没有合适的资源?快使用搜索试试~ 我知道了~
工程科学与技术,国际期刊22(2019)629完整文章利用多级技术Ali AwadAl-Azhar大学工程和信息技术系,巴勒斯坦加沙阿提奇莱因福奥文章历史记录:2018年7月17日收到2018年9月21日修订2018年10月17日接受在线发售2018年关键词:脉冲噪声去噪音频信号A B S T R A C T本研究的基本目的是专门集中在检测和恢复音频信号破坏的随机值脉冲噪声。这项研究源于一个过程中,噪声样本,通过级联的阶段进行深入分析。在每个阶段中,使用不同长度的向量,并在每个向量中精确地测量测试样本与其邻居之间的相似度。在每一阶段中与相邻样本相似度最小的被测样本在不同的音频声音上进行了几个实验,以评估所提出的算法在峰值信噪比(PSNR)和声音质量方面的性能。所获得的结果表明,新方法提供了显着的性能,如果与其他知名的算法相比,特别是在低噪声率。所采用的方法在去除噪声样本和保持原始样本完整方面更加成功。此外,该方法的问题突出了低计算复杂度和易于实现。©2018 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 公司简介噪声是不需要的信号,它可能会导致记录或传输音频信号时出现错误。因此,噪声去除过程是在许多高级声音处理任务(诸如音频编码、识别和分析)之前应该实现的初始过程音频信号经常被不同类型的噪声破坏,其中包括高斯噪声、脉冲噪声等。高斯噪声是破坏音频信号中每个样本的最严重的噪声因此,许多研究人员花了很大的努力来消除这种噪声。可能破坏音频信号的另一个重要噪声是脉冲噪声。它是由于咔嗒声、划痕、爆裂和爆裂声[1,2]或由于传输装置中的错误[3]而发生的。有两种类型的脉冲噪声;第一种是固定值脉冲噪声,它只取两个值0或1。另一种是随机值脉冲噪声,它可以取两个值之间的任何值;其中一个值最大,另一个值最小。因此,与固定值类型相比,随机值脉冲噪声更难以检测,因为随机值脉冲噪声采用与音频信号的值类似的值范围本文研究了随机值脉冲噪声,并如[3,4]中所述建模为:p代表噪声率或错误概率,而xij表示音频信号中位置(i,j)处的样本x。样本xij被概率为p的新噪声值nij替换,或者以概率1-p保持不变。在本文中,假设的噪声值nij可以同等可能地取范围[-1,1]中的任何值。因此,在文献综述中提出了许多方法来恢复被脉冲噪声污染的音频信号。众所周知的方法是[4]中提到的SD-ROM算法,它在去除脉冲噪声方面提供了优越的性能。其中,计算秩序平均值(ROM),并且基于预定义阈值的值和ROM值来考虑被测试样本是否有噪声。这种方法在信号严重损坏时性能较差。其他方法基于中值滤波[5这些方法是非常有效的技术,但它们的问题是它们修改了有噪声和无噪声的样本。有许多基于自回归模型(AR)的方法被提出用于检测和恢复音频信号中的脉冲噪声[8这些方法的问题在于它们在计算上是昂贵的,特别是当模型的阶数非常高时[12]。 基于小波技术的许多其他方法被提出,如男人,[13然而,小波技术需要适当的小波为每个不同应用程序.近日,备用xijxij,概率为1 -pnij,概率为p电子邮件地址:aawad@alumni.stevens.edu。由Karabuk大学负责进行同行审查ð1Þ提出了基于表示的方法[16-在[19]中执行了基于线性预测技术的脉冲噪声去除的其他方法。其中,为了获得更好的检测结果,在频率域上执行卷绕过程。最近的一种新方法https://doi.org/10.1016/j.jestch.2018.10.0082215-0986/©2018 Karabuk University.出版社:Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页:www.elsevier.com/locate/jestch.¼ΣΣJ(¼630A. Awad/工程科学与技术,国际期刊22(2019)629在[20]中解释了用于检测脉冲噪声的DID。它是基于信号预测误差和留一信号插值误差的评估。这种方法提供差的性能,特别是在高噪声率。