MATLAB去噪音处理
在Matlab中进行噪声抑制和降噪处理的方法
在Matlab中进行噪声抑制和降噪处理的方法引言：噪声是信号处理中的一个常见问题，它可以由多种因素引起，如传感器本身的噪声、电磁干扰等。
噪声的存在会影响到信号的质量和准确性，因此在许多应用中，我们需要进行噪声抑制和降噪处理。
对于Matlab来说，它提供了多种方法和工具来实现这一目标。
本文将介绍在Matlab中进行噪声抑制和降噪处理的方法。
一、频域滤波方法在Matlab中，频域滤波方法是一种常见且有效的噪声抑制和降噪处理方法。
该方法的基本思想是将信号从时域转换到频域，在频域中对信号进行滤波，并将滤波后的信号再转换回时域。
Matlab提供了丰富的频域滤波函数和工具，如fft、ifft、fftshift等。
通过这些函数，我们可以实现低通滤波、高通滤波、带通滤波等各种滤波操作，从而有效抑制和降噪信号。
二、时域滤波方法时域滤波方法是另一种常用的噪声抑制和降噪处理方法。
该方法的基本思想是在时域中对信号进行滤波，直接对信号进行抽样和滤波处理。
与频域滤波不同的是，时域滤波方法更加直观和易于理解。
在Matlab中，我们可以使用filter函数和fir1函数实现时域滤波。
其中，filter函数可以对信号进行FIR滤波，而fir1函数可以设计并生成FIR滤波器。
三、小波变换方法小波变换是一种非常有用的信号处理方法，它可以将信号在时间和频率上进行局部分析。
在噪声抑制和降噪处理中，小波变换可以帮助我们将信号分解成不同的频率成分，并对噪声进行抑制。
在Matlab中，我们可以使用wavelet函数和wdenoise函数来实现小波变换。
通过这些函数，我们可以选择不同的小波基函数，并设置适当的阈值来实现噪声抑制和降噪处理。
四、自适应滤波方法自适应滤波是一种根据信号特性自动调整滤波器参数的滤波方法。
它可以自动识别和适应信号中的噪声，并对其进行抑制和降噪处理。
在Matlab中，自适应滤波可以通过nlms函数和rls函数来实现。
这些函数基于LMS算法和RLS算法，可以快速、准确地对信号进行自适应滤波。
利用Matlab进行图像去噪和图像增强
利用Matlab进行图像去噪和图像增强随着数字图像处理技术的不断发展和成熟，图像去噪和图像增强在各个领域都有广泛的应用。
而在数字图像处理的工具中，Matlab凭借其强大的功能和易于使用的特点，成为了许多研究者和工程师首选的软件之一。
本文将介绍如何利用Matlab进行图像去噪和图像增强的方法和技巧。
一、图像去噪图像去噪是指通过一系列算法和技术，将图像中的噪声信号去除或减弱，提高图像的质量和清晰度。
Matlab提供了多种去噪方法，其中最常用的方法之一是利用小波变换进行去噪。
1. 小波变换去噪小波变换是一种多尺度分析方法，能够对信号进行时频分析，通过将信号分解到不同的尺度上，实现对图像的去噪。
在Matlab中，可以使用"dwt"函数进行小波变换，将图像分解为低频和高频子带，然后通过对高频子带进行阈值处理，将噪声信号滤除。
最后通过逆小波变换将去噪后的图像重构出来。
这种方法能够有效抑制高频噪声，保留图像的细节信息。
2. 均值滤波去噪均值滤波是一种基于平均值的线性滤波方法，通过计算像素周围邻域内像素的平均值，替代原始像素的值来去除噪声。
在Matlab中，可以使用"imfilter"函数进行均值滤波，通过设置适当的滤波模板大小和滤波器系数，实现对图像的去噪。
二、图像增强图像增强是指通过一系列算法和技术，改善图像的质量、增强图像的细节和对比度，使图像更容易被观察和理解。
Matlab提供了多种图像增强方法，以下将介绍其中的两种常用方法。
1. 直方图均衡化直方图均衡化是一种通过对图像像素值的分布进行调整，增强图像对比度的方法。
在Matlab中，可以使用"histeq"函数进行直方图均衡化处理。
该函数能够将图像的像素值分布拉伸到整个灰度级范围内，提高图像的动态范围和对比度。
2. 锐化增强锐化增强是一种通过增强图像边缘和细节来改善图像质量的方法。
在Matlab中，可以使用"imsharpen"函数进行图像的锐化增强处理。
MATLAB中多种图像去噪算法的比较分析
MATLAB中多种图像去噪算法的比较分析在MATLAB中，有多种图像去噪算法可供选择。
这些算法各有优势和劣势，适用于不同的噪声类型和图像特征。
