Echantillonage Et Quantification

CHAPITRE IV
ECHANTILLONNAGE
&
QUANTIFICATION
Les signaux naturels tels que la parole, l’audio, la température, … sont analogiques. On préfère
convertir les signaux analogiques en numériques pour des raisons de simplicité de souplesse de
précision de stockage. La télévision, par exemple, que ce soit terrestre ou satellitaire, a débuté
en analogique pour terminer aujourd’hui en numérique, avec une meilleure qualité de l’image
et du son, une diffusion de plusieurs chaînes (une vingtaine) sur une seule fréquence, ce qui a
augmenté le nombre de chaînes et a en même temps libéré le spectre pour d’autres usages.
Pour numériser un signal on doit tout d’abord, l’échantillonner, ensuite le quantifier et en fin le
coder. Ce chapitre illustrera toutes ces étapes. L’échantillonnage est une phase importante de la
numérisation.
IV-1 ECHANTILLONNAGE
IV-1-1 Définition
L’échantillonnage d’un signal analogique s(t), consiste à prélever à tous les instants nTe, les
valeurs instantanées s(nTe), pour créer un autre signal se(t) représenté par un ensemble de
valeurs discrets : nul partout sauf aux instants Te, 2Te…nTe (n ∈ ℤ). La figure (IV.1) représente
le signal analogique et sa version échantillonné.
Te : la période d’échantillonnage, est l’intervalle de temps entre deux échantillons consécutifs.
1
Fe = : la fréquence d’échantillonnage, c’est le nombre d’échantillons qu’on prélève en une
Te
seconde.
Avec Matlab par exemple, le signal temporel est discrétisé, on prend l’amplitude à des instants
bien réguliers et non pas à tout instant. La figure (IV.2) donne l’exemple d’un signal sinusoïdal
tracé à l’aide de Matlab.
Echantillonnage & quantification
Signal analogique Signal échantillonné
se(t)
s(t)
0 0
s(Te)
s(6Te)
0 0 Te 2Te 3Te 4Te 5Te 6Te 7Te 8Te
t t
Fig IV.1. Signal analogique et signal échantillonné
s(t) = sin(t)
1
0.5
0
-0.5
-1
-pi -pi/2 0 pi/2 pi
Fig IV.2. Signal sinusoïdal tracé par Matlab
Exercice 1 :
On considère un signal sinusoïdal de fréquence f = 100 Hz, échantillonné à la fréquence Fe =
500 Hz. Combien a-t-on de points sur une période ?
Réponse :
Le signal de fréquence f est périodique de période :

1 1
T = = = 0.01 s
f 100
On échantillonne le signal à la fréquence Fe = 500 Hz, la période d’échantillonnage est :
1 1
T𝑒 = = = 0.002 s
F𝑒 500
On prélève donc un point tous les Te = 0.002 s. Pour un signal de durée 0.01 s, nous aurons
alors :
T 0.01
N = T = 0.002 = 5 points.
e
Traitement du signal 140 S. HAMDOUNE

La figure (IV.3) montre que pour une période T = 0.01 s, nous avons N = 5 points.
1
s(t)
0.5 se(t)
0
-0.5
-1
0 0,002=Te 0,004 0,006 0,008 0,01=T
t
Fig IV.3. Signal échantillonné
L’échantillonnage provoque une perte d’information, parce que l’on ne prend que des
échantillons à des instants bien définis.
VI-1-2 Echantillonnage idéal

L’échantillonnage idéal est symbolisé par un interrupteur qui se ferme périodiquement. La sortie
est égale à l’entrée si l’interrupteur est fermé, elle est nulle si l’interrupteur est ouvert. F e est la
fréquence d’échantillonnage, c’est la cadence de l’interrupteur.
s(t) se(t)
Fe
Fig IV.4. Echantillonneur
1- Analyse temporelle
La relation (I.27) permet d’extraire la valeur d’un signal à un instant donné t 0.

