Académique Documents
Professionnel Documents
Culture Documents
Jean-Dsir-Gustave Courbet : La Vague - D'Ingres van Gogh - Muse Oskar Reinhart "Am Rmerholz (1870)
Plan
0. Concepts fondamentaux 1. Transforme de Fourrier et Transforme de Fourrier fentre (STFT)
06/11/2011
Acknowledgement
Thanks to Robi POLIKAR for his excellent tutorial (http://users.rowan.edu/~polikar/WAVELETS/WTtutorial.html) which is adapted as a main support to this course. This course is based on his tutorial, it does not pretend to be an accurate reflection.
06/11/2011
0. CONCEPTS FONDAMENTAUX
POURQUOI TRANSFORMATION? D'abord, pourquoi a-t-on besoin des transformes? Qu'estce donc qu'une transforme ?
Les transformations mathmatiques sont appliques aux signaux bruts pour obtenir davantage d'informations qui sont disponibles dans ces signaux.
signal brut transformation Mathmatique Exemple : Fourier signal trait
06/11/2011
0. Concepts fondamentaux
En pratique, la plupart des signaux, sous leur format brut, sont reprsents dans le domaine temporel. La reprsentation du amplitude signal est une reprsentation temps - amplitude.
Cette reprsentation n'est pas toujours la meilleure pour tous les applications en traitement du signal. Dans beaucoup de cas, l'information la plus pertinente est cache dans la composante de frquence du signal. Le SPECTRE de frquence d'un signal est constitu par les composantes de frquence de ce signal.
06/11/2011
0. Concepts fondamentaux
Intuitivement, nous savons que la frquence est lie au rgime de changement dune variable physique ou mathmatique. Si cette variable change rapidement : changement haute frquence, change lentement : changement basse frquence, et ne change pas du tout : frquence zro. Comment allons-nous mesurer la frquence, comment allons-nous trouver le contenu en frquences d'un signal ? La rponse c'est la TRANSFORME de FOURIER (TF). Si on effectue la TF d'un signal reprsent dans le domaine temporel, on obtient la reprsentation frquence amplitude de ce signal.
06/11/2011 5
0. Concepts fondamentaux
Une fonction arbitraire, continue ou avec des discontinuits, dfinie dans un intervalle fini par un graphique arbitrairement capricieux peut toujours tre exprim comme somme de sinusodes J.B.J. Fourier Jean B. Joseph Fourier (1768-1830)
06/11/2011
0. Concepts fondamentaux
En 1822, le mathmaticien franais J. Fourier, ait prouv que n'importe quelle fonction priodique peut tre exprime comme une somme infinie de fonctions exponentielles complexes et priodiques. Beaucoup d'annes aprs qu'il ait dcouvert cette proprit remarquable des fonctions continues priodiques, ses ides ont t gnralises de fonctions continues non-priodiques, puis des fonctions discrtes priodiques ou non-priodiques dans le temps.
Aprs cette gnralisation, la TF est devenue un outil trs appropri pour des calculs par ordinateur. En 1965, un nouvel algorithme appel la Transforme de Fourier Rapide (FFT) a t dvelopp.
06/11/2011 7
0. Concepts fondamentaux
Transformes de Fourier Directe Temps Continu (Direct Continuous Time Fourier Transform (DCTFT)) et Transformes de Fourier Inverse Temps Continu (Inverse Continuous Time Fourier Transform (ICTFT)) (ICTFT)
X( f ) = x (t) e
-
j2 f t
dt (1),
x(t) = X( f ) e
j2 f t
df (2)
Interprtation de lquation (1) : Le signal x(t), multipli avec un terme exponentiel, une certaine frquence f , qui peut tre crit comme suit : cos(2ft)+j sin (2ft) rel imaginaire Ce terme est ensuite intgr (additionner tous les termes de produit) sur TOUS LE TEMPS.
06/11/2011 8
0. Concepts fondamentaux
Si le rsultat de cette intgration est une grande valeur, alors le signal x(t) a une composante spectrale dominante la frquence f . Ceci signifie que la majorit de ce signal est compose de la frquence f . Si le rsultat de cette intgration est une petite valeur, le signal x(t) na pas de composante spectrale dominante f . Si ce rsultat est nul, alors le signal ne contient pas du tout la frquence f .
06/11/2011 9
0. Concepts fondamentaux
Comment marche cette intgration ? Le signal est multipli avec le terme sinusodale de frquence "f". Si le signal a une composante de frquence f d'amplitude leve, alors cette composante et le terme sinusodale concideront, et leur produit donnera (relativement) une grande valeur. Ceci montre que le signal possde une frquence majoritaire en f . Cependant, si le signal n'a pas une composante de frquence de f , le produit sera zro, i.e., le signal n'a pas une composante de frquence de f . Si la frquence f , n'est pas une composante importante du signal x(t) , alors le produit donnera (relativement) une petite valeur. Ceci signifie qui, la composante de frquence f dans le signal x , a une petite amplitude, cest--dire, elle n'est pas une composante important de x .
06/11/2011 10
0. Concepts fondamentaux
L'information fourni par l'intgrale, correspond tous les instants de temps, puisque l'intgration est de t = - t = + . A n'importe quel instant du temps la composante avec la frquence f apparat, elle affectera de la mme faon le rsultat de l'intgration. Autrement dit, si la composante f de frquence apparat au temps T1 ou au temps T2, il y aura le mme effet sur l'intgration. C'est pourquoi la transforme de Fourier n'est pas approprie si le signal a une frquence variable dans le temps (non stationnaire). Presque tous les signaux biologiques, sont non stationnaires. Si le signal a uniquement une composante de frquence f tout moment (pour toutes les valeurs de f (stationnaire)), alors le rsultat obtenu par la transforme de Fourier a un sens.
06/11/2011
11
0. Concepts fondamentaux
Notez que la transforme de Fourier indique, qu'une certaine composante de frquence existe ou pas. Cette information est indpendante de celle qui cherche o dans le temps cette composante apparat. Il est donc trs important de savoir si un signal est stationnaire ou pas, avant de le traiter avec la FT.
06/11/2011
12
0. Concepts fondamentaux
x 1 ( t ) = cos( 2 5 t )
x 3 ( t ) = cos( 2 50 t )
F
x1 ( t )
X 1 ( )
F
Fig. 1b [1]
x 2 (t )
X 2 ( )
F
x3 (t )
X 3 ( )
06/11/2011
13
0. Concepts fondamentaux
Pourquoi avons-nous besoin des informations en frquence ? Souvent, l'information qui ne peut pas tre distingue dans le domaine temporel pourrait tre facilement visible dans le domaine frquentiel. Prenons un exemple dans le secteur des signaux biologiques et supposons que nous observions un signal dlectrocardiographie (ECG). La forme typique du signal ECG d'un cur sain est bien connue des cardiologues, tout cart avec cette forme est considr comme le symptme d'une possible pathologie.
06/11/2011 14
0. Concepts fondamentaux
Ce signe de pathologie, cependant, n'est pas toujours trs vident dans le signal temporel brut. Les cardiologues utilisent jusqu' prsent les enregistrements de ces signaux dans le domaine temporel, ils figurent sur les bandes de papiers, pour analyser les ECG.
Rcemment, les nouveaux analyseurs ECG informatiss utilisent l'information de frquence pour dcider de l'existence d'une pathologie. Un symptme de maladie peut parfois tre mieux diagnostiqu quand on analyse les composantes frquentielles du signal.
06/11/2011 15
0. Concepts fondamentaux
0. Concepts fondamentaux
En effet, l'analyse de Fourier permet de connatre les diffrentes frquences excites dans un signal, c'est--dire son spectre, mais ne permet pas de savoir quels instants ces frquences ont t mises. Cette analyse donne une information globale et non locale, car les fonctions d'analyse utilises sont des sinusodes qui oscillent indfiniment sans s'amortir. Cette perte de localit n'est pas un inconvnient pour analyser des signaux dont la structure n'volue pas ou peu (statistiquement stationnaires), mais devient un problme pour l'tude de signaux non stationnaires.
06/11/2011 17
0. Concepts fondamentaux
L'analyse de Fourier ne permet pas l'tude de signaux dont la frquence varie dans le temps. De tels signaux ncessitent la mise en place d'une analyse temps-frquence qui permettra une localisation des priodicits dans le temps et indiquera donc si la priode varie d'une faon continue, si elle disparat puis rapparat par la suite, etc.
06/11/2011 18
0. Concepts fondamentaux
Signaux stationnaires Ce sont les signaux dont le contenu en frquence ne change pas au cours du temps. Autrement dit, la composition en frquences des signaux stationnaires est indpendante du temps. Dans ce cas, on n'a pas connatre quels instants les composantes en frquence existent : ces composantes en frquence existent tout le temps !
06/11/2011 19
0. Concepts fondamentaux
est un signal stationnaire car il prsente des composantes de frquence 10, 25, 50 et 100 Hz tout instant.
0. Concepts fondamentaux
En fig. 2b, l'axe de frquence a t coup, mais thoriquement il se prolonge l'infini (pour la transforme de Fourier continue (TFC)).
En fait, ici nous calculons la transforme de Fourier discrte (TFD), dans ce cas l'axe de frquence va jusqu (au moins) deux fois la frquence dchantillonnage du signal, et le signal transform est symtrique en f )
06/11/2011 21
0. Concepts fondamentaux
Exemple 2b un signal non stationnaire Gazouillis (chirp) : la frquence change constamment dans le temps [1].
Fig. 2b [1]
06/11/2011 22
0. Concepts fondamentaux
a. Sur l'intervalle 0-100 ms, c'est une sinusode 100Hz, sur l'intervalle 300-600 ms c'est une sinusode 50 Hz, sur l'intervalle 600-800 ms c'est une sinusode 25 Hz et, sur l'intervalle 800-1000 ms c'est une sinusode 10 Hz [1].
Fig. 3 [1]
06/11/2011
b. TFD. Remarquez que les amplitudes des composantes de frquence les plus leves sont plus grandes que les amplitudes des composantes de frquence les plus basses. Ceci est d au fait que les frquences les plus leves durent plus longtemps (300 ms chacune) que les frquences les plus basses (200 ms chacune) [1].
23
0. Concepts fondamentaux
Remarques importante concernant les signaux reprsents en Figures 1-3 Question concernant le signal de la Figure 2a : A quels instants, ces composantes de frquence arrivent-elles ?
Rponse : Tout le temps ! Rapplons-nous que pour les signaux stationnaires, toutes les composantes de frquence qui existent dans le signal, existent pour toute la dure du signal. Il y a 10 Hz, tout le temps, il y a 25 Hz, tout le temps, il y a 50 Hz, tout le temps.
06/11/2011
24
0. Concepts fondamentaux
Question pour le signal non stationnaire de la Figure 3 : A quels instants ces composantes de frquence existent-elles ? Dans le premier intervalle nous avons la composante de plus haute frquence et dans le dernier intervalle la composante de plus basse frquence. Ainsi, pour ces signaux, les composantes de frquence n'apparaissent pas en permanence.
06/11/2011
25
0. Concepts fondamentaux
Comparez alors les Figures 2.b et 3.b. La similitude de ces deux spectres est apparente. Ils indiquent tous les deux quatre composantes spectrales pour exactement les mmes frquences :10, 25, 50 et 100 Hz. En dehors des ridules (qui peuvent tre filtrs) et des diffrences damplitudes, les deux spectres sont presque identiques alors que les signaux correspondants, dans le domaine temporel n'ont aucune ressemblance entre eux. Les deux signaux mettent en jeu les mmes composantes de frquence, mais le premier prsente ces composantes en permanence alors que le second ne les prsente que sur des intervalles de temps diffrents.
06/11/2011 26
0. Concepts fondamentaux
Alors, comment deux signaux, entirement diffrents, puissent prsenter des spectres aussi semblables ? Rappelons-nous que la TF fournit le contenu spectral du signal mais ne donne aucune information quant aux instants auxquels ces composantes spectrales apparaissent.
