Vous êtes sur la page 1sur 13

La transformée de Fourier

et ses applications (partie 2)

par Joël LE ROUX


École polytechnique universitaire (EPU)
Université de Nice Sophia-Antipolis

1. Transformée de Fourier discrète.......................................................... AF 1 441 - 2


1.1 Lien avec les séries de Fourier ................................................................... — 2
1.2 Transformée de Fourier rapide ................................................................... — 4
1.3 Limitations en résolution de la transformée de Fourier discrète ............ — 5
1.4 Quelques utilisations et extensions de la transformée discrète.............. — 7
1.5 Filtrage et analyse spectrale des signaux aléatoires.
Fenêtres d’analyse spectrale ...................................................................... — 7
2. Transformée de Fourier des signaux bidimensionnels
et des images ............................................................................................ — 9
2.1 Représentation fréquentielle des signaux bidimensionnels continus.
Transformée de Fourier 2D ......................................................................... — 9
2.2 Interprétation de la transformée de Fourier 2D ........................................ — 9
2.3 Propriétés de la transformée de Fourier 2D .............................................. — 11
2.4 Effet de halo : phénomène de Gibbs, tache d’Airy,
diffraction de Fraunhofer ............................................................................ — 13
Pour en savoir plus ........................................................................................... Doc. AF 1 442

ette deuxième partie de la présentation de la transformée de Fourier


C comporte deux paragraphes distincts et sans rapport direct. Elle se base
sur les développements donnés dans la première partie en [AF 1 440].
Nous verrons dans le premier paragraphe les expressions de la transformée
de Fourier dans le cas du traitement numérique des signaux échantillonnés (la
transformée de Fourier discrète), en décrivant plus particulièrement l’algo-
rithme de transformée de Fourier rapide et en notant quelques considérations
pratiques qu’on ne doit pas négliger lors de la mise en œuvre et l’utilisation de
la transformée de Fourier discrète. Nous y mentionnerons des applications
importantes comme la compression MP3 des signaux musicaux ou la modula-
tion OFDM utilisée, par exemple, en télédiffusion numérique. Nous y donne-
rons également les résultats principaux concernant l’analyse spectrale des
signaux aléatoires, principalement les notions de fonction d’autocorrélation et
de densité spectrale.
Dans un deuxième paragraphe, nous aborderons le cas des signaux bidimen-
sionnels (le plus souvent des images) et leur représentation en fréquences qui
serviront de base dans différents domaines d’application : compression
d’images, filtrage d’images, prétraitements pour la reconnaissance de formes,
en mentionnant plus particulièrement les propriétés importantes de la trans-
formée de Radon très utilisée en imagerie médicale.
La mise en œuvre et des exemples d’application seront vus dans une troi-
sième partie [AF 1 442].

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. − © Editions T.I. AF 1 441 − 1
LA TRANSFORMÉE DE FOURIER ET SES APPLICATIONS (PARTIE 2) _______________________________________________________________________________

1. Transformée de Fourier 1.1.1 Transformée inverse

discrète À partir de l’amplitude complexe des harmoniques, on peut


reconstituer le signal périodique y (t ) et donc le signal x (t ) pour
0  t  T – 1 . On a donc :
Les représentations de signaux et de filtres sous la forme de T–1
transformées de Fourier et de transformées en z sont des outils kt
théoriques. Ils ne peuvent être utilisés que si les données étudiées
x (t ) = ∑ X ( k ) exp 2πj ------
T
(3)
k=0
ont une représentation formelle. C’est le cas d’un filtre linéaire non
récursif ou d’un signal sinusoïdal. Dans les études en traitement du On peut vérifier la validité de cette reconstruction en remplaçant
signal, on est amené à représenter et à traiter des signaux mesurés X (k ) par sa valeur (2) : toutes les difficultés liées à l’intégration
dont la transformée ne peut pas s’écrire comme une formule dans le calcul des transformées de Fourier et en z inverses
dépendant d’un petit nombre de paramètres. Même dans le cas où disparaissent. Si on calcule x ′ (t ) :
une écriture formelle existe, on a souvent besoin de calculer effec-
tivement la transformée de Fourier d’un signal ou la réponse en T–1 T–1
fréquence d’un filtre. On utilisera pour cela les outils informati- 1 kn kt
ques.
x′ ( t ) = ∑ ------
T ∑ x ( n ) exp – 2πj -------- exp 2πj ------
T T
(4)
k=0 n=0
L’utilisation de techniques numériques pour effectuer un calcul de
transformée de Fourier suppose que le nombre de données à traiter en échangeant l’ordre des sommations, on obtient :
soit fini et que le nombre de fréquences pour lesquelles on calcule T–1 T–1
la transformée soit aussi fini. Pour conserver la même quantité 1 k (t – n)
d’informations, on calculera autant de données dans le domaine
x′ ( t ) = ------
T ∑ x (n) ∑ exp 2πj ---------------------
T
(5)
n=0 k=0
des fréquences qu’il y a d’échantillons du signal dans le domaine
temporel. C’est l’objectif de la transformée de Fourier discrète. Or, d’après les propriétés des séries géométriques :
T–1
k (t – n)
1.1 Lien avec les séries de Fourier
t≠n : ∑ exp 2πj --------------------- = 0
T
(6)
k=0

Soit le signal échantillonné x (t ) nul en dehors de l’intervalle T–1


k (t – n)
0, ..., T – 1 et X ′ (exp jθ) sa transformée de Fourier. On rend ce t = n : ∑ exp 2πj --------------------- = T
T
(7)
signal périodique en le reproduisant après translation de T, 2T, 3T, k=0
etc.
Le signal ainsi reconstruit est bien égal au signal original :
Pour tout n, pour tout 0  t  T – 1 :
x ′ (t ) = x (t ) (8)
y (t + nT ) = x (t )

La transformée de Fourier Y (exp jθ) de y (t ) est la transformée Remarque : la transformée de Fourier discrète n’est pas
d’un signal périodique de période T : elle est composée d’harmo- exactement symétrique de son inverse. Il est parfois commode
niques aux fréquences multiples de 2π /T ; c’est donc une fonction de remplacer, dans la transformée directe, le facteur 1/T par
échantillonnée nulle sauf à ces fréquences. Comme c’est la (1/T )1/2 et d’introduire le même facteur dans la transformée
transformée de Fourier d’un signal échantillonné, elle est aussi inverse. L’opérateur de transformation est alors une matrice uni-
périodique de période 2π si on prend le pas d’échantillonnage égal taire, son inverse est égale à la transposée de sa conjuguée.
à 1. Elle est périodique et échantillonnée à la fois dans le domaine
temporel et dans le domaine des fréquences (figure 1). La
connaissance de Y (exp jθ) aux fréquences multiples de 2π /T suffit 1.1.2 Propriétés de la transformée
donc pour caractériser le signal périodisé y (t ) et donc le signal ori- de Fourier discrète
ginal x (t ). La formule donnant Y (exp jθ) pour les valeurs de
θ = 2k π /T est ainsi : Toutes les propriétés de la transformée de Fourier et de la trans-
formée en z sont conservées, en particulier la transformée d’une
T–1 convolution discrète est un produit. Toutefois, l’utilisation de cette
Y  exp 2πj ------ = ------
k 1 kt
 T T ∑ x ( t ) exp – 2πj -------
T
(1) propriété nécessite quelques précautions. En effet, il ne faut pas
oublier que les séquences pour lesquelles on calcule les trans-
t=0
formées de Fourier discrètes sont périodiques et tenir compte de
ce fait dans les calculs. Soit la convolution discrète :
La notation Y  exp 2πj ------ est commode pour établir un lien
k
 T T–1

avec la transformée en z. Nous la remplacerons par la notation y (t ) = ∑ x (n) h (t – n) (9)


moins lourde : n=0

T–1
C’est une convolution circulaire, l’indice t – n est calculé
1 kt modulo T.
X ( k ) = ------
T ∑ x ( t ) exp – 2πj ------
T
(2)
Si X (k ), H (k ) et Y (k ) sont les transformées des séquences x (t ),
t=0
h (t ) et y (t ), on a :
Lorsque k varie de 0 à T, ω varie de 0 à 2π.
Y (k ) = TX (k ) Y (k ) (10)
X (k ) est le produit d’une matrice carrée de terme général Ce résultat n’est valable que pour les convolutions circulaires.
kt Pour l’étendre au cas des signaux de durée finie, il faut s’assurer
exp – 2π j ------- par le vecteur x (t ) qui le transforme en un vecteur de
T que la somme des durées Tx et Th pendant lesquelles les deux
même dimension. signaux x (t ) et h (t ) sont non nuls est inférieure à T. En effet, dans

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


AF 1 441 − 2 est strictement interdite. − © Editions T.I.
_______________________________________________________________________________ LA TRANSFORMÉE DE FOURIER ET SES APPLICATIONS (PARTIE 2)

Domaine temporel Domaine des fréquences

x (t ) x (k)
0,4
0,12
0,2 0,08
0 0,04

-0,2 0
-0,04
-0,4
-0,08
0 128 256 384 512 0 128 256 384 512
t k
a le signal est échantillonné dans le domaine temporel,
sa transformée de Fourier est périodique

x (t ) 2,0
X (k)

0
1,0

-5
0

-10
-1,0 0 128 256 384 512 0 128 256 384 512
t k
b le signal temporel est périodique, sa transformée de Fourier est composée uniquement
d’harmoniques (elle est donc échantillonnée)

x (t ) X (k)
1
0
0

-1
-1

-2
0 128 256 384 512 0 128 256 384 512
t k
Il y a échantillonnage et périodicité à la fois dans le domaine temporel
et dans le domaine des fréquences ; la fréquence ω est égale à 2π · k/T.

c le signal temporel est échantillonné, sa transformée est périodique


et, comme la transformée est échantillonnée car c’est une transformée de Fourier discrète, Figure 1 – Illustration de l’aspect périodique et
le signal temporel est lui aussi périodique échantillonné des signaux et leur transformée
de Fourier discrète

ce cas, la durée Ty du résultat de la convolution sera égale à Dans ce cas, le calcul de la transformée de Fourier discrète de
Tx + Th – 1. y (t ) se réduit au calcul de T valeurs.
Ceci est illustré sur les exemples de la figure 2. Pour k = 0, ..., N – 1 :

T–1
( 2t + 1 )k
X ( k ) = ------ c ( k ) ∑ x ( t ) cos  π -------------------------
1.1.3 Transformée en cosinus 2
(12)
T  2N 
t=0
Pour information, nous donnerons la formule de la transformée
en cosinus, utilisée en codage de sons (MP3) et d’images (MPEG2), avec c (k ) = 2 –1/2 si k = 0,
qui est un cas particulier de la transformée de Fourier où l’on
construit, à partir d’un signal x (t ) de longueur T, un signal y (t ) de c (k ) = 1 si k ≠ 0.
longueur 4T symétrique dont les échantillons d’ordre pair sont nuls
La transformée inverse est :
(figure 3), ce qui se traduit par les formules suivantes.
Pour k = 0, ..., N – 1 : pour t = 0, ..., N – 1 :

T–1
y ( 2k ) = y ( – 2k ) = 0 ( 2t + 1 )k
x (t ) = ∑ c ( k )X ( k ) cos  π ------------------------- (13)
(11)  2N 
y ( 2k + 1 ) = y ( – 2k – 1 ) = x ( k ) k=0

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. − © Editions T.I. AF 1 441 − 3
LA TRANSFORMÉE DE FOURIER ET SES APPLICATIONS (PARTIE 2) _______________________________________________________________________________

f (t ) f (t )
1,0 1,0
0,8 0,8
0,6 0,6
0,4 0,4
0,2 0,2
0 0
0 256 512 768 1024 0 256 512 768 1024
t t

g (t ) g (t )
1,0 1,0
0,8 0,8
0,6 0,6
0,4 0,4
0,2 0,2
0 0
0 256 512 768 1024 0 256 512 768 1024
t t

f (t ) * g (t ) f (t ) * g (t )
10
4
8
6 2
4
2 0
0 256 512 768 1024 0 256 512 768 1024
t t
Pour que l’effet du repliement n’apparaisse pas, il
a avec repliement faut, dans ce cas, que la somme des durées des deux
signaux soit inférieure à la durée de la fenêtre utili-
sée pour le calcul de transformée de Fourier.
Figure 2 – Illustration du repliement dans le
b sans repliement domaine temporel obtenu lorsque l’on calcule
une convolution en utilisant une transformée
de Fourier discrète

Exemple : un calcul de transformée de Fourier discrète est un


calcul de produit d’une matrice par un vecteur. Il nécessite donc T 2
x (t ) multiplications/additions de nombres complexes. Si l’on suppose qu’un
15 calculateur effectue 109 opérations par seconde, un calcul de trans-
formée sur un signal de T = 103 échantillons nécessitera 10 –3 s. Un cal-
10
cul sur une image de taille T × T = 106 nécessitera T 4 soit 1012
opérations et une quinzaine de minutes de calcul. Si on envisage de
5
traiter des données dans un domaine à trois dimensions (sur des vec-
0
teurs de taille T × T × T ), il faudrait alors effectuer T 6 soit 1018 opéra-
0 5 10 15 20 25 30 t tions, ce qui nécessite plus de vingt ans.
La transformée de Fourier rapide réduit considérablement le nombre
d’opérations à effectuer : au lieu d’effectuer T 2 opérations, il suffira
Figure 3 – Duplication des données et intercalage de zéros d’en faire T log2 T.
permettant d’établir le lien entre la transformée en cosinus Dans les trois exemples précédents, on aura à faire 104, 2 × 107 et
et la transformée de Fourier 3 × 1010 opérations, ce qui nécessitera respectivement 10–5 s,
2 × 10–2 s et 30 s...

1.2 Transformée de Fourier rapide Le calcul d’une transformée de Fourier de taille T se ramène au
calcul de deux transformées de Fourier de taille T / 2, celle de ses
Cet algorithme célèbre a été inventé par J. W. Cooley et o
échantillons de numéro pair d’une part, soit X N ( k ) , et celle de ses
J. W. Tukey au début des années 1960. Il a eu, du fait de son i
efficacité, un impact considérable sur le développement des appli- échantillons de numéro impair d’autre part, soit X N ( k ) suivi de
cations en traitement numérique des signaux. T / 2 multiplications.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


AF 1 441 − 4 est strictement interdite. − © Editions T.I.
_______________________________________________________________________________ LA TRANSFORMÉE DE FOURIER ET SES APPLICATIONS (PARTIE 2)

x2N (0) X2N (0)


0
xN0 (0) XN (0)

0
xN0 (N -1) XN (N -1)
α0 X2N (N -1)
xNi (0) XNi (0) -
α X2N (N )
-
-
-
-
-
-
i
xNi (N -1) XN (N -1) -
αN -1
x2N (2N -1) X2N (2N -1)
α = exp – π j /T Figure 4 – Schéma de l’enchaînement des
calculs de la transformée de Fourier rapide

Pour calculer : nombre de vecteurs est 1, 2, 4, ..., T / 2m, ..., T / 2, T ), il est nécessaire
T
T–1 d’effectuer 2 m –1 × ---------- multiplications.
∑ x ( t ) exp  – 2πj --------
-
k t m
X (k ) = pour k = 0, ... , T – 1 (14) 2
T 
t=0 T
Il y a au total log2 T étapes et il faut donc effectuer ----- log2 (T )
multiplications. 2
on effectue le calcul récursif :
pour N = 1, 2, 4, ..., T / 2, ■ Remarques pratiques
pour k = 0, ..., N – 1, L’algorithme de transformée de Fourier rapide remplace une
succession d’additions par une succession de multiplications.
( k ) + exp  – πj ------- X N ( k )
o k i
X 2N ( k ) = X (15) Comme les résultats de multiplications sont tronqués, il y a donc
N  N une perte de précision de l’ordre de 1/2 bit par étape. Si une trans-
formée de Fourier est utilisée de nombreuses fois pour traiter des
X 2N ( k + N ) = X N ( k ) – exp  – πj ------- X N ( k )
o k i
données de même taille, il ne faut pas oublier de calculer, au
(16)
 N préalable, et de ranger en mémoire les exponentielles complexes
Les calculs correspondants sont représentés (figure 4). kt
exp – πj ------- pour éviter de les recalculer à chaque appel, ce qui peut
T
Cette formulation se traduit directement par une implémentation
récursive. Toutefois, la programmation peut être légèrement prendre un temps de calcul important. On peut gagner quelques éta-
différente. On commence par effectuer toutes les opérations de pes en tenant compte d’éventuelles symétries des données.
réarrangement des données : pour un vecteur de longueur T, on
construit un tableau des données d’adresse paire suivi des
données d’adresse impaire de longueur T / 2, ce rangement étant
1.3 Limitations en résolution
reproduit pour les deux moitiés de tableau de taille T / 2, puis les de la transformée de Fourier discrète
quatre quarts de tableau de taille T / 4, etc. Cela revient à ranger les
données x (t ) à l’adresse obtenue en lisant le code binaire de t en La limitation de la durée des signaux dans le domaine temporel
sens inverse (bit reversal ). Ensuite on effectue séquentiellement et l’échantillonnage des données dans le domaine des fréquences
les multiplications par les nombres complexes de la forme limitent la précision qu’on peut attendre dans la mise en œuvre de
cette méthode d’analyse, par exemple pour mesurer la fréquence
kn
exp – πj --------- pour calculer les T / 2 transformées de Fourier de d’une sinusoïde de fréquence ω 0 .
N
taille 2, puis les T / 4 transformées de taille 4, et ainsi de suite Considérons tout d’abord la limitation en temps des signaux. Au
jusqu’à obtenir les 2 transformées de Fourier de taille T / 2 et fina- lieu d’observer x (t ) = exp jω t sur une durée infinie, on l’observe
lement la transformée de Fourier de taille T. sur une durée limitée T. Si la fenêtre d’observation de durée T est :
t<0 : g (t ) = 0
■ Évaluation du nombre d’opérations à effectuer
0tT–1 : g (t ) = 1 (17)
À la dernière étape du calcul, on dispose du résultat de deux trans-
formées de Fourier de taille N = T / 2. Pour en déduire la transformée Tt : g (t ) = 0
de taille T, il faut effectuer T / 2 multiplications, T / 2 additions et T / 2 de transformée de Fourier G (ω ), on observe le produit :
soustractions. À l’étape précédente, on dispose de quatre transfor-
mées de Fourier de taille T / 4 et on en déduit deux transformées de y (t ) = g (t ) x (t ) (18)
taille T / 2. Pour chacune d’elles il faut effectuer T / 4 multiplications Dans le domaine des fréquences, ce produit devient une
soit au total T / 2 multiplications. On voit ainsi que, pour chacune des convolution de fonctions périodiques d’une variable continue (pour
étapes (où la taille de vecteurs est T, T / 2, ..., T / 2m, ..., 4, 2, 1 et où le le moment, le calcul est fait pour toutes les fréquences et pas

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. − © Editions T.I. AF 1 441 − 5
LA TRANSFORMÉE DE FOURIER ET SES APPLICATIONS (PARTIE 2) _______________________________________________________________________________

seulement celles pour lesquelles la transformée de Fourier discrète


est calculée) :
X (ω)


π Fréquence
1 8 analysée
Y ( ω ) = ------- X ( ν ) G ( ω – ν )d ν (19)
2π –π

Quand le signal analysé est une sinusoïde de fréquence ω 0 : 6

X (ω ) = δ (ω – ω0 )
4
et :
2
1 – exp – j ω T sin ω T/2
G ( ω ) = -------------------------------------- = -------------------------- exp – j ω ( T – 1 ) / 2
1 – exp – j ω sin ω /2
(20) 0
-48 -36 -24 -12 0 12 24 36 48
G (0) = T ω
Résultat de l’analyse
on a :
Le signal x (t) analysé est une sinusoïde à la fréquence ω, la trans-
sin ( ω – ω 0 )T/2 formée de Fourier étant une impulsion qui n’est pas un multiple
Y ( ω ) = ------------------------------------------
- exp – j ( ω – ω 0 ) ( T – 1 ) / 2 (21)
sin ( ω – ω 0 )/2 de 2π/T, l’effet de la limitation en durée se traduit par l’étalement
Y (ω) fonction du type « sinc », ensuite l’échantillonnage en fré-
L’effet du déphasage linéaire traduit un retard connu sur le quence se traduit par la fonction échantillonnée.
signal, ce qui n’a pas de conséquence. Par contre, l’effet de limi-
tation de durée se traduit par la modification de la forme de la Figure 5 – Illustration de la limitation de résolution en fréquence
transformée de Fourier, l’impulsion de Dirac devient une fonction due à l’utilisation de la transformée de Fourier discrète
qui ressemble au sinus cardinal (cf. figure 10 de [AF 1 440]). La
deuxième opération est l’échantillonnage en fréquence avec un pas
2π / T, ce qui se traduit par un échantillonnage de Y (ω ). Ce type de ■ Présentation graphique des résultats de la transformée
défaut n’apparaît pas lorsque la durée de la fenêtre T est exac- de Fourier discrète
tement un multiple de la période de la sinusoïde analysée,
s (t ) = exp 2jπk /T. Il est rare qu’en pratique on puisse se mettre Les programmes calculant la transformée de Fourier discrète
dans ces conditions, sauf peut-être quand on cherche à faire une calculent des amplitudes pour des fréquences comprises entre la
analyse soignée des signaux musicaux. fréquence zéro et la fréquence d’échantillonnage (ω e) exclue. Il est
Exemple : la figure 5 montre le résultat d’une analyse spectrale de souvent préférable de représenter graphiquement ces données
ce type appliquée à une sinusoïde pure. On peut, dans la mesure où les entre [– ω e / 2, ω e / 2[ (figure 6).
interférences entre différentes sinusoïdes sont négligeables, améliorer
la résolution en interpolant la transformée discrète par la fonction On peut aussi être amené à translater le signal à analyser dans
G (ω ). Cette interpolation peut se faire aussi en augmentant le nombre le domaine temporel.
d’échantillons du signal, en le complétant par des échantillons à zéro. Exemple : si un signal x (t ) est non nul pour des valeurs négatives
Inversement, on peut calculer une interpolation dans le domaine du temps, défini sur l’intervalle [– T / 2, T / 2[, il peut être utile de
temporel, en augmentant le nombre de composantes dans le domaine translater les échantillons donnés pour t < 0 au-delà de T/2 (figure 6).
des fréquences, en donnant une amplitude nulle à ces composantes Toutefois, il ne faut pas oublier d’effectuer les opérations similaires en
supplémentaires, et en calculant la transformée de Fourier inverse. sens inverse lors du calcul de la transformée de Fourier inverse.

x (t ) 1,2 x (t ) 1,2

0,6 0,6

0 0

-0,6 -0,6

-1,2 -1,2
-400 -200 0 200 400 t 0 256 512 768 1024
t

X (ω) X ( ω)

4 4

2 2

0 0

0 256 512 768 1024 -400 -200 0 200 400 ω


ω
a avant centrage b après centrage Figure 6 – Illustration de la représentation des
signaux et de leur transformée de Fourier

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


AF 1 441 − 6 est strictement interdite. − © Editions T.I.
_______________________________________________________________________________ LA TRANSFORMÉE DE FOURIER ET SES APPLICATIONS (PARTIE 2)

1.4 Quelques utilisations et extensions x (t ) a une transformée de Fourier X (ω ), qu’on ne peut théori-
quement pas calculer, mais dont on peut, en général, trouver une
de la transformée discrète ^
ou plusieurs estimations X ( ω ) .
■ Exemples d’utilisation en traitement de signaux temporels :
MP3, OFDM... On cherche à calculer, à partir de ces estimations, E [|X (ω )|2], qui
est la densité spectrale, c’est-à-dire la répartition moyenne de
Dans les systèmes de compression audio de type MP3, on est l’énergie du signal en fonction de la fréquence ω (on n’utilise pas
amené à filtrer et quantifier les composantes du signal dans les informations de phase).
32 bandes de fréquences. Le choix de la précision de la quantifica-
Cette densité spectrale est la transformée de Fourier de la
tion se fait en fonction de l’énergie du signal dans ces bandes de
fonction d’autocorrélation (en supposant que le signal étudié est
fréquence ; il est fondé sur le calcul de la transformée de Fourier
stationnaire et de moyenne nulle) :
du signal. Une deuxième étape de compression utilise la trans-
formée en cosinus. r (τ) = E (x (t ) x (t + τ )) (24)
Dans les systèmes de télédiffusion numérique, on utilise la qu’on estime souvent par un calcul sur une réalisation du signal :
modulation numérique en fréquences orthogonales (OFDM) où
chaque bit à transmettre est associé à une fréquence ; le signal T–1
1
transmis est calculé par transformée de Fourier. r ( τ ) = ------
T ∑ x ( t )x ( t + τ ) (25)
t=0
■ Transformée définie sur les corps finis pour les codes correcteurs
d’erreurs sous réserve que les propriétés statistiques du signal le permettent.
Les opérations effectuées dans le calcul de la transformée de Si on calcule la densité spectrale comme le carré du module de
Fourier discrète sont des multiplications et des additions. On peut la transformée de Fourier d’un signal d’une grande longueur ou
faire les calculs similaires sur un corps fini en remplaçant le facteur comme la transformée de Fourier de son autocorrélation (25), on
remarque que les fluctuations (la variance) de la densité spectrale
1
exp – 2πj ------ par un élément primitif de ce corps. Cela amène, par autour de sa valeur moyenne ne diminuent pas lorsque l’on
T augmente le nombre d’échantillons du signal. Pour réduire cette
exemple, à l’interprétation intéressante des codes correcteurs dispersion, il est possible de tronçonner le signal en plusieurs
d’erreurs de Reed Solomon proposée par Richard Blahut. morceaux et de calculer la moyenne des densités spectrales des
différents tronçons ; on peut aussi appliquer une fenêtre de pondé-
■ Transformée de Walsh-Hadamard ration au signal temporel (comme nous le verrons au paragraphe
À partir de la matrice (2 × 2) : suivant), ce qui se traduit par un lissage de la densité spectrale : en
effet, un produit dans le domaine temporel se traduit par une
 1 1 convolution dans le domaine des fréquences ; dans le cas des
  fenêtres d’analyse spectrale, cette convolution est un filtrage
 1 –1 passe-bas que l’on peut interpréter comme un lissage. On peut
combiner ces deux techniques. Toutefois, ces deux techniques se
on calcule le produit tensoriel : traduisent par une diminution de la résolution spectrale et l’intro-
duction de biais.
 1 1 1 1
 
