音频开发 / 系统课时
处理窗函数与频谱泄漏
处理窗函数与频谱泄漏
本节用同一段非整数周期正弦信号比较矩形窗和 Hann 窗,观察频谱泄漏、主瓣宽度与旁瓣抑制的变化,并解释为什么加窗后峰值幅度也会改变。最终你会知道该按“分辨近邻频率”还是“压低远处泄漏”来选择窗口。
学习目标
- 解释非整数周期截断为什么会产生频谱泄漏。
- 比较矩形窗与 Hann 窗在主瓣宽度和旁瓣水平上的取舍。
- 对加窗后的幅值做相干增益修正,避免直接读取错误幅度。
泄漏从截断边界开始
FFT 实际分析的是有限长度数据块,并隐含假设这段数据会周期重复。如果块首尾不能平滑衔接,周期延拓后就会出现跳变。这个突变包含大量额外频率成分,于是原本集中的单频能量被摊到多个频点上。
矩形窗等价于“块内权重全为 1、块外立即变为 0”,保留了最窄的主瓣,但边界最突兀,因此旁瓣较高。Hann 窗把两端平滑压到接近 0,可以显著降低远离主峰的泄漏,但代价是主瓣变宽。

窗函数为什么会改变测量结果
加窗就是把原始采样逐点乘以一组权重。权重改变了时域信号,也必然改变频域结果。Hann 窗中间权重大、两端权重小,所以能减轻边界突变,但同时降低了正弦信号的整体幅值。
若要让单频幅值更接近原始值,可以用窗口平均值,也就是相干增益 coherent_gain 做修正。对频谱幅值除以这个增益,能补偿窗口对“恰好落在频点附近的稳定正弦”造成的整体衰减。
用代码观察两种窗口
下面分析 440.3 Hz 正弦信号。采样率为 8 kHz,块长 2048 点,因此频点间隔约为 3.90625 Hz,440.3 Hz 不会正好落在整数频点上。示例把主峰左右各两个频点排除后,将其余功率占比作为泄漏指标;数值越负,说明远处泄漏越弱。
import numpy as np
fs = 8000
N = 2048
f0 = 440.3
t = np.arange(N) / fs
x = np.sin(2 * np.pi * f0 * t)
def analyze(window):
X = np.fft.rfft(x * window)
coherent_gain = window.mean()
# 修正窗口造成的整体幅值衰减,并转换为单边幅度谱。
amp = np.abs(X) * 2 / (N * coherent_gain)
amp[0] /= 2
amp[-1] /= 2
k = int(np.argmax(amp))
power = amp ** 2
# 排除主峰及左右两个频点,再统计远处泄漏功率。
mask = np.ones_like(power, dtype=bool)
mask[max(0, k - 2):min(len(power), k + 3)] = False
leakage_db = 10 * np.log10(power[mask].sum() / power.sum())
freq = np.fft.rfftfreq(N, d=1 / fs)
return freq[k], amp[k], leakage_db
for name, window in [
("rect", np.ones(N)),
("hann", np.hanning(N)),
]:
peak_hz, peak_amp, leakage_db = analyze(window)
print(
f"{name}: peak={peak_hz:.5f} Hz, "
f"amp={peak_amp:.3f}, leakage={leakage_db:.2f} dB"
)预期输出:
rect: peak=441.40625 Hz, amp=0.873, leakage=-13.10 dB
hann: peak=441.40625 Hz, amp=0.949, leakage=-36.75 dB两种窗口的峰值都落在最近的 441.40625 Hz 频点,但 Hann 窗把远离主峰的泄漏压低了很多。与此同时,它的主瓣更宽,所以不能只看“泄漏更低”就认定 Hann 在所有任务里都更好。
按测量目标选择窗口
当任务强调分开两个非常接近、幅度相近的频率成分时,较窄主瓣有价值,矩形窗可能更合适,但前提是能接受较高旁瓣,或者信号本身接近整数周期截断。
当任务需要从强分量旁边发现较弱分量,旁瓣抑制通常更重要,Hann 窗是常用的稳妥选择。它不是“修复 FFT”,而是在有限观测长度下主动改变时域边界,以换取更低的远处泄漏。
窗函数选择本质上是测量取舍:主瓣越窄越利于分辨近邻频率,旁瓣越低越利于看见弱分量。只要明确测量目标,并在读取幅值时考虑窗口增益,就能避免把窗口造成的变化误判为信号本身的变化。