Vous êtes sur la page 1sur 184

Traitement du signal

Pr. Imad Ez-zazi

Département de Génie électrique et informatique


Ecole Nationale des Sciences Appliquées de Fès

2018/2019 Ezzazi.ensaf@gmail.com
Introduction
 Le signal intervient sous plusieurs formes dans la
plupart des domaines de la technologie :
 Télécommunications
 Imagerie médicale
 Reconnaissance de formes
 Optique
 Acoustique
 Robotique
 Aéronautique
 statistiques,
 et de l’informatique utilisée pour
déployer les méthodes.

Imad ez zazi 2
Objectifs du cours
Acquérir les notions de base pour :
 Modéliser, représenter les signaux
 Manipuler des signaux analogiques et
numériques
 Effectuer des opérations simples de traitement
du signal
 Prérequis :
 Mathématique
 Algorithmique et programmation

Imad ez zazi 3
Contenu du cours

 Introduction au traitement du signal


 Représentation fréquentielle (Transformée de
Fourier)
 Passage de l'analogique au numérique
 Modulation/Filtrage

Imad ez zazi 4
Evaluation
• Présence
• Control continu
– TP (30%)
• Examen final
– 70%

Imad ez zazi 5
References

Francis Cottet Yvan duroc Alex Palamides, Anastasia Veloni

Imad ez zazi 6
Chapitre 1
INTRODUCTION AU TRAITEMENT DU
SIGNAL
7
Qu’appelle-t-on « signal »?

Signal:
Représentation physique d’une information à
transmettre
Entité qui sert a véhiculer une information
Supporte de l’information (analogique ou
numérique)
Une grandeur physique qui fonctionne d’une ou
plusieurs paramètres

Imad ez zazi 8
Qu’appelle-t-on « signal »?
Exemple:
 La température d’une pièce en fonction du temps
 Onde acoustique : courant délivré par un
microphone (parole, musique, …)
 Signaux biologiques :
 EEG(Électrocardiogramme: battements du cœur)
 ECG(Électroencéphalogramme: ondes cérébrales)
 Tension aux bornes d'un condensateur en charge
 Signaux géophysiques : vibrations sismiques
 Finances : cours de la bourse
 Débit d’un fleuve
 Images, Vidéos, etc.
Imad ez zazi 9
Qu’appelle-t-on « signal »?

Imad ez zazi 10
Qu’appelle-t-on « signal »?
Bruit magnétique sous marin

Signal de parole

Imad ez zazi 11
Qu’appelle-t-on « signal »?

Analyse spectral de signal parole

Imad ez zazi 12
Qu’appelle-t-on « signal »?

Imad ez zazi 13
Traitement du signal
 Théorie du signal : théorie permettant d’effectuer une
modélisation (description mathématique) et une analyse des
signaux et des systèmes.
 Traitement du signal : a pour objectifs la réalisation
(transformation, création, synthèse) et l’analyse des signaux
porteurs d'informations.
Discipline technique basée sur la théorie du signal. Elle utilise
diverses ressources : l’électronique, de l’informatique, physique
appliquée, mathématique…
 Domaines applications
 Télécommunications,  Géophysique
 Reconnaissance de la parole, synthèse du son  Astronomie
 Radar
 Aide à la décision (au diagnostic),
 Acoustique
 Analyse d’images (médicales, satellitaires…)

Imad ez zazi 14
Traitement du signal
 Ensemble de techniques permettant de créer, d'analyser,
de transformer les signaux en vue de leur exploitation
 Extraction du maximum d'information utile d'un signal
perturbé par le bruit
 Le TS a pour but:
 D’extraire de l’information
 De modifier le message transporté
 D’adapter l’information aux moyens de transmission

Le Traitement Numérique du Signal (TNS) désigne l’ensemble des opérations,


calculs arithmétiques et manipulations des nombres qui sont effectuées sur
un signal à traiter, représenté par une suite de nombres, en vue de fournir
une autre suite de nombre qui représentera le signal traité.

Imad ez zazi 15
Traitement du signal
Fonctions de traitement du signal
1. Créer: Elaboration des signaux
 Synthèse: création des signaux par
combinaison des signaux élémentaires

Imad ez zazi 16
Traitement du signal
1. Créer: Elaboration des signaux
 Modulation: adaptation du signal au canal de
transmission

Imad ez zazi 17
Traitement du signal
Exemple
s(t) est un signal BF a transmettre.
Il sera modulé pour l’adapter au support de
transmission.

Imad ez zazi 18
Traitement du signal
Exemple
Le spectre du signal modulé se trouve décalé en
fréquence et centré sur la fréquence du signal
sinusoïdal modulant.

Imad ez zazi 19
Traitement du signal
Exemple
Le signal reçu est enfin démodulé : il subit un
changement de fréquence et un filtrage

Imad ez zazi 20
Traitement du signal
Exemple

Imad ez zazi 21
Traitement du signal
2. Analyser : Interprétation des signaux

 Détection: isoler les composantes utiles d'un


signal complexe, extraction du signal d'un bruit
de fond

 Identification: classement du signal


(identification d'une pathologie sur un signal
ECG, reconnaissance de la parole, etc.)

Imad ez zazi 22
Traitement du signal

3. Transformer : Adapter un signal aux besoin


Filtrage : élimination de certaines composantes
 Détection de craquements sur un enregistrement,
 Détection de bruit sur une image,
 Annulation d'écho, etc.

