将数据集中的音频信号转化为格式为png的MFCC图、语谱图、梅尔谱图数据集路径D论文代码casia汉语情感语料库三种特征图分别保存到D论文代码MFCC、D论文代码语谱图、D论文代码梅尔谱图中要求MFCC图与数据集的子目录相同音频文件在数据集下的子目录然后将三种特征图进行特征图相乘生成新的图片后保存到一个新的文件夹新文件夹子目录相同

于数据集中的子目录，要求特征图相乘后的新图片命名与原音频文件同名。

import os
import librosa
import librosa.display
import numpy as np
from PIL import Image

# 定义数据集路径
data_path = 'D:/论文代码/casia汉语情感语料库/'

# 定义保存MFCC图的路径
mfcc_path = 'D:/论文代码/MFCC/'

# 定义保存语谱图的路径
spectrogram_path = 'D:/论文代码/语谱图/'

# 定义保存梅尔谱图的路径
mel_path = 'D:/论文代码/梅尔谱图/'

# 定义保存特征图相乘后的新图片的路径
new_path = 'D:/论文代码/新特征图/'

# 定义MFCC参数
n_mfcc = 13
hop_length = 256

# 遍历数据集中的子目录
for subdir, dirs, files in os.walk(data_path):
    # 遍历子目录下的音频文件
    for file in files:
        # 如果文件是音频文件
        if file.endswith('.wav'):
            # 读取音频文件
            audio_path = os.path.join(subdir, file)
            y, sr = librosa.load(audio_path, sr=None)
            
            # 计算MFCC图
            mfcc = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=n_mfcc, hop_length=hop_length)
            
            # 保存MFCC图
            mfcc_dir = os.path.join(mfcc_path, subdir[len(data_path):])
            os.makedirs(mfcc_dir, exist_ok=True)
            mfcc_path_new = os.path.join(mfcc_dir, os.path.splitext(file)[0] + '.png')
            librosa.display.specshow(mfcc, x_axis='time')
            plt.savefig(mfcc_path_new, bbox_inches='tight', pad_inches=0)
            plt.close()
            
            # 计算语谱图
            spectrogram = librosa.feature.melspectrogram(y=y, sr=sr, hop_length=hop_length)
            spectrogram_db = librosa.power_to_db(spectrogram, ref=np.max)
            
            # 保存语谱图
            spectrogram_dir = os.path.join(spectrogram_path, subdir[len(data_path):])
            os.makedirs(spectrogram_dir, exist_ok=True)
            spectrogram_path_new = os.path.join(spectrogram_dir, os.path.splitext(file)[0] + '.png')
            librosa.display.specshow(spectrogram_db, x_axis='time', y_axis='mel')
            plt.savefig(spectrogram_path_new, bbox_inches='tight', pad_inches=0)
            plt.close()
            
            # 计算梅尔谱图
            mel = librosa.feature.melspectrogram(y=y, sr=sr, n_mels=n_mfcc, hop_length=hop_length)
            mel_db = librosa.power_to_db(mel, ref=np.max)
            
            # 保存梅尔谱图
            mel_dir = os.path.join(mel_path, subdir[len(data_path):])
            os.makedirs(mel_dir, exist_ok=True)
            mel_path_new = os.path.join(mel_dir, os.path.splitext(file)[0] + '.png')
            librosa.display.specshow(mel_db, x_axis='time', y_axis='mel')
            plt.savefig(mel_path_new, bbox_inches='tight', pad_inches=0)
            plt.close()
            
            # 读取MFCC图、语谱图、梅尔谱图
            mfcc_img = Image.open(mfcc_path_new)
            spectrogram_img = Image.open(spectrogram_path_new)
            mel_img = Image.open(mel_path_new)
            
            # 将图片转化为numpy array
            mfcc_array = np.array(mfcc_img)
            spectrogram_array = np.array(spectrogram_img)
            mel_array = np.array(mel_img)
            
            # 对三种特征图进行相乘
            new_array = mfcc_array * spectrogram_array * mel_array
            
            # 将numpy array转化为PIL Image
            new_img = Image.fromarray(new_array)
            
            # 保存新的特征图
            new_dir = os.path.join(new_path, subdir[len(data_path):])
            os.makedirs(new_dir, exist_ok=True)
            new_path_new = os.path.join(new_dir, os.path.splitext(file)[0] + '.png')
            new_img.save(new_path_new)
``