【wav音頻解析】之wavread函數的C++實現

      本文由三部分組成，第一部分背景介紹 —— 音頻類型及本文動機，第二部分類比matlab下wavread()函數的做用，第三部分則給出該函數的C++實現。

一 背景介紹

1.1 本文動機

1）全部wav音頻處理的基礎就是將wav格式的文件解析出來，解析成數組才能供咱們去作後續的處理（fft等等）。

2）在matlab中直接有一個很好用的函數wavread(' test.wav')，輸入是wav音頻，輸出是數組，如第二章所述。

3）通常的C++函數讀取出來的數據，格式如1.2節所述，然而不論是什麼格式，數據之間是可互相轉換的。

4) 我在解決問題的過程當中，沒有發現一篇詳細的參考文獻。

      鑑於此，本文將介紹如何用C++徹底實現matlab的wavread函數，輸出數據格式如出一轍，在這個過程當中，你們也能夠領略文件中數據的本質，及相互間的轉換關係。

1.2 音頻類型

RIFF全稱爲資源互換文件格式（ResourcesInterchange FileFormat），RIFF文件是windows環境下大部分多媒體文件遵循的一種文件結構,RIFF文件所包含的數據類型由該文件的擴展名來標識，能以RIFF文件存儲的數據包括：音頻視頻交錯格式數據（.AVI) 波形格式數據（.WAV) 位圖格式數據（.RDI) MIDI格式數據（.RMI)調色板格式（.PAL)多媒體電影（.RMN)動畫光標（.ANI)其它RIFF文件（.BND)。

Chunk是組成RIFF文件的基本單元，它的基本結構以下：

struct chunk{
  u32 id; //由4個ASCII字符組成，用以識別塊中所包含的數據。如：'RIFF','LIST','fmt','data','WAV','AVI'等
  u32 size;    //塊大小，是存儲在data域中數據的長度,id與size域的大小則不包括在該值內
  u8 dat[size];   //塊內容，數據以字(WORD)爲單位排列，若是該數據結構長度是奇數，則最後添一個NULL字節
};

1.3 wav音頻文件

WAVE 文件做爲多媒體中使用的聲音波形文件格式之一，它是以RIFF（Resource Interchange File Format）格式爲標準的。每一個WAVE文件的頭四個字節即是「RIFF」。一樣的，WAVE 文件由文件頭和數據體兩大部分組成。其中文件頭又分爲 RIFF／WAV 文件標識段和聲音數據格式說明段兩部分。WAVE文件各部份內容及格式見後文。

常見的聲音文件主要有兩種，分別對應於單聲道（11.025KHz 採樣率、8Bit 的採樣值）和雙聲道（44.1KHz 採樣率、16Bit 的採樣值）。採樣率是指：聲音信號在「模→數」轉換過程當中單位時間內採樣的次數。採樣值是指每一次採樣週期      
內聲音模擬信號的積分值。

對於單聲道聲音文件，採樣數據爲八位的短整數（short int 00H-FFH）；而對於雙聲道立體聲聲音文件，每次採樣數據爲一個16位的整數（int），高八位和低八位分別表明左右兩個聲道。

WAVE 文件數據塊包含以脈衝編碼調製（PCM）格式表示的樣本。WAVE 文件是由樣本組織而成的。在單聲道 WAVE 文件中，聲道0表明左聲道，聲道1表明右聲道。在多聲道WAVE文件中，樣本是交替出現的。

WAVE 文件除了前面一小段文件頭對數據組織進行說明以外，Data 塊就是聲音的原始採樣數據，WAVE 文件雖然能夠壓縮，但通常都使用不壓縮的格式。44.1KHz 採樣率、16Bit的分辨率、雙聲道，因此WAVE能夠保存音質要求很是高的聲音文件，CD 採用的也是這種格式，聲音方面的專家或是音樂發燒友們應該很是熟悉。但這種文件的體積也很是大，以 44.1KHz 16bit 雙聲道的數據爲例，一分鐘的聲音數據量爲：4100*2byte*2channel*60s/1024/1024=10.09M 。因此不合適在網上傳送。

