DE69932861T2

DE69932861T2 - Verfahren zur kodierung eines audiosignals mit einem qualitätswert für bit-zuordnung

Info

Publication number: DE69932861T2
Application number: DE69932861T
Authority: DE
Inventors: Mohammed Javed Absar; Sapna George
Original assignee: STMicroelectronics Asia Pacific Pte Ltd
Current assignee: STMicroelectronics Asia Pacific Pte Ltd
Priority date: 1999-10-30
Filing date: 1999-10-30
Publication date: 2007-03-15
Anticipated expiration: 2019-10-31
Also published as: DE69932861D1; EP1228506B1; US7003449B1; EP1228506A1; WO2001033555A1

Description

Bereich der Erfindung
Die vorliegende Erfindung betrifft ein Verfahren zum Codieren eines Audiosignals mit Hilfe eines Qualitätswertes zum Zuordnen von Bits, insbesondere, jedoch nicht ausschließlich, für die Quantisierung eines Audiosignals in einem AC-3-Codierer.
Hintergrund der Erfindung
Der AC-3 ist ein auf der Transformierung beruhender Audiocodieralgorithmus zum Bereitstellen einer Verminderung der Datengeschwindigkeit bei Breitbandsignalen unter Beibehaltung der hohen Qualität des ursprünglichen Inhalts. In der Haushaltelektronikindustrie ist die AC-3-Tonspur an der neuesten Generation von Laserdiscs zu finden, ist als standardmäßige Audiospur an Digital Versatile Discs (DVDs) zu finden, ist das standardmäßige Audioformat für das hochauflösende Fernsehen (HDTV) und wird für digitale Kabel- und Satellitenübertragungen verwendet.
Der AC-3 ermöglicht, dass sich die Übertragungsgeschwindigkeit für Bits mit jedem Rahmen ändert (annähernd 32 ms), da die Bitrateninformationen ein Teil der Nebeninformationsbits in dem AC-3-Rahmen sind. In den meisten Fällen ist eine gleichbleibende Bitrate erwünscht, da die Kompliziertheit von Software und Hardware abnimmt und dadurch ein Codierschema bereitgestellt wird, das für Verbrauchsgüter wie DVD und HDTC geeignet ist.
Bei neuen Anwendungszwecken wie den Audiodatenströmen übers Internet und bei Audiosendungen über mobile Ausrüstungen ist eine gleichbleibende Bitrate nicht immer die beste Reaktion.
Codiersysteme für gleichbleibende Bitraten können den Nachteil aufweisen, dass sie eine veränderliche Qualität liefern. Wenn ein zu komprimierendes Signal psychoakustisch einfach ist (Einzelton), leistet der Codierer eine schwere Arbeit und kann diese auf eine Größe weit unter der festgelegten Rahmenlänge (gleichwertig der festgelegten Bitrate) komprimieren und trotzdem den Codierfehler unterhalb des hörbaren Bereiches halten. Zur Herstellung eines Rahmens mit der vorbestimmten Größe muss er dann so etwas wie eine Auffüllung mit Nullen vornehmen. Das kann zu Zeiten erfolgen, wo das Netz bitratenhungrig ist. Wenn dagegen diese komprimierten Daten in einem Medium archiviert werden sollen, muss viel Platz beim Speichern dieser Nullen vergeudet werden.
Wenn das Audiosignal kompliziert ist (beispielsweise bei Kastagnetten), kann sich die vorbestimmte Bitrate als für den Codierer ungenügend erweisen. Trotzdem würde der Codierer zwecks Einhaltung der Vereinbarung für die gleichbleibende Bitrate die Codierungsqualität so weit abbauen, bis laute oder lästige Geräusche entstehen.
Gleichbleibende Bitraten können bei manchen Anwendungszwecken die am meisten erwünschte Eigenschaft sein, jedoch ist bei Anwendungen mit mehr Flexibilität hinsichtlich der Bitrate ein System zur Nutzung dieser Freiheit für eine intelligentere Ausnutzung der Bandbreite vonnöten.
In U.S. 5,623,577 ist ein Verfahren zum Codieren eines Audiosignals offenbart, bei dem eine Maskierungsfunktion vorgesehen, ein Qualitätswert festgelegt, die Maskierungsfunktion in Abhängigkeit von dem Qualitätswert eingerichtet wird und Bits zur Quantisierung des codierten Signals auf der Basis der eingerichteten Maskierungsfunktion zugeordnet werden. Mit der vorliegenden Erfindung soll eine ähnliche Methodik angewandt werden, bei der jedoch der Qualitätswert mit einer Variablen gleichgesetzt wird, mit der eine fast gleichbleibende Qualität aufrechterhalten werden kann.
