Théorie Des Ondelettes PDF

Théorie des ondelettes
Cours
Professeur Alexandru Isar

“Ce à quoi l’un s’était failli, l’autre y est arrivé et ce qui
était inconnu à un siècle, le siècle suivant l’a éclairci, et les
sciences et les arts ne se jettent pas en moule mais se
forment et figurent en les maniant et polissant à plusieurs
fois [...] Ce que ma force ne peut découvrir, je ne laisse pas
de le sonder et essayer et, en retastant et pétrissant cette
nouvelle matière, la remuant et l’eschaufant, j’ouvre à celui
qui me suit quelque facilité et la lui rends plus souple et
plus maniable. Autant en ferra le second au tiers qui est
cause que la difficulté ne me doit pas désespérer, ni aussi
peu mon impuissance...”
Montaigne, Les Essais, Livre II, Chapitre XII.

Table de matières
1. Ondelettes. Principales applications 1

1.1. Les ondelettes et les moments nuls 1
1.2. Applications en analyse numérique 3
1.3. Codage en sous-bandes 6
2. L'analyse multirésolution de L2 (R ) 9
2.1. Fonction d’échelle 13
2.2. Exemples d'analyse multirésolution 17
2.2.1. Un point de vue algorithmique 27
3. Décomposition orthogonale de L2 (R ) 29
3.1. L'algorithme FWT (Fast Wavelet Transform) 38
3.2. La caractérisation des analyses multirésolution à l'aide des polynômes associés 41
aux ondelettes
3.2.1. Exemples 48
3.2.2. La régularité des bases. Le problème du produit infini pour les filtres finis 52
4. La décomposition de l'espace l 2 (Z ) 55
5. La construction de la fonction d’échelle à l'aide du produit infini 60
6. Bases biorthogonales 65
7. Dérivation et intégration dans les analyses multirésolution 69
8. Paquets d'ondelettes 71
8.1. Les ondelettes de Malvar 71
8.2. Les paquets d'ondelettes 73
8.2.1. Le choix de la meilleure base 78
9. L'algorithme de Mallat pour les signaux d'image 82
10. Quelques applications 86
10.1 L'augmentation du rapport signal/bruit 86
10.2. La compression des données 92
Bibliographie 95
1. Ondelettes. Principales applications
Les ondelettes ψ a ,b (t ) sont des fonctions générées par la translation et la dilatation

d’une fonction génératrice, appelée ondelette mère ψ (t ) :
 t−b
ψ a ,b (t ) = ψ 
 a 
Les principaux applications des ondelettes sont: l’analyse du signal (par exemple la
localisation des discontinuités dans un signal), l’analyse fonctionnelle ( par exemple
l’approximation des espaces fonctionnelles ou l’analyse numérique) et le traitement du
signal (par exemple le codage en sous-bandes). Dans la suite on présente brièvement
l’apport de la théorie des ondelettes dans chaque application déjà mentionnée. Prenons
pour le commencement le cas de la localisation des discontinuités d’un signal.
1.1. Les ondelettes et les moments nuls
Soit f(x) une fonction régulière, f ∈ C 2 . Cette fonction peut être développée en
série de Taylor:
x r (r )
f (x ) = f (0 ) + xf ' (0 ) + ... + f (0 ) + re(x )
r!
Soit:
∞
C0 = ∫ f (x )ψ (x )dx
−∞
Alors:
∞  x (r )r 
C0 = ∫  f (0) + xf ' (0) + ... + r! f (0) + r (x )ψ(x )dx
−∞  
Si ψ (x ) est régulière, alors:
∞
∫ x ψ (x )dx = 0, m = 0, r
m
−∞
On dit que la fonction ψ (x ) a r moments nuls.
Donc:
∞ ∞ ∞ ∞
C 0 = f (0 ) ∫ ψ(x )dx + f ' (0 ) ∫ xψ (x )dx + ... + f (r ) (0 ) ∫ x r ψ(x )dx + ∫ re(x )ψ (x )dx
−∞ −∞ −∞ −∞
ou:
∞
C0 = ∫ re(x )ψ (x )dx
−∞
Mais:
re(x ) ≤ M
où M est une constante très petite. Donc:
C0 ≅ 0
1
On peut dire que si f est régulière alors C 0 est très petite. Considérons maintenant que
f(x) est la masse de Dirac:
f (x ) = δ(x )
Soit:
~ (x ) = ψ (− x )
ψ
Alors:
∞
∫ δ(x )ψ (x )dx = δ(x )∗ ψ(x )
C0 = ~ ~ (0 ) = ψ (0 )
=ψ
−∞ x =0
 x−b
Si on utilise la fonction ψ  alors:
 a 
∞
 x−b
∫ δ(x )ψ a dx = δ(x )∗ ψ a (x )
~ ~ (b )
=ψ
x =b a
−∞  
où on a utilisé la notation:
x
ψ a (x ) = ψ 
a
En utilisant donc la fonction ψ a (x − b ) au lieu de la fonction ψ (x ) , on obtienne pour C 0 la
valeur ψ~ a (b ) qui peut être grande. Ainsi on peut avoir une indication sur la irrégularité
d’un signal (la distribution de Dirac n’est pas une distribution régulière) en utilisant la
valeur de la constante C 0 . On peut donc avoir une indication sur la régularité d’une
fonction en utilisant les ondelettes.
La régularité de la fonction ψ (x ) peut être exprimée aussi dans le domaine
fréquence. La transformée de Fourier de l’ondelette mère est:
∞ ∞

ψ (ξ ) = ∫ ψ(x )e −iξx dx ⇒ ψ (0 ) = ∫ ψ (x )dx
−∞ −∞
En dérivant la transformée de Fourier on peut écrire les relations suivantes:
∞

∫ xψ (x )dx = iψ ' (0 )
−∞
∞

∫ x ψ(x )dx = −ψ ' ' (0 )
2
−∞
.
.
.
∞
k (k )
∫ x ψ(x )dx = (i ) ψ (0)
k
−∞
On a montré ainsi que si la fonction ψ (x ) a r moments nuls alors:
ψ (k ) (0 ) = 0, 0 ≤ k ≤ r

On dit que la transformée de Fourier d’une fonction qui a r moments nuls est de classe
C ∞ . Donc l’ondelette mère est la réponse impulssionelle d’un filtre passe-bande.
Dans la suite on présente l’utilisation des ondelettes dans l’analyse numérique.
2
1.2. Applications en analyse numérique
Cette application de la théorie des ondelettes a été introduite par Strang et Fix en
1969. On veut développer les fonctions en utilisant les éléments de la famille:
 −1 
 x 
G = h 2 g  − k  
 h 
 k∈Z
On cherche une fonction g simple pour le calculs numériques. Considérons que
l’ensemble G engendre un espace vectoriel Vh et que la fonction g est à support compact.
Nous nous posons la question si le développement à l’aide des éléments de l’ensemble G
(qui peut être considérée comme une base de l’espace vectoriel Vh ) est stable
numériquement.
Soit:
1
− x 
g h ,k (x ) = h 2 g − k 
 h 
Si le développement dans la base G est stable numériquement alors on peut trouver pour
chaque fonction f de L2 (R ) une suite {a k }k∈Z tel que:
∞
∑ a k g h,k (x ) − f (x ) <ε (1.1)
k = −∞ L (R )
2
quelque soit quand h est suffisamment petit. On peut démontrer que si la famille G est
une base de Riesz alors la relation (1) est vérifiée.
Definition 1. La famille {g(x − k )}k∈Z est une base de Riesz si et seulement s’il
existe deux constantes A et B, positives tel que:
2
 ∞  ∞ ∞  ∞  (1.2)
A ∑ a k 2  ≤ ∫ ∑ a k g (x − k ) dx ≤ B ∑ a k 2 
 k = −∞  −∞ k =−∞  k =−∞ 
Cette condition de bi-continuité peut être écrite aussi dans la forme:

∞ 2 (1.3)
0<A≤ ∑ g(ξ + 2kπ) ≤ B
k = −∞
Remarque
Soit:
a (ξ ) = ĝ (ξ )
2
La fonction a(x) représente l’autocorrelation de la fonction g(x) ( c’est la relation de

∞
Wiener-Hincin). La somme ∑ a (ξ + 2kπ) représente le spectre du signal obtenu par
k = −∞
3
l’échantillonnage idéale du signal a(x) en utilisant une période d’échantillonnage unitaire.
∞ 2
Donc ∑ ĝ(ξ + 2kπ) représente le spectre de l’autocorrelation de la fonction génératrice
k = −∞
de la base considérée, échantillonnée en utilisant une période d’échantillonnage égale à 1.
On démontre maintenant l’équivalence: (1.2) ⇔ (1.3) .
Démonstration
Montrons pour le commencement que (1.3) ⇒ (1.2)

En multipliant tous les membres de la relation :
∞ 2
0<A≤ ∑ g(ξ + 2kπ) ≤ B
k = −∞
∞
par A(ξ) 2 où A (ξ ) = ∑ a k e −ikξ on obtient:
k = −∞
∞ 2
0 < A A (ξ ) ≤ A(ξ ) ∑ ĝ(ξ + 2kπ) ≤ B A(ξ )
2 2 2
k = −∞
ou:
π 2 π 2 2 π 2
∞
0<A ∫ A (ξ ) dξ ≤ ∫ A(ξ ) ∑ ĝ(ξ + 2kπ) dξ ≤ B ∫ A(ξ ) dξ (1.4)
−π −π k = −∞ −π
Mais:
π 2 2 π 2 π 2
∞ ∞ ∞
∫ A(ξ ) ∑ g(ξ + 2kπ ) dξ = ∑ ∫ A(ξ ) ĝ(ξ + 2kπ) dξ = ∑ ∫ A(ξ + 2kπ) g(ξ + 2kπ) dξ
2 2
−π k = −∞ k = −∞ − π k = −∞ − π
parce que la fonction A(ξ ) est périodique de période 2π , étant une transformation de
Fourier à temps discrète (voir sa définition). Donc la dernière relation peut être écrite
dans la forme:
∞ 2
∞ 2 ∞ (2k +1)π 2

∞
A(ξ ) ∑ ĝ(ξ + 2kπ) dξ = ∑ A(u ) g (u ) du = ∫ A (u )ĝ(u ) du
2 2
∫ ∫
−∞ k = −∞ k = −∞ (2 k −1)π −∞
Mais:
 ∞   ∞ 
A (ξ )g (ξ ) =  ∑ a k e −ikξ g (ξ ) ↔  ∑ a k g (x − k )
 k = −∞   k = −∞ 
Donc:
π 2 2 ∞ 2
∞ ∞
∫ A(ξ ) ∑ g(ξ + 2kπ) dξ = ∫ ∑ a k g(x − k ) dξ
−π k = −∞ − ∞ k = −∞
Maintenant la relation (1.4) peut s’écrire:
π 2 ∞ 2 π 2
∞
0<A ∫ A (ξ ) dξ ≤ ∫ ∑ a k g(x − k ) dξ ≤ B ∫ A(ξ ) dξ (1.5)
−π −∞ k = −∞ −π
4
En utilisant la relation de Parseval pour les signaux d’énergie finie on obtient:
2 2
∞ ∞ ∞ ∞
∑ a k g(x − k ) dξ = 2π ∫ ∑ a k g(x − k ) dx
(1.6)
∫
−∞ k = −∞ −∞ k = −∞
La relation de Parseval pour les signaux à énergie finie à temps discrète s’écrit:
π 2
∞
∑ (a k ) = ∫ A(ξ ) a k ∈ R , (∀ )k ∈ Z
2 1 (1.7)
dξ,
k = −∞ 2π −π
En utilisant (1.6) et (1.7), (1.5) peut s’écrire:
∞ 2
∞ ∞ ∞
∑ (a k ) 2π ≤ 2π ∫ ∑ a k g(x − k ) dx ≤ B ∑ (a k ) 2π
2 2
0<A
k = −∞ − ∞ k = −∞ k = −∞
ce qui représente la relation (1.2). Donc (1.3) ⇒ (1.2) On prouve dans la suite que
(1.2) ⇒ (1.3) aussi.
En partant de la relation (1.2) on peut obtenir la relation:
 ∞ 2 1 π 2 ∞
2  ∞ 2
 
 
A ∑ a k  ≤ ∫ A(ξ ) ∑ ĝ(ξ + 2kπ) dξ ≤ B ∑ a k  (1.8)
 k = −∞  2π − π k =∞  k = −∞ 
d’où en utilisant le noyau de Fischer on peut obtenir (1.3).
On revient maintenant a la relation (1.1).
Théorème 1.
{ }
Il existe une suite a hk k∈Z
tel que:
∞
lim ∑ a hk g h ,k (x ) − f =0 (1.9)
h →0 k = −∞
L2
à la condition:
∞ 2
0< ∑ ĝ h (ξ + 2kπ )
k = −∞
où g h ,k (x ) = g h (x − k ) et l’ensemble {g h,k (x )}k∈Z est une base de Riesz.
Remarque
1
− x
Ce théorème assure la stabilité numérique. Soit µ h (x ) = h 2 µ  et
h
1
− x 
µ h ,k (x ) = h 2 µ − k  et a hk =< f (x ), µ k ,h (x ) > . En ce qui concerne la vitesse de convergence
 h 
en (9) on peut affirmer que la suivante équivalence est valable:
∞
∑ < f (x ), µ h ,k (x > g h,k (x ) − f (x )) ( ) { }
= O h 2 ⇔ 1, x ,..., x r ⊂ Vh
k = −∞ L2
5
L’interprétation fréquentielle de cette équivalence est la suivante:
ĝ (0 ) ≠ 0, ϕˆ (2kπ) = 0, ∀k ∈ Z - {0} et g (p ) (2kπ) = 0 , ∀p = 1, r

Donc la fonction g représente la réponse impulssionelle d’un filtre passe-bas.
1.3. Codage en sous-bandes
Prenons deux filtres numériques avec les réponses impulsionnelle {h 1k }k∈Z (passe-
bas) et {h 2,k }k∈Z (passe-haut) et les réponses en fréquence h 1 (ω) et h 2 (ω) . Soit:

ĥ 1 (0 ) = 1 et ĥ 1 (π) = 0
et:

h 2 (0 ) = 0 et ĥ 2 (π) = 1
Un exemple est présenté dans la figure 1.3.1.
h (&)ÿ, ÿh (&)ÿ
ÿ
1 2
1
&
-
0

Figure 1.3.1. Un exemple de paire de filtre pour le codage en sous-bandes.
Considérons le systeme présenté dans la figure 1.3.2.
a[n]
∧
h (&)
a [n]
1 ↓2 1
u[n]
d[n]
d [n]
∧ 1
h (&) D ↓2
2
.[n] .[2n]
↓2
Figure 1.3.2. Systeme de codage en sous-bandes.
On peut écrire:
a 1 [n ] = a [2n ] et d 1 [n ] = d[2n − 1]
6
Le fonctionnement du systeme présenté dans la figure 1.3.2. peut être compris par
l’exemple présenté dans la figure 1.3.3.
u[n] u[n]
... ... ... ...
u0 u1 u2 n u0 u1 u2 n
a[n] d[n]
... ... ... ...
a −1 a0 a1 n d0 d1 d2 n
a 1 [n ] d 1 [n ]
... ... ... ...
a −2 a0 a2 n d −1 d1 d3 n
Figure 1.3.3. Un exemple de fonctionnement du systeme présenté dans la figure 1.3.2.

Pour la branche superieure on peut écrire:
a [n ] = u [n ]∗ h 1 [n ] ⇒ a (ω) = u (ω)ĥ (ω)

et:
∞
∑ a [2p]e −iωp

a 1 (ω) =
p = −∞
ou:
 ω ω
1 ∞ −i p ∞ −i p  1   ω   ω 
a 1 (ω) =  ∑ a [p ]e + ∑ (− 1) a [p]e 2  =  a   + a  + π  
2 p
(1.10)
2  p =−∞ p = −∞  2  2  2 
 
Donc:
1   ω   ω   ω   ω 
a 1 (ω) =  u  h 1   + u  + π h 1  + π  
2 2 2 2  2 
Pour la branche inferieure:
 ω ω
∞ 1 ∞ −i p ∞ −i p  1   ω   ω 
d 1 (ω) = ∑ d1 [2p]e − i ωp
=  ∑ d[p]e − ∑ (− 1) d[p]e 2  =  d  − d + π   =
2 p
p = −∞ 2  p =−∞ p = −∞  2 2 2 
 
1   ω   ω   ω  ω 
=  u  h 1   − u  + π h  + π  
2  2  2  2   2 
On peut faire la reconstruction de la suite {u n }n∈Z à partir des suites {a 1 [n ]}n∈Z et

{d1 [n ]}n∈Z . Considérons à ce but le systeme présenté dans la figure 1.3.4.
7
a 11 [n ] 1 a1 [n ]

a 1 [n ] k 1 (ω)
↑2
s[n ]
+
d 11 [n ] [n ]
d 1 [n ] 1 d1
↑2 k 2 (ω)
 n 
α[n ] β[n ] α
β[n ] =   2 
, n est paire
↑2 0, si non
Figure 1.3.4. Un systeme de de-codage.
On peut écrire:
 1   1    1   1  
s (ω) = u (ω) k 1 (ω)h 1 (ω) +  k 2 (ω)h 2 (ω) + û (ω + π) k 1 (ω)h 1 (ω + π) −  k 2 (ω)h 2 (ω + π)
 2   2   2  2 
Pour la reconstruction parfaite est nécessaire que:

s (ω) = u (ω)
Cette condition est vérifiée si:

 k 1 (ω)h 1 (ω) + k 2 (ω)h 2 (ω) = 2

k 1 (ω)h 1 (ω + π) − k 2 (ω)h 2 (ω + π ) = 0

Il s’agit d’un systeme de 2 équations et 2 inconnues les fonctions k 1 (ω) et k 2 (ω) . Les
solutions sont:

2h 2 (ω + π)
k 1 (ω) =
h 1 (ω)h 2 (ω + π) + h 1 (ω + π)h 2 (ω)
et:

− 2h 1 (ω + π)
k̂ 2 (ω) =
h 1 (ω)h 2 (ω + π) + h 1 (ω + π)h 2 (ω)
Un choix possible pour les solutions du systeme est:

k 1 (ω) = h 2 (ω + π)

k 2 (ω) = −h 1 (ω + π)
à la condition que:

h 1 (ω)h 2 (ω + π) + h 1 (ω + π)h 2 (ω) = 2

Si h 1 (ω) et h 2 (ω) sont des réponses en fréquence des filtres avec des réponses
impulssionelle finies alors toutes les quatre réponses en fréquence sont des polynômes.
8
2. L’analyse multirésolution de L2 (R )
Soit V j l’espace vectoriel emboîté par l’ensemble {g j,k (x )}j∈Z,k∈Z :
V j = e.v. engendre par g j,k (x )


{
 ∩ L2 (R )
j∈Z, k∈Z 
}
avec:
(2 x − k )
j
g j,k (x ) = 2
2 g j
Remarque
( ) ( ) ( )( )
∞ j j ∞
g j,k , g j,0 = ∫ 2 2 g 2 j x − k 2 2 g 2 j x dx = 2 j ∫ g 2 x − k g 2 x dx
j j
−∞ −∞
En faisant la substitution:
2jx = y
on obtient:
∞
g j,k , g j,0 = ∫ g(y − k )g(y )dy = R gg (− k ) = γ k
−∞
Il s’agit donc de l’autocorrelation de la fonction génératrice de la base considérée. Donc
le produit scalaire ne dépend pas de j.
Soit {g(x − k )}k∈Z une base de Riesz dans l’espace V0 . Alors il y a deux constantes
positives A et B tel que:
∞ 2
0<A≤ ∑ ĝ (ω + 2kπ) < B
k = −∞
Donc:
∞ ∞
∀f (x )∈ V j ; f (x ) = ∑ a k g j,k (x ) et f (ξ ) = ∫ f (x )e −iξx dx =
k = −∞ −∞
∞  ∞ 
( )
j ∞ j
  ∞   k 
= ∫  ∑ a k 2 2 g 2 j x − k e −iξx dx  = ∑ a k ∫ 2 2 g 2 j  x −  e −iξx dx
− ∞  k = −∞  k = −∞ −∞
   2 j 
En utilisant le changement de variable:
k
X =x−
2j
on obtient:
 k  ∞ ∞ j
(2 X ) ( )
j k
∞ ∞ −iξ X + j  − iξ j
 
f (ξ ) = ∑ ak ∫ 2
2 g j
e  2  dX =  ∑ ake 2 j
 ∫2 g 2 Xe
2 −iξX
dX
k = −∞ -∞  k =−∞  −∞
 
On note le premier facteur du membre droit de la dernière relation avec m f (ξ ) et on
constate que l’autre facteur représente la transformée de Fourier de la fonction g j (x ) ,

g j (ξ ) . On a la proposition suivante:
Proposition 2.1. Pour chaque fonction f de V j on a:
9
f̂ (ξ ) = m f (ξ )ĝ j (ξ ) (2.1)
où m f (ξ ) est une fonction 2π ⋅ 2 j périodique.

Cette proposition a été déjà démontrée. On prouve maintenant la proposition suivante:
Proposition 2.2 ∀ j ∈ Z V j ⊂ V j+1
Démonstration
(2 x − k )⇒ g
j
∀x , g j,k (x )∈ V j , g j,k (x ) = 2
2 g j
j,k (2x )∈ V j
et:
(2 ) (2 )
j j 1
+
g j,k (2 x ) = g j+1,k (x )∈ V j+1
j+1 1 j+1 1
2
2 g x−k = 2 2g
2 x−k =
2 2
Mais chaque signal de V j peut s’exprimer comme une combinaison linéaire des fonctions
g j,k (x ) :
∞
f (x )∈ V j ⇒ f (x ) = ∑ a k g j,k (x )
k = −∞
Donc:
∞ ∞
f (2 x ) = ∑ a k g j,k (2 x ) = ∑ a k g j+1,k (x )
1
k = −∞ k = −∞ 2
qui représente une combinaison linéaire des fonctions {
g j,k (x ) }k∈Z
, donc est un élément de
V j+1 . On a démontré ainsi que:
∀f (x )∈ V j ⇒ f (2x )∈ V j et f (2x )∈ V j+1 ⇒ V j ⊂ V j+1
Remarque
On a démontré en même temps que:
∀f (x )∈ V j ⇔ f (2x )∈ V j+1
Définition 1. On dit que la suite des sous-espaces emboîtés de L2 (R ) , {V j }j∈Z est

une analyse multirésolution de L2 (R ) si on a les conditions:
1. V j ⊂ V j+1 , ∀j ∈ Z
2. f (x )∈ V j ⇔ f (2x )∈ V j+1
3. V j = L2 (R )
j∈Z
4. V j = {0}
j∈Z
5. Il existe une fonction g en V0 , tel que la famille {g(x − k )}k∈Z soit une base de
Riesz.
Remarques
A) La condition équivalente pour que {g(x − k )}k∈Z soit une base de Riesz est:
10
∞ 2
0<A≤ ∑ g(ω + 2kπ) < 1 (voir le chapitre antérieur).
k = −∞
On note:
∞ 2
m(ω) = ∑ g(ω + 2kπ)
2
(2.2)
k = −∞
Donc on peut écrire la condition pour que {g(x − k )}k∈Z soit une base de Riesz
comme:
0 < A < m(ω) < B
2
B) On peut démontrer la relation:

∞ ∞ 2
(2.3)
∑ γ k e − ω = ∑ g(ω + 2lπ)
i k
k = −∞ l = −∞
Démonstration
Soit:
γ k = R gg [k ]
l’autocorrelation de la fonction g calculée aux moments discrets.
R gg (x ) ↔ ĝ (ξ )
2
En utilisant la formule sommatoire de Poisson on obtient (2.3).
C) Si la fonction g subit les conditions de Strang et Fix alors on doit avoir:

g (0 ) ≠ 0 et ĝ (2kπ) = 0, k ∈ Z - {0}
D) On peut démontrer que la condition de décroissance rapide de la fonction g

peut être exprimée dans la forme:
1
γk < ,∀m∈N (2.4)
m
1+ k
∞
La fonction: ∑ γ k e −ikω est de classe C ∞ .
k = −∞
Démonstration
∞ B) ∞ 2
∑ γke −ikω
= ∑ g(ω + 2lπ) = C(ω)
k = −∞ l = −∞
dC(ω) ∞ (2.5)
= −i ∑ kγ k e −ikω
dω k = −∞
ou, en utilisant la relation (2.4):
k 1+ k 1
kγ k < < =
m m m −1
1+ k 1+ k 1+ k
donc la série en (5) est convergente. (2.6)
d 2 C(ω) ∞
∑ k γ ke− ω
2 i k
=−
d 2ω k = −∞
En utilisant de nouveau la relation (2.4) on peut écrire:
11
k2 1+ k
2
1
k γk <
2
< =
m m m−2
1+ k 1+ k 1+ k
Donc la série en (2.6) est convergente elle aussi. Par récurrence on peut affirmer que:
∞ ∞ 2
∑ γ k e −ikω ∈ C ∞ ⇔ ∑ g(ω + 2kπ) ∈ C ∞
k = −∞ k = -∞
Proposition 2.3. Il existe une fonction m 0 (ω)∈ C ∞ telle que:

ĝ (2ω) = m 0 (ω)g (ω)
Démonstration
x 1 x ∞
V−1 ⊂ V0 ; g  ∈ V0 ⇒ g  = ∑ h k g(x − k ) ⇒
2 2  2  k =−∞
∞ ∞ ∞
1 x
∫  2 g 2 e dx = ∑ h k ∫ g(x − k )e dx
−iξx −iξx
⇒
−∞     k = −∞ −∞
Mais en faisant le changement de variable:

x
=X
2
on peut écrire:
∞ ∞
1  x
∫  2 g 2 e dx = ∫ g(X )e dX = g (2ξ )
−iξx −i ξ 2 X
−∞     −∞
et à l’aide du changement de variable:

X = x−k
on obtient:
∞ ∞ ∞
−iξ(X + k )
∫ g(x − k )e dx = ∫ g(X )e dX = e −iξk ∫ g (X )e −iξX dX = e −iξk g (ξ )
−iξx
−∞ −∞ −∞
Donc:
∞ ∞  ∞ 
∑ h k ∫ g(x − k )e −iξx dx =  ∑ h k e −iξk g(ξ )
k = −∞ −∞  k =−∞ 
ou:

g (2ξ ) = m 0 (ξ )g (ξ )
12
2.1. Fonction d’échelle
On appelle la fonction g, de la définition 1, fonction d’échelle. Soit l’ensemble

{ϕ(x − k )}k∈Z avec:

g (ω)
ϕ(ω) = (2.1.1)
m(ω)
où m(ω) est donné par la relation (2.2). Supposons que m(ω) représente la réponse en
fréquence d’un filtre RIF, alors m(ω) n’a pas des zéros ( m(ω) ≠ 0, ∀ω ∈ R ). Soit:
∞
ϕ(x ) = ∑ ϕ k g(x − k )
k = −∞
la décomposition de la fonction ϕ(x ) dans la base {g(x − k )}k∈Z de l’espace V0 . Alors:
∞ ∞
ϕ(ω) = ∑ ϕ k e −ikω g(ω) ⇒ ∑ ϕ k e −ikω =
1
k = −∞ k = -∞ m(ω)
Donc les coefficients de la décomposition de la fonction ϕ(x ) dans la base {g(x − k )}k∈Z
sont les échantillons de la séquence ϕ k qui représente la réponse impulsionnelle du filtre
inverse du filtre avec la réponse en fréquence m(ω) .
Proposition 2.1.1. La condition d’orthonormalité de l’ensemble {ϕ(x − k )}k∈Z
est:
∞ 2
(2.1.2)
∑ ϕ(ω + 2lπ) = 1
l= −∞
Démonstration
Supposons que l’ensemble {ϕ(x − k )}k∈Z est orthonormal.
1, k = l ∞ 1, k − l = 0
ϕ(x − k ), ϕ(x − l ) =  ⇔ ∫ ϕ(x - k )ϕ(x − l )dx = 
0, k ≠ l -∞ 0, k − l ≠ 0
Mais l’autocorrelation de la fonction ϕ est:
∞
R ϕϕ (u ) = ∫ ϕ(x )ϕ(x + u )dx
−∞
ou à l’aide du changement de variable:
x = y−k
on obtient:
∞
RR ϕϕ (u ) = ∫ ϕ(y − k )ϕ(y − k + u )dy
−∞
Donc:
1, k − l = 0
R ϕϕ (k − l ) = ϕ(x − k ), ϕ(x − l ) = 
0, k − l ≠ 0
On a démontré ainsi que:
R ϕϕn = δ n
Donc:
∞
∑ R ϕϕk e −ikω = 1
k = −∞
Mais, en utilisant la formule sommatoire de Poisson on a:
13
∞ ∞ 2
∑ R ϕϕk e −ikω = ∑ ϕ(ω + 2lπ)
k = −∞ l = −∞
Donc:
∞ 2
∑ ϕ(ω + 2lπ ) = 1 (c.q.f.d)
l= −∞
Proposition 2.1.2. L’ensemble {ϕ(x − k )}k∈Z définit plus haut est une base
orthonormée de V0 .
Démonstration
On vérifie que l’ensemble {ϕ(x − k )}k∈Z est orthonormée.
ĝ (ω + 2kπ)
2
∞ ∞
∑ ϕˆ (ω + 2kπ) 2 = ∑
m(ω + 2kπ)
2
k = −∞ k = −∞
Mais la fonction m(ω) 2 est périodique de période 2π donc:

g (ω + 2kπ)
2 2 2
∞ ∞ ∞
∑ ϕˆ (ω + 2kπ) = ∑ ∑ ĝ(ω + 2kπ) = 1
1
=
m(ω) m(ω) k =−∞
2 2
k = −∞ k = −∞
Donc l’ensemble {ϕ(x − k )}k∈Z est orthonormé.

On démontre maintenant que chaque fonction de V0 peut être développée comme une
combinaison linéaire des éléments de l’ensemble {ϕ(x − k )}k∈Z . Soit f (x ) une fonction de
V0 .
∞ ∞
f (x ) = ∑ f k g(x − k ) ⇔ f̂ (ξ ) = ∑ f k e − ξ ĝ(ξ ) = m f (ξ )ĝ(ξ )
i k
k = −∞ k = −∞
où on a noté:
∞
m f (ξ ) = ∑ f k e −ikξ
k = −∞
Donc:

g (ξ ) g (ξ )
f (ξ ) = m f (ξ )m(ξ ) = m̂ ϕ (ξ ) = m ϕ (ξ )ϕ(ξ )
m(ξ ) m(ξ )
où on a noté:

m ϕ (ξ ) = m f (ξ )m(ξ )
On peut observer que m f (ξ ) et m(ξ ) représentent des transformées de Fourier des signaux
à temps continu échantillonnés. La relation équivalente (en temps) à la dernière relation
est:

f (x ) = m ϕ (x )∗ ϕ(x ) , m ϕ (x ) ↔ m ϕ (ξ )
où:
∞
m ϕ (x ) = ∑ m ϕk δ(x − k ) ; m ϕk = m ϕ (k )
k = −∞
Donc:
14
∞ ∞
f (x ) = ∑ m ϕk δ(x − k )∗ ϕ(x ) = ∑ m ϕk ϕ(x − k )
k = −∞ k = −∞
On a démontré ainsi que chaque fonction f (x ) en V0 peut s’écrire comme une
combinaison linéaire des éléments de l’ensemble {ϕ(x − k )}k∈Z . Donc cet ensemble est une
base orthonormée de V0 . On a démontré que pour chaque base de Riesz de V0
{g(x − k )}k∈Z on peut trouver une base orthonormée correspondante {ϕ(x − k )}k∈Z en
utilisant la relation:

g (ω)
ϕˆ (ω) =
m(ω)
avec:
∞ 2
m(ω) = ∑ g(ω + 2lπ)
2
l = −∞
On cherche maintenant la base duale de la base {g(x − k )}k∈Z en V0 .
Soit:

g (ω)
Ω(ω) = (2.1.3)
m(ω)
2
Proposition 2.1.3. L’ensemble {Ω(x − k )}k∈Z est la base duale de la base

{g(x − k )}k∈Z en V0 .
Démonstration
∞
g (x − k ), Ω(x − l ) = ∫ g(x − k )Ω(x − l)dx
−∞
L’intercorrelation des fonctions g et Ω est :
∞
R gΩ (u ) = ∫ g(x )Ω(x + u )dx
−∞
A l’aide du changement de variable:
x = y−k
on obtient:
∞
R gΩ (u ) = ∫ g(y − k )Ω(y − k + u )dy
−∞
Pour u = k − l on obtient:
∞
R gΩ (k − l ) = ∫ g(y − k )Ω(y − l)dy = g(x − k ), Ω(x − l)
−∞
Mais:
1 1 ∞ −i (k − l )ξ
g (x − k ), Ω(x − l ) = g (ξ )e −ikξ , Ω(ξ )e −ilξ = ∫ g(ξ )Ω(ξ ) e dξ =
2π 2π −∞

1 ∞ g (ξ )
2
= ∫ e −i(k −l )ξ dξ
2π −∞ m(ξ ) 2
15
ou:

1 ∞ (2 p +1)π g (ξ )
2
g (x − k ), Ω(x − l ) = ∑ ∫ e −i(k −l )ξ dξ
2π p =−∞ (2 p −1)π m(ξ ) 2
Apres le changement de variable ξ − 2pπ = u on obtient:

1 ∞ π g (u + 2pπ) −i(k −l )(u + 2 pπ )
2
g (x − k ), Ω(x − l ) = ∑ ∫ e du =
2π p =−∞ − π m(u + 2pπ ) 2
1 π ∞ 1 π −i(k −l )u
g (u + 2pπ) e −i(k −l )u du =
1 2
= ∫ ∑ ∫e du =
2π − π m(u ) 2 p =−∞ 2π − π
1, k − l = 0
=
0, k − l ≠ 0
Donc:
g(x − k ), Ω(x − l ) = δ k −l (c.q.f.d) (2.1.4)
Soit f une fonction en L2 (R ) et P0 (f ) sa projection orthogonale sur V0 . On peut écrire:
P0 (f ) − f , g(x − k ) = 0 ∀k ∈ Z
ou:
P0 (f )(x ), g(x − k ) = f (x ), g(x − k )
Donc le développement de la fonction P0 (f ) dans la base de Riesz {g(x − k )}k∈Z est:
∞ ∞
P0 (f )(x ) = ∑ P0 (f )(x ), g 0,k (x ) g 0,k (x ) = ∑ f (x ), g 0,k (x ) g 0,k (x ) (2.1.5)
k = −∞ k = −∞
où on a utilisé la notation:
g 0,k (x ) = g (x − k )
Mais l’ensemble {Ω(x − k )}k∈Z est aussi une base de l’espace V0 . On peut donc écrire
aussi:
∞
P0 (f )(x ) = ∑ f (x ), Ω(x − l) Ω(x − l)
l = −∞
Soit:
Ω 0,l (x ) = Ω(x − l )
Donc:
∞
P0 (f )(x ) = ∑ f (x ), Ω 0,l (x ) Ω 0,l (x ) =
l = −∞
∞ ∞
= ∑ ∑ f (x ), g 0,k (x ) g 0,k (x ), Ω 0,l (x ) Ω 0,l (x )
l = −∞ k = −∞
ou:
∞ ∞ ∞
P0 (f )(x ) = ∑ ∑ f (x ), g 0,k (x ) g 0,k (x ), Ω 0,l (x ) Ω 0,l (x ) = ∑ f (x ), g 0,k (x ) Ω 0,k (x )
l = −∞ k = −∞ k = −∞
On peut démontrer aussi la relation suivante:
∞
P0 (f )(x ) = ∑ f (x ), Ω 0,l (x ) g 0,l (x )
l = −∞
16
2.2. Exemples d’analyses multirésolution
Exemple 1. Fonction d’échelle de la base de Haar
{ [
V j = f (x )∈ L2 (R ) f (x ) − cons tan te sur 2 j k ,2 j (k + 1) ∀k ∈ Z ]}
On peut vérifier facilement les conditions 1 et 2 de la définition de l’analyse
multirésolution.
Soit:
g(x ) = 1[0,1] (x )
la fonction caractéristique pour l’intervalle [0,1].
g (x )
1
0 x
1
Figure 2.2.1. La fonction d’échelle pour la base de Haar.
∞ 1
R gg 0 = R gg [0] = ∫ g (x )dx = ∫ dx = 1
2
−∞ 0
∞ k ≠0
R gg = R gg [k ] = ∫ g(x )g(x + k )dx = 0
k
−∞
parce que les supports des fonctions g(x ) et g(x + k ) sont disjointes. On peut donc écrire:
∞ 2
∑ g(ω + 2kπ ) = 1
k = −∞
Donc l’ensemble {g(x − k )}k∈Z est une base orthonormée de V0 .
Remarque
En utilisant la dernière relation on peut montrer que:
2
 ω + 2 kπ 
∞
sin  
 2 
∑ ω + 2 kπ
=1
k = −∞
2
Démonstration
iξ iξ
− −
( )   ξ  ξ
1 2 2
ĝ (ξ ) = ∫ e −iξx dx = −
1 −i ξ e e
e −1 = −  − 2i sin    = − 2 sin  
0 iξ iξ   2  ξ  2
17
d’où:
2
 ξ + 2 kπ 
2 sin  
 2 
g (ξ + 2kπ) =
2
ξ + 2kπ
Donc:
2
 ξ + 2kπ 
sin  
∞ ∞
 2 
∑ g(ω + 2kπ) = 1 = ∑
2
(c.q.f.d)
k = −∞ k = −∞ ξ + 2 kπ
2
Cette identité, très intéressante, est difficile d’être démontrée en utilisant une méthode
différente. On a montré que:
∞ 2 ∞ ∞
m(ω) = g (ω + 2kπ) = ∑ R gg k e − ω = ∑ γ k e − ω = 1
2
∑
ik ik
k = −∞ k = −∞ k = −∞
Remarques
A. La fonction g est à support compact. On peut donc dire que l’analyse d’un signal de
V0 basée sur le développement dans la base {g (x − k )}k∈Z est bien localisée en temps.

B. Le spectre g(ω) a l’aspect présenté dans la figure 2.2.2.
ĝ(ξ )
1
0 .9
0 .8
0 .7
0 .6
0 .5
2
0 .4 ξ
0 .3
0 .2
0 .1
0
-8 0 -6 0 -4 0 -2 0 0 20 40 60 80 ξ
Figure 2.2.2. Le module du spectre de la fonction d’échelle dans le premier exemple.
Grâce à la dernière figure on peut constater que:

g (ξ ) ≤
2
ξ
18

On peut donc affirmer que la décroissance de la fonction g(ξ ) est faible et que la fonction
g n’est pas bien localisée en fréquence.
Soit:
C(ω) = m(ω)
2
Pour notre exemple:

C(ω) = 1, m(ω) ∈ C ∞
2
Remarque
Pour l’exemple considéré:

g(ω) = ϕ(ω) = Ω(ω)
donc:
g (x ) = ϕ(x ) = Ω(x )
Ainsi on a vérifié la condition 5 de l’analyse multirésolution. Les fonctions constantes par
morceaux appartient à un ensemble dense en L2 (R ) . Donc:
V j = L2 (R )
j
L’hypothèse 4 de la définition de l’analyse multirésolution est donc vérifiée elle aussi.
Soit {ϕ(x − k )}k∈Z la base orthonormée de V0 et P j (f ) la projection du signal f ∈ L2 (R ) sur
l’espace V j . On peut écrire f comme:
f = g+h
où g est une fonction en escalier et h est une fonction avec une norme arbitrairement
petite. Donc:
P j (f ) = P j (g ) + P j (h )
Mais:
P j (h ) < h
Donc:
P j (f ) ≤ P j (g ) + P j (h ) ≤ P j (g ) + h
Mais:
2
( )
2 j1
∞ ∞
g (x ) = 1[0,1] (x ) ⇒ P j (g ) ∑ 1[0,1] (x ) (x )
2
∑
j j
= ,gk = 22∫ g 2 x − k dx
k = −∞ k = −∞ 0

y = 2jx
on obtient:
j j
∞ − 2
P j (g ) ∫ (y − k ) dy
2 2
= ∑ 2 2 g
k = −∞ 0
En utilisant l’inégalité de Cauchy-Buniakovski-Schwartz on obtient:

∞ 2j
P j (g ) ∑ 2 2 ∫ ϕ(y − k ) dy
2 −j j2
≤
k = −∞ 0
Donc:
19
lim P j (g )
2
=0
j→−∞
On a démontré ainsi que:
V j = {0}
j
Donc l’hypothèse 3 de la définition de l’analyse multirésolution est aussi vérifiée pour
notre premier exemple.
Exemple 2.
 π
V0 = f (x )∈ L2 (R ) f (ξ ) = 0, ∀ξ, ξ > 
 2

Soit g(ξ ) la fonction présentée dans la figure 2.2.3.

g (ξ )
π π
−
2 2
Figure 2.2.3. Le spectre de la fonction d’échelle dans l’exemple 2.
On calcule la fonction d’échelle :

π π π 
 jπ x π  sin  x 
g(x ) =
1 2 jξx
2π π
∫ e dξ =
1 2
∫
2πjx π
d e jξx = ( )
1  2

2πjx 
e
− j x
−e 2  =


2  1
πx
 πx 
= sin c 
2  2 
− −  
2 2
Sa représentation graphique est dans la figure 2.2.4.
0 .5
0 .4
0 .3
0 .2
0 .1
-0 .1
-0 .2
-6 -4 -2 0 2 4 6
Figure 2.2.4. La fonction d’échelle dans l’exemple 2.
20
On peut facilement vérifier les hypothèses 1,2,3 et 4 de l’analyse multirésolution en
tenant compte de l’exemple 1 et de l’isomorphisme de Fourier entre L2 (R ) et L2 (R ) .
1 π(x − k ) 
L’ensemble  sin c  est une base orthonormée de l’espace V0 (des fonctions
2  2  k∈Z
d’énergie finie et bande bornée) grâce au théorème d’échantillonnage (W.K.S). Donc
l’hypothèse 5 de la définition de l’analyse multirésolution est aussi vérifiée.
Remarque
Cette analyse multirésolution permet une bonne localisation en fréquence (support

compact de g(ξ ) ) mais ne permet pas une bonne localisation en temps (le support de g(x)
est d’une longueur infinie). De plus, la fonction g(x) n’a pas une décroissance rapide.
Exemple 3.
{
V0 = f (x )∈ L2 (R ) f (x ) est une fonction de degre I sur chaque [k, k + 1), k ∈ Z }
Un élément de V0 , f 0 (x ) , peut avoir la représentation graphique présentée dans la figure
2.2.5.
f 0 (x )
x
2
0
1
Figure 2.2.5. Un exemple de fonction de V0 dans l’exemple 3.
La fonction d’échelle de cette analyse multirésolution est présentée dans la figure 2.2.6.
g (x )
x
-1 1
Figure 2.2.6. La fonction d’échelle dans l’exemple 3.
Remarque
g (x ) = 1  1 1  (x )∗ 1 1 1  (x )
− '
 2 2 − '
 2 2
   
Donc:
21
2
 ξ
 sin 

g (ξ ) =  2
 ξ 
 
 2 

La représentation graphique de la fonction g(ξ ) est présentée dans la figure 2.2.7.
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-40 -30 -20 -10 0 10 20 30 40
Figure 2.2.7. Le spectre de la fonction d’échelle dans l’exemple 3.
On peut vérifier facilement les hypothèses 1,2, et 3 de la définition de l‘analyse

multirésolution. En accord avec la figure 2.2.6 on peut écrire:
g(x ) = (1 + x )1[−1,0](x ) + (1 − x )1[0,1](x )
Donc:
∞ 0 1 1
R gg [0] = γ 0 = ∫ g 2 (x )dx = ∫ (1 + x )2 dx + ∫ (1 − x )2 dx = 2 ∫ u 2 du =
2
−∞ −1 o 0 3
On a démontré que:
R gg [0] = γ 0 =
2 (2.2.1)
3
∞ 0
R gg [1] = γ 1 = ∫ g(x )g(x + 1)dx = − ∫ (1 + x )xdx =
1
−∞ −1 6
22
∞ 1
R gg [− 1] = γ −1 = ∫ g(x )g(x − 1)dx = ∫ (1 − x )xdx =
1
−∞ 0 6
Pour:
k ≠ −1,0,1
on obtient:
∞
R gg [k ] = γ k = ∫ g(x )g(x + k )dx = 0
−∞
parce que les supports des fonctions g (x ) et g(x + k ) sont disjointes. Donc:
2
3 , n=0
 1
R gg [n ] =  , n = ±1
6
0, en reste

et la transformée de Fourier de la suite γ k est:
∞
∑ γ k e −iωk = +
2
3
(
1 iω
6
e + e −iω )
k = −∞
Donc:
m(ω) =
2 2 1
+ cos ω
3 3
Mais:
− 1 ≤ cos ω ≤ 1
C’est pourquoi on peut écrire:
1
≤ m(ω) ≤ 1
2
3
ou:
∞
≤ ∑ g(ξ + 2 kπ ) ≤ 1
1 2
3 k = −∞
qui représente la condition pour que {g (x − k )}k∈Z soit une base de Riesz avec A =
1
et
3
B = 1 . On a vérifié ainsi l’hypothèse 5 de la définition d’une analyse multirésolution.
Remarque
Pour cet exemple la relation:

∞ 2

m(ω) = ∑ g(ω + 2kπ )
2
k = −∞
s’écrit:
23
 ω + 2 kπ 
∞
sin 2  
m(ω) = ∑
2  2 
2
k = −∞  ω + 2kπ 
 
