用python绘制音频谱图

Question

我目前有几千个音频剪辑，我需要分类与机器学习。

经过一些挖掘，我发现如果对音频进行短时傅立叶变换，它就会变成二维图像，这样我就可以在这些图像上使用各种图像分类算法，而不是音频文件本身。

为了达到这个目的，我找到了一个做STFT的python包，我所需要的就是绘制它，这样我就可以得到图像。对于绘图，我发现这个github回购非常有用。

最后，我的代码以如下方式结束：

import stft    
import scipy
import scipy.io.wavfile as wav
import matplotlib.pylab as pylab

def save_stft_image(source_filename, destination_filename):
    fs, audio = wav.read(source_filename)
    X = stft.spectrogram(audio)

    print X.shape    

    fig = pylab.figure()    
    ax = pylab.Axes(fig, [0,0,1,1])    
    ax.set_axis_off()
    fig.add_axes(ax)      
    pylab.imshow(scipy.absolute(X[:][:][0].T), origin='lower', aspect='auto', interpolation='nearest')
    pylab.savefig(destination_filename)

save_stft_image("Example.wav","Example.png")

产出如下：

​

但是，我注意到，当print X.shape行执行时，我得到了(513L, 943L, 2L)。结果是三维的。所以，当我只写X[:][:][0]或X[:][:][1]时，我会得到一个图像。

我一直在阅读STFT的“冗余”，你可以删除这一半，因为你不需要它。第三维空间是冗余的，还是我做错了什么？如果是这样的话，我如何正确地绘制它呢？

谢谢。

编辑:所以新的代码和输出是：

import stft
import os
import scipy
import scipy.io.wavfile as wav
import matplotlib.pylab as pylab

def save_stft_image(source_filename, destination_filename):
    fs, audio = wav.read(source_filename)
    audio = scipy.mean(audio, axis = 1)
    X = stft.spectrogram(audio)

    print X.shape    

    fig = pylab.figure()    
    ax = pylab.Axes(fig, [0,0,1,1])    
    ax.set_axis_off()
    fig.add_axes(ax)      
    pylab.imshow(scipy.absolute(X.T), origin='lower', aspect='auto', interpolation='nearest')
    pylab.savefig(destination_filename)

save_stft_image("Example.wav","Example.png")

​

​

在左边，我得到了一列几乎看不见的颜色。我正在处理的声音是呼吸音，所以它们的频率很低。也许这就是为什么可视化是一列非常薄的颜色。

Answer 1

你可能有立体声音频文件？因此，X[:][:][0]和X[:][:][1]对应于每个信道。

您可以通过scipy.mean(audio, axis=1)将多通道转换为单通道。