_语音去噪算法的研究.
语音去噪算法的研究
专业：通信工程姓名
摘要语音去噪处理是对我们语音通话过程中受到的各种外界声音特别是噪声进行处理，从而得到纯净的语音信号。本文利用一种常用的语音去噪算法——谱减法来进行语音去噪的研究。谱减法使用简单且可执行，其输出语音质量很高，能有效的除去语音中的噪声。本文通过添加不同的噪声：高斯白噪声和随性噪声，通过谱减法对高斯白噪声与随性噪声分别进行了去噪处理，并对去噪能力进行比较，通过仿真结果可以看出当加入噪声强度低于2时，谱减法对白噪声的去噪效果较好，当加入噪声强度高于2时，谱减法对随性噪声的去噪效果较好。
关键词语音去噪，谱减法，高斯白噪声，随性噪声
ABSTRACT
Speech denoising is dealing with the noise in our voice calls suffering from different kinds of external voice especially noise and provides us a clear voice signal. In the paper, Spectral subtraction which is one of common Speech denoising methods is studied. Spectrum subtraction is easy to be carried out and it can improve the quality of the output voice, the noise in the voice can be high effectively removed. In the paper, two types of noise: Gaussian noise and random noise were added in voice signal. The simulation results shou that spectrum subtraction has a better effect on Gaussian noise while the intensity of added noise
noise is higher than 2.
Keywords Removing the noise, Spectral subtraction, Gaussian white noise, Random noise
目录
1绪论 (1)
1.1选题背景 (1)
1.2语音去噪的算法研究现状 (1)
1.3本文各章节主要内容 (3)
2 语音去噪的理论基础 (3)
2.1语音信号的特性 (3)
2.2噪声信号的特性 (4)
2.2.1噪声的分类 (4)
2.2.2.噪声的度量 (5)
2.2.3.噪声表示 (6)
2.2.4带噪语音模型 (7)
3 应用谱减法进行语音去噪 (7)
3.1谱减法 (7)
3.2谱减法的实现流程图 (9)
3.3谱减法的实现 (10)
3.3.1读取语音文件添加噪声 (10)
3.3.2 分帧加窗 (10)
3.3.3加噪信号傅里叶变换 (11)
3.3.4逆傅里叶变换 (11)
3.3.5去除汉明窗引起的增益 (11)
4仿真结果 (12)
4.1原始语音信号的仿真 (12)
4.2加入噪声信号强度为1的白噪声仿真图 (12)
4.3加入噪声信号强度为2的白噪声仿真图 (13)
4.4加入噪声信号强度为3的白噪声仿真图 (15)
4.5加入随性噪声的仿真图 (16)
5.总结 (19)
参考文献 (20)
附录 (21)
答谢 (25)
1绪论
1.1选题背景
语音是信息传播和情感表达的重要媒介，在日常生活中起着非常重要的作用。二十一世纪是信息科学世纪，人机交互式语音处理系统如电话通信，导航系统，远程控制等在人们日常生活中的应用越来越多。因此，对人类交流中最常用的语音其进行处理，在现代信息处理中占有极其重要的地位。
当我们在日常生活中进行语音通信时，会遇到噪声干扰的问题。如：我们在马路旁使用公用电话进行通信，路人的嘈杂声、汽车的鸣笛声等噪声都会干扰我们语音通讯的话音质量。对于接收语音方来说，受干扰的语音可能会使接收方产生听觉疲劳，还有可能无法听清对方声音。
在我们进行语音通信的过程中，语音质量的好坏是很重要的。如果音质很差，接收方无法听清对方的话音，可能会工作造成无法估量的损失。
人类社会已经离不开通信，语音是我们信息交流中最平常、最快速和最方便的方式之一。但目前语音识别系统很难在噪声环境中工作，其受到的影响很大。因此，语音增强技术对于我们的日常生活有着极其重要的价值。
1.2语音去噪的算法研究现状
语音增强方法在20世纪70年代中期就对其进行研究。当时取得了一些基础性成果。随着近代科学的发展，数字信号处理理论逐渐成熟，语音增强也取得了快速的发展，如今语音增强成为语音处理领域的一个重要分支。1978年Lim和Oppenheim提出了语音增强的维纳滤波方法，1979年Boll提出了谱相减方法来抑制噪声，1980年Maulay和Malpass提出了软判决噪声抑制方法，1984年Ephraim和Malah提出基于MMSE短时谱幅度估计的语
音增强方法，1987年Paliwal把卡尔曼滤波引入到语音增强领域]10[。语音增强技术在这近30年的发展中，各种方法被不断的提出，从而奠定了语音增强理论基础，并使之逐渐走向成熟]1[。
解决噪声污染的一种有效途径是语音增强，他的主要功能是在混有噪声的语音信号中处理原始语音信号，随着通信技术的发展，语音增强技术也有了很大程度的发展。它主要用于降低噪声、语音识别系统和预处理。
语音增强涉及的内容很广，它还涉及到听觉感知和语音学。噪声有许多来源，随着外部环境的变化，噪声特性也不相同。我们必须针对不同的噪声，采取不同的语音增强方法]1[：
频谱相减法：单声道语音增强，是目前常用的一类基于短时谱幅度估计的语音增强方法，该方法对语音信号的感知没有必要精确计算。所以，基于STSA估计的方法通常接采用带噪语音的相位作为增强语音信号的相位。基于语音增强STSA估计方法，包括谱减法和各种变形，最低均方误差估计法等。
自适应噪声对消法：自适应噪声对消是由自适应滤波器来完成的，它的基本原理是根据Widrow方法，利用自适应滤波器，从带噪语音中减去噪声的最佳估计值，得到纯净的语音。这种方法中，一个关键的问题是如何得到噪声的最佳值，自适应滤波器的目的是使设计出的噪声与实际噪声接近，因而根据LMS准则来调整滤波器系数。
小波变换法：小波变换是对信号的时间尺度和时间频率进行分析的一种方法，即在时域上对信号离散变换，在频域上进行谱分析的方法。具有非常高的高分辨率，而且在时、频两域上都具有对信号局部特征进行表征的能力
图1.1.语音增强处理改善语音质量
1.3 本文各章节主要内容
第一章为绪论，对课题背景即语音去噪的重要性与应用的普遍性进行了介绍。同时，还介绍了去噪算法研究的发展历史。最后，对去噪算法的分类进行了介绍，确立了本论文的研究方法——谱减法。
第二章介绍了去噪过程中必备的两个要素语音信号特性和噪声信号特性，噪声的质量和分类，以及噪声的表示和模型。
第三章介绍了谱减法的基本概念，实现的流程图，以及通过谱减法进行语音去噪的步骤：输入语音信号，添加不同的噪声信号，分帧加窗，傅里叶变换以及逆傅里叶变换与去除窗增益。通过仿真图形对谱减法的去噪效果以及谱减法对哪种噪声的去噪效果更好进行了论述。
2 语音去噪的理论基础
2.1语音信号的特性
语音是由清音和浊音组成。其中浊音在时域上是具有周期性的；在频域上有共振峰结构，在低频段内聚集着大部分能量。而清音段无时域和频域特性，与白噪声相似。在我们进行语音增强时，可以对浊音的周期特征进行有效地使用，我们一般采用梳状滤波器，通过该滤波器对语音分量进行提取，
