Цифровая обработка изображений динамических сонограмм для нейтрализации спектральных искажений речевой информации

• Автор: Алюшин, Виктор Михайлович
• Шифр специальности: 05.13.01, 05.13.19
• Научная степень: Кандидатская
• Год защиты: 2014
• Место защиты: Москва
• Количество страниц: 217 с. : ил.

Оглавление
Введение
1 Анализ существующих технологий восстановления искаженных речевых сигналов
1.1 Речевая информация (РИ) и способы ее оценивания
1.1.1 Разборчивость и понятность как основные показатели целостности смыслового содержания РИ
1.1.2 Особенности процесса речеобразования и слухового восприятия речи
1.1.3 Связь спектральных описаний речевого сигнала с его разборчивостью и фонетической функцией
1.2 Причины и виды спектральных искажений речевой информации
1.2.1 Искажения, обусловленные акустической средой распространения звуковой волны
1.2.2 Искажения речевых сообщений в каналах голосовой связи
1.2.3 Искажения речепреобразующих процессов и устройств
1.2.4 Спектральные искажения без потери исходной РИ
1.2.5 Спектральные искажения с частичной потерей РИ
1.3 Модели нарушителя и угроз информации в выделенных помещениях
1.4 Анализ методов и средств нейтрализации речевых искажений
1.4.1 Методы полосовой фильтрации и клиппирования
1.4.2 Методы адаптивного подавления помех
1.4.3 Методы коррекции спектра РС
1.4.4 Методы сглаживания спектра РС
1.4.5 Технология «звук-изображение-звук»

1.4.6 Сравнительная характеристика наиболее распространенных на российском рынке средств обработки речи
1.5 Постановка задачи и требования к программно-техническим средствам с учетом особенностей современных многоядерных процессоров
Выводы по главе
2 Исследование возможностей образного анализа-синтеза речи к реконструкции и восстановлению искаженных аудиоданных
2.1 Уточнение аналитических описаний речевого сигнала
2.1.1 Анализ традиционных описаний речевого сигнала на вокализованных участках
2.1.2 Уточненное Гауссовское описание речевых вокализмов
2.2 Кратковременный Фурье-анализ и графическое представление речевых сигналов в частотно-временной области
2.2.1 Обоснование выбора шага частотно-временной сетки
2.2.2 Обоснование выбора оконной функции
2.3 Совершенствование методов восстановления речеподобных сигналов по изображениям узкополосных спектрограмм
2.3.1 Общие подходы к синтезу речеподобных сигналов по изображениям спектрограмм
2.3.2. Синтез речи с использованием оригинальной фазограммы
2.3.3 Синтез речи с использованием фазограммы с искусственной протяжкой фазы
2.3.4 Сравнение различных видов синтезов
2.4.Тестирование алгоритмов синтеза звука для случая произвольного изображения
Выводы по главе
3 Разработка и тестирование графического инструментария для восстановления искаженной речи на основе образного анализа-синтеза сонограмм
3.1 Масштабирование и сдвиг изображений сонограмм
3.1.1 Билинейная фильтрация
3.1.2 Интерполяция с помощью ДПФ
3.2 Расслоение, “склейка” и нелинейная фильтрация частотно-временных описаний
3.2.1 Инструменты “Ластик” и “Антиластик”
3.2.2 «Коридор визуализации»
3.2.3 Обработка мультипликативно искаженных спектральных описаний с целью восстановления фонетической функции речи
3.2.4 Медианная фильтрация
3.2.5 Выделение областей спектрограммы
3.2.6 Удаление мешающих аддитивных шумов и квазигармонических сигналов
3.3 Восстановление гармонической и формантной структур искаженных речевых сообщений
3.3.1 Метод восстановления гармонической структуры искаженного речевого сигнала на фоне шумов
3.3.2 Восстановление гармонической структуры РС с потерей информации в частотных полосах
3.3.3 Протяжка по времени линий гармоник основного тона
3.3.4 Восстановление формантной структуры искаженного речевого сигнала при наличии базы данных голоса диктора

связи и энергетических характеристик звуков в речевой волне и описывается ФФ или, другими словами, ФОСД (функцией ощущения спектральной динамики), выражение которой представляется в виде [99]:
где S(ü)j t) и 5(а)71-г)- соответственно спектральная плотность PC в моменты времени t и t-т на определяющей (средней) частоте о), соответствующей, например, равноартикуляционной полосе частот или стандартной частотной полосе канала ТЧ 0.3...3.4 кГц. Интервал времени т, определяющий соседние спектральные разрезы, обычно составляет т = 20мс, что соответствует 50 отсчетам в секунду.
Исследования A.A. Пирогова показали, что каждая фонема отличается главным образом характерным для этой фонемы временным изменением спектрального распределения, а не самим спектральным распределением для данной фонемы [99]. Другими словами, распознавание фонемы обусловлено, в первую очередь, характерным процессом нарастания и спадания интенсивности частотных составляющих ее спектра.
Смысл рассмотренной ФФ (1.10) с информативной точки зрения заключается в том, что она характеризует приращение количества информации на временном интервале времени т (А /т);
Приращение количества информации и значение ФФ удовлетворяют условиям
в основном на начальном и конечном участках гласных звуков. На интервале времени, когда гласный звук сформировался и остается неизменным, что соответствует одной и той же форме РС:
(1.10)
(1.11)
Л1т>0, P[a),t)>о,
(1.12)
5w(t) » 5ü)(t-r), Р(о>, t) ~ О,
(1.13)