数字音频处理技术PPT推荐.pptx

1、人们是否能听到音频信号，主要取决于各个人的 年龄和耳朵的功能。,2.1.2 听觉系统的感知特性,响度声音的响度就是声音的强弱。在物理上，声音的响 度使用客观测量单位来度量，即dyn/cm2（达因/平方厘 米）（声压）或W/cm2（瓦特/平方厘米）（声强）。在心理上，主观感觉的声音强弱使用响度级“方（phon）”或者“宋（sone）”来度量。当声音弱到人的耳朵刚刚可以听见时，我们称此时 的声音强度为“听阈”。另一种极端的情况是声音强到 使人耳感到疼痛。这个阈值称为“痛阈”。人耳的听 阈和痛阈分别对应的声压级为0dB和120dB。,音高,客观上用频率来表示声音的音高，其单位是Hz。而主观感觉的音高

2、单位则是“mel（美）”。主观音高与 客观音高的关系是,掩蔽效应,一种频率的声音阻碍听觉系统感受另一种频率的声音的现象 称为掩蔽效应。前者称为掩蔽声音（masking tone），后者称为被 掩蔽声音（masked tone）。掩蔽可分成频域掩蔽和时域掩蔽。频域掩蔽一个强纯音会掩蔽在其附近同时发声的弱纯音，这种特性称 为频域掩蔽，也称同时掩蔽（simultaneous masking）。时域掩蔽除了同时发出的声音之间有掩蔽现象之外，在时间上相邻的 声音之间也有掩蔽现象，并且称为时域掩蔽。时域掩蔽又分为超 前掩蔽（pre-masking）和滞后掩蔽（post-masking），产生时域掩 蔽的主

3、要原因是人的大脑处理信息需要花费一定的时间。,2.1.3 音频类别与数据率,根据音频的频带，通常把音频的质量分成5个等 级，由低到高分别是电话（telephone）,调幅（amplitude modulation,AM）广播、调频（frequency modulation,FM）广播、激光唱盘（CD-Audio）和数字录音带（digital audio tape,DAT）的声音。,2.2 音频信号数字化,音频信息处理主要包括音频信号的数字化和音频信 息的压缩两大技术，图2-1是音频信息处理结构框图。音 频信号的数字化过程就是将模拟音频信号转换成有限个 数字表示的离散序列，即数字音频序列，在这一

4、处理过 程中涉及到模拟音频信号的采样、量化和编码。,模拟音 频信号,采样,按不同应用目标 进行数字压缩 频信号,图2-1 音频信息处理框图,音频信号数字化量化编码,采样,采样就是在时间上将连续信号离散化的过程，采样一般是按均 匀的时间间隔进行的。每秒钟采样的次数称采样频率，单位为Hz。显然，采样频率越高，所取的一系列值就越能精确地反映原来的模 拟信号。否则，采样频率越低，就会使原信号失真。采样频率的高低是根据奈奎斯特理论（Nyquist theory）和声音信 号本身的最高频率决定的。奈奎斯特理论指出：采样频率不应低于 声音信号最高频率的两倍，这样就能把以数字表达的声音还原成原 来的声音，这叫

5、做无损数字化。采样定律用公式表示为：或者其中为被采样信号的最高频率。,量化,量化是指将每个采样值在幅度上进行离散化处理。量化可分为 均匀量化和非均匀量化。量化会引入失真，并且量化失真是一种不 可逆失真，这就是通常所说的量化噪声。在量化过程中，设定的量化间隔数越多，即量化级越多，近似效 果则越好，就越接近模拟值。但是误差总是存在的，因为有限的量 化级数永远不可能完全地表示量化间隔内拥有无限幅度值的模拟信 号。同时，量化级数越多，需要的存储空间就越大。在实际应用中，应综合考虑声音质量要求和存储空间的限制，以达到综合最优化。,编码,编码过程是指用二进制数来表示每个采样的量化值。如果是均 匀量化，又采

6、用二进制数表示，这种编码方法就是脉冲编码调制（Pulse Code Modulation,PCM），这是一种最简单、最方便的编 码方法。在实际过程中量化和编码是同时进行的。经过编码后的声音信号就是数字音频信号，音频压缩编码就是 在它的基础上进行的。,2.3 音频信息压缩编码分类,波形编码参数编码混合编码,波形编码是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。波形编码的优点是实现简单、语音质量较好、适应性强等。缺点是话音 信号的压缩程度不是很高，实现的码速率比较高。常见的波形压缩编码方法有：脉冲编码调制PCM、增量调制编码DM、差值脉冲编码调制DPC

7、M、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。波形编码 的比特率一般在16至64之间，它有较好的话音质量与成熟的技术实现方法。当数 码率低于32的时候音质明显降低，16 时音质就非常差了。采用波形编码时，编码信号的速率可以用下面的公式来计算：编码速率采样频率 编码比特数若要计算播放某个音频信号所需要的存储容量，可以用下面的公式：存储容量播放时间速率8（字节）,2.3.1 波形编码,2.3.2 参数编码,参数编码又称声源编码，它是通过构造一个人发声的模型，以发声机制的模型作为基础，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

8、从模拟语音信号 中提取各个特征参量并对这些参量进行量化编码，以实现语音信 息的数字化。实现这种编码的方式也称为声码器。这种编码的特 点是语音编码速率较低，基本上在29.6kbit/s之间。可见其压缩 的比特率较低。但是也有其缺点：首先是合成语音质量较差，往 往清晰度满足要求而自然度不好，难于辨认说话人是谁；其次是 电路实现的复杂度比较高。目前，编码速率小于16kbit/s的低比特 话音编码大都采用参数编码，参数编码在移动通信、多媒体通信 和IP网络电话应用中都起到了重要的作用。参数编码的典型代表 是线性预测编码（LPC）。,2.3.3 混和编码,混和编码将波形编码和参量编码结合起来，力图保持波

9、形编码话音的高质量与参量编码的低速率。采用混合编码的编码器有：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。以上三种压缩编码的性能比较可以用下图来表示：,图2-2 三种压缩编码的性能比较,2.4.1 音频信息压缩的可行性,音频信号能够进行压缩编码的原因是：语音信号中存在大量冗余信息，即：语音信号样本间具有很强的 相关性；浊音语音段具有准周期特性；声道的形状及其变化的速率 有限；传输码元的概率分布非均匀。人耳对声音信号中的部分信息不敏感，即人耳对声音中的

10、低频成 分比高频成分敏感；人耳对语音信号的相位特征不敏感。人耳中存在“听觉掩蔽（Auditory Masking）”效应，即某一声 音引起听觉器对另一声音的敏感度下降。掩蔽的程度取决于掩蔽声 的强度及掩蔽声与被掩蔽声之间的频率关系。,2.4.2 音频编码技术的评价指标,编码速率编码速率直接反应了语音编码对语音信息的压缩程度。在保证语音质量 的前提下，我们希望编码速率越小越好。合成语音质量合成语音质量可以说是语音编码性能的最根本指标。评价合成语音质量 的方法很多，多年来人们提出的许多方法，归纳起来可以分为两类：主观 评价方法和客观评价方法。,主观评价方法,主观评价方法是基于一组测试者对原始语音和

11、合成语音进行对比试听 的基础上，根据某种预先约定的尺度来对失真语音划分质量等级，它比较 全面地反映了人们听音时对合成语音质量的感觉。常用的主观评价方法有3 种：平均意见得分（MOS,Mean Opinion Score），判断韵字测试（DRT,Diagnostic Rhyme Test）和判断满意度测量（DAM，Diagnostic Acceptability Measure）。目前国际上最通用的主观评价方法是MOS评分。,客观评价方法,客观评价方法建立在原始语音和合成语音的数学对比之上。常 用的方法可分为时域客观评价和频域客观评价两大类。时域客观评 价常用的方法有信噪比、加权信噪比和平均分段

12、信噪比等；频域客 观评价常用的方法有巴克谱失真测度（BSD,Bark Spectral Distortion）和美尔谱失真测度（Me1-SD，Mel Spectral Distortion Measure）等。编解码延时编解码延时一般用单次编解码所需时间来表示。在实时语音通 信系统中必须对语音编解码算法的编解码延时提出一定的要求。对 于公用电话网，编解码延时通常要求不超过5 10ms。而对于移动 蜂窝通信系统，允许最大延时不超过100ms。,算法复杂度算法复杂度主要影响到语音编解码器的硬件实现。它决定了硬 件实现的复杂程度、体积、功耗以及成本等。总的来说，一个理想的语音编码算法应该是低速率、高

13、合成语 音质量、低时延、低运算复杂度并具有良好的编码顽健性、可扩展 性的编码算法。由于这些性能之间存在着互相制约的关系，实际的 编码算法都是这些性能的折中。事实上，正是这些相互矛盾的要求推动了音频编码技术的不断发展。,2.4.3 常用音频信息压缩编码算法,非均匀PCM（/A律压扩方法）,采用非均匀量化编码能够减少表示采样的位数，从而达到 数据压缩的目的。其基本思路是，当输入信号幅度小时，采用 较小的量化间隔；当输入信号幅度大时，采用较大的量化间隔。即对小信号扩展，大信号压缩。这样就可以做到在一定的精度下，用更少的二进制码位来表示采样值。,基本思路：当输入 信号幅度小时，采 用较小的量化间隔；当

14、输入信号幅度大 时，采用较大的量 化间隔。即对小信 号扩展，大信号压 缩的。,非均匀 量化间隔,X1,X2X3,X4X5采样输入样本值,X6,量化输 出数据,律压扩律压扩主要用在北美和日本等地区的数字电话通信中，按 下面的式子确定量化输入和输出的关系：,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 11；sgn（x）为x的极性；为压扩参数，其取值范围为100500，越大，压扩越厉害。由于律压扩的输入和输出关系是对数关系，所以这种编码又称为对数PCM。,在实际应用中，规定某个值，采用数段折线来逼近图压扩特性。,这样就大大地简化了计算并保证了一定的精度。例如，当选择255 时，压扩特性用8段折线来代替。当用8位二进制表示一个采样时，可以得到无压扩的13位二进制数码的音频质量。这8位二进制数中，最高位表示符号位，其后3位用来表示折线编号，最后4位用来表示 数据位。律压扩数据格式如图2-4所示。,图2-4 律压扩数据格式,A律压扩,另外一种常用的压扩特性为A律13折线，它实际上是将律 压扩特性曲线以13段直线代替而成的。我国和欧洲采用的是A 律13折线压扩法，美国和日本采用的是律。对于A律13折线，一个信号样值的编码由两部分构成：段落码