特徵提取（fbank）
目的：1.把每一幀波形變成乙個包含聲音資訊的多維向量；
2. 能夠符合或類似人耳的聽覺感知特性
3. 在一定程度上能夠增強語音頻號、抑制非語音頻號
fbank
fbank的總體流程可以由下圖表示，去掉（dct）。
1.語音取樣率：
語音取樣率顧名思義就是在一秒長的音訊上取樣多少個幅值點。根據取樣定理取樣率要大於取樣訊號的兩倍，才能還原原始訊號資訊。人聲訊號人聲一般在300-3400，很多音效卡取樣率都是8k。對於我們這邊的演算法取16k，
就是為了不丟失其中的高頻成分。
2.預加重：
語音頻號中高頻部分能量很小，容易被雜訊覆蓋，因此有乙個預加重的過程，目的是為了提公升高頻部分，使得訊號頻譜變得平坦，移除頻譜傾斜，來補償語音頻號受到發音系統所抑制的高頻部分。
預加重公式：
由於高頻訊號表徵的是訊號變換的速率快慢，因此訊號的高頻分量一般體現在訊號上公升或者下降沿。預加重技術就是增強上公升沿或者下降沿的幅度。不過本公式採用的是去加重技術，
保持高頻不變，減去=少低頻訊號的幅值，從公式來看，是將當前幀點減去前一幀的幅度，因此在越是陡峭的地方，當前這點被減去的越少（因為
越是陡峭，兩幀之間的幅值差越大。而比較平緩的地方基本相當減去了自身的k倍），這樣一來高頻訊號幅值被減去的很少，低頻訊號被減去的很多，高頻訊號幅值相對提公升。
關於預加重的詳細解釋以及公式推導：
3.分幀
人聲帶訊號在短時長內可以認為是平穩訊號（一般取0.025秒），短時間頻譜不會變化（這樣的訊號特性方便傅利葉變換），所以為了方便分析訊號，一般將語音頻號分成很多幀。
後續的很多處理都是針對幀來操作的。在分幀的時候為了避免窗邊對訊號的遺漏，因此在對幀做偏移的時候，幀間要有重疊（一般選擇10ms）.否則，由於幀與幀連線處的訊號會
因為加窗而被弱化，這部分的資訊就丟失了。
4.加窗：
聲音頻號經過上面的分幀後，要做fft處理。但是訊號經過分幀後會有洩露（訊號做fft會被當成週期訊號處理，當你擷取的訊號首尾不相等時，是不滿足週期特性的），頻譜與
原始訊號有很大的差別。為了還原原始訊號頻譜，因此要對原始訊號加上乙個窗（實際上就是乘以乙個窗函式，使得擷取的訊號滿足傅利葉變換的條件）
關於洩露具體看：
關於窗具體看：
5.fft(快速傅利葉變換)
語音傳進來的訊號是時域訊號，混合各種頻段的訊號，為了方便神經網路學習，需要將轉成頻域訊號。然後在每一幀上做n點fft來計算頻譜，然後將每一幀的變換按軸頻率拼接在一起就是語音譜。
如下圖所示，橫軸是時間，縱軸是頻率，顏色深淺表示頻譜強度。
傅利葉變換：寫的非常好）
dft（離散傅利葉變換）
fft(快速傅利葉變換)
5.mel濾波器組
經過上面的步驟，在能量譜上應用mel濾波器組，就能提取fbank特徵。
在介紹mel濾波器組之前，先介紹一下mel刻度，這是乙個能模擬人耳接收聲音規律的刻度，人耳在接收聲音時呈現非線性狀態，對高頻的更不敏感，因此mel刻度在低頻
區分辨度較高，在高頻區分辨度較低，與頻率之間的換算關係為：
mel濾波器組就是一系列的三角形濾波器，通常有40個或80個，在中心頻率點響應值為1，在兩邊的濾波器中心點衰減到0，如下圖：
梅爾頻率倒譜係數mfcc：
特徵工程 特徵提取
特徵提取 將任意資料 如文字或影象 轉換為可用於機器學習的數字特徵 注 特徵值化是為了計算機更好的去理解資料 字典特徵提取 作用 對字典資料進行特徵值化 dictvectorizer.get feature names 返回類別名稱 from sklearn.feature extraction i...
顏色特徵提取
顏色特徵是在影象檢索中應用最為廣泛的視覺特徵，主要原因在於顏色往往和影象中所包含的物體或場景十分相關。此外，與其他的視覺特徵相比，顏色特徵對影象本身的尺寸 方向 視角的依賴性較小，從而具有較高的魯棒性。面向影象檢索的顏色特徵的表達涉及到若干問題。首先，我們需要選擇合適的顏色空間來描述顏色特徵 其次，...
顏色特徵提取
顏色特徵是在影象檢索中應用最為廣泛的視覺特徵，主要原因在於顏色往往和影象中所包含的物體或場景十分相關。此外，與其他的視覺特徵相比，顏色特徵對影象本身的尺寸 方向 視角的依賴性較小，從而具有較高的魯棒性。面向影象檢索的顏色特徵的表達涉及到若干問題。首先，我們需要選擇合適的顏色空間來描述顏色特徵 其次，...