Académique Documents
Professionnel Documents
Culture Documents
eorie des
ondelettes
Val
erie Perrier
Laboratoire de Modelisation et Calcul de lIMAG
Institut National Polytechnique de Grenoble
Valerie.Perrier@imag.fr
Enseignement
0-0
Bibliographie g
en
erale
Livres :
- S. Mallat, Une exploration des signaux en ondelettes,
Les Editions de lEcole Polytechnique, 2000.
- B. Torresani, Analyse continue par ondelettes,
Savoirs actuels - Intereditions/CNRS editions, 1995.
Liens int
eressants :
- WaveLab : biblioth`eque de TO -gratuite- tournant sur matlab :
http://www-stat.stanford.edu/~wavelab/
- Wavelet Digest : le site de la communaute ondelettes :
ev`enements, bibliographie, softwares, liens, .. http://www.wavelet.org
- Let It Wave : la premi`ere startup francaise vendant des ondelettes,
bandelettes, etc.., creee par S. Mallat : http://www.letitwave.fr/
Cours 1 : Transform
ee en Ondelettes
Continue 1D et applications
- I - Transform
ee en Ondelettes Continue - G
en
eralit
es
1
2
3
4
5
6
- II - Applications de la transform
ee en Ondelettes continue
1 - Detection et calcul de singularites par la technique de suivi
des maxima lines de Mallat
2 - Turbulence : analyse spectrale locale. Comparaison spectres
Fourier/ondelettes.
- I -Transform
ee en Ondelettes Continue - G
en
eralit
es
1 - De lanalyse de Fourier `
a lanalyse par ondelettes
Lanalyse de Fourier est une analyse en frequence dun signal
f (x) (x=temps)
Si la fonction f est periodique de periode T :
Z T
n
1
cn (f ) =
f (x)e2i T x dx
T 0
ou, si f appartient `a L1 (R) :
Z
f() =
f (x)e2ix dx
n
T
ou .
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
representation frequentielle
0.5
0.4
0.3
0.2
0.1
0
100
200
300
400
500
600
0.5
0.5
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
representation frequentielle
0.4
0.3
0.2
0.1
100
200
300
400
500
600
0
0
100
200
300
400
500
600
700
800
900
1000
Gf (, b) =
Transform
ee de Fourier `
a fen
etre glissante
Exemple des deux notes de musique : Lanalyse temps-frequence
permet de retrouver `
a la fois les frequences (les notes) et linformation
temporelle (lordre dans lequel elles sont jouees).
fonction a analyser
1
0.5
0.5
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
100
200
300
400
500
10
20
30
40
50
60
70
80
Limitations de la TF `
a fen
etre glissante
En dessous dune echelle detude a0 , correspondant `
a la taille de la
fenetre h, la transformee de Fourier `
a fenetre glissante presente les
memes limitations que la transformee de Fourier.
Considerons par exemple le signal f2 = f1 + 1 + 2 (o`
u f1 est la
succession de deux notes precedentes) : il est impossible de trouver en
pratique une valeur de a0 qui permette une visualisation simultanee des
deux phenom`enes : cela impliquerait que la fenetre h soit bien localisee `
a
la fois en temps et en frequence, ce qui est impossible dapr`es le principe
dincertitude de Heisenberg (le meilleur compromis restant la
gaussienne).
Lanalyse en ondelettes a pour objectif de rendre compte de ces deux
phenom`enes simultanement, en introduisant une fenetre dont la taille
varie avec la frequence.
Transform
ee de Fourier `
a fen
etre glissante
fonction a analyser
1
0.5
0.5
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
100
200
300
400
500
10
20
30
40
50
60
70
80
Transform
ee de Fourier `
a fen
etre glissante
fonction a analyser
1
0.5
0.5
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
100
200
300
400
500
100
200
300
400
500
600
700
800
< f / b, >
b, (x) = e
Fonction de Gabor frequence 2
e2ix
0.8
0.8
0.8
0.6
0.6
0.6
0.4
0.4
0.4
0.2
0.2
0.2
0.2
0.2
0.2
0.4
0.4
0.4
0.6
0.6
0.6
0.8
0.8
0.8
1
2
1.5
0.5
0.5
1.5
1
2
1.5
0.5
0.5
1.5
1
2
1.5
0.5
0.5
1.5
2 - Transform
ee en ondelettes continue - D
efinition
~ a
~ a
1
f(t)
x2
x1
W f (a, b) =
a > 0, b R
a,b (x) =
a
a
fonction a analyser
1
0.5
0.5
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
coefficients d ondelettes
10
15
20
100
200
300
400
500
600
700
800
900
1000
2 - D
efinition dune ondelette
Une fonction (x) L1 (R) L2 (R) est une ondelette si elle verifie la
condition dadmissibilite :
2
Z + ()
b
d < .
