Ljuddatakomprimering

Komprimering (komprimering) av ljuddata är processen att minska hastigheten på en digital ström genom att minska den statistiska och psykoakustiska redundansen hos en digital ljudsignal .

Metoder för att minska den statistiska redundansen för ljuddata kallas också förlustfri komprimering, och följaktligen kallas metoder för att minska psykoakustisk redundans förlustfri komprimering.

Historik

Inspelad

Frågan om att öka tätheten av ljudinspelning uppstod nästan omedelbart efter tillkomsten av ljudinspelningen som sådan. I en tid präglad av mekanisk inspelning, för detta ändamål, försökte de lägga ljudspåret så tätt som möjligt på skivans yta. För dessa ändamål var det nödvändigt att antingen minska kvaliteten på inspelningen, minska dynamiken och frekvensomfånget, vilket praktiserades till exempel vid inspelning av tal (ljudföreställningar, föreläsningar, skivor för dubbning av filmremsor ). Men på 1930-talet, när man bytte till vinylskivor, föreslogs en annan metod, baserad på den oberoende begränsningen av de tre komponenterna i rörelselagen för skäraren under inspelning och nålen under uppspelning: oscillerande förskjutning, oscillerande hastighet och oscillerande acceleration. Vid låga frekvenser är vibrationshastigheter och accelerationer små, och vibrationsförskjutning spelar den största rollen vid signalöverföring. Vid medelhöga frekvenser kan förskjutningen inte längre nå stora värden och hastigheten börjar spela störst roll vid signalöverföring. Vid högre frekvenser övergår denna roll till acceleration. Det är denna funktion hos mekanisk ljudinspelning som användes för att effektivt komprimera ljudinformation. Vid inspelning är ljudsignalen förförvrängd på ett sådant sätt att den drar maximal nytta av ljudspårets tilldelade bredd (vilket begränsar förskjutningen), dess krökningsradie (som begränsar hastigheten) och styrkan på skivmaterialet (vilket begränsar accelerationen). Den mest populära och senare standardiserade var RIAA pre-emphasis kurva. Ljudkomprimering på grammofonskivor är i huvudsak en optimering av den spektrala densitetsfunktionen.

Vid magnetisk inspelning

Liksom i fallet med grammofoninspelning var ökningen av magnetisk inspelningstäthet associerad med optimeringen av signalspektrala densitetsfunktionen, i enlighet med de fysiska begränsningarna som skapas av magnethuvud  - magnetbandsystemet . En viktig egenskap som påverkar kvaliteten på magnetisk inspelning är bredden på huvudets icke-magnetiska gap. Ju mindre den är, desto bredare kan frekvensområdet spelas in, men signalnivån, speciellt i lågfrekvensområdet, reduceras och de icke-linjära distorsionerna ökar. Tvärtom, ju bredare gapet är, desto mer begränsas frekvensområdet ovanifrån, men signalnivån blir högre och de icke-linjära distorsionerna blir lägre. För att övervinna denna motsägelse innehåller bandspelarens inspelningskanal fördistorsionsfilter. Faktum är att vid låga frekvenser begränsas signalen av magnetisk mättnad, vid medelfrekvenser - av koercitivkraften och vid höga frekvenser - av huvudets ströfält. Därför tvingar det lågfrekventa fördistorsionsfiltret inspelningsförstärkaren att arbeta i det aktuella källläget, och begränsar därigenom mängden magnetisering. Vid medelhöga frekvenser sker en övergång från strömkällan till spänningskällan, och slutligen, vid högre frekvenser, arbetar inspelningsförstärkaren i spänningskällan. Frekvenssvaret för fördistorsionsfiltret på bandspelarens förstärkare liknar RIAA-kurvan, men har olika polfrekvenser, som beror på bandets hastighet och dess typ. High-end multi-speed bandspelare hade omkopplingsbara filterbanker.

I radiosändningar

Önskan att minska frekvensbandet som ockuperas av en sändande radiostation i etern, utan att försämra ljudkvaliteten, har lett till användningen av ljudsignalkomprimering i radiosändningar. Men eftersom sändningssystem för amplitudmodulering i lång-, mellan- och kortvågsbanden utvecklades på 1920- och 1930-talen täcktes de inte av ljudsignalkomprimering och bandbredden som upptogs i luften begränsades helt enkelt genom att minska kvaliteten på sändningen . Men inom området för ultrakorta vågor vid sändning av en signal med frekvensmodulering, där bandbredden inte bestäms av bredden på den ursprungliga ljudsignalens spektrum, utan av dess dynamiska omfång, användes "kompressor-expander" -systemet, vilket gjorde det möjligt att begränsa frekvensavvikelsen till ett värde av 75 kHz, vilket ger ett dynamiskt område på 96 dB

