CESI Signal 0607 Cours

Partie voisée du mot six (au milieu du mot)
0.19
Cours - Travaux Dirigés et

0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140
Partie non-voisée du mot six (aux 3/4 du mot)
Travaux Pratiques de
0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
Traitement du signal
Benoît Decoux
benoit.decoux@wanadoo.fr
1
Traitement du Signal
I) Introduction générale
Plan du cours
Cours – TD
Grandes parties :
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
Généralités sur les signaux
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
Analyse fréquentielle des signaux (Séries de Fourier, Transformée de Fourier…)
Filtrage analogique et numérique(Transformée de Laplace…)
Dans chaque partie :
Approfondissements théoriques (T. Laplace, distributions, intégration…)

Cas continu, cas discret
Cas des images
Applications
Exercices
TP
Utilisation de Scilab
2
Modalités de déroulement
Chaque séance : 1h-1h30 cours / 1h30-2h TP
Approche pédagogique : très appliquée voire inductive
Logiciel/langage de programmation utilisé : Scilab
TP par binôme, sur ordinateurs portables personnels
0.19
0.15
0.11
0.07
0.03
-0.01
Compte-rendus de TP (1 par séance) :
-0.05
Contenu :
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
o réponses aux questions posées

0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
o programmes écrits
o résultats de leur test
o interprétation de ces résultats
Format fichiers : compatible MsWord
Nom fichier : TPn_Nom1Nom2.doc (n numéro du TP)
Possibilité de compléter avant séance suivante ; envoi des compléments à :
benoit.decoux@wanadoo.fr
Evaluation
QCM de 5 à 10 questions en fin de chaque séance (10 mn) ; questions de cours, TD et TP
Compte-rendus de TP
Examen final
3
Quelques généralités
Qu’est-ce qu’un signal ?
! une grandeur physique variant au cours du temps

! une fonction mathématique (variable : le temps)

0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140
mais également…
0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
! une image (variables : les 2 dimensions spatiales)
Qu’est-ce que le traitement du signal ?
! A la fois très théorique et très appliqué
Applications
! téléphonie, communications, audio-visuel, médecine…
Outils
! ordinateur / logiciels-programmation "bas-niveau"
! processeurs spécialisés (DSP)
4
II) Notions générales
II.1) Rappels
Signal sinusoïdal :
s(t) = A sin(ωt + ϕ) π
ou s(t) = A cos(ωt + ϕ) = A sin(ωt + ϕ + )
2
0.19
0.15
0.11
avec :
0.07
0.03
-0.01
A : amplitude ; ω pulsation (=2πf ; f=1/T) en rad/s ; φ : phase à l’origine (0<=φ<2π) en rad

-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
Représentations :
Spectre d’amplitude Spectre de phase

s(t)
A
A
φ
t0=φ/ω t f0 f f0 f
temporelle fréquentielle
5
II.1) Rappels
Signal quelconque :
Représentations (exemple : mot "zéro") :

0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
temporelle :
Spectre d’amplitude
fréquentielle :
6
II.2) Caractéristiques des signaux
Domaine continu
signal non périodique signal périodique
1 t2 1 t0 + T
T ∫t0
Smoy =
t2 − t1 ∫t1
0.19
0.15
0.11
Valeur moyenne : Smoy(t1, t2) = s(t)dt s(t)dt
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
1 t0 + T 2
0.01
1
T ∫t0
Seff =
0.00
Valeur efficace : t2
Seff (t1, t2) = ∫ s (t)dt
-0.01
-0.02
s2(t)dt
t 2 − t1 t1
-0.03
0 20 40 60 80 100 120 140
Energie : t2
Et1,t2 = ∫
t1
s2(t)dt
Puissance :
Instantanée : P = s2(t)
Moyenne : Et1,t2 1 t2 2 1 t0 + T 2
t2 − t1 ∫t1
Pmoy = = s (t)dt = S2eff
T ∫t0
Pmoy = s (t)dt
t2 − t1
7
II.2) Caractéristiques des signaux
Domaine discret
Soit s={s1, s2, …sN} un signal discret composé de N échantillons. Par analogie avec le domaine
continu, on peut définir les notions de valeur moyenne, d’énergie et de puissance (la somme continue ∫
0.19
se transforme en somme discrète ∑ ):
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
1 N−1
0.01
∑s
0.00
Smoy =
-0.01
-0.02
Valeur moyenne :
N n =0 n
-0.03
0 20 40 60 80 100 120 140
N−1
Energie :
E = ∑ sn2
n=0
Puissance :
Instantanée : Pn = sn2 , n indice d’échantillon
E 1 N−1 2 1 N−1
Moyenne : P= = ∑ s = ∑P
N N n =0 n N n = 0 n
8
III) Séries de Fourier
III.1) Forme de base
Principe
Tout signal s(t) périodique peut se décomposer sous la forme d’une somme de fonctions
sinusoïdales (sinus-cosinus) dont les fréquences sont des multiples entiers n de sa fréquence,
et et les amplitudes diminuent lorsque n augmente :
∞
0.19
0.15
s(t) = a0 + ∑ (an cos(nω0)t + bn sin(nω0t))

0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140
n=1
0.02
2π
0.01
0.00
Avec ω0 = 2πf0 =
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140 , T période du signal et f0 sa fréquence
T0
a0 est la valeur moyenne du signal :
1 T
a0 = ∫ s(t)dt
T 0
Les termes de la somme sont appelés harmoniques (partiels en musique) :

2 T
an = ∫ s(t) cos(nω0t)dt (n≥1)
T 0
2 T
bn = ∫ s(t) sin(nω0t)dt
T 0
Propriétés importantes
• Si la fonction s(t) est paire, bn=0 pour tout n>0.

• Si la fonction s(t) est impaire, an=0 pour tout n≥0.
9
Exemple pour signal carré :
A
 A pour t ∈ [0, T / 2 + kT[
s(t) = 
 − A pour t ∈ [T / 2 + kT, T + kT[
T/2
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100

120 140
-A
0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
La décomposition donne :
4a ∞ sin nωt
s(t) = ∑
π n=1 n , n impair (=0 pour n pair)
La re-synthèse à partir de ces coefficients donne (fondamental + 3 premiers harmoniques) :
10
Exemple pour signal triangulaire :
 + t pour t ∈ [−T / 4, T / 4[
s(t) = 
0.19
0.15
0.11
2A − t pour t ∈]T / 4,3T / 4[ T/2

-A
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
sin(nωt )
n −1
8A ∞
s(t) = 2 ∑ (−1) 2 , n impair (=0 pour n pair)
π n=1 n2
11
Exemple pour signal en dents de scie :
A
2A
s(t) = t pour t ∈ [−T / 2 + kT, T / 2 + kT [
T T
0.19
-A
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
2A ∞ sin( n ωt)
s (t ) = ∑
π n =1
(−1)n−1
n
12
Représentations fréquentielles
bn
b1
Signal carré
4A ∞ sin(nωt) b3
∑ n
0.19
s(t) =
0.15
b5
0.11
0.07
, n impair
0.03
π n=1
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
f0 3f0
0.01
0.00
-0.01
-0.02
5f0 f0 3f0 5f0
-0.03
0 20 40 60 80 100 120 140
Signal triangulaire
bn
sin(nωt )
∞ n −1
8A
s(t) = ∑ (−1)
π2 n=1
2
n2
, n impair π
f0 3f0 5f0 f0 3f0 5f0
bn
Signal en dents de scie
2A ∞ sin( nωt) π
s (t ) = ∑
π n =1
(−1)n−1
n
f0 2f0 3f0 4f0 5f0 f0 2f0 3f0 4f0 5f0
Spectres d’amplitude Spectres de phase

13
Exemple d’un signal quelconque
Signal périodique quelconque (ici ni pair ni impair), de fréquence f0 :
s(t)
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
t
0 T0
peut se mettre sous la forme d’une somme de sinusoïdes et cosinusoïdes :
∞ ∞
s(t) = a0 + ∑ bn sin(nω0t) + ∑ an cos(nω0t)
n =1 n=1
! Etonnant, non ?
14
Remarques
sin(nωt )
n −1
8A ∞
Pour obtenir le triangle précédent, il a fallu alterner le signe des sinus : s(t) = 2 ∑ (−1) 2
π n=1 n2

0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
8A ∞ cos(nω0t)
Pour décaler ce triangle de –π/2, il aurait fallu utiliser des cosinus : s(t) = ∑ n2
π2 n=1
15
Phénomène de Gibbs
Quand le nombre d’harmoniques tend vers l’infini, on obtient :

0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
Explications
Convergence en moyenne quadratique :

∞ ∞
Notons ~
s (t) le signal décomposé : s (t) = a0 + ∑ bn sin(nω0t) + ∑ an cos(nω0t)
~
n=1 n=1
(s(t) − ~s(t)) dt = 0
+∞
lim ∫
2
alors
n→∞ − ∞
Mais pas convergence uniforme (=en tous points) :

∃ ti t.q. lim(s(ti) − ~
s (ti) ) ≠ 0
2
n →∞
16
III.2) Forme avec un seul coefficient
s(t) peut se mettre sous la forme suivante :
∞
s(t) = a0 + ∑ cn cos(nω0t + ϕn)
0.19
0.15
avec n=1
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
cn = an2 + bn2
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
et
b 
ϕn = arctg n 
 an 
Intérêt : séparation en spectre d’amplitude et spectre de phase :

|Cn| arg(Cn)
C1
a0 C2
φ1 φ2 φ4
C3 φ3
C4 φ5
f0 2f0 3f0 4f0 5f0 f f0 2f0 3f0 4f0 5f0 f
17
III.3) Forme complexe
En utilisant les formules d’Euler :
eα + e−jα eα − e−jα eα − e−jα

cos α = sin α = = −j
2 2j 2
0.19
0.15
0.11
0.07
on obtient une nouvelle expression (complexe) du signal :

