音頻壓縮質(zhì)量對(duì)聽(tīng)覺(jué)感知影響的研究

夏陽(yáng)

（浙江師范大學(xué)，浙江金華 321004）

音頻壓縮質(zhì)量對(duì)聽(tīng)覺(jué)感知影響的研究

夏陽(yáng)

（浙江師范大學(xué)，浙江金華 321004）

為了能更好地解決數(shù)字音頻信號(hào)相關(guān)存儲(chǔ)與傳輸問(wèn)題，數(shù)據(jù)壓縮逐漸成為當(dāng)代數(shù)字音頻處理中一個(gè)重要的研究方向。人耳的聽(tīng)覺(jué)對(duì)不同壓縮比的音頻質(zhì)量有著顯著的感知差異，通過(guò)不同的實(shí)驗(yàn)法組合發(fā)現(xiàn)，被試不能分辨出112及以上比特率編碼的音頻，但是能分辨出96kBit/s、80 kBit/s、64kBit/s、56kBit/s編碼的音頻，且對(duì)80及以下比特率編碼的音頻表現(xiàn)出厭煩。由此可見(jiàn)，對(duì)音頻進(jìn)行編碼的最佳方案是112 kBit/s。

音頻；MP3；聽(tīng)覺(jué)感知

音頻作為視聽(tīng)媒體中不可或缺的一部分，具有重要地位。當(dāng)音頻信號(hào)傳遞到人耳時(shí)，人耳有一套復(fù)雜的聽(tīng)覺(jué)感知系統(tǒng)，能夠?qū)⒙曇粜盘?hào)轉(zhuǎn)變?yōu)榇竽X的腦電信號(hào)，并將接受的復(fù)雜信息簡(jiǎn)化為人們本身所需要的信息。人們對(duì)人耳聽(tīng)覺(jué)系統(tǒng)信息處理機(jī)制的研究涉及多個(gè)學(xué)科的領(lǐng)域，涵蓋了生理學(xué)、認(rèn)知心理學(xué)、信息科學(xué)、計(jì)算機(jī)科學(xué)、物理聲學(xué)等。

到目前為止，人們對(duì)聽(tīng)覺(jué)信息處理機(jī)制的研究已經(jīng)取得了一定的成果，但仍存在一些未解決的問(wèn)題，例如，在數(shù)字音頻信號(hào)傳輸時(shí)，人們常對(duì)于音頻的大小和質(zhì)量產(chǎn)生困惑。眾所周知，聲音信號(hào)的數(shù)據(jù)量是非常大的，要使實(shí)時(shí)處理和傳輸這些龐大的數(shù)據(jù)成為可能，必須對(duì)音頻數(shù)據(jù)信息進(jìn)行處理。近幾年來(lái)，在網(wǎng)絡(luò)流媒體、數(shù)字廣播、移動(dòng)設(shè)備等領(lǐng)域，數(shù)字音頻信號(hào)處理得到了廣泛的應(yīng)用。為了能更好地解決數(shù)字音頻信號(hào)相關(guān)存儲(chǔ)與傳輸問(wèn)題，數(shù)據(jù)壓縮逐漸成為當(dāng)代數(shù)字音頻處理中一個(gè)重要的研究方向。

在諸多的壓縮標(biāo)準(zhǔn)中，MP3壓縮格式以其優(yōu)越的性能以及品質(zhì)與算法復(fù)雜度的極佳折中，成為當(dāng)前PC、網(wǎng)絡(luò)、PDA上最為流行的音頻格式。移動(dòng)設(shè)備終端的計(jì)算能力和存儲(chǔ)容量都是有限的，但是過(guò)多地壓縮音頻質(zhì)量將會(huì)影響到人們對(duì)事物整體信息的感知與判斷。[1]因此，如何在不影響聽(tīng)覺(jué)感知的基礎(chǔ)上盡可能大地壓縮音頻成為研究的一個(gè)重要領(lǐng)域。

人耳作為音頻信號(hào)的接收者，它具有一定的主觀性，盡管物理聲學(xué)信號(hào)是客觀存在的，但在人的聽(tīng)覺(jué)系統(tǒng)反應(yīng)上會(huì)有一定的偏差。因此深入地研究人的聽(tīng)覺(jué)系統(tǒng)，研究音高、音強(qiáng)和音色對(duì)主觀感知的影響是十分必要的。這就是交叉學(xué)科——心理聲學(xué)的研究范疇。

