语音信号处理，基于MATLAB的子带编码实现

一：子带编码

1.子带编码首先将输入信号分割成几个不同的频带分量，然后再分别进行编码，这类编码方式称为频域编码。 2.把语音信号分成若干子带进行编码主要有两个优点： (1).如果对不同的子带合理分配比特数，可以控制各子带的量化电平数目，以及相应的重建信号的量化误差方差值，以获得更好的主观听音质量。

(2).各子带的量化噪声相互独立，被束缚在自己的子带内，不影响其它子带的量化噪声。

3.影响子带编码效率的因数

子带数目、子带划分、编码参数、子带中比特的分配、每样值编码比特、带宽。 4.分类

（1）等带宽子带编码

各子带的带宽是相同的，其优点是易于硬件实现，便于理论分析。

其中，k= 1, 2, 3 …, m为子带总数，B编码信号总带宽

（2）变带宽子带编码

各子带带宽是不同的，常用的子带划分是令各子带宽度随K的增加而增加（低频段子带带宽窄，高频段宽），其优点是对不同的子带分配的比特数不同，能获得很好的质量。

二：matlab实现

1.主要是使用非对称滤波器组来实现语音信号的子带分解和合并。

2.关键：针对语音信号的频谱设计与之相适应的树形滤波器组。

3.编码采用u律pcm编码。 介绍：

? 本编程所设计的树形结构滤波器组，是由两通道的正交镜像滤波器组通过级联或并联组建而成的。

? 采用正交镜象滤波器（QMF，quandrature mirror filter）来划分频带，混迭效应在最后合成时可以抵消 ? 混迭失真：这是由于分析滤波器组和综合滤波器组的频带不能完全分开及x（n）的抽样频率fs不能大于其最高频率成分的m倍所致。

?

两通道的滤波器组

两通道的滤波器组

两通道的滤波器组的幅频特性

两通道的正交镜像滤波器组的幅频特性

? （从频频特性可以看出采用正交镜象滤波器来划分频带，混迭效应在最后合成时可以抵消）

原始语音y

提取一通道 抗混叠滤波 分析滤波器组 U律pcm编码 处理后语音y_he · 重构滤波器组 U律pcm编码 整体框图

频带分解（主要）

(下附matlab源程序语音为wav格式自己录音)

%主程序

clear all ;close all;clc;

N=4096*50;%采集点数

[y,fs,bits]=wavread('tangshi',N); %读取音频信息（双声道） Fs=fs ; ts = 1/fs;

%仅处理1通道信号

y1=y(:,1)' ;%the signal of channel one

%y2=y(:,2) ;%the signal of channel two

t=0:1/fs:(N-1)/fs;%time %原始语音信号读取

sound(y1,fs); %原始语音信号画图 figure(1) ;

subplot(2,1,1) ;

plot(t,y1) ;%1通道信号

title('原始信号y1') ; %预滤波

%语音信号预处理人耳可识别范围（300~3400），因此多于此频率的信号可以滤掉而不用传输

[y1_yu,fs_yu]=pre_process(y1,fs) ;

subplot(2,1,2) ;

plot(t(1:fs/fs_yu:3*floor(length(t)/3)),y1_yu) ;%滤波后的信号时域波形

title('预滤波后的信号y1_yu') ;

%对上面两个信号进行频谱分析 Y1 = fft(y1); Y1_YU = fft(y1_yu); %画出图形 figure(2) ; subplot(2,1,1) dfs= fs/length(Y1);

H1 = abs(Y1(1:length(Y1)/2)); f1 = 0:dfs:fs-dfs; f1 = f1(1:length(Y1)/2); plot(f1,H1)

axis([0,10000,0,max(abs(fftshift(Y1)))]) title('原始信号频谱y1')

subplot(2,1,2)

H2 = abs(Y1_YU(1:length(Y1_YU)/2)); f2=0:dfs:fs_yu-dfs; f2 = f2(1:length(Y1_YU)/2); plot(f2,H2)

axis([0,10000,0,max(abs(fftshift(Y1_YU)))])

title('抗混叠滤波后y1_yu的信号频谱，fl=300Hz，fh=3400Hz') %抗混叠滤波后语音信号读取

sound(y1_yu,fs_yu); %分解

[yu1,yu2]=fenjie(y1_yu,fs_yu) ; %y1 %2次分解

[y1_1,y1_2]=fenjie(yu1,fs_yu) ; %3次分解

[y1_11,y1_12]=fenjie(y1_1,fs_yu) ; [y1_21,y1_22]=fenjie(y1_2,fs_yu) ; %y2 %2次分解

[y2_1,y2_2]=fenjie(yu2,fs_yu) ; %3次分解

[y2_11,y2_12]=fenjie(y2_1,fs_yu) ; [y2_21,y2_22]=fenjie(y2_2,fs_yu) ;

%分解图示 figure

subplot(4,1,1) plot(f2,H2);

title(['原始信号频谱，fs=',num2str(fs_yu)])

subplot(4,2,3) hy1 = abs(fft(yu1)); fhy1=0:dfs:fs_yu/2-dfs; fhy1 = fhy1(1:length(hy1)/2); plot(fhy1,hy1(1:length(hy1)/2)) title(['1次分解，fs=',num2str(fs_yu/2)])

subplot(4,2,4) hy2 = abs(fft(yu2)); fhy2=0:dfs:fs_yu/2-dfs; fhy2 = fhy2(1:length(hy2)/2); plot(fhy2,hy2(1:length(hy2)/2))

subplot(4,4,9) hy1_1 = abs(fft(y1_1)); fhy1_1=0:dfs:fs_yu/4-dfs;

fhy1_1 = fhy1_1(1:length(hy1_1)/2); plot(fhy1_1,hy1_1(1:length(hy1_1)/2))

title(['2次分解，fs=',num2str(fs_yu/4)])

subplot(4,4,10) hy1_2 = abs(fft(y1_2)); fhy1_2=0:dfs:fs_yu/4-dfs;

fhy1_2 = fhy1_2(1:length(hy1_2)/2); plot(fhy1_2,hy1_2(1:length(hy1_2)/2))

subplot(4,4,11) hy2_1 = abs(fft(y2_1)); fhy2_1=0:dfs:fs_yu/4-dfs;

fhy2_1 = fhy2_1(1:length(hy2_1)/2); plot(fhy2_1,hy2_1(1:length(hy2_1)/2))

subplot(4,4,12) hy2_2 = abs(fft(y2_2)); fhy2_2=0:dfs:fs_yu/4-dfs;

fhy2_2 = fhy2_2(1:length(hy2_2)/2); plot(fhy2_2,hy2_2(1:length(hy2_2)/2))

subplot(4,8,25)

hy1_11 = abs(fft(y1_11));

本文来源：https://www.bwwdw.com/article/934f.html