Python 基于FIR实现Hilbert滤波器求信号包络

Python 基于FIR实现Hilbert滤波器求信号包络

在通信领域，可以通过希尔伯特变换求解解析信号，进而求解窄带信号的包络。实现希尔伯特变换有两种方法，一种是对信号做FFT，单后只保留单边频谱，在做IFFT，我们称之为频域方法；另一种是基于FIR根据传递函数设计一个希尔伯特滤波器，我们称之为时域方法。

# -*- coding:utf8 -*-
# @TIME     : 2019/4/11 18:30
# @Author   : SuHao
# @File     : hilberfilter.py


import scipy.signal as signal
import numpy as np
import librosa as lib
import matplotlib.pyplot as plt
import time
# from preprocess_filter import *

# 读取音频文件
ex = '..\\..\\数据集2\\pre2012\\bflute\\BassFlute.ff.C5B5.aiff'
time_series, fs = lib.load(ex, sr=None, mono=True, res_type='kaiser_best')

# 生成一个chirp信号
# duration = 2.0
# fs = 400.0
# samples = int(fs*duration)
# t = np.arange(samples) / fs
# time_series = signal.chirp(t, 20.0, t[-1], 100.0)
# time_series *= (1.0 + 0.5 * np.sin(2.0*np.pi*3.0*t) )

def hilbert_filter(x, fs, order=201, pic=None):
    '''
    :param x: 输入信号
    :param fs: 信号采样频率
    :param order: 希尔伯特滤波器阶数
    :param pic: 是否绘图，bool
    :return: 包络信号
    '''
    co = [2*np.sin(np.pi*n/2)**2/np.pi/n for n in range(1, order+1)]
    co1 = [2*np.sin(np.pi*n/2)**2/np.pi/n for n in range(-order, 0)]
    co = co1+[0]+ co
    # out = signal.filtfilt(b=co, a=1, x=x, padlen=int((order-1)/2))
    out = signal.convolve(x, co, mode='same', method='direct')
    envolope = np.sqrt(out**2 + x**2)
    if pic is not None:
        w, h = signal.freqz(b=co, a=1, worN=2048, whole=False, plot=None, fs=2*np.pi)
        fig, ax1 = plt.subplots()
        ax1.set_title('hilbert filter frequency response')
        ax1.plot(w, 20 * np.log10(abs(h)), 'b')
        ax1.set_ylabel('Amplitude [dB]', color='b')
        ax1.set_xlabel('Frequency [rad/sample]')
        ax2 = ax1.twinx()
        angles = np.unwrap(np.angle(h))
        ax2.plot(w, angles, 'g')
        ax2.set_ylabel('Angle (radians)', color='g')
        ax2.grid()
        ax2.axis('tight')
        # plt.savefig(pic + 'hilbert_filter.jpg')
        plt.show()
        # plt.clf()
        # plt.close()
    return envolope

start = time.time()
env0 = hilbert_filter(time_series, fs, 81, pic=True)
end = time.time()
a = end-start
print(a)

plt.figure()
ax1 = plt.subplot(211)
plt.plot(time_series)
ax2 = plt.subplot(212)
plt.plot(env0)
plt.xlabel('time')
plt.ylabel('mag')
plt.title('envolope of music by FIR \n time:%.3f'%a)
plt.tight_layout()

start = time.time()
# 使用scipy库函数实现希尔伯特变换
env = np.abs(signal.hilbert(time_series))
end = time.time()
a = end-start
print(a)


plt.figure()
ax1 = plt.subplot(211)
plt.plot(time_series)
ax2 = plt.subplot(212)
plt.plot(env)
plt.xlabel('time')
plt.ylabel('mag')
plt.title('envolope of music by scipy \n time:%.3f'%a)
plt.tight_layout()
plt.show()

使用chirp信号对两种方法进行比较

• FIR滤波器的频率响应
  

使用音频信号对两种方法进行比较

由于音频信号时间较长，采样率较高，因此离散信号序列很长。使用频域方法做FFT和IFFT要耗费比较长的时间；然而使用时域方法只是和滤波器冲击响应做卷积，因此运算速度比较快。结果对比如下：

• 频域方法结果
  
• 时域方法结果
  
  由此看出，时域方法耗费时间要远小于频域方法。