Question

我正在处理wav文件以通过FFT进行幅度和频率分析，但是我无法以时间序列格式将数据输出到csv。

在此帖子中，大量使用@Beginner的答案：How to convert a .wav file to a spectrogram in python3，我能够在图像中获得频谱图输出。我正在尝试稍微简化一下以获取csv格式的文本输出，但是我没有看到如何做。我希望实现的结果如下所示：

time_in_ms，振幅in_dB，freq_in_kHz
.001，-115、1
.002，-110、2
.003、20、200
...
19000、20、200

在测试中，我一直使用http://soundbible.com/2123-40-Smith-Wesson-8x.html，（注意：我将wav简化为单个通道，并删除了带有Audacity的元数据以使其正常工作。）

@Beginner的大量道具占99.9％以下，毫无意义的东西肯定是我的。

import numpy as np
from matplotlib import pyplot as plt
import scipy.io.wavfile as wav
from numpy.lib import stride_tricks

filepath = "40sw3.wav"

""" short time fourier transform of audio signal """
def stft(sig, frameSize, overlapFac=0.5, window=np.hanning):
    win = window(frameSize)
    hopSize = int(frameSize - np.floor(overlapFac * frameSize))

    # zeros at beginning (thus center of 1st window should be for sample nr. 0)   
    samples = np.append(np.zeros(int(np.floor(frameSize/2.0))), sig)    
    # cols for windowing
    cols = np.ceil( (len(samples) - frameSize) / float(hopSize)) + 1
    # zeros at end (thus samples can be fully covered by frames)
    samples = np.append(samples, np.zeros(frameSize))

    frames = stride_tricks.as_strided(samples, shape=(int(cols), frameSize), strides=(samples.strides[0]*hopSize, samples.strides[0])).copy()
    frames *= win

    return np.fft.rfft(frames)    

""" scale frequency axis logarithmically """    
def logscale_spec(spec, sr=44100, factor=20.):
    timebins, freqbins = np.shape(spec)

    scale = np.linspace(0, 1, freqbins) ** factor
    scale *= (freqbins-1)/max(scale)
    scale = np.unique(np.round(scale))

    # create spectrogram with new freq bins
    newspec = np.complex128(np.zeros([timebins, len(scale)]))
    for i in range(0, len(scale)):        
        if i == len(scale)-1:
            newspec[:,i] = np.sum(spec[:,int(scale[i]):], axis=1)
        else:        
            newspec[:,i] = np.sum(spec[:,int(scale[i]):int(scale[i+1])], axis=1)

    # list center freq of bins
    allfreqs = np.abs(np.fft.fftfreq(freqbins*2, 1./sr)[:freqbins+1])
    freqs = []
    for i in range(0, len(scale)):
        if i == len(scale)-1:
            freqs += [np.mean(allfreqs[int(scale[i]):])]
        else:
            freqs += [np.mean(allfreqs[int(scale[i]):int(scale[i+1])])]

    return newspec, freqs

""" compute spectrogram """
def compute_stft(audiopath, binsize=2**10):
    samplerate, samples = wav.read(audiopath)
    s = stft(samples, binsize)
    sshow, freq = logscale_spec(s, factor=1.0, sr=samplerate)
    ims = 20.*np.log10(np.abs(sshow)/10e-6) # amplitude to decibel
    return ims, samples, samplerate, freq

""" plot spectrogram """
def plot_stft(ims, samples, samplerate, freq, binsize=2**10, plotpath=None, colormap="jet"):
    timebins, freqbins = np.shape(ims)

    plt.figure(figsize=(15, 7.5))
    plt.imshow(np.transpose(ims), origin="lower", aspect="auto", cmap=colormap, interpolation="none")
    plt.colorbar()

    plt.xlabel("time (s)")
    plt.ylabel("frequency (hz)")
    plt.xlim([0, timebins-1])
    plt.ylim([0, freqbins])

    xlocs = np.float32(np.linspace(0, timebins-1, 5))
    plt.xticks(xlocs, ["%.02f" % l for l in ((xlocs*len(samples)/timebins)+(0.5*binsize))/samplerate])
    ylocs = np.int16(np.round(np.linspace(0, freqbins-1, 10)))
    plt.yticks(ylocs, ["%.02f" % freq[i] for i in ylocs])

    if plotpath:
        plt.savefig(plotpath, bbox_inches="tight")
    else:
        plt.show()

    plt.clf()

"" HERE IS WHERE I'm ATTEMPTING TO GET IT OUT TO TXT """
ims, samples, samplerate, freq = compute_stft(filepath)

""" Print lengths """
print('ims len:', len(ims))
print('samples len:', len(samples))
print('samplerate:', samplerate)
print('freq len:', len(freq))

""" Write values to files """
np.savetxt(filepath + '-ims.txt', ims, delimiter=', ', newline='\n', header='ims')
np.savetxt(filepath + '-samples.txt', samples, delimiter=', ', newline='\n', header='samples')
np.savetxt(filepath + '-frequencies.txt', freq, delimiter=', ', newline='\n', header='frequencies')

就输出值而言，我正在分析的文件长约19.1秒，采样率是44100，因此我希望任何给定变量的值都约为842k。但是我没有看到我的期望。相反，这是我看到的：

freqs仅包含少数几个值512，尽管它们似乎是预期频率的正确范围，但它们的排列顺序从最小到最大，而不是我期望的时间顺序。我认为512个值是FFT中的“快速”值，基本上是下采样的...

ims似乎是振幅，但值似乎太高，尽管样本大小正确。应该看到-50高达〜240dB。

样本。。。不确定。

简而言之，有人可以建议我如何将FFT转换为带有整个样本集的时间，安培和频率值的文本文件吗？ savetxt是正确的路由，还是有更好的方法？可以肯定地使用此代码来制作一个很棒的频谱图，但是我如何才能取出数据呢？

Answer 1

您的输出格式过于局限，因为在任何时间间隔的音频频谱通常都包含一个频率范围。例如，1024个样本的FFT将包含一个时间窗或时间步长的512个频点，每个频点都有一个幅度。如果您想要一个1毫秒的时间步长，那么您将必须偏移向每个STFT馈送的样本窗口，以使该窗口在样本矢量中的该点居中。尽管FFT的长度约为23毫秒，但这将导致窗口的高度重叠。您可以使用更短的窗口，但是时频权衡会导致频率分辨率成比例地降低。

将wav文件转换为幅度和频率值，以进行文本时间序列分析

1 个答案: