语音信号去噪研究

王潇涵

摘要：信号处理中的一个重要应用就是去噪，噪声几乎无所不在，去噪研究的目的就是消除高频噪声、低频噪声、白噪声以及各种各样的其他噪声。一般的去噪方法对于同频噪声比如白噪声无能为力。为了解决这些难题，一种新的信号处理算法--小波变换应运而生，因为这种算法可以同时在频域与时域中聚焦，因此其异常契合当前信号处理中的时频联合分析，因为优点非常突出，这种算法已经成为了信号处理尤其是信号去噪理论里面的权重分支。本文将首先研究使用滤波器消除语音信号中的高频噪声、低频噪声，然后对比同时加入高斯白噪声的去噪情况，来说明这种方法对于去除白噪声的缺陷，然后研究基于小波分析的去噪算法，给出具体的理论依据，然后进行matlab仿真试验对比，证明小波算法去噪的优越性。

关键词：滤波器；小波；去噪；MATLAB

中图分类号：TN912.3 文献标识码：A 文章编号：1007-9416（2017）06-0076-02

1 引言

信号处理中的一个重要应用就是去噪，噪声几乎无所不在，去噪研究的目的就是消除高频噪声、低频噪声、白噪声等等。在去噪研究的初级阶段一般都是直接使用滤波器来滤除噪声，但是这种方法仅适用于噪声频带与有用信号频带不一致的情况，而对于一般的同频噪声比如白噪声则无能为力。小波变换算法可以同时在频域与时域中聚焦，因此其异常契合当前信号处理中的时频联合分析。

2 基于滤波器的语音信号去噪

2.1 滤波器去噪实验介绍

仿真平台MATLAB软件中有函数wavread可以用来对语音信号采样量化。获取语音信号之后，接着给待分析信号加上噪声。然后对这几组信号进行傅立叶变换获取其普特性。接着依据普特性构造合适的滤波器来过滤噪声干扰达到消噪的目的。MATLAB仿真软件中有滤波器设计函数butterworth，可以设定相应的参数值就可以获得滤波器抽头系数从而获得FIR滤波器。

2.2 滤波器去噪实验仿真及结果分析

首先读入一段歌曲语音，使用sound命令回放语音，然后进行谱分析，给出这段语音信号的时域波形，频谱以及幅值和相位见图1，然后加入了一个高频噪声（频率4000Hz）和一个低频噪声（频率10），在此基础上又加入了高斯白噪声见图2。分别分析原始波形时域波形，频谱。从频谱图可以看出所加入的高频，低频和高斯白噪声的情况。不论是通过sound函数回放语音还是从去噪声之后的信号频谱（见图3），都可以看到滤波器针对高频噪声和低频噪声去噪效果很好，但是对于添加了高斯白噪声的信号却效果有效。

3 小波变换法语音去噪

3.1 小波去噪过程分析

3.1.1 小波去噪原理

式子中yi表示的是被噪声干扰后的信号，则是原始的无噪待发送信号，式中zi表示高斯白噪声分量，其服从独立均匀分布，表示的是白噪声的幅度，n表示发送信号的点数。小波去噪的目的就是要从yi里面分离出原始发送分量，而分离方法是基于噪声分量与信号分量同时经过小波变换之后的差异特征来进行的，经过小波变换之后对其特征的分解系数进一步处理从而完成去噪的过程。在现实的绝大多数应用场景下，需要分离出来的有意义信号分量的频率较低，但是通常情况下的噪声分量频率都是较高的，因此处理方法就是对被噪声干扰的混合信号直接进行小波变换分解，以通常所用的三层小波变换分解为例说明如下：

图中表示的是每一次分解中的近似分量，而图中表示的则是每一次分解中的细节分量，表示三层小波分解，经过这些处理之后大多数噪声分量都会被分解到，，这些部分里面，分析他们的差异点然后设定阈值对小波系数过滤分离，接着以分离之后的小波系数来重构原始信号就可以获得去噪后的信号分量，也就完成了去噪过程。

3.1.2 小波去噪步骤

3.2 小波去噪仿真

利用MATLAB仿真软件对小波去噪进行分析，步骤与滤波器仿真试验相同，首先读入语音，给出语音的时域波形和频谱。然后对语音信号进行加噪，给出染噪声后的语音信号时域波形和频谱。使用小波去噪算法对染噪声后的语音信号去噪，画出去噪后的语音信号时域波形和频谱。同时在每一步使用sound函数回放语音。结果见图5，6和7所示，为了证明小波去噪的效果，编写了一个计算信噪比的函数，在加噪声之后计算信噪比发现为1.92dB左右，进行了小波去噪之后，语音信号的信噪比为4.85左右。不论是从这里，还是结果图或者sound回放语音都可以看出小波去噪效果很好，对语音的去噪效果很明显，虽然没有完全消除白噪声，但是这也是下一步的研究方向。

4 结语

本文首先研究使用滤波器消除语音信号中的高频噪声、低频噪声，然后对比同时加入高斯白噪声的去噪情况，来说明这种方法对于去除白噪声的缺陷，然后研究基于小波分析的去噪算法，给出具体的理论依据，然后进行matlab仿真试验对比，证明小波算法去噪的优越性。通过仿真实验和sound函数回放语音可以证明本文去噪的有效性。小波去噪的阈值选择是个難题，分解阶数也需要仔细权衡。实际环境中噪声是随时改变的，能否找到一种自适应的算法去匹配不同的噪声消除是下一步的研究重点。endprint