音频解析
本文由三部分组成,第一部分背景介绍 —— 音频类型及本文动机,第二部分类比matlab下wavread()函数的作用,第三部分则给出该函数的C++实现。
一 背景介绍
1.1 本文动机
1)所有wav音频处理的基础就是将wav格式的文件解析出来,解析成数组才能供我们去做后续的处理(fft等等)。
2)在matlab中直接有一个很好用的函数wavread(' test.wav'),输入是wav音频,输出是数组,如第二章所述。
3)一般的C++函数读取出来的数据,格式如1.2节所述,然而不管是什么格式,数据之间是可互相转换的。
4) 我在解决问题的过程中,没有发现一篇详细的参考文献。
鉴于此,本文将介绍如何用C++完全实现matlab的wavread函数,输出数据格式一模一样,在这个过程中,大家也可以领略文件中数据的本质,及相互间的转换关系。
1.2 音频类型
RIFF全称为资源互换文件格式(ResourcesInterchange FileFormat),RIFF文件是windows环境下大部分多媒体文件遵循的一种文件结构,RIFF文件所包含的数据类型由该文件的扩展名来标识,能以RIFF文件存储的数据包括:音频视频交错格式数据(.AVI) 波形格式数据(.WAV) 位图格式数据(.RDI) MIDI格式数据(.RMI)调色板格式(.PAL)多媒体电影(.RMN)动画光标(.ANI)其它RIFF文件(.BND)。
Chunk是组成RIFF文件的基本单元,它的基本结构如下:
1
2
3
4
5
|
struct chunk{ u32 id; //由4个ASCII字符组成,用以识别块中所包含的数据。如:'RIFF','LIST','fmt','data','WAV','AVI'等 u32 size; //块大小,是存储在data域中数据的长度,id与size域的大小则不包括在该值内 u8 dat[size]; //块内容,数据以字(WORD)为单位排列,如果该数据结构长度是奇数,则最后添一个NULL字节 }; |
1.3 wav音频文件
WAVE 文件作为多媒体中使用的声音波形文件格式之一,它是以RIFF(Resource Interchange File Format)格式为标准的。每个WAVE文件的头四个字节便是“RIFF”。同样的,WAVE 文件由文件头和数据体两大部分组成。其中文件头又分为 RIFF/WAV 文件标识段和声音数据格式说明段两部分。WAVE文件各部分内容及格式见后文。
常见的声音文件主要有两种,分别对应于单声道(11.025KHz 采样率、8Bit 的采样值)和双声道(44.1KHz 采样率、16Bit 的采样值)。采样率是指:声音信号在“模→数”转换过程中单位时间内采样的次数。采样值是指每一次采样周期
内声音模拟信号的积分值。
对于单声道声音文件,采样数据为八位的短整数(short int 00H-FFH);而对于双声道立体声声音文件,每次采样数据为一个16位的整数(int),高八位和低八位分别代表左右两个声道。
WAVE 文件数据块包含以脉冲编码调制(PCM)格式表示的样本。WAVE 文件是由样本组织而成的。在单声道 WAVE 文件中,声道0代表左声道,声道1代表右声道。在多声道WAVE文件中,样本是交替出现的。
WAVE 文件除了前面一小段文件头对数据组织进行说明之外,Data 块就是声音的原始采样数据,WAVE 文件虽然可以压缩,但一般都使用不压缩的格式。44.1KHz 采样率、16Bit的分辨率、双声道,所以WAVE可以保存音质要求非常高的声音文件,CD 采用的也是这种格式,声音方面的专家或是音乐发烧友们应该非常熟悉。但这种文件的体积也非常大,以 44.1KHz 16bit 双声道的数据为例,一分钟的声音数据量为:4100*2byte*2channel*60s/1024/1024=10.09M 。所以不合适在网上传送。
下面我们具体地分析 WAVE 文件的格式
endian |
field name |
Size |
|
big | ChunkID | 4 | 文件头标识,一般就是" RIFF" 四个字母 |
little | ChunkSize | 4 | 整个数据文件的大小,不包括上面ID和Size本身 |
big | Format | 4 | 一般就是" WAVE" 四个字母 |
big | SubChunk1ID | 4 | 格式说明块,本字段一般就是"fmt " |
little | SubChunk1Size | 4 | 本数据块的大小,不包括ID和Size字段本身 |
little | AudioFormat | 2 | 音频的格式说明 |
little | NumChannels | 2 | 声道数 |
little | SampleRate | 4 | 采样率 |
little | ByteRate | 4 | 比特率,每秒所需要的字节数 |
little | BlockAlign | 2 | 数据块对齐单元 |
little | BitsPerSample | 2 | 采样时模数转换的分辨率 |
big | SubChunk2ID | 4 | 真正的声音数据块,本字段一般是"data" |
little | SubChunk2Size | 4 | 本数据块的大小,不包括ID和Size字段本身 |
little | Data | N | 音频的采样数据 |
以下是对各个字段的详细解说:
ChunkID | 4bytes | ASCII 码表示的“RIFF”。(0x52494646) |
ChunkSize | 4bytes | 36+SubChunk2Size,或是 4 + ( 8 + SubChunk1Size ) + ( 8 + SubChunk2Size ), 这是整个数据块的大小(不包括ChunkID和ChunkSize的大小) |
Format | 4bytes | ASCII 码表示的“WAVE”。(0x57415645) |
SubChunk1ID | 新的数据块(格式信息说明块) ASCII 码表示的“fmt ”——最后是一个空格。(0x666d7420) |
|
SubChunk1Size | 4bytes | 本块数据的大小(对于PCM,值为16)。 |
AudioFormat | 2bytes | PCM = 1 (比如,线性采样),如果是其它值的话,则可能是一些压缩形式 |
