4.1 语音压缩编码 在线视频

同学们大家好

今天我们介绍第四章

信源编码与数据压缩

那么这一章的内容

我们主要给大家讲一讲

信源 业务源

这种信源 一些典型的信源如何来进行

编码和数据压缩的基本原理

那么从这一章开始

我们按照信息处理的基本流程

从发送到接收

一步一步来给大家介绍

信号在移动通讯当中传输的一个基本流程

那么这一章的内容我们分五个部分

第一部分先给大家介绍

语音压缩编码的基本原理

然后我们介绍一下

移动通信当中典型的语音编码技术

第三部分我们讲一下

图像压缩编码的基本原理

第四部分我们介绍一下

我们国家一些音视频的标准

最后我们做一下总结

我们先看语音压缩编码

语音信源是一种典型连续信源

那所谓的语音压缩编码

就是对语音信号来进行数字化

来把它的冗余信息去除掉

然后变成数字编码数

变成数字编码以后

在信道当中传输

语音压缩编码

按照它的实现形式可以划分为三类

也就是波形编码

参量编码和混合编码

那么其中相波形编码

我们是针对云信号的波形来进行

抽样 量化和编码

那么对于参量编码而言

它其实不是直接对语音信号的波形

也就对语音样值来进行压缩编码

而是

我们研究发音的机制

那么我们把人的语音当中

产生语音的这些参数

来进行压缩和编码

所以我们称它为是参量编码

那么一般来讲

波形编码它的语音质量比较高

但是编码比特速率也大

所以一般只应用于

公共电话交换网络

也就是我们所谓的固定电话网络

参量编码

它的语音压缩质量比较差

它不能应用于骨干通信网

只能适用一些特殊的通讯网

比如说军事或者保密通信

但是参量编码

它的编码压缩效率比较高

编码比特率比较低

为了能够结合这两者的优点

人们也研究第三种编码

也就是混合编码

其实混合编码

它的性能是介于前两者之间

目前我们主要应用于移动通信系统当中

下面我们先来分别分析一下这些编码

它们的理论性能

首先我们先看看波形编码

它的一些性能估计

按照经典信息论当中的基本原理

我们知道

语音信源是一种连续信源

那么连续信源

我们在压缩的时候必然是有失真的

我们考虑把语音信源

建模为一种有记忆的信源模型

那我们可以用率失真函数

来衡量这种有损信源编码

它的压缩极限

对于语音信源而言

假如说我们把它近似为

就把它近似看作是一个高斯信源

但是是有记忆的

它的率失真函数

就这二维函数

我们可以把它

定义为这样的一个公式

大家看在公式当中2分之1log 以2为底

σ方除以D

这个σ方

我们认为它就是语音的样值

信号的功率

其实就是语音样值的信号功率

那这个D

就是我们量化的

量化噪声的功率

这是噪声功率

所以σ方除以D

这就表征了量化的信噪比

那这个ρ表示的是相关系数

也就是相邻两个语音信源

样值之间的相关性

所以整体上来讲

如果我们把语音信源看作是一个高斯信源

那我们就可以用这样的一个率失真函数

去衡量它的压缩极限

这个率失真函数是经典信息论当中

用于评估有损信源压缩的

一个理论极限的指标

它是一个下限

也就说我们压缩数据率

必然要大于等于

率失真函数

那我们可以把

量化的信噪比σ方除以D

取不同的取值来计算它的压缩极限

大家看下面表这就是计算的结果

第一行这对应的是

量化信噪比

那么高可以取到35dB

低可以取到17的B

中间这一行

就是我们计算出来的理论极限

也就一个语音样值我们所对应的

压缩比特数据

比特数目

R(D)函数

我们看这个规律可以看得到

信噪比越高

那么R(D)函数越大

信噪比越低

R(D)函数越小

因为这样从公式上就能看到

因为对数函数本身就是一个单调函数

最后一行就是第三行

对应的是压缩倍数

压缩倍数

我们是把R(D)函数

就是理论极限的压缩率和PCM进行比较

因为大家知道

语音信源典型的压缩方法

我们用PCM 就是抽样量化编码

PCM编码

它采用的是A律或者μ律编码

一个样值

那么我们用8bit来表示

所以与PCM相比

它能压缩多少倍

我们把这个压缩倍数列到第三行

一般来讲

在公共电话交换网络

也就是固定电话网络当中

PSTN网络里面

我们要求语音压缩的量化信噪比

是有基本参考值的

我们要求这个参考值

要大于等于26dB

从这个表上来看大家可以看到

相当于是在25到28之间

在这个地方是26dB

那么它所对应的

压缩倍数大概在3倍左右

也就是说

如果我们对于PSTN网络

相对于现在普遍采用的PCM编码而言

理论上我们可以压缩到三点几倍

那么上面这个结论

我们还可以进一步再做

再考虑一下其它的冗余

因为前面的这个结论是压缩三点几倍

这个是我们假设语音信源是高斯信源

