音频 scipy 中 spectrogram 的运作机制

本文介绍的scipy 版本信息如下

Name: scipy
Version: 1.4.1
Summary: SciPy: Scientific Library for Python
Home-page: https://www.scipy.org
Author: 
Author-email: 
License: BSD
anaconda3/envs/torch1.7.1/lib/python3.7/site-packages
Requires: numpy
Required-by: scikit-learn, resampy, librosa

如图，给出了spectrogram 中核心调用函数， 除此之外，spectrogram 函数也调用了其他函数；

1. 输入输出参数

def spectrogram(x, fs=1.0, window=('tukey', .25), nperseg=None, noverlap=None,
                nfft=None, detrend='constant', return_onesided=True,
                scaling='density', axis=-1, mode='psd'):


   ...
   pass
   
   return freqs, time, Sxx

1.1 输入参数

 data: 音频数据，
 fs:   采样率
 mode: 复数模式

 **kwargs: {
    
      nperseg: 1000, noverlap: 500, nfft: 5000 }

nperseg: number of per segment;
代表每一段（帧）的点数长度， 默认值 None， 如果给出nperseg, 则使用给出值；
如果 window 是 字符或者元组， 则设置成256，
如果 window 是 类似数组， 则设置成 window 长度的大小；

noverlap: 相邻两帧之间的重叠度；
nfft; 对每一帧进行 FFT变换的点数；

1.2 输出参数

    Returns
    -------
    freqs : ndarray
        Array of sample frequencies.
    t : ndarray
        Array of times corresponding to each data segment
    result : ndarray
        Array of output data, contents dependent on *mode* kwarg.

freq: 频域信息 ；  样本的频率
t:    时域信息；    多帧的时间信息
spec:   时频谱， 基于 mode  选择输出；

1.3 输入，输出计算

当输入参数：

 data= 10001 个数值；  fs = 100;  mode = "complex";
 **kwargs: {
    
     nperseg: 1000, noverlap: 500, nfft: 5000 }

输出参数如下：

freq =  2501 个数值， 代表频率；
t = 19 个数值,  代表19 帧；
spect = (2501, 19)   输出的是一个复数矩阵， 由于mode = "complex"

2. spectrogram() 函数中的运作机制

2.1 选择模式

根据 modelist = [‘psd’, ‘complex’, ‘magnitude’, ‘angle’, ‘phase’]

选择对应的模式

2.2 调用 _triage_segments()

window, nperseg = _triage_segments(window, nperseg, input_length=x.shape[axis])

输入： window,  nperseg,  input_length()
返回参数：  win,  nperseg()

设置 window, nperseg参数， 用于 spectrogram 和 _spectral_helper()

参数解释：

window: string, tuple, or ndarray 可选的有三种类型；

• 如果window 窗口是通过 string ，or tuple 指定了， 并且 nperseg 没有指定，
  则nperseg 设置成256，并且返回指定窗口的长度；

• 如果window 是个 arrary_like（）类似数组的， 并且nperseg 没有指定，
  则nperseg 设置成窗口长度的大小；

• 错误情况， 如果用户同时提供了类似数组的窗口， 又提供 nperseg的数值， 但是nperseg ！= 数组窗口的长度；
  则会报错；

当window 是string 或者 tuple 类型时：
比如， window = (“tukey”, 0.25)， nperseg = 1000;

• 执行以下流程
  判断， nperseg 是否大于 input_length,
  if nperseg > input_length , 则发出警告， 说明设定一帧的长度大于输入的总长度，
  重新给nperseg 赋值， 赋值为 input_length;

• 然后调用 get_window(window, nperseg) 函数，获取 win 长度；
  返回 三个参数，

  1. 一个段（帧）中的样本点 （长度为nperseg），
  2. 窗口的类型；
  3. 是否采样fftbins,

最终 triage_segments() 返回的是，

1. window() 一帧的样本点数， 这里1000个数；
2. nperseg() 一帧样本的长度， 这里是指一个 整型数 ，数值为1000；

2.3 设置 noverlap

if noverlap is None:
    noverlap = nperseg // 8

2.4 核心调用 _spectral_helper()

根据模式选择， mode == stft:

当模式是STFT 或者 complex 时， 两者等价；

freqs, time, Sxx = _spectral_helper(x, x, fs, window, nperseg,
                                            noverlap, nfft, detrend,
                                            return_onesided, scaling, axis,
                                            mode='stft')                                                                                               

输出结果 freqs，time 和 Sxx，下面结合具体实现流程分析：

1. 判断模式是 psd, stft

2. boundary_func : 是否对输入信号在两边进行边界延拓，
   延拓的效果是在数据X的基础上， 向两侧分别延长 （nperseg//2）的长度，
   延拓的方式有 (const_ext, even_ext, odd_ext, zero_ext)；

3. 判断x, y 两个数据类型相等

4. 使得输出类型为 np.complex64 复数；

5. 调用 win, nperseg = _triage_segments(window, nperseg, input_length= x.shape[-1] )
   此时win = 之前的window ，为相同的一千个数；
   nperseg 仍代表 一个整形数 1000 ；

6. 判断 nfft 的点数必须 >= nperseg, 一个段（帧）中的点数；

7. nstep = nperseg - noverlap

8. 根据scaling 是 density 还是 spectrum, 求出对应的scale,
   这里采用 density 求出的 scale 为0.00344；

9. freqs = sp_fft.rfftfreq(nfft, 1/fs)  
   

   该函数的作用是取 nfft 中的， 单边fft 取实数部分， 所以 rfft 求出来的个数，是nfft 中的一半；

   freqs = 2501 ( nfft/2)； 执行结束后， freqs= ( 2501,) 是包含 2501 个数的数组；

10. _fft_helper()
    主要实现 FFT 变换的计算， 在这一步骤中；
    对每一个 nperseg 窗口序列的长度， 进行nfft 长度的fft 变换；

10.1. 求出 step = nperseg - noverlap = 500
10.2. 求出 shape = (19, 1000) tuple;
10.3. 求出 strides = (4000, 8)
 
10.4. result = fun1（x, shape, strides）, ndarray(19, 1000)
    detrend(result), 对每一帧数据进行去 趋势效应；

10.5.  result = win * result;
   result = (19, 1000)
      
10.6. result = result. real  ， 取出 result 中的实部， 本来就是实数；

10.7. 令 func = sp_fft. rfft;

10.8. result = func(result, n= nfft),  
   result = (19, 1000) , nfft = 5000;
   result = (19, 2501)  是一个复数矩阵， 每一个数都是复数；

11. result *= scale 进行尺度缩放；

12. time = {ndarray: 19}

13. result = 维度置换， resutl: (19, 2501) --> (2501, 19)

2.5 小结

scipy中 spectrogram 函数中的核心实现，通过 _spectral_helper() 函数；

而 _spectral_helper() 中的核心功能是通过 _fft_helper() 实现；
最终 spectrogram 函数返回的参数， 都是通过_spectral_helper() 函数获得的，spectrogram 返回的是三项参数：

freqs: 2501 个数
time: 19 段帧，
result: （2501， 19） 一个复数矩阵，  代表了时频谱图；

3. scipy 中的 spectral.py 文件介绍

该文件中， 主要实现了 14 个功能函数，

其中 10 个核心函数：

stft, istft, csd, welch, coherence, periodogram, 
spectrogram, check_COLA, check_NOLA, lombscargle

4 个辅助函数；

_triage_segments()
_spectral_helper()
_fft_helper()
_median_bias()

其余的为其他模块中的函数调用；

3.1 调用关系

3.2 运作机制

具体的运作机理， 请阅读这里参考spectral.py