1  1 1  1 1 1  1 –1 1 –1 1.5.2 Fenêtres d’analyse spectrale
-----   ⊗  = -----  (22)
2  1 –1  1 –1 2 1 1 –1 –1
  On peut tenter de lisser la densité spectrale, et aussi de réduire
 1 –1 –1 1
un des défauts liés à la durée finie du signal étudié, l’interférence
entre différentes fréquences décrite au paragraphe 1.3, en utilisant
En réitérant ce produit n fois, on obtient une matrice de une fenêtre de pondération. La limitation en temps du signal peut
dimension 2 n : se traduire par une discontinuité brusque du signal et, dans le
n domaine des fréquences, par un étalement de l’impulsion de Dirac
1   1 1 
--- ( n ⁄ 2 ) ⊗   (23) représentant une sinusoïde sous la forme d’un signal décroissant
 2   1 – 1  en 1/ω (si on ne modifie pas la valeur des échantillons du signal,
on lui applique implicitement une fenêtre rectangulaire h rec (t )).
Cette matrice est appliquée au vecteur composé d’échantillons Il peut être judicieux de modifier la pondération des échantillons
d’un signal x (t ). C’est une matrice unitaire qui correspond à une en les multipliant par une fonction, la fenêtre d’analyse. L’appli-
décomposition de x (t ) sur une base de fonctions orthogonales, cation de cette fenêtre de pondération se traduit ainsi par le lissage
tout comme la transformée de Fourier. Cette propriété est utilisée de la densité spectrale. Cet effet peut aussi être utilisé pour
pour créer une signature dans les systèmes de transmission améliorer la qualité du résultat de la synthèse d’un filtre numérique
numérique à large bande comme la troisième génération de à réponse impulsionnelle finie (cf. § 2.3.4 dans [AF 1 440]).
téléphonie mobile (CDMA : code division multiple access ). Une fenêtre couramment utilisée est la fenêtre de Hamming h ham
(figure 7) :

1.5 Filtrage et analyse spectrale t < – T /2 : h ham ( t ) = 0


des signaux aléatoires. – T /2  t < T /2 : h ham ( t ) = 0,54 + 0,46 cos  2π ------
t
 T (26)
Fenêtres d’analyse spectrale
T /2  t : h ham ( t ) = 0

1.5.1 Densité spectrale. Fonction d’autocorrélation On distingue dans cette fenêtre le « lobe principal » (l’arche
centrale d’amplitude importante) et les « lobes secondaires » (les
Un problème important dans de nombreuses applications est oscillations). Dans le cas de la fenêtre de Hamming, le lobe
l’étude de la répartition en fréquence du carré du module des principal est deux fois plus large que dans le cas de la fenêtre
composantes d’un signal aléatoire : une réalisation de ce signal rectangulaire (h rec (t )), mais l’amplitude des lobes secondaires est

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. − © Editions T.I. AF 1 441 − 7
LA TRANSFORMÉE DE FOURIER ET SES APPLICATIONS (PARTIE 2) _______________________________________________________________________________

Hrec (ω) 5 Hpap (ω) 5 Hham (ω) 5


-3 -3 -3
-11 -11 -11
-19 -19 -19
-27 -27 -27
-35 -35 -35
-43 -43 -43
-51 -51 -51
-59 -59 -59
-100 -50 0 50 100 ω 1 2 3 4 5 6 7 8 9 10 ω 1 2 3 4 5 6 7 8 9 10 ω

a réponses en fréquences (échelle logarithmique)

hrec (t ) hpap (t ) hham (t )


0,5 0,80 1,0

0,4 0,64 0,8


0,3 0,48 0,6
0,2 0,32 0,4

0,1 0,16 0,2

0 0 0
0 16 32 48 64 80 96 112 128 144 0 16 32 48 64 80 96 112 128 144 0 16 32 48 64 80 96 112 128 144
t t t
Fenêtre rectangulaire Fenêtre de Papoulis Fenêtre de Hamming

b représentation dans le domaine temporel

Figure 7 – Fenêtres d’analyse spectrale

considérablement réduite. L’atténuation des oscillations parasites


se fait ainsi au détriment de la largeur du pic associé à une R (ω)
sinusoïde (qui est doublée dans le cas présent). Il y a diminution de
la résolution en fréquence.
0,04
Une autre forme intéressante de fenêtre est la fenêtre de
Papoulis (figure 7) : 0,03

t < – T /2 : h pap ( t ) = 0
0,02
– T /2  t < T /2 : h pap ( t ) = cos  π ------
t
 T (27) 0,01
T /2  t : h pap ( t ) = 0
0
Elle permet de minimiser le moment d’ordre 2 de la dispersion -100 -50 0 50 100 ω
d’un pic fréquentiel autour de sa vraie valeur. La largeur de son
lobe principal est une fois et demie celle de la fenêtre rectangulaire. Figure 8 – Exemple de densité spectrale d’un bruit blanc filtré
par un filtre récursif oscillant (caractérisé par une résonance)
■ Cas des séquences d’échantillons indépendants
et identiquement distribués (iid) (équivalent du bruit blanc
pour les signaux échantillonnés) On s’intéresse le plus souvent au cas où z = exp jθ, mais le
C’est une séquence b (t) de moyenne nulle. Sa fonction d’auto- résultat exprimé en termes de transformée en z est plus général.
corrélation r (σ ) est nulle pour τ ≠ 0. r (0) est donnée par sa Une illustration d’une densité spectrale de ce type est donnée
variance σ 2. Sa densité spectrale est constante (indépendante de ω) figure 8. La représentation sous la forme d’un bruit blanc ou d’une
et proportionnelle à σ 2. séquence d’échantillons indépendants filtrés est utilisée dans les
méthodes de filtrage optimal (Wiener, Kalman).
■ Filtrage des signaux aléatoires
La densité spectrale Rxx (z ) du signal filtré x (t ) est égale à la 1.5.3 Affinement de l’analyse spectrale
densité spectrale Ruu (z ) du signal en entrée du filtre multipliée par
le carré du module H (z –1) H (z ) de la réponse en fréquence du Au-delà de ces techniques élémentaires d’estimation spectrale, il
filtre H (z ) : existe de nombreuses méthodes plus élaborées, et relevant essen-
tiellement de la théorie de l’estimation, qui permettent d’affiner
Rxx (z ) = H (z –1) H (z ) Ruu (z ) (28) l’estimation de la densité spectrale du signal étudié : minimisation
au sens des moindres carrés d’un modèle paramétrique de la
calculée pour z = exp jθ, soit : densité spectrale, estimation au sens du maximum de vrai-
semblance, etc. (voir par exemple les ouvrages de Lawrence
Rxx (exp jθ) = |H (exp jθ)|2 Ruu (exp jθ) (29) Marple et de Steven M. Kay cités en [Doc AF 1442]).

