Курсовая работа (т): Фильтрация речевых сигналов в условиях воздействия акустических шумов

В силу нестационарности речевых сигналов использовать соотношение непосредственно нельзя. На практике, при обработке речи на достаточно коротких участках, например квазистационарных участках гласных звуков, величины ,  аппроксимируют с помощью усредненных квадратов кратковременных амплитудных спектров наблюдаемого сигнала и шума. Спектр шума при этом должен оцениваться в моменты пауз. Полученная таким образом оценка соответствует квадрату амплитудного спектра сигнала. Восстановление речевого сигнала во временной области осуществляется с помощью обратного преобразования Фурье, причем фазовый спектр для восстановленного сигнала берется таким же, как и у наблюдаемого сигнала.

В наиболее общем виде операция спектрального вычитания может быть выражена соотношением:

Здесь коэффициент  (фактор переоценивания), вообще говоря, зависит от соотношения сигнал/шум на сегменте анализа, И имеет типичные значения близкие к 0.7-0.95, а коэффициент  (спектральный порог) - выбирается в диапазоне 0.01-0.1.

Блок-схема алгоритма вычитания амплитудных спектров приведена на следующем рисунке.

Рис. 2.3. Блок-схема алгоритма вычитания амплитудных спектров

Исследования качества и разборчивости речи, получаемой в результате применения описанной методики, показали, что в тех случаях, когда шум или помеха имеют стационарный (или квазистационарный) характер и их спектр имеет гармоническую структуру, достигается значительное на слух повышение, как качества, так и разборчивости речи. Однако, в случае шумов с быстроизменяющимися спектральными характеристиками такая обработка малоэффективна.

По мнению аудиторов, такая речь звучит чище и приятнее (несмотря на наличие характерных эффектов обработки - так называемых «музыкальных тонов», заключающихся в случайных кратковременных выбросах в спектре обработанного сигнала) чем до обработки, однако заметного повышения разборчивости в случае аддитивных широкополосных шумов не происходит, хотя отношение сигнал/шум повышается на 3-6 дБ.

В целом, методы, основанные на вычитании спектров считаются одними из лучших - они приводят к удовлетворительным результатам обработки и не требуют больших вычислительных ресурсов. Что же касается музыкальных тонов, которые существенно ухудшают восприятие обработанного сигнала, то для их подавления разработаны различные алгоритмы, основанные на эмпирических и эвристических соображениях.

К классу методов, основанных на оценке спектральных характеристик шума, относятся также методы коррекции спектра речевого сигнала, основанные на Винеровской фильтрации.

В этих методах зашумленный речевой сигнал  фильтруется фильтром с частотной характеристикой, рассчитанной из условия минимизации среднеквадратической ошибки фильтрации, то есть, если  - частотная характеристика такого фильтра, то

,

где  - спектральная плотность мощности сигнала,  - спектральная плотность мощности шума

В реальных условиях применения частотную характеристику (6.2) аппроксимируют как:

,

где  и  - усредненные квадраты амплитудных спектров сигнала  и шума , соответственно, причем оценка величин  и  осуществляется так же как и в методе вычитания амплитудных спектров.

Одним из основных недостатков спектрального вычитания является наличие артефактов в обработанном сигнале. Музыкальные тона существенно ухудшают качество сигнала, поэтому неудивительно, что одним из приоритетных направлений в развитии этого подхода стало создание постпроцессоров, снижающих эффект музыкальных тонов без дальнейших искажений в сигнале.

В большинстве случаев речь идет о пост-обработке сигнала в спектрально-временной области. Идея состоит в том, что музыкальные тона в спектрально-временном представлении представляют собой локальные (во времени и по частоте) спектральные максимумы, которые, как правило, можно найти из полуэвристических соображений. В работе поиск спектральных максимумов, соответствующих музыкальным тонам осуществляется методами обработки изображений.

Анализируя проводимые авторами упомянутых работ результаты, характеризующие эффективность очистки сигнала от шума, следует отметить, что практически во всех случаях при использовании методик типа вычитания спектров в качестве характеристики работоспособности алгоритма используются меры качества звучания сигнала или объективные меры типа усредненных евклидовых расстояний между отфильтрованным сигналом и незашумленным сигналом (предполагается, что он доступен).

Разборчивость в результате применения описанных методов к сигналу, содержащему случайный аддитивный шум (типа белого или розового, или нестационарные помехи с широкополосным спектром) по видимому, не изменяется.

Исключения к только что сформулированному тезису составили измерения, проведенные на методе вычитания кепстров (то есть вместо спектра сигнала использовался кепстр, а вместо логарифма при оценке спектральных амплитуд использовали кубический корень), когда для речевого сигнала с аддитивным шумом (двигатели самолета F-16) наблюдалась не только улучшение качества, но и разборчивости речи.

При сравнительных испытаниях методов фильтрации речевых сигналов реализованных как препроцессоры на входе ЛПК-вокодера, в результате артикуляционных испытаний для метода вычитания амплитудных спектров было зарегистрировано повышение разборчивости передаваемой речи на 22.8% при исходном отношении сигнал/шум 2 дБ.

Интересная модификация вычитания спектров - вычитание сигналов во временной области. Этот метод, в отличие от вычитания амплитудных спектров и Винеровской фильтрации дает хорошие результаты (в том числе, повышает как качество, так и разборчивость сигнала при исходных соотношениях сигнал/шум -10 дБ и −30 дБ) на нестационарных и коррелированных с речевым сигналов шумах типа мешающего диктора, гармонических помехах, одновременном фоновом разговоре (бормотании) нескольких дикторов.

Метод предполагает доступ к передаваемому незашумленному сигналу на передающей стороне и основан на технике добавления нулевых отсчетов в передаваемый речевой сигнал (то есть сигнал квантуется с удвоенной частотой, причем каждый второй отсчет - нулевой). На принимающей стороне характеристики шума оцениваются исходя из величин дополнительных (нулевых в начале передачи) отсчетов. Поскольку большинство практически встречающихся шумов (например, все речеподобные сигналы) коррелированны на интервалах между соседними отсчетами, оценка шума, выполненная для дополнительных отсчетов вполне пригодна для фильтрации сигнала.

Очевидными недостатками предлагаемой методики является условие доступа к данным на передающей стороне и удвоение скорости передачи данных, поэтому область практического применения алгоритма существенно сужена.

Алгоритм амплитудного спектрального вычитания

Для повышения разборчивости речи применяется алгоритм спектрального вычитания. Спектральное вычитание оценивает спектр мощности очищенного сигнала путем вычитания спектра шума из зашумленного сигнала.

Алгоритм спектрального вычитания состоит из следующих этапов

Этап 1. Исходный зашумленный сигнал , состоящий из чистого речевого сигнала  и некоррелированного аддитивного шума .

, где  - индекс дискретизации.

Этап 2. Деление сигнала на перекрывающиеся кадры длиной .

Применение оконной функции  для точного вычисления коэффициентов Фурье. Окна подавляют просачивание спектральных составляющих, которое может привести к смещению оценок амплитуд и положений гармонических составляющих сигнала.

,

где  - индекс кадра,  - сдвиг от кадра к кадру,  - длина кадра.

Этап 3. Дискретное преобразование Фурье.

,

где  - значение -й спектральной компоненты -го кадра зашумленного сигнала,  - фазовый спектр -го кадра зашумленного сигнала,  - амплитудный спектр -го кадра зашумленного сигнала, .

Этап 4. Сглаживание спектра мощности -го кадра зашумленного сигнала

,

где  - значение k-й спектральной компоненты спектра мощности -го кадра зашумленного сигнала,  - коэффициент сглаживания или забывания, выбираемый для предотвращения как музыкального шума, так и слишком большого искажения сигнала. Обычно  лежит в пределах .

Этап 5. Оценка шума на основе отслеживания минимумов в области спеткра мощности от кадра к кадру:

,

где  - k-й локальный минимум спектра мощности -го кадра зашумленного сигнала

 - коэффициент адаптации к локальному минимуму.

Этап 6. Спектральное вычитание шума в области амплитудного спектра:

,

где  - передаточная функция фильтра подавления шума,

 - улучшенный кратковременный амплитудный спектр m-го кадра, subf - постоянная спектрального минимального уровня для ограничения максимального вычитания,  - коэффициент избыточного спектрального вычитания как функция отношения сигнал-шум кадра и частотного индекса.

Этап 7. Аппроксимационные ОСШ или частотное расстояние в качестве критерия качества фильтрации зашумленного сигнала для оценки параметров алгоритма спектрального вычитания:

,

.

Метод оценивания минимальной среднеквадратической ошибки

Описываемый алгоритм (оригинальное название Minimum Mean-Square Error estimation) как и вычитание спектров алгоритм основан на оценке амплитудного спектра сигнала и общая блок-схема алгоритма в целом соответствует рис. 2.3. Среди других методов фильтрации, предполагающих наличие только одного микрофона, алгоритмы, основанные на минимуме среднеквадратической ошибки являются одними из наиболее полезных. Их использование приводит к значительному сокращению уровня шума в сигнале без внесения остаточных искажений типа музыкальных тонов. В недавно проведенных исследованиях утверждается, что в значительной мере превосходство метода оценивания минимальной среднеквадратической ошибки над методиками типа Винеровской фильтрации или вычитания амплитудных спектров связано именно с введением априорной оценки сигнал/шум в каждой спектральной полосе. В связи с этим, были предложены модификации стандартных подходов (Винеровской фильтрации, вычитания амплитудных спектров и оценок максимального правдоподобия) использующие априорные отношения сигнал/шум, что привело к существенному улучшению результатов фильтрации.

Подавление аддитивного квазистационарного шума методом вычитания амплитудных спектров

В качестве типичного примера можно привести шумы кондиционеров, видеокамеры, автотрансформаторов и усилителей. Поведение алгоритма контролируется набором параметров, включая предварительно измеренные характеристики шума. Для того чтобы пользователь смог полностью использовать все возможности, заложенные в алгоритме, предусмотрен аналоговый режим работы, когда выбор и изменение параметров и режимов обработки выполняется в ходе обработки, причем оператор контролирует качество работы метода прослушиванием обработанного сигнала.

Допустим, что  и  обозначают, соответственно, речевой сигнал и аддитивный шум, а  - наблюдаемый сигнал, то есть. Пусть также ,  и  обозначают соответственно спектральные компоненты речевого сигнала, шума и зашумленного сигнала, оцененные на интервале анализа, на котором предполагается квазистационарность речевого сигнала.

Оцениватель амплитудного спектра сигнала по минимуму среднеквадратичной ошибки (MMSE) определяется из двух следующих (апостериорного и априорного) локальных отношений сигнал/шум: