CN103871421A - 一种基于子带噪声分析的自适应降噪方法与系统 - Google Patents

Abstract

本发明涉及语音技术领域,本发明的一种基于子带噪声分析的自适应降噪方法，包括步骤1，对输入的时域带噪音频信号进行分帧和短时频域变换，生成频域带噪音频信号；步骤2，对频域带噪音频信号，采用最小值跟踪方法估计出噪声能量谱；步骤3，计算出该噪声能量谱的后验信噪比和先验信噪比；步骤4，通过非线性增益扩展方法，利用所述的后验信噪比和先验信噪比计算各个时频单元的降噪增益；步骤5，对所述的各个时频单元的降噪增益进行平滑滤波，以降低音质失真；步骤6，将降噪增益作用于步骤1所述的带噪音频信号的各个时频单元，得到降噪后的频域音频信号；步骤7，短时频域逆变换，得到最终的降噪后的时域音频信号输出。本发明可以大幅度降低目标信号中的稳定类噪声。

Description

一种基于子带噪声分析的自适应降噪方法与系统

技术领域

本发明涉及语音技术领域,具体涉及一种基于子带噪声分析的自适应降噪方法与系统。

背景技术

在语音通信与录制领域，背景噪声是影响声音音质与辨识度的最大障碍。通过网络与亲友视频聊天时会有电脑的“嗡嗡”声；录制课堂讲座时会有写字声与学生们的闲聊声；户外做采访时道路交通噪声以及风噪声等，日常生活中我们离不开这些噪声。

为了提高采集声音信号的音质，信噪比，以及可懂度，国际上已经研究出了很多降噪算法，可分为两大类。一种是通过多路麦克风输入在空间上选取目标声源的方式，叫指向性麦克风技术。另一种是单麦克风输入，通过语音信号和干扰噪声信号的频谱特性差异，滤除噪声信号，提高信噪比。理论上，指向性麦克风方式的降噪效果要比单麦克风降噪算法要好，目前已经有很多笔记本电脑，平板电脑，部分智能手机均采用这类技术。但是，一个产品同时要配置多路麦克风的技术实现需求，在高集成度的迷你产品的研发中受到限制，同时也会提高生产成本，且运算复杂度较高，不适于如数字助听器等极低功耗系统的应用。

一般我们会通过以下方式进行单麦克风降噪。第一类是通过自适应增益调节进行噪声判断，并进行衰减，其中最为典型的算法为低增益扩展降噪算法，如图1所示，如果当前输入的声压级小于扩展临界值，即输入处于扩展阈的范围内，则判断为噪声，并进行增益衰减；如果输入声压级大于此临界值进行线性输出，或进行增益压缩。第二类是通过语音激活检测（Voice ActivityDetection）等方式对信号进行语音段与噪声段的分类。此算法自动平均噪声段的信号能量，并在判断为噪声段的信号进行相应衰减，得到降噪效果。第三类为通过自适应滤波器的方式进行降噪，如图2所示。自适应滤波器以系统输出信号无限接近于原信号为条件进行收敛。在实际应用中，因为我们得不到原信号，通常使用实际输入信号与长时能量的差值代替原信号进行收敛，其中长时能量代表噪声等级。

上述三类降噪方式均有相应的降噪效果，但都存在缺陷。第一类降噪方式只能应用于噪声能量明显小于信号能量的场景，而能量较小的语音信号会被误认为噪声，因此被衰减。第二类的降噪方式效果要好于第一类，但在噪声段存在明显的音乐噪声（Musical noise）。第三类的降噪算法比前两类更为复杂，但自适应滤波器方法由于收敛关系会影响输出音质,也就是说收敛速度越快会提高降噪效果，但同时会降低音质，同时也存在滤波器发散的危险。

总之，需要本领域技术人员迫切解决的一个技术问题就是：如何能够提供一种自适应降噪算法，要求较高的降噪效果同时保证输出音质。

发明内容

为了解决上述技术问题，本发明提供了一种基于子带噪声分析的自适应降噪方法，可以大幅度降低目标信号中的类稳定噪声，同时提供几乎无失真（经过40dB以上的放大处理仍无听感失真）的语音音质，本发明的方法在多种噪声环境下，均能提供较好的降噪效果。