---

下面咱們具體地分析 WAVE 文件的格式

endian	field name	Size
big	ChunkID	4	文件頭標識，通常就是" RIFF" 四個字母
little	ChunkSize	4	整個數據文件的大小，不包括上面ID和Size自己
big	Format	4	通常就是" WAVE" 四個字母
big	SubChunk1ID	4	格式說明塊，本字段通常就是"fmt "
little	SubChunk1Size	4	本數據塊的大小，不包括ID和Size字段自己
little	AudioFormat	2	音頻的格式說明
little	NumChannels	2	聲道數
little	SampleRate	4	採樣率
little	ByteRate	4	比特率，每秒所須要的字節數
little	BlockAlign	2	數據塊對齊單元
little	BitsPerSample	2	採樣時模數轉換的分辨率
big	SubChunk2ID	4	真正的聲音數據塊，本字段通常是"data"
little	SubChunk2Size	4	本數據塊的大小，不包括ID和Size字段自己
little	Data	N	音頻的採樣數據

如下是對各個字段的詳細解說：

ChunkID	4bytes	ASCII 碼錶示的「RIFF」。（0x52494646）
ChunkSize	4bytes	36+SubChunk2Size，或是             4 + ( 8 + SubChunk1Size ) + ( 8 + SubChunk2Size )，             這是整個數據塊的大小（不包括ChunkID和ChunkSize的大小）
Format	4bytes	ASCII 碼錶示的「WAVE」。（0x57415645）
SubChunk1ID		新的數據塊（格式信息說明塊）             ASCII 碼錶示的「fmt 」——最後是一個空格。（0x666d7420）
SubChunk1Size	4bytes	本塊數據的大小（對於PCM，值爲16）。
AudioFormat	2bytes	PCM = 1 （好比，線性採樣），若是是其它值的話，則多是一些壓縮形式
NumChannels	2bytes	1 => 單聲道  |  2 => 雙聲道
SampleRate	4bytes	採樣率，如 8000，44100 等值
ByteRate	4bytes	等於： SampleRate * numChannels * BitsPerSample / 8
BlockAlign	2bytes	等於：NumChannels * BitsPerSample / 8
BitsPerSample	2bytes	採樣分辨率，也就是每一個樣本用幾位來表示，通常是 8bits 或是 16bits
SubChunk2ID	4bytes	新數據塊，真正的聲音數據             ASCII 碼錶示的「data 」——最後是一個空格。（0x64617461）
SubChunk2Size	4bytes	數據大小，即，其後跟着的採樣數據的大小。
Data	N bytes	真正的聲音數據

對於Data塊，根據聲道數和採樣率的不一樣狀況，佈局以下（每列表明8bits）：

1）. 8 Bit 單聲道：

採樣1	採樣2
數據1	數據2

2）. 8 Bit 雙聲道

採樣1		採樣2
聲道1數據1	聲道2數據1	聲道1數據2	聲道2數據2

3）. 16 Bit 單聲道：

採樣1		採樣2
數據1低字節	數據1高字節	數據1低字節	數據1高字節

4）. 16 Bit 雙聲道

採樣1
聲道1數據1低字節	聲道1數據1高字節	聲道2數據1低字節	聲道2數據1高字節
採樣2
聲道1數據2低字節	聲道1數據2高字節	聲道2數據2低字節	聲道2數據2高字節

 下面咱們看一個具體的例子，wav音頻文件以下：（十六進制的形式）

52 49 46 46 24 08 00 00 57 41 56 45 
66 6d 74 20 10 00 00 00 01 00 02 00 
22 56 00 00 88 58 01 00 04 00 10 00 
64 61 74 61 00 08 00 00 00 00 00 00 
24 17 1e 3c 13 3c 14 16 18 34 23 3c 24 11 1a 0d

對應的分析以下圖所示：

     舉例分析數據：形如 'FFFF' 爲一個咱們須要的完整的數據。如上圖中 sample3：3c 和 13是兩個數組合在一塊兒是一個咱們須要的數， 3c 13，但右端爲大端，則應爲 3c 13，十六進制數3c按位轉換爲2進製爲0011 1100，同理13按位轉換爲2進製爲0001 0011，則連起來的16bits的二進制數爲0011 1100 0001 0011，那麼咱們能夠看到符號位爲0，即爲正數。

二 matlab中的wavread( )函數

1. wavread('testwav.wav' )

   讀者試試看輸出。例如，取個人一個聲音文件'testwav.wav'，輸出的最後10個數據爲：

        -0.0001 -0.0001 -0.0002 -0.0003 -0.0002 -0.0002  -0.0002  -0.0003  -0.0002  -0.0002

   2.  wavread('testwav.wav','native')

        讀者能夠試試看輸出。個人'testwav.wav' 輸出的最後10個數據爲：

         -4  -2  -8  -9  -7  -8  -8  -11  -5  -7

1 和 2 的輸出數據之間的轉換公式爲：-0.0002 = -7 / 32768 （其中32768 = 2 ^15，即2的15次冪。這是歸一化。由於編碼爲16bits）

三 readwav的 C++實現

上面介紹了這麼多，咱們來進入主題，怎麼用C++實現matlab中的wavread('testwav.wav')函數，且輸出一致。

3.1 編碼轉換規則

在介紹以前，咱們須要瞭解這幾串數據之間的關係。本章節以test.wav文件的數據爲例來分析：

（1）該wave文件的Data塊即原始採樣數據的最後20個數據是：

 fc ff fe ff f8 ff f7 ff f9 ff f8 ff f8 ff f5 ff fb ff f9 ff

（2）在matlab中解析獲得的最後10個數據是：

-0.0001 -0.0001 -0.0002 -0.0003 -0.0002 -0.0002  -0.0002  -0.0003  -0.0002  -0.0002

     這兩組數據之間是原碼與補碼的關係，即（1）是原碼而（2）是補碼。

由數據（1）轉換爲數據（2）的步驟是：先將（1）轉換爲其補碼，再用補碼除以32768，則獲得（2）。

原碼與補碼之間的轉換原則：

（2進制形式的轉換）：若原碼爲正數，則補碼是其自己。若原碼爲負數，則補碼爲符號位不變，數值位按位取反，再加1。

（數值形式的轉換）：若原碼爲正數，則補碼是其自己。若原碼爲負數，補碼 = 原碼 - 2^16。舒適提示: 爲了方便計算數值上有等價替換 2^16 = FFFF - 1。

爲了更好的理解，舉例說明：

步驟一（每次讀16字節）：因爲數據是從X0000到XFFFF的數據。以f9 ff爲例，右端爲大端，換言之，右端是高位，則應該是fff9。步驟二（轉換爲補碼）：按位轉換爲二進制形式爲1111 1111 1111 1001（1位16進制數值對應4位二進制數值），該數據爲原碼，轉換成帶符號的十進制形式，先看符號位判斷其爲負數，則補碼爲FFF9 - FFFF -1 = -7。步驟三（歸一化）：用補碼數值-7除以32768，取小數點後4位（四捨五入），則等於-0.0002，正確。

讀者能夠試着用個人方法算一下（1）中的右起第3第4個數，是否對應等於（2）的右起第2個數。

3.2 C++實現

那麼C++實現，就是先讀取原始採樣數據，每次讀16字節，而後將16字節的16進制數字轉化成十進制數，再轉換成其補碼，並歸一化。轉換時注意大小端和符號問題。

具體的C++代碼，我已分享，讀者可移步查看：http://www.oschina.net/code/snippet_1768500_39013

參考文獻

1. http://www.cnblogs.com/liyiwen/archive/2010/04/19/1715715.html