目錄

一、MP3檔案格式解析....2

1、MP3檔案及MPEG概述...2

二、MP3編碼原理....4

1、MP3編碼流程...4

2、子帶濾波器排——編碼流程圖中編號為1......5

3、改良後的DCT（MDCT）——編碼流程圖中編號為2......7

4、聲音心理學模型——編碼流程圖中編號為3......8

5、位元分配、量化和Huffman編碼——4......12

三、SHINE程式分析....13

1、檔案資料結構...13

2、編碼前化工作...14

3、MP3編碼...14

4、後處理...17

注：下面的資料參考網上論文整理而來

一、MP3檔案格式解析

1、MP3檔案及MPEG概述

MP3檔案是由幀(frame)構成的，幀是MP3 檔案最小的組成單位。MP3 的全稱應為MPEG1 Layer-3 音訊檔案。

MPEG(MovingPicture Experts Group)，MPGE音訊層指MPGE檔案中的聲音部分，根據編碼質量和複雜程度分為3層，即Layer-1、Layer2、Layer3，對應MP1、MP2、MP3三種格式檔案。

2、MP3檔案結構

MP3檔案分為TAG_V2(ID3V2)，Frame, TAG_V1(ID3V1)共3部分。

（1）Frame格式

幀頭為4個位元組，其結構如下

typedef FrameHeader{

unsigned intsync:11;           //同步資訊

unsigned intversion:2;          //版本

unsigned intlayer:2;            //層

unsigned intprotection:1;        // CRC校驗

unsigned intbitrate:4;           //位率

unsigned intfrequency:2;        //取樣頻率

unsigned intpadding:1;          //幀長調節

unsigned intprivate:1;           //保留字

unsigned intmode:2;            //聲道模式
unsigned int mode extension:2;    //

unsigned intcopyright:1;          // 版權

unsigned intoriginal:1;            //原版標誌

unsigned intemphasis:2;          //強調模式

}HEADER, *LPHEADER;

無論幀多長，每幀播放時間為26ms。MAIN_DATA長度為

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

MP3幀長取決於位率和頻率，計算公式為
(144*64000)/44100+1=210

（2）ID3V1格式

ID3V1存放在MP3檔案結尾，共128Bytes，各項資訊都順序存放，不足部分使用’\0’補足，可使用UltraEdit開啟檢視。

typedef struct tagID3V1
{

char Header[3];/*標籤頭必須是"TAG"否則認為沒有標籤*/
char Title[30];/*標題*/
char Artist[30]; /*作者*/
char Album[30]; /*專集*/
char Year[4]; /*出品年代*/
char Comment[28]; /*備註*/
char reserve; /*保留*/
char track;; /*音軌*/
char Genre; /*型別*/

}ID3V1,*pID3V1;

（3）ID3V2格式

ID3V2存放在MP3檔案的首部，由1個標籤頭和若干標籤幀組成。

標籤頭為10個位元組，

char Header[3];          /*必須為"ID3"否則認為標籤不存在*/
char Ver;                /*版本號ID3V2.3 就記錄3*/
char Revision;            /*副版本號此版本記錄為0*/
char Flag;               /*存放標誌的位元組，這個版本只定義了三位，稍後詳細解說*/
char Size[4];             /*標籤大小，包括標籤頭的10 個位元組和所有的標籤幀的大小*/

每個標籤幀都有一個10個位元組的幀頭和至少一個位元組的不固定長度的內容組成為，幀頭的定義如下：

char FrameID[4];    /*用四個字元標識一個幀，說明其內容，稍後有常用的標識對照表*/
char Size[4];         /*幀內容的大小，不包括幀頭，不得小於1*/
char Flags[2];        /*存放標誌，只定義了6 位，稍後詳細解說*/