在[21]中,解释了图像去噪的新原理。本文将这一原理推广到多级检测并恢复含噪样本。换句话说,在每个阶段中处理一维音频样本,而不是使用二维滑动窗口。在第一阶段中,首先丢弃任何被检测为具有高概率或具有强证据的噪声样本。但是,检测为具有更大不确定性的噪声样本的样本在随后的阶段中被丢弃。更具体地说,任何被认为是原始样本的样本在其相邻样本中应该本文的结构如下:第二节解释了探测和恢复过程,第三节演示了实验结果,第四节给出了结论。2. 一个出租说明2.1. 问题陈述本文所要解决的问题是,在阶段j期间从长度为n个样本的损坏的音频声音Ln中获取的长度为m个样本如下:电话:+86-21- 5555555传真:+86-21 -55555555. ..... . 你好。 . ..... . 你好。 . :xn]2Lmj;i1/2/2 xim-4xim-3xim-2xim-1xim]=300i是测试向量L的数目,i= 0:1:n-mj,. 作为一个例子,假设向量L的长度是m=5个样本,向量数是i= 0,级数是j= 1。然后,第一级中的五个样本的第一向量是L51,0,并且被定义为:L51; 0¼½X1X 2X 3X 4X 5]104mm目标是检验中心样本xt = x3的原始性在L51中,0.为此,我们将采取以下行动。1) 计算测试样本xt与其相邻样本之间的相似度Sk,i为:其中,k^l:mj;fxk;xtgLmj;i= 5kk=(mj +1)/2的中心样本被排除。2) 最大相似度S max在误差Eki= |xi-xt|当误差Eki =d时,对于任何测试样本,最小可接受相似度Smin等于零,并且获得最小可接受相似度Smin:可以检测隐藏在原始样本中的脉冲噪声。下面的例子是为了充分理解潜在的问题,并为此目的,原来的和嘈杂的山姆-Ski对于Eki0,Smax1;S min¼ Th, Eki¼dð6Þ举升国旗的声音为例。下面呈现两个部分;第一部分用于原始样本的值,第二部分用于损坏样本的值原件:[13.9453 7.9688 3.9844 01.9922 3.9844 1.9922 3.9844 5.9766 3.9844 5.9766 3.98445.9766 3.9844]损坏部件:[13.9453 7.9688 3.9844 0Th是阈值,d是预定义的常数,其表示任何两个相似样本之间的最大强度距离。3) 基于等式(1)获得包含测试向量中的所有样本的相似度的值的新向量Smj,i(5).对于向量L51,0,新的相似度向量是S51,0,并定义为:35.6480045.65469.17891.99221.99223.98446.741091.0091 5.9766 3.9844 5.9766 3.9844]S51; 0¼ 1/2S10S20S40S50]从这两个部分中的值,可以得出以下结论:1)原始样本的数量仍然存在于噪声版本中,特别是当原始部分以低噪声率被破坏时,2)原始值是相似的,具有小范围的误差,3)噪声样本与它们的邻居相比可以取非常高、非常低或一些相似的值,4)在噪声部分中的某处,可以找到至少两个或更多个具有相似值的原始样本,5)噪声值是随机分散的,但原始值不是这种情况,以及6)如果我们将噪声样本分成簇,可以发现噪声样本4) 按升序对S51,0中的值进行排序,例如:S051; 0¼S010S020S030S040毫米8毫米其中对于r > z,sri5) 计算S'51,0中的第一个样本的相似性的平均值Sij注意,第一样本的数量等于级数j,并且平均值被计算为:在大多数聚类中,特别是在低噪声率下,基于这些观察,提出了一种新的方法,有效地检测然后恢复音频信号中的噪声样本。在这个过程中,我们试图通过Sij¼ Xk1/4Ski0Jð9Þ级联的阶段,每个阶段负责检测多个噪声对于前面的例子,j= 1,i= 0,S01 1/4S010样品噪声样本可以具有一个相似值,一组相邻的值或一个以上的类似值在更大的组。但最终,即使在非常大的组中,也很难找到4、5或6个与噪声样本相似的样本6) 如果Sij≥Th,则测试样本xt是原始x0并且保持完整,否则它是有噪声的并且由标志F代替,例如:2.2. 