using Pkg
!("FileIO" in [p.name for p in values(Pkg.dependencies())]) && Pkg.add("FileIO");
using Plots
using FileIO

# 使用FileIO读取WAV文件
file_path = "$(@__DIR__)/nina-brodskaja-zvenit-janvarskaja-vjuga.wav"
audio = FileIO.load(file_path)

# 解包返回的元组
audio_data, fs, num_channels, metadata = audio

# 0.01第二步
desired_step = 0.01  # 样品之间的时间（以秒为单位）

# 计算样本数0.01秒
desired_samples = round(Int, fs * desired_step)  # 0.01秒的样本数

# 数据稀疏性：我们选择每个desired_samples值
downsampled_audio = audio_data[1:desired_samples:end]

# 重新计算稀疏数据的时间（以秒为单位）
t = (0:length(downsampled_audio)-1) * desired_step

# 归一化幅度
normalized_audio = abs.(downsampled_audio) ./ maximum(abs.(downsampled_audio))

# 1. 弱值的增强压缩（使用度<1）
function enhance_weak_values(data, exponent, min_val, max_val)
    # 在从0到1的范围内对数据进行归一化
    normalized_data = (data .- minimum(data)) ./ (maximum(data) - minimum(data))
    
    # 我们使用指数<1的幂律压缩来增强弱值。
    enhanced_data = normalized_data .^ exponent
    
    # 缩放到从min_val到max_val的范围
    compressed_data = min_val .+ enhanced_data .* (max_val - min_val)
    
    return compressed_data
end

# 对弱值应用增强压缩（指数<1）
exponent = 0.2  # 值越低，弱值的放大越强。
compressed_audio = enhance_weak_values(abs.(downsampled_audio), exponent, 0, 1.0)

# ——————————————————————————————
# 2. 指数平滑以减缓亮度变化
function exponential_smoothing(data, alpha)
    smoothed = [data[1]]  # 我们从第一个值开始。
    for i in 2:length(data)
        push!(smoothed, alpha * data[i] + (1 - alpha) * smoothed[end])
    end
    return smoothed
end

# 我们应用指数平滑，平滑系数为0.1（我们减缓变化）
alpha = 0.2  # Alpha越低，变化越慢
exponentially_smoothed_audio = exponential_smoothing(compressed_audio, alpha)
normalized_audio = normalized_data = abs.(exponentially_smoothed_audio .- 0.2) ./ (maximum(exponentially_smoothed_audio) - minimum(exponentially_smoothed_audio) - 0.2)

# 绘制图形
gr()
plot(t, normalized_audio, title="归一化幅度", xlabel="时间", ylabel="的振幅", legend=false)