LHDC V5 算法深度解析

本文深入剖析 LHDC V5 编解码所涉及的核心算法原理。

一、变换编码算法：LD-MDCT

1.1 MDCT 的数学定义

MDCT（Modified Discrete Cosine Transform，改进离散余弦变换）是一种线性正交变换，定义为：

Xk=∑n=0N−1xncos⁡ $πN(n+N4+12)(k+12)$ ,k=0,1,...,N2−1 X_k = \sum_{n=0}^{N-1} x_n \cos\left $\\frac{\\pi}{N}\\left(n + \\frac{N}{4} + \\frac{1}{2}\\right)\\left(k + \\frac{1}{2}\\right)\\right$ , \quad k = 0, 1, \ldots, \frac{N}{2}-1 Xk=n=0∑N−1xncos $Nπ(n+4N+21)(k+21)$ ,k=0,1,...,2N−1

其中：

NNN = MDCT 尺寸（LHDC V5 中为 480 / 960 / 1920）
xnx_nxn = 输入时域采样（加窗后）
XkX_kXk = 输出频域系数（共 N/2N/2N/2 个，临界采样）

关键性质 ：MDCT 是临界采样变换（N 点输入 → N/2 点输出），看似有信息损失，但通过 50% 重叠 + 加窗 可以实现完全重构（Perfect Reconstruction），这就是 Princen-Bradley 条件。

1.2 为什么用 MDCT 而不是 DFT/FFT？

特性	DFT/FFT	MDCT
输入/输出比	N→N（冗余）	N→N/2（临界采样）
块效应	严重（不重叠时）	通过重叠相加消除
频率分辨率	N 个频点	N/2 个频点（足够）
编码效率	低（冗余系数）	高（无冗余）
完全重构	需要冗余	50%重叠+窗即可

MDCT 是几乎所有现代音频编码标准（MP3、AAC、Vorbis、Opus、LDAC、LHDC）的核心变换，因为它在频率分辨率和编码效率之间取得了最佳平衡。

1.3 LD-MDCT（低延迟 MDCT）

LHDC V5 使用的 LD-MDCT（Low-Delay MDCT）与标准 MDCT 的区别：

标准 MDCT：帧长 = N/2 采样，但分析窗覆盖 N 采样（前后各 N/4 重叠），算法延迟 = N/2 采样
LD-MDCT：通过特殊的窗函数设计（非对称窗或缩短的前向重叠），可以在保持完全重构的同时降低算法延迟
LHDC V5 的 5ms 帧长 + LD-MDCT 使其端到端编码延迟远低于传统 AAC/MP3

1.4 快速 MDCT 算法

直接计算 MDCT 的复杂度为 O(N²)，实际中通过 FFT 加速到 O(N log N)：

N 点 MDCT → N/4 点复数 FFT 的分解步骤：

预旋转（Pre-twiddle）：将 N 点实输入重新排列并乘以复旋转因子，得到 N/4 点复数序列
N/4 点 FFT：对复数序列执行快速傅里叶变换
后旋转（Post-twiddle）：乘以复旋转因子得到 MDCT 系数
对称展开：利用 MDCT 的对称性生成完整的 N/2 点输出

LHDC V5 解码器的具体实现 （lhdc_imdct.c）：

N = 480 → N/4 = 120 点复数 FFT
- 120 = 8 × 15 → 基 2 第一级（8 点）+ 15 点第二级
- 15 点 DFT 通过 3×5 Cooley-Tukey 分解实现
N = 960 → 240 = 16 × 15
N = 1920 → 480 = 32 × 15

这种混合基分解避免了大素数因子导致的低效 DFT，是实际工程中常用的优化技巧。

1.5 加窗与完全重构

分析窗（编码器） 和 合成窗（解码器） 必须满足 Princen-Bradley 条件：

wa2(n)+ws2(n+N/2)=1,∀n w_a^2(n) + w_s^2(n + N/2) = 1, \quad \forall n wa2(n)+ws2(n+N/2)=1,∀n

当分析窗 = 合成窗时，条件简化为 w2(n)+w2(n+N/2)=1w^2(n) + w^2(n + N/2) = 1w2(n)+w2(n+N/2)=1。

LHDC V5 使用 KBD 窗（Kaiser-Bessel Derived Window）：

由 Kaiser-Bessel 窗推导而来，具有良好的频域能量集中性
主瓣窄、旁瓣衰减快，减少频谱泄漏
480 点 KBD 窗预计算为常量表存储在 flash 中，零 RAM 占用

