CN109785854A - 一种经验模态分解和小波阈值去噪相结合的语音增强方法 - Google Patents

Abstract

本发明涉及一种经验模态分解和小波阈值去噪相结合的语音增强方法，首先将语音信号进行经验模态分解，再根据本征模态函数与语音信号的互相关系数去除包含虚假频率成分的本征模态函数，接着计算剩余的本征模态函数的自相关函数，根据自相关函数图谱，确定噪声主导的本征模态函数分量和语音信号主导的本征模态函数分量的分界点，然后对噪声主导的本征模态函数进行小波软阈值去噪，最后将信号主导本征模态函数分量与小波软阈值去噪后的噪声主导本征模态函数分量一起重构语音信号，得到增强后的语音信号，和常规经验模态分解方法相比，本发明可有效减小语音信号失真，提高去噪性能，能够获得高信噪比的语音信号。

Description

一种经验模态分解和小波阈值去噪相结合的语音增强方法

技术领域

本发明涉及语音信号处理领域，特别是一种经验模态分解和小波阈值去噪相结合的语音增强方法。

背景技术

语音作为信息重要载体之一，其包含的信息非常丰富，在现实生活中基于语音交互的应用场景日益普遍，而语音信号在通信过程中不可避免会受到环境或者设备自带的噪声污染，因此需要对语音信号进行增强处理来获得尽可能信噪比高的语音信号，以保证后续语音信号应用其他处理工作的正常运行。

经验模态分解(Empirical Mode Decomposition，EMD)是由黄锷等人在1998年提出的一种非常适用于非线性非平稳信号处理的自适应信号时频处理方法，该方法是依据数据自身的时间尺度特征来进行信号分解，无须预先设定基函数，因此在理论上可以应用于任何类型信号的分解，在处理非平稳语音信号具有优势尤为突出。EMD将信号分解成有限个本征模态函数(Intrinsic Mode Function，IMF)和一个残差之和，EMD语音降噪原理就是根据噪声与语音信号分解IMF分量的特性不同，通过找到噪声主导的IMF分量，并进行处理来达到降噪的目的。

常规EMD分解过程中由于无法精确确定所有极值点，容易出现包含虚假频率成分的IMF分量,使得部分有用信号IMF与噪声信号IMF混淆，降低了EMD语音降噪的性能，同时一般EMD语音降噪过程是直接去除噪声主导的IMF分量，使得这些IMF分量中有用的语音信号丢失，造成语音信号失真。

发明内容

有鉴于此，本发明的目的是提出一种经验模态分解和小波阈值去噪相结合的语音增强方法，能够解决信噪比较高情况下常规EMD语音信号易失真问题。

本发明采用以下方案实现：一种经验模态分解和小波阈值去噪相结合的语音增强方法，具体包括以下步骤：

步骤S1：对语音信号y(t)进行经验模态分解，得到N个IMF分量；

步骤S2：计算各IMF分量与y(t)的互相关系数，把互相关系数低于设定阈值的IMF分量当作虚假分量去除；

步骤S3：计算剩余IMF分量的自相关函数；

步骤S4：根据步骤S3中自相关函数的图谱，确定噪声主导IMF分量与信号主导IMF分量的分界点K；

步骤S5：对所有噪声主导的IMF分量进行小波阈值去噪；

步骤S6：用信号主导IMF分量与经过小波阈值去噪后的噪声主导IMF分量重构语音信号，获得增强后的语音信号。

本发明首先改进常规EMD算法，在自相关系数阈值法去除虚假IMF分量的基础上，根据信号与噪声的自相关函数特性来准确确定IMF噪声分量和信号分量的分界点，处理过程对噪声主导的IMF分量增加小波阈值去噪，减少了噪声污染，并解决信噪比较高情况下常规EMD语音信号易失真问题。

进一步地，步骤S1中，采用下式对语音信号y(t)进行经验模态分解：

式中，N为IMF分量的阶数，r_N(t)为最终残差。

进一步地，步骤S2中，互相关系数ρ_k的计算采用下式：

式中，R为信号长度，N为IMF分量的阶数，n表示采样点数。

进一步地，步骤S2中，所述设定阈值为各IMF分量与y(t)的互相关系数中最大值的1/15。

进一步地，步骤S3中中，自相关函数R(ω)的计算采用下式：

R(ω)＝E[IMF_i(t)*IMF_i(t+ω)]；

式中，ω为时间差，*为卷积，E表示期望值。

进一步地，步骤S4具体包括以下步骤：

步骤S41：画出IMF分量自相关图谱；

步骤S42：根据语音信号与噪声信号不同的自相关特性，图谱出现明显波峰，且峰值变化平缓的IMF分量即为分界点K，该分界点及其前面的IMF为噪声主导IMF分量，该分界点后面的IMF为信号主导IMF分量。