我们把语音信源假设为高斯信源

是一种保守的估计

实际的语音信源其实是非高斯的

那么我们如果

考虑它的信源统计特性的修正

那么同时

我们再考虑到语音信源

其实它是具有

是一种有记忆性质

它可以建模两状态的马尔可夫链模型

一般来讲我们可以降价

也就是说语音信源

它其实有两个状态

一个状态

我们称为是ON

另外一个状态

我们称为是OFF

就一般我们称这样的模型叫做是

ON-OFF模型

ON的意思是说

在这个状态当中

那么语音样值它是有意义的

OFF指的是说

我们这个语音信源或者语音信号当中

其实都是无意义的噪声

或者说是无意义的一些脉冲

那我们考虑到语音信源的特征

还能够进一步提高它的压缩率

一般情况下

我们看到理论极限

大概可以压缩到4倍

这就是对于波形信源的理论极限

现在我们在实际电信通信网络当中

语音压缩的

普遍采用的标准是

差分PCM也就是所谓的DPCM

它相对PCM而言已经可以压缩2倍

因为PCM是64Kbps

DPCM可以降低一半

到32Kbps

进一步

理论极限上

实际应用当中

现在已经能够压缩到四分之一

也就是16Kbps

这已经达到波形编码的极限

下面我们再来看第二类编码

也就是参量编码

参量编码和我们刚才分析的

波形编码极限是不一样的

那么参量编码

它主要是来分析人的发音机制

比如说大家看我在这说话

我在这说话

我为什么能说话

那从人的发音机制上来看

其实是因为我们有胸腔

其实是因为我们有胸腔

有腹腔腹部肌肉驱动

然后我们声带和喉管

它就可以建模为一个滤波器

那我拿激励源去冲击那个滤波器

那我就说出话

那么实际上

我们从语音的发音机理上来看

我们可以把人的语音

划分为最小的单位

最小的单位称为是音素

这个音素

它比我们在学外语当中

比如说说英文

英语里面有音标

比这音标的单位还小

那么经过语言学家的研究

比如说我们以英语为例

英语当中音素大概量级在128到256

这是最小的语音发音的单位了

那么按照通常人讲话的速率

一秒钟大概要平均发送10个音素

我们根据信息熵公式来计算

假设所有这些音素

128个到256个都是等概率的

这样的话能够算出来

信息量的上下界

假如说是256个音素

那一秒钟所

编码的信息量是80bps

那如果说128个音素

那就是70bps

大家可以看到这个数据速率是非常低的

那我们可以计算出来压缩比

与64Kbps的PCM编码速率相比

那它的压缩倍数

可以做到800到900倍

这是很大的一个压缩倍数

虽然我们看到上面这种压缩比例很大

但是不意味着说

参量编码

参量编码就

它的性能很好

实际上

参量编码采用上面这种压缩方法以后

我们在压缩回放以后

我们听语音采用参量编码的语音

基本上已经丧失了人说话的这种个性特征

你听得就像机器人说话

或者说

机械式的那种机械语音

因此参量编码

只能够保证我们听懂

但是失去语音的特点

或者是

自然度

那么正因为有上述的缺陷

因此我们在实际系统当中得考虑

把前面这两种编码组合起来

那么发挥它们的优势

避免它们的缺陷

这就是混合编码

一般来讲混合编码的设计

它是以参量编码为主

然后适当地考虑人的个性化特征

引用一些波形编码的技术

这样组合起来

既能够达到一定的语音质量

又能够降低我的编码速率

所以混合编码主要应用于移动通信系统当中

我们下面再给大家归纳一下

在数字通信当中的语音编码

我们如何衡量这些编码方案或者编码标准

它的性能

主要衡量指标

那么对于混合编码

或者一般的语音编码而言

我们衡量编码技术的主要参量

有以下四个

第一个就是数据比特率

我们一般用比特每秒来表示

第二个就是语音质量

语音质量

我们经常会用主观或者客观

标准来衡量它们

主观标准我们主要打分

就用MOS评分来衡量

第三个就是算法复杂度

一般我们用数字信号处理的

复杂度来衡量

它们单位是一秒钟能执行

百万条指令的数据量

执行量 指令量

我们就用MIPS来衡量

第四个就时延

时延的话

那么主要就是看你压缩和恢复

就语音的信源编码和信源译码

所对应的时间是多少

下面我们分别来分析

我们先看数据比特率

一般来讲数据比特率

它与编码的复杂度或者时延之间

是一个反比例的关系

那么数据比特率

越低那压缩率就越高

但是

复杂度

复杂度也越高

复杂度也越高

并且

语音质量总是有所下降

那么第二个我们就看语音质量

语音质量

为了评估语音信号的质量

我们常用的度量

主要是从

主观评估和客观评估两个角度

来分析

那么对于客观评估来讲

我们主要用信噪比

误码率 误帧率等等来评估

相对应于语音信号

我们通常

