K4.05-小波变换工程应用.pdf

小波变换工程应用 知识点K4.05 小波变换工程应用 主要内容： 1. 语音信号的噪声去除方法 2. 语音信号的特征提取 3. 图像去噪 基本要求： 1. 了解语音信号去噪的基本方法 2. 了解语音信号特征的提取方法 3. 了解小波图像去噪的基本流程 0 小波变换工程应用 1. 语音信号的去噪 图9.5-1 语音信号采集示意图 例9.5-1 某语音信号采集到的纯净语音数据如图9.5-2 中(a)所 示，然后加入均值为0，标准方差为0.05的随机高斯噪声后如图 中(b)所示，信号采样点共16000点。 试采用高频子带置零的方 法实现信号的去噪。 1 小波变换工程应用 图9.5-2 含噪语音信号及其小波分解系数 为了去除信号中的噪声，对CD1和CD2两级高频子带置零， 然后进行小波反变换重构如图9.5-3 中(c)所示；将CD1置零， CD2保持原数值，经反变换后如图9.5-3 中(d)所示。 2 小波变换工程应用 通过MSE作为衡量指标，(b)与(a) 的MSE为9.99*10-5 ，(c)与(a) 的2.61*10-5 ，(d)与(a)为5.02*10-5 ，由此可见高频子带的处理， 都获得了更小的MSE ，从而达到去噪效果。说明：这个例子中 直接将高频子带全部置零，在去除噪声的同时也将信号中的固 有的高频细节信息忽略掉了，这并不是一个最佳的处理方法。 3 小波变换工程应用 2. 语音信号的特征提取 图9.5-4 基于语音信号的身份辨识系统框图 基本的身份辨识系统一般包括训练和识别两大部分。训练部 分的主要目的是获得特定语音信号的独特性参数，通常需要借 助机器学习的相关方法来获取。辨识部分则是对一个新给定的 语音信号，经过提取特征以后，与系统中已经包含的特征和参 数相匹配，从而得出这个新给定的信号 “属于系统中已知的哪 个人”这样一个结果。 4 小波变换工程应用 例9.5-2 图9.5-5和图9.5-6给出两个语音信号，其内容来自说话人 连续发出 “信号与系统”五个汉字时的信号采集结果，试用连 续小波刻画特征，并分析通过信号特征进行辨识的可能方法。 图9.5-5 “信号与系统”样本#1 图9.5-6 “信号与系统”样本#2 解： 粗略看来，两个样本的波形大体规律相同，但信号幅度变 化很不规则。为了分析其特征，将每个信号进行128级的连续小 波变换，并给出每个小波系数对应的归一化能量百分比分布图， 样本1和2的能量分布分别如图9.5-7(见扩展资源T9007.jpg)和图 9.5-8(见扩展资源T9008.jpg)所示。 5 小波变换工程应用 从图形可知，不同人 对相同字符的发音特征 是不同的，因此通过对 语音信号特征的分析， 可以实现对说话者身份 的判定。更进一步讨论，