下载文档原格式
语音信号处理中的信噪比提高技术随着科技的不断发展，语音信号的处理技术也在不断地提高。
在语音通讯、语音识别以及语音合成等方面，信噪比是一项关键的技术指标。
正确地提高信噪比可以有效地减轻外界噪音对语音信号的干扰，从而提升语音信号的质量和准确性。
本文将介绍语音信号处理中的信噪比提高技术以及其应用场景。
一、信噪比提高技术1. 滤波技术滤波技术是一种常见的降噪技术。
该技术可以通过去除噪声频谱中的频率分量来降低噪声的影响，提高信噪比。
常见的滤波方法包括低通滤波、高通滤波、带通滤波等，具体使用哪种方法取决于信号的特征和噪声的类型。
2. 谱减法谱减法是一种基于频谱的信噪比提高技术，通过先估计噪声频谱，在语音频谱中减去噪声，从而提高信噪比。
该方法的优点是不需要了解语音的精确统计信息即可得到较好效果，但是对信号的功率、频谱特征和噪声统计特征的要求较高。
3. 时域滤波时域滤波是一种基于时域的信噪比提高技术，通过时域滤波算法直接对语音信号进行处理，减小噪声对语音信号造成的影响。
常见的时域滤波技术包括维纳滤波、松弛算法、卡尔曼滤波等。
4. 增强算法增强算法是一种通过对语音信号进行重构或替代来提高信噪比的技术。
该方法可以通过先估计语音信号的谱增强，然后根据谱增强对原始语音信号进行重构，或者使用合成语音信号替代原始信号。
常见的增强算法包括频域线性预测（FPLP）、频域最小平方（FMLP）等。
二、应用场景1. 语音通讯语音通讯是语音信号处理的一种重要应用场景。
在电话、网络会议等场合中，由于采集设备、传输线路等原因，往往会带来各种噪声干扰，严重影响语音通信质量。
在这种情况下，信噪比提高技术可以有效地减少噪声干扰，保证通信质量。
2. 语音识别语音识别是自然语言处理的一项核心技术，是将语音信号转化为其对应的文本形式。
在日常生活中，由于各种环境噪声的干扰，语音识别的准确性往往受到很大的限制。
通过信噪比提高技术可以去除外界噪声的干扰，提高语音信号的清晰度和准确性，从而提高语音识别算法的准确率。
语音识别技术中的语音增强方法语音识别技术是一种基于计算机的人机交互方式，它将人的语音信息转化为文本或命令，实现自然语言对计算机的控制和交流。
然而，由于语音信号受到环境噪音、语音质量等多种因素的影响，识别准确度可能会受到一定的影响。
为了提高语音识别的准确性和稳定性，语音增强方法应运而生。
一、噪声抑制技术噪声是语音识别中常见的干扰因素之一，它会降低语音信号的质量，阻碍识别系统的准确工作。
因此，噪声抑制技术成为解决这一问题的重要手段之一。
常见的噪声抑制方法包括：频域滤波法、时域滤波法和声学特征转换法。
1. 频域滤波法频域滤波法是基于频域分析的一种噪声抑制技术，它通过分析语音信号的频率特性，有选择性地抑制噪声成分，保留语音信号的有用信息。
常用的频域滤波方法包括谱减法、MMSE准则和Subspace方法等。
2. 时域滤波法时域滤波法是一种基于时域分析的噪声抑制方法，它通过分析语音信号在时间域上的特性，对噪声信号进行抑制。
经典的时域滤波方法有阻带滤波法、LMS自适应滤波法和Kalman滤波法等。
3. 声学特征转换法声学特征转换法是一种基于声学特征的噪声抑制方法，它通过对语音信号的声学特征进行转换，使其更适合于识别算法的处理。
常见的声学特征转换方法有Mel频率倒谱系数（MFCC）、倒频谱法和线性预测法等。
二、语音增强技术除了噪声抑制技术外，语音增强技术也是一种重要的语音处理手段。
它通过调节语音信号的频谱特性，改善语音信号的质量，为语音识别系统提供更清晰、准确的输入。
常见的语音增强技术包括谱减法、频谱平滑法和频谱估计法等。
1. 谱减法谱减法是一种常用的语音增强方法，它通过对语音信号的频谱进行减噪处理，去除噪声成分，提高语音信号的质量。
谱减法的基本原理是通过对语音信号的短时傅里叶变换，将频谱信息进行分析和处理。
2. 频谱平滑法频谱平滑法是一种通过平滑语音信号的频谱来增强语音质量的方法。
它通过对语音信号的频谱进行滤波，去除高频噪声成分，使得语音信号更加平滑。
语音增强算法综述及性能分析尹栋;蒋涉权;刘宝光;杨立东;王晶【摘要】语音增强是解决噪声污染的一种有效手段,其主要目标就是从带噪语音中尽可能地提取纯净语音,目前已发展为语音信号处理的一个重要分支,在实际中具有重要价值.实际中经常用到的算法主要有谱减法、维纳滤波、基于统计模型的增强算法(如MMSE)和子空间法.主要介绍谱减法、MMSE、两步消噪(TSNR)和子空间法的算法基本原理,并采用客观评价指标对四种典型算法的降噪效果进行比较和分析.【期刊名称】《电声技术》【年(卷),期】2015(039)005【总页数】5页(P58-61,65)【关键词】语音增强;谱减法;TSNR;MMSE;子空间【作者】尹栋;蒋涉权;刘宝光;杨立东;王晶【作者单位】北京理工大学信息与电子学院,北京100081;北京理工大学信息与电子学院,北京100081;北京理工大学信息与电子学院,北京100081;北京理工大学信息与电子学院,北京100081;北京理工大学信息与电子学院,北京100081【正文语种】中文【中图分类】TN912.35在语音通信中，纯净的语音的编码技术、传输技术和识别技术都已经较为成熟，但在背景噪声和信道噪声存在的情况下，信号处理系统的性能会急剧下降，并最终影响语音的质量。
语音增强是抑制背景噪声、消除干扰、提高语音清晰度和可懂度的重要手段，是语音处理系统的重要组成部分。
虽然经过几十年的研究，提出了很多经典算法，但实际中噪声来源众多，特性变化无穷，随应用场合而异，难以找到一种适用于所有环境的通用的算法，增加了增强的复杂性。