本文将对几种常见的图像去噪算法进行比较分析，包括均值滤波、中值滤波、高斯滤波和小波去噪。
1. 均值滤波均值滤波是最简单的图像去噪算法之一。
它通过计算像素周围邻域的平均值来减少图像中的噪声。
然而，均值滤波在去除噪声的同时也会模糊图像的细节，特别是对于边缘部分的处理效果不佳。
2. 中值滤波中值滤波是一种非线性滤波算法，它通过将像素点邻域内的像素值排序并选择其中的中值来进行去噪。
相比于均值滤波，中值滤波能够更好地保留图像的细节，并且对于椒盐噪声等脉冲噪声具有较好的去除效果。
然而，中值滤波对于高斯噪声等噪声类型的去除效果较差。
3. 高斯滤波高斯滤波是一种基于高斯函数的平滑滤波算法。
它通过将像素点邻域内的像素值与对应的高斯权重进行加权平均来进行去噪。
高斯滤波能够较好地去除高斯噪声，并且保持图像的细节信息。
然而，对于椒盐噪声等脉冲噪声，高斯滤波的效果较差。
4. 小波去噪小波去噪是一种基于小波变换的图像去噪算法。
它通过将图像进行小波分解，对低频分量和高频分量进行独立的去噪处理，然后再进行小波重构。
小波去噪能够同时去除图像中的噪声和保持图像细节，对于各种噪声类型都有较好的去除效果。
然而，小波去噪算法的计算复杂度较高，运行时间较长。
综合比较以上四种图像去噪算法，我们可以根据噪声类型和图像特征选择合适的算法。
如果图像中存在高斯噪声，可以使用高斯滤波进行去噪；如果图像中存在椒盐噪声，可以使用中值滤波进行去噪；如果需要同时去除多种噪声类型并保持图像细节，可以考虑使用小波去噪算法。
此外，在实际应用中，我们还可以通过调整算法参数来进一步优化去噪效果。
例如，对于滤波算法，可以调整滤波器的大小来控制去噪力度；对于小波去噪算法，可以选择不同的小波基函数以适应不同图像特征。
总之，MATLAB中提供了多种图像去噪算法，每种算法都有其适用的场景和优势。
Matlab中的图像去噪方法探究
Matlab中的图像去噪方法探究引言：图像去噪是数字图像处理中一个重要的领域，通常被用于清除图像中的噪声，提高图像的质量。
Matlab作为最常用的科学计算软件之一，提供了众多图像去噪方法的实现。
本文将探究在Matlab环境下常用的图像去噪方法，包括均值滤波、中值滤波、小波去噪和Total Variation（TV）去噪等。
1. 均值滤波均值滤波是一种简单且常用的图像去噪方法。
其基本思想是通过计算像素周围邻域像素的平均值来减少噪声的影响。
在Matlab中，可以使用`imfilter`函数来实现均值滤波。
该函数通过对图像进行卷积操作，可以选择不同大小的滤波器来达到不同程度的去噪效果。
然而，均值滤波的缺点是会导致图像的细节模糊化，并且无法处理噪声的非高斯分布情况。
2. 中值滤波中值滤波是一种基于排序统计的图像去噪方法。
它的原理是通过对像素周围邻域像素进行排序，然后选择中间值作为输出像素的值。
与均值滤波相比，中值滤波能够更好地保留图像的细节信息。
Matlab中的`medfilt2`函数可以用于实现中值滤波。
需要注意的是，中值滤波对于椒盐噪声和脉冲噪声等非高斯分布噪声具有较好的去除效果，但对于高斯噪声等其他类型噪声的去噪效果相对较差。
3. 小波去噪小波去噪是一种基于小波变换的图像去噪方法，它通过将图像信号分解为不同频率的小波系数，然后根据小波系数的能量分布情况进行去噪处理。
在Matlab中，可以使用Wavelet Toolbox提供的函数来实现小波去噪。
其中，`wdenoise`函数可以根据设定的阈值对小波系数进行修正，从而实现图像去噪的效果。
由于小波去噪考虑了图像的频域特性，因此在去除噪声的同时能够尽可能地保留图像的细节信息。
4. Total Variation（TV）去噪Total Variation（TV）去噪是一种基于偏微分方程的图像去噪方法，它通过最小化图像的总变差来减少图像中的噪声。
在Matlab中，可以使用Image Processing Toolbox中的`imdenoise`函数来实现TV去噪。
matlab快速傅里叶去噪声函数
近年来，傅里叶去噪声在信号处理中得到了广泛的应用。
随着计算机技术的不断发展，解决傅立叶去噪声的方法也越来越多。
其中，matlab作为一种强大的数学软件，其内置的快速傅立叶变换功能使得在matlab评台上进行噪声去除变得更加便捷和高效。
一、傅里叶变换简介1. 傅里叶变换是将一个信号从时间域转换到频率域的数学操作，通常用来分析信号的频谱分布。
2. 在傅里叶变换的理论基础上，可以对信号进行去噪处理，即通过频域滤波去除噪声成分。
二、matlab中的快速傅里叶变换1. matlab是一种用于数学计算、数据分析和可视化的强大软件，具有便捷的编程接口和丰富的数学函数库。
2. matlab中的fft函数可以快速计算信号的傅里叶变换，是进行频域处理的重要工具。
三、傅里叶去噪声函数的使用1. 在matlab中，可以通过调用fft函数计算信号的傅里叶变换，然后对频谱进行滤波处理。
2. 滤波处理的方法包括低通滤波、高通滤波和带通滤波，根据信号特点和噪声类型选择合适的滤波方法。
3. 在滤波处理之后，可以使用ifft函数对滤波后的频域信号进行逆变换，得到去噪后的时域信号。
四、快速傅里叶去噪声函数的优势1. 基于matlab评台进行傅立叶去噪声处理，具有计算速度快、效果好、可视化直观等优点。
2. matlab中内置的fft和ifft函数对信号进行频域处理，可以方便地实现傅立叶去噪声的算法。
3. matlab软件本身提供了丰富的工具和函数库，可以方便地进行信号处理和算法实现，适合工程技术人员和科研人员使用。
五、傅里叶去噪声函数的实际应用1. 在通信系统中，傅里叶去噪声函数可以对接收到的信号进行去噪处理，提高信号的质量和可靠性。
2. 在地震勘探中，傅里叶去噪声函数可以对地震波信号进行去噪处理，提取地下结构信息。
3. 在医学影像处理中，傅里叶去噪声函数可以对医学影像进行去噪处理，提高影像清晰度和诊断准确性。
六、结语matlab作为一种强大的数学软件，其内置的快速傅立叶变换功能为傅立叶去噪声提供了强大的工具支持。
Matlab中的图像去噪技巧概述
Matlab中的图像去噪技巧概述近年来，随着数字图像处理的广泛应用，图像去噪成为了一个重要而热门的研究方向。
在实际应用中，由于图像采集设备的品质、传输媒介的干扰以及图像自身的特性等因素，图像中常常存在着各种噪声，这些噪声会对图像的质量和信息提取造成很大影响。
因此，研究和应用图像去噪技巧成为了提高图像质量和信号处理的关键步骤之一。
Matlab作为图像处理领域广泛使用的工具之一，提供了许多强大的图像处理函数和工具箱，很多图像去噪技巧也可以通过Matlab进行实现。
下面将对Matlab中常用的图像去噪技巧进行概述和介绍。
一、空域图像去噪技巧1. 中值滤波中值滤波是一种简单而有效的空域图像去噪技巧，其原理是使用像素周围邻域内的中值来代替当前像素的值。
这种方法适用于去除椒盐噪声和脉冲噪声，对保留图像细节有一定的效果。
2. 均值滤波均值滤波是一种简单的空域图像去噪技巧，其原理是计算像素周围邻域内像素的平均值，然后将当前像素的值替换为该平均值。
这种方法适用于去除高斯噪声和均匀噪声，但对于椒盐噪声和脉冲噪声的效果较差。
3. 高斯滤波高斯滤波是一种基于高斯模板的线性滤波方法，通过对像素周围邻域内的像素值进行加权平均来达到去噪效果。
这种方法适用于去除高斯噪声，并且在保留图像细节方面比均值滤波效果更好。
二、频域图像去噪技巧1. 傅里叶变换去噪傅里叶变换是一种将信号从时域转换到频域的方法，在频域进行去噪操作后再进行逆傅里叶变换可得到去噪后的图像。
这种方法适用于去除频率特性明显的噪声。
2. 小波变换去噪小波变换是一种多尺度的信号分析方法，能够将信号分解为不同的频带，并对每个频带进行去噪处理。
这种方法适用于去除不同尺度的噪声，并且在保留图像细节方面有一定的优势。
三、专用图像去噪技巧1. 自适应中值滤波自适应中值滤波是一种根据像素邻域内像素的灰度变化情况来动态选择滤波器尺寸的方法，能够在一定程度上保留图像细节，并有效去除椒盐噪声和脉冲噪声。
matlab中的去噪函数
matlab中的去噪函数
MATLAB中有多种用于去噪的函数和工具，其中一些常用的包括：
1. `medfilt1`，这个函数用于对一维信号进行中值滤波，可以
有效地去除椒盐噪声和其他类型的噪声。
2. `medfilt2`，类似于`medfilt1`，这个函数用于对二维图像
进行中值滤波，对于去除图像中的斑点噪声和其他类型的噪声效果
很好。
3. `wiener2`，这个函数实现了维纳滤波器，可以用于图像的
去噪。
维纳滤波器是一种自适应滤波器，可以根据图像的局部特性
进行滤波，适用于各种类型的噪声。
4. `imfilter`，这个函数可以实现各种类型的滤波操作，包括
高斯滤波、均值滤波等，可以根据具体的需求选择合适的滤波器进
行去噪处理。
5. `denoiseWavelet`，MATLAB中还提供了基于小波变换的去
噪函数，可以通过小波阈值处理来去除信号中的噪声成分。
除了以上提到的函数，MATLAB还提供了一些图像处理工具箱，
其中包含了更多高级的去噪算法和工具，比如基于深度学习的去噪
方法、非局部均值去噪（NL-means denoising）等。
这些工具可以
根据具体的应用场景和需求选择合适的去噪方法进行处理。
总的来说，MATLAB提供了丰富的去噪函数和工具，可以根据具
体的信号或图像特性选择合适的方法进行去噪处理。
在实际应用中，需要根据噪声类型、信噪比以及对信号质量的要求来选择合适的去
噪方法。
matlab去除录音噪声的方法
matlab去除录音噪声的方法下载提示：该文档是本店铺精心编制而成的，希望大家下载后，能够帮助大家解决实际问题。
文档下载后可定制修改，请根据实际需要进行调整和使用，谢谢!本店铺为大家提供各种类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，想了解不同资料格式和写法，敬请关注!Download tips: This document is carefully compiled by this editor. I hope that after you download it, it can help you solve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you! In addition, this shop provides you with various types of practical materials, such as educational essays, diary appreciation, sentence excerpts, ancient poems, classic articles, topic composition, work summary, word parsing, copy excerpts, other materials and so on, want to know different data formats and writing methods, please pay attention!如何使用 MATLAB 去除录音噪声导言录音噪声是在声音录制过程中常见的问题之一，它可能来自环境因素、录音设备本身或信号传输过程中的干扰。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实施报告题目：用MATLAB去除音频中的噪音学号： ******** 姓名：任课教师：联系方式：2014年2月5日第一部分理论自学内容阐述5.5系统的物理可实现性、佩利---维纳准则对于理想低通滤波器而言，在物理上是不可能实现的，但是我们能设计出接近理想特性的滤波器。
虽然理想低通滤波器在实际中是不能实现的，但是我们希望找到一种区分可实现性与不可实现性的标准，这就是佩利-维纳（Paley-Wiener）准则。
由佩利-维纳准则给出了，一个网络幅度函数物理可实现的必要条件，但绝非充要条件。
物理可实现性在文献中有不同定义方法，这里采用最低限度的定义把物理可实现性系统和不可实现系统区分开来。
我们可以直观地看到，一个物理可实现系统在激励加入之前是不可能有响应输出的，这称为因果条件。
这个条件在时域里的表述为：物理可实现系统的单位冲激响应必须是有起因的，即。
从频域来看，如果幅度函数满足平方可积条件，即，佩利和维纳证明了对于幅度函数物理可实现的必要条件是，它被称为佩利-维纳准则。
关于这个准则的推导及更详细的内容，与本课程的联系不紧，在此我们只讨论由这个准则得到的一些推论。
1.幅度函数在某些离散频率处可以是零，但在一个有限频带内不能为零。
这是因为，若在某个频带内都有，则，从而不能满足为佩利-维纳准则，系统是非因果的。
2.幅度特性不能有过大的总衰减。
由佩利-维纳准则可以看出，幅度函数不能比指数函数衰减的还要快，即是允许的，而是不可实现的。
3.尽管理想滤波器是不能实现的，但是我们可以任意逼近其特性。
因此有关理想滤波器的研究是有意义的。
在实际电路中，不能实现理想低通滤波器的矩形振幅特性，我们只能近似得到，但所需要的电路元件随着逼近程度的增加而增多的。
一个精确的近似，在理论上需要无限多个元件，于是滤波器的相移常数变为无限大，从而输出脉冲的振幅出现在无限延时以后，所以响应曲线的振荡衰减部分不会在以前出现。
我们注意到，佩利-维纳准则只是就幅度函数特性提出了系统可实现性的必要要求，而没有给出相位方面的要求。
如果一个系统满足这个准则，对应于一个因果系统，此时我们把系统的冲激响应沿着时间轴向左平移到以前，那么，虽然系统的幅度特性满足了佩利-维纳准则，但是它显然是一个非因果系统。
所以说，佩利-维纳准则只是系统物理可实现性的必要条件，当我们验证了幅度函数满足此条件以后，可以利用希尔伯特变换找到合适的相位函数，从而构成一个物理可实现的系统函数。
该准则讲述了幅度对其判断的影响，但相位实际也是影响它的条件之一，如果将一个因果系统，保持幅度不变的情况下，向左移。
可见相位的改变让该系统变成了非因果系统，同样，物理上是不允许的。
5.7 调制与解调调制与解调应用于广泛的通信系统当中，出现该技术的原因：在测控系统中，进入测控电路的除了传感器输出的测量信号外，还往往有各种噪声。
而传感器的输出信号一般又很微弱，将测量信号从含有噪声的信号中分离出来是测控电路的一项重要任务。
为了便于区别信号与噪声，往往给测量信号赋予一定特征，这就是调制的主要功用在信号调制中常以一个高频正弦信号作为载波信号。
一个正弦信号有幅值、频率、相位三个参数，可以对这三个参数进行调制，分别称为调幅、调频和调相。
也可以用脉冲信号作载波信号。
可以对脉冲信号的不同特征参数作调制，最常用的是对脉冲的宽度进行调制，称为脉冲调宽。
信号的发送是需要满足一定的条件，才能远距离的传输，影响该因素的正是天线的尺寸于信号波长的关系，（大于等于波长的10分之1）可见，对于低频的信号，相同的传播速度，它的波长越大，所以调制可以将该信号的频率搬移到较高频率，从而波长减小，天线的尺寸也得到改善。
调制的原因如书上所述：假设一个复杂的语音信号用乘法器于cos（Ωt）相乘，由傅立叶变换性质，易得原信号的频谱左右进行了搬移。
那么该信号通过天线发射，就能被接收端收到，同理，需要进行对信号解调，否则无法真实的还原人的语音信号，只要再乘以cos（Ωt）即可。
频谱又进行了左右搬移，再加个低通滤波器以及必要时的放大器，就能实现对高频的滤波和对原始信号的放大，从而达到了语音信号的传输。
不过信号的传输并非只有语音，还有诸多其他信号。
而且，调制并非只有上述这种方法，但不管哪种方法，其本质都是要进行对原信号频谱的搬移，这是调制的必要条件。
第二部分案例或课题陈述及实现方案【设计原因】根据信号报告要求，我一开始想到的是编写一段代码，通过录音识别人的音色，将其保存。
结合手机对话功能，对所问问题用保存好的音色进行回答。
如：孩子到异地上学或打工前用手机保存自己的音色。
孩子离开后，父母可以打开软件与手机对话，手机回答的音色为孩子的声音。
这个设计我觉得还算不错，但是所学的信号知识实在有限，最后决定设计“用Matlab去除音频中的噪音”的方案，这个比较简单，比较适合初学者。
【设计思路】滤波器是一种用来消除干扰杂讯的器件，将输入或输出经过过滤而得到纯净的交流电。
采用MATLAB设计滤波器，使原来非常繁琐复杂的程序设计变成了简单的函数调用，为滤波器的设和实现开辟了广阔的天地，尤其是Matlab工具箱使各个领域的研究人员可以直观方便地进行科学研究与工程应用。
MATLAB 信号处理工具箱为滤波器设计及分析提供了非常优秀的辅助设计工具, 在设计数字滤波器时, 善于应用MATLAB进行辅助设计, 能够大大提高设计效率。
我们都知道，语音信号经过调制在大自然中传播，必然会夹杂着噪声一起传过来，那么我们该如何设计电路，从而达到对语音信号的提取，滤除噪音信号呢。
根据资料显示，人类的发生频率范围在300hz-3400hz不等，因此，对于语音信号的提取，我们可以用滤波器来实现。
为了更好的理解语音信号在时域和变换域处理前和处理后的变化情况，我首先用Audition 1.5得到.wav格式的音频。
其次，由matlab自带的绘图工具画出相应的时域波形以及经过傅立叶变换后的频谱图。
根据频谱图上人的语音信号的频率范围和噪声的频率范围，设计出低通滤波器，对含噪信号进行滤波处理，消除噪声，并通过指令sound（）听处理结果的声音，确定是否消除或部分抑制了噪声。
