java - 音频处理 - 数字分块和前向傅里叶变换？

Question

我无法理解老师教给我的概念，并且同学之间的答案也不一致。我想知道是否有人可以帮助澄清这个想法或概念？

这在音频处理中被称为数字分块。 我们只需要处理 WAV 文件。因此我们假设我们的音频数据未压缩。

numChunking 与音频正弦波上的傅里叶变换有关。

为了确定 numChunks 的数量，我们做了类似的事情

方法1:

int numChunks = totalNumOfSamples/chunkSize

但与我交谈过的其他人也很少这么说

方法2:

int numChunks = totalNumOfSamples/binSize

区别在于，chunkSize只是一些指定的数字或硬编码的数字，如 1024 或 2000 等。另一方面，binSize 是我们对样本应用傅里叶变换后绘制的频率数。我们通常绘制的 bin 数量(面板上的条形图/频率条形图)约为 50-100 个，若要再显示在屏幕上，则需要很长时间。

在方法 1 中，我们从 47988 个样本/2000 = 23 个 numChunk 中获取一些 numChunk。然后我们将这些 block 发送到 for 循环中，并将声音数据的每个样本添加到每个 block 中，因此，如果我们将所有 23 个 numChunk 放在一起，我们几乎就拥有了整个声音数据，但由于无法容纳划分中的每个样本，因此精度有所损失。然后，我们将它们添加到数组或 ArrayList 中，稍后发送到离散傅里叶变换(前向傅里叶函数)，我们得到结果并将它们放入容器中，并将结果绘制/绘制为条形图。

我不确定的最后一个细节是傅里叶变换是否除以整个声音中的 TOTAL 样本，或者只是除以 numChunk 中的 TOTAL 样本数。

在方法 2 中，该方法的工作方式是 numChunks = 样本总数/binSize 例如，我们将使用相同的示例。 47988/30bins = 1599 numChunks。 在这个想法中，我的同学向我解释说 numChunks 是多个子数组。因此，我制作了一个 2D 数组，其中有 1599 个数组，每个数组的长度为 binSize，因此当我们通过前向傅里叶变换处理每个子数组时，我们会得到结果幅度值或频率然后，我们通过前向傅里叶变换运行每个子数组，将该值除以整个声音的总样本大小。

这两种想法的结果截然不同。方法 1 生成的第一个值约为 37.5，方法 2 生成的值约为 3689。他们的以下值似乎总体上都是正确的，因此我不确定哪种方法是正确的，或者是否有任何方法是正确的。

这是用 Java 编写的

这个问题很令人困惑，你可以看出我自己也很困惑。我希望有人能帮助澄清哪个是正确的或不正确的或解释这个概念。

Answer 1

哇，你有点困惑。我会尽力尝试帮助解释一下。

您使用 DFT(离散傅里叶变换)所做的是获取多个样本 N 并将它们从时域转换到频域。您在频域中得到的数组的大小与您在时域中放入的数组的大小相同。因此，您可以根据输出数组中所需的频率分辨率将 numChunks 设置为您想要的任何值，因为频率分辨率将是sampleRate/numChunks。因此，如果您想要输出 80 个频率值，请使用 block 大小 80。将您的声音文件分为 TotalNumSamples/80 个 block ，您将依次获得每个 block 的频率内容。

要回答您的另一个问题，整个声音中的样本总数并不重要 - 您所做的每个 DFT 都是完全独立的，因此重要的是您放入每个 DFT 中的样本数量。

希望对您有一点帮助。