语音降噪-谱减算法

假设

假设噪声和语音是加性的，噪声是平稳的（缓慢变换的），

基本原理

利用语音幅度减去估计出来的噪声幅度得到降噪后的语音幅度，相位使用带噪语音的相位。假定带噪语音$y(n)$,纯净语音$x(n)$,加性噪声$d(n)$,即：
$$y(n)=x(n)+d(n)$$
做傅里叶变换后：
$$Y(w)=X(w)+D(w)$$
带噪语音写成极坐标形式为：
$$Y(w)=|Y(w)|e^{j{\varphi }_y(w)}$$
其中 $n$ 代表采样点，$w$ 代表频率，$|Y(w)|$ 代表幅度谱，${\varphi }_y(w)$ 代表带噪语音的相位。

幅度谱减法

假设估计的噪声的幅度谱为$\hat{D}(w)$,则降噪后的语音信号谱可以表示为：
$$\hat{X}(w)=(|Y(w)|-|\hat{D}(w)|)e^{j{\varphi }_y(w)}$$
信号的幅度谱总是非负的，因此要做一下保护，即
$$|\hat{X}(w)|=\{\begin{array}{ll}& |Y(w)|>\hat{D}(w)|,\text{如果}|Y(w)|>\hat{D}(w)|\\ & 0,\text{其它}\end{array}$$

功率谱减法

通过假设噪声和语音不相关，语音是短时平稳（语音是非平稳的，当逐帧（10ms-30ms）处理时可以假设是短时平稳的），幅度谱减法可以扩展到功率谱领域，即：
$$|\hat{X}(w){|}^2=\{\begin{array}{ll}& |Y(w){|}^2>|\hat{D}(w){|}^2,\text{如果}|Y(w){|}^2>\hat{D}(w){|}^2\\ & 0,\text{其它}\end{array}$$
上式也可以写成如下形式：
$$|\hat{X}(w){|}^2=|H(w){|}^2|Y(w){|}^2$$
其中，
$$H(w)=(1-\frac{|\hat{D}(w){|}^2}{|Y(w){|}^2})$$
$H(w)$代表抑制函数，$0\le H(w)\le 1$。

谱减法通用形式

通用形式可以表示为：
$$|\hat{X}(w){|}^p=|Y(w){|}^p-|\hat{D}(w){|}^p$$
其中$p$ 是幂指数，$p$ = 1时为幅度谱减法，$p$ = 2时为功率谱减法。

谱减法存在的问题

1、相位信息使用的是带噪语音的相位
语音信号经过傅里叶变换后由实数域转换为复数域，降噪时只考虑了幅度值，忽略了相位信息，在不同的信噪比情况下，误差表现不一样。

上面两个图分别是高信噪比和低信噪比时的示意图，高信噪比时，误差小，低信噪比时，误差大。研究表明，当信噪比大于8dB时，相位差不会被感知到。
2、音乐噪声
由于估计的干净语音的幅度要大于等于0，存在半波整流的保护操作，这种非线性处理会导致频谱上存在独立的峰值，转换到时域后，听起来就是随机变化的多频音。

程序

参考链接：SpecSub Code