Codage/compression (Jpeg, mp3, mpeg4, etc.)

Imad ez zazi 23
Traitement du signal
Exemple d’application de TS:
• système d’émission chargé de créer ou d’élaborer le
signal afin d’y incorporer l’information (codage,
échantillonnage, modulation),
• système de réception chargé d’interpréter le signal
afin d’en extraire l’information (mesure, détection,
filtrage, décodage, démodulation, estimation).
• Compression de la parole en téléphonie mobile…
• Compression des images JPEG, MPEG…

Imad ez zazi 24
La chaine de transmission de
l’information

Imad ez zazi 25
La chaine de transmission de
l’information

Imad ez zazi 26
La chaine de transmission de
l’information
 Acquérir :capteurs sensible aux variations d’une grandeur physique,
délivre un signal électrique

 Mettre en forme: Amplifier (Adaptation pour la numérisation) , Filtrer


(Réduire le bruit)

 Convertir ≫ CAN , échantillonnage et quantification

 Traiter: micro-controlleur (exploite les mesures : enregistrement, affichage


de courbes, traitement mathématique, transmission de données)

 Communiquer: Interface homme machine, Réseau ….

Imad ez zazi 27
La chaine de transmission de
l’information

Imad ez zazi 28
La chaine de transmission de
l’information

Imad ez zazi 29
La chaine de transmission de
l’information

Imad ez zazi 30
La chaine de transmission de
l’information

Imad ez zazi 31
La chaine de transmission de
l’information

Imad ez zazi 32
La chaine de transmission de
l’information

Imad ez zazi 33
La chaine de transmission de
l’information

Imad ez zazi 34
La chaine de transmission
numérique de l’information

Imad ez zazi 35
Notion du bruit
 Bruit:
 La notion de bruit est relative, elle dépend du contexte
 Exemple classique du technicien en télécom et de
l'astronome :
 Pour le technicien en télécom :
 Ondes d'un satellite = signal utile
 Signaux provenant d'une source astrophysique = bruit
 Pour l'astronome :
 Ondes d'un satellite = bruit
 Signaux provenant d'une source astrophysique = signal
 Tout signal physique comporte du bruit = une composante
aléatoire
 Introduction de la notion du rapport signal/bruit

Imad ez zazi 36
Notion du bruit
 Objectif:
 Signal = composante déterministe + composante
aléatoire.
 Déterminer la qualité d'un signal aléatoire ou déterministe
 introduction d'un rapport RS/B quantifiant l'effet du bruit.
Ps
RS  Ou RS (dB )  10 log10 ( RS )
B Pb B B

Ps est la puissance du signal et Pb celle du bruit.

37
Notion du bruit
 Les signaux numériques sont sensibles au bruit, mais
moins que les signaux analogiques.
 La qualité d’un signal numérique ne se mesure pas à la
distorsion du signal, mais à la capacité d’un récepteur
de détecter correctement l’état binaire transmis.
Détection d’un message numérique a partir d’un signal reçu bruité

Imad ez zazi 38
Bande passante
 Largeur de bande (bandwith)
 C'est l'intervalle de fréquences pour lequel les signaux
subissent un affaiblissement inférieur ou égal à 3 dB. les
signaux sont alors correctement reçus.
BP = [Fmin , Fmax]

Exemple :

Le réseau téléphonique a une BP= [300 Hz,3400 Hz]


l’oreille humaine est sensible dans la bande [20 Hz, 20000 Hz]

Imad ez zazi 39
Classification des signaux

Classification dimensionnelle
Classification spectrale
Classification phénoménologique
Classification énergétique
Classification morphologique

Imad ez zazi 40
Classification des signaux
 Classification dimensionnelle:
Signal monodimensionnel 1D: Fonction d'un seul
paramètre, pas forcément le temps : une concentration, une
abscisse, etc.

Signal bidimensionnel 2D:


Ex. image NG f(x,y), niveau de luminosité L(x, y) des pixels
d’une image statique noir et blanc en fonction de leurs
coordonnées x et y.

Imad ez zazi 41
Classification des signaux
Classification dimensionnelle:
Signal tridimensionnel: dépendant de trois
paramètres (vidéos, films)
Ex : niveau de luminosité L(x, y, t) des pixels des images
d’un film noir et blanc en fonction de leurs coordonnées x
et y et du temps t.

Imad ez zazi 42
Classification des signaux
Classification spectrale:
 Spectre: C’est la distribution de l’énergie ou de la
puissance en fonction de la fréquence.
 La classification se fait en comparant le spectre du signal
avec le domaine fréquentiel dans lequel se situe le signal.
On distinguera :
 les signaux à bande étroite dont la largeur de bande est
relativement petite,
 les signaux à bande large dont la largeur de bande est
relativement grande voire infinie,
 les signaux de basses fréquences (BF) dont la largeur de
bande est centrée sur des fréquences relativement faibles,
 les signaux de hautes fréquences (HF) dont la largeur de
bande est centrée sur des fréquences relativement
importantes.
Imad ez zazi 43
Classification des signaux

Imad ez zazi 44
Classification des signaux
Remarque
 En fonction du domaine de fréquences dans
lequel se situe le signal, on peut établir une autre
classification spectrale :
TBF, BF, HF, VHF,UHF,…
IR (infrarouge), UV(ultra violet),….

