PESQ及其應用

關(guān)鍵詞： 感知模型；漢語(yǔ)單字；清晰度

引言
目前能提供主客觀(guān)相關(guān)性較高的音質(zhì)客觀(guān)評價(jià)方法，都是考慮了人耳的聽(tīng)覺(jué)特性，使用聽(tīng)覺(jué)感知模型來(lái)模擬收聽(tīng)這一過(guò)程的。因此當前的主流是使用感知模型來(lái)評估非線(xiàn)性和易出錯的音頻通信系統。
感知語(yǔ)音質(zhì)量測度(PSQM),在1996年被國際電聯(lián)ITU-T采納為P.861建議，1998年，一個(gè)基于歸一化塊測度(MNB)的可選系統作為附件添加到P.861中。MNB是在考慮聽(tīng)過(guò)程的基礎上，采用MNB方法來(lái)模擬人的判斷過(guò)程，評價(jià)結果與主觀(guān)評價(jià)值相關(guān)度較高。
Hollier擴展了巴克譜失真(BSD)模型，引領(lǐng)了感知分析測度系統(PAMS)的發(fā)展。PAMS是第一個(gè)關(guān)注端到端行為，包括濾波和變化時(shí)延造成的影響的模型。
這些影響，再加上一定類(lèi)型的編碼失真、包丟失和背景噪聲，就是引起BSD,PSQM和MNB等早期模型產(chǎn)生不精確得分的原因。因此ITU-T 12研究組進(jìn)行了一項實(shí)驗來(lái)找到一種新的模型，以期能適應更廣泛的編解碼器和網(wǎng)絡(luò )情況，具有更好的性能和表現。在比較中，PAMS和PSQM99(PSQM的更新和擴展版本)兩種算法的性能最好，然后就結合了這兩種算法產(chǎn)生了一個(gè)新的模型，叫做PESQ。2001年2月PESQ被定為P.862建議。