本次實(shí)驗(yàn)主要為探尋MP3的不同壓縮方式是否對(duì)聽(tīng)覺(jué)質(zhì)量產(chǎn)生影響，特選取MP3中常見(jiàn)的一些壓縮的比特率，探究編碼和未編碼的音頻片段是否在聽(tīng)覺(jué)感知上有差異，探究不同壓縮程度的音頻是否對(duì)人的主觀感知有影響，以期選擇出最優(yōu)的MP3壓縮方案。

一、基礎(chǔ)理論

1.聽(tīng)覺(jué)曲線(xiàn)

聲音的單位能量由響度來(lái)表示，響度由單位面積上的聲壓比對(duì)數(shù)來(lái)計(jì)算。

由于人耳的結(jié)構(gòu)復(fù)雜，不同頻率的聲音傳遞到耳朵會(huì)有不同的共振。圖1為人耳在相同響度下對(duì)不同頻率的聲音的共振程度。最下方的虛線(xiàn)表示在安靜時(shí)人的聽(tīng)覺(jué)閾值曲線(xiàn)，上方四條實(shí)線(xiàn)分別表示在20、40、60、80分貝下的聽(tīng)覺(jué)曲線(xiàn)。從圖1可以看出，頻率為2kHz～6kHz的聲音共振較為明顯，可以繼而推出人耳對(duì)這個(gè)頻率段的聲音較其他頻率段為敏感。[2]

圖1 聽(tīng)覺(jué)曲線(xiàn)以及相同響度下的曲線(xiàn)

2.雙耳效應(yīng)

當(dāng)人們將一根手指按在一只耳朵上，會(huì)感覺(jué)到明顯的響度變小了。這說(shuō)明兩只耳朵都和響度相關(guān)。1947年，Shaw、Newman和Hirsh發(fā)現(xiàn)，事實(shí)上雙耳的聽(tīng)覺(jué)閾限要比單耳的聽(tīng)覺(jué)閾限低了大約3dB。[3]這個(gè)結(jié)果的產(chǎn)生不是在實(shí)際的室內(nèi)聲源中，而通常是在開(kāi)放聲場(chǎng)的消聲室中。同時(shí)，有國(guó)外的研究還發(fā)現(xiàn)，聲音射入的方向是影響響度的一個(gè)重要因素。圖2顯示了在標(biāo)準(zhǔn)水平面的不同入射角產(chǎn)生的不同結(jié)果。顯然，響度本身是受入射方向影響的，對(duì)不同的受試者來(lái)說(shuō)，最大變化可達(dá)10dB；除此之外還顯示了明顯的頻率相關(guān)性，在高頻（5kHz）時(shí)有更大的效應(yīng)。

圖2 響度入射方向的相關(guān)性

響度受到入射方向影響可以理解為兩個(gè)不同的進(jìn)程：（1）從聲源到耳朵的聲學(xué)信號(hào)轉(zhuǎn)換；（2）事實(shí)上的雙耳的相加。第一個(gè)進(jìn)程是物理層面的，它包括面對(duì)著聲源耳朵的壓力結(jié)構(gòu)、背對(duì)著聲源耳朵的頭部陰影效應(yīng)（聲影區(qū)）等。第二個(gè)進(jìn)程是心理物理層面的，它描述了耳朵受入射影響變化的響度等級(jí)如何與雙耳的壓力響度等級(jí)相結(jié)合。2006年，Sivonen和Ellermeier利用相加的法則發(fā)現(xiàn)，雙耳最大的增益達(dá)到3dB。[4]

3.音頻壓縮編碼技術(shù)

最近二十年來(lái)，有不少音頻壓縮編碼技術(shù)被制定出來(lái)，如MPEG-1 Layer3、MPEG-2 AAC、Dolby實(shí)驗(yàn)室的AC-3、微軟的WMA等，其中，MPEG音頻標(biāo)準(zhǔn)系列占據(jù)了音頻壓縮技術(shù)的主流地位。MP3是MPEG-1的副產(chǎn)品，20世紀(jì)90年代由德國(guó)柏林工業(yè)大學(xué)的Fraunhofer Gesellschaft研究所研制，是到目前為止最為普及的音頻壓縮格式。它采用了子帶分解、分析濾波器組、轉(zhuǎn)換域編碼、熵編碼、動(dòng)態(tài)比特分配、非同一量化編碼和心理聲學(xué)分析等技術(shù)，支持32kHz、44.1kHz和48kHz采樣頻率下對(duì)16比特PCM信號(hào)進(jìn)行編碼，同時(shí)，提供單聲道、立體聲道、兩個(gè)獨(dú)立雙聲道和聯(lián)合立體聲等四種音頻聲道模式。[5]

