MFCC特征提取详细计算过程

最新推荐文章于 2024-06-26 14:26:41 发布
最新推荐文章于 2024-06-26 14:26:41 发布
阅读量4.5k 收藏 12
点赞数
分类专栏： 毕业设计相关
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/seagullyoyo/article/details/37071565
版权
本文详细介绍了MFCC特征提取的步骤，包括预处理、FFT变换、加Mel滤波器组、对数运算和DCT变换。通过Matlab设计Mel三角形滤波器，并解释了滤波器组的设计和计算过程，最终得到MFCC特征。
摘要由CSDN通过智能技术生成

一、MFCC计算总体流程

1.信号的预处理，包括预加重(Preemphasis)，分帧(Frame Blocking)，加窗(Windowing)。假设语音信号的采样频率fs=8KHz.由于语音信号在10-30ms认为是稳定的，则可设置帧长为80~240点。帧移可以设置为帧长的1/2.

预加重处理其实是一个高通滤波器，该高通滤波顺的传递函数为：

              语音特征参数MFCC的提取及识别          

其中的取值为0.97，该高通滤波器作用是滤去低频，使语音信号的高频特性更加突现。

   由于语音信号只在较短的时间内呈现平稳性（一般认为 10-30ms ），(项目中每帧是24ms，48K pcm每ms 48个采样点，24 * 48 = 1152)因此将语音信号划分为一个一个的短时段即一帧。同时为避免丢失语音信号的动态信息，相邻帧之间要有一段重叠区域，重叠区域一段为帧长的
最低0.47元/天 解锁文章
seagullyoyo
关注
  • 0
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
GFCC和MFCC特征提取（python代码）
04-20
我们将详细讲解这两种方法的原理、实现过程以及它们在Python中的应用。 首先，MFCC是目前最广泛使用的语音特征提取技术，它的核心思想是模拟人类听觉系统的特性。MFCC通过梅尔滤波器组对声音频谱进行分析，然后进行...
深入理解MFCC（梅尔频率倒谱系数）
热门推荐
DEDSEC_Roger的博客
12-11 1万+
取得13个系数后，还会在时序上，对13个系数求一阶差分和二阶差分，二阶差分等价于对一阶差分求一阶差分。表示第n帧的13个系数，将一阶差分和二阶差分与原函数值拼接起来，得到39个系数。通常选取前12个系数，再拼接一个当前frame的能量，共13个。MFCC的输出可以表示为一个二维数组，shape为。越靠前的系数，包含越多的基频和共振峰的信息。，由于是二维数组，所以可以用热力图可视化。
语音识别-MFCC特征提取
nsh119的博客
03-06 8637
本文是在上一篇文章（语音识别-预处理）的基础上进行的。    梅尔频率倒谱系数（MFCC）：梅尔频率是基于人耳听觉特性提出来的， 它与Hz频率成非线性对应关系。梅尔频率倒谱系数(MFCC)则是利用它们之间的这种关系，计算得到的Hz频谱特征。主要用于语音数据特征提取和降低运算维度。其主要过程为：1. 离散傅里叶变换    离散傅里叶变DFT的输入是一帧帧加窗后的信号x[n]…x[m]，输出则是包含N...
从音频中提取MFCC特征的过程
最新发布
Pika
06-26 1395
在语音信号处理和语音识别领域，梅尔频率倒谱系数（MFCC）是最常用的特征之一。本文将逐步介绍如何从音频中提取MFCC特征，并在每个步骤中进行可视化展示。
MFCC（梅尔倒谱系数笔记）
qq_38836499的博客
10-29 1035
MFCC处理流程的学习笔记，学习内容来源于https://www.cnblogs.com/LXP-Never/p/10918590.html#top。
语音信号的梅尔频率倒谱系数(MFCC)的原理讲解及python实现
进击的菜鸟
01-12 7464
语音信号的梅尔频率倒谱系数(MFCC)的原理讲解及python实现
MFCC语音特征值提取算法
