【语音去噪】基于matlab软阈值+硬阈值+折中阈值语音去噪【含Matlab源码 530期】

⛄一、小波语音降噪简介

对于噪声频谱遍布于语音信号频谱之中的宽带噪声，如果噪声振幅比大部分的语音信号振幅低，则削去低幅度成分也就削去了宽带噪声。基于这种思路，可以在频域中采取中心限幅的方法，即让带噪语音信号通过一限幅滤波器，高幅度频谱可以通过而低幅成分不允许通过，从而实现噪声抑制。需要注意的是中心削波不可避免地要损害语音质量，通常只在频域中进行，而一般不在时域中实施。
小波降噪的原理类似于中心削波法。小波降噪最初是由Donoho和Johnstone提出的，其主要理论依据是，小波变换具有很强的去数据相关性，它能够使信号的能量在小波域集中在一些大的小波系数中；而噪声的能量却分布于整个小波域内。因此，经小波分解后，信号的小波系数幅值要大于噪声的系数幅值。因此，幅值比较大的小波系数一般以信号为主，而幅值比较小的系数在很大程度上是噪声。于是，采用阈值的办法可以把信号系数保留，而使大部分噪声系数减小至0。小波降噪的具体处理过程为：将含噪信号在各尺度上进行小波分解，设定一个阈值，幅值低于该阈值的小波系数置为0，高于该阈值的小波系数或者完全保
留，或者做相应的“收缩”(shrinkage) 处理。最后；将处理后获得的小波系数用逆小波变换进行重构，得到去噪后的信号。
阈值去噪中，阈值函数体现了对超过和低于阈值的小波系数的不同处理策略，是阈值去噪中关键的一步。设w表示小波系数， T为给定阈值， sgn(*) 为符号函数，常见的阈值函数主要有：

⛄二、部分源代码

clc;
clear;
fs=wavread(‘C:\Users\lenovo\Desktop\93317443speech-denoising\Ring01.wav’);
y=fs(40000:120000);
N=length(y);
figure(1);
subplot(111);
plot(y);
ylabel(‘幅值 A’);
title(‘原始信号’);
s=awgn(y,20,‘measured’);%加入高斯白噪声
figure(2);
plot(s);
ylabel(‘幅值 A’);
title(‘加噪信号’);
wname=‘db3’;%选db3小波基
lev=5;%5层分解
[c,l]=wavedec(s,lev,wname);
a5=appcoef(c,l,wname,lev);
d5=detcoef(c,l,5);
d4=detcoef(c,l,4);
d3=detcoef(c,l,3);
d2=detcoef(c,l,2);
d1=detcoef(c,l,1);
cD=[d1,d2,d3,d4,d5];
a=8500;b=13;
sigma=median(abs(cD))/3.647
thr1=(sigmasqrt(2(log10(N))))/(log10(2));
cD1=wthresh(d1,‘s’,thr1);
thr2=(sigmasqrt(2(log10(N))))/(log10(3));
cD2=wthresh(d2,‘s’,thr2);
thr3=(sigmasqrt(2(log10(N))))/(log10(4));
cD3=wthresh(d3,‘s’,thr3);
thr4=(sigmasqrt(2(log10(N))))/(log10(5));
cD4=wthresh(d4,‘s’,thr4);
thr5=(sigmasqrt(2(log10(N))))/(log10(6));
cD5=wthresh(d5,‘s’,thr5);
cd=[a5,cD5,cD4,cD3,cD2,cD1];
c=cd;
ys=waverec(c,l,wname);
figure(3);
plot(ys);
title(‘软阈值处理’);
thr1=(sigmasqrt(2(log10(N))))/(log10(2));
cD1=wthresh(d1,‘h’,thr1);
thr2=(sigmasqrt(2(log10(N))))/(log10(3));
cD2=wthresh(d2,‘h’,thr2);
thr3=(sigmasqrt(2(log10(N))))/(log10(4));
cD3=wthresh(d3,‘h’,thr3);
thr4=(sigmasqrt(2(log10(N))))/(log10(5));
cD4=wthresh(d4,‘h’,thr4);
thr5=(sigmasqrt(2(log10(N))))/(log10(6));
cD5=wthresh(d5,‘h’,thr5);
cd=[a5,cD5,cD4,cD3,cD2,cD1];
c=cd;
yh=waverec(c,l,wname);
figure(4);
plot(yh);
title(‘硬阈值处理’);
thr1=(sigmasqrt(2(log10(length(d1)))))/(log10(1+1));
for i=1:length(d1)
if(abs(d1(i))>=thr1)
cD1(i)=sign(d1(i))(abs(d1(i))-bthr1/(a^(abs(abs(d1(i))-thr1))+b-1));%估计第一层小波系数
else
cD1(i)=0;
end
end
thr2=(sigmasqrt(2(log10(length(d2)))))/(log10(2+1));
for i=1:length(d2)
if(abs(d2(i))>=thr2)
cD2(i)=sign(d2(i))(abs(d2(i))-bthr2/(a^(abs(abs(d2(i))-thr2))+b-1));%估计第二层小波系数
else
cD2(i)=0;
end
end
thr3=(sigmasqrt(2(log10(length(d3)))))/(log10(3+1));
for i=1:length(d3)
if(abs(d3(i))>=thr3)
cD3(i)=sign(d3(i))(abs(d3(i))-bthr3/(a^(abs(abs(d3(i))-thr3))+b-1));%估计第三层小波系数
else
cD3(i)=0;
end
end
thr4=(sigmasqrt(2(log10(length(d4)))))/(log10(4+1));
for i=1:length(d4)
if(abs(d4(i))>=thr4)
cD4(i)=sign(d4(i))(abs(d4(i))-bthr4/(a^(abs(abs(d4(i))-thr4))+b-1));%估计第四层小波系数
else
cD4(i)=0;
end
end
thr5=(sigmasqrt(2(log10(length(d5)))))/(log10(5+1));
for i=1:length(d5)
if(abs(d5(i))>=thr5)
cD5(i)=sign(d5(i))(abs(d5(i))-bthr5/(a^(abs(abs(d5(i))-thr5))+b-1));%估计第五层小波系数
else
cD5(i)=0;
end
end
%%%%开始重构
cd=[a5,cD5,cD4,cD3,cD2,cD1];
c=cd;
yhs=waverec(cd,l,wname);
figure(5);
plot(ys,‘LineWidth’,1);
ylabel(‘幅值 A’)

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]韩纪庆,张磊,郑铁然.语音信号处理（第3版）[M].清华大学出版社，2019.
[2]柳若边.深度学习:语音识别技术实践[M].清华大学出版社，2019.

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除