二、感知编码算法：SNS（Spectral Noise Shaping）

2.1 心理声学基础

SNS 的理论基础是人耳的频域掩蔽效应（Frequency-domain Masking）：

同时掩蔽（Simultaneous Masking）：一个强音（掩蔽音）可以使同时存在的弱音（被掩蔽音）变得听不见
掩蔽阈值（Masking Threshold）：在强音频率附近，听阈会被抬高，低于该阈值的声音不可闻
临界频带（Critical Band）：人耳的频率分析可以建模为约 24~40 个重叠的带通滤波器（Bark 尺度），每个频带内的掩蔽效应最强

感知编码的核心思想：将量化噪声控制在掩蔽阈值以下，这样噪声虽然客观存在，但主观上不可闻。

2.2 SNS 的算法原理

LHDC V5 的 SNS 不直接计算心理声学模型（如 AAC 中的 PNS/Perceptual Noise Substitution），而是采用一种更简洁的频谱包络整形方法：

步骤 1：子带能量计算

将频谱划分为 MMM 个子带（24 或 32 段，子带边界由 band_off[] 表定义，近似模拟 Bark 尺度），计算每个子带的能量：

Es=∑k∈band s∣Xk∣2×scales E_s = \sum_{k \in \text{band } s} |X_k|^2 \times \text{scale}_s Es=k∈band s∑∣Xk∣2×scales

步骤 2：能量包络平滑

对子带能量进行加权移动平均，得到平滑的频谱包络 PsP_sPs。这模拟了人耳掩蔽效应的扩散性（一个频带的能量会影响相邻频带的掩蔽阈值）。

步骤 3：自适应步长 DPCM 编码（核心）

这是 SNS 最精巧的部分。用一个 ADPCM（Adaptive Differential PCM） 编码器编码频谱包络：

状态变量：state（当前步长索引，0~63），run（连续同方向计数）
步长表：JUMP_TABLE[64]，从 6 到 4096 指数增长（近似对数等比）
对每个子带 sss （从第 2 个开始）：
- 计算差分： ds=Ps−P^s−1d_s = P_s - \hat{P}_{s-1}ds=Ps−P^s−1 （实际包络与预测值的差）
- 方向位： bs=(ds<0)?1:0b_s = (d_s < 0) ? 1 : 0bs=(ds<0)?1:0 （1 bit，编码方向）
- 状态更新：
  - 如果 bs==bs−1b_s == b_{s-1}bs==bs−1 （同方向）：run++，state = min(state + run, 63)（步长增大，加速跟踪）
  - 如果 bs≠bs−1b_s \neq b_{s-1}bs=bs−1 （方向翻转）：state = (3*state + 2) >> 2，run = 1（步长减小，精细调整）
- 预测更新： P^s=P^s−1+(−1)bs×JUMP_TABLE $state$ \hat{P}s = \hat{P}{s-1} + (-1)^{b_s} \times \text{JUMP\_TABLE $state$ }P^s=P^s−1+(−1)bs×JUMP_TABLE $state$

只传输 1 bit/子带的方向信息，解码器用完全相同的 ADPCM 状态机重建频谱包络。

步骤 4：后处理

均值移除：消除 DC 偏移
非对称移动平均平滑
钳位到 $-2560, 1024$ ，取反

步骤 5：增益应用

将每个子带的缩放因子 sfssf_ssfs 转换为增益 gs=2sfs/16g_s = 2^{sf_s / 16}gs=2sfs/16 （通过查找表），对该子带内所有频谱系数乘以 gsg_sgs 。

2.3 SNS 的本质

SNS 本质上是一种频域预测 + 自适应量化的组合：

用 ADPCM 编码频谱包络（1 bit/子带，极低成本）
用包络信息对频谱进行预加重/去加重（pre-emphasis/de-emphasis）
强能量子带被衰减（降低该子带的信号幅度，从而降低量化噪声的绝对水平，但噪声/信号比不变------因为信号也被衰减了，逆量化后恢复）
弱能量子带被提升到噪声底以上（避免"音洞"）

