Mô tả môn học xử lý âm thanh

LỜI NÓI ĐẦU
Tài liệu hướng dẫn học tập môn "Xử lý âm thanh và hình ảnh" dành cho khối đào tạo từ
xa chuyên ngành điện tử viễn thông. Tài liệu này sẽ giới thiệu những kiến thức cơ bản về xử lý âm
thanh và hình ảnh. Đặc biệt, tác giả chú trọng tới vấn đề xử lý tín hiệu ứng dụng trong mạng viễn
thông: đó là các phương pháp nén tín hiệu, lưu trữ, các tiêu chuẩn nén tín hiệu âm thanh và hình
ảnh. Những kiến thức được trình bày trong tài liệu sẽ giúp học viên tiếp cận nhanh với các vấn đề
thực tiễn thường gặp trong mạng viễn thông.
Vì khối lượng kiến thức trong lĩnh vực xử lý âm thanh cũng như hình ảnh rất lớn, và với
quỹ thời gian quá eo hẹp dành cho biên soạn, tài liệu hướng dẫn này chưa thâu tóm được toàn bộ
kiến thức cần có về lĩnh vực xử lý âm thanh và hình ảnh. Để tìm hiểu về một số vấn đề có trong
đề cương môn học đòi hỏi học viên phải nghiên cứu thêm trong số sách tham khảo được tác giả đề
cập tới trong phần cuối của tài liệu này.
Nội dung cuốn sách được chia làm hai chương:
- Chương 1: Kỹ thuật xử lý âm thanh
- Chương 2: Kỹ thuật xử lý hình ảnh.
Để có thể học tốt môn này, sinh viên cần phải có kiến thức cơ bản về xử lý tín hiệu số.
Các kiến thức này các bạn có thể tìm hiểu trong cuốn “Xử lý tín hiệu số” dành cho sinh viên Đại
học từ xa của Học viện.
Đây là lần biên soạn đầu tiên, chắc chắn tài liệu còn nhiều sơ sót, rất mong các bạn đọc
trong quá trình học tập và các thày cô giảng dạy môn học này đóng góp các ý kiến xây dựng.
Trong thời gian gần nhất, tác giả sẽ cố gắng cập nhập, bổ xung thêm để tài liệu hướng dẫn được
hoàn chỉnh hơn.
Mọi ý kiến đóng góp đề nghị gửi về theo địa chỉ email:
Tp. Hồ Chí Minh 19/05/2007
Nhóm biên soạn
2
CHƯƠNG 1 KỸ THUẬT XỬ LÝ ÂM THANH
1.1 TỔNG QUAN VỀ XỬ LÝ ÂM THANH
1.1.1 Giới thiệu sơ lược về âm thanh & hệ thống xử lý âm thanh
1.1.1.1 Đặc tính của âm thanh tương tự [1]
Mục đích của lời nói là dùng để truyền đạt thông tin. Có rất nhiều cách mô tả đặc điểm

