【正文】 最大值max α 之間來避免γ (λ, k) = 1的死鎖情況發(fā)生。因此，對原有的噪聲估計還需要一個隨時間變化的平滑系數(shù)α 、一個偏差補償系數(shù)與加速跟蹤方法。第二，這樣的噪聲估計將比真正的噪聲要滯后。對幀信號進(jìn)行FFT 計算，得到了頻域的信號： (43) 其中為幀號即時間的標(biāo)號,k為頻率點的標(biāo)號, Z, k﹛0,1,…L1﹜,h(u)是一個窗序列,并假設(shè)先用一個平滑過程來粗估計噪聲功率譜密度P(λ, k)： (44)其中α 是平滑參數(shù)，噪聲功率的進(jìn)一步估計 通過取P(λ, k)在一個滑動窗內(nèi)的最小值來決定。進(jìn)一步假設(shè)s(t)和n(t)是統(tǒng)計獨立的，并各自都是零均值的。仿真結(jié)果表明:最小值跟蹤法對平穩(wěn)噪聲的估計是比較準(zhǔn)確的,但是非平穩(wěn)噪聲就表現(xiàn)的不好了,而基于統(tǒng)計信息的非平穩(wěn)噪聲自適應(yīng)算法在非平穩(wěn)噪聲環(huán)境中也表現(xiàn)的很好,能夠比較準(zhǔn)確的跟蹤上噪聲的突變。因此，我們需要魯棒性更強的算法，即使在有語音存在的情況下，也能夠?qū)崿F(xiàn)噪聲的連續(xù)估計和不斷更新。圖31 語音的原始波形圖圖32 語音的能量曲線圖圖33 語音的短時過零率曲線圖由上圖可以看出基于能量和短時過零率的端點檢測算法在無噪聲的環(huán)境下比較準(zhǔn)確的檢測到了語音的開始和結(jié)束點。實驗采用的純凈語音材料是HINT 數(shù)據(jù)庫中的一條語音（語音內(nèi)容：Read verse out loud for pleasure）， 左右；噪聲材料取自NOISEX92 的高斯白噪聲和f16 戰(zhàn)斗機噪聲。語音結(jié)束點S2 的檢測方法與檢測起點相同，從后向前搜索，找出第一個平均能量幅度高于EL、且其前向幀的平均能量或幅度在超出EU 前沒有下降到EL 以下的幀號，記為N2，隨后根據(jù)過零率向N2+25 幀搜索，若有3 幀以上的ZZT，則將結(jié)束點N2 定為滿足ZZT的最后的幀號即Ne，否則即以N2 作為結(jié)束點。但人們發(fā)現(xiàn)這些清輔音的過零率明顯高于無聲段，因此可以利用過零率這個參數(shù)來精確判斷清輔音與無聲區(qū)二者的分界點。但是，S1 只是根據(jù)能量信息找到的起點，還未必是語音的精確起點。方法如下所述：從第11 幀開始，將每一幀的能量E 值與門限EL 相比較，如果能量E 超過門限EL，則將該幀計為S1。然后令： (36) (37)在本次設(shè)計中用前10 幀的平均值來代替最小值EMIN 最后按下式計算出EL 和EU： (38) (39)接下來就可以用過零率閾值Z 及能量閾值EL 和EU 來進(jìn)行起止點的判別。ZT 的定義為: （35）其中IF 為經(jīng)驗值，一般取25；zc、fzc 分別為根據(jù)所取最初10 幀樣值算得的過零率的“均值”和“標(biāo)準(zhǔn)差”。該方法的基本原理[25]如下所述：由于采集聲音信號的最初的短時段為無語音段，僅有均勻分布的背景噪聲信號。此方法是在短時能量檢測方法的基礎(chǔ)上加上短時平均過零率，利用能量和過零率作為特征來進(jìn)行檢測。所以，有了經(jīng)典的端點檢測方法——Lawrennce Rabiner[24]提出的以過零率Z 和能量E 為特征進(jìn)行端點檢測。 基于短時能量和短時平均過零率的語音活動性檢測 雖然短時能量有時能將噪聲和語音分開，但是在實際應(yīng)用中，往往很難保證有這么高的信噪比，因而僅依靠短時能量或短時平均幅度來檢測語音段的起止點常會遇到問題。如下式：Z= + (34)這樣過零率就有一定的抗干擾能力了。