我正在尝试展示一些PCM数据的可视化效果。目标是显示类似以下内容的内容:
我搜索了一下,发现JTransform是正确的库。但是,我找不到一个好的指南来指导如何使用这个库。如何将PCM数据转换为可用于绘制条形图的频带/频率数据?
非常感谢。
发布于 2018-05-29 02:18:10
PCM音频是模拟音频曲线的数字化简化。这个时域信号可以被馈送到离散傅立叶变换api调用中,以将数据转换为其频域等效信号...虚数和欧拉公式是你的朋友
最简单的部分是调用fft,它更复杂的是解析它的输出...用你的PCM中的至少1024点(确保它是2的幂)填充一个缓冲区,然后把它输入到一些fft api调用中……这将返回给你它的频域等价物。无论你使用哪种离散傅立叶变换api调用,都可以锁定文档...查找奈奎斯特极限的概念。掌握频点的概念……保持每个缓冲区的采样数量和PCM音频的采样速率
请注意,随着输入到傅立叶变换的音频样本(音频曲线上的PCM点)数量的增加,从该呼叫返回的频率分辨率越高,但是,如果您的音频是音乐之类的动态信号(而不是静态音调),这会降低时间特异性
这是我用golang编写的一个函数,它是对DFT调用的包装,我给它提供了一个PCM原始音频缓冲区,它被归一化为从-1到+1的浮点数,其中它进行离散傅立叶变换(fft)调用,然后使用从DFT返回的复数组来计算每个频率域的幅值。项目的一部分,它通过观看视频(一次一个图像)来合成音频,然后它可以收听音频来合成输出图像……实现了输出照片与输入照片基本匹配的目标......输入图像->音频->输出图像
func discrete_time_fourier_transform(aperiodic_audio_wave []float64, flow_data_spec *Flow_Spec) ([]discrete_fft, float64, float64, []float64) {
min_freq := flow_data_spec.min_freq
max_freq := flow_data_spec.max_freq
// https://www.youtube.com/watch?v=mkGsMWi_j4Q
// Discrete Fourier Transform - Simple Step by Step
var complex_fft []complex128
complex_fft = fft.FFTReal(aperiodic_audio_wave) // input time domain ... output frequency domain of equally spaced freqs
number_of_samples := float64(len(complex_fft))
nyquist_limit_index := int(number_of_samples / 2)
all_dft := make([]discrete_fft, 0) // 20171008
/*
0th term of complex_fft is sum of all other terms
often called the bias shift
*/
var curr_real, curr_imag, curr_mag, curr_theta, max_magnitude, min_magnitude float64
max_magnitude = -999.0
min_magnitude = 999.0
min_magnitude = 999.0
all_magnitudes := make([]float64, 0)
curr_freq := 0.0
incr_freq := flow_data_spec.sample_rate / number_of_samples
for index, curr_complex := range complex_fft { // we really only use half this range + 1
// if index <= nyquist_limit_index {
if index <= nyquist_limit_index && curr_freq >= min_freq && curr_freq < max_freq {
curr_real = real(curr_complex) // pluck out real portion of imaginary number
curr_imag = imag(curr_complex) // ditto for im
curr_mag = 2.0 * math.Sqrt(curr_real*curr_real+curr_imag*curr_imag) / number_of_samples
curr_theta = math.Atan2(curr_imag, curr_real)
curr_dftt := discrete_fft{
real: 2.0 * curr_real,
imaginary: 2.0 * curr_imag,
magnitude: curr_mag,
theta: curr_theta,
}
if curr_dftt.magnitude > max_magnitude {
max_magnitude = curr_dftt.magnitude
}
if curr_dftt.magnitude < min_magnitude {
min_magnitude = curr_dftt.magnitude
}
// ... now stow it
all_dft = append(all_dft, curr_dftt)
all_magnitudes = append(all_magnitudes, curr_mag)
}
curr_freq += incr_freq
}
return all_dft, max_magnitude, min_magnitude, all_magnitudes
}
现在您有了一个数组all_magnitudes,其中数组的每个元素都是该频率段的大小……每个频率单元由由上述变量incr_freq定义的频率增量均匀地间隔。使用min和max_magnitude来归一化大小...它准备好输入到X,Y图中,为您提供谱图可视化
我建议打开一些书..。观看我在上面的评论中提到的视频…我一直在探索傅里叶变换的奇妙之处,因为我是一名EE本科生,它充满了令人惊讶的应用,它的理论仍然是一个非常活跃的研究领域
https://stackoverflow.com/questions/50561419
复制相似问题