python filter内建函数
filter函数是python内建函数,可以操作任何可迭代类型,如list,tuple,string.
filter需要带上一个函数function和一个可迭代序列作为参数.filter()将调用该function作用于每一个可迭代序列的元素,并返回一个由该function验证后返回值为true的元素组成新的可迭代序列,新序列的类型保持与filter参数序列的类型一致
下面用这个例子来说明：
#建个数字列表
def?lessThanFive(element):
print?filter(lessThanFive,?numbers)
下面用如下例子说明：
#定义元组类型
names?=?('Jack',?'Jill,?'Steve',?'')
#筛选出名字
new_names?=?filter(None,?names)
print?new_names
输出结果是元组：
('Jack',?'Jill,?'Steve'）
在元组names最后一个名字是空字符串,而filter的第一个参数是None,这说明需要使用identity函数(该函数是简单的返回该元素的）
因为python对空字符串,0和None作为False,所以上面的filter的语句就是移除空元素.
目的：找出以J开头的名字
def?startsWithJ(element):
if?element:
return?element[0]?==?'J'
return?False
j_names?=?filter(startsWithJ,?names)
print?j_names
输出结果是元组：（'Jack',?'Jill')
对于任何的音频文件,实际上都是用这种存储方式,比如,下面是对应英文单词"skip"的一段信号(只不过由于点太多,笔者把点用直线连接了起来）：
衡量数字信号的 能量（强度） ,只要简单的求振幅平方和即可：
我们知道,声音可以看作是不同频率的正弦信号叠加.那么给定一个声音信号（如上图）,怎么能够知道这个信号在不同频率区段上的强度呢?答案是使用离散傅里叶变换.对信号x[n], n=0, ..., N-1,通常记它的离散傅里叶变换为X[n],它是一个复值函数.
比如,对上述英文单词"skip"对应的信号做离散傅里叶变换,得到它在频域中的图像是：
在频域上,也可以计算信号的强度,因为根据Plancherel定理,有：
我们把一种特殊的函数w[n],称作窗函数,如果对所有的n,有0=w[n]=1,且只有有限个n使得w[n]0.比如去噪要用到的汉宁窗,三角窗.
汉宁窗
三角窗
我们将平移的窗函数与原始信号相乘,便得到信号的"一帧"：
w[n+d]*x[n]
可见除一有限区间之外,加窗后的信号其他部分都是0.
对一帧信号可以施加离散傅里叶变换（也叫短时离散傅里叶变换）,来获取信号在这一帧内（通常是很短时间内）,有关频率-能量的分布信息.
如果我们把信号按照上述方法分成一帧一帧,又将每一帧用离散傅里叶变换转换到频域中去,最后将各帧在频域的图像拼接起来,用横坐标代表时间,纵坐标代表频率,颜色代表能量强度（比如红色代表高能,蓝色代表低能）,那么我们就构造出所谓 频谱图 .比如上述"skip"发音对应的信号的频谱图是：
从而简单的叠加各帧信号便可以恢复出原始信号：
最后,注意窗函数也可以在频域作用到信号上,从而可以起到取出信号的某一频段的作用.
① 扩音
要扩大信号的强度,只要简单的增大信号的"振幅".比如给定一个信号x[n],用a1去乘,便得到声音更大的增强信号：
同理,用系数0a1去乘,便得到声音变小的减弱信号.
对于白噪音,我们可以简单的用"移动平均滤波器"来去除,虽然这也会一定程度降低声音的强度,但效果的确不错.但是,对于成分较为复杂,特别是频段能量分布不均匀的噪声,则需要使用下面的 噪声门 技术,它可以看作是一种"多带通滤波器".
这个特效的基本思路是：对一段噪声样本建模,然后降低待降噪信号中噪声的分贝.
更加细节的说,是在信号的若干频段f[1], ..., f[M]上,分别设置噪声门g[1], ..., g[M],每个门都有一个对应的阈值,分别是t[1], ..., t[M].这些阈值时根据噪声样本确定的.比如当通过门g[m]的信号强度超过阈值t[m]时,门就会关闭,反之,则会重新打开.最后通过的信号便会只保留下来比噪声强度更大的声音,通常也就是我们想要的声音.
实现中,我们用汉宁窗对信号进行分帧.然后对每一帧,又用三角窗将信号分成若干频段.对噪声样本做这样的处理后,可以求出信号每一频段对应的阈值.然后,又对原始信号做这样的处理（分帧+分频）,根据每一帧每一频段的信号强度和对应阈值的差（diff = energy-threshold）,来计算对应噪声门的开合程度,即通过信号的强度.最后,简单的将各频段,各帧的通过信号叠加起来,便得到了降噪信号.
比如原先的"skip"语音信号频谱图如下：
可以明显的看到大部分噪音都被清除了,而语音部分仍完好无损,强度也没有减弱,这是"移动平均滤波器"所做不到的.
在对音频进行上述降噪处理后,我们还可以进一步把多余的静音去除掉.
剪切的原理十分简单.首先用汉宁窗对信号做分帧.如果该帧信号强度过小,则舍去该帧.最后将保留的帧叠加起来,便得到了剪切掉静音部分的信号.
比如,对降噪处理后的"skip"语音信号做静音剪切,得到的新信号的频谱图为：
噪声能获取吗?好吧.你可以试试减一减.不过你的测试用例不太对. 尽量用有规律的数据去做.
比如你可以做一个正弦函数,再人为的加上一点点扰动.再做小波变换看看.另外数据要多些.太短的数据看不出效果来.
通常来讲噪声是没有规律的. 但是不排除它是另外一种规律迭加上去的. 试试看.
内容：
①. canny的边缘检测的介绍.
说明：
上述的代码,本机均有报错,故对代码进行修改,注释和运行.
初级canny：
①. 介绍：opencv中给出了canny边缘检测的接口,直接调用：
去噪 -- 梯度 -- 非极大值抑制 -- 滞后阈值
中级canny：
①. 中级canny,就是可调节的阈值,找到最佳的canny边缘检测效果.
高级canny：
①. 自适应canny的算法：
小结：