MATLAB音频信号去噪实战：从WAV读取到小波与LMS对比

简介：一份围绕MATLAB音频信号处理的入门实践资源，聚焦频谱分析与噪声去除两个核心环节，适合信号处理初学者、音频算法工程师及课程设计者使用。压缩包内共有2个文件：一个.m脚本负责读取WAV音频文件并执行频谱分析，一个.wav样例文件用于实际运行与效果验证，整体体积仅78KB，轻量便捷。目前已有478人学习浏览，也适合课堂教学与自主实验。借助包内文件，读者不仅可以从时间域查看原始波形，还能通过傅里叶变换观察频率成分分布，识别噪声所处的频段；在此基础上，可以尝试阈值去噪、小波分解重构、自适应滤波等降噪方法，对比去噪前后的波形和频谱，直观理解不同算法的适用场景。文件数量虽少，但构建了从数据读入、分析、处理到结果可视化的一条完整学习路径，便于快速上手，也为后续开展更复杂的音频处理研究打下基础。

1. 为什么这份wave素材值得花时间：读文件只是第一步

从网盘里下载一个只有几百KB的wave.rar，解开之后是sound.wav和waveread.m两个文件，很多人草草地plot一下就扔在硬盘角落，其实错过了一套标准的MATLAB音频信号处理主链路练习。这份素材真正有用的地方在于：它把音频信号读取、频谱分析、噪声定位、去噪、效果评估串在了一条可复现的流水线上。如果正在做课程设计或毕业设计，需要matlab音频信号去噪的完整流程，这套可以直接改参数用；如果是做嵌入式或音频算法验证的工程师，也能通过它快速对比小波阈值去噪与自适应滤波的差异。整个过程没有硬件依赖，一台装MATLAB的电脑就能跑通，后续换自己的录音也能用同一套代码。

2. waveread.m的读取逻辑与信号预处理细节

waveread.m打开之后，核心其实是一行wavread调用。但真正影响后续频谱分析和去噪质量的，不是那行读取代码，而是读取之后做了哪些预处理。处理不好，FFT出来的谱线会被直流分量拉高，阈值去噪会把语音细节一起削掉。

2.1 wavread的兼容写法与返回参数

旧版脚本里一般这样读：[data, Fs] = wavread('sound.wav');，data是N×ch的二维矩阵，N是采样点数，ch是声道数；Fs是采样率，单位Hz。MATLAB较新版本里wavread已不再被推荐，建议用audioread替换，返回参数完全一致，用try-catch包一层就能两边兼容：

% 兼容新旧版 MATLAB 的 WAV 读取 if exist('sound.wav', 'file') ~= 2 error('请把 sound.wav 放到当前工作目录'); end try [x, Fs] = audioread('sound.wav'); % 新版，返回double类型 catch [x, Fs] = wavread('sound.wav'); % 旧版脚本兼容分支 end % 多声道合并为单声道，常见做法是取均值 if size(x, 2) > 1 x = mean(x, 2); end x = x(:); % 强制列向量，后续按样本遍历更方便 N = length(x); % 采样点数 t = (0:N-1) / Fs; % 时间轴，单位秒

audioread返回的double范围一般在[-1,1]之间，wavread也遵循同样的归一化约定，所以后续处理不需要再缩放。除非从老代码里拿到int16整型数据，那种情况要先除以32768再继续。声道合并用均值，而不是直接取其中一个声道，原因是WAV里左右两声道通常是同一路信号的近似，均值能在不损失有效信息的前提下压低非相关噪声。

读取之后几个变量的约定要心里有数，后面所有处理都围绕它们展开：

2.2 去直流和归一化：小步骤影响大

读取之后不能直接画图或做FFT，先去掉直流分量，否则FFT结果会在0 Hz位置出现一条异常高的谱线，低频细节全被它掩盖。再做一个幅度归一化，把峰值压到1以内，后续去噪阈值才有统一的参照量纲：

% 去直流：消除传感器偏置和模数转换带来的直流电平 x = x - mean(x); % 幅度归一化，把峰值压到1以内，后续去噪阈值才有统一参照 x = x / (max(abs(x)) + eps);

mean(x)算出整个信号的直流分量，减去之后信号围绕0波动，这一步对后续小波分解特别重要。直流偏置在小波分解后会进入近似系数，干扰对低频分量的判断。归一化除以峰值，后面去噪阈值设成0.1还是0.5就有了明确的幅度参考。eps加在分母上，是防止静音段全为零时出现除零错误。

2.3 时间轴上先标记噪声段

预处理之后的第一个动作，不要急着做FFT，而是把整段波形画出来。这个习惯能省掉后面大量返工时间，因为去噪效果评估需要对比“有效信号”和“纯噪声”两个区间的统计特征。

figure('Color', 'w'); plot(t, x, 'b'); xlabel('时间 (s)'); ylabel('幅度'); title('sound.wav 预处理后波形'); xlim([0 min(5, t(end))]); % 先只看前5秒，波形不会糊成一团 grid on;

用xlim限制前5秒是画音频波形的常用手法。整段信号可能有几十万点，直接plot会把波形压成一根带子，看不出噪声位置。观察波形时重点记录两件事：哪一段是相对安静的环境噪声段，哪一段是有效信号段。这两个区间在最后一章评估去噪效果时都要用到，现在不标记，回头又得重听音频找位置。

3. FFT频谱分析：从sound.wav里定位噪声频带

频谱分析的目的是回答“噪声藏在哪里”。交付结论时不能只说“有噪声”，要能明确指出噪声是集中在50Hz工频附近，还是整个高频段都被抬高了。下面用FFT实现单边频谱分析，定位噪声的频率范围。

3.1 直接FFT为什么会出现频谱泄漏

对截断信号直接做FFT，相当于在时域乘了一个矩形窗。矩形窗主瓣窄但旁瓣高，能量会从真实频率泄漏到相邻频点，结果就是谱线周围出现一串锯齿。对音频这种连续谱信号，泄漏会让谱形失真，噪声平台看起来起伏不定。解决办法是加窗：用汉宁窗把信号两端平滑到接近0，让截断边界不产生突变。

N是FFT点数。主瓣越宽，频率分辨率越差；旁瓣衰减越大，抑制泄漏能力越强。音频分析一般取汉宁窗，它兼顾了频率分辨率和泄漏抑制，在语音和音乐信号里都是默认选择。

3.2 单边频谱的完整实现

% 对预处理后的 x 做加窗FFT，得到单边幅度谱 NFFT = 2^nextpow2(N); % 取不小于N的2的幂，加速FFT win = hann(N, 'periodic'); % 汉宁窗，periodic适合频域分析 X = fft(x .* win, NFFT); % 加窗后补零到NFFT点 X = X(1:NFFT/2+1); % 只取单边，0 ~ Nyquist f = (0:NFFT/2) * Fs / NFFT; % 频率轴，单位Hz % 幅值转dB，加窗补偿系数，方便看动态范围 X_db = 20*log10(abs(X) / sum(win) * 2 + eps); figure('Color', 'w'); plot(f, X_db, 'b'); xlabel('频率 (Hz)'); ylabel('幅度 (dB)'); title('sound.wav 单边频谱（汉宁窗）'); grid on; xlim([0 min(8000, Fs/2)]); % 按采样率截取关心的频段

这里把代码逻辑拆开说明。NFFT用nextpow2补零到2的幂，FFT计算更快，补零只是插值平滑，不会提升真实分辨率。加窗后信号两端幅度变小，所以幅值要除以sum(win)，把窗函数造成的能量衰减补回来。乘以2是因为单边谱要把负频率方向的能量折回正频率。20*log10把幅值转成dB，才能看清从-80dB到0dB的宽动态范围。频率轴f到Fs/2为止，Fs/2是奈奎斯特频率，超过这个范围不存在有效信息。

xlim截断到8000Hz是示意：如果sound.wav是16kHz采样率，奈奎斯特频率正好是8000Hz。要确认音频实际采样率，直接看前面读出来的Fs值就行。

3.3 从频谱形态反推噪声类型

频谱图出来之后，观察三个典型特征，这些特征直接决定后面选哪种去噪策略。

第一，整条曲线像一条低矮平缓的带子，说明是宽带噪声，以白噪声或量化噪声为主，这种噪声用滤波效果一般，小波阈值去噪更合适。第二，在某些频率点出现尖锐峰值，50Hz及其整数倍是工频干扰，几百Hz的尖峰可能是设备自身振动或谐振，这种情况先用陷波滤波器，比小波更有效。第三，低频段能量明显高于高频，且随频率上升平滑衰减，这是环境本底噪声的典型形态，处理重心应放在低频段。

顺手把频段能量占比算出来也很有价值。供水管网噪声记录仪做频谱分析时就是这种思路：把0到Fs/2切成多个窄带，如1/3倍频程带，再看每个带里的能量占比。这个占比在最后一章会用来量化去噪效果。先记录当前的占比，去噪后再对比，比只看波形判断客观得多。振动频谱图分析也是同样的逻辑，先分频带定位问题频率，再针对处理。

