雜訊估計的主要方法簡要概述

目前，雜訊估計已成為語音增強技術中很關鍵的環節。在很多單通道語音增強演算法中，尤其在雜訊源不可知的情況下，即時雜訊功率譜估計是很重要的。雜訊估計的準確性會直接影響最終效果：若雜訊估計過高，則徼弱的語音將被去掉，增強語音會產生失真；若估計過低，則會有較多的背景殘留雜訊。

近年來，非穩定環境下雜訊功率譜估計得到了重視。傳統的雜訊估計方法實現純粹基於語音活動的檢測，制約了雜訊在語音存在時的更新，而且在弱語音訊號的低輸入信噪比時，其可靠性效能惡化較明顯。
文獻【1】提出的最小值統計(Minima Statistical，MS)方法，通過跟蹤特定窗內語音功率譜的最小值來估計雜訊，乘以一個係數來補償偏差。該方法所得雜訊估計的方差是傳統方法的2倍，同時它可能偶爾會削弱低能墾音素，尤其當最小觀察窗很小時，只有以很高的計算複雜度為代價來克服其局限性。

文獻【2—3】提出最小值控制遞迴平均(Minima ControlledRecursive Averaging，MCRA)法以及改進的MCRA(Improved Minima Controlled Recursive Averaging，IMCRA)，它們雖然保證了雜訊譜估計的準確性，但在追蹤帶噪語音平滑功率譜最小值時採用了固定時間窗，因此，在雜訊突變的情況下，估計的雜訊譜存在很長的延時。

文獻【4】提出一種快速估計方法，其雜訊譜的更新在連續時問內不依賴同定時間的窗長，但在語音或雜訊能量過高時雜訊估計會慢下來，而且當時間大於0．5 S時，會削弱一些語音能量。

註：袁文浩. 《基於雜訊估計的語音增強演算法研究》[D]. 上海：華東理工大學.

此為博士論文，對於雜訊估計的主要方法及原理都有詳細介紹。

參考文獻：

【1】Martin R．Noise Power Spectral Density Estimation Based on Optimal Smoothing and Minimum Statistics[J]．IEEE Trans．on Speech andAudio Processing，2001，9(5)：504—512．
【2】Cohen I，Bergdugo B．Noise Estimation by Minima Controlled Recursive for Robust Speech Enhancement[J]．IEEE Signal Processing Letters，2002，9(1)：12—15．
【3】Cohen I．Noise Spectral Estimation in Adverse Environments：Improved Minima Controlled Recursive Averaging[J]．IEEE Transactions on Speech and Audio Processing，2003，11(5)：466475．
【4】Rangachari S，Loizou P C．A Noise—estimation Algorithm for Highly Non-stationary Environments[C]//Proc．of ICASSP’04．Dallas，USA：[s．n．]，2004：220—231．