Fourier muunnokset ovat matemaattisia työkaluja käytetään analysoimaan taajuuskomponenttien signaaleja. Vuonna SciPy, suosittu Python kirjasto, Fourier muunnokset toteutetaan helpottamaan käsittelyä audio- ja kuvadatan. Tämä artikkeli tarjoaa käytännön esimerkkejä siitä, miten käyttää SciPy Fourier analyysi näillä aloilla.

Fourier-muunnos äänikäsittelyssä

Audiokäsittelyssä Fourier muuntaa äänen signaalien taajuussisällön. SciPy-järjestelmän avulla voit muuntaa aika-alue-äänidatan taajuusalueeksi analysoidaksesi sen spektrisiä komponentteja.

Esimerkiksi lataamalla äänisignaalin ja soveltamalla Fourier muuntaa voit visualisoida hallitsevat taajuudet. Tämä on hyödyllistä sovelluksissa kuten melun vähentäminen, äänitehosteet, ja musiikkianalyysi.

Fourier-muunnos kuvakäsittelyssä

Kuvankäsittelyssä Fourier-muunnoksia käytetään paikkatietojen analysoimiseen. Tämä voi auttaa suodattamaan, kuvan parantamiseen ja kuviontunnistustehtäviin.

2D Fourier -kuvan soveltaminen muuntaa kuvan tila-alueesta taajuusalueeksi. Korkeataajuiset komponentit vastaavat usein reunoja ja hienoja yksityiskohtia, kun taas matalataajuiset komponentit liittyvät sileisiin alueisiin.

Käytännön esimerkki: Fourier-muunnoksen laskenta SciPy-toiminnolla

Alla on yksinkertainen esimerkki Fourier muuntaa signaalin käyttäen SciPy:

...

tuonti numpy as np

scipy.fft tuonti fft, fftfreq

# Luo näytesignaali

näytteenotto nopeus = 1000

t = np.linspace(0, 1, näytteenotto nopeus, päätetapahtuma = väärä)

signaali = np.sin(2 * np.pi * 50 * t) + 0,5 * np.sin(2 * np.pi * 120 * t)

Tietokone Fourier-muunnos

yf = fft(signaali)

xf = fftfreq(näytteenotto nopeus, 1 / näytteenotto nopeus)

# Analysoi taajuuskomponentit

print(xf[np.argmax(np.abs(yf))])) # dominanttitaajuus

...