ANS: Adaptive Noise Shaping

MPEGplus gehört zu der Gruppe der Teilband-Coder. Er zerlegt also das breitbandige Audiosignal in mehrere (32) Teilbänder und quantisiert diese mit unterschiedlichen Auflösungsstufen. Im Gegensatz zu den T/F-Codern werden bei Teilband-Codern noch Zeitsignale quantisiert, wodurch sich die Möglichkeit des Noise Shaping erschließt.
Ein Problem bei einem Teilband-Coder mit konstanter Subbandbandbreite (hier 689 Hz) ist die geringe Frequenzauflösung des Quantisierungsprozesses bei niedrigen Frequenzen. Das menschliche Gehör und somit das psychoakustische Modell liefern in den unteren Subbändern eine wesentlich höhere Frequenzauflösung der erlaubten Verzerrungen als die Bandbreite der Subbänder. Bei einer gleichförmigen Quantisierung wird den Teilbändern jedoch im gesamten Spektrum dieselbe Rauschenergie (weißes Rauschen) hinzugefügt, so daß bei der Quantisierung immer die im Subband geringste erlaubte Verzerrung als Maß verwendet werden muß. Gerade im ersten Subband verschenkt man hierdurch Bitrate, da in diesem meistens die Ruhehörschwelle (zu tiefen Frequenzen stark steigend) die Maskierung und somit die Mithörschwelle dominiert.
ANS wertet in allen Subbändern pro Frame die spektrale Formung der Mithörschwelle aus und versucht ein stabiles, minimalphasiges Noise Shaping-Filter auszulegen. Das Filter besteht aus einem FIR-Filter von maximal 5. Ordnung, welches den Quantisierungsfehler negativ zurückführt. Vor dem eigentlichen Noise Shaping werden die berechneten Filter (Ordnung 1 bis 5) hinsichtlich des zu erwartenden Gewinns durch die Formung des Quantisierungsrauschens ausgewertet, wobei dasjenige Filter mit dem höchsten Gewinn für die Rauschformung verwendet wird. Die Kenntnis über den Gewinn ermöglicht bei einigen Subbändern die Reduzierung der verwendeten Quantisierungsstufen, wodurch sich ein realer Gewinn an Bitrate einstellt.
Im ersten Subband, welches aufgrund der Ruhehörschwelle die stärkste spektrale Formung aufweist, kann man einen durchschnittlichen Gewinn von etwa 3 dB beobachten, im Mittel über alle Subbänder etwa 0,2 - 0,9 dB, wodurch rein rechnerisch eine Ersparnis von 2 - 10 kbit/s erreicht wird. I.A. läßt sich der Bitaufwand aber kaum reduzieren (typischer Gewinn etwa 5 kbit/s), weil die erreichten Gewinne zu gering sind, um die Bitzuweisung zu beeinflußen. Vielmehr erreicht ANS durch "Anschmiegen" des Rauschspektrums an die Mithörschwelle eine höhere subjektive Klangqualität.
 


                (Blockschaltbild des Noise Shapers)

Für die negative Rückführung des Quantisierungsfehlers gilt:

    Y(z) = X(z) + Q(z) - Q(z-1) * H(z) = X(z) + Q'(z)

Das Signal X(z) wird also durch die Rückführung nicht beeinflußt. Das Quantisierungsrauschen erfährt jedoch eine spektrale Formung nach:

    Q'(z) = Q(z) * ( 1-H(z) ), mit Q(z) als weißem Rauschen eines gleichförmigen Quantisierers

H(z) muß also so ausgelegt werden, daß 1-H(z) dem gewünschten Rauschspektrum entspricht. Um H(z) zu berechnen, kann man sehr leicht einen Vergleich zur linearen Prädiktion ziehen. Bei der linearen Prädiktion wird aus einem Eingangssignal X(z) durch ein FIR-Filter H(z) ein Schätzwert Y(z) so berechnet, daß der Schätzfehler Q(z) = X(z) - Y(z) = X(z) * (1-H(z)) möglichst zu einem weißen Rauschen wird. Der Prädiktor "entfärbt" also das Eingangsspektrum, während der Noise Shaper ein weißes Rauschen färben soll. Beide Verfahren haben jedoch dieselbe Übertragungsfunktion.
Man kann also ein Prädiktorfilter H(z) auslegen, welches als Eingangssignal das invertierte gewünschte Rauschspektrum hat. Wenn dieses FIR-Filter H(z) in den Noise Shaper eingebaut wird, erfolgt genau die spektrale Formung des Rauschens, die erzielt werden sollte.
Die Vorgehensweise zur Berechnung von H(z) ist wie folgt:

Abbildung 1 und 2 zeigen ein Beispiel für das Leistungsdichtespektrum des Codierungsfehlers einer gleichförmigen und einer spektral geformten Quantisierung.  Die roten Linien im Bild stellen in etwa die Grenzen der Subbänder dar. Besonders im ersten und zweiten Subband ist die spektrale Formung des Quantisierungsrauschens gut erkennbar. Im ersten Subband wird das Rauschspektrum an die Ruhehörschwelle angepaßt, wodurch mehr Rauschen im unteren Frequenzbereich liegt und der Bereich um ca. 400 Hz etwa 3 dB weniger Rauschleistung aufweist. Im zweiten Subband wurde das Rauschen um ca. 700 Hz erhöht wodurch Bitrate eingespart wird. Die spektrale Formung an den Rändern der Subbänder ist im Aliasing begründet, welches höhere Rauschpegel benachbarter Subbänder in die jeweiligen Subbänder "verschmiert".

Abb.1: gleichförmiger Quantisierer
 
 

Abb.2: Noise Shaping




CVD: Clear Voice Detection

Das psychoakustische Modell beschreibt wieviel Verzerrung dem Audiosignal bei welcher Frequenz hinzugefügt werden darf, sodaß diese gerade nicht wahrnehmbar sind. Hierbei muß zwischen tonalen (sinusartigen) Signalen und rauschartigen unterschieden werden, weil sinusartige Signale eine geringere Verzerrung erlauben als rauschartige. Im Modell ist dies durch eine Prädiktion der Amplitude und Phase jeder Spektrallinie realisiert, deren Übereinstimmung mit den wirklichen Größen ein Maß für die "Tonalität" dieser Spektrallinie ist.
Leider treffen in der Praxis zwei Dinge aufeinander: zum einen nimmt das menschliche Gehör Verzerrungen bei menschlichen Stimmen besonders leicht war, zum anderen erkennt das psychoakustische Modell gerade solche Signal nicht eindeutig, da sich oft die Grundharmonischen während des Sprechens schnell um mehrere Prozent bzw. Hz ändern. Der Prädiktor des Gehör-Modells macht folglich Fehlschätzungen und läßt zu starke Verzerrungen zu.
CVD greift zur Vermeidung solcher  Effekte auf eine andere Methode zur Erkennung von harmonischen Spektren zurück. Die kritischsten Signale sind gesprochene oder gesungene Vokallaute, welche eine stark harmonische Struktur aufweisen. Aus der Sprachcodierung und -erkennung ist das Cepstrum bekannt, in dem sich bei harmonischen Spektren äquidistante Diracstoßfolgen erkennen lassen. Der Abstand dieser Impulse kennzeichnet hierbei die Grundfrequenz.
Im MPEGplus-Coder wird zweimal je Frame das Cepstrum des Audiosignals berechnet. Hierzu werden die Leistungsdichtespektren einer 1024er-FFT tiefpaßgefiltert (von 5,5 kHz bis 11 kHz mittels cos-roll-off), da die hohen Frequenzanteile keine nennenswerte Information mehr über stimmhafte Signale enthalten und sie daher die Analyse eher stören würden. Der sanfte Tiefpaß dient dazu, die Diracstöße im Cepstrum möglichst nicht zu "verschleifen".  Weist das Cepstrum einen signifikanten (s.u.) Peak auf, werden alle Obertöne der zugehörigen Grundfrequenz bis einschließlich 4,3 kHz als sinusartig angenommen und bekommen sinusoiden Charakter zugewiesen. Durch diese Vorgehensweise ist es möglich, auch variierende Grundharmonische zu erfassen und als tonal zu erkennen.
Ein weiterer Vorteil ist, daß signifikante (bzw. hinreichend hohe) Peaks im Cepstrum nur dann auftreten, wenn das harmonische Spektrum relativ frei von Rauschen zwischen den Obertönen ist. Falls also ein harmonischer Klang sowieso durch Rauschen oder andere Geräusche "verunreinigt" ist, werden keine zu hohen Signalrauschabstände gefordert. CVD sorgt vielmehr dafür, daß klare harmonische Klänge - und damit auch Vokallaute - vom psychoakustischen Modell auch wie solche behandelt werden.
Mit CVD codierte Audiosignale weisen deutlich weniger "Phantomsprechen" auf als Audiosignale, die nur die normale Psychoakustik benutzen. Der zusätzliche Overhead liegt je nach Struktur des Audiosignals bei 2 - 10 kbit/s.