s(t) δ(t − t 0 ) = s(t 0 ) δ(t − t 0 )
On va adapter cette relation pour modéliser l’échantillonnage idéal. L’échantillonnage consiste
à prélever les valeurs du signal à tous les instants nTe, on aura besoin de plusieurs impulsions
de Dirac placés à des instants Te, 2Te, … nTe. On va prendre donc le peigne de Dirac décrit par
la relation (I.30) qui est une succession périodique d’impulsion de Dirac.
L’échantillonnage idéal est réalisé par la multiplication du signal continu s(t) par un peigne de
Dirac de période Te (Fig.IV.5) :

s(t) se(t)
+∞
δTe (t) = ∑ δ(t − nTe )

n=−∞
Fig IV.5. Système d’échantillonnage idéal
L’expression du signal échantillonné est :

+∞ +∞
se (t) = s(t) × δTe (t) = s(t) ∑ δ(t − nTe ) = ∑ s(nTe ) δ(t − nTe ) (IV.1)
n=−∞ n=−∞
On obtient une suite d’impulsions de Dirac dont l’allure suit le signal s(t) comme il est illustré
sur la figure (IV.6c).
L’échantillonnage ne doit pas détériorer le signal, il doit permettre le restituer, c’est pourquoi
il est important d’avoir des impulsions suffisamment proches les uns des autres.
2- Analyse fréquentielle
Nous allons calculer la transformée de Fourier du signal échantillonné. Soit S(f) la transformée
de Fourier de s(t). Le spectre de s(t) représenté sur la figure (IV.7a) est à support borné
[-fmax , +fmax].
𝒯ℱ[se (t)] = Se (f) = 𝒯ℱ[s(t) × δTe (t)]
Nous savons que la transformée de Fourier d’un produit de deux signaux est égale au produit
de convolution des transformées de Fourier de ces deux signaux :
𝒯ℱ[se (t)] = 𝒯ℱ[s(t)] ∗ 𝒯ℱ [δTe (t)]
d’après la relation (II.64) :
+∞ +∞
1 n 1 1
𝒯ℱ[δT𝑒 (t)] = ∑ δ (f − ) = ∑ δ(f − nFe ) = δ 1 (f)
Te Te Te Te Te
n=−∞ n=−∞
Par suite
+∞ +∞
1 1
𝒯ℱ [se (t)] = S(f) ∗ ∑ δ(f − nFe ) = ∑ S(f − nFe ) (IV.2)
Te Te
n=−∞ n=−∞

Peigne de Dirac T = 10-4 s

e
1
 Te(t)
0.5 (a)
0
0 1 2 3 4 5
t -3
x 10
Signal sinusoidal
5
s(t)
0 (b)
-5
0 1 2 3 4 5
t x 10
-3
Signal sinusoidal échantillonné F e = 10 kHz

s (t) = s(t). (t)
5
Te
0 (c)
-5
e
0 1 2 3 4 5
t -3
x 10
Fig IV.6. Echantillonnage idéal
L’expression (IV.2) montre que le spectre Se(f) est un spectre infini, périodique de période Fe
et qu’il est constitué du spectre original S(f) décalé de nFe (fig.IV.7b).
Echantillonner le signal s(t) dans le domaine temporel, revient donc à périodiser son spectre
1
S(f) dans le domaine fréquentiel tous les Fe. Fe = T est la fréquence d’échantillonnage qui
e
correspond au nombre d’échantillons prélevés par seconde (fig.IV.7b).
3- Reconstruction d’un signal à partir de ses échantillons
A partir du spectre du signal échantillonné Se(f) de la figure (IV.8), il est possible de reconstruire
le signal original s(t) en extrayant une période de Se(f), en f = 0, à l’aide d’un filtre passe-bas
F
de fréquence de coupure 2e et d’amplitude Te, pour compenser la modification de l’amplitude
introduite par le peigne de Dirac. La figure (IV.9) représente le système d’échantillonnage et
de reconstruction.