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


AF 1 441 − 8 est strictement interdite. − © Editions T.I.
_______________________________________________________________________________ LA TRANSFORMÉE DE FOURIER ET SES APPLICATIONS (PARTIE 2)

Une technique classique et utilisée en analyse et synthèse de prétraitement des images préalable à leur interprétation, problèmes
parole est la « prédiction linéaire » qui revient à modéliser la densité de propagation d’ondes, etc., par opposition aux problèmes de
spectrale du signal analysé sous la forme de la densité spectrale du reconnaissance et d’interprétation d’images. Elles sont, pour la plu-
signal obtenu en appliquant, à une séquence d’échantillons indé- part, des extensions des techniques monodimensionnelles comme
pendants de variance σ 2, un filtre linéaire récursif 1/A (z ) : l’analyse de Fourier et le filtrage linéaire des signaux temporels
traités dans [AF 1 440].
σ2
R ( z ) = ---------------------------------- (30)
A ( z )A ( z –1 ) Nous commençons ici la présentation par l’expression, dans le cas
bidimensionnel, de la transformée de Fourier et quelques-unes de
où les coefficients du filtre A (z ) sont déduits de la fonction d’auto- ses propriétés. Ensuite, dans le dossier [AF 1 442], nous reprendrons
corrélation du signal r (τ) par l’algorithme de Levinson. la formulation de l’échantillonnage en insistant sur quelques phéno-
Cette technique est utilisée pour la compression du signal vocal mènes spécifiques aux signaux bidimensionnels. Puis nous verrons
en téléphonie mobile. Les données utilisées en reconnaissance l’extension de la transformée en z. Ce paragraphe donne aussi les
vocale sont elles aussi issues de l’analyse spectrale : ce sont formules de la transformée de Fourier discrète, ainsi que quelques
souvent les énergies du signal calculées dans une vingtaine de résultats importants : transformée de Fourier rapide, transformée en
bandes de fréquence pendant des durées de l’ordre de 15 à 20 ms. cosinus, les résultats principaux concernant le filtrage des signaux
bidimensionnels et l’analyse des signaux aléatoires bidimen-
■ Techniques haute résolution pour l’estimation spectrale sionnels. Quelques applications pour lesquelles les méthodes
Pour trouver l’énergie moyenne R (exp jω ) de la composante fondées sur la transformée de Fourier sont des outils fondamentaux
spectrale à la fréquence ω 0 d’un signal aléatoire x (t ), on peut fil- (propagation d’ondes, tomographie et imagerie par résonance
trer x (t ) par un filtre passe-bande autour de la fréquence ω 0 et cal- magnétique, interférométrie, détection de contours) seront décrites
culer l’énergie de la sortie de ce filtre. par la suite.
On peut aussi moduler (multiplier) le signal par une sinusoïde
exp (– jω 0t ) pour translater le point ω 0 du domaine de fréquence
en 0, puis filtrer passe-bas le signal ainsi obtenu par un filtre de 2.1 Représentation fréquentielle
réponse impulsionnelle h (t ) avant de calculer son énergie. Le des signaux bidimensionnels
signal basse fréquence (théoriquement constant) dont on cherche
à mesurer l’amplitude (ou l’énergie) est le résultat y (t ) du filtrage continus. Transformée de Fourier 2D
du signal translaté par h (t ).
Le problème d’estimer le mieux possible l’amplitude à la fré- Avant d’envisager l’échantillonnage et le traitement numérique
quence 0 peut alors être interprété de la manière suivante : quel est des signaux, il est nécessaire de donner l’interprétation des
le filtre de réponse impulsionnelle de durée finie h (t ) et dont le gain signaux bidimensionnels dans le domaine des fréquences. La
vaut 1 à la fréquence 0 tel que l’amplitude des autres composantes représentation fréquentielle des signaux à deux dimensions (2D)
fréquentielles soient la plus petite possible ? On est alors amené à est l’extension directe de celle des signaux monodimensionnels. La
résoudre un problème d’optimisation sous contrainte. transformée de Fourier F (u, v ) d’un signal f (x, y ) est :

■ Analyse spectrale d’ordre supérieur à deux


 
∞ ∞

La densité spectrale ne fait pas apparaître d’information sur la F ( u, v ) = f ( x, y ) exp – j ( ux + vy ) dx dy (32)


–∞ –∞
phase ; dans certains cas concernant des signaux non gaussiens et
au prix d’une augmentation importante des calculs effectués, on Cette formule permet de calculer l’amplitude de la composante
peut mettre en évidence cette information de phase en traitant le du signal f (x, y ) à la fréquence spatiale (u, v ). (Dans certaines
spectre d’ordre trois :
présentations, la quantité scalaire ux + vy est donnée sous la forme

E X ( ω 1 )X ( ω 2 ) X ( ω 1 + ω 2 )  (31) d’un produit scalaire u · x ; on obtient alors une écriture simi-
laire dans les cas mono et multidimensionnels.)
Remarque : Dans la plupart des applications, le signal pré- La reconstitution du signal spatial se fait par addition des
sente des propriétés spécifiques qu’il est utile, voire nécessaire, différentes sinusoïdes spatiales pondérées par les amplitudes
de prendre en compte pour espérer une estimation spectrale complexes ainsi calculées. C’est la transformée inverse :
pertinente au vu des hypothèses connues sur la génération du

 
signal et sur l’objectif à atteindre par cette analyse. S’il s’agit, par ∞ ∞
1
exemple, de séparer deux fréquences voisines noyées dans un f ( x, y ) = ----------- F ( u, v ) exp j ( ux + vy ) dudv (33)
bruit de fond important, la prise en compte des caractéristiques 4π 2 –∞ –∞

des deux signaux et du bruit est fondamentale pour atteindre


des résultats significatifs. Il est aussi important de bien connaître
les limites des méthodes utilisées (comme des indications sur le 2.2 Interprétation de la transformée
biais et la variance de l’estimateur utilisé, par exemple) et de ne
tirer des conclusions qu’avec prudence. de Fourier 2D
■ Interprétation d’une sinusoïde
Le signal sinusoïdal temporel exp jωt est caractérisé par la fré-
2. Transformée de Fourier quence ω / 2π donnant (en hertz) le nombre de vibrations du signal
des signaux bidimensionnels par unité de temps (en secondes). Dans le domaine des fréquences,
il est représenté par une impulsion de Dirac située à cette
et des images fréquence.
La fréquence spatiale (u, v ) caractérisant exp j (ux + vy) est une
Les méthodes présentées dans ce paragraphe et dans le dossier impulsion de Dirac de coordonnées (u, v) ; c’est un couple de para-
suivant [AF 1 442] portent essentiellement sur les aspects des
problèmes de traitement des signaux multidimensionnels et des mètres qui peut être interprété comme une fréquence de variation
images où l’interprétation fréquentielle est importante : filtrage et du signal donnée par u 2 + v 2 et une direction dont la tangente

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. − © Editions T.I. AF 1 441 − 9
LA TRANSFORMÉE DE FOURIER ET SES APPLICATIONS (PARTIE 2) _______________________________________________________________________________

1,0 Hautes fréquences : ω grand


0,5
ω
0

-0,5

-1,0 θ
u
0

y Basses fréquences : ω petit


0

Ce signal est caractérisé par sa direction de propagation


et par la fréquence des ondes dans cette direction.
Figure 11 – Représentation en coordonnées polaires
du plan des fréquences spatiales
Figure 9 – Signal sinusoïdal bidimensionnel

est v /u : les points de même amplitude complexe ou de même


phase ϕ de la sinusoïde sont situés sur des droites parallèles entre
elles :

υ ux + vy = ϕ + 2kπ (34)
1,0

0,5 et perpendiculaires au vecteur (u, v ) (figures 9 et 10).


