作者:桂. 时间:2017-03-26  06:06:44 链接:http://www.cnblogs.com/xingshansi/p/6621185.html 声明:欢迎被转载,不过记得注明出处哦~ [读书笔记04] 前言 仍然是西蒙.赫金的<自适应滤波器原理>第四版第二章,首先看到无约束维纳滤波,接着到了一般约束条件的滤波,此处为约束扩展的维纳滤波,全文包括: 1)背景介绍: 2)广义旁瓣相消(Generalized Sidelobe Cancellation, GSC)理论推导: 3)

本课题隶属于学校的创新性课题研究项目.2012年就已经做完了,今天一并拿来发表.   目录: --基于谱减法的语音信号增强算法..................................................................... 1 一:语音增强技术概述........................................................................................ 3 二:语音增强的目的.....

近些年,随着实时通信技术的发展,在线会议逐渐成为人们工作中不可或缺的重要办公工具,据不完全统计,线上会议中约有 75% 为纯语音会议,即无需开启摄像头和屏幕共享功能,此时会议中的语音质量和清晰度对线上会议的体验便至关重要. 作者|七琦 审校|泰一 前言 在现实生活中,会议所处的环境是极具多样性的,包括开阔的嘈杂环境.瞬时非平稳的键盘敲击声音等,这些对传统的基于信号处理的语音前端增强算法提出了很大的挑战.与此同时伴随着数据驱动类算法的快速发展,学界 [1] 和工业界 [2,3,4] 逐渐涌现出了深

首先,HHT中用到的EMD详细介绍:https://wenku.baidu.com/view/3bba7029b4daa58da0114a9a.html 本文具体参考 https://zhuanlan.zhihu.com/p/40005057 为什么要用EMD? 对于信号的处理,可以是在频域,时域,或者时频域,其中信号在时频处理的方法有小波变换和EMD,但是小波变换是基于指定小波基的分析,一旦指定小波基,就是的分解出来的模式固定,而对于不同信号的分析最好采用不同的小波基以达到最好的处理效果:对应

视网膜-大脑皮层(Retinex)理论认为世界是无色的,人眼看到的世界是光与物质相互作用的结果,也就是说,映射到人眼中的图像和光的长波(R).中波(G).短波(B)以及物体的反射性质有关 其中I是人眼中看到的图像,R是物体的反射分量,L是环境光照射分量,(x, y)是二维图像对应的位置 基于上面的原理,看下Retinex常见的几种增强算法 一.     SSR(Single Scale Retinex)单尺度Retinex算法 它通过估算L来计算R,具体来说,L可以通过高斯模糊和I做卷积运算求得

[红外DDE算法]数字细节增强算法的缘由与效果(我对FLIR文档详解) 1. 为什么红外系统中图像大多是14bit(甚至更高)?一个红外系统的性能经常以其探测的范围来区别,以及其对最小等效温差指标.首先是探测的范围,就是常说的动态范围,意思是探测器能够检测到温度红外信号的范围.然后是最小等效温差,意思是探测器能够检测到的最小温度差.这就好比一把尺子,有两个重要指标.第一,就是尺子的量程,意思是它能丈量多少长度范围的物体:第二,就是尺子的最小刻度,就是它能够分辨多少精度的长度.在自然界中,红外信号

夜晚场景图像ISP增强算法 输入输出接口 Input: (1)图像视频分辨率(整型int) (2)图像视频格式(RGB,YUV,MP4等) (3)摄像头标定参数(中心位置(x,y)和5个畸变 系数(2径向,2切向,1棱向),浮点型float) (4)摄像头初始化参数(摄像头初始位置和三个坐标方向 的旋转角度,车辆宽度高度车速等等,浮点型float) Output: (1)图像视频分辨率(浮点型float) (2)图像视频格式  (RGB,YUV,MP4等) (3)调整策略:曝光时间,GAMMA曲

本文介绍了ICASSP2022 DNS Challenge第二名阿里和新加坡南阳理工大学的技术方案,该方案针对卷积循环网络对频率特征的提取高度受限于卷积编解码器(Convolutional Encoder-Decoder, CED)中卷积层有限的感受野的问题,将阿里达摩院之前的FSMN与发展自DCCRN/DCCRN的CRN with CCBAM结合.本文提出了一种频率递归卷积循环网络(frequency recurrence Convolutional Recurrent Network, FR

//string替换     void string_replace(string & strBig, const string & strsrc, const string &strdst)     {         string::size_type pos=0;         string::size_type srclen=strsrc.size();         string::size_type dstlen=strdst.size();         whi

    //递归读取目录下全部文件(flag为r的时候递归)     void getFiles(string path, vector<string>& files,string flag){         //文件句柄         long   hFile   =   0;         //文件信息         struct _finddata_t fileinfo;         string p;         if((hFile = _findfirst(p

