Introducción
Transformada rápida estándar de Fourier
fft (a) [, n, eje, norma] ) |
Calcula la transformada discreta de Fourier 1D. |
ifft (a) [, n, eje, norma] ) |
Calcula la transformada de Fourier discreta inversa 1D. |
fft2 (a) [, s, ejes, norma] ) |
Calcula la transformada de Fourier discreta 2-D. |
ifft2 (a) [, s, ejes, norma] ) |
Calcula la transformada de Fourier discreta inversa 2-D. |
fftn (a) [, s, ejes, norma] ) |
Calcula la transformada discreta de Fourier n-dimensional. |
ifftn (a) [, s, ejes, norma] ) |
Calcula la transformada de Fourier discreta inversa N-dimensional. |
Transformada real de Fourier
rfft (a) [, n, eje, norma] ) |
Calcula la transformada de Fourier discreta 1D de la entrada real. |
irfft (a) [, n, eje, norma] ) |
Calcular rft . |
rfft2 (a) [, s, ejes, norma] ) |
Calcula la FFT 2-D de una matriz real. |
irfft2 (a) [, s, ejes, norma] ) |
Calcule rfft2 . |
rfftn (a) [, s, ejes, norma] ) |
Calcula la transformada discreta de Fourier N-dimensional de la entrada real. |
irfftn (a) [, s, ejes, norma] ) |
Calcular rfftn . |
Transformada rápida de Fourier de Hermitian
hfft (a) [, n, eje, norma] ) |
Calcule la FFT de una señal con simetría hermitiana, es decir, el espectro verdadero. |
ihfft (a) [, n, eje, norma] ) |
Calcula la FFT inversa de una señal con simetría hermitiana. |
rutina de ayuda
fftfreq n(n) [, d] ) |
Devuelve la frecuencia de muestreo de la transformada discreta de Fourier. |
rfftfreq n(n) [, d] ) |
Devuelve la frecuencia de muestreo de la transformada discreta de Fourier (para rfft, irfft). |
fftshift (x) [, ejes] ) |
Mueva el componente de frecuencia cero al centro del espectro. |
ifftshift (x) [, ejes] ) |
Marcha atrás fftshift . |
Este artículo principalmente agrega ruido a la música de Xianxiafeng y elimina el ruido.
Nombre del archivo de recursos: spring.wav
Ruta completa del recurso: https://github.com/fengjun321/noise.git
Código central: test3.py
Si el archivo de recursos falla, puede ir a Baidu para descargar otra música en formato wav en lugar de spring.wav
# 用于保存音频
import wave
#数学库
import numpy as np
import matplotlib.pyplot as plt
#中文支持和布局调整
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
plt.rcParams['figure.figsize']=(15,8)
plt.subplots_adjust(left=None, bottom=None, right=None, top=None,
wspace=0.5, hspace=0.5)
def saveAudio(filename,data,params):
with wave.open(filename + '.wav', 'wb') as wavfile:
print(params)
wavfile.setparams(params)
wavfile.writeframes(bytes(data))
def wavread(path):
wavfile = wave.open(path, "rb")
params = wavfile.getparams()
print(params)
framesra, frameswav = params[2], params[3]
datawav = wavfile.readframes(frameswav)
wavfile.close()
datause = np.frombuffer(datawav, dtype=np.short)
datause.shape = -1, 2
datause = datause.T
time = np.arange(0, frameswav) * (1.0 / framesra)
return datause, time, params
path = r"spring.wav"
wavdata, wavtime, params = wavread(path)
noise=np.random.rand(len(wavdata[0]))
noise_music = wavdata.copy() + noise
saveAudio("加噪后_spring", noise_music, params)
transformed=np.fft.fft2(noise_music)
avg1 = np.max(abs(transformed[0][1:]))/10000
avg2 = np.max(abs(transformed[1][1:]))/10000
transformed[0][np.where(abs(transformed[0])<=avg1)]=0+0j
transformed[1][np.where(abs(transformed[1])<=avg2)]=0+0j
noise_music = np.fft.ifft2(transformed).astype(int) #astype(int)很重要,过滤掉浮点过小信号
plt.subplot(231)
plt.title("原音频时序")
plt.plot(wavdata[0][4000:4500])
plt.subplot(232)
plt.title("原音频频域")
plt.plot(np.fft.fft(wavdata[0][4000:4200]))
plt.subplot(233)
plt.title("噪声音频时序")
plt.plot(noise_music[0][4000:4500])
plt.subplot(234)
plt.title("噪声音频频域")
plt.plot(np.fft.fft(noise_music[0][4000:4200]))
plt.show()
saveAudio("还原后_spring", noise_music, params)
Comparación de representaciones
La desventaja es que el ruido no es evidente en la imagen, porque la amplitud del ruido es pequeña y no es fácil de observar. Los lectores pueden ejecutar el código directamente para generar los archivos de audio correspondientes y la reproducción del efecto de sonido es más obvia.