问题解决方案在本节中,使用一维检测技术来xtxoif SijPTh其他ð10Þ通过级的级联检测损坏的音频声音Ln中的每个样本x更具体地,考虑有限向量L,Th= S min. 当量(10)表示如果向量L51,0具有相似度大于或等于阈值的一个样本.¼BCA. Awad/工程科学与技术,国际期刊22(2019)629-636631则被测试的样本被认为是原始的,否则它是有噪声的并且由F标记。当量(10)可以表示为:xt/xt ω.jSij-Thk/xt ω. j。1-jS ij-Thk11:舍入函数,将大于零的数字舍入为1,将小于零的数字舍入为零。如果检测到xt = x3是有噪声的,则其被标志值F替换为:L51;0 ¼½X1X2FX4X5]宽12毫米7) 重复从1到6的相同步骤,但对于i= 1,j = 1,m1 = 5的下一个新向量,检测下一个测试样本xt = x4,如下所示:L51; 1¼½X 2F X 4X 5X 6]宽13毫米注意,由F表示的样品不参与任何进一步的过程,即,仅在X4与X2、X5和X6中的每一个之间取相似度。中的检测处理j=1的第一级在i= n-m1的矢量编号处结束。结果,由于第一级,获得了针对嘈杂声音Ln8) 最后,通过计数标志F的数目来计算在阶段j中检测到的噪声样本的数目Fj。请注意,在启动任何阶段之前,应在条带Ln的开始和结束处添加(mj-1)/2个样本。开始处的填充样本是Ln中的第一样本的副本,并且结束处的填充样本是Ln中的最后样本的副本。9) 进入下一阶段,j= 2,其中测试向量L的长度为m2,编号为i,记为Lm 2,i,其中i= 0:1:n-m2,m2 = m1+Dm。Dm的值是任意选择的。然后执行与前一阶段相同的步骤(1-10) 对于第三级继续进行相同的先前步骤,但是具有长度为m3 =m2+Dm的新矢量,直到在j= j1处的最后一级,在该最后一级中,等于标志F的数量的检测到的噪声样本的总数将Fig. 1.四个级联级的恢复结果表明,由于新的算法,其输出的逐步改善。实验实施为'Flag Raising.wav'声音,其在d = 33时被5%脉冲噪声率损坏。 (a)原始(b)噪声(c)在1x5矢量(PSNR = 32.74 dB)之后恢复(d)在1x65矢量(PSNR = 39.55 dB)之后恢复(e)在1x125矢量(PSNR = 39.62 dB)之后恢复(f)在1x185矢量(PSNR =39.62 dB)之后恢复表1在恢复被5%脉冲噪声破坏的“FlagRAISING.WAV”时,在不同强度差D下的10个级的输出在PSNR(DB)方面向量长度PSNRD = 25D = 29d= 33d = 37d = 41d = 45d = 49533.905733.772032.744832.555732.031231.712230.99393538.488339.249139.306838.054137.144336.427835.47686538.419439.398539.552638.619437.706136.918636.14589538.383939.488439.621938.664937.861436.936336.207812538.378539.574839.620738.679637.877836.901836.255815538.378639.579639.627338.679437.877636.829836.268218538.377239.581139.627138.680237.888736.703336.291121538.376939.581539.626838.680037.888536.561036.290824538.380039.583739.628438.681137.888236.425036.305327538.379739.591039.628238.680837.888136.278436.3051≤632A. Awad/工程科学与技术,国际期刊22(2019)629是非常小的数字,即, Fj. 原因是大多数噪声样本已经在前几个阶段被检测到。