Suppression du bruit dans les signaux parole avec les méthodes basées sur des modèles statistiques

Abstract

Dans ce travail, nous avons étudié trois méthodes de rehaussement de la parole (ML, MAP et MMSE) basées sur l’estimation des densités de probabilités des coefficients de la transformée de Fourier du signal bruité qui utilisent le théorème de Bayes pour optimiser le modèle séparation signal-bruit. Ces méthodes intègrent la propriété du système auditif humain pour améliorer la perception et la qualité de la parole rehaussée. D'une part, le théorème de Bayes estime le meilleur modèle probabiliste de signal propre, et réduit donc la distorsion du signal de parole. D'autre part, l'utilisation des propriétés perceptives réduit l'effet du bruit musical. Les résultats de l'évaluation des performances en utilisant diverses mesures objectives et subjectives bien connues (PESQ, SegSNR, SIG, BAK, OVRL, WSS et LLR) confirment l'efficacité du ML par rapport aux autres méthodes. Les résultats obtenus nous amènent à dire que l'incorporation du théorème de Bayes dans le rehaussement perceptif de parole effectue un bon compromis entre la réduction du bruit musical et l'ensemble de qualité du signal vocal rehaussé.