信号处理基础回顾：傅里叶变换、短时傅里叶变换（STFT）、时频谱图的概念、分贝（dB）与信噪比（SNR）
做深度学习降噪，说白了就是跟声音信号打交道。你想想看，如果连信号的基本特性都搞不清楚，怎么指望模型能学好？这一章我会带你快速过一遍最核心的几个概念。别担心，我不会堆公式，而是用我这些年踩过的坑来帮你理解。
核心观点：深度学习降噪的本质，是在时频域里做「信号与噪声的分离」。不理解时频谱图，你连模型在学什么都看不懂。
2.1 傅里叶变换：从时域到频域的「翻译官」
我记得刚入行时，导师跟我说过一句话：「傅里叶变换就是让你换个角度看世界。」当时觉得玄乎，后来才明白——时域里纠缠不清的信号，到了频域里往往一目了然。
简单来说，傅里叶变换能把一段随时间变化的波形，拆解成不同频率的正弦波分量。比如一段人声，时域波形看起来乱糟糟的，但傅里叶变换后，你就能看到哪些频率是说话声，哪些是背景噪声。
不过，经典傅里叶变换有个致命缺陷：它假设信号是平稳的。什么意思？就是它认为信号的频率成分在整个时间轴上都不变。但现实中的语音、音乐、环境噪声，哪个不是随时间变化的？
注意：经典傅里叶变换只告诉你「信号里有哪些频率」，却无法告诉你「这些频率在什么时间出现」。对于非平稳信号（比如语音），这个信息远远不够。
2.2 短时傅里叶变换（STFT）：给信号加个「滑动窗口」
为了解决上面那个问题，有人想了个办法：既然信号整体是非平稳的，那我把它切成一小段一小段，假设每小段里是平稳的，不就行了？这就是短时傅里叶变换（STFT）的核心思想。
具体做法是：用一个固定长度的窗口（比如汉明窗），沿着时间轴滑动，对每一段加窗后的信号做傅里叶变换。这样，你就能得到「频率随时间变化」的信息了。
这里有几个关键参数，我建议你记牢：
- 窗口长度（window length）：决定了频率分辨率和时间分辨率的平衡。窗口越长，频率分辨率越高，但时间分辨率越低。反之亦然。
- 帧移（hop length）：相邻窗口之间的步长。通常设为窗口长度的一半或四分之一。
- FFT点数（n_fft）：做傅里叶变换的点数，一般等于或大于窗口长度。
我的经验：做语音降噪时，我习惯用 32ms 的窗口长度（采样率 16kHz 下对应 512 点），帧移设为 8ms（128 点）。这个配置在大多数场景下效果都不错。当然，具体参数还是要根据你的任务来调。
下面这个 SVG 图展示了 STFT 的核心流程：
2.3 时频谱图：深度学习降噪的「画布」
STFT 的输出，就是时频谱图（spectrogram）。你可以把它想象成一张二维图像：横轴是时间，纵轴是频率，每个像素点的颜色深浅代表该时刻该频率的能量大小。
为什么深度学习降噪要用时频谱图？原因很简单：
- 结构清晰：语音在时频谱图上呈现出明显的谐波结构（那些水平条纹），而噪声往往分布更均匀。模型很容易学会区分它们。
- 适合 CNN：时频谱图本质上就是一张「图像」，可以直接用卷积神经网络（CNN）来处理。
- 信息完整：保留了时间和频率两个维度的信息，比单纯用波形或频谱都更丰富。
重要概念：时频谱图通常用幅度谱（magnitude spectrogram）或功率谱（power spectrogram）。幅度谱是 FFT 结果的值，功率谱是幅度的平方。深度学习降噪中，我们通常处理的是幅度谱，相位信息在增强后从原始信号中借用。
2.4 分贝（dB）与信噪比（SNR）：量化「噪声有多大」
做降噪，你得有个标准来衡量「降了多少」。分贝和信噪比就是最常用的两个指标。
2.4.1 分贝（dB）
分贝是个对数单位，用来表示两个量之间的比值。在音频领域，我们常用 dB 来表示声音的强度：
dB = 10 * log10(P / P_ref)其中 P 是信号功率，P_ref 是参考功率。人耳对声音的感知是对数级的，所以用 dB 更符合听觉特性。
举个例子：
- 0 dB：人耳刚能听到的声音
- 30 dB：安静的图书馆
- 60 dB：正常交谈
- 90 dB：繁忙的街道
- 120 dB：喷气式飞机起飞（会损伤听力）
我的习惯：在代码里，我经常把时频谱图转换成 dB 尺度再送入模型。因为原始幅度谱的动态范围太大（可能相差几个数量级），模型很难学。转换成 dB 后，数值范围更集中，训练也更稳定。
2.4.2 信噪比（SNR）
信噪比衡量的是信号与噪声的功率比值，单位也是 dB：
SNR(dB) = 10 * log10(P_signal / P_noise)SNR 越高，说明信号越「干净」。比如：
- SNR = 20 dB：信号功率是噪声的 100 倍，听起来很清晰
- SNR = 0 dB：信号和噪声功率相等，听起来比较嘈杂
- SNR = -5 dB：噪声比信号还强，很难听清内容
在深度学习降噪中，我们常用 SNR 来评估模型性能。不过要注意，SNR 只是一个客观指标，有时候 SNR 提高了，但听觉感受不一定好。我遇到过不少案例，模型把 SNR 提得很高，但语音听起来「失真」了——这就是典型的「指标好看，听感翻车」。
避坑指南：我曾经在一个项目里只盯着 SNR 调模型，结果 SNR 涨了 3 dB，但用户反馈说「声音像机器人」。后来我才意识到，除了 SNR，还要关注 PESQ、STOI 等感知指标，以及最重要的——人耳试听。
2.5 本章小结
好了，这一章的内容就到这里。我们回顾了傅里叶变换、STFT、时频谱图、分贝和信噪比这几个核心概念。这些知识是深度学习降噪的基石，后面的章节会反复用到它们。
嗯，说实话，这些概念看起来简单，但真正用好它们需要大量实践。我建议你动手写几行代码，用 Python 的 librosa 或 torchaudio 库，把一段音频的时频谱图画出来，再试试不同的窗口长度和帧移，看看效果有什么变化。亲手做一遍，比看十遍文章都管用。