噪声估计算法.doc

太原理工大学
毕业设计(论文)任务书
毕业设计(论文)题目;
噪声估计的算法及MATLAB实现
毕业设计(论文)要求及原始数据(资料):
论文要求:
(1) 1-3周查找噪声估计算法的一些相关文献
(2) 4-6周找出的几种噪声估计算法的特点
(3) 7-8周确定2-3种噪声估计的算法
(4) 9-11周确定大纲,完成开题报告
(5) 12-14周对确定的噪声估计算法进行仿真,对比找出算法的不足及今后的研究方向
(6) 15-16周定出初稿,最后在老师的指导下最终完稿,准备答辩
论文原始数据:
有关抗噪声技术的研究,在国内外作为非常重要的研究课题,已经作了大量的研究工作,取得了丰富的研究成果。而噪声估计是语音增强中一个非常重要的部分,在这方面的研究,国外比较多一些。
传统的噪声估计方法是使用语音活动性监测( VAD:Voice Active Detection)判别语音是否出现,并分离出无声段,此时无声段主要表现为噪声特性,然后在无声区通过某种统计方法,获得背景噪声特性的近似估计,对噪声谱进行更新。尽管该方法在噪声为平稳的情况下是可行的,但是在实际的噪声环境中噪声谱的特性变化很大,在低信噪比下,VAD的误检率会增大,在不能正确判断无声段的情况下很难保证估计出来的噪声的准确性。因此,为了实现精确的噪声估计,就要对噪声谱进行实时的估计。
1994年Martin提出了一种基于最小值统计的方法来估计噪声,它是基于带噪语音信号的功率水平滞后于噪声的功率水平,因此可以通过跟踪带噪语音信号功率谱的最小值来获得噪声功率谱的估计值。 的滑动窗口内寻找每一频率带内的频谱最小值,经过补偿后和带噪语音的功率谱进行比较。不论带噪语音的功率谱是否小于局部最小值,局部最小值都需要更新。同时,为了能更快的跟踪并更新局部最小值和频谱最小值,把滑动窗口分为子窗口,在每个子窗口内更新噪声的估计谱,提高了精确度。此算法的基本思路是先用一个最优平滑滤波对带噪语音的功率谱滤波,得到一个噪声的粗略估计。然后找出粗略噪声中的在一定时间窗内的最小值,对这个最小值进行一些偏差修正,即得到所要估计的噪声的方差。
1995年Doblinger通过比较前帧带噪语音子带平滑功率谱最小值和后帧带噪语音子带平滑功率谱之间大小,对带噪语音子带平滑功率谱最小值每帧进行跟踪和更新,并将其作为估计的噪声谱,该噪声谱估计方法计算效率高,能快速适应背景噪声的变化,但是它直接把带噪语音子带平滑功率谱最小值作为估计的噪声谱,使得噪声谱过估计。
2002年Cohen 和Berdugo提出了一种基于最小值控制递归平均法的噪声估计算法,把最小追踪法的鲁莽性与递归平均方法的简单性结合到一起,该算法能够快速地追踪突变的噪声功率谱。与最小统计相比,对最小值的跟踪不是关键性的,在进行递归平均时不需要对语音出现与缺失进行区分,因此即使在弱语音段也同样可以进行连续噪声估计更新。具有能够快速跟踪噪声谱的突变的能力。
Cohen的噪声估计算法依赖于最小值的跟踪算法,虽然比起Martin的最小值统计跟踪算法效果要好的多,但无法完全避免在噪声上升区域的噪声欠估计及持续强语音后面区域出现的噪声过估计的缺陷。
2004年Rangachari 和Loizou提出了一种快速估计方法,不仅使得带噪语音子带中语音出现概率计算更准确,而且噪声谱的更新在连续时间内不依赖固定时间的窗长,但是在语音或噪声能量过高时噪声的估计就会慢下来, 时,就会削弱一些语音能量。因此,噪声估计算法有待更进一步的改进。
2009年余力,陈颖琪提出了一种基于DCT变换的自适应噪声估计算法,采用DCT系数作为块均匀度的度量,较好地适应了高低噪声的情况,算法复杂度不大,能适用于各种实时图像视频处理系统。理论分析及实验结果表明本算法不仅在低噪声的图片中表现出良好的性能,而且在高噪声的图片中依旧有效。此外,还能适应不同质量的图像。
通过对基于最小统计量的噪声估计方法和改进的最小统计量控制递归平均噪声估计算法研究发现这些噪声估计方法可以在语音存在段进行噪声估计,能够有效地跟踪非平稳噪声。但是,这些算法在各个频带进行噪声估计,算法复杂度高,噪声估计方差大。于是在考虑各频带间的相关性上提出了在巴克域进行噪声估计,减小了噪声估计方差,提高了噪声估计的准确性,并极大地减小算法运算量和存储量。而且,在巴克域进行噪声估计更符合人耳听觉特性,增强语音具有更好的质量。
其他类似的方法还有低能量包络跟踪和基于分位数的估计方法,后者噪声的估计是基于带噪语音未平滑功率谱的分位数,而不是提取平滑功率谱的最小值,但是此方法计算复杂度很高,且需要很大的内存来存储过去的功率谱值。
毕业设计(论文)主要内容:
本文分为五章,