📚 课程目录第4章降噪滤波器入门

4. 降噪滤波器入门

各位好，欢迎来到第四章。

前几章我们把语音信号的基础和噪声模型捋了一遍。从这章开始，咱们要真正动手处理噪声了。我个人的习惯是，先拿传统滤波器热热身。别看它们“传统”，在不少实际场景里，这些方法依然能打，而且理解它们对后面学自适应滤波、深度学习降噪非常有帮助。

今天咱们聊三个经典角色：移动平均滤波器、中值滤波器和维纳滤波器。它们思路完全不同，但目标一致——把噪声压下去，把语音保下来。

核心思路：传统降噪滤波器，本质上都是在做“平滑”或“估计”。移动平均和中值在时域上直接操作，维纳则从统计最优的角度切入。三者代表了三种不同的降噪哲学。

4.1 移动平均滤波器：最朴素的平滑器

移动平均滤波器，说白了就是取当前点前后几个点的平均值，替代当前点的值。公式很简单：

y[n] = (1/M) * Σ x[n + k]   (k 从 -K 到 K, M = 2K+1)

其中 M 是窗口长度。窗口越大，平滑效果越强，但语音的细节丢失也越严重。

为什么它能降噪？ 因为噪声通常是零均值的随机信号，多个样本平均后，噪声会相互抵消一部分，而语音信号在短时间内变化不大，平均后保留得比较好。你想想看，这其实就是一种低通滤波——把高频的噪声波动给滤掉了。

我的经验：在嵌入式设备上做实时语音预处理时，我经常用移动平均滤波器做第一级降噪。它计算量极小，一个滑动窗口加个累加器就能搞定。但要注意，窗口长度不能太大，否则语音的辅音部分会被严重模糊，听起来像“含着一口水在说话”。

来看一段 Python 实现：

import numpy as np

def moving_average(signal, window_size):
    """
    移动平均滤波器
    signal: 输入信号 (1D array)
    window_size: 窗口长度 (奇数)
    """
    if window_size % 2 == 0:
        window_size += 1  # 强制奇数
    half = window_size // 2
    # 边界处理：反射填充
    padded = np.pad(signal, half, mode='reflect')
    # 卷积实现
    kernel = np.ones(window_size) / window_size
    smoothed = np.convolve(padded, kernel, mode='valid')
    return smoothed

这段代码用了卷积实现，效率不错。边界处我用了反射填充，避免两端出现奇怪的跳变。嗯，这里要注意：如果你的信号很短，窗口长度要相应缩小，否则边界效应会占主导。

避坑指南：我曾经在一个语音端点检测项目里直接用移动平均滤波做预处理，结果发现静音段的噪声被平滑后，反而让语音起始点变得模糊，导致检测延迟。后来我改用自适应窗口长度——在语音段用小窗口保留细节，静音段用大窗口压制噪声。效果好了很多。

4.2 中值滤波器：脉冲噪声的克星

中值滤波器的思路更直接——取窗口内所有样本的中位数，而不是平均值。公式：

y[n] = median( x[n-K], ..., x[n], ..., x[n+K] )

为什么中值能降噪？因为中值对异常值不敏感。想象一下，如果某个采样点被脉冲噪声（比如点击声、爆音）污染了，它的值会远偏离正常范围。取平均值时，这个异常点会把结果拉偏；但取中值时，只要异常点不是窗口内的大多数，它根本不影响结果。

我个人的经验：中值滤波器在去除“椒盐噪声”类脉冲干扰时，效果远好于移动平均。但代价是计算量大——每次都要排序。不过对于语音信号，窗口通常不大（3~9个点），排序开销可以接受。

def median_filter(signal, window_size):
    """
    中值滤波器
    """
    if window_size % 2 == 0:
        window_size += 1
    half = window_size // 2
    padded = np.pad(signal, half, mode='reflect')
    smoothed = np.zeros_like(signal)
    for i in range(len(signal)):
        window = padded[i : i + window_size]
        smoothed[i] = np.median(window)
    return smoothed