二、MP3編碼原理

1、MP3編碼流程

MP3編碼流程圖

訊號描述

（1）MP3編碼輸入訊號：PCM（Pulse Code modulation脈衝編碼調製）聲音訊號，有些.wav格式的音訊檔案為PCM訊號。

（2）MP3編碼輸出訊號：MP3格式碼流

MP3屬於有損失的格式，犧牲音樂檔案的質量以換取較小的檔案體積；
WAV是無損的格式，標準格式化的WAV檔案和CD格式一樣，是44.1K的取樣頻率，16位量化數字，因此在聲音檔案質量和CD相當。
MP3是利用一種音訊壓縮技術，由於這種壓縮方式的全稱叫MPEG Audio Layer3，所以人們把它簡稱為MP3。因為人耳只能聽到一定頻段內的聲音，而其他更高或更低頻率的聲音對人耳是沒有用處的，所以MP3技術就把這部分聲音去掉了，從而使得檔案體積大為縮小，但在人耳聽起來， 卻並沒有什麼失真。MP3可以將聲音用1∶10甚至1∶12的壓縮率進行壓縮.

wav檔案頭格式

wav資料塊

WAV格式檔案所佔容量= (取樣頻率X量化位數X 聲道)X 時間/ 8 (位元組= 8bit)。

14H~15H的2個位元組值為1時表示資料是PCM編碼格式，可以作為MP3編碼器的輸入。

2、子帶濾波器排——編碼流程圖中編號為1

子帶濾波器及MDCT處理

子帶濾波過程

為多重相位濾波器，將PCM訊號輸入後，濾波器系統看做線性系統，則有

再將用32點進行下采樣，得子帶濾波器輸出結果為

ISO-M標準給出瞭如下圖所示的實現方法，我們的程式將按照該實現方法編寫。

ISO-M給出的濾波器組的實現

將上圖整個流程綜合用表示式表示為

其中

為分析矩陣的係數。是窗函式的係數，共512個點，其值在ISO11172-3標準的 ANNEX_C.DOC文件中給出了，為子帶序列號，範圍為0~31，為第i個子帶的樣點，且t是取樣間隔的整數倍。

3、改良後的DCT（MDCT）——編碼流程圖中編號為2

DCT變換的目的：進一步提高頻譜解析度，將每一個子頻帶細分為18個次頻帶。

在正式DCT運算前，需要對子帶訊號進行加窗處理，有如下4中窗框，長窗框（Normal Window）、長短窗框（Start Window）、短窗框（Short Window）與短長窗框（Stop Window）。

長窗框具有高的頻譜解析度，短窗框的時間解析度比較高。

然後進行DCT變換，變換表示式 如下，

為DCT變換前加窗處理後的結果，如果加短窗框，則DCT運算中的，若加長框，則DCT運算中的。

在提高頻域解析度的同時，加長框後會有假象（混疊現象）產生，因為不同子帶之間存在混疊的訊號，加長框會對混疊的訊號當做該子帶內正常訊號處理，一種避免的辦法是減弱混疊訊號的強度。

噢，現在我們是知道了，所謂改良的DCT只不過是，（1）DCT變換前加窗處理（2）DCT變換（3）長框假象的處理 這3個過程。

到這裡，還有一個問題，那就是窗框的選擇問題，該如何選擇窗框？窄的窗框具有好的時間解析度，寬的窗框具有好的頻率解析度。我們回到編碼流程圖，

請注意圖中的標號3，3表示聲音心理學模型，窗框的寬窄選擇與聲音心裡學模型相關，下面來分析該模型。

4、聲音心理學模型——編碼流程圖中編號為3

研究聲音心理學模型用途有：

（1）研究模型的PE值決定做MDCT變換時使用長窗框還是短窗框

（2）研究模型的SMR值決定量化編碼時的位元數分配

現在不明白以上2條用途沒關係，我們先來分析幾個重要的概念。

（1）SPL(Sound Pressure Level)，表示聲音強度的名詞，SPL是評價聽覺刺激強度的標準，也就是說，我們對外界聲音的感覺強度完全由它決定，其單位為dB。

