Cours MEGA

1
Traitement des données. De l’acquisition

des signaux et images jusqu’à leur
interprétation
Didier VRAY, Denis FRIBOULET MASTER et École Doctorale MEGA

didier.vray@creatis.insa-lyon.fr
2
BIBLIOGRAPHIE
Bernard MULGREW, "Digital Signal Processing, concepts and
applications", Palgrave MacMillan, 2003
Alan OPPENHEIM, A. SCHAFER, "Discrete-time Signal
Processing", PRENTICE HALL, 1999
Alan OPPENHEIM, A. WILLSKY, "Signals and Systems", PRENTICE
HALL, 1997
J. Mc CLELLAN, "DSP First, A multimedia approach", PRENTICE
HALL, 1999
François de COULON, "Théorie et traitement des signaux",
DUNOD, 1984
Murat KUNT, "Traitement Numérique des signaux", 1981
Applications ou pour aller plus loin :

J. MARS, J.-L. LACOUME, "Traitement du signal pour géologues et
géophysiciens", TECHNIP 2004
Tome 3 : Techniques avancées et Tome 2 : Techniques de
base, Tome 1 : Prospection sismique
M. BELLANGER, "Traitement numérique du signal : Théorie et
pratique", 8ème édition, DUNOD, 2006
S. MARPLE, "Digital spectral analysis", PRENTICE-HALL, 1987
3
Traitement du signal et applications
Introduction
Denis Friboulet – Didier Vray

4
SIGNAL ?
Domaines d’application :
• communication, aéronautique, astronautique, acoustique, contrôle de processus
chimique, ingénierie biomédicale, traitement de la parole, économie, météorologie...
• information représentée sous forme de signal
Signal :
• fonction de une ou plusieurs variables indépendantes : f(x,y,z)
• représente / contient information sur un phénomène (physique)
Types de signaux
Signaux continus: f(t), t ∈ R Signaux discrets: f[n], n ∈ Z
t
n
Dimension du signal :
• 1D : f(t) f[n]
• 2D :f(u,v) f[i,j]
• 3D : f(u,v,w) f[i,j,k]
• etc...
5
SIGNAL ?
Mesures
• Capteur, statistiques....
• Développement des capteurs : microphone, céramiques piézoélectriques, antennes,
capteurs CCD, de pression
Capteur
t
Acquisition numérique :
Capteur Echantillonnage
t
• Stockage
• Traitement numérique par ordinateur
• Perte d’information ?
• Importance des techniques numériques
6
EXEMPLES DE SIGNAUX
Signal de parole
0.4
0.3
amplitude
0.2
0.1
‘e’
0
-0.1
-0.2
-0.3
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35
Temps (s)
0.6
0.4
amplitude
0.2
-0.2
-0.4 b on j ou r
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Temps (s)
7
EXEMPLES DE SIGNAUX
Évolution de la rente 5% sous le consulat et le 1er empire
Début de la
100% campagne de Russie Napoléon
Victoire sur la Russie à Friedland débarque à
Traité de Tilsit avec la Russie
90 Golfe Juan
80 L’Autriche attaque la Bavière
70 Défaites en Espagne Début de la retraite

et au Portugal de Russie
60 Paix de Lunéville
Victoire sur la Prusse à Iéna

50 Victoire sur la Russie à Eylau Waterloo
Victoire sur
l’Autriche à Ulm
40
L’Angleterre Abdication de
recherche la paix
30 et l’obtient à
Défaite de Vitoria. Napoléon
L'Autriche se joint à la Prusse et
Amiens à la Russie contre la France.
20 Défaite de Leipzig.
10 Coup d’état du 18 brumaire
0
1798 1799 1800 1801 1802 1803 1804 1805 1806 1807 1808 1809 1810 1811 1812 1813 1814 1815
© Le Monde 28/01/1997
8
EXEMPLES DE SIGNAUX
Évolution hebdomadaire du Dow Jones du 5 janvier 1929 au 4 janvier 1930
400
350
300
250
200
150
100
50
5 jan. 1929 4 jan. 1930

9
EXEMPLES DE SIGNAUX
Signaux ultrasonores
Composante spéculaire Composante diffuse
Émission
Réception
τ = 2d/c , c ≈ 1540 m/s (tissus biologiques)
t t
Signal réel
10
EXEMPLES DE SIGNAUX
Images ultrasonores: échographie intravasculaire

11
EXEMPLES DE SIGNAUX
Images ultrasonores: échographie intravasculaire
Plaque artérielle
12
EXEMPLES DE SIGNAUX
Images cardiaques échographie ultrasonore et en IRM

13
EXEMPLES DE SIGNAUX
Tomographie X
14
EXEMPLES DE SIGNAUX
Tomographie par rayonnement X synchrotron

15
EXEMPLES DE SIGNAUX
Tomographie X
16
TRAITEMENT DU SIGNAL ?
Buts :
• Modélisation : représentation d’un phénomène (caractérisation, prédiction...)
• Analyse : extraction d’information (mesure, compression, détection, reconnaissance...)
• Filtrage, restauration : transformation du signal (minimisation du bruit, suppression de
parasite...)
• Etc.
Notion de système de traitement :
Système de
t Traitement t
Notion de domaine de représentation :

• Transformée de Fourier
• Modèles autorégressifs, transformée de Laplace, transformée de Wigner, transformée
en ondelettes, transformée cosinus....
17
EXEMPLES DE TRAITEMENT
Imagerie ultrasonore
N Signaux
Image ?
18
Signaux acquis
Détection
d'enveloppe Enveloppe
Compression
logarithmique Image Compressée
19
Signal de parole : analyse ?

0.6
0.4
amplitude
0.2
-0.2
-0.4 b on j ou r
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Temps (s)
20
Domaine de représentation : temps-fréquence

21
Détection de rupture
Cas idéal σ = 0.4)
Cas réel avec bruit gaussien (σ
2 2
1 1
0 0
-1 -1
-2 -2
0 5 10 15 20 0 50 100 150 200 250
Opérateur différentiel : [ 1 -1 ] Opérateur différentiel : [ 1 -1 ]
2 2
1 1
0 0
-1 -1
-2 -2
0 5 10 15 20 0 50 100 150 200 250
22
σ = 0.4)
2
-1
-2
0 50 100 150 200 250
Opérateur optimisé :
Opérateur différentiel : [ 1 -1 ]
Canny[86] – Deriche[87]
2 4
3
1
2
0
1
-1
0
-2 -1
0 50 100 150 200 250 0 50 100 150 200 250
23
σ = 1.0)
Cas réel avec bruit gaussien (σ σ = 1.2)
4 4
2 2
0 0
-2 -2
-4 -4
0 50 100 150 200 250 0 50 100 150 200 250
Opérateur optimisé :
6 4
4
2
2
0
0
-2
-2
-4 -4
0 50 100 150 200 250 0 50 100 150 200 250
24
Image : Détection de contours

Bords verticaux
Norme du gradient Seuillage
||2
Bords horizontaux
25
Détection de contour par ensemble de niveau basé sur les dérivées (gradient)
Ensemble de niveau:
Evolution basée sur le
Principe d’évolution
gradient d’une image IRM
26
Détection de contour par ensemble de niveau basé sur les statistiques
Sang
Muscle
Histogramme
Histogramme
27
Détection de contour par ensemble de niveau basé sur les statistiques

28
Visualisation de l’information ?
29
Visualisation : Rendu de volume par lancer de rayon
1. Intersection avec l’objet : Tracé incrémental 2. Estimation de la normale à l’objet : opérateur

d’un rayon dans le volume discret différentiel discret dans les 3 directions
Plan de
visualisation
3. Calcul de la lumière émise au point 4. Application des étapes 1, 2 et 3 à l'ensemble

d’intersection : modèle de diffusion des rayons partant du plan de visualisation
Id = Ip (N . L)
N
30
© Joe Kniss, Utah