I stereosystem

I stereosystem är ljudsignalkomprimering baserad på summaskillnadsprincipen och den mänskliga hörselns egenskaper. Faktum är att det under naturliga förhållanden inte finns några helt separerade ljudkällor för vänster och höger öra. Därför är det inte nödvändigt för en stereofonisk ljudinspelning att skapa en skillnad mellan det momentana ljudtrycksvärdet i vänster och höger öra på mer än 40 dB. Därför, i analoga ljudsystem, användes metoden "gemensam stereo" i stor utsträckning, när signalen av summan av kanalerna spelades in med hög kvalitet och kanalskillnadssignalen spelades in med en amplitudkomprimerad och frekvensbegränsad kanalskillnad. signal. I återgivningsanordningen erhölls signalen för den vänstra kanalen som summan av summa- och skillnadssignalerna, och den högra kanalen erhölls som skillnaden mellan summa- och skillnadssignalerna. Det kombinerade stereosystemet användes vid inspelning och stereosändningar.

Förlustfri komprimering

Minskningen av statistisk redundans bygger på att man tar hänsyn till egenskaperna hos själva ljudsignalerna. Det bestäms av närvaron av en korrelation mellan intilliggande sampel av en digital ljudsignal, vars eliminering gör det möjligt att minska mängden överförda data med 15 ... 25% jämfört med deras ursprungliga värde. För att sända en signal är det nödvändigt att få en mer kompakt representation av den, vilket kan göras med hjälp av en ortogonal transformation . Viktiga villkor för tillämpningen av en sådan omvandlingsmetod är:

• förmågan att återställa den ursprungliga signalen utan distorsion
• förmågan att ge den högsta koncentrationen av energi i ett litet antal omvandlingsfaktorer
• snabb beräkningsalgoritm

Dessa krav uppfylls av den modifierade diskreta cosinustransformen (MDCT).

Bithastigheten kan reduceras genom kodningsmetoder som tar hänsyn till statistiken för ljudsignaler, till exempel sannolikheten för förekomst av nivåer av olika storlekar. En sådan metod är Huffman-koden , där kortare kodord tilldelas de mest sannolika signalvärdena, och sampelvärden med låg sannolikhet för förekomst kodas med längre kodord. Det är av dessa två skäl som i de mest effektiva digitala ljuddatakomprimeringsalgoritmerna kodas inte själva ljudsignalsamplen, utan MDCT-koefficienterna.

Liknande metoder används vid arkivering av filer.

Förlustig komprimering

Förlustkomprimering av ljuddata baseras på ofullkomligheten i mänsklig hörsel när den uppfattar ljudinformation. En persons oförmåga att i vissa fall skilja mellan tystare ljud i närvaro av starkare, kallad maskeringseffekten , har utnyttjats i psykoakustiska redundansreduktionsalgoritmer. Effekterna av auditiv maskering beror på de spektrala och tidsmässiga egenskaperna hos de maskerade och maskerande signalerna och kan delas in i två huvudgrupper:

• frekvens (samtidig) maskering
• tillfällig (icke-samtidig) maskering

Maskeringseffekten i frekvensdomänen beror på det faktum att i närvaro av stora ljudamplituder är det mänskliga örat okänsligt för små amplituder av nära frekvenser. Det vill säga när två signaler är samtidigt i en begränsad frekvensdomän, blir den svagare signalen ohörbar mot bakgrunden av den starkare.

Tidsdomänmaskering karakteriserar hörselns dynamiska egenskaper genom att visa förändringen i relativ hörtröskel (hörtröskel för en signal i närvaro av en annan) över tid när de maskerande och maskerade signalerna inte låter samtidigt. I det här fallet bör man skilja mellan fenomenen eftermaskering (förändring av hörseltröskeln efter en högnivåsignal) och förmaskering (förändring av hörseltröskeln innan en signal med maximal nivå kommer) . En svagare signal blir ohörbar 5–20 ms innan maskeringssignalen slås på och blir hörbar 50–200 ms efter att den slås på.

Den bästa ljudkodningsmetoden som tar hänsyn till maskeringseffekten är bandkodning. Dess väsen är som följer. En grupp av sampel av den ingående ljudsignalen, kallad en ram, går in i filterblocket, som delar upp signalen i frekvensunderband. Vid utgången av varje filter finns den del av insignalen som faller inom passbandet för detta filter. Vidare, i varje band, med hjälp av en psykoakustisk modell, analyseras signalens spektrala sammansättning och det uppskattas vilken del av signalen som ska sändas utan reduktion, och vilken del som ligger under maskeringströskeln och kan återkvantiseras till ett mindre antal av bitar. För att minska det maximala dynamiska intervallet bestäms det maximala urvalet i ramen och en skalningsfaktor beräknas som för detta sampel till den övre kvantiseringsnivån. Denna operation liknar compande i analoga sändningar. Alla andra avläsningar multipliceras med samma faktor. Skalfaktorn sänds till avkodaren tillsammans med den kodade datan för att korrigera den senares förstärkning. Efter skalning uppskattas maskeringströskeln och det totala antalet bitar omfördelas mellan alla band.