为了达到上述目的，本发明所采用的技术方案是，一种基于子带噪声分析的自适应降噪方法，包括以下步骤：

步骤1，对输入的时域带噪音频信号进行分帧和短时频域变换，生成频域带噪音频信号；

步骤2，对频域带噪音频信号，采用最小值跟踪方法（Minimum Tracking）估计出噪声能量谱；

步骤3，计算出该噪声能量谱的后验信噪比和先验信噪比；

步骤4，通过非线性增益扩展方法，利用所述的后验信噪比和先验信噪比计算步骤1所述的带噪音频信号的降噪增益；

步骤5，对所述的各个时频单元的降噪增益进行平滑滤波，以降低音质失真；

步骤6，将所述的平滑滤波后的降噪增益与步骤1所述的频域带噪音频信号的各个时频单元相乘，得到降噪后的频域音频信号；

步骤7，对步骤6所述的降噪后的频域音频信号进行短时频域逆变换，得到最终的降噪后的时域音频信号输出。

进一步的，所述步骤1中，短时频域变换为加权重叠相加分析算法。

进一步的，所述步骤7中，短时频域逆变换为加权重叠相加合成算法。

进一步的，所述步骤2中，所述最小值跟踪方法包括以下步骤：

步骤21：计算短时频域变换后的带噪音频信号S_in(n,k)的能量谱|S_in(n,k)|²的短时最大值P_{ST_max}(n,k)，如式（1）所示，

$P_{\mathrm{ST}\_\max }(n,k)=\underset{n-T_1+1\≤m\≤n}{\max }\left({\left|S_{\mathrm{in}}(m,k)\right|}^2\right)---\left(1\right)$

其中n代表时间帧，k代表频域子带（一个子带可是单个频段也可由多个相邻的频段构成），T₁代表短时帧数；

步骤22：再通过短时最大值P_{ST_max}(n,k)，估计长时最小值(Long-Term MinimumPower），作为噪声能量谱，如式（2）所示

${\left|\tilde{N}(n,k)\right|}^2=\underset{n-T_2+1\≤\·T_1\≤n}{\min }\left(P_{\mathrm{ST}\_\max }(m\·T_1,k)\right)---\left(2\right)$

其中T₂代表长时帧数。

进一步的，所述步骤3中，计算后验信噪比和先验信噪比，具体包括以下步骤：

步骤31：通过能量谱|S_in(n,k)|²与估算噪声谱

计算后验信噪比，如式（3）所示：

${\mathrm{SNR}}_{\mathrm{post}}(n,k)=\frac{{\left|S_{\mathrm{in}}(n,k)\right|}^2-{\left|\tilde{\text{N}}(n,k)\right|}^2}{{\left|\tilde{N}(n,k)\right|}^2}---\left(3\right)$

步骤32：通过信噪比SNR_post(n,k)进行迭代更新，计算先验信噪比SNR_prio(n,k)，如式（4）所示：

SNR_prio(n,k)=(1-α)·SNR_post(n,k)+α·SNR_prio(n-1,k)（4）

其中α为迭代因子，取值范围为：0<α<1。

进一步的，所述步骤4中，非线性增益扩展方法，具体包括以下步骤：

步骤41：利用后验信噪比和先验信噪比计算得到降噪增益Gain_dB(n,k)，如式（5）所示：

$G_{\mathrm{tmp}}^{\mathrm{dB}}(n,k)={-20\&CenterDot;\log }_{10}\left(\frac{1}{1+v\&CenterDot;{\mathrm{SNR}}_{\mathrm{post}}{(n,k)}^{\mathrm{\&gamma;}}}\right)---\left(5\right)$

其中，参数ν和γ分别代表最大衰减度与衰减速率，是先验信噪比SNR_prio(n,k)的函数。

步骤42：将上述降噪增益构成可通过后验信噪比和先验信噪比查找的二维表，并根据主观听感实验结果对二维表中的增益值进行修正。

进一步的，所述步骤5中，各个时频单元的降噪增益进行平滑滤波，如式（5）所示：

$G^{\mathrm{dB}}(n,k)=(1-\mathrm{\&beta;})G_{\mathrm{tmp}}^{\mathrm{dB}}(n,k)+{\mathrm{\&beta;G}}^{\mathrm{dB}}(n-1,k)---\left(6\right)$

其中β为迭代因子，取值范围为：0<β<1。

本发明还提供了一种采用上述降噪方法的低延时实时系统，包括：

短时频域变换模块，用于将输入的时域带噪音频信号进行分帧并变换到频域；

噪声谱估计模块，用于对所述的短时频域变换后的带噪音频信号，通过最小值跟踪方法估计噪声能量谱；

信噪比计算模块，用于对所述的估计的噪声能量谱计算后验信噪比和先验信噪比；

降噪增益计算模块，用于通过非线性增益扩展方法，利用所述的后验信噪比和先验信噪比计算各个时频单元的降噪增益；

平滑滤波模块，用于对所述的各个时频单元的降噪增益进行平滑滤波，以降低音质失真；

降噪增益应用模块，用于将所述的平滑滤波后的降噪增益作用于带噪音频信号的各个时频单元，得到降噪后的频域音频信号；

短时频域逆变换模块，用于对降噪后的频域音频信号进行短时频域逆变换，得到最终的降噪后的时域音频信号输出。

本发明通过采用上述技术方案，与现有技术相比，具有如下优点：

本发明的方法通过降噪等级估算，非线性降噪增益扩展与修正，后验信噪比与先验信噪比二维查表和增益平滑等步骤实现自适应降噪。其中，非线性降噪增益扩展模块的应用，更加明显了语音部分与噪声部分的增益差异，进一步提高了信噪比。后验信噪比与先验信噪比结合查表方式，通过长时的先验噪声比，自适应切换非线性降噪增益曲线，从而保证了高信噪比时的正常音质，同时也降低了低信噪比时的残留噪声。通过增益平滑模块中的迭代因子，又进一步降低了处理后的音乐噪声。

本发明的系统采用上述方法，能够在单麦克风输入的情况下实现降噪功能，在多种类平稳噪声环境下，均能得到较好的降噪效果并保持较高的语音质量。本发明在不同的噪声类型、不同噪声源的个数、以及不同目标声源与噪声源的空间结构下都可以达到良好的降噪效果。

附图说明

图1现有技术中低增益扩展降噪方法示意图；

图2现有技术中自适应滤波器降噪系统示意图；

图3本发明实施例的声音处理系统框图；

图4本发明实施例的模数转换系统示意图；

图5是本发明实施例的基于子带噪声分析的自适应降噪系统框图；

图6是本发明实施例的自适应降噪方法的流程图；

图7是本发明实施例的非线性增益扩展示意图；

图8是本发明实施例的二维的非线性增益表的显示图。

具体实施方式

现结合附图和具体实施方式对本发明进一步说明。

作为一个具体的实施例，为了清楚地说明本发明的方法，本发明以单麦克风作为信号源采集装置，如图3所示，单麦克风同时采集目标声源和噪声源，得到带噪模拟信号；如图4所示，将采集到的带噪模拟音频信号首先经过带通滤波和放大处理，再通过模数转换得到带噪数字音频信号；如图5所示，带噪数字音频信号经过短时频变换得到频域子带的数字带噪信号S_in(n,k)。本发明针对该频域子带的数字带噪信号S_in(n,k)进行自适应降噪处理。

参考图6所示，本发明的一种自适应语音降噪方法的流程主要包括如下步骤：短时频域变换，噪声能量谱估计，信噪比计算，非线性降噪增益查表、增益平滑、降噪增益应用、以及短时频域逆变换。经过短时频域变换后，每个子带的降噪处理步骤都是独立执行的。噪声能量谱估计步骤是在频域利用长时最小值追踪算法跟踪最小能量谱来估算噪声能量谱。信噪比计算步骤通过噪声能量谱与当前帧的能量比率计算后验信噪比，再通过迭代处理后验信噪比求出先验信噪比。非线性降噪增益查表步骤通过非线性扩展表查出对应后验信噪比和先验信噪比的降噪增益。增益平滑步骤通过对各子带的降噪增益进行低通滤波，以降低由于降噪增益估计误差引起的声音处理失真现象。降噪增益应用步骤通过将降噪增益应用到频域各子带上，得到降噪效果。

在本发明一个优选实施例中，采样率为16kHz，采样精度为16bit，信号以帧为单位进行处理，每一帧时长是2ms，即每帧的采样点数为32。最小降噪增益Gain_Floor为-12dB。时频变换与逆变换方法采用加权重叠相加分析（WOLA-a）与加权重叠相加合成（WOLA-s）[1]，时频变换后的频域子带数K为16。将第n帧信号通过时频变换后得到第n帧、第k子带的频域带噪信号S_in(n,k)，其中k∈[0,K-1]。

图6中示出的基于子带噪声分析的自适应降噪方法实施例包括：

步骤1，对采用加权重叠相加分析（WOLA-a）[1]对经麦克风采集、滤波、放大以及模数变换后的时域带噪信号进行分帧和短时频域变化得到频域带噪音频信号S_in(n,k)，其中分帧后每帧帧长为2ms；

步骤2，对所述的短时频域变换后的频域带噪音频信号，通过最小值跟踪方法（Minimum Tracking）估计噪声能量谱，具体包括一下步骤：

步骤2.1：通过频域带噪信号S_in(n,k)求出短时最大能量谱P_{ST_max}(n,k)，如式（6）所示：

$P_{\mathrm{ST}\_\max }(n,k)=\underset{n-T_1+1\&le;m\&le;n}{\max }\left({\left|S_{\mathrm{in}}(m,k)\right|}^2\right);T_1=30---\left(6\right)$

其中，T₁代表短时帧数，共30个帧，因1帧等于2ms，则该时长T₁为60ms，n代表时间帧，k代表频域子带（一个子带可以是单频段也可以由多个相邻的频段构成）。

步骤2.2：通过短时最大能量谱P_{ST_max}(n,k)计算长时最小能量作为噪声能量谱的估值，如式（7）所示：

${\left|\tilde{N}(n,k)\right|}^2=\underset{n-T_2+1\&le;\&CenterDot;T_1\&le;n}{\min }\left(P_{\mathrm{ST}\_\max }(m\&CenterDot;T_1,k)\right);T_2=20---\left(7\right)$

其中，T₂代表长时时长，通过短时时常T₁倍数表示。因短时时长为60ms，则长时时长T₂为1.2s。长时最小能量谱代表的是该段时间内输入声音信号在各个时频单元上的最小值，可看成是对噪声能量谱的估计。每当帧序数n等于（T₁×Ｔ₂）的整数倍时，更新噪声能量谱。

步骤3，对步骤2所述的估计的噪声能量谱，分别按照式（8）和式（9）计算当前帧的后验信噪比SNR_post(n,k)和先验信噪比SNR_prio(n,k)：

${\mathrm{SNR}}_{\mathrm{post}}(n,k)=\frac{{\left|S_{\mathrm{in}}(n,k)\right|}^2-{\left|\tilde{\text{N}}(n,k)\right|}^2}{{\left|\tilde{N}(n,k)\right|}^2}---\left(8\right)$

SNR_prio(n,k)=(1-α)×SNR_post+α×SNR_prio(n-1,k)（9）

其中，α为平滑系数，取值范围为0<α<1。α的值越大则先验信噪比的更新速度越慢。在本次优选实例中α设置为0.98；

由式（10），将SNR_post(n,k)和SNR_prio(n,k)转换到对数单位，以便于后续处理。

$\begin{array}{c}{\mathrm{SNR}}_{\mathrm{post}}^{\mathrm{dB}}(n,k)=10\&CenterDot;{\log }_{10}\left({\mathrm{SNR}}_{\mathrm{post}}(n,k)\right)\\ {\mathrm{SNR}}_{\mathrm{prio}}^{\mathrm{dB}}(n,k)=10\&CenterDot;{\log }_{10}\left({\mathrm{SNR}}_{\mathrm{prio}}(n,k)\right)\end{array}---\left(10\right)$

步骤4，通过非线性增益扩展方法，由步骤3所述的后验信噪比

与先验信噪比

进行二维查表，取出各个子带的降噪增益

本实施例中，非线性增益扩展二维表的生成方法如下：

步骤4.1：根据式（11）和（12）计算得到降噪增益

其中参数ν和γ分别代表最大衰减度与衰减速率，如图7所示，该图给出了线性增益扩展与非线性增益扩展的对比效果，非线性降噪增益扩展加重了对较高信噪比的输出增益，降低了较小信噪比的降噪增益从而概率性的锐化了非噪声部分的降噪抑制增益；

步骤4.2：对

和

进行间隔1dB的采样，采样区间为[-25dB，25dB]，ν和γ的取值区间为[2,1]，生成二维降噪增益表；

步骤4.3：根据主观听感实验结果对二维降噪增益表中的增益值进行修正，得到最终降噪增益表，如图8所示，图8中X轴表示后验信噪比，即对应当前子带中具有瞬变特点的噪声功率谱成分；Y-轴表示先验信噪比，即对应当前子带中具有平稳特点的缓变噪声功率谱成分，Z-轴表示对应的降噪增益。在实际应用中，比起对每个时频单元实时运算方式，查表方法可节省大量计算量，尤其适用于计算资源受限的嵌入式系统。

