简介
标准快速傅立叶变换
fft (a) [, n, axis, norm] ) |
计算一维离散傅立叶变换。 |
ifft (a) [, n, axis, norm] ) |
计算一维逆离散傅立叶变换。 |
fft2 (a) [, s, axes, norm] ) |
计算二维离散傅里叶变换。 |
ifft2 (a) [, s, axes, norm] ) |
计算二维逆离散傅立叶变换。 |
fftn (a) [, s, axes, norm] ) |
计算n维离散傅立叶变换。 |
ifftn (a) [, s, axes, norm] ) |
计算N维逆离散傅立叶变换。 |
实数傅立叶变换
rfft (a) [, n, axis, norm] ) |
计算实际输入的一维离散傅立叶变换。 |
irfft (a) [, n, axis, norm] ) |
计算 rfft . |
rfft2 (a) [, s, axes, norm] ) |
计算实数组的二维FFT。 |
irfft2 (a) [, s, axes, norm] ) |
计算 rfft2 . |
rfftn (a) [, s, axes, norm] ) |
计算实际输入的N维离散傅立叶变换。 |
irfftn (a) [, s, axes, norm] ) |
计算 rfftn . |
埃尔米特快速傅里叶变换
hfft (a) [, n, axis, norm] ) |
计算具有赫米特对称性的信号的FFT,即真实频谱。 |
ihfft (a) [, n, axis, norm] ) |
计算具有厄米特对称性的信号的逆FFT。 |
助手例程
fftfreq n(n) [, d] ) |
返回离散傅立叶变换采样频率。 |
rfftfreq n(n) [, d] ) |
返回离散傅立叶变换采样频率(用于rfft、irfft)。 |
fftshift (x) [, axes] ) |
将零频率分量移到频谱中心。 |
ifftshift (x) [, axes] ) |
逆 fftshift . |
本文主要对仙侠风音乐加入噪声,并去除噪声
资源文件名:spring.wav
资源完整路径:https://github.com/fengjun321/noise.git
核心代码:test3.py
若资源文件失效,可去百度下载别的wav格式音乐代替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)
效果图对比
文章来源:https://www.toymoban.com/news/detail-409010.html
不足之处,没在图片明显看出噪声,因为噪声振幅小,不易于观察。读者可直接运行代码,生成对应音频文件,音效播放对比明显。 文章来源地址https://www.toymoban.com/news/detail-409010.html
到了这里,关于傅里叶变换音频加入噪声和去除噪声(python二维fft2,ifft2)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!