也可以有效地抑制非语音信号]1[。
语音信号一般利用统计分析来表示。因为语音是一种随机过程，他是非平稳，非遍历的。所以对语音信号进行长时间的时域统计特性是徒劳的，长时间的时域统计在语音增强中意义不大]6[。因为语音的谱幅度在短时是时变的，所以我们要将帧长趋于无穷大，这样才能近似认为该短时语音信号具有高斯分布的特性。我们在这对短时语音信号做了一种近似的描述。我们一般在研究宽带噪声的语音增强方法时，认为这种假设是前提]3[。
2.2噪声信号的特性
2.2.1噪声的分类
噪声来源由外界的应用环境决定，噪声一般可分为加性噪声与非加性噪声。在非加性噪声中，一些噪声可以转化为加性的。我们一般研究的加性噪声分为：周期性噪声、脉冲噪声、宽带噪声和同声道语音干扰等。
周期性噪声：离散的窄谱峰是周期性噪声的特点，其主要来源于周期性运转的机器，周期性噪声引发的问题最少，可以通过滤波技术将噪声去掉。但是，其中交流噪声的抑制很困难，因为其频率成分不是基音，而是谐波成分。
脉冲噪声：一般是在时域波形中突发的窄脉冲，一般是由于放电产生的。脉冲噪声的消除方法一般在时域内进行，通过混合信号幅度的平均值来确定阈值。当混合信号幅度大于这一阈值时，该信号被认为是冲激噪声，然后在对该信号进行衰减，从而去除该脉冲噪声。
宽带噪声：一般可以设定为高斯噪声和白噪声，他有很多来源，包括一
语音信号在时域和频域上重叠，所以滤波方法是无效的，因而消除它最困难。宽带噪声只会单独存在于语音间歇时期，平稳的宽带噪声认为是高斯白噪声
]
6[。
同声道语音干扰噪声：是指当单信道中有多个语音信号叠加传输时，对
称信号因相互抵消而消失。此外，发音也会受到背景噪声的影响，噪声信号对原有语音信号的声学特征和参数造成了破坏，从而无法分清不同语音的差别，话音质量有所下降。因此，噪声会对语音信号产生严重的影响]5[。
背景噪声：背景噪声信号不仅对原有的声学特征进行破坏，而且还破坏原有信号的模型参数，使不同语音间的差别减弱，语音质量下降。较强的背景噪声会改变讲话人的发音方式，对于相同的语音，其语音的特征参数也会与安静环境下不同]4[。
单频噪声：它主要源于无线电干扰。它的特点是一种连续干扰，并且其频率是可以通过实测来确定的，因此在采取适当的措施后就有可能防止。 2.2.2.噪声的度量
声音是由声压、声强、声功率度量的。 声压级Lp (dB)或SPL 的定义为：
lg
20p p
Lp = （2-1）
其中0p =20a p μ，a p 为基准声压(空气中)。 声强级I L (dB)或SIL 定义为
o
i I I
L lg
20= （2-2） 2
1210m W
I =
声功率w L (dB)或SWL 的定义为：
0lg
10W W
L W = （2-3）
其中{})(n w =212
10m W
-为基准功率。
声压级与声强级的关系如下式表示：
c L L p I 0400
lg
10ρ= （2-4）
其中C 为声速(m ／s)。 2.2.3.噪声表示
噪声是一个随时间变化的过程。一般的时域周期信号可用振幅、频率、相位来表征。但是噪声的时域特性不是很明显，噪声的时域波形称为噪声信号，将其进行频域变换，得到噪声信号的频域特性——频谱。
噪声的频率特性一般由功率谱密度描述。设频率在)(~f f f ?+间的噪声功率为),(f f f P N ?+，则功率谱密度)(f G XX 定义为单位频率间隔内所含的噪声功率，即有：
df dP f f f f P f G N
N f XX =
??+=→?)
,(lim )(0
（2-5）
?=2
1
)(f f XX N df
f G P （2-6）
噪声还具有统计特性。看起来噪声的时域波形像是无规则的的，但是任何噪声都都是有一定规律的，它们具有一定的统计规律。对于一个系统的噪声来说，测量值是不确定的，即有一定的随机性；但是当我们对该系统噪声进行N 次测量之后，我们可以看出该系统噪声分布是有一定的规律。测量噪
随机过程的统计特性可用定量值——平均值1μ和标准偏差σ表示。期望值1μ是X 的平均值，表示测量一次可期望的值，并用大量测量的平均值表示，即：
)()()(m n m s m y w w w += （2-7） 标准偏差σ是X 的分散程度或变化部分的表示，即：
2
2
22)(x x x x -=-=σ （2-8） 在一般交变量中，平均值1μ为零，则标准偏差就是有效值，2
σ称为均
方差。
2.2.4带噪语音模型
带噪语音模型如图2.1所示。
)()()(k n k s k y += (2-9) 其中，)(y k 、)(k s 、)(k n 分别为带噪语音、纯净语音和干扰噪声。 其带噪语音模型可以用下图表示：
图2.1 带噪语音模型
3 应用谱减法进行语音去噪
3.1 谱减法
谱减法是语音去噪技术中较传统有效的方法，谱减法认为加性噪声与短
纯净语音
)
(k s 带噪语音
)
(k x 干扰噪声
时平稳语音是相互独立的，从而可以利用混合语音的功率减去噪声功率得到去噪后的语音信号。
图3.1谱减法原理框图
我们假设)(m s 、)(m n 和)(m y 分别代表语音、噪声和带噪语音，)(ωs S 、
)(ωn S 和
)
(ωy S 分别表示其短时谱。由上面假设可以得到信号的加性模型：
)()()(m n m s m y += (3-1)
经过加窗处理后的信号分别表示为)(m y w ，)(m s w ，)(m n w ，则有
)
()()(m n m s m y w w w += (3-2)
对上式两端分别做傅立叶变换，得
)
()()(w N w S w Y w w w += (3-3)
对功率谱有
)
()()()(|)(||)(||)(|**222w N w S w N w S w N w S w Y w w w w w w w +++= (3-4)
可以根据观测数据估计
2
|)(|ωw Y ，其余各项必须近似为统计均值。由于
)(m s 和)(m n 独立，则互相的统计均值为0，所以原始语音的估值为：
]
|)([||)(||)(|222w N E Y w S w w w -=∧
ω (3-5)
上式为功率谱减法的表达式。整个系统原理图如图所示：
图3.2 传统谱减法原理框图]1[
谱减法的建立的假设：⑴噪声与语音信号是没有联系的，在频域上是加性的关系]8[。⑵外界背景噪声看做是近似稳态的。⑶如果背景噪声发生变化，形成其他的稳态，则必须有足够的时间(约300ms)来便估计新的背景噪声谱幅度值]9[。⑷对于非平稳缓慢变化的环境噪声，谱减法算法会激活话音检测环节，用以适时的判断并进行调整。⑸假设主要噪声影响的消除的方法是通过在带噪语音谱幅度中减去噪声而实现]6[。
3.2谱减法的实现流程图
3.3 谱减法的实现
3.3.1读取语音文件添加噪声
在本次语音信号的去噪研究中，使用的纯净语音文件是利用一段wav 格式的语音文件。Wav 语音文件室多媒体使用的声波文件格式之一。程序实现中我们用wavread 函数读取wav 语音文件，返回抽样数据、抽样速率、每一抽的比特数。
本设计对原始信号加入了2种噪声：高斯白噪声和随性噪声并对这两种噪声的去噪效果进行了比较。同时也对高斯白噪声中加入的噪声强度不同进行了比较。 3.3.2 分帧加窗
下一步是按帧读取语音数据，一帧一帧的处理，直到处理完所有语音数据。取出每一帧语音信号进行窗函数处理。窗函数的实质是利用短时窗对信号进行截取。本设计使用的是汉明窗，汉明窗是对汉宁窗改进，叫做升余弦窗。这种窗函数使能量集中在主瓣上，主瓣能量约占99。96%瓣峰值幅度为40dB ]7[，其主瓣宽度和汉宁窗一样，是一种高效的窗函数，其表达式为：
?????
-=--+=为其他
n N n N n n w ,0)1...(0],)112cos[(
64.054.0)(π (3-6)
窗函数的的选择对语音信号分析来说是极其重要的。窗函数不同，其结果就会不同，矩形窗的谱平滑效果较好，但是在波形得细节方面有所丢失；然而汉明窗与其反。因此，在我们对语音的频域进行处理时，一般使用汉明
窗。
窗函数中窗的长度有着很重要的作用。如果窗的长度L很大，那么该窗函数相当于一个很窄的低通滤波器。语音信号的时域特性几乎没有变化，很难用于反映语音信号的变化，从而波形细节变化无法看出；当L太小时，滤波器的通带会变得很宽，此时语音信号时域特性会产生急剧变化，因而无法看出平稳的语音变化特性。因此，窗口长度选择应合适。
3.3.3加噪信号傅里叶变换
傅里叶变换是在数字信号处理中很重要的数字变换，傅里叶变换分为离散傅里叶变换和快速傅里叶变换。离散傅里叶变换实质上是有限长序列的有限点的离散采样，实现了频域的离散化，经过分帧加窗之后，对信号进行傅里叶变换并对信号的功率谱密度进行计算。
3.3.4逆傅里叶变换
顾名思义，逆傅里叶变换是傅里叶变换的逆过程，即将离散的频域信号通过逆变换变成原有的连续的语音信号。该方法用于离散信号的整合，用于语音信号的输出。
3.3.5去除汉明窗引起的增益
窗函数的主要功能是是谱函数的主瓣包含更多的能量，相应的旁瓣幅度更小，去除汉明窗增益即是将主瓣能量削弱，谱函数能量的相应旁瓣能量增加，增加信号的连续性。
4仿真结果
经过上述步骤就可以对信号进行谱减法信号增强，实现去噪处理。从而得到增强的语音信号。本文利用MATLAB软件进行语音信号的输入与输出，以及语音波形的仿真，下面是对语音信号的仿真图形：
4.1原始语音信号的仿真
图4.1 原始信号图像
4.2加入噪声信号强度为1的白噪声仿真图
加入噪声强度为1的白噪声之后，输出的语音混合信号仿真波形：
图4.2加入高斯白噪声之后的混合信号
加入噪声强度为1的白噪声之后，输出增强的语音信号仿真波形：
图4.3运用谱减法进行语音增强之后的信号图形
4.3加入噪声信号强度为2的白噪声仿真图
图4.4加入高斯白噪声之后的混合信号
加入噪声强度为2的白噪声之后，输出的增强的语音信号仿真波形：
图4.5运用谱减法进行语音增强之后的信号图形
4.4加入噪声信号强度为3的白噪声仿真图
加入噪声强度为3的白噪声之后，输出的语音混合信号的仿真波形：
图4.6加入高斯白噪声之后的混合信号
加入噪声强度为3的白噪声之后，输出的增强的语音信号仿真波形：
图4.7运用谱减法进行语音增强之后的信号图形
通过对以上三种不同强度值时的仿真图形可以看出随着噪声强度值的增加，输出信号信噪比也在增加，且随着输入噪声强度值的增加，输出增强信号有点失真。
4.5加入随性噪声的仿真图
加入随性噪声之后，输出的语音混合信号和增强信号的仿真波形：
图4.8加入随性噪声之后的混合信号仿真波形
加入随性噪声之后，输出语音增强信号的仿真波形：
数字图像去噪典型算法仿真与分析
数字图像去噪典型算法仿真与分析 个人信息********* 摘要：图像去噪是数字图像处理中的重要环节和步骤。本文首先介绍了常见的图像噪声；然后，在介绍图像去噪的基本方法和原理的基础上，讨论了均值滤波、中值滤波和维纳滤波三种典型的图像去噪方法；最后，对包含有高斯噪声和椒盐等噪声的图像进行去噪，并对其去噪效果进行了仿真和分析比较，得出了三种方法各自的适用性特点。 关键词：图像去噪；均值滤波；中值滤波；维纳滤波 Simulation and Analysis of Image De-noising Methods in Digital Image Name:*** (个人信息****) Abstract: Image denoising is one of the most important parts and steps of image processing. Firstly, the paper introduces the common image noise. Then, based on the principle and methods of eliminating image noise, it discusses mean filtering, median filtering, and Wiener filtering which are typical image donoising. Finally, it uses these methods to eliminate image noise which contains Gaussian noise and salt&pepper noise. And through comparing and analyzing the effect of these methods, it concludes the applicability of each method in different application. Key words: image denoising; mean filtering; median filtering; Wiener filtering 0 引言 数字图像是现代人们获取信息的主要来源。由于成像系统、传输介质和记录设备等的不完善，数字图像在其形成、传输记录过程中往往会收到多种噪声的污染。一般来说，现实中的图像都是带噪图像。噪声使图像变得模糊，甚至淹没图
一种双麦克风自适应语音降噪算法研究与实现
一种双麦克风自适应语音降噪算法研究与实现北京大学硕?论文龋枉自目版权声明任何收存和保管奉论文各种版本的单位和个人，未经本论文作者同意，不得将本论文转借他人，亦不得随意复制、抄录、拍照或以任何方式传播。否则，引起有碍作者著作权之问题，将可能承担法律责任。北京大学硕士论文摘要在现代社会中，语音信号处理(如语音增强、语音识别、语音编码、语音压缩、语音台成等)广泛应用在远程通信、车载电话、视频会议、办公自动化、人工智能系统等众多领域。由于传声器在拾取语音信号时不可避免地受到环境噪声、混响和其他说话人语音的影响，接收到的语音信号往往己被污染，因此消除语音中的噪声，以实现语音增强是语音技术的一个关键问题，多年来已经提出了大量的算法。双麦克风阵列具有尺寸小，装备灵活，可实现自适应噪声消除算法等优势，将在车载语音导航系统、机器人语音识别、视频会议及助听设各等场合获得广泛应用。本论文开展基于双麦克风阵列和自适应噪声消除(,,,,,,,,,,,,,,,,;,,,,,,,,:,,,)结构的语音降噪算法研究，完成的主要工作包括: ,)阅读了双麦克风,,,语音降噪技术国内外文献，较为全面地分析和研究了现有基于双通道麦克风阵列的,,,语音降噪技术，完成了相关技术文献综述。 ,)研究了基于取麦克风的,,,语音降噪方法，详细分析了,,,语音降噪的基本理论和算法实现，开展了基于,,机的,,,,,,算法仿真，验证了,,,语音降噪方法的有效性。 ,)分析了基于玻麦克风,,,语音降噪方法在存在串话条件下的局限性，基于双麦克风串话信号模型，开展基于双自适应滤波器的,,,噪声消除架构 (,,,—,,,)的语音降噪方法研究，推导了相应的自适应算法，利用基于,;机的,,,,,,仿真实验，验证了基于双麦克风,,,,,,,语音降噪方法的有效性。 ,)针对基于双麦克风,,,—,,,语音降噪方法在混响和串话同时存在的情况下性能不佳的问题，采用级联,(滤波器和自适应滤波器的自适应噪声消除架构 (,,,,,—,,,)实现语音降噪和去混响。论文推导
滤波图像降噪算法研究报告
研究生课程论 文 基于滤波的图像降噪算法的研究 课程名称专业文献阅读与综述 姓名张志化 学号1200214006 专业模式识别与智能系统 任课教师钟必能 开课时间2018.9——2018.11 教师评阅意见： 论文成绩评阅日期 课程论文提交时间：2018 年11月11日
基于滤波的图像降噪算法的研究 摘要：图像在获取和传输过程中，往往受到噪声的干扰，而降噪的目的是尽可能保持原始信号主要特征的同时除去信号中的噪声。目前的图像去噪方法可以将图像的高频成分滤除，虽然能够达到降低噪声的效果，但同时破坏了图像细节。边缘特性是图像最为有用的细节信息，本文对邻域平均法、中值滤波法及维纳滤波法的图像去噪算法进行了研究分析和讨论。 关键词：滤波；图像噪声；图像降噪算法；评价方法； 1 引言 数字图像处理，就是利用数字计算机或其他数字硬件，对图像信息转换而来的电信号进行某种数字运算，以提高图像的实用性，进而达到人们所要求的某种预期效果[1]。数字图像处理已经广泛应用于遥感、工业检测、医学、气象、侦查、通信、智能机器人等众多学科与工程领域中。 数字图像处理技术的优点主要有：<1)再现性好。数字图像处理不会因图像的存储、传输或复制等一系列变换操作而导致图像质量的退化。只要图像在数字化时准确地表现了原稿，则数字图像处理过程始终能保持图像的真实再现。 <2)处理精度高。按目前的技术，几乎可以将一幅模拟图像数字化为任意大小的二维数组，这主要取决于图像数字化设备的能力。现代扫描仪可以把每个像素的灰度等级量化为16 位甚至更高，意味着图像的数字化精度可以满足应用需求。 (3>适用面宽。图像可以来自多种信息源。从图像反映的客观实体尺度看，可以小到电了显微镜图像，大到航空照片、遥感图像甚至天文望远镜图像。这些来自不同信息源的图像只要被变换为数字编码形式后，均是用二维数组表示的灰度图像组合而成，均可用计算机来处理。 (4>灵活性高。由于图像的光学处理从原理上讲只能进行线性运算，极大地限制了光学图像处理能实现的目标；而数字图像处理不仅能完成线性运算，而且能实现非线性处理，即凡是可以用数字公式或逻辑关系来表达的一切运算均可用数字图像处理实现。 (5＞信息压缩的潜力大。数字图像中各个像素是不独立的，其相关性大。在图像画面上，经常有很多像素有相同或接近的灰度。就电视画面而言，同一
去噪算法的分析与实现
去噪算法的分析与实现 摘要为了进一步提高一些图像处理效果如边缘检测质量和适用性，也对噪声滤波处理进行了分析，实验结果标明，在去除椒盐噪声方面，中值滤波优于双边滤波；双边滤波对低频的噪声却有很好的效果；高斯滤波对高斯噪声有很好的处理效果；双边滤波用处理时间的代价换取了边缘磨平少的效果，而高斯滤波恰恰相反。 关键词噪声；滤波；图像处理 1 选题背景 图像的滤波重建是图像处理学的一个重要分支，早在20世纪40年代，N.Wiener就阐明了再平稳条件下的线性滤波理论，即Wiener滤波器理论，这些理论在控制领域得到了广泛的应用。但是Wiener要求储量大，计算的复杂度高，在后来的图像处理领域逐渐诞生了双边滤波，高斯滤波，中值滤波等算法。 优化边缘检测算法，加入了各种滤波算法，通过编写一些小的程序实现各种滤波的过程，这是优化图像的一种方式也是图像处理的一般步骤，滤波的目的是减少图像上噪声和失真，但是使用滤波算法或多或少都会减少边缘的强度，因而图像的增强和滤波之间是一个折衷的选择。滤波的图像效果会有些模糊，也称为模糊处理。 实现滤波的算法有很多种，CV_BLUR（简单滤波）、CV_BLUR_NO_SCALE （简单无缩放变换的滤波）、CV_MEDIAN（中值滤波）、CV_GAUSSIAN（高斯滤波）、CV_BILATERAL（双边滤波）。 2 主要滤波算法原理分析 2.1 高斯滤波 滤波算法中，周围局部领域的像素值决定了目标点的像素值。具体实现在2D高斯滤波中分别将不同的高斯权重值也就是加权平均之后得到的当前点的最后结果。然而此处的高斯权重因子是利用了两个像素之间的空间距离得出的。通过高速分布曲线我们可以看出，离目标像素越远的点对最终结果的贡献越小，反之则越大。 2.2 双边滤波 双边滤波是在高斯滤波中加入一部分权重来得到更好的处理效果，应用了卷积原理。先对其进行离散化，这个步骤是在处理前完成的。而且没有必要对每一个局部像素从整张图像上都用加权操作这个过程，从距离上，如果像素超了一定程度，其实实际上对目标像素的影响是非常非常小的，几乎可以忽略不计。
基于Hilbert-Huang的语音信号去噪算法研究
目录 摘要.................................................................................................................. I ABSTRACT ...................................................................................................... II 目录............................................................................................................... I II 第一章绪论. (1) 1.1引言 (1) 1.2国内外研究现状 (2) 1.2.1 语音去噪的研究现状 (2) 1.2.2 Hilbert-Huang的研究现状 (3) 1.3论文研究的意义 (5) 1.4论文的组织结构 (6) 第二章语音信号去噪基础理论 (7) 2.1 语音和噪声特性 (7) 2.1.1语音特性 (7) 2.1.2噪声特性 (7) 2.2语音信号去噪算法 (8) 2.2.1傅里叶变换 (8) 2.2.2 短时傅里叶变换 (9) 2.2.3小波变换 (10) 2.3常见的语音信号去噪方法 (11) 2.3.1谱减法 (12) 2.3.2自适应滤波法 (13)
2.3.3 小波变换法 (14) 2.4语音质量的性能评估标准 (16) 2.4 本章小结 (17) 第三章Hilbert-Huang变换基本理论 (18) 3.1 Hilbert-Huang变换 (18) 3.1.1 基本概念 (18) 3.1.2 Hilbert-Huang的基本概念和性质 (20) 3.1.3 Hilbert-Huang的解析过程 (21) 3.2 Hilbert-Huang变换主要问题 (27) 3.2.1 经验模态分解（EMD）的主要问题 (27) 3.2.2 Hilbert变换的主要问题 (32) 3.3 本章小结 (32) 第四章基于Hilbert-Huang的语音信号去噪 (33) 4.1 Hilbert-Huang去噪的理论基础 (33) 4.2 Hilbert-Huang语音信号去噪 (33) 4.3 改进的Hilbert-Huang变换语音去噪算法 (35) 4.3.1针对语音信号的短时平稳性的改进 (35) 4.3.2 针对包络曲线拟合问题的改进 (36) 4.3.3 针对IMF分量阈值筛选问题的改进 (38) 4.4 改进的Hilbert-Huang变换语音去噪 (39) 4.5 实验仿真和分析 (41) 4.6本章小结 (43)
语音识别方法及发展趋势分析
语音识别改进方法及难点分析 ——《模式识别》结课小论文 学院：化工与环境学院 学号：2120151177 姓名：杜妮