圖3 MP3編碼流程圖

圖3所示為MP3編碼流程。如圖所示，音頻信號(hào)由兩種方式進(jìn)行編碼，第一種方式數(shù)據(jù)先進(jìn)入多相濾波器，然后經(jīng)過(guò)MDCT變換得出頻譜系數(shù)；第二種方式數(shù)據(jù)先進(jìn)行快速傅立葉變換，然后通過(guò)psychoacoustics分析，將psychoacoustics分析后的聲學(xué)參數(shù)和第一種方式輸出的頻譜系數(shù)進(jìn)行量化和霍夫曼編碼；第二種方式進(jìn)行聲學(xué)分析后可以得出信號(hào)掩蔽比，最終由兩者形成相應(yīng)的比特信息流。

二、編碼和未編碼的音頻對(duì)人的聽(tīng)覺(jué)感知的影響

1.被試

柏林工業(yè)大學(xué)聲學(xué)專(zhuān)業(yè)大學(xué)生30人，其中男生15名，女生15名，年齡在24～31歲，聽(tīng)力正常。被試單獨(dú)進(jìn)入測(cè)試房間，在計(jì)算機(jī)支持下的ABX測(cè)試中進(jìn)行獨(dú)立的選擇和評(píng)價(jià)。

2.實(shí)驗(yàn)材料

實(shí)驗(yàn)采用60個(gè)音頻文件，分為30組，每組2個(gè)音頻文件，均采用WAV格式（PCM，16 Bit，44.1 kHz）。每組的兩個(gè)音頻各自包含相同的爵士樂(lè)片段（大約30秒），其中第一個(gè)音頻未編碼，第二個(gè)文件用112 kBit/s的MPEG Layer-3方法進(jìn)行編碼。

3.實(shí)驗(yàn)方法

傳統(tǒng)的信號(hào)檢測(cè)法無(wú)法改變?cè)家纛l，因而在本研究中無(wú)法采用。為了達(dá)到目的，本研究借助計(jì)算機(jī)的編程實(shí)現(xiàn)，采用迫選法（Forced Choice Method）。而迫選法要求被試必須至少聽(tīng)兩段音頻片段，因此在本研究中采用ABX測(cè)試法。

ABX測(cè)試方法如下：從兩段音樂(lè)庫(kù)中隨機(jī)抽取一對(duì)音頻信號(hào)A[n]、B[n]（n為不大于原始音樂(lè)庫(kù)中音樂(lè)數(shù)目的任意正整數(shù)），再隨機(jī)地把A[n]、B[n]分配給A和B，然后在A、B中隨機(jī)選出一個(gè)作為X。測(cè)試者可以任意地反復(fù)回放A、B或X，最后給出判斷：X是A還是B。

4.實(shí)驗(yàn)程序

本實(shí)驗(yàn)在小型的混響房間的筆記本電腦上運(yùn)行，電腦裝載了ABX軟件。被試逐個(gè)單獨(dú)進(jìn)入房間然后對(duì)音頻用ABX方法進(jìn)行判斷。實(shí)驗(yàn)采用STAX Lambda SR-202-Stereo專(zhuān)業(yè)測(cè)試耳機(jī)。在實(shí)驗(yàn)過(guò)程中允許被試自由調(diào)節(jié)音頻的響度。每個(gè)被試測(cè)試18次。

5.實(shí)驗(yàn)參數(shù)

一次有n次過(guò)程的ABX測(cè)試等于一個(gè)n階p=0.5的伯努利實(shí)驗(yàn)（Bernoulli Experiment）。概率k和n的關(guān)系如下所示：

圖4中顯示了n=18時(shí)的離散概率。當(dāng)時(shí)，適用以下公式：

以此類(lèi)推所求的概率為：

圖4 n=18時(shí)的離散概率

當(dāng)n=18以及p=0.5時(shí)得到以下數(shù)值：5%的波動(dòng)范圍應(yīng)該被看作是一個(gè)明顯差異的界限。在表1中，有超過(guò)13次的嘗試都在5%以?xún)?nèi)，只有5次的偶然命中率超過(guò)了這個(gè)數(shù)值（見(jiàn)圖4）。