 2 
En revenant à la relation:
m(ω) =
2 2 1
+ cos ω
3 3
et tenant compte que:
m ∗ (ω) = m(− ω)
∞
pour des suites m k ∈ R ( m(ω) = ∑ m k e −iωk ), nous pouvons trouver l’expression de
k = −∞
m(ω) . Soit:
(
m(ω) = a + be −iω ⇒ m(− ω) = a + be iω ⇒ a + be −iω a + be iω = )( ) 2 1
+ cos ω
3 3
ou:
2 1
a 2 + abe iω + abe −iω + b 2 = + cos ω
3 3
d’où:
 2 2 2
a + b = 3
 1
 ab =
 6
Les solutions du système sont:
1 1
a= +
2 2 3
3− 3
b=
6
Avec la notation:
1 1
−
b 2 2 3
b' = =
a 1 1
+
2 2 3
on peut écrire:
(
m(ω) = a 1 + b' e −iω )
La base {g (x − k )}k∈Z n’est pas orthonormée. La base orthonormée correspondante est
{ϕ(x − k )}k∈Z , avec:

g (ω) ∞
ϕ(ω) = ↔ m k ⇒ ϕ(x ) = ∑ m k g(x − k )
1
;
m(ω) m(ω) k = −∞
24
La base duale de cette base orthonormée est {Ω(x − k )}k∈Z avec:

g(ω) ∞
Ω(ω) = ↔ M k ⇒ Ω(x ) = ∑ M k g(x − k )
1
;
m(ω) m(ω)
2 2
k = −∞
x
On présente dans la suite la liaison entre les fonctions g (x )∈ V0 et g  ∈ V1 . Ces
2
fonctions sont présentés à la figure 2.2.8
x
g(x) g 
2
1
1
x x
-1 1
-2 2
x
Figure 2.2.8. Les fonctions g (x ) et g  .
2
On peut écrire:
1 x 1
g  = g (x + 1) + g (x ) + g (x − 1)
1 1
2 2 4 2 4
En passant dans le domaine de la fréquence on obtient:
1 
g(2ξ ) =  e jξ + + e − jξ g (ξ )
1 1
(2.2.2)
 4 2 4 
Soit:
g m0 (ξ) = 1 e jξ + 1 + 1 e − jξ
4 2 4
On peut écrire:
 1 + cos ξ 
g (2ξ )= g m 0 (ξ )g (ξ ) ⇔ g (2ξ ) =  g (ξ )
 2 
Donc:

g(2ω)= g m 0 (ω)g(ω) (2.2.3)
ou:
g (2ω) g m 0 (ω) m(ω)

ϕ(2ω) = = ϕ(ω)
m(2ω) m(2ω)
Donc:

ϕ(2ω)= ϕ m 0 (ω)ϕ(ω)
avec:
g m0 (ω)m(ω) 1 x ∞
ϕ m0 (ω) = ; ϕm0 (ω)↔ ϕ m 0k ⇒ ϕ  = ∑ ϕ m 0 k ϕ(x − k )
m(2ω) 2  2  k =−∞
On peut observer que:
25
1 x
ϕ m 0k = ϕ , ϕ(x − k )
2 2
On peut démontrer que ϕ m 0k est à décroissance rapide. Donc: ϕ m0 (ω)∈ C ∞ . Ce résultat
peut être utilisé pour démontrer que:
g m0 (ω)∈ C ∞
et que:
Ω m0 (ω)∈ C ∞
En revenant à la relation (2.2.3) on peut écrire:
 ω  ω 
g (ω)= g m 0  g  (2.2.4)
2 2
ou:
 ω   ω  ω 
g   = g m 0  g  
2 4 4
d’où:
 ω  ω  ω 
g (ω)= g m 0   g m 0  g 
2 4 4
ou:
N  ω  ω 
g (ω) = ∏ g m 0  g 
J =1  2J   2N 
Pour N → ∞ on obtient:
∞  ω 
g (ω) = g m 0  g(0 ) (2.2.5)
J =1  2J 

Si g(x) est une fonction régulière, alors g(0 ) ≠ 0 .
Remarque
Pour ω = 0 la relation (2.2.4) peut être écrite:

g(0)= g m 0 (0)g(0)
Donc:
g m0 (0) = 1
Le filtre g m 0 (ω) est donc un filtre passe-bas.
26
2.2.1. Un point de vue algorithmique
En utilisant le dernier exemple, on obtient la relation entre les fonctions génératrices pour
divers V j . Nous avons l’intérêt de connaître les coefficients pour le développement de la
fonction g(x) dans la base {g(x − k )}k∈Z . En partant de la relation:

g (ω) = 1 ⋅ g (ω)
parce que:
δn ↔ 1
on peut écrire:
∞
g (x ) = ∑ δ n g(x − n )
n = −∞
Donc les coefficients cherchés sont δ n . Ces coefficients peuvent être obtenus par
l’échantillonnage de la fonction g(x) (voir la figure suivante).
g (x ), δ n
... ...
x
-2 -1 0 1 2 n
Figure 2.2.1.1. Les coefficients sont obtenus par l’échantillonnage de la fonction g(x).
Maintenant nous trouverons les coefficients du développement de la fonction g(x) dans la

base du V1 . On peut utiliser la relation:
 ω  ω 
g (ω)= g m 0  g 
2 2
où:
ω
 ω ∞ −i k
g m 0   = ∑ g m 0k e
2
 2  k = −∞
La relation équivalente dans le domaine du temps est:
∞
g (x ) = ∑ g m 0 k g (2 x − k )
1
2 k = −∞
Donc les coefficients cherchés sont:
 1
 2, k=0
 1
g m 0k =  , k = ±1
 4
0, k ≠ −1,0,1

Remarque
27
g (x ) (voir
1
Ces coefficients peuvent être obtenus par le suréchantillonnage de la fonction
2
la figure suivante).
g (x ), δ n
... ...
x
-2 3/2 -1 -1/2 0 1/2 1 3/2 2 n
Figure 2.2.2. Le suréchantillonnage de la fonction d’échelle.
Exemple 4.
V0 - l’espace vectorieldes splines d’ordre m par morceaux.

La fonction d’échelle correspondante est:
g(x ) = 1[0,1] (x )∗1[0,1] (x )∗ ...1[0,1] (x ) = 1[0,1]m (x )
28
3. Décomposition orthogonale du L2 (R )
On considère une analyse multirésolution de L2 (R ) avec l’espace V0 engendre par une

base orthonormée {g(x − k )}k∈Z . On note ϕ m 0 par m 0 . On peut donc écrire:

ϕ(2ω) = m 0 (ω)ϕ(ω) (3.1)
et:
∞ 2
∑ ϕ(ω + 2kπ) = 1, ∀ω ∈ R (3.2)
k = −∞
Pour ω → 2ω la relation (3.2) peut être écrite:
∞ 2
∑ ϕ(2ω + 2kπ) = 1
k = −∞
où:
∞ 2
∑ ϕ(2(ω + kπ)) = 1
k = −∞
Donc:
∞
∑ ϕ(ω + kπ) m 0 (ω + kπ) = 1
2 2
k = −∞
ou:
∞ 2 ∞ 2
ϕ(ω + 2pπ) m 0 (ω + 2pπ) + ϕˆ (ω + (2p + 1)π) m 0 (ω + (2p + 1)π) = 1
2 2
∑ ∑
p = −∞ p = −∞
Mais m 0 (ω) est la réponse en fréquence d’un filtre numérique, qui est une fonction 2 π
périodique. C’est pour ca que la dernière relation peut être écrite comme:
∞ 2 2
2 ∞
m 0 (ω) ∑ ϕ(ω + 2pπ ) + m 0 (ω + π ) ∑ ϕ(ω + (2p + 1)π ) = 1
2
(3.3)
p = −∞ p = −∞
Pour ω → ω + π la relation (3.1) est:
∞
∑ ϕ(ω + π + 2pπ ) = 1
2
(3.4)
p = −∞
A l’aide des relations (3.1) et (3.4) peut être écrit:
m 0 (ω) + m 0 (ω + π ) = 1
2 2 (3.5)
Donc la réponse en fréquence du filtre numérique m 0 (ω) , qui fait la liaison entre les
bases orthonormées des espaces V0 et V1 doit subir à la condition (3.5).
Soit:
m1 (ω) = e −iω (m 0 (ω + π ))* (3.6)
et:

ψ(ω) = m1 (ω)ϕ(ω) (3.7)
Soit:
W−1 = W ∩ L2 (R )
où W est l’espace vectoriel engendre par l’ensemble {ψ(x − k )}k∈Z .
29
Proposition 3.1. i) W−1 ⊥V−1
ii) {ψ(x − k )}k∈Z est une base orthonormée de W−1
iii) V0 = V−1 ⊕ W−1
Démonstration
W−1 ⊂ V0
En effet:
∞
m1 (ω) = ∑ (− 1)n −1 m 01− n e −inω
n = −∞
1 x ∞
ψ(2ω) ↔ ψ  = ∑ (− 1)n −1 m 01− n ϕ(x − n )
2  2  n = −∞
x 
Donc les fonctions ψ − k  sont des combinaisons linéaires des fonctions
2 
{ϕ(x − n )}n∈Z et donc: ψ x − k   ⊂ V0 On a montre ainsi que chaque

 2   k∈Z
 x 
combinaison linéaire des fonctions ψ − k   est en V0 . Donc: W−1 ⊂ V0 .
 2   k∈Z
∞ 2

Calculons maintenant la somme de la série: ∑ ψ(2(ω + kπ )) . On obtient:
k = −∞
∞ ∞ 2 2

∑ ψ(2(ω + kπ )) = ∑ m1 (ω + kπ ) ϕ(ω + kπ ) =
2
k = −∞ k = −∞
∞ 2 ∞ 2

= ∑ m1 (ω + 2 pπ ) ϕ(ω + 2 pπ ) + ∑ m1 (ω + (2 p + 1)π ) ϕ(ω + (2p + 1)π )
2 2
p = −∞ p = −∞
Mais m1 (ω) est une fonction périodique de période 2π parce qu’il s’agit de la réponse en
fréquence d’un filtre numérique, donc:
∞ 2 ∞ 2 ∞
∑ ψ (2(ω + kπ)) = m1 (ω) ∑ ϕ(ω + 2pπ) + m1 (ω + π) ∑ ϕ(ω + (2p + 1)π)
2 2 2
k = −∞ p = −∞ p = −∞
ou:
∞ 2
ψ(2(ω + kπ)) = m1 (ω) + m1 (ω + π )
2 2
∑
k = −∞
Mais:
2 2 2
m1 (ω) = e −iω (m 0 (ω + π))∗ = e −iω m *0 (ω + π) = m 0 (ω + π)
2 2
et:
2
( 2
)
m1 (ω + π) = e −i(ω+ π ) m *0 (ω + 2π) = m 0 (ω + 2π ) = m 0 (ω)
2 2
30
Donc:
∞ 2
ψ (ω + 2kπ ) = 1 = m 0 (ω) + m 0 (ω + π) (∀)ω ∈ R
2 2
∑ (3.8)
k = −∞
m1 (ω) + m1 (ω + π ) = 1, (∀)ω ∈ R
2 2
(3.9)
Remarque
On a retrouve les filtres QMF (codage sous-bande).
ω
Pour ω → la relation (3.8) devienne:
2
∞ 2
∑ ψ(ω + 2kπ) = 1
k = −∞
Donc l’ensemble {ψ(x − k )}k∈Z est orthonormé.
ψ(x − k ), ψ(x − l ) = δ k −l (3.10)

Calculons maintenant le produit scalaire:
( ) ( ) ( ) ( )
1 1 ∞
− -
2 2 ψ 2 −1 x − k , 2 2 ψ 2 −1 x − l = 2 −1 ∫ ψ 2 −1 x − k ψ * 2 −1 x − l dx
−∞
En faisant le changement de variable:

2 −1 x = u
on obtient:
(2 ) (2 )
1 1
− −
2 2ψ −1
x − k ,2 2ψ −1
x −l = ψ(x − k ), ψ(x − l ) = δ k −l
 −1 
Donc l’ensemble  2 −1 
2 ψ 2 x − k  ( ) est orthonormé.
 
k∈Z
Soit f(x) une fonction en V0 . Cette fonction peut être développée dans la base
{ϕ(x − k )}k∈Z . La relation correspondante à ce développement, dans le domaine de la
fréquence est:

f (ω) = m f (ω)ϕ(ω)
Soit la fonction h(x) qui corresponde à la relation:

h (ω) = m1 (ω)f (ω) = m f (ω)m1 (ω)ϕ(ω) = m f (ω)ψ (2ω)
Donc la fonction h(x) peut être écrite comme une combinaison linéaire des fonctions
 −1 
 2
 2 ψ (
2 −1
x − k)
 qui sont en W−1 . On peut donc dire que h (x )∈ W−1 . Pour chaque
 
k∈Z
f (x )∈ V0 existe une fonction h (x )∈ W−1 qui peut être écrite comme une combinaison
31
(2 −1 x − k ) . On a démontré ainsi que l’ensemble
1
−
linéaire des fonctions 2 2ψ
 −1 
 2 −1
( 
2 ψ 2 x − k  est ) une base orthonormée de W−1 . L’hypothèse ii) est donc vérifiée.
 
k∈Z
Calculons maintenant:
∞ ∞
∑ ψ (2(ω + kπ ))ϕ ∗ (2(ω + kπ)) = ∑ m1 (ω + kπ)ϕ(ω + kπ)m ∗0 (ω + kπ )ϕ ∗ (ω + kπ) =
k = −∞ k = −∞
∞ ∞
∑ m1 (ω + kπ)m ∗0 (ω + kπ) ϕ(ω + 2pπ) = ∑ m1 (ω + 2pπ)m ∗0 (ω + 2pπ ) ϕ(ω + 2pπ ) +
2 2
=
k = −∞ p = −∞
∞
∑ m1 (ω + (2p + 1)π)m ∗0 (ω + (2p + 1)π) ϕ(ω + (2p + 1)π)
2
p = −∞
Donc:
∞ ∞ ∞ 2

∑ ψ (2(ω + kπ ))ϕ* (2(ω + kπ)) = m1 (ω)m ∗0 (ω) ϕ(ω + 2pπ) + m1 (ω + π)m ∗0 (ω + π) ϕ(ω + (2p + 1)π) =
2
∑ ∑
k = −∞ p = −∞ p = −∞
= m1 (ω)m ∗0 (ω) + m1 (ω + π)m ∗0 (ω + π)

(3.11)
En utilisant la relation (3.6) on obtient:

∞
∑ ψ (2(ω + kπ ))ϕ ∗ (2(ω + kπ)) = e −iω m ∗0 (ω + π)m ∗0 (ω) + e −iω e −iπ m ∗0 (ω)m1∗ (ω + π) =
k = −∞
=e −iω
(1 − 1)m ∗0 (ω + π)m ∗0 (ω) = 0, (∀)ω ∈ R
Donc:
∞
∑ ψ (2(ω + kπ ))ϕ ∗ (2(ω + kπ)) = 0, (∀)ω ∈ R (3.12)
k = −∞
ω
Pour ω → on obtient:
2
∞
∑ ψ (ω + 2kπ )ϕ ∗ (ω + 2kπ) = 0
k = −∞
On peut écrire:
π  ∞ 

∫  ∑ ψ(ω + 2kπ)ϕ (ω + 2kπ)dω = 0
∗
− π  k = −∞ 
et aussi:
 1 π  ∞ ∗  − j(m −n )ω
  ∫  ∑ ψ (ω + 2kπ)ϕ (ω + 2kπ) e dω = 0
 2π − π k = −∞ 
ou:
 1  ∞ π
[ ]
0 =   ∑ ∫ ψ(ω + 2kπ)ϕ ∗ (ω + 2kπ ) e − j(m − n )(ω+ 2 kπ )dω
 2π k = −∞ −π


ω + 2 kπ → ω
on obtient:
32
 1  ∞
(2k +1)π  1 ∞
ψ (ω)ϕ ∗ (ω)e − j(m −n )ω dω =   ∫ ψ(ω)e − jmω ϕ ∗ (ω)e jnω dω =

0=  ∑ ∫
2 π
 k = −∞ (2 k −1)π π
 −∞
2
 1 
=   ψ (ω)e − jmω , ϕ(ω)e − jnω = ψ(x − m ), ϕ(x − n )
 2π 
Donc pour chaque entiers m et n on a:

ψ(x − m ), ϕ(x − n ) = 0, (∀)x ∈ R
Mais:
∞
ψ (x − m ), ϕ(x − n ) = ∫ ψ (x − m )ϕ (x − n )dx
∗
−∞
u
x=
2
la dernière relation devienne:
1 ∞ u  u  1 x  x 
ψ (x − m ), ϕ(x − n ) =   ∫ ψ − m ϕ ∗  − n du = ψ − m , ϕ − n 
 −∞ 
2 2   2  2  2   2 
Donc:
x  1 x 
ϕ − n  = 0 (∀)m, n ∈ Z
1
ψ  − m ,
2  2  2  2 
 1 x   1 x 
On a démontré ainsi que les ensembles:  ψ − m , et  ϕ − n  sont
 2  2   m∈Z  2  2  n∈Z
orthogonales. L’ensemble {ϕ(x − k )}k∈Z est orthonormé:
ϕ(x − l ), ϕ(x − p ) = δ l− p (3.13)
Mais:
∞
ϕ(x − l ), ϕ(x − p ) = ∫ ϕ(x − l)ϕ (x − p )dx
∗
−∞
Apres la substitution:
u
x=
2
on peut écrire:
∞
  ∗  x  1 x 
ϕ(x − l ), ϕ(x − p ) =
u u du 1
∫ ϕ 2 − l ϕ  2 − p  2 = ϕ − l , ϕ − p  = δ l− p
−∞     2  2  2  2 
 1 x 
L’ensemble  ϕ − k  est donc orthonormé.
 2 2  k∈Z
Soit f(x) une fonction en V0 . Cette fonction peut être développée dans la base
{ϕ(x − k )}k∈Z . La relation correspondante en fréquence est:

f (ω) = m f (ω)ϕ(ω)
Soit la fonction h(x) définit par:

h (ω) = m 0 (ω)f (ω) = m 0 (ω)m f (ω)ϕ(ω) = m f (ω)ϕ(ω)
33
Donc la fonction h(x) peut être écrite comme une combinaison linéaire des fonctions
 −1 
 2
 2 ϕ (
2 −1
x − k)
 qui sont en V−1 .
 
k∈Z
 1 x 
On peut facilement démontrer que l’ensemble  ϕ − k  est une base orthonormée
 2 2  k∈Z
de V−1 . On peut donc dire que l’espace W−1 est engendré par l’ensemble
 1 x 
 ϕ − k  . Donc V−1⊥W−1 (voir la relation (3.13). L’hypothèse i) est donc vérifiée
 2  2  k∈Z
aussi.
Soit f(x) une fonction en V0 . On peut écrire:
∞
f (x ) = ∑ a 0k ϕ(x − k ) (3.14)
k = −∞
Soit f1 (x ) la projection de la fonction f(x) sur l’espace V−1 . On peut écrire:
f (x ) = f 1 (x ) + d 1 (x )
L’erreur d’approximation du signal f(x) par le signal f1 (x ) , d 1 (x ) , est orthogonale sur
l’espace V−1 (du au théorème de projection), donc le signal d 1 (x ) est dans l’espace W−1 .
 1   1 
ψ (x − k ) et  ϕ − k  :
x
On peut développer ces fonctions dans les bases 
 2  k∈Z  2 2  k∈Z
1 ∞ x  x 
f1 (x ) =   ∑ f (x ), ϕ − k  ϕ − k  (3.15)
 2  k = −∞ 2  2 
1 ∞ x  x 
d 1 (x ) =   ∑ f (x ), ψ − k  ψ − k  (3.16)
 2 k = −∞ 2  2 
parce que:
x  x  x 
f (x ), ψ − k  = f 1 (x ), ψ − k  + d 1 (x ), ψ − k 
2  2  2 
et le premier terme du membre droit est nul.
Introduisant (3.14) dans (3.15) et (3.16) on obtient:
1 ∞ ∞ x  x 
f1 (x ) =   ∑ ∑ a 0l ϕ(x − l), ϕ − k  ϕ − k  (3.17)
 2 k = −∞ l= −∞ 2  2 
1 ∞ ∞ x  x 
d 1 (x ) =   ∑ ∑ a 0l ϕ(x − l), ψ − k  ψ − k  (3.18)
 k = −∞ l= −∞
2  2   2 
En utilisant les notations:
∞
(3.19)
 
∑ a 0l ϕ(x − l), ϕ − k 
x
a −k1 =
l= −∞ 2 
et
∞   (3.20)
∑ a 0l ϕ(x − l), ψ − k 
x
dk =
l = −∞ 2 
On peut donc écrire:
34
1 ∞ x 
f1 (x ) =   ∑ a k−1ϕ − k  (3.21)
 2 k = −∞ 2 
1 ∞ x 
d 1 (x ) =   ∑ d k ψ − k  (3.22)
 2 k =−∞ 2 
Soit:
∞
1  x
∫  2 ϕ 2 ϕ (x − p )dx
∗
hp =
−∞    
Donc:
∞ ∞
∗ x   x − 2k 
∫ ϕ(x − p )ϕ  − k  dx = ∫ ϕ(x − p )ϕ ∗  dx
−∞ 2  −∞  2 
On utilise le changement de variable:
X = x − 2k
et la dernière relation peut être écrite:
∞ ∞
∗ x  X
∫ ϕ(x − p )ϕ  − k  dx = ∫ ϕ(X + 2k − p )ϕ ∗  dX = 2h ∗p − 2k
−∞ 2  −∞ 2
La relation (3.19) devienne:
∞
a −k1 = 2 ∑ a l h ∗l−2k
0 (3.23)
l = −∞
Soit:
∞ 1
  x
h p = ∫  ψ ϕ ∗ (x − p )dx
~
−∞  2   2 
Donc:
∞ ∞
∗  ∗ 
∫ ϕ(x − p )ψ  2 − k dx = ∫ ϕ(X + 2k − p )ψ  2 dX = 2h p− 2k
x ∗ X ~
−∞   −∞  
La relation (3.20) devienne:
∞
0~
dk = 2 ∑ a l h l∗− 2k (3.24)
l = −∞
Remarques
A) Les relations (3.23) et (3.24) donnent les modalités de calcul des coefficients des
projections de la fonction f(x) sur les espaces V−1 et W−1 , a −k 1 et d k à l’aide des
coefficients du développement de cette fonction dans la base de V0 , a 0k .
B) Les coefficients h p et h p sont lies avec les réponses en fréquence m 0 (ω) et m1 (ω) . En
~
effet:
1 x ∞ 1 x ∞
 ϕ  = ∑ ϕ , ϕ(x − p ) ϕ(x − p ) = ∑ h p ϕ(x − p )
 2   2  p = −∞ 2  2  p = −∞
En fréquence:
∞
ϕ(2ω) = ∑ h p e − ω ϕ(ω)
i p
p = −∞
Mais:
35

ϕ(2ω) = m1 (ω)ϕ(ω)
Donc la suite {h p }p∈Z est la réponse impulssionnelle du filtre numérique avec la réponse
en fréquence m1 (ω) .
C) Les coefficients des signaux f1 (x ) et d 1 (x ) sont obtenus par codage en sous-bandes de

