語(yǔ)音信號(hào)去噪研究

王瀟涵

摘要：信號(hào)處理中的一個(gè)重要應(yīng)用就是去噪，噪聲幾乎無(wú)所不在，去噪研究的目的就是消除高頻噪聲、低頻噪聲、白噪聲以及各種各樣的其他噪聲。一般的去噪方法對(duì)于同頻噪聲比如白噪聲無(wú)能為力。為了解決這些難題，一種新的信號(hào)處理算法--小波變換應(yīng)運(yùn)而生，因?yàn)檫@種算法可以同時(shí)在頻域與時(shí)域中聚焦，因此其異常契合當(dāng)前信號(hào)處理中的時(shí)頻聯(lián)合分析，因?yàn)閮?yōu)點(diǎn)非常突出，這種算法已經(jīng)成為了信號(hào)處理尤其是信號(hào)去噪理論里面的權(quán)重分支。本文將首先研究使用濾波器消除語(yǔ)音信號(hào)中的高頻噪聲、低頻噪聲，然后對(duì)比同時(shí)加入高斯白噪聲的去噪情況，來(lái)說明這種方法對(duì)于去除白噪聲的缺陷，然后研究基于小波分析的去噪算法，給出具體的理論依據(jù)，然后進(jìn)行matlab仿真試驗(yàn)對(duì)比，證明小波算法去噪的優(yōu)越性。

關(guān)鍵詞：濾波器；小波；去噪；MATLAB

中圖分類號(hào)：TN912.3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2017）06-0076-02

1 引言

信號(hào)處理中的一個(gè)重要應(yīng)用就是去噪，噪聲幾乎無(wú)所不在，去噪研究的目的就是消除高頻噪聲、低頻噪聲、白噪聲等等。在去噪研究的初級(jí)階段一般都是直接使用濾波器來(lái)濾除噪聲，但是這種方法僅適用于噪聲頻帶與有用信號(hào)頻帶不一致的情況，而對(duì)于一般的同頻噪聲比如白噪聲則無(wú)能為力。小波變換算法可以同時(shí)在頻域與時(shí)域中聚焦，因此其異常契合當(dāng)前信號(hào)處理中的時(shí)頻聯(lián)合分析。

2 基于濾波器的語(yǔ)音信號(hào)去噪

2.1 濾波器去噪實(shí)驗(yàn)介紹

仿真平臺(tái)MATLAB軟件中有函數(shù)wavread可以用來(lái)對(duì)語(yǔ)音信號(hào)采樣量化。獲取語(yǔ)音信號(hào)之后，接著給待分析信號(hào)加上噪聲。然后對(duì)這幾組信號(hào)進(jìn)行傅立葉變換獲取其普特性。接著依據(jù)普特性構(gòu)造合適的濾波器來(lái)過濾噪聲干擾達(dá)到消噪的目的。MATLAB仿真軟件中有濾波器設(shè)計(jì)函數(shù)butterworth，可以設(shè)定相應(yīng)的參數(shù)值就可以獲得濾波器抽頭系數(shù)從而獲得FIR濾波器。

2.2 濾波器去噪實(shí)驗(yàn)仿真及結(jié)果分析

首先讀入一段歌曲語(yǔ)音，使用sound命令回放語(yǔ)音，然后進(jìn)行譜分析，給出這段語(yǔ)音信號(hào)的時(shí)域波形，頻譜以及幅值和相位見圖1，然后加入了一個(gè)高頻噪聲（頻率4000Hz）和一個(gè)低頻噪聲（頻率10），在此基礎(chǔ)上又加入了高斯白噪聲見圖2。分別分析原始波形時(shí)域波形，頻譜。從頻譜圖可以看出所加入的高頻，低頻和高斯白噪聲的情況。不論是通過sound函數(shù)回放語(yǔ)音還是從去噪聲之后的信號(hào)頻譜（見圖3），都可以看到濾波器針對(duì)高頻噪聲和低頻噪聲去噪效果很好，但是對(duì)于添加了高斯白噪聲的信號(hào)卻效果有效。

3 小波變換法語(yǔ)音去噪

3.1 小波去噪過程分析

3.1.1 小波去噪原理

式子中yi表示的是被噪聲干擾后的信號(hào)，則是原始的無(wú)噪待發(fā)送信號(hào)，式中zi表示高斯白噪聲分量，其服從獨(dú)立均勻分布，表示的是白噪聲的幅度，n表示發(fā)送信號(hào)的點(diǎn)數(shù)。小波去噪的目的就是要從yi里面分離出原始發(fā)送分量，而分離方法是基于噪聲分量與信號(hào)分量同時(shí)經(jīng)過小波變換之后的差異特征來(lái)進(jìn)行的，經(jīng)過小波變換之后對(duì)其特征的分解系數(shù)進(jìn)一步處理從而完成去噪的過程。在現(xiàn)實(shí)的絕大多數(shù)應(yīng)用場(chǎng)景下，需要分離出來(lái)的有意義信號(hào)分量的頻率較低，但是通常情況下的噪聲分量頻率都是較高的，因此處理方法就是對(duì)被噪聲干擾的混合信號(hào)直接進(jìn)行小波變換分解，以通常所用的三層小波變換分解為例說明如下：

圖中表示的是每一次分解中的近似分量，而圖中表示的則是每一次分解中的細(xì)節(jié)分量，表示三層小波分解，經(jīng)過這些處理之后大多數(shù)噪聲分量都會(huì)被分解到，，這些部分里面，分析他們的差異點(diǎn)然后設(shè)定閾值對(duì)小波系數(shù)過濾分離，接著以分離之后的小波系數(shù)來(lái)重構(gòu)原始信號(hào)就可以獲得去噪后的信號(hào)分量，也就完成了去噪過程。

3.1.2 小波去噪步驟

3.2 小波去噪仿真

利用MATLAB仿真軟件對(duì)小波去噪進(jìn)行分析，步驟與濾波器仿真試驗(yàn)相同，首先讀入語(yǔ)音，給出語(yǔ)音的時(shí)域波形和頻譜。然后對(duì)語(yǔ)音信號(hào)進(jìn)行加噪，給出染噪聲后的語(yǔ)音信號(hào)時(shí)域波形和頻譜。使用小波去噪算法對(duì)染噪聲后的語(yǔ)音信號(hào)去噪，畫出去噪后的語(yǔ)音信號(hào)時(shí)域波形和頻譜。同時(shí)在每一步使用sound函數(shù)回放語(yǔ)音。結(jié)果見圖5，6和7所示，為了證明小波去噪的效果，編寫了一個(gè)計(jì)算信噪比的函數(shù)，在加噪聲之后計(jì)算信噪比發(fā)現(xiàn)為1.92dB左右，進(jìn)行了小波去噪之后，語(yǔ)音信號(hào)的信噪比為4.85左右。不論是從這里，還是結(jié)果圖或者sound回放語(yǔ)音都可以看出小波去噪效果很好，對(duì)語(yǔ)音的去噪效果很明顯，雖然沒有完全消除白噪聲，但是這也是下一步的研究方向。

4 結(jié)語(yǔ)

本文首先研究使用濾波器消除語(yǔ)音信號(hào)中的高頻噪聲、低頻噪聲，然后對(duì)比同時(shí)加入高斯白噪聲的去噪情況，來(lái)說明這種方法對(duì)于去除白噪聲的缺陷，然后研究基于小波分析的去噪算法，給出具體的理論依據(jù)，然后進(jìn)行matlab仿真試驗(yàn)對(duì)比，證明小波算法去噪的優(yōu)越性。通過仿真實(shí)驗(yàn)和sound函數(shù)回放語(yǔ)音可以證明本文去噪的有效性。小波去噪的閾值選擇是個(gè)難題，分解階數(shù)也需要仔細(xì)權(quán)衡。實(shí)際環(huán)境中噪聲是隨時(shí)改變的，能否找到一種自適應(yīng)的算法去匹配不同的噪聲消除是下一步的研究重點(diǎn)。endprint