DAY5.1心理声学模型及音频压缩课件

1、Part I-音频掩蔽,音频掩蔽,2012/9/21,2,音频信号种类 亚音信号，次音信号(subsonic) 频率小于20Hz的信号 音频(Audio)信号 频率范围为20Hz20kHz的信号 音乐、话音、风声、雨声、鸟叫声、机器声 话音(speech)信号 频率范围为3003000Hz的信号,音频掩蔽,2012/9/21,3,超音频信号，超声波(ultrasonic)信号 频率高于20kHz的信号 具有很强的方向性，形成波束 在工业上得到广泛的应用，如超声波探测仪，超声波焊接设备等,音频掩蔽,2012/9/21,4,听觉系统的感知特性 响度、音高和掩蔽效应 对响度的感知 声音的响度 声音的

2、强弱 物理测量单位，dyn/cm2(达因/平方厘米)(声压)或w/cm2(瓦特/平方厘米)(声强) 心理主观感觉，响度级，方(phon)/宋(sone) 完全不同的两种概念，又有一定的联系,音频掩蔽,2012/9/21,5,听阈 声音弱到人耳刚刚可以听见时的声音强度 1kHz纯音的声强达到10-16w/cm2(0 dB声强级)时，人耳刚刚能听到，主观响度定为零方 听阈随频率变化,音频掩蔽,2012/9/21,6,绝对听阈曲线,音频掩蔽,2012/9/21,7,听觉范围 听阈频率曲线和痛阈频率曲线之间的区域 人耳对频率的敏感程度 对2kHz5kHz范围的信号最为敏感，幅度很低的信号都能被人耳听到

3、 低频区和高频区，幅度要高得多才能听到 等响度级曲线 1kHz的10dB的声音和200Hz的30dB的声音，在人耳听起来具有相同的响度,音频掩蔽,2012/9/21,8,对音高的感知 客观测量 用频率(Hz)来表示声音的音高 人耳的频率感觉范围 约20Hz18000Hz 主客观音高的关系 Mel=1000log2(1+f) 主观感觉的音高单位-美(Mel),音频掩蔽,2012/9/21,9,主观音高的测量 以40dB声强为基准 让实验者听两个声强级为40dB的纯音，固定其中一个纯音的频率，调节另一个纯音的频率，直到他感到后者的音高为前者的两倍，就标定这两个声音的音高差为两倍,音频掩蔽,2012

4、/9/21,10,实验表明，音高与频率之间不是线性关系 测出的音高频率曲线如图所示,音频掩蔽,2012/9/21,11,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 前者称为掩蔽声音(masking tone)，后者称为被掩蔽声音(masked tone) 分成频域掩蔽和时域掩蔽。心理声学的基础 【例】 安静房间里的普通谈话可以听得很清楚，但在播放摇滚乐的环境下同样的普通谈话就听不清楚了,音频掩蔽,2012/9/21,12,频域掩蔽 一个强纯音会掩蔽在其附近同时发声的弱纯音，也称同时掩蔽(simultaneous masking),音频掩蔽,2012/9/21,13,【例】

5、一个声强为60dB、频率为1000Hz的纯音，另外还有一个1100Hz的纯音，前者比后者高18dB，只能听到1000Hz的强音 一个1000Hz的纯音和一个声强比它低18dB的2000Hz的纯音，同时听到这两个声音 要想让2000Hz的纯音也听不到，则需要把它降到比1000Hz的纯音低45dB 一般弱纯音离强纯音越近就越容易被掩蔽,音频掩蔽,2012/9/21,14,一组曲线分别表示频率为250Hz、1kHz、4kHz和8kHz纯音的掩蔽效应，声强均为60dB 在纯音附近，对其他纯音的掩蔽效果最明显 低频纯音可以有效地掩蔽高频纯音，但高频纯音对低频纯音的掩蔽作用则不明显,不同纯音的掩蔽效应曲线

6、,音频掩蔽,2012/9/21,15,临界频带(critical band)-I 声音频率与掩蔽曲线不是线性关系 从感知上来统一度量声音频率 人类听觉系统HAS在20Hz到16kHz范围内有24个临界频带，单位叫Bark(巴克) 1Bark = 一个临界频带的宽度 f(频率) 500 Hz, 1Bark9+4log(f/1000) 在中心频率为500Hz以下的临界频带中，带宽恒定为100Hz，随着中心频率的增加，临界带宽进一步增加,音频掩蔽,2012/9/21,16,临界频带表,音频掩蔽,2012/9/21,17,临界频带(critical band)-II 主观反映突然发生变化的带宽 人耳以

7、临界频带为单位对声音进行处理 在一个临界频带内 耳朵的听觉感知特性很类似 很多心理声学特性都相同 即使加入噪声，人耳也不能察觉出与原信号间的差别 各种声音相互作用，合成声音的响度由这些频率共同决定。如果超出临界区，声音的响度不再相互作用,音频掩蔽,2012/9/21,18,时域掩蔽 时间上相邻声音之间的掩蔽 预先掩蔽(pre-masking) 在强信号打开前5到20ms时产生，由于掩蔽信号与被掩蔽信号之间的听觉处理相互干涉引起的 后掩蔽(post-masking) 在强信号关闭后50到200ms时产生，由于神经行为具有一定的持久性,Part II-音频压缩,音频压缩,2012/9/21,20,

8、为什么压缩？ 数字信号存储容量大，传输信道容量要求高 CD 采样率44.1kHz，量化精度16比特，1分钟的立体声音频信号需占约10M字节的存储容量 所有比特都是必需的? PCM码流进行存储和传输存在非常大的冗余度 无损的条件下对声音至少可进行4:1压缩，即只用25%的数字量保留所有的信息，视频领域压缩比甚至可以达到几百倍,音频压缩,2012/9/21,21,音频压缩(压缩编码) 原始数字音频信号流(PCM编码)运用适当的数字信号处理技术，在不损失有用信息量，或所引入损失可忽略的条件下，降低(压缩)其码率 必须具有相应的逆变换(解压缩或解码) 可能引入大量的噪声和一定的失真,音频压缩,2012

9、/9/21,22,音频压缩的声学原理 原始信号本身存在着冗余度 客观冗余 可以计算，用来确定音频信号的某些数字上可预测特性的数量，如周期波形 人类的听觉感知系统对某些失真不敏感 主观冗余 音频信号中包含被人耳忽略的分量,音频压缩,2012/9/21,23,音频压缩技术分类 按照信息损失 无损(lossless)压缩及有损(lossy)压缩 按照压缩方案 时域压缩、变换压缩、子带压缩、混合压缩 算法的时间、空间复杂程度、音频质量、算法效率(即压缩比例)、编解码延时等都有很大的不同,音频压缩,2012/9/21,24,时域压缩(波形编码) 直接对音频PCM码流的样值进行处理，通过静音检测、非线性量

10、化、差分等手段进行压缩 算法复杂度低、声音质量一般、压缩比小(CD音质400kbps)、编解码延时最短 多用于语音压缩等低码率应用场合 G.711、ADPCM、 LPC、CELP,音频压缩,2012/9/21,25,ADPCM 自适应地改变量化阶的大小 使用小的量化阶去编码小的差值 使用大的量化阶去编码大的差值 LPC 通过分析话音波形来产生声道激励和转移函数的参数并对其编码 在接收端通过话音合成器(代表人的话音生成系统模型)重构话音,音频压缩,2012/9/21,26,子带压缩 以子带编码理论为基础的一种编码方法 最早是由Crochiere等于1976年提出的 基本思想 对各子带分量根据其不

11、同的分布特性采取不同的压缩策略以降低码率 感知(Perceptual)压缩 音源性质没有假设，去除人耳不可感知的部分 根据心理感知模型，决定子带样值或频域样值的量化阶数和其它参数,音频压缩,2012/9/21,27,子带压缩与感知压缩的特点 相对时域压缩技术复杂得多，编码效率、声音质量大幅提高，编码延时相应增加 子带编码的复杂度要略低于感知编码，编码延时也相对较短 各频带内的噪声将被限制在频带内，不会对其它频带的信号产生影响 在编码时各子带的量化阶数不同，采用了动态比特分配技术，压缩效率高的主要原因,音频压缩,2012/9/21,28,MP3音频 MPEG-运动图像专家组，IS0/IEC的一个

12、工作组 MPEG-I 1ayer 3，注意不是MPEG-3! 因特网上事实的音频标准 压缩比高，音质较好，制作简单，交流方便 支持采样率为32，44.1， 48kHz的单声道(Mono)及双声道(stereo)等编码模式,音频压缩,2012/9/21,29,MPEG-1 Layerl(MP1) 复杂度最低，每声道位数据率为192Kb/s MPEG-1 Layer2(MP2) 编码较为复杂，128kbit/s比特率接近CD音质 MPEG-1 Layer3(MP3) 算法最复杂，压缩性能最好。不定长编码、霍夫曼编码，比特率64kbit/s，压缩比1:101:12时，接近CD音质,音频压缩,2012/9/21,30,MP4 一种商品 GMO公司， AT&T授权MPEG-2AAC压缩+知识产权保护，全新的数字音乐A2B MPEG-1 Layer4(X!)，MPEG-4(XX!) A2B数字音乐 AAC音频压缩，知觉编码，最高20:1不损失音质 安全数据库，A2B音乐文件含有特定密钥 协议认证 复制许可、允许复制副本数量、歌曲总时间、歌曲可以播放时间，经营销售许可等,音频压缩,2012/9/21,31,MP4特点-I exe文件，内嵌播放器，双击运行 与MP3相比 大小仅为MP3的四分之