Imad ez zazi 45
Classification des signaux
Classification phénoménologique:

Imad ez zazi 46
Classification des signaux
 Signaux déterministes :

Signaux dont l'évolution en fonction du temps t peut être


parfaitement décrite grâce à une description
mathématique ou graphique

Imad ez zazi 47
Classification des signaux
 Signaux déterministes :

Signaux périodiques: s(t) est périodique de période T0 si, s(t


+ T0) =s(t) pour tout t

Imad ez zazi 48
Classification des signaux
 Signaux déterministes :

Signaux non périodiques: sont des signaux transitoires dont


l’existence est éphémère (observé sur une durée finie)

Imad ez zazi 49
Classification des signaux
 Signaux déterministes :

Signaux quasi-périodiques: somme de sinusoïdes dont le


rapport des périodes n’est pas rationnel.

Imad ez zazi 50
Classification des signaux
 Signaux déterministes :

Signaux pseudo aléatoires: signaux périodiques avec un


comportement aléatoire,

Imad ez zazi 51
Classification des signaux
 Signaux aléatoires :
Signaux dont l'évolution temporelle est imprévisible et
dont on ne peut pas prédire la valeur à un temps t.
La description est basée sur les propriétés statistiques des
signaux (moyenne, variance, loi de probabilité, …)
Signaux aléatoires stationnaires Stationnaire si les
caractéristiques statistiques ne varient pas au cours du temps.

Imad ez zazi 52
Classification des signaux
Classification phénoménologique:

On a souvent : Signal réel


= Signal déterministe + Signal aléatoire
Imad ez zazi 53
Classification des signaux
Classification énergétique:
 Energie et puissance des signaux
Soit un signal x(t) défini sur ]- ∞ , + ∞ [ , et T0 un
intervalle de temps
 Energie de x(t)
T0
 2
E 
2
E  lim 
2
x(t ) dt Ou x(t ) dt
T0 
 
T0

 Puissance de x(t) T0
2

2
1
P  lim 
2
x(t ) dt T0
T0  T 2
1

T0
P
0  2
2 x(t ) dt
T
Signaux périodique de période T
T0

2

Imad ez zazi 54
Classification des signaux
 Energie du signal 
E 
2
x(t ) dt


Imad ez zazi 55
Classification des signaux
Puissance de signal

Imad ez zazi 56
Classification des signaux
Classification énergétique:
 Signaux à énergie finie

 Signaux à énergie infini

Imad ez zazi 57
Classification des signaux
Classification énergétique:
 Remarques:
Signaux à énergie finie puissance
moyenne nulle
Généralement, cas des signaux représentant une
grandeur physique.
Signaux transitoires à support borné
Signaux à énergie infinie puissance
moyenne non nulle
Cas des signaux périodiques
Notion valable pour les signaux aléatoires et
déterministes
Imad ez zazi 58
Classification des signaux
Classification morphologique:

59
Classification des signaux

60
Classification des signaux
Classification morphologique:

 Les signaux analogiques


l'amplitude et le temps sont continus
 Les signaux échantillonnés
l'amplitude est continue et le temps discret
 Les signaux quantifiés
l'amplitude est discrète et le temps continu
 Les signaux numériques
l'amplitude et le temps sont discrets

61
Classification des signaux
Remarque

 Pour le traitement de signal analogique, les signaux


seront à temps et amplitude continu
 Pour le traitement de signal numérique, les signaux
seront à temps discrète, nous y expliciteront les
opération d’échantillonnage et de quantification,
bases de conversion analogique/numérique

62
Signaux élémentaires continus
 Echelon unitaire (Echelon de Heaviside)

• permet d'exprimer l'établissement instantané d'un


régime continu
• Utilisé pour traduire la causalité. Ex. si x(t) a pour
support t  ,  , x(t).u(t) a pour support t  0, 
>>signal causal
63
Signaux élémentaires continus
 Signal porte ou rectanglaire

noté Rect(t) ou Π(t) :

• Peut aussi être défini comme une différence de deux échelons


• Utilisé en particulier, pour exprimer un signal sur une durée T
x(t,T)=x(t).RectT(t)

64
Signaux élémentaires continus
 Fonction signe

• Elle est utilisée pour renvoyer le signe d’un signal

65
Signaux élémentaires continus
 Impulsion ou signal triangulaire

tri(t) ou Λ(t):

66
Signaux élémentaires continus
 Exponentielle décroissante

67
Signaux élémentaires continus
 Signal sinus cardinal

68
Signaux élémentaires continus
 Rampe unitaire
La fonction rampe peut se définir à partir de la fonction saut
unité :

69
Impulsion de Dirac
Si φ est une fonction, la distribution de Dirac ou impulsion de
Dirac est définie par :

Dirac appliqué à une fonction = la valeur de la fonction en 0


Cependant pour des raisons de commodités, on la note souvent
comme une fonction de t : ,  (t ) qu'on représente :

L'impulsion de Dirac correspond à une


fonction porte dont la largeur T tendrait
vers 0 et dont l'aire est égale à 1.

70
Impulsion de Dirac
Propriétés:
 Dirac représente un signal de durée théoriquement nulle
et d'énergie finie (=1).
 Notation incorrecte mais commode :
 Une impulsion de Dirac à l'instant t1 donne :
 Autre propriété :

 (t )ne peut être représentée graphiquement. On la schématise


par le symbole

Attention: le 1 marqué sur la flèche pleine représente l’aire de cette


impulsion (et non la hauteur de l’impulsion).
On peut encore considérer δ (t) comme la dérivée de la fonction
échelon :
.
71
Pigne de Dirac
 Définition:
On appelle peigne de Dirac une succession périodique
d’impulsions de Dirac.

T est la période du peigne.


Cette suite est parfois appelée train d'impulsions ou fonction
d'échantillonnage.
Ce type de signal est principalement utilisé en échantillonnage .

72
Pigne de Dirac
 Propriétés:

73
Chapitre 2
REPRÉSENTATION FRÉQUENTIELLE DES
SIGNAUX
TRANSFORMATION DE FOURIER
74
Introduction
Notion de fréquence:

Qu'est ce qu'une fréquence ?


 La fréquence est le nombre de fois qu'un phénomène
périodique se reproduit pendant une durée déterminée
 C'est donc l'inverse de la période f = 1/T
 La fréquence est mesurée en hertz (= 1/seconde)
Dans un son
 Sons graves = basses fréquences
 Sons aigus = hautes fréquences

Imad ez zazi 75
Introduction

=> La fréquence permet de caractériser un certain type


d'information
Imad ez zazi 76
Introduction
Notion de fréquence:
Dans une image
 Surfaces =
basses fréquences
 Contours =
hautes fréquences

Dans une onde


lumineuse
 Les couleurs dépendent
de la longueur d'onde
= la fréquence
Imad ez zazi 77
Introduction
 La notion de fréquence est
également présente dans :
 La voix, un téléphone portable,
la radio, l'ADSL, les horaires de
passage d'un train, la musique
électronique, un radar, etc.
 Toute ces applications
véhiculent ou analysent le
contenu fréquentiel de
l'information
 Une représentation fréquentielle
de l'information est souvent +
facile à interpréter que la
représentation temporelle

Imad ez zazi 78
Introduction
 Autre exemple : analyse d’onde cérébrale

Ondes Alpha: engendrées lorsque le


sujet change son niveau d'attention
(f modérées, amplitude importante)

Ondes Bêta: produites par une activité


mentale intense (fréquences. élevées,
faibles amplitudes)

Ondes Thêta: accompagnent des


sentiments de stress émotionnel
(fréquences faibles)

Question : Comment obtenir la représentation fréquentielle d'un


signal ?
Imad ez zazi 79
Vers un représentation
fréquentielle …
 La notion de fréquence est intéressante, mais comment
connaitre les fréquences que contient un signal ?
 Exemple d'un signal sinusoïdal :

 Exemple d’une onde lumineuse


Fréquences variables au cours du temps
(du rouge au violet). Comment caractériser
les informations fréquentielles contenues
dans ce signal ?
=> ici, c'est plus difficile ...
Analyse fréquentielle des signaux
Imad ez zazi 80
Vers un représentation
fréquentielle …

• Il est donc possible d'obtenir des signaux périodiques complexes


par une simple combinaison linéaire de signaux élémentaires
• C'est le principe inverse de la décomposition en série de Fourier

Imad ez zazi 81
Représentation fréquentielle

Imad ez zazi 82
Représentation fréquentielle
1. Les signaux périodiques

Mathématiquement, la périodicité d’un signal x(t) de période T est défini par :

x(t )  x(t  K .T ) Avec k entier

Un signal à énergie W infini Un signal à puissance P fini

Imad ez zazi 83
Représentation fréquentielle
1. Quelques signaux périodiques
A. Signal sinusoïdale

x(t )  AMax .sin(.t   ) x(t )  AMax .sin(2 . f 0 .t   )


Imad ez zazi 84
Représentation fréquentielle
1. Quelques signaux périodiques
B. Signal rectangulaire

tH
Rapport cyclique (duty cycle ) 
T
Imad ez zazi 85
Représentation fréquentielle
1. Quelques signaux périodiques
C. Signal triangulaire

D. Signal « dents scies »

Imad ez zazi 86
Décomposition en série de
fourrier (DSF)
 Principe
 La Décomposition en Série de Fourrier consiste à exprimer un
signal périodique comme une combinaison linéaire de
signaux sinusoïdaux

• Sous forme de signaux


sinusoïdaux, les fréquences d'un
signal apparaissent
naturellement.

• Pour les signaux périodiques, la décomposition en Série de Fourier (DSF)


constitue le lien entre la représentation temporelle d'un signal et sa
représentation fréquentielle.
• Pour les signaux non périodiques, il s'agit de la Transformée de Fourier (TF)
Imad ez zazi 87
DSF
 Principe
 Exprimer un signal x(t) de période T comme une
combinaison linéaire de fonctions
1 sinusoïdales de
fréquences multiples de F  , dite fréquence
T
fondamentale
 Définition de la DSF: Forme trigonométrique
 Un signal x(t) de période T, s'exprime sous certaines
conditions comme

Valeur moyenne de x(t) Coefficients de Fourier


=> Somme de sinus et de cosinus : facile à interpréter

Imad ez zazi 88
Décomposition en série de
fourrier
 Coefficients de la série

Remarque:
xT(t) pair bn=0
xT(t) impair an=0

Imad ez zazi 89
DSF
 Définition de la DSF: Forme trigonométrique

 Interprétation:

Imad ez zazi 90
DSF
 Coefficients de la série
Aire

Aire

Imad ez zazi 91
DSF
 Pour un signal impair

Imad ez zazi 92
DSF
 Pour un signal impair

Imad ez zazi 93
DSF
 Pour les signal impair

Imad ez zazi 94
DSF
 Pour un signal pair

Imad ez zazi 95
DSF
 Série de Fourier en cosinus
En considérant la relation trigonométrique suivante:

le développement en série de Fourier peut s’écrire:

Imad ez zazi 96
DSF
 Série de Fourier en cosinus

Imad ez zazi 97
DSF
 Série de Fourier en cosinus

Imad ez zazi 98
DSF
 Série de Fourier en cosinus

Imad ez zazi 99
DSF
Remarques
– La représentation en cosinus est très importante
car elle correspond à la description des signaux
en régime sinusoïdal permanent où l’on
représente un courant ou une tension par son
amplitude et sa phase.
– D’un point de vue pratique, cela revient à
considérer que le signal x(t) est créé de manière
équivalente par une infinité de générateur
sinusoïdaux.
– La représentation spectrale dans ce cas est
unilatérale.

Imad ez zazi 100


DSF
 Définition de la DSF: Forme complexe
 Rappel: formules de Moivre et d’Euler

Application à la DSF:

Posons les relations entre les coefficients

Imad ez zazi 101


DSF
 Définition de la DSF: Forme complexe
On a alors:

ou

Les "cn" sont appelés les coefficients de Fourier de x(t). Ils forment
la représentation fréquentielle de x(t).

Imad ez zazi 102


DSF
Définition de la DSF: Forme complexe

Imad ez zazi 103


DSF
 Remarques:
1
 Posons F  . Les formes de DSF s’écrivent alors:
T

 F est la fréquence fondamentale


 f = nF sont les harmoniques

 Les coefficients cn sont complexes en général


 Dans la forme complexe de la DSF, interviennent des
fréquences négatives et positives qui sont introduites par
commodité de représentation

Imad ez zazi 104


DSF
Propriétés des coefficients de Fourier

ck

Imad ez zazi 105


DSF
Propriétés des coefficients de Fourier

ck

Imad ez zazi 106


DSF
 Quelques propriétés:
Si le signal x(t) est réel et pair,

 Si le signal x(t) est réel et impair,

 Théorème de Parseval : La puissance du signal


périodique est :

Imad ez zazi 107


Comment passer a une autre forme?

Imad ez zazi 108


DSF
 Remarque: Pourquoi les nombres complexes?
 Quand on a des phénomènes périodiques, les complexes
sont plus faciles à manipuler.
 Exemple : analyse de circuits électriques RLC :

remplacement d'équations différentielles par des équations


algébriques
Imad ez zazi 109
Exemple de DSF
Soit h(t) de période T tel que sur l'intervalle [0, T]

Décomposition en Série de Fourier de h(t)

Imad ez zazi 110


Exemple de DSF
On a trouvé que :

Donc la série de Fourier de h(t) s'écrit :

Approximation du signal créneau par la série de Fourier en limitant


n à différentes valeurs :

Imad ez zazi 111


Exemple de DSF
Représentation des Cn:

Spectre de raie : les Cn


indiquent quelles sont les
fréquences présentes
dans le signal

Imad ez zazi 112


Autre exemple

OK pour les signaux périodiques ...

Imad ez zazi 113


Et pour les signaux non périodique?
 La DSF n'est applicable qu'aux signaux périodiques
 Comment faire pour les signaux non périodiques ?
 Considérons que la période T est infinie (donc F tend
vers 0)
 Et comme les harmoniques sont des multiples de F ...
 ... l’écart entre les raies du spectre va donc devenir
infiniment petit
 On tend alors vers une représentation fréquentielle
continue

C'est la Transformée de Fourier, qui peut être vue comme une


généralisation des séries de Fourier aux signaux non périodiques

Imad ez zazi 114


Et pour les signaux non périodique?

Décomposition en série de Fourier

Transformée
de Fourier

Imad ez zazi 115


Spectres de raie pour différentes périodes

Imad ez zazi 116


Spectres de raie pour différentes périodes

Imad ez zazi 117


Transformée de Fourrier
 Définition de la TF:
Soit x(t) un signal non périodique.
La TF de x(t), si elle existe, est

 X(f) indique la "quantité" de fréquence f présente dans le


signal x(t) sur l'intervalle . ] - ∞,+∞[ . X(f) donne des informations
fréquentielles sur x(t).
 X(f) : fonction complexe (de la variable réelle f) qui admet
 Un spectre d'amplitude
 Un spectre de phase

Si x(t) est une tension électrique, sa transformée de Fourier s’exprime en V/Hz

Imad ez zazi 118


Transformée de Fourrier

• La transformée de Fourier est une extension de la


décomposition en série de Fourier pour les signaux
non périodiques.

• En effet, la passage d’un signal périodique à un autre


apériodique peut se faire en considérant une période
qui tend vers l’infini.

Imad ez zazi 119


Transformée de Fourrier
 Transformée de Fourier inverse

Si elle existe, la transformée de Fourier inverse est définie


par :

Notations:

X(f) et x(t) sont deux descriptions équivalentes


(temporelle ou fréquentielle) du même signal.