31
32
BIBLIOGRAPHIE
Ouvrages généraux
• Bernard MULGREW, "Digital Signal Processing, concepts and applications",
Palgrave MacMillan, 2003
• Alan OPPENHEIM, A. SCHAFER, "Discrete-time Signal Processing",
PRENTICE HALL, 1999
• Alan OPPENHEIM, A. WILLSKY, "Signals and Systems", PRENTICE HALL,
1997
• J. Mc CLELLAN, "DSP First, A multimedia approach", PRENTICE HALL, 1999
• François de COULON, "Théorie et traitement des signaux", DUNOD, 1984
• Murat KUNT, "Traitement Numérique des signaux", 1981
Applications ou pour aller plus loin

• J. MARS, J.-L. LACOUME, "Traitement du signal pour géologues et
géophysiciens", TECHNIP 2004, Tome 3 : Techniques avancées et Tome 2 :
Techniques de base, Tome 1 : Prospection sismique
• M. BELLANGER, "Traitement numérique du signal : Théorie et pratique", 8ème
édition, DUNOD, 2006
• S. MARPLE, "Digital spectral analysis", PRENTICE-HALL, 1987
33
Signaux de base
Opération élémentaires sur les signaux

34
TRANSFORMATIONS DE LA VARIABLE INDEPENDANTE
Opérations de base sur les signaux:

• Retournement, décalage, changement d’échelle, etc.
transformation de la variable indépendante
Retournement
f(t) f(-t)
f[n] f[-n]
35
Changement d’échelle
f(t) f(2t)
f[n] f[2n]
36
Décalage temporel
t0 -t 0
f(t) f(t-t0) f(t+t0)

Retard Avance
n0 -n0
f[n] f[n-n0] f[n+n0]

Retard Avance
37
Signaux pairs : invariance par retournement
f(-t) = f(t) f[-n] = f[n]
Signaux impairs : symétrie par retournement
f(-t) = - f(t) f[-n] = - f[n]

38
SIGNAUX DE BASE CONTINUS
Signal sinusoïdal : f (t ) = A cos(2π f 0t + φ )

T 0 = 1 /f0
A AcosΦ
A : amplitude φ : phase f0 : fréquence T0 : période
Variation de la fréquence f0 :
f1 f2 f3
f1 < f2 < f3
39
Exponentielle complexe e j 2πf 0t = cos 2πf 0t + j sin 2πf 0t

1 j 2πf 0t
Re( e j 2πf 0t
) = cos 2πf 0t cos 2πf 0t = (e + e − j 2πf 0t )
2
1 j 2πf 0t
Im(e j 2πf 0t ) = sin 2πf 0t sin 2πf 0t = (e − e − j 2πf 0t )
2j
Interprétation
Im
Partie réelle Partie imaginaire
t
sin 2πf0t
cos 2πf0t Re
f0: vitesse de rotation
Exponentielles harmoniques f k (t ) = e j 2πkf 0t , k ∈ Z

f0 : fréquence fondamentale
40
Échelon unité
1
0 si t < 0
u(t) =
1 si t > 0
t
du(t )
Impulsion unité (ou Dirac) : δ(t) on veut u (t ) = ∫ δ (τ )dτ à savoir δ (t ) =
−∞
dt
u∆(t) 1 δ∆(t)
δ = lim δ∆(t)
δ(t) 1/∆
∆→0 Aire = 1
∆ ∆
δ(t) Cδ(t) δ(t-t0)
1
Représentation C
t0
41
Dirac : interprétation
δ(t) δ(t)
Intervalle Intervalle
d’intégration d’intégration
t 0 τ 0 t τ
t t
∫ δ (τ )dτ = 0 si t < 0 ∫ δ (τ )dτ = 1 si t > 0

−∞ −∞
1
u(t)
L’aire du Dirac est "concentrée" en un point

42
+∞
Dirac : Propriété
∫ δ (t )dt = 1
−∞
Dirac : Propriété x(t) δ(t) = x(0) δ(t) Dirac de poids x(0)
x(t) x(0) δ(t)

δ(t)
Dirac : Propriété x(t) δ(t-t0) = x(t0) δ(t-t0)
δ(t-t0) x(t0)δ(t-t0)
x(t) x(t)
t0 t0
43
+∞
Dirac : Propriété
∫ x (t )δ (t )dt = x (0)
−∞
+∞
Dirac : Propriété
∫ x (t )δ (t − t0 )dt = x (t0 )
−∞
44
Énergie d’un signal continu s(t)

t2
2
• Énergie moyenne calculée sur l’intervalle [t1, t2] : Es (t1, t2 ) = ∫ s(t ) dt
t1
+∞
2
• Énergie totale : Es = ∫ s ( t ) dt
−∞
Signaux à énergie finie : Es < ∞
Exemples : les signaux suivants sont-ils à énergie finie ?

• u(t)
• u(t)e-t/τ
• Sinusoïde
• Signaux périodiques
45
Puissance d’un signal continu s(t)

• Puissance moyenne calculée sur l’intervalle [t1, t2] : t2
1 2
Interprétation : énergie dissipée par unité de temps
Ps (t1, t2 ) =
t2 − t1 ∫ s(t ) dt
t1
T /2
1 2
• Puissance totale, cas général : Ps = lim
T →∞ T
∫ s ( t ) dt
−T / 2
T0 / 2
1 2
• Puissance totale, cas des signaux périodiques Ps =
T0 ∫ s(t ) dt
−T0 / 2
Signaux à puissance finie : Ps < ∞
Exemples : les signaux suivants sont-ils à puissance finie ?

• u(t), u(t)e-t/τ
• Cas général des signaux à énergie finie
46
SIGNAUX DE BASE DISCRETS
Échelon unité 1
0 si n < 0
u[n] = .......
1 si n ≥ 0
0
n
Impulsion unité : δ[n] on veut u[n ] = ∑ δ [n ] à savoir δ [n ] = u[n ] − u[n − 1]
m = −∞
1
1 si n = 0
δ[n] =
0 si n ≠ 0
+∞ +∞
Propriétés
∑ δ [n ] = 1 ∑ x[n ]δ [n ] = x[0]
n =−∞ n =−∞
x[n] δ[n] = x[0] δ[n] +∞
x[n] δ[n-n0] = x[n0] δ[n-n0] ∑ x[n ]δ [n − n0 ] = x[n0 ]

n =−∞
47
πf0n
Sinusoïdes discrètes : cos 2π
A la différence du cas continu, la rapidité des oscillations n’augmente pas continûment

avec f0
fréquence = 0 fréquence = 1/16 fréquence = 1/8
1 1 1
0.5 0 0
0 -1 -1
0 10 20 30 0 10 20 30 0 10 20 30
fréquence = 1/4 fréquence = 1/2 fréquence = 3/4
1 1 1
0 0 0
-1 -1 -1
0 10 20 30 0 10 20 30 0 10 20 30
fréquence = 7/8 fréquence = 15/16 fréquence = 1
1 1 1
0 0 0.5
-1 -1 0
0 10 20 30 0 10 20 30 0 10 20 30
48
πf0n
Sinusoïdes discrètes : cos 2π
A la différence du cas continu, la rapidité des oscillations n’augmente pas continûment

avec f0
en continu : cos 2πf1t ≠ cos 2πf2t si f2 ≠ f1
en discret : cos 2πf1n = cos 2πf2n si f2 = f1 ± k, k∈ N
0.5
Exemple avec 0
• f1 = 1/8
cos(2 π *t/8)
• f2 = 1/8-1 = 7/8 -0.5 cos(2 π *t*7/8)
cos(2 π *n*/8)
-1
-4 -3 -2 -1 0 1 2 3 4
49
Sinusoïdes discrètes
Périodicité
cos 2πf0(n+N) = cos 2πf0(n) N = k/f0
Pour que N soit un entier, il faut donc que f0 = k/N rationnel
Exemples
8π
cos( n) f0 = 4/31 (rationnel) cos n/6 f0 = 1/12π, (non rationnel)
31
Période N= k*31/4 N = 31 (avec k=4) Période N = k * 12π Non périodique
cos(8π *t/31) cos(n/6)
1 1
0.5 0.5
0 0
-0.5 -0.5
-1 -1
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40 45 50
50
Exponentielles discrètes
e j 2πf 0n = cos 2πf0n + j sin 2πf0n
Mêmes propriétés que sinusoïdes (différence de comportement par rapport au

cas continu et contraintes sur la périodicité)
51
Énergie et puissance d’un signal discret s[n]
Énergie Puissance
n2 n2
1
∑
2
∑
2
Énergie moyenne s[n ] Puissance moyenne s[ n ]
n = n1 n2 − n1 n = n
1
+∞
1 N /2
∑
2
∑
Puissance totale Ps 2
Énergie totale Es s[n ] lim s [ n ]
(cas général) N →∞ N n=− N / 2
n =−∞
0 N /2
Condition pour
énergie finie
Es < ∞ Puissance totale Ps 1
∑ s [ n ]
2
(signaux périodiques) N0 n=− N / 2
0
Condition pour
puissance finie
Ps < ∞
52
Les Systèmes Linéaires Invariants

53
Notion de Système
Définition :
• Un système est un modèle mathématique d’un processus physique qui relie un signal
d’entrée à un signal de sortie
• Un système est un dispositif de traitement du signal
• En entrée : e(t) signal d’entrée
• En sortie : s(t) signal de sortie
Exemples :
• Amplificateur, système audio, téléphone, système vidéo
• Un système complexe peut être vu comme l’interconnexion de plusieurs systèmes dont
les fonctions sont plus simples
Questions
• Comment caractériser un système ?
• Quelles sont les propriétés intéressantes des systèmes ?
• Comment modéliser la relation entre entrée et sortie ?
54
Représentation des Systèmes
Représentation sous forme de schéma bloc
e(t) s(t) s(t) = S{e(t)}

Scontinu
e[n] s[n] s[n] = S{e[n]}

Sdiscret
Interconnections des systèmes

• Série / Cascade Input Système 1 Système 2 Output
Système 1
• Parallèle Input + Output
Système 2
Système 1 Système 2
• Série / Parallèle Input + Système 4 Output
Système 3
• Feed-back
55
EXEMPLE DE SYSTEMES
AMPLIFICATION
RETARD
MOYENNE GLISSANTE
FILTRAGE
MODULATION
DETECTION
REDRESSEUR (valeur absolue)
QUADRATEUR (élever au carré)
2
Réalisation de systèmes : X
x[n] + y[n]
Y[n] = (2x[n] – x[n]2)2 + | |2
-
| |2
τ +T / 2
Corrélateur Cxy (τ ) = ∫ x(t − τ ) y (t )dt

τ−T / 2
56
PROPRIETES DES SYSTEMES
ETUDE DE 2 PROPRIETES FONDAMENTALES (système continu ou discret):

LINEARITE
INVARIANCE EN TEMPS
LINEARITE (Propriété de superposition)

Soit y1[n]=S{x1[n]} et y2(t)=S{x2[n]} ALORS a y1[n]+ b y2[n] = S{a x1[n]+b x2[n]}
Conséquence : une entrée nulle produit une sortie nulle
INVARIANCE EN TEMPS
Soit y[n]=S{x[n]} ALORS y[n-n0]=S{x[n-n0]}
La sortie du système ne dépend pas de l'origine des temps
La sortie du système ne dépend pas de l’instant où est appliquée l’entrée
On notera SLIT un système Linéaire et Invariant en Temps

57
EXEMPLES - linéarité et invariance en temps des systèmes suivants :
y[n] = 2x[n], y(t) = x(t-2) -2x(t-19) LIT
y[n] = x[-n], y(t) = sin(6t) x(t) L
y[n] = 2x[n]+3, y(t) = a exp(x(t)) IT
UTILISATION DES PROPRIETES :

Soit un système LINEAIRE et INVARIANT EN TEMPS
qui a en sortie y(t) lorsque l’entrée est x(t) :
x(t) y(t)
t t
0 1 2 0 1 2
Quelle est la réponse du système lorsque l’entrée est x1(t)

x1(t)
3 4 t
0 1 2
58
RAPPEL DE QUELQUES PROPRIETES DE L’IMPULSION UNITE
x[n]δ [n] = x[0]δ [n] x (t )δ (t ) = x(0)δ (t )
x[n]δ [n − n0 ] = x[n0 ]δ [n − n0 ] x (t )δ (t − t0 ) = x(t0 )δ (t − t0 )
+∞
+∞
∑ δ [n] = 1 ∫ δ (t )dt = 1
−∞
−∞
+∞ +∞
∑ x[n]δ [n] = x[0]

−∞
∫ x (t )δ (t )dt = x (0)
−∞
+∞ +∞
∑ x[n]δ [n − n ] = x[n ]
−∞
0 0
∫ x ( t )δ (t − t 0
) dt = x ( t0 )
−∞
n
∑ δ [k ] = u[n]
t
k =−∞ ∫ δ (τ )dτ
−∞
= u(t )
59
REPRESENTATION DES SIGNAUX EN SOMME D’IMPULSIONS
Exemple de la représentation
x[n]
-4 -1 2 3
d’un signal discret en terme
-3 -2 0 1 4
d’impulsions retardées
x[−2]δ [n + 2]
Généralisation : -4 -3 -2 -1 0 1 2 3 4 n
• Tout signal discret peut être décrit comme une somme
d’impulsions de Dirac retardées et pondérées par x[−1]δ [n + 1]
-1
l’amplitude de ce signal :
-4 -3 -2 0 1 2 3 4 n
+∞
x[ n ] = ∑ x[k ]δ [n − k ]
k =−∞
-4 -3 -2 -1 0 1 2 3 4
x[0]δ [n ]
n
x[1]δ [n − 1]
-4 -3 -2 -1 0 1 2 3 4 n
Décomposition équivalente pour les signaux continus :

2
x[2]δ [n − 2]
+∞
x (t ) = ∫ x (τ )δ (t − τ )dτ
-4 -3 -2 -1 0 1 3 4 n
−∞
60
NOTION DE REPONSE IMPULSIONNELLE
La réponse impulsionnelle h[n] d’un système est la réponse du système lorsque le

signal d’entrée est l’impulsion de Dirac δ[n] :
δ[n] h[n]
S
Dans le cas des systèmes linéaires et invariant en temps (SLIT), la réponse

impulsionnelle h[n] permet de caractériser totalement le système.
La Transformée de Fourier ou la transformée en z de la réponse impulsionnelle
permettent de déduire :
• La réponse en fréquence ou gain complexe H(f)
• Le gain en fonction de fréquence |H(f)| ou la phase arg(H(f)
• La fonction de transfert H(z)
61
EQUATION DE CONVOLUTION
Considérons un système S linéaire et invariant en temps (LTI) de réponse

impulsionnelle h[n]. Nous pouvons donc écrire :
entrée S sortie
δ[n] h[n]
δ[n-k] h[n-k]
x[k] δ[n-k] x[k] h[n-k]
+∞ +∞
∑ x[k ] δ [n − k ] ∑ x[k ] h[n − k ]

k =−∞
k =−∞
x[n] S y[n]
D’où l’équation de convolution discrète qui lie signal d’entrée, signal de sortie et
réponse impulsionnelle d’un système LIT :
+∞
y[n] = ∑ x[k ] h[n − k ]
k =−∞
62
EQUATION DE CONVOLUTION
Un changement de variable permet de convertir l’équation de convolution sous une

autre forme:
+∞ +∞
y[n] = ∑ x[k ] h[n − k ] = ∑ h[k ] x[n − k ]
k =−∞ k =−∞
Notation de la convolution
y[n] = x[n] ∗ h[n] = h[n] ∗ x[n]
L’équation de convolution permet de calculer la sortie du système pour n’importe