của việc truyền đạt thông tin. Dựa vào lý thuyết thông tin, lời nói có thể được đại diện bởi thuật
ngữ là nội dung thông điệp, hoặc là thông tin. Một cách khác để biểu thị lời nói là tín hiệu mang
nội dung thông điệp, như là dạng sóng âm thanh.
Hình 1.1 Dạng sóng của tín hiệu ghi nhận được từ âm thanh của người
Kỹ thuật đầu tiên dùng trong việc ghi âm sử dụng các thông số về cơ, điện cũng như
trường có thể làm nên nhiều cách thức ghi âm ứng với các loại áp suất không khí khác nhau. Điện
áp đến từ một microphone là tín hiệu tương tự của áp suất không khí [hoặc đôi khi là vận tốc]. Dù
được phân tích bằng cách thức nào, thì các phương pháp khi so sánh với nhau phải dùng một tỉ lệ
thời gian.
Trong khi các thiết bị tương tự hiện đại trông có vẻ xử lý âm thanh tốt hơn những thiết bị
cổ điển, các tiêu chuẩn xử lý thì hầu như không có gì thay đổi, mặc dù công nghệ có vẻ xử lý tốt
hơn. Trong hệ thống xử lý âm thanh tương tự, thông tin được truyền đạt bằng thông số liên tục
biến thiên vô hạn.
Hệ thống xử lý âm thanh số lý tưởng có những tính năng tương tự như hệ thống xử lý âm
thanh tương tự lý tưởng: cả hai hoạt động một cách “trong suốt” và tạo lại dạng sóng ban đầu
không lỗi. Tuy nhiên, trong thế giới thực, các điều kiện lý tưởng rất hiếm tồn tại, cho nên hai loại
hệ thống xử lý âm thanh hoạt động sẽ khác nhau trong thực tế. Tín hiệu số sẽ truyền trong khoảng
cách ngắn hơn tín hiệu tương tự và với chi phí thấp hơn. Trong giáo trình này, tập trung đề cập
đến hệ thống số xử lý âm thanh.
Thông tin dùng để truyền đạt của âm thoại về bản chất có tính rời rạc [2], và nó có thể
được biểu diễn bởi một chuỗi ghép gồm nhiều phần tử từ một tập hữu hạn các ký hiệu [symbol].
Các ký hiệu từ mỗi âm thanh có thể được phân loại thành các âm vị [phoneme]. Mỗi ngôn ngữ có
các tập âm vị khác nhau, được đặc trưng bởi các con số có giá trị từ 30 đến 50. Ví dụ như tiếng
Anh được biểu diễn bởi một tập khoảng 42 âm vị.
Tín hiệu thoại được truyền với tốc độ như thế nào? Đối với tín hiệu âm thoại nguyên thủy
chưa qua hiệu chỉnh thì tốc độ truyền ước lượng có thể tính được bằng cách lưu ý giới hạn vật lý
3
của việc nói lưu loát của người nói tạo ra âm thanh thoại là khoảng 10 âm vị trong một giây. Mỗi
một âm vị được biểu diễn bởi một số nhị phân, như vậy một mã gồm 6 bit có thể biểu diễn được
tất cả các âm vị của tiếng Anh. Với tốc độ truyền trung bình 10 âm vị/giây, và không quan tâm

đến vấn đề luyến âm giữa các âm vị kề nhau, ta có thể ước lượng được tốc độ truyền trunh bình
của âm thoại khoảng 60bit/giây.
Trong hệ thống truyền âm thoại, tín hiệu thoại được truyền lưu trữ và xử lý theo nhiều
cách thức khác nhau. Tuy nhiên đối với mọi loại hệ thống xử lý âm thanh thì có hai điều cần quan
tâm chung là:
1. Việc duy trì nội dung của thông điệp trong tín hiệu thoại
2. Việc biểu diễn tín hiệu thoại phải đạt được mục tiêu tiện lợi cho việc truyền tin hoặc lưu
trữ, hoặc ở dạng linh động cho việc hiệu chỉnh tín hiệu thoại sao cho không làm giảm
nghiêm trọng nội dung của thông điệp thoại.
Việc biểu diễn tín hiệu thoại phải đảm bảo việc các nội dung thông tin có thể được dễ
dàng trích ra bởi người nghe, hoặc bởi các thiết bị phân tích một cách tự động.
1.1.1.2 Khái niệm tín hiệu
Là đại lượng vật lý biến thiên theo thời gian, theo không gian, theo một hoặc nhiều biến
độc lập khác, ví dụ như:
 Âm thanh, tiếng nói: dao động sóng theo thời gian [t]
 Hình ảnh: cường độ sáng theo không gian [x, y, z]
 Địa chấn: chấn động địa lý theo thời gian
Biểu diễn toán học của tín hiệu: hàm theo biến độc lập
Ví dụ:

52][
2
−= ttu

22
62],[ yxyxyxf −−=
Thông thường các tín hiệu tự nhiên không biểu diễn được bởi một hàm sơ cấp, cho nên
trong tính toán, người ta thường dùng hàm xấp xỉ cho các tín hiệu tự nhiên.
Hệ thống: là thiết bị vật lý, thiết bị sinh học, hoặc chương trình thực hiện các phép toán
trên tín hiệu nhằm biến đổi tín hiệu, rút trích thông tin, … Việc thực hiện phép toán còn được gọi

là xử lý tín hiệu.
1.1.1.3 Phân loại tín hiệu:
Tín hiệu đa kênh: gồm nhiều tín hiệu thành phần ,cùng chung mô tả một đối tượng nào đó
[thường được biểu diễn dưới dạng vector, ví dụ như tín hiệu điện tim [ECG-ElectroCardioGram] ,
tín hiệu điện não [EEG – ElectroEncephaloGram], tín hiệu ảnh màu RGB.
Tín hiệu đa chiều: biến thiên theo nhiều hơn một biến độc lập, ví dụ như tín hiệu hình ảnh,
tín hiệu tivi trắng đen.
Tín hiệu liên tục theo thời gian: là tín hiệu được định nghĩa tại mọi điểm trong đoạn thời
gian [a,b], ký hiệu
][tx
.
4
Hình 1.2 Tín hiệu liên tục theo thời gian
Tín hiệu rời rạc thời gian: là tín hiệu chỉ được định nghĩa tại những thời điểm rời rạc khác
nhau, ký hiệu
][nx
.
Hình 1.3 Tín hiệu rời rạc theo thời gian
Tín hiệu liên tục giá trị: là tín hiệu có thể nhận trị bất kỳ trong đoạn
],[
maxmin
YY
, ví dụ tín
hiệu tương tự [analog].
Hình 1.4 Tín hiệu liên tục giá trị
Tín hiệu rời rạc giá trị: tín hiệu chỉ nhận trị trong một tập trị rời rạc định trước [tín hiệu
số].
5
Hình 1.5 Tín hiệu rời rạc giá trị
Tín hiệu analog: là tín hiệu liên tục về thời gian, liên tục về giá trị.

Hình 1.6 Tín hiệu analog
Tín hiệu số: là tín hiệu rời rạc về thời gian, rời rạc về giá trị.
Hình 1.7 Tín hiệu số
Tín hiệu ngẫu nhiên: giá trị của tín hiệu trong tương lai không thể biết trước được. Các tín
hiệu trong tự nhiên thường thuộc nhóm này
Tín hiệu tất định: giá trị tín hiệu ở quá khứ, hiện tại và tương lại đều được xác định rõ,
thông thường có công thức xác định rõ ràng
1.1.1.4 Phân loại hệ thống xử lý
Gồm hai loại hệ thống là hệ thống tương tự và hệ thống số. Trong đó hệ thống xử lý số: là
hệ thống có thể lập trình được, dễ mô phỏng, cấu hình, sản xuất hàng loạt với độ chính xác cao,
giá thành hạ, tín hiệu số dễ lưu trữ, vận chuyển và sao lưu, nhược điểm là khó thực hiện với các
tín hiệu có tần số cao
6
1.1.1.5 Hệ thống số xử lý âm thanh [3]
Độ nhạy của tai người rất cao, nó có thể phân biệt được số lượng nhiễu rất nhỏ cũng như
chấp nhận tầm biên độ âm thanh rất lớn. Các đặc tính của một tín hiệu tai người nghe được có thể
được đo đạc bằng các công cụ phù hợp. Thông thường, tai người nhạy nhất ở tầm tần số 2kHz và
5kHz, mặc dù cũng có người có thể nhận dạng được tín hiệu trên 20kHz. Tầm động nghe được
của tai người được phân tích và người ta nhận được kết quả là có dạng đáp ứng logarith.
Tín hiệu âm thanh được truyền qua hệ thống số là chuỗi các bit. Bởi vì bit có tính chấtt rời
rạc, dễ dàng xác định số lượng bằng cách đếm số lượng trong một giây, dễ dàng quyết định tốc độ
truyền bit cần thiết để truyền tín hiệu mà không làm mất thông tin.
Hình 1.8 Để nhận được tám mức tín hiệu khác nhau một cách phân biệt, tín hiệu đỉnh-
đỉnh của tín hiệu nhiểu phải nhỏ hơn hoặc độ sai biệt giữa các mức độ. Tỉ số tín hiệu trên nhiễu
phải tối thiểu là 8:1 hoặc là 18dB, truyền bởi 3 bit.Ở 16 mức thì tỉ số tín hiệu trên nhiễu phải là
24dB, truyền bởi 4 bit.
1.1.1.6 Mô hình hóa tín hiệu âm thanh [4]
Có rất nhiều kỹ thuật xử lý tín hiệu được mô hình hóa và áp dụng các giải thuật trong việc
khôi phục âm thanh. Chất lựơng của âm thoại phụ thuộc rất lớn vào mô hình giả định phù hợp với
dữ liệu. Đối với tín hiệu âm thanh, bao gồm âm thoại, nhạc và nhiễu không mong muốn, mô hình

phải tổng quát và không sai lệnh so với giả định. Một điều cần lưu ý là hầu hết các tín hiệu âm
thoại là các tín hiệu động trong thực tế, mặc dù mô hình thực tiễn thì thường giả định khi phân
tích tín hiệu là tín hiệu có tính chất tĩnh trong một khoảng thời gian đang xét.
Mô hình phù hợp với hầu hết rất nhiều lãnh vực trong việc xử lý chuỗi thời gian, bao gồm
việc phục hồi âm thanh là mô hình Autoregressive [viết tắt AR], được dùng làm mô hình chuẩn
cho việc phân tích dự đoán tuyến tính.
7
Tín hiệu hiện tại được biểu diễn bởi tổng giá trị của
P
tín hiệu trước đó và tín hiệu nhiễu
trắng,
P
là bậc của mô hình AR:
[ ] [ ] [ ]
∑
=
+−=
P
i
i
neainsus
1
[1.1]
Mô hình AR đại diện cho các quá trình tuyến tính tĩnh, chấp nhận tín hiệu tương tự nhiễu
và tín hiệu tương tự điều hòa. Một mô hình khác phù hợp hơn đối với nhiều tình huống phân tích
là mô hình auto regressive moving-average [ARMA] cho phép các điểm cực cũng như điểm 0.
Tuy nhiên mô hình AR có tính linh động hơn trong phân tích hơn mô hình ARMA, ví dụ một tín
hiệu nhạc phức tạp cần mô hình có bậc
100
>

P
để biểu diễn dạng sóng của tín hiệu, trong khi
các tín hiệu đơn giản hơn chỉ cần biểu diễn bằng bậc 30. Trong nhiều ứng dụng, việc lựa chọn bậc
của mô hình phù hợp cho bài toán sao cho đảm bảo việc biểu diễn tín hiệu là thỏa việc không làm
mất đi thông tin của tín hiệu là việc hơi phức tạp. Có rất nhiều phương pháp dùng để ước lượng
bậc của mô hình AR như phương pháp maximum likelihood/least-squares [Makhoul, 1975], và
phương pháp robust to noise [Huber, 1981, Spath, 1991], v.v… Tuy nhiên, đối với việc xử lý các
tín hiệu âm nhạc phức tạp thì thông thường sử dụng mô hình Sin [Sinusoidal] rất có hiệu quả
trong các ứng dụng âm thoại. Mô hình Sin rất phù hợp trong các phương pháp dùng để giảm
nhiễu. Tín hiệu được cho bởi công thức sau
[ ] [ ]
[ ]








+
∫
∑
=
nT
ii
P
i
i
dttnans

n
0
1
sin
φω
[1.2]
Đây là mô hình tổng quát đối với các điều chế biên độ và điều chế tần số, tuy nhiên lại
không phù hợp đối với các tín hiệu tương tự nhiễu, mặc dù việc biểu diễn tín hiệu nhiễu có thể
được biểu diễn bởi số lượng hàm sin rất lớn.
1.1.1.7 Kiến trúc hệ thống số xử lý âm thanh
Đối với máy tính số xử lý âm thanh, người ta thường dùng phương pháp Điều chế xung
[Pulse Code Modulation , viết tắt PCM]. Dạng sóng âm thanh được chuyển sang dãy số PCM như
sau, xét tín hiệu hình sin làm ví dụ:
 Tín hiệu gốc là tín hiệu như Hình 1.9

Air Displacement
Time

Hình 1.9 Dạng sóng âm thanh nguyên thủy
 Kế đến, sử dụng một microphone để thu tín hiệu âm thanh [trong không khí] và chuyển
đổi thành tín hiệu điện, tầm điện áp ngõ ra của microphone ±1 volt như Hình 1.10.
8
Voltage
Time
+1.0
+0.5
0
-0.5
-1.0
Hình 1.10 Dạng sóng của tín hiệu điện

