傅里叶变换音频加入噪声和去除噪声（python二维fft2,ifft2）-Toy模板网

这篇具有很好参考价值的文章主要介绍了傅里叶变换音频加入噪声和去除噪声（python二维fft2,ifft2）。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

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

傅里叶变换音频加入噪声和去除噪声（python二维fft2,ifft2）