4、噪声类型与特性：平稳噪声、非平稳噪声、白噪声、有色噪声、脉冲噪声、背景噪声、环境噪声的频谱特征
在音频DSP降噪算法设计中，对噪声类型的准确识别与特性建模是算法选型和参数配置的前提。不同噪声在时域波形、频域分布、统计特性上差异显著，若不加区分地使用统一降噪策略，往往导致语音失真或噪声残留。本章系统梳理七类常见噪声的频谱特征与工程判别方法，帮助开发者建立“先分类、后降噪”的工程思维。
4.1 核心原理：噪声的数学定义与频谱本质
从信号处理角度看，噪声是叠加在目标语音上的随机扰动信号。其本质特征可通过功率谱密度（PSD）描述——PSD表示单位频带内的信号功率分布。平稳噪声的PSD不随时间变化，非平稳噪声的PSD则随时间漂移。白噪声的PSD在奈奎斯特频带内近似平坦，而有色噪声的PSD呈现频率相关性，例如粉红噪声的功率按1/f衰减，布朗噪声按1/f²衰减。
工程上常用短时傅里叶变换（STFT）将时域信号映射到时频域，在每一帧内估计噪声PSD。对于平稳噪声，只需在无语音段估计一次即可；对于非平稳噪声，则需要实时跟踪更新。理解噪声的频谱特征，直接决定了降噪算法中噪声估计模块的设计复杂度。
4.2 噪声类型详细频谱特征与判别方法
4.2.1 平稳噪声与白噪声
平稳噪声的统计特性（均值、方差、PSD）在时间上保持不变。白噪声是最典型的平稳噪声，其频谱在0到奈奎斯特频率之间均匀分布，各频率分量互不相关。在示波器上观察白噪声，时域波形呈现密集的随机毛刺；在频谱分析仪上，功率谱呈现平坦直线。
判别方法：采集一段纯噪声信号，计算其功率谱。若在有效频带内功率波动小于3dB，可判定为白噪声。实际环境中，电阻热噪声、ADC量化噪声近似白噪声。
4.2.2 有色噪声
有色噪声的功率谱随频率变化，常见类型包括：
- 粉红噪声（1/f噪声）：低频能量高，高频能量低，常见于电子器件闪烁噪声、自然界风声。
- 布朗噪声（1/f²噪声）：能量集中在极低频，类似深沉的轰鸣声，常见于机械振动。
- 蓝噪声（f噪声）：高频能量增强，较少见，常见于某些数字电路辐射。
判别有色噪声时，在双对数坐标下绘制功率谱，若呈现线性斜率，则斜率即为噪声的颜色指数。例如斜率-1对应粉红噪声，斜率-2对应布朗噪声。
4.2.3 非平稳噪声与脉冲噪声
非平稳噪声的频谱随时间变化，例如街道上的车辆经过声、键盘敲击声、门铃声。脉冲噪声是非平稳噪声的极端形式，表现为时域上的短时大幅值尖峰，频谱上呈现宽频带稀疏分布。脉冲噪声的持续时间通常小于10ms，但峰值幅度可超过背景噪声20dB以上。
判别方法：计算信号的短时能量和过零率。脉冲噪声的短时能量会出现孤立尖峰，过零率在脉冲期间急剧升高。在频谱图上，脉冲噪声表现为垂直亮线。
4.2.4 背景噪声与环境噪声
背景噪声指始终存在的低电平噪声，如空调嗡嗡声、电脑风扇声，通常为平稳或缓变噪声。环境噪声则指特定场景下的复合噪声，如餐厅中的碗碟碰撞声、多人说话声、背景音乐，往往由多种噪声源叠加而成，频谱呈现多峰特征且随时间变化。
环境噪声的频谱特征具有场景标识性：餐厅噪声在500Hz-2kHz有能量聚集，交通噪声在100Hz-500Hz有低频隆起，办公环境噪声在1kHz-4kHz有键盘和空调混合峰。识别环境噪声类型有助于选择匹配的降噪先验模型。
