python去噪函数_Python | 简单的扩音，音频去噪，静音剪切
原标题：Python | 简单的扩音，音频去噪，静音剪切
之前一段时间一直在搞数字语音识别，在训练算法上耗费了很多时间，但结果不尽人意。后来才发现自己一直忽视了音频预处理的一步，于是转而囫囵吞枣般学习一些简单的信号处理算法。这里简单介绍一下以下内容：
扩音
音频去噪
静音剪切
文末将会给出源代码和demo代码的git库地址，有需要的同学请自取。
基本概念
数字信号
数字信号是通过对连续的模拟信号采样得到的离散的函数。它可以简单看作一个以时间为下标的数组。比如，x[n]，n为整数。比如下图是一个正弦信号(n=0,1, ..., 9)：
对于任何的音频文件，实际上都是用这种存储方式，比如，下面是对应英文单词“skip”的一段信号(只不过由于点太多，笔者把点用直线连接了起来）：
衡量数字信号的能量（强度），只要简单的求振幅平方和即可：
E = sum(x[n]*x[n])
频率
我们知道，声音可以看作是不同频率的正弦信号叠加。那么给定一个声音信号（如上图），怎么能够知道这个信号在不同频率区段上的强度呢？答案是使用离散傅里叶变换。对信号x[n], n=0, ..., N-1，通常记它的离散傅里叶变换为X[n]，它是一个复值函数。
比如，对上述英文单词“skip”对应的信号做离散傅里叶变换，得到它在频域中的图像是：
可以看到能量主要集中在中低音部分（约16000Hz以下）。
在频域上，也可以计算信号的强度，因为根据Plancherel定理，有：
E = sum(x[n]*x[n]) = 1/N*sum(|X[n]|*|X[n]|)
分帧
对于一般的语音信号，长度都至少在1秒以上，有时候我们需要把其中比如25毫秒的一小部分单独拿出来研究。将一个信号依次取小段的操作，就称作分帧。技术上，音频分帧是通过给信号加一系列的窗函数实现的。
我们把一种特殊的函数w[n]，称作窗函数，如果对所有的n，有0<=w[n]<=1，且只有有限个n使得w[n]>0。比如去噪要用到的汉宁窗，三角窗。
汉宁窗
三角窗
我们将平移的窗函数与原始信号相乘，便得到信号的“一帧”：
w[n+d]*x[n]
比如用长22.6毫秒的汉宁窗加到“skip”信号大约中间部位上，得到一帧的信号：
可见除一有限区间之外，加窗后的信号其他部分都是0。
对一帧信号可以施加离散傅里叶变换（也叫短时离散傅里叶变换），来获取信号在这一帧内（通常是很短时间内），有关频率-能量的分布信息。
如果我们把信号按照上述方法分成一帧一帧，又将每一帧用离散傅里叶变换转换到频域中去，最后将各帧在频域的图像拼接起来，用横坐标代表时间，纵坐标代表频率，颜色代表能量强度（比如红色代表高能，蓝色代表低能），那么我们就构造出所谓频谱图。比如上述“skip”发音对应的信号的频谱图是：
（使用5.8毫秒的汉宁窗）
从若干帧信号中，我们又可以恢复出原始信号。只要我们适当选取窗口大小，以及窗口之间的平移距离L，得到 ..., w[n+2L], w[n+L], w[n], w[n-L], w[n-2L], ...，使得对k求和有：
sum(w[n+kL]) = 1
从而简单的叠加各帧信号便可以恢复出原始信号：
sum(x[n]*w[n+kL]) = x[n]
最后，注意窗函数也可以在频域作用到信号上，从而可以起到取出信号的某一频段的作用。
下面简单介绍一下3种音效。
1. 扩音
要扩大信号的强度，只要简单的增大信号的“振幅”。比如给定一个信号x[n]，用a>1去乘，便得到声音更大的增强信号：
a*x[n]
同理，用系数0
2. 去噪（降噪）
对于白噪音，我们可以简单的用“移动平均滤波器”来去除，虽然这也会一定程度降低声音的强度，但效果的确不错。但是，对于成分较为复杂，特别是频段能量分布不均匀的噪声，则需要使用下面的噪声门技术，它可以看作是一种“多带通滤波器”。
这个特效的基本思路是：对一段噪声样本建模，然后降低待降噪信号中噪声的分贝。
更加细节的说，是在信号的若干频段f[1], ..., f[M]上，分别设置噪声门g[1], ..., g[M]，每个门都有一个对应的阈值，分别是t[1], ..., t[M]。这些阈值时根据噪声样本确定的。比如当通过门g[m]的信号强度超过阈值t[m]时，门就会关闭，反之，则会重新打开。最后通过的信号便会只保留下来比噪声强度更大的声音，通常也就是我们想要的声音。
为了避免噪声门的开合造成信号的剧烈变动，笔者使用了sigmoid函数做平滑处理，即噪声门在开-关2个状态之间是连续变化的，信号通过的比率也是在1.0-0.0之间均匀变化的。
实现中，我们用汉宁窗对信号进行分帧。然后对每一帧，又用三角窗将信号分成若干频段。对噪声样本做这样的处理后，可以求出信号每一频段对应的阈值。然后，又对原始信号做这样的处理（分帧+分频），根据每一帧每一频段的信号强度和对应阈值的差（diff = energy-threshold），来计算对应噪声门的开合程度，即通过信号的强度。最后，简单的将各频段，各帧的通过信号叠加起来，便得到了降噪信号。
比如原先的“skip”语音信号频谱图如下：
可以看到有较多杂音（在高频，低频段，蓝色部分）。采集0.25秒之前的声音作为噪声样本，对信号作降噪处理，得到降噪后信号的频谱图如下：
可以明显的看到大部分噪音都被清除了，而语音部分仍完好无损，强度也没有减弱，这是“移动平均滤波器”所做不到的。
3. 静音剪切
在对音频进行上述降噪处理后，我们还可以进一步把多余的静音去除掉。
剪切的原理十分简单。首先用汉宁窗对信号做分帧。如果该帧信号强度过小，则舍去该帧。最后将保留的帧叠加起来，便得到了剪切掉静音部分的信号。
比如，对降噪处理后的“skip”语音信号做静音剪切，得到的新信号的频谱图为：
参考
维基百科词条-噪声门
开源音频处理软件 Audacity （频谱图都是直接用它画的，扩音，降噪，静音剪切这些效果它都有源代码）
我的GitHub
●●●
回复以下关键词查看相应内容
美赛/数学建模 | 校历| 成绩单/推荐信函
医保/南校门诊 | 毕业/典礼/留言
大学服务中心 |辅导员 | 校车 | 办事（流程）
回复教师姓名可获取相应信息
●●
责任编辑：
python去噪函数_Python | 简单的扩音，音频去噪，静音剪切相关推荐
- python音频 降噪_Python | 简单的扩音，音频去噪，静音剪切
原标题:Python | 简单的扩音,音频去噪,静音剪切 之前一段时间一直在搞数字语音识别,在训练算法上耗费了很多时间,但结果不尽人意.后来才发现自己一直忽视了音频预处理的一步,于是转而囫囵吞枣般学习 ...
- python实现录音并去燥_Python | 简单的扩音，音频去噪，静音剪切
原标题:Python | 简单的扩音,音频去噪,静音剪切 之前一段时间一直在搞数字语音识别,在训练算法上耗费了很多时间,但结果不尽人意.后来才发现自己一直忽视了音频预处理的一步,于是转而囫囵吞枣般学习 ...
- python录音文件降噪_Python | 简单的扩音，音频去噪，静音剪切
原标题:Python | 简单的扩音,音频去噪,静音剪切 之前一段时间一直在搞数字语音识别,在训练算法上耗费了很多时间,但结果不尽人意.后来才发现自己一直忽视了音频预处理的一步,于是转而囫囵吞枣般学习 ...
- python音频降噪处理_Python | 简单的扩音，音频去噪，静音剪切
对于任何的音频文件,实际上都是用这种存储方式,比如,下面是对应英文单词"skip"的一段信号(只不过由于点太多,笔者把点用直线连接了起来): 衡量数字信号的能量(强度),只要简单的 ...
- python去噪函数_Python小波变换去噪
一.小波去噪的原理 信号产生的小波系数含有信号的重要信息,将信号经小波分解后小波系数较大,噪声的小波系数较小,并且噪声的小波系数要小于信号的小波系数,通过选取一个合适的阀值,大于阀值的小波系数被认为是 ...
- python round函数_Python round() 函数
这个一直都想写,但是因为这个点比较小,所以一直懒得动手.不过还是补上吧,留着早晚是个祸害. round函数很简单,对浮点数进行近似取值,保留几位小数.比如 >>> round(10. ...
- python round函数_python中round函数如何使用
round函数很简单,对浮点数进行近似取值,保留几位小数.比如 >>> round(10.0/3, 2) 3.33 >>> round(20/7) 3 第一个参数是 ...
- python agg函数_Python Pandas Series.agg()用法及代码示例
Python是进行数据分析的一种出色语言,主要是因为以数据为中心的python软件包具有奇妙的生态系统. Pandas是其中的一种,使导入和分析数据更加容易. Pandas Series.agg()用 ...
- python value函数_python 函数基础
什么是函数? 函数在Python中是最基本的程序结构,用来最大化地让我们的代码进行复用.简单地说,一个函数就是一组Python语句的组合,它们可以在程序中运行一次或多次运行.Python中的函数在其他 ...
- python有趣函数_python中有趣的函数
filter(function, sequence):对sequence中的item依次执行function(item),将执行结果为True的item组成一个List/String/Tuple(取决 ...
最新文章
- 学习笔记Spark（六）—— Spark SQL应用（1）—— Spark SQL简介、环境配置
- 从开源自治，到微服务云化，阿里云的这款产品给了一剂提升微服务幸福感的良药
- Neo4j Backup：在Mark Needham上存储副本和一致性检查
- 中台架构详解（上） | 大咖说中台
- 天天用Redis，持久化方案你又知道哪些？
- 子文件夹的权限统一于E盘的权限
- python单词字典排序_python字典排序
- 拓端tecdat|Matlab广义线性模型glm泊松回归的lasso、弹性网络正则化分类预测考试成绩数据和交叉验证可视化
- mockito 外部接口_mockito – Spring批处理作业的端到端测试用例
- Gdiplus::Bitmap转HBITMAP与HBITMAP转Gdiplus::Bitmap
- 计算机系统的层次结构（计算机组成原理5）
- SQL server 期末复习
- 网站被劫持的方式，和检测方法、网站被劫持、检测方法有哪些
- 参与修谱工作，要具备哪些能力？光会修谱可不行
- python少儿趣味编程多少钱一节_学费昂贵的少儿编程课，为什么被追捧？
- java中linux下反斜杠,Linux下反斜杠号\引发的思考
- oracle为什么打开鼠标不见了,鼠标箭头突然不见了该怎么办呢？
- 从新手运气到幸存者偏差
- 微软识花 android版 (非官方)
- VC6.0用file-open后，出现“MSDEV.EXE-应用程序错误的解决方法