1995年Doblinger通过比较前帧带噪语音子带平滑功率谱最小值和后帧带噪语音子带平滑功率谱之间大小,对带噪语音子带平滑功率谱最小值每帧进行跟踪和更新,并将其作为估计的噪声谱,该噪声谱估计方法计算效率高,能快速适应背景噪声的变化,但是它直接把带噪语音子带平滑功率谱最小值作为估计的噪声谱,使得噪声谱过估计。但这种算法容易将语音电平的增长当作噪声电平的增长。与此类似的算法还有基于分位数统计量的噪声估计算法,先对噪声估计窗内的信号进行排序,然后按一定的分数比例取信号作为噪声估计,算法复杂度比较高。Р 2002年Cohen 和Berdugo提出了一种基于最小值控制递归平均法的噪声估计算法,把最小追踪法的鲁棒性与递归平均方法的简单性结合到一起,该算法能够快速地追踪突变的噪声功率谱。与最小统计相比,对最小值的跟踪不是关键性的,在进行递归平均时不需要对语音出现与缺失进行区分,因此即使在弱语音段也同样可以进行连续噪声估计更新。具有能够快速跟踪噪声谱的突变的能力。Р Cohen提出的噪声估计算法不直接依赖于最小统计量,而依赖于最小值的跟踪算法,具有较好的鲁棒性。虽然比起Martin的最小值统计跟踪算法效果要好的多,但无法完全避免在噪声上升区域的噪声欠估计及持续强语音后面区域出现的噪声过估计的缺陷。为了进一步提高算法性能,Cohen提出了改进的最小统计量控制递归平均算法(IMCRA,Improved Minima Controlled Recursive Averaging)。Р 2004年Rangachari 和Loizou提出了一种快速估计方法,不仅使得带噪语音子带中语音出现概率计算更准确,而且噪声谱的更新在连续时间内不依赖固定时间 2Р 的窗长,但是在语音或噪声能量过高时噪声的估计就会慢下来,而且如果时间大于0.5s 时,就会削弱一些语音能量。因此,噪声估计算法有待更进一步的改进。
全文预览