第二，用于判別清音和濁音、有聲和無聲。對于采樣率為s F 、頻率為的正弦波數(shù)字信號，平均每個樣本的過零率為s 2F / F 0 。 短時平均過零率信號x(t)的短時平均過零率定義為： Z= (33)一般?。?h(t)= 其中N為窗長信號的過零率是其頻率量的一種簡單度量，窄帶信號尤其如此。信號x(t)短時能量定義為：E= （31） 語音信號的短時平均幅度定義為：M= （32）短時能量有兩種定義：短時時域能量和短時譜幅能量，一般用的是短時頻域能量表示，因此，短時能量用傅立葉變換后的平方表示，平均幅度為傅立葉變換后譜絕對值的和。如果環(huán)境噪聲和系統(tǒng)輸入噪聲比較小，以至于能夠保證系統(tǒng)的信噪比相當(dāng)高，那么只要計算輸入信號的短時能量或短時平均幅度就能夠把語音段和噪聲背景分開。 基于語音活動性檢測的噪聲估計算法 短時能量語音信號和噪聲信號的區(qū)別可以體現(xiàn)在他們的能量上，對于一列疊加有噪聲干擾的語音信號而言，其語音段的能量是噪聲段能量疊加語音聲波能量之和。噪聲譜在所有的幀中連續(xù)的更新，并不關(guān)心本幀是語音幀還是噪聲幀，對每一幀都重新計算其噪聲功率譜，它不需要語音的有聲/無聲檢測，對非平穩(wěn)噪聲也有較好的適應(yīng)性，即使在有語音存在的情況下，也能夠?qū)崿F(xiàn)噪聲的連續(xù)估計和不斷更新。因此，為了實現(xiàn)精確的噪聲估計，就要對噪聲譜進(jìn)行實時的估計。在實際工作中，這些條件很難得到滿足，而且經(jīng)常會遇到信噪比較低，背景噪聲緩慢變化的情況，也不可能預(yù)先得到背景噪聲或語音的統(tǒng)計信息。盡管該方法在噪聲為平穩(wěn)的情況下是可行的，但是在實際的噪聲環(huán)境中噪聲譜的特性變化很大，就很難達(dá)到好的降噪效果。仿真結(jié)果表明：在非平穩(wěn)噪聲條件下，算法具有較好的噪聲跟蹤能力和較小的噪聲估計誤差，可以有效地提高語音增強系統(tǒng)的性能。該算法采用遞歸平均進(jìn)行噪聲估計，其遞歸平均的平滑因子受語音存在概率控制，而語音存在概率的計算采用了兩次平滑和最小統(tǒng)計量跟蹤。最后，為了防止估計的噪聲起伏較大，對其進(jìn)行了遞歸平滑。在一給定幀的某個子帶中語音是否存在的概率可以由帶噪語音的局部能量值與其待定時間窗內(nèi)的最小值的比值決定，把該比值與某一門限做比較，小的比值意味著該子帶中不存在語音，反之，意味著該子帶內(nèi)存在語音。而Cohen和Berdugo提出的最小統(tǒng)計量控制遞歸平均算法(MCRA，Minima Controlled Recursive Averaging)，采用遞歸平均進(jìn)行噪聲估計，平滑參數(shù)受語音存在概率控制，并由最小統(tǒng)計量控制語音存在概率。這些問題可以通過優(yōu)化的平滑參數(shù)和偏差補償?shù)靡愿倪M(jìn)，雖然提高了精確度,但這大大地提高了算法的復(fù)雜度。然后找出粗略噪聲中的在一定時間窗內(nèi)的最小值，對這個最小值進(jìn)行一些偏差修正，即得到所要估計的噪聲的方差。自適應(yīng)連續(xù)的噪聲估計算法，省去了對語音端點的檢測，對非平穩(wěn)噪聲也有較好的適應(yīng)性，即使在有語音存在的情況下，也能夠?qū)崿F(xiàn)噪聲的連續(xù)估計和不斷更新。(3) 近年來，提出了一種自適應(yīng)連續(xù)噪聲譜估計方法，它是一種專門用語單聲道語音增強系統(tǒng)的噪聲估計的。(2) Cohen和Berdugo提出的基于最小統(tǒng)計量控制遞歸平均算法, 該方法用一個與時頻相關(guān)的平滑因子對帶噪語音的過去值進(jìn)行平均，以得到噪聲的估計值，然后在每一幀內(nèi)連續(xù)的更新噪聲。然后找出粗略噪聲中的在一定時間窗內(nèi)的最小值，對這個最小值進(jìn)行一些偏差修正，即得到所要估計的噪聲的方差。在以后的噪聲估計算法的研究中要進(jìn)一步完善噪聲功率譜的估計算法，進(jìn)一步將噪聲估計方法和其他方法相結(jié)合，爭取得到更加精確的噪聲估計。其次是Cohen和Berdugo提出的最小值控制遞歸平均算法，為了進(jìn)一步提高算法性能，本文提出了一種改進(jìn)的最小值控制遞歸平均算法，此算法在保證噪聲估計準(zhǔn)確性的同時減小了算法的復(fù)雜度。第四章 最小統(tǒng)計遞歸平均的噪聲估計算法及MATLAB仿真。 第三章 基于語音活動性檢測的噪聲估計算法及MATLAB仿真。第二章 幾種經(jīng)典的噪聲估計的算法。 論文的整體安排第一章 緒論。其他類似的方法還有低能量包絡(luò)跟蹤和基于分位數(shù)的估計方法，后者噪聲的估計是基于帶噪語音未平滑功率譜的分位數(shù)，而不是提取平滑功率譜的最小值，但是此方法計算復(fù)雜度很高，且需要很大的內(nèi)存來存儲過去的功率譜值。于是在考慮各頻帶間的相關(guān)性上提出了在巴克域進(jìn)行噪聲估計，減小了噪聲估計方差，提高了噪聲估計的準(zhǔn)確性，并極大地減小算法運算量和存儲量。通過對基于最小統(tǒng)計量的噪聲估計方法和改進(jìn)的最小統(tǒng)計量控制遞歸平均噪聲估計算法研究發(fā)現(xiàn)這些噪聲估計方法可以在語音存在段進(jìn)行噪聲估計，能夠有效地跟蹤非平穩(wěn)噪聲。理論分析及實驗結(jié)果表明本算法不僅在低噪聲的圖片中表現(xiàn)出良好的性能，而且在高噪聲的圖片中依舊有效。因此，噪聲估計算法有待更進(jìn)一步的改進(jìn)。為了進(jìn)一步提高算法性能，Cohen提出了改進(jìn)的最小統(tǒng)計量控制遞歸平均算法(IMCRA，Improved Minima Controlled Recursive Averaging)。Cohen提出的噪聲估計算法不直接依賴于最小統(tǒng)計量,而依賴于最小值的跟蹤算法，具有較好的魯棒性。與最小統(tǒng)計相比，對最小值的跟蹤不是關(guān)鍵性的，在進(jìn)行遞歸平均時不需要對語音出現(xiàn)與缺失進(jìn)行區(qū)分，因此即使在弱語音段也同樣可以進(jìn)行連續(xù)噪聲估計更新。與此類似的算法還有基于分位數(shù)統(tǒng)計量的噪聲估計算法，先對噪聲估計窗內(nèi)的信號進(jìn)行排序，然后按一定的分?jǐn)?shù)比例取信號作為噪聲估計，算法復(fù)雜度比較高。1995年Doblinger通過比較前幀帶噪語音子帶平滑功率譜最小值和后幀帶噪語音子帶平滑功率譜之間大小，對帶噪語音子帶平滑功率譜最小值每幀進(jìn)行跟蹤和更新，并將其作為估計的噪聲譜，該噪聲譜估計方法計算效率高，能快速適應(yīng)背景噪聲的變化，但是它直接把帶噪語音子帶平滑功率譜最小值作為估計的噪聲譜，使得噪聲譜過估計。此算法的基本思路是先用一個最優(yōu)平滑濾波對帶噪語音的功率譜濾波，得到一個噪聲的粗略估計。不論帶噪語音的功率譜是否小于局部最小值，局部最小值都需要更新。1994年Martin提出了一種基于最小值統(tǒng)計的方法來估計噪聲，它是基于帶噪語音信號的功率水平滯后于噪聲的功率水平，因此可以通過跟蹤帶噪語音信號功率譜的最小值來獲得噪聲功率譜的估計值。盡管該方法在噪聲為平穩(wěn)的情況下是可行的，但是在實際的噪聲環(huán)境中噪聲譜的特性變化很大,在低信噪比下,VAD的誤檢率會增大,在不能正確判斷無聲段的情況下很難保證估計出來的噪聲的準(zhǔn)確性。而噪聲估計是語音增強中非常重要的一個部分，在這方面的研究，國外比較多一些，以下介紹幾種經(jīng)典的噪聲估計算法。