{ }
la suite a 0k k∈Z
. En effet les relations (3.23) et (3.24) correspondent au système
présenté à la figure 3.1.
2h ∗−k ↓2 a −k 1
a 0k
~
2 h ∗−k ↓2 dk
Figure 3.1 Système de codage en sous-bandes qui transforme le signal a 0k k∈Z en générant les signaux{ }
a −k 1 et d k .
~
Si h k ∈ R et h k ∈ R alors:
h k ↔ m 0 (ω) ⇔ h -k ↔ m ∗0 (ω) h -k ↔ m1∗ (ω)
~
{ }n∈Z peut être reconstruite à l’aide des suites {a −n1 }n∈Z et {d n }n∈Z .
D) La suite a 0n
∞
f (x ) = ∑ a n ϕ(x − n )
0
n = −∞
1 ∞ x  1 ∞ x 
f1 (x ) + d1 (x ) =   ∑ a n−1ϕ − n  +   ∑ d n ψ − n 
 2  n = −∞ 2   2 n =−∞  2 
Mais:
1 x  ∞
 ϕ − k  = ∑ m 0 p ϕ(x − 2k − p )
 2  2  p = −∞
1 x  ∞
 ψ − k  = ∑ m1p ϕ(x − 2k − p )
 2  2  p =−∞
Donc:
∞  ∞ ∞ 
f1 (x ) + d 1 (x ) = ∑  a n− ∑ m 0p ϕ(x − 2n − p ) + d n ∑ m1p ϕ(x − 2n − p )
1
n = −∞  p = −∞ p = −∞ 
l = 2n + p
on obtient:
∞ ∞ ∞
f1 (x ) + d 1 (x ) = ∑ (a −n1 ∑ m 0l − 2n ϕ(x − l) + d n ∑ m1l − 2 n ϕ(x − l) =
n = −∞ l = −∞ l = −∞
∞  ∞ 
= ∑  ∑ a −n1 m 0l − 2 n + d n m1 l− 2 n ϕ(x − l )
n = −∞  l = −∞ 
36
Par identification on obtient:
∞
a 0l = ∑ a −n1m 0l − 2 n + d n m1l − 2 n (3.25)
n = −∞
C’est la liaison entre les coefficients a n , a −n 1 et d n . Le schéma d’implantation
correspondante est présentée à la figure suivante.
a −n 1 ↑2 m 0 (ω)
a 0n
dn ↑2 m1 (ω)
Figure 3.2. Schéma de décodage.
Donc la fonction f(x) peut être reconstruite exactement en utilisant les fonctions f1 (x ) et
d 1 (x ) , à l’aide des filtres m 0 (ω) et m1 (ω) qui respectent les conditions:
m 0 (ω) + m 0 (ω + π) = 1
2 2
m1 (ω) + m1 (ω + π ) = 1
2 2
m 0 (ω)m1∗ (ω) + m 0 (ω + π)m1∗ (ω + π) = 0
E)
V0 = V−1 ⊕ W−1
Démonstration
V−1 ⊂ V0 ; W-1 ⊂ V0 ; V-1 ⊥W−1 ; V-1 ∩ W−1 = Φ

∀f ∈ V0 ∃ f1 ∈ V −1 et g 1 ∈ W −1 tel que: f = f1 + g 1 ⇔ V0 = V−1 ∪ W−1
Donc l’hypothèse III) est aussi vérifiée.
F) On peut démontrer aussi que:
V1 = V0 ⊕ W0 = V−1 ⊕ W−1 ⊕ W0
C’est à la cause que le produit scalaire est invariant aux dilatations. En iterant on peut
démontrer que:
  (3.26)
VJ = V0 ⊕  ⊕ Wp 
 0≤ p ≤ J 
Mais parce qu’il s’agit d’une analyse multirésolution:
VJ = L2 (R ) ⇒ L2 (R ) = ⊕ WJ
J J∈Z
Donc l’ensemble {WJ }J∈Z est une décomposition orthogonale de L2 (R ) .
37
3.1. L’algorithme FWT (Fast Wavelet Transform)
On suppose qu’on connaît la projection f(x) sur l’espace VJ0 , f J0 (x ) :

∞ ∞
f J 0 (x ) = ∑ f (x ), ϕ J 0 ,k (x ) ϕ J 0 ,k (x ) = ∑ f J 0 ,k ϕ J 0 ,k (x )
k = −∞ k = −∞
La projection de la fonction f(x) sur l’espace VJ 0 −1 , f J0 −1 (x ) est identique à la projection
de la fonction f J0 (x ) sur l’espace VJ 0 −1 . On peut donc utiliser pour obtenir les projections
de la fonction f(x) sur les espaces VJ 0 −K , K > 0 le schéma présenté dans la figure 3.1.1:
VJ 0 VJ 0 −1 VJ 0 −2
f J 0 −1,k
2m ∗0 (ω)
f J 0 ,k ↓2 2m ∗0 (ω) ↓2 f J 0 − 2,k
2m1∗ (ω) 2m1∗ (ω) 2m1∗ (ω)
↓2 ↓2 ↓2
e J 0 −1,k e J 0 − 2, k e J 0 −3,k
WJ 0 −1 WJ 0 −2 WJ 0 −3
Figure 3.1.1. Le schéma d’implantation de l’algorithme FWT.
Remarque
x  x 
a −k1 = f (x ), ϕ − k  ; d k = f (x ), ψ − k 
2  2 
J 0 = −1
x 
f J 0 ,k = f (x ), ϕ J 0 ,k (x ) f (x ),
1 1 −1
= ϕ − k  = ak
2  2  2
Donc:
(3.23)
f −1,k =
1
a −k1 = 2
∞ ∞
( )
∑ a 0l h ∗l−2k = ∑ a 0l 2 h ∗l−2k = 2 ∑ f 0,k h ∗l− 2k
∞
2 l = −∞ l = −∞ l= −∞
On peut donc arriver à f −1,k en partant de a 0k à l’aide du filtre 2 m ∗0 (ω) .
On a noté avec e J 0 −1,k les coefficients du développement de la fonction f J0 (x ) dans la
base de l’espace WJ 0 −1 :
e J 0 −1,k = f (x ), ψ J 0 −1,k (x )
Soit:
38
 x 
= f (x ), ϕ
−J0
ak − k 
J0
2 
(3.1.1)
et:
 x 
= f (x ), ψ
−J 0
dk − k 
J0
2 
Le schéma de la figure antérieure devienne:
−J0 − J 0 −1
ak 2m ∗0 (ω) ↓2 ak
2m1∗ (ω) 2m1∗ (ω)
↓2 ↓2
− J 0 −1 −J0 −2
dk dk
Figure 3.1.2. Une partie de la schème présentée dans la figure 3.1.1.
{ } { }
Parce que on peut reconstituer le signal a 0n n∈Z en utilisant les suites a n−1 n∈Z et {d n }n∈Z
(nous avons vu déjà ça) on peut utiliser le système d’identité présenté à la figure 3.1.3.
a −n 1
2m ∗0 (ω) ↓2 ↑2 m 0 (ω)
a 0n
a 0n
dn
2m1∗ (ω) ↓2 ↑2 m1 (ω)
Figure 3.1.3. Système d’identité basé sur le codage et le décodage en sous-bandes.
Les suites a −n 1 et d n ne représentent pas les coefficients des projections du signal f (x )∈ V0

sur les sous-espaces V−1 et W−1 mais ces suites ont des valeurs proportionnelles avec ces
coefficients. Le dernier schéma est équivalent avec le schéma présenté dans la figure
suivante:
39
f −1,n
2 m ∗0 (ω) ↓2 ↑2 2 m 0 (ω)
a 0n
a 0n
e −1,n
2 m1∗ (ω) ↓2 ↑2 2 m1 (ω)
Figure 3.1.4. Un autre schéma de système d’identité.
Ce système est utilisé dans les applications des ondelettes au debruitage.

On peut utiliser aussi le système d’identité présenté à la figure suivante.
a −n 1
2
m ∗0 (ω) ↓2 ↑2 2m 0 (ω)
a 0n
a 0n
dn
2m1 (ω)
2
m1∗ (ω) ↓2 ↑2
Figure 3.1.5. Un autre schéma de système d’identité.
C’est le système utilisé dans les applications d’analyse d’images. En revenant à la figure
3.1.2, on peut démontrer en utilisant la relation (3.1.1) que:
J
a n0 =
∞ J −1
( J −1
∑ a l 0 m 0 n −2l + d l 0 m1n − 2l
l = −∞
) (3.1.2)
On peut donc obtenir la suite { } à l’aide des suites: {a } , {d }

J
a n0
J 0 −1
n n∈Z
J 0 −1
n n∈Z , {a }
J0 −2
n n∈Z ,
{d }
J 0 −2
n n∈Z ... {a } , {d }
J 0 −K
n n∈Z
J 0 −K
n n∈Z , en utilisant le schéma présenté à la figure suivante.
J −K
a n0 J − K +1
a n0
↑2 m 0 (ω)
J −K ↑2 m 0 (ω)
d n0 J −K + 2
↑2 m1 (ω) a n0
J − K +1
d n0
m1 (ω)
... ↑2 m 0 (ω) J
↑2 a n0
J −1
a n0
↑2 m1 (ω)
J −1
d n0
Figure 3.1.6. Le schéma de reconstruction.
L’algorithme présenté dans la figure 3.1.6. s’appelle IFWT (Inverse Fast Wavelet
Transform).
Remarque
Soit f J0 (x ) la projection du signal f(x) sur l’espace VJ0 :
40
ϕ(2 x − k ) 2 ϕ(2 )
J0 J0
∞ ∞
f J 0 (x ) = ∑ f (x ), ϕ J 0 ,k (x ) ϕ J 0 ,k (x ) = ∑ f (x )
,2 2 J0 2 J0
x−k
k = −∞ k = −∞
Si on utilise dans l’algorithme les coefficients:
( )
J0
f (x ) ,2 2 ϕ 2 J0 x − k
alors ces coefficients dépendent d’échelle.
Démonstration
Soit:
f (x ) = C (une constante )
( ) ( )
J0 J0 ∞
f (x )
,2 2 ϕ 2 J0 x − k = C2 2 ϕ 2 J0 ∫ x − k dx
−∞

2 J0 x = u
on obtient:
( )
J0 ∞ ∞
f (x )
,2 2 ϕ 2 J0 x − k = C2 J0 ∫ ϕ(u − k )2
−J0
du = C ∫ ϕ(u − k )du = CK (c.q.f.d)
−∞ −∞
où on a utilise la notation:
∞
∫ ϕ(u − k )du = K
−∞
Donc quand on désire l’indépendance des coefficients d’échelle on utilise l’algorithme
présenté dans la figure 3.1.5.
3.2. La caractérisation des analyses multirésolution à l’aide des

polynômes associés aux ondelettes
On a vu que pour engendrer l’espace V−1 en partant de V0 on utilise le filtre avec la

réponse en fréquence m 0 (ω) en utilisant la relation:

ϕ(2ω) = m 0 (ω)ϕ(ω)
Ce filtre doit satisfaire la condition:
m 0 (ω) + m 0 (ω + π) = 1, (∀)ω ∈ R
2 2
On sait que:
m 0 (ω) = 1
Donc:
1 + m 0 (π) = 1 ⇒ m 0 (π) = 0
2
Pour engendrer l’espace W−1 en partant de V0 on utilise le filtre avec la réponse en fréquence
m1 (ω) .
41

ψ (2ω) = m1 (ω)ϕ(ω)
avec:
m1 (ω) = e −iω m ∗0 (ω + π)
Donc:
m1 (0 ) = m ∗0 (π) = 0
et:
m1 (π) = e −iπ m ∗0 (π + π) = −1 ⇒ m1 (π) = 1
Un exemple de filtres avec les réponses en fréquence m 0 (ω) et m1 (ω) est présenté dans la figure
suivante:
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
-5 0 5 -5 0 5
a) b)
Figure 3.2.1. Exemple de filtres avec les réponses en fréquence m 0 (ω) et m1 (ω) .
Dans la figure a) est présentée la caractéristique m 0 (ω) et dans la figure b) la
2
caractéristique m1 (ω) ( m1 (ω) = m 0 (ω + π ) ).

2 2 2
π
Proposition 3.2.1. Si m 0 (ω) 2 est strictement positive pour ω ∈ 0,  , alors:
 2

ϕ(ω)
2
i) ω= π >0 et

ii) ϕ(ω) 2
ω= 2 kπ =0 (∀)k ∈ Z − {0}; ϕ(ω)
2
ω= 0 =1
Démonstration
 ω  ω   ω   ω  ω   ω  ω   ω  ω 
ϕ(ω) = m 0  ϕ  = m 0  m 0  ϕ  = ... = m 0  m 0   ... m 0  ϕ 
2 2 2 4 4  2   22   2N   2N 
Pour:
ω=π
on obtient:
 π  π   π  π 
ϕ(π) = m 0  m 0   ... m 0  ϕ 
 2   22   2N   2N 
Mais:

ϕ(0 ) ≠ 0
42
 π 
et ϕ(ω) est continue en 0. Donc pour N suffisamment grand ϕ  ≠ 0 et:
 2N 
2 2 2 2
 π  π   π   π 
ϕ(π)
2
= m 0   m 0   ... m 0   ϕ  >0 (c.q.f.d)
2 2
2   2N   2N 
Donc la partie i) est démontrée.
La condition de régularité pour l’ondelette est (voir le premier chapitre):
ψ (k ) (0 ) = 0, k = 0, r

Mais:
 ξ   ξ  ξ=0
ψ (ξ ) = m1  ϕ  ⇒ 0 = m1 (0 )ϕ(0 ) ⇒ m1 (0 ) = 0
   
2 2
 ξ  ξ   ξ   ξ  ξ=0
ψ ' (ξ ) = m1'  ϕ  + m1  ϕ'   ⇒ ψ ' (0 ) = m1' (0 )ϕ(0 ) + m1 (0 )ϕ' (0 )
   
2 2    
2 2

⇒ 0 = m1' (0 )ϕ(0 ) ⇒ m1' (0 ) = 0
.
.
.
ξ =0
k  ξ  ξ 
ψ (k ) (ξ ) = m1( )  ϕ  + ... ⇒ ψ (k ) (0 ) = m1( ) (0 )ϕ(0 ) + ... ⇒ 0 = m1( ) (0 )
k k
   
2 2
On a montré donc que:
m1(k ) (0 ) = 0 (∀)k = 0, r
Mais:
ω= 0
m1 (ω) = e −iω m ∗0 (ω + π) ⇒ 0 = [m 0 (π )]∗ ⇒ m 0 (π) = 0
m1' (ω) = −ie −iω m ∗0 (ω + π) + e −iω m ∗0' (ω + π) ⇒ m1' (0 ) = −im ∗0 (π) + m ∗0' (π) ⇒
⇒ m '0 (π) = 0...
Donc:
m 0 (π) = m '0 (π) = ... = m 0(r ) (π) = 0 (3.2.1)
Mais:
 ξ   ξ  ξ= 2π
ϕ(ξ ) = m 0  ϕ  ⇒ ϕ(2π) = m 0 (π )ϕ(π ) = 0
   
2 2
parce que:
m 0 (π) = 0
On a montré ainsi que:

ϕ(2π) = 0
Pour ξ = 4π on obtient:

ϕ(4π) = m 0 (2π)ϕ(2π) = 0 ⇒ ϕ(4π) = 0
Pour ξ = 6π on obtient:

ϕ(6π ) = m 0 (3π)ϕ(3π ) = m 0 (π + 2π)ϕ(3π)
Mais m 0 (ξ ) est la réponse en fréquence d’un filtre numérique. Donc il s’agit d’une
fonction 2π -périodique. On peut donc écrire:
43
m 0 (π + 2π) = m 0 (π) = 0
Donc:

ϕ(6π) = 0
En continuant ainsi on peut démontrer que:

ϕ(2kπ) = 0 (∀ )k ∈ Z − {0}

Pour trouver la valeur ϕ(0) on utilise la relation:
∞ 2
∑ ϕ(ξ + 2kπ) = 1
k = −∞
Parce que:
 ξ  ξ  ξ  ξ 
ϕ(ξ ) = m 0  ϕ  ⇔ ϕ(ξ + 2kπ) = m 0  + kπ ϕ + kπ 
   
2 2  2   2 
Donc:
2 2
∞ ξ   ξ 
∑ m 0  + kπ  ϕ + kπ  =1
k = −∞  2   2 
Pour ξ = 0 on obtient:
∞ 2
2
∑ m 0 (kπ) ϕ(kπ) = 1
k = −∞
ou:
∞ 2 ∞ 2

m 0 (2kπ) ϕ(2kπ) + m 0 ((2k + 1)π) ϕ((2k + 1)π) = 1
2 2
∑ ∑
k = −∞ k = −∞
Mais on a démontré déjà que:
m 0 ((2p + 1)π) = m 0 (π) = 0
et:

ϕ(2pπ) = 0 (∀ )p ∈ Z − {0}
Donc:
2
m 0 (0) ϕ(0 ) = 1 ⇒ ϕ(0) = 1
2 2
On a démontré ainsi ii) aussi.
Remarques
A) On peut démontrer aussi que:

ϕ (k ) (2pπ) = 0 k = 1, r , p = 1,2,3...

Démonstration
On a:
m 0(k ) (π) = 0, k = 0, r
Nous avons aussi:

ϕ(2ω) = m 0 (ω)ϕ(ω)
Donc:

2ϕ' (2ω) = m 0 ' (ω)ϕ(ω) + m 0 (ω)ϕ' (ω)
Pour:
ω=π
44
on obtient:

2ϕ' (2π) = m 0 ' (π)ϕ(π) + m 0 (π )ϕ' (π) = 0
On a démontré que:

ϕ' (2π) = 0
Pour:
ω = 2π
on obtient:

2ϕ' (4π) = m 0 ' (2π)ϕ(2π) + m 0 (2π)ϕ' (2π)
Donc:

ϕ' (4π) = 0
Par récurrence on peut démontrer que:

ϕ' (2pπ) = 0 (∀)p ∈ Z − {0}
On peut continuer avec les dérivés d’ordre supérieur.
B) On peut démontrer que les polynômes d’ordre inférieur ou égal à r sont dans V0 .
Démonstration
La transformée de Fourier par rapport à la variable y de la fonction ϕ(x − y ) est:

∞
ϕ(x − y ) ↔ ∫ ϕ(x − y ) e
−iξy
dy
−∞
x−y=Y
on obtient:
∞
ϕ(x − y ) ↔ − ∫ ϕ(Y ) e -iξ(x -Y )dY = e −iξx ϕ(− ξ )

−∞
Apres l’échantillonnage avec pas égal à 1 par rapport à la variable y de la fonction ϕ(x − y )
on obtient la suite des fonctions ϕ(x − k ) k ∈ Z . En utilisant la formule sommatoire de
Poisson on obtient:
∞ ∞
∑ ϕ(x − k ) = ∑ ϕ(− 2pπ) e
-i2px
k = −∞ p = −∞
Mais:

ϕ(− 2pπ) = 0 pour p ≠ 0
Donc:
∞
∑ ϕ(x − k ) = ϕ(0)
k = −∞
Mais:

ϕ(0 ) = 1
Donc:
∞
∑ ϕ(x − k ) = 1
k = −∞
45
∞
La somme ∑ ϕ(x − k ) est une combinaison linéaire des éléments de la base de V0 . On
k = −∞
peut dire que les polynômes d’ordre 0 sont dans V0 . La transformée de Fourier par
rapport à la variable y de la fonction yϕ(x − y ) est:
( )
∞

yϕ(x − y ) ↔ ∫ yϕ(x − y )e dy = i dξ e ϕ(− ξ ) = xe ϕ(− ξ ) = −ie ϕ' (− ξ )
−iξy −ixξ d
−ixξ −iξx
−∞
Apres l’échantillonnage avec pas égal à 1 par rapport à la variable y de la fonction
yϕ(x − y ) on obtient la suite kϕ(x − k ) . En utilisant la formule sommatoire de Poisson on
obtient:
∞
ik
∞
[
∑ kϕ(x − k )e − ω = ∑ xϕ(− ξ − 2pπ)e − (ξ+ π ) − ie − π ϕ' (− 2pπ)

i 2p x i 2p x
]
k = −∞ p = −∞
Pour:
ω=0
on peut écrire:
∞ ∞
[
∑ kϕ(x − k ) = ∑ xϕ(− 2pπ)e − 2pπx − ie −i 29πx ϕ(− 2pπ)

]
k = −∞ p = −∞
Mais:

ϕ(− 2pπ) = 0 pour p ∈ Z - {0}
Donc:
∞
∑ kϕ(x − k ) = xϕ(0) − iϕ' (0)
k = −∞
On a démontré ainsi que les polynômes de premier degré sont en V0 . On peut continuer
par récurrence.
La relation (3.2.1) nous permet d’écrire:
N
 1 + e −i ω 
m 0 (ω) =   P(ω) (3.2.2)
 2 
 
La régularité d’ondelette est donnée par le facteur:
N
 1 + e − iω 
 
 2 
 
Pour N = 1 on obtient le filtre avec la réponse en fréquence:
 1 + e − iω  1
m 0 (ω) =   ↔ m 0 =  2 , k = 0,1 (3.2.3)
 
 0, k ∈ Z − {0}
k
 2 
Donc:
1 x 1 1
 ϕ  =  ϕ(x ) +  ϕ(x − 1)
 2  2  2  2
Cette relation est vérifiée par la fonction d’échelle correspondante à la base de Haar:
ϕ(x ) = 1[0,1] (x )
Pour N=2, on obtient:
2
 1 + e − iω 
m 0 (ω) =   = 1 + 1 e −iω + 1 e − 2iω
 2  4 2 4
 
46
Donc:
1
 , k=0
4
1
m 0k =  , k = 1,2
2

 0, k ∈ Z − {0,1,2}
et:
1 x 1
 ϕ  = ϕ(x ) + ϕ(x − 1) + ϕ(x − 2 )
1 1
   
2 2 4 2 2
Cette équation est vérifiée par la fonction présentée dans la figure 3.2.2.
ϕ(x )
0.5
x
0 1 2
Figure 3.2.2. La fonction d’échelle de cet exemple.
On peut observer la ressemblance avec la fonction d’échelle correspondante à la base des

fonctions “splines” d’ordre 1. On peut donc dire que pour:
P(ω) = 1
on obtient la généralisation des fonctions d’échelle correspondantes aux bases
orthonormées avec des fonctions “splines”. On cherche maintenant les fonctions m 0 (ω)
qui correspondent aux filtres à réponses impulssionnelle finies. D’après la relation (3.2.2)
on peut écrire:
2
N 2N
[m 0 (ω)]
2  1 + e −i ω
=
 2



( )
P e −i ω
2
=
1 + e −i ω
2
( )
P e −i ω
2
 
Mais:
ω  iω ω 
−i −i
e 2 e 2 +e 2 
 
 
1 + e −i ω  
= = cos(ω)
2 2
Donc:
2
1 + e −i ω 1 + cos ω
= cos 2 ω =
2 2
et:
47
( )
N
2  1 + cos ω  2
m 0 (ω) =   P e − iω (3.2.4)
 2 
Les conditions pour les filtres avec la réponse en fréquence m 0 (ω) sont:
m 0 (0 ) = 1 et m 0 (π) = 0
Ces conditions sont satisfaites par les polynômes de la forme:
n n
1 + cos ω  1 + cos ω  1 − cos ω   1 + cos ω   1 − cos ω 
m 0 (ω) =
2
+ α1    cos ω + ... + α n     cos ω + ...
2  2  2   2   2 
(3.2.5)
La suite {α k }k ≥1 doit être tel que:
0 ≤ m 0 (ω)
2
En effet la condition m 0 (0) = 1 est satisfaite parce que:

1 + cos ω
ω= 0 = 1
2
et les autres termes s’annulent parce que:
1 − cos ω
ω= 0 = 0
2
et la condition m 0 (π) = 0 est aussi satisfaite parce que:
1 + cos ω
ω= π = 0
2
Alors on a:
n n
1 + cos ω  1 + cos ω  1 − cos ω   1 + cos ω   1 − cos ω 
m 0 (ω) + m 0 (ω + π ) =
2 2
+ α1    cos ω + ... + α n     cos ω +
2  2  2   2   2 
n n
1 − cos ω  1 − cos ω  1 + cos ω   1 − cos ω   1 + cos ω 
+ − α1    cos ω − ... − α n     cos ω = 1
2  2  2   2   2 
Donc la condition:
m 0 (ω) + m 0 (ω + π) = 1
2 2
est aussi vérifiée.
3.2.1. Exemples
1. Pour α k = 0 k ∈ Z + on obtient:
1 + cos ω
m 0 (ω) =
2
2
Mais:
m 0 (ω) = m 0 (ω)m 0 (− ω)
2
Donc:
e iω + e − iω
1+
m 0 (ω)m 0 (− ω) =
2
2 1 1
(
= + e i ω + e −i ω
2 4
)
48
Soit:
−iω
m 0 (ω) = α + β e ( )( )
⇒ m 0 (− ω) = α + βe iω ⇒ m 0 (ω) = α + β e −iω α + βe iω = α 2 + β 2 + αβ e iω + e −iω
2
( )
 2 2 1
α + β = 2
 1
 αβ =
 4
Les solutions de ce système sont:
1 1
α= et β =
2 2
Donc:
1 + e −i ω
m 0 (ω) =
2
On a obtenu le filtre associe à la fonction d’échelle correspondante à la base de Haar.
2. Soit:
1 + cos ω
X=
2
On obtient le polynôme:
P(X ) = X (1 + α 1 (1 − X )(2X − 1)) + α 2 (1 − X )2 (2X − 1) + α 2 (1 − X )2 (2X − 1)X + ... + α n X n −1 (1 − X )n (2X − 1) + ...
parce que :
cos ω = 2X − 1
et:
1 − cos ω
= 1− X
2
Pour α1 = 1 on obtient:
(
P(X ) = X 2 3 − 2X + α 2 (1 − X )2 (2X − 1) + ... + α n X n − 2 (1 − X )n (2X − 1) )
49
Soit:
−iω
m 0 (ω) = α + β e ( )( )
⇒ m 0 (− ω) = α + βe iω ⇒ m 0 (ω) = α + β e −iω α + βe iω = α 2 + β 2 + αβ e iω + e −iω
2
( )
 2 2 1
α + β = 2
 1
 αβ =
 4
Les solutions de ce système sont:
1 1
α= et β =
2 2
Donc:
1 + e −i ω
m 0 (ω) =
2
On a obtenu le filtre associe à la fonction d’échelle correspondante à la base de Haar.
2. Soit:
1 + cos ω
X=
2
On obtient le polynôme:
P(X ) = X (1 + α 1 (1 − X )(2X − 1)) + α 2 (1 − X )2 (2X − 1) + α 2 (1 − X )2 (2X − 1)X + ... + α n X n −1 (1 − X )n (2X − 1) + ...
parce que :
cos ω = 2X − 1
et:
1 − cos ω
= 1− X
2
Pour α1 = 1 on obtient:
(
P(X ) = X 2 3 − 2X + α 2 (1 − X )2 (2X − 1) + ... + α n X n − 2 (1 − X )n (2X − 1) ) (3.2.1.1)
Pour α 2 = α 3 = ... = α n = 0 on obtient:
P(X ) = X 2 (3 − 2X )
Il s’agit d’une ondelette à deux moments nuls. Cette ondelette mère est nommée
Daubechies 2 (DAU2).
On a:
2 2
2  1 + cos ω   1 + cos ω   1 + cos ω 
m 0 (ω) =   3 − 2 =  (2 − cos ω)
 2   2   2 
ou:
2  1 + cos ω  1 + cos ω 
m 0 (ω) =   (2 − cos ω)
 2  2 
Soit:
1m0 (ω) 2 = 1 + cos ω = 2 m0 (ω) 2 et 3 m0 (ω) 2 = 2 − cos ω
2
Donc:
m 0 (ω) = 1 m 0 (ω) (ω) 2 (ω) 2
2 2
2 m0 3 m0
ou:
50
m 0 (ω)=1 m 0 (ω)2 m 0 (ω)3 m 0 (ω)
Nous pouvons choisir (comme on a procédé dans l’exemple antérieur) :
−iω
1m0 (ω)= 2 m 0 (ω) = 1 + e
2
Ainsi:
3 m0 (ω) 2 = 3 m 0 (ω)3 m 0 (− ω) = 2 − cos ω
Soit:
3 m0 (ω) = α + β e −iω
Alors:
3 m0 (− ω) = α + βe −iω
et:
3 m0 (ω)3 m 0 (− ω) = α 2 + αβ(e iω + e −iω )+ β 2 = 2 − cos ω
Donc:
α 2 + β 2 = 2

 1
 αβ = − 2
Les solutions sont:
1+ 3 1− 3
α= et β =
2 2
Donc:
 1+ 3
 , n=0
 2
1 + 3 1 − 3 −i ω  1- 3
3 m 0 (ω) = + e ↔ 3 m 0 [n ] =  , n =1
2 2  2
0 , en reste


On a obtenu ainsi:
 1 + e −iω  1 + e −iω  1 + 3 1 − 3 −iω 
m 0 (ω) =    + e 
 2  2  2 2 
   
Mais:
1
2 , n = 0
1+ e −iω  1
↔ 1 m 0n =  , n = 1
2 2
0, en rest

Donc:
1
4 , n=0
2 
 1 + e −iω  1
  ↔ 1 m 0 [n ]∗ 2 m 0 [n ]=1 m 0 [n ]∗1 m 0 [n ] =  2 , n =1
 2 
  1
 , n=2
4
 0, en reste
51
1 + 3
 , n=0
 8
 3+ 3
 8 , n =1

m 0 (ω) ↔ m 0 [n ]=1 m 0 [n ]∗ 2 m 0 [n ]∗ 3 m 0 [n ] =  3 - 3
 , n=2
 8
 1- 3 , n = 3
 8
 0,
 en reste
Donc le filtre à réponse impulssionnelle m 0 [n ] a 4 coefficients.
D’ici vienne la
dénomination DAU4, qui est aussi utilisée (par exemple dans la boite à outils WaveLab
du logiciel Matlab).
Remarque
On peut continuer par récurrence. Pour obtenir dans la relation (3.2.1.1) comme facteur
commun est nécessaire que le terme libre (le terme de degré 0) du polynôme:
3 − 2X + α 2 (1 − X )2 (2X − 1) soit nulle. Donc:
3−α2 = 0
Pour α 2 = 3 et α 3 = α 4 = ... = 0 on obtient le polynôme:
(
P(X ) = X 2 3 − 2X + 3(1 − X )2 (2X − 1) )
ou:
(
P(X ) = X 3 10 − 5X + 6X 2 )
Donc:
3 2
 1 + cos ω  10 − 15 1 + cos ω + 6 1 + cos ω 
m 0 (ω) 
2
= 
 2   2  2  
 
etc.
On peut obtenir ainsi toutes les filtres de Daubechies ou les filtres miroir en quadrature
presque symétriques de Coifman.
3.2.2. La régularité des bases. Le problème du produit infini pour

les filtres finis
On sait que la fonction d’échelle pour la base de Haar est:

 ω
ω sin  
−i 2
ϕ(x ) = 1[0,1] (x ) ↔ ϕ(ω) = e 2
ω
2
et que le filtre numérique correspondent a la réponse en fréquence:
1 + e − iω 2 1 + cos ω
m 0 (ω) = ; m 0 (ω) =
2 2
On peut écrire:
52
−i
ω  ω
∞
ω sin  
1+ e 2j −i 2 (3.2.2.1)
∏ =e 2
ω
j=1 2
2
ou:
ω ω
∞
1 + cos sin 2
j
2 = 2 (3.2.2.2)
2
j=1 2  ω
 
2
En utilisant la relation (3.2.2.1) on peut obtenir:
N N
 ω  ω
−i ω
∞ 1+ e 2j  −iN  sin 
∏  

=e 2 2
 ω 
(3.2.2.3)
j=1 2
   
   2 
Mais si on utilise la fonction d’échelle présentée dans l’exemple 2 alors il faut
utiliser le produit infini:
2 2
 ω   ω   ω
4
∞
 1 + cos j  ∞
 1 + cos j  ∞  sin  ∞
 ω  ω  ω
∏  2 

 2 − cos  = ∏  2 
 ∏ 
 2 − cos  =  2
 2 − cos 
j=1

2
  2 j  j=1  2
 j=1 2  
j ω  j=1  2j 
 
     2 
Le problème qui arrive est que le produit:
∞  ω
 2 − cos 
j=1  2j 
n’est pas convergente pour toutes les valeurs de l’intervalle [−π, π] . Par exemple le
produit est divergent pour ω = π (c’est un produit de facteurs de magnitude
supérieure à 1). Donc sa contribution à la fonction d’échelle n’est pas régulière.
La convergence de ce produit doit être considérée au sens des distributions.
Jusqu’à présent nous n’avons pas considéré que le cas des bases orthonormées
engendrées par la fonction ϕ(x ) . On a aussi les bases de Riesz duales engendrées
par les fonctions g(x ) et Ω(x ) . Nous savons déjà que:

g (ω)
ϕ(ω) =
m(ω)
et que:
g m0 (ω)= ϕ m 0 (ω) m(2ω)
m(ω)
Donc:
g m0 (ω) = ϕ m0 (ω) m(2ω)
m(ω)
Mais:
m(2ω)
>0 (∀)ω ∈ R
m(ω)
et:
53
g m0 (π )= ϕ m 0 (π) m(2π )
m(π)
On peut donc affirmer que les conditions pour g m0 (ω) sont équivalentes aux
conditions pour ϕ m0 (ω) , qui ont été déjà présentés. Nous avons déjà parlé de la
convergence du produit infini:
∞ ω
ϕ(ω) = ∏ m 0  
j=1  2j 
Dans le chapitre suivant on trouvera la signification dans l 2 (Z) de cette chose.
Comme conclusion on peut affirmer que la construction d’une fonction d’échelle
ou d’une ondelette mère reposent sur la connaissance des filtres à réponse en
fréquence m 0 (ω) et m1 (ω) . Pour déterminer les spectres de la fonction d’échelle et
de l’ondelette mère correspondante on peut utiliser les relations:
∞ ω
ϕ(ω) = ∏ m 0  
j=1  2j 
et:
 ω  ω   ω ∞ ω
ψ (ω) = m1  ϕ  = m1   ∏ m 0  
2 2  2  j=2  2j 
En faisant la transformée de Fourier inverse on obtient les expressions de la fonction
d’échelle et de l’ondelette mère. Malheureusement le calcul de ces produits est difficile.
Donc est très difficile d’obtenir les expressions analytiques des fonctions ϕ(t ) et ψ (t ) .
En revanche, on peut calculer facilement la transformée en ondelettes discrète d’un
signal (en utilisant le système présenté à la figure 3.1.1.) parce que les expressions des
réponses en fréquence m 0 (ω) et m1 (ω) sont très bien connues (pour chaque couple
fonction d’échelle ondelette mère).
54
4. La décomposition de l’espace l 2 (Z)
Le produit scalaire sur l 2 (Z) est défini par :

∞ ∞
u[n ], v[n ] = ∑ u[n ]v ∗ [n ] = ∑ u[n ]v[n ]
n = −∞ n = −∞
pour des suites réels.
Soit h[k ] la réponse impulssionnelle d’un filtre numérique et:
∞ ∞
m 0 (ω) = ∑ h[k ] e −ikω = ∑ m 0 [k ] e −ikω
k = −∞ k = −∞
son réponse en fréquence.
On considère que le filtre a la propriété:
m 0 (ω) + m 0 (ω + π) = 1
2 2
Par isométrie de Fourier on peut écrire aussi:

∞ 2 π
∞
∑ m 02 [k ] =  1  ∫ m 0 (ω) dω =  1  ∫ m 0 (ω)m ∗0 (ω)dω
k = −∞  2π  −∞  2π  − π
On note par τ 2k m 0 l’action de l’opérateur de retard avec 2k sur la suite m 0 = {m 0 [n ]}n∈Z .
Par exemple pour k = 1 on obtient τ 2 m 0 qui représente la suite obtenu de la suite m 0 en
retardant chaque élément avec 2 unités. Un exemple pour l’action de l’opérateur τ 2 est
présenté dans la figure 4.1.
0 m 0,1 m 0,2 0
m0 m 0, 0 m 0 ,3
m
-1 0 1 2 3 4 n
0 0 m 0,1 m 0 ,3
τ2m0 0 m 0, 0 m 0, 2 m 0,4
n
-1 0 1 2 3 4 5 6
Figure 4.1. Un exemple d’action de l’opérateur τ 2 .
Dans ce cas on a:
m 0 , τ 2 m 0 = m 0,2 m 0,0 + m 0,3 m 0,1
Pour k = −1 on obtient τ − 2 m 0 Un exemple d’action de cet opérateur est présenté dans la

figure 4.2. On obtient:
m 0 , τ − 2 m 0 = m 0,2 m 0,0 + m 0,3 m 0,1
55
0 m 0,1 m 0,2 0
m0 m 0, 0 m 0 ,3
m
-1 0 1 2 3 4 n
0 m 0,1 m 0 ,3 0
τ −2 m 0 m 0, 0 m 0, 2 0 0
n
-3 -2 -1 0 1 2 3 4
Figure 4.2. Un exemple de l’utilisation de opérateur τ − 2 .
On calcule maintenant la fonction d’autocorrelation de la famille des suites {τ 2k 2 m 0 }k∈Z .
∞ n − 2 k = 2l ∞
R τ 2 k m 0 [p ] = ∑ m 0 [n − 2k ]m 0 [n − 2k + p] = 2 ∑ m 0 [2l]m 0 [2l + p] =
k = −∞ l= −∞
∞ ∞
∑ m 0 [l]m 0 [l + p]+ ∑ (− 1) m 0 [l]m 0 [l + p] = R m0 [l][p]+ R (−1)l mo [l][p]
l
=
l = −∞ l= −∞
Mais:
R m 0 [l][p ] ↔ m 0 (ω)
2
et:
∞ ∞
(− 1)l m 0 [l] ↔ ∑ (− 1)l m 0 [l]e −iωl = ∑ e −ilπ m 0 [l]e −iωl = m 0 (ω + π)
l = −∞ l = −∞
Donc:
R τ 2 k m 0 [p ] ↔ m 0 (ω) + m 0 (ω + π) = 1
2 2 (4.1)
Soit l’espace vectoriel:

{
V−1 = e.v. 2 τ 2 k m 0 k∈Z ∩ l 2 (Z) } (4.2)
Soit le filtre avec la réponse en fréquence:
m1 (ω) = e −iω m ∗0 (ω + π) ↔ {m1 [n ]}n∈Z = m1
Soit l’espace vectoriel engendré par l’ensemble {τ 2k 2 m1 }k∈Z :
{
W−1 = e.v. τ 2k 2 m1 k∈Z ∩ l 2 (Z) } (4.3)
On observe que:
m1 (ω) + m1 (ω + π ) = 1
2 2
Donc:
Rτ
2k 2 m1
[p] ↔ 1 (4.4)
Mais:
∞
Rτ 2 m1
[p] = ∑ m1 [n − 2k + p]m1 [n − 2k ] ↔ 1 ↔ δ[p] ⇒ R τ2k 2 m1
[p] = δ[p] (4.5)
2k
k =∞
et:
56
∞ k 2 = k1 + r ∞
τ 2 k1 m, τ 2 k 2 m = ∑ m[n − 2k 1 ]m[n − 2k 2 ] = ∑ m n − 2k1 m n −2k1 − 2r = R τ2 k 2m
[− 2r ]
n = −∞ n = −∞
En utilisant la relation (4.5) on peut écrire que:
1, k 1 = k 2 
τ 2 k1 m, τ 2 k 2 m =   = δ[k 1 − k 2 ]
0, k 1 ≠ k 2 
Donc la famille {τ 2k m}k∈Z est orthonormée. On a démontré ainsi que les ensembles:
{τ 2k }
2 m 0 k∈Z et {τ 2k 2 m1 }k∈Z sont orthonormés. Donc ce sont des bases orthonormées
des espaces V−1 et W−1 . On calcule maintenant l’intercorrelation des suites {τ 2k 2 m 0 }k∈Z
et {τ 2k 2 m1 }k∈Z .
∞ n − 2 k = 2l ∞
Rτ
2k 2 m 0 ,τ 2 k 2 m1
[p] = 2 ∑ m 0 [n − 2k + p]m 0 [n − 2k ] = 2 ∑ m 0 [2l + p]m1 [2l] =
k = −∞ l = −∞
∞ ∞
∑ m 0 [l + p]m1 [l]+ ∑ (− 1) m 0 [l + p]m1 [l]
l
=
l = −∞ l = −∞
Mais:
∞
∑ m 0 [l + p]m1 [l] = R m0 [l],m1 [l][p] ↔ m 0 (ω)m1 (ω)
∗
l= −∞
et:
∞
∑ (− 1) m 0 [l + p]m1 [l] ↔ m 0 (ω + π)m1∗ (ω + π)
l
l= −∞
Donc:
Rτ 2 m0 ,τ 2 k 2 m1
↔ m 0 (ω)m1∗ (ω) + m 0 (ω + π)m1∗ (ω + π)
2k
Mais:
m 0 (ω)m1∗ (ω + π) + m 0 (ω + π)m1∗ (ω + π ) = m 0 (ω) e iω m 0 (ω + π) + m 0 (ω + π) e i(ω+ π )m 0 (ω + π) =
= m 0 (ω) e iω m 0 (ω + π ) − m 0 (ω) e iω m 0 (ω + π) = 0 (∀)ω ∈ R
Donc:
Rτ 2 m0 ,τ 2 k 2 m1
=0
2k
On a démontré ainsi que les ensembles {τ 2k 2 m 0 }k∈Z et {τ 2k 2 m1 }k∈Z sont orthogonales.

Donc les espaces V−1 et W−1 sont orthogonaux et on peut écrire:
l 2 (Z ) = V−1 ⊕ W−1
Soit U 0 = {u 0 [n ]}n∈Z un élément du l 2 (Z) . On calcule la projection du U 0 sur l’espace V−1 ,
U −1 = {u −1 [n ]}n∈Z :
∞
u −1 [n ] = ∑ u 0 [n ],τ 2k 2m 0 [n ] τ 2k 2 m 0 [n ]
k = −∞
Les coefficients de la projection sont : u 0 [n ], τ 2k 2m 0

Soit deux éléments de l’espace l 2 (Z) u n et v n −2k . Leur produit scalaire peut s’exprimer
dans la forme:
u n , v n -2k = u[n ]∗ v[n ] n = 2k

où:
v[n ] = v[−n ]

57
Démonstration
∞ ∞
∑ u[n ]v[n − 2k ] = ∑ u[n ]v[2k − n ] =u[2k ]∗ v[2k ] = u[n ]∗ v[n ] n = 2k (c.q.f.d)

u n , v n −2k =
n = −∞ n = −∞
Le système de projection des signaux de l 2 (Z) sur l’espace V−1 est présenté dans la figure
4.3. Le signal u 0 [n ] peut être développé aussi dans la base {δ[n ]} n∈Z de l 2 (Z) . Ses
coefficients sont dans ce cas {u 0 [n ]} n∈Z . Donc à l’entrée du système de la figure 4.3. on a
les coefficients de la décomposition du signal u 0 [n ] dans la base {δ[n ]} n∈Z et à sa sortie
les coefficients de la décomposition de sa projection, le signal u −1 [n ], dans la base
{τ 2k 2m 0 } k∈Z du V−1 . v[n ]
u 0 [n ] 2m ∗0 (ω) ↓2 c k = u −1 [n ], τ 2 k 2 m 0
Figure 4.3. Le système de projection sur l’espace V−1 .
La transformée de Fourier à temps discret du signal u 0 [n ] est :

∞ −inω
U 0 (ω) = ∑ u 0 [n ] e
n = −∞
Donc:
v[n ] ↔ 2 U 0 (ω)m ∗0 (ω) = V (ω)
1   ω ω   ω ∗ ω ω  ∗ω 
ck ↔ V  + V + π  = U 0  m 0   + U 0  + π m 0  + π  = U −1 (ω) (4.6)
2 2 2  2 2 2  2 
On peut calculer de la même manière la projection du U 0 sur l’espace W−1 ,
D −1 = {d −1 [n ]}n∈Z :
∞
D −1 = ∑ u 0 [n ], τ 2k 2 m1 [n ] τ 2k 2 m1 (4.7)
k = −∞
Les coefficients e k = u 0 [n ], τ 2k 2 m1 [n ] peuvent être obtenus à l’aide des coefficients

{u 0 [n ]}n∈Z en utilisant le système présenté à la figure 4.4.
v[n ]
u 0 [n ] 2m1∗ (ω) ↓2 e k = u 0 [n ], τ 2 k 2 m1 [n ]
Figure 4.4. Le système de projection du signal u 0 [n ] sur l’espace W−1 .

La relation fréquentielle correspondante est:
Ω Ω Ω  Ω 
e k ↔ D −1 (Ω ) = m1∗   U  + m1∗  + π  U + π  (4.8)
2 2 2  2 
Donc le signal u 0 [n ] peut être décomposé dans la somme:
u 0 [n ] = u −1 [n ]+ d −1 [n ]
58
et les coefficients des développements des trois signaux dans les bases
{δ[n ]}n∈Z , {τ 2k 2 m 0 k∈Z } et {τ 2k 2 m1 }k∈Z sont liés par le système présenté dans la figure
4.5.
u 0 [n ] 2m ∗0 (ω) ↓2 c[k ]
2m1∗ (ω) ↓2 e[k ]
Figure 4.5. Système de décomposition du signal u 0 [n ] dans ses composantes dans les espaces V−1 et
W−1 .
Parce qu’il s’agit d’un codage en sous-bandes on peut obtenir une reconstruction parfaite
en utilisant le système présenté dans la figure 4.6.
a [k ]
c[k ] ↑2 m 0 (ω)
u 0 [n ]
b[k ]
e[k ] ↑2 m1 (ω)
Figure 4.6. Le schéma de reconstruction du signal u 0 [n ] .
En effet en utilisant (4.6) et (4.8) on obtient:

a [k ] ↔ m ∗0 (ω)U(ω) + m ∗0 (ω + π)U(ω + π)
b[k ] ↔ m1∗ (ω)U (ω) + m1∗ (ω + π)U(ω + π)
Donc, à la sortie du système on a:
[ ] [
m 0 (ω) m ∗0 (ω)U (ω) + m ∗0 (ω + π)U(ω + π) + m1 (ω) m1∗ (ω)U(ω) + m1∗ (ω + π)U(ω + π) = ]
( )
= m 0 (ω) U(ω) + m 0 (ω)m ∗0 (ω + π) + m1 (ω)m1∗ (ω + π) U(ω + π) + m1 (ω) U (ω)
2 2
On a démontré déjà que:

m 0 (ω)m ∗0 (ω + π) + m1 (ω)m1∗ (ω + π) = 0
Donc la transformée de Fourier du signal à la sortie du système est égale à :
 m (ω) 2 + m (ω + π ) 2  U(ω) = U (ω)
 0 0

La reconstruction parfaite est donc réalisée. On peut écrire:
V0 = V−1 ⊕ W−1
Nous n’avons pas que d’itterer pour montrer que:
V0 = l 2 (Z) = V−1 ⊕ W−1 = V− 2 ⊕ W−2 ⊕ W−1 = ... = V− J ⊕ W− J ⊕ ... ⊕ W−1
On a obtenu ainsi la décomposition orthogonale de l’espace l 2 (Z) .
59
5. La construction de la fonction d’échelle à l’aide du produit
infini
Nous voulons construire la fonction d’échelle ϕ(x ) en utilisant la formule:

∞ ω
ϕ(ω) = ∏ m 0   (5.1)
j=1  2j 
où m 0 (ω) est une fonction tel que:
m 0 (ω) + m 0 (ω + π ) = 1, m 0 (0 ) = 1, m 0 ( k ) (π) = 0, k = 0, N
2 2
Est-ce que l’ensemble {ϕ(x − k )}k∈Z obtenu ainsi est une base orthonormée ?
Est-ce que la fonction ϕ(x ) est-elle régulière ?
Ce sont les questions dont la réponse est donnée dans ce chapitre.