0
u Un signal sinusoïdal réel a pour transformée un couple
d’impulsions de Dirac situées en (u, v ) et (– u, – v ). Si la phase à
l’origine est nulle, les deux impulsions de Dirac sont réelles et ont
la même amplitude. Si la phase est π/ 2, leurs amplitudes sont
5,2
imaginaires pures et opposées.
La partie réelle et la partie imaginaire de la sinusoïde spatiale
apparaissent donc comme des ondulations régulières orientées
dans la direction y = vx /u.
Si l’on se déplace dans cette direction, on observe un signal

υ monodimensionnel dont la fréquence est u 2 + v 2 . C’est dans


1,0 cette direction (θ) que la fréquence paraît la plus élevée. Si l’on se
0,5 déplace dans la direction perpendiculaire y = – ux/v, le signal est
0
constant. Dans une autre direction ψ, la fréquence apparente est
u
u 2 + v 2 cos ( ψ – θ ) . En particulier, un signal tel que v = 0 ne
dépend pas de y : les points de phase constante de l’ondulation
y x sont situés sur des parallèles à l’axe des ordonnées. L’impulsion de
Dirac représentant la sinusoïde est alors située au point (u, 0) sur
2,6 l’axe des abscisses du domaine des fréquences.
1,
3
0

u = 2, v = 1 ■ Interprétation globale de l’image


Tout comme dans le cas des signaux temporels, le module de la
transformée de Fourier donne la répartition énergétique en
fonction de la fréquence. Cette répartition énergétique se voit
mieux en considérant la représentation en coordonnées polaires
1,0 υ du plan des fréquences spatiales (figure 11) :
0,5
( u, v ) → ( ω , θ ) (35)
0
u
-0,5
La valeur de F (ω cos θ, ω sin θ) pour un couple (ω, θ) donne
-1,0 l’amplitude d’une sinusoïde complexe de pulsation ω dans la
y x direction θ. Pour de nombreuses images, la valeur moyenne de
l’amplitude est indépendante de la direction θ et décroît régu-
lièrement en fonction de ω. Si on diminue l’amplitude des hautes
1,

1,3
3

fréquences (filtrage passe-bas en fonction de ω pour toutes les


0

c u = 1, v = – 2 valeurs de θ), l’image apparaît lissée et floue, les contours sont


moins nets. Si, au contraire, on augmente l’amplitude aux hautes
fréquences, on rehausse les contours mais l’image paraît plus
Figure 10 – Effet de la modification des paramètres d’une sinusoïde bruitée (il y a un grain plus marqué). La figure 12 illustre cette
bidimensionnelle répartition.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


AF 1 441 − 10 est strictement interdite. − © Editions T.I.
_______________________________________________________________________________ LA TRANSFORMÉE DE FOURIER ET SES APPLICATIONS (PARTIE 2)

a image originale b composante c composante


« basses fréquences » « hautes fréquences »

Figure 12 – Basses fréquences et hautes fréquences dans une image

a b
Figure 13 – Effet du remplacement du module
On reconnaît bien les contours et les éléments informatifs de l’image originale. de la transformée de Fourier par une constante
(b), la phase de l’image originale (a) étant
préservée

■ Sur l’information contenue dans une image 2.3 Propriétés de la transformée


La transformée de Fourier est une fonction complexe, qui a pour de Fourier 2D
chaque composante un module et une phase. Pour la plupart des
images, le module est une fonction décroissante de ω, en général
de la forme 1/ω parce qu’une image est souvent une fonction ■ Symétrie
continue dans des domaines séparés par des frontières où elle pré- On retrouve toutes les propriétés de la transformée de Fourier
sente des discontinuités. Dans de nombreux types d’images, où il monodimensionnelle comme les symétries. Si f (x, y ) est une
n’y a pas de direction privilégiée ni de texture prépondérante, le fonction réelle, sa transformée de Fourier vérifie :
module de la transformée de Fourier ne contient que peu d’infor-
mation (pour une image de valeur moyenne nulle et ne présentant
pas de symétries particulières). L’information utile est dans les F ( u, v ) = F ( – u , – v ) (36)
contours. On remarque que cette information se retrouve essentiel-
lement dans la phase de la transformée de Fourier. Si f (x, y ) est réelle et f (x, y ) = f (– x, – y ), alors F (u, v ) est aussi
réelle et F (u, v ) = F (– u, – v ).
Exemple : figure 13, si l’on force à 1 le module de la transformée
de Fourier en conservant la phase, l’image est bien interprétée ; ce qui Si f (x, y ) est réelle et f (x, y ) = – f (– x, – y ), alors F (u, v ) est
n’est pas le cas lorsque l’on annule la phase en conservant le module. imaginaire et F (u, v ) = – F (– u, – v ).

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. − © Editions T.I. AF 1 441 − 11
LA TRANSFORMÉE DE FOURIER ET SES APPLICATIONS (PARTIE 2) _______________________________________________________________________________

■ Translation Une convolution 2D s’écrit :

 
La translation d’un signal se traduit par un déphasage linéaire : ∞ ∞
si f (x, y ) a pour transformée F (u, v ), alors g (x, y ) = g ( x, y ) = f ( s, t )h ( x – s , y – t )dsdt (45)
f (x – x 0 , y – y 0) a pour transformée : –∞ –∞

G (u, v ) = F (u, v ) exp – j (ux 0 + vy 0) (37) La transformée de Fourier de la convolution est :

 
∞ ∞
■ Dilatation dans une direction G ( u, v ) = exp – j ( ux + vy )
–∞ –∞
Si on dilate f (x, y ) dans la direction Ox :
(46)

