python中怎么生成基于窗函數(shù)的fir濾波器

SciPy提供了firwin用窗函數(shù)設(shè)計低通濾波器，firwin的調(diào)用形式如下：

創(chuàng)新互聯(lián)公司專業(yè)為企業(yè)提供宜豐網(wǎng)站建設(shè)、宜豐做網(wǎng)站、宜豐網(wǎng)站設(shè)計、宜豐網(wǎng)站制作等企業(yè)網(wǎng)站建設(shè)、網(wǎng)頁設(shè)計與制作、宜豐企業(yè)網(wǎng)站模板建站服務(wù)，十載宜豐做網(wǎng)站經(jīng)驗，不只是建網(wǎng)站，更提供有價值的思路和整體網(wǎng)絡(luò)服務(wù)。

firwin(N, cutoff, width=None, window='hamming')

其中N為濾波器的長度；cutoff為以正規(guī)化的頻率；window為所使用的窗函數(shù)。

2020-01-18 python實現(xiàn)stft并繪制時頻譜

官方文檔中給出了非常詳細的安裝方法

函數(shù)聲明：

librosa.core.stft(y, n_fft=2048, hop_length=None, win_length=None, window='hann', center=True, dtype=class 'numpy.complex64', pad_mode='reflect')

常用參數(shù)說明：

y：輸入的numpy數(shù)組，要求都是實數(shù)

n_fft：fft的長度，默認2048

hop_length：stft中窗函數(shù)每次步進的單位

win_length：窗函數(shù)的長度

window：窗函數(shù)的類型

return：一個1+n_fft/2*1+len(y)/hop_length的二維復(fù)數(shù)矩陣，其實就是時頻譜

參考：

主要用這兩個

matplotlib.pyplot.pcolormesh()

matplotlib.pyplot.colorbar()

Python 簡單的擴音，音頻去噪，靜音剪切

數(shù)字信號是通過對連續(xù)的模擬信號采樣得到的離散的函數(shù)。它可以簡單看作一個以時間為下標的數(shù)組。比如，x[n]，n為整數(shù)。比如下圖是一個正弦信號(n=0,1, ..., 9)：

對于任何的音頻文件，實際上都是用這種存儲方式，比如，下面是對應(yīng)英文單詞“skip”的一段信號(只不過由于點太多，筆者把點用直線連接了起來）：

衡量數(shù)字信號的 能量（強度） ，只要簡單的求振幅平方和即可：

我們知道，聲音可以看作是不同頻率的正弦信號疊加。那么給定一個聲音信號（如上圖），怎么能夠知道這個信號在不同頻率區(qū)段上的強度呢？答案是使用離散傅里葉變換。對信號x[n], n=0, ..., N-1，通常記它的離散傅里葉變換為X[n]，它是一個復(fù)值函數(shù)。

比如，對上述英文單詞“skip”對應(yīng)的信號做離散傅里葉變換，得到它在頻域中的圖像是：

可以看到能量主要集中在中低音部分（約16000Hz以下）。

在頻域上，也可以計算信號的強度，因為根據(jù)Plancherel定理，有：

對于一般的語音信號，長度都至少在1秒以上，有時候我們需要把其中比如25毫秒的一小部分單獨拿出來研究。將一個信號依次取小段的操作，就稱作分幀。技術(shù)上，音頻分幀是通過給信號加一系列的 窗 函數(shù) 實現(xiàn)的。

我們把一種特殊的函數(shù)w[n]，稱作窗函數(shù)，如果對所有的n，有0=w[n]=1，且只有有限個n使得w[n]0。比如去噪要用到的漢寧窗，三角窗。

漢寧窗

三角窗

我們將平移的窗函數(shù)與原始信號相乘，便得到信號的“一幀”：

w[n+d]*x[n]

比如用長22.6毫秒的漢寧窗加到“skip”信號大約中間部位上，得到一幀的信號：

可見除一有限區(qū)間之外，加窗后的信號其他部分都是0。

對一幀信號可以施加離散傅里葉變換（也叫短時離散傅里葉變換），來獲取信號在這一幀內(nèi)（通常是很短時間內(nèi)），有關(guān)頻率-能量的分布信息。

如果我們把信號按照上述方法分成一幀一幀，又將每一幀用離散傅里葉變換轉(zhuǎn)換到頻域中去，最后將各幀在頻域的圖像拼接起來，用橫坐標代表時間，縱坐標代表頻率，顏色代表能量強度（比如紅色代表高能，藍色代表低能），那么我們就構(gòu)造出所謂 頻譜圖 。比如上述“skip”發(fā)音對應(yīng)的信號的頻譜圖是：