Prenons l’exemple du filtre DAU2. Alors:
2
 1 + e −iω   a + b e -iω 
m 0 (ω) =    
 2   a+b 
   
On peut vérifier facilement que:
m 0 (0 ) = 1; m 0 (π ) = m '0 (π) = 0
On peut écrire aussi:
m 0 (ω) = m 00 + m 01e −iω + m 02 e −2iω + m 03 e −3iω (5.2)
ω
Les facteurs du produit de la relation (5.1) sont m 0   . Il faut trouver la signification
2j 
ω ω
des fonctions m 0   . Pour ω → , la relation (5.2) devienne:
2j  2
ω
 ω 3 −ik
m 0   = ∑ m 0 [k ] e 2 (5.3)
 2  k =0
Cette fonction est périodique de période 4π . On peut donc dire que le support de sa
ω
restriction à sa période principale est l’intervalle [−2π,2π] . Pour ω → la relation (5.2)
2j
devienne:
ω
ω 3 −ik j (5.4)
m 0   = ∑ m 0 [k ] e 2
 2 j  k =0
Le support de la restriction de cette fonction à sa période principale est l’intervalle
[ ]
− 2 j π, 2 j π .
On quitte maintenant l’exemple du filtre DAU2 pour établir quelques résultats plus
générales.
Soit la fonction:
p(ω) = m 0 (ω)1[−π,π] (ω)
60
La fonction p(ξ ) est la transformée de Fourier d’une fonction f (x )∈ L2 (R ) .
L’échantillonnage à pas unitaire de cette fonction donne la suite des échantillons m 0 [k ].
Donc:
m 0 [k ] = f (k )
En utilisant le théorème W.K.S. on peut écrire:
∞ sin [π(x − k )]
f (x ) = ∑ m 0 [k ]
k = −∞ π(x − k )
Soit la fonction:
 ω
p 1 (ω) = m 0   1[− 2 π, 2π] (ω)
2
La fonction p1 (ξ ) est la transformée de Fourier de la fonction:
f1 (x ) = 2f (2 x )
1
L’échantillonnage avec le pas de cette fonction donne les échantillons:
2
 k
2f  2  = 2f (k ) = 2m 0 [k ]
 2
  1 
sin 2π x − k 
∞
  2 
f1 (x ) = 2 ∑ m 0 [k ]
k = −∞  1 
2π x − k 
 2 
Remarques
A. Si:
f (x )∈ V0∗
alors:
f1 (x )∈ V1∗
(voir la définition de l’analyse multirésolution).
B. On peut itterer la procédure présentée.

Soit:
ω
p j (ω) = m 0   1[-2 j π, 2 j π](ω)
2j 
La fonction p j (ξ) est la transformée de Fourier de la fonction:
( )
f j (x ) = 2 j f 2 j x
1
L’échantillonnage avec le pas de cette fonction donne les échantillons:
2j
 k 
2 j f  2 j  = 2 j f (k ) = 2 j m 0 [k ]
j
 2 
61
  k 
sin 2 j π x − 
∞
  2 j 
f j (x ) = 2 j ∑ m 0 [k ]
k = −∞  k 
2 j π x − 
 2j 
Donc:
f j (x )∈ V j∗
 ξ 
C. La remarque B donne la signification de la fonction m 0   1[-2 k π, 2 j π](ξ ) .
 2j 
{
D. V0∗ est l’espace des fonctions à bande bornée f f (ξ ) = 0, ξ > π . On calcule maintenant }
le produit scalaire:
2
 1   1 ∞
f (x ), f (x − k ) =   f (ξ ), e −ikξ f (ξ ) =   ∫ f (ξ ) e ikξ dξ =
 2π   2π  − ∞
 1  ∞
(2l+1)π 2
∫ f (ξ ) e dξ
ikξ
=  ∑
π
 l= −∞ (2l−1)π
2
Apres le changement de variable:
ξ − 2lπ → ξ
on obtient:
 1 π  ∞ 
2
 1  ∞ π
2
f (x ), f (x − k ) =   ∑ ∫ f (ξ − 2lπ) e ikξ dξ =   ∫  ∑ f (ξ + 2lπ) e ikξ dξ 
 2π l= −∞ −π  2π −π  l= −∞ 

ou:
2 2
 1 π ∞  1 π
f (x ), f (x − k ) =   ∫ ∑ p(ω + 2lπ) e ikω dω =   ∫ m 0 (ω) e ikω dω (5.5)
 2π − π l= −∞  2π  − π
On calcule maintenant le produit scalaire:
 1   1 
f1 (x ), f 1 (x − k ) =   f1 (ξ ), e ikξ f1 (ξ ) =   p1 (ξ ), e ikξ f1 (ξ ) =
 2π   2π 
2 2
 1 ∞  1  2π  ξ  ikξ
  ∫ p1 (ξ ) e dξ =   ∫ m 0   e dξ
ikξ
 2π  −∞  2π  − 2π  2
ξ
=ν
2
on peut écrire:
2
 1  π
f1 (x ), f 1 (x − k ) =  2 ∫ m 0 (ν ) e ik 2ν dυ =
 2π  − π
 π 2 π 2 
− 2 π 2 
 1  2
=  2  ∫ m 0 (υ) e i 2kυ dυ + ∫ m 0 (ν ) e i 2kν dν + ∫ m 0 (ν ) e i 2 kυ dυ
 2π   − π π π 
 − 
 2 2 
Mais:
62
π 2 π 2 π 2
−
ω= ν + π 2
ik 2(ω− π )
2 2
∫ m 0 (ν ) e dυ = ∫ m 0 (ω − π) e dω = ∫ m 0 (ω + π) e ik 2ω dω
ik 2ν
−π 0 0
et:
π 2 2
ω= υ − π 0
∫ m 0 (ν ) e i 2 kν dν = ∫ m 0 (ω + π) e ik 2ω dω
π π
-
2 2
On obtient:
π  π
 1   2  1 2 ik 2υ
f1 (x ), f 1 (x − k ) =  2  ∫  m 0 (ν ) + m 0 (ν + π) e ik 2ν dν  = ∫ e dν = δ[2k ]
2 2
 2π   π    π π
− 2  −
2
Donc l’ensemble {f1 (x − k )} k∈Z est orthonormé.
Remarque
2
1 ∞
A. Parce que l’intégrale   ∫ 2 m 0 (ω) e ik 2ω dω représente la transformée de Fourier à
2π  −∞
temps discrète de l’autocorrelation de la suite {τ 2k 2 m 0 }k∈Z et parce que cette
autocorrelation est égale à δ[2k ] on peut affirmer qu’il s’agit d’un ensemble de suites
orthonormé.
B. On peut montrer aussi que l’ensemble {f1 (x − k )}k∈Z est une base dans V1∗ .
C. On peut montrer aussi que l’ensemble {τ 2k 2 m 0 }k∈Z est une base orthonormée.
D. En itterant on peut obtenir des résultats ressemblants pour les ensembles
{f J (x − k )}k∈Z et les espaces VJ∗ . Tenant compte de la correspondance entre les bases
{f (x − k )}k∈Z et {δ[n − k ]}k∈Z respectivement {f1 (x − k )}k∈Z et {τ 2k 2 m 0 k∈Z} on peut établir
la base correspondante à la base {f J (x − k )}k∈Z .
E. On peut montrer aussi que la transformée de Fourier de la fonction f J (x ) pour ξ = ω
est égale à:
J ω
f J (ω) = ∏ m 0   1 -2 j π, 2 j π (ω)
[ ]
j=1  2j 
Tenant compte de la remarque D on peut écrire:
δ[k ] = f J (x ), f J (x − k )
Mais:
2
 1 2 π
J
 1 
f J (x ), f J (x − k ) =   f J (ω), f J ∗ (ω)e iωk =   ∫ f J (ω) e iωk dω
 2π   2π  − 2J π
Tenant compte de la remarque E la dernière relation devienne:
2J π J 2
ω
2πδ[k ] = ∫ ∏ m 0   e iωk dω
− 2 J π j=1 2j 
Par le changement de variable ν = 2 −J ω on obtient:
63
( )
π J 2
2πδ[k ] = ∫ ∏ m 0 2 ν 1[-π, π] (ν ) e
J− j νk J
J
i2
2 dν
− π j=1
ou:
2
 J −1 2
( )
π
2πδ[k ] = 2 ∫ ∏ m 0 2 υ
  m 0 (ν ) e i 2 νk dν
J
J l
 
− π  l=1 
Par le changement de variable:
ω = 2ν
on obtient:
 2
( )
2π J −1
2πδ[k ] = 2 J −1  
∫  ∏ m 0 2 ω  1[-π, π] (ω) e
l −1 i 2 J −1 ωk
dω =
− 2π  l=1 
( )
π J −2 2
J −1
= 2 J −1 l−1
∫ m0 2 ω e
i2 ωk
dω
− π l =0
Donc le produit considéré est borné. Mais:
 ω 
ϕ(ω) = f n (ω)ϕ 
 2n 

On peut montrer qu’il existe un voisinage de 0 tel que ϕ(ω) soit strictement positif sur ce
voisinage. Donc il existe une constante C’ tel que:

0 < C' < ϕ(ω) pour − π ≤ ω ≤ π
2
[ ]
Si ω ∈ − 2 J π, 2 J π alors on utilise la formule:
 ω 
ϕ(ω) = f n (ω)ϕ 
 2n 
[ ]
Si ω ∉ − 2 n π, 2 n π alors f n (ω) = 0 . Donc:
 ω 
f n (ω) ϕ  ≤ ϕ(ω)
 2n 
On a démontré ainsi que pour chaque n et pour chaque ω :

ϕ(ω)
f n (ω) ≤
C'
Donc la suite {f n (ω)}n∈Z est une suite de fonctions de L2 (R ) qui sont bornées en norme.

Cette suite converge conformément au théorème de convergence dominée de Lesbegue:

f n (ω) − ϕ(ω) → 0
2 n →∞
Donc:
f n (x ) → ϕ(x )
n →∞
dans le sens des distributions tempérées.
On a démontré ainsi que l’ensemble {ϕ(x − k )}k∈Z est une base orthonormée de V0.
64
6. Bases biorthogonales
Prenons de nouveau l’exemple du filtre DAU2. En utilisant la notation

1 + cos ω
X= on obtient:
2
2
 1 + cos ω 
DAU 2(X ) = X 2 (3 − 2X ) =   (2 − cos ω)
 2 
Mais:
2 2 2
2 + e iω + e −iω   1 + e iω   1 + e −iω
2  
 1 + cos ω 
  = =   
 2   4   2   2 
     
et:
e iω + e −iω 4 − e iω − e −iω
2 − cos ω = 2 − =
2 2
Donc:
2 2
 1 + e iω   1 + e −iω   4 − e i ω − e −i ω 
m 0 (ω) =     
2
 2   2   2 
     
Pour factoriser m 0 (ω) 2 on peut utiliser la formule:

m 0 (ω) = m 0 (ω)m 0 (− ω)
2
Il faut déterminer les coefficients α et β tel que:

(α + β e )(α + β e )= 4 − e
iω
-iω iω − e −i ω
2
On obtient:
α 2 + β 2 = 2

 1
 αβ = − 2
avec les solutions:
 1+ 3
α =
2

β = 1 − 3
 2
Donc:
2
4 − e iω − e −iω  1 + 3 1 − 3 −iω  1 + 3 1 − 3 iω   1 + 3   1 − 3 −iω  1 − 3 iω 
= + e + e = 1+ e 1+ e
 2  2      1 + 3 
2  2  2   2   1+ 3  
ou:
4 − e iω − e −iω 2 + 3  4 − 2 3 −iω  4 − 2 3 iω 
= 1+ e 1+ e
2 2  −2 
 −2 

En fin:
4 − e iω − e −iω 2 + 3
2
=
2
( (
1 − 2 − 3 e −iω 1 − 2 − 3 e iω) )( ( ) )
Donc on obtient le filtre causal:
65
2
 1 + e − iω 
m 0 (ω) = 
 2
( (
 1 − 2 − 3 e − iω

) ) 2+ 3
2
(6.1)
 
En général, le codage en sous-bandes est réalisé par le système présenté dans la figure
6.1.

h1 ↓2 ... ↑2 k1
u [n ] u [n ]

h2 ↓2 ... ↑2 k2
Figure 6.1. Le schéma d’un système de codage en sous-bandes, et de décodage.

Les conditions pour les filtres avec les réponses en fréquence h 1 (ω), k 1 (ω), h 2 (ω) et k 2 (ω)
sont:

k 1 (ω) = h 2 (ω + π); k 2 (ω) = h 1 (ω + π); h 1 (ω)h 2 (ω + π) + h 2 (ω)h 1 (ω + π) = 2 (6.2)
Soit:
1
h 1 (ω)h 2 (ω + π) = P(ω)
2
La dernière condition (6.2) devienne:
P(ω) + P(ω + π ) = 1
On peut considérer que P(ω) est le polynôme qui engendre le filtre DAU2. Alors:
 1 + e iω  1 − e −iω  1 + e iω  1 − e −iω  iω − iω 
P(ω) =      4 − e − e 
 2  2  2  2  2 
   
Considérons que:
1 1 + e iω 1 + e − iω
h 1 (ω) =
2 2 2
et que:
 1 + e i ω  1 − e − i ω  iω − iω 
1
h 2 (ω + π) =    4 − e − e 
 2  2  2 
2    
ou:
e iω + e −iω + 2
h 1 (ω) = 2
4
et:
− e −2iω + 2e −iω + 2e iω + 6 − e 2iω
h 2 (ω + π) = 2
8
d’où:
− e −2iω − 2e −iω − 2e iω + 6 − e 2iω
h 2 (ω) = 2
8
Donc:
 2 1 2 1 2 
H 1 = h 1−1 = , h0 = , h1 = 
 4 2 4 
et:
66
 2 2 2 2 3 2 2 2 2 
H 2 = h 2− 2 = − , h −1 = − , h 0 = , h1 = − ,h2 = − 
 8 4 4 4 8 
L’avantage de cette type de factorisation en comparaison avec la factorisation qui conduit
à la relation (6.1) est qu’on obtient des filtres symétriques (les calculs sont plus faciles, il
faut charger la mémoire seulement avec une moitié des coefficients) mais on perde la
propriété d’orthogonalité. Dans ce cas le système de la figure 6.1. devienne celui-ci de la
figure 6.2.
2 m 0 (ω) ↓2 ... ↑2 ~ (ω)

2m 0
u [n ] u [n ]
~ (ω)
2m 1 ↓2 ... ↑2 2 m1 (ω)
Figure 6.2. Le système de codage en sous-bandes et de décodage inspiré par les dernières relations.
La réponse en fréquence m1 (ω) est définie comme suite:

m1 (ω) = e −iω (m
~ (ω + π))∗ = e −iω m
0
~ ∗ (ω + π )
0
et:
~ (ω) = e −iω (m (ω + π))∗ = e −iω m ∗ (ω + π )
m 1 0 0
Si les fonctions m 0 (ξ ) et m
~ ∗ (ξ ) sont les transformées de Fourier des fonctions a (x ) et ~
0 a (x )
alors:
a (x - k ) = δ[k ]
a (x ), ~
On peut maintenant parler des plusieurs espaces. A l’espace V0 engendré par la base
orthonormée {ϕ(x − k )}k∈Z correspondent les espaces V0 et W0 engendrés par les bases
~
orthonormées {ϕ~ (x − k )}k∈Z et {ψ(x − k )}k∈Z . De plus l’espace W0 a aussi comme

correspondent l’espace W0 engendré par la base orthonormée {ψ ~ (x − k )}
~
k∈Z . Les bases
{ϕ(x − k )}k∈Z et {ϕ(x − k )}k∈Z sont biorthogonales:
~
~ (x - l ) = δ[k − l]
ϕ(x − k ), ϕ
Les bases {ψ(x − k )}k∈Z et {ψ
~ (x − k )}
k∈Z sont biorthogonales aussi:
ψ(x − k ), ψ(x - l ) = δ[k − l]
La projection sur V0 parallèlement à V0 d’une fonction f de L2 (R ) est:
~
∞
f 0 (x ) = ∑ f (x ), ϕ~ (x − k ) ϕ(x − k )
k = −∞
parce que:
∞
f 0 (x ), ϕ
~ (x − l ) =
∑ f (x ), ϕ~ (x − k ) ϕ(x − k ), ϕ~ (x − l) =
k = −∞
∞
= ∑ f (x ), ϕ~ (x − k ) ϕ(x − k ), ϕ~ (x − l) = f (x ), ϕ~ (x − l)
k = −∞
La projection sur V0 parallèlement à V0 d’une fonction f qui est en L2 (R ) est:
~
∞
f 0 (x ) = ∑ f (x ), ϕ(x − k ) ϕ
~ (x − k )
~
k = −∞
67
~
On peut écrire des relations pareilles pour les projections sur W0 et W0 . Pour obtenir les
fonctions génératrices pour ces bases on peut utiliser les réponses en fréquence des filtres
m 0 (ω) , m
~ (ω) , m (ω) et m
0 1
~ (ω) . Les relations sont:
1
∞  ω  ~ ∞
ϕˆ (ω) = ∏ m 0  ; ϕ (ω) = ∏ m ~  ω ; ψ
0  j  ˆ (2ω) = m 1 (ω)ϕ
ˆ (ω) et ψ
~ˆ (2ω) = m
~ (ω)ϕ
~ˆ (ω)
j 1
j=1  2  j=1  2 
On obtient aussi les relations:
ϕ(x − l ), ψ
~ (x − k ) = 0
ϕ(x − l ), ψ ( )
~ 2 j x − k = 0, (∀)j ≥ 0
ϕ ~ (2 x − k ) = 0, (∀)j ≥ 0
~ (x − l ), ψ j
On obtient une analyse pareille à l’analyse multirésolution traditionnelle.
68
7. Dérivation et intégration dans les analyses multirésolution
Parce que:
∞ ω
ϕ(x ) ↔ ϕˆ (ω) = ∏ m 0  
j=1  2j 
et:
ϕ' (x ) ↔ −iωϕˆ (ω)
on peut écrire:
∞ ω
ϕ' (x ) ↔ - iω∏ m 0   = (ϕ')(ω)
j=1 2j 
Mais la forme générale de la réponse en fréquence m 0 (ω) est:
N
 1 + e iω 
m 0 (ω) =   P(ω)
 2 
 
Donc:
N
 ω 
∞  1+ e 2j 
i
(ϕ')(ω) = (− iω)∏   P ω  (7.1)

j=1 2   2 j 
 
 
On peut montrer que:
N
 ω 
N
  ω
 sin   
∞  1+ e 2j 
i
  2  (7.2)
∏  

=
ω 
j=1 2
   
   2 
C’est à la cause que pour N = 1 on obtient pour la partie régulière de m 0 (ω) l’expression
ω
sin
2 (voir l’exemple de la fonction d’échelle qui conduit à la base de Haar) et que pour
ω
2
2
 ω
 sin 
N=2 on obtient pour la partie régulière de m 0 (ω) l’expression  2 (voir l’exemple
 ω 
 
 2 
des fonctions constantes par morceaux). En utilisant la formule (7.1) la derniere relation
devienne:
N N −1
 ω  ω
 sin  ∞    sin  ∞ ω
ω ω
(ϕ')(ω) = (− iω) 2  ∏ P j  = −2i sin  2  ∏ P =
j
 ω  j=1  2  2 ω  j=1  2 
   
 2   2 
N −1
  ω
 −i ω ω  sin    ∞
 i   2   ω
= e 2
 −e 2  ω  ∏ P 
j
   j=1  2 
 
 2 
69
On peut observer que:
N −1
 ω 
 −i ω ω ∞  i j 
 i  1+ e 2 ω
(ϕ')(ω) = e 2
 −e 2 ∏  2


P  (7.3)
 j 1 2j 
 =  
 
Donc (ϕ')(ω) a la forme de la transformée de Fourier d’une fonction d’échelle. Soit:
N −1
 ω 
∞  1+ e 2j 
i
ω
∏   P  = ϕ1 (ω)
j=1 2  2j 
 
 
On peut écrire:
ϕ1 (2ω) = m 01 (ω)ϕ(ω)
où:
N −1
 1 + e iω 
m 01 (ω) =   P(ω)
 2 
 
et:
 −i ω ω
i 
(ϕ')(ω) =  e 2 − e 2 ϕ1 (ω)
 
 
Donc on a obtenu, en dérivant, une nouvelle analyse multirésolution.
70
8. Paquets d’ondelettes
On présente dans la suite une nouvelle notion, celle de paquets de fonctions. Il

y a deux catégories de telles paquets : les paquets d’ondelettes et les paquets en
cosinus (ou les paquets d’ondelettes de Malvar).
8.1. Les ondelettes de Malvar

Une décomposition de type Malvar, du signal x(t), sur l’intervalle [0, T ] ,
associée à la partition [0, T] = ∪ I k est:
k
x(τ) = ∑ c m, k ψ m, k (τ)
m, k
où:
I k = [a k , a k +1 ]
et:
ψ m, k (τ) = w m (τ) g m, k (τ) (8.1.1)
Donc les ondelettes de type Malvar sont définies comme produits entre les
fenêtres w m (τ) et les atomes g m,k (τ) :
π  1
 k +  (τ − a m )
2
g m, k (τ) = cos (8.1.2)
Im Im  2
Les fenêtres sont définies comme suite:
E τ τ ∈ [ D − UD U ]
2 2 2


Z2 τ  τ ∈ [D 2 UD 2 + − U ] (8.1.3)


E2 + ( D 2 + − τ ) τ ∈ [ D 2 + − UD 2 + U ]
où:
π   π ( τ − D 2 ) 
E2 τ VLQ  VLQ  (8.1.4)
   U 
71
Quelques exemples d’ondelettes de type Malvar sont présentés dans la figure
suivante. On a utilisé différentes types de fenêtres, l’ondelette a été placée en
différentes positions, l’atome a eu différentes fréquences fondamentales.
a) b)
0.1 0.1
0.05 0.05
0 0
-0.05 -0.05
-0.1 -0.1
0 500 1000 1500 0 500 1000 1500
c) d)
0.1 0.1
0.05 0.05
0 0
-0.05 -0.05
-0.1 -0.1
0 500 1000 1500 0 500 1000 1500
Figure 8.1. Quelques ondelettes de type Malvar a) on a utilisé une fenêtre presque
d’un sinus; b) la même ondelette avancée en temps; c) une fenêtre plus rectangulaire;
d) un atome de fréquence plus basse.
Les images présentées dans la figure 8.1. ont été obtenues en utilisant le
programme suivant (WaveLab/Matlab):
x=MakeCosinePacket (2,2,8,'Sine',2,1024); (la fabrication de l’ondelette de la

figure a))
subplot(221); (la représentation graphique)
plot(x);
title('a))
y=MakeCosinePacket (2,1,8,'Sine',2,1024); (la fabrication de l’ondelette de la
subplot(222); figure b))
plot(y); (sa représentation graphique)
title('b)');
z=MakeCosinePacket (2,2,8,'Sine',4,1024); (la fabrication de l’ondelette de la
figure c))
72
subplot(223);
plot(z);
title('c)'); (sa représentation graphique)
u=MakeCosinePacket (2,2,4,'Sine',2,1024); (la fabrication de l’ondelette de
la figure d))
subplot(224); (sa représentation graphique)
plot(u);
title('d)');
Soit Um une suite d’opérateurs définis sur L2 [a m − r, a m + r ], qui

transforment le signal x(τ ) dans la suite de fonctions:
b m (τ ) x(τ ) + b m (2 a m − τ ) x(2 a m − τ ) , τ ∈ (a m , a m + r]
U m {x(τ )} =  (8.1.5)
b m (2 a m − τ ) x(τ ) − b m (τ ) x(2 a m − τ ) , τ ∈ [a m − r, a m ]
On peut écrire:
U m {x(τ )} = ∑ d m, k ϕ m, k (τ ) (8.1.6)
k
où:
ϕ m, k (τ) = χ I m (τ) g m, k (τ) (8.1.7)
On a noté par χ Im (τ) la fonction caractéristique de l’intervalle Im. U m {x( τ)}

représente le segment du signal x(τ) correspondent à l’intervalle Im. L’intervalle [0, T ]
est partagé comme suite:
I oo = [0, T ]
I1o = [0, T / 2]; I11 = [T/ 2, T ]
o = [0, T / 4]; I 0 = [T/ 4, T / 2]

