论文部分内容阅读
摘 要： 详细分析了ICA算法和ICA_R算法，并对ICA_R算法在音频去噪的应用中进行改进，通过实验对比证明了改进后的ICA_R算法在对噪声的消减上效果更好。
关键词： 改进的ICA_R;音频识别;音频去噪
中图分类号： TP391 文献标识码： A DOI：10.3969/j.issn.1003-6970.2020.08.010
本文著录格式：赵祥坤，石莉，陈志国，等. 改进的ICA_R算法在音频去噪中的应用[J]. 软件，2020，41（08）：34-36
【Abstract】： This paper analyzes the ICA algorithm and ICA_R algorithm in detail， and improves the ICA_R algorithm in the application of audio denoising. The experimental results show that the improved ICA_R algorithm has better effect on audio denoising.
【Key words】： Improved ICA-R; Audio-recognition; Audio denoising
0 引言
模拟及数字信号处理设备在采集、处理、传输到接收图像数据的过程中都极易受到噪声的干扰[1]。由于噪声的必然存在，对干扰噪声的消减是图像处理，模式识别等多领域处理的前提[2]。与图像处理类似，语音信号的处理和识别同样需要首先对噪声进行分析和消减。简单的消减噪声的方式有均值滤波，中值滤波，高斯滤波等[3-4]。
为处理多源信号线性混合的盲源分离，20世纪90年代逐渐发展起独立分量分析技术，亦称ICA（independent component analysis）[5]。ICA可以在未知的源信号分布及参数的条件下仅使用混合信号来分析源信号的各独立成分，从而有效对音频噪声进行消减[6]。由于ICA算法本身的高阶统计性及其在消减噪声时对其他信号的无破坏性使得在噪声消减上ICA比传统滤波、主成分分析等方法更有优势。相对于传统去噪方法上的优势ICA也有明显的不足，主要在于估计效率的低下以及幅值相位输出顺序的不确定[7]。将源信号中部分先验知识以参考信号的方式加入到ICA中，形成了参考独立分量分析（ICA_R）算法[8]。本文探討ICA，ICA_R并对ICA_R算法进行改进，并比较算法在音频去噪中的效果。
1 ICA算法分析
为了验证实验改进后的ICA_R算法去噪的有效性，用ICA_R、改进的ICA_R、PCA分别对图4中的三个混合音频信号进行去噪处理，去噪后的效果图分别如图8，9，10所示，其中图9中的“ICA_R1”是指改进后的ICA_R算法，在本文中，改进后的 ICA_R的公式（7）中的 取值为5。
5 结论
通过对图3，8，9，10的比较可以看出，图10中的PCA去噪后音频信号的波形图与纯净的源音频信号的波形图在形状上相差甚远，这表明PCA对语音的去噪效果很不理想;ICA_R去噪后的音频信号的波形图在形状上与纯净的源音频信号的波形图非常相似，但是幅值相差很大，无法进行定量分析;改进的ICA_R去噪后的音频信号的波形图与纯净的源音频信号的波形图基本相同，验证了本文改进后去噪算法的有效性。
参考文献
[1] 李楠宇， 柳翠寅. 射电日像仪的压缩感知和脏图高斯去噪[J/OL]. 四川大学学报（自然科学版）， 2019（06）.
[2] 黄英来， 任田丽， 赵鹏. VMD与PSO的乐器声音识别[J]. 哈尔滨理工大学学报， 2018， 23（02）.
[3] 张新明， 程金凤， 康强， 王霞. 迭代自适应权重均值滤波的图像去噪[J]. 计算机应用， 2017， 37（11）.
[4] 王纪刚， 陈家新. 基于改进滤波的Canny医学图像边缘检测算法[J]. 计算机测量与控制， 2013， 21（06）.
[5] Comon P. Independent component analysis， a new concept？ Signal Processing， 1994， 36（3）.
[6] Cichocki A and Amari S. Adaptive Blind Signal and Image Processing： Learning Algorithms and Applications. Chichester： John Wiley， 2003.
[7] 李镜， 林秋华. 一种应用幅值信息的一单元定点复数ICA-R算法[J]. 电子与信息学报， 2008（11）.
