基于小波变换的语音信号去噪.docx
《基于小波变换的语音信号去噪.docx》由会员分享,可在线阅读,更多相关《基于小波变换的语音信号去噪.docx(7页珍藏版)》请在冰点文库上搜索。
![基于小波变换的语音信号去噪.docx](https://file1.bingdoc.com/fileroot1/2023-7/4/7a9d4337-9175-4f62-a59e-5ce725f6413e/7a9d4337-9175-4f62-a59e-5ce725f6413e1.gif)
基于小波变换的语音信号去噪
基于小波变换的语音信号去噪
X
李蕴华
(南通工学院信息工程系,江苏南通226007
摘要:
讨论了离散小波变换在语音去噪中的应用。
根据语音中浊音段和清音段的特点,采用了不同的阈值方案,可以保证在失真较小的前提下,获得更好的去噪效果。
关键词:
小波变换;语音去噪;阈值
中图分类号:
TN850.5文献标识码:
A文章编号:
1671-5322(200202-0032-04语音信号的去噪是语音处理的一个重要课题。
当噪声与语音的频谱相似时,传统的单纯时域滤波或频域滤波往往无法达到很好的效果。
离散小波变换是一种时-频分析法,在时频两域都能表征信号的局部特性。
利用小波变换实现信号的去噪,具有较好的效果。
在本文中,笔者将语音信号划分成浊音和清音两部分,根据它们各自的特点,在采用小波变换进行去噪时,选择了不同的阈值方案进行了性能测试。
1离散小波变换理论
有限序列s(n的离散小波变换(DWT定义为:
DWT(s,2j
k2j
=Dj,k=EnIZ
s(nhj
1(n-2j
k,
Cj,k=EnIZs(nhj
0(n-2j
k(j,k,nIZ反变换IDWT定义为:
s(n=EJ
j=1EnIZDj,kgj
1(n-2j
k+EnIZ
Cj,kgj
0(n-2j
k式中h0(n和g0(n分别被称为尺度序列和对偶尺度序列,h1(n和g1(n分别被称为小波序列和对偶小波序列。
低通滤波器h0及带通滤波器h1形成了一对镜像滤波器组h1(n=(-1
1-n
h0(1-n。
Cj,k和Dj,k分别被称为2-j
分
辨率下的离散逼近信号(低频系数和离散细节信号(高频系数。
Dj,k和Cj,k可由Mallat塔式算法算出,运算过程为:
输入:
C0,n(输入序列s(n,J(分解层次运算过程:
forj=1toJ
{Dj,k=EnIZh1(n-2kCj-1,n;Cj,k=EnIZh0(n-2kCj-1,n;}
输出:
Cj,k,Dj,k。
(Cj,k,Dj,k分别为第j个分解层次上第k个点的逼近信号和细节信号。
通过滤波器h1和h0,将信号分解成低频空间C1和高频空间D1,然后每次只对低频空间进一步分解,对每层的高频系数不再继续分解。
对于小波的各层高频系数可采用一定的阈值进行量化处理,以去除噪声。
然后根据各层低频系数及量化后的高频系数,实现信号的重构。
2小波去噪中阈值的选择
在对小波系数进行量化时,选用何种阈值规则,会影响到最终去噪效果的好坏。
在保证失真小的前提下,尽可能提高信噪比是选择合适阈值的原则。
阈值方案一般有两种:
硬阈值法及软阈值法。
前者主要保留信号的低频成分,衰减了大部分高频成分,使得主要表现为高频信号的噪声
第15卷第2期2002年6月
盐城工学院学报
JournalofYanchengInstituteofTechnology
Vol.15No.2Jun.2002
X
收稿日期:
2001-03-18
:
-,。
部分能被有效去除,但语音中的大量高频部分(如清音也被去掉,产生失真。
故我们采用软阈值处理。
软阈值方法有:
(1采用Stein的无偏似然估计原理(SURE进行阈值选择。
对一个给定的阈值t,得到它的似然估计,再将非似然t最小化,就得到了所选的阈值;(2用极大极小原理(Min-imaxi选择阈值。
它以处理后信号与原始信号的最大概率逼近为约束条件;(3启发式阈值选择。
它是一种最优预测变量阈值选择方法;(4固定阈值形式,其值为length(s,其中length(s为信号的长度。
在这4种方法中,前两种阈值选取规则比较保守(它只将部分系数置0,当信号的高频信息有一部分在噪声范围内时,采用这两种阈值,可以将弱小信号提取出来;后两种阈值在去除噪声时,显得更为有效,但有可能把有用的高频特征当作噪声去除。
语音信号可以被分成浊音段及清音段两部
分,这两部分的主要区别是:
浊音呈现出准周期性,其周期即为该段的基音周期,且含有较多的低频成分,容易和高频噪声区别开。
清音的信号波形类似于白噪声,与浊音相比,频率较高且无周期性。
若语音中掺入了含高频成分的噪声,对浊音段和清音段应采用不同的阈值方案,才能获得最佳的去噪效果。
由前面的分析可知,对于清音,可采用(1、(2两种阈值规则,不至于损失过多的有用信号,而对于浊音,可采用(3、(4两种阈值规则,更有效地去除噪声。
