梅尔频率倒谱系数

✍ dations ◷ 2025-04-04 08:47:31 #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

阿巴拉契亚山脉阿巴拉契亚山脉（英语：Appalachian Mountains），又译阿帕拉契山脉，是北美洲东部的一座山系。南起美国的阿拉巴马州，北至加拿大的纽芬兰和拉布拉多省。最北部余脉则延伸到魁北克的加
卢西亚诺·贝里奥卢西亚诺·贝里奥（意大利语：Luciano Berio，1925年10月24日－2003年5月27日），意大利作曲家。曾与马代尔纳共建电子音乐实验室。后来应米约之邀赴美国加州任教。返欧后在巴黎等地从事
奇蹄动物奇蹄目（学名：Perissodactyla）是哺乳动物中的一个目，包括有奇数脚趾的动物。原始奇蹄动物前足四趾，后足三趾，现生的奇蹄动物貘就是这样的脚趾结构。草食，胃的构造和偶蹄目部分成员多
女歌手金奖“叱咤乐坛女歌手”是叱咤乐坛流行榜颁奖典礼每年的重点奖项，第一届即1988年起设立，至今共颁发93座，分为金、银、铜三个名次。此奖项赛果由全年叱咤903的播放率作依据，最后得出
VHS回带机VHS回带机是一种电子设备，可以将VHS录像带放入，将录像带倒带到最前面。录像带是以线性的方式储存资料，因此若放映到最后面，需要将磁带再卷到最前面才能播放，VHS回带机是专门进行
全威全威（1967年12月31日－），笔名阳舟，中国作家、诗人，广东省作家协会会员，世界华文诗人协会会员。出生于湖南省安乡县，1989年毕业于武汉大学。出版有诗集《晒我的影子》，小说《弥留》、《
周廷弼 (实业家)周廷弼（1852年－1923年）字舜卿，江苏无锡人，中国清末民初民族资本家。周廷弼于清朝咸丰二年（1852年）生于东埤小园里。其父为私塾教师，家庭贫苦。16岁时，周廷弼因家贫而随叔父周晓廷赴上
格雷戈里奥·里奇-库尔巴斯托罗格雷戈里奥·里奇-库尔巴斯托罗（意大利语：Gregorio Ricci Curbastro，1853年1月12日－1925年8月6日），意大利数学家、理论物理学家，张量分析创始人之一。
TatoebaTatoeba(tatoeba.org)是一个自由的在线数据库，收集面向外语学习者的例句。Tatoeba一词来源于日语，意思是“举个例子”。与在线辞典网站不同，Tatoeba关注的是句子及其语法结构和
芜湖港芜湖港是位于中国安徽省芜湖市的沿江港口，是长江煤炭能源输出第一大港和安徽省最大的港口。2010年货物吞吐量6609.4万吨，集装箱吞吐量14.3万TEU。2005年12月，安徽芜湖港候船大