qq_59931372的博客
02-28 7005
MFCC意为梅尔频率倒谱系数，顾名思义，MFCC语音特征提取包含两个关键步骤；将语音信号转化为梅尔频率，然后进行倒谱分析。梅尔频谱是一个可用来代表短期音频的频谱，梅尔刻度（Mel Scale）则是一种基于人耳对等距的音高变化的感官判断而确定的非线性频率刻度。梅尔频率和正常的频率f之间的关系：当梅尔刻度均匀分布，则对应的频率之间的距离会越来越大。梅尔刻度的滤波器组在低频部分的分辨率高，跟人耳的听觉特性比较相符，这也是梅尔刻度的物理意义。
MFCC语音特征提取总结
algorithm learning blog
07-05 586
MFCC(Mel倒谱系数)符合人类听觉原理，能够有效的提取语音声学特征，适合作为语音特征输入。本文学习了以下2篇博客——博客1 博客2，并做了自己的总结 MFCC的提取流程如下图所示： 令输入语音信号signal=[s1,s2,...,sT]signal=[s_1,s_2,...,s_T]signal=[s1​,s2​,...,sT​]，其中T为信号采样频率。预加重可以去除口唇辐射的影响，增加语音的高频分辨率，其实现方式如下： signali=signali+1−αsignalisignal_i=signa
MFCC算法的实现过程（原理篇）
MSFollower的博客
04-04 4962
前期，博客中已经贴出了MFCC算法的C++代码实现。本篇文章中，我将主要介绍该算法的原理。
mfcc特征提取，c++代码实现
01-24
本项目提供了C++语言实现MFCC特征提取的代码，下面我们将详细讨论MFCC的计算过程以及如何用C++来实现。 1. **预加重**：为了消除人声信号中低频部分的影响，通常会采用预加重技术，提高高频成分的幅度。预加重系数...
实验1_实验一语音信号MFCC特征提取_MFCC_
10-03
在实验中，`FMCC.m`可能是实现MFCC特征提取的主程序，`mytriangle.m`可能用于定义自定义的三角滤波器，`MFCC.mat`和`fbankm.mat`可能分别存储了计算得到的MFCC特征和滤波器组参数。实验报告`实验报告一.docx`详细...
MFCC（梅尔频率倒谱系数）全部计算代码
05-06
MFCC特征提取过程： 1）先对语音进行预加重、分帧和加窗： 2）对每一个短时分析窗，通过FFT得到对应的频谱； 3）将上面的频谱通过Mel滤波器组得到Mel频谱； 4）在Mel频谱上面进行倒谱分析
MFCC特征提取C++源程序
01-17
总的来说，MFCC特征提取C++源程序是实现语音处理任务的关键工具，它简化了MFCC的计算过程，使得开发者能够更专注于上层的算法设计和模型优化。对于深入理解MFCC以及在实际项目中应用，这个程序提供了宝贵的参考和...
MFCC.rar_mfcc特征提取_语音特征识别
09-21
在MFCC的计算过程中，主要包括以下几个关键步骤： 1. **预加重**：为了消除人类语音中低频成分的影响，通常会对语音信号应用一个预加重滤波器，以提升高频成分的幅度，增强信号的动态范围。 2. **分帧和窗口化**：...
MFCC详细步骤及解析
Adrianna的专栏
08-21 9332
MFCC(Mel-frequency cepstral coefficients):梅尔频率倒谱系数。梅尔频率是基于人耳听觉特性提出来的， 它与Hz频率成非线性对应关系。梅尔频率倒谱系数(MFCC)则是利用它们之间的这种关系，计算得到的Hz频谱特征。主要有 以下几个步骤：预加重，分帧，加窗，快速傅里叶变换(FFT)，梅尔滤波器组，离散余弦变换(DCT).1. 预加重（Pre-Emphasis）将数字
梅尔倒频谱系数（Mel-frequency cepstrum Coefficents）
weixin_30251829的博客
02-08 1116
简介 梅尔倒频谱（MFC） 在声音处理中，梅尔倒频谱（MFC）表示了声音短时功率谱。它基于非线性梅尔刻度频率的对数功率谱的一个线性余弦变换。 梅尔频率倒谱系数（MFCC） 梅尔频率倒谱系数（MFCC）是所有构成MFC的系数。 倒谱和梅尔频率倒谱的区别 在梅尔倒频谱中，频带是等距地分布在Mel尺度上的，相比于在正常倒谱中线性间隔的频带，这种等距分布的频带...