0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
∞
-0.03
0 20 40 60 80 100 120 140
s ( t) = ∑c e n
jnωt
n = −∞
avec
1 T
cn = ∫ s(t)e− jnωtdt
T 0
Avantage : forme compacte
Interprétation : fréquences négatives (!)
18
Spectre de cos(ω0t) :
Re(cn) Im(cn) |cn|
0,5 0,5
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-f0 f0 f f -f0 f0 f
-0.03
0 20 40 60 80 100 120 140
Spectre de sin(ω0t) :
Re(cn) Im(cn) |cn|
0,5
0,5
f -f0 f0 f -f0 f0 f
Spectre du signal carré : Im(cn)
b1/2
b3/2
-3f0 -f0
f0 3f0 f
-b3/2
-b1/2 19
Représentation du passage de sin(ωt) à cos(ωt) :

0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
Im
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
sin cos
Re
20
III.4) Formalisation
Formalisation des spectres de fréquence, par utilisation de l’impulsion de Dirac δ ( t ) :

Exemples :
Cosinus : S(f) =
1
[δ(f + F0) + δ(f − F0)]
2
S(f) = [δ(f + F0) − δ(f − F0)]
j
0.19
0.15
0.11
0.07
Sinus :
0.03
-0.01
2
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
voir Théorie des Distributions

-0.03
0 20 40 60 80 100 120 140
Définition de δ ( t ) : +∞
δ ( 0 ) = +∞ δ(t ≠ 0) = 0 ∫ δ(t)dt = 1 δ(t-t0)

−∞ δ(t)
1 1
On peut l’obtenir par exemple de la manière suivante :
1 t
δ(t) = lim rect 
T →0 T T 
0 t t0 t
Importance de δ (t ) :
- permet de connaître la réponse impulsionnelle d’un système
(qui permet à son tour de connaître la réponse du système à n’importe quel signal)
- outil mathématique très utile (échantillonnage, Transformée de Fourier, etc)
21
III.4) Formalisation
Propriétés de δ (t ) :
s(t).δ(t) ≠ s(0)
s(t).δ(t) = s(0).δ(t)
0.19
0.15
0.11
0.07
s(t).δ(t − t0) = s(t0).δ(t − t0)

0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
+∞
0.00
-0.01
∫ s(t).δ(t)dt = s(0)
-0.02
-0.03
0 20 40 60 80 100 120 140
−∞
+∞
∫ s(t).δ(t − t )dt = s(t )

0 0
−∞
Peigne de Dirac
+∞
δT(t) = ∑ δ(t − kT)
k = −∞
+∞ +∞
∑ x(t).δ(t − kT) = ∑ x(kT).δ(t − kT)

k = −∞ k = −∞
Utile pour l’étude de l’échantillonnage des signaux

22
III.5) Répartition de l’énergie
On peut démontrer la propriété suivante :

N
1 t0 + T 2 1
P = ∫ s (t)dt = a0 + lim ∑ (an2 + bn2)
2
T t0 2 N→∞ n=1
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140 Il y a donc conservation de l’énergie en passant de la représentation temporelle à la représentation
fréquentielle.
Avec les coefficients complexe ci :

N
2
P = lim
N→∞
∑ cn
n = −N
C’est le théorème de Parseval (ou Besse-Parseval)
23
III.6) Approfondissements théoriques
Rappels
Continuité
0.19
0.15
Partie voisée du mot six (au milieu du mot) Une fonction est continue en un point si la valeur de la fonction en ce point est la même que l’on y arrive
par la droite ou par la gauche.
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140
Si le nombre de points de discontinuité sur un intervalle est fini, et qu’elle admet des limites finies à droite
0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140 et à gauche, la fonction est continue par morceaux :
lim f(x) = lim− f(x)

x → x 0+ x → x0
Exemple de fonction continue par morceaux : signal carré, signal en dents de scie…
Dérivabilité
Une fonction est dérivable en un point si sa dérivée en ce point est finie, soit si :
f(x) − f(x0)
f' (x0) = lim <∞
x →x0 x − x0
Une fonction dérivable en un point est continue en ce point.
24
Notions de convergence
Pour savoir si le signal approximé (noté ~
s (t) ici) représente bien le signal original s(t), on définit
plusieurs types de convergences.
s(t) − ~
∫
0.19
s (t) dt
0.15
Convergence en moyenne
0.11
0.07
0.03
I
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
Convergence en moyenne quadratique

-0.02
∫ (s(t) − s(t) ) dt
-0.03
0 20 40 60 80 100 120 140
~ 2
(=moyenne au sens de l’énergie) I
Convergence uniforme (
sup s(t) − ~
s (t) ) ,t ∈I
Convergence ponctuelle (=convergence simple)

s(t) − ~
s (t) , ∀t ∈ I
Il en existe d’autres… (voir plus tard)

On étudie la limite de ces quantités, quand n → ∞
Pour avoir convergence, il faut que cette limite tende vers 0.
25
Notions de convergence
sn(t)
Exemple n=5
n =1
Soit sn(t) une suite de signaux définis sur [0,1] par :
Partie voisée du mot six (au milieu du mot) sn(t) = tn
et s(t) le signal défini par :
0.19
0.15
0.11
0.07
 s(t) = 0 pour t ∈ [0,1[

0.03
-0.01
-0.05
-0.09

-0.13
0 20 40 60 80 100 120 140
s(t)
 s (1 ) = 1
0.02
0.01
0.00
-0.01
t
-0.02
Convergence simple
-0.03
0 20 40 60 80 100 120 140
On cherche si sn(t) → s(t) quand n → ∞

On a : ∀t ∈ I, s(t) − sn(t) → 0 donc il y a convergence simple
Convergence uniforme
 s(1) − sn(1) = 0

 s(t) − sn(t) = t ∀t ∈ [0,1[
n
Pour n fixé, lim s(t) − sn(t) = lim t = 1

n
donc on n’a pas convergence uniforme.
t →1 t →1
Convergence en moyenne quadratique
∫0(s(t) − sn(t) ) dt = ∫0t dt =

1 2 1 1
2n + 1
2n 1
t2n +1 0 = [ ]
1
2n + 1
→ 0 qd n → ∞
Donc on a la convergence en moyenne quadratique.

On aurait pu montrer de la même manière qu’on a la convergence en moyenne
26
Signaux décomposables en SF
Signaux intégrables (ou sommables) : espace L1(t1,t2)
t2
∫ s(t) dt < ∞
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
t1
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
Signaux de carré intégrables : espace L2(t1,t2)
t2 2
∫
t1
s(t) dt < ∞
Intérêt de cet espace :

- notion d’énergie
- notion d’orthogonalité
- notion de projection
Condition d’application de la décomposition en SF : s(t) ∈ L1(0,T) ou L2(0,T)
27
Bases orthogonales
Rappel : produit scalaire
t2
2 fonctions x(t) et y(t) sur l’intervalle [t1,t2] : < x(t), y(t) >= ∫ x(t)y(t)dt
t1
n
0.19
x = {x1, x2,..., xn } y = {y1, y2,..., yn }

0.15
x.y = ∑ xi.yi
0.11
0.07
0.03
2 vecteurs et
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140
i= 0
0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
jn ωt jn ωt
Produit scalaire sur [0,T] de 2 fonctions exponentielles x(t) = e 1 et y(t) = e 2 :
T jn1ωt − jn2ωt
< x(t), y(t) >= ∫ e e dt = 0
0
Les fonctions x(t) = ejnωt forment une base orthogonale ∀n1, n2 ∈ Ζ
Développement en série : cas général

+∞ T
s(t) = ∑ anΦn(t) avec an =< s(t), Φn >= ∫ s(t)Φndt < Φ k , Φ l >= 0
*
∀k, l ∈ Ζ, k ≠ l
0
n =1
Cas des séries de Fourier : Φn = e−jnωt
28
IV) Transformée de Fourier
IV.1) Définition
Définition
S(f) = F(s(t) ) = ∫
+∞
s(t)e− j2πftdt
t = −∞
0.19
0.15
Partie voisée du mot six (au milieu du mot) Comparaison avec Transformée de Laplace :
0.11
S(p) = L(s(t)) = ∫
+∞
0.07
p = σ + jω
0.03
s(t)e−ptdt
-0.01
-0.05
-0.09
-0.13
t = 0−
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
Fourier cas particulier de Laplace avec : p = jω
s(t) = F−1(S(f)) = ∫
+∞
Transformée inverse : S(f)ej2πftdf
f = −∞
+∞
Condition d’application : ∫t = −∞
x(t) .dt < ∞
29
IV.2) Propriétés
Linéarité
a.x(t) + b.y(t) ←→
F
a.X(f) + b.Y(f)
Parité
0.19
0.15
0.11
0.07
Cas d’un signal réel :

0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140
• Si s(t) est une fonction paire, alors S(f) est une fonction paire et réelle.
0.02
0.01
0.00
-0.01
• Si s(t) est une fonction impaire, alors S(f) est une fonction impaire et imaginaire.
-0.02
-0.03
0 20 40 60 80 100 120 140
• Si s(t) n’est ni paire ni impaire, alors S(f) comporte une partie réelle paire et une partie imaginaire
impaire.
Remarque : le signal peut être complexe (purement théorique)
Changement d’échelle (ou homothétie)

1 f
x(at) ←→
F
X 
a a
Dérivation
dnx(t) F
n
←→(j2πf)n.X(f)
dt
Intégration
t
1
∫ x(τ).dτ ←→ jω .X(f)
F
0
30
IV.2) Propriétés
Translation
a) temporelle
x(t − a) ←→
F
X(f).e−j2πaf
avec a ∈ ℜ
0.19
b) Fréquentielle
x(t).ej2πat ←→
0.15
F
X(f − a)
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
Théorème de Parseval (ou de Bessel-Parseval)

-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
+∞ +∞ 2
∫
−∞
s2(t)dt = ∫ S(f) df
−∞
Conservation de l’énergie
Convolution
x(t) * y(t) →
F
X(f).Y(f) Rappel :
+∞
x(t).y(t) →
F
X(f) * Y(f) x(t) * y(t) = ∫ y(u)x(t − u)du
u=−∞
Densité spectrale de puissance