06/11/2011
27
0. Concepts fondamentaux
La TF n'est donc pas l'outil adquat pour les signaux non stationnaires, une exception : La TF peut tre utilise pour les signaux non stationnaires si on ne s'intresse qu'aux composantes spectrales qui existent dans le signal et non aux instant o elles apparaissent. Si on veut savoir quelles composantes spectrales apparaissent et quels instants, alors la TF n'est pas la transforme utiliser.
06/11/2011 28
0. Concepts fondamentaux
Souvent, les instants ou les intervalles du temps auxquels une composante spectrale particulire apparat sont d'un grand intrt. Dans ces cas, il est trs important de connatre les intervalles de temps d'apparition de cette composante. Par exemple, en EEG, la latence d'un potentiel li un vnement est un paramtre essentiel (le potentiel li un vnement est la rponse du cerveau un stimulus spcifique, une lampe flash par exemple, la latence de cette rponse est l'intervalle de temps coul entre l'apparition du stimulus et la rponse).
06/11/2011 29
0. Concepts fondamentaux
Quand nous avons besoin de localiser dans le temps des composantes spectrales, on pourrait utiliser une parmi les mthodes suivantes : - la Transforme de Fourrier fentre (Short Time Fourier Transform (STFT)), - la Distribution de Wigner (Wigner Distribution (WD)), - la Transforme en Ondelettes (Wavelet Transform (WT)).
06/11/2011 30
0. Concepts fondamentaux
LA TRANSFORME EN ONDELETTES En 1982, Morlet ouvre la voie conduisant la solution en construisant la Transforme en Ondelettes (Wavelet Transform (WT)) )).
Jean Morlet (n Fontenay-sous-Bois le 13 janvier 1931, mort Nice le 27 avril 2007), ancien lve de l'cole polytechnique (X1952), est un gophysicien franais qui a t le pionnier dans le domaine de l'analyse des ondelettes en collaboration avec Alex Grossmann. Morlet a invent le mot ondelette pour dcrire des quations similaires celles existant depuis environ les annes 1930. Alex Grossmann (1930-) est un physicien croate l'Universit de la Mditerrane (Aix-Marseille II) au campus de Luminy
06/11/2011
31
0. Concepts fondamentaux
La WT a t dveloppe pour pallier quelques dfauts de rsolution de la Transforme de Fourrier fentre (Short Term Fourier Transform ( STFT)) (voir dtailles plus loin). Elle est capable de fournir une reprsentation simultane temps frquence du signal. Pour la mthode STFT, le signal temporel passe dans divers filtres passe haut et passe bas qui filtrent les parties hautes et basses frquences du signal. Cette procdure est rpte, chaque fois une partie du signal, celle qui correspond aux frquences filtres est retire du signal.
06/11/2011 32
0. Concepts fondamentaux
Processus de Dcomposition : Exemple dun signal contenant des 0-1000 Hz frquences : 0 1000 Hz
/2 /2
Passe-bas
0-500 Hz
Passe-haut
500-1000 Hz
/2
/2
Passe-bas
/2
0-250Hz
Passe-haut
/2
250-500 Hz
Passe-bas
/2
500-750 Hz
Passe-haut
/2
750-1000 Hz
0-125Hz
125-250 Hz
En supposant que nous choisissons toujours la partie basse, nous avons alors 3 sous-ensembles de donnes qui dpendent du niveau de litration, ici 0-125, 125-250 et 500-1000.
06/11/2011 33
0. Concepts fondamentaux
Nous disposons donc d'un ensemble de signaux qui reprsentent le mme signal, mais chacun correspondant diffrentes bandes de frquences. Nous savons quel signal correspond quelle bande de frquence, et, si nous les rassemblons sur : - un graphe 2D (temps-frquence) de la valeur au carr de la STFT est appel spectrogramme. Fig. 4a - ou un graphe 3D, nous aurons le temps sur un des axes, les frquences sur le second et l'amplitude sur le troisime. Ce graphe montre donc quelles bande de frquences existent dans un intervalle donn de temps.
06/11/2011
Fig. 4b [1]
34
0. Concepts fondamentaux
Il y a cependant un problme appel "principe principe d'incertitude" d'incertitude : on ne peut savoir exactement quelle frquence existe pour un instant donn mais seulement quelle bande de frquence existe sur un intervalle de temps. Ceci sera abord plus en dtail dans la suite de ce cours.
06/11/2011
35
0. Concepts fondamentaux
Principe d'incertitude
Par analogie au principe des particules lmentaires de Heisenberg qui stipula que certaines paires de proprits physiques, telles que la position et la quantits de mouvement dun particule, ne peut pas tre simultanment connus avec une prcision arbitrairement grande, les informations de frquence et de temps d'un signal en un certain point du plan temps-frquence ne peuvent tre simultanment connues.
06/11/2011 36
0. Concepts fondamentaux
On ne peut savoir prcisemment quelle composante spectrale existe un instant donn. Le mieux qu'on puisse faire est de chercher quelles composantes spectrales existent sur un intervalle de temps donn. C'est un problme de rsolution et c'est la raison principale pour laquelle les chercheurs sont passs de la STFT la WT. En effet, la STFT donne une rsolution fixe pour tous les instants de temps alors que la WT donne une rsolution variable.
06/11/2011
37
0. Concepts fondamentaux
Les hautes frquences ont meilleur rsolution en temps et les basses frquences ont meilleur rsolution en frquence. Ceci signifie, qu'aux hautes frquences, les composantes sont mieux localises en temps (moindre erreur relative) qu'aux basses frquences. Au contraire, une composante de basse frquence est mieux localise en frquence qu'une composante de haute frquence.
06/11/2011 38
0. Concepts fondamentaux
Transforme en ondelette continue (Continuous Wavelet Transform (CWT)) et Transforme en ondelette discrte (Discrete Wavelet Transform ( DWT ))
La diffrence principale entre les deux est que la CWT fonctionne sur toutes les valeurs continues de la frquence et du temps tandis que la DWT fonctionne sur un sous-ensemble spcifique dfini sur lensemble de toutes les valeurs discrtes de la frquence et du temps.
06/11/2011 39
0. Concepts fondamentaux
t
Interprtation : La ligne en haut montre qu'aux frquences leves, nous avons davantage d'chantillons correspondant de plus petits intervalles de temps. En d'autres termes, les hautes frquences sont mieux rsolues en temps. La ligne du bas correspond aux basses frquences, elle compte moins de points pour caractriser le signal, les basses frquences sont donc moins bien rsolues en temps.
06/11/2011 40
0. Concepts fondamentaux
t
Interprtation : la rsolution temporelle du signal est la mme que celle dfinie dans le cas de temps continu, mais maintenant, les informations de frquence ont galement une rsolution diffrente pour chaque niveau. Remarquez que les frquences les plus basses ont une meilleur rsolution en frquences (plus de points sur le mme intervalle) que les hautes frquences. L'espace entre les points reprsentatifs augmente mesure que la frquence augmente.
06/11/2011 41
0. Concepts fondamentaux
Exemple 4 Transformes en ondelettes continue Un signal sinusodal prsentant deux diffrentes composantes de frquence des diffrents instants. Remarquez la partie basse frquence d'abord puis la partie haute frquence.
Fig. 5 [1]
06/11/2011 42
0. Concepts fondamentaux
Exemple 4 (suite)
Notez que l'axe des frquences de ce graphique porte l'indication "scale (chelle Lchelle est l'inverse de la frquence. scale" chelle). Les hautes chelles correspondent aux basses frquences et les basses chelles correspondent aux hautes frquences. En consquence, le petit pic du graphique correspond des composantes de hautes frquences et le large pic correspond des composantes de basses frquences du signal (qui apparaissent dans le temps avant les composantes de hautes frquences).
06/11/2011 43
0. Concepts fondamentaux
Exemple 4 (suite)
Ce mme graphique montre une bonne rsolution en frquence pour les hautes frquences (faibles rsolution en chelles), et une faible rsolution en frquence (bonne rsolution en chelle).
06/11/2011
44
1. STFT
Question Que se passe-il si la partie que nous pouvons considrer comme stationnaire est trs petite ? Rponse Faire des analyses locales : Nous regardons ce signal par des fentres troites, assez troites tel que les parties du signal vu de ces fentres sont en effet stationnaires. Cest lide de STFT (Gabor 1946).
Dennis Gabor (5 juin 1900 Budapest, Hongrie - 8 fvrier 1979 Londres) tait un physicien hongrois. Il est connu pour l'invention de l'holographie pour laquelle il a reu le prix Nobel de physique de 1971[
06/11/2011
46
1. STFT
Il y a seulement une diffrence mineure entre STFT et FT. Dans STFT, le signal est divis en segments assez petits, o on peut supposer que ces segments (parties) du signal sont stationnaires. cette fin, une fonction fentre W est choisie. La largeur de cette fentre doit tre gale au segment du signal o sa stationnarit est valide.
06/11/2011
47
1. STFT
La pondration approprie de la fentre : Le produit entre le signal et la fnetre glissante dpend de la pondration de la fentre choisie. Si la fentre est un rectangle, avec amplitude 1 , alors le produit sera gale au signal.
06/11/2011
48
1. STFT
Transformes de Fourier Directe Temps Discret (Direct Discrete Time Fourier Transform (DDTFT)) et Inverse (IDTFT) Pour un signal chantillonn de longueur infinie avec une priode Te
j2 f n fe 1 2Te j2 f n fe
XTe ( f ) = T x[nTe ]e e
avec fe = 1 T e
n=
(3), x[n] =T e
X (f ) e
Te
df (4)
1 2Te
Les intgrales couvres une priode complte du DTFT, qui signifie que les {x[n]} chantillons sont galement les coefficients d'une expansion de srie de Fourier du DTFT.
06/11/2011 49
1. STFT
Transformes de Fourier Discret Directe (Direct Discrete Fourier Transform (DDFT)) et Inverse (IDFT) DDFT)) IDFT) Dans la pratique nous avons un signal de longueur finie L, chantillonn avec une priode Te . Si nous utilisons une fentre de longueur finie L et si ensuite nous utilisons la DTFT.
L
k
L 1 n=0
X [k] = x[n] e
k j 2 n L
1 (5), x[n] = L
X[k] e
k =0
L-1
k j 2 n L
(6)
k o f = L
06/11/2011
avec k = 0, 1, 2, ..., L - 1
avec n = 0, 1, 2, ..., L - 1
50
1. STFT
Diffrence entre la DFT et les autres Transformes de Fourier Essentiellement, la DTFT est l'inverse de la srie de Fourier, parce que la dernire a une entre continue et priodique et un spectre discret. Les applications des deux transformes, cependant, assez diffrent. La DFT et la DTFT sont des rsultats logiques de lapplication de la CTFT aux donnes discrtes. Ce nest pas la transforme qui change mais seule la forme de lentre x qui dtermine le type de la transforme : si x est discrte, la TF devient DTFT si x est priodique, la TF devient srie de Fourier si x est discret et priodique, la TF devient DFT
06/11/2011 51
1. STFT
Algorithme STFT
1. 2. 3. 4. 5. 6. Choisir une fonction fentre de longueur finie w Placer la fentre sur le dbut du signal au temps t=0 Tronquer le signal en utilisant cette fentre Calculer la TF du signal tronqu, sauvegarder. Faire un dcaler incrmentale de la fentre vers la droite Revenir au pas 3, jusqu' ce que la fentre atteint l'extrmit du signal. Pour chaque partie o la fentre est centre, nous obtenons une TF diffrente.
Par consquent, chaque TF fournit les informations spectrales d'une tranche spare dans le temps du signal, fournissant simultanment le temps et les informations de frquence.
