相关数据包
1.6.3 无损压缩编码格式（Lossless Encode）
Hex Data Display
1.6.3 无损压缩编码格式（Lossless Compression Audio Format）
无损压缩编码格式（Lossless [Lossless Compression Audio Format]） 是采用 无损压缩算法（Lossless Compression Method）对 PCM 数字信号数据，进行封装保存的音频格式（Audio Format）。
无损压缩算法（Lossless Compression Method）
无损压缩算法（Lossless Compression Method） 是对原始数字信号经过算法压缩后，仍可以通过算法本身的逆运算，完全一致的还原回原始数字信号的算法。属于在压缩和解压缩过程中，都 不会丢失任何原始数据的可逆压缩算法（Reversible Compression Method）。[4]
常用无损压缩算法主要为 四类，分别是：
熵编码算法（Entropy Coding），采用如 哈夫曼编码（Huffman Coding）[21] 、香农-范诺编码（Shannon–Fano Coding）[22] 、算数编码（Arithmetic Coding）[23] 等。此类算法通过调整信息熵，为高出现频次信息分配较短字节位，而低出现频次信息分配较长字节位的方式，缩减整体所占字节空间大小。
预测编码算法（Predictive Coding），如 线性预测编码（LPC [Linear Predictive Coding]）[24]、自适应差分脉冲编码调制（ADPCM [Adaptive Differential Pulse Code Modulation）[25] 等。这类算法通过预测下一个数据点的值，并仅存储预测误差，从而减少数据量。除了 ADPCM 外，一些诸如 差分脉冲编码调制（DPCM [Differential Pulse Code Modulation]）等的主要被运用于 数模模数转换 的调制方法，也是可以被在此处的。这种调制类方法，一般通过存储相邻采样点之间的差值来减少数据量，当运用于压缩时，也可归类至预测编码算法分类。
变换编码算法（Transform Coding），如 离散傅里叶变换（DFT）、离散余弦变换（DCT） 等。该类算法通过将时域信号转换为频域信号，来更有效地表示和压缩音频数据。由于其关键程度，在本书第三章中，会重点讲解。
复合算法（Hybrid），是指一类 采用了多种类型常规算法，按一定处理流排布，共同进行压缩的算法类型。大部分无损压缩编码格式，都属于此类。比如，结合了熵编码和预测编码 FLAC、ALAC，以及多种算法混合处理的 APE。
另外需要区别一点。从 原始波源（Original Source） 到 数字信号（Digital Signal） 的过程是 有损的。但 这与此处的压缩算法毫无关联。
通过前面章节的讲解，我们可以认识到，模拟信号本身采样自原始波源的过程其实是有损的，而从模拟信号到数字信号的过程，依然也是有损的。最简单来看，单 A/D、D/A 中的 硬件比特分辨率（Bit Resolution），就可能因存在从 连续到离散值再回到模拟连续值 过程，而 引入损失。这一过程的损失被称为 采样损失（Sampling Loss）。
所以，无损压缩算法虽然没有损失，但算法接收并处理的信号本身，就已经有一定的数据丢失了。不过，相比有损算法而言，该损失可以通过部署更优质的硬件设备来降低损失量，且相对更适合在采集模拟信号过程考察。因此，与之算法因素，采样损失并不在格式中计入。
回到格式本身。无损压缩编码格式（Lossless） 最常见的主要有 三种，分别是 FLAC（.flac）、ALAC（.m4a） 和 APE（.ape）。但因为 APE 的处理流及算法闭源，与 ALAC 的平台兼容性问题，FLAC 成为当下主流，全平台兼容且具有三者中最高压缩率（30%～60%）的，无损压缩编码格式首选。
因此，本书以 FLAC 为主，介绍 无损压缩编码格式 类型的处理过程和结构特性。其他类型触类旁通，不再另行赘述。
FLAC 音频格式
开放无损编码格式（FLAC [Free Lossless Audio Codec]），即 FLAC 音频格式（.flac），是由 开放无损（音频）编码组织（Xiph.Org Foundation.） 提供的一种，针对音频数据进行压缩存储的无损音频格式。由于是复合算法，其处理流水线如下（红线编码，绿线解码，解码逆运算）：
图 1-51 FLAC 音频格式编解码执行作业流水线
分块（Blocking） 是 将输入音频分解成多个连续的块（Block）的步骤。在 FLAC 中，这些块的大小是可变的。而块的最佳大小，通常受包括 采样率、随时间变化的频谱特性 等多种因素影响。虽然 FLAC 允许在一个流中使用不同的块大小，但我们仍需要参考编码器的建议，使用固定的块大小。另一方面，固定的块大小也能便于解码时的处理。
通道间去相关（Interchannel Decorrelation） 是 针对多通道（Stereo、Multi-Channel）情况 进行的，以选择的指定 去相关策略（Decorrelation Strategy） 计算新组值代原有通道数据，来 减小原始信息冗余的辅助压缩手段。
去相关策略（Decorrelation Strategy）一般有三种，即： 对称去相关（Symmetric Decorrelation）、主成分分析（PCA）、奇艺值分解（SVD）。三者都是可逆的，而 对称去相关 则是其中最快最简便的算法。
记分块后有 (C1,C2)(C_1, C_2)(C1,C2) 数据，对称去相关会根据分组的组内 平均值（Mean） 和 差值（Sub），生成该组的中间信号与侧信号结果 (M,S)(M, S)(M,S) 代替原 (C1,C2)(C_1, C_2)(C1,C2) 。有：
M=C1+C22,S=C1−C22
{\displaystyle
\begin{aligned}
M = \frac{C_1 + C_2}{2} \quad , \quad S = \frac{C_1 - C_2}{2} \\
\end{aligned}
}
M=2C1+C2,S=2C1−C2
即 简单的线性变换。理所当然，其去相关的去数据冗余和降维能力也 相对较弱。
三种策略该如何选择呢？我们可以依据下表进行决定：
Strategy
Features
When to use？
Example
Symmetric
FastestLow Complexity
simple linear transformations简单线性变化场景
一般双通道音频
PCA
SlowerHigh Complexity
when needs dimensionality reduction and feature extraction需要降维和特征提取场景
需要所有通道的基本分类特征信息，用于模型
SVD
SlowestHighest Complexity
when needs precise matrix decomposition需要精确矩阵分解的场景
需要矩阵化全通道特征张量，用于模型
可见，除非后续步骤中涉及模型或想要更高压缩比的结果，否则选择 对称去相关 基本已能满足大多数需求。注意，解码时需要逆运算。
预测（Prediction） 则是将去相关性后的块，通过尝试找到信号的 相近数学解集，来 转换块的保留数据。一般而言，解集通常都比原始信号要 小得多。由于预测方法对编码器和解码器都是已知的，因此只需在压缩流中包含预测器的参数即可。FLAC 目前只支持四种不同类别的内置已定义好的预测器，但预留了额外的改进空间，以便添加其他方法。而从设计上讲，FLAC 允许预测器类别在块与块之间，甚至在块的各个通道之间变化。而解码时，亦需要采用相同预测方法做逆运算。
残差编码（Residual Coding） 是 必须的校准步骤，该步骤的目的是确认，预测器是否能准确的使用预测结果，描述输入的去相关块信号。此时，必须对原始信号和预测信号之间的差异（即误差，或残差信号）进行无损编码。
怎么判断预测器结果是否满足要求呢？粗略的方法，是 通过判断 残差信号（Residual Signal）所需的每个样本位数，是否少于原始信号。少于则预测有效，否则无效。而当差值过大时，通常意味着，编码器需要用 调整块大小、改变块数目、切换预测器、改变去相关方法 的流程内改动，来 重新生成预测结果。
所以，残差编码的作用，相当于整个编码过程的 自动化结果检验。同理于解码。
在经过这些步骤后，我们就得到了 用于 FLAC 格式持续化存储的数据，包含两部分：
【预测编码数据（Prediction Data）】+【残差信号（Residual Signal）】
