落队的飞行兵

最近开始搞毕设，刚完成一个小任务，趁着有空，整理一下这学期的实验。时间有点久远了，害怕时间再长一些，自己真的就全忘光了。本实验很大一部分参考了班级里一位萌妹子的博客，在这里贴一下地址：hit说话人确认实验实验中，就写了一些生成配置文件的 python 代码，关于说话人确认部分的代码基本没写；因此感觉，这个实验，有点，，，。。。emm，主要还是自己事情有点多，直接选了个最简单的。

课程的最后一个实验是处理雀斑，网上查找了很多方法，最后我选择了快速双边滤波。但是实验又不能直接调用 opencv 的库，因此，我参照了这个博客，将用 C 写的快速双边滤波改用 Python 重新写了一遍。快速双边滤波是啥呢，官方滴说，它是一种非线性的滤波方法。它最大的特点就是既使用了颜色的相似度，又利用了空间的距离相似度。也就是

中值滤波是空域中常用的一种滤波方式，是一种非线性的滤波。它的原理就是将窗口像素排序，取中值，然后移动窗口，不断重复取中值的过程。快速中值滤波是中值滤波的优化版，它利用了窗口每次平移时，没有移出窗口的像素点还是排好序的，因此，只需要把新加入的像素点插入到其中即可完成排序。此外，由于我们并不需要一个完整的排序数列， 只需要找到中值就可以了。

空域也叫空间域，是一种像素级上的操作，即直接对图像上的像素值进行增加或减少。空域滤波按照过滤频率的高低，分为平滑（模糊）和锐化，平滑对应低通滤波；锐化对应高通滤波。也可以按照滤波的算法，分为线性滤波和非线性滤波，线性滤波就是滤波过程中，对像素的处理是线性的，如加减乘除等；而非线性滤波就是像素的处理是非线性的，如取最大值、取中值等。

今天写代码时，需要将图片的亮度进行调整，我是直接在读出来的 R、G、B三个通道上分别增加了一个固定的值。由于颜色值是在[0, 255]区间内的，正常来讲，即使超出了这个范围，利用 opencv 进行展示之前的合并中，也是会自动截断的。但是还是出现了颜色改变的问题。代码如下：

颜色空间指的是组织颜色的特定方式。我们知道，一种颜色可以由 红、绿、蓝 三种颜色组合出来，这里的 红、绿、蓝 三原色就是一种颜色模型。而这种由三原色组织颜色的方法就是一种颜色空间。任何一种颜色，在颜色空间中，都可以通过一个函数表示出来，在 RGB 模型中，函数的参数就是 R、G、B 三原色。当然，同一种颜色，在不同的颜色空间中，由于侧重点不同，表现出来的色彩是不一样的。通常的图片是采用的 RGB 三原色来表示的，所以，现在，我们的目的就是将同一幅图片转换成用其他颜色空间来表示。

由于要开始学习图像方面的知识，读写图片是难免的。对图片的结构有一定的了解对理解图片存储还是很有帮助的。由于实验的代码是用 python 写的，因此读取文件就直接使用 python 了，虽然用 C 来读写文件更有效率，但我个人感觉 python 也没有很慢。下面来看一下bmp 文件结构和读取 bmp 文件的过程。

这是我们计算机视听觉的第三个实验，也是本学期语音部分的最后一个实验，大概花了两天才写完。上个实验做的是语音编码问题，这个实验是语音识别的事，感觉处理语音还是比较有意思的。

这是视听觉信号处理的第二个实验——语音差分编码（DPCM）。总体来讲，思路上还是比较简单的，很容易理解。如果编程能力好的话，相信很快就能完成。奈何我太菜了，写了几个晚上才算搞定。做了点扩展，添加了自己神奇的想法，在这里记录一下。先附上代码地址：

花了几天时间写完了第一个视听觉信号处理的实验，其实还挺简单的，在这里分享一下。本文介绍一下利用双门限法进行语音端点检测的方法，该方法主要利用了语音的短时能量和短时过零率。端点检测就是在一段包含语音的信号中，准确地确定语音的起始点和终止点，将语音段和非语音段区分开。我们知道，一段语音中，有静音部分和浊音部分，静音部分包括清音、噪音和无声（噪音可以归结到无声中），浊音部分和清音才是我们需要听的语音，因此，可以说只有这两部分才是对我们有用的语音。

上一篇文章介绍了语音短时能量，这篇介绍一下语音的短时过零率。短时过零率也是一个比较基础的语音时域特征，下面就来介绍一下。短时过零率就是单位时间穿过坐标系横轴的次数，计算公式如下：

刚开始学习计算机视听觉，第一个实验是端点检测算法。这个算法实现起来还是比较简单的，主要是该算法利用到的两个数据——语音短时能量和短时过零率。今天先分享一下我计算短时能量的方法。语音短时能量，顾名思义就是计算较短时间内的语音能量。这里的较短时间，通常指的是一帧。也就是说，一帧时间内的语音能量就是短时能量，语音的短时能量就是将语音中每一帧的短时能量都计算出来，然后我们就可以利用这个短时能量数组做很多事情了。通常而言，短时能量用途有以下几个方面：