音频干扰检测(时域方法)

2024-03-27 13:12

本文主要是介绍音频干扰检测(时域方法),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

请注意注释掉的代码:逐个包络比对就不能加窗了。

import librosa

import numpy as np

from scipy.signal import windows

import matplotlib.pyplot as plt

# 读取音频文件

audio_file = 'sine.wav'

signal, sample_rate = librosa.load(audio_file, sr=None, mono=False)

# 检查通道数并处理信号

if signal.ndim > 1:

    num_channels = signal.shape[0]

    print(f"音频文件有 {num_channels} 个通道")

    # 如果是4通道,取第X个通道进行处理,这里示例取第4个通道(索引为3)

    if num_channels == 2:

        signal = signal[0, :]

else:

    # 如果信号是单通道,直接使用

    print("音频文件是单通道")

# 计算每个周期的采样点数

cycle_samples = int(sample_rate / 1000)

# # 创建汉宁窗

# window_length = cycle_samples * 1  # 窗长度为10个周期

# window = windows.hann(window_length)

# # 对信号的开头和结尾分别应用汉宁窗

# windowed_signal = signal.copy()

# windowed_signal[:window_length//2] *= window[:window_length//2]

# windowed_signal[-window_length//2:] *= window[window_length//2:]

# 计算周期数

num_cycles = len(signal) // cycle_samples

# 存储异常周期的时间点和幅值

anomaly_times = []

anomaly_amplitudes = []

# 逐个周期比较包络

for i in range(num_cycles - 1):

    start = i * cycle_samples

    end = (i + 1) * cycle_samples

    current_cycle = signal[start:end]

    next_cycle = signal[end:end+cycle_samples]

   

    # 计算当前周期和下一个周期的包络差异

    diff = np.abs(current_cycle - next_cycle)

   

    # 如果差异大于阈值,则认为是异常周期

    if np.max(diff) > 0.1:

        anomaly_time = start / sample_rate

        anomaly_times.append(anomaly_time)

        anomaly_amplitudes.append(np.max(np.abs(current_cycle)))

# 打印异常周期的时间点和幅值

for time, amplitude in zip(anomaly_times, anomaly_amplitudes):

    print(f"异常周期时间点: {time:.3f}s, 幅值: {amplitude:.3f}")

# 绘制时域波形图

time = np.arange(len(signal)) / sample_rate

plt.figure(figsize=(8,4))

plt.plot(time, signal, label='Signal')

# 标注异常周期

for t in anomaly_times:

    plt.axvline(x=t, color='r', linestyle='--', label='Anomaly Detected')

plt.xlabel('Time(s)')

plt.ylabel('Amplitude')

plt.title('Windowed Waveform with Anomalies Highlighted')

plt.legend()

plt.show()

这篇关于音频干扰检测(时域方法)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/852204

相关文章

Python实现图片分割的多种方法总结

《Python实现图片分割的多种方法总结》图片分割是图像处理中的一个重要任务,它的目标是将图像划分为多个区域或者对象,本文为大家整理了一些常用的分割方法,大家可以根据需求自行选择... 目录1. 基于传统图像处理的分割方法(1) 使用固定阈值分割图片(2) 自适应阈值分割(3) 使用图像边缘检测分割(4)

Java中Switch Case多个条件处理方法举例

《Java中SwitchCase多个条件处理方法举例》Java中switch语句用于根据变量值执行不同代码块,适用于多个条件的处理,:本文主要介绍Java中SwitchCase多个条件处理的相... 目录前言基本语法处理多个条件示例1:合并相同代码的多个case示例2:通过字符串合并多个case进阶用法使用

Python中__init__方法使用的深度解析

《Python中__init__方法使用的深度解析》在Python的面向对象编程(OOP)体系中,__init__方法如同建造房屋时的奠基仪式——它定义了对象诞生时的初始状态,下面我们就来深入了解下_... 目录一、__init__的基因图谱二、初始化过程的魔法时刻继承链中的初始化顺序self参数的奥秘默认

html5的响应式布局的方法示例详解

《html5的响应式布局的方法示例详解》:本文主要介绍了HTML5中使用媒体查询和Flexbox进行响应式布局的方法,简要介绍了CSSGrid布局的基础知识和如何实现自动换行的网格布局,详细内容请阅读本文,希望能对你有所帮助... 一 使用媒体查询响应式布局        使用的参数@media这是常用的

Spring 基于XML配置 bean管理 Bean-IOC的方法

《Spring基于XML配置bean管理Bean-IOC的方法》:本文主要介绍Spring基于XML配置bean管理Bean-IOC的方法,本文给大家介绍的非常详细,对大家的学习或工作具有一... 目录一. spring学习的核心内容二. 基于 XML 配置 bean1. 通过类型来获取 bean2. 通过

基于Python实现读取嵌套压缩包下文件的方法

《基于Python实现读取嵌套压缩包下文件的方法》工作中遇到的问题,需要用Python实现嵌套压缩包下文件读取,本文给大家介绍了详细的解决方法,并有相关的代码示例供大家参考,需要的朋友可以参考下... 目录思路完整代码代码优化思路打开外层zip压缩包并遍历文件:使用with zipfile.ZipFil

Python处理函数调用超时的四种方法

《Python处理函数调用超时的四种方法》在实际开发过程中,我们可能会遇到一些场景,需要对函数的执行时间进行限制,例如,当一个函数执行时间过长时,可能会导致程序卡顿、资源占用过高,因此,在某些情况下,... 目录前言func-timeout1. 安装 func-timeout2. 基本用法自定义进程subp

Python列表去重的4种核心方法与实战指南详解

《Python列表去重的4种核心方法与实战指南详解》在Python开发中,处理列表数据时经常需要去除重复元素,本文将详细介绍4种最实用的列表去重方法,有需要的小伙伴可以根据自己的需要进行选择... 目录方法1:集合(set)去重法(最快速)方法2:顺序遍历法(保持顺序)方法3:副本删除法(原地修改)方法4:

Python中判断对象是否为空的方法

《Python中判断对象是否为空的方法》在Python开发中,判断对象是否为“空”是高频操作,但看似简单的需求却暗藏玄机,从None到空容器,从零值到自定义对象的“假值”状态,不同场景下的“空”需要精... 目录一、python中的“空”值体系二、精准判定方法对比三、常见误区解析四、进阶处理技巧五、性能优化

C++中初始化二维数组的几种常见方法

《C++中初始化二维数组的几种常见方法》本文详细介绍了在C++中初始化二维数组的不同方式,包括静态初始化、循环、全部为零、部分初始化、std::array和std::vector,以及std::vec... 目录1. 静态初始化2. 使用循环初始化3. 全部初始化为零4. 部分初始化5. 使用 std::a