注:本篇博文是根据其他优秀博文编写的,我只是对其改变了知识的排序,另外代码是<机器学习实战>中的.转载请标明出处及参考资料. 1 Adaboost 算法实现过程 1.1 什么是 Adaboost 算法 Adaboost是英文"Adaptive Boosting"(自适应增强)的缩写,它的自适应在于:前一个基本分类器被错误分类的样本的权值会增大,而正确分类的样本的权值会减小,并再次用来训练下一个基本分类器.同时,在每一轮迭代中,加入一个新的弱分类器,直到达到某个预定的足够小的

这是一篇2010年比较古老的文章了,是在QQ群里一位群友提到的,无聊下载看了下,其实也没有啥高深的理论,抽空实现了下,虽然不高大上,还是花了点时间和心思优化了代码,既然这样,就顺便分享下优化的思路和经历. 文章的名字为:Contrast image correction method,由于本人博客的后台文件已经快超过博客园所容许的最大空间,这里就不直接上传文章了,大家可以直接点我提供的链接下载. 文章的核心就是对普通的伽马校正做改进和扩展,一般来说,伽马校正具有以下的标准形式: 其中I(i,j)

电子助视仪 是一种将原始彩色图像转换为某种对比度高的图像,例如将原始图像变换为黑底白字,红底白字,白底红字,蓝底黄字,黄字蓝底等等.电子助视仪的主要应用场景为为老人或者特殊弱视人群的阅读.国内国外均有公司是专门做这样设备的,比如诺基亚,ZOOMAX.UEMAX等等.ZOOMAX的效果尤其好,颜色对比度强烈,色彩饱和,细节做得很极致.为此我决定做一个类似于他们的效果的算法,并将至应用到手机app中或者移植到硬件中.天道酬勤,经理了半个多月和好朋友的积极讨论,和算法验证,终于做出了和ZOOMAX一样

CString ExportListToExcel(CString  sExcelFile,CListCtrl* pList, CString strTitle)     {         CString warningStr;         if (pList->GetItemCount ()>0) {                 CDatabase database;                                       CString sSql;      

    //获得当前目录路径     static CString GetLocalPath(){         CString csCfgFilePath;         GetModuleFileName(NULL, csCfgFilePath.GetBufferSetLength(MAX_PATH+1), MAX_PATH);          csCfgFilePath.ReleaseBuffer();          int nPos = csCfgFilePath.Revers

//创建或续写目录下的csv文件,填写“文件位置-分类”对     int writeCsv(const string& filename,const Vector<pair<string,string>>srcVect,char separator ){         ofstream file(filename.c_str(),ofstream::app);         if (!file)             return 0;         for (i

作者:桂. 时间:2017-05-24  08:06:45 主要是<Speech enhancement: theory and practice>的读书笔记,全部内容可以点击这里. 1.语音增强(speech enhancement)主要从攻/防两面入手:quality + intelligibility,quality希望噪声尽可能抑制; intelligibility希望语音信号失真不严重,很多算法只从quality角度去分析问题. 2.语音增强的影响因素很多: 应用场景 比如空旷的原野

文中提出了一种深度网络来解决单通道语音增强问题. 链接:https://arxiv.org/abs/1911.01902 简介 因为背景噪声和混响的存在,录音通常会被扭曲,会对后端的语音识别等技术产生负面影响.单通道的语音增强算法一般有以下几种:Spectral estimation methods(OMLSA,etc),Source separation methods,Mapping methods.DNNs方法属于最后一种.DNN在训练过程中能够处理大量不同种类的噪声信号,这使其可以同时用

论文地址:基于通用传递函数GSC和后置滤波的语音增强 博客作者:凌逆战 博客地址:https://www.cnblogs.com/LXP-Never/p/12232341.html 摘要 在语音增强应用中,麦克风阵列后置滤波可进一步减少波束形成器输出处的噪声成分.在麦克风阵列结构中,最近提出的通用传递函数广义旁瓣消除器(TF-GSC)在定向噪声场中显示出令人印象深刻的降噪能力,同时仍保持低语音失真.但是,在扩散噪声场中,可获得的降噪效果不明显.当噪声信号不稳定时,性能甚至会进一步下降. 在本文中

论文地址:一种低复杂度实时增强全频带语音的感知激励方法 论文代码 引用格式:A Perceptually Motivated Approach for Low-complexity, Real-time Enhancement of Fullband Speech 摘要 近几年来,基于深度学习的语音增强方法大大超过了传统的基于谱减法和谱估计的语音增强方法.许多新技术直接在短时傅立叶变换(STFT)域中操作,导致了很高的计算复杂度.在这项工作中,我们提出了PercepNet,这是一种高效的方法,它