 Tín hiệu điện áp dạng tương tự sau đó được chuyển thành dạng số hóa bằng thiết bị
chuyển đổi tương tự-số [analog-to-digital converter]. Khi sử dụng bộ chuyển đổi 16bit
tương tự-số, tầm số nguyên ngõ ra có giá trị –32,768 đến +32,767, được mô tả như hình
1.11.
Converter Output
Time
+32,767
+16,383
0
-16,384
-32,768
Hình 1.11 Ngõ ra của bộ chuyển đổi tín hiệu tương tự sang tín hiệu số
 Vì số lượng điểm dữ liệu là vô hạn nên không thể lấy tất cả các điểm thuộc trục thời gian,
việc lấy mẫu sẽ được thực hiện trong một khoảng thời gian đều đặn. Số lượng mẫu trong
một giây được gọi là tần số lấy mẫu [sampling rate]. Hình 1.12 mô tả 43 mẫu được lấy
Converter Output
+32,767
+16,383
0
-16,384
-32,768
1
43
Hình 1.12 Thực hiện việc lấy mẫu
 Kết quả của việc lấy mẫu là một chuỗi gồm 43 chữ số biểu diễn cho các vị trí của dạng
sóng ứng thời gian gian là một chu kỳ [hình 1.13].
Recorded Value
+32,767
+16,383
0

-16,384
-32,768
1
43
Hình 1.13 Kết quả của việc lấy mẫu các giá trị
9
Máy tính sau đó sẽ xây dựng lại dạng sóng của tín hiệu bằng việc kết nối các điểm dữ liệu
lại với nhau. Dạng sóng kết quả được mô tả ở Hình 1.14.
Recorded Value
+32,767
+16,383
0
-16,384
-32,768
1
43
Hình 1.14 Dạng sóng được tái tạo lại
Lưu ý rằng có một vài điểm khác biệt giữa dạng sóng nguyên thủy và dạng sóng tái tạo
[Hình 1.9 và Hình 1.14], lý do:
A. Các giá trị được tạo ra tại bộ chuyển đổi tín hiệu tương tự sang tín hiệu số là các số
nguyên và được làm tròn giá trị.
B. Hình dáng của tín hiệu tái tạo phụ thuộc vào số lượng mẫu được ghi nhận.
Tổng quát, một dãy số hữu hạn [đại diện cho tín hiệu số] chỉ có thể biểu diễn cho một
dạng sóng tín hiệu tương tự với độ chính xác hữu hạn.
1.1.1.8 Tần số lấy mẫu
Khi chuyển đổi một âm thanh sang dạng số, điều cần lưu ý là tần số lấy mẫu của hệ thống
xử lý phải đảm bảo tính trung thực và chính xác khi cần phục hồi lại dạng sóng tín hiệu ban đầu.
Theo định lấy mẫu Nyquist và Shannon, tần số lấy mẫu quyết định tần số cao nhất của tín
hiệu phục hồi. Để tái tạo lại dạng sóng có tần số là
F

, cần phải lấy
F2
mẫu trong một giây. Tần
số này còn được gọi là tần số Nyquist. Tuy nhiên, định lý Nyquist không phải là tối ưu cho mọi
trường hợp. Nếu một dạng sóng hình Sin có tần số là 500Hz, thì tần số lấy mẫu 1000Hz. Nếu như
tần số lấy mẫu cao hơn tần số Nyquist sẽ gây ra tình trạng “hiệu ứng là” ảnh hưởng đến biên độ
của tín hiệu và tín hiệu bị cộng nhiễu, tuy nhiên lúc đó thì các thành phần hài tần số thấp lại có tín
hiệu chính xác hơn khi được phục hồi.
1.1.2 Nhắc lại một số khái niệm toán học trong xử lý âm thanh
1.1.2.1 Phép biến đổi z [5]
Phép biến đổi z của một chuỗi được định nghĩa bởi cặp biểu thức
[ ]
∑
∞
−∞=
−
=
n
n
znxzX ][
[1.3a]
∫
−
=
C
n
dzzzX
j
nx
1

][
2
1
][
π
[1.3b]
Biến đổi
z
của
][nx
được định nghĩa bởi biểu thức [1.6a].
][zX
còn được gọi là dãy
công suất vô hạn theo biến
1−
z
với các giá trị của
][nx
chính là các hệ số của dãy công suất.
Miền hội tụ ROC là {
∞