我们有几个音轨，它们都是同一音轨在一种失真下的不同版本：音轨的速度增加了一个常数因子 K（因此频率乘以 K，时间步长除以 K），K相对较小（0.8< K < 1.2）。
我想知道从这些音轨中获得好的频谱图的最佳方法。在定义“好”的含义之前，让我先说明一下我的最终目标：我想根据最大振幅（即振幅 > 某个阈值）检索点，就像 Shazam 一样。还要定义一个好的阈值，但我正在考虑采用信号的平均局部 RMS 及其标准偏差，并使阈值 = 平均值（局部 RMS）+（常数因子）*std（局部RMS）。然后我想将计算机视觉算法应用于生成的图像以测量相似度。
然后将一个好的频谱图定义为：
频率以对数间隔兴趣点
对于一个轨道是沿另一轨道兴趣点的频率轴的平移。
你知道哪种类型的频谱图最好吗？（我正在考虑使用对数间隔的傅立叶变换或恒定的 Q 傅立叶变换）我的阈值会起作用还是有更好的阈值？对整个设计的任何评论将不胜感激。