speex降噪算法流程介绍与算法原理

一、speex降噪流程介绍

本文对speex去噪算法步骤做一些简要整理和介绍，以提供给对该算法感兴趣的读者参考。

1）preprocess_analysis()包括两部分，主要是加窗交叠傅立叶(fft)变换等常用的信号处理算法。

1.1)预处理

      信号输入，加窗，交叠(overlap)，时频傅立叶变换（fft）

1.2)计算能量

      计算频域能量ps，而filterbnak_compute_bank32()计算基于Bark带(临界频带)内的带噪信号能量。

2）update_noise_prob()更新噪声能量，使用的方法比较简单，即一般的固定迭代因子平滑算法；

3）更新mel噪声谱能量；

4）计算后验信噪比和进行先验信噪比更新：

post_SNR = ps/noise - 1；

gamma = 0.1 + 0.89*(old/(old+noise))^2;

priori_SNR= gamma*max(0,post) + (1-gamma)*old_ps/noise;

5）先验信噪比平滑(zeta[i])，用于本底增益计算,计算范围包括fft域和Bark域（Bark域计算后没有用到）。 

6）计算Bark带(临界频带)内的EM算法增益和线性频域上的EM算法增益。

｛注：EM（YARIV EPHRAIM 和 DAVID MALAH） 是语音增强领域的泰斗。｝

考虑到在临界频带内幅度谱并不一定符合高斯随机分布，所以EM算法在Bark带内不能严格适用，这一点JEAN-MARC也在c代码中做了说明， 所以此处只以线性频率上的EM增益为例进行说明。

    6.1 )   weiner 滤波：prior_snr=   prior_snr /(   prior_snr +1)；

    6.2 )  超几何分布增益参数 theta= prior_snr *(1+post_snr)；

    6.3)   超几何分布增益 MM=exp(-theta/2)*[(1+theta)*I0(theta/2)+theta*I1(theta/2)];其中I0和I1是贝塞尔函数。

    6.4)   增益 g=min(1,prior_ratio*mm)；

    6.5)   p=gain2[i]；gain2是由临界频率计算后的增益扩展到线性频域后的增益。

    6.6)   约束增益：如果 g/3>st->gain  则 g=3*st->gain  ；

    6.7)  gain=g;     如果 gain<gain_floor  则  gain =gain_floor  ；

    6.8） 最终幅度谱增益

             gain2={p*sqrt(g)+(1-p)*sqrt(st->gain_floor  )}^2；

  7）将幅度谱增益gain2作用于fft幅度谱

   8）后处理,包括反傅立叶变换(ifft)、加合成窗函数、交叠相加，最终得到去噪以后的时域信号

二、降噪算法原理介绍

    speex降噪算法采用一种基于MMSE短时谱幅度估计的语音增强算法，即STSA-MMSE. 该算法利用了人耳对语音相位变换不敏感的特性，估算得到短时幅度谱之后，利用带噪语音相位信息，合成增强语音。另外spee还应用了MCRA算法进行噪声跟踪，此处不讨论。以下是STSA-MMSE算法原理推导：

三、算法优化思路

 1、优化先验信噪比的估计，先验信噪比能反映声场噪声的变化，其反应速度越灵敏，消噪效果越好。speex中是采用的”直接判决法“估计先验信噪比，该方法中平滑因子是固定的，可以采用自适应变化的平滑因子提高估计准确度。

 2、优化噪声谱跟踪算法，更精准的噪声跟踪对消噪能力提升明显。

 3、优化能量谱计算