4. 小波阈值去噪与LMS自适应滤波的MATLAB实现

前面拿到了干净的时域波形和频谱定位结果，现在开始正式去噪。处理顺序有讲究：先根据频谱观察结果决定要不要做陷波，再用小波阈值去噪处理宽带噪声，最后对比LMS自适应滤波。三种方法各有适用边界，放在同一条数据上做横向对比，能直观看出差异。

4.1 如果频谱里有明显尖峰，先陷波

如果上一章看到50Hz工频这类窄带尖峰，先用陷波滤波器干掉。窄带干扰用后续的小波阈值处理会残余，白白消耗细节系数的承载能力。常见做法是用butter设计IIR带阻滤波器，再配合filtfilt做零相位滤波：

% 陷波：滤除50Hz附近的工频干扰，带阻带宽±2Hz Wo = 50 / (Fs/2); % 归一化中心频率 BW = 2 / (Fs/2); % 归一化带宽 [b, a] = butter(4, [Wo-BW, Wo+BW], 'stop'); % filtfilt做零相位滤波，波形不发生时间偏移 x_notch = filtfilt(b, a, x);

butter的阶数取4，阻带衰减足够，也不会带来过大的相位延迟。filtfilt把信号正向和反向各滤一次，输出零相位，去噪前后的波形样本能严格对齐。如果改成filter做普通滤波，群延迟会让波形偏移，后面逐样本计算信噪比时误差很大。注意Wo-BW必须大于0，如果目标频率太低，需要适当加宽带宽。

4.2 小波阈值去噪：分解、阈值、重构三步

小波阈值去噪的核心逻辑是：信号经小波分解后，噪声能量分散在各层细节系数中，而有效信号的系数幅度明显大于噪声系数。设定一个阈值，把小于阈值的系数压缩或置零，再用处理后的系数重构信号。下图是三步流程的代码实现：

% 1. 分解：db4小波，5层分解 wname = 'db4'; level = 5; [C, L] = wavedec(x_notch, level, wname); % 2. 每层细节系数做软阈值处理 thr = wthrmngr('dw1ddenoLVL', 'sqtwolog', C, L); % 全局阈值 C_new = C; idx = L(1) + 1; % 跳过近似系数，从第一个细节层开始 for k = level:-1:1 len_k = L(level - k + 2); % 当前层的系数长度 d = C(idx:idx+len_k-1); % 取当前层细节系数 d = wthresh(d, 's', thr); % 's'软阈值，'h'硬阈值 C_new(idx:idx+len_k-1) = d; idx = idx + len_k; % 移动到下一层 end % 3. 重构 x_denoised = waverec(C_new, L, wname);

也可以直接用wdenoise一句完成：x_denoised = wdenoise(x_notch, level, 'Wavelet', 'db4', 'DenoisingMethod', 'Bayes');，但我建议手动写一遍分解和重构，因为实际项目里经常需要把阈值调成信号相关值，而不是直接用默认规则。

这里的关键参数逐一说清楚。分解层数level取5，一般音频信号取4到5层比较稳：层数太多会去掉低频有效成分，太少则噪声滤不干净。小波基wname选db4，这是工程里最常用的选择，sym4对称性更好，端点畸变更小，传感器振动信号里也常选sym8。wthrmngr返回的thr是一个全局阈值，对所有层统一使用，这是简化操作；更精细的做法是逐层估计噪声标准差再算专属阈值：

sigma = median(abs(detcoef(C, L, level))) / 0.6745; % 鲁棒噪声标准差 thr_level = sigma * sqrt(2 * log(N)); % Donoho阈值公式

用中位数估计噪声标准差比均值稳定，除以0.6745是对高斯分布下median与std关系的校正。sqrt(2*log(N))是Donoho-Johnstone阈值公式，N越大阈值越高，防止过拟合噪声。软阈值对系数做整体压缩，重构信号平滑，但幅度有轻微损失；硬阈值保留超阈值的系数原值，信号更锋锐，但可能在阈值处产生震荡。音频去噪一般用软阈值，听感上不会出现突兀的断裂感。

各阈值规则的适用场景如下表：

提示：如果去噪后声音发闷，多半是阈值取大了，把规则换成rigrsure，阈值会变小，细节保留更多。

4.3 LMS自适应滤波的工程边界

LMS（最小均方误差）算法在音频去噪里也很常见，但它与批量式的小波去噪思路不同，是逐样本迭代在线更新滤波器系数。典型结构是：主输入d(n)=s(n)+n1(n)为含噪信号，参考输入x(n)=n2(n)为噪声参考，系统用误差e(n)=d(n)-y(n)逼近有效信号s(n)。工程中真正难的不是算法本身，而是拿不到干净的参考噪声。手机双麦克风场景里，远离嘴巴的麦克风可以近似作为参考噪声源；但当前这份sound.wav是单声道，没有参考通道，常见做法是用信号的延时版本做参考，对周期性噪声有效，对非平稳噪声无能为力。

% 单通道LMS去噪的工程近似：用延时信号做参考 order = 32; % 滤波器阶数 mu = 0.005; % 步长，必须小于2/最大特征值 ref = [zeros(order,1); x_notch(1:end-order)]; % 延时参考 w = zeros(order,1); y = zeros(N,1); e = zeros(N,1); for n = order+1:N xr = ref(n:-1:n-order+1); % 取参考信号切片 y(n) = w' * xr; % 滤波器输出 e(n) = x_notch(n) - y(n); % 误差作为去噪结果 w = w + mu * xr * e(n); % LMS权重更新 end

步长mu取值是关键。理论上稳定条件是0<mu<2/λmax，λmax是参考信号自相关矩阵的最大特征值。工程上习惯取0.001到0.05，值太大算法发散，值太小收敛太慢。order取32，在Fs=16kHz时对应2毫秒时间窗，足够覆盖一般噪声的短期相关性。e(n)既是误差信号，也直接作为去噪输出，因为LMS收敛后参考输入里和主输入相关的成分被滤除，剩下的就是与噪声不相关的有效信号。但这种单通道延时参考方案在信噪比低于0dB时基本失效，那种情况不要硬上LMS，换小波阈值更保险。判断依据就是回看3.3节的观察：宽带白噪声优先小波，周期性单频噪声优先陷波器或LMS。

5. 用频带能量占比和信噪比验证去噪效果

去噪做完不量化等于没做。人耳听着“干净了”只能说明相对改善，要交付报告或对比方案时，还是得给出频带能量占比变化和信噪比提升幅度。

5.1 频带能量占比计算

把0到Fs/2分成三段，分别计算去噪前后的能量占比：

bands = [20 200; 200 2000; 2000 Fs/2]; % 三段频带，单位Hz for i = 1:3 p_before(i) = bandpower(x_notch, Fs, bands(i,:)); p_after(i) = bandpower(x_denoised, Fs, bands(i,:)); end ratio_before = p_before / sum(p_before); ratio_after = p_after / sum(p_after);

bandpower在指定频带内对信号频谱做功率积分。对比ratio_before和ratio_after就能看到：如果噪声分布在高频，去噪后高频带占比应明显下降，而低频有效信号的占比相对上升。这里用到的x_denoised是上一章小波重构的输出，如果走的是LMS路径，就把x_denoised换成LMS的输出变量e。

5.2 信噪比估算

实际录音没有干净的原始信号，就用2.3节标记的静音段来近似噪声功率：

fs_p = 1000; % 静音段起始样本 fe_p = 3000; % 静音段结束样本 noise_before = var(x_notch(fs_p:fe_p)); noise_after = var(x_denoised(fs_p:fe_p)); SNR_before = 10*log10(var(x_notch)/noise_before); SNR_after = 10*log10(var(x_denoised)/noise_after); fprintf('去噪前 SNR=%.2f dB，去噪后 SNR=%.2f dB\n', SNR_before, SNR_after);

用var计算噪声段功率，再除以整段信号的方差得到近似信噪比。这是工程近似，不是严格定义的SNR，因为有效信号段里也混着噪声，var(x)并不等于纯信号功率。对课程设计和工程报告来说，这个估算足够说明改善趋势。如果手里有干净的参考信号，直接用snr(x_clean, x_denoised-x_clean)会更准确。

5.3 检查小波去噪的端点振铃

小波重构后最容易出现的问题是信号两端的小幅振荡，俗称振铃。原因在于阈值处理把端点附近的细节系数压掉，重构时边界条件发生变化。检查方法是对比去噪前后前200个样本的波形：

figure('Color', 'w'); plot(t(1:200), x_notch(1:200), 'b'); hold on; plot(t(1:200), x_denoised(1:200), 'r', 'LineWidth', 1.2); legend('去噪前', '去噪后'); xlabel('时间 (s)'); ylabel('幅度');

端点出现明显周期性起伏时，处理办法有两个：一是用wextend把信号做对称延拓，再走分解、阈值、重构流程，最后裁掉延拓部分；二是直接丢弃每端几十个样本，对绝大多数音频应用不影响听感。实际项目里我一般先用第二种，零成本且稳定。最后用sound(x_denoised, Fs)播一遍，和原始sound.wav对比听感。如果波形看起来平滑但声音发闷，说明阈值大了，回4.2节换上rigrsure规则，阈值变小，细节保留更多。用这一段波形对比和试听来收尾，整套素材的读取、分析、去噪、验证闭环就算完整跑通了。

本文还有配套的精品资源，点击获取