摘要：随着计算机技术的不断发展，人工智能程度也越来越高，作为人工智能的一部分——模式识别也在模型和算法上愈发成熟。本文根据近105年文献，分析最新声音识别的方法和应用。 关键字：模式识别声音识别方法应用 随着人工智能的迅速发展，语音识别的技术越来越成为国内外研究机构的焦点。人们致力于能使机器能够听懂人类的话语指令，并希望通过语音实现对机器的控制。语音识别的研究发展将在不远的将来极大地方便人们的生活。 语音识别大致的流程包括：特征提取、声学模型训练、语音模型训练以及识别搜索算法。作为一项人机交互的关键技术，语音识别在过去的几十年里取得了飞速的发展，人们在研究和探索过程中针对语音识别的各部流程进行了各种各样的尝试和改造，以期发现更好的方法来完成语音识别流程中的各步骤，以此来促进在不同环境下语音识别的效率和准确率。本文通过查阅近10年国内外文献，分析目前语音识别流程中的技术进展和趋势，并在文章最后给出几项语音识别在日常生活中的应用案例，从而分析语音识别之后的市场走势和实际利用价值。 一、语音识别的改进方法 (一)特征提取模块改进 特征提取就是从语音信号中提取出语音的特征序列。提取的语音特征应该能完全、准确地表达语音信号，特征提取的目的是提取语音信号中能代表语音特征的信息，减少语音识别时所要处理的数据量。语音信号的特征分析是语音信号处理的前提和基础，只有分析出可以代表语音信号本质特征的参数，才能对这些参数进行高效的语音通信，语音合成，和语音识别等处理，并且语音合成的好坏，语音识别率的高低，也都取决于语音特征提取的准确性和鲁棒性。目前，针对特定应用的中小词汇量、特定人的语音识别技术发展已较为成熟，已经能够满足通常应用的要求，并逐步投入了实用。而非特定人、大词汇量、连续语音识别仍是
小波变换图像去噪的算法研究自设阈值
基于小波的图像去噪 一、小波变换简介 在数学上，小波定义卫队给定函数局部化的新领域，小波可由一个定义在有限区域的函数()x ψ来构造，()x ψ称为母小波，（mother wavelet ）或者叫做基本小波。一组小波基函数，()}{,x b a ψ，可以通过缩放和平移基本小波 来生成： ())(1 ,a b x a x b a -ψ=ψ （1） 其中，a 为进行缩放的缩放参数，反映特定基函数的宽度，b 为进行平移的平移参数，指定沿x 轴平移的位置。当a=2j 和b=ia 的情况下，一维小波基函数序列定义为： ()() 1222,-ψ=ψ--x x j j j i （2） 其中，i 为平移参数，j 为缩放因子，函数f （x ）以小波()x ψ为基的连续小波变换定义为函数f （x ）和()x b a ,ψ的内积： () dx a b x a x f f x W b a b a )(1)(,,,-ψ=ψ=?+∞ ∞- （3） 与时域函数对应，在频域上则有：
())(,ωωa e a x j b a ψ=ψ- （3） 可以看出，当|a|减小时，时域宽度减小，而频域宽度增大，而且()x b a ,ψ的窗口中心向|ω|增大方向移动。这说明连续小波的局部是变化的，在高频时分辨率高，在低频时分辨率低，这便是它优于经典傅里叶变换的地方。总体说来，小波变换具有更好的时频窗口特性。 二、图像去噪描述 所谓噪声，就是指妨碍人的视觉或相关传感器对图像信息进行理解或分析的各种因素。通常噪声是不可预测的随机信号。由于噪声影响图像的输入、采集、处理以及输出的各个环节，尤其是图像输入、采集中的噪声必然影响图像处理全过程乃至最终结果，因此抑制噪声已成为图像处理中极其重要的一个步骤。 依据噪声对图像的影响，可将噪声分为加性噪声和乘性噪声两大类。由于乘性噪声可以通过变换当加性噪声来处理，因此我们一般重点研究加性噪声。设f(x,y)力为理想图像，n(x,y)力为噪声，实际输入图像为为g(x,y)，则加性噪声可表示为: g(x,y)= f(x,y)+ n(x,y)， （4） 其中，n(x,y)和图像光强大小无关。 图像去噪的目的就是从所得到的降质图像以g(x,y)中尽可能地去除噪声n(x,y)，从而还原理想图像f(x,y)。图像去噪就是为了尽量减少图像的均方误差，提高图像的信噪比，从而尽可能多地保留图像的特征信息。 图像去噪分为时域去噪和频域去噪两种。传统图像去噪方法如维纳滤波、中值滤波等都属于时域去噪方法。而采用傅里叶变换去噪则属于频域去噪。这些方法去噪的依据是一致的，即噪声和有用信号在频域的不同分布。我们知道，有用信号主要分布于图像的低频区域，噪声主要分布在图像的高频区域，但图像的细节信息也分布在高频区域。这样在去除高频区域噪声的同时，难免使图像的一些细节也变得模糊，这就是图像去噪的一个两难问题。因此如何构造一种既能降低图像噪声，又能保留图像细节特征的去噪方法成为图像去噪研究的一个重大课题。
语音识别技术文献综述
语音识别技术综述 The summarization of speech recognition 张永双 苏州大学 摘要 本文回顾了语音识别技术的发展历史，综述了语音识别系统的结构、分类及基本方法，分析了语音识别技术面临的问题及发展方向。 关键词：语音识别；特征；匹配 Abstact This article review the courses of speech recognition technology progress ,summarize the structure,classifications and basic methods of speech recognition system and analyze the direction and the issues which speech recognition technology development may confront with. Key words: speech recognition;character;matching 引言 语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高技术。语音识别是一门交叉学科，所涉及的领域有信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等，甚至还涉及到人的体态语言（如人民在说话时的表情手势等行为动作可帮助对方理解）。其应用领域也非常广，例如相对于键盘输入方法的语音输入系统、可用于工业控制的语音控制系统及服务领域的智能对话查询系统，在信息高度化的今天，语音识别技术及其应用已成为信息社会不可或缺的重要组成部分。 1.语音识别技术的发展历史 语音识别技术的研究开始二十世纪50年代。1952年，AT&Tbell实验室的Davis等人成功研制出了世界上第一个能识别十个英文数字发音的实验系统：Audry系统。
图像去噪去噪算法研究 开题报告
图像去噪去噪算法研究论文开题报告 （1）选题的目的、意义 目的： 由于成像系统、传输介质和记录设备等的不完善，数字图像在其形成、传输记录过程中往往会受到多种噪声的污染，影响了图像的视觉效果，甚至妨碍了人们正常识别。另外，在图像处理的某些环节当输入的对象并不如预想时也会在结果图像中引入噪声。这些噪声在图像上常表现为—引起较强视觉效果的孤立象素点或象素块[1]。一般，噪声信号与要研究的对象不相关它以无用的信息形式出现，扰乱图像的可观测信息。要构造一种有效抑制噪声的滤波必须考虑两个基本问题能有效地去除目标和背景中的噪声；同时，也要能很好的保护图像目标的形状、大小及特定的几何和拓扑结构特征。 意义： 噪声的污染直接影响着对图像边缘检测、特征提取、图像分割、模式识别等处理，使人们不得不从各种角度进行探索以提高图像的质量[2] [3]。所以采用适当的方法尽量消除噪声是图像处理中一个非常重要的预处理步骤。现在图像处理技术已深入到科学研究、军事技术、工农业生产、医学、气象及天文学等领域。科学家利用人造卫星可以获得地球资源照片、气象情况；医生可以通过X射线或CT对人体各部位的断层图像进行分析。但在许多情况下图像信息会受到各种各样噪声的影响，严重时会影响图像中的有用信息，所以对图像的噪声处理就显得十分重要[4] [5]。图像去噪作为图像处理的一个重要环节，可以帮助人们更加准确地获得我们所需的图像特征，使其应用到各个研究领域，帮助解决医学、物理、航天、文字等具体问题。