Mise à jour des graphes

README.md

@@ -9,17 +9,17 @@ Cette situation s’apparente à celle où l’on dispose d’une image matricie
 
 Simplifions d’abord le problème en considérant [un signal composé uniquement de sinusoïdes pures](sounds/synth.wav) (produit par le synthétiseur de fortune qu’est [ce script Python](generate.py)).
 Cela facilite doublement la tâche, puisque non seulement le signal est totalement exempt de bruit, mais en plus les instruments convoqués n’ont qu’une seule harmonique.
-Une première approche consiste à étudier le spectre du signal en utilisant une [transformation de Fourier](https://fr.wikipedia.org/wiki/Transformation_de_Fourier_discrète) (générée par [ce script Python](analyze-single.py)).
+Une première approche consiste à étudier le spectre du signal en utilisant une [transformation de Fourier](https://fr.wikipedia.org/wiki/Transformation_de_Fourier_discrète) (générée par [ce script Python](fft-graph.py)).
 
-![Spectre du son produit par le synthétiseur](fig/synth-single.png)
+![Spectre du son produit par le synthétiseur](fig/synth-fft.png)
 
 Ce spectre permet de lire les différentes fréquences qui composent le son étudié.
 On y distingue, parmi les fréquences les plus représentées, un *sol₂* (192 Hz), un *do₂* (131 Hz), un *la₂* (220 Hz) et un *la₃* (440 Hz).
-Une information cruciale manque, celle de l’évolution du signal dans le temps.
+Une information cruciale manque cependant, celle de l’évolution du signal dans le temps.
 Une façon de l’obtenir consiste à découper le signal en courtes fenêtres de temps et d’appliquer la transformation de Fourier sur les morceaux obtenus : c’est [la transformée de Fourier à court terme](https://fr.wikipedia.org/wiki/Transform%C3%A9e_de_Fourier_%C3%A0_court_terme).
-On obtient ainsi un [sonagramme](https://fr.wikipedia.org/wiki/Sonagramme) qui montre l’évolution des fréquences du signal dans le temps (produit par [ce script Python](analyze-shorttime.py)).
+On obtient ainsi un [sonagramme](https://fr.wikipedia.org/wiki/Sonagramme) qui montre l’évolution des fréquences du signal dans le temps (produit par [ce script Python](stft-graph.py)).
 
-![Évolution dans le temps du spectre du son produit par le synthétiseur](fig/synth-shorttime.png)
+![Évolution dans le temps du spectre du son produit par le synthétiseur](fig/synth-stft.png)
 
 Ce sonagramme permet de distinguer clairement les deux parties du morceau, celle jouée par une sinusoïde au dessus de 250 Hz et celle jouée par une onde carrée en dessous de cette fréquence.
 On reconnaît également les quatre accords en do majeur joués par la sinusoïde deux fois de suite.

fft-decode.py

@@ -21,7 +21,7 @@ values = np.absolute(vecs) / np.max(np.absolute(vecs))
 freq = np.arange(len(values))
 
 # Calcul de la fenêtre des fréquences intéressantes
-high_enough = np.where(values >= 0.005)
+high_enough = np.where(values >= 0.01)
 left = high_enough[0][0]
 right = high_enough[0][-1]
 

fft-graph.py

@@ -24,7 +24,7 @@ values = np.absolute(vecs) / np.max(np.absolute(vecs))
 freq = np.arange(len(values))
 
 # Calcul de la fenêtre des fréquences intéressantes
-high_enough = np.where(values >= 0.005)
+high_enough = np.where(values >= 0.01)
 left = high_enough[0][0]
 right = high_enough[0][-1]