【文章內容簡介】 ltimediadirectoryservices)，– 例如黃頁 (yellowpages)；? 廣播媒體的選擇，– 例如無線電頻道， TV頻道等；? 多媒體編輯，– 例如個人電子新聞服務，多媒體創(chuàng)作等等。? 潛在應用的應用領域包括：– 教育、娛樂、新聞、旅游、醫(yī)療、購物等等。 中山大學信息科學與技術學院 , 黃劍多媒體技術基礎 ,2023年MPEG聲音 ? 與前面章節(jié)介紹的波形聲音壓縮編碼 (如ADPCM)和參數(shù)編碼 (如 LPC)不同， MPEG1和MPEG2的聲音數(shù)據(jù)壓縮編碼不是依據(jù)波形本身的相關性和模擬人的發(fā)音器官的特性，而是利用人的聽覺系統(tǒng)的特性來達到壓縮聲音數(shù)據(jù)的目的，這種壓縮編碼稱為感知聲音編碼(perceptualaudiocoding)。? 進入 20世紀 80年代之后，尤其最近幾年，人類在利用自身的聽覺系統(tǒng)的特性來壓縮聲音數(shù)據(jù)方面取得了很大的進展，先后制定了 MPEG1Audio,MPEG2Audio和 MPEG2AAC等標準。 中山大學信息科學與技術學院 , 黃劍多媒體技術基礎 ,2023年MPEG聲音? MPEGAudio壓縮編碼算法中的三個特性：– 響度、– 音高– 掩蔽效應。中山大學信息科學與技術學院 , 黃劍多媒體技術基礎 ,2023年MPEG聲音對響度的感知 ? 聲音的響度就是聲音的強弱。– 在物理上，聲音的響度使用客觀測量單位來度量，即 dyn/cm2(達因 /平方厘米 )(聲壓 )或 W/cm2(瓦特 /平方厘米 )(聲強 )。– 在心理上，主觀感覺的聲音強弱使用響度級 “方(phon)”或者 “宋 (sone)”來度量。? 這兩種感知聲音強弱的計量單位是完全不同的兩種概念，但是它們之間又有一定的聯(lián)系。中山大學信息科學與技術學院 , 黃劍多媒體技術基礎 ,2023年MPEG聲音? 當聲音弱到人的耳朵剛剛可以聽見時，我們稱此時的聲音強度為 “聽閾 ”。– 例如， 1kHz純音的聲強達到 1016w/cm2(定義成零 dB聲強級 )時，人耳剛能聽到，此時的主觀響度級定為零方。實驗表明，聽閾是隨頻率變化的。測出的 “聽閾 — 頻率 ”曲線如圖 901所示。圖中最靠下面的一根曲線叫做 “零方等響度級 ”曲線，也稱“絕對聽閾 ”曲線，即在安靜環(huán)境中，能被人耳聽到的純音的最小值。? 另一種極端的情況是聲音強到使人耳感到疼痛。– 實驗表明，如果頻率為 1kHz的純音的聲強級達到 120dB左右時 ， 人的耳朵就感到疼痛，這個閾值稱為 “痛閾 ”。對不同的頻率進行測量，可以得到 “痛閾 — 頻率 ”曲線，如圖 901中最靠上面所示的一根曲線。這條曲線也就是 120方等響度級曲線。中山大學信息科學與技術學院 , 黃劍多媒體技術基礎 ,2023年MPEG聲音? 在 “聽閾 — 頻率 ”曲線和 “痛閾 — 頻率 ”曲線之間的區(qū)域就是人耳的聽覺范圍。這個范圍內的等響度級曲線也是用同樣的方法測量出來的。由圖 901可以看出， 1kHz的 10dB的聲音和 200Hz的 30dB的聲音，在人耳聽起來具有相同的響度。? 圖 901說明人耳對不同頻率的敏感程度差別很大，其中對 2kHz～ 4kHz范圍的信號最為敏感，幅度很低的信號都能被人耳聽到。而在低頻區(qū)和高頻區(qū)，能被人耳聽到的信號幅度要高得多。 圖 901 “聽閾 —頻率 ”曲線 中山大學信息科學與技術學院 , 黃劍多媒體技術基礎 ,2023年MPEG聲音對音高的感知 ? 客觀上用頻率來表示聲音的音高，其單位是 Hz。而主觀感覺的音高單位則是 “美 (Mel)”,主觀音高與客觀音高的關系是 :Mel=log2(1+f),其中 的單位為 Hz，這也是兩個既不相同又有聯(lián)系的單位。 ? 人耳對響度的感覺有一個范圍，即從聽閾到痛閾。同樣，人耳對頻率的感覺也有一個范圍。人耳可以聽到的最低頻率約 20Hz，最高頻率約 18000Hz。正如測量響度時是以 1kHz純音為基準一樣，在測量音高時則以40dB聲強為基準，并且同樣由主觀感覺來確定。中山大學信息科學與技術學院 , 黃劍多媒體技術基礎 ,2023年MPEG聲音? 測量主觀音高時，讓實驗者聽兩個聲強級為 40dB的純音，固定其中一個純音的頻率，調節(jié)另一個純音的頻率，直到他感到后者的音高為前者的兩倍，就標定這兩個聲音的音高差為兩倍。實驗表明，音高與頻率之間也不是線性關系。測出的 “音高 — 頻率 ”曲線如圖所示。 “音高 —頻率 ”曲線 中山大學信息科學與技術學院 , 黃劍多媒體技術基礎 ,2023年MPEG聲音? 掩蔽效應 ? 一種頻率的聲音阻礙聽覺系統(tǒng)感受另一種頻率的聲音的現(xiàn)象稱為掩蔽效應。– 前者稱為掩蔽聲音 (maskingtone)，– 后者稱為被掩蔽聲音 (maskedtone)。? 掩蔽可分成頻域掩蔽和時域掩蔽。中山大學信息科學與技術學院 , 黃劍多媒體技術基礎 ,2023年? 一個強純音會掩蔽在其附近同時發(fā)聲的弱純音，這種特性稱為頻域掩蔽，也稱同時掩蔽 (simultaneousmasking)。 – 如圖 903所示，一個聲強為 60dB、頻率為 1000Hz的純音，另外還有一個 1100Hz的純音，前者比后者高 18dB，在這種情況下我們的耳朵就只能聽到那個 1000Hz的強音。如果有一個 1000Hz的純音和一個聲強比它低 18dB的 2023Hz的純音，那么我們的耳朵將會同時聽到這兩個聲音。要想讓 2023Hz的純音也聽不到，則需要把它降到比1000Hz的純音低 45dB。一般來說，弱純音離強純音越近就越容易被掩蔽。聲強為 60 dB、頻率為 1000 Hz純音的掩蔽效應 中山大學信息科學與技術學院 , 黃劍多媒體技術基礎 ,2023年? 在圖 904中的一組曲線分別表示頻率為 250Hz、 1kHz、 4kHz和 8kHz純音的掩蔽效應，它們的聲強均為 60dB。從圖中可以看到：– 在 250Hz、 1kHz、 4kHz和 8kHz純音附近，對其他純音的掩蔽效果最明顯，– 低頻純音可以有效地掩蔽高頻純音，但高頻純音對低頻純音的掩蔽作用則不明顯。不同純音的掩蔽效應曲線 中山大學信息科學與技術學院 , 黃劍多媒體技術基礎 ,2023年由于聲音頻率與掩蔽曲線不是線性關系，為從感知上來統(tǒng)一度量聲音頻率，引入了 “臨界頻帶 (critical band)”的概念。通常認為，在 20 Hz到 16 kHz范圍內有24個臨界頻帶，如下表所示。臨界頻帶的單位叫 Bark(巴克 )中山大學信息科學與技術學院 , 黃劍多媒體技術基礎 ,2023年MPEG聲音? 時域掩蔽 ? 除了同時發(fā)出的聲音之間有掩蔽現(xiàn)象之外，在時間上相鄰的聲音之間也有掩蔽現(xiàn)象，并且稱為時域掩蔽。? 時域掩蔽又分為超前掩蔽 (premasking)和滯后掩蔽 (postmasking)，如圖所示。