Abb.3: Sichtbare harmonische Struktur eines Vokals
 

Abb.4: Modifiziertes Cepstrum des Signals aus Abb.3 bei 2,3 s
 
 


Zeitvariante Nachmaskierung

Die auf der Audiocoderseite beschriebenen zeitlichen Maskierungseffekte müssen im Fall der Vormaskierung (Preecho-Kontrolle) und können im Fall der Nachmaskierung im psychoakustischen Modell berücksichtigt werden. Im MPEGplus-Encoder wird hierbei zur weiteren Redundanzreduzierung die Nachmaskierung, welche einen hochgradig nichtlinearen Vorgang darstellt, in jedem Frame und für jede Spektrallinie abgeschätzt.
Im Allgemeinen fällt nach einem Schallereignis, welches eine simultane Maskierungsschwelle zur Folge hat, diese Maskierungsschwelle innerhalb eines bestimmten Zeitraums wieder auf die Ruhehörschwelle ab. Das Gehör benötigt also eine gewisse Zeit, um sich wieder in den "Ruhezustand" vor dem Schallereignis zurückzubringen. Dieser Zeitraum hängt jedoch von der Dauer des vorangegangenen Schallereignisses in der Art ab, daß ein langanhaltendes Schallereignis eine lange und ein kurzes Schallereignis eine kurze "Erholungszeit" des Gehörs zur Folge hat. Wählt man eine feste Zeitkonstante für die Nachmaskierung, muß die kürzestmögliche benutzt werden, um bei kurzen Schallereignissen keine zu lange Maskierung anzunehmen. Dies führt aber nach langanhaltenden Schallereignissen zu Verlust an Bitrate.
Um diese Verluste zu vermeiden, wird im MPEGplus-Coder mittels einer Kurzzeit- und einer Langzeitintegration der simultanen Maskierungsschwellen mit anschließender Quotientenbildung ein Maß für die Dauer des vorangegangenen Schallereignisses berechnet. Dieses Maß dient zur Abschätzung der Zeitkonstanten, mit der die Nachmaskierung berechnet wird. Gegenüber der Annahme der kürzestmöglichen Nachmaskierung können sich Gewinne bis zu 8 kbit/s bei gleicher hörbarer Qualität ergeben.

Die nachfolgenden Messungen zeigen das Verhalten des psychoakustischen Modells des MPEGplus-Coders. In den ersten beiden Abbildungen ist deutlich zu erkennen, daß die Nachmaskierung (rosa) nach den Schallereignissen wieder auf die Ruhehörschwelle zurücksinkt und währenddessen die Maskierung dominieren kann (hellblaue Bereiche). Weiterhin werden die unterschiedlichen Zeitkonstanten erkennbar (lang: ca. 65 ms, kurz: ca. 22 ms).
Die dritte Graphik zeigt den Verlauf der Nachmaskierungsschwellen für verschiedene vorhergegangene Schallereignisdauern, wobei 26,1 ms in etwa der Dauer eines Frames entsprechen.
 
 

Abb.5: Simultane und temporale Maskierung für lange Schallereignisse
 

Abb.6: Simultane und temporale Maskierung für kurze Schallereignisse
 

Abb.7: Nachmaskierung für verschiedene Schallereignisdauern