噪音消除指的是消除、削弱或抑制圖像中的隨機變化干擾。它是由測量誤差和成像過程中一些不確定的隨機因素形成的效應，統稱為噪聲。噪聲消除是圖像恢復的任務之一。系統噪聲一般被視為點擴散函數的函數，作為圖像退化模型的一個組成部分，如大氣擾動，在建模時考慮隨機噪聲，在圖像復原過程中消除。

噪聲消除

如果噪聲模型是預先已知的，則可以為該模型設置濾波器以有效地消除它，例如同步噪聲常用頻域濾波方法對圖像進行傅里葉變換，設計合適的濾波器提取主要噪聲成分逆變換后得到噪聲圖像，從原始圖像中減去加權噪聲圖像，即去噪圖像權函數的選擇原則是在一定大小的區域內使校正圖像的方差最小。圖像的隨機噪聲往往以高頻為特征，通過圖像平滑或低通濾波來消除，如平滑濾波、中值濾波、條件濾波和各種自適應濾波方法等。

在通信系統中，噪聲是指不攜帶有用信息的電信號，是除有用信號以外的所有信號的統稱。本節簡要討論信道中各種噪聲的分類和特性，定性說明它們對信號傳輸的影響。噪音有許多來源根據它們來源的不同，大致可以分為以下四類：

1)無線電噪聲。各種用途的無線電發射機。這種噪聲的頻率范圍很廣，從甚低頻到超高頻，都可能有無線電干擾，干擾強度有時很大。但是這種噪聲干擾有一個特點，就是干擾的頻率范圍是固定的，所以可以提前預防。特別是加強無線電頻率管理后，無論在頻率的穩定性、精度和諧波輻射受到嚴格控制，因此信道中信號的影響降至最低。

2)工業噪聲。從各種電器設備，比如電線、電源開關、電車、電力鐵道、高頻電爐等。這種噪聲干擾的來源分布很廣，無論是城市還是農村，內陸還是邊疆，都有工業干擾。但這種干擾還有一個特點，就是干擾的頻譜集中在較低的頻率范圍，比如幾十MHz。因此，選擇工作在該頻帶之上的信道可以防止來自它的干擾。另外，在干擾源方面也可以減少干擾，比如消除波形失真、加強屏蔽和過濾措施、防止接觸不良等。

3)天電噪聲。來源于雷電、太陽黑子、磁暴和宇宙射線等。可以說整個宇宙都是這種噪音的來源，所以這種噪音干擾是客觀存在的。由于這種自然現象和發生的時間、季節、地區等等都是相關的，所以來自天空和電的干擾的影響也是不同的。這種干擾占用的頻譜也很廣，而且不像無線電干擾，頻率是固定的，很難防止這種干擾的影響。

4)內部噪聲。從頻道本身包含的各種電子設備、轉換器和傳輸線等。比如電阻和各種導體在分子熱運動的影響下會產生熱噪聲，晶體管或電子管等電子器件由于電子發射不均勻會產生器件噪聲。這種噪聲干擾是由自由電子的不規則運動形成的，所以它的波形也是不規則變化的，通常稱為漲落噪聲。這種噪聲干擾在數學上可以用隨機過程來描述，所以可以稱為隨機噪聲。

1.高斯白噪聲

高斯白噪聲是指概率密度函數的統計特性滿足高斯分布，功率譜密度函數為常數的噪聲。必須同時滿足這兩個條件的噪聲是高斯白噪聲，滿足第一個條件的噪聲是高斯噪聲，滿足第二個條件的噪聲是白噪聲。

在通信系統的理論分析中，特別是在分析、在計算系統的抗噪聲性能時，往往假設系統信道中的噪聲為高斯白噪聲。這是因為，第一，高斯白噪聲可以用具體的數學表達式表示，便于推導分析和運算；其次，高斯白噪聲確實反映了特定信道中的噪聲，真實地代表了信道噪聲的特性。

2.高斯有色噪聲

統計特性服從高斯分布，功率譜密度不滿足懷特特性，即功率譜不是常數。大多數音頻噪音，如風扇噪音、行駛的汽車和四處走動的人產生的噪音等。由于信道的影響，有時白噪聲通過信道后會變成色噪聲。

3.脈沖噪聲

本文應用了具有穩定分布的脈沖噪聲模型。在通信、雷達、在水聲和聲納領域遇到的信號和噪聲中，有大量具有突出尖峰特征的信號和噪聲，它們顯著偏離傳統的高斯分布，通常應用更廣泛“穩定分布模型被用來描述這種具有強脈沖的隨機信號。

4.工頻干擾

我國市電頻率為50Hz，交流電源產生的電磁干擾稱為工頻干擾。

在許多學術論文中，已經討論或提出了各種噪聲消除算法及其改進一般來說，這些噪聲消除算法可以分為兩組：single-mic（single-麥克風）噪聲消除和多重-mic（并聯-麥克風）兩種噪聲消除算法。Single-Mic 噪聲消除和乘法-與mic 相比，MIC  具有適用于各種噪聲源混響抑制能力強等優點。但是對于3G系統，手機的硬件結構決定了不能使用多個-麥克風噪聲消除算法。

近十年推薦單曲-Mic 噪聲消除算法主要基于譜減法（光譜 減法,簡稱圣人）算法，這是基于短時頻譜分析（短 時間 光譜分析,簡稱STSA）的MMSE-STSA 算法由于計算簡單，主觀評價后性能最好，所以應用最為廣泛。

為了增強語音信號，噪聲消除算法需要能夠：

a）增強語音的可懂度和自然屬性；

b）提高信噪比；

c）短的信號時延；

d）計算量小；

信號增強的質量度量是一個多重問題，可以用語音增強前后的可懂度和自然屬性來描述。當干凈的語音和噪聲混合成一個信道信號時，純信號和純噪聲占用相同的頻帶，可能有一定的相關性。這時，從嘈雜的語音中剔除噪聲，提取干凈的語音，必然會對語音和噪聲都產生影響。

很難從嘈雜的語音中區分噪音和語音一方面，干凈的語音可能作為噪聲被抑制，尤其是語音信號中的摩擦聲和脈沖聲的頻譜波形非常相似，很容易被抑制。另一方面，含噪語音中的噪聲會保留錄音環境中背景噪聲的所有特征，一些典型的噪聲抑制算法在抑制信道噪聲時也會產生一種新的合成噪聲，稱為“音樂 噪音”這種合成噪聲仍然會嚴重干擾聽者。

噪聲消除算法設計的另一個目標是限制信號延遲，因為大的信號延遲會干擾通話期間的情況。同樣，計算量較小的噪聲消除算法將保證信號處理的實時性。

已核實，MMSE-STSA的主觀評價是最可靠的，它具有使短時譜幅度估計的均方誤差最小化的特點，并且它不產生“音樂 噪音”在無噪聲的情況下，提供了良好的消聲效果。和改進的MMSE-LSA 算法比MMSESTSA具有更好的抑制性“音樂 噪音”，消除噪音的能力。下面分析MMSE-LSA 算法的噪聲消除原理。

MMSE-LSA主要由七個模塊組成：短時傅里葉分解、語音激活檢測（VAD）模塊、噪聲估計、后驗和先驗信噪比估計、光譜增益計算和短時傅里葉合成。短時傅立葉分解模塊對含噪語音進行離散傅立葉變換計算，得到其頻譜幅度和相位，其中頻譜幅度用頻譜增益加權以增強語音。加權后的幅度和相位相乘，并發送到短時傅立葉合成模塊進行離散傅立葉逆變換。在逆變換之后，執行折疊相加操作以獲得時域中的增強語音信號。MMSE-LSA算法主要關注頻譜增益的計算，它決定了噪聲抑制的程度。為了計算頻譜增益，必須首先獲得后驗信噪比估計和先驗信噪比估計，而這些信噪比估計是基于噪聲功率譜的估計而獲得的，噪聲功率譜是通過計算非語音階段含噪語音的頻譜幅度而獲得的。非語音階段的檢測主要通過VAD模塊進行。