简介：面向语音处理与压缩感知领域的研究者、算法工程师及高年级学生，这份资源专注于解决复杂声学环境下麦克风语音质量下降的问题，围绕压缩感知增强技术给出了基于SOMP（稀疏优化矩阵追踪）算法的具体实现方案与配套说明。压缩包体积仅3KB，包括2个文件：一个MATLAB脚本DCS_SOMP.m，覆盖信号稀疏采样、投影重构及语音增强的主要流程，便于直接运行和二次修改；一份说明文档，详细阐述SOMP算法的数学模型、迭代策略以及在实际语音样本上的处理细节，帮助读者从原理到代码完整理解。目前已有200人学习，适合需要快速上手压缩感知语音增强、验证SOMP算法有效性或开展相关课题实验的开发者。借助这一资源，可一次获得可执行源码、理论讲解与应用示例，省去自行查阅文献和编写试验代码的时间，为噪声抑制、语音通信及智能语音设备开发提供基础支撑。

1. 这套以 SOMP 为核心的压缩感知增强方案，到底在解决麦克风语音的什么问题

多麦克风拾音的最大困扰不是响度，而是距离一远、混响一重，目标语音被环境噪声埋住。传统波束形成能利用空间信息，但通道数少、噪声是宽带的场景下，效果往往不尽如人意。SOMP（Simultaneous Orthogonal Matching Pursuit，同步正交匹配追踪）把这个问题换了一个角度去解：把多通道观测看成压缩感知里的多测量向量（MMV），利用语音在某个变换域的稀疏性，联合恢复出增强后的干净语音。这套方案的核心价值在于“联合”——不单独处理每个麦克风，而是让所有通道共享同一个支撑集，使低信噪比下的恢复更稳。适合正在做麦克风阵列前端、多通道语音增强、或者想从压缩感知方向切入语音处理的工程师读。

2. 先立理论：SOMP 为什么能“一箭多雕”，它与语音增强的距离在哪

2.1 从 OMP 到 SOMP：单测量向量到多测量向量的逻辑跳跃

压缩感知里最经典的重建问题是单测量向量（SMV）：已知观测向量 y，字典 D，要找稀疏系数 x，使得 y = Dx。传统 OMP 的工作方式就是迭代地从字典中挑选与残差最相关的原子，然后用最小二乘更新系数。这个过程简单可靠，但它一次只能处理一个观测向量。

麦克风阵列引入了一个新维度：L 个通道意味着有 L 个观测向量，它们共享同一个字典，并且理论上应该共享同一组活跃原子的位置。这就是多测量向量（MMV）模型：

Y = D X + N

其中 Y 是 M×L 的观测矩阵，D 是 M×N 的字典，X 是 N×L 的系数矩阵。X 的特点是：每一列对应一个通道，但非零行的位置对所有通道一致——也就是“支撑集共享”。SOMP 的核心逻辑就是把 OMP 的原子选择步骤从“一次选一个投影能量最大的原子”改为“把 L 个观测向量的投影能量合并后选”。具体做法是计算相关矩阵 C = D^T R（R 是残差），对 C 的每一行求 L2 范数的平方，取最大值对应的原子作为本轮选入支撑集的候选。

这个“先合并、再选择”的策略是 SOMP 区别于“对每个通道单独跑 OMP 再融合”的关键。单通道 OMP 在每个通道上独立选出支撑集，通道之间的支撑集往往有差异，融合时只能求交或求并，要么丢信息，要么引入噪声。SOMP 在每轮迭代用所有通道共同投票，噪声在通道间是独立分布的，投票时会被平均掉，而语音成分在所有通道同时出现，投票时会被加强。这种联合恢复的策略在低信噪比下比独立恢复更鲁棒，数据增强的收益也因此更明显。

2.2 语音在哪个域稀疏，决定了 SOMP 能不能用

SOMP 的理论保证建立在信号“在字典下稀疏”这个前提上。但语音在时域并不稀疏，一段带静音的语句里，有声段占比高，直接用时域样本做稀疏恢复基本上要翻车。实践上语音增强几乎都在频域或时频域做，常见的做法有两种。

第一种是 STFT 域。语音的短时频谱表现出明显的谐波结构，能量集中在有限的频点上，天然具备近似稀疏性。每个频点上的复数系数可以用 SOMP 恢复，但要注意复数问题——标准 SOMP 通常定义在实数域，处理复数观测时要把实部和虚部分开拼接成 2M 维的实数向量。

第二种是直接用字典学习。用一段干净的纯语音做 K-SVD 或在线字典学习，学出语音专属的过完备字典。这个方案的稀疏性最好，但字典训练本身是另一个工程，而且字典对说话人、采样率、环境都敏感，换一个场景往往需要重新训练。

从工程经验看，STFT 域配合 DCT 字典是最容易跑通的第一版方案。DCT 字典对语音的稀疏性虽然不如学习字典，但胜在零训练成本、可复现性强，而且 SOMP 对支撑集共享的要求在 STFT 域天然成立——所有麦克风通道的活跃频带几乎相同。这个前提一旦被破坏（例如通道间延迟过大），SOMP 的联合投票机制就会失效，后面第 4 章会展开讲。

3. 把 SOMP 接到麦克风语音增强：数据准备与核心实现

3.1 麦克风阵列数据怎么组织成 MMV 模型

从一段多通道 WAV 到 SOMP 能吃的 Y 矩阵，中间要做三层转换。第一层是分帧：语音是非平稳信号，但短时内（20-30ms）可以近似平稳，所以要把连续采样点切成帧。第二层是 STFT：每一帧变换到频域，得到一个复数谱。第三层是组装：对每个频点，把 L 个通道在该频点的值取出来，拼成一个 L 维的观测向量。这样一来，MMV 模型的“多测量”轴就是麦克风通道轴，“观测维度”轴就是频点轴。

import numpy as np from scipy.io import wavfile from scipy.signal import stft, istft def load_multi_channel_wav(path): # 读取多通道WAV，返回采样率和 (通道数, 采样点数) 的数组 fs, data = wavfile.read(path) # 有些WAV是整型，归一化到 [-1, 1] if data.dtype == np.int16: data = data.astype(np.float32) / 32768.0 # data.shape = (samples, channels) 是常见存储格式，转成 (channels, samples) if data.ndim == 1: data = data[:, None] data = data.T return fs, data def build_mmv_from_stft(mic_signals, nperseg=1024, noverlap=768): # mic_signals: (L, Ns)，每个通道一段语音 # 返回 (F, T, L) 复数STFT系数，F为频点数，T为帧数 L, Ns = mic_signals.shape stfts = [] for ch in range(L): # scipy.stft 返回 (f, t, Zxx)，Zxx形状 (F, T) f, t, Zxx = stft(mic_signals[ch], nperseg=nperseg, noverlap=noverlap) stfts.append(Zxx) # 每个元素 (F, T) # 堆叠成 (L, F, T) stft_stack = np.stack(stfts, axis=0) # 转成 (F, T, L)，对每个频点每一帧，L个通道构成观测向量 return f, t, stft_stack.transpose(1, 2, 0)

这段代码解决的问题是把多通道时域信号变成 SOMP 可以直接处理的观测结构。nperseg对应窗长，1024 在 16kHz 采样率下是 64ms，偏长但频率分辨率好；如果采样率是 48kHz，建议nperseg=2048。noverlap是帧叠，通常取窗长的 75%，也就是noverlap = nperseg * 3 // 4。注意stft的复数输出是 SOMP 不能直接吃的，后面实现里要拆实部虚部拼接。

3.2 SOMP 核心循环的 Python 实现：从投影选原子到最小二乘更新

下面这段代码是 SOMP 的核心循环，我用 numpy 实现，刻意避开复杂依赖，方便你把它嵌到自己的语音增强流程里。它做了四件事：初始化残差、联合选原子、最小二乘更新、残差重置。

import numpy as np def somp(Y, D, K, tol=1e-6): # Y: 观测矩阵，形状 (M, L)，L 是麦克风通道数 # D: 字典矩阵，形状 (M, N)，每列是一个原子 # K: 稀疏度上限，最多选 K 个原子 # tol: 残差能量相对阈值，达到后提前停止 M, L = Y.shape M, N = D.shape R = Y.copy() # 残差，初始化为观测本身 support = [] # 支撑集，记录选中的原子索引 X = np.zeros((N, L)) # 稀疏系数矩阵，N 行 L 列 # 归一化字典原子，避免某些原子因能量大被反复选中 D_norm = D / np.linalg.norm(D, axis=0, keepdims=True) for _ in range(K): # 1. 计算所有原子与残差的相关矩阵 C = D^T R，形状 (N, L) C = D_norm.T @ R # 2. 每行求 L2 范数平方，合并所有通道的能量 scores = np.sum(C ** 2, axis=1) idx = int(np.argmax(scores)) if idx in support: break # 选重了，说明已经收敛，直接退出 support.append(idx) # 3. 在支撑集上用最小二乘更新系数 Ds = D_norm[:, support] Xs, _, rank, _ = np.linalg.lstsq(Ds, Y, rcond=None) # Xs 形状 (|support|, L)，是支撑集原子对应的系数 # 4. 用更新后的系数重建观测，再计算残差 R = Y - Ds @ Xs # 5. 残差相对能量低于阈值就提前停 residual_energy = np.sum(R ** 2) / np.sum(Y ** 2) if residual_energy < tol: break # 把支撑集上的系数回填到完整的 X 矩阵 X[support, :] = Xs return X, support

逻辑说明分三步。第一步，D_norm.T @ R得到的是每个原子和当前残差的内积矩阵，第 i 行第 j 列表示第 i 个原子和第 j 个通道残差的相关性。第二步，对每一行求 L2 范数平方，本质是把 L 个通道的投票能量求和，哪个原子在所有通道的残差里都残留得多，它就被选中。这比“只取最大通道的投影”更稳，因为单通道的噪声峰值可能误导选择。第三步，最小二乘解 Xs 是支撑集原子字典 Ds 对 Y 的最优逼近，残差被更新为新方向上的剩余量。

参数上，K 和 tol 是两个关键旋钮。K 太小会丢语音细节，听起来发闷；K 太大噪声会被当成语音原子选进来，输出有“嘶嘶”的底噪。tol 建议设在 1e-4 到 1e-2 之间，作为 K 的兜底早停条件。实际调参时我的习惯是固定 tol，扫描 K 从 2 到 16，看 STOI 和 PESQ 的峰值，而不是拍脑袋定一个数。

3.3 字典与参数：DCT 字典最省事，但别指望它通吃

字典 D 的选择直接决定稀疏恢复的上限。第一个能跑通的方案是过完备 DCT 字典，它在 numpy 里三行就能构造出来，不需要任何训练数据。

def make_dct_dictionary(M, N): # M: 观测维度，对应 STFT 的频点数 # N: 原子数量，字典的过完备倍数，通常取 M * 2 到 M * 4 # 返回形状 (M, N) 的字典，每列是归一化的 DCT 基 basis = np.zeros((M, N)) freqs = np.arange(N) for k in range(M): phase = np.pi * freqs * k / M basis[k, :] = np.cos(phase) / np.sqrt(M) basis[0, :] = np.sqrt(2) / np.sqrt(M) # DC 分量单独归一化 D = basis / np.linalg.norm(basis, axis=0, keepdims=True) return D

DCT 字典的优点是计算简单、可重复，缺点是它对语音的稀疏表达能力有限。语音的谐波结构有明确的基频和泛音，DCT 基是正弦类波形，能表达一部分谐波，但对瞬态（比如塞音、爆破音）的稀疏性很差。如果你发现增强后的语音“闷”或者“糊”，多半是字典表达力不够，而不是 SOMP 本身的问题。

另一个更接近实际落地的方案是直接对 STFT 系数做复数域处理，把字典定义成频域的调制结构。但复数域 SOMP 实现要处理复数的实部虚部拆分：把 M 维复数观测拆成 2M 维实数观测，字典也相应拆成 2M×N 的实数矩阵。这个拆分不复杂，但对内存占用翻倍，M 和 N 一大就容易吃紧。第一版方案我建议别碰复数，先用 DCT 字典跑通，确认 SOMP 在你的麦克风布局上有效，再考虑换训练字典。

下表是我在 16kHz 采样率、双通道麦克风场景下的一套起始参数，你可以作为参考起点：

4. SOMP 落地避坑：5 条踩出来的血泪经验

4.1 字典不匹配：稀疏性崩了，输出像水声

现象：用 DCT 字典做增强，低频段恢复出来的语音带明显“水声”，像是说话声泡在水里。高频段则出现金属感的毛刺。

原因：DCT 基是全局正弦型函数，能表达稳态谐波，但语音的每个音素都有起音和落音过程，尤其是在音节边界，频谱结构快速变化，DCT 字典对这部分瞬态分量没有稀疏表达能力。SOMP 每轮只能选一个原子去覆盖残差能量，字典表达不了的分量会被后续迭代拆成多个小系数原子，听起来就是浑浊的水声。

解决：第一个办法是换用短时调制字典——把每个原子定义成时域窗内的短时余弦，窗长了，表达瞬态的能力就强。第二个办法是回到 STFT 域，把字典换成“频点选择”型的单位字典，即每个原子只在某个频点上有能量，本质上是让 SOMP 退化为多通道频谱选择。第三个办法是离线训练字典，用几十秒干净语音跑 K-SVD，得到的字典对语音的稀疏性远优于 DCT。如果暂时不想训练，至少用带重叠窗的 STFT 系数做观测，帧叠 75% 以上，能缓解一部分瞬态丢失。

4.2 稀疏度 K 定不准：噪声泄漏和语音失真之间没有中间档

现象：K=4 时增强后的语音干净但发闷，像是电话听筒的声音；K=16 时声音变亮，但底噪明显上升，安静段落里能听到“嘶嘶”声。

原因：K 是 SOMP 里最伤脑筋的超参数，它直接控制模型的容量。K 小了，语音谐波被截断，高频细节全部丢失；K 大了，噪声分量在残差中的占比上升，SOMP 会把噪声也当作稀疏成分选进来。关键问题在于，语音的稀疏度不是固定的——清音和浊音的稀疏度差好几倍，一个固定的 K 无法同时适配。

解决：不要手动调 K，改成自适应策略。我常用的做法是在每一帧预处理时，先根据帧能量估计信噪比，信噪比高时 K 取大值（10-16），信噪比低时 K 取小值（3-6）。实现上就是对每帧做一次 SOMP 时动态传入 K。另一个补救方案是把 SOMP 的输出当“干净的语音先验”，再叠一个维纳滤波器做后处理。维纳滤波能压掉稀疏恢复漏网的噪声，同时保留语音细节，K 的敏感性会大幅下降。

4.3 通道失配：增益不一致比延迟偏移更隐蔽

现象：双通道麦克风阵列，左右通道增益差 3dB，SOMP 增强后的语音出现周期性“颤抖”，像是音量在慢速波动。

原因：SOMP 的支撑集投票机制对通道间的能量对比高度敏感。如果某个通道增益偏大，它的残差能量在投票里占主导，SOMP 会偏向选择能压住该通道的原子，而不是全通道共享的语音原子。更隐蔽的是，增益失配不会导致明显的回声或混响，只会让增强后的结果“时好时坏”，容易被误判为算法不稳定。

解决：在数据进入 SOMP 之前先做通道校准。最简单的办法是用一段静音段估计各通道噪声能量，再用一段远端参考音估计各通道增益，然后做幅度归一化。延迟问题要用互相关对齐——对双通道信号计算广义互相关，估算帧级延迟差，在 STFT 分帧前用整数时移补齐。补齐之后再做 MMV 组装，支撑集才真正共享。

4.4 支撑集逐帧跳变：音乐噪声比 DNN 后处理更麻烦

现象：静音段增强后出现细碎的“啾啾”声，类似于老式手机信号干扰音，帧与帧之间音调快速变化。

原因：SOMP 对每一帧独立运行，每一帧选出的支撑集都可能不同。语音帧和噪声帧的支撑集在相邻帧之间发生跳变，导致恢复出的频点忽有忽无，听感上就是音乐噪声。压缩感知类增强算法普遍有这个毛病，OMP 在单通道场景更严重，SOMP 用多通道联合投票缓解了部分问题，但帧间不连续依然存在。

解决：帧间平滑是性价比最高的手段。实现上分两步，第一步对支撑集做时间维度的中值滤波，让相邻 3-5 帧选中的原子尽量一致；第二步对稀疏系数做一阶低通平滑，防止幅度突然跳变。另一个更彻底的做法是把 SOMP 从“帧级”提升到“段级”，对连续的 10-20 帧联合做 MMV 恢复，让支撑集在一段语音内保持稳定。计算量会上升，但音乐噪声能明显抑制。

4.5 把 SOMP 当成完整的增强方案，不做后处理

现象：SOMP 输出的语音“干净但不自然”，听起来像合成语音，缺少原始语音的细节和呼吸感。

原因：SOMP 的目标是稀疏恢复，不是感知增强。它会把非稀疏的语音细节（比如气息音、齿音）当作残留直接丢弃，所以恢复出来的语音虽然信噪比高，但自然度差。很多第一次跑通算法的人会被信噪比数字骗了，PESQ 涨了 0.3，实际听感却不如传统维纳滤波。

解决：正确的落地姿势是把 SOMP 作为增强链路的前置模块，而不是末端。我的常见做法是：SOMP 恢复的语音与原始麦克风信号一起做频谱比对，估算一个软掩码（soft mask），再用这个掩码对原始信号做谱减或维纳滤波。这样既保留了 SOMP 的噪声抑制能力，又避免了“干净但假”的音色。这个思路类似人声增强里常见的“先估计干净的谱，再做掩码”。

5. 验证与进阶：用三个指标判断这套增强值不值得上

验证一套增强算法，不能靠“听着干净了”这种主观判断。我一般用三个客观指标：STOI（语音可懂度）、PESQ（语音质量）、SDR（信号失真比）。STOI 反映听清听不懂，低于 0.6 说明可懂度严重受损；PESQ 是 -0.5 到 4.5 分，提升 0.2 分以上才有实际感知差异；SDR 衡量信号失真比，单位 dB，提升 3dB 以上算是明显改善。测试时用双通道仿真房间冲激响应（比如用镜像声源法生成），把干净语音和噪声按不同信噪比混合，再送入你的增强链路。

进阶技巧是给 SOMP 加“支撑集继承”。上一帧选中的支撑集，在新帧开始时保留前 80% 的原子，只允许 SOMP 在残差上补充少量新原子。这样做有两个好处：一是帧间支撑集跳变被天然抑制，音乐噪声大幅减少；二是计算量下降，因为最小二乘在继承支撑集上只需要做增量更新。代价是语音突变时（比如新的说话人开口）需要多等几帧才能响应，但对麦克风阵列语音增强来说，这点延迟完全可以接受。

我自己的习惯是把 SOMP 当成低信噪比场景的“后悔药”——传统波束形成和 DNN 增强都处理不了的极端场景，SOMP 往往能靠联合稀疏性捞回来一部分。但它的计算量和调参成本都不低，千万不要一上来就替换现有方案，先在离线数据集上对比三个指标，过了阈值再上实时链路。如果你从 DCT 字典和帧级 SOMP 起步，跑通第一版后主动去处理支撑集连续性，这条路会顺畅很多。希望帮到你。

本文还有配套的精品资源，点击获取