这段代码是逐点处理的，效率一般。实际工程中可以用scipy.signal.medfilt，它底层用优化算法，快很多。

关键对比：移动平均 vs 中值滤波

特性	移动平均	中值滤波
噪声类型	高斯噪声、平稳噪声	脉冲噪声、椒盐噪声
边缘保持	差（模糊边缘）	好（保留跳变）
计算复杂度	O(N)（卷积）	O(N·M·logM)（排序）
适用场景	实时低功耗系统	有突发噪声的录音

你可能会问：那语音降噪到底该用哪个？我的建议是——看噪声类型。如果是风扇、空调这类平稳噪声，移动平均更合适；如果是键盘敲击、关门声这类脉冲噪声，中值滤波是首选。当然，也可以两者串联使用，先中值去脉冲，再移动平均去平稳噪声。

4.3 维纳滤波器：从统计最优的角度出发

前面两个方法都是“拍脑袋”的启发式方法。维纳滤波器不一样，它从数学上给出了一个“最优”解——在最小均方误差（MMSE）准则下，估计出最接近原始语音的信号。

维纳滤波器的核心公式在频域上非常简洁：

H(f) = Ps(f) / (Ps(f) + Pn(f))

其中 Ps(f) 是语音功率谱，Pn(f) 是噪声功率谱。H(f) 就是维纳滤波器的频率响应。

直观理解：在某个频率上，如果语音能量远大于噪声能量（信噪比高），H(f) ≈ 1，滤波器几乎不衰减；如果噪声能量占主导（信噪比低），H(f) ≈ 0，滤波器把这个频段压掉。说白了，维纳滤波器就是一个“信噪比自适应的带通滤波器”。

我的经验：维纳滤波器的效果很大程度上取决于噪声功率谱的估计精度。我在做车载语音系统时，发现发动机噪声的功率谱会随转速变化，如果用一个固定的噪声谱，维纳滤波反而会引入“音乐噪声”——听起来像水声或金属声，非常刺耳。后来我改用噪声跟踪算法实时更新 Pn(f)，才解决了这个问题。

来看一段简化实现（假设已知噪声功率谱）：

def wiener_filter(noisy_signal, noise_psd, fs):
    """
    维纳滤波器（频域实现）
    noisy_signal: 带噪语音
    noise_psd: 噪声功率谱密度
    fs: 采样率
    """
    from scipy.fft import fft, ifft
    N = len(noisy_signal)
    # 对带噪信号做 FFT
    X = fft(noisy_signal)
    # 估计带噪信号的功率谱
    Px = np.abs(X)**2 / N
    # 语音功率谱估计：Px - Pn，并确保非负
    Ps = np.maximum(Px - noise_psd, 1e-10)
    # 维纳增益
    H = Ps / (Ps + noise_psd)
    # 滤波
    Y = X * H
    # IFFT 回到时域
    denoised = np.real(ifft(Y))
    return denoised

这段代码假设噪声功率谱是已知的。实际中，我们通常用语音活动检测（VAD）在静音段估计噪声谱，或者用最小值跟踪算法实时更新。

注意：维纳滤波器假设语音和噪声是平稳的、不相关的。但实际语音是非平稳的，噪声也可能与语音相关（比如回声）。这些假设不成立时，维纳滤波的效果会打折扣。我曾经在一个会议录音系统中直接套用维纳滤波，结果因为噪声非平稳，反而引入了大量失真。后来我加了分段处理和重叠相加（OLA）技术，才把效果拉回来。

4.4 三种滤波器的对比与选择

聊了这么多，咱们来总结一下。三种滤波器各有各的脾气：

移动平均：简单、快速、适合平稳噪声。代价是模糊语音细节。
中值滤波：抗脉冲噪声能力强，能保持边缘。但计算量稍大，对高斯噪声效果一般。
维纳滤波：理论上最优，能自适应调整。但依赖噪声估计，实现复杂，容易引入音乐噪声。

在实际项目中，我通常这样选型：

如果算力有限（比如单片机），用移动平均，窗口长度根据噪声带宽调整。
如果录音环境有突发噪声（比如人走动、物品碰撞），先加一级中值滤波。
如果对音质要求高，且能接受一定延迟，用维纳滤波，配合噪声跟踪算法。

当然，这三个方法也可以组合使用。我记得在一个智能音箱项目里，我们用了“中值滤波 + 移动平均 + 维纳滤波”三级串联，效果比单用任何一种都好。但代价是延迟和计算量都上去了，需要根据产品需求做权衡。