表1 不同次數(shù)下的離散概率

6.實(shí)驗(yàn)結(jié)果與分析

對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行描述性統(tǒng)計(jì)分析發(fā)現(xiàn)：有6名被試達(dá)到13次及以上的正確次數(shù)，而其余24名被試均未達(dá)到標(biāo)準(zhǔn)（見(jiàn)表2）。因此可見(jiàn)，即僅有20%的被試能正確分辨兩者的區(qū)別，而其余80%的被試未能正確分辨兩者的區(qū)別。

對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行單樣本T檢驗(yàn)發(fā)現(xiàn)：T=-5.572，P＜0.001，即30名被試的平均正確次數(shù)11.20與正確次數(shù)13之間存在顯著性差異。由此可見(jiàn)，被試并不能分辨出112 kBit/s編碼的音頻。

表2 ABX測(cè)試的正確率

三、不同壓縮質(zhì)量的音頻對(duì)人的聽(tīng)覺(jué)感知的影響

1.被試

柏林工業(yè)大學(xué)聲學(xué)專(zhuān)業(yè)大學(xué)生40人，其中男生20名，女生20名，年齡在25～32歲，聽(tīng)力正常。被試單獨(dú)進(jìn)入測(cè)試房間，在計(jì)算機(jī)支持下的ABC/HR測(cè)試中進(jìn)行獨(dú)立的選擇和評(píng)價(jià)。?

2.實(shí)驗(yàn)材料

實(shí)驗(yàn)采用在第一個(gè)實(shí)驗(yàn)中使用過(guò)的爵士樂(lè)片段（s0），將其進(jìn)行編碼，形成8個(gè)比特率的MPEG Layer-3編碼片段：320kBit/s（s1），224kBit/s（s2），160kBit/s（s3），112kBit/s（s4），96kBit/s（s5），80kBit/s（s6），64kBit/ s（s7）和56kBit/s（s8），共18組，每組9個(gè)音頻文件。

3.實(shí)驗(yàn)方法

本實(shí)驗(yàn)采用ABC/HR方法。ABC/HR測(cè)試方法如下：在程序上呈現(xiàn)三個(gè)測(cè)試刺激源（a，b，c），其中參數(shù)刺激已被標(biāo)明，同時(shí)提供兩個(gè)未標(biāo)識(shí)的刺激材料，這兩個(gè)未標(biāo)識(shí)的刺激材料中一個(gè)是重復(fù)的參數(shù)，一個(gè)是已經(jīng)改變的版本。在測(cè)試中，被試需要確定，這兩個(gè)未標(biāo)識(shí)的刺激材料中的哪一個(gè)是已經(jīng)改變的版本。除此之外，被試還需要測(cè)主觀的干擾度，這主要通過(guò)一個(gè)控制器來(lái)定量確定（5－感覺(jué)不到；4－感覺(jué)到，但不令人厭煩；3－稍微有點(diǎn)令人厭煩；2－令人厭煩；1－很令人厭煩討厭）。如果被試選擇已經(jīng)改變的版本，其主觀評(píng)判的值為正值；如果被試選擇未被改變的版本，其主觀評(píng)判值為負(fù)值。

4.實(shí)驗(yàn)程序

本實(shí)驗(yàn)在小型的混響房間的筆記本電腦上運(yùn)行，電腦裝載了ABC/HR軟件。被試逐個(gè)單獨(dú)進(jìn)入房間然后對(duì)音頻用ABC/HR方法進(jìn)行判斷。實(shí)驗(yàn)采用STAX Lambda SR-202-Stereo專(zhuān)業(yè)測(cè)試耳機(jī)。每個(gè)被試測(cè)試162次。

5.實(shí)驗(yàn)結(jié)果與分析

對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行描述性統(tǒng)計(jì)分析發(fā)現(xiàn)：100%的被試能夠在兩個(gè)未編碼的刺激中識(shí)別出56 kBit/s的音樂(lè)、64 kBit/s的音樂(lè)、80kBit/s的音樂(lè)；85%的被試能夠在兩個(gè)未編碼的刺激中識(shí)別出96kBit/s的音樂(lè)；而112kBit/s的音樂(lè)、160Bit/s的音樂(lè)、224kBit/s的音樂(lè)、320kBit/s的音樂(lè)識(shí)別正確率分別為18%、13%、10%、5%。

將112kBit/s、160kBit/s、224kBit/s、320kBit/s音樂(lè)的實(shí)驗(yàn)結(jié)果進(jìn)行單樣本T檢驗(yàn)發(fā)現(xiàn)：T（112kBit/s）=-4.130；T（160kBit/s）=-6.430，p＜0.005；T（224kBit/s）=-9.579，p＜0.005；T（320kBit/s）=-11.695，p＜0.005；即40名被試的平均正確次數(shù)M（112kBit/s）=11.25，M（160kBit/s）=10.88，M（224kBit/s）=9.92，M（320kBit/s）=9.42與正確次數(shù)13之間均存在顯著性差異。由此可見(jiàn)，被試并不能分辨出112 kBit/s、160kBit/s、224kBit/s、320kBit/s編碼的音頻。

將96kBit/s的音樂(lè)的實(shí)驗(yàn)結(jié)果進(jìn)行單樣本T檢驗(yàn)發(fā)現(xiàn)：T（96kBit/s）=1.010，p＞0.01；即40名被試的平均正確次數(shù)M（96kBit/s）=14.50與正確次數(shù)14之間并不存在顯著差異。由此可見(jiàn)，被試能分辨出96 kBit/s編碼的音頻。

進(jìn)一步對(duì)平均值進(jìn)行分析發(fā)現(xiàn)：在80 kBit/s達(dá)到了標(biāo)度值“稍微有點(diǎn)令人厭煩”，由此可以確定質(zhì)量的損害；在96kBit/s差異度的平均值為3.56，在標(biāo)度值“感覺(jué)到，但不令人厭煩”附近，由此可以看出，在這個(gè)標(biāo)度值上僅僅有一個(gè)變化，但是沒(méi)有質(zhì)量的損害生成（見(jiàn)表3）。

表3 不同比特率的音樂(lè)

四、分析與討論

音頻壓縮技術(shù)，其實(shí)質(zhì)就是對(duì)經(jīng)過(guò)采樣量化的PCM信號(hào)進(jìn)行處理，力求壓縮后的音頻數(shù)據(jù)量最小化，并同時(shí)達(dá)到所謂的“透明音質(zhì)”，即解碼后的輸出信號(hào)與原先的輸入信號(hào)不可分辨。本實(shí)驗(yàn)發(fā)現(xiàn)，被試不能分辨出112、224、320比特率編碼壓縮的音頻，但是能分辨出96kBit/s、80 kBit/s、64kBit/s、56kBit/s編碼壓縮的音頻，且對(duì)80及以下比特率編碼的音頻表現(xiàn)出厭煩。由此可見(jiàn)，經(jīng)過(guò)112、224、320比特率編碼壓縮的音頻，都達(dá)到了“透明音質(zhì)”的標(biāo)準(zhǔn)，均為音頻壓縮編碼可以采用的比特率。但是，音頻編碼的中心思想為用最小的比特存儲(chǔ)聲音信號(hào)，使之達(dá)到透明聲音信號(hào)標(biāo)準(zhǔn)。[6]因此，在音頻編碼壓縮上應(yīng)該有個(gè)最佳壓縮方案，即達(dá)到透明聲音信號(hào)標(biāo)準(zhǔn)的最小比特值，本實(shí)驗(yàn)發(fā)現(xiàn)，這個(gè)值為112 kBit/s。

[1]蔣學(xué)鑫.MP3實(shí)時(shí)編解碼系統(tǒng)的研究與開(kāi)發(fā)[D].電子科技大學(xué)，2007，（4）.

[2]Weinzierl S，Ellermeier W，Hellbrück J.Handbuch der Au?diotechnik[M].Springer Verlag，2007，（42）.

[3]Shaw W A，Newman E B，Hirsh I J.The difference between monaural and binaural thresholds[J].Journal of Experimental Psy?chology，1947，（37）：229－242.

[4]Sivonen VP，Ellermeier W.Directional loudness in an an?echoic sound field，head related transfer functions，and binaural summation[J].J Acoust Soc Ame.2006，（119）：2965－2980.

[5]李琳.音頻感知編碼模型及關(guān)鍵技術(shù)的研究[D].中國(guó)科學(xué)技術(shù)大學(xué)，2008，（5）.

[6]李琳琳.數(shù)字音頻感知編碼的心理聲學(xué)模型[J].經(jīng)驗(yàn)與交流，2008，（6）.

夏 陽(yáng)（1984—），男，浙江金華人，浙江師范大學(xué)助教，研究方向?yàn)橐纛l技術(shù)、影視聲音。

責(zé)任編輯 李杰杰