On écrit : x(t) ↔ X(f)


Imad ez zazi 120
Exemple de calcul de TF

Imad ez zazi 121


Exemple de calcul de TF

Imad ez zazi 122


Propriétés de TF
 Linéarité:

 Décalage temporel:
L'amplitude Af ne change pas. La
phase est modifié de -j2π ft0
 Décalage fréquentiel:

 Changement d’échelle: La contraction dans le domaine


temporel (a ≥ 1)correspond à la
dilatation dans le domaine
fréquentiel et inversement
 Dérivation:

Imad ez zazi 123


Propriétés de TF
 Inversion temporel :

 Conjugaison complexe:
 Symétrie dans le cas des signaux réels:
Le spectre d'amplitude est
Si x(t) est un signal réel alors:
une fonction paire et le
spectre d'argument est
impair
 Symétrie dans le cas des signaux imaginaire purs:
Si x(t) est un signal imaginaire pur alors

 Parité:
 Si x(t) est un signal réel et pair alors X(f) est réelle et paire
 Si x(t) est un signal réel et impair alors X(f) est imaginaire pure et
impaire

Imad ez zazi 124


Exemple d'application des
propriétés de la TF
 Décalage fréquentiel :

Par la propriété de décalage


en fréquence de la TF

Ce résultat est fondamental en modulation de signaux

Imad ez zazi 125


Illustration de quelques TF
 Décalage fréquentiel :

Imad ez zazi 126


Dualité de la TF
Les définitions symétriques de la TF et de la TF inverse permettent de
mettre en avant une propriété de la TF appelée Dualité de la TF.
Soit x(t) , une fonction quelconque dont la TF est bien définie

En intervertissant les variables temporelles et fréquentielles, on


obtient :

Imad ez zazi 127


TF et énergie des signaux
 Relation de Parseval
Loi de conservation de l'énergie

Dans le cas où les intégrales existent, on a

La Transformée de Fourier conserve l'énergie du signal

Imad ez zazi 128


Densité spectral d’ énergie
Comme la TF conserve l'énergie, on peut définir une notion
d'énergie par unité de fréquence, la densité spectrale d'énergie
(DSE)

Imad ez zazi 129


Troncature d’un signal

130
Troncature d’un signal
 Notion d’autocorrélation :

131
Troncature d’un signal

de Longue durée possède un spectre étroit

132
Corrélation des signaux
 Notion d’autocorrélation :
L'autocorrélation réalise une comparaison entre un signal x(t) et
ses copies retardées (étude de ressemblance d'un signal avec
lui-même au cours du temps)
 Pour les signaux à énergie finie
Homogène à une énergie,
Cxx(0) est l'énergie du signal

 Pour les signaux à énergie infinie


Homogène à une
puissance, Cxx(0) est la
puissance moyenne du
 Propriétés signal
: Maximum en 0

Si x(t) est périodique alors Cxx(t) est périodique de même période


Cxx(t) est paire pour des signaux réels
133
Corrélation des signaux

134
Corrélation des signaux

135
Corrélation des signaux
 Notion d’intercorrélation :
L'intercorrélation compare un signal x(t) et un signal y(t)
retardée. Elle mesure la similitude entre ces deux signaux
 Pour les signaux à énergie finie

 Pour les signaux à énergie infinie

136
Corrélation des signaux
 Notion d’intercorrélation :

137
Corrélation des signaux
 Notion d’intercorrélation :

138
Chapitre 3
DU SIGNAL CONTINU AU SIGNAL
NUMÉRIQUE
ECHANTILLONNAGE, RECONSTRUCTION,
QUANTIFICATION 139
Introduction

Imad ez zazi 140


Introduction
• Donc un signal numérique est une suite de valeurs
• Ces valeurs sont codées sur un certain nombre de bits
• C'est donc une suite de 0 et de 1 ...

141
Introduction
 Afin de bénéficier des nombreux avantages que présente
le traitement numérique de l'information, les grandeurs
analogiques, audio, vidéo ou mesures doivent être d'abord
numérisées (transformées en une suite de nombres binaires
par un CNA).

 Elles seront transmises ou stockées dans un format binaire ,


(généralement, après codage).

 A la réception ou a la lecture les données numériques


seront (décodées puis) converties en signaux analogiques
si nécessaire, comme les données audio/vidéo.

142
Introduction
 La numérisation consiste en la succession de trois
actions sur le signal analogique de départ :

 l’échantillonnage pour rendre le signal discret


la quantification pour associer à chaque
échantillon une valeur d’un ensemble discret de
valeurs
 le codage pour associer un code à chaque valeur
quantifiée.

143
Introduction
 Propriétés du numérique, c'est à dire du codage en 0/1

 La numérisation d'un signal est une perte d'information...


 Permet d'effectuer les traitements sur des machines informatiques,
spécialisées dans le TS ou non (DSP, PC)
 Puissance, rapidité, coût
 Flexibilité (système numérique = logiciel : facile à modifier, ex. :
modems numériques), contrairement aux montages électroniques ...
 Codage interne des 0 et des 1 souvent en 0/5V : A priori pas
d'altération du signal, robuste au bruit une fois numérisé
 Adéquation entre simulation et traitement : simuler du
numérique, c'est en faire !

144
Introduction
 Applications
 TV numérique
 Enregistrement audio, vidéo
 Téléphonie mobile …
 Attention : on ne peut pas dire que Numérique >
analogique
 Dépend de la qualité de l'échantillonnage et de la
quantification
 Certains disent que le signal perd une partie de son âme …
 On ne peut pas dire l'inverse non plus !
Il est nécessaire de comprendre comment se fait le passage du
monde analogique à celui du numérique. Dans ce cours, on se
placera dans le contexte de signaux réels.

