基于新阈值函数的小波语音去噪方法与流程

本发明涉及语音信号增强技术领域，尤其涉及到基于新阈值函数小波阈值处理的语音去噪方法。

背景技术：

目前，信息技术高速发展，语音信号处理作为信息技术的一门关键技术，逐渐成为国际热门研究课题。语音信号处理主要包括语音编码，语音合成，语音识别以及语音增强。语音增强作为语音信号处理的重要组成部分，经过几十年的发展，出现了许多经典算法，得到许多科研人员的重视和研究。

语音增强主要目的是去除带噪语音中噪声信号的同时保留有用的语音信号，提高语音信号的可懂度和整体质量。传统的去噪方法有减谱法、维纳滤波、子空间方法等。这些方法的不足在于信号变换的熵增高、无法刻画信号的非平稳特性且无法得到信号的相关性，为克服上述缺点，人们开始使用小波变换解决信号去噪问题。小波变换可以对语音信号进行多尺度的分析，特别适合分析像语音这种非平稳信号。目前小波去噪主要有三种方法：模极大值去噪法、空域相关去噪法和小波阈值去噪法，其中，小波阈值去噪法由于计算量小，去噪效果好而被广泛研究和使用。

小波变换是一种信号的时频分析，小波变换具有多辨率的特点，可以很方便的从带噪语音中提取出原始语音成分。小波阈值去噪的关键是选取适当的小波基和分解层数，确定合适的小波阈值和阈值函数，其中，阈值函数的选取是关键的一步。

donoho和johnston提出了硬阈值去噪法和软阈值去噪法。但这两种方法都有其自身的缺陷：硬阈值法连续性差，重构可能会产生振荡；软阈值法虽然连续性好，但会给重构信号带来一定的偏差，带来信号的失真。近年来，人们对于小波阈值函数的选取一直做着深入研究，许多学者在软硬阈值函数的基础上做了一些改进，如多项式差值法、软硬函数折衷法以及模平方处理法。这些阈值函数虽然比传统软硬函数有所改善，但是它们并没有考虑小波变换模值的衰减符合指数这一规律。同时，在小波系数小于阈值时如果做置零处理，这样会损失部分清音信息。

技术实现要素：

本发明目的在于解决了传统小波阈值去噪法中硬阈值函数不连续导致处理后信号产生振荡、软阈值函数处理信号后失真较大的问题，提出了一种基于新阈值函数的小波语音去噪方法，该方法的新阈值函数去噪法能对语音信号进行平滑处理，加强对语音分量的保护，从而减少失真。该方法的新阈值函数处理后的语音信号更加平滑，可以获得更加清晰的语音信号，减少语音信号失真。

本发明解决其技术问题所采取的技术方案是：一种基于新阈值函数的小波语音去噪方法，该方法包括如下步骤：

步骤1、带噪语音产生；

步骤2、对带噪语音进行小波分解；

步骤3、对带噪语音进行小波阈值处理；

步骤4、对处理后的语音进行小波重构；

步骤5、得到降噪后语音信号。

进一步地，本发明上述步骤1所用原始语音数据是在实验室环境下采集，音频格式为pcm编码，采样频率为8000hz，采样精度为16bit，音频格式以wav格式保存，添加的噪声为加性高斯白噪声，将原始语音数据与不同强度的白噪声混合产生带噪语音信号。

进一步地，本发明上述步骤2对信号进行离散小波变换，离散小波定义为：

其中f(x)为带噪语音信号，wf(2^j，2^jk)为第j层第k个点得到的小波系数，ψ(x)为小波母函数。

进一步地，本发明步骤3中采用的新阈值函数为：

其中w为小波分解后的小波系数，wλ为采用新阈值函数处理的小波系数，sgn(w)为符号函数，w大于或等于0时，sgn(w)＝1，w小于0时，sgn(w)＝-1。a∈[0，1]，b为正常数，p＜λ，λ为阈值。当a为零时，该函数是硬阈值函数；当b为0并且a为1时是软阈值函数，并且在阈值处都等于同一个数，表明该阈值函数在阈值处是连续的。通过调节这三个参数可以获得更好的去噪效果。改进的阈值函数继承了传统软硬阈值函数的优点，同时又结合了噪声小波变换模值的衰减符合指数这一特点，并且在小波系数小于阈值时没有简单做置零处理，故其去噪效果会有所提高。

进一步地，本发明上述步骤4中离散的小波逆变换定义为：

其中c是一个与信号无关的常数，f(t)为小波逆变换得到的重构信号，对阈值处理后的小波系数进行小波逆变换，就得到小波去噪后信号。

进一步地，本发明上述方法引入信噪比和均方误差，信号输出信噪比与均方误差计算公式分别为：

式中n为信号采样点数，s(n)为原始语音信号，y(n)为去噪后的语音信号。

有益效果：

1.相比传统的软硬阈值函数，新的阈值函数在阈值处连续，并且小波系数小于零时没有简单做置零处理。

2.新的阈值函数结合了噪声小波变换模值衰减符合指数这一特点。

3.新的阈值函数结构简单，可以通过改变a、b以及p的值来调节阈值函数，能提高信噪比和获得最佳去噪效果。

4、本发明的新阈值函数能对信号进行更好的平滑处理，加强对语音分量的保护，从而获得更好的去噪效果。

附图说明

图1为本发明所述小波阈值去噪流程图。

图2为本发明提出的新阈值函数在设定范围内的示意图。

具体实施方式

下面结合说明书附图对本发明的具体实施方式做进一步的具体说明。图1是小波阈值去噪方法的基本原理图。

如图1和图2所示，本发明提供了一种基于新阈值函数的小波语音去噪方法，该方法包括如下步骤：

步骤一：获得带噪语音信号

本发明所用原始语音数据是在实验室环境下采集，音频格式为pcm编码，采样频率为8000hz，采样精度为16bit，音频格式以wav格式保存。添加的噪声为加性高斯白噪声，将原始语音数据与不同强度的白噪声混合产生带噪语音信号。

步骤二：对带噪语音进行小波分解

对信号进行离散小波变换，离散小波定义为：

其中f(x)为带噪语音信号，wf(2^j，2^jk)为第j层第k个点得到的小波系数，ψ(x)为小波母函数。

小波变换具有很强去数据相关性，经小波分解后，原始语音信号的小波系数幅值要大于噪声的系数幅值，幅值比较大的小波系数通常是原始语音信号，而幅值比较小系数在很大程度上是噪声。常用于去噪的小波有dbn小波系、symn小波系和coifn小波系，小波分解层数一般选择3-5层。本发明经过大量实验，最终选择小波分解层数为三层，选用sym6小波基。小波分解后得到第三层小波低频系数以及第一、二、三层小波高频系数。

步骤三：对带噪语音进行小波阈值处理

步骤三是对步骤二中小波高频系数进行阈值量化，阈值公式为：

其中j为小波分解层数，n为语音信号的长度，σ为噪声方差，其常用估计公式为σj＝median(wj)/0.6745，wj为第j层小波系数。所述的新阈值函数为：

其中w为小波分解后的小波系数，wλ为采用新阈值函数处理的小波系数，sgn(w)为符号函数，w大于或等于0时，sgn(w)＝1，w小于0时，sgn(w)＝-1。a∈[0，1]，b为正常数，p＜λ，λ为阈值。图2是阈值函数在某个设定范围内的示意图。

根据高频小波系数与阈值的比较，对高频小波系数做阈值处理。

步骤四：对处理后的语音进行小波重构

离散小波逆变换定义为：

其中c是一个与信号无关的常数，f(t)为小波逆变换得到的重构信号。

对阈值处理后的小波系数进行小波逆变换，就得到小波去噪后信号。

为了对比去噪效果，引入信噪比和均方误差。信号输出信噪比与均方误差计算公式分别为：

式中n为信号采样点数，s(n)为原始语音信号，y(n)为去噪后的语音信号。

在输入带噪语音信噪比为-5db、0db、5db、10db以及15db五种情况下，分别采用本发明去噪方法与传统软硬阈值去噪方法，得到本发明与传统软硬阈值去噪方法的输出信噪比和均方误差。

表1为本发明与传统软硬阈值去噪后的输出信噪比，表2为本发明与传统软硬阈值去噪后的均方误差。

表1

表2

从表1和表2可以看出，无论在低输入信噪比还是高输入信噪比下，本发明方法比传统软硬阈值方法输出信噪比高、均方误差更小。