[音声ノイズ除去]音声ノイズ除去のためのmatlab基本ウィーナーフィルタリングアルゴリズムに基づく[Matlabソースコード570期間を含む]

1.はじめに

この章では、事前の信号対雑音比推定に基づくウィーナーフィルタリング法に基づく音声強調アルゴリズムを提案します。初期ノイズパワースペクトルは、サイレントセクションの統計平均を計算することによって取得され、初期ノイズパワースペクトルとノイズの多い音声パワースペクトルが平滑化され、ノイズパワースペクトルが更新されます。最後に、ノイズが急激に増加する状況特定の周波数点が考慮されます。相関検証は、アルゴリズムが狭い範囲または安定した範囲でノイズを効果的に抑制できることを示していますが、実際には広範囲の変化があるノイズにはあまり効果的ではありません。
1.音声強調の概要
1.1音声強調の関連概念
音声システムに組み込まれている音声信号は、必然的に周囲のノイズによって干渉され、それによって音声の品質と明瞭度に影響を与えます。
音声強調：実際、ノイズの多い音声から可能な限り純粋な音声を抽出し、音声の品質と明瞭度を向上させ、ノイズの多い環境での音声通信システムのパフォーマンスを向上させることです。
ノイズはランダムに発生し、完全に除去することはできません。音声強調の目標は、ノイズを低減し、バックグラウンドノイズを排除し、音声品質を向上させ、リスナーを受容的にし、音声明瞭度を向上させることです。
1.2音声強調に関連するアルゴリズム
ノイズの発生源が多いため、特性が異なります。音声強調処理システムのアプリケーションシナリオは大きく異なります。
したがって、さまざまなノイズの多い環境で使用できる音声強調アルゴリズムはありません。さまざまな環境に対して、さまざまな音声強調アルゴリズムが採用されています。
処理方法に応じて、音声強調アルゴリズムは、音声周期性に基づく強調アルゴリズム、全極モデルに基づく強調アルゴリズム、短時間スペクトル推定に基づく強調アルゴリズム、信号部分空間に基づく強調アルゴリズム、および強調アルゴリズムに分けることができます。
HMMに基づいています。
現在の開発から判断すると、短時間スペクトル推定に基づく方法が最も効果的な方法です。具体的には、スペクトル減算、ウィーナーフィルタリング、最小平均二乗誤差短時間スペクトル振幅推定法（MMSE-STSA）、最小平均二乗誤差対数スペクトル振幅推定法（MMSE-LSA）が含まれます。この記事では、主にウィーナーフィルターを使用して音声強調処理を実現する方法について説明します。
2以前の信号対雑音比推定に基づくウィーナーフィルター音声強調理論
以前の信号対雑音比は、音声強調アルゴリズムの非常に重要なパラメータです。エフライムとマラによって提案された「直接決定」推定によって以前の信号対雑音比を計算する方法は、最も効果的で最も簡単に計算できます。
ここに画像の説明を挿入します

第二に、ソースコード

clear all; clc; close all;

[xx, fs] = wavread('C5_3_y.wav');           % 读入数据文件
xx=xx-mean(xx);                         % 消除直流分量
x=xx/max(abs(xx));                      % 幅值归一化
IS=0.25;                                % 设置前导无话段长度
wlen=200;                               % 设置帧长为25ms
inc=80;                                 % 设置帧移为10ms
SNR=5;                                  % 设置信噪比SNR
NIS=fix((IS*fs-wlen)/inc +1);           % 求前导无话段帧数
alpha=2;
beta=0.01;
signal=awgn(x,SNR,'measured','db');               % 叠加噪声
output=Weina_Norm(x,wlen,inc,NIS,alpha,beta) ;
output=output/max(abs(output));
len=min(length(output),length(x));
x=x(1:len);
signal=signal(1:len);
output=output(1:len);

snr1=SNR_Calc(x,signal);            % 计算初始信噪比
snr2=SNR_Calc(x,output);            % 计算降噪后的信噪比
snr=snr2-snr1;
fprintf('snr1=%5.4f   snr2=%5.4f   snr=%5.4f\n',snr1,snr2,snr);
function frameout=enframe(x,win,inc)

nx=length(x(:));            % 取数据长度
nwin=length(win);           % 取窗长
if (nwin == 1)              % 判断窗长是否为1，若为1，即表示没有设窗函数
   len = win;               % 是，帧长=win
else
   len = nwin;              % 否，帧长=窗长
end
if (nargin < 3)             % 如果只有两个参数，设帧inc=帧长
   inc = len;
end
nf = fix((nx-len+inc)/inc); % 计算帧数
frameout=zeros(nf,len);            % 初始化
indf= inc*(0:(nf-1)).';     % 设置每帧在x中的位移量位置
inds = (1:len);             % 每帧数据对应1:len
frameout(:) = x(indf(:,ones(1,len))+inds(ones(nf,1),:));   % 对数据分帧
if (nwin > 1)               % 若参数中包括窗函数，把每帧乘以窗函数
    w = win(:)';            % 把win转成行数据
    function frameout=filpframe(x,win,inc)

[nf,len]=size(x);
nx=(nf-1) *inc+len;                 %原信号长度
frameout=zeros(nx,1);
nwin=length(win);                   % 取窗长
if (nwin ~= 1)                           % 判断窗长是否为1，若为1，即表示没有设窗函数
    winx=repmat(win',nf,1);
    x=x./winx;                          % 除去加窗的影响
    x(find(isinf(x)))=0;                %去除除0得到的Inf
end

sig=zeros((nf-1)*inc+len,1);
for i=1:nf
    start=(i-1)*inc+1;    
    xn=x(i,:)';
    sig(start:start+len-1)=sig(start:start+len-1)+xn;
end
function [NoiseFlag, SpeechFlag, NoiseCounter, Dist]=vad_LogSpec(signal,noise,NoiseCounter,NoiseMargin,Hangover)

% 设置缺省值
if nargin<4
    NoiseMargin=3;
end
if nargin<5
    Hangover=8;
end
if nargin<3
    NoiseCounter=0;
end
    
% 本帧语音幅值对数频谱和噪声对数频谱之差值
SpectralDist= 20*(log10(signal)-log10(noise));
SpectralDist(find(SpectralDist<0))=0;   % 寻找差值小于0值置为0
 
Dist=mean(SpectralDist);                % 用平均求出Dist
if (Dist < NoiseMargin)                 % Dist 是否小于 NoiseMargin
    NoiseFlag=1;                        % 是，NoiseFlag设为1
    NoiseCounter=NoiseCounter+1;        % NoiseCounter加1
else
    NoiseFlag=0;                        % 否，NoiseFlag设为0
    NoiseCounter=0;                     % NoiseCounter清零
end

3、実行中の結果

ここに画像の説明を挿入します

四、備考