今天搞毕设了么？——4.15 MFCC及倒谱系数

浅谈MFCC  

MFCC的基本过程可以看看这个，（1）浅谈MFCC（2）声音特征提取但这个也就是个基本的过程，毕设的基本理论方面是可以用的到的，而具体详细实现的细节及代码后续再做补充。

MFCC最直观的认知，它的13个系数（也许还有13个一阶差分和13个二阶差分）都是通过离散余弦变换（DCT）而来，并取前13个系数。DCT

所说，为了获得频谱的倒谱，倒谱的低频分量就是频谱的包络，倒谱的高频分量就是频谱的细节，这些都是语音识别上经过科学验证十分有效的语音物理信息。但语音识别是对机器来说的，所以我们必须对物理信息进行某种“编码”，得到的就是MFCC13维特征向量，你是否理解它不重要，只要机器能够识别就行了。

综上所述，我认为MFCC的物理含义就是——在语音识别领域，将语音物理信息（频谱包络和细节）进行编码运算得到的一组特征向量。

在知乎上看到这样一个很直观的例子  Mel频率倒谱系数对应的物理含义

首先看下面图中的波形，如果你“播放”它，其实就是鼓声“咚哒咚咚哒”这五声儿。

把这段鼓声分成130帧，每一帧内提取20维的MFCC，就会得到下图：

可以看到“咚”和“哒”的时候对应的MFCC还是有区别的，为了让这个区别更明显，可以对每一维的系数稍作处理，于是得到下图：

附录python源码：

# 需要用到的包
import numpy, scipy, sklearn, librosa
# 录入咚哒咚咚哒的音频例子
x, fs = librosa.load('example.wav')
# 画出波形图（上方第一个图）
librosa.display.waveplot(x, sr=fs)
# 提取MFCC
mfccs = librosa.feature.mfcc(x, sr=fs)
# 获取特征值的维度
print mfccs.shape  #打印将输出(20,130)
# 画出MFCC的图（上方第二个图）
librosa.display.specshow(mfccs, sr=fs, x_axis='time')
# 对MFCC的数据进行处理
mfccs = sklearn.preprocessing.scale(mfccs, axis=1)
# 画出处理后的图（上方第三个图）
librosa.display.specshow(mfccs, sr=fs, x_axis='time')