I11 12
1 = [T/ 2, 3T / 4]; I1 = [3T/ 4, T ]

I11 12
(8.1.8)
.
.
.
On considère les ondelettes de type Malvar (obtenues en utilisant la relation (8.1.1) et
la partition (8.1.8)). On peut réunir ces fonctions dans un paquet en cosinus.
8.2. Les paquets d’ondelettes

Une généralisation immédiate mais très utile de la notion d’ondelette ou
de la notion d’analyse multirésolution est donnée par la notion de paquets
d’ondelettes. Pour introduire cette notion est utile de faire la notation suivante:
73
m e (ω) = m eo (ω) m11− e (ω) , e = 0,1
L’observation la plus importante qui se trouve à la base de l’édifice des paquets

d’ondelettes est l’artifice de partage.
On suppose que l’ensemble de fonctions {f (τ − k )}k∈Z est une base de Riesz de
l’espace de Hilbert S. Alors les fonctions:
1 τ  1 τ 
f ko (τ) = f o − k et f k1 (τ) = f 1 − k  , k ∈ Z (8.2.1)
2  2  2  2 
où:
 ω  ω
f e (ω) = m e   f   (8.2.2)
2 2
constituent une nouvelle base de Riesz de l’espace S:
{f }
k ( τ), f k ( τ) k ∈ Z
o 1
Une analyse multirésolution classique est obtenue par le partage des espaces Vm, en
utilisant l’artifice décrit plus haut. On obtient les espaces Vm - 1 et Wm - 1 . On peut
continuer dans la même manière pour l’espace Vm - 1.
Les paquets d’ondelettes sont les fonctions éléments des bases de Riesz
obtenues quand on utilise l’artifice de partage pour les espaces Wm aussi.
Commençant par l’espace Vm ,on obtient, après l’application de L fois de l’algorithme
de partage, les fonctions:
(m−L )
ψ eL , ...e ; m, k (τ ) = 2 2
1 L
ψ eL , ...e
1 L
(2 m−L τ − k ) (8.2.3.)
(éléments des certaines bases de Riesz).
74
Figure 8.2.1. Schéma pour la génération des paquets d’ondelettes.
avec:
( )( )
L

ψ eL , ...e
1 L
(ω) = m el 2 -l ω ϕ 2 −L ω (8.2.4)
l =1
Ainsi, après L itérations de l’algorithme de partage on obtient / fonctions

génératrices et leurs translatées, par des entiers multiples de / − P , comme
éléments de la base de Riesz de l’espace Vm. La liaison entre les paquets d’ondelettes
et les fonctions d’échelle respectivement les fonctions ondelettes correspondantes est:
ϕ(τ) = ψ oL, ..., o (τ) et ψ (τ) = ψ1L, o, ..., o (τ)
En fait, il n’est pas nécessaire de partager chaque sous-espace pour chaque valeur du
m. A la figure 8.2.1. est présentée une modalité de partage de l’espace V3 qui
corresponde à un schéma de génération des paquets d’ondelettes. On a noté par * les
espaces éléments d’une analyse multirésolution:
9 94 ⊕ : ⊕ : ⊕ :4
On a note par ° les espaces qui peuvent participer à la construction d’un paquet
d’ondelettes. La base de Riesz de l’espace Vo qui corresponde au paquet d’ondelettes
considéré dans cet exemple est :
{
ψ1o (4τ − k ) , ψ12,1 (2τ − k ) , ψ13, o, o (τ − k ) , ψ1, o, 1 (τ − k ) k∈Z . }
Un autre paquet d’ondelettes peut être construit si on utilise les fonctions marquées
avec + dans la figure 8.2.1. La base de Riesz de l’espace V3 correspondante pour ce
nouveau paquet d’ondelettes est:
{ψ (4τ − k ), ψ
1
1
2
1, o (2τ − k ) , ψ 3o, 1, o (τ − k ) , ψ 3o, 1, 1 (τ − k )}k∈Z
75
Pour les fonctions duales il faut appliquer une procédure similaire. Les transformées
en ondelettes directe et inverse, correspondantes au paquet d’ondelettes présenté dans
le premier exemple peuvent être vues dans la figure 8.2.2.
Transformée directe
Transformée
inverse
Figure 8.2.2. Les transformées en ondelettes discrètes directe et inverse correspondantes au
premier exemple.
L’avantage principal des paquets d’ondelettes est que nous avons une liberté
plus grande pour le choix de la base de décomposition du signal à traiter.
Il y a des critères pour choisir la base en accord avec le signal à traiter.
M. Wikerhauser a proposé un tel critère appelé “le choix de la meilleure base”.
Un exemple d’utilisation de ce critère est présenté dans la suite. Cet exemple
est basé sur l’utilisation du programme suivant (WaveLab/Matlab):
76
x=makesignal('Bumps',512); (la fabrication du signal à traiter)
plot(x);
title('signal a traiter');
D=4 (on fixe le nombre de niveaux de
décomposition)
qmf=makeonfilter('Daubechies',8); (l’analyse en paquets d’ondelettes)
wp=wpanalysis(x,D,qmf);
stree=calcstattree(wp,'Entropy'); (le choix de la meilleure base)
[btree,vtree]=bestbasis(stree,D);
pkt=packbasiscoeff(btree,'wavelet',x);
subplot(212);
plotpackettable(wp); (la représentation graphique du
résultat de l’analyse)
title('analyse en paquets');
Les résultats obtenus par l’utilisation du programme présenté plus haut sont
présentés dans la figure suivante.
signal a traiter
6
0
0 100 200 300 400 500 600
analyse en paquets
1
0
-1
-2
-3
-4
-5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Figure 8.2.3. Exemple d’analyse en paquets d’ondelettes du signal Bumps.
77
8.2.1. Le choix de la meilleure base
Soit un ensemble de bases de l’espace Hilbert séparable X. On présente

quelques propriétés utiles de l’ensemble :
- Le calcul rapide des produits scalaires avec les éléments des bases de ,
- Une bonne localisation en temps des éléments des bases de ,
- Une bonne localisation en fréquence des éléments des bases de ,
- Indépendance, tel qu’il n’y a pas beaucoup des éléments dans une base similaires
à une certaine morceau du signal à analyser.
Pour choisir la meilleure base il est nécessaire d’apprécier en quelle mesure

chaque base de a les propriétés énoncés plus haut. Avant de définir une représentation
optimale il est nécessaire d’apprécier le coût d’enregistrement d’une certaine
représentation. Nous appellerons ce coût, coût d’information. On peut associer à une
séquence u[ k ] , une fonctionnelle de coût par:
M (u) = ∑ µ ( u[k ]), µ(0) = 0 (8.2.1.1)

k ∈Z
où µ est une fonction réelle définie sur [0, ∞).
Pour chaque élément x ∈ X on définie:
u[ k ] = bk , x
où bk est le k-ieme élément de la base B de .
(
Le coût d’information de la représentation du x dans la base B este M bk , x . )
On a définit ainsi la fonctionnelle Mx sur :
Mx :B → R , B → M ( bk , x ) (8.2.1.2)
et on a obtenu le coût d’information M de x dans la base B. La meilleure base en pour
(
le signal x , par rapport au coût d’information M, est la base B pour la quelle M bk , x )
a une valeur minime. On présente dans la suite quelques fonctionnelles de coût
d’information.
Exemple 1. Le nombre d’échantillons supérieurs à un certain seuil.
On fixe un seuil ε et on compte les éléments de la séquence :[3] dont la valeur dépasse
le seuil.
 w , w ≥ε
µ(w) = 
0 , w <ε
Cette fonctionnelle est appelée en anglais “soft thresholding”.
Exemple 2. La concentration dans l’espace l p , 0 < p < 2.
78
P
µ(w) = w
P
M (u) = u P
Exemple 3. L’entropie.
L’entropie de la séquence u[n] est définie par:
1
E (u) = ∑ p(k) log (8.2.1.3)
k p(k)
où:
u [k ]
2
1
p(k) = ; p log =0 si p = 0 (8.2.1.4)
u [k ]
2 p
La fonctionnelle:
l(u) = ∑ u [k ] log
2 1
(8.2.1.5)
u [k ]
2
k
est une fonctionnelle de coût d’information .
Exemple 4. Le logarithme de l’énergie.

N
∑ log u[k ]
2
M (u) =
k =1
L’ensemble peut être appelé “bibliothèque” de bases. Si la bibliothèque est un arbre de
“hauteur” finie L (il y a L niveaux de décomposition), alors la meilleure base pour un
signal x peut être déterminée par le calcul du coût d’information dans chaque “nœud” de
l’arbre et par la comparaison du nœud “enfant” avec le “nœud” parent, de bas en haut.
Ainsi chaque nœud est examiné deux fois, la première fois étant considéré comme nœud
enfant et la deuxième fois comme nœud parent. Cet algorithme de recherche est
exemplifié dans les figures suivantes. Dans la figure 8.2.1.1. ont été placés des nombres à
l’intérieur des nœuds de l’arbre pour spécifier les coûts d’information. On marque par
astérisque tous les nœuds appartenant au niveau bas. Leur coût d’information est égal à
28. On essaye la réduction de cette valeur. Chaque fois qu’un nœud parent a un coût
d’information de valeur inférieure au coût total d’information de ses nœuds enfants cet
nœud parent est marqué par un astérisque. Si le nœud parent a un coût d’information
supérieur à celui de ses nœuds enfant alors celui-ci n’est pas marqué par un astérisque.
On lui donne le coût total d’information de ses nœuds enfant. Dans la figure 8.2.1.2. ces
coûts d’information transférés sont présentés entre parenthèses. Le résultat de la
recherche de la meilleure base est présenté dans la figure 8.2.1.2. On constate qu’on a eu
une réduction du coût d’information de la valeur 52 à la valeur 30.
79
Figure 8.2.1.1 L’initialisation de l’algorithme de recherche de la meilleure base.
* *
* * * *
Figure 8.2.1.2. Le résultat de l’algorithme de recherche de la meilleure base.
80
On peut exemplifier les dernières choses présentées à l’aide du programme suivant
(WaveLab/Matlab):
x=makesignal('Bumps',512); (la fabrication du signal à traiter)

plot(x);
title('signal a traiter');
[n,D]=dyadlength(x); (l’analyse en paquets d’ondelettes de type
qmf=makeonfilter('Daubechies',8); DAU4)
wp=wpanalysis(x,D,qmf);
stree=calcstattree(wp,'Entropy'); (la construction de l’arbre de bases)
[btree,vtree]=bestbasis(stree,D); (le choix de la meilleure base en utilisant la
fonctionnelle d’entropie)
subplot(222); (la représentation graphique de l’arbre de
plotbasistree(btree,D,stree,'Bumps'); la meilleure base)
title('arbre meilleure base');
pkt=packbasiscoeff(btree,'wavelet',x); (la représentation graphique de l’analyse
subplot(223); en paquets d’ondelettes en utilisant la meilleure
plotpackettable(wp); base)
title('analyse en paquets');
subplot(224);
imagephaseplane('WP',btree,wp,'Bumps',64,qmf); (la représentation du signal
title('le plan des phases, Bumps'); “Bumps” dans le plan temps-fréquence)
Les résultats obtenus en utilisant ce programme sont présentés dans la figure suivant.
signal a traiter arbre meilleure base
6 0
-0.2
4
-0.4
2
-0.6
0 -0.8
0 200 400 600 0 0.5 1
analyse en paquets le plan des phases, Bumps

1
0
0.8
Frequency
-2
0.6
-4
-6 0.4
-8 0.2
-10 0
0 0.5 1 0 0.5 1
Time
Figure 8.2.1.3. L’analyse temps-fréquence du signal “Bumps” effectuée à l’aide de la meilleure base choisie
d’un paquet d’ondelettes de type DAU4, en utilisant la fonctionnelle d’entropie. On peut voir l’arbre de
cette meilleure base et l’analyse multirésolution correspondante.
81
9. L’algorithme de Mallat pour les signaux d’image
La représentation orthogonale basée sur ondelettes peut être généraliser pour

les signaux d’image. Une analyse multirésolution de l’espace L2 R 2 est générée ( )
à l’aide de la fonction d’échelle:
ϕ(τ1 , τ 2 ) = ϕ(τ1 ) ϕ(τ 2 ) (9.1)
Les ondelettes mères attachées ont les expressions:
ψ1 (τ1 , τ 2 ) = ϕ(τ1 ) ψ (τ 2 )


ψ 2 (τ1 , τ 2 ) = ψ (τ1 ) ϕ(τ 2 ) (9.2)
ψ (τ , τ ) = ψ (τ ) ψ (τ )
 3 1 2 1 2
où les fonctions ϕ(τ) et ψ (τ) génèrent une analyse multirésolution orthogonale

et la décomposition orthogonale correspondante.
L’ensemble :
{2 −m
( ) ( )
ψ 1 τ 1 − 2 − m p, τ 2 − 2 − m n , 2 − m ψ 2 τ 1 − 2 − m p, τ 2 − 2 − m n ,
( )}
2 − m ψ 3 τ 1 − 2 − m p, τ 2 − 2 − m n (m, n, p )∈ Z3
est une base orthonormée de l’espace L (R ) . 2 2
La fonction ϕ(τ) génère l’analyse multirésolution de l’espace L2 (R ) , {Vm }m∈Z .

La fonction ϕ(τ1 , τ 2 ) génère l’analyse multirésolution {2Vm }m∈Z de l’espace
( ):
L2 R 2
2 Vm = Vm ⊗ Vm
On a noté avec ⊗ le produit tensoriel. En notant par:
(
ϕ m (τ 1 , τ 2 ) = 2 2 m ϕ 2 m τ 1 , 2 m τ 2 ) (9.3)
on peut affirmer que la famille de fonctions {2 ϕm(τ1 − 2 n,τ2 − 2 p)}(m, p)∈Z2
−m −m −m
est une base orthonormée de l’espace 2Vm. L’approximation du signal x (τ1 , τ 2 )

de résolution m est caractérisée par les produits scalaires :
2 [ [( τ τ ) ϕ 2 ( τ − − 2 Q) ϕ 2 ( τ − − 2 Q) (9.4)
82
Les différences entre les approximations 2 + [ et 2 [ représentent les
projections du signal x (τ1 , τ 2 ) sur les espaces engendrés par les bases
orthonormées:
{ (
2 − m ψ1 τ1 − 2 −m p, τ 2 − 2 −m n (n , p )∈ Z2 , )}
{2 −m
(
ψ 2 τ1 − 2 − m p, τ 2 − 2 − m n )}(
n , p )∈Z2
{2 −m
(
ψ1 τ1 − 2 −m p, τ 2 − 2 −m n )}(
n , p )∈ Z2 .
Ces différences sont données par les trois images de détail:
Dm x = { x ( τ , τ ) , ψ (τ
− − m n, τ − − m p ) } (n , p) ∈ Z
D m x = { x ( τ , τ ) , ψ (τ
− − m n, τ − − m p ) } (n , p) ∈ Z
(9.5)
D m x = { x ( τ , τ ) , ψ (τ
− − m n, τ − − m p ) } (n , p) ∈ Z
La relation (9.2) montre que pour la génération des fonctions

ψ k (τ 1 , τ 2 ) k = 1, 2, 3 , on utilise les filtres avec les réponses en fréquence:
m 01 (ω 1 , ω 2 ) = m 0 (ω 1 ) m1 (ω 2 )
m 10 (ω 1 , ω 2 ) = m 1 (ω 1 ) m 0 (ω 2 ) (9.6)
m 11 (ω 1 , ω 2 ) = m1 (ω 1 ) m 1 (ω 2 )
Pour chaque M > 0, l’image Ao x est complètement décrite par 3M+1
images discrètes :
{A
−M x, D m1 x, D m2 x, D m3 x }
− M ≤ m ≤ −1
La décomposition de la séquence 2 + [ à l’aide des séquences 2 [, 2 [ et
2 [ est réalisée à l’aide du système de la figure 9.1.
La transformée inverse est présentée à la figure 9.2. Les systèmes présentés
dans ces figures peuvent être utilisés à la décomposition d’une image à l’aide
de l’algorithme de Mallat respectivement à la reconstruction parfaite de celle-
ci.
83
Filtrage par Filtrage par
lignes collonnes
Rejette une Rejette une

collonne par ligne par
deux deux
Figure 9.1. Système pour le calcul d’une itération de l’algorithme de Mallat pour les signaux d’images.
84
Ajoute une ligne
composée par zeros après
chaque ligne
Ajoute une collonne
composée par zeros
après chaque collonne
Figure 9.2. Système pour le calcul de la transformée en ondelettes inverse pour les signaux d’images. (Le
cas d’une seule itération).
Un exemple d’application de l’algorithme de Mallat est presenté dans la figure

suivante. Il s’agit de 3 iterations.
Ingrid WT2[Ingrid]
0 0
50 50
100 100
150 150
200 200
250 250
50 100 150 200 250 50 100 150 200 250
L’image A m x n’as pas été représentée

Figure 9.3. L’image originelle (gauche) et sa transformée en ondelettes (droite).
85
10. Quelques applications
On présente dans la suite quelques applications de la théorie des ondelettes dans le

domaine du traitement du signal. Il s’agit de l’augmentation du rapport signal/bruit et de
la compression.
10.1. L’augmentation du rapport signal/bruit
L’augmentation du rapport signal/bruit est une opération de base en télécommunications.

La transformée en ondelettes discrète peut être utilisée pour l’augmentation du rapport
signal/bruit quand il s’agit de perturbations additives. On peut utiliser à ce but la méthode
proposée par David Donoho, qui a trois étapes:
1. on calcule la transformée en ondelettes directe du signal observé (la somme d’un

signal utile et un bruit),
2. on filtre le résultat,
3. on calcule la transformée en ondelettes inverse.
Cette méthode fonctionne due à la propriété de decorrelation de la transformée en
ondelettes discrète. Grâce à cette propriété pour un bruit d’entrée de nature quelconque le bruit
dans le domaine de la transformée en ondelettes tende vers un bruit blanc. On a beaucoup de
méthodes à la disposition pour filtrer le bruit blanc. Le filtrage prévu dans la deuxième étape est
non-lineaire et adaptatif. On peut utiliser un filtre avec l’une des relations entrée sortie suivante:
 x, x ≥ λ

y =  λ ∈ R+ (10.1.1)
 , x < λ

y = (sgn x ) ( x − λ ) , λ ∈ R + (10.1.2)
(sgn x ) ( x − λ ) , x ≥ λ
y =  (10.1.3)
 , x <λ
 [ ≤ λ

\  (10.1.4)
 [ − λ [ > λ

 [
86
 [ ≤ λ


 λ ( [ − λ )
\ VJQ[ λ < [ ≤ λ (10.1.5)
 λ − λ

 [ [ > λ
La plupart des filtres présentés plus haut, peut être transformée en filtres adaptatifs, si la valeur
du paramètre λ dépende de l’un de paramètre du signal à traiter. Ce paramètre peut être, par
exemple la puissance du signal perturbateur. Si par exemple le signal perturbateur est de type
bruit blanc de moyenne nulle et de variance σ et si dans l’étape 1 on utilise une transformée en
ondelettes discrète orthogonale, alors la puissance du signal perturbateur dans le domaine de la
transformée (qui est maintenant un bruit blanc Gaussien) sera σ 2. Si on utilise le filtre décrit
dans la relation (10.1.1) alors (conformément à la règle de 3σ) en choisissant λ > σ, le bruit est
pratiquement entièrement supprimé. Evidement, le rapport signal/bruit du signal à traiter doit être
relativement important ainsi que l’enlèvement des échantillons de la transformée en ondelettes du
signal utile inférieurs en valeur absolue à 3σ, ne soit pas importante du point de vue de la
distorsion introduite. Cette méthode conserve les variations rapides du signal utile et élimine
presque complètement le bruit. La distorsion introduite par l’utilisation de la méthode déjà
décrite n’est pas importante. Ces caractéristique de la méthode de debruitage présentée prouvent
que cette méthode est l’une de meilleures méthodes d’augmentation du rapport signal/bruit
connues. Le plus fréquemment on utilise une transformée en ondelettes discrète orthogonale, le
filtre décrit dans la relation (10.1.3), et pour le paramètre λ on choisi la valeur:
λ 1ORJ 1 ⋅ σ
où σ représente la variance du bruit blanc qui perturbe le signal utile. N représente la durée du
signal à traiter. La méthode de debruitage proposée peut être utilisée aussi quand le bruit qui
perturbe le signal d’entrée n’est pas blanc.
On présente dans la suite quelques exemples de debruitage de quelques signaux
perturbés par des différentes bruits.
Dans la figure 10.1.1 est présenté le signal utile. Dans les figures 10.1.2, 10.1.3, et 10.1.4
sont présentés les signaux perturbateurs de type bruit uniforme, bruit en impulsions et bruit en
train d’impulsions. Dans les figures 10.1.5, 10.1.6 et 10.1.7 sont présentés, en haut, le signal de
la figure 10.1.1 perturbé par les bruits présentés dans les figures 10.1.2, 10.1.3 et 10.1.4 et en bas
les résultats correspondants de l’application de la méthode d’augmentation du rapport
signal/bruit présentée dans ce paragraphe.
.
87
Figure 10.1.1. Le signal utile.
Figure 10.1.2. Signal perturbateur de type bruit uniforme.
Figure 10.1.2. Signal perturbateur de type bruit d’impulsions.
Figure 10.1.3. Signal perturbateur de type train d’impulsions.
88
Signal reconstruit en utilisant 66 echantillons
Figure 10.1.4. L’augmentation du rapport signal/bruit quand le signal perturbateur est uniforme.
Figure 10.1.5 L’augmentation du rapport signal/bruit quand le signal perturbateur est de type bruit
d’impulsions.
89
Figura 10.1.6. L’augmentation du rapport signal/bruit pour signal perturbateur de type train d’impulsion.
On peut remarquer la bonne qualité de la méthode d’augmentation du rapport signal/bruit. On

observe que cette méthode fait une compression en même temps.
Dans les systèmes de télécommunications la puissance du signal émis est connue à la réception,
mais la puissance du bruit induit dans la chaîne de transmission n’est pas connue. Dans le cas de
ces systèmes est mieux de choisir la valeur du paramètre λ en fonction de la valeur du puissance
du signal émis P, que de la valeur σ . On présente dans la suite un exemple d’utilisation d’un tel
algorithme. A la figure 10.1.7. est présenté le signal utile, et à la figure 10.1.8 ce signal, perturbé
par bruit blanc. Le rapport signal bruit dans le cas de la figure 10.1.8 a la valeur 1,8.
Figure 10.1.7. Le signal utile.
90
Figure 10.1.8. Le signal perturbé par bruit blanc.
A la figure 10.1.9. est présenté le résultat de l’application de la méthode de debruitage basée sur
l’algorithme évoqué plus haut. On observe les qualités de la méthode de debruitage proposée. Le
rapport signal/bruit à la sortie est de 10,5. Donc l’augmentation du rapport signal/bruit obtenue
est de 5,83.
Figure 10.1.9. Le signal reconstruit après l’utilisation de l’algorithme évoqué plus haut.
91
10.2. La compression de données
On présente dans la suite une méthode de compression à perte d’information contrôlée.

