CN103578477A - 基于噪声估计的去噪方法和装置 - Google Patents

Abstract

本发明涉及一种基于噪声估计的去噪方法和装置，该方法包括：噪声样本更新步骤，检测待处理信号的语音起始点，更新所述语音起始点前的M帧信号为噪声样本的噪声信号，该语音起始点后的信号称为带噪语音信号；去噪处理步骤，根据所述噪声样本对待处理的L帧带噪语音信号进行去噪处理；判断步骤，判断后续待处理的N帧信号的幅度是否都小于预设门限，若小于，则转执行所述噪声样本更新步骤，否则转执行所述去噪处理步骤。本发明方法和装置可以更好的跟踪非平稳的噪声信号。

Description

基于噪声估计的去噪方法和装置

技术领域

本发明涉及通信领域，尤其是一种基于噪声估计的去噪方法和装置。

背景技术

在现实生活中，语音或者信号往往受到背景噪声的干扰，尤其是一些公共场合如车站、广场、街道等。这些非平稳的强噪声对通话质量和语音清晰度有很大影响，而传统的语音增强算法通常只针对平稳的或者变化很慢的噪声具有较好的效果，并且在抑制噪声的同时损失了语音的清晰度。因此，我们需要找到一种能够快速准确跟踪非平稳噪声的方法。

为了加强对背景噪声的跟踪和估计，现有技术有如下几种方法：

第一种，使用传统滤波器对语音信号去噪处理。包括维纳滤波器、自适应滤波器等，采用最小均方误差作为最佳滤波器准则。这种方法主要针对平稳噪声信号。

第二种，变换域去噪法。将语音信号变换到变换域进行处理，典型的有频域、小波域等。在小波去噪中主要在小波域设定阈值处理。

第三种，基于语音活动检测的方法，研究人员发现一段语音的最开始阶段是完全由背景噪声组成的，可以用这一段信号作为噪声的估计样本，并且通过语音活动检测，提取出语音间隔处的信号进行噪声样本更新。但是这同样是一种粗略的提取，只能跟踪变化缓慢的噪声信号。

这些方法虽然对平稳噪声有较好的处理效果，但是不能处理时刻变化的非平稳噪声，容易产生语音失真。

发明内容

本发明要解决的技术问题是提供一种基于噪声估计的去噪方法和装置，以解决非平稳噪声去噪处理后容易产生语音失真的问题。

为解决上述技术问题，本发明提供了一种基于噪声估计的去噪方法，该方法包括：

噪声样本更新步骤，检测待处理信号的语音起始点，更新所述语音起始点前的M帧信号为噪声样本的噪声信号，该语音起始点后的信号称为带噪语音信号；

去噪处理步骤，根据所述噪声样本对待处理的L帧带噪语音信号进行去噪处理；

判断步骤，判断后续待处理的N帧信号的幅度是否都小于预设门限，若小于，则转执行所述噪声样本更新步骤，否则转执行所述去噪处理步骤。

进一步地，所述去噪处理步骤中针对每帧待处理的带噪语音信号的处理包括：

信噪比计算子步骤，计算所述待处理的带噪语音信号的信噪比；

去噪处理选择子步骤，判断该信噪比是否大于预设第一阈值，若是，则对该帧带噪语音信号执行时域阈值去噪处理，否则执行小波去噪处理步骤；

小波去噪处理子步骤，根据所述噪声样本对该帧待处理的带噪语音信号执行小波去噪处理。

具体地，所述小波去噪处理包括以下步骤：

小波分解子步骤，对所述噪声样本的噪声信号和待处理的带噪语音信号进行小波分解；

信噪比计算子步骤，计算各小波尺度的信噪比；

去噪算法选择子步骤，判断各小波尺度的信噪比是否大于预设第二阈值，若大于则选择自动增益算法，否则选择μ律阈值算法；

去噪及重构子步骤，根据选择的去噪算法对各尺度信号进行去噪处理并进行小波重构。

优选地，所述自动增益算法的自动增益系数是根据带噪语音信号帧的频带能量和信噪比确定的。

为了解决上述技术问题，本发明还提供了一种基于噪声估计的去噪装置，该装置包括：

噪声样本更新单元，用于检测待处理信号的语音起始点，并更新所述语音起始点前的M帧信号为噪声样本的噪声信号，该语音起始点后的信号称为带噪语音信号；

去噪处理单元，用于根据所述噪声样本对待处理的L帧带噪语音信号进行去噪处理；

判断单元，在所述去噪处理模块每处理L帧带噪语音信号后，用于判断后续待处理的N帧信号的幅度是否都小于预设门限，若判断小于，则通知所述噪声样本更新单元进行噪声样本更新，否则通知所述去噪处理单元对后续待处理的L帧带噪语音信号进行去噪处理。

本发明方法和装置每隔L帧重新采集噪声信号更新噪声样本，从而更好的跟踪非平稳的噪声信号，本发明还采用噪声估计算法对后面的带噪语音信号进行噪声估计，并根据估计的噪声大小选择不同的处理方案。对非平稳噪声的处理可以达到较好的处理效果，尤其非平稳噪声下的单麦克手机语音可以达到很好的增强作用，实现对公共场所的非平稳噪声进行跟踪和精确处理，并尽量减小语音信号清晰度的损失。

附图说明

图1是本发明基于噪声估计的去噪方法的示意图；

图2是图1中步骤102去噪处理的流程示意图；

图3是图2中步骤204小波去噪处理的流程示意图；

图4是本发明基于噪声估计的去噪方法实施例的完整示意图；

图5是本发明基于噪声估计的去噪装置的模块结构示意图；

图6是一种基于噪声估计的小波分段去噪算法仿真效果。

具体实施方式

下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

如图1所示，本发明基于噪声估计的去噪方法实施例包括：

步骤101：噪声样本更新步骤，检测待处理信号的语音起始点(也称为语音端点)，更新所述语音起始点前的M帧信号为噪声样本的噪声信号，该语音起始点后的信号称为带噪语音信号；

一般地，在检测语音起始点之前，需要对待处理语音信号进行分帧、加窗等预处理。

目前已有多种语音起始点检测方法，比较成熟的是双门限检测方法，具体地，通过短时能量和短时过零率两个特征进行检测。首先设一个较大的时域信号幅度门限T_h来判定语音段的开始。但这个点往往不是真正的语音开始端，因为一些能量较低的帧完全淹没在噪声信号中了，所以再设一个较低的时域信号幅度门限T₁。结合过零率特征找到语音的起点。

可理解地，噪声样本相当于一个容器，噪声信号存储在噪声样本。具体地，取出语音起始点前M帧信号作为噪声信号，假定n代表语音起始点，则第n-M+1至n帧共M帧为噪声样本中的噪声信号。

步骤102：去噪处理步骤，根据所述噪声样本对待处理的L帧带噪语音信号进行去噪处理；

如图2所示，所述去噪处理步骤中针对每帧待处理的带噪语音信号的处理包括：

步骤201：信噪比计算子步骤，计算所述待处理的带噪语音信号的信噪比；

步骤202：去噪处理选择子步骤，判断该信噪比是否大于预设第一阈值，若是，则执行步骤203，否则执行步骤204；

大于预设第一阈值，表明噪声成分比较少，则直接进行时域阈值处理，时域阈值处理是一种针对小噪声的去噪方法，直接对噪声成分进行衰减，该第一阈值可根据经验设置，比如20dB以上的信噪比听起来噪声很小，如果取15dB或者更小，则容易将较小的语音误判为噪声，优选地，该第一阈值取值为20dB。

步骤203：时域阈值去噪处理子步骤，对该帧带噪语音信号执行时域阈值去噪处理；

步骤204：小波去噪处理子步骤，根据所述噪声样本对该帧待处理的带噪语音信号执行小波去噪处理。

如图3所示，步骤204，即小波去噪处理子步骤包括以下步骤：

步骤301：小波分解子步骤，对所述噪声样本的噪声信号和待处理的带噪语音信号进行小波分解；

在对语音起始点后的L帧进行处理时，具体地，将M帧噪声信号和第n+1至n+L+1帧带噪语音信号分别进行小波分解；

可理解地，小波分解完之后尺度即定，频率越高，尺度越高，频率越低，尺度越低

步骤302：信噪比计算子步骤，计算各小波尺度的信噪比；

该步骤302中，根据噪声样本计算小波域不同尺度的信号信噪比。

采用小波分解将时域帧信号变换到小波域，设一帧信号帧长LEN＝256。

首先，对小波域信号计算频带能量，并进行平滑处理，采用如下公式。

$E_s(m,i)=\mathrm{\α}\·E(m-1,i)+(1-\mathrm{\α})\·\underset{k=1}{\overset{{\mathrm{LEN}}_i}{\mathrm{\Σ}}}{\left|G(i,k)\right|}^2---\left(1\right)$

其中，E_s(m，i)表示第m帧信号第i尺度的频带能量；G(i，k)为语音帧小波域第i尺度的小波系数，k为第i尺度中第k个样点；α为能量平滑因子，根据实际情况取值，其范围为0＜α＜1；LEN_i为第i尺度采样点数。

其次，对噪声样本中的噪声信号进行功率谱估计：

$E_n(m,i)=\max \{E_{n,\min },\underset{k=1}{\overset{{\mathrm{LEN}}_i}{\mathrm{\Σ}}}{\left|G_n(i,k)\right|}^2\}---\left(2\right)$

其中，E_n，min为最小子带噪声能量，其取值需避免式(3)中除法分母为0视情况取值，本算法中取0.002；G_n(i，k)为噪声帧频谱。

然后，计算第m帧信号的第i尺度信号信噪比。

$\mathrm{SNRs}(m,i)=10\·{\log }_{10}\left(\frac{E_s(m,i)}{E_n(m,i)}\right),E_s(m,i)\≠E_n(m,i)---\left(3\right)$

步骤303：去噪算法选择子步骤，判断各小波尺度的信噪比是否大于预设第二阈值(T)，若大于则选择自动增益算法，否则选择μ律阈值算法；

在小波域中，尺度越低，语音成分越多噪声成分越少，则信噪比越大，如果SNRs(m，i)＞T(不同的语音信号选择不同的T值，本是实力中其取值为13dB)则选择改进的阈值算法(本发明自动增益算法)，否则选择μ律阈值函数。

(1)改进的阈值算法说明：

计算自动增益系数的目的是为了对噪声频谱大幅度抑制，对语音频谱小幅度抑制，从而得到相对增强的语音信号，达到抑制噪声的效果。

$\mathrm{Gain}(m,i)=\frac{\mathrm{Ratio}(m,i)}{\mathrm{Ratio}(m,1)+1}---\left(4\right)$

$\mathrm{Ratio}(m,i)=0.03\×e^{\mathrm{SNRs}(m,i)\·\left|\sqrt{E_s(m,i)}\right|}---\left(5\right)$

其中，Gain(m，i)表示第m帧信号第i尺度的小波系数的自动增益系数，E_s(m，i)表示第m帧信号第i尺度的频带能量，SNRs(m，i)表示第m帧信号第i尺度信号信噪比。

所述自动增益算法的自动增益系数是根据带噪语音信号帧的频带能量和信噪比确定的。将帧信号样点分别乘以对应的自动增益系数进行处理。例如，将Gain(m，i)乘以第m帧信号第i尺度的小波系数进行自动增益处理。

自动增益计算公式能够根据输入语音帧信号不同子带的幅值大小、不同子带的信噪比高低，得到不同情况下的增益因子，较好的抑制了背景噪声，保留了语音成分。

信噪比越低，说明噪声成分越多，则自动增益系数越小，反之则越大，通过信噪比的大小控制信号的增益；信号频谱幅度较大则减小自动增益系数，防止产生信号啸叫，信号频谱幅度特别小说明语音成分很少，则使用更加小的自动增益系数，信号频谱幅度较弱时，则通过适中的自动增益系数减少语音的丢失，增加语音清晰度。

(2)μ律阈值算法说明：

$w_{j,k}^{\&prime;}=\left\{\begin{array}{cc}{w}_{j,k}& \left|w_{j,k}\right|\&GreaterEqual;{\mathrm{Thr}}_j\\ \frac{{\mathrm{Thr}}_j}{\mathrm{\&mu;}}[{(1+\mathrm{\&mu;})}^{\left|\frac{w_{j,k}}{{\mathrm{Thr}}_j}\right|}-1]\mathrm{sign}\left(w_{j,k}\right)& \left|w_{j,k}\right|<{\mathrm{Thr}}_j\end{array}\right.---\left(6\right)$

表示处理过的第j个尺度第k个小波系数，w_j，k是带噪语音信号第j个尺度第k个小波系数，Thr_j是小波j尺度阈值。μ一般在9-255间取值，根据实际情况进行调整。

每个尺度的信噪比判断结果相应地决定该尺度的选用的去噪算法(改进的阈值算法或μ律阈值算法)。

步骤304：去噪及重构子步骤，根据选择的去噪算法对各尺度信号进行去噪处理并进行小波重构。

可理解地，完整的小波去噪处理包括小波分解和小波重构，先将信号分解到小波域进行相应处理，处理完要重构回时域。

优选地，小波域的去噪和小波重构后的音乐噪声抑制以及脉冲噪声抑制，以去除信号中可能出现的杂音；

$E_T\left(m\right)=\mathrm{\&alpha;}\&CenterDot;E(m-1)+(1-\mathrm{\&alpha;})\&CenterDot;\underset{k=1}{\overset{\mathrm{LEN}}{\mathrm{\&Sigma;}}}{\left|g\left(k\right)\right|}^2---\left(7\right)$

其中，E_T(m)表示第m帧信号时域能量；g(k)为语音帧时域分布，k为时域中第k个样点；α为能量平滑因子，根据实际情况取值，其范围为0＜α＜1。

通过语音增强模块进行音乐噪声抑制；

步骤103：判断步骤，判断后续待处理的N帧信号的幅度是否都小于预设门限，若小于，则转执行步骤101，即噪声样本更新步骤，否则转执行步骤102，即去噪处理步骤继续对下一组L帧信号进行去噪处理。

每连续处理L帧信号后，执行步骤103进行判断。

本发明方法的实施例的完整流程如图4所示。

本发明方法中涉及三个参数L、M、N。L表示每次对L帧带噪语音信号进行处理；M表示语音起始点前M帧信号作为噪声信号，更新噪声样本；N表示对L帧信号去噪处理后，从L+1帧开始进行连续N帧判定，判定是否进行噪声样本更新。

需要说明的是一段语音信号采用一组参数即可，不同的语音信号会采用不同的参数M、L、N，这些参数需要大量实验选取最佳值，不同的语音信号的性质不同，值的选取也有差异。

本发明通过语音起始点检测算法取出信号最初一段噪声段做为噪声样本的噪声信号，通过设置一个随信号变化的帧长L(L是一个参数，可以根据不同的语音信号进行实验调整，跟信号本身的性质有关，需要大量测试与实验)，每隔L帧重新采集噪声信号更新噪声样本，从而更好的跟踪非平稳的噪声信号，本发明还采用噪声估计算法对后面的带噪语音信号进行噪声估计，并根据估计的噪声大小选择不同的处理方案。对非平稳噪声的处理可以达到较好的处理效果，尤其非平稳噪声下的单麦克手机语音可以达到很好的增强作用，实现对公共场所的非平稳噪声进行跟踪和精确处理，并尽量减小语音信号清晰度的损失。

为了实现以上方法，本发明还提供了一种基于噪声估计的去噪装置，如图5所示，该装置包括：

噪声样本更新单元，用于检测待处理信号的语音起始点，并更新所述语音起始点前的M帧信号为噪声样本的噪声信号，该语音起始点后的信号称为带噪语音信号；

去噪处理单元，用于根据所述噪声样本对待处理的L帧带噪语音信号进行去噪处理；

判断单元，在所述去噪处理模块每处理L帧带噪语音信号后，用于判断后续待处理的N帧信号的幅度是否都小于预设门限，若判断小于，则通知所述噪声样本更新单元进行噪声样本更新，否则通知所述去噪处理单元对后续待处理的L帧带噪语音信号进行去噪处理。

