梅尔倒频谱

✍ dations ◷ 2025-04-04 11:03:59 #信号处理

在信号处理中,梅尔倒频谱(Mel-Frequency Cepstrum, MFC)系一个可用来代表短期音频的频谱,其原理基于用非线性的梅尔刻度(mel scale)表示的对数频谱及其线性余弦转换(linear cosine transform)上。

梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients, MFCC)是一组用来创建梅尔倒频谱的关键系数。由音乐信号当中的片段,可以得到一组足以代表此音乐信号之倒频谱(Cepstrum),而梅尔倒频谱系数即是从这个倒频谱中推得的倒频谱(也就是频谱的频谱)。与一般的倒频谱不同 ,梅尔倒频谱最大的特色在于,于梅尔倒频谱上的频带是均匀分布于梅尔刻度上的,也就是说,这样的频带相较于一般所看到、线性的倒频谱表示方法,和人类非线性的听觉系统更为接近。例如:在音频压缩的技术中,便常常使用梅尔倒频谱来处理。

梅尔倒频谱系数通常是用以下方法得到的:

获取梅尔倒频谱的方法众多,上述只是其中一种。

另外,ETSI在2000年左右有定义一套专为移动电话设计的梅尔倒频谱系数算法。

梅尔倒频谱系数通常可以用于作为语音识别系统中的特征质观察,例如:可以自动辨认一个人透过电话说的数字。梅尔倒频谱系数通常也可以作为声纹识别(Speaker Recognition),也就是、用来识别某段语音频号的发话者是谁的技术。

梅尔倒频谱系数在近年来于音乐分类(music genre classification)相关应用的领域也逐渐崭露头角,例如查找一段音乐的相似程度等。

梅尔频率倒谱系数MFCC和感知线性预测PLP:不同于LPC等通过对人的发声机理的研究而得到的声学特征,Mel倒谱系数MFCC和感知线性预测PLP是受人的听觉系统研究成果推动而导出的声学特征。对人的听觉机理的研究发现,当两个频率相近的音调同时发出时,人只能听到一个音调。临界带宽指的就是这样一种令人的主观感觉发生突变的带宽边界,当两个音调的频率差小于临界带宽时,人就会把两个音调听成一个,这称之为屏蔽效应。Mel刻度是对这一临界带宽的度量方法之一。MFCC的计算首先用FFT将时域信号转化成频域,之后对其对数能量谱用依照Mel刻度分布的三角滤波器组进行卷积,最后对各个滤波器的输出构成的向量进行离散余弦变换DCT,取前N个系数。PLP仍用德宾法去计算LPC参数,但在计算自相关参数时用的也是对听觉激励的对数能量谱进行DCT的方法。

梅尔倒频谱系数并非相当稳定,在计算当中,一组系数其实相当容易受到外加的噪声影响;为了对抗噪声,通常会将梅尔倒频谱系数在语音辨认上进行正规化(normalization)的动作,以减少噪声造成的影响。

另外,有些研究者会将梅尔倒频谱系数基础的算法设计的更加顽强,例如:在进行馀弦转换前增加对数化梅尔系数的能量值至一个合适的范围,以减少诸如噪声等低能量项对于整个系数结果的影响。

一般认为Paul Mermelstein 是主要致力于发展梅尔倒频谱的人,然而 Mermelstein 本人却将主要的概念功劳归给 Bridle 和 Brown for the idea:

Bridle 和 Brown 运用了一组十九个、由余弦转换导出的频谱型的系数,转换的输入值是信号在一组在频带上有非均匀间隔分布的带通滤波器后的输出。

滤波器的间隔是呈现对数分布的;因此,一般称之为梅尔式的导频谱系数

通常此两组起源都会被人当作引用使用。

另外,许多作者包括Mermelstein都认为,梅尔倒频谱中这样以频谱为基准的余弦转换函数,非常接近早期用于语音表征和辨认、对对数化频谱进型的主成分分析;关于这部分相关的信息,可参考Pols和它同事的研究。

1. 对该信号做傅立叶变换


X = F T x {\displaystyle X=FT{x}}


2. 根据下面公式算出Y


Y = log ( k = f m 1 f m + 1 | X | 2 B m ) {\displaystyle Y=\log \left(\sum _{k=f_{m-1}}^{f_{m+1}}\left|X\right|^{2}B_{m}\right)}


其中 B m {\displaystyle B_{m}} 是梅尔频率倒频谱的遮罩


B m = { 0 for  k < f m 1  and  k > f m + 1 k f m 1 f m f m 1 for  f m 1 k f m f m + 1 k f m + 1 f m for  f m k f m + 1 {\displaystyle B_{m}={\begin{cases}0&{\mbox{for }}k<f_{m-1}{\mbox{ and }}k>f_{m+1}\\{\cfrac {k-f_{m-1}}{f_{m}-f_{m-1}}}&{\mbox{for }}f_{m-1}\leq k\leq f_{m}\\{\cfrac {f_{m+1}-k}{f_{m+1}-f_{m}}}&{\mbox{for }}f_{m}\leq k\leq f_{m+1}\end{cases}}}


3.对Y做IDCT得 c x {\displaystyle c_{x}} ,因为Y是偶函数,故用IDCT(反离散余弦变换)取代IDFT(反离散傅立叶变换)


c x = 1 M m = 1 M Y c o s ( π n ( m 1 / 2 ) M ) {\displaystyle c_{x}={\frac {1}{M}}\sum _{m=1}^{M}Ycos\left({\cfrac {\pi n(m-1/2)}{M}}\right)}


相关

  • 蓝舌病正铁血红蛋白血症(methemoglobinemia),或高铁血红蛋白症、变性血色蛋白血症、变性血红素血症、变性红血球血症、急性变性血红素症,是指因血液中异常的出现过多不能带氧的正铁血
  • 新桥恋人《新桥恋人》(Les Amants du Pont-Neuf)是一部1991年的法国电影,莱奥·卡拉克斯导演,朱丽叶·比诺什、德尼·拉旺主演。影片讲述了一个富家女和一名流浪汉的爱情故事。本片是当
  • 第一中间期第八第十第一中间时期是古埃及历史古王国时期和中王国时期之间的大约100年的历史时期。古王国后期,中央集权的减弱使埃及王朝逐渐丧失了对地方政体的管辖,各地方领袖纷纷脱离
  • 天主教卡奥尔教区天主教卡奥尔教区(拉丁语:Dioecesis Ruthenensis、法语:Diocèse de Rodez)是法国一个罗马天主教教区,属图卢兹总教区。第一位主教见于506年的文献。教区位于洛特省,2006年有教友1
  • 人民中国《人民中国》(日语:人民中国,英语:People's China)是中国外文局旗下的一份日文杂志,由人民中国杂志社出版发行。截至2013年,该杂志是中国唯一一本在中日两国公开发行的国家级日文综
  • 纳吉·阿布·诺瓦纳吉·阿布·诺瓦(Naji Abu Nowar,(阿拉伯语:ناجي أبو نوار‎)是一名出生于英国牛津的约旦电影导演、编剧和监制,主要作品有 (2009)、 (2012) 和获得奥斯卡最佳外语
  • 阿里·卢特菲·马哈茂德阿里·卢特菲·马哈茂德(阿拉伯语:علي لطفى محمود‎,IPA:.mw-parser-output .IPA{font-family:"Charis SIL","Doulos SIL","Linux Libertine","Segoe UI","Lucida S
  • 蒙定军蒙定军(1913年5月-1988年5月16日),原名鼎钧,男,陕西旬邑人,中国情报工作者、政治人物,曾任三十八军地下党工委书记,“西安军事情报组”负责人,甘肃省人大常委会副主任,甘肃省政协副主席
  • 杰瑞·约斯特杰瑞·约斯特(英语:Jerry Jost,?-2014年12月30日)美国音频工程师。他曾因电影转折点(英语:The Turning Point (1977 film))提名奥斯卡最佳音响效果奖。
  • 佳恩佳恩(韩语:가은)可以指: