梅尔频率倒谱系数

✍ dations ◷ 2025-08-17 09:19:46 #信号处理

在声音处理领域中，梅尔频率倒谱(Mel-Frequency Cepstrum)是基于声音频率的非线性梅尔刻度(mel scale)的对数能量频谱的线性变换。

梅尔频率倒谱系数 (Mel-Frequency Cepstral Coefficients，MFCCs)就是组成梅尔频率倒谱的系数。它衍生自音讯片段的倒频谱(cepstrum)。倒谱和梅尔频率倒谱的区别在于，梅尔频率倒谱的频带划分是在梅尔刻度上等距划分的，它比用于正常的对数倒频谱中的线性间隔的频带更能近似人类的听觉系统。这样的非线性表示，可以在多个领域中使声音信号有更好的表示。例如在音讯压缩中。

梅尔频率倒谱系数（MFCC）广泛被应用于语音识别的功能。他们由Davis和Mermelstein在1980年代提出，并在其后持续是最先进的技术之一。在MFCC之前，线性预测系数（LPCS）和线性预测倒谱系数（LPCCs）是自动语音识别的的主流方法。

MFCC通常有以下之过程:

声音信号是连续变化的，为了将连续变化信号简化，我们假设在一个短时间尺度内，音频信号不发生改变。因此将信号以多个采样点集合成一个单位，称为'''讯框'''。一个讯框多为20-40毫秒，如果讯框长度更短，那每个讯框内的采样点将不足以做出可靠的频谱计算，但若长度太长，则每个讯框信号会变化太大。

预强化的目的就是为了消除发声过程中，声带和嘴唇造成的效应，来补偿语音信号受到发音系统所压抑的高频部分。并且能突显高频的共振峰。

由于信号在时域上的变化通常很难看出信号的特性，所以通常透过傅里叶变换将它变换成频域上的能量分布来观察，不同的能量分布，就能代表不同语音的特性。

由于能量频谱中还存在大量的无用讯息，尤其人耳无法分辨高频的频率变化，因此让频谱通过梅尔滤波器。梅尔滤波器，也就是一组20个非线性分布的三角带通滤波器（Triangular Bandpass Filters），能求得每一个滤波器输出的对数能量。必须注意的是：这 20 个三角带通滤波器在'''梅尔刻度'''的频率上是平均分布的。梅尔频率代表一般人耳对于频率的感受度，由此也可以看出人耳对于频率 f 的感受是呈对数变化的。

http://i.stack.imgur.com/YUH48.gif 页面存档备份，存于互联网档案馆

最后的步骤是计算对数滤波器的能量的离散傅里叶反变换，在此相当于离散余弦反变换(IDCT)。值得注意的是，虽然通常的会有24-26个系数，但我们只保留前12个系数。这是因为丢弃高倒频域值的DCT系数，代表一个类似低通滤波器的概念，可以使信号平滑化，能增进语音处理的性能。

在此过程中可以有很多变化，例如，映射时的窗口的形状和间距。 The 欧洲电信标准协会在2000年初定义了一个可以用在移动电话上的标准MFCC算法.

1.对该信号做傅里叶变换
X=FT{x}
2.根据下面公式算出Y
$Y=\log \left(\sum _{k=f_{m-1}}^{f_{m+1}}\left|X\right|^{2}B_{m}\right)$ $Y=\log \left(\sum _{k=f_{m-1}}^{f_{m+1}}\left|X\right|^{2}B_{m}\right)$

其中 $B_{m}$ $B_{m}$ 是梅尔频率倒频谱的遮罩

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

3.对Y做IDCT得 $c_{x}$ $c_{x}$
因为Y是偶函数,故用IDCT(反离散余弦变换)取代IDFT(反离散傅里叶变换)
$c_{x}={\frac {1}{M}}\sum _{m=1}^{M}Ycos\left({\cfrac {\pi n(m-1/2)}{M}}\right)$ $c_{x}={\frac {1}{M}}\sum _{m=1}^{M}Ycos\left({\cfrac {\pi n(m-1/2)}{M}}\right)$

与原倒频谱的差异
一.log里面因为使用了sum,故等于0的几率变小
二.避免了相位的问题
三.使用IDCT取代IDFT,减少了运算量
四. $B_{m}$ $B_{m}$ 随着频率的增加而增宽,该特性符合人类听觉,更适合用来描述语音特征

MFCC主要作为语音识别系统中的特征，这样的系统可以自动识别语音中的数字内容。MFCC同样也用于说话人识别（英语：Speaker Recognition），该技术尝试通过语音该鉴别说话人。

MFCC也被用于语音信息检索（英语：music information retrieval）领域，如流派分类(genre classification)、音频相似性计算等。

比起倒频谱,梅尔倒频谱更接近人耳对于语音的区别性(因为遮罩 $B {\displaystyle B}$ $B$ )
用 $c_{x},c_{x},...,c_{x}$ $c_{x},c_{x},...,c_{x}$ ,MFCCs的前13项足以描述语音特征

MFCC特征在加性噪声的情况下并不稳定，因此在语音识别系统中通常要对其进行归一化处理(normalise)以降低噪声的影响。一些研究人员对MFCC算法进行修改以提升其强健性，如在进行DCT之前将log-mel-amplitudes提升到一个合适的能量(2到3之间)，以此来降低低能量成分的影响.

相关

二氧化氯二氧化氯是黄绿色的气体，是氯的最稳定的氧化物，也是唯一大量生产的卤氧化物。二氧化氯在其液态时稳定，但若和一些特定物质接触，也有爆炸的可能。它在约−59°C 时凝结成亮橙色
金牛座金牛座（拉丁语：Taurus，天文符号：♉）黄道带星座之一，面积797.25平方度，占全天面积的1.933%，在全天88个星座中，面积排行第十七。金牛座中亮于5.5等的恒星有98颗，最亮星为毕宿五（金牛座α），
鼓部鼓部，为汉字索引中的部首之一，康熙字典214个部首中的第二百〇七个（十三划的则为第三个）。就繁体和简体中文中，鼓部归于十三划部首。鼓部只以上方为部字。且无其他部首可用者将部
欧盟政治本文是欧洲联盟的政治与政府系列条目之一欧盟在性质上接近邦联，在许多方面均拥有立法权。但欧洲和大部分国家不同的是，欧盟并未全面强制实施共同外交政策、国防政策和直接课
军城街道军城街道，是中华人民共和国河北省保定市高碑店市下辖的一个乡镇级行政单位。军城街道下辖以下地区：撞河村、乔刘樊村、祁村、平安店村、龚辛庄村、南泽畔村、松林村、台中旺村
仲延仕仲延仕（19世纪？－1905年），山东省甯阳县人，清朝政治人物、同进士出身。光绪三十年，会试第23名；殿试登进士三甲第96名，分发为广西知县。光绪三十一年（1905年），曾为济宁《续修仲氏族谱》撰写
正义联盟正义联盟（英语：Justice League），有时则称为美国正义联盟（Justice League of America）或JLA，是DC漫画所推出的虚构超级英雄团体。正义联盟在漫画《勇敢和胆量》第28期首次出场，虽然《
方禹鼎方禹鼎(1772年10月19日-1820年10月9日)，字九汝，号晖斎，本贯温阳方氏。朝鲜正祖时代武科合格，1803年任奏请使兼冬至正使沈能建随员出使清国。1811年发生洪景来之乱，任西征军左哨官
提毗山《提毗山》（）是爱德华·摩根·福斯特两度造访印度（1912-1913年、1921年）的描述, 在此期间，他曾担任德瓦斯的摩诃罗阇杜科吉拉奥三世的私人秘书，于1953年首次出版，献给福斯特的朋友
徐亨 (邻水典史)徐亨（？年－？年），成化间任邻水县典史。是一位政治人物，明朝时曾在四川顺庆府邻水县（位于今四川省东部，梁大同三年置，是一个千年古县）担任官吏。