Zusammenfassung der Erfindung
Gemäß der Erfindung wird ein Verfahren zum Codieren eines Audiosignals geschaffen, mit:
dem Bereitstellen einer Maskierungsfunktion, welche eine psychoakustische Maskierung darstellt;
dem Festsetzen eines Qualitätswertes für die Daten des codierten Signals;
dem Einstellen der Maskierungsfunktion abhängig von dem Qualitätswert; und
dem Zuordnen von Bits für die Quantisierung des auf der Maskierungsfunktion beruhenden codierten Signals, dadurch gekennzeichnet, dass:
der Qualitätswert mit θ gleichgesetzt wird, das eine Funktion von snroffst ist, das eine Variable ist, die eine Versetzung eines Signal-Rausch-Abstands kennzeichnet und proportional einem Signal-Masken-Abstand ist.
Vorzugsweise stellt der Qualitätswert einen gewichteten durchschnittlichen Signal-Masken-Abstand (AWNMR) dar.
Vorzugsweise
Vorzugsweise werden aus dem Audiosignal Transformierungskoeffizienten zum Codieren abgeleitet und grafisch in einer Leistungsspektrumsdichtefunktion (PSD) dargestellt, und die Bit-Zuordnung wird durch Differenzierung der PSD und der eingestellten Maskierungsfunktion festgelegt.
Vorzugsweise umfasst das Codieren des Audiosignals das Teilen des Signals in eine Mehrzahl von Rahmen zum Befördern von Quantisierungs- und anderen Signaldaten und das Vergrößern oder Verkleinern einer oder mehrerer Rahmenlängen, bis der zugeordnete Rahmen die für die Quantisierung zugeordneten Bits untergebracht hat.
Kurze Beschreibung der Zeichnungen
Die Erfindung ist nur als nicht einschränkendes Beispiel an Hand der anliegenden Zeichnungen beschrieben, in denen:
1 ein Systemschaltbild eines Codierers AC-3 ist;
2 eine grafische Darstellung ist, die eine Erhöhung einer Hörschwelle auf Grund einer Maskierung mit 1kHz darstellt;
3 eine grafische Darstellung eines Geräusch-Masken-Verhältnisses (dB) für Kastagnetten ist; und
4 Bitgeschwindigkeitsbedingungen für Kastagnetten mit einem Geräusch-Masken-Verhältnis darstellt, das auf –7dB festgelegt ist.
Ausführliche Beschreibung einer bevorzugten Ausführungsform der Erfindung
Die folgende Beschreibung ist in Abschnitte A bis D geteilt. In Abschnitt A werden kurz die verschiedenen Blöcke eines Codierers AC-3 beschrieben. Im Anschluss daran wird in Abschnitt B das psychoakustische Modell, insbesondere in Bezug auf AC-3, mit dem Zweck beschrieben, die Gleichungen für den Qualitätswert in Abschnitt C herzuleiten. Mit Hilfe der Herleitung in Abschnitt C wird in Abschnitt D ein Algorithmus zum Codieren der variablen Geschwindigkeit mit gleichbleibender Qualität hergeleitet.
A. System AC-3: Beschreibung auf Blockebene
AC-3 ist wie bei der Einkanalcodierungstechnik AC-2, aus der dieser abgeleitet ist, im Grundsatz ein adaptiver, auf Transformation beruhender Codierer, der eine frequenzlineare, kritisch abgetastete Filterbank nutzt, die auf dem Verfahren der Time Domain Aliasing Cancellation (TDAC) von Princen und Bradley beruht, J.P. Princen and A.B. Bradley: "Analysis/Synthesis Filter Bank Design Based on Time Domain Aliasing Cancellation'; IEEE Trans. Acoust., Speech, Signal Processing, Bd. ASSP-34, Nr. 5, S. 1153-1161, Okt. 1986. Das Systemschaltbild von AC-3 ist in 1 gezeigt.
A.1 Eingabeformat
Der AC-3 ist ein auf Rahmen beruhender Codierer. Jeder Rahmen enthält Informationen, die gleichwertig 256 × 6 PCM (impulscodemodulierten) Abtastungen pro Audiokanal sind. Um das Codieren zu erleichtern, ist der Rahmen in sechs Audioblöcke geteilt, wobei jeder Block deshalb Informationen von 256 Abtastungen pro Kanal enthält.
A.2 Kurzzeitige Detektierung
Übergangsvorgänge werden in den Vollbandbreitenkanälen detektiert, um festzulegen, wann auf Audioblöcke kurzer Länge zu schalten ist, um die mit dem Übergangsvorgang zusammenhängenden Quantisierungsgeräusche innerhalb eines kleinen Zeitbereiches um den Übergangsvorgang herum einzuschränken. Hochpassgefilterte Versionen der Signale werden auf eine Energiezunahme von einem Nebenblockzeitsegment zum nächsten untersucht. Nebenblöcke werden mit verschiedenen Zeitskalen untersucht. Wenn in der zweiten Hälfte eines Audioblocks in einem Kanal ein Übergangsvorgang detektiert wird, schaltet dieser Kanal auf einen kurzen Block. Bei Vorhandensein eines Übergangsvorgangs wird das Bit "blksw" für den Kanal in dem codierten Strom von Bits in dem speziellen Audioblock gesetzt.
A.3 Frequenzumwandlung
Das Zeitbereichseingangssignal jedes Kanals wird selektiert und mit einer auf der TDAC beruhenden Analysefilterbank gefiltert, um Frequenzbereichskoeffizienten zu erzeugen. Wenn ein Übergangsvorgang für den Block detektiert wurde, werden zwei kurze Transformierungen mit der Länge von jeweils 256 genommen, wodurch sich die zeitliche Auflösung des Signals vergrößert. Wenn kein Übergangsvorgang detektiert wurde, wird eine einzelne lange Transformation mit der Länge 512 genommen, wodurch für eine hohe Spektralauflösung gesorgt wird.
Der Ausgangsfrequenzkoeffizient X_k ist definiert als:
wobei x[n] die selektierte Eingangsabfolge für einen Kanal ist und N die Länge der Transformation ist.
A.4 Kopplung
Durch Anwendung eines Verfahrens, das als Kopplung bekannt ist, kann im AC-3 eine hohe Komprimierung zustande gebracht werden. Beim Koppeln wird die Weise ausgenutzt, in welcher das menschliche Ohr die Richtungsfähigkeit für Signale sehr hoher Frequenz feststellt. Bei einer hohen Audiofrequenz (annähernd über 4KHz) ist das Ohr physisch nicht in der Lage, einzelne Zyklen einer Audiowellenform zu erfassen, und spricht statt dessen auf die Hüllkurve der Wellenform an. Folglich kombiniert der Codierer die Hochfrequenzkoeffizienten der einzelnen Kanäle, um einen gemeinsamen Kopplungskanal zu bilden. Die ursprünglichen zur Bildung des Kopplungskanals kombinierten Kanäle werden als gekoppelter Kanal bezeichnet.
A.5 Rematrizierung
In dem Fall, dass der Codierer nur zwei Kanäle bearbeitet, wird ein zusätzlicher Vorgang, das Rematrizieren, aufgerufen. Summe und Differenz der zwei Signale von jedem Kanal werden auf einem Band auf Bandbasis berechnet, und wenn in einem gegebenen Band die Pegelungleichheit zwischen dem abgeleiteten (matrizierten) Signalpaar größer als der entsprechende Pegel des ursprünglichen Signals ist, wird statt dessen die Matrix gewählt. Zum Anzeigen dieses Zustands sind in dem Bitstrom weitere Bits vorgesehen, und nach Maßgabe dessen führt der Codierer einen komplementären Entmatrizierungsvorgang zur Wiederherstellung der ursprünglichen Signale aus. Wenn mehr als zwei codierte Kanäle vorhanden sind, wird auf die Rematrizierungsbits verzichtet.
Der Vorteil dieses Verfahren ist, dass es eine gerichtete Entmaskierung vermeidet, wenn die decodierten Signale anschließend von einem die Matrix umgebenden Prozessor, beispielsweise einem Dolby-Prologic-Decodierer, verarbeitet werden.
Im AC-3 erfolgt die Rematrizierung unabhängig in getrennten Frequenzbändern. Es sind vier Bänder mit Grenzpunkten vorhanden, die von den Kopplungsinformationen abhängen. Die Grenzpunkte richten sich nach der Anzahl der Bitkoeffizienten, und die entsprechenden Grenzen der Rematrizierungsbandfrequenz ändern sich mit der Abtastfrequenz.
A.6 Umwandlung in Gleitkomma
Die Koeffizientenwerte, die einen Rematrizierungs- und Kopplungsvorgang erfahren haben, werden in eine spezielle Gleitkommadarstellung umgewandelt, was zu getrennten Feldern von Exponenten und Mantissen führt. Diese Gleitkommadarstellung wird über den gesamten Rest des Codiervorgangs bis unmittelbar vor der umgekehrten Transformation des Decoders aufrechterhalten und schafft einen dynamischen Bereich von 144dB und ermöglicht auch, dass der AC-3 entweder an Festkomma- oder an Gleitkommahardware angewandt wird.
Codierte Audioinformationen bestehen im Wesentlichen aus getrennten Darstellungen der Exponenten- und der Mantisenfelder. Der übrige Codiervorgang konzentriert sich individuell auf die Senkung der Geschwindigkeit der Exponenten- und der Mantissendaten.