quelle entrée x[n]
63
CALCUL PRATIQUE DE LA CONVOLUTION
x[k]
1
x[n] 0 4 k
01 2 34 5 n<0
h[n-k]
64 x[n] S y[n] ?
32
h[n] n 0 k
n-6
h[n] 16
8
4 h[n-k]
12 0<n<4
01 2 34 5 6 7 0 n k
n-6
h[n-k]
4<n<6
y[n] = x[n] * h[n] 0 n k

n-6
h[n-k]
6<n<10
0 n k
n-6
0 1 2 3 4 5 6 7 8 9 10
h[n-k]
n>10
0 n k
n-6
64
CALCUL PRATIQUE DE LA CONVOLUTION
Cas usuel :
• soit x de durée N, h de durée M, avec N≥M (signaux à durée finie)
• x et h ont des amplitudes nulles pour les temps (indices) négatifs (signaux causaux)
alors l’équation de convolution se simplifie
N −1 M −1
y[n] = ∑ x[k ] h[n − k ] = ∑ h[k ] x[n − k ] pour n = 0 à N + M
k =0 k =0
On note que la durée de y[n] est N+M-1 : la convolution ‘allonge’ les signaux
y[0] = x[0] h[0]

y[1] = x[0] h[1] + x[1] h[0]
y[2] = x[0] h[2] + x[1] h[1] + x[2] h[0]
.....
y[i] = x[i − M + 1] h[ M − 1] + .... + x[i − M + j ] h[ M − j ] + ... + x[i ] h[0]
.....
y[ N + M ] = x[ N ] h[ M − 1]
65
ILLUSTRATION DE LA CONVOLUTION DE SIGNAUX CONTINUS
x(τ)
S y(t) ?
x(t)
h(t) τ
h(τ)
y (t ) = x (t ) * h (t )
τ
+∞
h(t0-τ)
= ∫ x(τ )h(t − τ )dτ
−∞
t0>0
+∞ t0 τ
= ∫ h (τ ) x (t − τ )dτ x(τ)h(t0-τ)
y (t0 ) =
+∞
∫ x(τ )h(t
0 − τ )dτ
−∞
−∞
t0 τ
y (t ) =
x (t ) * h(t )
t0 t
66
PROPRIETES DE LA CONVOLUTION
Commutativité
x[n] ∗ h[n] = h[n] ∗ x[n]

Mise en cascade
x[n] ∗ {h1[n] ∗ h2 [n]} = {x[n] ∗ h1[n]} ∗ h2 [n]

Distributivité
x[n] ∗ {h1[n] + h2 [n]} = {x[n] ∗ h1[n]} + {x[n] ∗ h2 [n]}

Élément neutre, définition de la réponse impulsionnelle d’un système LIT
δ [n] ∗ h[n] = h[n]

Attention, ces propriétés ne sont valables que pour les systèmes LIT
67
PROPRIETES DE LA CONVOLUTION
Fonction propre d’un système LIT
Soit un système LIT de réponse impulsionnelle h(t)

Considérons le signal d’entrée x(t) exponentielle complexe (phaseur pur) :
2π jf 0t
x f 0 (t ) = e
Calculons la sortie correspondante à ce système:
+∞
y (t ) = x (t ) ∗ h(t ) = ∫ h(τ )e 2π jf0 ( t −τ )dτ
−∞
+∞
= e 2π jf0t ∫ h(τ )e −2π jf0τ dτ = e 2π jf0t H ( f 0 )
−∞
H(f0) est une constante complexe dont la valeur ne dépend que de f0 et de la réponse
impulsionnelle du système
Résultat extrêmement important : La réponse d’un système LIT à un signal

d’entrée de type exponentielle complexe (fonction sinusoïdale de fréquence fixée), est
le même signal (pas de changement de fréquence) mais pondéré par un coefficient qui
dépend uniquement de la réponse impulsionnelle du système.
On dit que l’exponentielle complexe est une fonction propre des systèmes SLIT
68
EXEMPLES DE SYSTEMES LIT
RETARD PUR
x[n] y[n]=x(n-n0)
retard n0
y[n] = x[n − n0 ] = x[n] ∗ δ [n − n0 ]
On déduit que la réponse impulsionnelle de ce système est
h[n]
h[n]=δ[n-n0] 1
n
0 n0
69
EXEMPLES DE SYSTEMES LIT
MOYENNEUR TEMPOREL
x[n] Moyenneur sur y[n]

M échantillons
y[n ] = x[n ] + x[n − 1] + x[n − 2] + .... + x[n − M + 1]

k = M −1 k = M −1 k = M −1
= ∑
k =0
x[n − k ] = ∑
k =0
x[n ] ∗ δ [n − k ] = x[n ]* ∑ δ [n − k ]
k =0
On déduit que la réponse impulsionnelle de ce système est
1
k = M −1 h[n]
h[n ] = ∑ δ [n − k ]
k =0
0 M-1
70
PROPRIETES DES SYSTEMES
LINEARITE
INVARIANCE EN TEMPS
CAUSALITE
Définition générale : La sortie d’un système causal ne dépend que des valeurs présentes ou
passées de l’entrée
Cas d’un système LIT : un système LIT est causal si sa réponse impulsionnelle h[n] est nulle
pour n≤0
STABILITE
Définition générale: Un système est stable si à toute entrée d’amplitude bornée correspond
une sortie bornée +∞
Cas d’un système LIT : un système LIT est stable si et seulement si : ∑ h[k ] < ∞
k =−∞
INVERSIBILITE
Un système LIT de réponse impulsionnelle h[n] est inversible si on peut trouver une réponse
impulsionnelle inverse h1[n] telle que
h[n]* h1[n]=δ[n]
Les caractéristiques des LIT sont étudiées avec la Transformée en Z
Réponse indicielle s[n]:

un système peut être caractérisé par sa réponse à l’échelon u[n].
La réponse impulsionnelle peut être retrouvée par dérivation de la réponse indicielle
71
DESCRIPTION DES SYSTEMES EQUATIONS AUX DIFFERENCES
Un sous-ensemble très important de systèmes discrets LIT sont ceux dont l’entrée x[n]
et la sortie y[n] sont reliés par une équation aux différences à coefficients constants
(de même les systèmes continus qui sont décrits par des équations différentielles)
La représentation par équations aux différences d’un système LIT est très importante
parce qu’elle permet d’envisager de manière efficace la réalisation de ces systèmes
La représentation par équations aux différences permet de connaître les caractéristiques

du système (ordre du système, fréquences transmises ou atténuées…)
La Transformée en Z est une outil très efficace pour la réalisation et l’analyse des
caractéristiques de ces systèmes
72
L’expression la plus générale reliant entrée x[n] et sortie y[n] d’un système LIT
est de la forme :
+∞ +∞
∑ b x[n − k ] = ∑ a y[n − k ]
k =−∞
k
k =−∞
k
Si on considère un système causal d’ordre N, l’expression peut s’écrire :
M N
y[n] = ∑ bk x[n − k ] − ∑ ak y[n − k ]
k =0 k =1
Exemple d’un système du 1er ordre : y[n]=x[n] +Ky[n-1]
Exemple d’un système du 2ème ordre : y[n]=x[n] +a1y[n-1]+ a2y[n-2]

73
Exemple : soit le filtre causal de réponse impulsionnelle h[n]

0.04
0.035
0.03 α = 0.15
h[n ] = k (α n + 1)e −α n
0.025
0.02
0.015
0.01
0.005
0
0 10 20 30 40 50
Filtre à réponse impulsionnelle infinie (IIR) : pas d’implantation exacte par convolution
Solution 1 : troncature de la réponse impulsionnelle pour une précision donnée

Nombre de coefficients du filtre nécessaires pour une précision donnée
100
Nombre de coefficients
1e-02
80 1e-03
1e-04
60 1e-05
40
20
0
0.2 0.4 0.6 0.8 1
α
74
Solution 2 : Transformée en z réalisation récursive par équation aux différences
y[n ] = b0 x[n ] + b1 x[n − 1] − a1 y[n − 1] − a2 y[n − 2]
y[n ] = k ( x[n ] + e −α (α − 1) x[n − 1]) + 2e −α y[n − 1] − e −2α y[n − 2]