本实施例的主观听感实验具体包括以下步骤：

采集室内和室外的类平稳噪声声源，得到噪声数据；（2）将噪声数据与纯净语音数据进行叠加得到不同信噪比的带噪语音数据，信噪比包括：-6dB、-3dB、0dB、3dB、6dB、9dB、12dB、15dB、18dB和21dB；（3）对上述各个信噪比的带噪语音数据，应用上述降噪算法，得到处理后的语音数据；（4）对处理后的语音信号进行主观听判，并根据听判结果对二维降噪增益表中的值进行微调，以降低主观听感上的失真。此外，采用查表方式实现增益处理，能有效降低算法的复杂度，更适于实时降噪处理任务和嵌入式设备上的实现，例如数字助听器。

$G_{\mathrm{tmp}}^{\mathrm{dB}}(n,k)=-20\&CenterDot;{\log }_{10}\left(\frac{1}{1+{v\&CenterDot;10}^{\mathrm{\&gamma;}\&CenterDot;{\mathrm{SNR}}_{\mathrm{post}}^{\mathrm{dB}}(n,k)/10}}\right)---\left(11\right)$

$v=\mathrm{\&gamma;}=\frac{75-{\mathrm{SNR}}_{\mathrm{prio}}^{\mathrm{dB}}(n,k)}{50}---\left(12\right)$

通过最小降噪增益

限制降噪增益，计算公式如下：

$G_{\mathrm{tmp}}^{\mathrm{dB}}(n,k){=G}_{\mathrm{floor}}^{\mathrm{dB}},\mathrm{if}{G}_{\mathrm{tmp}}^{\mathrm{dB}}(n,k){<G}_{\mathrm{floor}}^{\mathrm{dB}}---\left(13\right)$

步骤5，对所述的各个时频单元的降噪增益进行平滑滤波，以进一步降低音质失真，如式（14）所示：

$G^{\mathrm{dB}}(n,k)=(1-\mathrm{\&beta;})G_{\mathrm{tmp}}^{\mathrm{dB}}(n,k)+{\mathrm{\&beta;G}}^{\mathrm{dB}}(n-1,k)---\left(14\right)$

其中β为迭代因子，迭代因子越接近于1，去除残留音乐噪声的效果越好，但会产生延时。在此优选实例中β设置为0.98。

步骤6，将所述的平滑滤波后的降噪增益作用于步骤1所述的带噪音频信号的各个时频单元，得到降噪后的频域音频信号，如式（15）所示。

$S_{\mathrm{out}}(n,k)=S_{\mathrm{in}}(n,k)\&CenterDot;{10}^{-G^{\mathrm{dB}}(n,k)/20}---\left(15\right)$

步骤7，采用加权重叠相加合成（WOLA-s）[1]，对步骤6所述的降噪后的频域音频信号进行短时频域逆变换，得到最终的降噪后的时域音频信号输出。

本实施例的一种采用上述降噪方法的低延时实时系统，包括：

短时频域变换模块，用于将输入的时域带噪音频信号进行分帧并变换到频域；

噪声谱估计模块，用于对所述的短时频域变换后的带噪音频信号，通过最小值跟踪方法估计噪声能量谱；

信噪比计算模块，用于对所述的估计的噪声能量谱计算后验信噪比和先验信噪比；

降噪增益计算模块，用于通过非线性增益扩展方法，利用所述的后验信噪比和先验信噪比计算各个时频单元的降噪增益；

平滑滤波模块，用于对所述的各个时频单元的降噪增益进行平滑滤波，以降低音质失真；

降噪增益应用模块，用于将所述的平滑滤波后的降噪增益作用于带噪音频信号的各个时频单元，得到降噪后的频域音频信号；

短时频域逆变换模块，用于对降噪后的频域音频信号进行短时频域逆变换，得到最终的降噪后的时域音频信号输出。

在整个降噪系统中，当接收到每一帧的带噪音频信号，以上模块都会按顺序执行，最终输出降噪后的音频信号。

尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (7)

1.一种基于子带噪声分析的自适应降噪方法，其特征在于：

步骤1，对输入的时域带噪音频信号进行分帧和短时频域变换，生成频域带噪音频信号；

步骤2，对频域带噪音频信号，采用最小值跟踪方法估计出噪声能量谱；

步骤3，计算出该噪声能量谱的后验信噪比和先验信噪比；

步骤4，通过非线性增益扩展方法，利用所述的后验信噪比和先验信噪比计算各个时频单元的降噪增益；

步骤5，对所述的各个时频单元的降噪增益进行平滑滤波，以降低音质失真；

步骤6，将所述的平滑滤波后的降噪增益作用于步骤1所述的带噪音频信号的各个时频单元，得到降噪后的频域音频信号；

步骤7，对步骤6所述的降噪后的频域音频信号进行短时频域逆变换，得到最终的降噪后的时域音频信号输出。

2.根据权利要求1所述的一种基于子带噪声分析的自适应降噪方法，其特征在于：所述步骤1中，短时频域变换为加权重叠相加分析算法。

3.根据权利要求1所述的一种基于子带噪声分析的自适应降噪方法，其特征在于：所述步骤7中，短时频域逆变换为加权重叠相加合成算法。

4.根据权利要求1所述的一种基于子带噪声分析的自适应降噪方法，其特征在于：所述步骤2中，所述最小值跟踪方法包括以下步骤：

步骤21：计算短时频域变换后的带噪音频信号S_in(n,k)的能量谱|S_in(n,k)|²的短时最大值P_{ST_max}(n,k)，如式（1）所示，

$P_{\mathrm{ST}\_\max }(n,k)=\underset{n-T_1+1\&le;m\&le;n}{\max }\left({\left|S_{\mathrm{in}}(m,k)\right|}^2\right)---\left(1\right)$

其中n代表时间帧，k代表频域子带，T₁代表短时帧数；

步骤22：再依通过短时最大值P_{ST_max}(n,k)，估计长时最小值，作为噪声能量谱，如式（2）所示

${\left|\tilde{N}(n,k)\right|}^2=\underset{n-T_2+1\&le;\&CenterDot;T_1\&le;n}{\min }\left(P_{\mathrm{ST}\_\max }(m\&CenterDot;T_1,k)\right)---\left(2\right)$

其中T₂代表长时帧数。

5.根据权利要求1所述的一种基于子带噪声分析的自适应降噪方法，其特征在于：所述步骤3中，计算后验信噪比和先验信噪比，具体包括以下步骤：步骤31：通过能量谱|S_in(n,k)|²与估算噪声谱

计算后验信噪比，如式（3）所示：

${\mathrm{SNR}}_{\mathrm{post}}(n,k)=\frac{{\left|S_{\mathrm{in}}(n,k)\right|}^2-{\left|\tilde{\text{N}}(n,k)\right|}^2}{{\left|\tilde{N}(n,k)\right|}^2}---\left(3\right)$

步骤32：通过信噪比SNR_post(n,k)进行迭代更新，计算先验信噪比SNR_prio(n,k)，如式（4）所示：

SNR_prio(n,k)=(1-α)·SNR_post(n,k)+α·SNR_prio(n-1,k)（4）

其中α为迭代因子，取值范围为：0<α<1。

6.根据权利要求1所述的一种基于子带噪声分析的自适应降噪方法，其特征在于：所述步骤4中，非线性增益扩展方法，具体包括以下步骤：

步骤41：利用后验信噪比和先验信噪比计算得到降噪增益Gain_dB(n,k)，如式（5）所示：

$G_{\mathrm{tmp}}^{\mathrm{dB}}(n,k)={-20\&CenterDot;\log }_{10}\left(\frac{1}{1+v\&CenterDot;{\mathrm{SNR}}_{\mathrm{post}}{(n,k)}^{\mathrm{\&gamma;}}}\right)---\left(5\right)$

其中，参数ν和γ分别代表最大衰减度与衰减速率，是先验信噪比SNR_prio(n,k)的函数。

步骤42：将上述降噪增益构成可通过后验信噪比和先验信噪比查找的二维表，并根据主观听感实验结果对二维表中的增益值进行修正。

7.根据权利要求1所述的一种基于子带噪声分析的自适应降噪方法，其特征在于：所述步骤5中，各个时频单元的降噪增益进行平滑滤波，如式（5）所示：

$G^{\mathrm{dB}}(n,k)=(1-\mathrm{\&beta;})G_{\mathrm{tmp}}^{\mathrm{dB}}(n,k)+{\mathrm{\&beta;G}}^{\mathrm{dB}}(n-1,k)---\left(5\right)$

其中β为迭代因子，取值范围为：0<β<1。

Images