[发明专利]用于处理输入信号的编码装置和用于处理编码后的信号的解码装置

说明书

本发明涉及一种用于处理输入信号(3)的装置(1)，包括感知加权器(10)和量化器(14)。感知加权器(10)包括模型提供器(12)和模型应用器(13)。模型提供器(12)基于输入信号(3)提供感知加权模型(W)。模型应用器(13)通过对基于输入信号(3)的频谱(s)应用感知加权模型(W)来提供感知加权频谱(x)。量化器(14)被配置为量化感知加权频谱(x)并提供比特流(fi)。量化器(14)包括随机矩阵应用器(16)和符号函数计算器(17)。随机矩阵应用器(16)被配置用于对感知加权频谱(x)应用随机矩阵(P)，以便提供变换后的频谱(u)。符号函数计算器(17)被配置用于计算变换后的频谱(u)的分量的符号函数，以便提供比特流(u)。本发明还涉及用于处理编码后的信号(4)的装置(2)和对应的方法。

技术领域

本发明涉及一种用于处理输入信号的编码装置和一种用于处理编码后的信号的解码装置。本发明还涉及对应的方法和计算机程序。

背景技术

语音和音频编解码器的中心部分是它们的感知模型，这些感知模型描述了信号表示的不同元素的误差的相对感知重要性。在实践中，感知模型由用于量化每个元素的依赖于信号的加权因子组成。为了获得最优性能，期望在解码器处使用相同的感知模型。尽管感知模型依赖于信号，然而，在解码器处预先对此不知情，因此音频编解码器通常以增加的比特消耗为代价显式地发送该模型。

物联网(IoT)时代即将来临，下一代语音和音频编码器应该拥抱它。然而，IoT系统的设计目标与语音和音频编码器的经典设计相差甚远，因此需要对编码器进行更大规模的重新设计。

首先，最先进的语音和音频编码器(比如，AMR-WB、EVS、USAC和AAC)由智能和复杂编码器以及相对简单的解码器[1-4]组成，因为IoT应支持分布式低复杂度传感器节点，因此编码器最好是简单的。

其次，由于传感器节点对相同的源信号进行编码，因此在每个传感器节点处应用相同的量化将表示过编码，并且可能导致效率的严重损失。特别是，由于感知模型在每个节点处应该或多或少相同，因此从每个节点发送感知模型几乎是纯粹的过编码。

常规的语音和音频编码方法由以下三部分组成：

1.感知模型，其指定编解码器的不同参数中误差的相对影响，

2.源模型，其描述不同输入的范围和似然性，以及

3.熵编码器，其利用源模型来最小化感知失真[5]。

此外，感知模型可以以以下两种方式中的任一方式来应用：

1.可以根据感知模型对信号参数进行加权，使得然后可以以相同的精确度量化所有参数。然后必须向解码器发送感知模型，以便可以撤消加权。

2.备选地，感知模型可以用作评估模型，使得在合成分析迭代中，通过感知模型对不同量化的合成输出进行比较、加权。尽管这里不必发送感知模型，但是这种方法的缺点在于量化单元形状不是规则地成形的，这降低了编码效率。然而，更重要的是，为了找到最优量化，必须使用不同量化的计算复杂的强力搜索。

由于合成分析方法因此产生计算复杂的编码器，因此它不是用于IoT的可行备选方案。因此，解码器必须能够访问感知模型。然而，如上所述，感知模型的显式发送(或等效地，信号频谱的包络模型)是不期望的，因为它降低了编码效率。

发明内容

本发明的目的是提供一种在没有关于感知模型的辅助信息的情况下在解码器处根据发送的信号来恢复感知模型的方法。

该目的通过一种用于处理输入信号的编码装置以及一种用于处理编码后的信号的解码装置来实现。该目的还通过对应的方法和包括编码装置和解码装置在内的系统来实现。

本发明在分布式传感器网络和物联网中特别有用，其中，发送感知模型所用的比特消耗的附加成本随着传感器的数量的增加而增加。