语音增强是一门涉及面很广的综合性学科，不仅涉及到信号检测、波形估计等传统的信号处理理论，还与生理学、语言学等理论密切相关，因此，要综合考虑语音特性、听觉感知和噪声特性，根据实际环境选用合适的增强算法。
语音增强算法分类方法众多，从信号输入的通道数上可分为单通道的语音增强算法和多通道的语音增强算法，从算法理论上又可以分为以下几种:基于短时谱估计的方法，经典算法有谱减法、维纳滤波等;基于统计模型的语音增强算法，这类算法通常需要准确知道噪声和语音的联合统计量或概率模型，然后结合某种失真准则得到增强算法的增益函数，如最小均方误差估计(Minimum Mean Square Error，MMSE)算法;基于听觉掩蔽效应的语音增强算法，这类算法通过结合掩蔽模型改变带噪语音的短时谱幅度，将噪声能量控制在阈值以下，达到最大限度地掩蔽残留噪声和防止语音失真，通常将掩蔽效应和其他方法结合起来;子空间法，基于子空间的语音增强算法与其他算法相比，具有语音失真小、残留噪声小、音乐噪声不明显的优点，还适用于多通道语音增强系统，是目前研究的热点［1－2］。
维纳滤波和谱减法降噪
维纳滤波（Wiener Filtering）和谱减法降噪（Spectral Subtraction）是两种常见的信号处理技术，用于在信号中降低噪声水平。
一、维纳滤波（Wiener Filtering）：
维纳滤波是一种线性滤波器，通过估计信号和噪声的功率谱密度，并根据它们的关系对信号进行滤波。
它的基本思想是在频率域上对信号进行加权，使得期望的信号与噪声之间的比率最大化。
维纳滤波在不同噪声分布和信号特性下的表现较好，但需要对信号和噪声的统计特性有一定的先验知识。
二、谱减法降噪（Spectral Subtraction）：
谱减法是一种基于频域的降噪方法，它通过对信号的频谱进行估计，并减去估计的噪声频谱来降低噪声水平。
该方法假设信号和噪声在频率域上是线性可分的，因此可以通过减去估计的噪声频谱来增强信号。
谱减法是一种简单且有效的降噪方法，但在信号与噪声之间存在重叠的频率范围时，可能会导致信号失真。
这两种方法在实际应用中常用于语音信号处理、图像处理、雷达信号处理等领域，以降低信号中的噪声水平，提高信号的质量和清晰度。
选择合适的方法取决于信号的特性以及对噪声的先验知识。
数字信号处理中的语音增强算法与处理方法数字信号处理在现代通信领域扮演着重要角色，语音增强作为其中的一个关键应用领域，致力于提高语音信号的质量和清晰度。
本文将介绍一些常用的语音增强算法与处理方法，以帮助读者更好地理解数字信号处理中的语音增强技术。
1. 时域法时域法是一种常见的语音增强算法，它主要通过对语音信号的时间域进行处理来提高语音信号的质量。
其中最常用的方法是维纳滤波器。
维纳滤波器是一种自适应滤波器，它通过最小化噪声和语音信号之间的均方误差来估计噪声的功率谱密度，并对语音信号进行滤波，以减少噪声干扰。
另一个常用的时域方法是扩展最小拍线（EMD），它利用自适应滤波器和经验模态分解方法，对语音信号进行去噪处理。
EMD方法通过将信号分解为一组固有模态函数（IMF）和一个剩余项来进行去噪，从而提高语音信号的质量。
2. 频域法频域法是另一种常用的语音增强算法，它主要通过对语音信号的频域进行处理来提高语音信号的质量。
其中最常用的方法是谱减法。
谱减法通过估计噪声的功率谱密度，将它从观测到的语音信号的频谱中减去，从而减少噪声干扰。
此外，为了尽量保留语音信号的谐波特征，谱减法还会对估计的语音信号功率谱做一些修正。
另一个常用的频域方法是基于频谱特性的语音增强算法，例如基于谐波比的方法和基于特征选择技术的方法。
这些方法通过分析语音信号的频谱特性，如谐波比和谐波间隔等，来提取语音信号的有用信息并减小噪声干扰。
3. 混合域法混合域方法是一种将时域和频域方法相结合的语音增强算法，它综合了两种方法的优点，以达到更好的增强效果。
其中一个常用的混合域方法是频率子带加权方法。
这种方法将音频信号分为多个子带，对每个子带分别进行时域和频域处理，然后将结果进行加权合并，从而提高整体语音信号的质量。
另一个常用的混合域方法是基于主成分分析（PCA）的方法。
PCA方法通过对语音信号进行降维处理和离散余弦变换，从而减少噪声干扰和提取有用的语音信息。
报告时间：2023年X月X日报告人：[您的姓名]一、前言随着科技的飞速发展，语音技术逐渐成为人们日常生活和工作中不可或缺的一部分。
本报告旨在总结我在过去一段时间内学习语音技能的成果，并对所学知识进行梳理和总结。
二、语音技能学习内容1. 语音识别语音识别是语音技术中的核心部分，主要研究如何将语音信号转换为相应的文本信息。
在语音识别的学习过程中，我主要掌握了以下内容：（1）语音信号处理：了解语音信号的采集、预处理、特征提取等基本概念。
（2）声学模型：学习隐马尔可夫模型（HMM）、高斯混合模型（GMM）等声学模型，并掌握其参数估计方法。
（3）语言模型：了解n-gram语言模型，并学习如何构建和优化语言模型。
（4）解码器：熟悉各种解码器，如A解码器、贪婪解码器等，并了解其优缺点。
2. 语音合成语音合成是将文本信息转换为语音信号的过程。
在语音合成的学习过程中，我主要掌握了以下内容：（1）语音合成技术：了解合成语音的几种主要技术，如规则合成、参数合成、波形合成等。
（2）单元选择：学习如何从大量单元中选取合适的单元进行合成。
（3）语音合成参数：了解合成语音的音素、音节、音调等参数，并掌握其调整方法。
3. 语音增强语音增强旨在提高语音质量，减少噪声干扰。
