Python 如何基于音频进行直方图均衡化？

我已经尝试过基于图像的直方图均衡化，效果很好。

但是现在我想用音频代替图像灰度实现同样的方法。这意味着我想使频谱更平坦。我使用的采样率是44.1kHz，希望使频率均匀分布在0-22050Hz的范围内，但峰值仍然是最高的

以下是频谱：

这就是我尝试过的：

我认为我绘制的原始直方图已经错了，我无法计算每个频率出现的次数，或者我根本不应该这样做。有人告诉我需要使用fft（），但我不知道如何使用

任何帮助都将不胜感激！谢谢

下面是我如何绘制光谱的代码：

import librosa
import numpy as np
import matplotlib.pyplot as plt
import math

file = 'example.wav'
y, sr = librosa.load(file, sr=None)

n_fft = 2048
S = librosa.stft(y, n_fft=n_fft, hop_length=n_fft//2)

S = abs(S)
D_AVG = np.mean(S, axis=1)

plt.figure(figsize=(25, 12))

plt.bar(np.arange(D_AVG.shape[0]), D_AVG)
x_ticks_positions = [n for n in range(0, n_fft // 2, n_fft // 16)]
x_ticks_labels = [str(sr / 2048 * n) + 'Hz' for n in x_ticks_positions]
plt.xticks(x_ticks_positions, x_ticks_labels)
plt.xlabel('Frequency')
plt.ylabel('dB')
plt.savefig('spectrum.png')

“均衡”的意思是使一个平坦的频谱通常是由一个简单的电路来完成的。可能也会有帮助。正如Mark提到的，在图像处理中，这种谱均衡不同于直方图均衡

均衡/白化信号频谱：

估计功率谱密度。给定采样率为

fs

的样本阵列

x

，您可以使用以下方法计算功率谱密度（PSD）的稳健估计：

此函数执行以下操作。基本上，它将信号分为几个部分，对每个部分进行FFT，并对功率谱进行平均，以很好地估计每个频率的平均功率

x

。所有这一切的要点是，它得到了一个更可靠的频率特性，而不仅仅是将一个FFT的

x

作为一个整体

计算均衡器增益。使用

eq_增益=1/（1e-6+psd）**0.5

或类似方法来确定均衡器的增益。

1e-6

分母偏移是为了避免被零除。对于某些频率，PSD通常非常小，因为，例如，

x

通过了抗混叠滤波器，使某些高频功率接近于零

应用均衡器增益。最后，

eq\u增益

需要应用到信号

x

以对其进行均衡。有很多方法可以做到这一点，但一种方法是将增益转换为FIR滤波器

eq_filter = scipy.signal.firwin2(99, f, eq_gain, fs=fs)

并使用卷积或将过滤器应用于

x

。然后，您可以再次使用

scipy.signal.welch

检查PSD是否比以前更平坦

---

您正在标记此Python，但没有提供代码。您也没有指定如何从音频到频谱图像和直方图图像。此外，通常当人们谈到均衡频谱时，他们谈论的是放大和抑制频率，而不是像图像均衡那样移动频率（改变灰度值）。请澄清（并举例说明）你想要达到的目标。@MarkJeronimus，我很抱歉，因为这是我的第一个问题。我已经添加了如何绘制光谱的代码，您可以忽略直方图图像。我只是想均衡一个频谱，就像你说的，但我不知道如何编写代码。在对

x

应用eq_滤波器之前，我应该使用

scipy.signal.butter

？我尝试了

scipy.signal.lfilter

和

scipy.signal.filtfilt

将过滤器应用于

x

，但它不起作用，PSD仍然与原始PSD相同。你能给我看看第三步的完整代码吗？那将非常有帮助，谢谢。在我的建议中，

scipy.signal.firwin2

设计了均衡滤波器；无需使用

scipy.signal.butter

。通过卷积

eq_过滤器

和

x

应用过滤器。一种方法是

x\u equalized=scipy.signal.lfilter（eq\u filter，1，x）

。

eq_filter = scipy.signal.firwin2(99, f, eq_gain, fs=fs)