Android使用jTransform库可视化PCM数据

PCM音频是模拟音频曲线的数字化简化…该时域信号可以被输入到离散傅立叶变换API调用中,将数据转换成其等效的频域…虚数和欧拉公式是你的朋友

最简单的部分是调用fft,它更涉及解析其输出… 在一个缓冲区中填充至少1024个来自您的PCM的点(确保它的2次幂),然后将其输入到一些FFT API调用中…这将返回给你它的频域等效…将文档钉在使用的离散傅立叶变换API调用上…奈奎斯特极限的查找概念…掌握频率箱的概念…随时掌握每个缓冲区的采样数和您的PCM音频的采样率。

注意,当你增加音频采样数(音频曲线上的PCM点)时,你输入到傅立叶变换中,从该呼叫返回的频率分辨率越细,但是如果你的音频是一些动态信号,如音乐(而不是静态音调),这会降低时间的特异性。

这是我在Golang中编写的一个函数,它是对dft调用的包装器,在这里我将一个标准化为浮点的pcm原始音频缓冲区馈送给它,在浮点值从-1到+1之间变化,在这里它进行离散傅立叶变换(fft)调用,然后使用compl数组计算每个频率bin的大小。从DFT返回的EX编号…一个项目的一部分,通过观看视频(一次一个图像)合成音频,然后它可以收听该音频合成输出图像…实现输出照片与输入照片基本匹配的目标……输入图像-音频-输出图像

func discrete_time_fourier_transform(aperiodic_audio_wave []float64, flow_data_spec *Flow_Spec) ([]discrete_fft, float64, float64, []float64) {

    min_freq := flow_data_spec.min_freq
    max_freq := flow_data_spec.max_freq

    //      https://www.youtube.com/watch?v=mkGsMWi_j4Q
    //      Discrete Fourier Transform - Simple Step by Step 

    var complex_fft []complex128

    complex_fft = fft.FFTReal(aperiodic_audio_wave) // input time domain ... output frequency domain of equally spaced freqs

    number_of_samples := float64(len(complex_fft))

    nyquist_limit_index := int(number_of_samples / 2)

    all_dft := make([]discrete_fft, 0) // 20171008

    /*
       0th term of complex_fft is sum of all other terms
       often called the bias shift
    */

    var curr_real, curr_imag, curr_mag, curr_theta, max_magnitude, min_magnitude float64

    max_magnitude = -999.0
    min_magnitude = 999.0
    min_magnitude = 999.0

    all_magnitudes := make([]float64, 0)

    curr_freq := 0.0
    incr_freq := flow_data_spec.sample_rate / number_of_samples

    for index, curr_complex := range complex_fft { // we really only use half this range + 1

        // if index <= nyquist_limit_index {
        if index <= nyquist_limit_index && curr_freq >= min_freq && curr_freq < max_freq {

            curr_real = real(curr_complex) // pluck out real portion of imaginary number
            curr_imag = imag(curr_complex) // ditto for im

            curr_mag = 2.0 * math.Sqrt(curr_real*curr_real+curr_imag*curr_imag) / number_of_samples

            curr_theta = math.Atan2(curr_imag, curr_real)

            curr_dftt := discrete_fft{

                real:      2.0 * curr_real,
                imaginary: 2.0 * curr_imag,
                magnitude: curr_mag,
                theta:     curr_theta,
            }

            if curr_dftt.magnitude > max_magnitude {

                max_magnitude = curr_dftt.magnitude
            }

            if curr_dftt.magnitude < min_magnitude {

                min_magnitude = curr_dftt.magnitude
            }

            // ... now stow it

            all_dft = append(all_dft, curr_dftt) 

            all_magnitudes = append(all_magnitudes, curr_mag)
        }

        curr_freq += incr_freq
    }

    return all_dft, max_magnitude, min_magnitude, all_magnitudes
}

现在你有了一个数组,其中数组的每个元素都是这个频率仓的大小…每个频率箱由上述var incr_freq…使用最小和最大震级标准化震级…它准备好输入一个x,y图给你光谱图的可视化。

我建议打开一些书…观看我在上面评论中提到的视频…我对傅立叶变换奇观的探索之旅从一个本科生开始就一直在进行,它充满了令人惊讶的应用,它的理论仍然是一个非常活跃的研究领域。