在语音增强的学习过程中，我主要掌握了以下内容：（1）噪声抑制：了解噪声抑制的基本原理，如谱减法、维纳滤波等。
（2）语音分离：学习如何从混合语音中分离出目标语音。
（3）回声消除：了解回声消除的基本方法，如最小均方误差（MMSE）算法等。
三、学习成果1. 理论知识：通过对语音识别、语音合成和语音增强的学习，我掌握了语音技术的基本原理和方法，为实际应用打下了坚实基础。
2. 实践能力：在课程实验和项目实践中，我熟练运用所学知识解决实际问题，提高了自己的动手能力。
3. 团队协作：在团队项目中，我学会了与他人沟通、协作，共同完成语音技术的研究与开发。
四、总结与展望通过语音技能的学习，我对语音技术有了更深入的了解，为今后的学习和工作奠定了基础。
一、实验目的1. 理解数字信号处理的基本原理和算法；2. 掌握语音降噪技术的应用；3. 分析语音信号和噪声信号的特点，并设计相应的降噪算法；4. 通过实验验证降噪算法的有效性。
二、实验原理语音降噪是信号处理领域的一个重要分支，其主要目的是在保留语音信号的同时，去除噪声干扰。
常见的语音降噪方法有：谱减法、自适应噪声消除法、维纳滤波法等。
本实验采用谱减法进行语音降噪。
谱减法的基本思想是：首先对语音信号和噪声信号进行傅里叶变换，得到它们的频谱；然后对噪声信号的频谱进行估计，得到噪声功率谱；最后将语音信号的频谱与噪声功率谱相减，得到降噪后的频谱；最后对降噪后的频谱进行逆傅里叶变换，得到降噪后的语音信号。
三、实验设备与材料1. 实验平台：计算机、Matlab软件；2. 实验数据：一段含噪声的语音信号。
四、实验步骤1. 加载语音信号和噪声信号：首先，在Matlab中加载含噪声的语音信号和噪声信号，分别存储为y(n)和v(n)。
2. 语音信号和噪声信号的预处理：对语音信号和噪声信号进行预处理，包括去噪、去静音、归一化等操作。
3. 语音信号和噪声信号的傅里叶变换：对预处理后的语音信号和噪声信号进行傅里叶变换，得到它们的频谱Y(k)和V(k)。
4. 噪声功率谱估计：根据噪声信号的频谱V(k)，估计噪声功率谱Pn(k)。
5. 语音信号的频谱处理：将语音信号的频谱Y(k)与噪声功率谱Pn(k)相减，得到降噪后的频谱Y'(k)。
6. 降噪后的语音信号逆傅里叶变换：对降噪后的频谱Y'(k)进行逆傅里叶变换，得到降噪后的语音信号y'(n)。
7. 语音信号和噪声信号的对比分析：将降噪后的语音信号y'(n)与原始语音信号y(n)进行对比分析，评估降噪效果。
五、实验结果与分析1. 实验结果通过实验，得到降噪后的语音信号y'(n)。
以下是降噪前后语音信号的对比图：```y(n)||| __| / \| / \| / \| / \| / \| / \| / \| / \| / \|/ \| \|_______________________|y'(n)```从对比图中可以看出，降噪后的语音信号y'(n)相比于原始语音信号y(n)具有更低的噪声干扰。
文档密级：内部公开
文档名称：几种语音增强方法
版本：1.0
编制日期：2012年3月
版本历史：
版本编写者编写时间审核者审核时间1.0 周勇2012.03.20
注：1）上表最后一个版本号，请和封面版本序号一致。
2）版本号都是整数，1.0、2.0、3.0以后类推
●谱减法
谱减法是处理宽带噪声较为传统和有效的方法。
基本思路是在假定带噪语音中的噪声为加性噪声且与短时平稳的语音信号相互独立，这便可从带噪语音的功率谱中减去噪声功率谱从而得到较为纯净的语音功率谱，再经过变换得到去噪的语音信号。
●最小均方差估读法
最小均方差估读法是基于语音信号的短时幅度谱的估计法，他是利用已知的噪声功率谱信息，从带噪语音频谱分量中估计出纯净语音频谱分量借助带噪语音相位得到增强的语音信号
●维纳滤波法
维纳滤波法采用最小均方差误差准则设计一个数字滤波器，带噪语音信号通过次滤波器便得到语音信号的估计。
这个最佳滤波器就是维纳滤波器。
●谐波增强法（自适应梳状滤波）
语音中的浊音部分能量很大，往往占据一段语音中的大部分能量，同时他具有明显的周期性。
这种周期性反映到频域中则为一系列分别对应基频及其谐波的一个个峰值分量，这些频率分量占据了整个频段的大部分能量，利用这种周期性可采用自适应梳状滤波器来提取基音及其谐波分量，抑制其他周期性的噪声和非周期的宽带噪声。
由于语音是时变的，语音的基音周期也是不断变化的，能否准确的估计出基音周期以及能否及时跟踪基音变化是这种谐波增强法的关键。
一、实训背景与目的随着信息技术的飞速发展，语音通信已经成为人们日常生活中不可或缺的一部分。
然而，在现实环境中，由于噪声的存在，语音质量往往受到影响。
为了提高语音通信的质量，语音增强技术应运而生。
普减法作为一种经典的语音增强方法，通过对噪声的谱估计进行消除，从而提高语音质量。
本次实训旨在通过实践操作，加深对普减法语音增强算法的理解，掌握其实现方法，并评估其在实际应用中的效果。
二、实训环境与工具1. 实训环境：Windows操作系统，MATLAB软件环境。
2. 实训工具：MATLAB信号处理工具箱，语音信号处理工具箱。
三、实训原理普减法语音增强算法的基本原理如下：1. 噪声估计：首先，对噪声信号进行谱估计，得到噪声信号的频谱表示。
2. 噪声消除：根据噪声估计结果，从原始信号中减去噪声成分，得到增强后的语音信号。
3. 后处理：对增强后的语音信号进行后处理，如去噪、去混响等，进一步提高语音质量。
四、实训过程1. 噪声信号采集：从网络上下载一段含噪声的语音信号，作为实训的原始数据。
2. 噪声估计：使用MATLAB中的`pwelch`函数对噪声信号进行谱估计，得到噪声信号的频谱表示。
