FFT在iPhone上忽略背景噪音，并找到较低的音调

Question

我已经为iPhone实现了Demetri的Pitch Detector项目，并遇到了两个问题。1)任何类型的背景噪音都会使频率读数变差;2)较低频率的声音音调不正确。我试着调音吉他，虽然高弦行得通，但调音师无法正确辨别低e。

音高检测代码位于RIOInterface中。嗯，是这样的…

// get the data
AudioUnitRender(...);
// convert int16 to float
Convert(...);
// divide the signal into even-odd configuration
vDSP_ctoz((COMPLEX*)outputBuffer, 2, &A, 1, nOver2);
// apply the fft
vDSP_fft_zrip(fftSetup, &A, stride, log2n, FFT_FORWARD);
// convert split real form to split vector
vDSP_ztoc(&A, 1, (COMPLEX *)outputBuffer, 2, nOver2);

Demetri接着确定"主导"频率如下:

float dominantFrequency = 0;
int bin = -1;
for (int i=0; i<n; i+=2) {
    float curFreq = MagnitudeSquared(outputBuffer[i], outputBuffer[i+1]);
    if (curFreq > dominantFrequency) {
        dominantFrequency = curFreq;
        bin = (i+1)/2;
    }
}
memset(outputBuffer, 0, n*sizeof(SInt16));
// Update the UI with our newly acquired frequency value.
[THIS->listener frequencyChangedWithValue:bin*(THIS->sampleRate/bufferCapacity)];

首先，我认为我需要应用低通滤波器…但我不是FFT专家，也不确定在哪里或如何针对vDSP函数返回的数据做到这一点。我也不确定如何提高代码在较低频率的准确性。似乎还有其他算法可以确定主导频率，但同样，在使用苹果加速框架返回的数据时，要寻找正确的方向。

更新:

加速框架实际上有一些窗口函数。我设置了一个像这样的基本窗口

windowSize = maxFrames;
transferBuffer = (float*)malloc(sizeof(float)*windowSize);
window = (float*)malloc(sizeof(float)*windowSize);
memset(window, 0, sizeof(float)*windowSize);
vDSP_hann_window(window, windowSize, vDSP_HANN_NORM); 

然后通过插入 应用

vDSP_vmul(outputBuffer, 1, window, 1, transferBuffer, 1, windowSize); 

vDSP_ctoz函数前的

。然后我改变其余的代码使用'transferBuffer'而不是outputBuffer…但到目前为止，我还没有注意到最终的音高猜测有任何戏剧性的变化。

Answer 1

音高与峰值幅度频率bin不一样(这是加速框架中的FFT可能直接给你的)。因此任何峰值频率检测器对于基音估计都是不可靠的。当一个音符缺少或非常弱的基本音(在一些人声、钢琴和吉他的声音中很常见)和/或频谱中有很多强大的泛音时，低通滤波器将不起作用。

看看你的音乐声音的宽带频谱或光谱仪，你就会发现问题所在。

通常需要其他方法来更可靠地估计音高。其中一些包括自相关方法(AMDF, ASDF)，倒谱/倒谱分析，谐波积谱，相位声码器和/或复合算法，如RAPT(稳健的音高跟踪算法)和YAAPT。FFT仅作为上述某些方法的子部分是有用的。

Answer 2

在计算FFT之前，您至少需要对您的时域数据应用窗口函数。如果没有这一步，功率谱将包含伪影(参见:频谱泄漏)，这将干扰您提取音高信息的尝试。

一个简单的Hann(又名Hanning)窗口就足够了。

Answer 3

你的样本频率和块大小是多少?低E约为80 Hz，因此您需要确保捕获块足够长，以便在此频率下捕获许多周期。这是因为傅里叶变换将频谱分成几个箱，每个箱宽几赫兹。例如，如果您以44.1 kHz采样并具有1024点时域采样，则每个bin的宽度将为44100/1024 = 43.07 Hz。因此，低E会在第二个箱子里。由于一系列原因(与频谱泄漏和有限时间块的性质有关)，实际上，您应该以极端怀疑的态度考虑FFT结果中的前3或4箱数据。

如果你将采样率降低到8 kHz，相同的块大小会给你7.8125 Hz宽的箱子。现在low E会在第10或者第11个bin，这样会好很多。您也可以使用更长的块大小。

正如Paul R指出的那样，你必须使用一个窗口来减少光谱泄漏。

Answer 4

iPhone的频响函数在100 - 200hz以下下降(例如http://blog.faberacoustical.com/2009/ios/iphone/iphone-microphone-frequency-response-comparison/)

如果你试图检测低音吉他弦的基本模式，麦克风可能会起到过滤器的作用，抑制你感兴趣的频率。如果你对使用fft数据感兴趣，你可以有几个选择——你可以在频域内的数据窗口周围的音符，你试图检测，所以你可以看到的是第一模态，即使它的幅度低于高模态(即。有一个开关来调整第一个字符串，并把它放在这个模式)。

或者你可以对声音数据进行低通滤波——你可以在时域或更容易地做到这一点，因为你已经有了频域数据，在频域中。一个很简单的时域低通滤波器就是做一个时间移动平均滤波器。一个非常简单的频域低通滤波器是将你的fft幅值乘以一个在低频范围内为1的矢量，在高频范围内线性(甚至阶跃)下降。