误码率要求是要小于10的-2

或者最好应当是在10的-3次方

误码率

那么相对应地 信噪比

我们希望它应当在7dB

7dB左右

能够达到10的-3的误码率

这就是客观度量的基本指标

但是只有客观评估

还有对语音质量的评价是不够充分的

人们经过大量的测试和分析发现

有时候信噪比已经很高

语音 这误码率也很低

但是人耳朵听起来

总觉得不太舒服

也就说

人的主观体验和实际的误码率

或者测量指标之间不完全匹配

考虑到人的主观体验

我们除了用客观度量评价之外

也常用主观度量来评价

主观评判的基本方法

我们称为是MOS评分

所以MOS

就指的是平均分

Mean of score

它的含义是说

就我们可以

请一组评判专家来打分

对每一个人

我们都播放一段原声

然后再播放一段压缩解压之后的语音

然后让每个人听一遍原声

再听一遍恢复的语音

看和原声之间的差异有多大

然后打分

这个分值

我们取值为5分制

这1到5分

1分是最差的

5分是最好的

然后我们把一组专家的评分

最后加权平均

这就是语音质量的最终平均结果

这就是所谓的我们的MOS评分的含义

那么对于MOS评分来讲

一般来说

3.5分以上

或者说我们到4分左右

就能够

假如说语音质量达到4分左右

那我们就可以

进入公共电话交换网络

作为固定通信网络的基本编码

如果说是三点几分以上 3.2分以上

那我们就可以加入

移动通信网络

作为移动通信网络当中的编码标准

3分以下语音质量比较差

不在商用通信系统当中来使用

那么下面我们再来看

第三个和第四个标准

就复杂度和处理时延

对于语音业务而言

这是一种典型的实时性业务

所谓实时性业务它要求

从发端到收端

端到端的时延

必须受限

一般我们要求

对于语音业务而言

那么它的端到端的时延不能够超过

200ms

或者严格一点讲

甚至我们希望不够超过150ms

请大家注意我们这讲是端到端

端到端就是

比如说我举个例子

我拿着个手机打电话

那从你主叫到被叫

中间不管你经过多少次转接或者是处理

那么从主到被

主叫到被叫之间的

所有处理和编码时延加起来

不能超过200ms或者150ms

那么这个要求是

对于实时性话音业务比较的苛刻要求

那么其实端到端时延一般包含两部分时延

一部分时延

就是我们的编解码时延

编解码

就语音编解码

那我们需要时延

还有一部分时延

其实应当是网络的时延

也就是网络传输

我们也需要时延

总共加起来不能超过

那么只有一些极个别的特例才允许

那就已经不是我们在

大规模商用系统当中的代表性业务

比如说到我们要打卫星电话

海事卫星电话

因为卫星信号从地球表面

地面到天上

然后再下来

这一上一下

其实这个时延已经很大了

就不能满足200ms的最大时延约束

但大多数地面通讯系统

或者不管是固定的通信系统

还是无线通信系统

我们都得要求它们的时延满足约束

在时延约束的条件下

我们希望编解码

语音信源的编解码时延也要尽量地短

但是

一般来讲

时延和编译码算法的复杂度

它是一个反向的关系

关联关系

你要求处理时间短

复杂度一般就低

如果复杂度高的话

那处理时间就会大

所以这是一对矛盾

只能够在实际编码

编解码算法设计当中尽量进行折衷

那么我们可以把上面的四类指标

针对不同的标准

我们做一下列举

大家看胶片上

我们列举了一些典型的

语音编码的一些标志

比如代表性的

像最经典的语音编码方案叫PCM

它的编码速率是64K

这是比较高的

但是它的复杂度MIPS是很低的

时延几乎是零

那么它的语音质量很好

4分以上 4.3分

因此我们在电话通信网络当中

就是固定通信网络当中

我们可以主要采用PCM

那么还有它的一些改进

比如说ADPCM

ADPCM的编码速率可以降一半

但它的复杂度

就比原来的PCM高一倍

这是一个一般性的规律

如果我们的编码速率

减半

就减到原来的二分之一

那么它的复杂度

我们用一秒钟能够

执行一百万条指令的次数

我们来衡量它的复杂度

那复杂度要提升多少呢

是10倍

这是个一般性的规律

那么更低的大家看

有自适应的子带编码

那它编码速率降到原来的四分之一

那它的复杂度就要提升100倍

依此类推

那也就是说

我这编码速率越低

复杂度越高

那显然随着编码速率的降低

复杂度是非常惊人地增长

好在现在我们在移动通信系统当中

像大家的手机当中我们都

广泛地集成了数字信号处理芯片

就是DSP

那么靠IC技术的急速发展

我们现有的移动通信系统芯片

的处理力还是足够的

可以支持

很复杂的这种语音编解码的算法

而提高

就尽量保证我们编解码的时延满足要求