 
∞ ∞
g (x, y ) = f (kx, y )
la transformée G (u, v ) de g (x, y ) est :
(38)
–∞ –∞

f ( s, t )h ( x – s, y – t )ds dt dx dy

soit, en fonction des transformées F (u, v ) et H (u, v ) de f (x, y ) et


G ( u, v ) = ----- F  -----, v
1 u h (x, y ) :
(39)
k k 
G (u, v ) = F (u, v ) H (u, v ) (47)
La dilatation d’une image se traduit par un effet inverse sur la La transformée de Fourier d’une convolution est le produit des
variable correspondante (une contraction) dans le plan des fré- transformées de Fourier des fonctions convoluées.
quences. Si l’on effectue la même dilatation d’un facteur k dans les
deux directions g (x, y ) = f (kx, ky ) (dilatation sans déformation de Le résultat de la convolution d’une fonction f (x, y ) avec une
l’image), il y a contraction d’un facteur 1/k de la transformée de impulsion de Dirac à l’origine δ (x ) δ (y ) est la fonction elle-même.
Fourier : La convolution, de par une impulsion de Dirac décalée
δ (x – x 0) δ (y – y 0), produit une fonction translatée f (x – x 0 , y – y 0).
G ( u, v ) = --------- F  -----, -----
1 u v
(40) ■ Transformée de Fourier d’un produit
k2 k k
Comme la transformée de Fourier inverse a une forme identique
■ Rotation d’une image à la transformée directe, la transformée de Fourier d’un produit
f (x, y ) · h (x, y ) est le produit de convolution des transformées des
Soit : deux facteurs.
gθ (x, y ) = f (x cos θ + y sin θ, – x sin θ + y cos θ ) (41) ■ Transformée de Fourier de fonctions séparables
on obtient sa transformée de Fourier en effectuant un changement Si une fonction g (x, y ) peut s’écrire sous la forme :
de variable :
f (x, y ) = g (x ) h (y ) (48)
Gθ (u, v ) = F (u cos θ + v sin θ, – u sin θ + v cos θ ) (42) sa transformée s’exprime aussi sous la forme d’un produit de deux
La rotation se traduit par une rotation identique dans le plan des fonctions d’une variable :
fréquences. F (u, v ) = G (u ) H (v ) (49)

■ Inclinaison d’une image ■ Cas d’une fonction d’une seule variable


Soit une image inclinée : Si f (x, y ) est fonction uniquement de la variable x :
gm (x, y ) = f (x – my, y ) (43) f (x, y ) = g (x ) (50)

sa transformée est G (u, v ), transformée de f (z, y ) calculée pour u sa transformée devient :

  
et (v + um ) : ∞ ∞

Gm (u, v ) = F (u, v + um ) (44) F ( u, v ) =


–∞
g ( x )exp – juxdx
–∞
exp – jvydy  (51)

La transformée d’un signal incliné par rapport à l’axe vertical La seconde intégrale est la transformée de Fourier d’une
subit une inclinaison identique mais par rapport à l’axe horizontal. impulsion de Dirac :
Si la fonction est inclinée suivant une pente m, sa transformée de
Fourier est inclinée suivant une pente – 1/ m. F (u, v ) = G (u ) δ (v ) (52)
F (u, v ) est nulle partout sauf lorsque v = 0 où elle est proportion-
■ Transformée de Fourier d’une convolution 2D nelle à la transformée de Fourier de g (x ).
C’est l’extension directe du résultat obtenu dans le cas mono-
dimensionnel. L’importance fondamentale de ce résultat est due au ■ Théorème de projection de Radon
fait que, dans de nombreuses applications, l’opération effectuée Un résultat important en tomographie est le suivant. On
sur un signal bidimensionnel est une opération linéaire invariante construit à partir d’une fonction f (x, y ) la fonction :
par translation. Elle se traduit alors par une convolution. On


retrouve ce type d’opération en traitement d’images, en optique, ∞
dans les études portant sur la propagation d’ondes électromagné- g (t ) = f ( t, y )dy (53)
–∞
tiques ou sonores.
Dans ce type de problème (convolution, filtrage par un système ce qui correspond à une intégration de la fonction f (x, y ) le long
linéaire invariant spatialement, équation différentielle linéaire à d’une verticale passant par le point de coordonnées (t, 0) (pro-
coefficients constants), quand on applique l’opérateur à un signal jection de Radon). Sa transformée de Fourier monodimensionnelle
sinusoïdal de fréquence (u, v ), le signal obtenu sera un signal est :

 
sinusoïdal de même fréquence (u, v ), exactement comme dans le ∞ ∞
cas monodimensionnel. L’amplitude et la phase pourront être G (ω ) = f ( t, y ) exp – jwt dy dt (54)
modifiées, mais la forme du signal sinusoïdal ne le sera pas. –∞ –∞

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


AF 1 441 − 12 est strictement interdite. − © Editions T.I.
_______________________________________________________________________________ LA TRANSFORMÉE DE FOURIER ET SES APPLICATIONS (PARTIE 2)

Par ailleurs F (u, 0) s’écrit :

 
∞ ∞
F ( u, 0 ) = f ( x, y ) exp – j ( u x + 0y ) dx dy (55)
–∞ –∞

soit : f (x,y)

 
∞ ∞

0
F ( u, 0 ) = f ( x, y )dx exp – jvy dy (56) y
–∞ –∞

La transformée de Fourier G (ω ) de la projection de Radon de


l’équation (53) s’écrit de la même manière :
G (ω ) = F (ω, 0) (57)
La transformée de Fourier d’une projection parallèlement à un
axe vertical est égale à la valeur de la transformée de Fourier
bidimensionnelle du signal projeté, mesurée sur l’axe horizontal, à
la fréquence nulle (v = 0) sur l’axe des ordonnées dans le plan des
fréquences.
fbf (x,y)
On retrouve un résultat général pour une projection d’angle
quelconque en appliquant le théorème sur l’effet d’une rotation sur

0
la transformée de Fourier (équation (41)). Nous utiliserons ce y
résultat dans le paragraphe consacré à la reconstruction d’images
à partir de projections (cf. [AF 1 442]).

x
2.4 Effet de halo : phénomène de Gibbs,
tache d’Airy, diffraction de Fraunhofer
é
Le filtrage passe-bas d’une image se traduit, dans le domaine
spatial, par une convolution de la fonction étudiée par une fonction
sin πx sin πy
du type ------------------ ------------------ (la transformée de Fourier inverse de la
πx πy fhf (x,y)
réponse en fréquence du filtre), ce qui fait apparaître des
oscillations comparables au phénomène de Gibbs (figure 14). Ce
0

y
phénomène d’oscillations se retrouve en optique. En effet, l’inter-
prétation fréquentielle de la propagation des ondes (cf. [AF 1 442])
montre qu’un appareillage optique peut être interprété comme un
système qui sélectionne uniquement les basses fréquences 0
x
spatiales et élimine les composantes fréquentielles pour les fré-
quences extérieures à un disque de rayon donné (la fréquence de 0,
coupure du filtre passe-bas est donnée par le rayon de l’appareil 0,8
optique). Dans le domaine spatial, il a un effet de convolution sur
l’objet étudié. L’opérateur de convolution est la transformée de c image filtrée passe-haut
Fourier inverse de la fenêtre sélectionnant les composantes dans le
Le filtrage fait apparaître des oscillations dans les régions
domaine des fréquences. Cette transformée inverse présente les où l’image présente une variation d’intensité importante.
mêmes caractéristiques que la transformée monodimensionnelle
d’une fonction créneau : elle présente des oscillations qui se
traduisent sous la forme de « halos » entourant les images des Figure 14 – Oscillations apparaissant lors du filtrage passe-bas
objets étudiés (tache d’Airy, diffraction de Fraunhofer). d’une image

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie


est strictement interdite. − © Editions T.I. AF 1 441 − 13