jìn)而決定塊類型：

11）計(jì)算感知熵PE：

式中，cbwidth當(dāng)前閾值計(jì)算部分的寬度，查表可得。

12）根據(jù)感知熵PE大小確定塊類型：

如果 PE＞1 800 或 max eb＞30 min eb，或（PE＞100，max eb＞10min eb）用short類型，其余用long類型。

根據(jù)確定好的塊類型，分長(zhǎng)短塊再計(jì)算掩蔽閾值：

13）閾值計(jì)算的第二部分[3]（長(zhǎng)塊）

①計(jì)算每個(gè)縮放比例因子帶的能量和閾值：

其中 bu、b0、w1、w2 的值查表可得。

②計(jì)算每個(gè)縮放比例因子頻帶的比值：

14）計(jì)算短塊閾值：

①計(jì)算第一個(gè)短塊能量；

②用擴(kuò)展函數(shù)卷積分區(qū)能量；

③計(jì)算短塊閾值，在此與閾值計(jì)算第一部分的不同是這里的SNR的值可直接從表中查得；

④將計(jì)算的閾值與靜音閾值和前面計(jì)算的最終閾值作比較，取最大者作為最后的閾值thr；

⑤調(diào)用閾值計(jì)算第二部分；

⑥塊數(shù)目加1，判斷塊數(shù)目是否＞3，是則返回，不是則循環(huán)重復(fù)②步。

1.2 改進(jìn)后的心理聲學(xué)模型

獨(dú)有的3個(gè)步驟[2]。計(jì)算聲道間掩蔽效應(yīng)：

15）計(jì)算縮放比例因子帶左聲道的閾值l、右聲道的閾值r；

16）左聲道的掩蔽效應(yīng)+=r*interCHRatio；右聲道的掩蔽效應(yīng)+=l*interCHRatio。

式中interCHRatio是通道間掩蔽效應(yīng)因子，是一個(gè)設(shè)定的值。

計(jì)算mid/side channel的閾值，編碼模式為立體聲：

17）長(zhǎng)塊m/s channel閾值的計(jì)算；

18）短塊m/s channel閾值的計(jì)算和17）步長(zhǎng)塊相似，只是需要從第一塊到第三塊循環(huán)計(jì)算三次即可。

下一步邊、中聲道掩蔽比值的計(jì)算[6]：

長(zhǎng)塊時(shí)：x1=max（長(zhǎng)塊左、右聲道閾值），x2=max（長(zhǎng)塊左、右聲道閾值）；

短塊時(shí)，計(jì)算方法和長(zhǎng)塊類似，只需循環(huán)3次。

下一步確定最后的塊類型：根據(jù)有無(wú)attack在4個(gè)塊類型間切換，確定最后輸出塊類型。 心理聲學(xué)模型最終輸出塊類型、閾值、比值及感知熵，供后面的MDCT和量化編碼模塊參考使用。

2 編碼器量化模塊的改進(jìn)

由量化公式：

量化的計(jì)算是比較復(fù)雜的。量化模塊是一個(gè)多次循環(huán)的過(guò)程，隨著步長(zhǎng)stepsize的調(diào)整，每條頻線都要經(jīng)過(guò)多次的量化計(jì)算，因此量化模塊是整個(gè)MP3編碼算法中運(yùn)算量最大的部分，該模塊的改進(jìn)和速度的提高，對(duì)于整個(gè)編碼過(guò)程的實(shí)時(shí)性保障，具有重大的意義。量化模塊由3層循環(huán)構(gòu)成，即：幀循環(huán)、外循環(huán)、內(nèi)循環(huán)。在這3層循環(huán)中，又以外循環(huán)計(jì)算量最大，消耗的系統(tǒng)資源最多。內(nèi)循環(huán)主要對(duì)MDCT后的頻譜線做量化操作。外循環(huán)主要是一個(gè)調(diào)整比例因子（scalefactor）以控制量化噪音低于掩蔽曲線的循環(huán)。盡可能地減少內(nèi)外循環(huán)的次數(shù)，減少量化的計(jì)算次數(shù)對(duì)速度的提升是非常明顯的。

1）外循環(huán)的改進(jìn)

外循環(huán)退出的3個(gè)條件[4]分別是：所有的比例因子帶（scalefactor band）里的比例因子scalefactor是否都進(jìn)行了調(diào)整；比例因子是否超出了上限；所有比例因子帶的量化噪聲是否都在掩蔽曲線以內(nèi)。這3個(gè)條件在實(shí)際應(yīng)用中是非?？量痰?。一般情況下，如果要尋找到最佳量化效果，外循環(huán)的循環(huán)次數(shù)至少要經(jīng)過(guò)30次。在最壞的情況下，外循環(huán)的次數(shù)甚至可以達(dá)到近50次。當(dāng)這種情況發(fā)生時(shí)，就會(huì)導(dǎo)致該幀信號(hào)的編碼耗時(shí)非常長(zhǎng)，將會(huì)嚴(yán)重地影響到編碼器的性能。為了避免發(fā)生這種情況，本論文對(duì)外循環(huán)的退出條件，增加了另外一個(gè)約束條件，當(dāng)外循環(huán)的循環(huán)次數(shù)超過(guò)某個(gè)設(shè)定的上限時(shí)，不管是否達(dá)到最佳量化效果，都將強(qiáng)制退出外循環(huán)，并將最后一次量化作為最終的量化結(jié)果。這樣處理的好處是可以避免外循環(huán)的次數(shù)過(guò)多，從而導(dǎo)致其計(jì)算量過(guò)大，從而保證編碼器的實(shí)時(shí)性能。

這里最關(guān)鍵的是要合理地設(shè)置循環(huán)次數(shù)的上限值，如果設(shè)置得過(guò)小，則量化效果將會(huì)很差，從而導(dǎo)致編碼質(zhì)量嚴(yán)重下降；反之，則該上限值基本上起不到作用，從而導(dǎo)致編碼器的實(shí)時(shí)性能得不到保障。經(jīng)過(guò)大量的測(cè)試，在本文的設(shè)計(jì)中，將外循環(huán)的循環(huán)次數(shù)上限設(shè)定為10次，該上限值可以做到性能和運(yùn)算量?jī)烧叩募骖櫋?/p>

經(jīng)上述改進(jìn)后，在本論文的研究中，退出外循環(huán)的4個(gè)條件如下：

①所有比例因子帶的Scalefactor如果都進(jìn)行了調(diào)整，則退出外循環(huán)；

②如果比例因子超出了規(guī)定的上限，則退出外循環(huán)；

③如果小于兩個(gè)比例因子帶的量化噪聲不在掩蔽曲線之內(nèi)，則退出外循環(huán)；

④如果循環(huán)的次數(shù)大于10次，則退出外循環(huán)；

以上4個(gè)改進(jìn)后的外循環(huán)退出條件，實(shí)際上是以犧牲精度來(lái)?yè)Q取速度。但經(jīng)過(guò)大量的測(cè)試，這些精度犧牲帶來(lái)的誤差，是人耳幾乎無(wú)法感知出來(lái)的。其帶來(lái)的直接好處是循環(huán)次數(shù)大大地減少了。經(jīng)過(guò)大量的測(cè)試發(fā)現(xiàn)，這種改進(jìn)使得資源的消耗降到了原來(lái)的1/3。

2）內(nèi)循環(huán)的改進(jìn)

在內(nèi)循環(huán)中，不斷地調(diào)整量化步長(zhǎng)（stepsize），以便使得Huffman編碼過(guò)程所需的比特?cái)?shù)最少。每進(jìn)行這樣的一次調(diào)整，就要對(duì)所有的頻線量化一次。若循環(huán)次數(shù)太多，將會(huì)耗費(fèi)大量的時(shí)間。因此，如何盡快地找到合適的量化步長(zhǎng)（stepsize），也是一個(gè)非常重要的問(wèn)題。在此過(guò)程中，本論文采用了兩種方法[5]相結(jié)合的辦法來(lái)尋找合適的量化步長(zhǎng)：

①充分利用音頻信號(hào)的時(shí)間相關(guān)性，將前一幀的最終量化步長(zhǎng)作為當(dāng)前幀的初始步長(zhǎng)，將量化比特?cái)?shù)代入一個(gè)二元一次方程計(jì)算得到此時(shí)量化步長(zhǎng)stepsize的估計(jì)值，然后再進(jìn)行步長(zhǎng)增幅的微調(diào)；

