基於python原始碼的嘯叫抑制演算法解析
阿新 • • 發佈：2022-04-08
一 原理解析
從下圖一中可以看出，該演算法的原理也是先檢測出來嘯叫，然後通過陷波器來進行嘯叫抑制的，和筆者以前分析的所用方法基本耦合。
二 原始碼分析
函式PAPR:計算峰值功率和平均功率的比值
def papr(frame, threshold): """Peak-to-Avarage Power Ratio (PAPR) Returns all frequency indices where power is greater than avarage power + threshold, which are possible candidateswhere howling occurs.
函式PTPR：計算峰值功率和閾值功率的比值，這裡的閾值功率是系統可以產生嘯叫的功率閾值，根實際環境有關係。
def ptpr(frame, threshold): """Peak-to-Threshold Power Ratio (PTPR)
函式PNPR:計算峰值功率和相鄰頻段功率的比值
def pnpr(frame, threshold): """Peak-to-Neighboring Power Ratio (PNPR) Returns all frequency indices of power peaks, which are greater than neighboring frequency bins by a threshold.
函式howling_detect該函式是檢測出嘯叫頻點，是最重要的部分，嘯叫抑制的難點就是怎麼檢出嘯叫抑制的頻點：這裡通過三個維度來篩選，找出共同的頻點，認為共同的頻點就是嘯叫的頻點。
def howling_detect(frame, win, nFFT, Slen, candidates, frame_id): insign = win * frame spec = np.fft.fft(insign, nFFT, axis=0) #========== Howling Detection Stage =====================# ptpr_idx= pyHowling.ptpr(spec[:Slen], 10) papr_idx, papr = pyHowling.papr(spec[:Slen], 10) pnpr_idx = pyHowling.pnpr(spec[:Slen], 15) intersec_idx = np.intersect1d(ptpr_idx, np.intersect1d(papr_idx,pnpr_idx)) #print("papr:",papr_idx) #print("pnpr:",pnpr_idx) #print("intersection:", intersec_idx) for idx in intersec_idx: candidates[idx][frame_id] = 1 ipmp = pyHowling.ipmp(candidates, frame_id) #print("ipmp:",ipmp) result = pyHowling.screening(spec, ipmp) #print("result:", result) return result
三 總結 該演算法從 效果來看，效果還是比較不錯的，但是有一個維度難以把握，就是閾值的設定，這個是和實際環境有關係的，需要根據實際環境除錯，這個也決定了演算法的準確度。