Mikrofon Verisi, Grafiklemek, FFT

Mikrofondan gelen veriyi ekranda surekli olarak plot etmek, fourier transformunu almak gibi islemler icin neler yapmali? Oncelikle, daha once belirttigimiz "fromstring" ve "fromfile" usulu okuma sekli bize tum wav verisini veriyor ve bu verinin icinde baslik (header) bilgisi de var. Verinin sadece bizi ilgilendiren kismini alabilmek icin wav formatini taniyan turden bir kutuphane lazim.Bunun icin audiolab ve libsnd adli iki kutuphane kullanacagiz. Audiolab bir Python kutuphanesidir ve C ile yazilmis libsnd adli alt kutuphaneyi sarmalar (wrap). Ilk once libsnd kurulacak; suradan. Tipik C kaynak kod bazli kurulum: "configure" ve "sudo make install". Daha sonra audiolab Github'dan alinip kurulabilir. Bu da klasik: "sudo python setup.py build install".Simdi, surekli olarak mikrofondan veri alip zaman serisi olarak ekrana basan program soyle:

import os, matplotlib.pyplot as plt
import audiolab
import numpy as np

from scipy import *

plt.ion()

while (True):
   plt.clf()
   os.system("arecord -d 1 -f dat > /mnt/rd/ses.wav")
   (snd, sampFreq,nBits) = audiolab.wavread('/mnt/rd/ses.wav')
   s1 = snd[:,0] timeArray = np.arange(0, float(snd.shape[0]), 1)
   timeArray = timeArray / sampFreq
   timeArray = timeArray * 1000 plt.plot(timeArray, s1, color='k')
   plt.ylabel('Amplitude') plt.xlabel('Time (ms)')
   plt.show()

Programin daha onceki yazida belirttigimiz ramdisk kavramini kullandigini goruyoruz. Mikrofondan gelen veriler direk ramdisk'e yaziliyor, ve hemen arkasindan wavread ile okunuyor. Boylece /mnt/rd bir ara tampon bolgesi haline geliyor, fakat bu bolge hafizada oldugu icin bu tamponlama isi gayet hizli isliyor.Fourier transform alip ekranda gosteren program soyle:

import os, matplotlib.pyplot as plt
import audiolab
import numpy as np
from scipy import *

plt.ion()
while (True):
  plt.clf()
  os.system("arecord -d 1 -f dat > /mnt/rd/ses.wav")
  (snd, sampFreq, nBits) = audiolab.wavread('/mnt/rd/ses.wav')
  s1 = snd[:,0]
  n = len(s1)
  p = fft(s1) nUniquePts = ceil((n+1)/2.0)
  p = p[0:nUniquePts]
  p = abs(p)
  p = p / float(n)
  p = p**2
  if n % 2 > 0:
    p[1:len(p)] = p[1:len(p)] * 2
  else:
    p[1:len(p) -1] = p[1:len(p) - 1] * 2
    freqArray = np.arange(0, nUniquePts, 1.0) * (sampFreq / n);
  plt.plot(freqArray/1000, 10*log10(p), color='k')
  plt.xlabel('Frequency (kHz)') plt.ylabel('Power (dB)')
  plt.show()

Bu noktadan sonra eger ek islemler yapilmak istense, mesela bu ses verisi, fft sonrasinda alinip onceden kaydedilmis kelimelerin fft ciktilari ile karsilastirilip oruntu tanima (pattern recognition) ile kelime, cumle tanima islemleri yapilmak istense, bu yapilabilir. Performans problem olmamalidir cunku libsnd C ile yazilmis, ek matematiksel islemleri icin kullanilacak numpy, scipy ayni sekilde derlenmis kod bazlarindan olusuyor.