Complexité: 4 multiplications et 3 additions, quel que soit α
Comparaison des 2 implantations
Réponse impulsionnelle théorique, alpha = 0.15 Réponse impulsionnelle de la version récursive, alpha = 0.15
0.04 0.04
0.035 0.035
0.03 0.03
0.025 0.025
0.02 0.02
0.015 0.015
0.01 0.01
0.005 0.005
0 0
0 10 20 30 40 50 0 10 20 30 40 50
75
Vérification : calcul de la réponse impulsionnelle de la solution récursive

y[n ] = k ( x[n ] + e −α (α − 1) x[n − 1]) + 2e −α y[n − 1] − e −2α y[n − 2] avec x[ n ] = δ [ n ]
y[0] = k
y[1] = ke −α (α − 1) + 2e −α y[0] = ke −α (α − 1) + 2e −α k = k (α + 1)e −α
y[2] = 2e −α y[1] − e −2α y[0] = k (2α + 1)e −2α
y[3] = 2e −α y[2] − e −2α y[1] = k (3α + 1)e −3α
Terme général
On suppose y[n ] = k (α n + 1)e −α n
On vérifie alors y[n + 1] = 2e −α y[n ] − e −2α y[n − 1]
= 2e −α k (α n + 1)e −α n − e −2α k [α (n − 1) + 1] e −α ( n −1)
= ke −α ( n +1) (2α n + 2 − α n + α − 1)
= k [α (n + 1) + 1] e −α ( n +1)
cqfd
76
Transformée de Fourier des signaux continus

77
TRANSFORMÉE DE FOURIER DES SIGNAUX CONTINUS
Principe : représenter un signal continu comme la combinaison linéaire de signaux

de base (pour faciliter l'analyse des signaux et des systèmes)
Choix des signaux de base

• Ils doivent pouvoir représenter une large classe de signaux
• La réponse d'un système linéaire invariant à un signal de base doit être simple
Signaux de base :
j 2πft
• Ensemble des exponentielles complexes de la forme: e
• Elle constituent les fonctions propres des systèmes linéaires invariants
+∞ +∞
j 2π f ( t −τ )
y ( t ) = x ( t ) ∗ h (t ) = ∫ h(τ ) x (t − τ )dτ = ∫ h (τ )e dτ =
x(t) h(t) y(t) −∞ −∞
+∞
e j 2π ft ∫ h(τ )e − j 2π f τ dτ = He j 2π ft On a donc: y(t) = H x(t)
−∞
Conséquence - interprétation :
• un système linéaire invariant ne change pas la fréquence d'une sinusoïde
x(t) h(t) y(t)

78
SERIES DE FOURIER
Rappel sur les séries de Fourier :

• x(t) : signal réel, périodique, de période T0 = 1/f0
(vérifiant les conditions de Dirichlet)
∞
• x(t) peut s'écrire sous la forme : x (t ) = a0 + ∑ Ak cos(2πkf 0t + θk )
k =1
Exemple
• x(t) fréquence fondamentale f0,
a0 = 1, A1=1/2, A2=1, A3=2/3 et Ak=0 pour k > 3
Θk = 0 ∀ k
Interprétation:
• Équivalence des représentations dans le domaine temporel et dans le domaine de Fourier
4
3
1 1
2/3
2
1 = Ak 1/2
0
0 f0 2f0 3f0 f
-1
0 20 40 60 80 100 120
79
SERIES DE FOURIER
2
1 1
0
-60 -40 -20 0 20 40 60
0.5
1
+ 2 cos(2π f 0t ) 0
-0.5
-60 -40 -20 0 20 40 60
1
+ cos(4π f 0t ) 0
-1
-60 -40 -20 0 20 40 60
1
2
+ cos(6π f 0t ) 0
3 -1
-60 -40 -20 0 20 40 60
4
1 1
2/3
= 2
Ak 1/2
f
x(t) 0
0 f0 2f0 3f0
-2
-60 -40 -20 0 20 40 60
80
SERIES DE FOURIER
Ecriture des séries de Fourier sous forme d'exponentielles complexes harmoniques:

• x(t) : signal réel, périodique, de période T0 = 1/f0
(vérifiant les conditions de Dirichlet)
+∞
• x(t) peut s'écrire sous la forme : x (t ) = ak e j 2πkf 0t où les ak sont les coefficients
∑
complexes de la série
k = −∞
Equivalence des formulations

+∞ +∞ +∞
∗ ∗ − j 2πkf 0t
a/ x(t) réel: x (t ) = x (t ) x (t ) = ∑ ak e j 2πkf 0t ∗
x (t ) = ∑ ak e = ∑ a−∗ k e j 2πkf 0t
k = −∞ k = −∞ k = −∞
donc a−∗ k = ak et ak∗ = a− k (1)
+∞ +∞
j 2πkf 0t
b/ Réécriture de x(t) x (t ) = ∑ ak e = a0 + ∑ [ak e j 2πkf 0t + a−k e− j 2πkf 0t ] (2)
k = −∞ k =1
+∞
j 2πkf 0t
c/ (1) dans (2): x (t ) = a0 + 2 ∑ ℜ( ak e )
k =1
∞
ak = Ak e jθ k
1
d/ en posant
2
on retrouve: x (t ) = a0 + ∑ Ak cos(2πkf 0t + θk )
k =1
81
SERIES DE FOURIER
Calcul des coefficients de la série :

+∞
∑ ak e j 2πkf 0t − j 2πkf 0t
1
x(t ) = ak = ∫ x ( t )e dt
T0 0T
k = −∞
Exemple ak
x(t)
a-2 a-1 a0 a1 a2
2 1 1 2
(1 − j) 1+ j 1 1− j (1 + j)
4 2 2 4
π π
1 −j4 5 0.15 jπ
e 1 5 − 0.15 jπ
e 1 j4
e e
2 2 2 2
Re(ak) Im(ak)
Parties réelles et imaginaire
0 0
Module et Phase ||ak|| Θ(ak)
0 0
82
SERIES DE FOURIER
Influence de
la période :
− 2T0 − T0 T − T1 T1 T0 T0 2T0
− 0
2 2
1
ak
T0 = 4T1
0
-1
-10 -8 -6 -4 -2 0 2 4 6 8 10
2
ak
T0 = 8T1 1
-1
-20 -15 -10 -5 0 5 10 15 20
2
ak
T0 = 16T1 1
-1
-40 -30 -20 -10 0 10 20 30 40
83
Définitions
+∞ +∞
− j 2πft j 2πft
X( f ) = ∫ x ( t ) e dt x (t ) = ∫ X ( f ) e df
−∞ −∞
Transformée de Fourier Transformée de Fourier inverse
Représentation fréquentielle d’un signal x(t) par X(f), ou « spectre » du signal
Notations – conventions
TF
x(t) X(f) X(f) = TF[x(t)] et x(t) = TF-1[X(f)]
Conditions de convergence = Conditions de Dirichlet:

+∞
1. x(t) est absolument intégrable
∫
x (t ) dt < ∞
−∞
2. x(t) a un nombre fini de maxima et de minima dans tout intervalle fini
3. x(t) a un nombre fini de discontinuités dans tout intervalle fini. De plus, chacune de
ces discontinuités doit être finie.
84
1
Exemple : e-at u(t)
1
Transformée de Fourier: X ( f ) =
a + j 2πf
1/a
Re(X(f)) Im(X(f))
1/a
||X(f)||
π/2 Θ(X(f))
−π/2
f
85
Contenu fréquentiel
Cas 1
1.2 6
1 x(t) 5 ||X(f)||
0.8
4
0.6 TF 3
0.4
2
0.2
0 1
-0.2 0
-100 -50 0 50 100 -20 -10 0 10 20
Cas 2
1.2 12
1 x(t) 10
||X(f)||
||X(f)||
0.8
8
0.6 TF
6
0.4
4
0.2
0 2
-0.2 0
-100 -50 0 50 100 -50 0 50
86
TRANSFORMÉE DE FOURIER : PROPRIETES
Linéarité
TF TF TF
Si x(t) X(f) et y(t) Y(f) on a : ax(t)+by(t) aX(f)+bY(f)
Symétries :
• Si x(t) est un signal réel, on a X(-f) = X*(f), d’où les propriété suivantes
Re[X(-f)] = Re[X(f)] Paire ||X(-f)|| = ||X(f)|| Paire

