MP3编码分析

目录

一、MP3文件格式解析....2

1、MP3文件及MPEG概述...2

二、MP3编码原理....4

1、MP3编码流程...4

2、子带滤波器排——编码流程图中编号为1......5

3、改良后的DCT（MDCT）——编码流程图中编号为2......7

4、声音心理学模型——编码流程图中编号为3......8

5、位元分配、量化和Huffman编码——4......12

三、SHINE程序分析....13

1、文件数据结构...13

2、编码前化工作...14

3、MP3编码...14

4、后处理...17

注：下面的资料参考网上论文整理而来

一、MP3文件格式解析

1、MP3文件及MPEG概述

MP3文件是由帧(frame)构成的，帧是MP3 文件最小的组成单位。MP3 的全称应为MPEG1 Layer-3 音频文件。

MPEG(MovingPicture Experts Group)，MPGE音频层指MPGE文件中的声音部分，根据编码质量和复杂程度分为3层，即Layer-1、Layer2、Layer3，对应MP1、MP2、MP3三种格式文件。

2、MP3文件结构

MP3文件分为TAG_V2(ID3V2)，Frame, TAG_V1(ID3V1)共3部分。

（1）Frame格式

帧头为4个字节，其结构如下

typedef FrameHeader{

unsigned intsync:11;           //同步信息

unsigned intversion:2;          //版本

unsigned intlayer:2;            //层

unsigned intprotection:1;        // CRC校验

unsigned intbitrate:4;           //位率

unsigned intfrequency:2;        //采样频率

unsigned intpadding:1;          //帧长调节

unsigned intprivate:1;           //保留字

unsigned intmode:2;            //声道模式
unsigned int mode extension:2;    //扩充模式

unsigned intcopyright:1;          // 版权

unsigned intoriginal:1;            //原版标志

unsigned intemphasis:2;          //强调模式

}HEADER, *LPHEADER;

无论帧多长，每帧播放时间为26ms。MAIN_DATA长度为

Length(MAIN_DATA)=((version==MPEG1)?144:72)* bitrate / frequency + padding;

（2）ID3V1格式

ID3V1存放在MP3文件结尾，共128Bytes，各项信息都顺序存放，不足部分使用’\0’补足，可使用UltraEdit打开查看。

typedef struct tagID3V1
{

char Header[3]; /*标签头必须是"TAG"否则认为没有标签*/
char Title[30]; /*标题*/
char Artist[30]; /*作者*/
char Album[30]; /*专集*/
char Year[4]; /*出品年代*/
char Comment[28]; /*备注*/
char reserve; /*保留*/
char track;; /*音轨*/
char Genre; /*类型*/

}ID3V1,*pID3V1;

（3）ID3V2格式

ID3V2存放在MP3文件的首部，由1个标签头和若干标签帧组成。

标签头为10个字节，

char Header[3];          /*必须为"ID3"否则认为标签不存在*/
char Ver;                /*版本号ID3V2.3 就记录3*/
char Revision;            /*副版本号此版本记录为0*/
char Flag;               /*存放标志的字节，这个版本只定义了三位，稍后详细解说*/
char Size[4];             /*标签大小，包括标签头的10 个字节和所有的标签帧的大小*/

每个标签帧都有一个10个字节的帧头和至少一个字节的不固定长度的内容组成为，帧头的定义如下：

char FrameID[4];    /*用四个字符标识一个帧，说明其内容，稍后有常用的标识对照表*/
char Size[4];         /*帧内容的大小，不包括帧头，不得小于1*/
char Flags[2];        /*存放标志，只定义了6 位，稍后详细解说*/

 

二、MP3编码原理

1、MP3编码流程

MP3编码流程图

信号描述

（1）MP3编码输入信号：PCM（Pulse Code modulation）声音信号，有些.wav格式的音频文件为PCM信号。

（2）MP3编码输出信号：MP3格式码流

wav文件头格式

wav数据块

WAV格式文件所占容量= (取样频率X 量化位数X 声道)X 时间/ 8 (字节= 8bit)。

14H~15H的2个字节值为1时表示数据位PCM编码格式，可以作为MP3编码器的输入。

 

2、子带滤波器排——编码流程图中编号为1

子带滤波器及MDCT处理

子带滤波过程

为多重相位相位滤波器，将PCM信号输入后，滤波器系统看做线性系统，则有

           

再将用32点进行下采样，得子带滤波器输出结果为

  

ISO-M标准给出了如下图所示的实现方法，我们的程序将按照该实现方法编写。

ISO-M给出的滤波器组的实现

将上图整个流程综合用表达式表示为

其中

为分析矩阵的系数。是窗函数的系数，共512个点，其值在ISO11172-3标准的 ANNEX_C.DOC文档中给出了，为子带序列号，范围为0~31，为第i个子带的样点，且t是取样间隔的整数倍。

3、改良后的DCT（MDCT）——编码流程图中编号为2

DCT变换的目的：进一步提高频谱解析度，将每一个子频带细分为18个次频带。

在正式DCT运算前，需要对子带信号进行加窗处理，有如下4中窗框，长窗框（Normal Window）、长短窗框（Start Window）、短窗框（Short Window）与短长窗框（Stop Window）。

长窗框具有高的频谱解析度，短窗框的时间解析度比较高。

然后进行DCT变换，变换表达式 如下，

 

为DCT变换前加窗处理后的结果，如果加短窗框，则DCT运算中的，若加长框，则DCT运算中的。

在提高频域解析度的同时，加长框后会有假象（混叠现象）产生，因为不同子带之间存在混叠的信号，加长框会对混叠的信号当做该子带内正常信号处理，一种避免的办法是减弱混叠信号的强度。

噢，现在我们是知道了，所谓改良的DCT只不过是，（1）DCT变换前加窗处理（2）DCT变换（3）长框假象的处理 这3个过程。

到这里，还有一个问题，那就是窗框的选择问题，该如何选择窗框？窄的窗框具有好的时间分辨率，宽的窗框具有好的频率分辨率。我们回到编码流程图，

请注意图中的标号3，3表示声音心理学模型，窗框的宽窄选择与声音心里学模型相关，下面来分析该模型。

4、声音心理学模型——编码流程图中编号为3

研究声音心理学模型用途有：

（1）研究模型的PE值决定做MDCT变换时使用长窗框还是短窗框

（2）研究模型的SMR值决定量化编码时的比特数分配

现在不明白以上2条用途没关系，我们先来分析几个重要的概念。

（1）SPL(Sound Pressure Level)，表示声音强度的名词，SPL是评价听觉刺激强度的标准，也就是说，我们对外界声音的感觉强度完全由它决定，其单位为dB。

（2）静音门槛曲线

横轴为f(HZ)，纵轴为SPL(dB)，若声音强度（SPL）低于该曲线的值表示人听不到声音，如下图所示。从图中可以得出几条结论：

第一，人的听觉频率范围大约在10Hz~20KHz之间

第二，大约在3KHz到4KHz时SPL有最小值，也就是所人在该频率范围内的听觉最敏锐

（3）临界频带（Critical Bands）

因为人耳对不同频率的敏感程度不同，MPEG1/Audio将22KHz范围内可感知的频率范围划分为23~26个临界频带，如下图。

从表中能得出几条结论：

第一，当当中心频率值在500Hz以内时，不同临界频带的带宽()几乎相同，约100Hz

当中心频率值大于500Hz后，随着f值得上升，临界频带的带宽剧增

第二，从表中也可以看出，人耳对低频的解析度要比高频更好

（4）频域上的遮蔽效应

SPL较大的信号容易掩盖频率相近的SPL较小的信号，叫声音的遮蔽效应。就比如在机场很难听到打电话的声音。

如上图所示，Masking Threshold将大约在0.7kHz，1.6kHz和2.3kHz的信号遮蔽了，当然0.7kHz信号的SPL在静音门槛曲线之下，不被遮蔽也是听不到的。

在这里，涉及3个重要的量——SMR、SNR和MNR。

SMR(signal-to-maskratio)：指在一个临界频带内，从masker到遮噪门槛值的距离。

SNR(signal-to-noiseratio)：指信号经过m位元量化后的信噪比，等于量化前信号方差和量化噪声的方差之比，。

MNR(mask-to-noise)：用来测量人耳可以感知的失真参数，

如下图所示，展示了3者之间的关系，其中的灰色区域Critial Band指临界频带，Masking Threshold就是遮噪门槛曲线，图中的SMR指在临界频带内最大的SMR值。

遮噪门槛曲线和SMR、SNR、NMR

值得注意的是，（1）我们上面讨论的SMR、SNR和NMR三者都是基于临界频带的，但遮蔽效应不仅对临界频带有影响，对临近的临界频带也有影响，称为遮噪延展性（2）上图所显示的是一个临界频带内的一条遮噪曲线，实际情况存在多条遮噪曲线，结果是这些曲线的叠加。

（5）时域上的遮噪曲线

从上图可以看出，在一段很短的时间内（200ms左右），若出现了两个声音，不管出现的先后顺序，SPL大的声音(masker)会遮蔽SPL小的声音(maskee)。

若maskee出现在前，则遮噪曲线如上图的Pre-Masking；若maskee出现在后，则遮噪曲线如上图中的Post-Masking。由图中很容易看出，Post-Masking要比Pre-Masking在时间轴上要长很多。Pre-Masking能遮蔽前回音，这是选择MDCT窗口的一个依据。

（6）感知熵Perceptual Entropy（PE）

最重要的一点，PE能显示特定信号在理论上的压缩极限。PE的单位是bits/sample，代表每个取样在维持CD音质的情况下，能够压缩到的最低位元数。

 

重新回到本小节一开始就提到的声音心里学模型的用途，重新列一下：

（1）研究模型的PE值决定做MDCT变换时使用长窗框还是短窗框

（2）研究模型的SMR值决定量化编码时的比特数分配

对于第一条，MP3中定义，当PE>1800时，使用短窗框的MDCT来处理该grannul（MP3每个数据帧包含2个grannul，每个grannul包含18*32个subband采样）的子频带信号。因为当PE>1800表示这段音讯变化比较大，可能产生回音，不适合使用长框。

对于第二条，下面的位元分配将给出解释。

5、位元分配、量化和Huffman编码——4

（1）位元分配

位元分配目的是使每个频带的MNR达到最大，使音质最佳。过程为：寻找最小的MNR频带，分配位元给该频带以提高MNR，接着重新计算各频带的MNR。重复上述过程，直到位元分配结束。

[a]可编码位元数计算方法，1152指每个编码框的取样个数，

比如，以单声道为例，比特率为128kbps，采样频率为44.1kHz，则每个编码框可编码的位元数为3344。但考虑到挡头的32位，附属资料的136位和可选择的16位CRC，所以最终可用的位元数为3344-32-136-16=3160，实际编码最小单位为grannul，所以每个grannul可用位元数为3160/2=1580。

[b]MNR计算方法，在前面心理学模型中已经提到，

其中SMR由声音心理学模型提供，SNR信噪比则是由量化确定的。

（2）非均匀量化

上式为MP3量化的公式，其中为MDCT输出并调整后的值，为量化后的整数值，0.75是为了使量化器提供一致的SNR值，表示四舍五入。

下图为量化器的输入输出曲线，量化器的输入为浮点值频率，输出为整形值的频率。

由图知，量化器将输入的浮点值量化后变为整型值，且量化过程为非线性非均匀的。

频谱量化器的输入输出

三、SHINE程序分析

SHINE是一个C语言编写的MP编码程序，总共由11个源文件构成。将源文件添加到VC新建的控制台应用程序中即可运行，但运行时得使用命令行方式。

1、文件数据结构

在types.h中定义了一个config_t的结构体类型，并用它初始化了一个全局变量config，该变量作用相当于面向对象语言中的“对象”，用于在整个编码流程中对编码数据和参数进行保存和管理。

定义了一个用于存储PCM脉冲格式文件信息的结构体类型wave_t，并且用wave_t在config_t中定义了wave变量，该变量保存了MP3编码的源的信息，作为MP3编码器的输入。

定义了一个用于存储MP3编码后信息的结构体类型mpeg_t，同样用mpeg_t在config_t中定义了mpeg变量，该变量存储的信息作为编码后的MP3参数信息输出。

typedefstruct {

    time_t start_time;     /*记录编码起始时间*/

    char* infile;          /*编码输入文件*/

    wave_t wave;         /*PCM文件头信息*/

    char* outfile;         /*编码输出码流文件*/

    mpeg_t mpeg;        /*MP3文件头信息*/

} config_t;

以上的结构体主要用于保存“头”信息，编码输出后的字节流实体信息保存在bs结构体（bitstream.h文件中定义）中，bs结构体定义为

staticstruct

{

  FILE *f;           /* bitstream output file handle */

  unsigned int i;      /*file buffer index */

  unsigned char *b;   /* buffer pointer */

} bs;

结构体中的文件指针与指向同一个输出文件，b指向编码后的码流，编码结束后写入文件中。

2、编码前化工作

包括初始化config.mpeg结构体变量的默认值，打开wave类型文件（SHINE程序中此时只读取了文件头信息，没读取实体信息），根据读取的信息对mpeg输出信息进行配置。

3、MP3编码

MP3编码主要由3步组成，分析子频带滤波器组，MDCT变换到频域，位元分配与量化。每次的操作对象为输入PCM的一帧。

                              MP3编码核心调用

 /* polyphase filtering */

   for(gr=0; gr<config.mpeg.granules; gr++)

     for(ch=0; ch<config.mpeg.channels; ch++)

       for(i=0;i<18;i++)