| 噪声类型 | 时域特征 | 频域特征 | 典型场景 | 降噪策略 |
|---|---|---|---|---|
| 白噪声 | 密集随机毛刺 | 平坦功率谱 | ADC量化、热噪声 | 谱减法、维纳滤波 |
| 粉红噪声 | 低频起伏明显 | 1/f衰减 | 电子器件、风声 | 加权谱减法 |
| 布朗噪声 | 缓慢漂移 | 1/f²衰减 | 机械振动 | 高通滤波+谱减法 |
| 脉冲噪声 | 孤立尖峰 | 宽频稀疏 | 键盘声、开关声 | 中值滤波、阈值门限 |
| 环境噪声 | 多源叠加 | 多峰动态 | 餐厅、街道 | 自适应噪声估计 |
4.3 案例拆解：车载环境噪声分析与降噪策略选择
背景与约束：某车载语音交互系统在高速行驶时语音识别准确率从95%降至70%。采集车内麦克风信号，采样率16kHz，16bit量化。车辆时速120km/h，车窗关闭，空调开启。
初始现象：语音信号被强烈的低频轰鸣声（轮胎与路面摩擦）和风噪（高频气流声）污染。使用频谱分析仪观察，发现100Hz-300Hz有显著能量峰（轮胎噪声），2kHz-5kHz有宽频隆起（风噪），同时存在空调压缩机带来的周期性脉冲干扰。
分析判断过程：
- 对采集信号做STFT，帧长32ms，帧移16ms，观察时频谱图。发现低频能量在行驶过程中基本稳定，判定为平稳有色噪声（布朗噪声为主）。
- 高频风噪随车速波动，但短期（5秒内）变化不大，可视为缓变非平稳噪声。
- 空调压缩机脉冲间隔约120ms，峰值幅度超过背景噪声15dB，属于周期性脉冲噪声。
实际操作步骤：
- 采用两级降噪架构：第一级使用中值滤波器去除脉冲噪声，窗口长度设为5ms（80个采样点），有效消除空调脉冲。
- 第二级使用基于最小统计量的噪声估计器跟踪低频布朗噪声，每帧更新噪声PSD，采用谱减法抑制低频轰鸣。
- 对高频风噪采用维纳滤波，先验SNR通过决策引导法估计，平滑系数设为0.98。
结果对比：处理后语音识别准确率恢复至91%。主观听感测试中，低频轰鸣降低约18dB，风噪降低约12dB，语音自然度MOS分从2.1提升至3.8。
风险与代价：过度抑制低频导致语音低频分量受损，男声清晰度下降。通过设置最大衰减量12dB和频谱平滑避免音乐噪声。复盘经验：车载场景必须区分轮胎噪声（平稳）和风噪（缓变），分别建模才能获得最佳效果。
4.4 常见误区与工程总结
误区一：混淆白噪声与高斯噪声。白噪声指频谱平坦，高斯噪声指幅度分布服从高斯分布。两者是不同维度的概念——白噪声可以是高斯分布，也可以是均匀分布；高斯噪声可以是白色，也可以是有色。
误区二：忽视噪声的时变特性。许多工程师在实验室用白噪声测试算法，但实际环境噪声往往是非平稳的。算法在实验室表现良好，现场效果差，原因就是没有考虑噪声的时变特性。
误区三：脉冲噪声与宽带噪声混淆。脉冲噪声在频域表现为宽频带，容易被误判为白噪声。但脉冲噪声的时域稀疏性使其可以通过时域处理高效去除，而白噪声必须频域处理。
总结复盘：噪声分类是降噪算法设计的第一步，也是最重要的一步。建议开发者在算法设计前，先采集目标场景的噪声样本，建立噪声特征库，标注噪声类型和频谱参数。在算法中实现噪声类型自动识别模块，根据识别结果动态切换降噪策略。对于混合噪声场景，采用分频带处理策略：低频段处理平稳噪声，高频段处理非平稳噪声，时域处理脉冲噪声。