C =
||
R +
Ce qui implique (x)dx = 0 (equivalent si x integrable).
Exemples :
On a ()
= e(5) .
dn x2
e
,
dxn
xb
1
a,b (x) =
a
a
0.8
0.8
0.8
0.6
0.6
0.6
0.4
0.4
0.4
0.2
0.2
0.2
0.2
0.2
0.2
0.4
0.4
0.4
0.6
0.6
0.6
0.8
0.8
0.8
1
4
1
4
1
4
Transform
ee de Fourier des ondelettes :
e2ib
a,b () = a (a)
Transformee de Fourier des ondelettes echelle 2, 1, 1/2
0.09
0.08
0.07
0.06
0.05
0.04
0.03
0.02
0.01
10
15
20
25
30
35
40
45
50
2 - D
efinition
equivalente
Soit f L2 (R). On a de facon equivalente : pour tout a > 0, b R,
W f (a, b)
W f (a, b)
=
=
f (x)
xb
a
dx
b
f() (a)
e2ib d
3 - Transform
ee en ondelettes continue : Inversion
Soit f une fonction reelle. La Transformee en Ondelettes Continue :
s
2
dadb
2
2
?
W : L (R, dx) L R+ R, 2
C
a
s
2
f (x) 7
W f (a, b)
C
est une isometrie. On a donc la conservation de l
energie :
Z +
Z + Z +
2 dadb
2
2
|f (x)| dx =
W f (a, b)
,
2
C
a
0
et la formule de synth`
ese :
f (x) = Re
2
C
+ Z +
dadb
.
a2
D
emonstration (de la formule de conservation de lenergie).
De la definition equivalente de la TOC, et en utilisant la formule de la
transformee de Fourier inverse, on deduit que la transformee de Fourier
b
de la fonction b W f (a, b) est a f ()(a). La formule de
Parseval appliquee `
a cette fonction donne :
Z +
Z +
2
b
W f (a, b) db = a
f()2 (a)
d
Donc
I=
f()2
da b
2
(a) d
a
0
2 hR + d
2 i
2 hR d
2 i
R +
R0
b d +
b d
()
f()
()
= 0 f()
d b 2
d b 2
C
() =
() =
2
0
0
On a alors
C
I=
2
f()2 d = C
2
f (x)2 dx
- Si est complexe analytique, alors b sannule sur R et
Z +
I = C
f () d
0
2
R +
1
2
R +
f()2 d, et
Z +
1
xb
dx
Wg f (a, b) =
f (x) g
a
a
Synth`
ese avec une ondelette de reconstruction h :
Z +Z +
1
xb
da
2
f (x) =
Wg f (a, b) h
db
2
cgh 0
a
a
a
Condition dadmissibilit
e sur les fonctions g et h (g, h L2 (R)) :
Z +
g(k)h(k)
cgh =
dk < +
|k|
Il suffit dans ce cas que lune ou lautre des fonctions h et g soit une
ondelette (i.e. de moyenne nulle).
4 - Impl
ementation
On peut voir la transformee en ondelettes continue comme un produit de
convolution, pour a fixe:
Z +
1
xb
W f (a, b) =
f (x)
dx
a
a
= (f a )(b)
o`
u lon a note :
1
x
a (x) =
a
a
5. Interpr
etation, exemples
La transformee en ondelettes continue W f (a, b) est une analyse
temps-echelle : b est le temps, a est lechelle, qui joue le r
ole de linverse
dune frequence.
Exemples :
(1) Si f est une fr
equence pure f (x) = cos(2kx), alors
Z + 2ikx
e
+ e2ikx
W f (a, b) =
a,b (x) dx
2
i
1 h
a,b (k) + a,b (k)
=
2
h
i
a
2ikb
2ikb
(ak) e
e
=
+ (ak)
2
Si londelette est complexe analytique :
a
(ak) e2ikb
W f (a, b) =
2
0.5
0.5
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
coefficients d ondelettes
10
15
20
100
200
300
400
500
600
700
800
900
1000
0.5
0.5
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
coefficients d ondelettes
10
15
20
100
200
300
400
500
600
700
800
900
1000
Exemples :
(2) Si f est un Dirac f (x) = (x x0 ) (mesure ponctuelle en x0 ), alors :
Z +
W f (a, b) =
(x x0 ) a,b (x) dx
=
=
a,b (x0 )
1
x0 b
a
a
Exemple 2 : le Dirac x0
fonction a analyser
1
0.8
0.6
0.4
0.2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
coefficients d ondelettes
10
15
100
200
300
400
500
600
700
800
900
1000
Exemples : le creneau
fonction a analyser
1
0.5
0.5
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
coefficients d ondelettes
10
15
20
100
200
300
400
500
600
700
800
900
1000
(division par a)
0.5
0.5
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
coefficients d ondelettes
10
15
20
100
200
300
400
500
600
700
800
(division par a)
900
1000
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
coefficients d ondelettes
10
15
20
100
200
300
400
500
600
700
800
(division par a)
900
1000
Exemples : fonction h
olderienne dexposant
1
2
fonction a analyser
1
0.8
0.6
0.4
0.2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
coefficients d ondelettes
10
15
20
100
200
300
400
500
600
700
800
900
p
f (x) = |cos(2x)| et sa transformee en ondelettes
(division par a)
1000
6. Analyse de la r
egularit
e locale dune fonction
R
egularit
e lipschitzienne/H
old
erienne dune fonction f
: param`etre de regularite.
0 1: f est Lipschitz- en x0 (f C {x0 }) si :
h R, |f (x0 + h) f (x0 )| C|h| .
a R+ non entier : f C {x0 } si f est de classe
Extension `
C n avec n = [] et h R, |f (n) (x0 + h) f (n) (x0 )| C|h|n .
f uniform
ement Lipschitz- sur [A, B] si C > 0,
x0 [A, B], h R, |f (x0 + h) f (x0 )| C|h| (idem pour
> 1)
Extension aux n
egatifs (distributions) : f uniformement
Lipschitz- sur ]A, B[ si sa primitive est Lipschitz-( + 1) sur ]A, B[.
Remarques, exemples
Une fonction Lipschitz- en x0 , avec 0 < < 1, est continue mais a
priori non derivable. Une fonction de classe C 1 en x0 est Lipschitz-1
en x0 .
La regularite avec n < < n + 1 permet de classifier la regularite
entre de classe C n et de classe C n+1 .
Une fonction bornee est Lipschitz-0. Par exemple la fonction de
Heavyside H(x) = 1 si x 0 et 0 si x < 0.
La distribution est Lipschitz-(1) (comme derivee-distribution de
H).
La fonction |x x0 | (0 < < 1) est Lipschitz, la fonction
p
|cos(2x)| est Lipschitz- 12 .
Lien entre la r
egularit
e lipschitzienne dune fonction et les
coefficients dondelettes
Soit fixe. On consid`ere une ondelette de classe C n , `
a support
compact, supp [C, C], avec n moments nuls.
Caract
erisation de la r
egularit
e de f en un point x0 :
Th
eoreme Si f L2 (R) est Lipschitz- n en x0 , alors A > 0 tel que
1
b x0
+
+ 2
b x0
+
+ 1
2
(a, b) R R , |W f (a, b)| A a
(1 +
)
a
Cons
equence pratique
Si supp = [C, C], le c
one dinfluence de x0 dans le plan temps-echelle
est constitue des points (b, a) tels que x0 soit dans le support de
a,b = [b Ca, b + Ca].
Si f est Lipschitz- en x0 , alors il existe K > 0, tel que pour tout b
verifiant
|b x0 | < Ca
(i.e. b dans le c
one dinfluence de x0 ), on a :
+ 1
2
|W f (a, b)| Ka
La reciproque est vraie (pour une autre constante K), si est non entier.
peut etre calcule en pratique par la pente de la courbe :
log a log |W f (a, b)|
Chaine de
maxima dondelettes
x0
Position
x
Exemple : le Dirac
representation temporelle
1
250
0.8
200
0.6
150
0.4
100
0.2
50
0.2
0.4
(a)
0.6
Le Dirac
0.8
200
400
600
800
1000
(b)
les coefficients dondelettes
chane 1:
8.8
1
log2(scale)
9
9.2
2
9.4
3
9.6
4
5
9.8
0
0.2
(c)
0.4
0.6
chanage
0.8
10
(d)
3.5
4
4.5
valuation de la singularit en 0.5
1
3
2
3
representation temporelle
1.5
250
200
150
1
100
50
0.5
01
log2(scale)
0.2
0.4
(a)
0.6
0.8
La fonction
200
400
600
800
1000
(b)
les coefficients dondelettes
chane 2 et 3:
4
5
6
2
7
3
8
4
5
9
0
0.2
(c)
0.4
0.6
chanage
0.8
10
0
1
2
3
4
5
(d) valuation de la singularit en 0.7 (trait continu)
et 0.25 (trait pointill)
1
3
2
3
bruit
ee (SNR= 0.01)
representation temporelle
2
250
200
1.5
150
1
100
0.5
50
0.2
0.4
(a)
200
400
600
800
1000
(b)
les coefficients dondelettes
chane 2 et 3:
4
5
5
2
8
9
12
14
16 19
21
26 2829
4
5
01
log2(scale)
0.6
0.8
La fonction
39
0
6
7
11
10
13
15 17
18
22
2325 20
24
27
31 30
34 33 32
35
36 37
38
40
41 43
42
44
0.2
0.4
0.6
0.8
1
(c)
chanage
0
1
2
3
4
5
(d) valuation de la singularit en 0.7 (trait continu)
et 0.25 (trait pointill)
()
= p () .
