语音信号处理常用度量方法
目录
信噪比(SNR)
峰值信噪比(PSNR)
分段信噪比(SegSNR)
对数拟然对比度(log Likelihood Ratio Measure)
PESQ
对数谱距离(Log Spectral Distance)
参考文献：
信噪比(SNR)
有用信号功率与噪声功率的比（此处功率为平均功率），也等于幅度比的平方
SNR(dB)=10log10∑N−1n=0s2(n)∑N−1n=0d2(n)=10∗log10(PsignalPnoise)=20∗log10(AsignalAnoise)
SNR(dB)=10log10∑N−1n=0s2(n)∑N−1n=0[x(n)−s(n)2]
其中：
Psignal为信号功率；Pnoise为噪声功率；Asignal为信号幅度；Anoise为噪声幅度值，功率等于幅度值的平方
MATLAB版本代码
View Code
python代码
复制代码
def numpy_SNR(origianl_waveform, target_waveform):
# 单位 dB
signal = np.sum(origianl_waveform ** 2)
noise = np.sum((origianl_waveform - target_waveform) ** 2)
snr = 10 * np.log10(signal / noise)
return snr
复制代码
np.linalg.norm(x)=x21+x22+...+x2n−−−−−−−−−−−−−√
这个公式和上面是一样的
复制代码
def wav_snr(ref_wav, in_wav):# 如果ref wav稍长，则用0填充in_wav
if (abs(in_wav.shape[0] - ref_wav.shape[0]) < 10):
pad_width = ref_wav.shape[0] - in_wav.shape[0]
in_wav = np.pad(in_wav, (0, pad_width), 'constant')
else:
print("错误：参考wav与输入wav的长度明显不同")
return -1
# 计算 SNR
norm_diff = np.square(np.linalg.norm(in_wav - ref_wav))
if (norm_diff == 0):
print("错误：参考wav与输入wav相同")
return -1
ref_norm = np.square(np.linalg.norm(ref_wav))
snr = 10 * np.log10(ref_norm / norm_diff)
return snr
复制代码
峰值信噪比(PSNR)
表示信号的最大瞬时功率和噪声功率的比值，最大瞬时功率为语音数据中最大值得平方。
SNR(dB)=10∗log10(MAX(Psignal)Pnoise)=10log10MAX[s(n)]2d2(n)
SNR(dB)=10log10MAX[s(n)]21N∑N−1n=0[x(n)−s(n)]2=20log10MAX[s(n)]MSE−−−−−√
复制代码
import numpy as np
def psnr(ref_wav, in_wav):
MSE = numpy.mean((ref_wav - in_wav) ** 2)
MAX = np.max(ref_wav) # 信号的最大平时功率
return 20 * np.log10(MAX / np.sqrt(MSE))
复制代码
分段信噪比(SegSNR)
由于语音信号是一种缓慢变化的短时平稳信号，因而在不同时间段上的信噪比也应不一样。为了改善上面的问题，可以采用分段信噪比。分段信噪比即是先对语音进行分帧，然后对每一帧语音求信噪比，最好求均值。
MATLAB版本的代码
MATLAB版本代码
View Code
python代码
复制代码
def SegSNR(ref_wav, in_wav, windowsize, shift):
if len(ref_wav) == len(in_wav):
pass
else:
print('音频的长度不相等!')
minlenth = min(len(ref_wav), len(in_wav))
ref_wav = ref_wav[: minlenth]
in_wav = in_wav[: minlenth]
# 每帧语音中有重叠部分，除了重叠部分都是帧移，overlap=windowsize-shift
# num_frame = (len(ref_wav)-overlap) // shift
# num_frame = (len(ref_wav)-windowsize+shift) // shift
num_frame = (len(ref_wav) - windowsize) // shift + 1 # 计算帧的数量
SegSNR = np.zeros(num_frame)
# 计算每一帧的信噪比
for i in range(0, num_frame):
noise_frame_energy = np.sum(ref_wav[i * shift, i * shift+windowsize] ** 2) # 每一帧噪声的功率
speech_frame_energy = np.sum(in_wav[i * shift, i * shift+windowsize] ** 2) # 每一帧信号的功率
SegSNR[i] = np.log10(speech_frame_energy / noise_frame_energy)
return 10 * np.mean(SegSNR)
复制代码
对数拟然对比度(log Likelihood Ratio Measure)
坂仓距离测度是通过语音信号的线性预测分析来实现的。ISD基于两组线性预测参数（分别从原纯净语音和处理过的语音的同步帧得到）之间的差异。LLR可以看成一种坂仓距离（Itakura Distance,IS）但是IS距离需要考虑模型增益。而LLR不需要考虑模型争议引起的幅度位移，更重视整体谱包络的相似度。
PESQ
PESQ是用于语音质量评估的一种方法，ITU提供了C语言代码，下载请点击这里，但是在使用之前我们需要先编译C脚本，生成可执行文件exe
编译方式为：在命令行进入下载好的文件
cd \Software\source
gcc -o PESQ *.c
经过编译，会在当前文件夹生成一个pesq.exe的可执行文件
使用方式为：
命令行进入pesq.exe所在的文件夹
执行命令：pesq 采样率 "原始文件路径名" "劣化文件路径名”
回车
等待结果即可，值越大，质量越好。
例如：pesq +16000 raw.wav processed.wav
对数谱距离(Log Spectral Distance)
两个频谱之间的距离度量（用分贝表示）。两个频谱P(W)和P^(w)之间的对数谱距离被定义为：
DLS=12π∫π−π[10∗log10P(w)P^(w)]2dw−−−−−−−−−−−−−−−−−−−−−−√
其中，p(w)和P^(w)是功率谱。对数谱距离是时多对称的。
复制代码
def numpy_LSD(origianl_waveform, target_waveform):
""" 比较原始和目标音频之间的对数谱距离（LSD），也称为对数谱失真，
是两个频谱之间的距离测量值（以dB表示） """
print("数据形状为", origianl_waveform.shape)
print("数据类型为", type(origianl_waveform))
original_spectrogram = librosa.core.stft(origianl_waveform, n_fft=2048)
target_spectrogram = librosa.core.stft(target_waveform, n_fft=2048)
original_log = np.log10(np.abs(original_spectrogram) ** 2)
target_log = np.log10(np.abs(target_spectrogram) ** 2)
original_target_squared = (original_log - target_log) ** 2
target_lsd = np.mean(np.sqrt(np.mean(original_target_squared, axis=0)))
return target_lsd
复制代码
参考文献：
非典型废言的CSDN博客
视频质量度量指标
作者：凌逆战
欢迎任何形式的转载，但请务必注明出处。
限于本人水平，如果文章和代码有表述不当之处，还请不吝赐教。
本文章不做任何商业用途，仅作为自学所用，文章后面会有参考链接，我可能会复制原作者的话，如果介意，我会修改或者删除。https://www.cnblogs.com/LXP-Never/p/11071911.html