200 likes | 341 Views
Potlačování šumu pomocí DCT. Martin Chládek – Richard Starý. Zadání. Použití DCT při potlačování stacionárního šumu v nestacionárním signálu. implementace algoritmu dle [ 1 ] Diskutujte: rozdíly ve vlastnostech DFT a DCT dosaženou úroveň potlačení šumu při použití DFT a DCT
E N D
Potlačování šumu pomocí DCT Martin Chládek – Richard Starý
Zadání • Použití DCT při potlačování stacionárního šumuv nestacionárním signálu. • implementace algoritmu dle [1] • Diskutujte: • rozdíly ve vlastnostech DFT a DCT • dosaženou úroveň potlačení šumu při použití DFT a DCT • rozdíl oproti spektrálnímu odečítání • Doporučená literatura: [1] Soon, I. Y., Koh, S. N., Yeo, Ch. K. Noisy speech enhancement using discrete cosine transform. Speech Communication, vol.24, strany 249–257, 1998.
DCT – vlastnosti a použití Richard Starý
DCT – definice • reálná transformace • ortonormální báze: {1, cos(kp/2N)}, k = 1, .., N–2.
DCT versus DFT DCT DFT
DCT – kompresní vlastnosti DCT: • velmi malá korelace mezi koeficienty (podobná KLT) • výpočetně jednoduchá => využití při kompresi signálů => standardy JPEG, MPEG a další
DCT – fázové spektrum a šum • Fáze řečového signálu je významná • již změna fáze p/8 činí řeč „elektronickou“ • standardní metody korigují pouze amplitudové spektrum DFT DCT => DCT je odolnější vůči zkreslení fázového spektra => DCT teoreticky umožňuje vyšší maximální zlepšení SNR než DFT (cca o 2dB) => DCT odolnější vůči zkreslení fázového spektra => DCT teoreticky umožňuje vyšší maximální zlepšení SNR (cca + 2dB)
DCT – přehled • reálná transformace • existují efektivní metody výpočtu DCT • dobré kompresní vlastnosti • odolnost fázového spektra proti šumu
DCT – potlačování šumu Martin Chládek
Algoritmus zpracování segmentace ( + násobení oknem) T filtrace T-1 • zpracování algoritmem OLA (Overlap and Add) • předpoklady • řeč je v jednotlivých segmentech stacionární • šum je aditivní a stacionární • každý segment je filtrován • spektrální odečítání • Wienerův filtr rekonstrukce T = transformace (DCT, DFT)
Filtrace • adaptivní filtr = vyhlazený odhad spektra šumu • spektrální odečítání • Wienerův filtr filtrace, H(k)
SNR kritéria • s(t) … původní signál • n(t) … zbytkový šum po filtraci • odhad P[n(t)] • odečítáním výkonů (signál a šum nekorelované) • odečítáním v čase SEGSNR • započítává jen segmenty s řečí • SEGSNR = průměr SNR nepřekrývajících se segmentů • více odpovídá poslechovým testům
Parametry algoritmu • OLA • okno 256 vzorků, Hammingovo váhovací okno • překryv 50% • SNR • všechna udávaná SNR jsou SEGSNR • délka okna 128 vzorků • transformace • DCT a FFT implementované v Matlabu
Závěr • Wienerova filtrace => výhodnější je použití DFT • Spektrální odečítání => pro vyšší vstupní SNR je lepší DCT (především pro nízkofrekvenční šum) DCT • není obecně lepší než DFT • výhodná alternativa k DFT pro speciální případy
Děkujeme za pozornost ! Martin Chládekchladm1@fel.cvut.cz Richard Starýstaryr1@fel.cvut.cz