与 AAC 的对比：

AAC 使用完整的心理声学模型（计算扩散函数、绝对听阈、掩蔽阈值），然后根据阈值分配每个频带的量化步长
LHDC V5 的 SNS 更简洁，用 ADPCM 包络编码替代了完整的心理声学模型，计算量更小，适合蓝牙低延迟场景
两者的目标一致：将量化噪声控制在听阈以下

三、量化与码率控制算法

3.1 均匀标量量化

LHDC V5 使用均匀标量量化（Uniform Scalar Quantization）：

qk=round(Xk×L) q_k = \text{round}(X_k \times L) qk=round(Xk×L)

其中 LLL 是全局量化步长（由 global_gain 索引通过分段线性函数 e(g)e(g)e(g) 转换为 L=2e(g)L = 2^{e(g)}L=2e(g) ）。

为什么用均匀量化而不是非均匀量化（如 μ-law / A-law）？

均匀量化在频域系数上更有效：经过 SNS 整形后，频谱系数的动态范围已经被压缩，均匀量化足够
均匀量化的逆量化简单（ Xk=qk/LX_k = q_k / LXk=qk/L ），计算量小
非均匀量化更适合时域信号（如电话语音的 μ-law），因为时域信号的动态范围大且小信号出现概率高

3.2 全局增益的分段线性映射

global_gain（9 bit，0~511）到量化步长指数 eee 的映射是分段线性函数：

e(g)={g,g≤splitsplit+(g−split)×slope,split<g≤503e(503)+(g−504),g>503 e(g) = \begin{cases} g, & g \leq \text{split} \\ \text{split} + (g - \text{split}) \times \text{slope}, & \text{split} < g \leq 503 \\ e(503) + (g - 504), & g > 503 \end{cases} e(g)=⎩ ⎨ ⎧g,split+(g−split)×slope,e(503)+(g−504),g≤splitsplit<g≤503g>503

split 和 slope 由帧长、位深、采样率决定
低索引区（g ≤ split）：每档 1 bit（精细调节，用于低码率）
中索引区：斜率 < 1（粗调，用于中高码率，大步进覆盖大范围）
高索引区（g > 503）：每档 1 bit，钳位到 30

这种分段设计在有限的 9 bit 索引范围内实现了大范围的步长调节，同时在关键区域保持精细分辨率。

3.3 码率控制循环（Rate Loop）

编码器的核心挑战：找到最优的全局量化步长，使得编码后的比特数恰好等于目标比特数。

LHDC V5 使用迭代搜索 + 牛顿法加速的码率控制：

复制代码

初始化 offset_size（从上一帧预测）
循环：
    1. 用当前 offset_size 对应的步长量化频谱
    2. 统计非零系数个数 nzc
    3. 估算编码这些系数需要的比特数（算术编码估算 + 尾数估算）
    4. 比较估算值与目标范围：
       - 超出 target_range → 增大 offset_size（减小步长，减少比特）
       - 低于 target_range_bottom → 减小 offset_size（增大步长，增加比特）
       - 在范围内 → 收敛，退出
    5. 用牛顿法更新 offset_size：
       offset = fast_calc_step(...)  # 估算步长-比特曲线的斜率
       offset_size += (estimated_bits - target_range) / offset

fast_calc_step 利用前两次迭代的结果估算 d(bits)/d(offset)d(\text{bits})/d(\text{offset})d(bits)/d(offset)，实现牛顿法快速收敛（通常 3~5 次迭代即可收敛）。

3.4 系数比特数预测（coef3 / coef7）

为了精确估算编码比特数，需要预测每个非零系数的尾数位数。使用两种一阶 IIR 预测器：

coef3:pi=3⋅pi−1+5⋅bi8 \text{coef3}: \quad p_i = \frac{3 \cdot p_{i-1} + 5 \cdot b_i}{8} coef3:pi=83⋅pi−1+5⋅bi

coef7:pi=7⋅pi−1+bi8 \text{coef7}: \quad p_i = \frac{7 \cdot p_{i-1} + b_i}{8} coef7:pi=87⋅pi−1+bi

其中 bi=log⁡2(∣qi∣)≪7b_i = \log_2(|q_i|) \ll 7bi=log2(∣qi∣)≪7（Q7 定点的系数幅值比特数）。

coef3：快响应（5/8 权重给当前值），跟踪快速变化
coef7：慢响应（7/8 权重给历史值），平滑稳定
编码器选择累计绝对预测误差更小的预测器，用 1 bit symbol_flag 通知解码器

这是一种自适应预测编码（Adaptive Predictive Coding）的思想，与语音编码中的 ADPCM（如 G.726）同源。

四、熵编码算法：FAC 算术编码 + Rice 编码

4.1 算术编码基础

算术编码（Arithmetic Coding）是一种熵编码方法，与霍夫曼编码相比，能更接近信源的熵极限（特别是当符号概率不是 2 的负整数次幂时）。

基本原理：

将输入符号序列映射到实数区间 [0, 1) 中的一个子区间
每个符号有一个概率区间 [low, high)
编码时不断缩小区间：[low, high) = [low + range*cum_low, low + range*cum_high)
最终输出区间内任意一个数的二进制表示

自适应算术编码 ：概率模型不是固定的，而是根据已编码符号的统计动态更新。LHDC V5 使用滑动窗口自适应模型（Sliding Window Adaptive Model）：

维护最近 window 个符号的频率统计
新符号加入窗口，最老的符号移出
频率归一化到 2^15 = 32768

4.2 FAC（Fast Adaptive arithmetic Coding）

LHDC V5 的 FAC 编码器是一种三符号（ternary）自适应算术编码器，专门优化用于三进制符号流 {0, 1, 2}：

两个独立模型：

模型 1（Stream 1 / Marker Plane）：
- 初始频率：{54, 12, 1}（符号 0 概率最高，约 80%）
- 滑动窗口：ma_win1（48k 时约 57）
- 编码前 nzc 个符号（marker plane，标记哪些系数需要 escape 编码）
模型 2（Stream 2 / Quotient）：
- 初始频率：{90, 16, 1}（符号 0 概率更高，约 84%）
- 滑动窗口：ma_win2 = ma_win1 × 8（约 456，更长的记忆）
- 编码 Rice 商值的三进制展开

范围解码的 Xtensa 优化 ：

标准范围解码需要计算 target = code / (range >> 15)，但 Xtensa LX6 没有硬件除法指令（软件除法约 30+ 周期）。解码器使用恒等式优化：

⌊coder⌋≥c ⟺ code≥r×c \left\lfloor \frac{\text{code}}{r} \right\rfloor \geq c \iff \text{code} \geq r \times c ⌊rcode⌋≥c⟺code≥r×c

用乘法替代除法，每次符号解码最多 2 次乘法（三符号），比特精确一致。

4.3 Rice 编码

Rice 编码是一种针对拉普拉斯分布（Laplacian Distribution）的前缀码，特别适合编码预测残差和量化系数。

基本 Rice 编码：

将非负整数 xxx 编码为：q=⌊x/2k⌋q = \lfloor x / 2^k \rfloorq=⌊x/2k⌋ 个 1 + 1 个 0 + kkk bit 余数
kkk 是 Rice 参数，需根据信号分布选择

LHDC V5 的 Rice 商编码 ：

LHDC V5 不是直接使用标准 Rice 编码，而是将 Rice 商值展开为三进制符号流，然后用 FAC 算术编码。具体展开规则：

商值 q=0q = 0q=0 → 符号 0
商值 q=1q = 1q=1 → 符号 1
商值 q=2q = 2q=2 → 符号 1, 1
商值 q=3q = 3q=3 → 符号 1, 1, 1
商值 q≥4q \geq 4q≥4 → 符号 2（escape）+ 2 bit 低位（循环）+ ... + 连续 1 的个数 + 0 结束

这种三进制展开 + 算术编码的组合比标准 Rice 编码的压缩效率更高，因为算术编码可以精确匹配符号概率，而 Rice 编码只能匹配几何分布。

4.4 尾数位平面编码（Mantissa Bit-Plane）

算术编码只编码了系数的高位（Rice 商），低位（尾数）使用因果预测位平面编码：

shiftk=IIR(calc_bits(∣Mk−1∣)) \text{shift}_k = \text{IIR}(\text{calc\bits}(|M{k-1}|)) shiftk=IIR(calc_bits(∣Mk−1∣))

