Skip to main content
 首页 » 编程设计

python之从 PyAudio 接收到的数据的 FFT 给出了错误的频率

2024年11月24日1798°冷暖

我的主要任务是实时识别麦克风中的人声。作为一般识别信号的第一步,我对手机上的应用程序生成的 440 Hz 信号进行了 5 秒的录音,并尝试检测相同的频率。

我使用 Audacity 从同一个 440Hz wav 文件绘制和验证频谱,我得到了这个,这表明 440Hz 确实是主频率: ( https://i.imgur.com/2UImEkR.png )

为了用 python 做到这一点,我使用了 PyAudio图书馆和引用this blog .到目前为止,我使用 wav 文件运行的代码是这样的:

"""PyAudio Example: Play a WAVE file.""" 
 
import pyaudio 
import wave 
import sys 
import struct 
import numpy as np 
import matplotlib.pyplot as plt 
 
CHUNK = 1024 
 
if len(sys.argv) < 2: 
    print("Plays a wave file.\n\nUsage: %s filename.wav" % sys.argv[0]) 
    sys.exit(-1) 
 
wf = wave.open(sys.argv[1], 'rb') 
 
p = pyaudio.PyAudio() 
stream = p.open(format=p.get_format_from_width(wf.getsampwidth()), 
                channels=wf.getnchannels(), 
                rate=wf.getframerate(), 
                output=True) 
 
data = wf.readframes(CHUNK) 
 
i = 0 
while data != '': 
    i += 1 
    data_unpacked = struct.unpack('{n}h'.format(n= len(data)/2 ), data)  
    data_np = np.array(data_unpacked)  
    data_fft = np.fft.fft(data_np) 
    data_freq = np.abs(data_fft)/len(data_fft) # Dividing by length to normalize the amplitude as per https://www.mathworks.com/matlabcentral/answers/162846-amplitude-of-signal-after-fft-operation 
    print("Chunk: {} max_freq: {}".format(i,np.argmax(data_freq))) 
 
    fig = plt.figure() 
    ax = fig.add_subplot(1,1,1) 
    ax.plot(data_freq) 
    ax.set_xscale('log') 
    plt.show() 
 
    stream.write(data) 
    data = wf.readframes(CHUNK) 
 
stream.stop_stream() 
stream.close() 
 
p.terminate() 

在输出中,我得到所有 block 的最大频率为 10,其中一个图的示例是: ( https://i.imgur.com/zsAXME5.png )

我原以为所有 block 的这个值都是 440 而不是 10。我承认我对 FFT 的理论知之甚少,感谢任何帮助我解决这个问题的人。

编辑: 采样率为 44100。 channel 数为2,样本宽度也为2。

请您参考如下方法:

前言

正如 xdurch0 所指出的,您正在阅读一种索引而不是频率。如果您要自己进行所有计算,如果您想获得一致的结果,则需要在绘图之前计算您自己的频率向量。阅读此 answer可能会帮助您找到解决方案。

FFT(半平面)的频率向量是:

 f = np.linspace(0, rate/2, N_fft/2) 

或者(全平面):

 f = np.linspace(-rate/2, rate/2, N_fft) 

另一方面,我们可以将大部分工作委托(delegate)给优秀的 scipy.signal 工具箱,它旨在处理此类问题(以及更多问题)。

MCVE

使用 scipy 包可以直接获得具有单一频率 ( source ) 的简单 WAV 文件所需的结果:

import numpy as np 
from scipy import signal 
from scipy.io import wavfile 
import matplotlib.pyplot as plt 
 
# Read the file (rate and data): 
rate, data = wavfile.read('tone.wav') # See source 
 
# Compute PSD: 
f, P = signal.periodogram(data, rate) # Frequencies and PSD 
 
# Display PSD: 
fig, axe = plt.subplots() 
axe.semilogy(f, P) 
axe.set_xlim([0,500]) 
axe.set_ylim([1e-8, 1e10]) 
axe.set_xlabel(r'Frequency, $\nu$ $[\mathrm{Hz}]$') 
axe.set_ylabel(r'PSD, $P$ $[\mathrm{AU^2Hz}^{-1}]$') 
axe.set_title('Periodogram') 
axe.grid(which='both') 

基本上:

这个输出:

寻找峰值

然后我们可以使用find_peaks 找到第一个最高峰的频率(P>1e-2,这个标准需要调整) :

idx = signal.find_peaks(P, height=1e-2)[0][0] 
f[idx] # 440.0 Hz 

将所有内容放在一起可以归结为:

def freq(filename, setup={'height': 1e-2}): 
    rate, data = wavfile.read(filename) 
    f, P = signal.periodogram(data, rate) 
    return f[signal.find_peaks(P, **setup)[0][0]] 

处理多个 channel

I tried this code with my wav file, and got the error for the line axe.semilogy(f, Pxx_den) as follows : ValueError: x and y must have same first dimension. I checked the shapes and f has (2,) while Pxx_den has (220160,2). Also, the Pxx_den array seems to have all zeros only.

Wav file可以容纳多个 channel ,主要有单声道或立体声文件(最大 2**16 - 1 channel )。您在下划线处出现的问题是由于多 channel 文件 ( stereo sample ) 造成的。

rate, data = wavfile.read('aaaah.wav') # Shape: (46447, 2), Rate: 48 kHz 

没有很好的记录,但是方法signal.periodogram也对矩阵执行,它的输入不直接与wavfile.read一致> 输出(它们默认在不同的轴上执行)。所以我们需要在执行 PSD 时仔细定位维度(使用 axis 开关):

f, P = signal.periodogram(data, rate, axis=0, detrend='linear') 

它也适用于转置 data.T 但随后我们需要对结果进行反向转置。

指定轴解决了问题:频率向量是正确的并且 PSD 不是处处为空(在它对长度为 2 的 axis=1 执行之前,在你的情况它对 2 个样本信号执行 220160 PSD 我们想要相反的结果)。

detrend 开关确保信号具有零均值并移除其线性趋势。

实际应用

这种方法应该适用于真正的分块样本,前提是分块包含足够的数据(参见 Nyquist-Shannon sampling theorem )。然后数据是信号的子样本( block )并且速率保持不变,因为它在过程中不会改变。

拥有大小为 2**10 的 block 似乎可行,我们可以从中识别特定频率:

f, P = signal.periodogram(data[:2**10,:], rate, axis=0, detrend='linear') # Shapes: (513,) (513, 2) 
idx0 = signal.find_peaks(P[:,0], threshold=0.01, distance=50)[0] # Peaks: [46.875, 2625., 13312.5, 16921.875] Hz 
 
fig, axe = plt.subplots(2, 1, sharex=True, sharey=True) 
axe[0].loglog(f, P[:,0]) 
axe[0].loglog(f[idx0], P[idx0,0], '.') 
# [...] 

此时,最棘手的部分是微调 find-peaks 方法以捕获所需的频率。您可能需要考虑对信号进行预过滤或对 PSD 进行后处理,以便更容易识别。