如何改进图像去噪算法，以有效地降低噪声对原始图像的干扰程度，并且增强视觉效果，提高图像质量，使图像更逼真，仍存在继续研究的重要意义。 （2）国内外对本课题涉及问题的研究现状 针对图像去噪的经典算法，科学工作者通过努力，提出了一些的改进算法，比如模拟退火法[6]。但是模拟退火法存在的问题是计算过程复杂，计算量大，即使使用计算机代替人工计算也会耗用大量时间。后来在众多研究者的努力下，产生了很多其他不同的方法。而现今已卓有成效的非线性滤波方法有正则化方法、最小能量泛函方法、各向异性扩散法[7] [8]。 目前常用的降噪方法有在空间域进行的，也有将图像数据经过傅里叶等变换以后转到频域中进行的[9]。其中频域里的滤波需要涉及复杂的域转换运算，相对而言硬件实现起来会耗费更多的资源和时间。在空间域进行的方法有均值或加权后均值滤波、中值或加权中值滤波、最小均方差值滤波和均值或中值的多次迭代等。实践证明，这些方法虽有一定的降噪效果，但都有其局限性。比如加权均值在细节损失上非常明显；而中值仅对脉冲干扰有效，对高斯噪声却无能为力[10] [11] [12] [13]。实上，图像噪声总是和有效数据交织在一起，若处理不当，就会使边界轮廓、线条等变得模糊不清，反而降低了图像质量。 对于去除椒盐噪声，主要使用中值滤波算法。中值滤波是在1970年由Tukey提出的一种一维滤波器。它主要是指用实心邻域范围内的所有值的中值代替所作用的点值，但是必须注意的是邻域内的点的个数是正奇数，这是为了保证取中值的便利性，若是偶数，则中值就会产生两个[14] [15]。中值滤波以一种简单的非线性平滑技术。它是以排序统计理论作为基础，有效抑制噪声的非线性处理数字信号技术。中值滤波对消除椒盐噪声非常有效。在图像处理中，常用中值滤波保护图像边缘信息，它是一种经典的去除图像噪声算法[16]。但是它在去除图像噪声过程中，往往会将图像的细节比如细线、棱角的地方破坏掉。后来
语音信号的去噪方法 六
语音信号的去噪方法六 1、采样过程：就是按一定的频率，即每个一小段时间，测得模拟信号的模拟量值。 2、量化过程：通过采样时测的的模拟电压值，要进行分级量化，按整个电压变化的最大幅度划分成几个区段，把落在某区段的采样到的样品值归成一类，并给出相应的量化值。 3、“采样频率”是指将模拟声音波形数字化后每秒钟所抽取的声波幅度的样本次数，其单位为kHz(千赫兹)。采样频率高低决定了声音失真程度的大小，为保证声音不失真，采样频率应该在40kHz左右。采样频率一般有三种，44.1kHz是最常见的采样率标准（每秒取样44100次，用于CD品质的音乐）；22.05kHz（适用于语音和中等品质的音乐）； 11.25kHz（低品质）。对于高于48KHz的采样频率人耳已无法辨别出来了，所以在电脑上没有多少使用价值。 5kHz的采样率仅能达到人们讲话的声音质量。 11kHz的采样率是播放小段声音的最低标准，是CD音质的四分之一。22kHz采样率的声音可以达到CD音质的一半，目前大多数网站都选用这样的采样率。 44kHz的采样率是标准的CD音质，可以达到很好的听觉效果。 4、量化数据位数（也称量化级、样本尺寸）：量化位数是每个采样点
能够表示的数据范围，常用的有8位、12位、16位等，8位字长量化（低品质）和16位字长量化（高品质），16 bit 是最常见的采样精度。 5、“采样频率”和“量化级”是数字化声音的两个最基本要素，相当于视频中的屏幕大小（例如800*600）和颜色分辨率（例如24bit）。 由于计算机技术和网络技术的迅猛发展，多媒体技术扮演着日益重要的角色，作为多媒体技术之一的语音技术，表现出了极大的潜力和优势。在小波分析出现之前，信号处理的主要工具是Fourier分析。Fourier 分析在处理平稳随机信号方面有着不可替代的作用，而大量的现实存在的信号是非平稳时变的信号，这样Fourier分析显得能力不足。小波分析的出现，是传统信号处理方法的发展。多年的理论与实践证明，小波分析在处理时变信号方面有着得天独厚的优势。作为时变信号的语音信号，当然不可避免的成为小波分析处理的热点。在本文中，作者通过对小波分析和语音处理的研究，并在大量的上机实践的基础上对小波分析在语音处理中的应用做了一些有益的探索。本论文所做的工作如下：* 小波分析在语音基音周期检测的应用。* 小波分析在语音波形编码中的应用。* 小波分析在语音混合编码中的应用。研究结果表明，小波分析对语音基音周期的检测是非常有效的，对语音压缩基本可达到满意的程度。本论文的所有程序是在Matlab5.2上实
图像椒盐噪声与高斯噪声去噪方法研究
德州学院毕业论文开题报告书 2011年3月16日院（系）物理系专业电子信息工程 姓名田程程学号200700802041 论文题目图像椒盐噪声与高斯噪声去噪方法研究 一、选题目的和意义 图像去噪的最终目的是改善给定的图像，解决实际图像由于噪声干扰而导致图像质量下降的问题。通过去噪技术可以有效地提高图像质量，增大信噪比，更好的体现原来图像所携带的信息，作为一种重要的预处理手段，人们对图像去噪算法进行了广泛的研究。在现有的去噪算法中，有的去噪算法在低维信号图像处理中取得较好的效果，却不适用于高维信号图像处理；或者去噪效果较好，却丢失部分图像边缘信息，或者致力于研究检测图像边缘信息，保留图像细节。如何在抵制噪音和保留细节上找到一个较好的平衡点，成为近年来研究的重点。 二、本选题在国内外的研究现状和发展趋势 随着各种数字仪器和数码产品的普及，图像和视频已成为人类活动中最常用的信息载体，它们包含着物体的大量信息，成为人们获取外界原始信息的主要途径。然而在图像的获取、传输和存贮过程中常常会受到各种噪声的干扰和影响而使图像降质，并且图像预处理算法的好坏又直接关系到后续图像处理的效果，如图像分割、目标识别、边缘提取等，所以为了获取高质量数字图像，很有必要对图像进行降噪处理，尽可能的保持原始信息完整性（即主要特征）的同时，又能够去除信号中无用的信息。所以，降噪处理一直是图像处理和计算机视觉研究的热点。
三、课题设计方案 本设计为图像椒盐噪声与高斯噪声去噪方法研究 一、研究高斯噪声和椒盐噪声特性 二、研究去噪算法，提出适合去除高斯噪声和椒盐噪声的算法 三、计算机仿真 四、计划进度安排 第一周至第二周：根据寒假期间针对论文题目收集的有关资料，认真分析和整理资料，形成撰写论文的大体框架。对论文的撰写形成明确地认识，认真书写开题报告，完成开题报告并上交。 第三周至第五周：学习和研究图像椒盐噪声与高斯噪声去噪方法。 第六周至第十一周：对前期的关于图像椒盐噪声与高斯噪声去噪方法的研究进行总结。 第十二周：根据论文指导意见和建议对论文进行修改和完善后形成论文终稿。
matlab图像去噪算法设计(精)只是分享