优选地，所述去噪处理单元包括：

信噪比计算模块，用于计算所述待处理的带噪语音信号的信噪比；

去噪处理选择模块，用于判断计算所得的信噪比是否大于预设第一阈值；

时域阈值去噪处理模块，用于在计算所得的信噪比大于预设第一阈值时，对所述帧带噪语音信号执行时域阈值去噪处理；

小波去噪处理模块，用于在计算所得的信噪比大于预设第一阈值时，根据所述噪声样本对所述待处理的带噪语音信号执行小波去噪处理。

更具体地，所述小波去噪处理模块包括以下步骤：

小波分解子模块，用于对所述噪声样本的噪声信号和待处理的带噪语音信号进行小波分解；

信噪比计算子模块，用于计算各小波尺度的信噪比；

去噪算法选择子模块，用于判断各小波尺度的信噪比是否大于预设第二阈值，若大于则选择自动增益算法，否则选择μ律阈值算法；

去噪及重构子模块，用于根据选择的去噪算法对各尺度信号进行去噪处理并进行小波重构。

进一步地，所述自动增益算法的自动增益系数是根据带噪语音信号帧的频带能量和信噪比确定的。所述自动增益算法的小波系数的自动增益系数根据以下公式确定：

$\mathrm{Gain}(m,i)=\frac{\mathrm{Ratio}(m,i)}{\mathrm{Ratio}(m,i)+1}$

$\mathrm{Ratio}(m,i)=0.03\&times;e^{\mathrm{SNRs}(m,i)\&CenterDot;\left|\sqrt{E_s(m,i)}\right|}$

其中，Gain(m，i)表示第m帧信号第i尺度的小波系数的自动增益系数，E_s(m，i)表示第m帧信号第i尺度的频带能量，SNRs(m，i)表示第m帧信号第i尺度信号信噪比。

优选地，所述噪声样本更新单元采用双门限方法检测待处理信号的语音起始点，所述判断模块使用所述双门限中的较小门限作为所述预设门限。

图6中的(a)-(d)的仿真条件为8KHz采样率，256个采样点为一帧，帧间重叠128个样点，汉宁窗函数，预加重系数0.98，平滑系数0.9，且设置M＝N＝L＝10，仿真平台采用Labview可视化编程软件，图中(a)-(d)是对同一段原始信号进行不同的加噪处理后依据本发明去噪方法处理后得到效果图，加噪后的信噪比分别为10dB、5dB、0dB、-5dB，效果图中示意了输入信噪比、输出信噪比和均方根误差。每幅图从上到下分别为原始信号、加噪信号和去噪信号，对信号处理前后进行了对比。相同条件下，与采用现有技术的去噪方法相比，其可以实现对非平稳噪声进行跟踪和精确处理，并减小语音信号清晰度的损失。

本发明由于采取以上技术方案，其具有以下优点：

提出了一种在语音信号处理中不断检测噪声帧的机制。通常的去噪方法都是采用一个不变的噪声样本对语音信号进行信噪比估计，而本发明通过一种新的噪声帧检测机制对一段信号流不停的进行噪声检测，时刻更新噪声样本。

提出了一种在小波域不同尺度对去噪算法的自适应选择方法。小波域不同尺度的信号有着不同的性质，都采用一个阈值不能很好的区分这种特性。在此设置两种去噪算法，在信噪比大于某阈值时使用改进的阈值函数，否则直接使用μ律阈值函数处理。

在信噪比较高的情况下直接进行阈值处理很容易去除部分语音成分，容易造成信号失真，本发明选用自动增益系数计算公式对信噪比大于某阈值的小波域信号进行处理。以往的自动增益系数公式只考虑了带噪语音信号帧的信噪比和自动增益系数间的关系，而本发明设计的自动增益函数还考虑了带噪语音信号帧的幅度和自动增益系数间的关系。这样做能够在去除噪声的同时减少语音信号清晰度的损失。

本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。

Claims (12)

1.一种基于噪声估计的去噪方法，其特征在于，该方法包括：

噪声样本更新步骤，检测待处理信号的语音起始点，更新所述语音起始点前的M帧信号为噪声样本的噪声信号，该语音起始点后的信号称为带噪语音信号；

去噪处理步骤，根据所述噪声样本对待处理的L帧带噪语音信号进行去噪处理；

判断步骤，判断后续待处理的N帧信号的幅度是否都小于预设门限，若小于，则转执行所述噪声样本更新步骤，否则转执行所述去噪处理步骤。

2.如权利要求1所述的方法，其特征在于：所述去噪处理步骤中针对每帧待处理的带噪语音信号的处理包括：

信噪比计算子步骤，计算所述待处理的带噪语音信号的信噪比；

去噪处理选择子步骤，判断该信噪比是否大于预设第一阈值，若是，则对该帧带噪语音信号执行时域阈值去噪处理，否则执行小波去噪处理步骤；

小波去噪处理子步骤，根据所述噪声样本对该帧待处理的带噪语音信号执行小波去噪处理。

3.如权利要求1所述的方法，其特征在于：所述小波去噪处理包括以下步骤：

小波分解子步骤，对所述噪声样本的噪声信号和待处理的带噪语音信号进行小波分解；

信噪比计算子步骤，计算各小波尺度的信噪比；

去噪算法选择子步骤，判断各小波尺度的信噪比是否大于预设第二阈值，若大于则选择自动增益算法，否则选择μ律阈值算法；

去噪及重构子步骤，根据选择的去噪算法对各尺度信号进行去噪处理并进行小波重构。

4.如权利要求1所述的方法，其特征在于：所述自动增益算法的自动增益系数是根据带噪语音信号帧的频带能量和信噪比确定的。

5.如权利要求4所述的方法，其特征在于：所述自动增益算法的小波系数的自动增益系数根据以下公式确定：

$\mathrm{Gain}(m,i)=\frac{\mathrm{Ratio}(m,i)}{\mathrm{Ratio}(m,i)+1}$

$\mathrm{Ratio}(m,i)=0.03\&times;e^{\mathrm{SNRs}(m,i)\&CenterDot;\left|\sqrt{E_x(m,i)}\right|}$

其中，Gain(m，i)表示第m帧信号第i尺度的小波系数的自动增益系数，E_s(m，i)表示第m帧信号第i尺度的频带能量，SNRs(m，i)表示第m帧信号第i尺度信号信噪比。

6.如权利要求1所述的方法，其特征在于：所述噪声样本更新步骤中采用双门限方法检测待处理信号的语音起始点，所述判断步骤中的预设门限为所述双门限中的较小门限。

7.一种基于噪声估计的去噪装置，其特征在于，该装置包括：

噪声样本更新单元，用于检测待处理信号的语音起始点，并更新所述语音起始点前的M帧信号为噪声样本的噪声信号，该语音起始点后的信号称为带噪语音信号；

去噪处理单元，用于根据所述噪声样本对待处理的L帧带噪语音信号进行去噪处理；

判断单元，在所述去噪处理模块每处理L帧带噪语音信号后，用于判断后续待处理的N帧信号的幅度是否都小于预设门限，若判断小于，则通知所述噪声样本更新单元进行噪声样本更新，否则通知所述去噪处理单元对后续待处理的L帧带噪语音信号进行去噪处理。

8.如权利要求7所述的装置，其特征在于：所述去噪处理单元包括：

信噪比计算模块，用于计算所述待处理的带噪语音信号的信噪比；

去噪处理选择模块，用于判断计算所得的信噪比是否大于预设第一阈值；

时域阈值去噪处理模块，用于在计算所得的信噪比大于预设第一阈值时，对所述帧带噪语音信号执行时域阈值去噪处理；

小波去噪处理模块，用于在计算所得的信噪比小于预设第一阈值时，根据所述噪声样本对所述待处理的带噪语音信号执行小波去噪处理。

9.如权利要求7所述的装置，其特征在于：所述小波去噪处理模块包括以下步骤：

小波分解子模块，用于对所述噪声样本的噪声信号和待处理的带噪语音信号进行小波分解；

信噪比计算子模块，用于计算各小波尺度的信噪比；

去噪算法选择子模块，用于判断各小波尺度的信噪比是否大于预设第二阈值，若大于则选择自动增益算法，否则选择μ律阈值算法；

去噪及重构子模块，用于根据选择的去噪算法对各尺度信号进行去噪处理并进行小波重构。

10.如权利要求7所述的装置，其特征在于：所述自动增益算法的自动增益系数是根据带噪语音信号帧的频带能量和信噪比确定的。

11.如权利要求10所述的装置，其特征在于：所述自动增益算法的小波系数的自动增益系数根据以下公式确定：

$\mathrm{Gain}(m,i)=\frac{\mathrm{Ratio}(m,i)}{\mathrm{Ratio}(m,i)+1}$

$\mathrm{Ratio}(m,i)=0.03\&times;e^{\mathrm{SNRs}(m,i)\&CenterDot;\left|\sqrt{E_s(m,i)}\right|}$

其中，Gain(m，i)表示第m帧信号第i尺度的小波系数的自动增益系数，E_s(m，i)表示第m帧信号第i尺度的频带能量，SNRs(m，i)表示第m帧信号第i尺度信号信噪比。

12.如权利要求7所述的装置，其特征在于：所述噪声样本更新单元采用双门限方法检测待处理信号的语音起始点，所述判断模块使用所述双门限中的较小门限作为所述预设门限。

Images