相同参数音频生成梅尔频谱图背景色不一致如何解决

你遇到的频谱图背景不一致问题，核心是单条音频独立计算动态范围、色阶自动适配导致的，按以下步骤修改即可：

• 第一步：固定分贝转换的全局参数
  你当前调用librosa.power_to_db时没有指定参考值和动态范围上限，函数会默认使用单条音频的最大功率作为参考，每条音频的参考值不同自然会导致背景亮度差异。可以固定ref参数为全局统一值，同时指定top_db限制最大动态范围即可。
• 第二步：固定可视化的色阶范围
  调用librosa.display.specshow时增加vmin和vmax参数，锁定颜色映射的上下阈值，避免matplotlib自动适配每条音频的数值范围拉伸色阶。
• 第三步：训练用特征做全局归一化
  如果是为了提升模型训练效果，除了可视化层面的背景统一，更重要的是保证输入特征的分布一致。不要对单条音频做独立归一化，而是提前统计整个训练集所有log mel频谱的均值、方差、最大最小值，用全局统计量对所有样本做统一的min-max归一化或者z-score归一化，这样模型接收到的特征分布是稳定的，识别准确率会有明显提升。

修改后可直接运行的完整代码如下：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import librosa as lr
import librosa.display
import glob

path = r'/content/drive/MyDrive/ESC-50/305 - Coughing/*.ogg'
a = glob.glob(path)
print(len(a))

# 固定全局分贝转换参数，也可提前统计所有样本的mel频谱最大值作为ref值
fixed_ref = 1.0
fixed_top_db = 80

for file in range(0,len(a),1):
  scale, sr = librosa.load(a[file])
  mel_spectrogram = librosa.feature.melspectrogram(scale, sr=sr, n_fft=1024, hop_length=512, n_mels=228)
  # 用固定参数做分贝转换
  log_mel_spectrogram = librosa.power_to_db(mel_spectrogram, ref=fixed_ref, top_db=fixed_top_db)

  plt.figure(figsize=(10, 5))
  # 锁定色阶显示范围
  librosa.display.specshow(log_mel_spectrogram, x_axis="time", y_axis="log", sr=sr, vmin=-fixed_top_db, vmax=0)
  plt.colorbar(format="%+2.f")
  plt.show()

内容的提问来源于stack exchange，提问作者Adil Asif