2
S(f)
31
IV.2) TF de quelques signaux courants
Tableau de transformées
s(t) S(f)=F[s(t)]
δ(t) 1
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140
δ(f)
0.02
0.01
0.00
-0.01
1
-0.02
-0.03
0 20 40 60 80 100 120 140
s(t) = cos(2πf0t)
1
[δ(f + f0) + δ(f − f0)]
2
s(t) = sin(2πf0t) j
[δ(f + f0) − δ(f − f0)]
2
t t
Π( ) = rect  T sin c(Tf)
T T 
t T sin c2(Tf)
tri 
T
+∞
1 +∞ n 1
δT(t) = ∑ δ(t − nT) ∑
T n= −∞
δ(f − ) = δ 1(f)
T T T
n = −∞
32
IV.2) TF de quelques signaux courants
Quelques démonstrations
Signal porte
+∞
S(f) = ∫ s(t)e− j2πftdt
t = −∞
[ ] [ ] [ ]
+T / 2 A A A A
0.19
+T / 2
0.15
= A∫ e− j2πftdt = − e− j2πft −T / 2 = − e− jπfT − ejπfT = ejπfT − e− jπfT = sin πfT = AT sin c(Tf)
0.11
0.07
0.03
-0.01
j2πf j2πf j2πf πf

-0.05
t = −T / 2
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
sin πx
-0.02
-0.03
sin c(x) =
0 20 40 60 80 100 120 140
Rappel :
πx
Signal sinusoïdal
[
F x(t).e
j2πf0t
] = X(f − f )
0
[ ]
F ej2πf0t = δ(f − f0)
F[1] = δ(f)
S(f) = F(cos(2πf0t)) =
1
2
( 1
2
)
F(ej2πf0t) + F(ej2πf0t) = (δ(f − f0) + δ(f + f0) )
33
IV.3) Lien avec séries de Fourier
Principe
|Cn|
s(t)
SF f0=1/T
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
t -f0 0 f0 2f0 3f0 f

0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
0 T
Dans le cas d’un signal non-périodique, on peut considérer qu’il est périodique en faisant : T → ∞
Détail
On reprend l’expression de la forme complexe :

+∞ n
j2 π t n
1 T/2 − j 2π t
s(t) = ∑c e n
T
avec cn = ∫ s(t).e T dt
T −T / 2
n = −∞
Ré-écriture :
+∞ n
− j2π t
n
j 2π t 1 T/2
s(t) = ∑ S(nf ).e 0
T
avec S(nF0) = ∫ s(t).e T dt
T −T / 2
n = −∞
34
IV.3) Lien avec séries de Fourier
+∞ T/2 n
− j2π τ  j2π Tn t 1
s(t) = ∑ ∫ s(τ).e T
dτe
−T / 2 T
n=−∞ 
+∞
s(t) = ∫  +∞s(τ).e− j2πfτdτ.ej2πftdf
−∞  ∫−∞ 
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
Finalement :
S(f) = F(s(t) ) = ∫ s(t).e− j2πftdt

+∞
s(t) = F−1(S(f)) = ∫ S(f).ej2πftdf
+∞
avec
−∞ −∞
Interprétation :
|S(f)|
s(t)
TF
0 t 0 f
35
IV.4) Transformée de Fourier Discrète (TFD)
Définitions
1 N−1
n
− j2πk
X(k) = ∑ x(n)e N
k=0, 1, …, N-1
N n= 0
j2πnk
1 N−1 −
X(k) = ∑ x(n)WNkn
0.19
avec W = e
0.15
0.11
nk N
0.07
0.03
ou N
N n=0
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
N−1
TFD inverse (TFD-1): x(n) = ∑ X(k)WN−kn k=0, 1, …, N-1

k =0
Propriétés
Signification des indices
Entrées [0;N − 1] [0;(N − 1)Te ]

 fe 
Sorties [0;N − 1] 0; fe − N 
 
36
Echantillonnage
Consiste à relever les valeurs d’un signal à intervalles de temps réguliers : la période d’échantillonnage f e.
0.19
0.15
0.11
Exemple : CD audio, son échantillonné à fe=44100Hz.

0.07
0.03
-0.01
Conséquence de l’échantillonnage : réplication périodique du spectre

-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
échantillonnage
fe > 2fmax Bon
-2fe -fe 0 fmax fe 2fe
0 fmax
spectre du Mauvais
signal continu
fe < 2fmax
-2fe -fe 0 fe 2fe
D’où la condition d’échantillonnage de Shannon (ou de Nyquist) :

fe > 2fmax
37
Effet de la troncature du signal
Nombre de périodes infini : théorique

|S(f)|
s(t)
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140
TF
0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
t f
En pratique : nombre de périodes fini

|S(f)|
s(t)
TF
t f
38
Effet de la troncature du signal (suite)
Explications
1) On a déjà vu la transformée d’un produit :

0.19
0.15
0.11
0.07
x(t).y(t) ←

TF
→ X(f) * Y(f)
0.03
-0.01
-0.05
-0.09
Ici, la troncature du signal est équivalente à une multiplication par un signal porte :
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
sta(t) = s(t) × rectta(t) = s(t) × rect(t / ta)

-0.02
-0.03
0 20 40 60 80 100 120 140
ta durée d’analyse
Transformée :
Sta(f) = S(f) * ta sin c(fta)
d’où, dans le cas d’un sinus :
S(f) =
j
[δ(f + F0) − δ(f − F0)]←

TF
→ Sta(f) = [δ(f + f0) * ta sin c(fta) − δ(f − f0) * ta sin c(fta)]
1
soit
2 2
S(f) =
j
[δ(f + F0) − δ(f − F0)]←

TF
→ Sta(f) = [ta sin c((f + f0)ta) − ta sin c((f − f0)ta)]
1
2 2
2) Cette dernière expression est obtenue par utilisation de la propriété de translation du produit
de convolution (voir plus loin) :
f(x) * δ(x − x0) = f(x − x0)
39
En résumé….
Pour pouvoir interpréter correctement les résultats de la programmation de la TFD, il faut prendre en
0.19
compte :
0.15
0.11
0.07
0.03
-0.01
-0.05
- l’effet de la troncature du signal (sinus cardinaux au lieu d’impulsions de Dirac)

-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
- l’effet de l’échantillonnage (répétition périodique du spectre)

0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
- la signification des indices des points de sortie de la TFD
résumés sur le schéma suivant :
s(t) im(S(f))
N points N points
NTe TF
t fe/2 fe f
échantillonné à Te échantillonné à fe=1/Te

résolution spectrale : fe/N
40
Améliorations par fenêtrage (ou apodisation)
On peut atténuer les effets du fenêtrage en utilisant une fenêtre moins abrupte que la fonction porte.
0.19
Il existe plusieurs types de fenêtres possibles, dont voici 2 exemples courants :
0.15
0.11
0.07
0.03
f(t) = 0,54 + 0,46 cos(2πf0t )

-0.01
-0.05
Fenêtre de Hamming
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
Fenêtre de Hanning f(t) = 0,5(1 + cos(2πf0t ))
s(t)
s(t)
x
t t
im(S(f))
s’(t)
TF
=
fe/2 fe f
41
Transformée de Fourier Rapide (TFR, ou FFT)
Il s’agit d’un algorithme de calcul rapide de la TFD

0.19
Il est basé sur des simplifications des calculs permises par les propriétés de l’exponentielle.
0.15
0.11
0.07
0.03
-0.01
-0.05
Rappels
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
L’objectif est de calculer 1 N−1 j2πnk

X(k) = ∑ x(n)WNkn
N n=0
avec WNnk = e
−
N , k=0,1,2,…,N
Développement selon n :
X(k) = wN0×k x(0) + w1N×k x(1) + ... + w N(N−1)×k x(N − 1) , k=0,1,2,…,N
puis selon k : X(0) = wN0×0x(0) + w1N×0x(1) + ... + wN(N−1)×0x(N − 1)

X(1) = wN0×1x(0) + w1N×1x(1) + ... + wN(N−1)×1x(N − 1)
……………………………….
X(N − 1) = wN0×(N−1)x(0) + w1N×(N−1)x(1) + ... + wN(N−1)×(N−1)x(N − 1)
Forme matricielle :
0×0
 X(0)   wN ... wN(N−2)×0 wN(N−1)×0  x(0) 
 ...  =  0...  ... 
 X(N − 2)  wN×(N−2)
...
...
...
...
...
wN(N−1)×(N−2)  x(N − 2) [X] = [W ][X]
 X(N − 1)   w0×(N−1) ... wN(N−2)×(N−1) wN(N−1)×(N−1)  x(N − 1) 
 N 42
Exercice
0.19
1) Calculer la matrice des facteurs de phase dans le cas d’un signal de 4 points.
0.15
0.11
0.07
0.03
-0.01
-0.05
2) Calculer la TFR du signal défini par :

-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
x(n), n=0,…,3 :
-0.03
0 20 40 60 80 100 120 140
0 1 0 -1
3) Interpréter les résultats (en prenant en compte que ce signal peut être considéré comme une
période de signal sinusoïdal)
4) Recommencer avec le signal suivant :

0 1 0 -1 0 1 0 -1
43
Exemples
sin(2πft)
0.19
0.15
0.11
Im(S(f)) |S(f)|
0.07
1
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
0,5 0,5
-0.01
TFD
-0.02
-0.03
0 20 40 60 80 100 120 140
0 1 7 1 7 1 7
-0,5
cos(2πft) Re(S(f)) |S(f)|

1
0,5 0,5
TFD
0 1 7 1 7 1 7
44
Principe
N / 2 −1 N / 2 −1
0.19
X(k ) = ∑ x(2n)WNk2n + ∑ x(2n + 1)Wk (2 n +1 )
N
n=0 n=0
0.15
0.11
0.07
0.03
-0.01
-0.05
N / 2 −1
N / 2 −1  k
-0.09
-0.13
0 20 40 60 80 100 120 140
∑  ∑ x(2 n + 1 )WN WN

X(k ) = +
0.02
k2n k 2n
x ( 2 n ) W
0.01
0.00
-0.01
N
 n=0 
-0.02
n =0
-0.03
0 20 40 60 80 100 120 140
 
 2π2k   2πk 
WN2k = exp − j  = exp − j  = WNk / 2
 N   N 

 2 
N / 2 −1
N / 2 −1 
X(k) = ∑ x(2n)W +  ∑ x(2n + 1)WNkn WNk
kn
N
n =0  n =0 2 2 
On reconnaît 2 TFD de N/2 points : celle des termes d’indices pairs et celle des termes d’indices
impairs ; seuls les sorties de ces derniers sont multipliées par un facteur de phase.
coût de calcul moindre
En répétant cette opération jusqu’à obtenir des TFD de 2 points, on obtient une forte réduction du coût
de calcul : N
Log2N au lieu de N2
2 45
Structure
(exemple pour 8 points)
0.19
0.15
0.11
papillon
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140
0.02
0.01
0.00
x(0) X(0)
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
x(4) X(1)
0
W 2
x(2) X(2)
0
W 4
x(6) X(3)
W 20 W 41
x(1) X(4)
0
W
8
x(5) X(5)
0 1
W 2 W 8
x(3) X(6)
0 2
W 4
W
8
x(7) X(7)
W 20 W 1
4 W 3
8
46
Analyse spectrale
Principe
s(n) t
0.19
signal
0.15
f
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
t(nTe)
0.00
-0.01
-0.02
tramage
-0.03
×
0 20 40 60 80 100 120 140
fenêtrage
FFT FFT FFT FFT

spectrogramme
(image obtenue avec Matplot de Scilab)
En pratique
Chevauchement des trames
Choix de la taille de la fenêtre
Compromis temps (durée la plus courte possible) – fréquence (durée la plus grande possible)
47
Reconstruction du signal original
s(n)
signal
0.19
0.15
0.11
0.07
Modifications possibles :
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
nTe
0.01
0.00
- Etirement temporel (time stretching)

-0.01
-0.02
×
-0.03
0 20 40 60 80 100 120 140
Intérêt : changer la durée du signal

fenêtrage sans changer son contenu fréquentiel
- Transposition de fréquence par décalage du

FFT FFT FFT FFT spectre (pitch shifting)
spectrogramme
Intérêt (exemple) : changer la hauteur d’une
voix sans changer son timbre
FFT-1 FFT-1 FFT-1 FFT-1
- Modification du spectre (diminution ou
réhaussement de l’énergie dans certaines
+ s(n) bandes de fréquences, etc), et notamment
filtrage (mais attention aux pentes raides !)
nTe
48
Application aux images
Transformée directe
0.19
0.15
0.11
0.07
2 πmp 2 πnq
0.03
M − 1 N −1
-0.01
−j −j
-0.05
∑ ∑ f (m, n).e
-0.09
F(p, q) =
-0.13
0 20 40 60 80 100 120 140
M N
.e p=0,1,…,M-1 et q=0,1,…,N-1
0.02
0.01
0.00
m =0n=0
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
m et n : dimensions spatiales de l’image originale (positions)

p et q : dimensions de l’image transformée (fréquences spatiales)
F(0,0) : composante continue = valeur moyenne des pixels
Transformée inverse
2 πmp 2 πnq
1 M − 1 N −1 j j
f (m, n) = ∑ ∑
MN p = 0 q = 0
F(p, q).e M
.e N
m=0,1,…,M-1 et n=0,1,…,N-1
49
Application aux images

0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
TF2D
Explication :
t t
Π( ) = rect  T sin c(Tf )
T T 
TF
T 2
T
50
Applications concrètes
Prothèse auditive
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
Un petit boîtier monté sur ou dans les oreilles intègre un processeur spécialisé dans le traitement du
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
signal (DSP), réalisant une TFR. Différents paramètres du spectre de fréquences obtenu peuvent
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
alors être modifiés, en fonction des besoins de l’utilisateur :

· l’énergie du signal dans les bandes de fréquence,
· modification du contenu spectral (pitch et voisement),
· modification de l'enveloppe spectrale,
· modification du rythme temporel.
Un signal temporel modifié est alors re-synthétisé et généré en son.
51
Spectroscopie à infra-rouge (IR)

0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
La spectroscopie IR est basée sur l'absorption d'un rayonnement infrarouge par le matériau analysé.
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
Elle permet via la détection des vibrations caractéristiques des liaisons chimiques, d'effectuer
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
l'analyse des fonctions chimiques présentes dans le matériau. Permet de déterminer la présence ou
l’absence de composés chimiques.
La spectroscopie IR à Transformée de Fourier (ou FTIR : Fourier Transformed InfraRed
Spectroscopy) transforme un interférogramme (intensité en fonction de la position d’un miroir) en
sectre infrarouge.
TF
52
Format d’images JPEG

Compression :
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
Décompression :
Les mêmes étapes mais en sens inverse.
53
V) Filtrage
V.1) Introduction
Objectifs
En général : laisser passer certaines choses et en retenir d’autres.
En traitement du signal : ces choses = plages (ou bandes) de fréquences.
Nuance : filtrage actif = augmenter (l’énergie de) certaines bandes de fréquences.
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
Exemple : filtrage passe-bas : ne laisse passer que des basses fréquences.

-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
Définitions
Un filtre est un système linéaire. Il peut être décrit par
- une équation différentielle linéaire
- une fonction de transfert de Laplace
- un produit de convolution avec sa réponse impulsionnelle
Ces 3 descriptions sont équivalentes.
En général, le système est stationnaire : coefficients de l’équa. diff. constants.
54
V) Filtrage
V.1) Introduction
Définitions
e(t) entrée s(t) sortie h(t) réponse impulsionnelle (à δ(t))
E(p) =TL[e(t)] S(p)=TL[s(t)]
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
Représentations
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
Fonction de transfert
Equation différentielle
de Laplace
TL
dns(t) dn−1s(t) S(p)
an + an−1
+ ... + a0s(t) = b0e(t) H(p) =
dtn dtn E(p)
Réponse impulsionnelle
TL p=jω
h (t )
Fonction de transfert
Réponse générale harmonique
+∞
s(t) = (e * h)(t) = ∫ h(t − τ)e(τ)dτ S (j ω)

H(jω) =
−∞ E(jω)
Domaine temporel Domaine fréquentiel (complexe)
55
V) Filtrage
V.1) Introduction
Propriétés
e(t) filtre s(t)

0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
Un filtre est un système linéaire, stationnaire.

-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140 Un filtre physiquement réalisable est causal.
Linéarité
a1e1(t)+a2e2(t) → a1s1(t)+a2s2(t)
Stationnarité
e(t-t0) → s(t-t0)
Causalité
δ(t) → h(t)=0 pour t<0
56
V) Filtrage
V.1) Introduction
Transformée de Laplace
Définition
L{s(t)} = S(p) = ∫ s(t)e−ptdt
+∞
s(t) causal
0
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
Propriétés
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
a.x(t) + b.y(t) ←→

L
a.X(p) + b.Y(p)
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140 Linéarité
Retard −t p
x(t − t0) ←→
L
e 0 X(p)
i−1
Dérivée  dns(t)  n n
n −i  d s(t) 
L n  = p .S(p) − ∑ p . i−1 
 dt  i=1  dt t =0+
Le 2e terme correspond aux conditions initiales. Il est souvent pris nul.
57
V) Filtrage
V.1) Introduction
Théorèmes de la valeur initiale et de la valeur finale

0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
Théorème de la valeur initiale
-0.09
lim pF(p) = lim+ f(t) = f(0+)

-0.13
0 20 40 60 80 100 120 140

0.02
0.01
p →∞ t →0
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
Théorème de la valeur finale

lim pF(p) = lim f(t)
p→0 t →∞
Convolution et transformée de Laplace
x(t) * y(t) →

L
X(p).Y(p)
x(t).y(t) →
L
X(p) * Y(p)
58
V) Filtrage
V.1) Introduction
Transformée de quelques signaux courants
0.19
0.15
s(t) S(p)=L[s(t)]
0.11
0.07
0.03
δ(t)
-0.01
-0.05
-0.09
-0.13
0.02
0 20 40 60 80 100

120 140
1
0.01
0.00
1
-0.01
-0.02
u ( t)
-0.03
0 20 40 60 80 100 120 140
p
1
t . u (t )
p2
1
e−at.u(t)
p+a
1
e−at.tn.u(t)
(p + a)n+1
ω ω
e−αt. sin( ωt).u(t) =
(p + α + jω)(p + α − jω) (p + α)2 + ω2
sin(ωt).u(t) ω
p + ω2
2
p
cos(ωt).u(t)
p + ω2
2
59
V) Filtrage
V.1) Introduction
Exercice

0.19
1) Calculer la transformée de Laplace de l’échelon unité u(t) (=1 pour t ≥0, 0 pour t<0)
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140 2) Calculer la transformée de Laplace d’une impulsion de Dirac décalée : δ(t-t0)
60
V) Filtrage
V.2) Réponse impulsionnelle
Importance
Permet de caractériser complètement un système, par le biais de :
- sa réponse à n’importe quel signal, de n’importe quelle fréquence
- sa fonction de transfert de Laplace
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140 Lien entre réponse impulsionnelle et fonction de transfert
h(t)      → H(p)

Transformé e de Laplace
Réponse du système à une entrée quelconque e(t) : produit de convolution

+∞
s(t) = (e * h)(t) = ∫ h(t − τ)e(τ)dτ

−∞
Rappel
δ(t)      → 1
Transformé e de Fourier
↔ l’impulsion de Dirac comporte toutes les fréquences
61
V) Filtrage
V.2) Réponse impulsionnelle
Remarque : l’impulsion de Dirac δ(t) n’est pas une fonction, mais une distribution
Rappel : δ(t) est définie par :

+∞
0.19
0.15
0.11
0.07
δ ( 0 ) = +∞ δ(t ≠ 0) = 0 ∫ δ(t)dt = 1
−∞
0.03
-0.01
-0.05
Une distribution permet de définir indirectement une fonction : par une fonctionnelle :
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
Soit φ une distribution, la fonctionnelle de f, Tf est définie par :

0.00
-0.01
-0.02
+∞
-0.03
0 20 40 60 80 100 120 140
Tf(ϕ) = ∫ f(t)ϕ(t)dt
−∞
φ peut être quelconque, mais doit être :
- à support borné (=nulle en dehors d’un intervalle borné)
- indéfiniment dérivable
La théorie des distributions permet de formaliser, entre autres :

- de définir la dérivée de fonctions non dérivables, ex. de l’échelon : u(t)  → δ(t)
d / dt
- la représentation fréquentielle des signaux sinusoïdaux : sin(2πf0t) →

F j
[δ(f + f0) − δ(f − f0)]
2
- la représentation fréquentielle de l’impulsion de Dirac
δ(t) →
F
1
(qui comporte toutes les fréquences) :
+∞ +∞
- l’opération d’échantillonnage : x(t) ∑ δ(t − kT ) = ∑ x(kT ).δ(t − kT )
k = −∞ k = −∞
- etc.
62
V) Filtrage
V.3) Description d’un filtre par une équation différentielle
Cas général
Na
dns(t) Nb dne(t)
∑ an dtn = ∑ bn dtn e(t) signal d’entrée
n =0 n=0 s(t) signal de sortie
Nb≤Na
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
Résolution
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140 Principe : utilisation de la propriété de dérivation de la transformée de Laplace (TL) :
dnf(t) TL
n
←
→ pnF(p) où : f(t) une fonction du temps
dt
F(p) sa transformée de Laplace
(pour simplifier, les conditions initiales sont ici prises nulles)
Etapes de résolution :
- on applique cette propriété à e(t), s(t) et leurs dérivées respectives
- on exprime S(p) en fonction de E(p)
- on remplace E(p) par son expression
- par TL inverse, on détermine alors s(t), la réponse à e(t)
63
V) Filtrage
Cas du 1er ordre

Exemple d’équation différentielle :
ds(t)
+ a.s(t) = b.e(t)
0.19
dt
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
Transformée de Laplace (en supposant les conditions initiales nulles)

-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
pS(p) + a.S(p) = b.E(p)

0 20 40 60 80 100 120 140
S(p)(p + a) = b.E(p)
S(p) b
= (= H(p))
E(p) p + a
Résolution pour e(t)=δ(t) (δ(t)=impulsion de Dirac, donc s(t)=réponse impulsionnelle) :

-remplacement de E(p) par 1 (=TL(δ(t))
-consultation de la table des transformées
s ( t ) = b . e − at
=h(t), notation habituelle de la réponse impulsionnelle

64
V) Filtrage
Exemple du 1er ordre : circuit RC

i(t)
R : résistance
R C : condensateur
e(t) C s(t)
i(t) : courant
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
e(t), s(t) : tensions

-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
e(t) − s(t) ds(t)

i(t) = i(t) = C
R dt
Equation différentielle
ds(t)
RC + s(t) = e(t)
dt
Résolution pour e(t)=δ(t) (→ réponse impulsionnelle)
t
1 − RC
s(t) = e
RC
65
V) Filtrage
Cas du 2e ordre
Exemple d’équation différentielle :

0.19
0.15
0.11
d2s(t)
0.07
ds(t)
0.03
-0.01
+ a1 + a0s(t) = e(t)
-0.05
a2
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
2
0.01
0.00
-0.01
dt dt
-0.02
-0.03
0 20 40 60 80 100 120 140
Transformée de Laplace :
a2p2S(p) + a1pS(p) + a0S(p) = E(p)
S(p)(a2p2 + a1p + a0) = E(p)
S (p ) 1
= (= H(p)) = 1 . 1
E(p) a2p + a1p + a0
2
a2 p2 + a1 p + a0
a2 a2
66
V) Filtrage
Cas du 2e ordre : résolution (pour une entrée donnée e(t))
Pour e(t)= δ(t) : E(p)=1
0.19
→ s(t) réponse impulsionnelle
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
! ∆>0 : 2 racines réelles r1 et r2

0.01
0.00
-0.01
-0.02
-0.03
s(t) = cer1t + der2t

0 20 40 60 80 100 120 140
! ∆ =0 : 1 racine réelle double r
s ( t) = (ct + d ). ert
! ∆ <0 : 2 racines complexes conjuguées r1,2=α+jβ
s(t) = c.eαt cos(β t + ϕ )
c, d des constantes
De même, on peut remplacer E(p) par la TL de n’importe quel signal
→ s(t) réponse du système à ce signal
67
V) Filtrage
Exemple du 2e ordre : circuit RLC
R L
e(t) C s(t)
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140 Equation différentielle :
d2s(t) ds(t) 1 R C
+ 2 m ω + ω02s(t) = e(t) ω0 = m=
dt 2 0
dt LC 2 L
Résolution pour e(t)=δ(t) (→ réponse impulsionnelle)

! m>1 1  e−ω0(m− m2 −1)t − ω0(m + m2 −1)t 
s(t) = −e
2ω0 m − 1 
2 
! m=1 −
1
t
ω0
s (t) = t.e
! m<1
s(t) =
1
ω0 1 − m

( π
e−mω0t cos ω0 1 − m2 t − 
2
 2
)
68
V) Filtrage
V.4) Fonction de transfert
Fonction de transfert (ou transmittance) de Laplace

Permet de connaître la réponse du filtre à n’importe quel signal d’entrée
S(p)
0.19
H(p) =
E(p)
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140 Fonction de transfert harmonique
↔ Régime sinusoïdal (ou régime harmonique)
Permet de connaître la réponse en fréquence
p = jω
H(p) ← → H(jω)
Gain en décibel (dB) et phase

G(ω) = 20 logH(jω) ϕ(ω) = arg G(jω)
Remarque : H(jω) représente un gain sans unité, ou gain en amplitude

Rappels : module et phase d’un complexe
b
z = a + jb z = a2 + b2 ϕ(z) = arg(z) = arctg 
a
69
V) Filtrage
Fonction de transfert harmonique (suite)

S(jω)
H(jω) =
E(jω)
Représentation graphique : diagramme de Bode
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
Axe des abscisses logarithmique

-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
f2 = 10f1 log10 f2 = log10(10f1) log10 f2 = log10 10 + log10(f1) log10 f2 = 1 + log10(f1)

-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
la longueur d’une décade est constante

Avantages
1) Précision sur les petites valeurs du gain
2) Mise en série de fonctions de transferts élémentaires
H1 H2 Hn
20 logH = 20 log(H1 × H2 × .... × Hn) = 20logH1 + 20logH2 + .... + 20logHn

H = H1 × H2 × .... × Hn
argH = arg(H1 × H2 × .... × Hn) = arg H1 + arg H2 + .... + arg Hn
Les courbes de gain et de phase s’ajoutent (et notamment les pentes des variations)
70
V) Filtrage

Exemple d’un filtre passe-bas du 1er ordre
S(jω) 1
H(jω) = =
E(jω) 1 + j ω
0.19
0.15
0.11
ωc
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140
Gain en amplitude (sans unité) :

1
0.02
H(jω) =
0.01
0.00
-0.01
-0.02
2
ω
-0.03
0 20 40 60 80 100 120 140
1 +  
 ωc 
Gain en décibels (dB) :
1 ω
2
  ω 2 
HdB(ω) = 20 log10 H(jω) = 20 log10 = 20 log10(1) − 20 log10 1 +   = −10 log10 1 +   
 ω 
 ωc 
2
ω
1 +     c 
 ωc 
Phase :
 
 Im( H(jω)   
ϕ(ω) = arg(H(jω)) = arctg  = arctg 1  = arctg(1) − arctg 1 + j ω  = −arctg 1 + j ω 
 Re( H(jω)   ω   ωc   ωc 
   1+ j ω   
 c 
71
V) Filtrage
Fréquences de coupure
0.19
0.15
0.11
0.07
0.03
Diminution de la puissance de moitié

-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
↔ diminution du gain en dB de 3
-0.03
0 20 40 60 80 100 120 140
↔ multiplication du gain en amplitude (=|H(jω)|) par 1/ 2 (≈0,7)
Démonstration :
G(ω) = 20 logH(jω) = −3
↔ 20 logH(jω) = −3
3
↔ logH(jω) = −
20
3
− 1 1
↔ H(jω) = 10 20
= 3 =
20 2
10
72
V) Filtrage

Exemple d’un filtre passe-bas du 1er ordre (pour f0=300Hz) :
1
H(jω) =
ω
1+ j
ωc
0.19
0.15
0.11
0.07
0.03
-0.01
pente=-20dB/décade
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
Gain en dB :
-0.03
0 20 40 60 80 100 120 140
HdB(ω) = 20 logH(jω)
Phase (en rad) :
 Im( H(jω) 
ϕ(ω) = arctg 
 Re( H(jω) 
 
73
(figure obtenue par la fonction bode de Scilab)
V) Filtrage

Exemple d’un filtre passe-bas du 2e ordre (pour f0=300Hz) :
ξ=0,1
1
H(jω) = 2
ω  ω
1 + 2ξj +  j 
ωc  ωc 
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
pente=-40dB/décade
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
Gain en dB :
-0.03
0 20 40 60 80 100 120 140
HdB(ω) = 20 logH(jω)
ξ=0,7
Phase (en rad) :
 Im( H(jω) 
ϕ(ω) = arctg 
 Re( H(jω) 
 
74
V) Filtrage
Filtres élémentaires
1er ordre
ω
j
ω0
0.19
0.15
0.11
1
H(jω) = H(jω) =
0.07
0.03
passe-bas : passe-haut :
-0.01
ω ω
-0.05
-0.09
-0.13
1+ j
0 20 40 60 80 100 120 140
1+ j
0.02
ω0 ω0
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
2e ordre
2
 ω
passe-bas : passe-haut : j 
1  ω 
H(jω) = H(jω) =  0
2 2
ω  ω ω  ω
1 + 2ξj +  j  1 + 2ξj +  j 
ω0  ω0  ω0  ω0 
2
ω  ω
2ξj 1 + j 
passe-bande : ω0 coupe-bande (*) :  ω
H(jω) = H(jω) =  1
2 2
ω  ω ω  ω
1 + 2ξj +  j  1 + 2ξj +  j 
ω0  ω0  ω0  ω0 
(*) ou réjecteur de bande
75
V) Filtrage
Décomposition des fonctions de transfert
Décomposition sous forme de produit

Une fonction de transfert d’ordre n quelconque peut se décomposer en un produit de fonctions de
0.19
0.15
0.11
transfert élémentaires d’ordres 1 et 2 (les ordres s’ajoutent).
0.07
0.03
-0.01
Exemple : ordre 5
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
5 = 2 2 1
→ importance de l’étude des filtres d’ordre 1 et 2
On utilise cette décomposition pour obtenir le diagramme de Bode de la fonction de transfert

harmonique (en jω).
76
V) Filtrage
Décomposition des fonctions de transfert (suite)
Décomposition sous forme de somme (=en éléments simples)
k A1 A2 An
H(p) = = + + ... +
p + an−1p
n n −1
+ a2p + a1p + a0
2
(p − p1) (p − p2 ) (p − pn )
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
avec 1  dq−1(F(p)(p − pi)q) 

Ai = [F(p)(p − pi )]p=p
-0.02
Ai,q−1 =
-0.03
0 20 40 60 80 100 120 140
 
i ou (q − 1)!  dpq−1 p=p
i
(pi : pôles simples) (pi : pôles multiples, d’ordre q)
Cette décomposition correspond à des blocs élémentaires disposés en parallèle.
3 = 1
On utilise cette décomposition pour déterminer la réponse du système à un signal d’entrée quelconque
(permet d’utiliser des transformées connues, à partir de la table des transformées). 77
V) Filtrage
Formule des résidus
Un pôle peut être multiple. Par exemple, dans la fraction rationnelle suivante, pi est un pôle d’ordre q :
S(p) 1
=
E(p) (p − p1)...(p − pi ) ...(p − pn )
q
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140
Sa décomposition en éléments simples donne :

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
S(p) A1 Ai,0 Ai,1 Ai,q−1 An

= + ... + q + q−1 + ... + + ... +
E(p) (p − p1) (p − pi ) (p − pi ) (p − pi ) (p − pn )
avec
[ ]
Ai,0 = F(p)(p − pi)q p=p Ai,1 =
1  d(F(p)(p − pi)q) 
 
1  d2(F(p)(p − pi)q) 
Ai,2 =  
i
1!  dp p =p 2!  dp2 p =p
i i
1  dq−1(F(p)(p − pi)q) 
……. Ai,q−1 =  
(q − 1)!  dpq−1 p=p
i
Remarque : 0!=1
p
Exercice : décomposer en éléments simples : F(p) =
(p + 1)3
78
V) Filtrage
Exercice
Soit une fraction rationnelle définie par :

1
F(p) =
0.19
0.15
p + 3p + 2
0.11
0.07
0.03
-0.01
2
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
1) Déterminer sa transformée de Laplace inverse (en la décomposant préalablement en fonctions de
transfert élémentaires)
-0.03
0 20 40 60 80 100 120 140
2) En déduire la réponse impulsionnelle d’un système possédant F(p) pour transmittance.

3) Calculer la réponse de ce système à un signal échelon u(t), de 2 manières différentes :
- transformée de Laplace inverse
- produit de convolution avec réponse impulsionnelle
Représenter graphiquement cette réponse.
4) Représenter le diagramme de Bode de la fonction de transfert harmonique correspondant à F(p).
79
V) Filtrage
Exemple de programmation avec Scilab
Exemple
1
H(p) =
p + 2,61p + 3,41p2 + 2,61p + 1
4 3
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
num=1;
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
den=poly([1 2.61 3.41 2.61 1], "s", "coef");
sys=syslin('c', num, den)
bode(sys, 0.0001, 0.3);
80
V) Filtrage
Autre exemple de programmation avec Scilab
Autre exemple
1
H(jω) = 2
0.19
ω  ω
1 + 2ξj +  j 
0.15
0.11
0.07
ωc  ωc 
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
f=[0:1:10000];
f0=300;
w=2*%pi*f;
w0=2*%pi*f0;
xi=0.1;
den=(1+2*xi*%i*w/w0-(w/w0)^2);
H=1../den;
PhaseH=-atan(imag(den),real(den));
GainHdB=20*log10(abs(H));
xbasc
bode(f+1,GainHdB,PhaseH);
81
V) Filtrage
Autres filtres
Filtres de Butterworth
Ils sont définis par la fonction de transfert :

0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
2 1
H(ω) =
-0.13
0 20 40 60 80 100 120 140

0.02
2N
N ordre du filtre
0.01
ω
0.00
-0.01
1 +  
-0.02
-0.03
0 20 40 60 80 100 120 140
 ωc 
Caractéristiques
• Pente de la décroissance du gain : N×20 dB/décade.

• Valeur du gain de ce filtre à la fréquence de coupure : –3dB (quel que soit l’ordre N).
82
V) Filtrage
Stabilité
Condition par rapport aux pôles
Un système est stable si tous les pôles de sa fonction de transfert sont situés dans le demi-plan situé à
gauche de l’axe imaginaire du plan de la variable p :
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
plan p
risque d’instabilité
Explication
A
H(p) = ←→ h(t) = Ae 0
L p t
Pôle réel p0 : p − p0
A
Pôles complexes conjugués p1,2=α+jβ : H(p) = ←→
L
h(t) = Aωeαt. sin(ωt)
(p − p1)(p − p2)
Condition par rapport à la réponse impulsionnelle

+∞
Soit h(t) la réponse impulsionnelle d’un système. Ce système est stable si : ∫ t = −∞
h(t)dt < ∞
83
V) Filtrage
V.5) Convolution
Définition du produit de convolution
+∞
Définition générale (domaine continu) s(t) = e1(t) * e2(t) = ∫ e1(τ).e2(t −τ).dτ
−∞
t
0.19
s(t) = ∫ e1(τ).e2(t −τ).dτ

0.15
0.11
Cas des signaux physiques ( ↔ causaux)

0.07
0.03
-0.01
-0.05
0
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
N −1
sk = ek * hk = ∑e
-0.02
.hi k = 0,..., +∞
-0.03
0 20 40 60 80 100 120 140
Domaine discret k −i
i= 0
Convolution avec réponse impulsionnelle h(t)

La convolution avec la réponse impulsionnelle permet de connaître la réponse du système à un
signal quelconque e(t).
Rappel : la réponse impulsionnelle peut être connue à partir de l’équation différentielle, par le
biais de la fonction de transfert de Laplace :
t
s(t) = (e * h)(t) = ∫ h(t − τ)e(τ)dτ

0
84
V) Filtrage
V.5) Convolution
Illustrations
Exemple dans le domaine continu : circuit RC
R
e(t) C
s(t)
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
1/RC h(t)=(1/RC)e –t /RC
h(τ)
t τ
changement de nom de variable
h(t-τ)
h(-τ)
τ τ
retournement t
décalage
85
V) Filtrage
V.5) Convolution
Illustrations
Exemple dans le domaine continu : circuit RC (suite)
0.19
e(τ)
0.15
0.11
0.07
h(t-τ)
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
τ τ
définition d’un signal d’entrée t
multiplication e(τ) x h(t-τ)
h(t-τ)
intégration de 0 à t
τ
t
1
S
τ
t
t
résultat : un point de la réponse recherchée résultat pour toutes les valeurs de τ
86
V) Filtrage
V.5) Convolution
Illustrations
Exemple dans le domaine discret (suite)
Rappel, cas continu :
k t
0.19
sk = hk * ek = ∑h e
k −i i
s(t) = (e * h)(t) = ∫ h(t − τ)e(τ)dτ
i = k − N +1 0
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
k = 0,1,..., M − 1
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
avec e un signal échantillonné défini par (M=10) : 0 0 0 1 1 1 1 0 0 0
et h un autre signal (représentant la réponse 1 -1

impulsionnelle d’un filtre) défini par (N=2) :
0 0 0 1 1 1 1 0 0 0
Résultat de la convolution entre ces 2 signaux :
.x -1 1
= 0 0 0 1 0 0 0 -1 0 0
Dans cet exemple, la convolution permet une détection des bords de l’impulsion présente dans le signal long.
Exercice 3
Donner l’expression de s3 (et vérifier sa valeur).

s3 = ∑h e = h1e2 + h0e3 = (− 1 ) × 0 + 1 × 1 = 1
3 −i i
i= 2
87
V) Filtrage
V.5) Convolution
Illustrations
Exemples dans le domaine discret, à 2 dimensions (traitement d’images)
N/ 2 N/ 2
sx,y = ex,y * hx,y = ∑ ∑e .hi, j
i+ x, j+ y x, y = 0,1,..., M − 1
j = −N / 2 i = −N / 2
0.19
0.15
0.11
0.07
(en supposant que le point central de h a pour coordonnées (0,0) et que les indices des ordonnées
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140
0.02
0.01
0.00
sont croissantes du haut vers le bas) ; M taille de l’image et N taille du filtre

-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
? ? ? ? ? ? ? ? ? ?
? 0 -1 -1 0 0 1 1 0 ?
1 1 1 1 ? 0 -2 -2 0 0 2 2 0 ?
1 1 1 1 ? 0 -3 -3 0 0 3 3 0 ?
1 1 1 1 1 0 -1 ? 0 -2 -2 0
*
1
1
0 -1
0 -1 =
Les ? Peuvent prendre des valeurs différentes selon la manière dont sont gérés les effets de bord.
Remarque : en général, N est pris impair, donc N/2 doit être considéré comme la division entière.
Exercice
Calculer explicitement s2,2 , et compléter l’image résultat. 88
V) Filtrage
V.5) Convolution
Illustrations
Exemples dans le domaine discret, à 2 dimensions (traitement d’images) (suite)
Autres exemples de filtres couramment utilisés :

0.19
0.15
0.11
0.07
- Filtre Laplacien
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
permet d’extraire des contours quelle que soit leur orientation
- Filtre moyenneur
permet de lisser une image

Les filtres peuvent être de différentes tailles.
89
V) Filtrage
V.5) Convolution
Illustrations
Exemples dans le domaine discret, à 2 dimensions (traitement d’images) (suite)

Remarque
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140
0.02
0.01
0.00
L’opération de convolution peut être très coûteuse en terme de temps de traitement. On peut alors
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140 tirer partie de :
- La propriété suivante de la Transformée de Fourier :
x(t) * y(t) →

F
X(f).Y(f)
- L’existence de l’algorithme de Transformée de Fourier Rapide (TFR, ou FFT).
Le principe est alors le suivant :

−1
image1(x1, x2) * filtre(x1, x2) →
TF
IMAGE1(f1, f2).FILTRE(f1, f2) = IMAGE2(f1, f2) → image2(x1, x2)
TF
90
V) Filtrage
V.5) Convolution
Propriétés
Commutativité :
x(t) * y(t) = y(t) * x(t)
Associativité :
[x(t ) * y(t)] * z(t) = x(t) * [y(t ) * z(t)]
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
Distributivité :
0.00
-0.01
[x(t ) + y(t)] * z(t) = x(t) * z(t) + y(t) * z(t)

-0.02
-0.03
0 20 40 60 80 100 120 140
Elément neutre : impulsion de Dirac

x(t) * δ(t) = x(t)
Translation (ou échantillonnage) :

x(t) * δ(t − t0) = x(t − t0)
Exercice
Démontrer l’une des propriétés
91
V) Filtrage
V.6) Filtrage numérique
V.6.1) Introduction
Intérêt
Pouvoir réaliser des filtres avec des systèmes numériques (ordinateur standard, DSP, circuit intégré
personnalisé…).

Représentation
0.19
0.15
0.11
0.07
0.03
-0.01
Correspond à un système linéaire dont les

-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
signaux d’entrée et de sortie sont échantillonnés :
-0.02
-0.03
0 20 40 60 80 100 120 140
La référence au temps peut être omise :
n est l’indice de l’échantillon courant du temps discrétisé (le système est considéré comme "temps-
réel" : à chaque nouvel instant n, un échantillon e(n) entre et un échantillon s(n) sort.
Equation aux différences
Concrètement, un filtrage numérique consiste à calculer un terme de la forme :
s(n) = a0e(n) + a1e(n − 1) + ... + aPe(n − P) + b1s(n − 1) + b2s(n − 2) + ... + bQs(n − Q)

Ce sont les coefficients ai et bi qui déterminent les caractéristiques du filtre (type, fréquences de
coupure, etc).
Cette équation est appelée équation aux différences. 92
V) Filtrage
V.6.1) Introduction
Réalisation pratique
Pour pouvoir calculer cette équation dans un système temps réel, le bloc du schéma
précédent doit comporter de la mémoire pour les échantillons e(n-i) et s(n-i) :

0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
2 types de filtres numériques
• RIF : à réponse impulsionnelle finie ;

ne comportent que les termes en e(n-i) ;
permettent d’obtenir des filtres à partir d’une réponse en fréquence idéale ;
les coefficients ai sont les échantillons de la réponse impulsionnelle (ils sont souvent notés hi)
• RII : à réponse impulsionnelle infinie ;

comportent des termes en e(n-i) et des termes en s(n-i) ;
permettent de synthétiser des filtres à partir des caractéristiques de filtres analogiques.
93
V) Filtrage
V.6.1) Introduction
Pourquoi "Réponse Impulsionnelle Finie" et "Réponse Impulsionnelle Infinie" ?
Réponse "intuitive" :
0.19
0.15
0.11
0.07
Prenons l’exemple du filtre d’équation de récurrence :

0.03
-0.01
-0.05
s(n) = e(n) + ks(n − 1)

-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
Appliquons lui une impulsion de Kronecker (δk={1,0,0,0,….}, équivalent de l’impulsion de Dirac

du domaine continu).
- si k>1, le signal de sortie s(n) peut diverger vers des valeurs ∞

- si k=1, s(n) garde une valeur constante
- si k<1, s(n) tend vers 0 quand n → ∞
Comment obtenir l’équation aux différences, à partir du filtre recherché ?
on utilise la transformée en Z
94
V) Filtrage
V.6.2) La transformée en Z, outil d’étude des systèmes échantillonnés
Définition
TZ d’un signal numérique s(n) : ∞
S(z) = ∑ s(n)z−n
n =0
0.19
0.15
0.11
0.07
0.03
-0.01
Propriétés élémentaires
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140
Rappel T. Laplace
0.02
0.01
Linéarité
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
a1s1(n) + a2s2(n) ←→

Z
a1S1(z) + a2S2(z) a1.s1(t) + a2.s2(t) ←→
L
a1.S1(p) + a2.S2(p)
Retard temporel
s(n − n0) ←→
Z
z−n0S(z) s(t − t0) ←→
L −t p
e 0 S(p)
Transformées élémentaires
Impulsion
Il s’agit ici de l’impulsion de Kronecker, définie par δk={1,0,0,…} :
δk ←→
Z
1
Signal exponentiel
1 z
s(nT ) = e−anT ←→
Z
S(z) = −1 − aT
=
1− z e z − e−aT
95
V) Filtrage
Rappel : suites géométriques

∞
S∞ = u0 + u1 + u2 + ... = ∑ un
n =0
0.19
0.15
0.11
0.07
avec un+1 = r.un r :raison

0.03
-0.01
-0.05
-0.09
Somme des N+1 premiers termes :

-0.13
0 20 40 60 80 100 120 140

0.02
1 − rN+1
0.01
0.00
SN = u0
-0.01
-0.02
1− r
-0.03
0 20 40 60 80 100 120 140
Somme de tous les termes :

1 − rn+1
S∞ = u0 lim
n→ ∞ 1 − r
Exemple ∞
S∞ = 1 + 0,51 + 0,52 + 0,53 + ... = ∑ 0,5n
n =0
n +1
un+1 = 0,5 = 0,5 × 0,5 = un × 0,5
n
1− r2 1 − 0,52 1 − 0,25 0,75

S2 = u 0 = 1× = = = 1,5
1− r 1 − 0,5 1 − 0,5 0,5
1 − rn 1 − 0,5n 1
S∞ = u0 lim = lim = =2
n→ ∞ 1 − r n → ∞ 1 − 0 ,5 0 ,5
96
V) Filtrage
Lien avec la Transformée de Laplace

La TZ est la TL d’un signal échantillonné, en posant : z = eTep
Démonstration
0.19
0.15
L{s(t)} = S(p) = ∫ s(t)e−ptdt

0.11
+∞
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140
0
0.02
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
δ(t) ←→
L
1
−t0p
δ(t − t0) ←→
L
e
Soit s(t) un signal et se(t) sa version échantillonnée :
+∞ +∞ ∞
se(t) = s(t) × ∑ δ(t − nT ) = ∑ s(nT )δ(t − nT )
e e e
←→
L
Se(p) = ∑ s(nTe)e
−nTep
n = −∞ n = −∞ n =0
∞
z = eTep S (z ) = ∑ s ( nT )z
e
−n
n=0
97
V) Filtrage
Fonction de transfert en Z et réponse impulsionnelle
S(z)
H(z) =
E(z)
0.19
0.15
0.11
0.07
0.03
-0.01
S(z)
-0.05
e(nT) = δk → E(z) = 1

-0.09
H(z) = = S(z)
Z
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
1
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
∞
H(z) = ∑ h(n)z−n = Z{h(n)}
n=0
la fonction de transfert est la TZ de la réponse impulsionnelle (idem Laplace)
98
V) Filtrage
De la fonction de transfert en z à l’équation aux différences

Forme générale de la fonction de transfert en z du filtre numérique :
P
−1 −2
S(z) a0 + a1z + a2z + ... + aPz −P ∑a z p
−p
p =0
H(z) = = =
0.19
0.15
E(z) 1 − b1z−1 − b2z−2 − ... − bQz−Q

Q
0.11
0.07
1 − ∑ bq.z−q
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
q=1
0.01
0.00
-0.01
-0.02
-0.03
0 20 40 60 80 100 120 140
E(z) et S(z) représentent respectivement les transformées en z des échantillons d’entrée e(n)
(avec n correspond à nTe) et de sortie s(n) courants :
E(z)=Z{e(n)} S(z)=Z{s(n)}
• Z{e(n-n0)}=z-n0 E(z) (propriétés de retard temporel

• Z{aea(n)+beb(n)}=aEa(z)+bEb(z) et de linéarité)
s(n) = a0e(n) + a1e(n − 1) + a2e(n − 2) + ... + aPe(n − P) + b1s(n − 1) + b2s(n − 2) + ... + bQs(n − Q)
99
V) Filtrage
V.6.3) Synthèse des filtres
Objectif
Déterminer les coefficients ai et bi des filtres RII et les coefficients ai des filtres RIF, à partir de
caractéristiques souhaitées (type des filtres, ordre, etc).
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140
Synthèse des filtres RII par Transformée bilinéaire (exemple pour l’ordre 2)
0.02
Y(p) a0'+a1' p + a2' p2

0.01
0.00
-0.01
H(p) = =
-0.02
-0.03
0 20 40 60 80 100 120 140
Fonction de transfert de Laplace

X(p) 1 − b1' p − b2' p2
2 1− z
transformée bilinéaire p→
Te 1 + z
Y(z) a0 + a1z−1 + a2z−2
Fonction de transfert en Z H(z) = =
X(z) 1 − b1z−1 − b2z−2
Z[e(n − n0)] = z−n0E(z)
Equation aux différences s(n) = a0e(n) + a1e(n − 1) + a2e(n − 2) + b1s(n − 1) + b2s(n − 2)
Fondement théorique : équivalence de l’intégration

x(n) + x(n − 1)
t
y(t) = ∫ x(t).dt → y(n) = y(n − 1) + Te

0
2
100
V) Filtrage
Exemple : Filtre passe-bas d’ordre 2
1
H(jω) = 2
ω  ω
1 + 2ξj +  j 
ω0  ω0 
0.19
0.15
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
-0.02
-0.03
Relations obtenues par application de la transformée bilinéaire :

0 20 40 60 80 100 120 140
a0 =
1
k1
a1 =
2
k1
= 2a0 a2 =
1
k1
= a0 b1 =
2
k1
(1 − k2 ) b2 =
1
k1
(1 − 2ξk + k2 )
fe
avec : k= k1 = 1 + 2ξk + k2
πfc
Exemple d’application numérique
fc=500Hz ; ξ=0,1 ; fe=44100Hz a0=0,00126 a1=2 a2=1 b1=-1,98084 b2=0,98587
s(n) = a0e(n) + a1e(n − 1) + a2e(n − 2) + b1s(n − 1) + b2s(n − 2)

= 0,00126e(n) + 2e(n − 1) + e(n − 2) − 1,98084 s(n − 1) + 0,98587 s(n − 2)
101
V) Filtrage
Synthèse des filtres RIF par développement en série de Fourier de la réponse fréquentielle
Principe
0.19
0.15
0.11
2 propriétés importantes :
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140
1) h(t) →
F
0.02
0.01
0.00
-0.01
-0.02
H(f) h(t) réponse impulsionnelle
|H(f)| réponse en fréquence
-0.03
0 20 40 60 80 100 120 140
(=module de la FT harmonique)
N
2) s(n) = ∑ h(n)e(n − i) h(n) coefficients du filtre
i=0 (qui en contient N)
les coefficients d’un filtre RIF peuvent s’obtenir par TFD-1
102
V) Filtrage
Synthèse pas développement en série de Fourier de la réponse fréquentielle (suite)

Principe
Part du constat que la réponse en fréquence désirée est une fonction périodique de période fe
(conséquence de l’échantillonnage) on peut la développer en série de Fourier
0.19
0.15
+∞
0.11
0.07
t t
jk2π 1 T − jk 2π
0.03
∑ c .e
-0.01
s(t) = ck = ∫ s(t).e
-0.05
T T
dt
-0.09
-0.13
0.02
0 20 40 60 80 100

120 140
Cas classique : k avec

0.01
0.00
-0.01 k = −∞ T 0
-0.02
-0.03
0 20 40 60 80 100 120 140
+∞ f f
jk2π − jk 2π
1 fe
Ici : H(f) = ∑ g .e k
fe
avec gk = ∫ H(f).e
fe 0
fe
df
k = −∞
1 fe  f
 df
fe ∫0
On annule la partie imaginaire : gk = H( f ). cos 2 πk 
 fe
f
gk = 2∫ H(F). cos(2πkF )dF
0 ,5
Simplification : F= , k=0,…,N-1 (1)
fe 0
N N −1
Décalage pour causalité : hk = gk −p avec p= si N pair, p = si N impair
2 2
Développement de (1) :
sin(2π(k − p)Fc ) sin(2π(k − p)Fc )

1 1
passe-bas : hk = passe-haut : hk = −
(k − p)π (k − p)π
+ passe-bande, coupe-bande… 103

V) Filtrage

Algorithme du cas passe-bas
Lire la valeur de N (nombre de coefficients du filtre)

Si N pair
0.19
0.15
0.11
p=N/2
0.07
0.03
-0.01
-0.05
-0.09
sinon
p=(N-1)/2
-0.13
0 20 40 60 80 100 120 140

0.02
0.01
0.00
-0.01
Lire la valeur de la fréquence de coupure normalisée Fc
-0.02
-0.03
0 20 40 60 80 100 120 140
Pour k variant de 0 à N-1 //calcul des coefficients h(i) du filtre
Si k!=p
h(k+1)=sin(2*pi*(k-p)*Fc)/((k-p)*pi); //k-p pour le décalage
sinon
h(k+1)=2*Fc; //sinus(x)/x pour x=0 traité à part
Diviser les coefficients h(i) par leur somme
Programme Scilab correspondant

N=10
if modulo(N,2)==0 //si N pair
p=N/2;
else
p=(N-1)/2; //si N impair
end
Fc=0.01
for k=0:N-1
if k~=p
h(k+1)=1/(k-p)/%pi*sin(2*Fc*(k-p)*%pi);
else
h(k+1)=2*Fc; //cas sin(x)/x pour x=0 traité à part
end
end
somme=sum(h);
h=h/somme //division des coefficients par leur somme 104
V) Filtrage
Exemple : Réalisation d’un filtre passe-bas avec fe=44100Hz, fc=4410Hz et N=10

fréquence de coupure relative : Fc=0,01
sin(0,02kπ ) , k=-5,…,5
1
gk =
0.19
passe-bas
0.15
kπ
0.11
0.07
0.03
-0.01
-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140
N
hk = gk −p
0.02
p= =5
0.01
et
0.00
-0.01
-0.02 avec
-0.03
0 20 40 60 80 100 120 140
2
sin(0 ,02 (k − 5 )π )
1
hk = , k=0,…,9
(k − 5 )π
Résultats obtenus :
h0= 0.0989147
h1= 0.0995054 = h9
h2= 0.0999662 = h8
h3= 0.1002962 = h7
h4= 0.1004945 = h6
h5= 0.1005607
105
V) Filtrage
V.6.4) Comparaison des filtres RII et RIF
Filtres RII
Avantages
- peu de coefficients donc calcul rapide
- modélisation des filtres analogiques (et notamment possibilité d’obtenir des résonances)
Inconvénients
0.19
0.15
0.11
0.07
0.03
-0.01
- risque d’instabilité surtout pour les grands facteurs de qualité

-0.05
-0.09
-0.13
0 20 40 60 80 100 120 140

0.02
- les coefficients doivent être codés avec beaucoup de précision (conséquence du risque d’instabilité)
0.01
0.00
-0.01
-0.02
- phase non-linéaire (se traduit par une déformation du signal). Rm : le temps de propagation de groupe
-0.03
0 20 40 60 80 100 120 140
est défini par : dϕ

t =
g
dω
Il correspond au temps de transfert de l’énergie du signal d’entrée vers sa sortie. Il doit être constant
sinon le signal subit une déformation par le filtre.
Filtres RIF
Avantages
- pas de risque d’instabilité
- phase linéaire
- permet de synthétiser n’importe quelle fonction de transfert (sauf résonances)
Inconvénients
- nombreux coefficients surtout pour les pentes raides et les bandes passantes étroites
106

CESI Signal 0607 Cours

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

CESI Signal 0607 Cours

Transféré par

Droits d'auteur :

Formats disponibles

Partie voisée du mot six (au milieu du mot)

Cours - Travaux Dirigés et

Partie non-voisée du mot six (aux 3/4 du mot)

Partie non-voisée du mot six (aux 3/4 du mot)

Dans chaque partie :

Approfondissements théoriques (T. Laplace, distributions, intégration…)

Partie non-voisée du mot six (aux 3/4 du mot)

o réponses aux questions posées

Qu’est-ce qu’un signal ?

! une grandeur physique variant au cours du temps

! une fonction mathématique (variable : le temps)

Partie non-voisée du mot six (aux 3/4 du mot)

! une image (variables : les 2 dimensions spatiales)

Qu’est-ce que le traitement du signal ?

! A la fois très théorique et très appliqué

! téléphonie, communications, audio-visuel, médecine…

A : amplitude ; ω pulsation (=2πf ; f=1/T) en rad/s ; φ : phase à l’origine (0<=φ<2π) en rad

Partie non-voisée du mot six (aux 3/4 du mot)

Spectre d’amplitude Spectre de phase

Représentations (exemple : mot "zéro") :

Partie non-voisée du mot six (aux 3/4 du mot)

signal non périodique signal périodique

Partie non-voisée du mot six (aux 3/4 du mot)

Partie non-voisée du mot six (aux 3/4 du mot)

Instantanée : Pn = sn2 , n indice d’échantillon

s(t) = a0 + ∑ (an cos(nω0)t + bn sin(nω0t))

Les termes de la somme sont appelés harmoniques (partiels en musique) :

• Si la fonction s(t) est paire, bn=0 pour tout n>0.

Exemple pour signal carré :

Partie non-voisée du mot six (aux 3/4 du mot)

La re-synthèse à partir de ces coefficients donne (fondamental + 3 premiers harmoniques) :

Exemple pour signal triangulaire :

2A − t pour t ∈]T / 4,3T / 4[ T/2

Partie non-voisée du mot six (aux 3/4 du mot)

La re-synthèse à partir de ces coefficients donne (fondamental + 3 premiers harmoniques) :

Exemple pour signal en dents de scie :

Partie non-voisée du mot six (aux 3/4 du mot)

La re-synthèse à partir de ces coefficients donne (fondamental + 3 premiers harmoniques) :

Partie non-voisée du mot six (aux 3/4 du mot)

f0 3f0 5f0 f0 3f0 5f0

Spectres d’amplitude Spectres de phase

Exemple d’un signal quelconque

Signal périodique quelconque (ici ni pair ni impair), de fréquence f0 :

Partie non-voisée du mot six (aux 3/4 du mot)

peut se mettre sous la forme d’une somme de sinusoïdes et cosinusoïdes :

Partie voisée du mot six (au milieu du mot)

Partie non-voisée du mot six (aux 3/4 du mot)

Quand le nombre d’harmoniques tend vers l’infini, on obtient :

Partie voisée du mot six (au milieu du mot)

Partie non-voisée du mot six (aux 3/4 du mot)

Convergence en moyenne quadratique :

Mais pas convergence uniforme (=en tous points) :

s(t) peut se mettre sous la forme suivante :

Partie non-voisée du mot six (aux 3/4 du mot)

Intérêt : séparation en spectre d’amplitude et spectre de phase :

f0 2f0 3f0 4f0 5f0 f f0 2f0 3f0 4f0 5f0 f

En utilisant les formules d’Euler :

eα + e−jα eα − e−jα eα − e−jα

on obtient une nouvelle expression (complexe) du signal :

Partie non-voisée du mot six (aux 3/4 du mot)

Interprétation : fréquences négatives (!)

Re(cn) Im(cn) |cn|

Partie non-voisée du mot six (aux 3/4 du mot)