145
Introduction
 Chaine de numérisation

 Echantillonnage
Prélèvement de la valeur du signal continu x(t) à des intervalles de temps
tn. Généralement les tn sont régulièrement espacés ; Te = tn+1–tn est appelé
période d'échantillonnage. On obtient la suite de valeurs xe(t) = {x(tn)} avec
tn = nTe.
 Quantification
Approximation de chaque valeur xe(t) par un multiple entier d'une quantité
élémentaire q appelée échelon de quantification.
 Codage binaire
Transformation de la valeur quantifiée en mot binaire exploitable par le
calculateur

146
Echantillonnage idéal

Échantillonnage idéal : prélèvement pendant un temps infiniment court des


valeurs de x(t) à t = nTe (multiple entier de Te ).
 Modélisation Mathématique

147
Echantillonnage idéal
 Propriétés:

148
TF d’un signal échantillonné
Question: Que devient le spectre du signal x(t) après échantillonnage idéal?

Or la TF du peigne de Dirac est , on en déduit:

Comme le produit de convolution est distributif et que


on a alors:

Le spectre de Xe(f) est celui de X(f) "périodisé" avec une période fréquentielle Fe.
L'échantillonnage dans le domaine temporel se traduit par une "périodisation"
de période Fe dans le domaine fréquentiel.
149
TF d’un signal échantillonné

150
TF d’un signal échantillonné

151
Analyse de spectre de Xe(t)
Pour retrouver X(f), donc X(t), il faut supprimer par filtrage toutes les bandes
images, c’est-à-dire filtrer dans la bande [–Fe/2 et Fe/2], ceci n’est possible
que s’il n’y a pas de zone de recouvrement entre les bandes image ,

fe  fm  f m

152
Analyse de spectre de Xe(t)
On considère que x(t) est un signal réel dont le spectre est
borné en fréquence, de fréquence maximale Fmax i.e.

Question : que devient le spectre Xe( f ) en fonction de Fe ?

Le motif principal (n = 0) est égal au spectre de x(t). Comme les motifs sont
disjoints, on peut extraire X( f ) grâce à un filtre passe-bas idéal et donc
reconstituer intégralement le signal x(t) à partir de la connaissance de son
échantillonné xe(t).
153
Analyse de spectre de Xe(t)

Les motifs élémentaires de |Xe( f )| se recouvrent. On parle de repliement de


spectres.

A cause du chevauchement des motifs élémentaires constituant le spectre Xe(


f ) du signal échantillonné, il n'est pas possible de récupérer le spectre X( f ) par
un filtrage approprié. Il n'est donc pas possible de reconstruire le signal initial
x(t) à partir de la connaissance de son échantillonné xe(t).
154
Théorème de Shannon
Question : quelle est la condition sur Fe pour qu'à partir du signal échantillonné
xe(t) , on puisse reconstruire intégralement x(t) ?
 pas de recouvrement de spectre extraction de X(f) par
filtrage passe-bas idéal
 repliement de spectre impossibilité de récupérer X(f) par
filtrage
Par conséquent, pour que la répétition périodique du spectre de xe(t) ne
déforme pas le spectre X(f) répété, il faut et il suffit que Fe ≥ 2Fmax

Enoncé du théorème de Shannon


La condition nécessaire et suffisante pour échantillonner un signal sans perte
d'information est que la fréquence d'échantillonnage Fe soit supérieure ou
égale au double de la fréquence maximale du signal. Plus précisément, si on
note Fmax la fréquence maximale du signal, il faut et il suffit que : Fe ≥ 2Fmax

Pour Fe fixée, est appelée fréquence de Nyquist : c'est la fréquence


maximale admissible du signal pour éviter les distorsions de spectre
155
Exemples

156
Echantillonnage réel
 Echantillonnage Idéal
L'échantillonnage idéal suppose l'utilisation d'une
impulsion infiniment brève permettant d'extraire la
valeur instantanée x(nTe) à l'instant nTe. C'est donc
l'application de la distribution δ (t - nTe) au signal
continu x(t) :

L'échantillonneur est assimilable à un filtre de réponse impulsionnelle δ (-t)


 Echantillonnage Réel
En pratique, on n'a pas une impulsion infiniment brève et l'échantillonneur est
assimilable à un filtre de réponse impulsionnelle h(-t)

157
Echantillonnage réel
 Echantillonnage Réel

Une impulsion de Dirac idéale possède une aire unité, une amplitude de
1/∆t. Pour la réelle il faut considérer la durée ∆t, faible mais pas nulle.
Donc le signal réel est une suite d’impulsions d’amplitude , de
largeur ∆t

Avec cet échantillonneur, le signal f*(t) suit les variations de f(t) pendant
toute la durée de l’intervalle d’échantillonnage.

158
Echantillonnage réel

159
Echantillonnage réel
 Exemple : échantillonnage réel par moyennage simple

L'échantillonneur moyenneur donne des échantillons correspondant à


la valeur moyenne de x(t) prise sur un intervalle de durée ∆T.