產生時域掩蔽的主要原因是人的大腦處理信息需要花費一定的時間。一般來說，超前掩蔽很短，只有大約 5～ 20ms，而滯后掩蔽可以持續(xù) 50～ 200ms。這個區(qū)別也是很容易理解的。中山大學信息科學與技術學院 , 黃劍多媒體技術基礎 ,2023年MPEGAudio與感知特性 ? MPEGAudio標準在本書中是指 MPEG1Audio、 MPEG2Audio和 MPEG2AAC，它們處理 10Hz～ 20230Hz范圍里的聲音數(shù)據(jù)。? 數(shù)據(jù)壓縮的的主要依據(jù)是人耳朵的聽覺特性，使用 “心理聲學模型(psychoacousticmodel)”來達到壓縮聲音數(shù)據(jù)的目的。中山大學信息科學與技術學院 , 黃劍多媒體技術基礎 ,2023年MPEGAudio與感知特性 ? 心理聲學模型中一個基本的概念就是聽覺系統(tǒng)中存在一個聽覺閾值電平，低于這個電平的聲音信號就聽不到，因此就可以把這部分信號去掉。– 聽覺閾值的大小隨聲音頻率的改變而改變，各個人的聽覺閾值也不同。大多數(shù)人的聽覺系統(tǒng)對 2kHz～ 5kHz之間的聲音最敏感。– 一個人是否能聽到聲音取決于聲音的頻率，以及聲音的幅度是否高于這種頻率下的聽覺閾值。? 心理聲學模型中的另一個概念是聽覺掩飾特性，意思是聽覺閾值電平是自適應的，即聽覺閾值電平會隨聽到的不同頻率的聲音而發(fā)生變化。– 例如，同時有兩種頻率的聲音存在，一種是 1000Hz的聲音，另一種是 1100Hz的聲音，但它的強度比前者低 18分貝，在這種情況下，1100Hz的聲音就聽不到。– 也許你有這樣的體驗，在一安靜房間里的普通談話可以聽得很清楚，但在播放搖滾樂的環(huán)境下同樣的普通談話就聽不清楚了。聲音壓縮算法也同樣可以確立這種特性的模型來取消更多的冗余數(shù)據(jù)。中山大學信息科學與技術學院 , 黃劍多媒體技術基礎 ,2023年MPEG1Audio? 聲音的數(shù)據(jù)量由兩方面決定：– 采樣頻率和樣本精度。– 對單聲道信號而言，每秒鐘的數(shù)據(jù)量 (位數(shù) )=采樣頻率 x樣本精度。要減小數(shù)據(jù)量，就需要降低采樣頻率或者降低樣本精度。– 但是人耳可聽到的頻率范圍大約是 20Hz～ 20kHz。根據(jù)奈奎斯特理論，要想不失真地重構信號，采樣頻率不能低于 40kHz。– 再考慮到實際中使用的濾波器都不可能是理想濾波器，以及考慮各國所用的交流電源的頻率，為保證聲音頻帶的寬度，所以采樣頻率一般不能低于 kHz。– 這樣，壓縮就必須從降低樣本精度這個角度出發(fā)，即減少每位樣本所需要的位數(shù)。中山大學信息科學與技術學院 , 黃劍多媒體技術基礎 ,2023年MPEG1Audio? 前面介紹了線性預測編碼 (linearpredictivecoding，LPC)的方法，這種方法主要是針對話音的編碼，這種編碼方法稱為音源特定編碼法 (sourcespecificmethods)。? MPEG1和 MPEG2的聲音壓縮采用了另一種方法，稱為子帶編碼 (subbandcoding， SBC)方法，這也是一種功能很強而且很有效的聲音信號編碼方法。– 與音源特定編碼法不同， SBC不局限于只對話音進行編碼，也不局限于哪一種聲源。– 這種方法的具體思想是首先把時域中的聲音數(shù)據(jù)變換到頻域，對頻域內的子帶分量分別進行量化和編碼，然后根據(jù)心理聲學模型確定樣本的精度，從而達到壓縮數(shù)據(jù)量的目的。中山大學信息科學與技術學院 , 黃劍多媒體技術基礎 ,2023年MPEG1Audio? MPEG聲音數(shù)據(jù)壓縮的基礎是量化。– 雖然量化會帶來失真，但 MPEG標準要求量化失真對于人耳來說是感覺不到的。在 MPEG標準的制定過程中， MPEGAudio委員會作了大量的主觀測試實驗。實驗表明，采樣頻率為 48kHz、樣本精度為 16比特的聲音數(shù)據(jù)壓縮到 256kb/s時，即在 6： 1的壓縮率下，即使是專業(yè)測試員也很難分辨出是原始聲音還是編碼壓縮后的聲音。? MPEGAudio是一個子帶編碼系統(tǒng)。– 聲音數(shù)據(jù)壓縮算法的根據(jù)是心理聲學模型，心理聲學模型中一個最基本的概念是聽覺系統(tǒng)中存在一個聽覺閾值電平，低于這個電平的聲音信號就聽不到。– 聽覺閾值的大小隨聲音頻率的改變而改變，各個人的聽覺閾值也不同。大多數(shù)人的聽覺系統(tǒng)對 2kHz～ 5kHz之間的聲音最敏感。一個人是否能聽到聲音取決于聲音的頻率，以及聲音的幅度是否高于這種頻率下的聽覺閾值。中山大學信息科學與技術學院 , 黃劍多媒體技術基礎 ,2023年MPEG1Audio? 心理聲學模型中的另一個概念是聽覺掩飾特性，意思是聽覺閾值電平是自適應的，即聽覺閾值電平會隨聽到的頻率不同的聲音而發(fā)生變化。– 例如，在一般環(huán)境下房間里的普通談話可以聽得很清楚，但在搖滾樂環(huán)境下同樣的普通談話就聽不清楚了。聲音壓縮算法也同樣可以確立這種特性的模型，根據(jù)這個模型可取消冗余的聲音數(shù)據(jù)。 MPEGAudio的壓縮算法框圖如圖所示。中山大學信息科學與技術學院 , 黃劍多媒體技術基礎 ,2023年? 而 MPEG聲音 (ISO/IEC111723)壓縮算法是世界上第一個高保真聲音數(shù)據(jù)壓縮國際標準，并且得到了極其廣泛的應用。? 雖然 MPEG聲音標準是 MPEG標準的一部分，但它也完全可以獨立應用。? MPEG1聲音標準的主要性能如下： (1)如圖所示， MPEG編碼器的輸入信號為線性 PCM信號，采樣率為 32, 48kHz，輸出為 32kb/s～ 384kb/s。MPEG編碼器的輸入 /輸出 中山大學信息科學與技術學院 , 黃劍多媒體技術基礎 ,2023年(2)MPEG聲音標準提供三個獨立的壓縮層次：層1(Layer1)、層 2(Layer2)和層 3(Layer3)，用戶對層次的選擇可在復雜性和聲音質量之間進行權衡。 – 層 1的編碼器最為簡單，編碼器的輸出數(shù)據(jù)率為 384kb/s，主要用于小型數(shù)字盒式磁帶 (digitalpactcassette， DCC)。– 層 2的編碼器的復雜程度屬中等，編碼器的輸出數(shù)據(jù)率為 256kb/s～ 192kb/s，其應用包括數(shù)字廣播聲音 (digitalbroadcastaudio， DBA)、數(shù)字音樂、 CDI(pactdiscinteractive)和VCD(videopactdisc)等。– 層 3的編碼器最為復雜，編碼器的輸出數(shù)據(jù)率為 64kb/s，主要應用于 ISDN上的聲音傳輸。中山大學信息科學與技術學院 , 黃劍多媒體技術基礎 ,2023年? 在盡可能保持 CD