Transform Fourier adalah alat matematika yang digunakan untuk menganalisis komponen frekuensi sinyal. Dalam SciPy, sebuah pustaka Python populer, transform Fourier diimplementasikan untuk memfasilitasi pemrosesan data audio dan gambar. Artikel ini menyediakan contoh praktis bagaimana menggunakan SciPy untuk analisis Fourier dalam domain-data ini.

Transformer Fourier dalam Pengolahan Audio

Dalam pemrosesan audio, Fourier mengubah bentuk membantu mengidentifikasi konten frekuensi sinyal suara. Dengan menggunakan SciPy, Anda dapat mengubah data audio time-domain ke dalam domain frekuensi untuk menganalisis komponen spektralnya.

Sebagai contoh, memuat sinyal audio dan menerapkan transformasi Fourier memungkinkan Anda untuk memvisualisasikan frekuensi dominan. Hal ini berguna dalam aplikasi seperti pengurangan kebisingan, efek audio, dan analisis musik.

Transformer Fourier dalam Pengolahan Gambar

Dalam pengolahan gambar, transformasi Fourier digunakan untuk menganalisis informasi frekuensi spasial. Ini dapat membantu dalam penyaringan, peningkatan gambar, dan tugas pengenalan pola.

Terapkan transform 2D Fourier ke sebuah gambar mengubahnya dari domain spasial ke domain frekuensi. Komponen frekuensi tinggi sering kali berhubungan dengan tepi dan detail halus, sementara komponen frekuensi rendah berhubungan dengan wilayah yang lancar.

Contoh Praktis Praktis: Mengkomputkan Transform Fourier dengan SIPY

Di bawah ini adalah contoh sederhana dari komputasi transformasi Fourier dari sinyal menggunakan SciPy:

``'python

numpy impor numpy sebagai np

Dari scipy.fft impor fft, fftfreq

\"Filham #\" menghasilkan sinyal sampel

sampling rate = 1000

ty= np.linspace(0, 1, sampling rate, titik akhir=False)

Sinyal signal = np.sin(2 * np.pi * 50 * t) + 0.5 * np.sin(2 * np.pi * 120 * t)

# Kompute Empat lebih besar transformasi

yf = fft(sinyal)

BAHASA BARF = fftfreq(sampel rate, 1 / sampling rate)

# Analisis komponen frekuensi

print(xf[np.argmax(np.abs(yf)))) # Frekuensi dominan

```