class library: SynthDef - lazy implementation of removeUGen
[supercollider.git] / HelpSource / Classes / MFCC.schelp
blobefdc735c60bab2df6347fb787032391b7b4e77c8
1 class:: MFCC
2 summary:: Mel frequency cepstral coefficients
3 categories:: UGens>Analysis
4 related:: Classes/BeatTrack, Classes/Loudness, Classes/Onsets, Classes/Pitch, Classes/KeyTrack
6 description::
7 Generates a set of MFCCs; these are obtained from a band-based frequency representation (using the Mel scale by default), and then a discrete cosine transform (DCT). The DCT is an efficient approximation for principal components analysis, so that it allows a compression, or reduction of dimensionality, of the data, in this case reducing 42 band readings to a smaller set of MFCCs. A small number of features (the coefficients) end up describing the spectrum. The MFCCs are commonly used as timbral descriptors.
9 Output values are somewhat normalised for the range 0.0 to 1.0, but there are no guarantees on exact conformance to this. Commonly, the first coefficient will be the highest value.
11 classmethods::
12 method:: kr
14 argument:: chain
15 [fft] Audio input to track, which has been pre-analysed by the FFT UGen; see examples below for the expected FFT size.
16 argument:: numcoeff
17 [s] Number of coefficients, defaults to 13, maximum of 42; more efficient to use less of course!
19 returns:: code::#coeff1, coeff2, ...::
21 examples::
22 code::
23 // Technical note: The 0th coefficient is not generated as it consists of multiplying all bands by 1 and summing
26 // assumes hop of half fftsize, fine
27 b = Buffer.alloc(s, 1024, 1); // for sampling rates 44100 and 48000
28 //b = Buffer.alloc(s, 2048, 1); // for sampling rates 88200 and 96000
30 d = Buffer.read(s, Help.dir +/+ "sounds/a11wlk01.wav");
34 x = {
35 var in, fft, array;
37 //in = PlayBuf.ar(1, d, BufRateScale.kr(d), 1, 0, 1);
39 in = SoundIn.ar(0);
41 fft = FFT(b, in);
43 array = MFCC.kr(fft);
45 array.size.postln;
47 Out.kr(0, array);
49 Out.ar(0,Pan2.ar(in));
50 }.play
54 c = Bus.new('control', 0, 13);
56 // poll coefficients
57 c.getn(13, { arg val; { val.plot; }.defer });
60 // Continuous graphical display of MFCC values; free routine before closing window
63 var ms;
65 w = Window.new("Thirteen MFCC coefficients", Rect(200, 400, 300, 300));
67 ms = MultiSliderView.new(w, Rect(10, 10, 260, 280));
69 ms.value_(Array.fill(13, 0.0));
70 ms.valueThumbSize_(20.0);
71 ms.indexThumbSize_(20.0);
72 ms.gap_(0);
74 w.front;
76 r = {
78 inf.do{
80 c.getn(13, { arg val; { ms.value_(val * 0.9) }.defer });
82 0.04.wait; // 25 frames per second
85 }.fork;
90 // tidy up
92 r.stop;
93 b.free;
94 c.free;
95 x.free;
96 w.close;
100 Research notes: Drafts of an MFCC UGen were prepared by both Dan Stowell and Nick Collins; their various ideas are combined here in a cross platform compatible UGen. Mel scale spacing with triangular crossfade overlap is used by default for the bands, approximately tracking the human critical band spacing and bandwidth. Variants such as BFCC (Bark) and EFCC (ERB) given similar results in practice; the Mel scale as used here is the standard as adapted from the speech recognition literature and now applied in music information retrieval.
102 code::
103 // Calculating Mel Scale Bands; allow up to 42 coefficients, so up to 42 bands
104 // first part of this code adapted from Dan Stowell and Jamie Bullock Mel scale implementation
105 // could later add Bark and ERB options, and possibility of buffer of data to be passed to the UGen for alternative freq warpings
107 var mel_freq_max, mel_freq_min, freq_bw_mel, freq_bands, freq_max, freq_min;
108 var mel_peak, lin_peak, fft_peak;
109 var freqperbin;
110 var fftbinstart, fftbinend, fftbinmult, fftbincumul;
111 var pos, tmp;
112 var sr, fftsize, halffftsize;
113 var whichbandscale, lintoscale, scaletolin;
115 freq_max = 18000;
116 freq_min = 80;
117 sr = 48000; //44100;
118 fftsize = 1024;
119 halffftsize = fftsize.div(2);
120 freq_bands = 42;
122 //whichbandscale = 0; // 0 = mel; 1 = bark (CB) 2 = ERB
124 //lintoscale = {arg freq;
125 //switch(whichbandscale,0,{1127 * log(1 + (freq / 700))}, 1, {}, 2, {}).value
126 //};
127 //scaletolin = {arg scalepos;
128 //switch(whichbandscale, 0, {700 * (exp(scalepos / 1127.0) -1);}, 1, {}, 2, {}).value
129 //};
131 lintoscale = {arg freq;
132 1127 * log(1 + (freq / 700))
134 scaletolin = {arg scalepos;
135 700 * (exp(scalepos / 1127.0) -1);
138 mel_freq_max = lintoscale.value(freq_max); // 1127 * log(1 + (freq_max / 700));
139 mel_freq_min = lintoscale.value(freq_min); //1127 * log(1 + (freq_min / 700));
140 freq_bw_mel = (mel_freq_max - mel_freq_min) / freq_bands;
142 [mel_freq_max, mel_freq_min, freq_bw_mel].postln;
144 mel_peak = Array.fill(freq_bands + 2, {0.0});
145 lin_peak = Array.fill(freq_bands + 2, {0.0});
146 fft_peak = Array.fill(freq_bands + 2, {0.0});
148 freqperbin = sr / fftsize; // SR/N
150 mel_peak[0] = mel_freq_min;
151 lin_peak[0] = freq_min; // === 700 * (exp(mel_peak[0] / 1127) - 1);
152 fft_peak[0] = (lin_peak[0] / freqperbin).asInteger;
154 for(1, freq_bands + 1,{|n|
156  mel_peak[n] = mel_peak[n - 1] + freq_bw_mel;
157  lin_peak[n] = scaletolin.value(mel_peak[n]); // 700 * (exp(mel_peak[n] / 1127.0) -1);
158  fft_peak[n] = ((lin_peak[n] / freqperbin).asInteger).min(halffftsize); // fft size //rounds down here
162 //Post << mel_peak << nl;
163 //Post << lin_peak << nl;
164 //Post << fft_peak << nl;
166 //  [2 / (lin_peak[freq_bands + 1] - lin_peak[freq_bands-1]), 1.0 / (2 / (lin_peak[2] - lin_peak[0]))].postln;
168 fftbinstart = Array.fill(freq_bands, {0});
169 fftbinend = Array.fill(freq_bands, {0});
170 fftbincumul = Array.fill(freq_bands+1, {0});
171 fftbinmult = [];
173 pos = 0;
175 freq_bands.do {|i|
177         //var normmult=1.0; // preserve power, don't modify band power by area
178         var startbin, endbin, numbins, averager;
180         if(i == 0,{
181         startbin = 0;
182         endbin = fft_peak[i + 1] - 1;
183         },{
184         startbin = fft_peak[i - 1] + 1;
185         endbin = fft_peak[i + 1] - 1;
186         });
188         numbins = endbin - startbin + 1;
189         averager = 1.0 / numbins;
191         // linear crossfade (intended in power) between consecutive band centres
193         tmp = fft_peak[i] - startbin;
195         // could divide by averager but I'm not convinced by the perceptual necessity for this?
196         // ie fftbinmult = fftbinmult ++ (Array.series(tmp + 1, 1.0 / (tmp + 1), 1.0 / (tmp + 1)) * averager);
198         fftbinmult = fftbinmult ++ (Array.series(tmp + 1, 1.0 / (tmp + 1), 1.0 / (tmp + 1)));
200         tmp= endbin- (fft_peak[i]);
202         fftbinmult = fftbinmult ++ (Array.series(tmp, 1.0 + ((-1.0) / (tmp + 1)), (-1.0) / (tmp + 1)));
204         fftbinstart[i] = startbin;
205         fftbinend[i] = endbin;
206         fftbincumul[i] = pos;
208         pos = pos + (endbin - startbin + 1);
211 fftbincumul[freq_bands] = pos - 1;
213 Post << fftbinstart << nl;
214 Post << fftbinend << nl;
215 Post << fftbincumul << nl;
216 Post << fftbinmult << nl;
221 // future work: see http://www.ling.su.se/STAFF/hartmut/bark.htm
223 // Barks
224 a = (26.81 / (1 + (1960 / ((100, 200..22000))))) - 0.53;
225 a.plot;
227 // ERBs (rough calculation, only really valid under 6000Hz, real scale goes up to 42 rather than 37 in 22000 Hz)
228 a = Array.fill(220,{|i| var f; f = i * 100; 11.17 * log((f + 312) / (f + 14675)) + 43.0});
229 a.plot
231 // generating DCT coefficients
232 // don't generate i=0 coefficient since it
233 a = Array.fill(42, {|i| cos(pi / 42.0 * ((0..41) + 0.5) * (i + 1))});
234 Post << a.flatten << nl;