（2）靜音門檻曲線

橫軸為f(HZ)，縱軸為SPL(dB)，若聲音強度（SPL）低於該曲線的值表示人聽不到聲音，如下圖所示。從圖中可以得出幾條結論：

第一，人的聽覺頻率範圍大約在10Hz~20KHz之間

第二，大約在3KHz到4KHz時SPL有最小值，也就是所人在該頻率範圍內的聽覺最敏銳

（3）臨界頻帶（Critical Bands）

因為人耳對不同頻率的敏感程度不同，MPEG1/Audio將22KHz範圍內可感知的頻率範圍劃分為23~26個臨界頻帶，如下圖。

從表中能得出幾條結論：

第一，噹噹中心頻率值在500Hz以內時，不同臨界頻帶的頻寬()幾乎相同，約100Hz

當中心頻率值大於500Hz後，隨著f值得上升，臨界頻帶的頻寬劇增

第二，從表中也可以看出，人耳對低頻的解析度要比高頻更好

（4）頻域上的遮蔽效應

SPL較大的訊號容易掩蓋頻率相近的SPL較小的訊號，叫聲音的遮蔽效應。就比如在機場很難聽到打電話的聲音。

如上圖所示，Masking Threshold（掩蔽閾值）將大約在0.7KHZ0.7kHz，1.6kHz和2.3kHz的訊號遮蔽了，當然0.7kHz訊號的SPL在靜音門檻曲線之下，不被遮蔽也是聽不到的。

在這裡，涉及3個重要的量——SMR、SNR和MNR。

SMR(signal-to-maskratio)：指在一個臨界頻帶內，從masker到遮噪門檻值的距離。

SNR(signal-to-noiseratio)：指訊號經過m位元量化後的信噪比，等於量化前訊號方差和量化噪聲的方差之比，。

MNR(mask-to-noise)：用來測量人耳可以感知的失真引數，

如下圖所示，展示了3者之間的關係，其中的灰色區域Critial Band指臨界頻帶，Masking Threshold就是遮噪門檻曲線，圖中的SMR指在臨界頻帶內最大的SMR值。

遮噪門檻曲線和SMR、SNR、NMR

critial band是臨界帶，neighboring band是相鄰的條帶

值得注意的是，（1）我們上面討論的SMR、SNR和NMR三者都是基於臨界頻帶的，但遮蔽效應不僅對臨界頻帶有影響，對臨近的臨界頻帶也有影響，稱為遮噪延展性（2）上圖所顯示的是一個臨界頻帶內的一條遮噪曲線，實際情況存在多條遮噪曲線，結果是這些曲線的疊加。

（5）時域上的遮噪曲線

simultaneous masking是同時掩蔽

從上圖可以看出，在一段很短的時間內（200ms左右），若出現了兩個聲音，不管出現的先後順序，SPL大的聲音(masker)會遮蔽SPL小的聲音(maskee)。

若maskee出現在前，則遮噪曲線如上圖的Pre-Masking；若maskee出現在後，則遮噪曲線如上圖中的Post-Masking。由圖中很容易看出，Post-Masking要比Pre-Masking在時間軸上要長很多。Pre-Masking能遮蔽前回音，這是選擇MDCT視窗的一個依據。

（6）感知熵Perceptual Entropy（PE）

最重要的一點，PE能顯示特定訊號在理論上的壓縮極限。PE的單位是bits/sample，代表每個取樣在維持CD音質的情況下，能夠壓縮到的最低位元數。

重新回到本小節一開始就提到的聲音心裡學模型的用途，重新列一下：

（1）研究模型的PE值決定做MDCT變換時使用長窗框還是短窗框

（2）研究模型的SMR值決定量化編碼時的位元數分配

對於第一條，MP3中定義，當PE>1800時，使用短窗框的MDCT來處理該grannul（MP3每個資料幀包含2個grannul，每個grannul包含18*32個subband取樣）的子頻帶訊號。因為當PE>1800表示這段音訊變化比較大，可能產生迴音，不適合使用長框。

對於第二條，下面的位元分配將給出解釋。

5、位元分配、量化和Huffman編碼——4

（1）位元分配

位元分配目的是使每個頻帶的MNR達到最大，使音質最佳。過程為：尋找最小的MNR頻帶，分配位元給該頻帶以提高MNR，接著重新計算各頻帶的MNR。重複上述過程，直到位元分配結束。

[a]可編碼位元數計算方法，1152指每個編碼框的取樣個數，

比如，以單聲道為例，位元率為128kbps，取樣頻率為44.1kHz，則每個編碼框可編碼的位元數為3344。但考慮到擋頭的32位，附屬資料的136位和可選擇的16位CRC，所以最終可用的位元數為3344-32-136-16=3160，實際編碼最小單位為grannul，所以每個grannul可用位元數為3160/2=1580。

[b]MNR計算方法，在前面心理學模型中已經提到，

其中SMR由聲音心理學模型提供，SNR信噪比則是由量化確定的。

（2）非均勻量化

上式為MP3量化的公式，其中為MDCT輸出並調整後的值，為量化後的整數值，0.75是為了使量化器提供一致的SNR值，表示四捨五入。

下圖為量化器的輸入輸出曲線，量化器的輸入為浮點值頻率，輸出為整形值的頻率。

由圖知，量化器將輸入的浮點值量化後變為整型值，且量化過程為非線性非均勻的。

頻譜量化器的輸入輸出

三、SHINE程式分析

SHINE是一個C語言編寫的MP編碼程式，總共由11個原始檔構成。將原始檔新增到VC新建的控制檯應用程式中即可執行，但執行時得使用命令列方式。

1、檔案資料結構

在types.h中定義了一個config_t的結構體型別，並用它初始化了一個全域性變數config，該變數作用相當於面嚮物件語言中的“物件”，用於在整個編碼流程中對編碼資料和引數進行儲存和管理。

定義了一個用於儲存PCM脈衝格式檔案資訊的結構體型別wave_t，並且用wave_t在config_t中定義了wave變數，該變數儲存了MP3編碼的源的資訊，作為MP3編碼器的輸入。

定義了一個用於儲存MP3編碼後資訊的結構體型別mpeg_t，同樣用mpeg_t在config_t中定義了mpeg變數，該變數儲存的資訊作為編碼後的MP3引數資訊輸出。

typedefstruct {

    time_t start_time;     /*記錄編碼起始時間*/

    char* infile;          /*編碼輸入檔案*/

    wave_t wave;         /*PCM檔案頭資訊*/

    char* outfile;         /*編碼輸出碼流檔案*/

    mpeg_t mpeg;        /*MP3檔案頭資訊*/

} config_t;

以上的結構體主要用於儲存“頭”資訊，編碼輸出後的位元組流實體資訊儲存在bs結構體（bitstream.h檔案中定義）中，bs結構體定義為

staticstruct

{

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

  unsigned int i;      /*file buffer index */

  unsigned char *b;   /* buffer pointer */

} bs;

結構體中的檔案指標與指向同一個輸出檔案，b指向編碼後的碼流，編碼結束後寫入檔案中。

2、編碼前化工作

包括初始化config.mpeg結構體變數的預設值，開啟wave型別檔案（SHINE程式中此時只讀取了檔案頭資訊，沒讀取實體資訊），根據讀取的資訊對mpeg輸出資訊進行配置。

3、MP3編碼

MP3編碼主要由3步組成，分析子頻帶濾波器組，MDCT變換到頻域，位元分配與量化。每次的操作物件為輸入PCM的一幀。

                              MP3編碼核心呼叫

 /* 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 */