基于小波變換的噪聲抑制

鄭丹

摘 要：近年來，小波理論發展迅速，實際應用也非常廣泛，運用小波去噪的方法對噪聲進行抑制，以提高說話人系統在噪聲壞境下的頑健性，使說話人識別系統的成果走出實驗室，得到實際應用，本文簡單說明基于小波變換的噪聲抑制的思想和方法，以提高語音識別系統實用性能，這也是未來說話人識別系統研究的重要方向之一。

關鍵詞：小波變換；語音識別；信噪分離

中圖分類號： O422.8 文獻標識碼： A 文章編號： 1673-1069（2017）06-164-2

引言

尋找并利用有效的去噪方法是提高系統實用性能的關鍵技術，但在一般的實驗室，其特定的系統卻幾乎不曾把噪聲考慮到整個實驗當中。可在現實生活中，噪聲卻是處處存在。再說，在實驗室進行研究的過程中，說話人系統的集合一般都在可控范圍內，而且都是比較小的。反之，在現實生活中，說話人的集合卻被要求盡可能地放大。由此看來，系統的執行效率和識別率會隨著說話人集合的擴大而下降，而且下降的速度與說話人集合的大小形成正比。綜上所述，研究小波去噪以提高語音識別系統在變化環境下的系統性能具有重要意義。

1 小波去燥的理論基礎

噪聲和信號在其各自的頻帶（即尺度）上的小波譜均有著不一樣的表現。根據這個特點，便可根據各頻帶上的小波譜的分量，確定哪些小波譜是由噪聲產生，哪些噪聲小波譜在整個頻帶上起著主導作用。同時，綜合上述的判別方法，去掉這部分小波譜，就能把原信號的小波譜保留下來。我們可以把這個過程稱作小波譜的重構或者還原，也是小波去燥的理論基礎。與此同時，參照小波變換重構的算法，便可還原出原信號。可見，如何有效將噪聲產生的小波譜分量過濾掉是小波去燥的關鍵所在。

一般來說，傳統的線性濾波方法難以兼顧在保護信號局部特征的同時，也能有效抑制噪聲。為此，可利用小波變換時頻局部化和選擇靈活化的兩大特點，制作出解決傳統的線性濾波方法的局限性的有效工具。而利用閾值的小波域語音增強算法便是其中一個較具潛力的算法。由此可知，小波去噪便是簡單地利用小波系數的閾值，并在此基礎上加以延伸的。舉個例子，若是把噪聲的小波系數和其他目標信號均框定在小波閾值的范圍內，則難以分辨出清音段中的語音和噪音。若是使用相同的閾值處理所有的噪聲，在這種特定的環境下，則會把附加的噪聲也一并壓縮了。同時，也使得像清音一類的語音被壓縮了。在此過程中過濾掉的語音在感知上和質量上都會大打折扣。從上述可知，有效結合小波變換和其他信號處理方法，是提高系統魯棒性的有效途徑。

2 不同信噪比下語音加噪

取40dB、30dB、25dB、15dB、10dB五種信噪比下對原始語音進行加噪。

2.1 驗證性程序

load （'路徑'）

s=awgn（s，SNR）；

2.2 仿真分析

以信噪比SNR為25dB時為例，進行仿真，繪制信號波形圖見圖1。

3 不同小波對語音去噪

分別采用小波db1、db7、sym2、db5對加噪語音進行去噪。

說話人集合由20個說話人組成，其中包括男10人，女10人，語音在安靜的室內環境下，用Matlab程序錄制，每個說話人包含2個四字成語，總共八個字，語音長度3.6s，每人錄制相同八字詞語兩遍，分別存放在文件夾train和文件夾test中，用于訓練和識別。然后在不同信噪比下對原始語音進行加噪處理，再對加噪語音采用不同的小波去噪處理，產生一系列的語音。

訓練與測試的驗證性程序為：

traindir=（'路徑'）；

testdir=（'路徑'）；

n=20；

code=train（traindir，n）；

test（testdir，n，code）

①訓練語音：原始語音train，測試語音：原始語音test，程序運行結果為20人的訓練與測試語音均匹配，表明原始語音的誤識別率為0%。

②訓練語音：原始語音train，測試語音：不同信噪比下（信噪比分別為40dB、30dB、25dB、15dB、10dB）加噪語音test。

例如：當加噪語音信噪比為40dB時，程序運行結果為20人的訓練與測試語音中，5人匹配，15人不匹配，可得誤識別率為75%。

用同樣的方法可仿真出其他幾種信噪比（30dB、25dB、15dB、10dB）下的識別結果，得到誤識別率都為95%。

結果分析：當語音未增強時，誤識別率較高。語音增強后，隨著信噪比減少，誤識別率上升，但當信噪比為30dB、25dB、15dB及10dB時，它們的識別率沒有較大區別，誤識別率都很高。這說明在低信噪比下，系統誤識別率很高，噪聲對系統的識別率影響很大。

③訓練語音：去噪語音train，測試語音：不同小波（db1、db7、sym2、db5）去噪后的（信噪比分別為40dB、30dB、25dB、15dB、10dB）去噪語音test。

例如：當用小波db1對信噪比為40dB的加噪語音去噪時，程序運行結果為20人的訓練與測試語音均匹配，可得誤識別率為0%。

用同樣的方法可仿真出其它幾種小波去噪后的識別結果，列出表格見表1。

結果分析：用小波去噪的語音，當加噪去噪時取用較高的信噪比，識別率較好，隨著信噪比的降低，誤識別率在升高。語音增強后的測試結果比干凈語音的測試結果差。各種小波去噪的效果不是很好，相比較而言，采用小波db1去噪效果稍微更好，但效果也不是很顯著。

實驗結果分析：在理想的純凈語音環境下對話語進行識別（特征參數為MFCC），其識別率可高達100%，當訓練語音為原始語音，測試語音為加噪語音時，測試結果誤識別率較高。當訓練語音與測試語音都為去噪語音時，當信噪比為40dB時，誤識別率較低，隨著信噪比的減少，誤識別率明顯升高。由此看來，我們提出的小波去噪的方法對提高識別率并沒有起到較大的作用。不過，現實生活中噪聲無處不在，但卻能通過上述方法有效去噪。可見，其實用價值不容忽視。

實驗結論顯示，與此前傳統的去噪方法相比，就如何有效增強語音，小波變換有著以下的優勢：①將小波變換應用于低信噪比的去噪，其效果較能得到體現。同時，去噪后，不但能夠提高語音的識別率，也為實際的應用帶來了更大的便利。②對于消除時變信號和突變信號的噪聲，小波變換便是最理想的方法之一。同時，與傳統的去噪方法相較之下，這種去噪方法的實用性較高，是傳統的去噪方法所不能相提并論的。

4 總結

綜合上述的論述，小波變換作為濾波一種新方法，能將語音信號中非平穩的信號得以有效過濾。同時，隨著對小波去燥的不斷深入實踐探究，對其理論的完善和實際的應用也有著很大的幫助。最后，結合實踐探究得出的結論，便可將小波去燥廣泛應用到生活當中。

參 考 文 獻

[1] 胡航.語音信號處理[M].哈爾濱工業大學出版社，2002年5月第二版.