Anda di halaman 1dari 11

Nadya Amalia

Fisika FMIPA Univ. Lambung Mangkurat, Kalimantan Selatan


REDUKSI DERAU PADA SINYAL SUARA DENGAN
DISCRETE WAVELET TRANSFORM (DWT)
Latar Belakang
Sinyal yang tidak diinginkan
Dapat menyebabkan kesalahan
atau bahkan merusak suatu sinyal
pembawa informasi
Wavelet Transfrom
Mengatasi permasalahan resolusi pada STFT
Mampu melakukan analisis multiresolusi, menghasilkan resolusi waktu
yang baik pada frekuensi tinggi dan resolusi frekuensi yang baik pada
frekuensi rendah, sangat cocok untuk menganalisis sinyal non-
stasioner seperti sinyal suara
Dyadic grid
Discrete Wavelet Transform
g`[n]
h`[n]
2
2
g`[n]
h`[n]
2
2
2
2
g[n]
h[n]
+
2
2
g[n]
h[n]
+
x[n]
d[k+1,n]
a[k+1,n]
a[k+2,n]
d[k+2,n]
a[k+1,n]
x[n]
Decomposition Reconstruction
g
h
Half band high pass filter
Half band low pass filter
2
2
Down-sampling
Up-sampling
2-level DWT decomposition
Mother Wavelet
Gelombang kecil yang digunakan untuk melakukan analisis
Semua jendela modulasi merupakan versi mother wavelet yang telah
mengalami dilasi dan translasi



Doubechies
Symlet
Reduksi Derau dengan DWT
Langkah-langkah umum proses reduksi derau dengan DWT:
1. Dekomposisi
Menghitung koefisien-koefisien wavelet, yaitu koefisien aproksimasi dan
detail.
2. Thresholding
Thresholding koefisien detail wavelet dari level 1 sampai N
3. Rekonstruksi
Inverse discrete wavelet transform untuk mendapatkan de-noised signal
yang dihitung melalui koefisien aproksimasi asli level N dan koefisien
detail hasil thresholding level 1-N
X[n] = S[n] + G[n]
X[n] = noisy signal
S[n] = clean signal
G[n] = noise
Dekomposisi
x[n]
B: 0 f
s
/2
g[n] h[n]
g[n] h[n]
d
1
: Level 1
DWT
Coeff.
B: 0 f
s
/4
B: f
s
/4 f
s
/2
B: 0 f
s
/8
B: f
s
/8 f
s
/4
d
2
: Level 2
DWT
Coeff.
.
2 2
2 2

=
n
low
n k h n x k y ] 2 [ ] [ ] [

=
n
high
n k g n x k y ] 2 [ ] [ ] [
a
3

Thresholding
Ada empat aturan seleksi yang dapat diikuti untuk menentukan nilai threshold
(), yaitu (MathWorks, 2006) :
Rigrsure : seleksi threshold adaptif menggunakan prinsip SURE
Hearsure : varian heuristik dari pilihan pertama
Sqtwolog : threshold universil
Minimaxi : threshold mini-maks

>
=

y jika y
y jika
y T
h
0
) , (

>
s + =


y jika y
y jika y
y jika
y T
s
0
) , (
Hard thresholding
Soft thresholding
Rekonstruksi
} ] 2 [ ] [ ] 2 [ ] [ { ] [

+ =
n
low high
n k h k y n k g k y n x
Time
F
r
e
q
u
e
n
c
y
Original Speech Signal
0 2 4 6 8
0
1000
2000
3000
4000
5000
6000
7000
8000
Time
F
r
e
q
u
e
n
c
y
Noisy Speech Signal
0 2 4 6 8
0
1000
2000
3000
4000
5000
6000
7000
8000
Time
F
r
e
q
u
e
n
c
y
De-noised Speech Signal
0 2 4 6 8
0
1000
2000
3000
4000
5000
6000
7000
8000
0 2 4 6 8 10 12 14 16
x 10
4
-2
0
2
Original Speech Signal
Samples
A
m
p
l
i
t
u
d
e
0 2 4 6 8 10 12 14 16
x 10
4
-2
0
2
Noisy Speech Signal
Samples
A
m
p
l
i
t
u
d
e
0 2 4 6 8 10 12 14 16
x 10
4
-2
0
2
De-noised Speech Signal
Samples
A
m
p
l
i
t
u
d
e
Signal-to-Noise Ratio
dB
t N
t S
SNR
|
|
.
|

\
|
=
2
2
) (
) (
log 10
Noise
Reference signal
Menunjukkan perbandingan antara sinyal suara hasil rekonstruksi
terhadap derau
Kualitas sinyal suara yang baik ditunjukkan oleh nilai SNR yang besar
dan berarti pereduksian derau adalah besar

Anda mungkin juga menyukai