基于小波变换的语音增强算法研究

论文摘要

语音增强的目的就是从带噪语音中尽可能恢复原始语音信号，是一种重要的抗噪技术。传统语音增强方法大多以短时傅里叶变换为基础。小波变换作为一种新兴的时频分析方法，克服了短时傅里叶变换单一分辨率的缺点，在高频部分能提供高的时间分辨率，在低频部分又能提供高的频率分辨率，非常适合分析语音等非平稳、时变信号。因此，研究基于小波变换的语音增强算法具有重要意义。本文对基于小波变换的语音增强研究主要包括两个方面：传统语音增强算法与小波变换的结合以及小波自适应阈值的研究。针对完全小波包变换普遍存在高计算量以及由于下采样引起的信号失真问题，采用非抽样感知小波包变换结合传统语音增强算法中的最佳修正对数谱估计器（Optimally-Modified Log-Spectral Amplitude，OM-LSA）以及改进的最小控制递归平均噪声估计器（Improved Minima Controlled Recursive Averaging，IMCRA），提出了一种新的语音增强算法。多种噪声环境下的实验表明，本文提出的语音增强算法与OM-LSA相比，在没有引入明显信号失真和“音乐噪声”情况下，极大地去除了噪声，并且获得了更好的语音可懂度和可感知性。针对小波阈值去噪无论是全局阈值还是尺度阈值普遍存在阈值过减现象，研究了基于teager能量算子（Teager Energy Operator，TEO）的自适应阈值去噪算法。根据噪声和语音信号在频域上的分布特点，对基于TEO的算法进行改进，提出了一种新的语音增强算法。多种噪声背景下仿真结果表明，与原有算法相比，该算法不仅提高了信噪比和感知语音质量，同时降低了计算量，易于实时实现，并特别适合于车载一类噪声信号。

论文目录

• 摘要
• Abstract
• 目录
• 插图索引
• 附表索引
• 第1章 绪论
• 1.1 课题研究背景及意义
• 1.2 基于小波变换的语音增强研究现状
• 1.3 本文主要内容及结构安排
• 第2章 语音增强基础知识
• 2.1 带噪语音信号模型
• 2.2 常用语音增强方法
• 2.2.1 谱减法
• 2.2.2 维纳滤波
• 2.2.3 信号子空间
• 2.3 小波阈值去噪
• 2.3.1 阈值估计
• 2.3.2 阈值函数
• 2.4 语音增强评估
• 2.4.1 主观评价
• 2.4.2 客观评价
• 2.5 实验语料库
• 2.6 小结
• 第3章 小波变换基本理论
• 3.1 小波分析基本理论
• 3.1.1 连续小波变换
• 3.1.2 离散小波变换
• 3.2 多分辨分析
• 3.3 离散小波变换实现技术
• 3.3.1 Mallat 算法
• 3.3.2 多孔算法
• 3.3.3 提升算法
• 3.4 离散小波包变换
• 3.5 听觉小波包变换
• 3.5.1 人耳听觉特性
• 3.5.2 Bark 域频率描述
• 3.5.3 感知小波包变换
• 3.6 小结
• 第4章 一种新的基于非抽样感知小波包变换和 OM-LSA 估计器的语音增强算法
• 4.1 改进的语音增强算法结构
• 4.2 各模块算法介绍
• 4.2.1 非抽样感知小波包变换模块
• 4.2.2 语音增强算法模块
• 4.3 算法实现与仿真
• 4.3.1 算法实现步骤
• 4.3.2 实验平台及参数
• 4.3.3 结果分析
• 4.4 小结
• 第5章 一种改进的基于 teager 能量算子与感知小波包变换的语音增强算法
• 5.1 基于感知小波包变换和 TEO 的语音增强
• 5.1.1 TEO 计算
• 5.2 改进算法
• 5.2.1 置 0 影响小的子带
• 5.2.2 调整窗长
• 5.2.3 引入基于层的参数
• 5.3 算法实现与仿真
• 5.3.1 算法实现步骤
• 5.3.2 实验平台及参数
• 5.3.3 结果分析
• 5.4 小结
• 结论
• 参考文献
• 致谢
• 附录A 攻读学位期间发表的学术论文
• 附录B 攻读学位期间参与的科研项目