C++ 将FFT转换为spectrogram

我有一个音频文件，我在文件中迭代，每一步采集512个样本，然后通过FFT传递它们

我将数据输出为块514长浮动（使用IPP的IPPSFFTFFWD_RToCCS_32f_I），实部和虚部交错

我的问题是，一旦我有了这些复数，我该怎么处理它们呢？目前我正在为每一个值做准备

const float realValue   = buffer[(y * 2) + 0];
const float imagValue   = buffer[(y * 2) + 1];
const float value       = sqrt( (realValue * realValue) + (imagValue * imagValue) );

这提供了一些稍微有用的东西，但我更愿意以某种方式获得0到1范围内的值。上面提到的问题是，峰值最终会回到大约9或更多。这意味着，当我通过海选的声谱图播放音频时，声谱图的其他部分几乎没有显示出来，尽管它们看起来很强。我完全承认，我不能100%确定FFT返回的数据是什么（除了它代表我传入的512个样本长块的频率值）。尤其是我对compex数字的确切含义缺乏了解

任何建议和帮助都将不胜感激

编辑：只是澄清一下。我最大的问题是，如果不知道尺度是什么，返回的FFT值是没有意义的。有人能告诉我如何计算那个比例吗

Edit2：通过执行以下操作，我得到了非常好看的结果：

size_t count2   = 0;
size_t max2     = kFFTSize + 2;
while( count2 < max2 )
{
    const float realValue   = buffer[(count2) + 0];
    const float imagValue   = buffer[(count2) + 1];
    const float value   = (log10f( sqrtf( (realValue * realValue) + (imagValue * imagValue) ) * rcpVerticalZoom ) + 1.0f) * 0.5f;
    buffer[count2 >> 1] = value;
    count2 += 2;
}

size\u t count2=0；
大小\u t max2=kffsize+2；
while（count2>1]=值；
count2+=2；
}

在我看来，这甚至比我看过的大多数其他光谱图实现都要好

---

我所做的有什么主要错误吗？

如果你得到奇怪的结果，那么需要检查的一件事是FFT库的文档，以查看输出是如何打包的。一些例程使用压缩格式，其中实/虚值交错，或者它们可能从N/2元素开始并环绕

对于健全性检查，我建议创建具有已知特征的样本数据，例如Fs/2、Fs/4（Fs=样本频率），并将FFT例程的输出与您期望的结果进行比较。尝试以相同的频率创建正弦和余弦，因为它们在频谱中应具有相同的幅值，但具有不同的相位（即realValue/imagValue将不同，但平方和应相同）

---

如果您打算使用FFT，那么您真的需要知道它在数学上是如何工作的，否则您可能会遇到其他奇怪的问题，例如混叠。

要使所有FFT可见，通常要做的是取幅值的对数

---

因此，输出缓冲区的位置告诉您检测到的频率。复数的大小（L2范数）告诉您检测到的频率有多强，相位（反正切）给你的信息在图像空间比音频空间重要得多。因为FFT是离散的，频率从0到奈奎斯特频率。在图像中，第一项（DC）通常是最大的，因此如果这是你的目标，它是用于标准化的一个很好的候选者。我不知道这是否也适用于音频（我对此表示怀疑）

对于512个样本的每个窗口，您都会像计算一样计算FFT的幅度。每个值表示信号中存在的相应频率的幅度

mag
 /\
 |
 |      !         !
 |      !    !    !
 +--!---!----!----!---!--> freq
 0          Fs/2      Fs

现在我们需要计算出频率

由于输入信号为实数，FFT在中间（奈奎斯特分量）对称，第一项为直流分量。已知信号采样频率

Fs

，奈奎斯特频率为Fs/2。因此对于索引

k

，相应的频率为

k*Fs/512

---

因此，对于长度为512的每个窗口，我们得到指定频率下的震级。连续窗口上的一组震级构成了频谱图。

我认为有一些东西对您会有所帮助

前向FT在输出中给出的数字往往比在输入中给出的数字大。你可以将其视为某个频率下的所有强度都显示在一个位置，而不是分布在数据集中。这有关系吗？可能不是因为你总是可以根据需要缩放数据。我曾经写过一篇基于整数的文章FFT/IFFT对和每个过程都需要重新缩放以防止整数溢出

您输入的真实数据被转换为几乎复杂的数据。事实证明，缓冲区[0]和缓冲区[n/2]是真实的、独立的。对此有很好的讨论

输入数据是随时间变化的等间距声强值。它们被称为在时域中。FT的输出被称为在频域中，因为水平轴是频率。垂直标度保持强度。虽然从输入数据看不明显，但存在相位信息输入中也存在相位。虽然所有声音都是正弦的，但没有任何东西可以固定正弦波的相位。该相位信息在频域中显示为单个复数的相位，但我们通常不关心它（我们也经常关心！）。它只取决于你在做什么。计算

const float value = sqrt((realValue * realValue) + (imagValue * imagValue));

检索强度信息，但丢弃相位信息。取对数基本上只是抑制大峰值

---

希望这会有帮助。

让人们知道我在整个问题上做了很多工作。我发现的主要问题是FFT在完成后需要归一化

要做到这一点，您需要平均窗口向量的所有值