PESQ算法的描述

圖1 PESQ模型的結構圖

圖1為PESQ的結構。開(kāi)始時(shí)兩個(gè)信號都通過(guò)電平調整，再用輸入濾波器模擬標準電話(huà)聽(tīng)筒進(jìn)行濾波(FFT)。這兩個(gè)信號要在時(shí)間上對準，并通過(guò)聽(tīng)覺(jué)變換。這個(gè)變換包括對系統中線(xiàn)性濾波和增益變化的補償和均衡。提取出兩個(gè)失真參數，在頻率和時(shí)間上總和起來(lái)，映射到對主觀(guān)平均意見(jiàn)分的預測。
電平調整和IRS濾波
各個(gè)待測系統的增益一般差別比較大，而且對參考信號沒(méi)有確定的校準電平，所以有必要將二者調整到統一、恒定的電平上來(lái)。PESQ假定主觀(guān)聽(tīng)覺(jué)級是79dB的常數。感知模型必須考慮人聽(tīng)到的實(shí)際聲音，所以不管真正的主觀(guān)測驗中是否使用IRS或改進(jìn)的IRS濾波，在PESQ中使用了類(lèi)IRS濾波器，起到一個(gè)模擬電話(huà)手柄的作用。
時(shí)間對準
PESQ的時(shí)間對準假設系統的時(shí)延是分段恒定的。這個(gè)假設對廣泛的系統，包括基于包傳輸的VoIP,都是合適的。在靜默期間和說(shuō)話(huà)期間時(shí)延可以改變。信號對準有以下步驟：
?信號通過(guò)窄帶濾波，突出對感知重要的部分。這些濾波后的信號只用于時(shí)間對準；
?基于包絡(luò )的延時(shí)估計；
?把參考信號按話(huà)語(yǔ)分成段；
?對每一段進(jìn)行基于包絡(luò )的延時(shí)估計；
?對每一段話(huà)語(yǔ)進(jìn)行基于柱狀圖的、精細的、互相關(guān)的延時(shí)驗證；
?對于說(shuō)話(huà)中的延時(shí)改變進(jìn)行話(huà)語(yǔ)分解(splitting)和重定位。
對每一段話(huà)語(yǔ)都給出延時(shí)估計，然后得出聽(tīng)覺(jué)變換要用的一幀一幀的延時(shí)。
聽(tīng)覺(jué)變換
PESQ中的聽(tīng)覺(jué)變換是一個(gè)生理聲學(xué)模型，它把信號變換到時(shí)頻可感知的響度表達。包括以下步驟：
巴克譜 加漢明窗用FFT計算每一幀的瞬時(shí)功率譜，每幀重疊50%，即32ms。
頻率補償 計算有效話(huà)音幀的平均巴克譜值。假設待測系統有恒定的頻率響應，參考話(huà)音和失真話(huà)音間的比率就給出傳輸函數估計。參考話(huà)音使用這個(gè)估計值補償到和失真話(huà)音相當，補償最多不超過(guò)±20dB。
增益變化的補償均衡 短時(shí)增益變化通過(guò)一幀一幀的處理基音功率密度得到部分補償。每一幀中，計算所有超過(guò)聽(tīng)覺(jué)門(mén)限的基音功率密度值。得到參考信號和失真信號的比值(3×10-4)，比值通過(guò)一階低通濾波器濾波，每一幀的失真信號乘以這個(gè)功率比，補償到和參考信號相當。
響度映射 巴克譜映射到響度級(宋)，包括一個(gè)頻率門(mén)限和指數。這樣在每一時(shí)頻單元給出感受到的響度。
干擾密度的計算
參考信號與失真信號間的絕對差值給聽(tīng)覺(jué)誤差一個(gè)測度。在PESQ中，在進(jìn)行時(shí)間和頻率上非線(xiàn)性平均之前要經(jīng)過(guò)幾步的處理。
如果信號的延時(shí)減少了16ms以上，在這種情況下發(fā)現在計算客觀(guān)語(yǔ)音質(zhì)量時(shí)，忽略幀干擾能得到更好的值，因此當這種情況時(shí)，幀干擾設為零。
在每一個(gè)時(shí)頻單元都使用一個(gè)簡(jiǎn)單的門(mén)限來(lái)進(jìn)行屏蔽，在門(mén)限以下的干擾是聽(tīng)不見(jiàn)的，這個(gè)值設定為參考函數和失真函數中響度較小的一個(gè)的四分之一。門(mén)限由絕對響度相減得到，小于零的定為零。PSQM和PSQM99早期的版本在大于一個(gè)時(shí)頻單元的距離上使用屏蔽的方法并不能提高整體的性能，在PESQ中沒(méi)有被采用。
和P.861 PSQM不同的是，PESQ計算兩個(gè)不同的誤差平均，其中一個(gè)有不對稱(chēng)因子，一個(gè)沒(méi)有。PESQ的非對稱(chēng)因子是由失真信號對參考信號在每一時(shí)頻單元的巴克譜密度比得到的。非對稱(chēng)因子的值如果小于3，則定為零，如果大于12，則定為12。不對稱(chēng)加權的干擾值，通過(guò)乘以這個(gè)因子得到，結果只計算附加的失真。
時(shí)頻干擾的總計
理解了這些局部的誤差感知，PESQ使用確定誤差在時(shí)間上和幅度上取得最好的分布方法，在幾個(gè)時(shí)-頻尺度上綜合了干擾值。干擾值使用一個(gè)Lp范數計算。它分為瞬時(shí)間隔內的干擾總計和話(huà)音持續時(shí)間內的干擾總計(約10秒)。瞬時(shí)間隔內的干擾總計使用高階的p值，而話(huà)音持續時(shí)間內的干擾總計使用低階的p值。
重定位
在有些情況下，時(shí)間定位可能不能正確地確定延時(shí)的改變，這樣會(huì )導致每部分的時(shí)延都錯了。這可以通過(guò)標記錯誤幀(有一個(gè)超過(guò)45的對稱(chēng)干擾)，并且五個(gè)正確幀中至多有一個(gè)錯誤幀來(lái)檢測到。
每個(gè)錯誤的部分重新定位，重新計算干擾值。交叉互相關(guān)是用來(lái)發(fā)現新的延時(shí)估計值的。重新計算失真信號的聽(tīng)覺(jué)變換，發(fā)現干擾，對于每一幀來(lái)說(shuō)，如果重新定位，干擾值變的較低，則使用新值。在重定位以后再總計瞬間和整個(gè)信號的性能。
計算PESQ的得分
為了訓練PESQ，要在三個(gè)平均階段通過(guò)使用很多的p值計算很大數量的不同的對稱(chēng)和非對稱(chēng)的參數。先使用參數的線(xiàn)性組合來(lái)預測主觀(guān)MOS分，進(jìn)一步對每次主觀(guān)測試進(jìn)行回歸分析說(shuō)明、解決不同的題目的前后關(guān)系和選擇的偏好，如第3部分中所討論的；這一步還用到了線(xiàn)性映射。對所有的候選參數集都進(jìn)行了選擇。這樣找到了最優(yōu)的組合，能給出最好的平均相關(guān)系數。這樣可以在幾百個(gè)候選參數中找到最好的。
舉例來(lái)說(shuō)，PESQ中用到部分補償，在增益調制的均衡中，就要避免使用大量的參數來(lái)預測質(zhì)量。只用到兩個(gè)參數的組合— 一個(gè)對稱(chēng)干擾(dSYM)和一個(gè)非對稱(chēng)干擾(dASYM)，在預測精度和概括能力上有很好的平衡。然而，由于低維數的模型依靠早先的階段組合出復雜的感知作用，要求有幾個(gè)迭代設計。聽(tīng)覺(jué)變換中的系數和干擾處理經(jīng)過(guò)優(yōu)化，找到了最優(yōu)的參數，然后重復處理過(guò)程。下面給出PESQ中映射的分：
PESQMOS=4.5-0.1 dSYM-0.0309 dASYM
對于正規的主觀(guān)測試，得分在1.0和4.5之間。在失真情況嚴重時(shí)，得分可能會(huì )低于1.0，但這種情況很少見(jiàn)。

范圍和應用
ITU-T相關(guān)的資料已證明PESQ是能夠給出精確的預測值的，包括以下編解碼和誤碼失真，波形編碼(如G.711,G.726),CELP/高于4kbit/s的混合編解碼(如G.728),移動(dòng)編解碼/系統(包括GSM FR、EFR、HR、AMR、CDMA EVRC、TDMA ACELP、VSELP和TETRA)；各種編解碼的代碼轉換，隨機的、突發(fā)的、包丟失誤差。PESQ能夠用于編解碼或系統評估、選擇和優(yōu)化。
這樣PESQ可以廣泛的用于現場(chǎng)和模擬網(wǎng)絡(luò )中端到端測量。背景(環(huán)境)噪聲和噪聲處理，可以通過(guò)用PESQ比較干凈的、未處理的信號和編碼的、經(jīng)噪聲干擾失真的信號評估得到。
用靜默來(lái)取代語(yǔ)音，也是一種失真，給所有的感知模型在預測MOS分時(shí)帶來(lái)困難。一般前端和后端的50ms的削波(話(huà)音激活檢測)不會(huì )給主觀(guān)印象帶來(lái)很大的影響。然而，在話(huà)音期間削波，比如包丟失后用靜默代替，將嚴重影響主觀(guān)感受---每50ms的丟失，MOS分下降一分。PESQ的情況在這兩種之間，每50ms的削波通常引起0.5分左右的下降，而不管處于什么位置。對于前端暫時(shí)的削波，特別是未察覺(jué)的丟失了單詞時(shí)，PESQ是很敏感的。相反的，PESQ對經(jīng)常的、短時(shí)的削波不很敏感(短時(shí)間內語(yǔ)音被靜默取代)。在這兩種情況下，PESQ與主觀(guān)MOS分之間的相關(guān)性會(huì )減弱。
作為一個(gè)有固定假設聽(tīng)覺(jué)級的只聽(tīng)模型，PESQ一般不應用來(lái)評估收聽(tīng)級、側音/說(shuō)話(huà)人回音，或對話(huà)延遲的影響，而且，它也不是供非入侵性測度使用的。其他一些應用的特性還沒(méi)有得到證明，或者需要部分改變模型。包括：音樂(lè )音質(zhì)；寬帶話(huà)音；所謂“媒體音頻質(zhì)量”；接受端回聲；低于4kbit/s的低比特率編解碼器；聲學(xué)的和電話(huà)機參考當量測試。

結語(yǔ)
相對來(lái)說(shuō)，PSQM和MNB只用在窄帶編解碼測量中，并且對某些類(lèi)型的編解碼、背景噪聲和端到端的影響，比如濾波和時(shí)延變化給出不精確的預測值。PESQ能提供比P.861模型、PSQM和MNB與主觀(guān)意見(jiàn)更好的相關(guān)性。它能在很廣范的條件下對主觀(guān)質(zhì)量給出了很精確的預測，包括有背景噪聲，模擬濾波，和/或時(shí)延變化。PESQ在很多評估電話(huà)網(wǎng)絡(luò )和語(yǔ)音編解碼的語(yǔ)音質(zhì)量等應用中會(huì )非常適用。

參考文獻
1 Objective quality measurement of telephone-band (300-3400Hz) speech codecs .ITU-T Recommendation P.861,February 1998
2 Hollier, M. P. , Hawksford, M.O. and Guard, D. R. "Characterisation of communications systems using a speech-like test stimulus", Journal of the audio Engineering Society,41(12),1008-1021,1993
3 Rix, A.W., Reynilds, R. and Hollier, M. P. "Perceptual measurement of end-to-end speech quality over audio and packet-based networks" 106th Audio Engineering Society Convention , pre-print no.4873.May 1999
4 陳國,胡修林,張蘊玉,朱耀庭.語(yǔ)音質(zhì)量客觀(guān)評價(jià)方法研究進(jìn)展.電子學(xué)報.Vol.29,2001.04