天道酬勤

获得MEL滤波器

  本来这一篇就想把识别做完的，但是搜了一些文献，发现如果简单的使用能量和过零率识别率不高，而如果直接使用原生采样数据计算量有点大，所以就准备按照大多数文献说的将MFCC作为其中的一种特征参数，从而使用K临近算法好了，识别率会不会好不知道，这篇文章就简单的说一下如何用python获得MEL滤波器吧,后面的东西后面在做。

直接贴代码：

#encoding=utf-8
import wave
import pylab as pl
import numpy as np
samprate=44100
filterNum=12
def mel2freq(mel_vec):
    '''mel频率变为线性频率'''
    freq_filter=[]
    for i in mel_vec:
        freq_filter.append((np.power(10,i/2595)-1)*700)
    return freq_filter
def get_datMel():
    frequency=samprate*1.0/2
    melf=2595*np.log10(1+(frequency/700))
    dat_mel=melf/(filterNum+1)
    return dat_mel
def get_Mel():
    index=range(0,filterNum)
    print index
    dat=get_datMel()
    print dat
    melfrequency_start=np.dot(index,dat)
    melfrequency_mid=np.dot(np.add(index,1),dat)
    melfrequency_end=np.dot(np.add(index,2),dat)
    freq=(mel2freq(melfrequency_start),mel2freq(melfrequency_mid),mel2freq(melfrequency_end))
    #plot filter
    for i in xrange(len(index)):
        pl.plot([freq[0][i],freq[1][i],freq[2][i]],[0,1,0])
    pl.show()
    return freq
if __name__=='__main__':
    print get_Mel()

基本的过程如下：

1、  使用采样率得到最大音频频率；

2、  然后使用公式f=2595*log10(1+f/700)得到最大mel频率

3、  根据要放的mel滤波器的个数得到mel频率间隔，从而得到每个滤波器的开始，中心以及结尾频率。

4、  使用上面公式的反函数得到对应的线性频率的值，从而得到线性频率下的滤波器。

得到的线性频率的滤波器如下图：