52
06/11/2011
1. STFT
La STFT est une Rpresentation linaire temps-frquence (TimetempsTimeFrequency Representation (TFR)) TFR))
(7)
STFT coefficient du signal x(t) : calcule pour chaque fentre centre t=t
06/11/2011
1. STFT
w(t) est gnralement une fentre de Hann ou une colline gaussienne concentr sur zro, et le x(t) est le signal tre transform. X(t,w) est essentiellement la Transforme de Fourier Continue (Continuous Time Fourier Transform (CTFT)) du x(t)w(t t), une fonction complexe reprsentant la phase et lamplitude du signal dans le temps et la frquence.
06/11/2011
54
1. STFT
(8)
STFT coefficient du signal x(t) : calcule pour chaque fentre centre n=m
06/11/2011
1. STFT
La largueur de la Fentre
En gnral, la transformation est applique au produit entre le signal et d'une fonction de fentre. Mais la largueur de cette fentre affecte le spectre que nous essayons de mesurer.
06/11/2011
56
1. STFT
Le signal de lexemple 3 chantillonn 400 Hz: La fentre de 25 ms nous permet d'identifier un temps prcis auquel le changement entre les 4 signaux se produit, mais les frquences prcises sont difficiles identifier. l'autre extrmit de l'chelle, la fentre de 1000 ms permet de distinguer les frquences d'une manire prcise, mais le temps entre les changements de frquence est brouille.
Fig. 6
06/11/2011
57
1. STFT
Le type de la Fentre
En gnral, la transforme est applique au produit entre le signal et d'une fonction de fentre. Mais n'importe quelle fentre (rectangulaire y compris) affecte le spectre que nous essayons de mesurer. Il existe plusieurs types de fentres.
06/11/2011
58
1. STFT
Il est plus facile de comprendre l'effet en termes de forme d'onde simple, comme cos(2ft). Nous pouvons montrer thoriquement que la transforme de Fourier de cette fonction est nulle sauf f. Le fentrage fait que sa transforme de Fourier possde des valeurs diffrentes de zro (gnralement appeles la fuite (leakage)) aux frquences autres que f . Ces valeurs tendent tre plus leves prs de f et faibles aux frquences les plus loin de f .
06/11/2011 59
1. STFT
S'il y a deux sinusodes, avec diffrentes frquences, alors la fuite peut affecter notre capacit de distinguer leurs spectres. Dans ce cas, la fuite devient gnant quand un signal sinusode est beaucoup plus petit en amplitude quun autre, cest--dire sa composante spectrale peut tre cache par la fuite de la composante du sinusode le plus grand. Quand les frquences sont proches lune de lautre, la fuite peut tre importante pour gner lanalyse quand les sinusodes ont les mmes amplitudes, cest--dire ces composantes deviennent inconnaissables.
06/11/2011
60
1. STFT
06/11/2011
61
1. STFT
06/11/2011
62
1. STFT
La capacit de trouver des spectres correspondants aux sinusodes faibles parmi les spectres du bruit est diminue par une fentre dynamique de haute tendue. Ces fentres sont probablement plus souvent justifies dans des applications large bande, o on s'attend ce que le spectre tant analys contienne beaucoup de signaux diffrents et de diverses amplitudes.
06/11/2011 63
1. STFT
06/11/2011
64
1. STFT
En rsum, l'analyse spectrale implique un compromis entre la distinction des signaux damplitudes comparables avec des frquences proches et la distinction des signaux damplitudes disparates avec des frquences diffrentes. Ce compromis se produit quand la fonction de fentre est choisie convenablement.
06/11/2011
65
1. STFT
06/11/2011
66
1. STFT
La figure ci-dessous montre quune partie du DTFT pour une fentre rectangulaire appliqu sur un sinusode.
lobe principale lobes secondaires
Fig. 7
06/11/2011 67
1. STFT
La frquence relle du sinusode est indique en tant que "0" sur l'axe horizontal. Toutes autres frquences sont des casiers DFT" fuites. L'unit de la frquence est appele "casiers de DFT DFT bins ; cest--dire, les valeurs de nombres entiers sont les frquences prleves par le DFT. Ainsi la figure dpeint un cas o la frquence relle du sinusode s'avre justement concider avec un chantillon de DFT, et la valeur maximum du spectre est exactement mesure par cet chantillon.
06/11/2011
68
1. STFT
Quand il manque la valeur maximum par une certaine quantit [jusqu' 1/2 de casier], l'erreur de mesure sera dsign sous le nom perte d'ondulation scalloping loss (inspire par la forme de la crte). Mais la chose la plus intressante pour ce cas est que tous les autres chantillons concident avec les valeurs nulles dans le vrai spectre (ces valeurs nulles correspondent rellement aux croisements de zro, qui ne peuvent pas tre montrs sur une chelle logarithmique de ce type.).
06/11/2011
69
1. STFT
Ainsi dans ce cas-ci, la DFT cre l'illusion dun spectre sans fuite. En dpit des conditions peu probables de cet exemple, lide fausse populaire est de considrer cette la fuite visible est une certaine forme dartefacts de la DFT. Mais puisque n'importe quelle fonction de fentre cause une fuite, son absence apparente (dans cet exemple) est rellement lartefact de la DFT.
06/11/2011
70
1. STFT
Fuite totale
Les concepts de la rsolution et de ltendue dynamique tendent tre quelque peu subjectifs, selon ce que l'utilisateur essaye rellement de faire. Mais ils tendent galement tre fortement corrls avec la fuite totale, qui est quantifiable. Elle est habituellement exprime comme la largeur de bande quivalente, B.
06/11/2011
71
1. STFT
Considrons la fuite en tant que redistribuer de la DTFT dans une forme rectangulaire avec une amplitude gale au spectre maximal et une largeur B. Plus la fuite est grande, plus la largeur de la bande est grande. Cette bande s'appelle parfois noise equivalent bandwidth ou equivalent noise bandwidth .
06/11/2011
72
1. STFT
Bien que la fuite a t considre comme une interfrence dune composante de frquence qui simpose d'autres frquences, l'effet est rciproque. Ainsi, si la frquence f1 fuit un pourcentage de son nergie dans la frquence f2, alors une composante de frquence f2 renvoie la faveur dans la mme proportion. Ceci est vraie pour toutes les composantes de frquence du signal d'entre. Ainsi la mesure spectrale la frquence f1 est perturbe par toutes les autres composantes. Plus la largeur de la bande de bruit (B) est grande, plus l'effet est grand.
06/11/2011
73
1. STFT
Quand le signal est un sinusode corrompu par le bruit alatoire additif, l'analyse spectrale distribue les composantes de signal et de bruit diffremment, souvent pour faciliter la dtection de la prsence de ce signal ou pour mesurer certaines caractristiques, telles que l'amplitude et la frquence.
En fait, le rapport signal sur bruit signal-to-noise ratio (SNR) est amlior en distribuant le bruit uniformment, tout en concentrant la majeure partie de l'nergie de sinusode autour d'une seule frquence.
06/11/2011 74
1. STFT
06/11/2011
75
1. STFT
Terminologie N : la longueur , en nombre de points, dune fonction fentre temps discret. Typiquement N est le rsultat de 2 la puissance dun entier m, e.g., 210 = 1024. n : entier avec 0 n N-1. Ainsi les formes des fentres dcales dans le temps est : w[n-((N-1)/2)], o w(n) est maximale n = 0. Chaque label dune figure inclus la mtrique noise equivalent bandwidth (B), en units de DFT bins. Comme rgle, les fentres sont divises en deux groupes sur la base de B. un groupe couvre la plage 1 B 1.8, et lautre groupe couvre B 1.98. Les fentres de Gauss et Kaiser sont des familles qui enjambent les deux groupes, bien que seulement un ou deux exemples de chacun soient montrs.
06/11/2011
76
1. STFT
Rectangulaire w(n) = 1
B = 1.0
Fig. 8 Cette fentre a des effets ngatifs dans certaines cas. Pour minimiser ces effets, de trs nombreuses fentres ont t conues pour rpondre des besoins spcifiques. Pour les dfinitions de diffrentes fentres utilises dans la STFT, vous pouvez consulter : http://en.wikipedia.org/wiki/Hann_window#Hamming_window
06/11/2011 77
1. STFT
Fig. 9
06/11/2011
78
1. STFT
Fig. 10
06/11/2011 79
1. STFT
Les fonctions gaussiennes en couleurs sont les fonctions de fentrage localises t1, t2 et t3. Elles correspondes trois diffrentes TF trois diffrents instants du temps.
06/11/2011
80
1. STFT
Hamming B = 1.37
Fig. 12
06/11/2011 81
1. STFT
Hann B = 1. 50
Fig. 13
06/11/2011 82
1. STFT
Exemple 7
Tout d'abord, puisque notre transforme est une fonction du temps et de la frquence (la TF est diffrente, elle est fonction de la frquence seulement), la transformation serait bidimensionnelle (trois, si nous comptons l'amplitude aussi). Prenons un signal non stationnaire, tel que le le signal suivant : Dans ce signal (4 sinusodes), il y a 4 composantes de frquence diffrents intervalles du temps. T1: 0-249 ms 300 Hz T2: 250-500 ms 200 Hz T3: 501-749 ms 100 Hz T4: 750-1000 ms 50 Hz
Fig. 14 [1]
06/11/2011 83
1. STFT
Exemple 7 (suite) Voici la STFT en utilisant une fentre Gaussienne de la forme : W(t) = exp ( - a t2 / 2 ) a dtermine la longueur de la fentre (plus a est grand plus la fentre est troite et vice versa), et t le temps. Ici a=0.001. Fig. 15 [1] Tout d'abord, notons que le graphique est symtrique en ce qui concerne la ligne de milieu de l'axe de frquence (FT fentre). Il y a quatre crtes correspondant 4 composantes diffrents de frquence. A la diffrence de TF, ces quatre crtes sont situes diffrents intervalles de temps le long de l'axe de temps. Maintenant nous avons une vritable reprsentation temps-frquence du signal.
06/11/2011 84
1. STFT
06/11/2011
85
1. STFT
Le problme avec STFT est son analogie avec un problme connu en physique quantique : le principe d'incertitude de Heisenberg : on ne peut pas mesurer des valeurs (avec une prcision arbitraire) de certaines quantits conjugues, qui sont des paires de quantits observables d'une particule lmentaire simple. Le plus familier de ces paires est la position et le moment dinertie.
06/11/2011
86
1. STFT
Microscope des rayons gamma de Heisenberg pour localiser un lectron (montr en bleu). Le rayon gamma entrant (montr en vert) est dispers par l'lectron vers le haut dans l'angle de l'ouverture du microscope . Les rayons gamma disperss sont montrs en rouge. Loptique classique prouve que la position de l'lectron peut tre dtecte avec une rsolution seulement jusqu' un x d'incertitude qui dpend de et la longueur d'onde de la lumire entrante.
06/11/2011
Fig. 16
87
1. STFT
Problme de rsolution
Ce principe peut tre appliqu l'information de temps-frquence d'un signal : on ne peut pas connatre la reprsentation exacte en tempsfrquence d'un signal, cest--dire, on ne peut pas connatre quelles composantes spectrales existent des instants prcis du temps. Ce qu'on peut savoir sont les intervalles de temps dans lesquels certaine bande de frquences existent.
06/11/2011 88
1. STFT
Le problme avec le STFT a un rapport avec la largeur de la fonction de fentre qui est employe. Cette largeur de la fonction de fentre est connue comme le support (support) de la fentre. Si la fonction de fentre est troite, alors elle est connu comme compactly supported . Cette terminologie est souvent utilise dans le domaine des ondelettes.
06/11/2011 89
1. STFT
Rappelons-nous qu'en TF il n'y a aucun problme de rsolution dans le domaine frquentiel, cest--dire, nous savons exactement quelles frquences existent; aussi, il n'y a aucun problme de rsolution dans le domaine temporel, puisque nous connaissons la valeur du signal chaque instant de temps. Par contre, la rsolution temporelle en TF, et la rsolution frquentielle dans le domaine de temps sont zro, puisque nous n'avons aucune information sur elles.
