语音信号处理十四——滤波器的种类和实现方式总

山河君

已于 2025-04-11 18:33:22 修改

阅读量1.1k

点赞数 31

分类专栏： # 语音信号处理文章标签：音视频学习信号处理算法

于 2025-02-20 10:34:36 首次发布

本文链接：https://blog.csdn.net/qq_42956179/article/details/144130982

版权

语音信号处理专栏收录该内容

29 篇文章

订阅专栏

文章目录

前言
一、滤波器的介绍
三、FIR和IIR滤波器
四、FIR滤波器示例
- 原始音频
- FIR的带阻滤波器过滤
总结

前言

这一系列文章总的来说应该分为四个大的部分：
第一部分包括数字信号与模拟信号，信号与系统。这一块主要介绍的是时域上的语音信号，以及分析信号使用到的工具卷积和和差分方程。
第二部分是对于傅里叶变换、Z变换的介绍。这一块主要是如何将时域信号转换为频域表示。
第三部分是对于频域上的分析，当然会专门对于数字信号，也就是应用到数字系统中频域的分析进行学习。
第四部分也就是最终的目的，是学习如何设计一个数字滤波器。

本篇文章中，将先越过第四部分先对于滤波器进行一个整体的介绍，这么做的原因是由于针对于数字系统中的频域分析，大多会应用到滤波器中。

|版本声明：山河君，未经博主允许，禁止转载

一、滤波器的介绍

1.定义

滤波器（Filter）是一种信号处理工具，主要用于处理信号频率部分

2.滤波器的作用

它可以通过阻挡特定频率范围内的信号，选择性的允许某些我们需要的信号通过，或者抑制和削弱其他频率的信号。以下是它的主要作用：

去除噪声
消除不需要的高频或者低频的噪声，从而改善信号清晰度。
信号分离
在多频信号中，滤波器可以分离出特定频率的信号，对特定频率信号进行进一步处理。
信号平滑
通过去除高频分量（尖锐的变化和波动），去除不连续性或者突发性的变化，从而减少抖动和干扰。
波形整形
可以改变信号的波形，从而更适合传输。
频带分割
将多个频率的信号分离出来，从而可以更容易处理低音、中音和高音。
频率选择
根据需求选择抑制特定频率部分，从而改变音质
消除失真
消除电流和电压中的失真，避免设备受损
信号调制
可以提取特定的载波信号，帮助接收端还原正确信息

3.滤波器的种类

根据实现方式的不同，滤波器可以分为：

模拟滤波器：基于电容、电感、电阻等电子元件，可以直接处理模拟信号
数字滤波器：通过算法对离散数字信号进行处理，纯数字域的处理

从滤波器对于信号频率处理的特征，可以分为：

选频滤波器种类	原理	作用
低通滤波器（Low-Pass Filter, LPF）	允许低频信号通过，阻止高频信号	如从含噪声的信号中去除高频噪声
高通滤波器（High-Pass Filter, HPF）	允许高频信号通过，阻止低频信号	如去除信号中的低频干扰，如电力线噪声
带通滤波器（Band-Pass Filter, BPF）	允许某一频段范围内的信号通过，抑制其他频段的信号	如在通信系统中提取特定频段的信号
带阻滤波器（Band-Stop Filter, BSF）	阻止某一频段的信号通过，而允许其他频段信号通过	如去除50 Hz或60 Hz的电源噪声
全通滤波器（All-Pass Filter）	允许所有频率的信号通过，但会改变它们的相位而不是幅度	主要用于调整信号的相位响应

三、FIR和IIR滤波器

1.滤波器和LTI的关系

滤波器设计中，线性时不变（LTI）特性是许多滤波器的核心要求，因为它带来了数学上简单且可预测的特性，使滤波器在各种信号处理任务中更易于分析和实现。以下是滤波器要求线性时不变的主要原因：

易于分析和实现
- 线性性：线性系统满足叠加原理
- 时不变性：时不变性意味着系统对输入信号的响应不会随时间改变
频域分析的便利性
- LTI 系统的一个核心特性是可以使用傅里叶变换或拉普拉斯变换来分析
设计简单
- LTI 系统可以通过其冲激响应或频率响应完全描述
- 滤波器的实现只需基于卷积操作

2.滤波器阶数

对于大部分应用FIR和IIR滤波器的场景，通常是在时域和频域上进行降噪，回声消除等等的操作。

对于这部分应用，FIR和IIR不仅仅包含线性时不变系统的特征，还包含动态系统（有记忆系统）的特征，也就是说，该滤波器的输出，不仅仅要考虑当前信号的输入，也要考虑之前信号的输入。

滤波器阶数N/M：指的是滤波器冲激响应的长度，或者说滤波器所用到的输入信号和输出信号的过去样本数。

3.FIR滤波器

FIR滤波器是只一个具有有限长冲激响应的系统。这里的有限长冲激响应指的是，在输入一个单位脉冲后，系统的输出在有限时间内变为零。

FIR滤波器数学上表示为：
$\sum_{k=0}^{M-1} h[k]x[n-k]$
实际上是差分方程去除过去输入信号的反馈，同等于卷积公式，在音频进阶学习四——线性时不变系统之卷积和中有详细介绍。

