g729源码分析-1-lpc分析

2024-03-16 00:58
文章标签 分析 源码 g729 lpc

本文主要是介绍g729源码分析-1-lpc分析,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

g729编码分析了大部分,编码总体框架和g723有些类似.
均是基于lpc分析的码本激励编码.
g729提供了更低的编码延迟(10ms)


g729的第一步Pre_Process照样是高通滤波,滤除低频噪声.


Coder_ld8k 为编码主体函数


Autocorr 第一步,计算自相关,根据lpc预测阶数10,从R(0)算到R(10),(类似g723) 
Lag_window 第二步,对信号进行加窗处理(类似g723)
Levinson 第三步,莱文森德宾算法,计算出10个lpc系数(类似g723)


Az_lsp 第四步,lpc系数转成lsp系数,与723的搜索方式略有不同
这里采用契比雪夫多项式,来逼近多项式的值
这个函数这一步,仍然是构造出lsp多项式的系数,总共有两个多项式,
这里重新列举一下lsp多项式的定义:
(可以从笔者之前的文章g723源码分析中了解A(z)以及lsp,以及为什么要转成lsp系数
http://blog.csdn.net/lsccsl/article/details/6399431)


P1(z) = P(z)/(1 + z^(-1))


Q1(z) = Q(z)/(1 - z^(-1))


这个在g729的Az_lsp函数注释里可以看到,大约在350左右的一段注释
大约366行到392行的这个for循环
 for (i = 0; i< NC; i++)
 {
   Overflow = 0;
   t0 = L_mult(a[i+1], 16384);          /* x = (a[i+1] + a[M-i]) >> 1        */
   t0 = L_mac(t0, a[M-i], 16384);       /*    -> From Q12 to Q11             */
   x  = extract_h(t0);
 ......
就是在求相应的P1(z)与Q1(z)这个多项式的系数


在接下来的一个while循环,就是利用契比雪夫多项式展开来逼近多项式的值


 xlow = grid[0];
 ylow = (*pChebps)(xlow, coef, NC);


 j = 0;
 while ( (nf < M) && (j < GRID_POINTS) )
 {
   j =add(j,1);
   xhigh = xlow;
   yhigh = ylow;
.......


沿着单位圆(grid),依次利用契比雪夫多项式展来,来求P1(z)与Q1(z)的取值,判断是否有过零
现象发生
每两个相邻的grid之间,如果出现过零,还做更精细化的搜索(4次),此时直接用直线代替曲线,来搜索
相应的根.
大约在441行,实现更精细的搜索


     /* divide 4 times the interval */
//lsc 这里 x从表里取出的cos值,y是通过切比雪比多项式法估出,每个区间要搜索四次,求出相应的cos值
     for (i = 0; i < 4; i++)
     {
       xmid = add( shr(xlow, 1) , shr(xhigh, 1)); /* xmid = (xlow + xhigh)/2 */


       ymid = (*pChebps)(xmid,coef,NC);
.....


Az_lsp函数最后,会判断搜索出来的根有几个,如果个数不足,仍然沿用旧的lsp系数


求出lsp系数后
接下来是量化lsp系数Qua_lsp
代码片段如下:


void Qua_lsp(
  Word16 lsp[],       /* (i) Q15 : Unquantized LSP            */
  Word16 lsp_q[],     /* (o) Q15 : Quantized LSP              */
  Word16 ana[]        /* (o)     : indexes                    */
)
{
  Word16 lsf[M], lsf_q[M];  /* domain 0.0<= lsf <PI in Q13 */
//cos值转换成角度
  /* Convert LSPs to LSFs */
  Lsp_lsf2(lsp, lsf, M);
//量化lsp
  Lsp_qua_cs(lsf, lsf_q, ana );
//lsf再转换成lsp
  /* Convert LSFs to LSPs */
  Lsf_lsp2(lsf_q, lsp_q, M);


  return;
}


然后是lsp插值,再转换成lpc系数,这些与g723极其相似,不详细分析了
代码片段如下:
//lsc lsp_old, lsp_new按比率插值 lsf_int是插值后的 lsf_new是lsp_new转化得到的 A_t是插值后转化得到的系数
  Int_lpc(lsp_old, lsp_new, lsf_int, lsf_new,  A_t);
  Int_qlpc(lsp_old_q, lsp_new_q, Aq_t);//lsc 量化后的lsp转成Az系数


到这一步,完成了lpc分析
接下来就是共振锋感知加权,基音周期搜索,激励编码等.笔者将在下一章节做这些分析

这篇关于g729源码分析-1-lpc分析的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/813823

相关文章

Android 缓存日志Logcat导出与分析最佳实践

《Android缓存日志Logcat导出与分析最佳实践》本文全面介绍AndroidLogcat缓存日志的导出与分析方法,涵盖按进程、缓冲区类型及日志级别过滤,自动化工具使用,常见问题解决方案和最佳实... 目录android 缓存日志(Logcat)导出与分析全攻略为什么要导出缓存日志?按需过滤导出1. 按

Linux中的HTTPS协议原理分析

《Linux中的HTTPS协议原理分析》文章解释了HTTPS的必要性:HTTP明文传输易被篡改和劫持,HTTPS通过非对称加密协商对称密钥、CA证书认证和混合加密机制,有效防范中间人攻击,保障通信安全... 目录一、什么是加密和解密?二、为什么需要加密?三、常见的加密方式3.1 对称加密3.2非对称加密四、

MySQL中读写分离方案对比分析与选型建议

《MySQL中读写分离方案对比分析与选型建议》MySQL读写分离是提升数据库可用性和性能的常见手段,本文将围绕现实生产环境中常见的几种读写分离模式进行系统对比,希望对大家有所帮助... 目录一、问题背景介绍二、多种解决方案对比2.1 原生mysql主从复制2.2 Proxy层中间件:ProxySQL2.3

python使用Akshare与Streamlit实现股票估值分析教程(图文代码)

《python使用Akshare与Streamlit实现股票估值分析教程(图文代码)》入职测试中的一道题,要求:从Akshare下载某一个股票近十年的财务报表包括,资产负债表,利润表,现金流量表,保存... 目录一、前言二、核心知识点梳理1、Akshare数据获取2、Pandas数据处理3、Matplotl

python panda库从基础到高级操作分析

《pythonpanda库从基础到高级操作分析》本文介绍了Pandas库的核心功能,包括处理结构化数据的Series和DataFrame数据结构,数据读取、清洗、分组聚合、合并、时间序列分析及大数据... 目录1. Pandas 概述2. 基本操作:数据读取与查看3. 索引操作:精准定位数据4. Group

MySQL中EXISTS与IN用法使用与对比分析

《MySQL中EXISTS与IN用法使用与对比分析》在MySQL中,EXISTS和IN都用于子查询中根据另一个查询的结果来过滤主查询的记录,本文将基于工作原理、效率和应用场景进行全面对比... 目录一、基本用法详解1. IN 运算符2. EXISTS 运算符二、EXISTS 与 IN 的选择策略三、性能对比

MySQL 内存使用率常用分析语句

《MySQL内存使用率常用分析语句》用户整理了MySQL内存占用过高的分析方法,涵盖操作系统层确认及数据库层bufferpool、内存模块差值、线程状态、performance_schema性能数据... 目录一、 OS层二、 DB层1. 全局情况2. 内存占js用详情最近连续遇到mysql内存占用过高导致

深度解析Nginx日志分析与499状态码问题解决

《深度解析Nginx日志分析与499状态码问题解决》在Web服务器运维和性能优化过程中,Nginx日志是排查问题的重要依据,本文将围绕Nginx日志分析、499状态码的成因、排查方法及解决方案展开讨论... 目录前言1. Nginx日志基础1.1 Nginx日志存放位置1.2 Nginx日志格式2. 499

Olingo分析和实践之EDM 辅助序列化器详解(最佳实践)

《Olingo分析和实践之EDM辅助序列化器详解(最佳实践)》EDM辅助序列化器是ApacheOlingoOData框架中无需完整EDM模型的智能序列化工具,通过运行时类型推断实现灵活数据转换,适用... 目录概念与定义什么是 EDM 辅助序列化器?核心概念设计目标核心特点1. EDM 信息可选2. 智能类

Olingo分析和实践之OData框架核心组件初始化(关键步骤)

《Olingo分析和实践之OData框架核心组件初始化(关键步骤)》ODataSpringBootService通过初始化OData实例和服务元数据,构建框架核心能力与数据模型结构,实现序列化、URI... 目录概述第一步:OData实例创建1.1 OData.newInstance() 详细分析1.1.1