Mk=(qk≪shiftk)∣mantissa_bits M_k = (q_k \ll \text{shift}_k) | \text{mantissa\_bits} Mk=(qk≪shiftk)∣mantissa_bits

shift_k：当前系数的尾数位数，由前一系数的幅值通过 IIR 预测器预测
预测器模式（flag2 选择）：
- 快模式：pred = (5*x + 3*pred) >> 3
- 慢模式：pred = (7*pred + x) >> 3
每个非零系数后跟 1 bit 符号位

这是一种上下文相关的位平面编码（Context-dependent Bit-Plane Coding），利用了频谱系数幅值的相关性（相邻系数幅值通常相近），用前一系数预测当前系数的尾数位数，减少需要传输的位数。

五、帧结构与加扰算法

5.1 帧结构

复制代码

┌─────────────┬─────────────────────────┬─────────────────────────┐
│  帧头 (2B)   │  声道 0 编码数据 (N B)  │  声道 1 编码数据 (N B)    │
│  u16 LE     │                         │                         │
└─────────────┴─────────────────────────┴─────────────────────────┘

帧头：低 10 位 = payload_len / 2，高 6 位 = 标志位。

每个声道数据内部结构：

复制代码

┌──────────────────────────────────────────────────────────────┐
│ 前导信息 (Leading Section)                                    │
│   flag(1b) + global_gain(9b) + sns_mode(4b) + 方向位 +        │
│   nzc(7~9b) + symbol_flag(1b) + resid(0/4b)                  │
├──────────────────────────────────────────────────────────────┤
│ FAC 算术编码流（三进制符号流 → 字节流）                         │
├──────────────────────────────────────────────────────────────┤
│ 尾数 + 符号位平面                                             │
├──────────────────────────────────────────────────────────────┤
│ 填充（0 填充到固定帧长）                                       │
└──────────────────────────────────────────────────────────────┘

5.2 加扰（Scrambling）

每个声道前 8 字节加扰：

异或固定掩码：byte[i] ^= XOR_MASK[i]，XOR_MASK = {0xFF, 0xE7, 0x7A, 0xB3, 0xDA, 0xE5, 0xCD, 0x73}
字节重排：按 SCRAMBLE_ORDER[sel][] 排列，sel = byte[8] & 1（两种排列）

加扰的目的（不是加密）：

避免编码后的帧头出现固定模式（如全 0 或固定同步字），便于蓝牙接收器的同步和误码检测
破坏数据中的长 0/长 1 序列，有利于基带的白化和时钟恢复
两种排列由数据本身选择，提供一定的鲁棒性

六、算法复杂度与数学基础总结

算法模块	数学基础	复杂度	研究领域
LD-MDCT	线性代数、傅里叶分析、滤波器组理论	O(N log N)	数字信号处理、多速率信号处理
快速 IMDCT	FFT 算法、Cooley-Tukey 分解、数论	O(N log N)	算法设计、计算数学
SNS	心理声学、ADPCM、预测编码、自适应滤波	O(M)（M=子带数）	音频信号处理、感知编码
均匀量化	量化理论、率失真理论（Rate-Distortion）	O(N/2)	信息论、信源编码
码率控制	优化理论、牛顿法、二分搜索	O(K × N/2)（K=迭代次数）	优化算法、控制理论
系数预测	线性预测、IIR 滤波器、自适应滤波	O(N/2)	数字信号处理、预测编码
FAC 算术编码	信息论、熵编码、概率模型	O(S)（S=符号数）	信息论、数据压缩
Rice 编码	前缀码、拉普拉斯分布、Golomb 编码	O(S)	信息论、数据压缩
尾数位平面	上下文建模、位平面编码、因果预测	O(N/2)	图像/视频编码、嵌入式编码
加窗重叠相加	滤波器组理论、完全重构条件	O(N)	数字信号处理、多速率系统

总的来说，LHDC V5 编解码算法是数字信号处理 + 信息论 + 心理声学的交叉产物，核心算法包括：

LD-MDCT：时频变换（傅里叶分析 + 滤波器组理论）
SNS：感知频谱整形（心理声学 + ADPCM 自适应预测）
均匀量化 + 码率控制：率失真优化（信息论 + 数值优化）
FAC 算术编码 + Rice 编码：熵编码（信息论 + 数据压缩）
尾数位平面编码：上下文相关位平面编码（预测编码）

音频编码是一个既有深厚理论基础、又有广泛工程应用的领域，随着无线音频、空间音频、AI 语音的发展，该方向的人才需求将持续增长。