Uppenbarligen, efter elimineringen av den psykoakustiska redundansen av ljudsignaler, är deras exakta rekonstruktion under avkodning inte längre möjlig. Metoder för att eliminera psykofysisk redundans kan ge komprimering av digital ljuddata 10–12 gånger utan betydande kvalitetsförlust.

Struktur för en förlustkodare för ljudkomprimering

• Den ursprungliga digitala ljudsignalen är uppdelad i frekvensunderband och segmenterad i tid i ett block av tids- och frekvenssegmentering.
• Längden på det kodade provet beror på formen på ljudsignalens tidsfunktion. I frånvaro av skarpa toppar i amplituden används det så kallade långa provet, vilket ger högfrekvent upplösning. Vid skarpa förändringar i signalamplituden minskar längden på det kodade samplet kraftigt, vilket ger en högre tidsupplösning. Beslutet att ändra längden på det kodade provet tas av den psykoakustiska analysenheten, som beräknar värdet på signalens psykoakustiska entropi.
• Efter segmentering normaliseras, kvantiseras och kodas frekvenssubbandssignalerna. I de mest effektiva komprimeringsalgoritmerna kodas inte samplen av själva ljudsignalsamplet, utan motsvarande MDCT-koefficienter.
• Redovisning av mönstren för auditiv uppfattning av ljudsignalen utförs i blocket av psykoakustisk analys. Här, enligt en speciell procedur, för varje frekvensdelband, beräknas den maximalt tillåtna nivån av kvantiseringsdistorsion (brus), vid vilken de fortfarande är maskerade av den användbara signalen från detta delband.
• I enlighet med kraven för den psykoakustiska modellen väljer blocket av dynamisk bitdistribution för varje kodande delområde ett sådant minsta möjliga antal bitar där nivån av distorsion orsakad av kvantisering inte överstiger tröskeln för deras hörbarhet beräknad av den psykoakustiska modellen .
• Kan även användas:
  • stereomatrixing - addition och subtraktion av vänster och höger kanal för att eliminera repetitiv information
  • speciella procedurer för iterativa cykler som låter dig kontrollera mängden kvantiseringsdistorsionsenergi i delband med ett otillräckligt antal bitar tillgängliga för kodning
  • linjära och inversa adaptiva förutsägelseförfaranden
  • en teknik för att utjämna transientbrus i tidsdomänen (Temporal Noise Shaping - TNS), som låter dig styra mikrostrukturen av kvantiseringsdistorsion inom varje kodande delband

Många andra knep kan fungera som ett sätt att minska mängden ljudinformationsdata. Även en enkel försmalning av signalens bandbredd, tillsammans med en minskning av det dynamiska området, kan redan kallas ljuddatakomprimering. Till exempel använder den cellulära ljudkomprimeringsstandarden båda. I ett försök att ta bort redundans från ljudet, blir codec, med dålig signalkvalitet, selektiv för vissa ord och sväljer dem envist.

Subjektiv bedömning av kvalitet

För komprimerad ljuddata finns det ett subjektivt kvalitetsbetyg, mätt som andelen personer som kände skillnaden från originalet.

Det bör beaktas att kvaliteten på det resulterande materialet beror på arten av de komprimerade data, på genren, närvaron av bakgrund och brus. Efter komprimering, t.ex. MP3, vid medelhöga bithastigheter, noterar lyssnarna hur små slagverken är. Och kompression (även stark) har liten effekt på rösten.

Se även

• Ljud-codec
• Förlustfri kompression
• Förlustfri ljudkomprimering
• Förlustdatakomprimering
• digitalt ljud
• Digitala ljudformat
• Röstaktivitetsdetektering
• Videokomprimering

Länkar

• Digital ljudkomprimering: psykoakustiska grunder och algoritmer. Yuri Kovalgin
• Kompression av talsignaler baserad på den psykoakustiska modellen av den mänskliga auditiva analysatorn. Kirkorov S.I., Boriskevich A.A.
• Fenomenet med tillfällig maskering och dess hänsyn vid kodning av ljudsignaler. Maxim Zyryanov, Yuri Kovalgin
• Grunderna i multimedialjud och video. Kapitel 4. Komprimering av ljudinformation. G.P. Katunin