梅尔频谱和梅尔倒谱的初次理解和使用

在音频的特征提取中，经常会用到梅尔频谱和梅尔倒谱
这里记录一下librosa.feature.melspectrogram和librosa.feature.mfcc的区别

首先这里给出两个API的官方定义

def melspectrogram(
    y=None,
    sr=22050,
    S=None,
    n_fft=2048,
    hop_length=512,
    win_length=None,
    window="hann",
    center=True,
    pad_mode="reflect",
    power=2.0,
    **kwargs,
):
y:输入时域下的音频信号。shape= （n，）
sr:采样频率
n_fft:FFT窗口个数，默认2048
hop_length:连续帧之间的采样数，默认512
window:使用加窗的类型，默认为汉宁窗
return:梅尔频谱


def mfcc(
    y=None, 
    sr=22050, 
    S=None, 
    n_mfcc=20, 
    dct_type=2, 
    norm="ortho", 
    lifter=0, 
    **kwargs
):
y:输入时域下的音频信号
sr:采样频率
n_mfcc:返回mfcc特征的数量
dct_type:DCT（离散余弦变换）的类型，默认为2
return：返回mfcc特征序列，这里主要设置sr和n_mfcc（你要提取特征的个数）

首先，返回不同，一个是梅尔频谱，一个是梅尔倒谱

输入语音信号->预加重->分针->加窗->FFT（傅里叶变换）->Mel滤波器->对数运算->DCT(离散预先变换)->MFCC

这是MFCC（梅尔倒谱）的提取过程，而梅尔频谱则是经过Mel滤波器就直接输出的一个结果

其实从mfcc（）API可以看出来，mfcc是在melspectrogram基础上得来的

# -- Mel spectrogram and MFCCs -- #
def mfcc(y=None, sr=22050, S=None, n_mfcc=20, **kwargs):
    if S is None:
        S = logamplitude(melspectrogram(y=y, sr=sr, **kwargs))

    return np.dot(filters.dct(n_mfcc, S.shape[0]), S)

给定原始的音频信号，通过melspectrogram（）函数提取梅尔频谱，然后通过DCT离散余弦变换得到梅尔倒谱系数。（总之一句话，在梅尔频谱上取对数，做DCT变换，就得到了梅尔倒谱）

Mel滤波器对应了频率提高之后人耳会迟钝的客观规律，所以Mel滤波器在人声的信号处理上有着广泛的使用，但是如果应用到非人声上，就会丢失很多高频信息。

梅尔频谱和梅尔倒谱在使用上略有差别，特征提取还是需要仔细的研究他们之间的 不同。