根据文档scipy.signal.resample,速度应根据长度而变化of input:
如前所述,重新采样使用 FFT 变换,如果输入样本数量很大且为素数,则该变换可能会非常慢,请参阅 scipy.fftpack.fft。
但我的时间安排非常不同(因子 x14)使用相同的输入,并且所需输出大小只有很小的变化:
import numpy as np, time
from scipy.signal import resample
x = np.random.rand(262144, 2)
y = np.random.rand(262144, 2)
t0 = time.time()
resample(x, 233543, axis=0)
print time.time() - t0 # 2.9 seconds here
t0 = time.time()
resample(y, 220435, axis=0)
print time.time() - t0 # 40.9 seconds here!
问题:我可以对输入进行零填充,使其具有 2 的幂(以像往常一样加速 FFT 计算),但由于我的重采样因子是固定的,我不能同时使用 2 的幂作为输入大小和 2 的幂作为所需的输出大小.
如何加快速度scipy.signal.resample
?
如果不可能,并且如果scipy.signal.resample
的性能可能会有所不同so much因素很大,实际使用起来确实不太方便。那么它对于哪些应用有用呢?
注意:我的目标是音频重新采样(重新调整音调等)
编辑:最后是最好的解决方案使用这个.
文档字符串有些误导性地陈述了故事的一部分。重采样过程包括 FFT(输入大小)、零填充和逆 FFT(输出大小)。因此,不方便的输出大小会减慢速度,就像不方便的输入大小一样。
Cris Luengo 建议在空间域中使用直接插值,这样应该会更快。例如,ndimage.zoom使用它(默认情况下三次样条插值):
from scipy.ndimage import zoom
t0 = time.time()
zoom(y, (220435./262144., 1)) # maybe with prefilter=False ? up to you
print(time.time() - t0) # about 200 times faster than resample
与重新采样的输出不同(毕竟是不同的方法),但对于平滑数据(与此处使用的随机输入不同),它们应该接近。
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)