Die Exponenten werden mit Hilfe von einer der Exponentencodierstrategien codiert. Jede Mantisse ist auf eine feste Anzahl binärer Stellen abgeschnitten. Die Anzahl der zum Codieren jeder Mantisse zu verwendenden Bits kann man aus einem Bitzuordnungsalgorithmus erhalten, der auf der Maskierungseigenschaft des menschlichen Gehörsystems beruht.
A.7 Exponentencodierstrategie
Die Exponentenwerte im AC-3 dürfen im Bereich von 0 bis –24 liegen. Der Exponent wirkt als Skalenfaktor für jede Mantisse. Exponenten für Koeffizienten, die mehr als 24 vordere Nullen aufweisen, sind auf –24 festgelegt, und die entsprechenden Mantissen dürfen vordere Nullen aufweisen.
Der Bitstrom des AC-3 enthält Exponenten für unabhängige, gekoppelte und die Kopplungskanäle. Die Exponenteninformationen können unter Blöcken innerhalb eines Rahmens geteilt werden, so dass die Blöcke 1 bis 5 Exponenten aus vorhergehenden Blöcken wieder nutzen können.
Bei der Exponentenübertragung des AC-3 wird ein differenzielles Codierverfahren angewandt, bei welchem die Exponenten für einen Kanal differenziell über die Frequenz codiert werden. Der erste Exponent wird stets als absoluter Wert gesendet. Der Wert gibt die Anzahl der vorderen Nullen des ersten Transformationskoeffizienten an. Darauffolgende Exponenten werden als differenzielle Werte ge sendet, welche dem bisherigen Exponentenwert hinzugefügt werden müssen, um den nächsten aktuellen Exponentenwert zu bilden.
Die differenziell codierten Exponenten werden als Nächstes zu Gruppen kombiniert. Das Gruppieren erfolgt mit einer der drei Verfahren: D15, D25 und D45. Diese werden zusammen mit "reuse" als Exponentenstrategien bezeichnet. Die Anzahl der Exponenten in jeder Gruppe richtet sich nur nach der Exponentenstrategie. In der Betriebsart D15 ist jede Gruppe aus drei Exponenten gebildet. In D45 sind vier Exponenten durch einen Differenzialwert dargestellt. Als Nächstes werden drei solche aufeinanderfolgenden repräsentativen Differenzialwerte zur Bildung einer Gruppe miteinander gruppiert. Jede Gruppe umfasst stets 7 Bits. Falls die Strategie für einen Kanal in einem Block "reuse" lautet, dann werden für diesen Kanal keine Exponenten gesendet, und der Decodierer nutzt die zuletzt gesendeten Exponenten für diesen Kanal.
Eine Vorverarbeitung von Exponenten vor dem Codieren kann zu besserer Audioqualität führen.
Die Wahl der geeigneten Strategie zum Codieren von Exponenten stellt einen entscheidenden Aspekt des AC-3 dar. D15 sorgt für die höchste Genauigkeit, weist jedoch eine niedrige Komprimierung auf. Dagegen kann die Übertragung von nur einem Exponenten, der für einen Kanal in dem Rahmen (in dem ersten Audioblock des Rahmens) festgelegt ist, und der Versuch zur "Wiederverwendung" der gleichen Exponenten für die nächsten fünf Audioblöcke zu einer hohen Komprimierung der Exponenten, manchmal aber auch zu deutlich hörbarer Verzerrung führen.
A.8 Zuordnung von Bits zu Mantissen
Der Algorithmus zur Bitzuordnung analysiert die Spektralhülle des zu codierenden Audiosignals in Bezug auf die Maskierungswirkungen, um die Anzahl der jeder Transformationskoeffizientenmantisse zuzuordnenden Bits zu bestimmen. Es ist zu empfehlen, die Zuordnung von Bits in dem Codierer global an der Gesamtheit der Kanäle als Ganzes aus einem gemeinsamen Bit-Pool vorzunehmen.
Die Bitzuordnungsroutine enthält ein Parametermodell des menschlichen Gehörs zur Einschätzung einer Geräuschpegelschwelle die als Funktion der Frequenz ausgedrückt ist und hörbare von unhörbaren Spektralkomponenten trennt. Abhängig von der Signalcharakteristik kann der Codierer verschiedene Parameter des Hörmodells einstellen.
