ГУАП

КАФЕДРА 41

ОТЧЕТ ЗАЩИЩЕН С ОЦЕНКОЙ

ПРЕПОДАВАТЕЛЬ

доцент, канд. тех. наук, доцент				О. О. Жаринов
должность, уч. степень, звание		подпись, дата		инициалы, фамилия

ОТЧЕТ О ЛАБОРАТОРНОЙ РАБОТЕ № 4

ПРИМЕНЕНИЕ ФОРМИРУЮЩИХ ФИЛЬТРОВ ДЛЯ СОЗДАНИЯ ШУМОПОДОБНЫХ АУДИОСИГНАЛОВ НА PYTHON

по курсу: Мультимедиа технологии

РАБОТУ ВЫПОЛНИЛ

СТУДЕНТ ГР. №
			подпись, дата		инициалы, фамилия

Санкт-Петербург 2024

Цель работы

Изучить методологию создания шумоподобных сигналов на основе формирующих фильтров.

Теоретические сведения

Метод формирующего фильтра (ФФ) используется как для улучшения качества звука и удаления нежелательных шумов, так и для создания шумоподобных аудиосигналов с заданными акустическими свойствами. Основная идея метода заключается в пропускании через фильтр сигнала от искусственного создаваемого источника белого шума.

В зависимости от свойств применяемого фильтра выходной сигнал оказывается «спектрально окрашенным», что порождает специфические слуховые ощущения. Цвет шума – это система терминов, которая приписывает определённые цвета, исходя из аналогии между спектром сигнала произвольной природы и спектрами различных цветов видимого света. Цветовые соответствия различных типов шумового сигнала определяются с помощью графиков спектральной плотности, или же АЧХ. Цвета шума могут быть различными, например, белый, розовый, синий, черный. Белый шум имеет равномерное распределение амплитуды по всему диапазону частот; розовый шум имеет спектральную плотность, которая уменьшается с увеличением частоты; у синего шума амплитуда растёт вместе с ростом частоты; а черный шум имеет нулевую спектральную плотность.

Генерация цветного шума

Сама лабораторная работа состоит из 3 частей, и в первой из них необходимо попробовать повторить один из существующих цветных шумов. Так, в качестве эталонного сигнала был взят фиолетовый шум, в котором отсутствуют нижние частоты, а амплитуда частот растёт прямо пропорционально исходной частоте. В таблице 1 приведён список переменных, используемых в данной программе, а в листинге 1 – исходный код программы. Также, исходный код программы вместе со всеми аудиофайлами находится в репозитории на GitHub [1].

Таблица 1. Список используемых переменных

Название	Тип	Описание
Sample_rate	Целочисленный	Частота дискретизации звука
duration	Целочисленный	Продолжительность аудиофайла
Output_signal	Двумерный массив	Сгенерированный сигнал
x	Двумерный массив	Источник белого шума
Y	Двумерный массив	Отфильтрованный белый шум
B, a	Массивы	Параметры для фильтрации сигнала

Листинг 1. Генерация фиолетового шума на Python

def check_filter(rate: int, duration: int, volume: float, ftype: str, forder: int, freqs, detailed_data: bool = False): N = duration*rate x = np.random.rand(N, 2) b, a = signal.butter(forder, freqs, btype=ftype, fs=rate) y = signal.lfilter(b ,a, x, axis=0) output_signal = amplitude_norm(y, volume) if detailed_data: filter(b, a, sample_rate) afr(output_signal[:,0], sample_rate) return output_signal sample_rate, duration, vol = 44100, 10, 0.5 output_signal = check_filter(sample_rate, duration, vol, "high", 2, 2200, detailed_data=True) visualize(output_signal, sample_rate) io.wavfile.write("4/violet_noise.wav", sample_rate, output_signal) plt.show()

Далее, для того чтобы убедиться в том, что данная программа корректно, запустим данную программу и посмотрим на результаты. Сперва, на рисунке 1 показана частотная характеристика фильтра, используемого для генерации сигнала, на рисунке 2 – амплитудный спектр сигнала, а на рисунке 3 – визуализация сгенерированного шума.

Рисунок 1 – АЧХ фильтра

Рисунок 2 – АЧХ созданного шума

Рисунок 3 – Визуализация шума

При прослушивании и сравнении созданного сигнала с эталонным [2] можно заметить, что в созданном ощущается присутствие более низких частот, которых нету в представленным в качестве примера. А так, в целом, разницы никакой в данных двух сигналах не наблюдается.