数字图像去噪典型算法及matlab实现 希望得到大家的指点和帮助 图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响到后续的图像处理工作如图像分割、边缘检测等。图像信号在产生、传输过程中都可能会受到噪声的污染，一般数字图像系统中的常见噪声主要有：高斯噪声（主要由阻性元器件内部产生）、椒盐噪声（主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声）等； 目前比较经典的图像去噪算法主要有以下三种： 均值滤波算法：也称线性滤波，主要思想为邻域平均法，即用几个像素灰度的平均值来代替每个像素的灰度。有效抑制加性噪声，但容易引起图像模糊，可以对其进行改进，主要避开对景物边缘的平滑处理。 中值滤波：基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术。中值滤波的特点即是首先确定一个以某个像素为中心点的邻域，一般为方形邻域，也可以为圆形、十字形等等，然后将邻域中各像素的灰度值排序，取其中间值作为中心像素灰度的新值，这里领域被称为窗口，当窗口移动时，利用中值滤波可以对图像进行平滑处理。其算法简单，时间复杂度低，但其对点、线和尖顶多的图像不宜采用中值滤波。很容易自适应化。 Wiener维纳滤波：使原始图像和其恢复图像之间的均方误差最小的复原方法，是一种自适应滤波器，根据局部方差来调整滤波器效果。对于去除高斯噪声效果明显。实验一：均值滤波对高斯噪声的效果 I=imread('C:\Documents and Settings\Administrator\桌面\1.gif');%读取图像 J=imnoise(I,'gaussian',0,0.005);%加入均值为0，方差为0.005的高斯噪声 subplot(2,3,1);imshow(I); title('原始图像'); subplot(2,3,2); imshow(J); title('加入高斯噪声之后的图像'); %采用MATLAB中的函数filter2对受噪声干扰的图像进行均值滤波 K1=filter2(fspecial('average',3),J)/255; %模板尺寸为3 K2=filter2(fspecial('average',5),J)/255;% 模板尺寸为5 K3=filter2(fspecial('average',7),J)/255; %模板尺寸为7 K4= filter2(fspecial('average',9),J)/255; %模板尺寸为9 subplot(2,3,3);imshow(K1); title('改进后的图像1'); subplot(2,3,4); imshow(K2); title('改进后的图像2');
语音信号去噪研究
龙源期刊网 https://www.360docs.net/doc/a25050618.html, 语音信号去噪研究 作者：王潇涵 来源：《数字技术与应用》2017年第06期 摘要：信号处理中的一个重要应用就是去噪，噪声几乎无所不在，去噪研究的目的就是消除高频噪声、低频噪声、白噪声以及各种各样的其他噪声。一般的去噪方法对于同频噪声比如白噪声无能为力。为了解决这些难题，一种新的信号处理算法--小波变换应运而生，因为这种算法可以同时在频域与时域中聚焦，因此其异常契合当前信号处理中的时频联合分析，因为优点非常突出，这种算法已经成为了信号处理尤其是信号去噪理论里面的权重分支。本文将首先研究使用滤波器消除语音信号中的高频噪声、低频噪声，然后对比同时加入高斯白噪声的去噪情况，来说明这种方法对于去除白噪声的缺陷，然后研究基于小波分析的去噪算法，给出具体的理论依据，然后进行matlab仿真试验对比，证明小波算法去噪的优越性。 关键词：滤波器；小波；去噪；MATLAB 中图分类号：TN912.3 文献标识码：A 文章编号：1007-9416（2017）06-0076-02 1 引言 信号处理中的一个重要应用就是去噪，噪声几乎无所不在，去噪研究的目的就是消除高频噪声、低频噪声、白噪声等等。在去噪研究的初级阶段一般都是直接使用滤波器来滤除噪声，但是这种方法仅适用于噪声频带与有用信号频带不一致的情况，而对于一般的同频噪声比如白噪声则无能为力。小波变换算法可以同时在频域与时域中聚焦，因此其异常契合当前信号处理中的时频联合分析。 2 基于滤波器的语音信号去噪 2.1 滤波器去噪实验介绍 仿真平台MATLAB软件中有函数wavread可以用来对语音信号采样量化。获取语音信号之后，接着给待分析信号加上噪声。然后对这几组信号进行傅立叶变换获取其普特性。接着依据普特性构造合适的滤波器来过滤噪声干扰达到消噪的目的。MATLAB仿真软件中有滤波器设计函数butterworth，可以设定相应的参数值就可以获得滤波器抽头系数从而获得FIR滤波器。 2.2 滤波器去噪实验仿真及结果分析 首先读入一段歌曲语音，使用sound命令回放语音，然后进行谱分析，给出这段语音信号的时域波形，频谱以及幅值和相位见图1，然后加入了一个高频噪声（频率4000Hz）和一个 低频噪声（频率10），在此基础上又加入了高斯白噪声见图2。分别分析原始波形时域波形，
语音识别综述
山西大学研究生学位课程论文（2014 ---- 2015 学年第 2 学期） 学院（中心、所）：计算机与信息技术学院 专业名称：计算机应用技术 课程名称：自然语言处理技术 论文题目：语音识别综述 授课教师（职称）： 研究生姓名： 年级： 学号： 成绩： 评阅日期： 山西大学研究生学院 2015年 6 月2日
语音识别综述 摘要随着大数据、云时代的到来，我们正朝着智能化和自动化的信息社会迈进，作为人机交互的关键技术，语音识别在五十多年来不仅在学术领域有了很大的发展，在实际生活中也得到了越来越多的应用。本文主要介绍了语音识别技术的发展历程，国内外研究现状，具体阐述语音识别的概念，基本原理、方法，以及目前使用的关键技术HMM、神经网络等，具体实际应用，以及当前面临的困境与未来的研究趋势。 关键词语音识别；隐马尔科夫模型；神经网络；中文信息处理 1.引言 语言是人类相互交流最常用、有效的和方便的通信方式，自从计算机诞生以来，让计算机能听懂人类的语言一直是我们的梦想，随着大数据、云时代的到来，信息社会正朝着智能化和自动化推进，我们越来越迫切希望能够摆脱键盘等硬件的束缚，取而代之的是更加易用的、自然的、人性化的语音输入。语音识别是以语音为研究对象，通过对语音信号处理和模式识别让机器自动识别和理解人类口述的语言。 2.语音识别技术的发展历史及现状 2.1语音识别发展历史 语音识别的研究工作起源与上世纪50年代，当时AT&T Bell实验室实现了第一个可识别十个英文数字的语音识别系统——Audry系统。1959年，J.W.Rorgie和C.D.Forgie采用数字计算机识别英文元音及孤立字，开始了计算机语音识别的研究工作。 60年代，计算机应用推动了语音识别的发展。这时期的重要成果是提出了动态规划（DP）和线性预测分析技术（LP），其中后者较好的解决了语音信号产生模型的问题，对后来语音识别的发展产生了深远的影响。 70年代，LP技术得到了进一步的发展，动态时间归正技术（DTW）基本成熟，特别是矢量量化（VQ）和隐马尔科夫（HMM）理论的提出，并且实现了基于线性预测倒谱和DTW技术的特定人孤立语音识别系统。 80年代，实验室语音识别研究产生了巨大的突破，一方面各种连接词语音识别算法被开发，比如多级动态规划语音识别算法；另一方面语音识别算法从模板匹配技术转向基于统计模型技术，研究从微观转向宏观，从统计的角度来建立最佳的语音识别系统。隐马尔科夫模型（HMM）就是其典型代表，能够很好的描述语音信号的时变性和平稳性，使大词汇量连
基于小波变换的语音去噪算法研究
基于小波变换的语音去噪算法研究 摘要:利用小波变换进行语音去噪与其它去噪方法相比,有着明显的优越性,得到了广泛应用。基于小波变换的去噪方法主要有模极大值去噪法、阈值去噪法和相关去噪法。用以上三种算法对一维语音信号进行去噪处理,通过MATLAB仿真,对比研究其各自的优缺点。 关键词:小波变换语音去噪仿真 1、引言 语音是人类信息交流与传播最为方便有效的媒介物,然而在实际的语音通信工程当中,不可避免的受到外界多种噪声的干扰,这些干扰破坏了语音信号的传输准确性,因此对于语音信号的去噪处理成为了人们研究的永恒话题。传统的傅里叶变换去噪法并不能将有用信号的高频部分与噪声引起的高频干扰进行有效区分,在实际应用当中存在着较大的局限性。然而近年来,小波去噪法凭借其在时域和频域的优良局部化性质,得到了人们的广泛关注。 随着人们对小波去噪算法的研究,基于小波去噪的方法也日趋丰富了。在小波去噪算法当中,主要的方法可分为三种:模极大值去噪法、阈值去噪法和相关去噪法。本文主要对小波去噪理论进行分析,并对基于小波去噪算法的以上三种去噪法进行研究,通过MATLAB软件进行仿真,根据去噪前后的信噪比对比,深入研究这三种算法在计算量、稳定性、去噪效果以及适用范围等方面各自的特点。 2、小波变换基本理论 连续小波变换定义为:,函数内积为: （2.1） 以上定义为的连续小波变换,简称CWT。为小波变换系数。 连续小波变换一般只适用于理论分析推导,计算机一般采用数字处理模式,所以必须将连续小波离散化处理。离散小波变换（DTW）是指对尺度因子和时间因子的离散化。离散化的主要原因是:连续小波变换的系数是高度冗余的,要对其进行离散化,最大的消除和降低冗余性。 若对尺度因子按二进的方式离散化,就得到了二进小波和二进小波变换。 设小波函数的傅里叶变换为,若存在二常数,使得（2.2）称为二进母小波,式(2.3)为二进小波的稳定性条件。对于任意整数j,二进小波函数为: （2.3） 3、小波变换去噪方法 一般情况下,对于一维信号的去噪流程如下图3-1所示: 由以上图形可知,去噪成功的关键在于阈值的选取和采用什么准则去除属于噪声的小波系数,并增强属于信号的部分。这样也就产生了不同的去噪方法。 (1)模极大值去噪法:根据信号和噪声在不同尺度上的模极大值不同的传播特性,从所有小波变换的模极大值中选择信号的模极大值去除噪声的模极大值,再用剩余小波变换模极大值重构信号。 (2)阈值去噪法:根据经小波分解之后,信号小波系数的幅值要比噪声的系数幅值大这一特点,找到一个阈值,选择大于该阈值的系数,再重构信号。 (3)相关去噪法:根据噪声小波变换在各尺度上无明显相关性,但信号的小波变换在各尺度上有较强相关性这一特点,计算相邻尺度之间小波系数相关性,再针
基于小波变换的图像阔值降噪算法研究开题报告
中国计量大学 毕业设计（论文）开题报告 学生姓名：马日斯江·库尔班学号：1200101237专业：测控技术与仪器 班级： 12测控1班 设计（论文）题目： 基于小波变换的图像阈值降噪算法研究 指导教师：侯德鑫 系：计量测试工程学院 2016年3 月25 日
基于小波变换的图像阈值降噪算法研究 开题报告 一、课题的背景及意义： 图像降噪是图像预处理的主要任务之一，其作用是为了提高图像的信噪比，突出图像的期望特征。不同性质的噪声应采用不同的方法进行消噪。最简单的也比较通用的消噪算法，是用傅立叶变换直接进行低通滤波或带通滤波。这种方法虽然简单、易于实现，但它对滤去有用信号频带中的噪声无能为力，并且带宽的选择和高分辨率是有矛盾的。带宽选的过宽，达不到去噪的目的;选的过窄，噪声虽然滤去的多，但同时信号的高频部分也损失了，不但带宽内的信噪比得不到改善，某些突变点的信息也可能被模糊掉了。将小波变换应用于信号处理中，是因为它的主要优点是在时间域和频率域中同时具有良好的局部化特性，从而非常适合时变信号的分析和处理。特别在图像去噪领域中，小波理论受到了许多学者的重视，他们应用小波进行去噪，并获得了非常好的效果。具体来说，小波去噪方法的成功主要得益于小波变换具有以下特点： （1）低熵性由于小波系数的稀疏分布，使得图像变换后的熵降低了； （2）多分辨率由于小波采用了多分辨率的方法，所以可以非常好地刻画信号的非平稳特征，如边缘、尖峰、断点等； （3）去相关性因为小波变换可以对信号进行去相关，且噪声在变换后有白化趋势，所以小波域比时域更利于去噪； （4）选基灵活性由于小波变换可以灵活选择变换基，所以对不同应用场合，对不同的研究对象，可以选用不同的小波母函数，以获得最佳的去噪效果。 因此，就信号消噪问题而言，它比传统的傅立叶频率域滤波和匹配滤波器更具有灵活性。以小波变换为基础的时变信号消噪算法是把含噪信号放在二维平面上，利用信号和噪声表现出的截然不同的特性进行分时分频处理，此方法理论上不但能够获得较高的信噪比，而且能够保持良好的时间分辨率。采用小波消噪算
语音增强算法的研究与实现
语音增强算法的研究与实现 目录 目 录 ..................................................................... ............................................................ I 河西学院本科生毕业论文(设计)诚信声 明 ................................... 错误～未定义书签。I 河西学院本科生毕业论文(设计)任务 书 ...................................... 错误～未定义书签。II 河西学院本科毕业论文(设计)开题报 告 ..................................... 错误～未定义书签。IV 摘 要 ..................................................................... .................................................................. I Abstract ........................................................... ....................................................................... I 1 引 言 ..................................................................... .. (1) 2 语音增强算法概 述 ..................................................................... (1)
《语音识别入门教程》
语音识别入门（V1.0） 丁鹏、梁家恩、苏牧、孟猛、李鹏、王士进、王晓瑞、张世磊 中科院自动化所高创中心，北京，100080 【摘要】本文主要以剑桥工程学院（CUED）的语音识别系统为例，并结合我们实验室自身的研究与开发经验，讲述当前主流的大词汇量连续语音识别系统（LVCSR）的框架和相关技术，对实验室的同学进行一个普及和入门引导。 【关键词】语音识别，HTK，LVCSR，SRI 1. 引言 语音识别技术发展到今天，取得了巨大的进步，但也存在很多的问题。本文主要以CUED 的语言识别系统为例，说明LVCSR系统技术的最新进展和研究方向，对实验室的同学进行一个普及和入门引导。 1.1 国际语音识别技术研究机构 （1）Cambridge University Engineering Department (CUED) （2）IBM （3）BBN （4）LIMSI （5）SRI （6）RWTH Aachen （7）AT&T （8）ATR （9）Carnegie Mellon University (CMU) （10）Johns Hopkins University (CLSP) 1.2 国际语音识别技术期刊 （1）Speech Communication （2）Computer Speech and Language (CSL) （3）IEEE Transactions on Speech and Audio Processing 1.3 国际语音识别技术会议 （1）ICASSP（International Conference on Acoustic, Speech and Signal Processing）每年一届，10月截稿，次年5月开会。 （2）ICSLP（International Conference on Spoken Language Processing） 偶数年举办，4月截稿，9月开会。