Application de la th

eorie des
ondelettes
Val
erie Perrier
Laboratoire de Modelisation et Calcul de lIMAG
Institut National Polytechnique de Grenoble
Valerie.Perrier@imag.fr

Enseignement

UNESCO Traitement du signal et des images num

eriques, Tunis,
ENIT, 14-18 mars 2005

0-0

Planning des cours

Cours 1 Transformee en Ondelettes Continue 1D et applications
Cours 2 Transformee en Ondelettes Continue 2D.
Partie I : theorie et implementation.
Cours 3 Transformee en Ondelettes Continue 2D.
Partie II : Applications en imagerie medicale.
Cours 4 Bases dondelettes 1D et applications.
Cours 5 Bases dondelettes 2D.
Applications au traitement dimages (compression, debruitage).

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

Introduction : de Fourier aux ondelettes

Definitions : ondelettes, TOC.
Proprietes de la TOC. Formules dinversion.
Implementation.
Exemples. Representation temps-echelle.
Analyse de la regularite locale dune fonction

- 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

donne le contenu frequentiel de f pour la frequence

n
T

ou .

Exemple : deux notes de musique jouees en meme temps

representation temporelle
2

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

Signal f (x) = sin(40x) + sin(170x) (haut), et module de sa

transformee de Fourier fb() (bas)

600

Perte de localisation temporelle :

Exemple de deux notes de musique jouees lune apr`es lautre : lanalyse
en frequence ninforme pas sur la localisation temporelle du changement
de regime dans le signal.
representation temporelle
1

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

Signal compose dune succession de deux sinusodes (de 20 et 85 Hertz)

et module de sa transformee de Fourier

 Transformee de Fourier `a fenetre glissante :

Il sagit de calculer la transformee de Fourier du signal temporel

decoupee en morceaux!
6

0
0

100

200

300

400

500

600

700

800

900

1000

Multiplication du signal f (x) par une fenetre glissante h(x b) (reelle) et

calcul de la transformee de Fourier de ce produit :

Gf (, b) =

f (x) h(x b) e2ix dx

b est le temps, est la frequence.

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

coefficients Fourier Fenetre

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

coefficients Fourier Fenetre

100
200
300
400
500
10

20

30

40

50

60

70

Signal f2 et sa transformee de Gabor avec a0 = sinusoides = 0.05

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

coefficients Fourier Fenetre

100
200
300
400
500
100

200

300

400

500

600

700

Signal f2 et sa transformee de Gabor avec a0 = Dirac = 0.005

800

Dans la transformee en Fourier `a fenetre :

Z +
f (x) h(x b) e2ix dx
Gf (, b) =

< f / b, >

les fonctions analysantes sont :

b, (x) = h(x b) e2ix

Dans la transformee de Gabor, la fenetre h est une Gaussienne dechelle

x )2
1 (
: h(x) = e
. Les fonctions de Gabor sont alors ( = 1):
(xb)2

b, (x) = e
Fonction de Gabor frequence 2

e2ix

Fonction de Gabor frequence 5

Fonction de Gabor frequence 15

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

Fonctions de Gabor pour = 2, 5, 15 (partie reelle)

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) =

f (x) a,b (x) dx

a > 0, b R

Les fonctions analysantes ou ondelettes sont definies par :



1
xb

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

Signal f2 (deux notes+scratch) et sa transformee en ondelettes

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 :

Londelette de Morlet (complexe) : (x) = ex e10ix

2

On a ()
= e(5) .
dn x2
e
,
dxn

Les derivees de la Gaussienne : n (x) =

n 1.
(pour n = 2, londelette est appelee chapeau mexicain).
2
On a n () = (2i)n e .

Ondelettes dans lespace physique :

xb
1
a,b (x) =
a
a

Ondelette de Morlet echelle 1

1

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

Ondelettes de Morlet dechelles a = 1/2, 1, 2 (partie reelle). Lechelle a

donne la taille du support (inverse dune frequence), b donne la position.

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

Transformee de Fourier (module) des ondelettes de Morlet dechelles

a = 1/2, 1, 2 . Les ondelettes sont des filtres passe-bande autour de la
.
frequence = 0 . Pour londelette de Morlet 0 = 5 (maximum de )
a

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

Vu du cote temporel (ou spatial) x, W f (a, b) renseigne sur le signal f

autour du point b dans un voisinage de taille a. Vu du cote frequentiel
(), W f (a, b) renseigne sur le signal f autour de la frequence a1 .
Lanalyse en ondelettes est une analyse temps-echelle.
D
em : Il suffit dappliquer la formule de Parseval :
W f (a, b) =< f /a,b >=< f/a,b >

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 +

W f (a, b) a,b (x)

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=

W f (a, b)2 dadb =

a2

dapr`es le theor`eme de Fubini.

f()2

da b
2
(a) d
a

On souhaite alors faire le changement de variable en a : = a, celui-ci

impose que soit de signe constant. On coupe alors lintegrale :
2 hR + da
2 i
2 hR + da
2 i
R +
R0
b
b
(a)
d +
f()
(a)
d
I = 0 f()
a
a
0

0
2 hR + d
2 i
2 hR d
2 i
R +
R0
b d +
b d
()
f()
()
= 0 f()

Il faut alors distinguer le cas reelle de complexe analytique (i.e.

nulle sur R ):

- Si est r
eelle, alors b est une fonction paire et
Z +
Z

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 +

Comme f est supposee reelle, on a 0

f () d =
Z
2
C +
f (x) dx
I=
2

1
2

R +
f()2 d, et

3 - Formule dinversion avec une ondelette de synth`

ese
diff
erente
D
ecomposition avec une ondelette danalyse g : a > 0, b R,

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

4 - Exemple de programme matlab

% ondelette.m
% PROGRAMME DE TRANSFORMEE EN ONDELETTES
% Le signal a analyser doit sappeler y
ii=sqrt(-1)
%..y=signal a analyser (en m
emoire)
n=length(y)-1; p=fix(log(n)/log(2)); dx=1/n; t=0:dx:1;
x=-1:dx:1;
% calcul de londelette
a0=1/2;a0=a0^ (1/2);p=2*p;
for i=p-1:-1:0
a=a0^ i; %
echelle
xx=x/a;
g=exp(-xx.^ 2/2).*exp(ii*5*xx)./sqrt(a); % ondelette de morlet

ou g=(1-2*xx.^ 2).*exp(-2*xx.^ 2)./sqrt(a); % chapeau mexicain

% calcul des coefficients dondelettes a lechelle a
W=zeros(p,n+1);
wa=conv(y,g);
W(i+1,1:n)=abs(wa(n+1:2*n));
end
% trace
subplot(3,1,1),plot(t(1:n),y(1:n)),title(fonction a
analyser)
subplot(3,1,2),imagesc(W(1:p,1:n)) , title(coefficients d
ondelettes)

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

Si londelette est reelle : W f (a, b) = a Re (ak)

e2ikb

Exemple 1 : frequence pure f (x) = cos(20x) (k = 10)

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

Module de la transformee en ondelettes, en utilisant londelette de Morlet

(ondelette complexe analytique)

Exemple 1 : frequence pure f (x) = cos(20x) (k = 10)

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

Transformee en ondelettes, en utilisant la derivee seconde de la

Gaussienne (ondelette reelle)

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

A chaque echelle a, b W f (a, b) est londelette dechelle a centree en x0

(`
a une symetrie + conjugue pr`es).

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

Signal Dirac et sa transformee en ondelettes

(module, ondelette de Morlet), (division par a)

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

Creneau et sa transformee en ondelettes (module, ondelette de Morlet)

(division par a)

Exemples : londe modulee

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

Onde modulee et sa transformee en ondelettes

(division par a)

900

1000

Exemples : 2 sinusoides + bruit

fonction a analyser
4

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

signal et sa transformee en ondelettes

(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

(a, b) R R , |W f (a, b)| A a

(1 +
)
a
Reciproquement, si non entier et < n et sil existe A > 0 et 0 <
tels que

b x0
+
+ 1

2
(a, b) R R , |W f (a, b)| A a
(1 +
)
a

alors f est Lipschitz- en x0 .

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)|

-II - Applications de la transform

ee en Ondelettes
continue
1 - D
etection et calcul de singularit
es par la technique de
suivi des maxima lines de Mallat
R
ef
erences :
- S. Mallat, W.L. Hwang Singularity detection and processing with wavelet,
IEEE Trans. Info. Theory, 38(2):617-643, Mars 1992.
- S. Mallat, S.Zhong Characterization of Signals from Multiscale Edges, IEEE
Trans. Patt. Anal. and Mach. Intell., 14(7):710-732, Juillet 1992.

