我正在阅读这篇关于使用卷积神经网络进行环境噪声识别的论文，并希望重现他们的结果。他们将 WAV 文件转换为对数刻度的 mel 频谱图。你怎么做到这一点？我能够将 WAV 文件转换为 mel 频谱图
y, sr = librosa.load('audio/100263-2-0-117.wav',duration=3)
ps = librosa.feature.melspectrogram(y=y, sr=sr)
librosa.display.specshow(ps, y_axis='mel', x_axis='time')
我还可以将其显示为对数比例的频谱图：
librosa.display.specshow(ps, y_axis='log', x_axis='time')
显然，它们看起来不同，但实际的频谱图ps是相同的。使用 librosa，如何将此 melspectrogram 转换为 log 比例的 melspectrogram？此外，对数比例的频谱图比原始频谱图有什么用？是只是为了降低频域的方差，使其与时间轴具有可比性，还是别的什么？
我认为您错误地解释了作者所说的对数刻度的含义。当作者提到对数标度时，他们指的不是频率 (y) 轴，尽管频谱图通常在这里是对数标度的。相反，它们指的是频谱图中第三维的比例。在您的情况下，原始频谱图以颜色显示功率。你想要的是对数比例的分贝。
在您的情况下，代码如下所示：
y, sr = librosa.load('audio/100263-2-0-117.wav',duration=3)
ps = librosa.feature.melspectrogram(y=y, sr=sr)
ps_db= librosa.power_to_db(ps, ref=np.max)
lr.display.specshow(ps_db, x_axis='time', y_axis='mel')
注意：每个频谱图都将根据 librosa.power_to_db 中的 ref 进行缩放。如果您不提供任何东西，librosa 只会在其中插入一个 1，这可能是您要查找的内容，也可能不是。你也可以试试 np.median。
这是使用 python scipy 将音频特征提取为日志频谱图的示例代码：
from scipy.io import wavfile
from scipy import signal
sample_rate=16000
window_size=20
step_size=10
eps=1e-10
rate, data = wavfile.read('filename.wav')
if data.ndim > 1 : # ignore channels 2+
data = data[:, 0]
nperseg = int(round(window_size * sample_rate / 1e3))
noverlap = int(round(step_size * sample_rate / 1e3))
freqs, times, spec = signal.spectrogram(data,fs=sample_rate,window='hann',nperseg=nperseg,noverlap=noverlap)
log_specgram = np.log(spec.T.astype(np.float32) + eps)