这即是 FLAC 格式下，实际用于保存的 一个完整 音频数据块（Audio Data Block） 构成。存储的音频由一系列此种数据块，按时序排列组成。再配合 FLAC 格式文件结构的头部信息，共同组成了 FLAC 文件。
那么，一个完整的 FLAC 文件，其 文件结构 是什么样的呢？如图：
图 1-52 完整 FLAC 音频格式文件的文件结构示意图 [26]
从简图中可以看出，FLAC 文件结构仍然采用二分，以：
【元数据信息块（Metadata Blocks）】+【音频数据块（Audio Data Blocks）】
的方式，进行信息区域划分。
元数据信息块（Metadata Blocks） 是包含 流信息块 和 附属信息块 在内的，一系列 对音频数据本身特征进行描述 的 存储容器集合。和未压缩音频 AIFF 格式较为相同，FLAC 的元数据信息块对数据的组织方式，采用了分类封装。而原本用于标记文件格式的 ID 字段，被从块中独立拿出，以 恒定占用 FLAC 格式文件头部 4 字节（Bytes）的形式，锚定当前数据结构信息。
即，所有 FLAC 音频格式文件都有头部唯一字段（注意大小写）：
Params
Range(bytes)
Details
FileID
0x00~0x03 (4)
标记当前文件 ID，固定存储 'fLaC' 四个大小写字母的 ASCII 码，即 == 0x664c6143
至于其他被记录的关键或非关键额外信息，按照相关成分，被分为 7 种不同种类的 基础内构元数据块 和 1 个无效标记块，分别是：
Block Type
Mark（bit）
Details
STREAMINFO
0 :0000 000
通用流信息块，必位于首位，用于记录音频流基本信息（比特率、采样率等）
PADDING
1 :0000 001
对齐填充块，无内容（全部为 0）用于填充空间，用于在不重新编码音频数据的情况下添加或修改元数据
APPLICATION
2 :0000 010
应用信息（子）块，用于存放经软件调整音频后，想要持续存储的调整设定参数
SEEKTABLE
3 :0000 011
标记信息（子）块，用于存放快速定位音频流中特定位置的查找表
VORBIS_COMMENT
4 :0000 100
评论信息（子）块，包含用户定义的标签信息，用于存放用户等人的交互评价信息
CUESHEET
5 :0000 101
CUE 表（子）块，用于存放音轨的索引信息，即类比 CD 的 CUE 表
PICTURE
6 :0000 110
图像数据（子）块，用于存放当前音频的专辑封面图片等图像信息
[Reserved]
7~126
保留（子）块，预留的 7～126 号标签，为未来扩展或自定义扩展而用
[Invalid]
127 :1111 111
无效标记（子）块，是无效的元数据块类型用于唯一标识错误
在 FLAC 中，元数据块的基本组成高度一致，皆为：
【元数据头（Metadata Header）】+【元数据块数据（Metadata Block Data）】
的形式，不似于 AIFF 中的 ckID 来标记不同类型块，FLAC 采用元数据头中的固定标记位，以 类型序号 标识 元数据块的种类。即，并不以 ASCII 码标记的固定类型值作为头部信息。由此而来的好处是，FLAC 的元数据头，能够以相对统一的结构定义，并包含更多有效信息。
每个元数据块的 固定头部（Metadata Header），以下简称 头部（Header），始终为 4 字节（4 bytes），包含 3 个关键字段：
Params
Range(bytes)
Details
Last block flag
0x00 (1 bit)x--- ----
标记当前块是否为最末位，占第一字节第七位 1 bit当块为最末位时该位为 1 ，否则为 0
Block Type
0x00 (7 bits)-xxx xxxx
块类型标记位，占第一字节的 剩余 7 bits即上表中的块类型 Mark
Block Length
0x01~0x03 (3)
块大小，记录当前块的总字节长度（不含头部），24 位
而 所有的元数据块皆有如下结构：
图 1-53 FLAC 音频格式的元数据信息块统一结构示意图
现在，让我们顺序了解各类分块的关键参数（包含元数据头）。方便与系统起见，我们仍然将 元数据块（Metadata Block） 称为 块（Chunk）。
通用流信息块（STREAMINFO Chunk） 主要包含 10 种属性，分别是：
Params
Range(bytes)
Details
Header
0x00~0x03 (4)
元数据块的固定头部，对于 STREAMINFO，首字节有 [flag bit] 000 0000
Min Block Size
0x04~0x05 (2)
最小块大小（以样本为单位），通常为 16 或 4096
Max Block Size
0x06~0x07 (2)
最大块大小（以样本为单位），通常为 16 或 4096
Min Frame Size
0x08~0x0a (3)
最小帧大小（以字节为单位），表示音频帧的最小字节数
Max Frame Size
0x0b~0x0d (3)
最大帧大小（以字节为单位），表示音频帧的最大字节数
Sample Rate
0x0e~0x10 (2.5 = 20 bits)
数字信号采样率，由于 SUD 只能存 PCM，对 PCM 来说就是
Num of Channels
0x10 (3 bits) xxx- ----
存储音频数据的通道数，单通道（Mono == 1），双通道（Stereo == 2），N 通道（== N）
Bits per Sample
0x10~0x11 (5 bits) ---x xxxx
即 采样位深（Sampling Bit Depth）/ 最大比特分辨率（Max Bit Resolution），该值单位为 bits，有== 8 | 16 | 32 bits 等
Total Samples
0x11~0x15 (4.5 = 36 bits)
用于标记音频数据在数模转换时的有效采样个数，即总音频帧数== 音频的全通道总采样次数 / 通道数
MD5 Signature
0x16~0x26 (16)
完整性 MD5 签名，用于验证音频数据完整性的 MD5 哈希值，128 位。通过验证 MD5 是否和预期一致，快速检测完整性
对齐填充块（PADDING Chunk） 主要包含 2 种属性，分别是：
Params
Range(bytes)
Details
Header
0x00~0x03 (4)
元数据块的固定头部，对于 PADDING，首字节有 [flag bit] 000 0001
Padding Data
0x04~0x04+X (X)
填充数据，全部为零，用于在不重新编码音频数据的情况下添加或修改元数据
应用信息块（APPLICATION Chunk） 主要包含 2 种属性，分别是：
Params
Range(bytes)
Details
Header
0x00~0x03 (4)
元数据块的固定头部， 对于 APPLICATION，首字节有 [flag bit] 000 0010
Application ID
0x04~0x07 (4)
标记指向系统应用签名（Application Signature）， 应用签名是已发布应用的唯一标识， 即注册的应用程序 ID，用于标识特定的应用程序
Application Data
0x08~0x08+X (X)
系统应用的相关数据， 具体内容由签名指定的系统应用处理，长度 X 字节
标记信息块（SEEKTABLE Chunk），也可称为索引表块，主要包含 2 种属性和 1 种 子数据体（sub-Data Info），本身具有 两层数据结构模型：
Params
Range(bytes)
Details
Header
0x00~0x03 (4)
元数据块的固定头部，对于 SEEKTABLE，首字节有 [flag bit] 000 0011
Seek Points
0x04~0x04 + (numSeekPoints * perSPSize)
由查找点构成的 数组（Array），子数据体 SeekPoint 持有者，类似 AIFF 的 Markers 标记作用于总采样的每个独立采样上，时序顺序标记
SeekPoint (bytes)
Sub-Detail
Sample Number (8)
查找点对应的采样数
Byte Offset (8)
查找点对应的字节偏移量
Sample Offset (2)
查找点对应的采样数偏移量
评论信息块（VORBIS_COMMENT Chunk），主要包含 5 种属性和 1 种 子数据体（sub-Data Info），本身具有 两层数据结构模型：
Params
Range(bytes)
Details
Header
0x00~0x03 (4)
元数据块的固定头部，VORBIS_COMMENT，首字节有 [flag bit] 000 0100
Vendor Length
0x04~0x07 (4)
标记厂商字符串长度，记为 len 厂商字符串的长度，表示厂商字符串的字节数
Vendor String
0x08~0x08+len
标记厂商字符串，字符串长度为 Vendor Length 值，用来记录当前音频的发行商等信息
User Comment List Length
0x08+len~0x08+len+4 (4)
记录当前评论个数，值为几，就有几条评论
User Comment List
0x08+len+4 ~ 0x08+len+4 + (numComments * perCommSize)
由评论构成的 数组（Array），子数据体 Comment 持有者，不同 AIFF 的 Comment FLAC 的该子数据体记录，包括的评论所有音频额外信息键值对字符串，如 "TITLE=Example"
Comment (bytes)
Sub-Detail
Comment Length (4)
评论字符串长度（ N 字节）
Comment String (N)
评论键值对字符串
CUE 表块（CUESHEET Chunk），主要包含 7 种属性和 2 种 子数据体（sub-Data Info），本身具有 三层数据结构模型：
Params
Range(bytes)
Details
Header
0x00~0x03 (4)
元数据块的固定头部，对于 CUESHEET，首字节有 [flag bit] 000 0101
Media Catalog Number
0x04~0x43 (64)
记录媒体目录号，表示光盘的媒体目录号
Lead-in Samples
0x44~0x4b (8)
引导样本数，表示光盘引导区的样本数
Is CD
0x4c (1)
是否为 CD，1 表示是 CD，0 表示不是 CD
Reserved
0x4d~0x5f (19)
保留字段，全部为零
Number of Tracks
0x60 (1)
总轨数，表示光盘上的总轨数，即声轨，并非通道数 各声轨间独立，是可以在播放上重叠的
Track Information
0x61 ~ 0x61 + (numTrackInfo * perTInfoSize)
由声轨构成的 数组（Array），子数据体 TrackInfo 持有者，记录每个声轨的信息，包括轨号、轨偏移、ISRC、轨索引等
TrackInfo (bytes)
Sub-Detail
Track Offset (8)
轨偏移，轨道的字节偏移量
Track Number (1)
轨号，即轨道的编号
ISRC (12)
声轨的国际标准录音代码
Track Type (1)
轨类型，轨道的类型
Pre-emphasis (1)
标记是否使用预加重
Reserved (3)
保留开关字段，全部为零
Track Index (N)N = (num*TrackIndexSize)
由轨索引构成的 数组（Array），子数据体 TrackIndex 持有者，记录声轨索引信息
TrackIndex (bytes)
Sub-Detail
Index Offset (8)
索引偏移，索引字节偏移量
Index Number (1)
索引号，即索引的编号
Reserved (3)
保留字段，全部为零
图像数据（PICTURE Chunk），主要包含 12 种属性，为：
Params
Range(bytes)
Details
Header
0x00~0x03 (4)
元数据块的固定头部，对于 PICTURE，首字节有 [flag bit] 000 0110
Picture Type
0x04~0x07 (4)
图片类型，表示图片的用途，例如封面、背面等
MIME Type Length
0x08~0x0b (4)
MIME 类型字符串的长度，表示 MIME 类型字符串字节数，值为 X0 单位 bytes
MIME Type
0x0c~0x0c+X0 (X0)
MIME 类型字符串，表示图片的 MIME 类型，例如 "image/jpeg" 或 "image/png" ，字符串长度由上一条属性记录
Description Length
0x0c+X0~0x0c+X0+4 (4)
描述字符串的长度，表示描述字符串的字节数，值为 X1 单位 bytes
Description
last_at~last_at+X1 (X1)
描述字符串，表示图片的描述信息，例如 "Album Cover"
Width
last_at~last_at+4 (4)
图片宽度，单位为像素，例如值 512 ，即 512 像素（Pixels）
Height
last_at~last_at+4 (4)
图片高度，单位为像素，例如值 512 ，即 512 像素（Pixels）
Color Depth
last_at~last_at+4 (4)
色深，单位为位（bit），表示每个像素的位数例如值 24，表示单个像素颜色为 24 位，详见下一章
Colors Used
last_at~last_at+4 (4)
每像素的颜色数，表示图片使用的颜色数，即颜色总数，例如值 16，像素值为索引，取色自 16 种色的调色板而取 0 则表示，颜色完全由像素自身决定
Picture Data Length
last_at~last_at+4 (4)
图片数据的长度，表示图片数据的字节数，值为 N 单位 bytes值指向下一字段，当前块的图片数据所占总字节长度
Picture Data
last_at~last_at+N (N)
图片数据（逐行扫描），当前块的实际图片二进制数据，每个像素值取 色深（ColorDepth）值代表的位数
剩下的 保留块（Reserved Chunk） 和 无效块（Invalid Chunk） 类型，因其数据结构定义为无 或 自定制。实际使用中，可根据当前工程情况，内部协议设定加以利用。
至此，对于 FLAC 音频格式，我们就能完整解析了。让我们来看一段 138 bytes 的 FLAC 音频文件数据（十六进制格式单字节展开）事例：
66 4c 61 43 00 00 00 22 00 10 00 10 00 04 00 00 10 00 ac 44 50 00 00 06
ba a8 d4 1d 8c d9 8f 00 b2 04 e9 80 09 98 ec f8 42 7e 86 01 f4 35 00 00
00 03 00 00 00 0a 69 6d 61 67 65 2f 6a 70 65 67 00 00 00 0b 41 6c 62 75
6d 20 43 6f 76 65 72 00 00 02 00 00 00 02 00 00 00 18 00 00 00 00 00 00
01 f4 00
按照上述划分，获取对应子块信息，有：
图 1-54 演示用 138 bytes 的 FLAC 音频文件数据解析
可见，样例只是一段 FLAC 数据的元数据部分，且包含了 STREAMINFO 和 PICTURE 这两个元数据块。同时，PICTURE 的图片数据 并不在上述数据 中。而从 图片数据的长度（Picture Data Length） 和 其他字段携带的信息可知，该图片数据为 512 x 512 的 128000 字节 24 位 JPEG 数据。而原音频，从 STREAMINFO 解读 可得，未在上例中包含的音频数据块中包含的音频，为 采样率 44100 Hz 的 16-bits 双声道立体声（Stereo）总计 44100 个采样值（即 1s 长度）的压缩后数据块数组。
作为无损压缩编码音频格式的代表，FLAC 具有重要的地位。它能够在不丢失任何原始音频信息的情况下，极大的减少文件大小。这使得它被广泛的应用在了高保真音频存储和传输过程中。其 无损特性确保了音频在解码后与原始音频完全一致，令其成为了 音频发烧友 和 专业音频制作 的首选格式。
同样的，该特点也是无损压缩编码音频格式，最为显著具的优势。
然而，尽管无损压缩如 FLAC 提供了最高的音质保真度，但其文件大小仍然相对较大。在许多应用场景中，如 流媒体 和 便携设备存储（尤其是在随身听时代，早期有限的存储空间情况），依然 不够便利。因此，具有更大压缩比的有损压缩编码音频格式，如 MP3 和 AAC 便成为了一种 可以接受的替代方案。这些格式 通过舍弃人耳不易察觉的音频信息，进一步减小文件大小，同时在音质和压缩率之间取得平衡。
虽然为人所带来的听觉感受，介于此，会相对有所衰减。
Copyright © Since 2021 李述博 (Arikan.Li) , All Rights Reserved all right reserved，powered by GitbookLast Updated:
2024-09-12 12:11:10