音频噪声抑制（5）：含辅助观测数据的LMS噪声抑制

最新推荐文章于 2024-08-09 11:28:02 发布

qcyfred

最新推荐文章于 2024-08-09 11:28:02 发布

阅读量2.4k

点赞数 1

分类专栏：音乐音频文章标签： matlab 去噪 LMS

本文链接：https://blog.csdn.net/qcyfred/article/details/53040634

版权

音乐音频专栏收录该内容

22 篇文章 42 订阅

订阅专栏

以前有类似主题的文章。

Review：普通LMS对噪声的抑制

Review：有辅助数据的维纳滤波噪声消除

这一篇讲的是，如果有辅助数据，用LMS算法对信号滤波去噪的一个应用示例。

注意，现在的信噪比已经只有-40dB了！噪声功率是信号功率的1万倍！

模型还是这样的。v2是在离噪声源很近的地方，采集到的噪声（因此可以假设它就是v）。

v1是因为噪声源发出的噪声v，经过了一段信道传输以后，发生了一些变化，因此变成了v1。

%% 基于LMS算法，有辅助数据的噪声消除
% 作者：qcy
% 版本：v1.0
% 时间：2016年10月30日15:39:25

%% 
close all;clear; clc; 

%% 导入音频

filedir=[];                             % 设置路径
filename='bluesky1.wav';                % 设置文件名
fle=[filedir filename];                 % 构成完整的路径和文件名
[s, fs] = audioread(fle);               % 读入数据文件
s=s-mean(s);                            % 消除直流分量
s=s/max(abs(s));                        % 幅值归一
N=length(s);                            % 语音长度
time=(0:N-1)/fs;                        % 设置时间刻度

%% 生成噪声
SNR = -40;                              % 设置信噪比
r2=randn(size(s));                      % 产生随机噪声
b=fir1(31,0.5);                         % 设计FIR滤波器,代替H
r21=filter(b,1,r2);                     % FIR滤波
[r1,r22]=add_noisedata(s,r21,fs,fs,SNR);% 产生带噪语音，信噪比为SNR　

%% LMS滤波

h_length = 35;
h = zeros(h_length,1); % 滤波器的初始化
miu = 8e-4;

v1_hat = zeros(size(s));
err2 = zeros(size(s));
y_output = r1;

% 开始滤波
for kk = 1:1 % 这里设置滤波过程需要重复几次。
    for k = h_length : N
        idx = k: -1 :(k-h_length+1);
        r2_in_sub = r2(idx); % 参考噪声 --> 原始噪声
        v1_hat_out = h.' * r2_in_sub; % 由 原始噪声估计的 --> 信号中的噪声
        v1_hat(k) = v1_hat_out;
        dk = r1(k); % 观察到的含噪语音，是参考信号
        err = dk - v1_hat_out;
        err2(k) = err^2;
        h = h + miu * err * r2_in_sub;
        y_output(k) = y_output(k) - v1_hat_out;
    end
end

% 误差平方
figure;
plot(err2);

%% 滤波器的幅频特性
[H,w] = freqz(h,1,1e4);
figure;
plot(w/2/pi*fs,20*log10(abs(H)/max(abs(H))+eps));
xlabel('频率(Hz)');

%% 计算信噪比的提升
snr1=SNR_singlech(s,r1);                % 计算初始信噪比
snr2=SNR_singlech(s,y_output);            % 计算滤波后的信噪比
snr=snr2-snr1;
SN1=snr1; SN2=snr2; SN3=snr;

%% 打印SNR
fprintf('[LMS]\n',snr1);
fprintf('滤波前 SNR = %f [dB] \n',snr1);
fprintf('滤波后 SNR = %f [dB] \n',snr2);
fprintf('提升 %f [dB] \n',snr);

%% 听效果
% sound(s,fs); % 干净的语音
% sound(r1,fs); % 含噪的语音
sound(y_output,fs); % 滤波后的语音

%% 作图
figure;
subplot 311; plot(time,s); ylabel('幅值') 
ylim([-1 1 ]); title('原始语音信号');
subplot 312; plot(time,r1); ylabel('幅值') 
ylim([-100 100]); title('带噪语音信号');
subplot 313; plot(time,y_output); 
ylim([-1 1 ]); title('LMS滤波输出语音信号');
xlabel('时间/s'); ylabel('幅值');

可以看出，原始语音信号已经完全淹没在噪声中了。在这么恶劣的条件下，竟然能分辨出微弱的有用信号，

在以前简直是不可想象的。感谢伟大的科学家与工程师们。