4. 经典降噪算法（维纳滤波）：时域与频域维纳滤波推导、Python实现、与谱减法对比
维纳滤波，说实话，是我个人在语音增强里用得最顺手的一个经典方法。它不像谱减法那么「粗暴」，也不像后来的深度学习那么「黑盒」。它有一套漂亮的数学推导，而且效果在平稳噪声下真的能打。
我记得刚入行那会儿，项目里要求做车载环境下的语音前端处理。试了一圈谱减法，音乐噪声太重；试了自适应滤波，收敛又太慢。最后是维纳滤波帮我稳住了阵脚。今天我们就把它彻底讲透。
4.1 维纳滤波的核心思想
维纳滤波的目标很简单：从带噪信号里估计出干净的语音。但它用的准则很有意思——最小均方误差。
说白了，就是让估计出来的信号跟原始干净信号之间的误差平方的期望值最小。你想想看，这比谱减法那种「直接减」要合理得多，因为它考虑了统计特性。
核心公式：
时域维纳滤波：h_opt = R_xx⁻¹ · r_xs
频域维纳滤波：H(k) = P_s(k) / (P_s(k) + P_n(k))
频域那个形式特别好理解：信号功率 / (信号功率 + 噪声功率)。信噪比高的频段，增益接近1；信噪比低的频段，增益接近0。这不就是「该放的地方放，该收的地方收」吗？
4.2 时域维纳滤波推导
我们先从时域入手。假设观测信号 y[n] = s[n] + n[n]，我们要设计一个FIR滤波器 h，使得输出 ŝ[n] = h * y[n] 尽可能接近 s[n]。
误差信号：e[n] = s[n] - ŝ[n]
均方误差：J = E[e²[n]]
对 h 求导并令导数为0，得到维纳-霍夫方程：
R_yy · h = r_ys其中 R_yy 是观测信号的自相关矩阵，r_ys 是观测信号与干净信号的互相关向量。
我的经验：实际工程里很少直接求解这个矩阵方程。因为 R_yy 的维度跟滤波器阶数有关，阶数一高，求逆就变得不稳定。我曾经在嵌入式平台上试过32阶的时域维纳滤波，结果矩阵求逆直接溢出。后来我果断转到了频域实现。
4.3 频域维纳滤波推导
频域推导就优雅多了。假设信号和噪声都是平稳随机过程，且互不相关。在频域，维纳滤波器的传递函数为：
H(k) = P_s(k) / (P_s(k) + P_n(k))其中 P_s(k) 是干净语音的功率谱密度，P_n(k) 是噪声的功率谱密度。
实际中我们不知道 P_s(k)，所以通常用 P_y(k) - P_n(k) 来近似：
H(k) = (P_y(k) - P_n(k)) / P_y(k) = 1 - P_n(k) / P_y(k)你看，这个形式跟谱减法是不是很像？但区别在于，维纳滤波是乘法性增益，而谱减法是减法性操作。这个差异导致了完全不同的听觉效果。
4.4 Python实现：频域维纳滤波
下面是我在实际项目中用过的实现。注意，我加了一些工程上的小技巧，比如噪声估计的平滑、增益下限等。
import numpy as np
from scipy.signal import stft, istft
def wiener_filter(y, sr=16000, n_fft=512, hop_length=128,
noise_frames=10, alpha=0.9, gain_floor=0.01):
"""
频域维纳滤波
y: 带噪语音信号
sr: 采样率
noise_frames: 用于估计噪声的前几帧
alpha: 平滑因子
gain_floor: 增益下限，防止音乐噪声
"""
# STFT
f, t, Zxx = stft(y, fs=sr, nperseg=n_fft, noverlap=n_fft-hop_length)
mag = np.abs(Zxx)
phase = np.angle(Zxx)
# 估计噪声功率谱（前几帧）
noise_power = np.mean(mag[:, :noise_frames]**2, axis=1, keepdims=True)
# 逐帧处理
mag_est = np.zeros_like(mag)
for i in range(mag.shape[1]):
# 当前帧功率谱
power = mag[:, i]**2
# 维纳增益
gain = (power - noise_power.squeeze()) / power
gain = np.maximum(gain, gain_floor) # 增益下限
# 平滑（我习惯用一阶递归）
if i == 0:
gain_smooth = gain
else:
gain_smooth = alpha * gain_smooth + (1 - alpha) * gain
mag_est[:, i] = gain_smooth * mag[:, i]
# 重建信号
Zxx_est = mag_est * np.exp(1j * phase)
_, y_est = istft(Zxx_est, fs=sr, nperseg=n_fft, noverlap=n_fft-hop_length)
return y_est避坑指南：我曾经在增益下限的设置上吃过亏。设得太小（比如0.001），音乐噪声会很明显；设得太大（比如0.1），语音失真又太严重。经过反复调试，我发现0.01到0.05之间是个比较安全的范围。具体取值取决于你的噪声类型和信噪比。
4.5 与谱减法的对比
谱减法我们上一章讲过。它和维纳滤波的区别，我用一个表格来总结：
| 对比维度 | 谱减法 | 维纳滤波 |
|---|---|---|
| 基本原理 | 幅度谱直接相减 | 最小均方误差准则 |
| 增益形式 | 减法：|Ŝ| = |Y| - |N| | 乘法：|Ŝ| = H · |Y| |
| 音乐噪声 | 严重（需要后处理） | 较轻（增益平滑后更自然） |
| 语音失真 | 中等 | 较低（尤其在低信噪比下） |
| 计算复杂度 | 低 | 中等（需要功率谱估计） |
| 噪声估计要求 | 需要VAD检测 | 需要VAD或噪声跟踪 |
| 适用场景 | 高信噪比、实时性要求高 | 中低信噪比、音质要求高 |
你想想看，谱减法为什么会有音乐噪声？因为它把噪声的随机波动直接减到了幅度谱上，那些残留的「噪声峰」就成了音乐噪声。而维纳滤波用的是乘法增益，增益本身是平滑的，所以音乐噪声就少得多。
但维纳滤波也不是万能的。它假设信号和噪声都是平稳的，而且需要知道噪声的功率谱。实际中噪声往往是非平稳的，这就需要配合噪声跟踪算法来用。
4.6 知识体系总览
下面这张图把维纳滤波的核心逻辑串起来了：
4.7 实际工程中的选择建议
说了这么多，到底什么时候用维纳滤波，什么时候用谱减法？我个人的经验是这样的：
- 高信噪比（>15dB）且对延迟敏感：用谱减法。计算量小，效果好，音乐噪声可以通过后处理压制。
- 中低信噪比（5-15dB）且对音质有要求：用维纳滤波。音乐噪声少，语音自然度更高。
- 低信噪比（<5dB）：两个都不够用。这时候我一般会先做波束形成，或者直接上深度学习模型。
一个小技巧：如果你既想要维纳滤波的音质，又想要谱减法的低延迟，可以试试混合方案——低频段用维纳滤波，高频段用谱减法。我在一个车载项目里这么干过，效果出乎意料地好。
嗯，维纳滤波就讲到这里。它虽然是个老方法，但背后的最小均方误差思想至今仍在很多现代算法里发光发热。理解了它，你再看后来的MMSE估计、卡尔曼滤波，会发现很多相通的地方。