matlab을 이용한 주파수 가감법 (차감법)

소개글

matlab을 이용한 주파수 가감법 (차감법)에 대한 보고서 자료입니다.

목차

1. 서론

2. 주파수 차감법
　1.1 주파수 차감법의 원리

2. Flow chart　
　2.1 termP_3(main)
　2.2 addnoise　
　2.3 spec_reduct

3. 소스코드　
　2.1 termP_3
　2.2 addnoise
　2.3 spec_reduct

4. 실험결과
　4.1 sine wave noise
　4.2 Gaussian신호
　4.3 uniform신호

5. 문제점 및 개선할 사항

* 참고문헌

본문내용

en+ 1:(k-1)*sLen+wLen) = outSig((k-1)*sLen +1:(k-1)*sLen+wLen)+x; % 출력신호 저장
end
녹음한 신호를 보면 약 0~0.03에서는 노이즈가 보이지 않고 0인 상태인 것을 알 수 있다. 이 때문에 spectrum subtraction을 수행할 때 사용할 노이즈 구간을 1001번째인 0.1250부터 256개의 샘플로 정하였다.
4. 실험결과
4.1 sine wave noise
n = 800*sin(2*pi*440*ind);
주파수가 440Hz인 sine wave를 noise로 하였다.
Original, Noise, Noisy signal 각각 time domain, frequency domain에서의 그래프를 그렸다. time domain에서 보면 noisy 신호에 noise신호와 original 신호가 합해져있는 것을 알 수 있고 frequency domain에서 보면 original 신호는 전 주파수에 걸쳐 분포하고 있고 noise 신호는 입력에서 주었듯이 440Hz에만 분포하고 있는 것을 확인 할 수 있다.
세 파형을 비교해 보면 잡음이 개선된 신호는 noisy 신호에 비해서는 거의 잡음이 없고 원신호에 대해서도 많이 차이가 나지는 않지만 잡음이 약간 감소한 것을 알 수 있다.
noise만 있는 1~1.1s 구간과 음성이 포함되어 있는 4~4.1s 구간을 구해 original, noisy, enhanced 파형을 비교해 보았다. noisy 신호에 비해 noise 신호에는 거의 잡음이 없는 것을 볼 수 있었고 original 신호에 비해서는 육안으로는 거의 비슷하게 보였다.
Ori_snr = 20.3754
noisy_snr = 10.2481
en_snr2 = 28.1712
더 정확하게 비교해보기 위해 수치적으로 비교해 보았다. Original 신호의 SNR은 20.3754로 측정되었는데 noise를 더하니 10.2481로 떨어져 잡음이 많아졌다는 것을 알 수 있다. 잡음을 제거한 신호의 SNR은 28.1712로 수치가 Original 신호에 비해서도 약간 높아진 것으로 보아 잡음 제거가 되었다. 이것으로 주파수 차감법의 방법이 효과가 있었다는 것을 알 수 있었다.
4.2 Gaussian신호
n = 10*sqrt(var_s)*randn(1, l);
SNR이 20인 Gaussian 신호를 잡음으로 만들었다.
Original, Noise, Noisy signal 각각 time domain, frequency domain에서의 그래프를 그렸다. time domain에서 보면 noisy 신호에 noise신호와 original 신호가 합해져있는 것을 알 수 있는데 sine 파형과 달리 규칙성이 없이 잡음이 만들어 진 것을 알 수 있다. frequency domain에서 보았을 때 주파수가 전 영역에 걸쳐 분포하고 있는 것을 볼 수 있다.
time domain에서 Orifinal signal, Noisy Signal, Enhanced signal의 그래프를 비교해 볼 수 있다.
세 파형을 비교해 보면 sine 파형에 비해 잡음이 많이 제거되지 않은 것을 볼 수 있다. 일정하지 않은 잡음 때문에 한 frame만을 이용해서 잡음을 제거하는 데는 한계가 있는 것을 확인할 수 있다.
Ori_snr = 20.3754
noisy_snr = 3.6469
en_snr2 = 12.4881
SNR을 비교해 보면 잡음 제거 뒤의 SNR은 12.4881로 Original signal에 비해서는 잡음이 많이 제거되지 않았지만 임의의 잡음을 넣은 noisy signal에 비해서는 잡음이 많이 제거되었다. spectrum subtraction 알고리즘이 약간 효과가 있는 것을 확인할 수 있다.
4.3 uniform신호
n = 10*(sqrt(12)*sqrt(var_s)*(rand(1, l)-1/2));
SNR이 20인 uniform 잡음을 만들었다.
Original, Noise, Noisy signal 각각 time domain, frequency domain에서의 그래프를 그렸다. time domain에서 보면 noisy 신호에 noise신호와 original 신호가 합해져있는 것을 알 수 있고 frequency domain에서 보면 Gaussian 잡음과 마찬가지로 전 주파수에 분포해 있는 것을 볼 수 있다.
time domain에서 Orifinal signal, Noisy Signal, Enhanced signal의 그래프를 비교해 볼 수 있다.
time domain에서 잡음만 있는 구간의 Original, Noisy , Enhanced signal 파형
Ori_snr = 20.3754
noisy_snr = 4.6329
en_snr2 = 13.5166
Gaussian 잡음과 같은 이유로 잡음이 많이 제거되지 않았고 SNR도 원신호에 비해서는 좋아지지 않았다.
5. 문제점 및 개선할 사항
주파수 차감법를 실행한 그래프의 결과를 확인해 보니 문제점이 있었다. sine파형의 경우 잡음이 일정하기 때문에 한 frame을 가지고 잡음을 제거하는 것이 효과적이었다. 그러나 Gaussian이나 uniform 잡음의 경우에는 잡음이 일정하지가 않기 때문에 한 frame을 가지고 잡음을 제거하는 데는 한계가 있었다. 실생활에서 발생하는 잡음들은 sine 파형과 같이 일정한 잡음이 아닌 일정하지 않은 잡음들이기 때문에 실제로 적용했을 때 잡음이 약간은 제거 되지만 효과적으로 제거되지 않을 것으로 생각이 된다. 이런 방법을 해결하기 위해서는 실시간으로 잡음을 확인하는 방법을 이용하여 알고리즘을 만들어야 한다. 다른 방법으로는 음성신호의 스펙트럼을 살펴 본 결과 음성 신호 주파수는 일정한 범위 안에 많이 분포하고 있는 것을 알 수 있었다. 따라서 이 범위 밖에 있는 주파수 성분들은 제거하는 방법이 있을 것으로 생각된다. 하지만 실제로 적용할 수 있을지는 직접 해봐야 확인할 수 있을 것 같다.
* 참고문헌
- 안성기, 음성향상을 위한 가변적응 변수를 적용한 주파수 차감법, 2009
- 고진석, 음성향상을 위한 비정상 잡음환경에서의 지능형 가중치 주파수 차감법

키워드

주파수 차감법,   주파수 가감법,   matlab,   frequency subtraction,   주파수,   차감법,   가감법,   소스코드