Cette méthode a les étapes suivantes:
1. On calcule la transformée en ondelettes discrète directe du signal à traiter [[ Q] ,
\[ Q] .
2. On réalise la compression en négligeant les échantillons du signal obtenu à la
fin de la première étape qui sont inférieurs à un seuil imposé.
3. On calcule la transformée en ondelettes discrète inverse et on obtient le signal
[[ Q] .
Le seuil de la deuxième étape est imposé dans une manière adaptative. Sa valeur est
choisie tel que l’erreur quadratique moyenne d’approximation du signal [[ Q] par le signal
[[ Q] ne dépasse pas un pour-cent de l’énergie du signal [[ Q] .
On peut utiliser les relations suivantes:
N −1 N −1
Ex = ∑ x 2 [k ] = ∑ y 2 [k ] (10.2.1)
k=0 k=0
M −1 M −1
E x̂ = ∑ x̂ 2 [k ] = ∑ ŷ 2 [k ] (10.2.2)
k=0 k=0
parce que chaque transformée orthogonale conserve l’énergie.
On peut écrire aussi:

 y[n ], si y[n ] > P
ŷ[n ] = 
0 , si non
Soit 4 \[ Q] la séquence obtenue par le positionnement en ordre décroissante des

échantillons du signal \[ Q] . L’erreur quadratique moyenne d’approximation du signal
[[ Q] par le signal [[ Q] est proportionnelle à:
N −1
ε= ∑ o ŷ 2
[k ]
k=M
La valeur du paramètre M est obtenue comme solution de l’équation :
Ex
max ε =
M ∈Z 100
On présente dans la suite quelques exemples d’application de la méthode déjà décrite.

Dans les figures 10.2.1, 10.2.2 et 10.2.3 sont présentés trois exemples de signaux à
comprimer, [[ Q] (en haut) et correspondantes [[ Q] (en bas). Pour chaque compression est
92
spécifié le nombre d’échantillons utilisé pour la reconstruction. On constate qu’on a
obtenu des valeurs importantes pour le facteur de compression.
Signal à traiter
Reconstruction realisée en utilisant 24 echantillons
Figure 10.1.1. La compression d’un sinus. Le facteur de compression est égale à 10,66.
Signal à traiter
Reconstruction realisée en utilisant 30 échantillons
Figure 10.2.2. La compression d’un signal carré. Le facteur de compression est égal à
8,53.
93
Signal d’entrée
Reconstruction realisée en utilisant 30 echantillons
Figure 10.2.3. La compression d’un signal modulé en fréquence. Le facteur de

compression est égal à 8,53.
94
Bibliographie
[Asz.’93] T. Asztalos. Using Digital Transversal Filters for Analog Signal Processing.
Proceedings of the International Symposium on Signals, Circuits and Systems,
SCS’93, Ia•i, Romania, 1993.
[Asz., Isa.’94] T. Asztalos, A. Isar. An Adaptive Data Compression Method Based on the
Fast Wavelet Transform. Proceedings of the International Symposium Etc’94,
Timisoara, vol III, pp 37-42, Sept. 1994.
[Asz.’96] T. Asztalos. An Algorithm for the DWT on Block Computation. Proceedings of
the International Symposium Etc’96, Timi•oara, vol II, pp.128-133, Sept. 1996.
[Asz.’97] T. Asztalos. Tomography Imaging. Radon Transform Inversion Procedures.
Raport de stagiu, Universitatea Paris-Sud, Iulie 1997.
[Bor.,Isa.’97] M. Borda, D. Isar. Whitening with Wavelets. Proceedings of “ECCTD. 97”
Conference, Budapest, August 1997.
[Cod.’94] M.A. Cody. The Wavelet Packet Transform Extending the Wavelet Transform,
Dr. Dobb’s Journal, April 1994.
[Coh.,Dau.,Fea.'92] A. Cohen, I.Daubechies, J.C.Feauveau, Bi-orthogonal bases of
compactly supported wavelets, Comm. in Pure and Applied Math.,vol.XLV, pp485-
560, 1992.
[Coh.’92] A. Cohen. Ondelettes et traitement numérique du signal. Masson, 1992.
[Coh.,Dau.,Fea.’92] A. Cohen, I. Daubechies, J. C. Feauveau. Biorthogonal Bases of
Compactly Supported Wavelets, Communcations on Pure and Applied
Mathematics, vol. XLV, pp.485-560, 1992.
[Coh.,Dau.’93] A. Cohen, I. Daubechies. Orthonormal Bases of Compactly Supported
Wavelets III. Better Frequency Resolution. SIAM Journal Math. Anal., vol. 24,
No.2, pp. 520-527, March 1993.
[Coh.,d’Al.’95] A. Cohen, J. P. d’Ales. Nonlinear Approximation of Stochastic Processes.
În Wavelets and Statistics. A. Antoniadis si G. Oppenheim (editori), Springer
Verlag, pp.129-132, 1995.
[Coh.,Kov.’96] A. Cohen, J. Kovacevic. Wavelets: The Mathematical Background,
Proceedings of the IEEE, vol.84, no. 4, April 1996, pp.514-521.
[Com.,Pes.’96] P. L. Combettes. J. C. Pesquet. Convex Multiresolution Analysis.
Proceedings of IEEE Conference “TFTS’96”, Paris, July 1996.
[Cou.’84] F. de Coulon. Théorie et traitement des signaux. Presses polytechniques
romandes. Lausanne 1984.
[Cou.’95] G. Courbebaisse. Caractérisation d’un systeme d’injection par analyse temps-
fréquence. Traitement du signal, vol.12, No.5, pp.509-518, 1995.
[Dau.’88] I. Daubechies. Orthonormal Bases of Compactly Supported Wavelets. Comm.
Pure Appl. Math., No. 41, pp.909-996, 1988.
[Dau.’91] I. Daubechies. The Wavelet Transform: A Method for Time-Frequency
Localization, În Advances in Spectrum Analysis and Array Processing. S. Haykin
(editor), Prentice-Hall, New-Jersey 1991.
[Dau.’92] I. Daubechies. Ten Lectures on Wavelets. SIAM, Philadelphia 1992.
[Dau.’93] I. Daubechies. Orthonormal Bases of Compactly Supported Wavelets II.
Variations on a Theme. SIAM J. Math. Anal., vol. 24, No. 2, pp. 499-519, March
1993.
[Dau.,Swe.’96] I. Daubechies, W. Sweldens. Factoring Wavelet Transforms into Lifting
Steps, Preprint Stanford University, 1996.
[Den.,Jaw.,Pet.,Swe.’93] B. Deng, B. Jawerth, G. Peters, W. Swelden. Wavelet Probing
for Compression Based Segmentation. Proceedings of SPIE, San Diego, July
1993.
[DeS.,Isa.’93] A. De Sabata, A. Isar. Semnale Circuite •i Sisteme. Indrumator de
laborator, Litografia UPT, 1993.
95
[DeS.,Iun.,Aub.’94] A. De Sabata, C. Iung, J. F. Aubry. A Variabile Scale DWT.
Proceedings of the International Symposium ETc’94, vol. III, pp.43-48, Timi•oara
Sept. 1994.
[Don.,Joh.’91] D. Donoho, I. M. Johnstone. Minimax Estimation via Wavelet Shrinkage
Annual Meeting of the Institute of Mathematical Statistics, Atlanta, Georgia,
August 1991.
[Don.,Joh.’92] D. L. Donoho, I. M. Johnstone. Ideal Spatial Adaptation via Wavelet
Shrinkage. Technical Report 400, Stanford University, July 1992.
[Don.,Joh.’92(1)] D. L. Donoho, I. M. Johnstone. Minimax Estimation via Wavelet
Shrinkage. Technical Report 402, Stanford University, July 1992.
[Don.’91] D. Donoho. Nonlinear Solution of Linear Inverse Problems by Wavelet-
Vaguellete Decomposition, Preprint Stanford University, 1991.
[Don.’92] D. L. Donoho. De-Noising via Soft Thresholding. Technical Report 409, Stanford
University, November 1992.
[Don.’92(1)] D. Donoho. Interpolating Wavelet Transforms, Preprint Stanford University,
1992.
[Don.,Joh.’92] D. L. Donoho, I. M. Johnstone. Unconditional Bases are Optimal Bases
for Data Compression and for Statistical Estimation. Technical Report 410,
Stanford University, November 1992.
[Don.’93] D. L. Donoho. Wavelet Shrinkage and W.V.D.-A Ten Minute Tour. Technical
Report 416, Stanford University, January 1993.
[Don.’93(1)] D. L. Donoho. Nonlinear Wavelet Methods for Recovery of Signals, Densities
and Spectra from Indirect and Noisy Data, Proccedings of Symposia in Applied
Mathematics, vol. 47, ed. I. Daubechies, pp.173-205, 1991.
[Don.’93(2)] D. Donoho. Smooth Wavelet Decomposition with Blocky Coefficient Kernels,
in Recent Advances in Wavelet Analysis, L. Schumaker and G. Webb (editors),
pp. 1-43, 1993.
[Don.,Joh.’93] D. L. Donoho, I. M. Johnstone. Adapting the Unknown Smoothness via
Wavelet Shrinkage. Technical Report 425, Stanford University, June 1993.
[Don.’93(3)] D. L. Donoho. Nonlinear Wavelet Methods for Recovering Signals, Images
and Densities from Indirect and Noisy Data. Technical Report 426, Stanford
University, July 1993.
[Don.’94] D. L. Donoho. On Minimum Entropy Segmentation. Technical Report 450,
Stanford University, April, 1994.
[Don.,Joh.’94(1)] D. L. Donoho, I. M. Johnstone. Ideal De-Noising in an Orthonormal
Basis Chosen from a Library of Bases. Technical Report 461, Stanford University,
September 1994.
[Don.’95] D. Donoho. CART and Best-Ortho-Basis: A Conection, Preprint Stanford
University, 1995.
[Dum.’96] G. Dumitra•. Aplica•ii ale transformatei “wavelet”. Realizarea compresiei
imaginilor utilizând transformarea “wavelet”. lucrare de dizerta•ie, Departamentul
de Comunica•ii, Facultatea de Electronic• •i Telecomunica•ii, Timi•oara, Iulie
1996.
[Duv.’91] P. Duvaut. Traitement du signal-concepts et applications. Hermes, Paris 1991.
[End.,Ver.’92] A. W. M. van den Enden, N. A. M. Verhoekx. Traitement numérique du
signal. Masson, Paris 1992.
[Fea.’92] J. C. Feauveau. Nonorthogonal Multiresolution Analysis using Wavelets. În
Wavelets-A Tutorial in Theory and Applications. C. K. Chui (editor), Academic
Press, pp.153-178, 1992.
[Flan.’93] P. Flandrin. Representation temps-fréquence. Hermes, 1993.
[Fro.’90] J. Froment. Traitement d’images et applications de la transformée en
ondelettes. Teza de doctorat, Universitatea Paris IX, 1990.
[Fro.,Par.’94] J. Froment, S. Parrino. MegaWave 2 User’s Modules Library. vol. I, vol. III,
Preprint CEREMADE, Univ. Paris Dauphine, Novemeber 1994.
96
[Fro.’95] J. Froment. Introduction a la théorie des ondelettes. curs de vara, Timi•oara,
Iunie 1995.
[Gim.,Mat.’97] C. Giménès, A Mateescu (coordonatori). Electronique, phisique et signal pour les
télécommunications, Editura Tehnic•, Bucure•ti, 1997.
[Isa.,Isa.’93] A. Isar, D. Isar. A Generalization of the W.K.S. Theorem Using Orthogonal
2
Decomposition of L (R). Applications in Signal Processing Theory. Revista ATM,
anul III, pp.91-97, Bucure•ti, 1993.
[Isa.’93] A. Isar. Nouvelles modalités de décomposition multirésolution. Quatorzieme
Colloque GRETSI, Juan-Les Pins, pp.363-366, 13-16 Septembre 1993.
[Isa.’93(1)] A. Isar. Tehnici de m•surare adaptiv• cu aplica•ii în aparatura de m•surare
numeric•. Teza de doctorat, Universitatea “Politehnica” Timi•oara 1993.
[Isa.’94] A. Isar. L’estimation de la transformée en ondelettes avec bancs de filtres a
temps continu. Colloque TOM’94, pp. 34.1-34.4, Lyon, 9-11 Mars 1994.
[Isa.,Asz.’94] A.Isar, T.Asztalos. Using the fast wavelet transform for data compression,
Proceedings of the symposium on electronics and telecom., vol.III, Timi•oara, sept.
29-30, 1994.
[Isa.,Asz.,Isa.’95] D.Isar, T.Asztalos, A.Isar : De-noising with wavelets, International
Symposium SCS’95, Ia•i, România, 1995.
[Isa.’96] D. Isar. Imbun•t••irea raportului semnal pe zgomot prin filtrare neliniar• în
domeniul transformatei, Scientific Communications Meeting of “Aurel Vlaicu”
University, Arad, România, 1996.
[Isa.’97] D. Isar. De-noising adaptatif. Seizieme Colloque GRETSI, pp.1249-1252,
Grenoble, 15-19 Septembre 1997.
[Isa.,Isa.’97] D. Isar, A. Isar. A New Class of Identity Systems. International Workshop on
Sampling Theory and Applications, Universidad de Aveiro, June 16-19 1997.
[Jaw.,Swe.’95] B. Jawerth, W. Swelden. An Overwiev of Wavelet Based Multiresolution
Analysis. Preprint, Katolike Universiteit Leuven, Belgium 1995.
[Kun.,Boi.’87] M. Kunt, R. Boite. Traitement de la parole. Presses Polytechniques
Romandes, 1987.
[Kun.’84] M. Kunt. Traitement numérique des signaux. Traité d’Electricité de l’EPFL, vol.
XX, 3-eme édition, Presses Polytechniques Romandes, 1984.
[Lem.’90] P. G. Lemarié-Rieusset. Analyses multi-echelles et ondelettes a support
compact. În Les ondelettes en 1989. P. G. Lemarié (editor), Springer Verlag, 1990.
[Lem.,Mal.’93] P. G. Lemarié-Rieusset, G. Malgouyres. Support des fonctions de base
dans une analyse multirésolution. C. R. Acad. Sci. Paris, tome 313, serie 5,
pp.377-380, 1993.
[Mac.’89] O. Macchi. Adaptatif et non stationnaire. Traitement du signal, vol. 6, No.5
pp.325-387, 1989.
[Mal.’91] G. Malgouyres. Analyse multirésolution sur l’intervalle. Algorithme rapide.
Preprint, Université Paris-Sud, 1991.
[Mal.’92] G. Malgouyres. Ondelettes a support compact et analyse multirésolution sur
l’intervalle. Preprint, Université Paris-Sud, 1992.
[Mal.’94] G. Malgouyres. Introduction a la théorie des ondelettes. Curs de var•,
Timi•oara 1994.
[Mal.’89] S. Mallat. Multifrequency Channel Decomposition. IEEE Trans. on ASSP, vol.
37, No.12, pp. 2091-2110, Octobre 1989.
[Mal.’89(1)] S. Mallat. A Theory for Multiresolution Signal Decomposition: the Wavelet
Representation. IEEE Transactions on Pattern Analysis and Machine Inteligence,
vol. II, No.7, pp.674-693, July 1989.
[Mal.,Zha.’93] S. Mallat, Z. Zhang. Matching Pursuits with Time-Frequency Dictionary.
IEEE Transactions on Signal Processing, vol. 41, No.12, pp.3397-3415, December
1993.
[Mal.’97] S. Mallat, F. Falzon. Understanding Image Transform Codes. Proceedings of the
SPIE Aerospace Conference, Orlando, April 1997.
97
[Mal.’90] H. S. Malvar. Lapped Transforms for Efficient Transform/Subband Coding.
IEEE Trans. on ASSP, vol. 38, pp.969-978, June 1990.
[Mat.,Rad.,Sta.’96] A. Mateescu, M. R•ducanu, L. Stanciu. Best Basis with Wavelet
Packets for a Signal. Proceedings of International Symposium Etc’96, Timi•oara,
vol. II, pp.106-111, September 1996.
[Mey.’90] Y. Meyer. Ondelettes, filtres miroirs en quadrature et traitement numérique de
l’image. În Les ondelettes en 1989. P. G. Lemarié (editor), Springer-Verlag, 1990.
[Mey.’93] Y. Meyer. Ondelettes et algorithmes concurents. Herman, Paris 1993.
[Mey.93(1)] Y. Meyer. Wavelets and Operators. În Proceedings of Symposia in Applied
Mathematics. I. Daubechies (editor), vol. 47, AMS,1993.
[Mou.’94] P.Moulin. Wavelet Thresholding Techniques for Power Spectrum Estimation.
IEEE Trans. on S.P., vol. 42, No.11, pp. 3126-3136, November 1994.
[Naf.,Câm.,Isa.’95] I. Naforni••, A. Câmpeanu, A. Isar. Semnale circuite •i sisteme. vol. I,
Editura UPT, 1995.
[Pas.,Gay.’95] D. Pastor, R. Gay. Décomposition d’un processus stationnaire du seconde
ordre. Propriétés statistiques d’ordre 2 des coefficients d’ondelettes et localisation
fréquentielle des paquets d’ondelettes. Traitement du signal, vol. 12, no. 5, pp.
393-420, 1995.
[Pop.,Naf.,Tip.,Tom.,Mih.’86,’89] E. Pop, I. Naforni••, V. Tiponu•, L.Toma, A. Mih•escu.
Metode în prelucrarea numeric• a semnalelor. vol I •i vol II, Ed. Facla, Timi•oara
1986 •i 1989.
[Pre.’87] F. Preteux. Description et intérprétation des images par la morphologie
mathématique. Application a l’image médicale. These de doctorat d’Etat,
Université Paris VI, 1987.
[Rio.,Duh.’92] O. Rioul, P. Duhamel. Fast Algorithms for Discrete and Continuous
Wavelet Transforms. IEEE Transactions on Information Theory, vol. 28, No. 2,
pp.569-586, March 1992.
[Rio.,Vet.’91] O.Rioul, M.Vetterli. Wavelets and signal processing, IEEE SP Magazine, 8
(4) pp.14-38, october 1991.
[Rio.’93] O. Rioul. A Discrete Time Multiresolution Theory. IEEE Trans. on SP, vol. 41,
no. 8, pp. 2591-2606, August 1993.
[Rio.’93(1)] O. Rioul. Ondelettes régulieres: Applications a la compression d’images fixes.
these de doctorat, ENST Paris, Mars 1993.
[Sp•.’87] A. Sp•taru. Fondements de la théorie de la transmission de l’information.
Presses Polytechniques Romandes, Lausanne, 1987.
[Wes.,Wic.’93] E. Wesfreid, M. V. Wickerhauser. Etudes des signaux vocaux par
ondelettes de Malvar. Quatorzieme Colloque GRETSI, Juan-Les-Pins, Septembre
1993.
[Wic.’94] M. Wickerhauser. Adapted Wavelet Analysis from Theory to Software.
A. K. Peters Wesley ,1994.
98

Théorie Des Ondelettes PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Théorie Des Ondelettes PDF

Transféré par

Droits d'auteur :

Formats disponibles

Théorie des ondelettes

Professeur Alexandru Isar

Montaigne, Les Essais, Livre II, Chapitre XII.

1. Ondelettes. Principales applications 1

Les ondelettes ψ a ,b (t ) sont des fonctions générées par la translation et la dilatation

1.1. Les ondelettes et les moments nuls

Cette condition de bi-continuité peut être écrite aussi dans la forme:

La fonction a(x) représente l’autocorrelation de la fonction g(x) ( c’est la relation de

Montrons pour le commencement que (1.3) ⇒ (1.2)

On revient maintenant a la relation (1.1).

Donc la fonction g représente la réponse impulssionelle d’un filtre passe-bas.

1.3. Codage en sous-bandes

Considérons le systeme présenté dans la figure 1.3.2.

Figure 1.3.2. Systeme de codage en sous-bandes.

Figure 1.3.3. Un exemple de fonctionnement du systeme présenté dans la figure 1.3.2.

On peut faire la reconstruction de la suite {u n }n∈Z à partir des suites {a 1 [n ]}n∈Z et

Figure 1.3.4. Un systeme de de-codage.

Soit V j l’espace vectoriel emboîté par l’ensemble {g j,k (x )}j∈Z,k∈Z :

V j = e.v. engendre par g j,k (x )

où m f (ξ ) est une fonction 2π ⋅ 2 j périodique.

Proposition 2.2 ∀ j ∈ Z V j ⊂ V j+1

Définition 1. On dit que la suite des sous-espaces emboîtés de L2 (R ) , {V j }j∈Z est

B) On peut démontrer la relation:

En utilisant la formule sommatoire de Poisson on obtient (2.3).

C) Si la fonction g subit les conditions de Strang et Fix alors on doit avoir:

D) On peut démontrer que la condition de décroissance rapide de la fonction g

Proposition 2.3. Il existe une fonction m 0 (ω)∈ C ∞ telle que:

Mais en faisant le changement de variable:

et à l’aide du changement de variable:

On appelle la fonction g, de la définition 1, fonction d’échelle. Soit l’ensemble

Mais la fonction m(ω) 2 est périodique de période 2π donc:

Donc l’ensemble {ϕ(x − k )}k∈Z est orthonormé.

Proposition 2.1.3. L’ensemble {Ω(x − k )}k∈Z est la base duale de la base

Apres le changement de variable ξ − 2pπ = u on obtient:

Exemple 1. Fonction d’échelle de la base de Haar

Figure 2.2.1. La fonction d’échelle pour la base de Haar.

Figure 2.2.2. Le module du spectre de la fonction d’échelle dans le premier exemple.

Grâce à la dernière figure on peut constater que:

Pour notre exemple:

En utilisant le changement de variable:

En utilisant l’inégalité de Cauchy-Buniakovski-Schwartz on obtient:

Figure 2.2.3. Le spectre de la fonction d’échelle dans l’exemple 2.

On calcule la fonction d’échelle :

Figure 2.2.4. La fonction d’échelle dans l’exemple 2.

Cette analyse multirésolution permet une bonne localisation en fréquence (support

Figure 2.2.5. Un exemple de fonction de V0 dans l’exemple 3.

Figure 2.2.6. La fonction d’échelle dans l’exemple 3.

Figure 2.2.7. Le spectre de la fonction d’échelle dans l’exemple 3.

On peut vérifier facilement les hypothèses 1,2, et 3 de la définition de l‘analyse

Pour cet exemple la relation:

Maintenant nous trouverons les coefficients du développement de la fonction g(x) dans la

-2 3/2 -1 -1/2 0 1/2 1 3/2 2 n

Figure 2.2.2. Le suréchantillonnage de la fonction d’échelle.

V0 - l’espace vectorieldes splines d’ordre m par morceaux.

g(x ) = 1[0,1] (x )∗1[0,1] (x )∗ ...1[0,1] (x ) = 1[0,1]m (x )

On considère une analyse multirésolution de L2 (R ) avec l’espace V0 engendre par une

{ϕ(x − n )}n∈Z et donc: ψ x − k   ⊂ V0 On a montre ainsi que chaque

ψ(x − k ), ψ(x − l ) = δ k −l (3.10)

En faisant le changement de variable:

= m1 (ω)m ∗0 (ω) + m1 (ω + π)m ∗0 (ω + π)

En utilisant la relation (3.6) on obtient:

En utilisant le changement de variable:

Donc pour chaque entiers m et n on a: