在上交硕士论文《小波去噪在语音识别预处理中的应用》一文中，作者指出：语音信号中常见的噪声大致可以分为以下几类[1, 2]：周期性噪声、脉冲噪声、宽带噪声和语音干扰噪声。

• 周期性噪声的特点是有很多离散的窄谱峰，它往往是由汽车发动机和其他周期性运转机械以及电气干扰所引起的噪声。
• 脉冲噪声通常来源于爆炸、撞击、放电及突发性干扰等，其特点是时间上的宽度很窄。
• 宽带噪声的来源较多，例如热噪声、气流（如：风、呼吸），量化噪声及各种随机源噪声。宽带噪声在处理时通常可以假定为高斯噪声和白噪声。
• 语音干扰噪声是指在语音信号采集时记录下的其他说话人的声音对主要说话人语音造成的干扰。

   

    由于噪声的种类很多，因此针对各类噪声的语音增强方法也有所不同。从处理方法上分类，常见的语音去噪增强方法主要可以分为以下几类[2]：基于语音谱特征的谐波增强法、基于短时谱估计的增强算法、基于信号子空间处理的增强算法、基于参数估计的谐波增强法。

• 谐波增强法不但能增强语音信号，也可以抑制各种噪声的干扰，其关键是要准确的估计出基音的周期，基音周期的估计可以采用语音信号处理中的各种基音估算法实现。
• 由于语音信号的短时谱具有较强的相关性，而噪声的前后相关性很弱，因此可以利用短时谱估计的方法从带噪语音中估计原始语音，即基于短时谱估计的增强算法。该算法在处理未知噪声和线性滤波干扰的问题
  上，具有比较好的效果。

 

    近年来，随着各种理论的发展，又出现了许多新的语音增强去噪算法，如基于神经网络的增强算法、基于统计模型的增强算法和基于多分辨分析的增强算法。

    小波去噪方法就是一种建立在小波变换多分辨分析基础上的新兴算法，其基本思想是根据噪声与信号在不同频带上的小波分解系数具有不同强度分布的特点，将各频带上的噪声对应的小波系数去除，保留原始信号的小波分解系数，然后对处理后的系数进行小波重构，得到纯净信号。

    相比于以往的其他去噪方法，小波变换在低信噪比情况下的去噪效果较好，去噪后的语音信号识别率较高，同时小波去噪方法对时变信号和突变信号的去噪效果尤其明显。

 

    小波去噪的基本原理如下图所示：

 

    目前，基于上述原理的小波去噪技术已经在很多领域得到了广泛的研究和应用并取得了良好的效果。小波去噪方法之所以成功主要是因为其具有以下重要特点[4]：

• 低熵性。小波系数的稀疏分布，使图像变换后的熵降低；
• 多分辨率特性。由于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，以便于特征提取和保护。
• 去相关性。因小波变换可对信号去相关，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；
• 选基灵活性。由于小波变换有形式多样的小波基可供选择，所以可以针对不同的应用场合选取合适的小波基函数，以获取最佳的去噪效果。

 

    小波去噪的关键是第二步中对各尺度下小波系数进行去噪处理，根据系数处理规则的不同，小波去噪的常见方法可分为以下几类[2~4]：1）模极大值去噪法；2）基于各尺度下小波系数相关性进行去噪（屏蔽去噪法）；3）小波阈值去噪法；4）平移不变量法；其中小波阈值去噪法在保证去噪效果的基础上，计算简洁快速，便于实现，因而在实际工程中得到了很广泛的应用。文中也重点对该方法进行了研究，在此基础上提出了一种改进的基于分解尺度的小波阈值算法，并通过实验仿真进行效果验证。

• 模极大值去噪法主要适用于信号中混有白噪声，且信号中含有较多奇异点的情况。
• 基于小波系数尺度间相关性去噪可以取得良好的去噪效果，去噪效果比较稳定，尤其适用于高信噪比的信号。它的不足之处在于计算量过大，且需要估计噪声方差。
• 小波阈值去噪法计算速度快，噪声能得到较好抑制，且反映原始信号的特征尖峰点能得到很好的保留，目前该方法是众多小波去噪方法中应用最广泛的一种。但小波阈值去噪法的去噪效果受信号信噪比的影响很大，这一点在低信噪比情况下尤其明显。
• 平移不变量法主要适用于信号中混有白噪声且还有若干个不连续点的情况。

 

参考文献

[1]赵力.语音信号处理（第2版）[M].北京：机械工业出版社.2009
[2]张雄伟,陈亮.现代语音处理技术及应用[M].北京：机械工业出版社.2003
[3]成礼智等.小波的理论与应用[M].北京：科学出版社.2004
[4]孙延奎.小波分析及其应用[M].北京：机械工业出版社.2005