Реферат: Пороги и методы фильтрации речевого сигнала в вейвлет области
УЧРЕЖДЕНИЕ ОБРАЗОВАНИЯ
“БЕЛОРУССКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ
ИНФОРМАТИКИ И РАДИОЭЛЕКТРОНИКИ”
кафедра Сетей и устройств телекоммуникаций
РЕФЕРАТ
На тему:
«Пороги и методы фильтрации речевого сигнала в вейвлет области»
МИНСК, 2008
Жесткий порог фильтрации речевого сигнала.
Жесткий порог фильтрации устанавливается для каждого уровня вейвлет разложения.
Данный порог реализуется следующим образом:
— на i-м уровне разложения вычисляется уровень порога по формуле
, (1)
где – значение вейвлет-отсчета с максимальной амплитудой; –количество ненулевых вейвлет-отсчетов.
В процентном соотношении данное выражение имеет вид
, (2)
где – величина порога в процентах;
— поэлементное сравнение всех ненулевых элементов N-го уровня с заданным порогом и обнуления всех отчетов, равных или меньше данного уровня.
Достоинства данного метода пороговой обработки:
— самая маленькая вычислительная сложность из рассмотренных методов.
Недостатки данного метода пороговой обработки:
— возможность полной потери полезного сигнала при высоком уровне
шума;
— возможность потери полезного сигнала также и при малом уровне шума.
Блок схема алгоритма фильтрации с жестким порогом представлена на рис. 1.
Рис. 1. Блок схема алгоритма фильтрации с жестким порогом
На рис. 2 слева представлены графики двух уровней вейвлет-разложения речевого сигнала (первого и второго детализирующего уровня и второго аппроксимационного уровня), а справа – графики вейлет-коэффициентов после пороговой обработки.
Рис. 2 Графики двух уровней вейвлет-разложения речевого сигнала и вейлет-коэффициентов после пороговой обработки
Гибкий порог фильтрации речевого сигнала.
При данном виде фильтрации для задания порога используется количественная оценка вейвлет-коэффициентов на каждом уровне разложения.
Данный метод заключается в следующем:
— на i-м уровне разложения вычисляется количество ненулевых вейвлет-коэффициентов ;
— вычисляется количество обнуляемых вейвлет-коэффициентов на i-м уровне по следующей формуле
, (3)
где – количество уровней вейвлет-разложения; – номер уровня разложения;
— устанавливается порядок обнуления вейвлет-коэффициентов: удаление элементов с минимальной или максимальной амплитудой.
Достоинства данного метода пороговой обработки:
— возможность достижения компромисса между качеством речевого сигнала и вычислительной сложностью;
— гибкость фильтрации зашумленного речевого сигнала.
Недостатки данного метода пороговой обработки:
— невозможность точно определить границы сигнала и шума.
Блок схема алгоритма фильтрации с гибким порогом представлена на рис. 3.
Рис. 3. Блок схема алгоритма фильтрации с гибким порогом
На рисунке 4 слева представлены графики двух уровней вейвлет-разложения речевого сигнала (первого и второго детализирующего уровня и второго аппроксимационного уровня), а справа – графики вейлет-коэффициентов после пороговой обработки.
Рис. 4 Графики двух уровней вейвлет-разложения речевого сигнала и вейлет-коэффициентов после пороговой обработки
Статистический метод фильтрации речевого сигнала.
Предложен эффективный метод фильтрации речевого сигнала, использующий статистику распределения амплитуды вейвлет-коэффициентов на каждом i-м уровне разложения.
Суть реализация метода заключается в следующем:
— определение на i-м уровне вейвлет-коэффициента с одинаковой амплитудой (с или без учета знака) и максимальной частотой повторения;
— обнуление данных коэффициентов на каждом i -м уровне разложения;
— повторение предыдущих шагов с учетом достижения требуемого коэффициента сжатия при сохранении приемлемого качества восстановленного речевого сигнала.
Достоинства данного метода пороговой обработки:
— улучшение коэффициента сжатия и качества восстановленного речевого сигнала;
— наименьшая потеря полезного сигнала;
— возможность эффективного устранения избыточности в частотной области;
— эффективность фильтрации шумов, с большой длительностью.
Недостатки данного метода пороговой обработки: — высокая вычислительная сложность.
Блок схема алгоритма фильтрации статистическим методом представлена на рис. 5.
Рис. 5. Блок схема алгоритма фильтрации статистическим методом
На рис. 6 слева представлены графики двух уровней вейвлет-разложения речевого сигнала (первого и второго детализирующего уровня и второго аппроксимационного уровня), а справа – графики вейлет-коэффициентов после пороговой обработки.
