Python中Scipy库在信号处理中的实操指南

使用 Scipy 实现数字信号滤波与频谱分析

第1步：配置环境并导入核心运算模块

目的：建立可复现的计算环境，确保后续信号生成、滤波计算与可视化功能正常调用。

入口与动作：在Python环境中安装numpy、matplotlib与scipy后，通过标准导入语法加载模块。其中signal子模块负责滤波器设计与频谱计算，wavfile负责音频I/O，plot用于图形绘制。

关键参数：fs=1000表示采样频率（Hz），t = np.linspace(0, 1, 1000, endpoint=False)构建均匀时间轴。完成状态为无报错导入且变量已就绪。

import numpy as np
import matplotlib.pyplot as plt
from scipy import signal
from scipy.io import wavfile

第2步：设计 Butterworth 滤波器并执行去噪

目的：将含有随机噪声的混合信号转化为纯净低频成分，消除高频干扰。

入口与动作：构造一段叠加了正弦波与高斯白噪声的测试信号。调用signal.butter()设定阶数与截止频率生成滤波器系数；随后使用signal.filtfilt()执行双向滤波以消除相位延迟。

重要参数：order=4决定过渡带陡峭程度，cutoff_frequency=4划定保留频率上限，'low'指定低通模式。完成状态：signal_filtered输出振幅波动显著减小，与原信号重合部分平滑连贯。

# 生成模拟信号
t = np.linspace(0, 1, 1000, endpoint=False)
signal_input = np.sin(2 * np.pi * 5 * t) + 0.5 * np.random.normal(size=len(t))

# 设计 Buttworth 低通滤波器
order = 4
cutoff_frequency = 4
b, a = signal.butter(order, cutoff_frequency, 'low', analog=False, fs=1000)

# 应用零相位滤波
signal_filtered = signal.filtfilt(b, a, signal_input)

# 绘制结果
plt.figure(figsize=(10, 6))
plt.plot(t, signal_input, label='Original Signal')
plt.plot(t, signal_filtered, label='Filtered Signal')
plt.xlabel('Time')
plt.ylabel('Amplitude')
plt.legend()
plt.title('Butterworth Lowpass Filter')
plt.show()

第3步：基于 FFT 算法计算功率谱密度(PSD)

目的：将时域信号转换至频域，量化不同频率分量上的能量分布，辅助诊断周期性特征与噪声基底。

入口与动作：复用前述测试信号。由于实际工程信号通常伴随稳态噪声，直接FFT易受频谱泄漏影响，推荐使用signal.welch()。该函数底层通过分段加窗、求周期图再平均的方式，等效输出高精度的PSD曲线。

重要参数：nperseg=256控制每段采样点数，值越大频率分辨率越高但方差降低越慢。完成状态：横轴呈现清晰的基频峰值（5 Hz），纵轴以分贝标度展示各频段相对功率强度。

# 计算信号的功率谱密度(基于Welch算法融合FFT)
frequencies, spectrum = signal.welch(signal_input, fs=1000, nperseg=256)

# 绘制对数坐标频谱图
plt.figure(figsize=(10, 6))
plt.semilogy(frequencies, spectrum)
plt.xlabel('Frequency (Hz)')
plt.ylabel('Power/Frequency (dB/Hz)')
plt.title('Power Spectral Density (PSD) using FFT')
plt.show()

第4步：解析 WAV 文件并完成波形渲染

目的：将磁盘存储的标准音频格式装载为数组，直观校验声道完整性与幅值范围。

入口与动作：使用wavfile.read()读取目标路径下的.wav文件。该接口自动分离元数据与波形数组，返回采样率与整型浮点数据。调用绘图工具按时间索引展开曲线。

重要参数：确保当前工作目录包含有效音频文件，否则抛出IOError。完成状态：窗口显示连续波形轨迹，X轴刻度代表采样点索引，Y轴反映动态范围，可用于后续重采样或静音裁剪预处理。

# 读取音频文件
sample_rate, audio_data = wavfile.read('test.wav')

# 绘制音频波形
plt.figure(figsize=(12, 4))
plt.plot(audio_data)
plt.xlabel('Sample')
plt.ylabel('Amplitude')
plt.title('Audio Waveform')
plt.show()

关键技术选型参考

针对滤波器架构选择：Butterworth具备最平坦的通带响应，适合对振幅一致性要求严格的场景；Chebyshev允许引入等纹波换取更陡的过渡带；FIR天然稳定且支持线性相位，但阶数需求较高；IIR计算轻量，需留意极点分布带来的稳定性边界。实际项目中常以Butterworth配合filtfilt作为默认基线方案。

关于频域工具对比：纯FFT给出精确的复数频谱，适用于理论推导或严格离散系统；Welch PSD通过统计平均抑制方差，是工程振动、语音与通信链路中评估信噪比的首选手段。

简要总结

以上就是 Python 中 Scipy 库在信号处理中的应用详解的详细内容，更多关于 Python 信号处理与数据降噪的资料请关注本站其它相关文章！