3. 噪声消除：根据噪声估计结果，使用`fft`函数对原始信号进行快速傅里叶变换（FFT），得到其频谱表示。
然后，从频谱表示中减去噪声估计结果，得到增强后的频谱表示。
最后，使用`ifft`函数对增强后的频谱表示进行逆快速傅里叶变换（IFFT），得到增强后的语音信号。
4. 后处理：使用MATLAB中的`deconv`函数对增强后的语音信号进行去噪处理，使用`reverberance`函数进行去混响处理。
5. 结果分析：将增强后的语音信号与原始语音信号进行对比，评估普减法语音增强算法的效果。
五、实训结果与分析1. 增强效果：通过对比分析，可以看出普减法语音增强算法在一定程度上提高了语音质量，降低了噪声对语音的影响。
2. 算法局限性：普减法语音增强算法存在以下局限性：对噪声环境要求较高：普减法假设噪声是统计平稳的，因此在噪声环境变化较大的情况下，效果可能不理想。
语音增强报告(谱减法和维纳滤波)Speech Enhancement一、语音增强方法的理论分析 (2)1.引言 (2)2.语音增强算法 (2)2.1谱减法 (2)2.2 Wiener滤波法 (3)二、谱减法 (5)1.算法实现 (5)2.改善算法，减少音乐噪声 (9)三、Wiener滤波法 (11)1.算法实现 (11)2.迭代Wiener滤波的算法实现 (14)四、Wiener滤波法与谱减法的比较 (17)五、参考文献 (17)一、语音增强方法的理论分析1.引言语音增强的目标是从含有噪声的语音信号中提取尽可能纯净的原始语音。
然而，由于干扰通常都是随机的，从带噪语音中提取完全纯净的语音几乎不可能。
在这种情况下，语音增强的目的主要有两个：一是改进语音质量，消除背景噪音，使听者乐于接受，不感觉疲劳，这是一种主观度量；二是提高语音可懂度，这是一种客观度量。
这两个目的往往不能兼得，所以实际应用中总是视具体情况而有所侧重的。
带噪语音的噪声类型可以分为加性噪声和非加性噪声。
加性噪声有宽带的，窄带的，平稳的，非平稳的，白噪声，有色噪声，等；非加性噪声如乘性噪声，卷积噪声等。
一般，语音增强处理的噪声指环境中的噪声，而这些噪声主要是高斯白噪声，这种噪声一般符合如下的假设：(1)噪声是加性的。
(2)噪声是局部平稳的。
局部平稳是指一段加噪语音中的噪声，具有和语音段开始前那段噪声相同的统计特性，且在整个语音段中保持不变。
也就是说，可以根据语音开始前那段噪声来估计语音中所叠加的噪声统计特性。
(3)噪声与语音统计独立或不相关。
2.语音增强算法根据语音和噪声的特点，出现了很多种语音增强算法。
比较常用的有噪声对消法、谱相减法、维纳滤波法、卡尔曼滤波法、FIR 自适应滤波法等。
此外，随着科学技术的发展又出现了一些新的增强技术，如基于神经网络的语音增强、基于HMM 的语音增强、基于听觉感知的语音增强、基于多分辨率分析的语音增强、基于语音产生模型的线性滤波法、基于小波变换的语音增强方法、梳状滤波法、自相关法、基于语音模型的语音增强方法等。
谱减法语音增强《谱减法语音增强》课程设计报告专业：通信工程班级：姓名：指导教师：2012年5 月25 日目录一、实验目的 (2)二、实验原理 (2)三、谱减法 (2)四、实验程序代码 (3)五、实验效果图 (6)六、参考文献 (6)一、实验目的1．学会MATLAB的使用，掌握MATLAB的程序设计方法；3．掌握语音处理的基本概念、基本理论和基本方法；4．掌握基于MATLAB编程实现普检法语音增强；5．学会用MATLAB对信号进行分析和处理。
二、实验原理谱减法是利用噪声的统计平稳性以及加性噪声与语音不相关的特点而提出的一种语音增强方法。
这种方法没有使用参考噪声源，但它假设噪声是统计平稳的，即有语音期间噪声幅度谱的期望值与无语音间隙噪声的幅度谱的期望值相等。
用无语音的间隙测量计算得到的噪声频谱的估计值取代有语音的期间噪声的频谱，与含噪声语音频谱相减的估计值。
当上述差值得到负的幅度值时，将其置零。
由于人耳对语音的感知主要是通过语音信号中各频谱分量幅度获得的，对各分量的相位不敏感。
因此，此类语音增强方法将估计的对象放在短时谱幅度上。
·三、谱减法使用谱减法是假设:①噪声叠加；②声与语音不相关；③对纯净语音无先验知识；③对统计噪声有先验知识。
带噪语音模型为：y(n)=x(n)+v(n)式中，y(n)是带噪语音，s(n)是纯净语音，v(n)是噪声。
对式子两边进行傅立叶变换，得Y(k)=X(k)+N(k)由于对噪声的统计参数的未知，所以在实际应用中，通常使用非语音段噪声谱的均值来作为对噪声谱N(k)的估计，则对纯净语音幅度谱的估量表示为把带噪语音的相位当作是纯净语音的相位，那么纯净语音频谱的估量为：四、实验程序代码% speechenhancement.mclear all;%-------------------------------读入语音文件------------------------------------------------------------[speech,fs,nbits]=wavread('speech_clean1.wav'); %读入数据%-------------------------------参数定义----------------------------------------------------------------winsize=256; %窗长n=0.04; %噪声水平size=length(speech); %语音长度numofwin=floor(size/winsize); %帧数ham=hamming(winsize)'; %产生哈明窗hamwin=zeros(1,size); %定义哈明窗的长度enhanced=zeros(1,size); %定义增强语音的长度x=speech'+ n*randn(1,size); %产生带噪信号noisy=n*randn(1,winsize); %噪声估计N = fft(noisy); %对噪声傅里叶变换nmag= abs(N); %噪声功率谱%-------------------------------分帧--------------------------------------------------------------------for q=1:2*numofwin-1frame=x(1+(q-1)*winsize/2:winsize+(q-1)*winsize/2); %对带噪语音帧间重叠一半取值hamwin(1+(q-1)*winsize/2:winsize+(q-1)*winsize/2)=...hamwin(1+(q-1)*winsize/2:winsize+(q-1)*winsize/2)+ham; %加窗y=fft(frame.*ham); %对带噪语音傅里叶变换mag = abs(y); %带噪语音功率谱phase = angle(y); %带噪语音相位%-------------------------------幅度谱减-------------------------------------------------------------------for i=1:winsizeif mag(i)-nmag(i)>0clean(i)= mag(i)-nmag(i);elseclean(i)=0;endend%---------------------------%在频域中重新合成语音-------------------------------------------------spectral= clean.*exp(j*phase);%------------------------反傅里叶变换并重叠相加---------------------------------------------------enhanced(1+(q-1)*winsize/2:winsize+(q-1)*winsize/2)=...enhanced(1+(q-1)*winsize/2:winsize+(q-1)*winsize/2)+real(ifft(spectral));end%---------------------------除去Hamming窗引起的增益-----------------------------------------------for i=1:sizeif hamwin(i)==0enhanced(i)=0;elseenhanced(i)=enhanced(i)/hamwin(i);endend%-----------------------计算增强前后信噪比--------------------------------------------------------SNR1 = 10*log10(var(speech')/var(noisy)); %加噪语音信噪比SNR2 = 10*log10(var(speech')/var(enhanced-speech')); %增强语音信噪比wavwrite(x,fs,nbits,'noisy.wav'); %输出带噪信号wavwrite(enhanced,fs,nbits,'enhanced.wav'); %输出增强语音%-------------------------------画波形-----------------------------------------------------------figure(1);subplot(3,1,1);plot(speech');title('原始语音波形');xlabel('样点数');ylabel('幅度');axis([0 2.5*10^4 -0.3 0.3]);subplot(3,1,2);plot(x);title('加噪语音波形');xlabel('样点数');ylabel('幅度');axis([0 2.5*10^4 -0.3 0.3]);subplot(3,1,3);plot(enhanced);title('增强语音波形');xlabel('样点数');ylabel('幅度');axis([0 2.5*10^4 -0.3 0.3]);五、实验效果图00.511.522.5x 104-0.20.2原始语音波形样点数幅度00.511.522.5x 104-0.20.2加噪语音波形样点数幅度00.511.522.5x 104-0.20.2增强语音波形样点数幅度六、参考文献[1]张雄伟，陈亮，杨吉斌，现代语音处理及应用[M].北京.机械工程出版社.2003[2] 雷建军,杨震.基于短时谱估计的语音增强研究.计算机工程应用，2008[3] 邱玮炜,安宁.基于MATLAB 的谱减法语音去噪算法.科技信息.2008。
现代数字信号处理阅读报告在认真阅读本课程相关文献的过程中，加深了对维纳滤波、小波变换、语音信号处理方面知识的理解，本人近期主要是针对语音增强领域相关文献进行了阅读，并查阅了相关文献，学习了语音增强的一般方法。
下文主要是本人在阅读文献后的一些学习记录和体会。