Exemple: e-at u(t)
Im[X(-f)] = - Im[X(f)] Impaire Θ[X(-f)] = -Θ[X(f)] Impaire
• Si de plus x(t) est un signal pair, alors X(f) est purement réelle Exemple: e-a|t|
Décalage temporel :
TF -j2πft 0 Exemples: δ(t) et δ(t-t0)
x(t-t0) X(f) e
Conséquence : un décalage temporel n'affecte pas le module de la T.F.
TF 1 f
Changement d’échelle : x(at) X 
a a
87
Signaux périodiques :
+∞
j 2πkf 0t
• Si x(t) périodique, de fréquence f0, on a : x (t ) = ∑ k
a e (Série de Fourier)
k = −∞
+∞
• La TF de x(t) est alors donnée par : X( f ) = ∑ akδ ( f − kf0 )
k = −∞
X(f)
x(t)
a-1 a0 a1
TF a-2 a2
T0 t … -2f -f 0 f 2f …
0 0 0
0
+∞
Exemples: e j 2πf 0t cos( 2πf 0t ) sin( 2πf 0t ) Peigne de Dirac: δ T (t ) = ∑ δ (t − kT0 )
0
k =−∞
88
Dualité : Exemples: TF de
TF TF 2a
Si x(t) X(f) alors X(t) x(-f) x(t) = 2 x(t) = 1
a + 4π 2t 2
dx(t ) TF
Dérivation : j 2πfX ( f )
dt
t
TF 1 1
Intégration : ∫ x(τ )dτ j 2π f
X ( f ) + X (0)δ ( f )
2
Exemple: u(t)
−∞
Conservation de l'énergie (signaux à énergie finie) : Égalité de Parseval

+∞ +∞
2 2
E [ x (t )] = ∫ x (t ) dt = E [ X ( f ))] = ∫ X ( f ) df
−∞ −∞
89
TRANSFORMÉE DE FOURIER ET CONVOLUTION
Propriété fondamentale
TF TF TF
Si x(t) X(f) et h(t) H(f) on a : x(t) ∗ h(t) X(f) H(f)
Exemple: retrouver x(t-t0)
Conséquence pour un système linéaire invariant :
x(t) h(t) y(t) X(f) H(f) Y(f)
Description temporelle : Description fréquentielle :

y(t) = x(t) ∗ h(t) Y(f) = X(f) H(f)
H(f) : Réponse du système en fréquence
Exemple: définition de la réponse impulsionnelle

90
TRANSFORMÉE DE FOURIER ET CONVOLUTION
Association de systèmes
H1(f) H2(f) H2(f) H1(f) H1(f) H2(f)
Exemple: filtrage
1.2 12
1 x(t) ||X(f)||
||X(f)||
10
0.8
8
0.6
6
0.4
0.2 4
0 2
-0.2 0
-100 -50 0 50 100 -50 0 50
Propriété duale (modulation)
TF TF TF
Si x(t) X(f) et h(t) H(f) on a : x(t) h(t) X(f) ∗ H(f)
91
PRINCIPALES PROPRIÉTÉS DE LA TRANSFORMÉE DE FOURIER
92
PRINCIPALES TRANSFORMÉES DE FOURIER
93
ECHANTILLONNAGE DES SIGNAUX

94
Notations - Définitions
• L’amplitude et la variable temporel peuvent être continues ou discrètes

• On définit les différents types de signaux
Signal analogique x(t)
Signal échantillonné xe(t)
Signal quantifié
Signal numérique x[k]
x(t)
xe(t) x[k]
95
Notations - Définitions
Echantillonnage des signaux : une nécessité
• Exemple des signaux audio : parole, musique, téléphonie...
Signal analogique
Conversion analogique-numérique CAN (Echantillonnage)
traitements numériques stockage numérique
conversion numérique-analogique CNA (Restitution)
sortie : signal analogique
Questions :
De l’information est-elle perdue lors de l’échantillonnage les signaux ?
Peut-on restituer totalement le signal analogique à partir de ses
échantillons ?
96
Opération d’échantillonnage
x(t)
xe(t) t
t
> <
T
Fe=1/T est la fréquence d’échantillonnage
On suppose un échantillonnage régulier

97
Opérateur d’échantillonnage
Modèle d’une fonction d’échantillonnage périodique à la période T
X
x(t) xe(t)
δT(t)
+∞
xe (t ) = x(t )δ T (t ) = ∑ x[kT ]δ (t − kT )
k =−∞
Par TF de l’égalité précédente,

on déduit les propriétés spectrales du signal échantillonné
+∞
1 1 k
X e ( f ) = X ( f ) *δ 1 ( f ) =
T T
∑
k =−∞
X(f − )
T
T
Conclusion :
l’échantillonnage de x(t) a pour conséquence la périodisation de son spectre
+∞
Rappel : δT(t) est le peigne de Dirac δ T (t ) = ∑ δ (t − kT )

k =−∞
1
TF du peigne de Dirac TF {δ T (t )} = δ1( f )
T T
98
Echantillonnage et périodisation du spectre
Modèle d’une fonction d’échantillonnage périodique à la période T
X(f)
0 Fmax f
Xe(f)
-1/T 0 Fmax Fe=1/T f
Avec une fréquence d’échantillonnage plus faible : recouvrement spectral
Xe(f)
-2/T -1/T 0 Fmax Fe=1/T 2/T f
• Noter que la sommation est en complexe

99
Restitution d’un signal correctement échantillonné
Raisonnons dans le domaine fréquentiel :

comment obtenir le spectre du signal original à partir du spectre du signal échantillonné ?
En filtrant le signal échantillonné avec un filtre passe-bas idéal HL(f)
X R ( f ) = X e ( f ).H L ( f )
X(f)
0 Fmax f
Xe(f)
-1/T 0 Fmax Fe=1/T f

HL(f)
-fc 0 fc f
XR(f)
0 Fmax f
100
Limites de la restitution d’un signal échantillonné
Le filtre passe-bas doit être analogique, or

• on ne sait pas réaliser un tel filtre avec un nombre fini de composants (résistance,
capacité, self)
• l’opération de restitution est liée à l’opération de Conversion Numérique
Analogique (CNA) qui elle-même n’est pas idéale. Le CAN est modélisé par un
filtre extrapolateur d’ordre 0.
Sortie
CNA
>T< t
Sortie CNA
101
Restitution pratique d’un signal échantillonné
Système Filtre passe-

CNA
numérique bas de
Extrapolateur
DSP restitution
d’ordre 0
H(k), h[n] HL(f), hL(t)
Exemple de réalisation pratique

• Réaliser une opération de « sur-échantillonnage » avant de restituer le signal
(exemple des CD audio)
Limite l’influence du CNA
• Synthèse d’un filtre passe-bas de restitution analogique de Butterworth
Système Sur Filtre passe-

CNA
numérique Échantillonnage bas de
Extrapolateur
DSP X2, X4, …., Xn restitution
d’ordre 0
H(k), h[n] HL(f), hL(t)
102
Théorème d’échantillonnage de Shannon
On comprend que la restitution du signal analogique n’est pas possible dans le cas
suivant. Aucun filtre ne peut permettre de revenir au motif spectral original.
Xe(f)
-2/T -1/T 0 Fmax Fe 2/T f
D’où le théorème d’échantillonnage de Shannon :

Pour pouvoir reconstruire un signal analogique de bande fréquentielle limitée à Fmax
à partir de ses échantillons il faut que la fréquence d'échantillonnage Fe soit
supérieure à 2 fois la fréquence maximale :
Fe > 2Fmax
La fréquence limite d'échantillonnage est appelée fréquence de Nyquist.