总之,假设实现优良结果的级数为j1 = 4,其中j = 1:j1。 它们用于检测每个中第一向量i= 0中的中心样本xt,阶段j。因此,测试样品应被检测四次,并且在每个阶段中使用不同长度的矢量Lmj,0。 在每个阶段中执行从步骤1到步骤4之后,获得S ′ m1,0、S ′ m2,0、S ′ m3,0和S ′ m4,0。那么,简单-Eq. (9)用于获得S01;S02;S03;S04如:图二.在d= 29时,10%脉冲噪声率下被损坏的“Flag Raising.wav”声音的恢复结果。 (a)原始(b)噪声(c)在1x5矢量(PSNR =28.30 dB)后恢复,(d)在1x245矢量(PSNR =36.20dB)后恢复,(e)SD_ROM(PSNR = 31.27 dB)[4],(f)ACWMF(PSNR =33.44 dB)[7](g)DID(PSNR = 27.24)[20]。..23..43401A. Awad/工程科学与技术,国际期刊22(2019)629-636633第一季2S0100 00321 1110111任何被视为原始的样品,S0j应当加强第二季第 六集第十集S02000 767在每一级中,小于或等于thres的值保持Th从这个意义上说,.. ¼6234767ð14Þ在第一阶段中仅针对一个样本的相似度S. S.6S0S0S007600117.03.410 20 3054345应该≥Th,并且相似度S02的平均值为. 第四季。S010S020S030S0400001第二阶段的任何两个样品应≥Th,在图1中,对于任意三个样本的相似度S03的平均值是图3.在d = 29时,被20%脉冲噪声率损坏的“Beautiful Life.wav”声音的恢复结果。 (a)原始(b)噪声(c)在1x5矢量(PSNR = 22.201 dB)后恢复(d)在1x245矢量(PSNR =29.16 dB)后恢复,(e)SD_ROM(PSNR = 27.47 dB)[4]ACWMF(PSNR = 28.44 dB)[7]DID(PSNR = 20.20)[20]。634A. Awad/工程科学与技术,国际期刊22(2019)629第三阶段应≥Th,第四阶段任意四个样本的相似度S0 4的平均值应≥Th。Z r¼medianfxrt;-L6t6 L; x r忽略;LP 2g15. 0,如果xF2.3. 噪声样本公司简介但1,如果xr=1/4Fð16Þ为了在检测过程中估计用F表示的噪声样本,对位于噪声样本周围的好样本执行中值滤波考虑音频声音Ln的检测到的音频版本中的位置r中的样本Xj。因此,恢复的样本Xr,rest被获得为:xr;rest¼1-wjt·xrwrt ·Zr17符号●是一个乘法运算符。位于中心样本Xj周围的四个、八个或更多个样本可用于恢复过程中,并且仅考虑良好样本Xj+t图4. d = 45时,25%脉冲噪声率损坏的“Bongo_Drum.wav”声音的恢复结果。(a)原始(b)噪声(c)在1x5矢量(PSNR = 18.80)之后恢复(d)在1x245矢量(PSNR = 25.80dB)之后恢复(e)SD_ROM(PSNR = 24.27 dB)[4],(f)ACWMF(PSNR = 25.13 dB)[7],DID(PSNR = 18.4)[20]。×××A. Awad/工程科学与技术,国际期刊22(2019)629-636635好样本包括在检测过程中被检测为原始样本的样本或已经恢复的样本。3. 模拟结果为了评估所提出的算法的性能,广泛的实验实施检测和恢复损坏的音频声音。客观地比较了该算法与其它著名算法的峰值信噪比(PSNR),主观地比较了该算法与其它著名算法的恢复结果。