一、语音增强研究现状语音增强是指当语音信号被各种各样的噪声干扰、甚至淹没后，从噪声背景中提取有用的语音信号，抑制、降低噪声干扰的技术。
语音通信领域中，由于受到周围环境以及传输信道的影响，纯净语音添加了背景噪声，导致音质恶化。
语音增强的目的是降低噪声分量，提高语音清晰度和可懂度，减轻听觉疲劳，主要应用在嘈杂环境下的噪声抑制、语音压缩和语音识别等场合。
由于噪声干扰干扰通常都是随机的，从带噪语音中提取完全纯净的语音几乎不可能。
在这种情况下，语音增强的目的主要有两个：一是改进语音质量，消除背景噪音，使听者乐于接受，不感觉疲劳，这是一种主观度量；二是提高语音可懂度，这是一种客观度量。
这两个目的往往不能兼得。
语音增强方法分时域方法和频域方法两种。
由于语音的短时幅度谱对听觉的影响远大于短时相位谱对听觉的影响，基于频域增强方法的研究较多。
常见的语音增强方法有大致可分为两类：1、基于语音统计特性的方法：如谱减法，最大似然估计法(ML)，最小均方误差估计法(MMSE)。
2、基于人类感知特性的方法：如利用人耳的听觉带通滤波器组特性或听觉掩蔽效应改善增强效果。
例如基于谱相减的语音增强算法、基于小波分析的语音增强算法、基于卡尔曼滤波的语音增强算法、基于信号子空间的增强方法、基于听觉掩蔽效应的语音增强方法、基于独立分量分析的语音增强方法、基于神经网络的语音增强方法等都是近年来应用较为广泛的语音增强算法。
二、阅读文献主要内容在目前的频域语音增强方法存在着一个明显的缺点：在增强过程中，由于是利用有声/无声检测技术以无声期间的噪声方差作为当前分析帧各频率点的噪声频谱分量的估计，而噪声频谱具有高斯分布，其幅度随机变化范围较宽，便会产生随机误差。
第1篇一、实验目的1. 理解声音加噪声的基本原理；2. 掌握声音加噪声的方法和技巧；3. 分析不同噪声对声音信号的影响；4. 评估噪声消除技术的效果。
二、实验原理声音加噪声实验主要研究如何将噪声信号添加到原始声音信号中，以及如何从加噪声后的信号中恢复出原始声音。
实验过程中，我们需要了解以下基本原理：1. 声音信号与噪声信号的区别：声音信号具有明显的周期性、连续性和规律性，而噪声信号则无规律、无周期性，其能量分布较为分散。
2. 噪声消除技术：包括谱减法、噪声掩蔽、自适应滤波等方法，通过分析噪声和原始信号的频谱特性，消除噪声。
三、实验器材1. 电脑：用于处理和显示实验结果；2. 声音信号处理软件：如MATLAB、Python等；3. 原始声音文件：用于实验；4. 噪声文件：用于实验；5. 耳机：用于播放实验结果。
四、实验步骤1. 准备实验数据：选择合适的原始声音文件和噪声文件，确保两者格式相同。
2. 声音加噪声实验：（1）将噪声文件与原始声音文件进行叠加，得到加噪声后的声音信号。
（2）对加噪声后的声音信号进行频谱分析，观察噪声信号的频谱特性。
（3）根据噪声信号的频谱特性，选择合适的噪声消除方法。
3. 噪声消除实验：（1）采用谱减法进行噪声消除，观察消除效果。
（2）采用噪声掩蔽技术进行噪声消除，观察消除效果。
（3）采用自适应滤波技术进行噪声消除，观察消除效果。
4. 评估噪声消除效果：（1）通过听觉评价消除效果，对比原始声音、加噪声后的声音和消除噪声后的声音。
（2）通过频谱分析，观察消除噪声后的信号频谱特性，分析消除效果。
五、实验结果与分析1. 实验结果通过实验，我们得到了以下结果：（1）加噪声后的声音信号，其噪声能量分布较为分散，频率成分较为复杂。
（2）采用谱减法、噪声掩蔽和自适应滤波等方法进行噪声消除后，原始声音信号得到了较好的恢复。
2. 实验分析（1）谱减法：该方法简单易行，但容易产生伪影，影响消除效果。
基于谱减法的语音增强算法及其DSP实现1绪论1.1问题的提出语音是人们相互交流时使用最多、最自然、最基本也是最重要的信息载体。
在实际环境中，语音总会受到外界噪声不同程度的干扰和影响，例如像机械噪声这种很强的背景噪声，别人的说话声等都会在很大程度上影响语音信号的质量，同时由于传输系统本身产生的各种噪声也会干扰和影响语音信号，这样使得经过传输系统后到达接收端的信号不可避免地成为带噪语音信号。
随着语音处理技术研究的深入和实际应用的增多，各种语音处理系统面临着进一步提高性能的问题。
有些语音编码和语音识别系统在无噪声或噪声很小的条件下性能很好，但是当环境噪声增大时，系统的性能却急剧下降。
因此，从带噪语音中最大程度地有效地去除噪声，恢复原始纯净语音，改善听觉效果是语音编码和语音识别系统能否正常可靠工作的前提和关键。
所以研究从带噪语音信号中最大限度地降噪、恢复原始纯净语音是非常必要的。
语音信号是携带语音信息的语音声波。
语音信号作为信息最普遍、最直接的表达方式，在许多领域具有广泛的应用前景。
在实际环境中，应用语音信号处理的关键是抗噪声技术，语音增强是其中的关键技术之一。
语音增强就是对带噪语音进行处理，提高信噪比，降低噪声的影响，改善听觉的效果。
采用语音增强算法，可以提高语音处理系统前端预处理的抗噪声能力和输入信号的信噪比，语音增强因此作为预处理或前端处理模块存在于语音处理系统中，并成为语音信号处理与识别系统的重要组成部分助，而且在解决噪声污染、改进语音质量、提高语音可懂度等方面发挥着重要的作用。
1.2语音增强算法及其研究现状语音增强研究从20世纪60年代开始一直到现在都没有停止过，并且由于在70年代数字信号处理理论的成熟，也进而掀起了语音增强技术研究的热潮，同时也取得了一些基础性的成果。
80年代以后，VLSI(超大规模集成电路)技术的发展为语音增强的实时实现提供了可能。
语音增强的目的是从带噪语音信号中尽可能地恢复原始的纯净语音。
