1. 项目概述：语音信号去噪实战
每次打开Matlab准备处理语音信号时，我总会先泡杯咖啡——这活儿需要点耐心和细致。今天要玩的是用巴特沃斯滤波器给音频文件做降噪处理，就像给老唱片做数字修复。我们会从硬盘里拽个wav文件进来，我习惯用audioread直接读取，这个函数简单粗暴又好用。
这个项目的核心是通过数字滤波技术去除音频中的噪声。我们会处理两种典型噪声：800Hz的单频正弦噪声（类似设备产生的固定蜂鸣声）和全频段的高斯白噪声（类似收音机的沙沙声）。过程中不仅要调用Matlab现成的butter函数设计滤波器，还会自己动手实现DFT（离散傅里叶变换）算法，虽然性能比不上内置的fft，但能帮你真正理解频谱分析的本质。
2. 基础准备与信号分析
2.1 音频读取与预处理
首先用audioread加载音频文件，这里我用的是周杰伦的《晴天》片段。注意第二个返回值fs是采样率，这个参数后面设计滤波器时会用到：
matlab复制[raw, fs] = audioread('周杰伦_晴天.wav');
soundsc(raw(1:fs*3,1), fs); % 播放前3秒单声道
小技巧：soundsc会自动归一化音量，比sound函数更安全，避免突然的大音量惊吓。取单声道(raw(:,1))是因为立体声处理需要分别对左右声道操作，初学者先搞定单声道更简单。
时域波形可以直接用plot绘制，横轴要转换成时间单位秒才直观：
matlab复制t = (0:length(raw)-1)/fs;
subplot(211); plot(t, raw);
xlabel('时间(s)'); ylabel('振幅');
title('原唱时域：杰伦在唱歌');
2.2 手动实现DFT分析
频谱图是分析噪声的关键工具。虽然Matlab有现成的fft函数，但自己实现DFT更能理解原理。下面这个三重循环的myDFT函数严格按DFT定义实现：
matlab复制function X = myDFT(x)
N = length(x);
X = zeros(1,N);
for k = 0:N-1
for n = 0:N-1
X(k+1) = X(k+1) + x(n+1)*exp(-1j*2*pi*k*n/N);
end
end
end
虽然时间复杂度是O(N²)，但对短音频教学演示完全够用。绘制频谱时要注意横轴频率刻度：
matlab复制freq = linspace(0, fs, length(raw));
raw_fft = myDFT(raw(:,1));
subplot(212); plot(freq, abs(raw_fft));
xlabel('频率(Hz)'); ylabel('幅度');
title('杰伦歌声的频谱，高频在抖腿');
避坑指南：exp函数中的-1j表示负虚数单位，DFT公式本来就是用复数表示的。abs取模后才能绘制幅度谱，否则会得到复数错误。
3. 噪声添加与特性分析
3.1 添加正弦波噪声
模拟设备常见的固定频率干扰，我们加个800Hz正弦波。注意两点：1)振幅要适中，0.3倍原始信号幅度比较明显但不会完全覆盖人声；2)加随机相位避免波形过于规则：
matlab复制noise = 0.3*sin(2*pi*800*t' + randn*pi);
noisy_sig = raw(:,1) + noise(1:length(raw));
soundsc(noisy_sig, fs); % 能听到持续蜂鸣声
频谱上会明显看到800Hz处冒出一个尖峰，就像频谱图上的"青春痘"。
3.2 添加高斯白噪声
高斯白噪声模拟的是随机干扰，比如传输线路中的热噪声。用randn生成正态分布随机数，0.2倍幅度比较接近现实中的背景噪声：
matlab复制gauss_noise = 0.2*randn(size(raw(:,1)));
gauss_sig = raw(:,1) + gauss_noise;
这种噪声在频谱上表现为全频段的均匀"毛刺"，就像给整个频谱盖了层雪花。
4. 巴特沃斯滤波器设计与实现
4.1 滤波器参数设计