【实验方案】1、语音信号采集得到一段语音文件，可以是原有的或是现场录制（为便于比较，需要在安静、干扰小的环境下录音），用audition软件将其改为.wav格式的音频。
2、语音信号分析使用MATLAB绘出采样后的语音信号的时域波形和频谱图。
3、含噪语音信号合成在MATLAB软件平台下，给原始的语音信号叠加上噪声，绘出叠加噪声后的语音信号时域和频谱图，与原始语音信号图形对比，分析含噪语音信号频谱和时域波形的改变。
4、数字滤波器设计及滤波,根据设计思路，结合matlab显示频谱图等设计合理的滤波器，并用滤波器对含噪语音信号分别进行滤波处理。
5、回放语音信号对滤波后的语音信号进行回放，感觉滤波前后语音信号的变化。
第三部分例或课题成果阐述及代码我上网查阅资料得知Matlab能识别.wav和.au格式的音频文件，所以在我先将mp3格式的文件用audition改成wav格式文件。
这段音频的内容是诗朗诵，关于毛泽东《沁园春》中的“俱往矣，数风流人物，还看今朝。
为方便教师验证代码，报告准备了两份代码，一份没有注释，方便直接验证，另一份代码后有注释，便于理解代码编写思路。
【完整代码如下】[x,fs,nbit]=wavread('jw.wav')sound(x,fs);N=length(x);t=(0:N-1)/fs;w=fs*linspace(0,1,N);y=abs(fft(x,N));figure(1)subplot(2,1,1)plot(x);title('原始语音信号时域图')subplot(2,1,2)plot(w,abs(y));title('原始语音信号频谱图')t=linspace(0,(N-1)/fs,N);x1=0.5*sin(2*pi*10000*t);x1=x(:,1)+x1';sound(x1,fs);figure(2)y1=abs(fft(x1,N));subplot(2,1,1);plot(t,x1);title('加入噪声后语音信号时域图') subplot(2,1,2);plot(w,y1);axis([0,fs,0,20000]);title('加入噪声后语音信号频谱图') fc=9200;fst=9600;rp=1;rs=30;wp=fc*2/fs;ws=fst*2/fs;[n,wn]=buttord(wp,ws,rp,rs);[b,a]=butter(n,wn,'low');figure(3);freqz(b,a);title('滤波器特性曲线');x2=filter(b,a,x1);figure(4);y2=abs(fft(x2,N));subplot(211)plot(t,x2);title('滤波后语音信号时域图');subplot(212);plot(w,y2);title('滤波后语音信号频谱图') sound(x2,fs);【完整代码注释如下】[x,fs,nbit]=wavread('jw.wav') //用于读取jw.wav，采样值放在了向量x当中，fs表示采样频率，nbit表示采样位数sound(x,fs); //播放原语音信号N=length(x); //求出语音信号的长度t=(0:N-1)/fs; // 语音信号的长度除以采样频率w=fs*linspace(0,1,N);y=abs(fft(x,N));figure(1) //设计第一个图subplot(2,1,1)plot(x);title('原始语音信号时域图') //画出原始信号时域图subplot(2,1,2)plot(w,abs(y));title('原始语音信号频谱图') // 画出原始信号频谱图t=linspace(0,(N-1)/fs,N);x1=0.5*sin(2*pi*10000*t);x1=x(:,1)+x1'; //加入人为的噪声，表现为滴鸣声sound(x1,fs); //播放噪音和原始语音信号的混声figure(2) //设计第二个图y1=abs(fft(x1,N));subplot(2,1,1);plot(t,x1);title('加入噪声后语音信号时域图')subplot(2,1,2);plot(w,y1);axis([0,fs,0,20000]);title('加入噪声后语音信号频谱图') //画出加入噪音混声的时域图和频谱图由两张图对比发现，加入噪音后，频谱图，在高频分量当中出现了明显的幅值，很明显这是人为加入噪声之后，频谱有明显的变化，接下来我们要滤除噪音。