Vous êtes sur la page 1sur 43

Traitement du Signal

Signaux discrets - Compléments autour de la fréquence

29 septembre 2014

Nancy Bertin - nancy.bertin@irisa.fr


Changement de Fe TFCT Estimation de fréquence Conclusion

Changement de fréquence d’échantillonnage

1 Changement de fréquence d’échantillonnage


Introduction
Sous-échantillonnage (décimation)
Sur-échantillonnage (interpolation)
Changement quelconque

2 Transformée de Fourier à Court Terme

3 Estimation de fréquence

4 Conclusion

2 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Introduction
Quelle est la meilleure fréquence d’échantillonnage ?
Le théorème de Shannon nous dit qu’elle doit être “assez
élevée”.
Plus on a d’échantillons, meilleure sera notre résolution
fréquentielle.
Mais un signal très échantillonné est volumineux (1 heure de
son CD = 300 Mo) et son traitement requiert d’avoir des
équipements capables de supporter cette cadence.
Il n’est pas toujours possible de savoir au moment de la
conversion analogique-numérique quelle est la bonne fréquence
de travail.
Les collections ne sont pas toujours harmonisées.
⇒ besoin de savoir “ré”-échantillonner en numérique.

3 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Décimation : définition

Le sous-échantillonnage consiste à fabriquer un signal


comportant moins d’échantillons qu’un signal d’origine.
Il faut “enlever” des échantillons, d’où le nom décimation.
En anglais : downsampling
On parle de sous-échantillonnage d’un facteur D quand le
signal d’origine x comporte N échantillons et le signal
sur-échantillonné xD en comporte N/D, avec xD [n] = x[n/D]
Représentation usuelle :
x[n] ↓D xD [n]

Le sur-échantillonnage cherche à “mimer” un échantillonnage


d’origine à la fréquence Fe /D.

4 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Décimation : méthode naïve

Le sous-échantillonnage naïf consiste à se débarrasser de


D − 1 échantillons sur D.
Cela revient à avoir échantillonné directement à Fe /D.
Problème : rien de garantit que Fe /D > B/2
Il y a donc un risque de repliement spectral.

5 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Décimation : méthode propre

Pour sous-échantillonner proprement il va falloir supprimer le


contenu fréquentiel de x[n] entre Fe /(2D) et Fe /D.

x[n] Passe-bas ↓D xD [n]

6 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Sur-échantillonnage : définition

Le sur-échantillonnage (mal-nommé) consiste à fabriquer un


signal de même durée mais comportant davantage
d’échantillons qu’un signal d’origine.
Il faut “rajouter” des échantillons absents, d’où le nom
(préférable) interpolation.
En anglais : upsampling
On parle de sur-échantillonnage d’un facteur M quand le
signal d’origine x comporte N échantillons et le signal
sur-échantillonné xM en comporte M N , avec xM [M n] = x[n]
Représentation usuelle :
x[n] ↑M xM [n]

Le sur-échantillonnage cherche à “mimer” un échantillonnage


d’origine à la fréquence M Fe .
7 M1 RI Traitement du Signal 29/09/2014
Changement de Fe TFCT Estimation de fréquence Conclusion

Interpolation : méthodes

Théoriquement, si le signal d’origine a été bien échantillonné, la


reconstruction parfaite est possible, donc le sur-échantillonnage
aussi. Cependant, la formule de reconstruction (avec les sinus
cardinaux) est compliquée à mettre en pratique. On fait appel à
des idées plus simples :
Intercaler des zéros (interpolation zéro)
Recopier la valeur de l’instant précédent (interpolation
échelon)
Tracer une droite entre deux échantillons disponibles adjacents
(interpolation linéaire)
Avoir un modèle de signal plus perfectionné.

8 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Méthodes d’interpolation
Exemple avec M = 2.

Illustration de Gabriel Cormier.


9 M1 RI Traitement du Signal 29/09/2014
Changement de Fe TFCT Estimation de fréquence Conclusion

Conséquences de l’interpolation

Le signal d’origine n’a pas de contenu fréquentiel au-delà de


Fe /2 (s’il a été bien échantillonné, ce qu’on suppose).
Le processus d’interpolation est susceptible d’en ajouter.
On le fait donc suivre d’un filtrage passe-bas à la coupure
Fe /2D pour supprimer le contenu ajouté.
C’est la raison pour laquelle la méthode d’interpolation n’a pas
beaucoup d’importance.
Exercice : vérifier que l’interpolation zéro préserve le spectre
du signal.

10 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Changement quelconque

Si la fréquence de destination n’est ni un multiple, ni un


diviseur de Fe , on doit combiner les deux opérations.
Afin de préserver le maximum d’information, on commence par
interpoler (au ppcm) puis on décime.
Le filtre passe-bas s’intercale logiquement entre les deux
opérations.

11 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Exercice

Pour expérimenter avec le changement de Fe et ses conséquences :


1 Téléchargez le son phrase.wav sur la page du cours.
2 Chargez-le dans Scilab (fonction wavread) et écoutez-le.
3 Observez son spectre.
4 Décimez-le (sans filtre passe-bas), écoutez et observez le
spectre du résultat.
5 Interpolez-le de deux manières différentes (par exemple zéro et
échelon). Écoutez et observez.
6 Comparez avec la fonction intdec de Scilab.
Vous pouvez faire le même exercice avec les signaux synthétiques
du TP du cours 3.

12 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Transformée de Fourier à Court Terme

1 Changement de fréquence d’échantillonnage

2 Transformée de Fourier à Court Terme


Observations et motivations
Transformée de Fourier à Court-Terme
Incertitude temps-fréquence
TFCT inverse

3 Estimation de fréquence

4 Conclusion

13 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Observations et motivations

Quelle est la transformée de Fourier de ce signal ?

1.5

0.5

−0.5

−1

−1.5
0 100 200 300 400 500 600 700 800 900 1000

14 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

On exprime le signal comme la somme de deux portions de


sinusoïdes
Les portions étant multipliées par des portes de support disjoint
On utilise la linéarité de la TF et la propriété de convolution
On dessine ...
300

250

200

150

100

50

0
−0.1 −0.08 −0.06 −0.04 −0.02 0 0.02 0.04 0.06 0.08 0.1

15 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Problème

Si je vous montre cette TFD, retrouverez-vous le signal


d’origine ?
Quelle différence avec la somme de deux sinusoïdes actives sur
toute la durée ?
500

450

400

350

300

250

200

150

100

50

0
−0.1 −0.08 −0.06 −0.04 −0.02 0 0.02 0.04 0.06 0.08 0.1

16 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

L’astuce

La TFD est conservative : il existe une formule inverse,


reconstruisant parfaitement le signal
Deux signaux différents ne peuvent donc pas avoir la même
TFD
... à condition de ne pas oublier la phase de la TFD dans la
représentation.
Ce n’est pas très facile à visualiser et à interpréter

17 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Fourier et durée

La TFD se fait sur toute la durée du signal. Intuitivement,


c’est un spectre moyen.
L’intuition est vite perdue si le signal “change tout le temps”
(signal “non stationnaire”)
1

0.8

0.6

0.4

0.2

−0.2

−0.4

−0.6

−0.8

−1
0 2000 4000 6000 8000 10000 12000 14000 16000

“Des gens se sont levés dans les tribunes”, deux secondes de parole à 8000 Hz.

18 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Transformée de Fourier à Court-Terme

Illustration de Gaël Richard, d’après Jean Laroche.

19 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Les paramètres de la TFCT

L’idée générale de la TFCT est de découper le signal en


trames, de faire la TFD de chacune de ces trames, et de les
ranger dans un tableau.
Il n’existe pas qu’une seule TFCT puisqu’elle dépend de :
La durée I de la fenêtre (on essaie de la choisir telle que le
signal ait des chances d’être à peu près stationnaire sur cette
durée)
La forme de la fenêtre (en fonction du compromis
largeur-hauteur des lobes)
Le recouvrement entre les fenêtres (forme de lissage). Peut
s’exprimer :
en période (hopsize, nombre d’échantillons séparant le début
de deux fenêtres consécutives)
en pourcentage ou nombre de recouvrement (overlap, nombre
d’échantillons ou proportion de longueur de fenêtre
appartenant à deux fenêtres consécutive)

20 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Expression et représentation

L’expression analytique de la TFCT est :


N
X −1
X(r, k) = x[rT + n]wa [n]e−2πnk/N
n=0

wa est la fenêtre d’analyse. Elle est à support fini, plus


courte que le signal lui-même, et généralement symétrique.
Zero-padding du signal pour avoir un nombre entier de
fenêtres.
Remarques :
Attention, l’indice r est un indice de trame (et plus un indice d’échantillon
temporel), à convertir en temps en tenant compte du recouvrement des
fenêtres. On le note (trop) souvent n quand même.
On note aussi (trop souvent) l’indice de fréquence par f et la TFCT par
X(n, f ) (méfiance).
Appellations alternatives : TF locale, TF à fenêtre glissante, STFT
(Short-Time Fourier Transform), spectrogramme (plutôt pour le module).

21 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Représentation

La TFCT est représentée sous forme d’image. A chaque point n, f


(point temps-fréquence) on associe une couleur proportionnelle à
la valeur du module de TFCT (ou son module au carré).

2.5

20
2

40

1.5
60

80 1

100
0.5

120

5 10 15 20 25 30

22 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Analogie

Dans le domaine du traitement du signal audio, la STFT est


analogue à une partition !

On parle plus généralement de représentation


temps-fréquence.
La TFCT est un pavage régulier de ce qu’on appelle “le plan
temps-fréquence”.

23 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Incertitude temps-fréquence

La longueur de la fenêtre conditionne le nombre de points


fréquentiels (résolution fréquentielle).
La longueur de la fenêtre conditionne également la résolution
temporelle (spectre moyen sur la fenêtre).
On peut montrer que (principe d’incertitude d’Heisenberg)
1
∆t∆f >

La fenêtre qui réalise le meilleur compromis temps-fréquence
est la fenêtre gaussienne (ce qui ne veut pas dire que c’est la
meilleure à utiliser).

24 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Exercice

Dans Scilab :
1 Programmer une fonction calculant la STFT d’un signal avec
une fenêtre de Hamming et un recouvrement de 50%, prenant
en paramètre la longueur de la fenêtre.
2 Générer un signal dont la fréquence varie linéairement dans le
temps (”chirp“).
3 Observez la STFT de ce signal avec différentes longueurs de
fenêtre.
installation de la toolbox image : atomsInstall(’SIVP’);
Visualisation d’une matrice de pixels : imshow
4 Faites de même avec phrase.wav.

25 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

TFCT inverse

La TFCT est bien une transformation conservative et


inversible.
En raison du recouvrement des fenêtres et de la redondance,
l’inversion est moins directe que pour les transformées de
Fourier précédemment vues.
La méthode de resynthèse du signal à partir de sa STFT est
appelée méthode de l’overlap-add (OLA)
Le principe est de calculer la TFD inverse de chaque colonne
de X, puis fenêtrer, décaler et additionner ces TFD inverses :
−1
X NX
x[n] = X[rI, k]ws [n − rI]e2iπkn/N
r k=0

ws est la fenêtre de synthèse et doit être bien choisie.

26 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Condition de reconstruction parfaite

La méthode OLA reconstruit parfaitement le signal d’origine à


la condition que :
X
wa [n − rI]ws [n − rI] = 1
r

Il “suffit” de construire une fenêtre de synthèse la respectant.


Exemple : la fenêtre de Hann
1 n
wa [n] = (1 − cos(2π ) pour 0 6 n < N
2 N
permet la reconstruction parfaite avec ws = ΠN .
Exercice : le vérifier.

27 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Estimation de fréquence

1 Changement de fréquence d’échantillonnage

2 Transformée de Fourier à Court Terme

3 Estimation de fréquence
Motivation
Détection de pics
Méthodes temporelles
Méthodes spectrales
D’autres méthodes

4 Conclusion

28 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Motivation

Détecter la présence d’une périodicité dans le signal est une tâche


omniprésente en traitement du signal :
Signal musical : hauteur (pitch), rythme
Traitement de la parole : voisement (voyelles), timbre
(locuteur)
Géologie : détecter une onde sismique, une poche de pétrole
Médecine : suivi du rythme cardiaque, échographie
Radar : détection d’une émission radar dans une certaine
direction

29 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Approche naïve

Avec Fourier, c’est facile :


il suffit de chercher le pic maximal du spectre !

1.5

50
1

40
0.5

30
0
20

−0.5
10

−1 0

−1.5 −10
0 200 400 600 800 1000 50 100 150 200 250 300 350 400 450 500

30 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Dans la vraie vie


Voici une note de musique en entier et vue de près :

1
0.6
0.4
0.5
0.2
0
0 −0.2
−0.4
−0.5 −0.6
−0.8
−1
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 2450 2500 2550 2600 2650 2700 2750 2800 2850

31 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Dans la vraie vie


Voici une note de musique en entier et vue de près :

1
0.6
0.4
0.5
0.2
0
0 −0.2
−0.4
−0.5 −0.6
−0.8
−1
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 2450 2500 2550 2600 2650 2700 2750 2800 2850

Voici sa (demi) transformée de Fourier :

70

60

50

40

30

20

10

0
500 1000 1500 2000 2500 3000 3500 4000

31 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Différents problèmes de la vraie vie

Il y a plusieurs raisons de ne pas se contenter de chercher le


maximum du spectre :
Signaux non idéaux : pas exactement périodiques, fluctuation
du contenu fréquentiel
Présence de nombreux pics ; la fréquence recherchée ne
correspond pas forcément au plus haut d’entre eux
Présence de bruit qui peut considérablement masquer les raies
spectrales
Non exploitation d’information pertinente (par exemple la
présence d’harmoniques)

32 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Détection de pics

La détection et l’estimation de fréquence font souvent appel à la


recherche de pics :
Dans le spectre de Fourier.
Dans des fonctions dites “de contraste”, formulées pour
qu’elles présentent un pic à la valeur recherchée.
Mais comment définit-on un pic et comment se
débarrasse-t-on des faux (spurious) pics ?

33 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Détection de pics
La détection de pics (en anglais peak-picking ) est un sujet en
soi !
Il existe de nombreux algorithmes, plus ou moins robustes
(seuillages, dérivation...)
On espère éliminer les faux pics grâce au fait qu’ils ne seront
pas présents dans toutes les trames.
Les pics peuvent être interpolés pour améliorer la précision de
l’estimation.

34 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Méthodes temporelles

Une première famille d’estimation de fréquence (en


l’occurrence, de périodicité) se déroule dans le domaine
temporel.
Elles reposent essentiellement sur l’idée simple qu’un signal
périodique, ou presque périodique, doit “ressembler
maximalement à lui-même quand on le décale d’un nombre
d’échantillons au plus proche de sa période”.
Le bruit, lui, n’a pas de raison de se ressembler à lui-même
temporellement.

35 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Une première approche de l’autocorrélation


Pour formaliser ce concept de “ressemblance avec soi-même”, on
définit l’autocorrélation d’un signal :
Autocorrélation
La fonction d’autocorrélation d’un signal x[n] est (à une
normalisation près) la suite définie par :
−1−k
NX
1
Rxx [k] ∝ x[k]x[n + k]
N
n=0

Cette méthode (ou des dérivés) ont été très utilisées avant
l’algo de FFT (Fourier coûtait cher)
La fonction d’autocorrélation a en réalité un lien très fort avec
la transformée de Fourier (notion de densité spectrale de
puissance). On en reparlera dans le cadre des signaux
aléatoires.
36 M1 RI Traitement du Signal 29/09/2014
Changement de Fe TFCT Estimation de fréquence Conclusion

D’autres méthodes temporelles

ASDF : average square difference function


AMDF : average magnitude difference function

37 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Méthodes spectrales

Les méthodes spectrales se situent dans le domaine de Fourier


et cherchent notamment à exploiter la présence de pics à des
fréquences multiples de la fondamentale (cf. séries de Fourier)
Par exemple, la somme spectrale :
H
X
S[k] = |X[hk]|
h=1

Exercice : dessiner l’effet de la somme spectrale sur un spectre


de raies.

38 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

D’autres méthodes

Il existe de très nombreuses autres méthodes d’estimation de la


fréquence :
Méthode dites “à haute résolution” (projections sur des
sous-espaces, MUSIC, ESPRIT)
Modélisation source-filtre et cepstre (notions d’enveloppe
spectrale)
Maximum de vraisemblance (avec des lois de probabilités)
La plupart des méthodes efficaces combinent plusieurs idées.
Beaucoup d’entre elles s’appuient sur une modélisation aléatoire du
signal.

39 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Conclusion

1 Changement de fréquence d’échantillonnage

2 Transformée de Fourier à Court Terme

3 Estimation de fréquence

4 Conclusion

40 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Conclusion

Ces compléments mettent en lumière nos besoins d’outils :


en filtrage numérique
en modélisation des signaux aléatoires
en représentations temps-fréquence
Ils constitueront l’essentiel de la suite du cours.

41 M1 RI Traitement du Signal 29/09/2014


Changement de Fe TFCT Estimation de fréquence Conclusion

Exercice

Pour une première approche de l’estimation de f0 ...


1 Téléchargez le son piano.wav sur la page du cours
2 Chargez-le dans Scilab (fonction wavread) et écoutez-le.
3 Observez son spectre.
4 Faites une hypothèse “manuelle” sur la f0 .
5 Cherchez la correspondance entre cette fréquence et l’échelle
musicale. Votre estimation vous semble cohérente ?
6 Programmez une méthode automatique simple d’estimation de
la f0 . Conclusions ?

42 M1 RI Traitement du Signal 29/09/2014

Vous aimerez peut-être aussi