当前位置：首页 > news >正文

基于维纳滤波器的语音去噪Matlab实现

news 2026/6/15 13:30:04

一、核心流程设计

维纳滤波器通过最小化均方误差实现最优滤波，其核心步骤包括：

信号分帧与加窗
噪声功率谱估计
维纳滤波器系数计算
频域滤波与信号重构
后处理与性能评估

二、完整Matlab代码实现

%% 清空环境与参数设置
clc; clear; close all;
fs = 8000;        % 采样率
frame_len = 256;  % 帧长
overlap = 128;    % 帧重叠
alpha = 0.95;     % 噪声更新平滑因子
SNR_target = 10;  % 目标信噪比(dB)%% 读取带噪语音信号
[y, fs] = audioread('noisy_speech.wav');
y = y / max(abs(y)); % 幅值归一化%% 分帧处理
num_frames = floor((length(y) - frame_len) / (frame_len * (1-overlap))) + 1;
enhanced = zeros(size(y));%% 噪声估计与滤波
for m = 1:num_frames% 提取当前帧start_idx = round((m-1)*frame_len*(1-overlap)) + 1;end_idx = start_idx + frame_len - 1;frame = y(start_idx:end_idx);% 加窗处理win = hamming(frame_len);frame_win = frame .* win';% STFT变换Y = fft(frame_win);Y_mag = abs(Y(1:frame_len/2+1));Y_phase = angle(Y(1:frame_len/2+1));% 噪声估计（初始帧为纯噪声）if m == 1noise_pow = Y_mag.^2;else% 平滑更新噪声功率谱noise_pow = alpha * noise_pow + (1-alpha) * Y_mag.^2;end% 先验信噪比估计（简化版）xi = 1; % 固定值，实际可用VAD改进% 维纳滤波器系数计算H = xi ./ (xi + noise_pow);% 频域滤波S_est = H .* Y_mag;S_est = [S_est; flipud(S_est(2:end-1))];% 重构时域信号s_est = real(ifft(S_est .* exp(1i*Y_phase)));enhanced(start_idx:end_idx) = enhanced(start_idx:end_idx) + s_est;
end%% 后处理与性能评估
enhanced = enhanced / max(abs(enhanced)); % 最终归一化
audiowrite('enhanced_speech.wav', enhanced, fs);% 计算SNR提升
snr_before = snr(y, y - enhanced);
snr_after = snr(enhanced, y - enhanced);
fprintf('SNR提升: %.2f dB\n', snr_after - snr_before);

三、典型应用场景

车载语音识别：抑制发动机噪声（信噪比提升>12dB）
助听器系统：个性化噪声环境适应（支持动态环境参数调整）
电话会议系统：回声与背景噪声消除（结合WebRTC技术）

四、常见问题解决方案

音乐噪声残留 引入二阶谱估计（MSNR算法）采用非局部均值滤波进行后处理
实时性不足 使用FFT重叠保留法（Overlap-Add）优化矩阵运算（利用GPU加速）
非平稳噪声处理 最小值控制递归平均（MCRA）噪声估计基于深度学习的噪声分类（CNN+BiLSTM）

五、扩展功能实现

%% 深度学习增强模块（可选）
% 加载预训练的噪声分类模型
net = load('noise_classifier.mat');% 实时噪声类型识别
noise_type = classify(net, y(1:frame_len));% 动态调整维纳滤波参数
switch noise_typecase 'street_noise'alpha = 0.92; mu = 1.2;case 'office_noise'alpha = 0.96; mu = 0.8;
end