可見，噪聲估計在很多領(lǐng)域起著非常重要的作用，那么噪聲估計算法作為研究課題是非常有意義的。因此，對噪聲估計方法的研究是非常必要的，在語音算法的前期必需要對噪聲進(jìn)行估計。而單通道語音增強是語音增強的基礎(chǔ)，單通道語音增強第一個環(huán)節(jié)就是要利用噪聲的特性參數(shù)，很好的將噪聲估計出來，而在此方法中，噪聲源是不可接近的，背景噪聲的特性只能從帶噪語音中獲得。單通道語音系統(tǒng)在實際應(yīng)用中較為常見，如電話，手機等。要實現(xiàn)這些第一個環(huán)節(jié)就是要利用噪聲的特性參數(shù)，很好的將噪聲估計出來。語音增強的主要目標(biāo)是從帶噪語音信號中提取盡可能純凈的原始語音,通過語音增強，抑制背景噪聲，提高語音通信質(zhì)量,而噪聲估計又是語音增強的一個非常重要的部分，噪聲估計的準(zhǔn)確性直接影響到語音增強的效果，因此研究噪聲估計算法有很好的實用價值。由于噪聲對視頻圖像處理算法的影響如此大，因此在開發(fā)圖像視頻處理算法時必須考慮噪聲，必須有一種可靠的方法能準(zhǔn)確地估計噪聲，以便使很多圖像視頻處理算法(比如邊緣檢測、圖像分割和濾波等)在噪聲存在的情況下依舊保持非常良好的性能。由于環(huán)境噪聲的污染會使許多語音處理系統(tǒng)的性能急劇惡化，嚴(yán)重時使語音處理系統(tǒng)不能正常工作,因此在上述情況下，背景噪聲的存在不僅嚴(yán)重破壞了語音信號原有的模型參數(shù)和聲學(xué)特性，導(dǎo)致許多語音處理系統(tǒng)服務(wù)質(zhì)量的降低，而且會影響系統(tǒng)輸出語音的可懂程度，使聽眾產(chǎn)生聽覺疲勞。噪聲估計的算法及MATLAB實現(xiàn)畢業(yè)設(shè)計目 錄1 緒 論 1 噪聲估計算法研究的目的和意義 1 國內(nèi)外研究的現(xiàn)狀 2 論文的整體安排 32 幾種經(jīng)典的噪聲估計的算法 4 幾種噪聲估計算法的優(yōu)點 4 噪聲估計算法 43 基于語音活動性檢測的噪聲估計算法及MATLAB實現(xiàn) 6 基于語音活動性檢測的噪聲估計算法 6 短時能量 6 短時平均過零率 7 基于短時能量和短時平均過零率的語音活動性檢測 7 實驗仿真 94 最小統(tǒng)計遞歸平均的噪聲估計算法及MATLAB仿真 11 最小值統(tǒng)計法 11 最優(yōu)平滑 11 最小功率譜統(tǒng)計跟蹤 12 實驗仿真 14 基于統(tǒng)計信息的非平穩(wěn)噪聲自適應(yīng)算法 15 概述 15 非平穩(wěn)噪聲自適應(yīng)算法 15 最小值控制遞歸平均算法 18 計算局部能量最小值 19 估計語音存在的概率 20 更新噪聲譜的估計 20 一種改進(jìn)的最小統(tǒng)計量控制遞歸平均噪聲估計算法 21 改進(jìn)的噪聲估計算法 21 實驗仿真 235 總結(jié)與展望 24 論文的主要工作 24 目前存在的問題及今后的發(fā)展方向 24參考文獻(xiàn) 25致 謝 26附錄:外文文獻(xiàn) 27521 緒 論 噪聲估計算法研究的目的和意義語音作為語言的聲學(xué)表現(xiàn)，是人類特有的也是最重要的思想和情感交流段，也是人機交互最自然的方式。而人們在通信過程中，語音常常受到環(huán)境噪聲的干擾而使通話質(zhì)量下降，在實際應(yīng)用中噪聲的存在也會產(chǎn)生很多問題,語音處理設(shè)備對人類語音進(jìn)行獲取或處理的過程不可避免地要受到來自周圍環(huán)境的各種噪聲或其它講話者的干擾，這些干擾噪聲最終將使語音處理設(shè)備的接收到的語音不再是純凈的原始語音，而是被噪聲污染過的帶噪語音。在視頻信號中也同樣存在噪聲,很多視頻圖像處理都是在沒有考慮噪聲情況下得出的，如果存在噪聲就必將會影響這些算法的有