②進(jìn)行微調(diào)時(shí)，每次步長(zhǎng)的增幅大小不是固定為1，而是根據(jù)超出的比特?cái)?shù)來(lái)選擇不同的增幅，通過(guò)這種變步長(zhǎng)增幅的方式，就可以大幅度地減少尋找量化步長(zhǎng)的循環(huán)次數(shù)。

同時(shí)還對(duì)量化公式進(jìn)行了如下的變形：

這樣，每一根頻譜線只需計(jì)算一次|xr（i）|0.75，不用每調(diào)整一次步長(zhǎng)就計(jì)算一次。只需根據(jù)不同的量化步長(zhǎng)計(jì)算，而stepsize通常只取整數(shù)值，且有一定的取值范圍的，可以將stepsize作為索引值，將的結(jié)果制成一張表，每次只需根據(jù)stepsize的值去查表即可。

通過(guò)對(duì)內(nèi)外循環(huán)進(jìn)行如上的改進(jìn)，整個(gè)量化模塊的循環(huán)次數(shù)和計(jì)算量相比原來(lái)有了很大的減少，性能有了明顯的進(jìn)步。

3 性能測(cè)試

為了得到客觀的結(jié)果，在此選取20個(gè)音頻信號(hào)進(jìn)行測(cè)試，其中包含單聲道信號(hào)、雙聲道信號(hào)，也包含采樣率為48 kHz、44.1 kHz的信號(hào)，既有脈沖信號(hào)，也有持續(xù)性較長(zhǎng)的周期信號(hào)。

通過(guò)對(duì)比可以看出，采用新型心理聲學(xué)模型，并改進(jìn)量化循環(huán)模塊后，MP3編碼算法質(zhì)量測(cè)試ODG值相比改進(jìn)之前有了明顯的提高，大部分音頻信號(hào)的測(cè)試ODG值都已經(jīng)處于可接受的范圍之內(nèi)，特別是原來(lái)一些質(zhì)量較差的信號(hào)（ODG值低于-3），編碼質(zhì)量更是得到了大幅度的提升。這說(shuō)明改進(jìn)是非常有效的，達(dá)到了設(shè)定的要求。

4 結(jié)束語(yǔ)

本文首先從改進(jìn)MP3編碼算法的質(zhì)量入手，采用全新的心理聲學(xué)模型替換原心理聲學(xué)模型，然后對(duì)量化編碼模塊進(jìn)行了改進(jìn)，使編碼質(zhì)量度有了明顯的提高，在提高質(zhì)量的基礎(chǔ)上，編碼速度也有了一定的改善，再通過(guò)采取一些其他的優(yōu)化措施，包括算法結(jié)構(gòu)優(yōu)化、C代碼優(yōu)化等，使編碼速度基本達(dá)到了要求。

[1]豐帆.MP3數(shù)字音頻編解碼算法的研究及實(shí)現(xiàn)[D].西安：西安電子科技大學(xué)，2008.

[2]馬昌萍，宋丹，馬幼鳴.MP3編碼算法分析[J].佳木斯大學(xué)學(xué)報(bào)，2005，23（1）:64-67.MA Chang-ping，SONG dan，MA You-ming.Analysis of the MP3 coding algorithm[J].Journal of Jiamusi University，2005，23（1）:64-67.

[3]張力光，王讓定.心理聲學(xué)模型及其在 MP3編碼中的應(yīng)用[J].寧波大學(xué)學(xué)報(bào)（理工版），2010，23（3）:27-30.ZHANG Li-guang，WANG Rang-ding.Psychoacoustic model and its application in MP3 coding[J].Journal of Ningbo University:Science and Technology，2010，23（3）:27-30.

[4]ISO/IEC JTC1/SC29/WG11 MPEG，11172-3.Information Technology—Coding of Moving Pictures and Associated Audio for Digital Storage Media at up to About 1.5Mbit/s，part 3:Audio[S]，1992.

[5]Shlien S.Guide to MPEG-1 Audio Standard[J].IEEE Transactions on Broadcasting，1994，40（4）:214-215.

[6]McCandless M.The MP3 revolution[J].IEEE Intelligent Systems Archive，1999，14（3）:8-9.