چهار تبدیل ابزار ریاضی مورد استفاده برای تجزیه و تحلیل اجزای فرکانس سیگنال ها است.در SciPy، یک کتابخانه محبوب پایتون، چهارارتر تبدیل برای تسهیل پردازش داده های صوتی و تصویری اجرا می شود.این مقاله نمونه های عملی از چگونگی استفاده از SciPy برای تجزیه و تحلیل چهار نفره در این دامنه ها را فراهم می کند.

چهار تغییر در پردازش صوتی

در پردازش صوتی، Fourier به شناسایی محتوای فرکانس سیگنال های صوتی کمک می کند.با استفاده از SciPy، می توانید داده های صوتی time-domain را به دامنه فرکانس تبدیل کنید تا اجزای طیفی آن را تجزیه و تحلیل کنید.

به عنوان مثال، بارگذاری یک سیگنال صوتی و استفاده از تبدیل چهار بعدی به شما اجازه می دهد تا فرکانس های غالب را تجسم کنید.این در برنامه هایی مانند کاهش سر و صدا، اثرات صوتی و تجزیه و تحلیل موسیقی مفید است.

چهار تغییر در پردازش تصویر

در پردازش تصویر، چهارار تبدیل برای تجزیه و تحلیل اطلاعات فرکانس فضایی استفاده می شود، این می تواند به فیلترینگ، افزایش تصویر و وظایف تشخیص الگو کمک کند.

استفاده از یک تبدیل دو بعدی چهارier به یک تصویر آن را از دامنه فضایی به دامنه فرکانس تبدیل می کند. اجزای فرکانس بالا اغلب با لبه ها و جزئیات دقیق مطابقت دارند، در حالی که اجزای کم فرکانس مربوط به مناطق صاف است.

مثال عملی: Computing Fourier Transform with SciPy

در زیر یک مثال ساده از محاسبات تبدیل چهار بعدی یک سیگنال با استفاده از SciPy است:

⁇ python

خرید numpy به عنوان np

از طریق py.fft import fft

#یک سیگنال نمونه را بیان کنید

نمونه برداری = 1000

t = np.linspace (0، نمونه برداری rate، endpoint=False)

سیگنال = np.sin (۲) * np.pi * ۵۰ * t) + ۰٫۵ * np.sin (۲) np.pi * ۱۲۰ * t)

#تحریم چهار بعدی

· {\ft (signal)

xf = fftfreq (sampling rate، 1 / نمونه برداری rate)

#تحلیل اجزای فرکانس

چاپ (xf[np.argmax (np.abs (yf))) # Dominant frequency

⁇ ⁇