根据定义,声音去噪是从音频信号中去除不需要的噪音或干扰,以提高其质量和清晰度的过程。这涉及识别和隔离噪音成分(通常以不规则或高频元素为特征),并将其过滤掉,同时保持原始声音的完整性。
声音去噪目标是改善聆听体验以及音频分析和处理的准确性。过滤掉噪音对于高保真音频来说非常重要,不仅是为了聆听,也是为了创建某些机器学习任务的数据集。
理想情况下,去噪应该是数据清理步骤中的一部分。
理解FFT
我们从实际的例子开始,在派对上房间里充满了各种声音:人们在说话,音乐在播放,玻璃杯在碰撞。在所有的噪音中,很难专注于我们对话说的声音。
我们可以把FFT(快速傅里叶变换)想想成一个一副神奇的眼镜,它可以让你能够看到房间里的每种声音都有不同的颜色。戴上这副眼镜,你就可以在所有其他声音中轻松识别出你朋友的声音(一种特定的颜色)。这样就可以过滤掉其他分散注意力的声音(颜色),只专注于你朋友的声音。
FFT(快速傅里叶变换)是一种强大的工具,它将信号从原始的时域转换到频域。通过分析信号的频率成分,我们可以识别并去除不需要的噪音,从而提高原始声音的质量。
加载声音信号
在这个例子中,我们不会从本地或在线加载音频信号,而是使用NumPy创建我们自己的简单正弦信号。
importnumpyasnp
importmatplotlib.pyplotasplt
defgenerate_signal(length, freq):
"""生成一个正弦信号。
参数:
length: 信号的长度。
freq: 信号的频率。
返回:
表示信号的numpy数组。
"""
t=np.linspace(0, 1, length)
signal=np.sin(2*np.pi*freq*t)
returnsignal
在创建声音信号后,让我们使用NumPy中的随机函数向信号添加噪音。
defadd_noise(signal, noise_level):
"""向信号添加噪音。
参数:
signal: 原始信号。
noise_level: 要添加的噪音水平。
返回:
表示带噪信号的numpy数组。
"""
noise=np.random.normal(0, noise_level, len(signal))
noisy_signal=signal+noise
returnnoisy_signal
对信号应用FFT
defdenoise_fft(noisy_signal, threshold):
"""使用FFT对信号进行去噪。
参数:
noisy_signal: 带噪信号。
threshold: 用于过滤频率成分的阈值。
返回:
表示去噪后信号的numpy数组。
"""
fft_signal=np.fft.fft(noisy_signal)
fft_signal[np.abs(fft_signal) <threshold] =0
denoised_signal=np.real(np.fft.ifft(fft_signal))
returndenoised_signal
在频域中识别噪音
fft_signal[np.abs(fft_signal) <threshold] =0
denoised_signal=np.real(np.fft.ifft(fft_signal))
在上面的代码中,这一步帮助我们在频域中识别噪音。
过滤噪音并转换回时域
通过设置阈值,我们过滤掉噪音。将幅度低于某个阈值的频率成分设置为零。这从信号中去除了低幅度(噪音)频率。
比较原始信号和去噪后的信号
if__name__=="__main__":
# 生成信号
signal_length=1024
signal_freq=50
signal=generate_signal(signal_length, signal_freq)
# 添加噪音
noise_level=0.5
noisy_signal=add_noise(signal, noise_level)
# 使用FFT去噪
threshold=100
denoised_signal=denoise_fft(noisy_signal, threshold)
# 绘制结果
plt.figure(figsize=(12, 6))
plt.subplot(311)
plt.plot(signal, label='Original Signal')
plt.legend()
plt.subplot(312)
plt.plot(noisy_signal, label='Noisy Signal')
plt.legend()
plt.subplot(313)
plt.plot(denoised_signal, label='Denoised Signal')
plt.legend()
plt.tight_layout()
plt.show()
使用Matplotlib绘制一些带噪信号和去噪信号之间的比较图。
A)原始信号 B)带噪信号 C)去噪后的信号
总结
本文我们探讨了如何使用快速傅里叶变换(FFT)对声音信号进行去噪。FFT是一种强大的工具,它将信号从原始的时域转换到频域。通过分析信号的频率成分,我们可以识别并去除不需要的噪音,从而提高原始声音的质量。
主要的步骤如下:
加载声音信号: 我们将从使用NumPy加载一个带噪的声音信号开始。
应用FFT: 使用FFT,我们将时域信号转换为频域。这让我们能够看到构成信号的不同频率成分。
识别和过滤噪音: 在频域中,噪音通常表现为高频成分或不属于原始信号的尖峰。通过识别和过滤掉这些不需要的频率,我们可以减少噪音。
本文的代码:
https://avoid.overfit.cn/post/d536ed94e2d74cbf8e73a4ea06ec6cec
作者:Prerak Joshi
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。