音频信号基础：声音的物理特性、采样与量化、时域与频域表示、分贝概念、常见音频文件格式
在深入DSP降噪算法之前，必须建立对音频信号本身的系统性认知。降噪的本质是对信号与噪声在某个表征域中进行分离，而选择哪个域、如何表征、以何种精度表征，直接决定了算法的上限。本章从声音的物理产生机制出发，依次梳理采样与量化的数学本质、时域与频域的双重视角、分贝的计算逻辑，以及文件格式背后的编码策略，为后续的频谱减法、维纳滤波、子空间算法等具体实现打下坚实的理论基础。
上图展示了本章知识体系的整体框架。声音的物理特性决定了信号的产生与传播方式，采样与量化决定了数字域的精度边界，时域与频域提供了两种互补的分析视角，而分贝与文件格式则连接了物理量与工程实现。这四个模块共同构成了DSP降噪算法工程师的“语言系统”。
2.1 声音的物理特性：从振动到数字信号的映射
核心原理：声音本质上是介质（空气、水、固体）中的机械纵波。当声源振动时，压缩区和稀疏区交替传播，形成压力波动。描述这一波动需要三个基本物理量：频率（单位Hz，决定音高）、振幅（决定响度）、相位（决定波形在时间轴上的位置）。在DSP处理中，我们通常将声压转换为电压信号，再通过ADC采样为数字序列。值得注意的是，人耳对频率的感知并非线性，而是近似对数关系——这直接影响了后续分贝计算和滤波器设计的心理声学依据。
判断方法：在实际降噪工程中，首先需要明确目标信号的频率范围。例如，语音信号的能量主要集中在300Hz-3.4kHz，而音乐信号则覆盖20Hz-20kHz。通过频谱分析工具（如Python的librosa或MATLAB的pwelch）可以快速获取信号的功率谱密度，从而判断噪声与信号在频带上的重叠程度。若噪声与信号频带完全分离，则使用固定滤波器即可；若重叠严重，则需采用自适应算法。
| 物理量 | 单位 | DSP中的对应 | 降噪相关性 |
|---|---|---|---|
| 频率 | Hz | FFT bin索引 | 决定滤波器的通带/阻带设计 |
| 振幅 | Pa / V | 样本幅值 | 决定增益计算的阈值 |
| 相位 | rad / ° | 复数频谱的虚部 | 影响信号重建的波形保真度 |
| 声压级 | dB SPL | dBFS（满量程） | 用于设置噪声门限 |
2.2 采样与量化：数字域的精度边界
核心原理：采样是将连续时间信号离散化的过程，其数学基础是奈奎斯特采样定理：采样率必须大于信号最高频率的两倍，否则会发生混叠。量化则是将连续幅值映射到有限个离散电平的过程，量化位数N决定了动态范围，其信噪比理论值为SNR ≈ 6.02N + 1.76 dB。例如，16-bit量化的理论SNR约为98dB，而24-bit则可达146dB。在降噪算法中，量化噪声本身也是一种“噪声源”，当信号幅度极低时，量化噪声可能成为主导。
操作流程：在实际DSP系统中，采样与量化通常由音频编解码器（Codec）完成。关键参数选择流程如下：
- 根据信号带宽确定采样率（语音8k/16k，音频44.1k/48k）；
- 根据动态范围需求选择量化位数（消费级16-bit，专业级24-bit）；
- 设置抗混叠滤波器（通常为模拟低通，截止频率为0.45×Fs）；
- 确认过采样率（OSR）以降低带内量化噪声。
2.3 时域与频域表示：两种视角的互补
核心原理：时域表示直接反映信号幅度随时间的变化，适合观察瞬态事件（如爆破音、开关噪声）和包络特征。频域表示则通过傅里叶变换将信号分解为不同频率分量的叠加，适合分析稳态噪声的频谱特征。对于非平稳信号（如语音），需要采用短时傅里叶变换（STFT），将信号分帧加窗后逐帧进行FFT，得到随时间变化的频谱图。降噪算法通常在频域计算增益函数，再通过逆STFT恢复时域信号。
判断方法：选择时域还是频域处理，取决于噪声特性。若噪声是脉冲性的（如键盘敲击声），时域门限或中值滤波更有效；若噪声是平稳宽带（如风扇声），频域维纳滤波或谱减法更合适。实际工程中，混合域处理（先时域检测瞬态，再频域抑制稳态）往往效果最佳。
| 对比维度 | 时域处理 | 频域处理 |
|---|---|---|
| 计算复杂度 | 低（O(N)） | 高（O(N log N)） |
| 延迟 | 低（样本级） | 高（帧级，通常10-30ms） |
| 频率分辨率 | 无 | 高（取决于帧长） |
| 适用噪声 | 脉冲、瞬态 | 稳态、宽带 |
| 典型算法 | 自适应滤波、门限 | 谱减、维纳、子空间 |
2.4 分贝概念：从物理量到感知量的映射
核心原理：分贝（dB）是一个对数比值单位，用于描述两个同量纲物理量的比值。在音频领域，常见的有：dB SPL（声压级，参考20μPa）、dBFS（数字满量程，参考最大数字编码）、dBu（电压，参考0.775V）。分贝的引入使得人耳对响度的对数感知特性得以线性化表达。在降噪算法中，增益计算通常以dB为单位，例如“-12dB降噪”意味着噪声能量被衰减到原来的约1/16。
操作流程：在DSP实现中，分贝转换常用于设置阈值和显示降噪效果。具体步骤：
- 计算信号功率P = (1/N)Σx²[n]；
- 转换为dBFS：dB = 10·log10(P / P_ref)；
- 设定噪声门限（如-40dBFS），低于门限的帧视为纯噪声；
- 计算增益G = max(0, 1 - α·(N_est/S_est))，其中α为过减因子。
2.5 常见音频文件格式：编码策略与降噪适配
核心原理：音频文件格式决定了数据在存储和传输中的组织方式。PCM（脉冲编码调制）是最基础的未压缩格式，WAV是其容器封装。压缩格式分为无损（FLAC、APE）和有损（MP3、AAC）。有损编码利用心理声学模型去除人耳不敏感的信息，但会引入编码噪声，这对降噪算法有双重影响：一方面，编码噪声可能被误判为信号；另一方面，降噪处理后再编码可能产生“双重损伤”。
判断方法：在降噪算法开发中，建议使用WAV或FLAC作为中间格式，避免有损压缩对算法验证的干扰。若必须处理MP3等格式，需注意其频带截断（如MP3在16kHz以上通常无信息）和预回声效应。
| 格式 | 编码方式 | 采样率/位深 | 适用场景 | 降噪注意事项 |
|---|---|---|---|---|
| WAV | PCM未压缩 | 任意/16-32bit | 算法开发、母带处理 | 无额外噪声，适合基准测试 |
| FLAC | 无损压缩 | 任意/16-24bit | 归档、高保真播放 | 解码后与WAV等价 |
| MP3 | 有损感知编码 | 32/44.1/48k/16bit | 流媒体、便携播放 | 高频截断，需先上采样再处理 |
| AAC | 有损感知编码 | 44.1/48k/16-24bit | 视频音频、iOS生态 | 编码噪声在低码率下明显 |
2.6 本章总结与工程复盘
音频信号基础是DSP降噪算法的“操作系统”。物理特性决定了信号的产生与传播边界，采样与量化划定了数字域的精度上限，时域与频域提供了互补的分析工具，分贝建立了统一的度量语言，而文件格式则约束了工程实现的输入输出条件。在实际项目中，建议按以下流程进行知识落地：
- 第一步：明确信号类型（语音/音乐/混合）与噪声类型（稳态/瞬态/宽带）；
- 第二步：根据奈奎斯特定理和动态范围需求确定采样率与位深；
- 第三步：使用STFT进行时频分析，绘制频谱图确认噪声分布；
- 第四步：以dB为单位设定门限和增益参数；
- 第五步：选择WAV作为开发格式，验证算法后再适配目标格式。