噪声声音是通过用均匀分布在被污染声音中的随机值脉冲噪声人为地污染原始声音而产生的在模拟实验中使用的噪声声音的示例是:1)样本长度Ln = 190,000并且采样频率fs = 22,050kHz的升旗声音,2 ) 样 本 长 度 Ln= 190 , 000 并 且 采 样 频 率 fs = 22 , 050kHz 的Bongo_Drum声音,3)样本长度Ln = 190,000并且采样频率fs =22,050kHz的Bongo_Drum声音,4)样本长度Ln = 190,000并且采样频率fs = 22,050kHz的Bongo_Drum声音,5)样本长度Ln =190,000并且采样频率fs = 22,050kHz的Bongo_Drum声音,6)样 本 长 度 Ln = 190 , 000 并 且 采 样 频 率 fs = 22 , 050kHz 的Bongo_Drum声音,7)样本长度Ln = 190,000并且采样频率fs =22,050kHz的Bongo_Drum声音。1 88,600和采样频率11,025 kHz,以及3)Ln = 1421,937和fs =22,050的美丽生活声音。 样本值和噪声值在范围[1,-1]内,它们通过MATLAB命令“audio read”读取。然后,每个样本乘以255的因子以便于操作,并且在算法结束时,每个样本除以相同的数。在第一级中使用L1 = 5个样本的向量,j= 1,并且在随后的级中其长度增加Dm=30个样本。对于每个模拟实验使用具有固定强度差d的十个阶段,并且每个阶段在一次迭代之后完成。因此,从阶段1到阶段10的向量长度如下[53565 95 125 155 185 215 245 275]。根据声音本身和噪声率R,在特定数量的阶段之后实现最佳结果。第一个实验是恢复一个嘈杂的升旗声损坏与5%的噪声率。上述实验的最佳结果在第九阶段j= 9之后实现,第九阶段j=9包括长度为L9 = 245的向量。图1示出了仅在第一阶段、第三阶段、第五阶段和第七阶段之后获得的恢复版本,每个阶段所取得的进步。第一阶段的输入是一个损坏的升旗声音与5%的噪音和它的输出是另一个版本与一些检测到的噪音样本。然后,将第一级的输出传递到第二级在较早的阶段检测噪声样本更具体地说,由于图2所示的先前实验中的每个阶段而检测到的噪声样本的数量如下[43224 1648 166 36 108 6 0 2 0]。值得注意的是,最后三个阶段几乎检测到相似数量的噪声样本,并且其中大部分是在较早阶段检测到的最后三个阶段的数字[02 0]之间的类似物是终止算法的良好指示,因为将不会发现更多的噪声图3指示了与其他已知算法相比,所提出的方法在恢复具有20%噪声率的损坏的美丽生活声音中很明显,与其他方法相比,所提出的方法提供了最佳性能,特别是在1x245矢量长度的阶段9结束时和d=29时。其原因在于,所提出的方法多次检测噪声样本,以便被认为是原始样本。图4 示出了在恢复具有 25% 噪声率的损坏的Bon-go_Drum声音时,与其他算法相比,所提出的算法值得注意的是,新方法在阶段结束时仍然提供最高性能9,强度差d= 45。请注意,DID方法获得的最佳结果是由于非因果检测,图1所示的除外。 3、是由于因果关系的检测。表2示出了由于恢复以不同噪声率损坏的五个音频声音而导致的不同方法的数值结果很明显,所提出的方法提供了优越的性能,特别是对于低噪声率损坏的铃声和婴儿哭声分别在阶段5和10结束时恢复,并且两者都处于强度距离d= 35。表3说明了CPU处理时间方面的计算复杂性很明显,ACWMF提供了最好的结果,但这是以其恢复性能为代价的。所提出的方法消耗更多的时间,因为任何样品被认为是原始样品,它应该通过一系列的检测步骤。然而,这是非常快的方法,因为它消耗的时间很少,大约2分钟或更少,由于在模拟实验中使用1.73 GHz的CPU和1 GB的RAM 图 5表示最后三个检测到的噪声样本的数量表2在不同噪声率和不同声音f文件下,不同方法的功率谱比较。重复检测已检测样本的阶段作为第一级中的原始样本;对于第二级的输出,依此类推在每个阶段结束时检测到的噪声样本被恢复以说明每个阶段之后的改进很明显,图1中的最佳结果是用L7 = 185的矢量长度获得的。换句话说,在使有噪声音通过从L1 = 5的级1开始到L7 = 185的级7的级联级之后,在每个级中使用强度差d= 33,但是如果继续实验,我们会发现最高的结果将在第9阶段实现,如表1所示。它显示了以前实验的数值结果,但对于7个d值。很明显,如前所述,在d= 33和向量长度的第九阶段,L9 = 245。而且,很明显,在长度等于或大于35个样本的矢量之后完成的结果几乎是恒定的。图2示出了在L1 = 5的阶段1和L9 = 145的阶段9之后对于具有10%噪声率的损坏的升旗声音获得的恢复版本。很明显,最好的结果是在阶段9结束时和d= 29时得到的。注意,在阶段9结束时获得的恢复版本的特征在于:由图2-a中的原始版本中所示的相同特征和幅度。此外,很明显,与SD_ROM算法[7]、ACWM滤波器[8]和DID方法[20]相比,所提出的算法提供了最佳性能。请注意,的检测到的噪声样本逐渐减少,表3比较不同方法在不同噪声率下恢复“bell.wav”损坏声音的噪声速率新方法SD_ROMACWMF百分之五128.70406.750051.0700百分之十108.11506.642051.3840百分之十五106.73306.671051.9010百分之二十105.96706.803050.9910平均112.37986.716551.3365损坏的声音噪声速率新方法SD_ROMACWMF升旗. wav百分之五39.627133.862833.8628bell.wav百分之十35.433.853134.9356美丽人生. wav百分之二十29.169827.472328.4459Bongo_Drum.wav百分之二十五25.806524.274525.1396Baby_crying.wav百分之三十28.243225.238228.6200636A. Awad/工程科学与技术,国际期刊22(2019)629图五.显示几乎恒定数量的检测到的噪声样本后,特定的矢量长度为每个先前恢复的声音,其中损坏与10%,20%和25%的脉冲噪声率。使用d的三个强度差值实验在Fig. 1、2和3。很明显,在最后阶段结束时,完成的数字几乎是恒定的原因是在最后阶段,大多数样本在每个阶段都达到了预定义的阈值因此,没有额外的噪声样本可以被发现。4. 结论本文提出了一种新的方法,该方法包括一系列的阶段,在每个阶段中测量每个样本的相似度。然后,使用一个阈值,以帮助确定的原始测试样本的基础上,其在每个阶段的相似度的值。换句话说,在每个阶段中,在其相邻样本中具有足够数量的相似样本的样本被视为原始样本。该方法有效地检测和恢复噪声样本,而原始的保持不变。与其他已知算法相比,它在PSNR和音质方面此外,该方法易于实现,计算复杂度低.引用[1] J. Nuzman,音频恢复:用于去除喀喇声和减少嘶嘶声的数字方法的调查,2004年1月。[2] L.陈志荣,声讯号中杂讯之自动侦测与移除,国立中山大学电子工程研究所硕士论文。267[3] Y. Dong,R.H.陈,S.徐,随机值脉冲噪声的检测统计量,IEEE Trans. 图像处理16(2007)1112-1120。[4] 放大图片作者:Michael S. Moore,Sanjit K. Mitra,从语音和音频信号中去除脉冲噪声的有效方法,IEEE Proc. CircuitsSystems 4(8)(June 1998)206-208。[5] A.陈文辉,应用自适应混合滤波器抑制和检测脉冲型干扰,载于:声学、语音和信号处理,IEEE国际ICASSP会议,1987年。[6] T.王志文,自适应滤波器,国立成功大学电机工程研究所硕士论文,2000。[7] T.陈先生吴,基于中心加权中值滤波器的自适应脉冲检测,IEEE信号处理。Lett. 第8条(1)款2001)1-3.[8] S.V. Vaseghi,P.J.W.李国忠,语音通信系统中脉冲噪声的检测与抑制,北京大学学报,1990年2月,第 38-46页。[9] S.J. Godsill,P.J.W.李文,数字音频恢复--基于统计模型的方法,北京,1998。[10] S.J. Godsill , P.J.W. Rayner , 脉 冲 噪 声 中 自 回 归 信 号 的 统 计 重 构 与 分 析 ,IEEETrans. 语音音频处理。 6(4)(1998)352-372。[11] S.J. Godsill,P.J.W. Rayner,贝叶斯方法恢复退化的音频信号,IEEE Trans. 