【语音去噪】基于matlab先验信噪比的维纳滤波算法语音去噪【含Matlab源码 572期】

一、获取代码方式

获取代码方式1：
完整代码已上传我的资源：【语音去噪】基于matlab先验信噪比的维纳滤波算法语音去噪【含Matlab源码 572期】

获取代码方式2：
通过订阅紫极神光博客付费专栏，凭支付凭证，私信博主，可获得此代码。

备注：
订阅紫极神光博客付费专栏，可免费获得1份代码（有效期为订阅日起，三天内有效）；

二、维纳滤波算法简介

本章提出了一种语音增强算法，该算法以基于先验信噪比估计的维纳滤波法为基础。通过计算无声段的统计平均得到初始噪声功率谱,并平滑处理初始噪声功率谱和带噪语音功率谱，更新了噪声功率谱；最后，考虑了某频率点处噪声急剧增大的情况，做了相关验证，该算法能有效地抑制变化范围不大或是稳定的噪声，但是对实际中的变化范围很广的噪声效果不是很好。
1 语音增强概述
1.1 语音增强的相关概念
嵌在语音系统中，语音信号不可避免的会受到周围噪声的干扰，从而影响语音的质量与可懂度。
语音增强：其实就是带噪语音中提取尽可能纯净的语音，改善语音质量和可懂度，提高噪声环境下语音通信系统的性能。
噪声都随机产生的，不可能完全消除。语音增强的目标是：减弱噪声、消除背景噪声、改进语音质量、使听着乐于接受，提高语音可懂度。
1.2 语音增强的相关算法
由于噪声来源众多，特性各不相同。语音增强处理系统的应用场合千差万别。
因此，不存在一种可以通用于各种噪声环境的语音增强算法。针对不同的环境，采取不同的语音增强算法。
语音增强算法按处理方式可以分为：基于语音周期性的增强算法，基于全极点模型的增强算法，基于短时谱估计的增强算法，基于信号子空间的增强算法和
基于HMM的增强算法。
从目前的发展来看，基于短时谱估计的方法是最有效的方法。具体包括谱减法、维纳滤波、最小均方误差短时谱幅度估计法（MMSE-STSA）和最小均方误差对数谱幅度估计法（MMSE-LSA）。本文主要讨论使用维纳滤波器实现语音的增强处理。
2 基于先验信噪比估计的维纳滤波语音增强理论
先验信噪比是语音增强算法中非常重要的参数。通过Ephraim和 Malah提出的“直接判决”估计来计算先验信噪比的方法是最有效的和最容易计算的。

三、部分源代码

clear all; clc; close all;[xx, fs] = wavread('C5_3_y.wav');           % 读入数据文件
xx=xx-mean(xx);                         % 消除直流分量
x=xx/max(abs(xx));                      % 幅值归一化
IS=0.25;                                % 设置前导无话段长度
wlen=200;                               % 设置帧长为25ms
inc=80;                                 % 设置帧移为10ms
SNR=5;                                  % 设置信噪比SNR
NIS=fix((IS*fs-wlen)/inc +1);           % 求前导无话段帧数
alpha=0.95;signal=awgn(x,SNR,'measured','db');               % 叠加噪声
output=Weina_Im(x,wlen,inc,NIS,alpha) ;
output=output/max(abs(output));
len=min(length(output),length(x));
x=x(1:len);
signal=signal(1:len);
output=output(1:len);snr1=SNR_Calc(x,signal);            % 计算初始信噪比
snr2=SNR_Calc(x,output);            % 计算降噪后的信噪比
snr=snr2-snr1;
fprintf('snr1=%5.4f   snr2=%5.4f   snr=%5.4f\n',snr1,snr2,snr);% 作图
time=(0:len-1)/fs;                        % 设置时间
subplot 311; plot(time,x,'k'); grid; axis tight;
title('纯语音波形'); ylabel('幅值')
subplot 312; plot(time,signal,'k'); grid; axis tight;
title(['带噪语音 信噪比=' num2str(SNR) 'dB']); ylabel('幅值')
function frameout=enframe(x,win,inc)nx=length(x(:));            % 取数据长度
nwin=length(win);           % 取窗长
if (nwin == 1)              % 判断窗长是否为1，若为1，即表示没有设窗函数len = win;               % 是，帧长=win
elselen = nwin;              % 否，帧长=窗长
end
if (nargin < 3)             % 如果只有两个参数，设帧inc=帧长inc = len;
end
nf = fix((nx-len+inc)/inc); % 计算帧数
frameout=zeros(nf,len);            % 初始化
indf= inc*(0:(nf-1)).';     % 设置每帧在x中的位移量位置
inds = (1:len);             % 每帧数据对应1:len
frameout(:) = x(indf(:,ones(1,len))+inds(ones(nf,1),:));   % 对数据分帧
if (nwin > 1)               % 若参数中包括窗函数，把每帧乘以窗函数w = win(:)';            % 把win转成行数据function frameout=filpframe(x,win,inc)[nf,len]=size(x);
nx=(nf-1) *inc+len;                 %原信号长度
frameout=zeros(nx,1);
nwin=length(win);                   % 取窗长
if (nwin ~= 1)                           % 判断窗长是否为1，若为1，即表示没有设窗函数winx=repmat(win',nf,1);x=x./winx;                          % 除去加窗的影响x(find(isinf(x)))=0;                %去除除0得到的Inf
endfor i=1:nfstart=(i-1)*inc+1;    xn=x(i,:)';sig(start:start+len-1)=sig(start:start+len-1)+xn;
end

四、运行结果

五、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.