4.IIR滤波器

和FIR滤波器不同，IIR滤波器不仅依赖当前和过去的输入，还依赖过去的输出。所以IIR滤波器还存在反馈输出的结构，导致其冲激响应在理论上是无限长的。

而IIR滤波器是根据差分方式表示：
$\sum_{k = 0}^M b_kx[n-k] - \sum_{k=1}^Na_ky[n-k]$
其中：

$b_k$ :输入信号的系数（前馈部分）
$a_k$ ：输出信号的系数（反馈部分）
$M$ :前馈滤波器的阶数
$N$ :反馈滤波器的阶数

在音频进阶学习六——递归/非递归离散时间系统与差分方程中有介绍。

5.FIR和IIR的区别

FIR滤波器没有反馈，IIR滤波器有反馈

FIR滤波器：FIR滤波器没有反馈机制，意味着输出仅依赖于当前和过去的输入值。它的结构简单，计算只涉及加法和乘法，所有的信号处理都是“前馈”式的，没有反馈环路。这样的设计使得FIR滤波器的实现非常直接，也容易在硬件和软件中实现。
IIR滤波器：IIR滤波器包含反馈机制，输出不仅依赖于输入信号，还依赖于之前的输出值（即反馈部分）。反馈会引入一些复杂的动态特性，需要在计算过程中处理这些反馈。实现时需要确保系统的稳定性和精确性，特别是在数字实现中，反馈回路可能导致数值不稳定或误差积累问题。

FIR滤波器是稳定的，IIR滤波器可能不稳定

FIR滤波器：由于没有反馈，FIR滤波器始终是稳定的。只要滤波器的系数被正确设计，计算过程没有依赖之前输出值的负反馈，因此不会出现稳定性问题。其冲激响应是有限的，随着时间的推移，系统自然不会发散。
IIR滤波器：由于IIR滤波器包含反馈部分，它的稳定性更难控制。如果反馈系数选择不当，可能会导致滤波器的输出发散或不稳定。IIR滤波器的极点必须位于单位圆内（在Z域上），才能保持稳定，而这个条件在实现过程中需要特别关注。因此，在数字实现中，IIR滤波器的稳定性常常需要额外的算法和技巧来保证，尤其是在高阶IIR滤波器时。

FIR滤波器容易实现线性相位，IIR滤波器很难实现线性相位

FIR滤波器：FIR滤波器的设计可以非常方便地实现线性相位，这对于许多信号处理应用（如音频处理、图像处理等）非常重要。线性相位意味着滤波器不会引入信号的相位畸变，使得输入和输出信号之间的相位关系保持一致。在FIR滤波器中，只需要设计合适的系数，就可以确保其相位响应是线性的。
IIR滤波器：IIR滤波器由于包含反馈回路，通常不容易实现线性相位。IIR滤波器的相位响应通常是非线性的，意味着它可能会对信号的相位产生畸变。虽然可以通过特殊设计的IIR滤波器实现近似线性相位，但要精确实现线性相位通常非常困难，且可能导致滤波器的设计变得更加复杂。

对于线性相位的处理，在以后的文章中会提到。

6.IIR系统的稳定性

上文中提到对于IIR滤波器如果是稳定的，在Z域上分析需要所有的极点必须在单位圆上。但是由于存在反馈，系统的输出会影响到整个系统的稳定，所以对于IIR滤波器来说，分析极点不能单独分析系统输出的Z变换 $Y (z)$ 。

从上一篇文章中音频进阶学习十三——Z变换二（有理z变换、稳定性与反变换），我们知道，对于差分方程的传递函数为：
$H(z)=\frac{Y(z)}{X(z)}=\frac{a_0+a_1z^{-1}+...+a_Nz^{-N}}{b_0+b_1z^{-1}+...+b_Mz^{-M}}$
所以对于IIR滤波器整体来说，分析稳定性是分析传递函数的稳定性。也就是分析 $X (z) = 0$ 的情况。

四、FIR滤波器示例

原始音频

现在准备几段音频：

蜂鸣器的语音时域
在这里插入图片描述
与之相对应频域图像

女声朗读语音时域
在这里插入图片描述
它的频域图是

两者叠加后语音时域
在这里插入图片描述
那么两者叠加后的频域图是（由于蜂鸣器幅值太高，看起来人声就变小了）

FIR的带阻滤波器过滤

根据上文中对于滤波器的介绍，我们知道带阻滤波器是阻止某一频段的信号通过，而允许其他频段信号通过。
设计一个带阻滤波器，过滤1k频率的，matlab代码如下：

fileId=fopen("./output.pcm", 'rb');
pcmData=fread(fileId,'int16');bw = 5;
f0 = 1000;
fs = 16000;
d=designfilt('bandstopiir', 'FilterOrder', 2, ...
               'HalfPowerFrequency1', f0 - bw/2, ...
               'HalfPowerFrequency2', f0 + bw/2, ...
               'DesignMethod', 'butter', ...
               'SampleRate', fs);
               N = length(pcmData);
f = (0:N-1)*(fs/N); 
Y = fft(pcmData);   
Y_filtered = fft(filterData); 

subplot(2, 1, 1);
plot(f, abs(Y));
title('Original Signal Spectrum');
xlabel('Frequency (Hz)');
ylabel('Magnitude');

subplot(2, 1, 2);
plot(f, abs(Y_filtered));
title('Filtered Signal Spectrum');
xlabel('Frequency (Hz)');
ylabel('Magnitude');