非常好！我们将基于一个**本地 `.wav` 音频文件**，用 Python 实现完整的汉明窗可视化流程，包括： ✅ 读取 WAV 文件（支持单/双声道） ✅ 提取一帧音频信号（如 1024 点） ✅ 应用汉明窗并对比加窗前后波形 ✅ 展示时域波形 + 频谱（FFT）对比（加窗 vs 不加窗） ✅ 可视化窗函数本身 + 加窗后信号的 STFT 时频图（可选增强） --- ### ✅ 完整可运行代码（含错误处理、多声道兼容、中文标签） ```python import numpy as np import matplotlib.pyplot as plt from scipy.io import wavfile from scipy.fft import fft, fftfreq, fftshift import os # 设置中文字体（避免乱码） plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans', 'Arial Unicode MS'] plt.rcParams['axes.unicode_minus'] = False def load_wav_safe(filepath): """安全读取 WAV 文件，自动处理单/双声道，返回 (fs, mono_audio)""" if not os.path.exists(filepath): raise FileNotFoundError(f"❌ 文件未找到：{filepath}") try: fs, data = wavfile.read(filepath) except Exception as e: raise RuntimeError(f"❌ 无法读取 WAV 文件：{e}") # 若为立体声（2列），转为单声道（取左声道或均值） if len(data.shape) == 2: print(f"⚠️ 检测到立体声（{data.shape[1]} 声道），自动转为单声道（取左声道）") data = data[:, 0] # 或用 data.mean(axis=1).astype(data.dtype) 均值混音 elif len(data.shape) > 2: raise ValueError("❌ 不支持多于2声道的 WAV 文件") # 归一化到 [-1.0, 1.0]（若原始为 int16/32，则转 float64） if np.issubdtype(data.dtype, np.integer): max_val = np.iinfo(data.dtype).max data = data.astype(np.float64) / max_val elif data.dtype == np.float32 or data.dtype == np.float64: pass # 已是浮点型 else: data = data.astype(np.float64) return fs, data def hamming_window(N): """标准汉明窗（N ≥ 1）""" if N <= 0: return np.array([]) if N == 1: return np.array([1.0]) n = np.arange(N) return 0.54 - 0.46 * np.cos(2 * np.pi * n / (N - 1)) def plot_hamming_effect(wav_path, frame_len=1024, n_fft=2048, show_stft=False): """ 主函数：可视化汉明窗对真实音频的影响 Parameters: ----------- wav_path : str 本地 .wav 文件路径 frame_len : int 截取帧长（默认 1024 点） n_fft : int FFT 点数（用于频谱，建议 ≥ frame_len） show_stft : bool 是否额外绘制 STFT 时频图（较耗时，适合短音频） """ print(f"🔊 正在加载音频：{wav_path}") fs, audio = load_wav_safe(wav_path) # 确保有足够长度 if len(audio) < frame_len: raise ValueError(f"❌ 音频太短（{len(audio)} 点）< 所需帧长 {frame_len}，请换更长文件") # 截取第一帧（起始位置可调整，此处取中间段更平稳：避开静音开头） start_idx = max(0, len(audio) // 3) # 避开可能的静音头 frame = audio[start_idx : start_idx + frame_len].copy() if len(frame) < frame_len: frame = np.pad(frame, (0, frame_len - len(frame)), mode='reflect') # 生成汉明窗 win = hamming_window(frame_len) frame_win = frame * win # 加窗后信号 # === 计算频谱（归一化幅度谱，转 dB === def compute_spectrum(x, n_fft, fs): X = fft(x, n=n_fft) mag = np.abs(X[:n_fft//2]) # 取正频率半谱 mag = mag / mag.max() # 归一化 mag_db = 20 * np.log10(mag + 1e-12) # 防 log(0) freqs = fftfreq(n_fft, 1/fs)[:n_fft//2] return freqs, mag_db freqs, spec_orig = compute_spectrum(frame, n_fft, fs) _, spec_win = compute_spectrum(frame_win, n_fft, fs) # === 绘图 === fig = plt.figure(figsize=(14, 10)) # 1. 汉明窗形状 ax1 = plt.subplot(3, 2, 1) ax1.plot(win, 'r-', linewidth=2, label='汉明窗') ax1.set_title('🔹 汉明窗函数（N={}）'.format(frame_len)) ax1.set_xlabel('样本索引') ax1.set_ylabel('幅度') ax1.grid(True, alpha=0.3) ax1.legend() ax1.set_ylim(-0.1, 1.1) # 2. 原始帧 vs 加窗帧（时域） ax2 = plt.subplot(3, 2, 2) ax2.plot(frame, 'b-', alpha=0.7, label='原始帧', linewidth=1.2) ax2.plot(frame_win, 'r--', linewidth=1.5, label='加汉明窗后') ax2.set_title('🔸 时域对比（截取第 {} 点起 {} 点）'.format(start_idx, frame_len)) ax2.set_xlabel('样本索引') ax2.set_ylabel('幅度') ax2.grid(True, alpha=0.3) ax2.legend() # 3. 频谱对比（线性幅度，强调主瓣/旁瓣结构） ax3 = plt.subplot(3, 2, 3) ax3.plot(freqs, 10**(spec_orig/20), 'b-', alpha=0.8, label='原始帧（线性幅值）') ax3.plot(freqs, 10**(spec_win/20), 'r--', alpha=0.9, label='加窗后（线性幅值）') ax3.set_title('🔸 幅度谱对比（线性纵轴）') ax3.set_xlabel('频率（Hz）') ax3.set_ylabel('归一化幅度') ax3.grid(True, alpha=0.3) ax3.legend() ax3.set_xlim(0, fs//2) # 4. 频谱对比（dB，突出旁瓣抑制） ax4 = plt.subplot(3, 2, 4) ax4.plot(freqs, spec_orig, 'b-', alpha=0.8, label='原始帧（dB）') ax4.plot(freqs, spec_win, 'r--', alpha=0.9, label='加窗后（dB）') ax4.set_title('🔸 幅度谱对比（dB，突出泄漏抑制）') ax4.set_xlabel('频率（Hz）') ax4.set_ylabel('幅度（dB）') ax4.grid(True, alpha=0.3) ax4.legend() ax4.set_xlim(0, min(5000, fs//2)) # 局部放大看低频细节 ax4.set_ylim(-100, 5) # 5. 音频基本信息 & 窗参数摘要 ax5 = plt.subplot(3, 2, 5) ax5.axis('off') info_text = f"""📁 音频信息： • 采样率：{fs} Hz • 总长度：{len(audio)} 点 ≈ {len(audio)/fs:.2f} 秒 • 数据类型：{audio.dtype} • 帧长：{frame_len} 点（≈ {frame_len/fs*1000:.1f} ms） ⚙️ 汉明窗特性： • 公式：w[n] = 0.54 − 0.46·cos(2πn/(N−1)) • 主瓣宽度：≈ 4/N（归一化） • 第一旁瓣衰减：≈ −41 dB • 适用场景：通用频谱分析、STFT""" ax5.text(0.02, 0.98, info_text, fontsize=10, family='monospace', verticalalignment='top', bbox=dict(boxstyle="round,pad=0.3", facecolor="lightyellow", alpha=0.8)) # 6. （可选）STFT 时频图（仅当启用且音频不太长时） if show_stft and len(audio) <= 16384: # 限制长度防卡顿 from scipy.signal import stft f_stft, t_stft, Zxx = stft(audio, fs=fs, window='hamming', nperseg=frame_len, noverlap=frame_len//2, nfft=n_fft) Sxx = np.abs(Zxx) Sxx_db = 20 * np.log10(Sxx + 1e-12) ax6 = plt.subplot(3, 2, 6) im = ax6.pcolormesh(t_stft, f_stft, Sxx_db, shading='gouraud', cmap='magma', vmax=np.percentile(Sxx_db, 95)) ax6.set_title('🔸 STFT 时频图（汉明窗，重叠50%）') ax6.set_ylabel('频率（Hz）') ax6.set_xlabel('时间（秒）') plt.colorbar(im, ax=ax6, label='幅度（dB）') else: ax6 = plt.subplot(3, 2, 6) ax6.axis('off') note = "💡 STFT 图已跳过（音频过长或未启用 show_stft=True）\n 如需开启，请确保音频 ≤16k 点，并设 show_stft=True" ax6.text(0.02, 0.98, note, fontsize=9, family='sans-serif', verticalalignment='top', bbox=dict(boxstyle="round,pad=0.3", facecolor="lightcyan", alpha=0.8)) plt.tight_layout() plt.suptitle(f'🎯 汉明窗效果可视化 —— 来源：{os.path.basename(wav_path)}', fontsize=14, y=1.02, fontweight='bold') plt.show() # =================== 使用示例（请替换为你自己的 .wav 路径）=================== if __name__ == "__main__": # ✅ 替换下面这行为你的本地 WAV 文件路径（支持中文路径！） your_wav_file = "example.wav" # ← ⚠️ 修改这里！ # 如果你没有测试文件，可临时生成一个 1 秒 440Hz 正弦波（取消注释运行一次）： # import numpy as np # fs_gen = 44100 # t_gen = np.linspace(0, 1.0, fs_gen, endpoint=False) # tone = 0.5 * np.sin(2 * np.pi * 440 * t_gen) # wavfile.write("example.wav", fs_gen, (tone * 32767).astype(np.int16)) # print("✅ 已生成示例文件 example.wav（440Hz 正弦波）") try: plot_hamming_effect( wav_path=your_wav_file, frame_len=1024, n_fft=2048, show_stft=False # 设为 True 可显示 STFT（小文件推荐） ) except Exception as e: print(f"❌ 运行出错：{e}") ``` --- ### 🔍 关键功能与设计说明： | 模块 | 说明 | |------|------| | **安全读取** | 自动识别 `int16`/`int32`/`float32`，归一化到 `[-1,1]`；立体声自动取左声道；路径容错。 | | **智能截帧** | 不取开头（常为静音），而取 `1/3` 处，提升信号活跃度，使频谱更典型。 | | **双频谱视图** | 同时展示 **线性幅度谱**（看主瓣宽度）和 **dB谱**（看旁瓣抑制），直观体现“泄漏减少”。 | | **汉明窗数学验证** | 图中直接绘制窗函数，确认两端≈0.08，中间≈1.0，符合定义。 | | **STFT 增强选项** | 可选开启，用 `scipy.signal.stft` 生成专业级时频图，验证窗函数在实际分析中的平滑性。 | | **信息面板** | 左下角汇总音频参数 + 汉明窗理论指标（主瓣宽、旁瓣衰减），兼顾工程与教学。 | > 💡 小技巧：若无 `.wav` 文件，代码中已预留生成示例正弦波的注释段（取消注释即可一键生成 `example.wav`）。 ---