Si cette condition n'est pas respectée, la sommation (en complexe) des motifs
spectraux provoque du repliement spectral(ou recouvrement ou aliasing).
Le spectre utile du signal dans la bande [-Fe/2,Fe/2] est alors irrémédiablement
modifié
En pratique, on choisit très souvent une fréquence d’échantillonnage bien
supérieure à la fréquence limite d’échantillonnage
103
Echantillonnage réel
Tout signal physique est par définition à durée finie Td

On peut le modéliser par
x(t)=x(t) . rect(t/Td)
Sa transformée de Fourier montre que ce type de signal ne peut être

simultanément à bande limitée
Le spectre de ce type de signal ne présente pas de fréquence maximale.

Il y aura donc toujours plus ou moins de repliement de spectre.
Solution : utilisation, avant échantillonnage d'un filtre analogique

antirepliement (HG(f), hG(t)) dont la fonction est de rendre le spectre
nulle pour les fréquences supérieures à Fe/2
104
Echantillonnage réel
X(f)
0 f
Xe(f)
Avec recouvrement
-1/T 0 Fmax Fe f
Xe(f)xHG(f) HG(f)
0 Fe/2 f
Xeg(f)
Sans recouvrement
-1/T 0 Fe/2 Fe f
105
Chaîne complète de traitement numérique
Filtre passe- Système Filtre passe-

CAN CNA
bas anti- numérique bas de
Echantillonneur Extrapolateur
repliement DSP restitution
-bloqueur d’ordre 0
HG(f), hG(t) H[k], h[n] HL(f), hL(t)
e(t) x(t)=e(t)*hG(t) xe(t) y[n] =x[n] *h[n] ya(t) s(t)= ya(t) *hL(t)
x[n]
E(f) X(f)=E(f)HG(f) Xe(f) Y[k]= Y[k]H[k] Ya(f) S(f)= Ya(f)HL(f)
X[k]
106
Choix pratique de la fréquence d’échantillonnage
Il est indispensable d’avoir une bonne idée de la gamme de fréquence

que contient le signal
Suréchantillonner le signal de 10 à 100 fois Fmax pour visualiser le signal

Choisir ensuite une fréquence d'échantillonnage adaptée:
visualisation Fe=5..20 Fmax
optimisation du nombre d’échantillons Fe>=2 Fmax
traitement numérique Fe=3..10 Fmax
Dans tous les cas, Fmax doit être significatif.

Choisir explicitement un seuil d’amplitude sur le spectre (exemple -40dB
de l’amplitude maximale)
Garder toujours à l’esprit que l’échantillonnage en dessous de la

fréquence limite de Shannon provoque du recouvrement qu’aucun
traitement ne pourra effacer.
Cas particulier des signaux à bande étroite
107
Quantification
Il est nécessaire de quantifier les valeurs de l’amplitude du signal lors

de la phase de création du signal numérique (suite de nombres )
Chaque valeur d'amplitude est choisie parmi un ensemble fini de valeurs

possibles
Le mode de quantification uniforme est le plus répandu. On subdivise la

plage totale de conversion en n intervalles d'égale amplitude.
108
Transformée de Fourier des signaux discrets

109
RAPPELS PRELIMINAIRES
+∞ +∞
∑ ∑
TF
On a : δTe (t ) = δ (t − nTe ) ←
→ fe ⋅ δ fe ( f ) = fe δ ( f − nf e )
n =−∞ n =−∞
δTe (t ) : Peigne de Dirac de période Te δ f e ( f ) : Peigne de Dirac de période fe = 1/Te
TF
... ... ←
→ ... ...
-Te 0 Te 2Te
t -2fe - fe 0 fe 2fe f
Echantillonnage d'un signal continu s(t) à la période Te = 1/fe se(t)
se (t ) = s(t )δTe (t )
Donc Se ( f ) = f e⋅S ( f ) ∗ δ f e ( f ) Périodisation de la

TF à fe
110
Echantillonnage d'un signal continu s(t) TF périodique

S(f )
s(t)
t 0 f
TF
←
→ Se(f )
s e (t)
... ...
t
0T 0 fe f
111
Propriété duale : échantillonnage de la TF S(f) à la fréquence fe Sef(f)
Sef ( f ) = S ( f )δ f e ( f ) avec δ fe ( f ) : Peigne de Dirac de période fe
TF
sef (t ) = Te ⋅ s(t ) ∗ δTe ( f ) ←
→ S ( f )δ f e ( f ) Périodisation du signal à Te = 1/fe
S(f )
s(t)
t 0 f
TF
s ef (t) ←
→ Sechf(f)
Te t 0 fe f
112
TRANSFORMÉE DE FOURIER DE SIGNAUX DISCRETS
Définition de la transformée de Fourier d’un signal discret

S(f )
s[n]
TF
←
→ ... ...
0 12…… i …… n
0 1 f
Transformée de Fourier d’un signal à temps discrets (TFTD)
+∞
S( f ) = ∑ s[n ]e − j 2π fn Transformée de Fourier
n =−∞
s[n ] = ∫ S ( f )e j 2π fn df Transformée de Fourier inverse

1
Propriétés fondamentales
• La transformée de Fourier d'un signal discret est continue et périodique, de période 1
• Le signal discret est décomposé en une intégrale finie d'exponentielles discrètes
113
PRINCIPALES PROPRIÉTÉS DE LA TRANSFORMÉE DE FOURIER D’UN
SIGNAL À TEMPS DISCRETS
Propriétés très proches de celles de la transformée de Fourier continue

Différences liées à la périodicité de la transformée de Fourier à temps discrets
114
PRINCIPALES TRANSFORMÉES DE FOURIER DE SIGNAUX À
TEMPS DISCRETS
115
TRANSFORMEE DE FOURIER DISCRETE
Echantillonnage d'une période de la TF sur N points périodisation du signal

s[n] N points
N points
S(k/N) 1 période
TF
←
→
n 0 f
0 N-1 1
Transformée de Fourier discrète (DFT)
• on ne garde qu'une période (N points) du signal et de la TF
• L’axe des fréquences de la TF est normalisé de 0 à N-1
sP[n] S[k]
0 N-1 n 01 N-1 k
La DFT peut donc toujours être vue comme l’échantillonnage sur N points de la TF
périodique et continue d'un signal discret défini sur N points.
S [k ] = S ( f ) f = k / N pour k = 0, N-1
116
Transformée de Fourier discrète (DFT)

N −1 2π
−j kn
S [k ] = ∑ s[n]e N DFT
n =0
N −1 2π
1 j kn
s[n ] = ∑
N k =0
S [k ]e N DFT inverse
Propriétés fondamentales
• La DFT (et son inverse) sont discrètes et périodique, de période N
• La DFT (et son inverse) correspondent à une somme finie d'exponentielles discrètes:
la DFT (et son inverse) peuvent donc se calculer numériquement en machine
Implantation efficace de la DFT si N est une puissance de 2 : algorithme de FFT
Ne pas oublier
s[n] S[k]
DFT
0 N-1 n 01 N-1 k
117
PROPRIÉTÉS DE LA TRANSFORMÉE DE FOURIER DISCRETE
Propriétés particulières liées à la périodicité implicite du signal et de la transformée
Exemple: décalage temporel d’un signal s[n] défini sur N points
Décalage
s[n] de n0 s[n-n0]
0 n 0 n0 n
Décalage du signal s[n] associé à la DFT S[k] Décalage circulaire sur N points
sP[n] S[k]
DFT
0 N-1 n 01 N-1 k
Décalage sP[n-n0]
de n0 Notation: décalage
circulaire de n0 sur
N points
n
x[( n − n0 ) N ]
0 N-1
118
PROPRIÉTÉS DE LA TRANSFORMÉE DE FOURIER DISCRETE
119
Exemple : DFT sous Matlab

my_signal = [1 0.9 0.7 0.4 0];
my_DFT = fft(my_signal);
Module de la DFT
stem( abs(my_DFT) ); 3
2.5
stem( angle(my_DFT) );
2
1.5
s[n] 1
1
0.5
0.8
0
0.6
DFT
←→
-1 0 1 2 3 4 5
0.4
Phase de la DFT
3
0.2
2
0
1
-5 0 5 10
0
-1
-2
-3
-1 0 1 2 3 4 5
120
DFT : ZERO-PADDING (AJOUT DE ZEROS)
s[n] : signal discret de N points