进一步地，步骤S5具体包括以下步骤：

步骤S51：首先将信号进行离散小波变换，得到一组小波系数：

式中，f(t)代表离散信号，Θ_j,k(t)代表离散小波函数，j代表小波尺度变量，k代表位移变量；

步骤S52：对w_j,k进行阈值处理得到新的小波系数其中采用的阈值函数为：

式中，λ为给定阈值，w、a₀、a₁、b₀和β都是系数；

步骤S53：做小波反变换，得到去噪后的信号：

式中，c是一个与信号无关的常数。

与现有技术相比，本发明有以下有益效果：

1、本发明首先根据各IMF分量和原始信号的互相关系数去除虚假分量，免除虚假IMF分量的影响。然后根据语音信号跟高斯白噪声的自相关函数特性来确定分界点，由于语音信号存在相关性，其自相关函数在零点取得最大值，在其他点，则会随着时间差而变化，不会很快衰减到零，尽管高斯白噪声的自相关函数也是在零点取最大值，但在其他点则会迅速衰减到接近零值，根据这个特性找分界点和能量准则相比，受输入信号的信噪比影响更小，因此确定的分界点更加精确。

2、本发明不直接去除噪声主导的IMF分量，对其进行运算量相对少且适应性较广的小波阈值去噪，并用所有的IMF分量重构信号，保留噪声主导IMF中的有用信号，能够有效减小信号的失真。

附图说明

图1为本发明实施例的EMD和小波阈值去噪相结合的语音增强方法流程图。

图2为本发明实施例的信噪比为-5dB的语音信号分解成模态本征函数IMF分量图。

图3为本发明实施例的IMF分量自相关函数图谱。

图4为本发明实施例的本发明语音增强后的效果图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图1所示，本实施例提供了一种经验模态分解和小波阈值去噪相结合的语音增强方法，开始输入为已获取的带噪声语音信号，最后输出为增强语音信号，具体包括以下步骤：

步骤S1：对语音信号y(t)进行经验模态(EMD)分解，得到N个IMF分量；

步骤S2：计算各IMF分量与y(t)的互相关系数，把互相关系数低于设定阈值的IMF分量当作虚假分量去除；

步骤S3：计算剩余IMF分量的自相关函数；

步骤S4：根据步骤S3中自相关函数的图谱，确定噪声主导IMF分量与信号主导IMF分量的分界点K；

步骤S5：对所有噪声主导的IMF分量进行小波阈值去噪；

步骤S6：用信号主导IMF分量与经过小波阈值去噪后的噪声主导IMF分量重构语音信号，获得增强后的语音信号。

本实施例首先改进常规EMD算法，在自相关系数阈值法去除虚假IMF分量的基础上，根据信号与噪声的自相关函数特性来准确确定IMF噪声分量和信号分量的分界点，处理过程对噪声主导的IMF分量增加小波阈值去噪，减少了噪声污染，并解决信噪比较高情况下常规EMD语音信号易失真问题。

在本实施例中，步骤S1中，采用下式对语音信号y(t)进行经验模态分解：

式中，N为IMF分量的阶数，r_N(t)为最终残差。其中上式包括N个IMF分量(如图2所示)和一个残余量，EMD具体分解步骤为：

(1)将y(t)赋值给残差r_i-1(t)，其中i是从1开始的整数；

(2)r_i-1(t)赋值给h_i,j-1(t)，其中j是从1开始的整数；；

(3)提取h_i,j-1(t)的局部极大值集和极小值集，根据极值集合点，采用三次样条曲线插值计算确定h_i,j-1(t)的上包络U_i,j-1(t)和下包络L_i,j-1(t)；

(4)计算包络均值：

并获得新的h_i,j(t)＝h_i,j-1(t)-ψ_i,j-1，j＝j+1；

(5)验证h_ij(t)是否满足标准差的阈值条件：

式中，阈值ν一般取值在0.2-0.3之间，如果不满足则重复步骤(3)-(5)，否则可获得一个IMF分量：IMF_i(t)＝h_i,j(t)；

(6)更新残差r_i(t)＝r_i-1(t)-IMF_i(t)，i＝i+1，然后重复步骤(2)-(5)，直到残差能提取的极值数目小于两个。

在本实施例中，步骤S2中，互相关系数ρ_g的计算采用下式：

式中，R为信号长度，N为IMF分量的阶数，n表示采样点。

在本实施例中，步骤S2中，所述设定阈值为各IMF分量与y(t)的互相关系数中最大值的1/15。

在本实施例中，步骤S3中中，自相关函数R(ω)的计算采用下式：

R(ω)＝E[IMF_i(t)*IMF_i(t+ω)]；

式中，ω为时间差，*为卷积，E表示期望值。

在本实施例中，步骤S4具体包括以下步骤：

步骤S41：画出IMF分量自相关图谱，如图3所示；

步骤S42：根据语音信号与噪声信号不同的自相关特性，图谱出现明显波峰，且峰值变化平缓的IMF分量即为分界点K，该分界点及其前面的IMF为噪声主导IMF分量，该分界点后面的IMF为信号主导IMF分量。