语音音频处理。3(4)(7月)1995)267-278。[12] 诉Smidl, A.Quinn,AR模型的基于混合的扩展及其递归贝叶斯识别,IEEETrans. 信号处理。 53(2005)3530-3542。[13] R.C. Nongpiur , Impulse noise removal in speech using wavelets , in :Proceedings of the IEEE International Conference on Acoustics,Speech ,andSignal Processing,ICASSP 2008.,pp. 1593-1596年。[14] R.C.杨文,基于小波变换的语音脉冲噪声抑制方法,北 京 大 学 出版 社 , 20 0 1 。 声音Soc. Am. 133(2)(2013)866-879。[15] S.瓦德雷武湾Sabarimalai Manikandan,一种用于自动PPG信号分析系统的鲁棒脉冲开始和峰值检测方法,IEEE Trans.仪器测量,PP(99)1-11.2018[16] Amir Adler, Valentin Gribonya ,Maria Jafari ,Michael Elad ,Rémi Gribonval ,MarkD.李明,音频修复,IEEE语音语言处理。20(3)(2012)922-932。[17] C. Kereliuk,P Depalle,P. Pasquier,Audio interpolation and morphing viastructured-sparse linear regression , in : Proceedings of the Sound andMusic Computing Conference,Sweden,pp. 546[18] 联合萨蒂亚湾Ramkumar,M.S. Manikandan,基于噪声感知字典学习的稀疏表示框架,用于从ECG信号中检测和去除单个和组合噪声,IET Healthcare Technol.Lett. 04(01)(2017年2月)2-12。[19] P. Esquef,M. Karjalainen,V. Valimaki,使用扭曲线性预测检测音频信号中的点击,在:数字信号处理(DSP)国际会议论文集,第100页。1085[20] M. Ciolek,M. Niedzwiecki,存档音频信号中的脉冲干扰检测,IEEE ICASSP,pp.671[21] A.S.阿瓦德,H.高性能检测滤波器去除图像中的脉冲噪声,IEE电子。Lett. 44(3)(Jan.2008)192-194。
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- CIC Compiler v4.0 LogiCORE IP Product Guide
- G989.pdf
- G988中文版.pdf
- G9807.1中文版.pdf
- 从零开始做产品:产品汪
- URP-DeferredShading方案(高清版)
- Landsat/Sentinel-2 地表反射数据集说明文档(算法)HLS-ATBD-V15-provisional.pdf
- 本地部署开源大模型的完整教程LangChain + Streamlit+ Llama
- 【速记稿】科学引领智能变革——人工智能向善 共筑人类福祉(1).doc
- 技术展望2024 | AI拐点-重塑人类潜力.pdf
- 科学智能(AI4S) 全球发展观察与展望.pdf
- 面向企业的 生成式 AI 和 ML.pdf
- 使用深度学习技术来制作游戏内容.pdf
- 人工智能(AI)X-CUBE-AI扩展包入门指南-.pdf
- 衍生式设计:重新定义 未来制造的无限可能.pdf
- 1_00_尚硅谷大数据项目之docker.docx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功