Рис. 6 Графики двух уровней вейвлет-разложения речевого сигнала и вейлет-коэффициентов после пороговой обработки
Оценка качества восстановленного речевого сигнала.
Оценка качества речевого сигнала является важной задачей. Отношение сигнал/шум (ОСШ ), являющееся одной из наиболее распространенных объективных мер для оценки качества фильтрации зашумленного речевого сигнала, задается выражением
, (4)
где s ( n ) и – выборочные значения исходного и восстановленного речевого сигнала соответственно;M – общее число выборок в пределах речевого сигнала.
Данное ОСШ является интегральной мерой качества восстановления речи. Более точной мерой, учитывающей присутствие в речевом сигнале низко амплитудных компонент, является сегментное ОСШ (СЕГОСШ ), основанное на вычислении кратковременного ОСШ для каждого N -точечного сегмента речи
, (5)
где L и N – число сегментов и отсчетов в сегменте речевого сигнала соответственно; i – номер сегмента речевого сигнала;M = LN – число отсчетов речевого сигнала, состоящего из L сегментов с N отсчетами.
Так как операция усреднения осуществляется после логарифмирования, то СЕГОСШ более точно оценивает качество фильтрации нестационарного речевого сигнала.
На рис. 7 представлен график зависимости ОСШ сигнала и коэффициента сжатия при фильтрации речевого сигнала статистическим методом.
Из рис. 7 видно что ОСШ экспоненциально убывает с увеличением коэффициента сжатия. Например при коэффициенте сжатия 3 ОСШ равно 3,2.
Рис. 7. График зависимости ОСШ сигнала и коэффициента сжатия при фильтрации речевого сигнала статистическим методом
Обзор методов повышения качества и разборчивости зашумленных речевых сигналов показывает, что существует много различных подходов к обработке зашумленной речи. Такое разнообразие методов обусловлено как важностью проблемы так и отсутствием достаточно надежных методов ее решения. Объективное сравнение этих методов и выбор наиболее приемлемых сделать весьма затруднительно, так как перед системами коррекции речевых сигналов ставятся различные задачи. Например, можно в качестве главного критерия использовать повышение разборчивости речи, допуская при этом возможность искажений в тембре голоса или появление артефактов в виде структурированного шума. Можно поставить целью понижение утомляемости аудитора или сохранение натуральности голоса диктора, что достигается в основном за счет повышения качества речевого сигнала. Наконец, могут быть известны заранее важные априорные сведения, например тип или параметры шума, характеристики голоса диктора, наконец, гипотезы о произносимом тексте, что также может определяющим образом повлиять на выбор метода фильтрации. Важно отметить, что универсальных методов обработки, которые одинаково хорошо боролись бы с существенно нестационарными и стационарными, аддитивными и мультипликативными шумами, существенно повышали бы качество и одновременно разборчивость речи, сейчас нет, и возможно не будет. Как типичная (за редкими, указанными в обзоре исключениями, наблюдается обратная тенденция: если сравнивать системы обработки зашумленной речи по двум показателям — повышению качества звучания речевых сигналов и повышению разборчивости, то системы, повышающие качество и натуральность звучания, скорее всего снижают разборчивость и наоборот, повышение разборчивости приводит к понижению качества и натуральности звучания. Поэтому, многие из названных методов фильтрации нужно рассматривать как взаимодополняющие, и в идеальном случае нужно иметь библиотеку из нескольких методов фильтрации. Рассматривая последние тенденции в области обработки зашумленных сигналов, следует особенно выделить высокие результаты, полученные за счет использования математических моделей речевых сигналов, а также использование нейроподобных структур для фильтрации аддитивных стационарных шумов, хотя первые результаты в этом направлении проигрывают более традиционным методам типа минимальной среднеквадратической оценки.
Литература
1. Шелухин О.И., Лукьянцев Н.Ф. Цифровая обработка и передача речи.- М.: Радио и связь, 2000.
2. Рабинер Л.Р., Шафер Р.В. Цифровая обработка речевых сигналов.-М.: Радио и связь, 20011.
3. Секунов Н.Ю. Обработка звука на PC.- СПб.: БХВ-Петербург, 2001.
4. Нейрокомпьютеры в системах обработки изображений. – М.: Радиотехника, 2003.
5. Назаров М.В., Прохоров Ю.Н. Методы цифровой обработки и передачи речевых сигналов.- М.: Радио и связь, 2005.