图3中可以看出，第三个IMF分量具有明显波峰，而第四个没有，因此确定噪声主导的IMF分量分界点为3。

在本实施例中，步骤S5具体包括以下步骤：

步骤S51：首先将信号进行离散小波变换(采用sym8小波函数对噪声主导的IMF分量进行尺度为5的小波分解)，得到一组小波系数：

式中，f(t)代表离散信号，Θ_j,k(t)代表离散小波函数，j代表小波尺度变量，k代表位移变量；

步骤S52：对w_j,k进行阈值处理得到新的小波系数其中采用的阈值函数为：

式中，λ为给定阈值，w、a₀、a₁、b₀和β都是系数，本实施例中，取λ＝4.4，a₀＝2.260、a₁＝-0.126、b₀＝2.235、w＝1.8和β＝2.1；

步骤S53：做小波反变换，得到去噪后的信号：

式中，c是一个与信号无关的常数。

在本实施例中，步骤S6具体为，用阈值处理过的小波系数重构噪声主导IMF分量，并与第4个及后面的IMF分量一起重构语音信号，得到的信号就是增强后的语音信号，结果如图4所示，可见本实施例方法较好地保留了原始语音信号的特性，具有较好的语音信号保真度，并可获得较高的信噪比。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (7)

1.一种经验模态分解和小波阈值去噪相结合的语音增强方法，其特征在于：包括以下步骤：

步骤S1：对语音信号y(t)进行经验模态分解，得到N个IMF分量；

步骤S2：计算各IMF分量与y(t)的互相关系数，把互相关系数低于设定阈值的IMF分量当作虚假分量去除；

步骤S3：计算剩余IMF分量的自相关函数；

步骤S4：根据步骤S3中自相关函数的图谱，确定噪声主导IMF分量与信号主导IMF分量的分界点K；

步骤S5：对所有噪声主导的IMF分量进行小波阈值去噪；

步骤S6：用信号主导IMF分量与经过小波阈值去噪后的噪声主导IMF分量重构语音信号，获得增强后的语音信号。

2.根据权利要求1所述的一种经验模态分解和小波阈值去噪相结合的语音增强方法，其特征在于：步骤S1中，采用下式对语音信号y(t)进行经验模态分解：

式中，N为IMF分量的阶数，r_N(t)为最终残差。

3.根据权利要求1所述的一种经验模态分解和小波阈值去噪相结合的语音增强方法，其特征在于：步骤S2中，互相关系数ρ_g的计算采用下式：

式中，R为信号长度，N为IMF分量的阶数，n表示采样点。

4.根据权利要求1所述的一种经验模态分解和小波阈值去噪相结合的语音增强方法，其特征在于：步骤S2中，所述设定阈值为各IMF分量与y(t)的互相关系数中最大值的1/15。

5.根据权利要求1所述的一种经验模态分解和小波阈值去噪相结合的语音增强方法，其特征在于：步骤S3中中，自相关函数R(ω)的计算采用下式：

R(ω)＝E[IMF_i(t)*IMF_i(t+ω)]；

式中，ω为时间差，*为卷积，E表示期望值。

6.根据权利要求1所述的一种经验模态分解和小波阈值去噪相结合的语音增强方法，其特征在于：步骤S4具体包括以下步骤：

步骤S41：画出IMF分量自相关图谱；

步骤S42：根据语音信号与噪声信号不同的自相关特性，图谱出现明显波峰，且峰值变化平缓的IMF分量即为分界点K，该分界点及其前面的IMF为噪声主导IMF分量，该分界点后面的IMF为信号主导IMF分量。

7.根据权利要求1所述的一种经验模态分解和小波阈值去噪相结合的语音增强方法，其特征在于：步骤S5具体包括以下步骤：

步骤S51：首先将信号进行离散小波变换，得到一组小波系数：

式中，f(t)代表离散信号，Θ_j,k(t)代表离散小波函数，j代表小波尺度变量，k代表位移变量；

步骤S52：对w_j,k进行阈值处理得到新的小波系数其中采用的阈值函数为：

式中，λ为给定阈值，w、a₀、a₁、b₀和β都是系数；

步骤S53：做小波反变换，得到去噪后的信号：

式中，c是一个与信号无关的常数。