Sujets1224

SimulationsMATLABsurlescoursdelUVF4101

Travaileffectuer
Gnrerunsignal/imagesynthtiqueoulireunfichierexistant
CrerunprogrammeMatlabensappuyantsurlesalgorithmesducours
Analyserlesrsultatsexprimentauxdunemanirequantitativeetqualitative.

Remisedesrapportsetsimulations
Datelimite:(casier:JMBoucher)
Nepasenvoyerlesprogrammesourapportsparmail(risquedesaturation
dumail)
Fournirunrapportpapieretsousformelectronique,ainsiqueles
programmes,soitsurCD,soitsurunsitepersonnel.

Listedessimulations

1.s_12
Filtraged'unesinusodebruite
2.s_13
Estimationdesparamtresd'unmodleautorgressif
3.s_14
EstimationdetrajectoireparfiltragedeKalman
4.s_15
Estimationdesparamtresdunmlangedegaussiennesparlalgorithme
EMetSEM
5.s_16
EtudedufiltredeKalmanendbruitage
6.s_17
Analysetempsfrquenced'unsignaldeparole(TransformedeFourier
courtterme)
7.s_18
Modlisationautorgressived'unsignaldeparole
8.s_19
Filtragedunsignalbruitpardcompositionenondelettesorthogonales
9.s_20
Dcompositiondunsignalenondelettesorthogonales
14.s_21
Dtectionstatistiquedecontour
15.s_22
Filtraged'imageradar
16.s_23
Compressionsimplified'imagepartransformeenondelettes
17.s_24
Dtectiondecontoursenimagerieradar

Simulationn1
Sujetn12

Filtraged'unesinusodebruite

ComparaisonentrefiltragedeWiener,Kalmanetmoindrescarrs

Lesignaltudierestunesinusode S(k) Asin( k / 4) d'amplitudeAinconnueo

estunevariablealatoirededensituniformesur[0,2].Cesignalestaccompagnd'unbruit
blancdiscret,devarianceconnue,demoyennenulle.Oncherchefiltrercesignalbruit.
1)estimertoutd'abordl'amplitudedecettesinusodeparunalgorithmedesmoindrescarrs
etvrifierlersultatparsimulation.Calculerlavariancedel'estimateuretvrifierparsimulation.
2)utilisercersultatpoursimulerlefiltredeWienernonrcursifl'ordreN.Etudierson
comportementenfonctiondurapportsignal bruitetdelavaleurdeN.Tracerlarponseen
frquencepourunevaleurdeNleve.
3) estimer lamplitude de la sinusode par filtre de Kalman. Calculer la variance de
lestimateuretvrifierparsimulation.Comparerauxmoindrescarrs.
4)utilisercersultatpoursimulerlefiltredeKalmanpermettantledbruitage.Examiner
soncomportementenfonctiondurapportsignalbruit,notammentsarapiditdeconvergenceetla
variancedelerreurdestimation.Tracerlarponseenfrquenceenfindeconvergence.

Simulationn2
Sujetn13

Estimationdesparamtresd'unmodleautorgressif

ComparaisonentreprdictionlinaireetKalman

Lesignaltudierestunprocessusautorgressifdusecondordreobtenuparpassaged'un
bruitblancdansunfiltrenumriquercursifdusecondordre.Crercesignal.(vousavezlechoix
desvaleursdescoefficients)
1)Onchercheensuitemodlisercesignalparprdictionlinairedordre1,puisdeux,puis
trois,puisquatre.Exprimerlescoefficientsdumodlelaidedesfonctionsdautocorrlationdu
signal (mthode de YuleWalker) Effectuer la simulation en estimant ces fonctions
dautocorrlation directement partir dune trame de L chantillons de signal. Commenter le
rsultatobtenusuivantlordreetL.
2)OneffectuecettemmemodlisationparunfiltragedeKalman.Ecrirelemodledtatet
lesquationsdufiltredeKalman.Discuterlersultatetcompareraucasprcdent.(mesurerle
biaisetlavariancedesestimesdescoefficientsdanslesdeuxcas)

