맨위로가기

스펙트럴 플럭스

"오늘의AI위키"는 AI 기술로 일관성 있고 체계적인 최신 지식을 제공하는 혁신 플랫폼입니다.
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.
목차

1. 개요

스펙트럴 플럭스는 현재 프레임과 이전 프레임 간의 스펙트럼 크기 차이를 계산하여 얻는 값이다. 주로 악기의 음이 시작되는 순간, 즉 온셋(onset)을 감지하는 데 사용되며, 소리 에너지의 증가를 감지하는 데 효과적이다. 스펙트럴 플럭스 계산 시 L1-노름 또는 L2-노름, 스펙트럼 정규화 여부 등 다양한 변형이 존재한다.

더 읽어볼만한 페이지

  • 디지털 신호 처리 - 라플라스 변환
    라플라스 변환은 함수 f(t)를 복소수 s를 사용하여 적분을 통해 다른 함수 F(s)로 변환하는 적분 변환이며, 선형성을 가지고 미분방정식 풀이 등 공학 분야에서 널리 사용된다.
  • 디지털 신호 처리 - 디랙 델타 함수
    디랙 델타 함수는 원점에서 무한대 값을 갖고 그 외 지점에서 0의 값을 갖는 수학적 개념으로, 분포 또는 측도로 정의되며, 순간적인 충격이나 점 형태 현상 모델링에 활용되고 푸리에 변환, 스케일링, 평행 이동 등의 성질을 가진다.
스펙트럴 플럭스

2. 정의

스펙트럴 플럭스는 현재 프레임과 이전 프레임 간의 스펙트럼 크기 차이를 계산하여 얻어진다. 공식은 다음과 같다.

: H(x) = \frac{x+|x|}{2} 를 충족할 때,

: SF(n) = \sum_{k=-\frac{N}{2}}^{\frac{N}{2}-1} H(|X(n,k)| - |X(n-1,k)|)

2. 1. 기본 공식

3. 변형

기본 공식에서는 L2-노름(제곱 차이의 합)을 사용하지만, L1-노름(절대 차이의 합)을 사용하는 구현도 있다. 온셋(onset) 감지의 경우, 에너지의 증가는 중요하지만 감소는 중요하지 않으므로 일부 알고리즘은 에너지 증가가 있는 빈에서 계산된 값만 포함한다.

일부 구현에서는 스펙트럴 플럭스를 계산할 때 스펙트럼을 정규화하지 않기도 한다.

일부 구현에서는 L2-노름(제곱 차이의 합) 대신 L1-노름(절대 차이의 합)을 사용한다. 또한 스펙트럼을 정규화하지 않는 구현도 존재한다.

온셋 감지의 경우, 에너지의 증가는 중요하지만 감소는 중요하지 않으므로, 에너지 증가가 있는 빈에서 계산된 값만 포함하는 알고리즘도 사용된다.

3. 1. L1-노름과 L2-노름

기본 공식에서는 L2-노름(제곱 차이의 합)을 사용하지만, L1-노름(절대 차이의 합)을 사용하는 구현도 있다. 온셋(onset) 감지의 경우, 에너지의 증가는 중요하지만 감소는 중요하지 않으므로 일부 알고리즘은 에너지 증가가 있는 빈에서 계산된 값만 포함한다.

3. 2. 정규화

일부 구현에서는 스펙트럴 플럭스를 계산할 때 스펙트럼을 정규화하지 않기도 한다.

3. 3. 에너지 증가

일부 구현에서는 L2-노름(제곱 차이의 합) 대신 L1-노름(절대 차이의 합)을 사용한다. 또한 스펙트럼을 정규화하지 않는 구현도 존재한다.

온셋 감지의 경우, 에너지의 증가는 중요하지만 감소는 중요하지 않으므로, 에너지 증가가 있는 빈에서 계산된 값만 포함하는 알고리즘도 사용된다.

4. 사용 분야

스펙트럴 플럭스는 전 프레임과 비교하여 늘어난 에너지에 관한 정보만 포함하므로, 악기의 한 음이 시작되는 순간(Onset)을 찾아 내는 목적으로 주로 쓰인다. 이는 소리 에너지의 증가를 감지하는 데 효과적이기 때문이다.

4. 1. 온셋 감지(Onset Detection)

스펙트럴 플럭스는 전 프레임과 비교하여 늘어난 에너지에 관한 정보만 포함하므로, 악기의 한 음이 시작되는 순간(Onset)을 찾아 내는 목적으로 주로 쓰인다. 이는 소리 에너지의 증가를 감지하는 데 효과적이기 때문이다.

4. 2. 음색 분석


본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.

문의하기 : help@durumis.com