3浊音段和清音段的划分
由于针对清、浊音我们采用不同的阈值方案,
故准确划分清、浊音段是一个关键性的问题。
逆滤波法可以有效的判别是否浊音段,并可确定基音周期。
逆滤波法过程见图1:
图1清音和浊音的区分
Fig.1Divisionofunvoicedandvoicedspeech
对于浊音来说,由于其具有准周期性,归一化变形自相关函数在基音周期可能存在的2.5~15ms处会出现尖峰(峰点值大于0.25,该尖峰位置其实就是基音周期判断的依据。
而对于清音来说,则无明显峰起。
用这种方法可以准确的区分出清浊音。
在整个过程中,分析窗的最小长度的选取,应是两倍的基音周期,太小无峰点出现,而太大则引入了不希望有的平滑。
另外,通过实验我们发现,利用该方法也能准确的区分含噪语音的清、浊音段。
4去噪实验及结果
利用话筒将语音信号采集到计算机,并人为掺入高斯白噪声,生成数据文件供实验使用。
在去噪实验中,我们选用了Biorthogonal函数作为小波函数,它具有线形相位特性,主要用于信号的重构中。
实验表明,采用这种函数能得到较好的去噪效果。
小波分解层次J=6。
在对高频小波系数量化中,对于浊音段及清音段我们比较了各种不同的软阈值方案,发现采
用固定阈值2lg(length(s形式,由于去掉了较
多的高频成分,引入了平滑,无论是对于清音还是浊音,都存在较大失真(如图2,故在语音去噪中我们不采用该阈值。
为得到较好的去噪效果,经实验发现,对于浊音段,可采用启发式阈值方案,而对于清音段,则采用SURE阈值方案。
图3及图4是采取不同的阈值法下的浊音、清音的原始波形和去噪后波形。
从图3和图4可以看出,对于浊音,采用启发式阈值法比采用SURE阈值法可获取更强的去噪效果,但是对于频率成分与噪声很相似的清音,启发式阈值法会去掉一些有用的清音,产生失真,而应用SURE阈值则可保留这部分清音。
由此可见,针对浊、清音不同特点,浊音部分选取启发式阈值方案,清音部分选取SURE阈值方案,可使整个语音段能达到最佳去噪效果。
我们用话筒录下语音/工学院03个字,采样频率为20kHz,数据长30000点。
加入白噪声,构成含噪信号(信噪比RSN=1dB。
利用逆滤波法将含噪语音分成浊、清音段,浊音段约有1400点,#33#第2期李蕴华:
基于小波变换的语音信号去噪
分解及信号重构中,对于浊音段,我们采用启发式阈值,清音及无声段则采用SURE阈值规则。
去噪后的语音波形如图所示(见图5。
从图5可以
看到,去噪后的信号中,不管是清音或浊音段,失真都较小,且其中噪声部分得到了较大程度的削减,测试结果其信噪比约提高了8dB
。
图2采用固定阈值时去噪效果
Fig.2Theeffectofdenoisingbyusingstable
threshold
图3不同阈值时浊音段去噪分析
Fig.3Thedenoisingofvoicedspeechbyusingdefferent
threshold
图4不同阈值时清音段去噪分析
Fig.4Thedenoisingofunvoicedspeechbyusingdefferentthreshold
#34#盐城工学院学报第15卷
图5一段语音信号的去噪分析
Fig.5Thedenoisinganalysisofaspeechsegment
5结束语
本文根据语音清音段及浊音段的不同特点,采用了不同的阈值进行小波去噪,并获得了较好的去噪效果。
参考文献:
[1]秦前清.实用小波分析[M].西安:
西安电子科技大学出版社,1998.[2]拉宾那LR.语音信号数字处理[M].北京:
科学出版社,1984.[3]张贤达.现代信号处理[M].北京:
清华大学出版社,1998.[4]李世雄.小波变换及其应用[M].北京:
高等教育出版社,1997.
SpeechSignalDenoisingbasedonWaveletTransform
LIYun-hua
(DepartmentofinformationEngineeringofNantongInstituteofTechnology,JiangsuNantong226007,China
Abstract:
Inthispaper,anapplicationofwavelettransformforspeechsignaldenoisingisdiscussed.Accordingtothepropertiesofvoicedsegmentandunvoicedsegmentinspeechsignal,weusedifferentthresholds.Andabettereffectofdenoisingisderivedwithlessdistortion.
Keywords:
wavelettransform;speechsignaldenoising;threshold
#35#第2期李蕴华:
基于小波变换的语音信号去噪