Simulationn3

Sujetn14

EstimationdetrajectoireparfiltragedeKalman

OnutiliselefiltredeKalmanpourestimerlapositiond'unmobile,dontonmesureposition
etvitesseparl'intermdiaired'unradar,maisavecunbruitlev.
crerartificiellementunetrajectoireenprenantpourvariablesd'taten(x,y)lapositionet
lavitesse.Cettedernireestassimileunbruitd'tatfiltrparunfiltrercursifdupremierordre
(fixerlavariancedecebruitetleparamtredufiltre,quiindiquelacorrlationentrelesvaleurs
devitesse)
ajouterunbruitblanc(indpendantdupremier)laposition(mesures)
crirelefiltredeKalman
tracersurlemmegraphelatrajectoirerelle,latrajectoiremesure,latrajectoireestime.
mesurer la variance de l'erreur d'estimation sur ces courbes et comparer aux valeurs
fourniesparlefiltre.

Simulationn4
Sujetn15
Estimationdesparamtresd'unmlangedegaussiennesparlesalgorithmes

EMetSEM

On observe une squence de donnes obtenues en gnrant un mlange de deux lois

gaussiennesdevarianceidentiqueinconnue,etdemoyennesm1etm2inconnues.Onsupposeque
lesdeuxcomposantesdumlangesontquiprobables.
Onchercheaestimerlesparamtresausensdumaximumdevraisemblanceenutilisantun
algorithmeEM.
Ecrirel'algorithmeEMquicorrespondceproblme.
Simulerl'algorithmesurunesquencedeT=1000donnes.
Lefonctionnementdel'algorithmeEMdpendbeaucoupdesconditionsinitiales.Pours'en
affranchir,onutiliseuntiragealatoiredansl'algorithmeSEM.
Simulerl'algorithmeSEMpourlemmeproblmequeprcdemment.
Article:
L'algorithmeSEMpourlemlangededensit. CeleuxDiebolt.Revuedestatistiquesappliques,
1986,vol.XXXIV,n2
EM:Advancedsignalprocessing.Vaseghi.Wiley,pp909192;pp105108

Simulationn5
Sujetn16
EtudedufiltredeKalmanendbruitage

Ongnreunprocessusautorgressifd'ordre2(AR2).(Passaged'unbruitblancdansun
filtrercursifd'ordre2).Onajoutecesignalalatoireunbruitblancdevarianceconnueapriori.
1)Oncherchefiltrercesignalbruitl'aided'unfiltredeKalman.Onsupposeconnules
coefficientsdumodleetlavariancedubruitgnrateur.EcrirelesquationsdufiltredeKalman.
Effectuerlasimulationdedbruitage.FaireensuiteunmodleAR2dusignalbruitetdusignal
dbruit.Comparerlesdensitsspectralesdepuissancedessignauxnonbruit,bruitsetdbruits.
2)Oncherchefiltrercesignalbruitl'aided'unfiltredeKalman,maisonsupposene
connatrenilescoefficients duprocessusautorgressif,nilavariancedubruitgnrateur.(La
simulationestenfaitunesimplificationducaspratiquededbruitaged'unsignaldeparole,donton
ignorelemodleAR).L'ordreduprdicteurestconnu.
Pourcela,onestimedabordlescoefficientsARsurlesignalbruit(mthodedeYule
WalkeroudeBurg),ainsiquelavariancedubruitgnrateur.Oneffectuealorsunpremierfiltrage
deKalmanaveccescoefficients.Surlesignalfiltr,onitrelamthodeplusieursfois.

crireleprogrammed'estimationdesparamtresAR.Ecrirelemodled'tatetleprogramme
defiltragedeKalman.

comparer les densits spectrales de puissance du signal dbruit en fonction du nombre

d'itrationscellesduparagrapheprcdentConcluez.(vrifierquelegainencontinuestunit).

Simulationn6
Sujetn17
Analysetempsfrquenced'unsignaldeparole

Lesignaldeparolesetrouvedanslefichier"signal_parole"lisibleparlacommande
Lire_fichier_parole.m. Il s'agit d'une matrice 4096.1 (Ces fichiers se trouvent ladresse
http://perso.enstbretagne.fr/~boucher/Projets/sim9)
ImplmenterlatransformedeFouriercourttermepouranalyserlesignal.
Effectuerl'oprationinverse(synthsepartirdesspectresobtenus)parlamthode
OLA(overlapadd)
fentre.

Evaluerladgradationlareconstructionenfonctiondutauxderecouvrementde

Document:AppendixAImplementationofthealgorithms(shorttimeFouriertransformandOLA
method) (tir dela thseSpeech dereverberation applied to automatic speechrecognition and
hearingaidssoutenueparKatiaLebart(universitdeRennes1,2108)
Speechanalysis/synthesisandmodificationusingananalysisbysynthesis/overlapaddsinusodal
model,B.George,M.Smith,IEEETrans.OnSpeechandAudioprocessing,vol5,n5,september
1997,p389405

Simulationn7

Sujetn18

Modlisationautorgressivedunsignaldeparole

Lesignaldeparolesetrouvedanslefichier"signal_parole"lisibleparlacommande
Lire_fichier_parole.m. Il s'agit d'une matrice 4096.1 (Ces fichiers se trouvent ladresse
http://perso.enstbretagne.fr/~boucher/Projets/sim9)

faire une modlisation AR de ce signal de parole (par trames), en crivant

l'algorithme de Levinson ou de Burg par exemple (les trames doivent se recouvrir 50% par
exemple)
faire varier l'ordre du modle et tudier l'erreur quadratique de modlisation;
trouverl'ordreoptimalempiriquementetcomparerauxvaleurstheoriques

Simulationn8

Sujetn19

Filtraged'unsignalbruitpardcompositionenondelettesorthogonales

Oncherchefiltrerunsignalpriodique carraccompagnd'unbruitadditif blanc.On

appelleRlerapportsignalbruit.
Ondcomposelesignalbruitenondelettesparl'algorithmerapidedeMallat(choisirpar
exemplel'ondeletteorthogonalesupportcompactdeDaubechies).Oncomparelescoefficients
d'ondeletteunseuiletonannulelescoefficientsinfrieursceseuil.Onreconstruitensuitele
signal.
Etudierl'influencedeceseuilsurlefiltrage(gainenrapportsignalbruit,distorsion)pour
plusieurs valeurs de rapport signal bruit. Il existe un seuil thorique optimal par niveau de
dcomposition(filtredeDonoho);tudierlesrsultatsdefiltragedanscecasetcomparerauxcas
prcdents.
Lescoefficientsdesfiltrespassebasetpassehautd'analysesontrespectivementh33eth44.
%ordre6(N=5)(filtrephaseminimale)
h33=[0.3326705542950 0.806891509311 0.459877502118 0.1350110230010 0.0854412723882
0.035226291882];
h44=[0.035226291882 0.085441273882 0.1350110230010 0.459877502118 0.806891509311
0.3326705542950];

Simulationn9

Sujetn20

Dcompositiondunsignalenondelettesorthogonales

Ecrirel'algorithmedeMallataveclesondelettesdeDaubechiesquipermetl'analyseetla
synthseavecreconstructionsanserreurd'unsignaletvrifiersonfonctionnementsurquelques
signauxtestscommelasuccessiontemporelledesignauxsinusodauxdesfrquencesdiffrentes
ouunsignalcarrpriodique.
Lescoefficientsdesfiltrespassebasetpassehautd'analysesontrespectivementh33eth44.
ordre10(N=9)
h33=[.16.6.72.138.242.032.077.006.012.003];%passebas
h44=[.003.012.006.077.032.242.138.72.6.16];%passehaut
ordre6(N=5)(filtrephaseminimaledeDaubechies)
h33=[0.3326705542950 0.806891509311 0.459877502118 0.1350110230010 0.0854412723882
0.035226291882];
h44=[0.035226291882 0.085441273882 0.1350110230010 0.459877502118 0.806891509311
0.3326705542950];
ordre6(N=5)(filtreCoiflet)
h33=[0.051429728471 0.238929728471 0.602859456942 0.272140543058 0.051429972847
0.011070271529];
h44=[0.011070271529 0.051429972847 0.272140543058 0.602859456942 0.238929728471
0.051429728471];

Simulationn14

Sujetn21

Dtectionstatistiquedecontour

Onchercheraliserundtecteurdecontourbassurladiffrencedesvaleursmoyennesde
partetd'autreducontour.

Programmerlamthode.

L'appliquer une image de synthse (ex: un disque dont les pixels possdent une
distributiongaussiennesurunfonddepixelsayantuneautredistributiongaussienne)

L'appliqueruneimagerelle(quevouspouvezchoisir)
Discuterlesperformances(c'estdireaussiquelscritresdeperformancechoisirpour
valuerlersultat)
Comparerdesdtecteursdecontourclassiquesbasssurlesdrives,puisseuillage.

Rfrence:TraitementnumriquedesimagesKuntchapitreextractiondecontoursp
299304

Simulationn15

Sujetn22
Filtraged'imageradar

Creruneimagesynthtiqueconstituedeplusieurszonesdiffrentesdeniveaudegris,
accompagnesd'unbruitmultiplicatifdenaturegaussienne (danslecasd'uneimage
radar,lebruitsuituneloidetypeexponentiel,maisonn'appliquepascemodleici)

EcrireleprogrammedefiltragedeLeeetKuan etal.amliorenMatlab(cfarticle)
(groupe1)
EcrireleprogrammedefiltragedeFrostamliorenmatlab(cfarticle)(groupe2)
Appliquerl'imageprcdente.Comparerunfiltremoyenneuretunfiltremdianen
terme de coefficient de variation (rapport carttype sur moyenne) sur les zones
homognesetentermedeprservationdescontours.
Appliquer une vritable image radar (elle se trouve sur http://perso.enst
bretagne.fr/~boucher/Projets/sim2224)
Examinersubjectivementlersultat.

Article 1: Adaptive speckle filters and scene heterogeneity Lopes, Touzi et Nezry IEEE on
geoscienceandremotesensing,vol28,n6,nov90,p9921000

Simulationn16

Sujetn23
Compressionsimplified'imagepartransformeenondelette

Effectuer une analyse multirsolution d'une image en plusieurs niveaux avec la

transforme en ondelette de Haar (groupe 1) (vous pouvez choisir n'importe quelle
image)
Effectueruneanalysemultirsolutiond'uneimageaveclesondelettesdeDaubechies
(trouverleprogrammel'URLwwwstat.stanford.edu/~~wavelab)(groupe2)
Raliser le seuillage des coefficients et mettre zro les plus faibles dans tous les
niveaux
Procderlareconstruction.
Examinerl'influenceduseuillagesurlaqualitdel'imageetledbit(laqualitsera
valueparl'erreurquadratiquemoyenne,ainsiquedemaniresubjective.Ledbitsera
estimaveccommehypothseuncodageentropiquedetypeHuffman)

Article:ImagecompressionusingtheHaarwavelettransform(ColmMulcahy)

Simulationn17

Dtectiondecontoursenimagerieradar

Sujetn24

Ils'agitd'estimerlafrontireentredeuxrgionsquisontvuescommelaralisationdedeux
processusalatoiresdcritspardeuxdensitsGamma.Pourcrerdesvariablesalatoiressuivant
cetteloi,ilsuffitdeprendrelaracinecarredevariablesalatoiressuivantlaloidu 2.(somme
d'ordreNducarrdevariablesalatoiresgaussiennes)

Programmerl'algorithmedeTouzi
Creruneimagedesynthseavecdeuxrgionsetsurchaquergionunetexturediffrente,
latexturetantobtenuepargnrationdepixelssuivantuneloiGamma.
Rappel:unevariablealatoireobtenuecommelaracinecarredelasommeducarrde
NvariablesgaussiennesindpendantessuituneloiGammad'ordreN.
Appliqueruneimagedesynthse,ainsiqu'uneimagerelle.(quisetrouvesurhttp://perso.enst
bretagne.fr/~boucher/Projets/sim2224

Article1:AstatisticalandgeometricaledgedetectorforSARimagesTouzi,LopesIEEETrans.
onGRSvol26,n6,nov88