噪声频谱的估计方法有多种，以下是一些常用的方法：**最小值统计方法** ：- Martin于1994年提出了一种基于最小值统计的方法来估计噪声。
该方法通过跟踪带噪语音信号功率谱的最小值来获得噪声功率谱的估计值。具体操作是在大约1.5秒的滑动窗口内寻找每一频率带内的频谱最小值，经过补偿后和带噪语音的功率谱进行比较。**递归平均算法** ：- 该算法适用于语音在闭塞音闭合段和清摩擦音的低频段，此时频谱能量趋近于噪声水平，并且噪声对语音频谱具有不均匀现象。算法通过递归计算每个频带内的噪声估计值，并对不同频带的信噪比进行更新。**最小值噪声估计算法** ：- 该算法利用短时窗（0.4~1秒）内每个频带的最小值来估计噪声。即使在语音活动区间，带噪语音信号的单个频带的功率也会衰减到噪声的功率水平，因此可以通过追踪这些最小值来得到噪声的估计。**直方图噪声估计算法** ：- 根据每个频谱能量的直方图，出现频率最高的值对应频带内的噪声水平。这种算法通过分析频谱能量的分布来估计噪声。**分位数噪声估计算法** ：- WebRTC中使用的分位数噪声估计算法也是基于直方图噪声估计算法的特性，通过对频谱分位数的分析来估计噪声水平。**递归平滑算法** ：- 递归平滑算法通过加权平均的方式，将历史噪声估计值与当前帧的噪声估计值结合起来，以获得更平滑的噪声频谱估计。具体公式为：λ^ （ k , l + 1 ） = α λ^ （ k , l ） + （ 1 − α ） |Y （ k , l ）|^2，其中λ^ （ k , l ）表示第k帧第l个频率点的噪声估计值，α为平滑系数，Y （ k , l ）表示第k帧第l个频率点的功率谱值。**FFT和IFFT方法** ：- 首先对采集的数据加上汉宁窗后进行FFT变换，得到数字频谱。然后根据信号的频率范围将其他频率下的幅值清零，再通过IFFT变换回时域波形数据，从而去除相关噪声信号。这种方法可以在保证时间分辨率的前提下提高频率分辨率。这些方法各有优缺点，适用于不同的场景和需求。在实际应用中，可以根据具体的应用场景和性能要求选择合适的噪声估计算法。