NumChannels | 2bytes | 1 => 单声道 | 2 => 双声道 |
SampleRate | 4bytes | 采样率,如 8000,44100 等值 |
ByteRate | 4bytes | 等于: SampleRate * numChannels * BitsPerSample / 8 |
BlockAlign | 2bytes | 等于:NumChannels * BitsPerSample / 8 |
BitsPerSample | 2bytes | 采样分辨率,也就是每个样本用几位来表示,一般是 8bits 或是 16bits |
SubChunk2ID | 4bytes | 新数据块,真正的声音数据 ASCII 码表示的“data ”——最后是一个空格。(0x64617461) |
SubChunk2Size | 4bytes | 数据大小,即,其后跟着的采样数据的大小。 |
Data | N bytes | 真正的声音数据 |
对于Data块,根据声道数和采样率的不同情况,布局如下(每列代表8bits):
1). 8 Bit 单声道:
采样1 | 采样2 |
数据1 | 数据2 |
2). 8 Bit 双声道
采样1 | 采样2 | ||
声道1数据1 | 声道2数据1 | 声道1数据2 | 声道2数据2 |
3). 16 Bit 单声道:
采样1 | 采样2 | ||
数据1低字节 | 数据1高字节 | 数据1低字节 | 数据1高字节 |
4). 16 Bit 双声道
采样1 | |||
声道1数据1低字节 | 声道1数据1高字节 | 声道2数据1低字节 | 声道2数据1高字节 |
采样2 | |||
声道1数据2低字节 | 声道1数据2高字节 | 声道2数据2低字节 | 声道2数据2高字节 |
下面我们看一个具体的例子,wav音频文件如下:(十六进制的形式)
52 49 46 46 24 08 00 00 57 41 56 45 66 6d 74 20 10 00 00 00 01 00 02 00 22 56 00 00 88 58 01 00 04 00 10 00 64 61 74 61 00 08 00 00 00 00 00 00 24 17 1e 3c 13 3c 14 16 18 34 23 3c 24 11 1a 0d
对应的分析如下图所示:
举例分析数据:形如 'FFFF' 为一个我们需要的完整的数据。如上图中 sample3:3c 和 13是两个数组合在一起是一个我们需要的数, 3c 13,但右端为大端,则应为 3c 13,十六进制数3c按位转换为2进制为0011 1100,同理13按位转换为2进制为0001 0011,则连起来的16bits的二进制数为0011 1100 0001 0011,那么我们可以看到符号位为0,即为正数。
二 matlab中的wavread( )函数
-
wavread('testwav.wav' )
读者试试看输出。例如,取我的一个声音文件'testwav.wav',输出的最后10个数据为:
-0.0001 -0.0001 -0.0002 -0.0003 -0.0002 -0.0002 -0.0002 -0.0003 -0.0002 -0.0002
2. wavread('testwav.wav','native')
读者可以试试看输出。我的'testwav.wav' 输出的最后10个数据为:
-4 -2 -8 -9 -7 -8 -8 -11 -5 -7
1 和 2 的输出数据之间的转换公式为:-0.0002 = -7 / 32768 (其中32768 = 2 ^15,即2的15次幂。这是归一化。因为编码为16bits)
三 readwav的 C++实现
上面介绍了这么多,我们来进入主题,怎么用C++实现matlab中的wavread('testwav.wav')函数,且输出一致。
3.1 编码转换规则
在介绍之前,我们需要了解这几串数据之间的关系。本章节以test.wav文件的数据为例来分析:
(1)该wave文件的Data块即原始采样数据的最后20个数据是:
1
|
fc ff fe ff f8 ff f7 ff f9 ff f8 ff f8 ff f5 ff fb ff f9 ff |
(2)在matlab中解析得到的最后10个数据是:
1
|
-0.0001 -0.0001 -0.0002 -0.0003 -0.0002 -0.0002 -0.0002 -0.0003 -0.0002 -0.0002 |
这两组数据之间是原码与补码的关系,即(1)是原码而(2)是补码。
由数据(1)转换为数据(2)的步骤是:先将(1)转换为其补码,再用补码除以32768,则得到(2)。
原码与补码之间的转换原则:
(2进制形式的转换):若原码为正数,则补码是其本身。若原码为负数,则补码为符号位不变,数值位按位取反,再加1。
(数值形式的转换):若原码为正数,则补码是其本身。若原码为负数,补码 = 原码 - 2^16。温馨提示: 为了方便计算数值上有等价替换 2^16 = FFFF - 1。
为了更好的理解,举例说明:
步骤一(每次读16字节):由于数据是从X0000到XFFFF的数据。以f9 ff为例,右端为大端,换言之,右端是高位,则应该是fff9。步骤二(转换为补码):按位转换为二进制形式为1111 1111 1111 1001(1位16进制数值对应4位二进制数值),该数据为原码,转换成带符号的十进制形式,先看符号位判断其为负数,则补码为FFF9 - FFFF -1 = -7。步骤三(归一化):用补码数值-7除以32768,取小数点后4位(四舍五入),则等于-0.0002,正确。
读者可以试着用我的方法算一下(1)中的右起第3第4个数,是否对应等于(2)的右起第2个数。
3.2 C++实现
那么C++实现,就是先读取原始采样数据,每次读16字节,然后将16字节的16进制数字转化成十进制数,再转换成其补码,并归一化。转换时注意大小端和符号问题。
具体的C++代码,我已分享,读者可移步查看:http://www.oschina.net/code/snippet_1768500_39013
参考文献
1. http://www.cnblogs.com/liyiwen/archive/2010/04/19/1715715.html