巴特沃斯滤波器的核心特点是通带内最大平坦，我们选用6阶低通滤波器。截止频率设为500Hz是因为人声主要能量集中在300Hz以下，500Hz能保留大部分语音信息同时过滤800Hz噪声：
matlab复制order = 6;
cutoff = 500/(fs/2); % 归一化截止频率
[b,a] = butter(order, cutoff, 'low');
关键细节：cutoff要除以fs/2进行归一化，因为butter函数要求截止频率在0-1之间，1对应奈奎斯特频率(fs/2)。
4.2 零相位滤波处理
普通滤波会产生相位延迟，导致音乐节奏失真。filtfilt函数通过正反两次滤波实现零相位延迟：
matlab复制filtered_sig = filtfilt(b, a, noisy_sig);
soundsc(filtered_sig, fs); % 蜂鸣声消失，人声清晰
对比滤波前后的频谱，800Hz的尖峰明显被压制了，就像用PS修掉了照片上的瑕疵。
5. 不同噪声的处理效果对比
5.1 正弦噪声的完美去除
正弦噪声是单频信号，只要滤波器截止频率设置在噪声频率以下，理论上可以完全去除。实测中800Hz噪声被压制了约30dB，效果堪比专业降噪耳机：
matlab复制noise_reduction = 20*log10(std(noisy_sig)/std(filtered_sig));
disp(['噪声衰减了 ', num2str(noise_reduction), ' dB']);
5.2 高斯噪声的有限去除
高斯白噪声遍布全频段，低通滤波只能去除高频部分，低频噪声仍然存在。听起来就像隔着门听音乐——能听清但有点闷：
matlab复制gauss_filtered = filtfilt(b,a,gauss_sig);
soundsc(gauss_filtered, fs); % 能听但带点闷罐声
对于这种噪声，更高级的方法是谱减法或Wiener滤波，但计算复杂度会大幅增加。
6. 手动DFT/IDFT验证
6.1 实现IDFT函数
根据DFT的逆变换公式，可以写出对应的myIDFT函数：
matlab复制function x = myIDFT(X)
N = length(X);
x = zeros(1,N);
for n = 0:N-1
for k = 0:N-1
x(n+1) = x(n+1) + X(k+1)*exp(1j*2*pi*k*n/N);
end
x(n+1) = x(n+1)/N; % 别忘了归一化
end
end
6.2 变换一致性验证
用滤波后的信号测试DFT/IDFT的准确性，误差应该在浮点精度范围内：
matlab复制recovered = real(myIDFT(myDFT(filtered_sig)));
err = max(abs(recovered - filtered_sig));
disp(['最大重构误差: ', num2str(err)]); % 通常<1e-10
性能提示：实际工程中一定要用fft/ifft，我的myDFT处理3秒音频(132300点)需要约10分钟，而fft只需0.01秒！
7. 实战经验与技巧总结
-
滤波器阶数选择：6阶巴特沃斯在500Hz处能提供约36dB/oct的衰减，足够压制800Hz噪声。但阶数过高会导致通带纹波，一般不超过8阶。
-
零相位滤波的代价：filtfilt会使滤波器的衰减特性变为平方关系，但计算量翻倍。对于实时处理系统可能要考虑因果滤波器。
-
高斯噪声处理技巧：可以尝试先分帧处理，对每帧做FFT后手动压制噪声频段，再IFFT合成，效果比单纯低通好。
-
频谱分析窗口选择：如果要做短时傅里叶变换(STFT)，建议用汉宁窗，帧长取20-40ms，重叠率50%。
-
调试小技巧：处理长音频时先用soundsc听前3秒确认效果，避免等全部处理完才发现参数不对。
这个项目最让我惊喜的是巴特沃斯滤波器对单频噪声的完美压制效果，就像用精确的手术刀切除了音频中的肿瘤。而高斯噪声的处理则提醒我们：有些噪声是系统性的，完美解决方案往往需要权衡计算复杂度与效果。自己实现DFT虽然效率低下，但这个过程让我对"时域卷积等于频域乘积"有了更直观的理解——这大概就是所谓"慢就是快"的学习哲学吧。