[8] 林秋华， 等. 基于参考独立分量分析的语音增强方法[J]. 大连理工大学学报， 2006（06）.
关键词： 改进的ICA_R;音频识别;音频去噪
中图分类号： TP391 文献标识码： A DOI：10.3969/j.issn.1003-6970.2020.08.010
本文著录格式：赵祥坤，石莉，陈志国，等. 改进的ICA_R算法在音频去噪中的应用[J]. 软件，2020，41（08）：34-36
【Abstract】： This paper analyzes the ICA algorithm and ICA_R algorithm in detail， and improves the ICA_R algorithm in the application of audio denoising. The experimental results show that the improved ICA_R algorithm has better effect on audio denoising.
【Key words】： Improved ICA-R; Audio-recognition; Audio denoising
0 引言
模拟及数字信号处理设备在采集、处理、传输到接收图像数据的过程中都极易受到噪声的干扰[1]。由于噪声的必然存在，对干扰噪声的消减是图像处理，模式识别等多领域处理的前提[2]。与图像处理类似，语音信号的处理和识别同样需要首先对噪声进行分析和消减。简单的消减噪声的方式有均值滤波，中值滤波，高斯滤波等[3-4]。
为处理多源信号线性混合的盲源分离，20世纪90年代逐渐发展起独立分量分析技术，亦称ICA（independent component analysis）[5]。ICA可以在未知的源信号分布及参数的条件下仅使用混合信号来分析源信号的各独立成分，从而有效对音频噪声进行消减[6]。由于ICA算法本身的高阶统计性及其在消减噪声时对其他信号的无破坏性使得在噪声消减上ICA比传统滤波、主成分分析等方法更有优势。相对于传统去噪方法上的优势ICA也有明显的不足，主要在于估计效率的低下以及幅值相位输出顺序的不确定[7]。将源信号中部分先验知识以参考信号的方式加入到ICA中，形成了参考独立分量分析（ICA_R）算法[8]。本文探討ICA，ICA_R并对ICA_R算法进行改进，并比较算法在音频去噪中的效果。
1 ICA算法分析
为了验证实验改进后的ICA_R算法去噪的有效性，用ICA_R、改进的ICA_R、PCA分别对图4中的三个混合音频信号进行去噪处理，去噪后的效果图分别如图8，9，10所示，其中图9中的“ICA_R1”是指改进后的ICA_R算法，在本文中，改进后的 ICA_R的公式（7）中的 取值为5。
5 结论
通过对图3，8，9，10的比较可以看出，图10中的PCA去噪后音频信号的波形图与纯净的源音频信号的波形图在形状上相差甚远，这表明PCA对语音的去噪效果很不理想;ICA_R去噪后的音频信号的波形图在形状上与纯净的源音频信号的波形图非常相似，但是幅值相差很大，无法进行定量分析;改进的ICA_R去噪后的音频信号的波形图与纯净的源音频信号的波形图基本相同，验证了本文改进后去噪算法的有效性。
参考文献
[1] 李楠宇， 柳翠寅. 射电日像仪的压缩感知和脏图高斯去噪[J/OL]. 四川大学学报（自然科学版）， 2019（06）.
[2] 黄英来， 任田丽， 赵鹏. VMD与PSO的乐器声音识别[J]. 哈尔滨理工大学学报， 2018， 23（02）.
[3] 张新明， 程金凤， 康强， 王霞. 迭代自适应权重均值滤波的图像去噪[J]. 计算机应用， 2017， 37（11）.
[4] 王纪刚， 陈家新. 基于改进滤波的Canny医学图像边缘检测算法[J]. 计算机测量与控制， 2013， 21（06）.
[5] Comon P. Independent component analysis， a new concept？ Signal Processing， 1994， 36（3）.
[6] Cichocki A and Amari S. Adaptive Blind Signal and Image Processing： Learning Algorithms and Applications. Chichester： John Wiley， 2003.
[7] 李镜， 林秋华. 一种应用幅值信息的一单元定点复数ICA-R算法[J]. 电子与信息学报， 2008（11）.
[8] 林秋华， 等. 基于参考独立分量分析的语音增强方法[J]. 大连理工大学学报， 2006（06）.