信号处理（二）音频信号的分帧，加窗

ZhengXinTang

已于 2022-05-18 13:57:53 修改

阅读量4.4k

点赞数 5

分类专栏： # 音频部分文章标签：深度学习数字信号处理

于 2021-12-01 14:10:19 首次发布

本文链接：https://blog.csdn.net/chumingqian/article/details/121653741

版权

音频部分专栏收录该内容

44 篇文章 182 订阅

订阅专栏

1 .语音信号的三个参数

语音信号有三个重要的参数：声道数、取样频率和量化位数。

声道数：单声道或者双声道
采样频率：一秒钟对声音采样的次数，例如10000HZ代表一秒钟将信号分解为10000份，当采样数量非常高的时候，我们人眼看起来就是连续的。（实际是离散的）。采样频率越高声音的还原就越真实越自然。在当今的主流采集卡上，采样频率一般共分为22.05KHz、44.1KHz、48KHz三个等级，22.05KHz只能达到FM广播的声音品质，44.1KHz则是理论上的CD音质界限，48KHz则更加精确一些。
量化位数：用多少bit表达一次采样所采集的数据，通常有8bit、16bit、24bit和32bit等几种。
例如CD中所储存的声音信号是双声道、44.1kHz、16bit。
过零率（Zero Crossing Rate）
概念：过零率（Zero Crossing Rate，ZCR）是指在每帧中，语音信号通过零点（从正变为负或从负变为正）的次数。这个特征已在语音识别和音乐信息检索领域得到广泛使用，是对敲击的声音的分类的关键特征。

ZCR的数学形式化定义为：
其中是采样点的值，为帧长，函数在A为真是值为1，否则为0.
特性：
(1).一般而言，清音（unvoiced sound）和环境噪音的ZCR都大于浊音（voiced sound）；
(2).由于清音和环境噪音的ZCR大小相近，因而不能够通过ZCR来区分它们；
(3).在实际当中，过零率经常与短时能量特性相结合来进行端点检测，尤其是ZCR用来检测清音的起止点；
(4).有时也可以用ZCR来进行粗略的基频估算，但这是非常不可靠的，除非有后续的修正（refine）处理过程。

2. 信号的分帧

给定一个音频文件，通过 Load 加载进来得打signal, shape 为（M ）, 比如 sr = 22050, t = 10.62s;

通过分帧后，将一维的 M 转化为二维的分帧矩阵：
矩阵的行数 = 单帧的帧长度
矩阵的列数 = 分帧的帧数 $n f$ :

2.1 样本总点数；

$M = s r * t i m e = 采样率 \times 时间$

2.2 单帧内的重叠点数；

      重叠个数 = 帧长 -  帧移动长度:

$o v e r l a p = w l e n - i n c$

2.3 分帧后的帧数；

$n f = (信号点数 - 重叠个数) / 帧移长度$ :
$\frac{M - overlap}{ inc}$

比如帧长=2048；帧移 = 512；
overlap = 2048 -512 = 1536;

举个例子，假设一个音频向量为：
$[0, 1, 2, 3, 4, 5]$ ，
点数 m = 6
若帧长为4，帧移为2，overlap = 4 -2 = 2;
则分帧后得到的帧数为：
nf = ( 6 - 2) /2 = 2 , 得到 2 帧；

$\begin{bmatrix} 0& 2 \\ 1&3 \\ 2 &4 \\ 3 &5 \\ \end{bmatrix}$
每一帧都有4个基本元素。

3. 信号的加窗

3.1 FFT 变换的条件

FFT变换时，总是从离散数据中选取一部分处理，将其称为一帧数据。
并且FFT是在一定假设下完成的，即认为被处理的信号是周期信号。

因此，FFT之前会对这一帧数据进行周期扩展（加窗，使得这帧数据近似周期信号）。

如果选取的这一帧数据不是信号周期的整数倍，则在周期扩展时会存在样点的不连续性，这将导致FFT之后得到的频谱失真，主要体现在频率成分上。理论上，频谱中只包含待测信号的频率，但实际上此时的频谱包含众多的频率分量。通常将这种现象称为频谱泄露效应。

3.2 加窗的原因

为了解决上述频谱泄露现象，故对帧信号进行加窗，使得加窗后的信号，左右两端连起来时，更具有周期性；

3.3 加窗的效果

而通常一小段音频数据没有明显的周期性，加上汉明窗后，数据形状就有点周期的感觉了。（也就是说窗的左端和右端应该大致能连在一起）；

对汉明窗中的数据进行FFT 时，它假设一个窗内的信号是代表一个周期的信号。

因为加上汉明窗，只有中间的数据体现出来了，两边的数据信息丢失了，所以等会移窗的时候，只会移1/3或1/2窗，这样被前一帧或二帧丢失的数据又重新得到了体现。

4.STFT：

4.2 平稳信号的 FFT

即傅里叶变换适用于分析频率特征稳定的平稳信号。
对于非平稳信号，傅里叶变换只能表示出信号中有哪些频率成分，而各个频率成分出现的时间却无法体现；

短时傅里叶变换，是为了克服傅里叶变换针对非平稳信号的不足之处；

当想知道信号频率随时间变化的情况，以及各个时刻的瞬时频率及其幅值，

这便是时频分析，即考虑频率特征，也考虑时间序列变化，以及他们对应的幅度值；
常用方法：STFT, wavelet;

4.2 帧信号的 FFT

对加窗后的信号，会逐帧进行快速傅里叶变换（fast Fourier transform，FFT）。
逐帧进行快速傅里叶变换的过程被称为短时傅里叶变换（short-time Fourier transform 或 short-term Fourier transform，STFT）