Audio Denoising

Ein MATLAB-Projekt zur Rauschunterdrückung in Audiosignalen mit verschiedenen Filterverfahren.

Übersicht

Dieses Projekt implementiert verschiedene Algorithmen zur Rauschunterdrückung in Audiosignalen:

• Fourier-Filter: Frequenzbereichsfilterung mit verschiedenen Strategien
• Wavelet-Filter: Multiskalenanalyse mit Schwellwertverfahren
• Wiener-Filter: Statistisches Optimalfilter basierend auf Rauschcharakteristiken

Projektstruktur

audio-denoising/
├── src/
│   ├── main_denoising.m          # Hauptskript
│   ├── fourier_filter.m          # Fourier-basierte Filter
│   ├── wavelet_filter.m          # Wavelet-basierte Filter
│   ├── wiener_filter.m           # Wiener-Filter
│   ├── noise_generator.m         # Rauschgenerator
│   └── audio_utils.m             # Hilfsfunktionen
├── README.md
└── LICENSE

Funktionen

1. Fourier-Filter (fourier_filter.m)

• Tiefpassfilter: Entfernt hochfrequente Störungen
• Spektrale Subtraktion: Reduziert Rauschen basierend auf Rauschspektrum
• Adaptive Filterung: Anpassung an lokale Signaleigenschaften

2. Wavelet-Filter (wavelet_filter.m)

• Soft/Hard Thresholding: Verschiedene Schwellwertverfahren
• Multiskalenanalyse: Filterung auf verschiedenen Auflösungsebenen
• Wavelet-Auswahl: Verschiedene Wavelets (Daubechies, Biorthogonal, etc.)

3. Wiener-Filter (wiener_filter.m)

• Klassisches Wiener-Filter: Statistisch optimale Filterung
• Adaptives Wiener-Filter: Anpassung an lokale Statistiken
• Rauschschätzung: Automatische Rauschparameterbestimmung

Installation und Verwendung

Voraussetzungen

• MATLAB R2018b oder neuer
• Signal Processing Toolbox
• Wavelet Toolbox (für Wavelet-Filter)

Schnellstart

1. Projekt herunterladen:

   git clone https://github.com/PaxonicYT/audio-denoising-matlab.git
   cd audio-denoising-matlab

2. MATLAB starten und zum Projektordner navigieren

3. Hauptskript ausführen:

   cd src
   main_denoising

Beispiele

Sprachreinigung:

cd examples
demo_speech

Musikreinigung:

cd examples
demo_music

Verwendung der Filter

Fourier-Filter

% Beispiel: Tiefpassfilter
filtered_signal = fourier_filter(noisy_signal, fs, 'lowpass', 4000);

% Beispiel: Spektrale Subtraktion
filtered_signal = fourier_filter(noisy_signal, fs, 'spectral_subtraction', noise_estimate);

Wavelet-Filter

% Beispiel: Soft Thresholding mit Daubechies Wavelet
filtered_signal = wavelet_filter(noisy_signal, 'db4', 'soft', 0.1);

% Beispiel: Adaptive Schwellwertbestimmung
filtered_signal = wavelet_filter(noisy_signal, 'db8', 'adaptive');

Wiener-Filter

% Beispiel: Klassisches Wiener-Filter
filtered_signal = wiener_filter(noisy_signal, noise_power, signal_power);

% Beispiel: Adaptives Wiener-Filter
filtered_signal = wiener_filter(noisy_signal, 'adaptive', 'frame_length', 1024);

Parameter und Konfiguration

Allgemeine Parameter

• fs: Sampling-Frequenz
• frame_length: Rahmenlänge für blockweise Verarbeitung
• overlap: Überlappung zwischen Rahmen

Fourier-Filter Parameter

• cutoff_freq: Grenzfrequenz für Tiefpassfilter
• alpha: Subtraktionsfaktor für spektrale Subtraktion
• beta: Übersubtraktionsfaktor

Wavelet-Filter Parameter

• wavelet: Wavelet-Typ ('db4', 'db8', 'bior4.4', etc.)
• threshold_method: 'soft', 'hard', oder 'adaptive'
• threshold_value: Schwellwert (falls nicht adaptiv)
• levels: Anzahl der Decomposition-Level

Wiener-Filter Parameter

• noise_power: Rauschleistung (falls bekannt)
• signal_power: Signalleistung (falls bekannt)
• estimation_method: 'manual', 'adaptive', oder 'vad'

Bewertungsmetriken

Das Projekt berechnet automatisch folgende Qualitätsmetriken:

• SNR (Signal-to-Noise Ratio): Verhältnis von Signal zu Rauschen
• PESQ: Perceptual Evaluation of Speech Quality
• STOI: Short-Time Objective Intelligibility
• Spektrale Distanz: Frequenzbereichs-Ähnlichkeit

Beispiel-Output

=== Audio Denoising Results ===
Original SNR: 5.2 dB
Fourier Filter SNR: 12.8 dB (Improvement: 7.6 dB)
Wavelet Filter SNR: 14.1 dB (Improvement: 8.9 dB)
Wiener Filter SNR: 15.3 dB (Improvement: 10.1 dB)

Processing time: 2.3 seconds

Erweiterte Funktionen

Batch-Verarbeitung

% Verarbeitung mehrerer Dateien
batch_process('input_folder/', 'output_folder/', 'wiener');

Echtzeitverarbeitung

% Streaming-Verarbeitung
realtime_denoising('input_device', 'output_device', 'wavelet');

Visualisierung

• Spektrogramm-Vergleiche
• Wavelet-Koeffizienten-Darstellung
• Filter-Frequenzgänge
• SNR-Verlauf über Zeit

Tipps zur Optimierung

1. Rauschtyp bestimmen: Verschiedene Filter funktionieren besser für verschiedene Rauschtypen
2. Parameter anpassen: Experimentieren Sie mit verschiedenen Parametern für Ihre spezifischen Audiosignale
3. Kombinierte Ansätze: Versuchen Sie, verschiedene Filter in Kaskade zu schalten
4. Preprocessing: Normalisierung und Vorfilterung können die Ergebnisse verbessern

Troubleshooting

Häufige Probleme

• Überfilterung: Zu aggressive Parameter können das Signal verzerren
• Artefakte: Blockweise Verarbeitung kann zu Discontinuitäten führen
• Performance: Große Dateien benötigen mehr Speicher und Rechenzeit

Lösungsansätze

• Verwenden Sie Overlap-Add-Methoden für blockweise Verarbeitung
• Experimentieren Sie mit verschiedenen Fensterfunktionen
• Implementieren Sie progressive Verarbeitung für große Dateien

Beiträge und Entwicklung

Beiträge sind willkommen! Bitte beachten Sie:

1. Code-Dokumentation auf Deutsch oder Englisch
2. Einheitliche Codierungsstandards
3. Testen Sie neue Features mit verschiedenen Audiotypen
4. Aktualisieren Sie die Dokumentation entsprechend

Lizenz

MIT License - siehe LICENSE-Datei für Details.

Kontakt

Bei Fragen oder Problemen erstellen Sie bitte ein Issue auf GitHub.

---

Hinweis: Dieses Projekt ist für Bildungszwecke und Forschung gedacht. Für kommerzielle Anwendungen beachten Sie bitte die entsprechenden Lizenzbestimmungen der verwendeten Algorithmen.