Die Anzahl der zum Packen von Mantissen verfügbaren Bits in einem AC-3-Rahmen hängt erstens natürlich von der Rahmengröße und zweitens von der Anzahl der Bits an, die von anderen Bereichen – Exponenten, Kopplungsparametern usw. – verbraucht werden. Ein sehr großer Teil des Bitzuordnungsvorgangs ist die Optimierung der Bitzuordnung zur Mantisse in der Art, dass die Gesamtsumme aller von den Mantissen verbrauchten Bits unter Berücksichtigung des Maskierens gleich den verfügbaren Bits ist (oder sehr nahe an diesen liegt). Diese Optimierung kann durch einen als Binärkonvergenzalgorithmus bekannten Vorgang erfolgen.
B. Psychoakustisches Modell im AC-3
Die jüngsten Fortschritte in der Audiocodierung sind in hohem Maße auf ein eingehendes (wenn auch noch unvollständiges) Verständnis des menschlichen Gehörsystems zurückzuführen. Ausgenutzt wird, dass das System unter bestimmten Bedingungen der Gehörmaskierung keine Quantisierungsgeräusche hören kann. Mithin ist die Maskierung die Wahrnehmungseigenschaft des Gehörsystems, welche immer dann eintritt, wenn ein starkes Audiosignal ein schwächeres Signal in seiner zeitlichen oder spektralen Nachbarschaft nicht wahrnehmbar werden lässt. Diese Maskierungserscheinung wird durch eine Vielzahl psychoakustischer Experimente bestätigt. Obwohl das Modell seiner Art nach ziemlich komplex ist, wird es zu Umsetzungszwecken oft stark vereinfacht, was überraschenderweise immer noch bemerkenswerte Ergebnisse erbringt.
B.1 Berechnung der PSD – der Leistungsspektraldichte
Das Spektralmaskierungsvermögen einer gegebenen Signalkomponente hängt von seiner Frequenzposition und seiner Lautstärke ab, und mithin bestände der erste Schritt zum Aufbau der Maskierungsstufen für einen Block von Audioabtastungen darin, das Signal auf einer geeigneten Frequenzamplitudenskala darzustellen. Die Blöcke der Zeitbereichsabtastungen x[n] werden mit Hilfe der 256 Bänder umfassenden Filterbank von MDCT in Frequenzbereichswerten X_k abgebildet.
In dem AC-3 wird die rückwärts gerichtete adaptive Bitzuordnungsphilosophie angewandt, mit welcher Bitzuordnungsinformationen an dem Decodierer aus den decodierten Daten selbst (mit Ausnahme einiger spezieller Parameter: parametrische Bitzuordnung) ohne ausdrückliche Informationen von dem Codierer geschaffen werden. Der Vorteil dieser Vorgehensweise besteht darin, dass keine der verfügbaren Bits in dem Rahmen zum Definieren der Zuordnung zu dem Decodierer verwendet werden.
Damit Bitzuordnungsinformationen (unabhängig von der verwendeten PSD), welche die gleichen wie an dem Codierer sind, wieder an Decodierern geschaffen werden können (wobei ein einziger Fehler zur Fehlinterpretation des ganzen Rahmens führen kann), werden die Bitzuordnungsvorgänge gänzlich in Festkommaarithmetik ausgeführt.
Transformationskoeffizienten werden unter Verwendung der Relation PSDk = 128·(24 + log2||X||)in einer Leistungsspektraldichtefunktion abgebildet. Da 2^–24 < ||X_k|| < 1 (Schwierigkeit des Algorithmus), betragen die abgebildeten Werte 0 ... 3072, wobei höhere Werte höhere Energie darstellen. Die PSD-Werte werden von dem Decodierer neu berechnet, wobei er die übertragenen Exponentenwerte nutzt.
B.2 Gruppierung zu kritischen Bändern
Empirische Ergebnisse zeigen, dass das menschliche Gehörsystem eine beschränkte frequenzabhängige Auflösung aufweist. Die Rezeptoren für den Schalldruck im menschlichen Ohr sind Haarzellen. Sie liegen im Innenohr oder, genauer gesagt, in der Gehörschnecke. In der Gehörschnecke wird eine Frequenz-Positions-Transformation vorgenommen. Die Lagestelle der maximalen Erregung hängt von der Frequenz des eingehenden Signals ab. Jede Gehörzelle an einer gegebenen Lagestelle an der Gehörschnecke ist für einen Überlappungsbereich auf der Frequenzskala verantwortlich. Der wahrgenommene Eindruck der Tonhöhe wird mit einem konstanten Abstand der Haarzellen korreliert. Verschiedene Experimentatoren haben abhängig von dem angewandten psychoakustischen Experiment unterschiedliche Funktionen der Transformation von der Frequenz zur Tonhöhe festgestellt. Zwicker liefert eine Tabelle, in welcher die Frequenzskala in Hz in sich nicht überlappende Bänder, so genannte kritische Bänder (manchmal auch als Bark-Skala bezeichnet) geteilt ist.