S(f )
TFTD
s[n]
←
→ ... ...
0 n 0 1 f
DFT directe: application de la DFT à un tableau de N points
⇔ échantillonnage de S(f) sur N points
s[n] N points
S(k/N) 1 période
DFT
←→
0 N-1 n 0 1 f
Echantillonnage de S(f) sur M > N points

s[n] M points
S(k/M)
DFT
←→
0 N-1 n f
0 1
Intérêt pratique : en rajoutant les zéros au signal discret on peut donc choisir d’effectuer une
DFT sur un nombre M de points quelconque et donc choisir l’échantillonnage de la TF continue
du signal discret s[n]
121
Zero-padding et DFT sous Matlab

my_first_signal = [1 0.9 0.7 0.4 0];
wanted_length = N; % N = 5, 10 or 50
nb_zeros_to_add = wanted_length - length(my_first_signal);
my_signal = [ my_first_signal zeros(1, nb_zeros_to_add) ];
module_DFT = abs( fft(my_signal) );
s[n] s[n] s[n]
1 1 1
0.8 0.8 0.8
0.6 0.6 0.6
0.4 0.4 0.4
0.2 0.2 0.2
0 0 0
-5 0 5 10 -5 0 5 10 0 10 20 30 40 50
N=5 N=10 N=50

S[k] DFT DFT
3 3 3
2.5 2.5 2.5
2 2 2
1.5 1.5 1.5
1 1 1
0.5 0.5 0.5
0 0 0
-1 0 1 2 3 4 5 0 2 4 6 8 10 0 10 20 30 40 50
122
S[k]
3
Zero-padding et DFT sous Matlab
2.5
2
1.5
1
my_signal = [1 0.9 0.7 0.4 0];
0.5
module_DFT = abs( fft(my_signal) ); 0
module_DFT = abs( fft(my_signal, 10) ); -1 0 1 2 3 4 5
module_DFT = abs( fft(my_signal, 50) ); DFT sur 10 points

3
2.5
2
s[n]
1 1.5
1
0.8
0.5
0.6
0
0.4 0 2 4 6 8 10
0.2
DFT sur 50 points
0 3
-5 0 5 10 2.5
2
1.5
1
0.5
0
0 10 20 30 40 50
123
R
s(t) ←→ S(f )
E t f
0
S
U
M
E
se(t) ←→ . . . ... Se(f )
0 Te t fe f
0
D
E
←→ . . .
S
s[n] ... S(f )
T
R 01 …… i …… n 0 1 f
A
N N points
N points
S s[n]
←→
1 période
F S(k/N)
O
R 0 N-1 n 0 1 f
M
E
E s[n]
S ← →
DFT
S[k]
0 N-1 n 01 N-1 k
124
Exemple pratique d’application
On désire étudier le spectre d’un signal continu en l'échantillonnant et en utilisant un

circuit spécialisé permettant d'effectuer une FFT. On sait que:
• La fréquence maximum contenue dans ce signal est inférieure à 2,5 kHz.
• On désire de plus étudier son spectre avec une résolution maximumde 5 Hz.
Quelles conditions d’acquisition faut-il utiliser ?

• Fréquence d'échantillonnage minimum fe ?
• Nombre N de points minimum avec lequel le signal doit être échantillonné ? Quel est le
nombre de points effectif choisi ?
• Quelle sera la durée D de l'acquisition ?

125
126
127
128

Cours MEGA

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours MEGA

Transféré par

Droits d'auteur :

Formats disponibles

1

Traitement des données. De l’acquisition

Didier VRAY, Denis FRIBOULET MASTER et École Doctorale MEGA

Applications ou pour aller plus loin :

Traitement du signal et applications

Denis Friboulet – Didier Vray

Évolution de la rente 5% sous le consulat et le 1er empire

80 L’Autriche attaque la Bavière

70 Défaites en Espagne Début de la retraite

Victoire sur la Prusse à Iéna

10 Coup d’état du 18 brumaire

Évolution hebdomadaire du Dow Jones du 5 janvier 1929 au 4 janvier 1930

5 jan. 1929 4 jan. 1930

τ = 2d/c , c ≈ 1540 m/s (tissus biologiques)

Images ultrasonores: échographie intravasculaire

Images ultrasonores: échographie intravasculaire

Images cardiaques échographie ultrasonore et en IRM

Tomographie par rayonnement X synchrotron

Notion de système de traitement :

Notion de domaine de représentation :

Signal de parole : analyse ?

Domaine de représentation : temps-fréquence

Opérateur différentiel : [ 1 -1 ] Opérateur différentiel : [ 1 -1 ]

Image : Détection de contours

Norme du gradient Seuillage

Détection de contour par ensemble de niveau basé sur les statistiques

Détection de contour par ensemble de niveau basé sur les statistiques

Visualisation : Rendu de volume par lancer de rayon

1. Intersection avec l’objet : Tracé incrémental 2. Estimation de la normale à l’objet : opérateur

3. Calcul de la lumière émise au point 4. Application des étapes 1, 2 et 3 à l'ensemble

© Joe Kniss, Utah

Applications ou pour aller plus loin

Opération élémentaires sur les signaux

Opérations de base sur les signaux:

f(t) f(t-t0) f(t+t0)

f[n] f[n-n0] f[n+n0]

Signaux pairs : invariance par retournement

f(-t) = f(t) f[-n] = f[n]

Signaux impairs : symétrie par retournement

f(-t) = - f(t) f[-n] = - f[n]

Signal sinusoïdal : f (t ) = A cos(2π f 0t + φ )

A : amplitude φ : phase f0 : fréquence T0 : période

Exponentielle complexe e j 2πf 0t = cos 2πf 0t + j sin 2πf 0t

f0: vitesse de rotation

Exponentielles harmoniques f k (t ) = e j 2πkf 0t , k ∈ Z

δ(t) Cδ(t) δ(t-t0)

∫ δ (τ )dτ = 0 si t < 0 ∫ δ (τ )dτ = 1 si t > 0

L’aire du Dirac est "concentrée" en un point

Dirac : Propriété x(t) δ(t) = x(0) δ(t) Dirac de poids x(0)

x(t) x(0) δ(t)

Dirac : Propriété x(t) δ(t-t0) = x(t0) δ(t-t0)

Énergie d’un signal continu s(t)

Signaux à énergie finie : Es < ∞

Exemples : les signaux suivants sont-ils à énergie finie ?

Puissance d’un signal continu s(t)

Signaux à puissance finie : Ps < ∞

Exemples : les signaux suivants sont-ils à puissance finie ?

x[n] δ[n-n0] = x[n0] δ[n-n0] ∑ x[n ]δ [n − n0 ] = x[n0 ]

A la différence du cas continu, la rapidité des oscillations n’augmente pas continûment

A la différence du cas continu, la rapidité des oscillations n’augmente pas continûment

en continu : cos 2πf1t ≠ cos 2πf2t si f2 ≠ f1

en discret : cos 2πf1n = cos 2πf2n si f2 = f1 ± k, k∈ N

Pour que N soit un entier, il faut donc que f0 = k/N rationnel