Speech Enhancement一、语音增强方法的理论分析 (2)1.引言 (2)2.语音增强算法 (2)2.1谱减法 (2)2.2 Wiener滤波法 (3)二、谱减法 (5)1.算法实现 (5)2.改善算法，减少音乐噪声 (9)三、Wiener滤波法 (11)1.算法实现 (11)2.迭代Wiener滤波的算法实现 (14)四、Wiener滤波法与谱减法的比较 (17)五、参考文献 (17)一、语音增强方法的理论分析1.引言语音增强的目标是从含有噪声的语音信号中提取尽可能纯净的原始语音。
然而，由于干扰通常都是随机的，从带噪语音中提取完全纯净的语音几乎不可能。
在这种情况下，语音增强的目的主要有两个：一是改进语音质量，消除背景噪音，使听者乐于接受，不感觉疲劳，这是一种主观度量；二是提高语音可懂度，这是一种客观度量。
这两个目的往往不能兼得，所以实际应用中总是视具体情况而有所侧重的。
带噪语音的噪声类型可以分为加性噪声和非加性噪声。
加性噪声有宽带的，窄带的，平稳的，非平稳的，白噪声，有色噪声，等；非加性噪声如乘性噪声，卷积噪声等。
一般，语音增强处理的噪声指环境中的噪声，而这些噪声主要是高斯白噪声，这种噪声一般符合如下的假设：(1)噪声是加性的。
(2)噪声是局部平稳的。
局部平稳是指一段加噪语音中的噪声，具有和语音段开始前那段噪声相同的统计特性，且在整个语音段中保持不变。
也就是说，可以根据语音开始前那段噪声来估计语音中所叠加的噪声统计特性。
(3)噪声与语音统计独立或不相关。
2.语音增强算法根据语音和噪声的特点，出现了很多种语音增强算法。
比较常用的有噪声对消法、谱相减法、维纳滤波法、卡尔曼滤波法、FIR 自适应滤波法等。
此外，随着科学技术的发展又出现了一些新的增强技术，如基于神经网络的语音增强、基于HMM 的语音增强、基于听觉感知的语音增强、基于多分辨率分析的语音增强、基于语音产生模型的线性滤波法、基于小波变换的语音增强方法、梳状滤波法、自相关法、基于语音模型的语音增强方法等。
此处主要介绍谱减法和wiener滤波法。
2.1谱减法使用谱减法是假设:①噪声叠加；②声与语音不相关；③对纯净语音无先验知识；③对统计噪声有先验知识。
带噪语音模型为：y(n)=x(n)+v(n)式中，y(n)是带噪语音，s(n)是纯净语音，v(n)是噪声。
对式子两边进行傅立叶变换，得Y(k)=X(k)+N(k)由于对噪声的统计参数的未知，所以在实际应用中，通常使用非语音段噪声谱的均值来作为对噪声谱N(k)的估计，则对纯净语音幅度谱的估量表示为把带噪语音的相位θy (e jω)当作是纯净语音的相位，那么纯净语音频谱的估量为2.2 wiener 滤波法一个线性系统，如果它的单位样本响应为h (n )，当输入一个随机信号x (n )，且其中s (n )表示信号，)(n υ表示噪声，则输出y (n )为∑-=mm n x m h n y )()()(我们希望x (n )通过线性系统h (n )后得到的y (n )尽量接近于s (n )，因此称y (n )为s (n )的估计值，用)(ˆn s表示，即 )(ˆ)(n sn y = 维纳滤波器的输入—输出关系为：如上图所示。
这个线性系统h(n)称为对于s(n)的一种估计器。
如果我们以s 与s ̂分别表示信号的真值与估计值，而用e (n )表示它们之间的误差，即)(ˆ)()(n sn s n e -= 显然，e (n )可能是正的，也可能是负的，并且它是一个随机变量。
因此，用它的均方值来表达误差是合理的，所谓均方误差最小即它的平方的统计平均值最小：[][]22)ˆ()(ss E n e E -= 最小 已知希望输出为：)()()(n n s n x υ+=1ˆ()()()()N m y n sn h m x n m -===-∑ 误差为：10ˆ()()()()()()N m e n s n sn s n h m x n m -==-=--∑ 均方误差为：1220()(()()())N m E e n E s n h m x n m -=⎡⎤⎡⎤=--⎢⎥⎣⎦⎣⎦∑ 上式对() m=0,1,,N-1h m 求导得到：102(()()())()00,1,21N opt m E s n h m x n m x n j j N -=⎡⎤---==-⎢⎥⎣⎦∑进一步得：[][]10()()()()()0,1,1N opt m E s n x n j h m E x n m x n j j N -=-=--=-∑从而有：10()()()0,1,2,,1N xs opt xx m R j h m R j m j N -==-=-∑于是就得到N 个线性方程：(0)(0)(0)(1)(1)(1)(1)1(1)(0)(1)(1)(0)(1)(2)1(1)(0)(1)(1)(2)(1)(0)xs xx xx xx xs xx xx xx xs xx xx xx j R h R h R h N R N j R h R h R h N R N j N R N h R N h R N h N R ==+++--⎧⎪==+++--⎪⎨⎪⎪=--=-+-++-⎩ 写成矩阵形式为：(0)(1)(1)(0)(0)(1)(0)(2)(1)(1)(1)(2)(0)(1)(1)xx xx xx xs xx xx xx xs xx xx xx xs R R R N R h R R R N R h R N R N R R N h N -⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥-⎢⎥⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥----⎣⎦⎣⎦⎣⎦简化形式：xx xs R H R =其中：H=[h(0) h(1) h(N-1)]'是滤波器的系数[](0),(1),(1)'xs xs xs xs R R R R N =-是互相关序列(0)(1)(1)(1)(0)(2)(1)(2)(0)xx xx xx xx xx xx xx xx xx xx R R R N R R R N R R N R N R -⎡⎤⎢⎥-⎢⎥=⎢⎥⎢⎥--⎣⎦是自相关矩阵由上可见，设计维纳滤波器的过程就是寻求在最小均方误差下滤波器的单位脉冲响应或传递函数的表达式，其实质就是解维纳－霍夫（Wiener －Hopf ）方程。
另外，设计维纳滤波器要求已知信号与噪声的相关函数。
二、谱减法1.算法实现%Spectral Subtraction Algorithm winsize=256; %窗长 n=0.05; % 噪声电平[speech,fs,nbits]=wavread('speech_clean.wav'); % 读入数据 size=length(speech);numofwin=floor(size/winsize); % 帧数%加窗ham=hamming(winsize)'; %Generates Hamming Window hamwin=zeros(1,size); %Vector for window gain enhanced=zeros(1,size); %Vector for enhanced speech%产生带噪声信号x=speech'+ n*randn(1,size); %Contaminates signal with white noise %噪声估计noise=n*randn(1,winsize); %Sample of noise N = fft(noise);nmag= abs(N); %Estimated noise magnitude spectrum for q=1:2*numofwin-1frame=x(1+(q-1)*winsize/2:winsize+(q-1)*winsize/2); %50 percent overlap hamwin(1+(q-1)*winsize/2:winsize+(q-1)*winsize/2)=hamwin(1+(q-1)*wins ize/2:winsize+(q-1)*winsize/2)+ham; %Window gain %对带噪声语音进行DFT y=fft(frame.*ham);mag = abs(y); %Magnitude Spectrum phase = angle(y); %Phase Spectrum %幅度谱减for i=1:winsizeif mag(i)-nmag(i)>0clean(i)= mag(i)-nmag(i);elseclean(i)=0;endend%在频域中重新合成语音spectral= clean.*exp(j*phase);%IDFT 并重叠想加enhanced(1+(q-1)*winsize/2:winsize+(q-1)*winsize/2)=enhanced(1+(q-1)* winsize/2:winsize+(q-1)*winsize/2)+real(ifft(spectral));end%除去汉宁窗引起的增益for i=1:sizeif hamwin(i)==0enhanced(i)=0;elseenhanced(i)=enhanced(i)/hamwin(i);endendSNR1 = 10*log10(var(speech')/var(noise)); %加噪语音信噪比SNR2 = 10*log10(var(speech')/var(enhanced-speech')); %增强语音信噪比wavwrite(x,fs,nbits,'noise.wav'); %输出带噪信号wavwrite(enhanced,fs,nbits,'enhanced.wav'); %输出增强信号t=1:size;figure(1),subplot(3,1,1);plot(t/fs,speech'); %原始语音波形xlabel('time(s)');title(['Original Voice (n=',num2str(n),')' ]);figure(2),specgram(speech'); %原始语音语谱title(['Original Voice (n=',num2str(n),')' ]);figure(1),subplot(3,1,2); plot(t/fs,x);xlabel('time(s)');title(['Noise Added (SNR=',num2str(SNR1),'dB)']);figure(3),specgram(x); %加噪语音语谱title(['Noise Added (SNR=',num2str(SNR1),'dB)']);figure(1),subplot(3,1,3);plot(t/fs,enhanced);xlabel('time(s)');title(['Improved Voice (SNR=',num2str(SNR2),'dB)']);figure(4),specgram(enhanced); %增强语音语谱title(['Improved Voice (SNR=',num2str(SNR2),'dB)']);2.改善算法、减少音乐噪声白噪声的短时功率谱上既有波峰，又有波谷。