On prend h(t) comme

Expression du signal échantillonné

160
Echantillonnage réel
 Exemple : échantillonnage réel par moyennage simple

161
TF d’un signal échantillonné
 Question: que devient le spectre du signal x(t) après
échantillonnage réel?
L'expression du signal échantillonné
avec un échantillonneur réel est :

D'après Plancherel, on a:

pour une réponse impulsionnelle h réelle

Rappel : pour un ech. Idéal, on avait :

162
TF d’un signal échantillonné
 Interprétation:

L'expression de est identique à à un terme de


pondération H *( f ) près.
 Le terme de pondération n'influe pas sur la condition de Shannon.
 Le terme H*( f ) introduit une distorsion sur le spectre par rapport au cas
idéal. Cette distorsion est d'autant plus faible que H( f ) est constante
dans la bande [-Fe/2, Fe/2].

163
Exemple d’échantillonnage réel
• Soit x(t) un signal dont le spectre est à support borné
• On réalise un échantillonnage réel
par moyennage simple

164
Cas des signaux à support
fréquentiel non bornée
Problème des signaux à large bande
• Dans le cas des signaux à support fréquentiel infini, il est impossible de
définir une notion de fréquence maximale. Quelque soit la fréquence
d'échantillonnage Fe , il y a toujours repliement de spectre.
• Les signaux réels comportent souvent une composante fréquentielle à
large bande due à la présence de bruit (perturbations aléatoires), ce qui
imposerait une fréquence Fe importante.
Solution: Filtrage anti-repliement
On va numériser un signal x1(t), qui sera le résultat d'un filtrage passe-bas idéal
du signal x(t) à support fréquentiel infini ou à large bande.
D'une manière générale, afin de garantir la condition de Shannon, il faut
utiliser un filtre passe-bas anti-repliement de fréquence de coupure fc
inférieure à Fe /2

165
Cas des signaux à support
fréquentiel non bornée
Filtre anti-repliement

• Pour éviter le repliement de spectre on élimine les fréquences


contenues dans le signal analogique supérieures à Fe/2

• On utilise un filtre passe-bas analogique dit filtre anti-repliement

• Le filtre anti-repliement définit Fmax

166
La reconstruction
Problématique
On a échantillonné un signal x(t) en respectant le
théorème de Shannon, comment fait-on pour le
reconstruire à partir des échantillons?
• Hypothèse:
– La condition de Shannon a été respectée lors de l'échantillonnage
( x(t) est à support borné en fréquence ou filtrage anti-repliement)
– Echantillonnage idéal
• Solution: pour reconstruire le signal, il suffit de prendre la TF inverse du
motif de base de Xe( f )

167
La reconstruction

Problématique
• Filtre idéal => la connaissance de tous les échantillons x(nTe) est nécessaire
pour reconstruire le signal
• Reconstruction mathématiquement possible, mais physiquement
irréalisable car le filtre passe-bas idéal n'est pas causal => interpolation
physiquement non réalisable. 168
Chaine de traitement numérique de signal

169
Chaine de traitement numérique de signal

 Filtre analogique anti-repliement


 Elimine les hautes fréquences
 Echantillonneur-bloqueur
 Maintient du signal à l’entrée du convertisseur
 Convertisseur analogique numérique (CAN)
 Convertit en binaire l’amplitude des échantillons
 Système numérique de traitement
 Effectue un traitement sur la suite de valeurs binaires
 Convertisseur numérique analogique (CNA)
 Transforme une suite de valeurs binaires en un signal
analogique
 Filtre de restitution
 Elimine les fréquences indésirables à la sortie du CNA

170
Chaine de traitement numérique de signal

Avantages des systèmes numériques


Sensibilité réduite, Précision contrôlée
 Reproductibilité,
Souplesse, nombre d’opérations illimité
Systèmes non réalisables en analogique
Inconvénients
Limitations en haute fréquence
CAN/CNA
Bande passante nécessaire importante

171
La quantification

172
La quantification
 Rôle
Approximer chaque valeur du signal échantillonné xe(t) par un multiple entier
d'une quantité élémentaire q appelée "pas de quantification" ou quantum
Si q est constant quelle que soit l'amplitude du signal, on parle de
quantification uniforme.
Dans tous les cas, la quantification est une perte d'information.
 Principe
Il existe principalement deux modes de quantification

La quantification introduit une erreur modélisable mathématiquement, et


que l'on peut considérer comme une variable aléatoire
173
La quantification

174
La quantification
 Erreur (ou Bruit) de quantification

xe(t): signal échantillonné non quantifié


xq(t): signal échantillonné quantifié

Le rapport signal sur bruit de quantification

PS : puissance du signal m(t)


PB : puissance du bruit de quantification

175
La quantification
 Quantification scalaire uniforme linéaire

176
La quantification
 Quantification scalaire uniforme linéaire

177
Application-MIC

178
Application-MIC

179
Conclusions

La condition de Shannon garantit la non perte


d'information, dans le cas idéal!
 Dans le cas pratique, il y a des distorsions dans le
signal échantillonné
 échantillonnage réel
 reconstruction par extrapolation
 Des précautions sont à prendre afin que le signal
échantillonné et le signal reconstruit à partir des
échantillons soient les plus fidèles possibles au signal
original.

180
Bibliographie

 Bellanger M, Traitement numérique du


signal, Dunod, 1998.

 Picinbono B, Théorie des signaux et des


systèmes, Dunod, 1993

 Cottet F, Traitement des signaux et


acquisition de données, Dunod, 1997

181
Exercices

182
Fin

Ezzazi.ensaf@gmail.com
TF usuelles

Imad ez zazi 184