2．3 算法分析
    噪声影响使得患者语言识别率大幅下降，去噪和补偿是助听器的重要环节。人耳对于25～22 000 Hz的声音有反应。语音的大部分可用信息只存在于200～3 500 Hz之间。根据人耳感知特性及实验确定，对语音感知，语音识别较为重要的第二共振峰大部分位于1 kHz之上。
2．3．1 周期噪音消除
    周期噪声一般是许多离散的谱峰，来源于发动机的周期性运转。电器干扰，特别是50～60 Hz交流声也会引起周期噪声。所以使用带通滤波器可以有效地消除周期噪音以及3 500 Hz以上的高频声音。

    IIR数字滤波器在没计上可以借助成熟的模拟滤波器的成果，如巴特沃斯、契比雪夫和椭圆滤波器等，IIR数字滤波器线性差分方程：
Matlab环境下可视化得到滤波器对动态输入数据的实时滤波效果如图3所示。
2．3．2 基于短时谱估计的宽带噪音去除
    由于语音信号的短时谱具有较强相关性，而噪声的前后相关性很弱，因此采用基于短时谱估计的方法从带噪语音中估计原始语音。而且人耳对于语音相位感受不敏感，可将估计得对象放在短时谱的幅度上。
2．3．3 谱相减法
    谱相减法在无参考信号源的单话筒录音系统中是一个有效的方法。因为噪声是局部平稳的，可认为发语音强的噪声与发语音期间的噪声功率谱相同，因此利用语音前后的“寂静帧”来估计噪声。

    谱相减法的原理框图及仿真结果如图4，图5所示，对语音信号加窗处理后，利用已知的噪声功率谱信息对信号进行除噪处理。
2．4 噪声对消法
    噪声对消法是最基本的减谱算法，它的基本原理是从带噪语音中直接减去噪声。由于宽带噪声与语音信号在时域和频域上完全重叠，是比较难去除的。所以需要用到非线性处理，自适应滤波器不断地调节。

    图6中一个声道采集带噪语音，另一个声道采集噪声。带噪语音序列S(n)与噪声序列d(n)经傅里叶变换得到频谱分量Sk(w)和Dk(w)，噪声分量Dk(w)经过滤波后与带噪语音相减，再加上带噪语音的相位，经傅里叶反变换恢复为时域信号。在强噪音背景时，这种方法可以得到很好的消除噪音效果。
    在实际中两个采集声道要保证一定隔离，以防止两个声道都采到带噪语音。为了使采集到的噪声更接近于带噪语音中的噪声，自适应滤波器可以很好地实现这一功能。

    图7是运用噪声对消法得到的左声道的增强语音示例。

上一页  [1] [2] [3]