La transformee en ondelettes s du signal s est :
Z +
1
xb
s(a, b) = W s(a, b) =
s(x)(
) dx,
a
a
R + |()|
2
d.
avec : c =
1
k0
|
s( , x)|2
c k 0
k
o`
u k0 est la frequence la plus importante de londelette .
Ce spectre local mesure la contribution `
a lenergie totale provenant du
voisinage du point x et du nombre donde k, le voisinage dependant de la
forme de londelette dans lespace physique et dans lespace de Fourier.
A partir du spectre local, on peut definir un spectre moyen en
ondelettes E(k)
:
Z +
x) dx
E(k)
=
E(k,
R +
0
E(k)
dk
ondelettes E(k)
:
E(k)
=
1
c k
k0 )|2 d
E() |(
k
D
emonstration :
E(k)
=
=
=
x) dx
E(k,
Z +
1
k0
|
s( , x)|2 dx
c k0
k
Z +
1
k0 )|2 d
|
s()|2 |(
c k
k
a s() (a).
Appli. 1 : spectres `
a d
ecroissance alg
ebrique (turbulence)
Considerons un signal dont le spectre de Fourier verifie :
E(k) = k
for
k > ka > 0
Z ka
Z +
k0 2
1
1
) d +
E(k)
=
E() (
c k 0
k
c k ka
k0 2
(
) d
()
= p () avec continue et (0) = 1. Donc :
2
2p Z ka
k0
(2p+1) k0
2p
E(k) = k
E() (
) d
c 0
k
2
2p Z +
k0
(2p+1) k0
2p
+k
( k ) d
c ka
k pour k + qui
comporte comme k donc on a E(k)
se comporte comme le spectre de Fourier.
Si > 2p + 1 : par le theor`eme de Lebesgue, la deuxi`eme integrale a
une limite finie non nulle quand k et le spectre en ondelettes
sature `
a haute frequence : E(k)
k (2p+1) pour k + ce qui
est independant du signal (mais depend de londelette!).
Si = 2p + 1, on a de la meme mani`ere k ln k pour le
k ln k pour k + .
comportement du second terme et E(k)
105
p=2
p=4
log E(k)
100
p=8
10-5
10-10
10-15
10
100
1000
log k
G
en
eralisation en dimension deux pour lanalyse de
champs turbulents num
eriques
Vorticity field analysis
Fourier
p=2
100
Enstrophy spectrum
p=4
p=8
10-2
p=16
10-4
10-6
10
100
K
log-log).
Appli. 2 : Spectres a d
ecroissance exponentielle.
(Cas du vortex Gaussien en turbulence 2D)
Supposons que le spectre de Fourier verifie :
k2
E(k) = e
E(k)
=
e
c k 0
k0 2
(
) d
Si ()
= p () avec continue bornee, (0) = 1, () = 0, on a :
2
2p Z +
k0
(2p+1) k0
2 2p
E(k) = k
e
(
) d
c 0
k
Dapr`es le theor`eme de Lebesgue, lintegrale converge vers une limite
finie non nulle quand k +, donc
E(k)
k (2p+1)
pour k +
Fourier
p=2
10-2
p=8
p=16
log E(k)
10-4
10-6
10-8
10-10
10-12
1
10
log k
k2
+1/2
|x x0 |
O(1 +
)
a
when
a 0,
(1)
(k)
= exp( ln2 (|k|))
2
Pauls Wavelets - Fourier space, alpha=2, 4 & 16
1.5
0.5
0
0
Physical space
3
2
1
0
-1
-2
-4
-3
-2
-1
Exemple 2 :
n (k) = n
1
1
exp (k 2 + 2n )
2
k
n1.
0.5
0
0
Physical space
3
2
1
0
-1
-2
-4
-3
-2
-1
Fourier
n=2
n=4
log E(k)
10-5
n=8
10-10
10-15
10
100
1000
log k
exp (n (k) 2 + 2n ) d
E(k)
=
cn kn0 0
2
k
avec : n (k) = 1 + kn0
Par le changement de variable : = [n (k)]
E(k)
=
2n
1
2(n+1)
[n (k)]
cn kn0
+
0
1
2(n+1)
, on obtient :
n
2
2n
exp [n (k)] n+1 ( +
) d
ex(t0 )
x(t)
e
dt 2 p
si x +
00
x (t0 )
0
On obtient :
2n
E(k)
cn
avec : c(n) = n
1
n+1
k 1 exp c(n)
2(n + 1)
(1 +
k
kn0
2
n+1
1
).
n
E(k)
k 1 ek
k + et grand n
Fourier
n=2
10-2
n=4
n=8
log E(k)
10-4
10-6
10-8
10-10
10-12
1
10
log k
k2