Scribd
Importer
6 vues2 pages

Filtrage et Analyse Fréquentielle Audio

Le projet consiste à filtrer un signal audio bruité et à analyser son contenu fréquentiel en utilisant Python et des librairies comme numpy et scipy. Les étapes incluent le chargement et la visualisation du signal, l'analyse fréquentielle via la transformée de Fourier, et l'application d'un filtre passe-bas pour atténuer le bruit. Les résultats attendus comprennent une comparaison entre le signal bruité et le signal filtré, ainsi qu'une analyse du spectre fréquentiel avant et après le filtrage.

Transféré par

sanslucas987
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
6 vues2 pages

Filtrage et Analyse Fréquentielle Audio

Le projet consiste à filtrer un signal audio bruité et à analyser son contenu fréquentiel en utilisant Python et des librairies comme numpy et scipy. Les étapes incluent le chargement et la visualisation du signal, l'analyse fréquentielle via la transformée de Fourier, et l'application d'un filtre passe-bas pour atténuer le bruit. Les résultats attendus comprennent une comparaison entre le signal bruité et le signal filtré, ainsi qu'une analyse du spectre fréquentiel avant et après le filtrage.

Transféré par

sanslucas987
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Projet : Filtrage et Analyse Fréquentielle d'un Signal Audio

Objectif : Appliquer les concepts fondamentaux du traitement du signal pour filtrer un signal
audio bruité et analyser son contenu fréquentiel.

1. Matériel requis :

• Ordinateur avec Python installé.


• Librairies Python : numpy, scipy, matplotlib.
• Un fichier audio bruité (format WAV).

2. Étapes du projet :

a. Chargement et visualisation du signal

1. Charger le fichier audio avec [Link].


2. Afficher le signal en fonction du temps.

Code exemple :

from [Link] import wavfile


import [Link] as plt

# Charger le signal audio


fs, signal = [Link]('audio_bruite.wav')

# Afficher le signal
[Link](signal)
[Link]('Signal bruité')
[Link]('Temps')
[Link]('Amplitude')
[Link]()

b. Analyse fréquentielle

1. Utiliser la transformée de Fourier pour obtenir le spectre fréquentiel.


2. Visualiser le spectre en fonction des fréquences.

Code exemple :

import numpy as np

# Calcul de la transformée de Fourier


frequences = [Link](len(signal), 1/fs)
spectre = [Link](signal)

# Afficher le spectre
[Link](frequences, [Link](spectre))
[Link]('Spectre fréquentiel')
[Link]('Fréquences (Hz)')
[Link]('Amplitude')
[Link]()
c. Filtrage du signal

1. Implémenter un filtre passe-bas pour atténuer le bruit.


2. Appliquer le filtre et afficher le signal filtré.

Code exemple :

from [Link] import butter, lfilter

# Créer un filtre passe-bas


def filtre_passe_bas(signal, cutoff, fs, ordre=5):
b, a = butter(ordre, cutoff / (0.5 * fs), btype='low')
return lfilter(b, a, signal)

# Appliquer le filtre
signal_filtre = filtre_passe_bas(signal, cutoff=1000, fs=fs)

# Afficher le signal filtré


[Link](signal_filtre)
[Link]('Signal filtré')
[Link]('Temps')
[Link]('Amplitude')
[Link]()

3. Résultats attendus :

• Comparaison entre le signal bruité et le signal filtré.


• Spectre fréquentiel avant et après filtrage.

4. Questions pour les étudiants :

1. Quelle est l’importance du filtrage dans le traitement du signal ?


2. Comment choisir la fréquence de coupure d’un filtre passe-bas ?
3. Quels autres types de filtres pourriez-vous utiliser dans des applications pratiques ?

Vous aimerez peut-être aussi