4、频域分析入门：离散傅里叶变换（DFT）原理、快速傅里叶变换（FFT）实现、频谱与功率谱密度、语谱图绘制

做语音降噪，你天天跟时域波形打交道。但说实话，光看波形很难看出门道。噪声和语音在时域里缠在一起，你根本分不清谁是谁。

这时候就得换一个视角——频域。

频域分析，说白了就是把声音拆成不同频率的成分。低频是啥样，高频是啥样，一目了然。我刚开始做语音算法时，总觉得时域才是根本，频域只是花架子。直到有一次，一个简单的低通滤波在时域折腾了两天没搞定，换到频域十分钟就解决了。嗯，从那以后我再也不敢小看傅里叶变换了。

4.1 离散傅里叶变换（DFT）原理

先说说 DFT 是干什么的。你有一段离散的音频信号，比如 16kHz 采样率下的一帧 512 个点。DFT 能把这 512 个时域点，变成 512 个频域点。每个频域点代表一个特定频率的幅度和相位。

公式长这样：

X[k] = Σ_{n=0}^{N-1} x[n] · e^{-j·2π·k·n/N}

别被公式吓到。我来拆解一下：

  • x[n]：输入的时域信号，n 是时间索引
  • X[k]：输出的频域信号，k 是频率索引
  • N：一帧的点数，比如 512 或 1024
  • e^{-j·2π·k·n/N}：这就是个旋转因子，本质上是不同频率的正弦波和余弦波

你想想看，DFT 其实就是把信号跟一堆不同频率的“模板”做内积。匹配上了，那个频率的系数就大；匹配不上，系数就小。我在项目中遇到过一个问题：采样率 8kHz，帧长 256 点，结果低频部分总是分析不准。后来发现是频率分辨率不够——频率分辨率 = 采样率 / 帧长，8kHz/256 = 31.25Hz。也就是说，两个频率相差不到 31.25Hz 就分不开了。这个坑，我踩过。

频率分辨率公式：

Δf = Fs / N

其中 Fs 是采样率，N 是 DFT 点数。帧长越长，频率分辨率越高，但时间分辨率会下降。这是个 trade-off。

4.2 快速傅里叶变换（FFT）实现

DFT 原理简单，但计算量太大。直接算 DFT，复杂度是 O(N²)。N=1024 时，要算一百多万次乘法。这在嵌入式设备上根本跑不动。

FFT 就是 DFT 的快速版本。它利用旋转因子的对称性和周期性，把复杂度降到 O(N·log₂N)。N=1024 时，只需要约一万次乘法。快了上百倍。

最常用的是基-2 时间抽取 FFT。它的核心思想是“分而治之”：

  1. 把 N 点序列按奇偶分成两个 N/2 点子序列
  2. 分别对两个子序列做 DFT
  3. 用蝶形运算合并结果

蝶形运算长这样：

// 基-2 蝶形运算核心
// A 和 B 是两个输入，W 是旋转因子
// 输出：
//   A' = A + W * B
//   B' = A - W * B

我个人习惯用 C 语言手写 FFT，而不是直接调库。为什么？因为部署到嵌入式平台时，库函数不一定有，或者有但性能不行。手写 FFT 虽然麻烦，但你能完全控制内存和计算流程。

我曾经在一个 ARM Cortex-M4 芯片上部署降噪算法，芯片没有 FPU，只能用定点数。库里的 FFT 全是浮点，根本没法用。最后我手写了一个 16 位定点 FFT，才把问题解决。

我的 FFT 实现建议：

  • 先确认平台是否支持浮点运算。不支持就用 Q15 或 Q31 定点格式
  • 旋转因子提前算好存表，不要每次实时计算
  • 注意位反转排序——这是 FFT 的固有步骤，容易出错
  • 帧长选 2 的幂次，比如 256、512、1024。非 2 的幂次会大幅增加复杂度

4.3 频谱与功率谱密度

做完 FFT，你得到的是复数 X[k]。这个复数包含幅度和相位信息。但在语音降噪里，我们更关心幅度，相位通常不太敏感。

幅度谱：|X[k]| = sqrt(Re² + Im²)

功率谱：P[k] = |X[k]|² / N

功率谱密度（PSD）：PSD[k] = |X[k]|² / (N · Fs)

三者的区别我列个表：

名称 公式 物理意义 常用场景
幅度谱 |X[k]| 各频率分量的幅度 可视化、特征提取
功率谱 |X[k]|² / N 各频率分量的能量 噪声估计、信噪比计算
功率谱密度 |X[k]|² / (N·Fs) 单位频率上的功率 不同采样率系统对比

实际部署时，我几乎只用功率谱。因为降噪算法里，噪声估计和增益计算都基于能量，功率谱直接反映能量分布。幅度谱反而用得少。

嗯，这里要注意：功率谱是实数，不是复数。所以 FFT 之后，你只需要取模平方，不需要保留相位。这能省一半内存。

我曾经踩过的坑：

做噪声估计时，直接用单帧的功率谱做平滑，结果噪声估计总是滞后。后来发现，应该用一阶递归平滑：P_est = α · P_est + (1-α) · P_current。α 取 0.9~0.99，既能跟踪变化，又能抑制抖动。

4.4 语谱图绘制

语谱图，就是把多帧的频谱堆在一起，用颜色表示能量大小。横轴是时间，纵轴是频率，颜色深浅代表能量高低。

绘制语谱图的步骤：

  1. 把音频分帧，每帧加窗（汉宁窗或汉明窗）
  2. 对每帧做 FFT，得到频谱
  3. 取功率谱或幅度谱，转成 dB 单位：20·log10(|X[k]|)
  4. 把多帧结果按时间排列，形成二维矩阵
  5. 用颜色映射显示

为什么加窗？因为分帧相当于在时域上截断，会产生频谱泄漏。加窗能抑制泄漏。我习惯用汉宁窗，旁瓣衰减够快，主瓣宽度也能接受。

语谱图在语音降噪里有什么用？我举两个例子：

  • 噪声类型识别：平稳噪声在语谱图上是均匀的横条纹，非平稳噪声是杂乱的斑点。看一眼语谱图，就知道该用哪种降噪策略。
  • 算法效果验证：降噪前后的语谱图一对比，语音部分是否保留完整，噪声是否被抑制，一目了然。比听音更直观。

我曾经调试一个降噪算法，听音觉得还行，但语谱图一看，高频语音被削掉了一大块。这就是所谓的“音乐噪声”问题。没有语谱图，我可能一直发现不了。

语谱图参数建议：

  • 帧长：20~30ms（16kHz 采样率对应 320~480 点）
  • 帧移：帧长的一半，保证重叠
  • 窗函数：汉宁窗或汉明窗
  • 颜色映射：灰度或热力图，dB 范围 -80~0
频域分析知识体系 频域分析 DFT 原理 FFT 实现 频谱与 PSD 语谱图绘制 时域→频域 频率分辨率 蝶形运算 位反转 幅度/功率 dB 转换 分帧加窗 颜色映射 核心逻辑：时域信号 → 分帧 → 加窗 → FFT → 频谱/PSD → 语谱图 部署时重点关注：帧长选择、FFT 定点化、内存管理

这张图把本章的知识体系串起来了。从时域信号出发，经过分帧加窗，做 FFT 得到频谱，再计算功率谱或 PSD，最后绘制语谱图。每一步都有坑，每一步都有技巧。

我个人觉得，频域分析是语音降噪的基石。你把这个基础打牢了，后面的维纳滤波、谱减法、甚至深度学习降噪，理解起来都会轻松很多。

← 上一章 📖 返回目录 下一章 →