这个好玩，做了STFT以后对音乐的处理跟图像处理很像了。
回想起以前为了交作业抓学音乐的同学帮忙手动分析泛音的事了，因为坐标系的缘故，这里的图跟楼主在频率上是上下颠倒的。

看了一下代码，用的好像应该是 spectral clustering? DBSCAN 是不用预先知道需要分的cluster的数目。另外我在想，这个的 Feature selection 除了基于已有音乐知识，选择用泛音基频比例，有没有可能试试用PCA之类的方法盲处理？ 我也想好好想一下，有脑洞了再来回复。

还有一个就是，如果改用supervised learning 来对不同乐器成分进行分类，对一段音乐的ground truth标记有什么比较好的解决方法？我现在能想到的只有用乐谱或者同一首曲目的MIDI文件。