MP3编码算法的改进与优化

董宁

（西安外事学院 现代教育中心，陕西 西安 710077）

MP3编码器的基本结构一般包括心里声学模型、子带滤波、量化编码等几个关键模块，这几个模块虽然经历了大量的改进和优化，由于各种改进算法层出不穷。所以仍然有很大的改进空间，本论文主要对其心理声学模型和量化模块进行改进，以期采用一种更为先进的模型来代替标准模型，进一步改善MP3编码算法的性能。

1 心理声学模型的改进

为了提高MP3编码器的编码质量，本论文使用了一个改进的心理声学模型，用其替代原MP3编码算法中的心理声学模型。下面对该改进的心理声学模型的计算流程[1]做一个详细的介绍：

1.1 原心理声学模型计算流程

首先进行的是FFT计算：

1）重新构造时域输入信号采样值；

2）FFT变换计算输入信号的频谱：

①用1 024点或256点的汉宁窗给采样值加窗，记为；SWi

②分长短块分别计算采样值的FFT，分别存放在wsamp_l和wsamp_s两个数组中；

③计算FFT变换后的频谱能量：fftenergy；

④对变换结果用极坐标表示。RW和FW表示SWi的幅度和相位。

3）计算预测的幅度和相位：

4）计算不可预测性度量C（w）：

计算阈值如图1所示。

5）计算能量和不可预测性：

6）用上一步计算的能量和不可预测性卷积频带扩展函数：

7）计算音调索引值tbb：

其中 conv1=0.229，conv2=0.43，均为常数。

8）计算各部分的信噪比SNR：

miniba1是阈值计算表中的值，可以查表，TMN为29 dB，NMT为 6.0 dB。

图1 阈值计算流程图Fig.1 Threshold calculation flow chart

9）计算实际的能量门限：

其中norm是一个规格化的常数。

10）计算预回声控制。考虑到绝对掩蔽门限，则可听性的最终能量门限阈值为：

其中 rpwlev=2，rpwlev_2=16，qthr是为静音阈值。

计算感知熵PE，进而决定块类型：

11）计算感知熵PE：

式中，cbwidth当前阈值计算部分的宽度，查表可得。

12）根据感知熵PE大小确定块类型：

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

根据确定好的块类型，分长短块再计算掩蔽阈值：

13）阈值计算的第二部分[3]（长块）

①计算每个缩放比例因子带的能量和阈值：

其中 bu、b0、w1、w2 的值查表可得。

②计算每个缩放比例因子频带的比值：

14）计算短块阈值：

①计算第一个短块能量；

②用扩展函数卷积分区能量；

③计算短块阈值，在此与阈值计算第一部分的不同是这里的SNR的值可直接从表中查得；

④将计算的阈值与静音阈值和前面计算的最终阈值作比较，取最大者作为最后的阈值thr；

⑤调用阈值计算第二部分；

⑥块数目加1，判断块数目是否＞3，是则返回，不是则循环重复②步。

1.2 改进后的心理声学模型

独有的3个步骤[2]。计算声道间掩蔽效应：

15）计算缩放比例因子带左声道的阈值l、右声道的阈值r；

16）左声道的掩蔽效应+=r*interCHRatio；右声道的掩蔽效应+=l*interCHRatio。

式中interCHRatio是通道间掩蔽效应因子，是一个设定的值。

计算mid/side channel的阈值，编码模式为立体声：

17）长块m/s channel阈值的计算；

18）短块m/s channel阈值的计算和17）步长块相似，只是需要从第一块到第三块循环计算三次即可。

下一步边、中声道掩蔽比值的计算[6]：

长块时：x1=max（长块左、右声道阈值），x2=max（长块左、右声道阈值）；

短块时，计算方法和长块类似，只需循环3次。

下一步确定最后的块类型：根据有无attack在4个块类型间切换，确定最后输出块类型。 心理声学模型最终输出块类型、阈值、比值及感知熵，供后面的MDCT和量化编码模块参考使用。

2 编码器量化模块的改进

由量化公式：

量化的计算是比较复杂的。量化模块是一个多次循环的过程，随着步长stepsize的调整，每条频线都要经过多次的量化计算，因此量化模块是整个MP3编码算法中运算量最大的部分，该模块的改进和速度的提高，对于整个编码过程的实时性保障，具有重大的意义。量化模块由3层循环构成，即：帧循环、外循环、内循环。在这3层循环中，又以外循环计算量最大，消耗的系统资源最多。内循环主要对MDCT后的频谱线做量化操作。外循环主要是一个调整比例因子（scalefactor）以控制量化噪音低于掩蔽曲线的循环。尽可能地减少内外循环的次数，减少量化的计算次数对速度的提升是非常明显的。

1）外循环的改进

外循环退出的3个条件[4]分别是：所有的比例因子带（scalefactor band）里的比例因子scalefactor是否都进行了调整；比例因子是否超出了上限；所有比例因子带的量化噪声是否都在掩蔽曲线以内。这3个条件在实际应用中是非常苛刻的。一般情况下，如果要寻找到最佳量化效果，外循环的循环次数至少要经过30次。在最坏的情况下，外循环的次数甚至可以达到近50次。当这种情况发生时，就会导致该帧信号的编码耗时非常长，将会严重地影响到编码器的性能。为了避免发生这种情况，本论文对外循环的退出条件，增加了另外一个约束条件，当外循环的循环次数超过某个设定的上限时，不管是否达到最佳量化效果，都将强制退出外循环，并将最后一次量化作为最终的量化结果。这样处理的好处是可以避免外循环的次数过多，从而导致其计算量过大，从而保证编码器的实时性能。

这里最关键的是要合理地设置循环次数的上限值，如果设置得过小，则量化效果将会很差，从而导致编码质量严重下降；反之，则该上限值基本上起不到作用，从而导致编码器的实时性能得不到保障。经过大量的测试，在本文的设计中，将外循环的循环次数上限设定为10次，该上限值可以做到性能和运算量两者的兼顾。

经上述改进后，在本论文的研究中，退出外循环的4个条件如下：

①所有比例因子带的Scalefactor如果都进行了调整，则退出外循环；

②如果比例因子超出了规定的上限，则退出外循环；

③如果小于两个比例因子带的量化噪声不在掩蔽曲线之内，则退出外循环；

④如果循环的次数大于10次，则退出外循环；

以上4个改进后的外循环退出条件，实际上是以牺牲精度来换取速度。但经过大量的测试，这些精度牺牲带来的误差，是人耳几乎无法感知出来的。其带来的直接好处是循环次数大大地减少了。经过大量的测试发现，这种改进使得资源的消耗降到了原来的1/3。

2）内循环的改进

在内循环中，不断地调整量化步长（stepsize），以便使得Huffman编码过程所需的比特数最少。每进行这样的一次调整，就要对所有的频线量化一次。若循环次数太多，将会耗费大量的时间。因此，如何尽快地找到合适的量化步长（stepsize），也是一个非常重要的问题。在此过程中，本论文采用了两种方法[5]相结合的办法来寻找合适的量化步长：

①充分利用音频信号的时间相关性，将前一帧的最终量化步长作为当前帧的初始步长，将量化比特数代入一个二元一次方程计算得到此时量化步长stepsize的估计值，然后再进行步长增幅的微调；

②进行微调时，每次步长的增幅大小不是固定为1，而是根据超出的比特数来选择不同的增幅，通过这种变步长增幅的方式，就可以大幅度地减少寻找量化步长的循环次数。

同时还对量化公式进行了如下的变形：

这样，每一根频谱线只需计算一次|xr（i）|0.75，不用每调整一次步长就计算一次。只需根据不同的量化步长计算，而stepsize通常只取整数值，且有一定的取值范围的，可以将stepsize作为索引值，将的结果制成一张表，每次只需根据stepsize的值去查表即可。

通过对内外循环进行如上的改进，整个量化模块的循环次数和计算量相比原来有了很大的减少，性能有了明显的进步。

3 性能测试

为了得到客观的结果，在此选取20个音频信号进行测试，其中包含单声道信号、双声道信号，也包含采样率为48 kHz、44.1 kHz的信号，既有脉冲信号，也有持续性较长的周期信号。

通过对比可以看出，采用新型心理声学模型，并改进量化循环模块后，MP3编码算法质量测试ODG值相比改进之前有了明显的提高，大部分音频信号的测试ODG值都已经处于可接受的范围之内，特别是原来一些质量较差的信号（ODG值低于-3），编码质量更是得到了大幅度的提升。这说明改进是非常有效的，达到了设定的要求。

4 结束语

本文首先从改进MP3编码算法的质量入手，采用全新的心理声学模型替换原心理声学模型，然后对量化编码模块进行了改进，使编码质量度有了明显的提高，在提高质量的基础上，编码速度也有了一定的改善，再通过采取一些其他的优化措施，包括算法结构优化、C代码优化等，使编码速度基本达到了要求。

[1]丰帆.MP3数字音频编解码算法的研究及实现[D].西安：西安电子科技大学，2008.

[2]马昌萍，宋丹，马幼鸣.MP3编码算法分析[J].佳木斯大学学报，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]张力光，王让定.心理声学模型及其在 MP3编码中的应用[J].宁波大学学报（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.