Lien entre les ondelettes et la r

egularit
e lipschitzienne
n moments nuls, n, supp = [C, C].
f est uniformement Lipschitz- au voisinage dun point x0 si pour
1
tout (b, a) verifiant |b x0 | < Ca, on a : |W f (a, b)| K a+ 2 , et
inversement, si non entier.
est estime asymptotiquement en calculant la pente de la courbe
log |W f (a, b)| en fonction de log a.
chelle
a

Chaine de
maxima dondelettes

x0

Position
x

Les lignes de maxima

Point de module max : tout point (b0 , a0 ) t.q. la courbe
b |W f (b, a0 )| est localement maximum en b = b0 .
Lignes de maxima : toute courbe connexe (b, a(b)) de points de
module max dans le demi-plan position-echelle.

Toutes les singularites ( < 1) sont detectees en suivant les modules

maximaux dondelettes dans les fines echelles.
Si = (1)n (n) avec gaussienne, alors les points de module max
de W f (a, b) appartiennent `
a des courbes connexes, qui ne
sinterrompent jamais quand lechelle diminue.

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

Chanage des maxima

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

Exemple : f (x) = |x 0.25| + |x 0.7|

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

Chanage des maxima

2
3
4

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

La fonction f (x) = |x 0.25| + |x 0.7|

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

Chanage des maxima

2
3

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)

2. Analyse spectrale locale. Comparaison spectres

Fourier/ondelettes, et application en turbulence
R
ef
erences :
- Thierry Philipovitch, Applications de la Transform
ee en Ondelettes Continue
`
a la Turbulence Homog`
ene Isotrope Bidimensionnelle, Th`
ese de Doctorat de
lUniversit
e Paris VII, 1994.
- Val
erie Perrier, Thierry Philipovitch, Claude Basdevant, Wavelet spectra
compared to Fourier spectra, J. Math. Phys. 36(3), pp. 1506-1519, 1995.
- Marie Farge, Wavelet Transforms and their Applications to Turbulence,
Annual Review of Fluid Mechanics, 40, 395-457 (1992).

(a) Spectre de Fourier dun signal. D

efinition
Soit s(x) un signal reel. Sa transformee de Fourier est definie par :
Z +
s(x) e2ikx dx
s(k) =

et son spectre de puissance :

E(k) = |
s(k)|2 pour k 0 .
Lenergie totale E du signal s verifie :
Z
Z +
Z +
1 +
1
E=
|s(x)|2 dx =
|
s(k)|2 dk =
E(k)dk.
2
2
0

(b) Spectre local, spectre global en ondelettes. D

efinition
Soit L1 (R) L2 (R) une ondelette avec p moments nuls :
Z +
Z +
xn (x) dx = 0 for n = 0, 1 ... p 1, and
xp (x) dx 6= 0 .

Cette condition est equivalente `

a lexistence dune fonction continue
bornee , telle que (0) = 1, limx (x) = 0 et

()
= 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

La conservation de lenergie de la transformee en ondelettes secrit :

Z + Z +
1
da
E =
|
s(a, b)|2 2 db,
c 0
a

R + |()|
2

d.
avec : c =

Le spectre local en ondelettes est defini pour k 0 et x R :

x) =
E(k,

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,

qui est relie `

a lenergie totale par : E =

R +
0

E(k)
dk

Relation entre le spectre de Fourier et le spectre moyen en

ondelettes
On a la relation entre le spectre de Fourier E(k) et le spectre moyen en

ondelettes E(k)
:

E(k)
=

1
c k

k0 )|2 d
E() |(
k

Le spectre en ondelette est une moyenne du spectre de Fourier pondere

par le carre de la transformee de Fourier de centree en k. On montre
plus loin que le comportement du spectre en ondelettes `
a haute frequence
depend du comportement de londelette `
a petits nombres donde - et donc
du nombre de moments nuls.

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

en appliquant le theor`eme de Parseval `

a la fonction x s( kk0 , x), et on a
dej`
a vu que la transformee de Fourier de la fonction x s(a, x) est

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

Son spectre en ondelettes est donne par :

Z ka
Z +
k0 2
1
1

) d +
E(k)
=
E() (

c k 0
k
c k ka

k0 2

(
) d

Si londelette a exactement p 1 moments nuls, on peut ecrire :

()
= 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

Comme ( k0k ) 1 quand k +, le premier terme se comporte

comme k (2p+1) quand k (E est finie!)

Le comportement du second terme depend de 2p . Ainsi:

Si < 2p + 1 : le second terme du membre de droite secrit :
1 Z +
k
k 0
2p |()|2 d
k0 ka
c
k

Lintegrale a une limite non nulle quand k , ce terme se

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)

Une condition suffisante pour que le spectre moyen en ondelettes ait le

meme comportement en k que le spectre de Fourier est :
Z +
1
xn (x) dx = 0
pour 0 n
2

Exemple : E(k) = k 6 . Nombre de moments nuls critique : 2.5 .

Fourier

105

p=2
p=4

log E(k)

100

p=8

10-5

10-10

10-15

10

100

1000

log k

Spectre de Fourier E(k) = k 6 , et spectres en ondelettes associes E(k)

pour des ondelettes avec p cancellations, (k)

= k p exp(k 2 ), p = 2, 4
and 8 (echelle log-log).

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

Spectre de Fourier et spectre en ondelettes dun champ de vorticite 2D

(spectres denstrophie). Les ondelettes sont des derivees de Gaussienne
~k) = |~k|p exp(|~k|2 ) avec p = 2, 4, 8, et 16 (echelle
isotropiques (

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

Le spectre moyen en ondelettes secrit :

Z +
2
1

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 +

Le comportement du spectre en ondelettes depend du nombre p de

moments nuls de londelette : E(k)

pour k +
k (2p+1)
100

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

Spectre de Fourier E(k) = e

et spectres en ondelettes associes E(k)

pour des ondelettes avec p cancellations, (k)

= k p exp(k 2 ), p = 2, 8
et 16 (echelle log-log).

Spectre local. Connection avec les th

eor`
emes de r
egularit
e
Theor`eme: soit f une fonction localement integrable, H
olderienne
dordre > 0 en x0
(i.e. f C [] (x0 ) et f ([]) (x0 + h) f ([]) (x0 ) = O(hs ) avec = [] + s,
0 < s < 1).
Soit une ondelette telle que L1 (R), x L1 (R) et a [] + 1
cancellations, alors :
|f(a, x)| = a

+1/2

|x x0 |
O(1 +
)
a

when

a 0,

Reciproquement, si (1) est verifie et si f C  (R) pour un  > 0, alors

f ([]) (x0 + h) f ([]) (x0 ) = O(h ln(1/h)).
Dans ce cas, le spectre local en ondelette verifie :

x)| = k (+1/2) O(1 + k |x x0 | )

|E(k,
k0
quand k +.

(1)

Ondelettes avec un nombre infini de moments nuls

Une possibilite est de construire des ondelettes avec un nombre infini de
moments nuls.
Exemple 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

Representation dans lespace physique et lespace de Fourier pour = 2

(ligne continue), = 4 (ligne pointillee) et = 16

Exemple 2 :

n (k) = n

1
1
exp (k 2 + 2n )
2
k

n1.

Perriers wavelets - Fourier space, n=2, 4 & 16

1.5

0.5

0
0

Physical space
3
2
1
0
-1
-2
-4

-3

-2

-1

Representation dans lespace physique et lespace de Fourier pour n = 2

(ligne continue), n = 4 (ligne pointillee) et n = 16).
Le maximum de la transformee de Fourier de n est atteint pour
1
kn0 = n 2(n+1) et on a 1 kn0 1.15

Comparaison spectres Fourier/Ondelettes pour E(k) = k 6

100

Fourier

n=2
n=4

log E(k)

10-5

n=8

10-10

10-15

10

100

1000

log k

Spectre de Fourier E(k) = k 6 et spectres en ondelettes associes calcules

avec londelette n pour n = 2, 4 et 8 (echelle log-log).

Comparaison spectres Fourier/Ondelettes pour E(k) = ek

k2

Pour un spectre de Fourier E(k) = e

, le spectre en ondelettes secrit
en utilisant londelette n :
Z +
2
1

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

La methode de Laplace (phase stationnaire) donne :

Z +

ex(t0 )
x(t)
e
dt 2 p
si x +
00
x (t0 )
0

pour atteignant son maximum en t0 .

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

On ne recup`ere pas exactement le comportement du spectre de Fourier,

mais on a une decroissance exponentielle plut
ot qualgebrique. De plus
pour les grands n, le spectre en ondelettes `
a petite echelle est proche
dune Gaussienne car

E(k)
k 1 ek

k + et grand n

Comparaison spectres Fourier/Ondelettes pour E(k) = ek

100

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

Spectre de Fourier E(k) = e

et spectres en ondelettes associes E(k)
calcules avec londelette n pour n = 2, 4 et 8 (echelle log-log).