[发明专利]通过使用音频频谱图上的结构张量来重构相位信息的编码

说明书

提供了一种用于根据音频信号的幅度频谱图进行相位重构的装置。该装置包括：频率改变确定器(110)，被配置为根据音频信号的幅度频谱图，来确定针对音频信号的幅度频谱图的多个时频段中的每个时频段的频率的改变；以及相位重构器(140)，被配置为根据针对多个时频段而确定的频率的改变来产生针对多个时频段的相位值。

技术领域

本发明涉及音频信号处理，具体地，涉及使用频谱图上的结构张量进行谐波-冲击-残差(harmonic-percussive-residual)声音分离的装置和方法。

背景技术

能够将声音分离成其谐波分量和冲击分量是许多应用的有效预处理步骤。

尽管“谐波-冲击(-残差)分离”是一个常用术语，但它具有误导性，因为它意味着谐波结构的正弦曲线的频率为基频的整数倍。尽管正确的术语应该是“音调-打击-(残差)分离”，但为了便于理解，下面使用术语“谐波”而不是“音调”。

例如，使用音乐录音的分离的冲击分量可以导致节拍跟踪(参见[1])、节奏分析和节奏乐器的转录的质量改善。分离的谐波分量适用于音高乐器和和弦检测的转录(参见[3])。此外，谐波-冲击分离可以用于重新混合目的，例如改变两个信号分量之间的水平比(参见[4])，这会使得实现“更平滑”或“更强”的整体声音感知。

用于谐波-冲击声音分离的一些方法依赖于这样的假设：在输入信号的幅度频谱图中，谐波声音具有水平结构(在时间方向上)，而冲击声音表现为垂直结构(在频率方向上)。Ono等人提出了一种方法，该方法首先通过在时间/频率方向上的扩散来产生谐波/冲击增强的频谱图(参见[5])。之后通过比较这些增强的表示，可以得到声音是谐波还是冲击的决定。

Fitzgerald发表了一种类似的方法，在该方法中，通过在垂直方向上使用中值滤波而不是扩散来计算增强的频谱图是(参见[6])，这产生了类似的结果，同时降低了计算复杂度。

受到正弦+瞬态+噪声(S+T+N)信号模型(参见[7]、[8]、[9])的启发，得到一种旨在借助于小的参数集来描述各个信号分量的框架。然后，Fitzgerald的方法扩展到[10]中的谐波-冲击-残差(HPR)分离。由于音频信号通常由既不明显地是谐波也不明显地是冲击的声音组成，因此该过程在第三残差分量中捕获这些声音。尽管这些残差信号中的一些明显具有各向同性的(既不是水平的也不是垂直的)结构(例如，如噪声一样)，但是存在不具有明显的水平结构但仍然携带音调信息并且可以被感知为声音的谐波部分的声音。一个示例是频率调制的音调，就像它们可以出现在小提琴演奏或声乐作品的录音中，据说它们具有“颤音”。由于识别水平结构或垂直结构的策略，上述方法并不总是能够在其谐波分量中捕获这样的声音。

在[11]中提出了一种基于非负矩阵因子分解的谐波-冲击分离过程，该分离过程能够在谐波分量中捕获具有非水平频谱结构的谐波声音。然而，它不包括第三残差分量。

综上所述，最近的方法依赖于以下观察：在频谱图表示中，谐波声音导致水平结构，而冲击声音导致垂直结构。此外，这些方法将既不水平也不垂直的结构(即，非谐波、非冲击声音)与残差类别相关联。然而，这种假设对于诸如频率调制音调等的信号不成立，这些信号显示波动的频谱结构，但仍然携带音调信息。

结构张量(一种用于图像处理的工具(参见[12]、[13]))应用于灰度图像以用于边缘和角落检测(参见[14])，或估计对象的取向。结构张量已经用于音频处理中的预处理和特征提取(参见[15]、[16])。

发明内容

本发明的目的是提供用于音频信号处理的改进的构思。通过根据权利要求1所述的装置、根据权利要求18所述的系统、根据权利要求19所述的编码器、根据权利要求20所述的方法、以及根据权利要求21所述的计算机程序来实现本发明的目的。