         L3_window_filter_subband(&buffer[ch],&l3_sb_sample[ch][gr+1][i][0] ,ch);

 

    /* applymdct to the polyphase output */

    L3_mdct_sub(l3_sb_sample, mdct_freq);

 

    /* bit andnoise allocation */

    L3_iteration_loop(mdct_freq, &side_info, l3_enc,mean_bits);

 

    /* writethe frame to the bitstream */

    L3_format_bitstream(l3_enc, &side_info);

（1）子频带滤波器

下图是ISO11172-3标准给出的Analysis subband filter flow chart。其步骤为

【a】输入32个音频samples

【b】建立一个数组x[n], for n=0~511用于保存输入的采样值。将x[n]看做一个最多能容纳512个元素的队列，x[511]为队首，x[0]为队尾， 每次接收新的samples前将队首32个元素移出，将samples放入队尾。

【c】加窗滤波器处理，窗函数系数为C[i],i=0~512，通过实现窗函数滤波器

【d】计算64个Yi值，表达式如流程图中所示

【e】计算32个子带滤波器采样值Si，这里使用到矩阵M[i][k]，

M[i][k] = cos [(2i + 1)(k - 16)p/64] ,     

for  i = 0 to 31, and   k = 0 to 63.

实际计算时可以将非线性的运算用查Table的方法以减小运算的复杂度。

 

当然，在SHINE程序中，作者对M[i][k]×Y[k]的运算做了简化，主要从两方面：

第一，cos函数在k=16和k=48处的对称性；第二，从各滤波器的相关性考虑，即cos(2i+1)的对称性考虑。

（2）MDCT实现

DCT（离散余弦变换）的原始表达式为

DCT可以通过蝶形运算提高运算效率，具体内容可参考数字信号处理教材的内容。

DCT运算的蝶形图

MDCT的表达式为

MDCT快速算法蝶形图

计算一样可以通过蝶形图运算来提高效率，蝶形运算中最重要的是系数值，使用短窗框的MDCT运算点数为12，长窗框则为36。

ISO 11172-3的ANNEX_AB.DOC文档中Table 3-B.9给出了蝶形运算的系数如下

Table 3-B.9  Layer III coefficients for aliasingreduction:

 

              (i)           ci

       ------------------------------------

              0            -0.6

              1            -0.535

              2            -0.33

              3            -0.185

              4            -0.095

              5            -0.041

              6            -0.0142

              7            -0.0037

 

 

蝶形系数csi和cai通过下面2个式子计算

                       

 

带假象处理的MDCT/IMDCT编解码图

32个频带每个频带的蝶形运算都需要8次，SHINE中蝶形运算的程序如下

     for(band=31; band--; )

       for(k=8;k--; )

       {

          /* must left justifyresult of multiplication here because the centre

           * two values in eachblock are not touched.

           */

         bu = muls(mdct_enc[band][17-k],cs[k])+ muls(mdct_enc[band+1][k],ca[k]);

         bd =muls(mdct_enc[band+1][k],cs[k]) - muls(mdct_enc[band][17-k],ca[k]);

         mdct_enc[band][17-k] = bu;

         mdct_enc[band+1][k]  = bd;

       }

（3）Huffman编码与位元分配

在经过声音心理模型和分析滤波器排之后提供信息之后，就可以对Audio进行位元分配和量化编码了。SHINE程序在该部分做了很多工作，位元分配和量化编码通过3个回圈实现：[a]Iteration Loop [b]Outer Loop [c]Inner Loop。且[a]包含[b]，[b]包含[c]。

[c]主要完成量化工作，[b]计算量化后失真大小以决定是否需要重新量化，[a]计算剩余位元数并放在储存处。

位元分配与量化是整个编码过程中计算量最大的部分，是整个编码过程的核心。

【1】外部回圈分析

根据下面的公式计算失真度大小

对于量化误差大于人耳所能能最大可容忍失真的情况，则需将最大的可容忍失真度放大并且将每个未量化前的频带xr[i]放大。

【2】内部回圈分析

首先，根据下面公式进行量化

若出现溢位或者位元数不够分配的情况，则按+1逐渐增大stepsize，直到前述情况不存在。

接着，计算编码所需位元数，通过位元数选择Huffman码表。

4、后处理

将结果写入比特流中，关闭PCM文件和码流存储文件。计算整个编码过程算法运行时间end_time -=config.start_time。