Der AC-3 teilt den Frequenzbereich zu Maskierungszwecken in 50 Bänder. Im Folgenden ist eine Abbildungsfunktion gegeben, welche die Frequenz an die Bark-Zahl für den AC-3 annähert, wobei die genauen Werte in dem ATSC-Standard "ATSC Digital Audio Compression (AC-3) Standard", Doc. A/52/10, Nov. 1994, verfügbar sind.
Die feindatigen PSD-Werte innerhalb jedes kritischen Bandes werden (mit logarithmischer Addition, da die Darstellung in einem Exponentialbetreich erfolgt) miteinander integriert, um einen einzigen Leistungswert für jedes Band zu erzeugen.
Wenn die Skala der kritischen Bänder gegeben ist, ist die Maskierung der gleichbleibenden Töne und Geräusche innerhalb eines kritischen Bands wohlbekannt. Schroeder stellte in Signal Compression Based on Models of Human Perceptions, Proceedings of the IEEE, Bd. 81, Nr. 10, Oktober 1993, im Laufe der Untersuchung der Maskierungserscheinung außerhalb eines kritischen Bandes das Konzept der Verbreitungsfunktion vor, in dem für gleichbleibende Situationen der Maskierungswirkung eines Signals in einem kritischen Band auf Signale in einem anderen kritischen Band beschrieben ist. Diese Ausbreitung ist, wie man zur Zeit annimmt, ein Nebenprodukt des mechanischen Filtermechanismus der Gehörschnecke.
Die Form der Verbreitungsfunktion verändert sich mit dem Pegel, und die Maskierungsfähigkeiten des Signals breiten sich von der Grundfrequenz aus weiter aus, wenn sich der Pegel der Maskiervorrichtung erhöht. Zu 2 beachte man, dass die Maskiervorrichtung eine höhere Frequenz besser als eine niedrige Frequenz maskieren kann: eine als Verbreitung der Maskierung nach oben bezeichnete Erscheinung.
Zur Vereinfachung der Berechnungen wird beim AC-3 nur die Maskierung nach oben betrachtet. Es sei angemerkt, dass sich die Maskierung von Geräuschen durch Vorhandensein eines starken Tons und die Maskierung eines Tons auf Grund der starken Geräusche der Art nach etwas unterscheiden. Das ergibt sich dadurch, dass die Maskierung manchmal als
Tonmaskierungsgeräusch: E_N = E_T – 7,25 – 0,5B (dB)
Geräuschmaskierungston: E_T = E_N – 2,25 (dB)
zusammengefasst werden kann, wobei E_T und E_N Ton- und Geräuschenergien sind und B die Nummer des kritischen Bands ist. Wenn die Maskierungskurve als linear angenommen wird, ist die Maskierungsschwelle gleich der Summe der Beiträge, die auf alle anderen Komponenten des Spektrums zurückzuführen sind. Jeder Beitrag wird als ähnlich dem Maskierungsmuster eines Schmalbandsignals (der elementaren Maskierung) angenommen. Mithin ist die vollständige Maskierungskurve S_v gleich der Faltung ν der Leistungsspektraldichte Y_v durch B_v, der Ausbreitungsfunktion der Basilarmembran, auf der Bark-Skala. Sv = Sv·Bv
B.3 Berechnung der Maskierungsschwelle
Im AC-3 wurde ein vereinfachtes Verfahren zum Ausführen des Faltungsschritts für die Verbreitungsfunktion entgegen der gebänderten PSD entwickelt. Die Verbreitungsfunktion wird durch zwei Linien genähert: eine schnell abfallende, nach oben gerichtete Maskierungskurve; und eine langsam abfallende, nach oben gerich tete Maskierungskurve, die im Pegel nach unten versetzt ist (man prüfe die starke Entsprechung zu der experimentellen Maskierungskurve gemäß 2). Anstatt den Maskierungsvorgang als linear anzunehmen und die einzelnen Wirkungen zu summieren, wählt der AC-3 die Maskierungswirkung an einer Stelle, welche das Maximum aller einzelnen Beiträge ist.
Die Maskierungskurve wird mit der (in dem Codierer gespeicherten) Hörschwelle verglichen, und der größere der zwei Werte wird beibehalten. Zum Schluss wird die Maskierungskurve von der ursprünglichen PSD abgezogen, um die gewünschte SNR für jeden einzelnen Koeffizienten zu bestimmen. Der Quantisierungsfehler für eine spezielle Frequenzkomponente X_k kann als Geräuschleistung Q_k betrachtet werden, die von der Anzahl der zum Codieren verwendeten Bits abhängt. Idealerweise sollte die Bitzuordnung derart sein, dass der Quantisierungsfehler vollständig abgedeckt ist, d.h. Q_k < S_v.
Im AC-3 steht die Bitzuordnung in direkter Beziehung zu der Maskierungskurve und einer Variablen snroffst, welche die verwendeten Bits steuert und dadurch die verfügbaren Bits auf die verwendeten Bits abstimmt. Sv = Sv – snroffst Bapk = LUT(PSDk – S ~v)
Die Variable snroffst stellt eine Versetzung des Signal-Rausch-Verhältnisses dar und ist beispielsweise in "Digital Audio Compression (AC-3) Standard ATSC Standard" von April 1995 definiert.
Die Anzahl der zur Quantisierung von X_k zu verwendenden Bits ist in einer Verweistabelle (LUT) zu finden, wobei die Differenz zwischen der PSD_k und dem Maskierungswert als Index verwendet wird.
C. Messung der wahrgenommenen Audioqualität
Ein wichtiger Gesichtspunkt beim Speichern oder Übertragen eines codierten Audios wäre es, ein bestimmtes Qualitätsniveau aufrechtzuerhalten. Zwar lassen sich durch Beschränkung der Bitrate auf niedrige Werte immense Einsparungen er zielen, jedoch kann die Qualität der Komprimierung ebenfalls zu niedrig werden, insbesondere in Zeiträumen einer hohen Komplexität. Man kann großzügig sein und hohe Bitraten zuordnen – das würde zu guter Qualität führen, kann jedoch zur Vergeudung von Kanal- oder Speicherkapazität (ihren, wodurch der Zweck eines guten Komprimierungsalgorithmus zunichte gemacht wird. Um zu jeder Zeit die richtige Kanalgeschwindigkeit oder Speicherfläche zu verlangen, muss das Codierungssystem eine auf der Wahrnehmung beruhende objektive Funktion zur Messung der Hörbarkeit der Quantisierungsgeräusche besitzen.
Eine objektive Funktion, mit welcher die Hörbarkeit der Quantisierungsgeräusche gemessen wird, wurde von Bradenburg vorgestellt und als Rausch-Masken-Verhältnis (NMR) bezeichnet. Das NMR beruht auf gut dokumentierten Maskierungswirkungen und eignet sich, wie sich zeigt, äußerst gut zum Audiocodieren und zur Qualitätsbeurteilung. Hier verwenden wir das nicht so übliche gewichtete durchschnittliche NMR, bei welchem die Gewichte w_i (auf der dB-Skala) die Empfindlichkeit des Hörers für das NMR über den Frequenzbereich darstellen.
Hierbei ist Q_t die Geräuschleistung und S² _v die Maskenleistung bei der speziellen Frequenz, AWNMR wird dabei auf der dB-Skala genommen.
Da jedoch die Summierung innerhalb eines lopgarithmischen Gliedes schwer zu bewerten ist, nehmen wir eine Vereinfachung in der obigen Gleichung vor. Wenn wir feststellen, dass die einzelnen Glieder in dem obigen Ausdruck positive reelle Zahlen sind, und dass das arithmetische Mittel bei positiven reellen Zahlen stets größer als das geometrische Mittel ist, erhalten wir
Dabei ist zu beachten, dass S_v = 128·(24 + log₂S_v) und wir
haben.
Die Leistung des mittleren quadratischen Fehlers (Geräuschs) hängt von der Anzahl der Bits ab, die zur Quantisierung des Koeffizienten verwendet werden, d.h. Q_k ≈ Δ²/12 , wobei
Deshalb
Wenn wir jedoch die angepasste Maskierungskurve S ~² _v nehmen und eine Einstellung für die Transformation in den PSD-Bereich vornehmen, dann
Der obige Ausdruck ist eine Vereinfachung, da er nicht zwischen den einzelnen PSDk-Werten differenziert. Trotzdem stellt er ein sehr einfaches Verfahren zum Einbringen eines Qualitätswertes in codierte Ströme bereit.
D. Konstante Q VBR mit Hilfe von AWNMR
Das Ergebnis der Herleitung in dem vorhergehenden Abschnitt besteht darin, dass der AWNMR als einfache Funktion des Wertes snroffst angenommen werden kann. Wird snroffst als Konstante aufrechterhalten, führt das natürlich zu einer konstanten Codierqualität in Bezug auf die objektive Messfunktion AWNMR.
Zwar ist Gleichung (1) am genauesten, ist jedoch auch berechnungsmäßig am aufwändigsten. Durch Vereinfachung in (2) werden die frequenzabhängigen Gewichtungen nutzlos, da sie sich alle auf eine Konstante belaufen. Gleichung (3) ist noch schlechter, weist jedoch den Vorteil auf, überhaupt keine zusätzliche Berechnung zur Einsetzen eines jeweiligen Wertes zur Qualität des Codierens zu benötigen.