语音识别:MFCC特征参数提取
lbaihao的专栏
03-16 8321
记忆力不好，做个随笔，怕以后忘记。网上很多关于MFCC提取的文章，但本文纯粹我自己手码，本来不想写的，但这东西忘记的快，所以记录我自己看一个python demo并且自己本地debug的过程，在此把这个demo的步骤记下来，所以文章主要倾向说怎么做，而不是道理论述。由于python的matplotlib.pyplot库没有下载成功不会画图，文中大部分图片是我网上找的。必备基础知知识:1. 对数指数...
语音声学特征提取：MFCC和LogFBank算法的原理
梅逊雪——记录科学研究
03-09 1850
MFCC参数计算
MFCC理解
James_bobo的博客
09-26 8156
MFCC 在语音识别（SpeechRecognition）和话者识别（SpeakerRecognition）方面，最常用到的语音特征就是梅尔倒谱系数（Mel-scaleFrequency Cepstral Coefficients，简称MFCC）。根据人耳听觉机理的研究发现，人耳对不同频率的声波有不同的听觉敏感度。从200Hz到5000Hz的语音信号对语音的清晰度影响对大。两个响度不等的声音作用于...
MFCC特征提取matlab
09-12
在MATLAB中进行MFCC特征提取可以按照以下步骤进行： 1. 首先，将音频信号通过窗函数分帧处理。可以使用`buffer`函数将音频信号分成多个帧，每个帧的长度通常为20-40毫秒。 2. 对每个帧应用离散傅立叶变换（DFT）以获取频谱信息。可以使用`fft`函数对每个帧进行DFT，得到频谱图。 3. 对频谱图进行滤波器组操作。使用一组Mel滤波器对频谱图进行滤波，得到Mel频谱图。 4. 对Mel频谱图进行对数操作。将Mel频谱图的值取对数。 5. 通过应用离散余弦变换（DCT）对对数Mel频谱图进行变换，得到MFCC特征。 以下是一个基本的MATLAB代码示例，演示了如何进行MFCC特征提取： ```matlab % 读取音频文件 filename = 'audio.wav'; [x, fs] = audioread(filename); % 分帧处理 frameLength = 0.025; % 帧长度（以秒为单位） frameOverlap = 0.01; % 帧重叠率 frameSize = round(frameLength * fs); frameStep = round((1 - frameOverlap) * frameSize); frames = buffer(x, frameSize, frameSize - frameStep, 'nodelay'); % 应用DFT nfft = 2^nextpow2(frameSize); spectrogram = abs(fft(frames, nfft)); % 计算Mel滤波器组 numFilters = 26; melFilters = melFilterBank(fs, nfft, numFilters); % 应用Mel滤波器组 melSpectrogram = melFilters * spectrogram; % 取对数 logMelSpectrogram = log(melSpectrogram); % 应用DCT numCoeffs = 13; % 取13个MFCC系数 mfcc = dct(logMelSpectrogram); mfcc = mfcc(1:numCoeffs, :); % 显示MFCC特征 imagesc(mfcc); ``` 此示例中，`audio.wav`是输入音频文件的路径。MFCC特征存储在`mfcc`变量中，并通过`imagesc`函数进行可视化。请注意，上述代码仅提供了基本的MFCC特征提取过程，你可以根据自己的需求进行进一步的调整和优化。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值