梅尔频率倒谱系数

✍ dations ◷ 2025-07-19 06:36:43 #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

组织学人体解剖学 - 人体生理学组织学 - 胚胎学人体寄生虫学 - 免疫学病理学 - 病理生理学细胞学 - 营养学流行病学 - 药理学 - 毒理学组织学（英语：histology）是一门对生物组织
运动伤害运动损伤又称运动创伤或运动伤害（英语：Sports injuries），指在体育运动或体能锻炼过程中发生的创伤。例如在美国，据估计有三千万青少年参与过某种形式的有组织运动，其中每年又有三
水分水分子（化学式：H2O）是地球表面上最多的分子，除了以气体形式存在于大气中，其液体和固体形式占据了地面70-75%的组成部分。标准状况下，水分子在液体和气体之间保持动态平衡。室温下，
拉斐尔房间四间拉斐尔客房（Stanze di Raffaello）是梵蒂冈宫内的一组客房，教宗住所的公共部分。它们以拉斐尔及其工作室创作的壁画著称。它们连同西斯廷礼拜堂内米开朗基罗的天顶画，构成标
欧金翅雀欧金翅雀（英语：European greenfinch，或greenfinch，学名：）是一种鸟类，广泛分布于欧洲、北非和西南亚洲地区。欧金翅雀是一种留鸟，但位于最北的种群会向南部迁徙。
贝心瑜贝心瑜（1957年－），本名吴秀凤，1980年代台湾女歌手、演员，曾以“美答您洗面乳”广告一炮而红。
塞德利茨号大巡洋舰塞德利茨号大巡洋舰（SMS Seydlitz）是德国海军于1911年开工建造的一艘战列巡洋舰。该舰在毛奇级大巡洋舰基础上改进设计，为了改善适航性能，提高舰艏干舷；加强舰体强度，在装甲和水密
祖国 (东帝汶)《祖国》（葡萄牙语：Pátria），法兰西斯科·波雅·达·科斯塔（Francisco Borja da Costa）词，阿方索·德·阿劳约（Afonso de Araujo）曲，创作于1975年，2002年被东帝汶民主共和国定为国歌，歌
草野满代草野满代（日语：草野満代，1967年2月4日－）是日本岐阜县惠那郡福冈町（日语：福岡町 (岐阜県)）（现中津川市）出生的电视主持人及新闻主播。所属经纪公司为cent. Force。她曾经担任NHK及TBS
雷诺传输定理雷诺传输定理也称为莱布尼兹-雷诺传输定理或雷诺定理，是以积分符号内取微分闻名的莱布尼兹积分律（英语：Leibniz integral rule）的三维推广。雷诺传输定理得名自奥斯鲍恩·雷诺（18