噪声消除是通信工程术语，指消除、弱化或压制图像中的随机变化干扰。它是在成像过程中由测量误差和一些不确定的随机因素形成的效应，统称为噪声。噪声消除是图像恢复的任务之一。系统噪声一般被看成是一种点扩散函数的作用，而作为图像退化模型的组成部分，如大气扰动，并在建模中考虑随机噪声的存在，在图像恢复过程中一并加以消除。

噪声消除是指消除、弱化或压制图像中的随机变化干扰。它是在成像过程中由测量误差和一些不确定的随机因素形成的效应，统称为噪声。噪声消除是图像恢复的任务之一。系统噪声一般被看成是一种点扩散函数的作用，而作为图像退化模型的组成部分，如大气扰动，并在建模中考虑随机噪声的存在，在图像恢复过程中一并加以消除。若噪声模型预先已知，可针对模型设置滤波器，有效地加以消除，如同期性噪声，常用频率域滤波方法，对图像作傅立叶变换，设计适当滤波器提取主要噪声成分，反变换后得到噪声图像，从原图像中减去加权的噪声图像，即得去噪声图像，权函数的选择原则是使校正后图像在一定大小的区域内方差达到最小。图像的随机噪声常表现为高频特征，采用图像平滑或低通滤波的方法加以消除，如平滑滤波、中值滤波、条件滤波和各种自适应滤波方法等。

在通信系统中，噪声是指不携带有用信息的电信号，是有用信号以外的一切信号的统称。本节简单讨论信道内各种噪声的分类及性质，定性地说明它们对信号传输的影响。噪声的来源很多，根据它们的来源不同，可以粗略地分为以下四类：

(1)无线电噪声。来源于各种用途的无线电发射机。这类噪声的频率范围很广，从甚低频到特高频都可能有无线电干扰的存在，并且干扰强度有时很大。但这类噪声干扰有个特点，即干扰的频率范围是固定的，因此可以预先设法防护。特别是在加强了无线电频率的管理工作后，无论在频率的稳定性、准确性以及谐波辐射等方面都有了严格的规定，使信道内信号受它的影响减到最小程度。

(2)工业噪声。来源于各种电气设备，如电力线、电源开关、电车、电力铁道、高频电炉等。这类噪声干扰的来源分布广泛，无论是在城市还是在农村，内地还是边疆，都有工业干扰的存在。但这类干扰也有一个特点，就是干扰的频谱集中于较低的频率范围，比如几十兆赫兹以内。因此，选择高于这个频段工作的信道便可以防止受到它的干扰。另外，也可以在干扰源方面减小干扰的产生，例如消除波形失真、加强屏蔽和滤波措施、防止接触不良等。

(3)天电噪声。来源于雷电、太阳黑子、磁暴以及宇宙射线等。可以说整个宇宙空间都是产生这类噪声的根源，因此这类噪声干扰是客观存在的。由于这种自然现象与发生的时间、季节、地区等都有关系，因此受天电干扰的影响也是不同的。这类干扰所占的频谱范围也很宽，而且不像无线电干扰那样频率是固定的，因此对这类干扰的影响就很难防止。

(4)内部噪声。来源于信道本身所包含的各类电子器件、转换器及传输线等。例如，电阻及各种导体都会在分子热运动的影响下产生热噪声，晶体管或电子管等电子器件会由于电子发射不均匀等原因产生器件噪声。这类噪声干扰是由自由电子作不规则运动所形成的，因此其波形也是不规则变化的，通常称之为起伏噪声。由于可以在数学上用随机过程来描述这类干扰，因此又将这类噪声干扰可称为随机噪声。

1.高斯白噪声

高斯白噪声是指概率密度函数的统计特性满足高斯分布，同时功率谱密度函数是常数的噪声。必须同时满足这两个条件的噪声才是高斯白噪声，满足第一个条件的噪声称为高斯噪声，满足第二个条件的噪声称为白噪声。

在通信系统理论分析中，特别在分析、计算系统抗噪声性能时，经常假定系统信道中的噪声为高斯白噪声。这是因为，首先高斯白噪声可用具体数学表达式表述，便于推导分析和运算；其次高斯白噪声确实也反映具体信道中的噪声情况，比较真实地代表了信道噪声的特性。

2.高斯有色噪声

统计特性服从高斯分布，功率谱密度不满足白色特性，即功率谱不是常数。由于受信道的影响，有时白噪声在通过信道后也会变成有色噪声。

3.脉冲噪声

这里应用服从稳定分布的脉冲噪声模型。在通信、雷达、水声和声纳等领域所遇到的信号和噪声中存在着大量具有突出尖峰脉冲特性的信号和噪声，它们显著偏离传统的高斯分布，通常使用适用性更广泛的“稳定分布模型来描述这类脉冲性极强的随机信号。

4.工频干扰

我国的市电频率是50Hz，由交流电源产生的电磁干扰称为工频干扰。

在很多学术论文中，论述或提出了各种噪声消除算法及其改进，总体来说可以把这些噪声消除算法分成两组：single-mic（single-microphone）噪声消除和multiple-mic（multiple-microphone）噪声消除两种算法。Single-mic 噪声消除与multiple-mic 相比，具有适用于多种噪声源，抑制能力强等优点。但是对于3G系统，手机的硬件构造决定了不能采用multiple-mic噪声消除算法。

在最近十年，被推介的single-mic 噪声消除算法主要基于谱减（spectral subtraction，简称SS）算法， 而其中基于短时谱分析（short time spectralanalysis，简称STSA）的MMSE-STSA 算法应用最广泛，因为它计算简单，并经过主观评测性能最优。

MMSE-LSA算法是改进的MMSESTSA算法，改进之处主要是对谱增益的计算和VAD算法的改进。改进之后的MMSE-LSA NC具有更好的消除噪声功能和抑制残留信号功能，这在最后的主观和客观的评测中可以看出。

为了增强信号，噪声消除算法要求能够：

（a） 增强可懂性和自然属性；

（b） 提高信噪比；

（c） 短的信号时延；

（d） 计算量小；

信号增强的质量度量是一个多重问题，它们可以用增强前后的可懂性和自然属性来描述。当噪声混合成一个信道的信号时，纯粹的信号和纯粹的噪声就占有了相同的频带，并可能具有某种相关性。这时从信号中消除噪声， 将不可避免地对噪声都有影响。

噪声消除算法设计的另外一个目标是限制信号时延，因为大的信号时延将干扰通信质量。同样，计算量小的噪声消除算法将保证信号处理的实时性。

经验证，MMSE-STSA主观评价最可靠，它对短时谱幅度估计的均方错误有最小化的特点， 并且在不产生“musical noise”的情况下，提供很好的消除噪声效果。而经过改进的MMSE-LSA 算法，具有比MMSESTSA更好的抑制“musical noise”， 消除噪声的能力。以下分析MMSE-LSA 算法的噪声消除原理。

MMSE-LSA主要由七个模块组成：短时傅里叶分解、激活检测（VAD）模块、噪声估计、后验和先验信噪比估计、谱增益计算和短时傅里叶综合。短时傅里叶分解模块计算的离散傅里叶变换，从而得到它的谱幅度和相位，其中谱幅度被谱增益加权以增强。被加权后的幅度与相位相乘后送入短时傅里叶综合模块进行离散傅里叶反变换。在反变换后，进行折叠相加运算，得到时域增强的信号。MMSE-LSA算法主要集中于谱增益的计算，谱增益决定了噪声抑制的度。为计算谱增益首先必须得到后验信噪比估计和先验信噪比估计，而这些信噪比估计的获得是基于噪声功率谱的估计，它是在非信号阶段对谱幅度计算而得到的。对非信号阶段的检测主要是通过VAD模块进行的。