Experimentelle Ergebnisse bestätigen, dass der AWNMR als Messfunktion geeignet ist, eine fast gleichbleibende Qualität aufrechtzuerhalten, selbst wenn er auf Grund der sich ändernden Komplexität der Signale starke Sprünge der Bitrate erfährt.
Ein Teil des Algorithmus für die konstante Qualität bei variabler Bitrate ist im Folgenden in dem Pseudocode gegeben. Die Bitzuordnung wird im Endstadium einer Rahmenverarbeitung in einem Codierer AC-3 aufgerufen. Dabei ist der Wert der verwendeten Bits zum Codieren aller anderen Informationen neben den Mantissen der Frequenzkoeffizienten bekannt. Die Maskierungskurve wird anhängig von dem Wert snroffst aufwärts gezählt/abwärts gezählt. Dadurch wird die Anzahl der zum Codieren der Mantassen benötigten Bits direkt gesteuert. Unter Bedingungen einer konstanten Bitrate werden die Werte snroffst derart manipuliert, dass man zu einer Zuordnung kommt, die in die feste Rahmengröße passt. Hierbei werden der Wert snroffst festgelegt und die Rahmengröße manipuliert. Ein geeigneter Pseudocode für einen Algorithmus gemäß der Erfindung sieht folgendermaßen aus:
Es wurden Experimente für einen Zweikanalcodierer AC-3 ausgeführt. Der AWNMR wurde derart auf einen bestimmten Pegel festhelegt, dass die durchschnittliche Bitrate etwa 192 kbps beträgt (d.h. das Codiergeräusch in Gesamtqualität ist fast nicht wahrnehmbar). Dann erhielt man das in 3 gezeigte Geräusch-Masken-Verhältnis für Kastagnetten und die in 4 dargestellten Erfordernisse für die Bitrate.
Bei einfachen Abfolgen (Ruhe oder einfache Töne) reicht eine niedrige Bitrate ~64 kbps, um den erforderlichen AWNMR zu erzielen. Bei komplizierter Musik muss die Bitrate (folglich die Rahmengröße) auf ~256 kbps erhöht werden, um den gleichen vordefinierten AWNMR aufrechtzuerhalten. Der Vorteil ist, dass an Stelle der Variierung der Qualität die Bitrate variabel gestaltet wird und die Qualität fast gleichbleibend ist. Die durchschnittliche Bitrate für unterschiedliche NMR/snroffst kann empirisch durch Simulationen mit einem Sortiment von Musiktestvektoren berechnet werden. Zusätzlich dazu können harte Schwellwerte für die maximale Rahmengröße gesetzt werden, um zu große Bitanforderungen zu verhindern.

Claims

Verfahren zum Codieren eines Audiosignals, mit: dem Bereitstellen einer Maskierungsfunktion, welche eine psychoakustische Maskierung darstellt; dem Festsetzen eines Qualitätswertes für die Daten des codierten Signals; dem Einstellen der Maskierungsfunktion abhängig von dem Qualitätswert; und dem Zuordnen von Bits für die Quantisierung des auf der Maskierungsfunktion beruhenden codierten Signals, dadurch gekennzeichnet, dass: der Qualitätswert mit θ gleichgesetzt wird, das eine Funktion von snroffst ist, das eine Variable ist, die eine Versetzung eines Signal-Rausch-Abstands kennzeichnet und proportional einem Signal-Masken-Abstand ist.
Verfahren nach Anspruch 1, wobei der Qualitätswert einen gewichteten durchschnittlichen Signal-Masken-Abstand (AWNMR) darstellt.
Verfahren nach Anspruch 2, wobei
wobei S_v die Maskierungsfunktion ist, S_v die eingestellte Maskierungsfunktion ist, und W_k eine Gewichtungsfunktion ist.
Verfahren nach einem der vorhergehenden Ansprüche, wobei aus dem Audiosignal Transformierungskoeffizienten zum Codieren abgeleitet werden und in grafisch einer Leistungsspektrumsdichtefunktion (PSD) dargestellt werden, und wobei die Bit-Zuordnung durch Differenzierung der PSD und der eingestellten Maskierungsfunktion festgelegt wird.
Verfahren nach einem der Ansprüche 1 bis 4, wobei das Codieren des Audiosignals das Teilen des Signals in eine Mehrzahl von Rahmen zum Befördern von Quantisierungs- und anderen Signaldaten und das Vergrößern oder Verkleinern einer oder mehrerer Rahmenlängen umfasst, bis der zugeordnete Rahmen die für die Quantisierung zugeordneten Bits untergebracht hat.