06/11/2011
90
1. STFT
Ce qui donne la rsolution frquentielle parfaite en TF est le fait que la fentre employe en TF est son noyeau (kernel) : la fonction exp{j2t}, qui existe tout moment de + (fentre de longueur infinie). Maintenant, dans la STFT, notre fentre est de longueur finie, ainsi elle couvre seulement une partie du signal, ce qui provoque une rsolution frquentielle plus faible : nous ne connaissons plus les composantes exactes de frquence qui existent dans le signal, mais nous connaissons seulement une bande de ces frquences.
06/11/2011 91
1. STFT
Pouvons-nous demander, pourquoi ne pas utiliser une longueur infinie de la fentre pour la STFT, afin dobtenir une rsolution parfaite en frquence ? Nous sommes confronts au dilemme suivant : Dune part, si nous employons une fentre de longueur infinie, nous obtenons la TF, qui donne la rsolution parfaite de frquence, mais aucune information de temps. Dautre part, afin d'obtenir une stationnarit dans cette fentre, nous devons avoir une fentre assez troite, dans laquelle le signal est stationnaire. Plus nous rendons la fentre troite, plus la rsolution en temps est meilleure, et plus la lhypothse du stationnarit est meilleure, mais plus pauvre la rsolution de frquence :
Fentre troite Fentre large
06/11/2011
bonne rsolution temporelle, mauvaise rsolution frquentielle bonne rsolution frquentielle, mauvaise rsolution temporelle
92
1. STFT
t f
1 4
(9) Rsolution frquentielle : quel point deux composantes spectrales peuvent tre spares l'un de l'autre dans le domaine de la transformation.
Rsolution temporelle : quel point deux crtes dans le temps peuvent tre spares l'un de l'autre dans le domaine de la transformation.
06/11/2011
93
1. STFT
Chaque case (carre) correspond une valeur de la STFT dans le plan tempsfrquence reprsente une partie gale. Remarquez que les cases possdent certaines surfaces constantes non nulles qui impliquent que la valeur dun point particulier dans le plan temps-frquence ne peut pas tre connue. Tous les points dans ce plan qui tombent dans une case sont reprsents par une seul valeur sur la STFT.
t Fig. 17
06/11/2011
94
1. STFT
Exemple 5 (suite)
Choisir 4 fentres de diffrente longueurs puis appliquer la STFT. La fentre choisie est une fonction Gaussienne de la forme : W(t) = exp ( - a t2 / 2 ) a dtermine la longueur de la fentre (plus a est grand plus la fentre est troite et vice versa) , et t le temps.
06/11/2011
95
1. STFT
Exemple 7 (suite)
Fig. 18 [1]
06/11/2011 96
1. STFT
Exemple 7 (suite)
a = 0.01
Fig. 19 [1]
La figure ci-dessus montre la STFT obtenue. Notez que les quatre crtes sont bien spares l'une de l'autre dans le temps. Notez aussi que, dans le domaine de frquence, chaque crte couvre une gamme des frquences, au lieu d'une valeur unique de frquence.
06/11/2011 97
1. STFT
Exemple 7 (suite)
a = 0.001
Fig. 20 [1]
La figure ci-dessus montre la STFT obtenue. Notez que les quatre crtes ne sont pas bien spares l'une de l'autre dans le temps, cest--dire que la rsolution dans le domaine temporel a t diminue. Notez aussi que, dans le domaine frquentiel, chaque crte couvre une gamme de frquences au lieu d'une valeur unique de frquence, mais moins troite que celle obtenue dans le cas prcdent, i.e. la rsolution dans le domaine frquentiel a t amliore.
06/11/2011 98
1. STFT
Exemple 7 (suite)
a = 0.0001
Fig. 21 [1]
La figure ci-dessus montre la STFT obtenue. Notez que les quatre crtes ne sont pas bien spares l'une de l'autre dans le temps, cest--dire que la rsolution dans le domaine temporel a t encore diminue. Notez aussi que, dans le domaine frquentiel, chaque crte couvre une gamme de frquences au lieu d'une valeur unique de frquence, mais plus troite que celle obtenue dans le cas prcdent, cest--dire que la rsolution dans le domaine frquentiel a t encore amliore.
06/11/2011 99
1. STFT
Exemple 7 (suite)
a = 0.0001
Fig. 22 [1]
La figure ci-dessus montre la STFT obtenue. Notez que les quatre crtes ne sont pas bien spares l'une de l'autre dans le domaine temporel, cest--dire que la rsolution dans le domaine temporel a t encore diminue. Notez en outre que, dans le domaine frquentiel, chaque crte couvre une gamme de frquences au lieu d'une valeur unique de frquence, mais plus troite que celle obtenue dans le cas prcdent, cest--dire que la rsolution dans le domaine frquentiel a t encore amliore.
06/11/2011 100
1. STFT
06/11/2011
101
1. STFT
Peut-on choisir une fonction de fentre, une fois pour toutes, et utiliser cette fentre dans l'analyse entire ?
La rponse, naturellement, est lie l'application : Si les composantes de frquence sont bien spars l'une de l'autre dans le signal original, nous pouvons alors sacrifier une certaine rsolution dans le domaine de frquence et aller chercher la bonne rsolution dans le domaine de temps. Cependant, si ceci n'est pas le cas, alors une bonne fonction de fentre doit tre trouve, cette tche pourrait tre bien difficile !
Solution : les ONDELETTES (WAVELETS) liminer, dans une certaine mesure, le dilemme de la rsolution
06/11/2011 102
Bien que les problmes de la rsolution temporelle et frquentielle soient des rsultats d'un phnomne analogue au problme d'incertitude de Heisenberg et existent indpendamment de la transformation utilise, il est possible d'analyser n'importe quel signal en employant une approche alternative appele analyse multirsolution (Multiresolution Analysis (MRA)).
06/11/2011 103
MRA est conu pour donner une bonne rsolution temporelle et une faible rsolution frquentielle aux hautes frquences et une bonne rsolution frquentielle et une faible rsolution temporelle aux basses frquences. Cette approche a un sens, particulirement quand le signal rel a des composantes de haute frquence sur des courtes dures et des composants de basse frquence sur des longues dures.
06/11/2011 104
Heureusement, les signaux qui sont produits dans les applications pratiques sont souvent de ce type. Exemple 8 Fig. 23 [1]
Les WT sont largement divises en trois classes, CWT, DWT et transformes en ondelettes bases sur lanalyse multirsolution (MAW).
06/11/2011 105
Transforme en ondelette continue (CWT) La CWT a t dveloppe comme une approche alternative la STFT pour surmonter le problme de rsolution. L'analyse d'ondelette est faite d'une manire semblable l'analyse de STFT, en un sens que le signal est multipli par une fonction, ondelette (wavelet semblable la fonction de wavelet), fentre dans le STFT, et la transformation est calcule sparment pour diffrents segments du signal dans le domaine temporel.
06/11/2011 106
Cependant, il y a deux diffrences principales entre le STFT et la CWT. Dans le cas de CWT : 1. Les frquences ngatives de la TF de signaux fentrs ne sont pas considres, et donc une crte unique sera vue comme un spectre correspondant un sinusode. 2. La largeur de la fentre sera change pendant la transformation et sera calcule pour chaque composante spectrale unique. Ceci est probablement la caractristique la plus significative de la transforme en ondelettes
06/11/2011 107
Le sous ensemble dchelle s ou dune bande de frquence [1/s, 2/s] est gnr par des fonctions (ou ondelettes ondelettes) filles (baby baby functions, functions, daughter wavelets ,s (t ) qui sont wavelets) des fonctions translates et mises en chelle (dilates ou compresse) dune fonction continue drivable appele fonction ou ondelette mre (mother wavelet) (t).
06/11/2011 108
Paramtre dchelle,
mesure la frquence
Signal analys
*
t - CWTx ( , s ) = x ( , s ) = x(t ) ( ) dt s
La Transforme Continue en ondelette (coefficients de coefficients londelette) londelette du signal x(t) en utilisant londelette mre danalyse (.)
(10 )
Complexe conjugu de londelette fille. Tous les noyaux (kernels) sont obtenus par une translation (shifting) et/ou mise en chelle (scaling) de londelette mre (.) (*) complexe conjug de la fonction
le signal transform est une fonction de deux variables, et s, les paramtres de translation (translation et dchelle (scale translation) chelle scale), respectivement. ,s(t) est la fonction de transformation, appelle londelette fille (baby functions, daughter wavelets) . ondelette
06/11/2011 109
L'ondelette mre obtient son nom d deux proprits importantes de l'analyse d'ondelette comme expliqu cidessous :
Le terme ondelette signifie une petite onde (selon ses inventeurs le gophysicien Franais Morlet et son collaborateur physicien croate Grossman au dbut des annes 80). La petite dimension se rapporte la condition que cette fonction (de fentre) est de longueur finie (compactly supported). Londe se rapporte la condition que cette fonction est oscillante. Le terme mre implique que les fonctions avec diffrente rgions de support qui sont employes dans le processus de transformation sont drives d'une fonction principale, ou l'ondelette mre. En d'autres termes, l'ondelette mre est un prototype pour produire dautres fonctions de fentre.
06/11/2011 110
Le terme translation est employe dans le mme sens qu'elle a t employ dans la STFT; il est li l'endroit de la fentre, car la fentre est dcale sur le signal. Ce terme, correspond videmment l'information temporelle dans le domaine de transformation.
Cependant, nous n'avons pas un paramtre de frquence, comme nous lavions eu avant pour la STFT. Au lieu de cela, nous avons le paramtre dchelle (scale) qui est dfini comme 1/frquence. Le terme frquence est rserv la STFT.
06/11/2011
111
Echelle (scale)
Le paramtre dchelle dans l'analyse d'ondelette est semblable Lchelle utilise dans les cartes routires. Comme dans le cas des cartes routires, les hautes chelles correspondent une vue globale non-dtaille (du signal), et les bas chelles correspondent une vue dtaille. De mme, en termes de frquence, les basses frquences (hautes chelles) correspondent une information globale d'un signal (qu'enjambe habituellement le signal entier), tandis que les hautes frquences (basses chelles) correspondent une information dtaille d'une forme cache dans le signal (qui se produit habituellement dans un temps relativement court).
06/11/2011
112
En pratique, les basses chelles (hautes frquences) apparaissent habituellement de temps en temps en tant que des transitoires (burts or spikes). Les hautes chelles (basses frquences) durent habituellement la dure entire du signal. Lchelle, comme une opration mathmatique, dilate ou comprime un signal. Grandes chelles correspondent aux signaux dilats et les petites chelles correspondent aux signaux comprims.
06/11/2011
113
En termes de fonctions mathmatiques, si f(t) est une fonction donne f(St) avec S = k/s, k = const., correspond une version contracte (comprime) de f(t) si S > 1 et une version augmente (dilate) de f(t) si S < 1 (ou s > 1).
Cependant, dans la dfinition (10) de la transforme en ondelettes, le terme chelle est employ dans le dnominateur, et donc, elle est l'oppos de s, cest--dire, les chelles s > 1 dilatent le signal (basses frquences) tandis que les chelles s < 1, compriment le signal (hautes frquences).
06/11/2011
114
Exemple 9
Signal x(St) = Cos (2ft) = Cos (2t/s)
avec S = 2/s
reprsent sur 4 chelles.
Fig. 24 [1]
Tous les signaux indiqus en figure 24 sont drivs du mme signal de cosinus, cest--dire, ils sont des versions dilates ou comprimes de la mme fonction. Dans cette figure, s = 0.05 est la plus petite chelle, et s=1 est la plus grande chelle.
06/11/2011 115
Calcul de la CWT
Soit x(t) le signal tre analys. Londelette mre (t) est choisie pour servir de prototype toutes les fentres dans le processus. Toutes les fentres qui sont employes (ondelettes filles) sont des versions dilates (ou comprimes) et dcales de l'ondelette mre.
Constant de normalisation
, s (t ) =
t s s
(11)
Il y a un certain nombre de fonctions qui sont employes cette fin. Londelette de Morlet et la fonction de chapeau mexicain sont deux candidates, et elles sont employes pour l'analyse des ondelettes des exemples qui sont prsents plus loin.
06/11/2011 116
Fig. 25
Morlet Mex-Hat
t 2 iat 2 2
(t ) =
1 2
3
((
t2
t 2
(t ) = e e
1) e 2 )
2
Pour des liens utils sur les ondelettes, consulter par exemple : http://en.wikipedia.org/wiki/Wavelet
06/11/2011
Une fois que l'ondelette mre est choisie le calcul commence par s = 1 et la CWT est calcule pour toutes les valeurs de s < 1 et s > 1. Cependant, selon le signal, une transforme complte n'est habituellement pas ncessaire. Pour tous les besoins pratiques, les signaux sont limits en largeur de la bande (band limited), et donc, le calcul de la transforme pour un intervalle limit dchelles est habituellement adquat. Dans certaines tudes, un intervalle fini de valeurs pour s sont employs. Si le signal a une composante spectrale qui correspond la valeur courante de s, le produit de l'ondelette mre avec le signal l'endroit o cette composante spectrale existe donne une valeur relativement grande. Autrement, ce produit donne une valeur relativement petite ou nulle.
06/11/2011
118
06/11/2011
119
3. Incrmentation de Londelette lchelle s = 1 et ensuite translate (ou dcale) vers la droite par une valeur lemplacement t = , et lquation (10) est calcule de nouveau pour obtenir la CWT au point t = , s = 1 dans le plan chelle-emps. Ce procd est rpt jusqu' ce que l'ondelette atteigne l'extrmit du signal. Une range des points sur le plan chelle-temps pour lchelle s = 1 est maintenant accomplie. Puis, s est augment par une petite valeur. Notez quil sagit dune transformation continue, et donc, et s doivent tre incrments dune faon continue. Cependant, si cette transforme a besoin d'tre calcule par un ordinateur, alors les deux paramtres sont augments par un pas suffisamment petit. Ceci correspond lchantillonnage du plan chelle-temps. Le procd ci-dessus est rpt pour chaque valeur de s. Chaque calcul pour une valeur donne de s remplit une range simple dans le plan chelle-temps. Le processus de calcul de CWT du signal sera achev quand toutes les valeurs dsires de s sont considres.
06/11/2011
120
Exemple 10
Le signal et la fonction d'ondelettes sont prsents pour quatre valeurs diffrentes de tau. Le signal est une version tronque du signal montre en figure 23. La valeur d'chelle est de 1, correspondant la plus faible chelle, ou plus haute frquence. Notez comment elle est compact (la fentre bleue). Elle devrait tre aussi troite que la composante de la plus haute frquence qui existe dans le signal. Quatre endroits distincts de la fonction d'ondelettes sont prsents en figure 0= 2, = 40, = 90, et 0= 140. chaque endroit, il est multipli par le signal. De toute vidence, le produit est diffrent de zro que lorsque le signal est dans la rgion de l'appui (support) de l'ondelette, et elle est nulle ailleurs.
06/11/2011
CWT x ( , s)
Fig. 26 [1]
121
Exemple 10 (suite)
Si le signal a une composante spectrale qui correspond la valeur courante de s (qui est 1 dans ce cas), le produit de l'ondelette avec le signal l'endroit o cette composante spectrale existe donne une valeur relativement grande. Si la composante spectrale qui correspond la valeur courante de s 'n'est pas prsente dans le signal, la valeur produite sera relativement faible, ou nulle. Le signal en figure 26 possde des composantes spectrales comparables la largeur de la fentre en s = 1 autour de t = 100 ms.
CWT x ( , s)
06/11/2011
122
Exemple 10 (suite)
CWT x ( , s)
La CWT produira des valeurs leves pour des basses chelles autour de 100 ms, et des petites valeurs ailleurs. D'autre part, pour les hautes chelles, la CWT donnent des grandes valeurs pour presque la dure entire du signal, puisque les basses frquences existent tout moment.
06/11/2011
123
Exemple 10 (suite) s=5 Notez comment la largeur de la fentre change avec l'augmentation de l'chelle (diminution de la frquence). mesure que la largeur de la fentre augmente, la transforme commence slectionner les composants de basse frquence.
CWT x ( , s)
Fig. 27 [1]
06/11/2011 124
CWT x ( , s)
Exemple 10 (suite) s = 20 Notez comment la largeur de la fentre change avec l'augmentation de l'chelle (diminution de la frquence). mesure que la largeur de la fentre augmente, la transforme commence slectionner les composants de basse frquence.
Fig. 28 [1]
06/11/2011 125
En consquence, pour toutes les chelles et chaque temps (intervalle), un point du plan tempschelle est calcul. Les calculs une chelle construisent les ranges de plan chelle-temps, et les calculs diffrentes chelles construisent les colonnes de plan chelle- temps.
06/11/2011
126
Exemple 11
Considrons ce signal non stationnaire. Le signal est compos de 4 composantes : 30 Hz, 20 Hz, 10 Hz et 5 Hz.
Fig. 29 [1]
06/11/2011 127
CWT
( , s)
Exemple 11 (suite)
La CWT du signal. Notez que les axes sont la translation et l'chelle, pas le temps et la frquence. Cependant, la translation est strictement lie au temps, car elle indique l'endroit o l'ondelette mre est situ. La translation de l'ondelette mre peut tre considre comme le temps coul depuis t = 0. Le paramtre d'chelle s dans l'quation 14 est en fait inverse de la frquence.
06/11/2011
Fig. 30 [1] Scaleogram ou Scalogram : coefficients Scalogram des ondelettes en fonction de s et . . Les axes sont normaliss. A peu prs, les 100 points sur la translation correspondent 1000 ms, et les 150 points sur lchelle correspondent une bande de frquence de 40 Hz. (les nombres sur l'axe de translation et de l'chelle ne correspondent pas aux secondes et Hz, respectivement, ils ne sont que le nombre d'chantillons dans le calcul).
128
CWT
( , s)
Exemple 11 (suite)
De plus petites chelles correspondent des frquences plus leves, savoir, la frquence diminue avec l'augmentation chelle, par consquent, la partie du graphe avec des chelles autour de zro, correspondent en fait aux plus hautes frquences dans l'analyse, et que des chelles leves correspondent aux basses frquences. Rappelons-nous que la premire composante du signal a 30 Hz (frquence la plus leve), ce qui apparait au plus bas chelle des translations de 0 30. Vient ensuite la composante 20 Hz, le deuxime plus haute frquence, et ainsi de suite. La composante 5 Hz apparat la fin de l'axe de translation (comme prvu), et des chelles suprieures (basses frquences) nouveau comme prvu.
06/11/2011
129
Exemple 11 (suite) Figure 31 est la Figure 30 vue dun autre angle. la diffrence du STFT qui a une rsolution constante tout les instants du temps et toutes les frquences, la WT a une bonne rsolution temporelle et une faible rsolution frquentielle en hautes frquences, et une bonne rsolution frquentielle et une faible rsolution temporelle aux basses frquences.
CWT x ( , s)
Fig. 31 [1]
06/11/2011 130
Fig. 32 [1]
131
Malgr que les largeurs et les hauteurs des cases changent, la surface (dtermine par la CWT) est constante, cest--dire chaque case reprsente une part gale du plan temps-frquence, mais donne des proportions diffrentes pour le temps et pour la frquence. Aux basses frquences, les hauteurs des cases sont plus courts (ce qui correspond des meilleures rsolutions frquentielles, car il y a moins d'ambigut quant la valeur exacte de la frquence), mais leurs largeurs sont plus longues (ce qui correspond des mauvaises rsolutions temporelles, car il y a plus d'ambigut quant la valeur exacte du temps). Aux frquences plus leves la largeur des cases baisse, cest--dire, la rsolution temporelle s'amliore, et lhauteur des cases augmente, cest--dire, la rsolution en frquence devient plus faible.
06/11/2011
132
Dans le cas de STFT les rsolutions temporelles et frquentielles sont constantes. Par consquent le plan temps-frquence se compose de carres constantes (dtermine par la STFT). Toutes les surfaces sont limites par une valeur minimale 1/4. D'autre part, pour une ondelette mre donne, les dimensions des cases peuvent tre changes, tout en gardant la mme surface. Cest exactement ce que la transformation en ondelette fait.
06/11/2011
133
1 x(t ) = c
t x ( , s) s 5 / 2 s
d ds
(12a)
( )
d , 0 < c < +
(12b)
O ( ) est la TF de (t) avec (0) = (t) dt = 0 qui implique que londelette doit tre oscillatoire.
06/11/2011 134
Toutes les dfinitions et les thormes relatifs ce sujet peuvent tre trouves, par exemple, dans les livres de Stephane Mallat et Keiser [4, 6]. Vecteurs de base Une base V d'un espace vectoriel est un ensemble de vecteurs linairement indpendants, tel que tout vecteur v de V peut tre crit comme une combinaison linaire de ces vecteurs de base. Il peut y avoir plus d'une base pour un espace vectoriel. Cependant, tous ont le mme nombre de vecteurs, et ce nombre est connu sous le nom de la dimension de l'espace vectoriel. Par exemple dans l'espace deux dimensions, la base aura deux vecteurs
06/11/2011
136
Soit bk un vecteur de base et k son coefficient associ (13) k Ce concept, donn en termes de vecteurs, peut facilement tre gnralise des fonctions, par le remplacement des vecteurs de base bk par les fonctions de base k(t), et le vecteur v par une fonction f (t). (14) Les fonctions exponentielle complexe (sinus et cosinus) sont les fonctions de base pour le TF. De plus, elles sont des fonctions orthogonales, qui fournissent certaines proprits dsirables pour la reconstruction.
k
06/11/2011 137
v = vk b k
f (t ) = kk (t )
Soit f(t) et g(t) deux fonctions dans L2[a, b]. (L2[a, b] dsigne l'ensemble de carr des fonctions intgrables dans l'intervalle [a, b]). Le produit scalaires de deux fonctions est b dfini par f (t ), g (t ) = f (t ) g * (t ) dt (15)
Selon cette dfinition, le CWT peut tre considr comme le produit scalaire du signal de test avec fonctions de base de la *, s (t ) : CWTx ( , s ) = x ( , s ) = x(t ) *, s (t ) dt (16)
o
06/11/2011
, s (t ) =
t s s
(17)
138
Cette dfinition de la CWT montre que l'analyse en ondelettes est une mesure de similitude entre les fonctions de base (ondelettes) et le signal lui-mme. Ici la similitude est dans le sens de mme contenu frquentiel. Les coefficients calculs de CWT se rfrent la proximit du signal l'ondelette l'chelle courant. Ceci clarifie davantage la discussion prcdente sur la corrlation du signal avec l'ondelette une certaine chelle. Si le signal est une composante importante de frquence correspondant l'chelle courant, l'ondelette (la fonction de base) l'chelle courant sera similaire ou proche du signal l'endroit particulier o cette composante de frquence se produit. Par consquent, le coefficient de CWT calcul ce point dans le plan temps-chelle sera un nombre relativement important.
06/11/2011 139
Produits scalaires, Orthogonalit, et Orthonormalit Deux vecteurs v, w sont dits orthogonaux si leur produit scalaire est gal zro : (18) v, w = v w * = 0
De mme, deux fonctions f et g sont dits orthogonales les unes aux autres si leur produit scalaire est nul : b (19) *
f (t ), g (t ) = f (t ) g (t ) dt = 0
a
06/11/2011
140
Un ensemble de vecteurs {v1, v2, ...., vn} est dit orthonorm, sils sont deux deux orthogonaux les uns aux autres, et tous ont une longueur de ''un''. Cela peut tre exprim comme suit: v m , w n = mn (20) o kl = 0, si k l et kl = 1, si k = l est la fonction de Dirac (Kronecker). De mme, un ensemble de fonctions {k(t)}, k = 1,2,3,..., est dit orthonorm si (conditions dorthogonalit) :
k (t ) l* (t ) dt = kl ,
a
(21)
06/11/2011
141
Comme indiqu plus haut, il peut y avoir plus d'un ensemble de fonctions de base (ou vecteurs). Parmi elles, les fonctions de base orthonormes (ou vecteurs) sont d'une importance particulire en raison des bonnes proprits quelles fournissent trouver ces coefficients analyse. Les bases orthonormales permettent le calcul de ces coefficients d'une manire direct et trs simple en utilisant la proprit orthonormalit. Pour les bases orthonormales, les coefficients, k, peuvent tre calculs comme * (22) = f , = f (t ) (t ) dt
k k
06/11/2011
142
et la fonction f (t) peut alors tre reconstruit par lquation (14) en remplaant les coefficients k. Cela donne (23) f (t ) = (t ) = f , (t )
k k
Les bases orthonormales peuvent ne pas tre disponibles pour chaque type d'applications o une version gnralise, bases biorthogonales peut tre utilise. Le terme ''biorthogonales'' se rfre deux bases diffrentes qui sont orthogonales les uns aux autres, mais chacune ne forme pas un ensemble orthogonal.
Dans certaines applications, cependant, les bases biorthogonales peuvent galement ne pas tre disponibles, un cas o les frames (frames) peuvent tre utiliss. Cadres constituent une partie importante de la thorie des ondelettes [4, 6, 7].
06/11/2011 143
Exemples Les exemples suivants correspondent des signaux rels non stationnaires. Ces signaux sont issus des bases de donnes de signaux qui reprsentent des potentiels voqus lies un vnement (event event related potentials pour une personne normale et potentials) pour une personne atteint dune maladie dAlzheimer. Puisque ces signaux sont des signaux rels, leurs interprtation nest pas simple. Lobjectif de ces exemples est de donner uniquement une ide sur lallure de CWT pour ces signaux.
06/11/2011 144
Exemples (suite)
Fig. 33 [1]
06/11/2011 145
Exemples (suite)
Exemples (suite)
Un point important noter ici est le fait que le calcul n'est pas un vritable WT continu, puisque ce calcul est effectu au nombre fini de valeurs de et s. C'est seulement une version discrtise de CWT, qui est expliqu plus tard dans ce document. Notez, cependant, quil ne sagit pas dune transformation par ondelettes discrte (DWT) qui est la matire de la dernire partie de ce documents.
06/11/2011 148
Exemples (suite)
Fig. 35 [1]
06/11/2011 149
Exemples (suite) CWT de potentiel voqu dune personne atteint dune maladie dAlzheimer (suite)
Exemples (suite) CWT de potentiel voqu dune personne atteint dune maladie dAlzheimer (suite)
3. Discrtisation de la Transforme en Ondelette Continue : Les sries dondelettes (Wavelet series) Dans le monde d'aujourd'hui, les ordinateurs sont utiliss pour faire la plupart des calculs. Il est vident que ni la WT, ni la STFT, ni la CWT ne puissent tre pratiquement calcules en employant des quations analytiques, des intgrales, etc... Il est donc ncessaire de discrtiser ces transformes.
06/11/2011
152
Comme dans la TF et la STFT, la manire la plus intuitive de faire ceci est simplement dchantillonner le plan temps-frquence (chelle). Encore intuitivement, l'chantillonnage du plan avec un taux dchantillonnage uniforme semble le choix le plus normal. Cependant, dans le cas de la WT, le changement de lchelle peut tre employ pour rduire le taux dchantillonnage.
06/11/2011
153
Aux plus hautes chelles (aux plus basses frquences), le taux dchantillonnage peut tre diminu, selon la rgle de Nyquist. En d'autres termes, si le plan temps-chelle doit tre chantillonn avec un taux dchantillonnage de N1 lchelle s1, le mme plan peut tre chantillonn avec un taux dchantillonnage de N2, lchelle s2, o, s1< s2 (ou f1> f2) et N2 < N1 :
N2 = s1 N1 s2 N2 = f2 N1 f1
(24a) (24b)
Autrement dit, aux frquences basses le taux dchantillonnage doit tre diminu ce qui permet de gagner un temps important de calcul.
06/11/2011 154
Cependant, la discrtisation peut tre faite de n'importe quelle faon sans restriction en ce qui concerne l'analyse du signal. Si la synthse n'est pas exige, mme les critres de Nyquist n'a pas besoin d'tre satisfaits. Les restrictions la discrtisation et au taux dchantillonnage deviennent importantes si, et seulement si, la reconstruction de signal est dsire. Le taux dchantillonnage de Nyquist est le taux minimum dchantillonnage qui permet au signal original en temps continu d'tre reconstruit partir de ses chantillons discrets.
06/11/2011 155
Comme cit prcdemment, londelette (t,s) qui satisfait l'quation 12b, permet la reconstruction du signal par lquation 12a. Cependant, ceci est vrai pour la transforme continue. La question est : pouvons-nous nanmoins reconstruire le signal si nous discrtisons les paramtres du temps et de lchelle ? La rponse est oui , mais sous certaines conditions.
06/11/2011
156
Le paramtre s de lchelle est discrtis d'abord sur une grille logarithmique. Le paramtre de temps est alors discrtis par rapport au paramtre de lchelle, cest--dire, un taux diffrent dchantillonnage est employ pour chaque chelle. En d'autres termes, lchantillonnage est fait par lchantillonnage dyadique (dyadic sampling) reprsent sur le schma suivant :
Fig. 37 [1]
06/11/2011 157
Echantillonnage dyadique Une forme d'chantillonnage est dyadique si les ondelettes filles sont gnres en dilatant la mre ondelettes par s0j et la translater par ks0j. L'chantillonnage dyadique est optimale parce que la variable de translation est chantillonn la frquence de Nyquist pour toutes frquences donnes.
06/11/2011
158
Considrons le domaine couvert par les axes comme le plan entier chelle-temps. Le CWT attribue une valeur la continuit des points sur ce plan. Par consquent, il y a un nombre infini de coefficients de CWT. Considrons d'abord la discrtisation de l'axe de lchelle. Parmi le nombre infini de points, seulement un nombre fini sont pris, en utilisant une rgle logarithmique. La base du logarithme dpend de l'utilisateur. La valeur la plus commune est 2 en raison de sa convenance. Si 2 est choisi, seulement les chelles 2, 4, 8, 16, 32, 64.... etc. sont calcules. Si la valeur tait 3, les chelles 3, 9, 27, 81, 243....etc. auraient t calcules.
06/11/2011 159
L'axe du temps est alors discrtis selon la discrtisation de l'axe de lchelle. Puisque lchelle discrte change par des facteurs de 2, le taux dchantillonnage est rduit pour l'axe du temps par un facteur de 2 chaque chelle. Remarquons que pour la plus basse chelle (s=2), seulement 32 points de l'axe de temps sont chantillonns (pour le cas particulier donn sur la figure 36). la prochaine valeur de lchelle, s=4, le taux dchantillonnage de l'axe du temps est rduit par un facteur de 2 puisque lchelle est augment par un facteur de 2, et donc, seulement 16 chantillons sont pris. A ltape suivante, s=8 et 8 chantillons sont pris dans le temps, et ainsi de suite.
06/11/2011 160
Bien que ce plan s'appelle plan chelle-temps, il est plus prcis de l'appeler plan chelle-translation, parce que le temps dans le domaine de transformation correspond rellement au dcalage de l'ondelette dans le temps. Pour la srie d'ondelette, le temps rel est encore continu. Comme pour la relation entre la transforme de Fourier, la srie de Fourier continue et la transforme de Fourier discrte, nous avons alors une transforme par ondelettes continue, une transforme par ondelettes semi-discrte (semi-discrete wavelet transform) (galement connue sous le nom de srie d'ondelette (wavelet series)) et une transforme par ondelettes discrte.
06/11/2011 161
Exprimant le procd ci-dessus de discrtisation en termes mathmatiques, la discrtisation de lchelle est s = s0j, et la discrtisation de translation est = k.s0j.0 o les paramtres entiers s0 > 1 et 0 > 0. Noter, comment la discrtisation de la translation dpend de la discrtisation de lchelle avec s0. Dans ce cas, les ondelettes filles utilises dans le cas des ondelettes continues, quation (11), deviennent :
j,k(t) = s (s tk 0 )
-j/2 0 -j 0
o j, k.
(25)
06/11/2011
162
Dfinition mathmatique : Une fonction est appele ondelette orthonormale (orthonormal wavelet) si elle peut tre utilise pour dfinir lespace de Hilbert (systme orthonormal complet de lespace de Hilbert des fonction carres intgrables). La base de Hilbert est construit comme une famille de fonctions {j,k : j, k } par une translation dyadique et une dilatation de .
06/11/2011
163
Si {j,k} constitue une base orthonorme, la srie transforme en ondelettes (coefficients des ondelettes) devient
j ,k
( j, k ) =
x(t )
j ,k
* j ,k
(t) dt
(26)
x(t ) = c x
j k
( j , k ) *,k (t) j
(27)
Une srie d'ondelettes exige que {j,k} sont soit orthonorm, biorthogonales, ou le cadre. Si {j,k} ne sont pas orthonorm, l'quation (26) devient
x
06/11/2011
j ,k
( j, k ) =
(28)
164
L'analogie suivante peut expliquer ce concept. Considrez le processus entier comme en regardant un objet particulier. Les yeux humains dterminent d'abord une vue grossire qui dpend de la distance des yeux l'objet. Ceci correspond ajuster le paramtre de lchelle s0j. En regardant un objet trs prs, avec beaucoup de dtail, j est ngatif et grand (basse chelle, haute frquence, analyses le dtail du signal). En dplaant la tte (ou les yeux) trs lentement et avec des incrments trs petits (d'angle, de la distance, selon l'objet qui est regard), correspond de petites valeurs de = k.s0j.0. Notons que lorsque j est ngatif et grand, il correspond de petits changements dans le temps, , (taux d'chantillonnage lev) et de grands changements dans s0j (petite chelle, hautes frquences, o le taux d'chantillonnage est lev). Le paramtre d'chelle peut aussi tre considr comme un grossissement .
06/11/2011 165
Combien bas le taux dchantillonnage peut-il tre maintenue tout en permettant toujours la reconstruction du signal ? C'est la question principale rpondre pour optimiser la procdure. La valeur la plus commode (en termes de programmation) s'avre 2 pour s0 et 1 pour le 0. Dans ce cas, =k2j (dilation dyadique ou dilatation binaire) et s = 2j (chelle dyadique ou chelle binaire), alors
quation (25), devient :
j,k(t) = 2 (2 tk )
-j/2 -j
(29)
videmment, quand le taux dchantillonnage est forc pour tre aussi bas que possible, le nombre d'ondelettes orthonormales disponibles est galement rduit.
06/11/2011 166
Remarque : Une srie dondelettes ncessite que la fonction soit orthonormale, biorthonormale, ou frame (frame) [4,6, 7]. Si ce nest pas le cas, sera remplac par soit la base orthonormale dual soit par le trame dual.
06/11/2011
167
Les exemples des CWT qui ont t donns en ce chapitre taient rellement les sries d'ondelette des signaux donns. Les paramtres ont t choisis selon le signal. Puisque la reconstruction n'tait pas ncessaire, les taux dchantillonnage taient parfois lointains au-dessous de la valeur critique o s0 a chang de 2 10, et de 0 chang de 2 8, pour diffrents exemples.
06/11/2011
168
Quoique la transforme en ondelettes discrtises puisse tre calcule sur un ordinateur, ce calcul peut prendre de quelques secondes quelques heures selon votre taille de signal et la rsolution que vous voulez. Un algorithme tonnamment rapide est rellement disponible pour calculer la transforme en ondelettes d'un signal. La transforme en ondelettes discrte (Discrete Wavelet Transform (DWT)) est prsente dans le chapitre suivant.
06/11/2011
169
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse multirsolution Pourquoi nous avons besoin de la DWT ?
Bien que la transforme en ondelettes continues discrtises permette le calcul de la CWT par des ordinateurs, elle n'est pas une vraie transforme discrte. En fait, la srie d'ondelette est simplement une version chantillonne de la CWT, et les informations quelle fournit sont fortement redondantes en ce qui concerne la reconstruction du signal. Cette redondance, d'autre part, exige une quantit significative de temps et de ressources de calcul.
06/11/2011 170
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Dans chaque exemple de la transforme en ondelettes, il y a seulement un nombre fini de coefficients d'ondelette pour chaque rgion rectangulaire borne dans le demi-plan suprieur. Il est toujours ncessaire dvaluer une intgrale pour calculer chaque coefficient dondelette. La DWT, d'autre part, fournit des informations suffisantes pour l'analyse et la synthse du signal original, en rduisant significativement le temps de calcul. Compare la CWT, il est considrablement plus facile dimplmenter la DWT.
06/11/2011
171
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
06/11/2011
173
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
La CWT a t calcule en changeant lchelle de la fentre d'analyse, en la dcalant dans le temps, en la multipliant par le signal, et en intgrant sur tout le temps. Dans le cas discret, des filtres de diffrentes frquences de coupure sont utiliss pour analyser le signal diffrentes chelles. Le signal est pass par une srie de filtres passe hauts pour analyser les hautes frquences, et par une srie de filtres passe bas pour analyser les basses frquences.
06/11/2011
174
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
La rsolution du signal, qui est une mesure de la quantit dinformation dtaille du signal, est change par les oprations de filtrage, et lchelle est change par des oprations de sur-chantillonnage upsampling et sous-chantillonnage downsampling (subsampling) . Le sous-chantillonnage dun signal correspond la rduction du taux dchantillonnage, ou enlever certains chantillons du signal. Le sous-chantillonnage par un facteur n rduit n fois le nombre dchantillons.
06/11/2011
175
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Le sur-chantillonnage dun signal correspond augmenter le taux dchantillonnage d'un signal en ajoutant de nouveaux chantillons au signal. Par exemple, sur-chantillonner par deux revient ajouter un nouvel chantillon, habituellement un zro ou une valeur interpole, entre chaque deux chantillons du signal. Le sur-chantillonnage par un facteur n augmente n fois le nombre dchantillons. Bien que ceci ne soit pas le seul choix possible, les coefficients de la DWT sont habituellement chantillonns de CWT sur une grille dyadique, i.e., s0 = 2 et 0 = 1, produisant s = 2j et = k*2j, comme dcrit prcdemment.
06/11/2011 176
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Puisque le signal est une fonction discrte dans le temps, par une squence. Cette squence sera dnot par le x[n ], o n est un nombre entier. Le procd commence par passer ce signal (squence) par un filtre numrique passe bas de demi-bande avec la rponse impulsionnelle h[n]. Le filtrage d'un signal correspond l'opration mathmatique de la convolution du signal avec la rponse impulsionnelle du filtre. Cette opration en temps discret est dfinie comme suit :
y [ n] = x [ n] * h[ n] =
06/11/2011
k =
x[k] * h[nk]
(30)
177
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Un filtre passe bas demi-bande eneleve toutes les frquences qui sont au dessus de la moiti de la frquence la plus leve du signal. Par exemple, si un signal dans le domaine continu possde une composante de frquence maximale de 1000 Hz, alors le filtre passe bas demi-bande eneleve toutes les frquence au dessus de 500 Hz.
x[n] fmax Hz
Filtre passe bas demi-bande
y[n] (fmax/2) Hz
Fig. 38
06/11/2011
178
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Lunit de frquence pour les signaux temps discret est exprime en radians. Ainsi, si un signal possde une composante de frquence maximale de 2 radians en terme de frquence radiale. Alors la frquence la plus leve du signal est rad, si le signal est chantillonn le frquence de Nyquist (qui est le double de la frquence maximale qui existe dans le signal), cest--dire la frquence de Nyquist correspond rad/s en terme de frquence discrte. Par consquent, employer le Hz n'est pas appropri pour les signaux discrets. Cependant, le Hz est employ chaque fois o il est ncessaire de clarifier une discussion, puisqu'il est plus commun de penser la frquence en termes de Hz.
06/11/2011
179
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Enlever un chantillon parmi deux chantillons conscutifs permet simplement de sous-chantillonner le signal par deux, et le signal aura alors la moiti du nombre de points. Lchelle du signal est maintenant double. Notez que le filtrage de passe bas classique enlve l'information haute frquence, mais laisse lchelle inchange. La rsolution, d'autre part, est lie la quantit de l'information dans le signal, et donc, il est affect par les oprations de filtrage. Le filtrage passe bas demi-bande enlve la moiti des frquences, qui peuvent tre interprtes en tant que moiti d'information perdues. Par consquent, la rsolution est divise par deux aprs l'opration de filtrage.
06/11/2011 180
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Remarquons, cependant, que l'opration de sous-chantillonnage aprs filtrage n'affecte pas la rsolution, puisque enlever la moiti des composantes spectrales du signal rend la moiti du nombre d'chantillons redondante de toute faon. La moiti des chantillons peut tre enlevs sans aucune perte d'information.
Sous-chantillonage par 2
Fig. 39
ybas [k] =
06/11/2011
n=
x[n] * h[2k n]
(31)
181
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Calcul de la DWT
La DWT analyse le signal diffrentes bandes de frquence avec diffrentes rsolutions en dcomposant le signal par une approximation grossire et une information dtaille. La DWT utilise deux ensembles de fonctions, appels fonctions dtalonnage (scaling functions) et des fonctions d'ondelette (wavelet functions), qui sont associes des filtres passe bas et passe haut, respectivement. La dcomposition du signal en diffrentes bandes de frquence est simplement obtenue par les filtrages successifs passe haut et passe bas dun signal dfinie dans le domaine temporel. Le signal original x[n] est d'abord pass par un filtre passe haut demi-bande g[n] et un filtre passe bas h[n ].
06/11/2011 182
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Aprs le filtrage, on peut liminer la moiti des chantillons selon la rgle du Nyquist, puisque le signal a maintenant la frquence la plus leve de /2 radian au lieu de . Le signal peut donc tre souschantillonn par 2, en enlevant simplement un chantillon sur deux. Ceci constitue un niveau de dcomposition et peut tre exprim comme suit :
(32a) (32b)
06/11/2011
183
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Cette dcomposition divise en deux la rsolution de temps puisque seulement la moiti du nombre d'chantillons caractrise maintenant le signal entier. Cependant, cette opration double la rsolution de frquence, puisque la bande de frquence du signal enjambe maintenant seulement la moiti de la bande de frquence prcdente, rduisant effiectivement l'incertitude dans la frquence par moiti. Le procd ci-dessus, qui est galement connu comme codage de sousbande (subband coding), peut tre rpt pour davantage de dcomposition. chaque niveau, le filtrage et le sous-chantillonnage auront comme consquence dobtenir la moiti du nombre d'chantillons (et par consquent la moiti de la rsolution temporelle) et la moiti de la bande de frquence enjambe (et par consquent la double la rsolution frquentielle).
06/11/2011
184
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Figure 40 illustre ce procd, o x[n] est le signal original tre dcompos, h[n] et g[n] sont les filtres passe bas et passe haut, respectivement. La largeur de la bande du signal chaque niveau est marque sur la figure en tant que "f".
x[n]
sous-chantillonnage sur-chantillonnage
h[n]
Longueur : 256, f: 0 ~ /2 Hz
2
Coeff. DWT de niveau 1
g[n]
Longueur: 128, f: /4 ~ /2 Hz
h[n]
Longueur : 128, f: 0 ~ /4 Hz
2
Coeff. DWT de niveau 2
g[n]
Longueur: 64, f: /8 ~ /4 Hz
h[n]
Longueur : 64, f: 0 ~ /8 Hz
2
Coeff. DWT de niveau 3
06/11/2011
185
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Notez que d au sous-chantillonnage successifs par 2, la longueur de signal doit tre une puissance de 2, ou au moins un multiple de la puissance de 2, pour que cette procdure soit efficace. La longueur du signal dtermine le nombre de niveaux en lesquels on peut dcomposer le signal. Pour cet exemple spcifique il y aurait 8 niveaux de dcomposition. Chaque niveaux de dcomposition ayant la moiti du nombre d'chantillons du niveau prcdent. Le processus de dcomposition continue jusqu' ce que deux chantillons soient laisss. La DWT du signal original est alors obtenu en concatnant tous les coefficients partir du dernier niveau de la dcomposition (deux chantillons restants, dans ce cas-ci). La DWT aura alors le mme nombre de coefficients que le signal original.
06/11/2011
186
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Niveau 3
Frquences 0 to fn / 8 fn / 8 fn / 4 fn / 4 fn / 2 fn / 2 fn
chantillons 4 4 8 16
Niveau 1
2 1
Niveau 3
Niveau 2
frquence
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Les frquences qui sont les plus importantes dans le signal dorigine apparatront en tant qu'amplitudes leves dans la rgion du signal de la DWT qui inclut ces frquences particulires. La diffrence de cette transforme avec la transforme de Fourier est que la localisation dans le temps de ces frquences ne sera pas perdue. Cependant, la localisation dans le temps aura une rsolution qui dpend de quel niveau elle apparat. Si l'information principale du signal se situe dans les hautes frquences, cest qui est le cas le plus frquent, la localisation dans le temps de ces frquences sera plus prcise, puisquelles sont caractrises par plus de nombre dchantillons.
06/11/2011
188
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Si l'information principale se trouve seulement aux frquences trs basses, la localisation dans le temps ne sera pas trs prcise, puisque peu d'chantillons sont employs pour exprimer le signal ces frquences. Cette procdure offre en effet une bonne rsolution dans le temps aux hautes frquences, et une bonne rsolution de frquence aux basses frquences. Beaucoup de signaux produits en pratiques sont de ce type. Les bandes de frquence qui ne sont pas trs importantes dans le signal dorigine auront des amplitudes trs basses, et ainsi ses parties dans le signal DWT peuvent tre ngliges sans subir une perte importante d'information. Ceci permet ainsi la rduction de donnes.
06/11/2011
189
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
La figure 42 illustre un exemple de la faon dont les signaux de DWT ressemblent et la faon dont la rduction de donnes est obtenue. La figure 42a montre un signal aprs la premire dcomposition (256 chantillons), normalis l'amplitude unit, dun signal typique de 512 chantillons dorigine. L'axe horizontal est le nombre d'chantillons, tandis que l'axe vertical est l'amplitude normalise. La figure 42b montre les 8 niveaux de DWT du signal de la figure 42a. Les 256 derniers chantillons dans ce signal correspondent la plus haute bande de frquence dans le signal, les 128 chantillons prcdents correspondent la deuxime plus haute bande de frquence et ainsi de suite :
256 128 64 32 16 8 4 2
Nous remarquons que seulement les 64 premiers chantillons, qui correspondent aux frquences les plus basses de l'analyse, portent l'information approprie et le reste de ce signal n'a pratiquement aucune information. Par consquent, tout sauf les 64 premiers chantillons peuvent tre enlev sans aucune perte d'information. Ce rsultat montre lefficacit de la DWT pour la rduction de donnes (application : compression de donnes).
Fig. 42
06/11/2011 190
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Une proprit importante de la DWT est le rapport entre les rponses impulsionnelles des filtres passe haut et passe bas. Ces filtres ne sont pas indpendants l'un de l'autre, et ils sont lis par g[L-1-n] = (-1)n.h[n] (33)
o g[n ] est le filtre passe haut , le h[n ] est le filtre passe bas, et L est la longueur de filtre (en nombre des points). Notons que les deux filtres sont d'indice impair de versions en alternance inverse les unes des autres. La conversion de passe bas au passe haut est fourni par le terme (-1)n.
06/11/2011
191
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Des filtres satisfaisant cette condition sont gnralement utiliss dans le traitement des signaux, et ils sont connus comme filtre miroir en quadrature Quadrature Mirror Filters (QMF) . Les deux oprations de filtrage et de sous-chantillonnage peuvent tre exprimes comme
n=
x[n] . g[n+2k]
(34a) (34b)
n=
x[n] . h[n+2k]
06/11/2011
192
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
La reconstruction dans ce cas est trs facile puisque les filtres de demi-band forment des bases orthonormales. La procdure prcdente est suivi dans un ordre renvers pour la reconstruction. Les signaux chaque niveau sont sur-chantillonn par deux, passs par les filtres g[n], et h[n ] (passe haut et passe bas respectivement) et ensuite additionns. Le point intressant ici est que les filtres d'analyse et de synthse sont identiques, sauf pour une inversion dans le temps. Par consquent, la formule de reconstruction devient (pour chaque niveau) :
x [ n] =
k =
(y
haut
[k ] . g[n + 2k ]) + ( ybas [k ] . h[ n + 2k ])
(35)
06/11/2011
193
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Cependant, si les filtres ne sont pas demi-band parfaits, alors une reconstruction parfaite ne peut pas tre ralise. Bien qu'il ne soit pas possible de raliser des filtres parfaits, dans certaines conditions il est possible de trouver des filtres qui fournissent la reconstruction parfaite. Les plus clbres sont ceux dvelopps par Ingrid Daubechie appels ondelettes de Daubechies (Daubechies wavelets ).
06/11/2011
194
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Appel daprs Ingrid Daubechies, les ondelettes de Daubechies sont une famille dondelettes orthogonales dfinissant une DWT et caractrises par un nombre maximal de moments de fuite vanishinng moments pour un certain support donn. Avec chaque type d'ondelette de cette classe, il y a une fonction dchelle (galement appel ondelette pre (father wavelet)) qui produit une analyse multirsolution orthogonale.
06/11/2011
195
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
06/11/2011
196
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Les ondelettes orthogonales D2-D20 de Daubechies (nombres d'indices pairs seulement) sont gnralement employes. Le nombre d'indices se rapporte au nombre N de coefficients. Chaque ondelette a un certain nombre de moments zro ou moments de fuite gaux la moiti du nombre de coefficients. Par exemple D2 (l'ondelette de Haar) a un moment de fuite, D4 a deux moments, etc... Un moment de fuite se rapporte la capacit des ondelettes de reprsenter le comportement polynomial ou l'information dans un signal. Par exemple, D2, avec un moment, encode facilement des polynmes avec un coefficient, ou un signal avec des composantes constantes. D4 encode des polynmes de deux coefficients, cest--dire un signal avec des composantes constantes et linaires, D6 encode 3polynmes, cest--dire un signal avec des composantes constantes, linaires et quadratiques.
06/11/2011 197
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
L'interprtation des coefficients de DWT peut parfois tre plutt difficile parce que la manire que les coefficients de DWT sont prsents est plutt particulire. Les coefficients de DWT de chaque niveau sont concatns, en commenant par le dernier niveau.
06/11/2011
198
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Exemple (Fig. 42) : Supposons que nous avons un long signal de 256 chantillons chantillonn 10 mgahertz et nous souhaitons obtenir ses coefficients de DWT. Puisque le signal est chantillonn 10 mgahertz, la composante de la frquence la plus leve qui existe dans le signal est de 5 mgahertz. Au premier niveau, le signal est pass par le filtre passe bas h[n], et le filtre passe haut g[n], dont les sorties sont sous-chantillonnes par deux. Le filtre passe haut est le premier niveau de coefficients de la DWT. Il y a de 128 parmi eux, et reprsentent le signal dans la plage [ 2.5 5 ] mgahertz. Ces 128 chantillons sont les 128 derniers chantillons tracs.
06/11/2011
199
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Exemple (suite) La sortie de filtre passe bas, qui a galement 128 chantillons, mais couvre une bande de frquence [ 0 2.5 ] mgahertz, sont encore dcomposs en les passant par le mme h[n] et g[n]. La sortie du deuxime filtre passe haut est le niveau 2 des coefficients de la DWT et ces 64 chantillons prcdent les 128 coefficients du niveau 1 dans le trac. La sortie du deuxime filtre passe bas est encore dcompos, de nouveau en la passant par les filtres h[n] et g[n]. La sortie du troisime filtre passe haut est les coefficients de la DWT du niveau 3. Ces 32 chantillons prcdent les coefficients du niveau 2 de la DWT dans le trac.
06/11/2011
200
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Exemple (suite) La procdure continue jusqu' ce que seulement 1 coefficient de la DWT peut tre calcul au niveau 9. Ce coefficient est le premier tracer dans le trac de la DWT. Ceci est suivi de 2 coefficients au niveau 8, de 4 coefficients du niveau 7, de 8 coefficients du niveau 6, de 16 coefficients du niveau 5, de 32 coefficients du niveau 4, de 64 coefficients du niveau 3, de 128 coefficients du niveau 2 et finalement de 256 coefficients du niveau 1. Notez que moins en moins de nombre d'chantillons est employ aux frquences les plus basses, donc, la rsolution dans le temps diminue pendant que la frquence diminue, mais puisque l'intervalle de frquence diminue galement de basses frquences, la rsolution dans la frquence augmente.
06/11/2011 201
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Exemple (suite) videmment, les premiers quelques coefficients ne porteraient pas une quantit importante d'information, simplement d la rsolution considrablement rduite dans le temps. Pour illustrer cette reprsentation de la DWT, jetons un coup d'il un vrai signal du monde rel. Notre signal dorigine est un long signal 256chantillons ultrasonique, qui a t chantillonn 25 MHz. Ce signal l'origine a t produit en utilisant un capteur de 2.25 MHz, donc la composante spectrale principale du signal est 2.25 MHz. Les 128 derniers chantillons correspondent la plage [ 6.25 12.5 ] MHz.
06/11/2011
202
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Exemple (suite) Comme montr dans le trac, aucune information n'est disponible ici, par consquent ces chantillons peuvent tre enlevs sans aucune perte d'information. Les 64 chantillons prcdents reprsentent le signal dans la plage [ 3.12 6.25 ] MHz, qui galement ne diffuse aucune information significative. Les petites impulsions parasites trs rapides correspondent probablement au bruit de haute frquence dans le signal. Les 32 chantillons prcdents reprsentent le signal dans la plage [ 1.5 3.1 ] MHz. Comme nous pouvons voir, la majorit de l'nergie du signal est focalise dans ces 32 chantillons. Les 16 chantillons prcdents correspondent au [ 0.75 1.5 ] MHz et les crtes qui sont vues ce niveau reprsentent probablement l'enveloppe de plus basse frquence du signal.
06/11/2011 203
4. Transforme en Ondelette Discrte ( Discrete Wavelet Transform (DWT)) base sur lanalyse (DWT)) multirsolution
Exemple (suite)
Les chantillons prcdents ne portent probablement aucune autre information significative. Nous sommes presque sr de considrer que nous pouvons nous dbrouiller avec les coefficients de niveaux 3mes et 4mes, cest--dire que nous pouvons reprsenter le long signal de 256 chantillons avec 16+32 = 48 chantillons, une rduction de donnes significative.
06/11/2011
204
5. Domaines dapplication
1. Compression (Compression) des donnes de haute rsolution (e.g. images) 2. Filtrage (filtering, de-noising) 3. Lissage (smoothing) 4. Extraction des proprits caractristiques (Feature Extraction ) 5. Dtection des discontinuits (discontinuity detection) 6. Estimation des distributions de probabilits estimation) (distribution
5. Domaines dapplication
8. Tlcommunication (par exemple, codage de sources et canaux (Source and Channel Coding)) 9. Astronomie (par exemple, distances dans lunivers, galaxies formant de structures hirarchiques diffrent niveaux de lchelle). 10. Analyse de sries temporelles pour des prvisions de march boursier. 11. Fractals : ajustement parfait pour analyser les fractals. 12. Analyse de turbulences : Analyse d'coulement turbulent des fluides de basse viscosit coulant aux vitesses leves. 13. Rseaux dondelette (wavelet networks) : apprentissage en temps rel des fonctions inconnues.
06/11/2011
206
5. Domaines dapplication
Compression dimages Pour une image donne, vous pouvez calculer la DWT de chaque ligne, et enlever toutes les valeurs dans les DWT qui sont infrieurs un certain seuil. Nous sauvons alors seulement ces coefficients de DWT qui sont au-dessus du seuil pour chaque ligne, et quand nous devons reconstruire l'image dorigine, remplissons simplement chaque ligne avec autant de zros que de nombre de coefficients enlevs, et employons la DWT inverse pour reconstruire ligne de l'image originale. Nous pouvons galement analyser l'image diffrentes bandes de frquences, et reconstruisons l'image dorigine en employant seulement les coefficients qui sont d'une bande particulire.
06/11/2011
207
6. Histoire de londelette
1807, J.B. Fourier:
Toutes les fonctions priodiques peuvent tre exprimes comme une somme pondre de fonctions trigonomtriques Publication dmentie par Lagrange, Legendre et Laplace !! 1822: Publication des travaux de Fourier 143 annes 1965, Cooley & Tukey: Fast Fourier Transform (FFT)
06/11/2011 208
6. Histoire de londelette
1946, Gabor : analyse de STFT : composantes haute frquence en utilisant une fentre troite, ou composantes basse frquence en utilisant une fentre large, mais pas les deux en mme temps Fin des annes 1970, le problme de Morlet (ingnieur gophysicien) : Analyse Temps - frquence de signaux avec des composantes haute frquences avec un temps court et des composantes basse frquence avec un temps long. STFT peut faire lun ou lautre, mais pas les deux Solution: utiliser diffrentes fonctions de fentre pour d couper les signaux avec diffrents contenues de frquences Windows produire de la dilatation/compression du prototype ondelettes Critique pour un manque de rigueur mathmatique!!! Dbut des annes 1980, Grossman (Physicien thorique ) : Formalise la transforme et conoit la transforme inverse La premire transforme en ondelette ! Redcouverte de travail d'Alberto Calderon 1964 sur l'analyse harmonique
06/11/2011 209
6. Histoire de londelette
06/11/2011
210
6. Histoire de londelette
Stephane Mallat:
Analyse Multirsolution w/ Meyer, 1986 Ph.D. dissertation, 1988 Transforme dondelette discrte Algorithme Cascade pour calculer la DWT
06/11/2011 211
6. Histoire de londelette
Cependant
Dcomposition des frquences discrtes au frquences dyadique (MRA) , appeles Quadrature Mirror Filters , Croisier, Esteban and Galand, 1976 (!)
06/11/2011
212
6. Histoire de londelette
06/11/2011
213
6. Histoire de londelette
Les annes1990
quivalence de QMF et MRA, Albert Cohen, 1990 Compactly supported biorthogonal wavelets , Cohen, Daubechies, J. Feauveau, 1993 Wavelet packets , Coifman, Meyer, et Wickerhauser, 1996 Zero Tree Coding , Schapiro 1993 ~ 1999 Recherchez des nouvelles ondelettes avec de meilleures proprits de localisation en temps et en frquence. Super-wavelets Matching Pursuit , Mallat, 1993 ~ 1999
06/11/2011 214
Rfrences
[1] ROBI POLIKAR, The wavelet tutorial ( http://users.rowan.edu/~polikar/WAVELETS/WTtutorial.html ), Dept. of Electrical and Computer Engineering Rowan University. [2] http://en.wikipedia.org/ [3] http://www.cmap.polytechnique.fr/~mallat/ [4] Stphane Mallat, A Wavelet Tour of Signal Processing , ELSEVIER, second edition. [5] http://cas.ensmp.fr/~chaplais/Wavetour_presentation/Wavetour_presentation_US.html [6] Gerald Kaiser, A Friendly Guide to Wavelets [7] Une introduction aux ondelettes adapte pour le web par F. CHAPLAIS
http://cas.ensmp.fr/~chaplais/Wavetour_presentation/Wavetour_presentation_fr.html#Chemins
06/11/2011
215