WAV的Audio Visualizer看起来不对

Question

我无法使音频可视化器看起来准确。 具有大量声音的垃圾箱往往会正确绘制，但我遇到的问题是，所有没有明显声音的频率似乎都以一个通常在-60dB到-40dB反弹的值返回。 这将形成一条平坦的弹跳线（通常在较高的频率中）。

我想以每秒30帧的速度显示512 bins或更少。 我已经连续数周阅读了FFT和音频不间断的信息，到目前为止，我的过程是：

• 从wav文件加载pcm数据。 这是每秒44100个样本，范围为-/ +32767。我假设将它们传递给FFT时将它们视为实数。
• 将这些样本分成每帧1470个。 （忽略446）
• 采集1024个样本并应用Hann窗口。
• 将样本作为实数[1024]的数组以及大小相同的另一数组传递给FFT，虚部用零填充。
• 通过遍历（samples / 2）个bin并执行sqrt（real [i] * real [i] + img [i] * img [i]）获得幅度。
• 取20 * log（量级）以获得每个仓的分贝水平
• 为每个垃圾箱绘制一个矩形。 为每帧绘制这些垃圾箱。

我已经用几首歌曲对其进行了测试，并且生成了一个wav文件，该文件只播放440Hz的音调。 使用wav文件时，我确实在440纸槽处出现尖峰，但所有其他纸槽形成的线并不比440纸槽短很多。 同样每隔一帧，与440分开的bin看起来就像是一个图形对数函数，在某个其他bin上有浸入。

我用C ++编写。 使用STK仅从音频文件加载左声道：

//put every sample in the song into a temporary vector
for (int i = 0; i < stkObject->getSize(); i++)
{
    standardVector.push_back(stkObject->tick(LEFT));
}

我正在使用FFTReal执行FFT：

    std::vector<std::vector <double> > leftChannelData;
    int numberOfFrames = stkObject->getSize()/samplesPerFrame;

    leftChannelData.resize(numberOfFrames);
    for(int i = 0; i < numberOfFrames; i++)
    {
        for(int j = 0; j < FFT_SAMPLE_LENGTH; j++)
        {
            real[j] = standardVector[j + (i*samplesPerFrame)];
        }

        applyHannWindow(real, FFT_SAMPLE_LENGTH);
        fft_object.do_fft(imaginary,real);

        //FFTReal instructions say to run this after an fft
        fft_object.rescale(real);

        leftChannelData[i].resize(FFT_SAMPLE_LENGTH/2);
        for (int j = 0; j < FFT_SAMPLE_LENGTH/2; j++)
        {
            double magnitude = sqrt(real[j]*real[j] + imaginary[j]*imaginary[j]);
            double dbValue = 20 * log(magnitude/maxMagnitude);

            leftChannelData[i].at(j) = dbValue;
        }
    }

我不知道是什么原因造成的。 我尝试了各种方法来提取我忽略的446个样本，但是结果似乎并没有改变。 我想我可能做的是根本错误的事情。 我已经尝试过将pcm数据归一化，然后将其发送给fft，并且在找到分贝之前尝试过归一化幅度，但它似乎没有用。 有什么想法吗？

编辑：我看不到log（magnitude）和log（magnitude / maxMagnitude）之间的任何区别。 似乎要做的就是将bin的所有值平均向下移动。

EDIT2：这是他们看起来很像的样子：

歌曲播放声音低 -带对数（mag）

歌曲播放低声音 -相同但带有对数（mag / maxMag）

同样，log（mag）和log（mag / maxMag）通常看起来相同，但是值跨度为负。 就像MSalters所说的那样，分贝可以接近-无限，因此我可以将这些值钳位到-100dB。 然后取log（mag / maxMag）并加100。这样矩形的高度范围从0到100，而不是-100到0。

这是我应该做的吗？ 我已经尝试过了，但是看起来还是错误的。 也许这只是一个扩展问题？ 当我这样做时，当听起来像应该的那样时，许多酒吧都不会使其超出界限。 如果确实将其设置为大于0，则几乎不会这样做。

Answer 1

您必须了解，您并没有采用无限信号的傅立叶变换，而是采用了其窗口版本的FT。 而且您的窗口甚至不是普通的Hann窗口。 舍弃446个点实际上是一个矩形窗口函数。 窗口功能的FT都将显示在输出中。

其次，dB标度是对数的。 这确实意味着在没有信号的情况下它可能会变得很低。 您提到-60 dB，但实际上它可能达到负无穷大。 唯一可以避免这种情况的是窗口功能，它将在-110 dB左右引入拖影。

Answer 2

长度为1024的Von Hann量化窗口所产生的噪声（阻带纹波）可能约为-40至-60 dB。 因此，一种策略是只设置一个阈值，然后忽略（不要绘制）低于该阈值的所有值。

另外，请尝试删除rescale（real）函数，因为在采用对数幅度之前，这可能会使您的复数向量失真。

另外，请确保您确实将音频样本正确地加载到真实矢量中（符号，位数和字节序）。