（使用5.8毫秒的漢寧窗）

從若干幀信號中，我們又可以恢復(fù)出原始信號。只要我們適當選取窗口大小，以及窗口之間的平移距離L，得到 ..., w[n+2L], w[n+L], w[n], w[n-L], w[n-2L], ...，使得對k求和有：

從而簡單的疊加各幀信號便可以恢復(fù)出原始信號：

最后，注意窗函數(shù)也可以在頻域作用到信號上，從而可以起到取出信號的某一頻段的作用。

下面簡單介紹一下3種音效。

1. 擴音

要擴大信號的強度，只要簡單的增大信號的“振幅”。比如給定一個信號x[n]，用a1去乘，便得到聲音更大的增強信號：

同理，用系數(shù)0a1去乘，便得到聲音變小的減弱信號。

2. 去噪（降噪）

對于白噪音，我們可以簡單的用“移動平均濾波器”來去除，雖然這也會一定程度降低聲音的強度，但效果的確不錯。但是，對于成分較為復(fù)雜，特別是頻段能量分布不均勻的噪聲，則需要使用下面的 噪聲門 技術(shù)，它可以看作是一種“多帶通濾波器”。

這個特效的基本思路是：對一段噪聲樣本建模，然后降低待降噪信號中噪聲的分貝。

更加細節(jié)的說，是在信號的若干頻段f[1], ..., f[M]上，分別設(shè)置噪聲門g[1], ..., g[M]，每個門都有一個對應(yīng)的閾值，分別是t[1], ..., t[M]。這些閾值時根據(jù)噪聲樣本確定的。比如當通過門g[m]的信號強度超過閾值t[m]時，門就會關(guān)閉，反之，則會重新打開。最后通過的信號便會只保留下來比噪聲強度更大的聲音，通常也就是我們想要的聲音。

為了避免噪聲門的開合造成信號的劇烈變動，筆者使用了sigmoid函數(shù)做平滑處理，即噪聲門在開-關(guān)2個狀態(tài)之間是連續(xù)變化的，信號通過的比率也是在1.0-0.0之間均勻變化的。

實現(xiàn)中，我們用漢寧窗對信號進行分幀。然后對每一幀，又用三角窗將信號分成若干頻段。對噪聲樣本做這樣的處理后，可以求出信號每一頻段對應(yīng)的閾值。然后，又對原始信號做這樣的處理（分幀+分頻），根據(jù)每一幀每一頻段的信號強度和對應(yīng)閾值的差（diff = energy-threshold），來計算對應(yīng)噪聲門的開合程度，即通過信號的強度。最后，簡單的將各頻段，各幀的通過信號疊加起來，便得到了降噪信號。

比如原先的“skip”語音信號頻譜圖如下：

可以看到有較多雜音（在高頻，低頻段，藍色部分）。采集0.25秒之前的聲音作為噪聲樣本，對信號作降噪處理，得到降噪后信號的頻譜圖如下：

可以明顯的看到大部分噪音都被清除了，而語音部分仍完好無損，強度也沒有減弱，這是“移動平均濾波器”所做不到的。

3. 靜音剪切

在對音頻進行上述降噪處理后，我們還可以進一步把多余的靜音去除掉。

剪切的原理十分簡單。首先用漢寧窗對信號做分幀。如果該幀信號強度過小，則舍去該幀。最后將保留的幀疊加起來，便得到了剪切掉靜音部分的信號。

比如，對降噪處理后的“skip”語音信號做靜音剪切，得到的新信號的頻譜圖為：

網(wǎng)頁標題：python實現(xiàn)窗函數(shù)的簡單介紹
網(wǎng)頁URL：http://www.rwnh.cn/article42/doohdhc.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站內(nèi)鏈、靜態(tài)網(wǎng)站、ChatGPT、做網(wǎng)站、品牌網(wǎng)站建設(shè)、自適應(yīng)網(wǎng)站

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)