Spectre du signal analogique

1
S(f)
(a)
0
-fmax 0 +fmax
f
Spectre du signal échantillonné
1/Te
Se(f)
(b)
0
-2Fe -Fe -fmax 0 +fmax +Fe +2Fe
Fig.IV.7 (a) Spectres du signal analogique s(t), (b) spectre du signal échantillonné se(t)
Te Filtre
Se(f)
1/Te Fe Fe
−
2 2
0
Fig.IV.8 Reconstitution de S(f) par filtrage
s(t) se(t) ~
~ s(t)
Fig.IV.9 Système
d’échantillonnage et de
+∞ reconstruction
δTe (t) = ∑ δ(t − nTe )
n=−∞

A la sortie du filtre on a :
f
S(f) = Se (f). Te rect( )
Fe
f f
s(t) = 𝒯ℱ −1 [Se (f). Te rect ( )] = 𝒯ℱ −1 [ Se (f)] ∗ 𝒯ℱ −1 [Te rect ( )]
Fe Fe
f
= se (t) ∗ 𝒯ℱ −1 [Te rect (F )]
e
Or,
1 f
𝒯ℱ[sinc(Ft)] = rect ( )
F F
Alors
s(t) = se (t) ∗ sinc(Fe t)
Avec la relation (IV.1), on écrit :

+∞
s(t) = [ ∑ s(nTe ). δ(t − nTe )] ∗ sinc(Fe t)

n=−∞
En utilisant la propriété du produit de convolution avec un Dirac décalé, on trouve :

+∞
s(t) = ∑ s(nTe ). sinc[Fe (t − nTe )]

n=−∞
qui peut s’écrire sous la forme :

+∞
t
s(t) = ∑ s(nTe ). sinc ( − n) (IV.3)
Te
n=−∞
C’est la formule d’interpolation de Shannon. Elle exprime que le signal s(t) peut être reconstitué
à partir de la connaissance des valeurs de s(t) aux instants t = nT e. La formule suppose avoir
une infinité d’échantillons, c’est pourquoi elle n’est pas utilisable en pratique pour reconstruire
le signal s(t).
π
Exemple 1 : On considère le signal défini par s(t) = sin( 4 t). Appliquons la formule
d’interpolation de Shannon en se limitant aux huit premiers termes : n = 0…7, avec Te = 1 s.
Pour appliquer la relation (IV.3), cherchons tout d’abord les échantillons s(nT e) :
π π
s(nTe ) = sin ( nTe ) = sin ( n)
4 4

Ecrivons la relations (IV.3) pour les huit premiers termes :

7 7
t π
s(t) = ∑ s(nTe ). sinc ( − n) = ∑ sin ( n). sinc(t − n)
Te 4
n=0 n=0
si n = 1
π
s1 (t) = sin ( ). sinc(t − 1)
4
si n = 2
π
s2 (t) = sin ( ). sinc(t − 2)
2
…
7π
s7 (t) = sin ( ). sinc(t − 7)
4
Le signal s(t) reconstruit à partir des huit premiers échantillons est représenté sur la figure
(IV.10c). Il est un peu décalé du signal original en pointillé sur la figure (IV.10c) parce qu’il
faut additionner une infinité d’échantillons comme le montre la relation (IV.3).
1 1.5
t
s1 (t) =
√2
sinc(t - 1) s(t) = ∑7n=0 s(nTe) sinc(Te - n)
2
0.5
1
0
0.5
-0.5
0 5 10
(a) 0
1 -0.5
0
-1
π
-1 s(t) = sin ( t)
4
0 5 10 -1.5
0 2 4 6 8
(b) (c)
Fig.IV.10 Interpolation de Shannon :

(a) échantillon s1(t), (b) les 8 échantillons qui contribuent à la reconstitution du signal
(c) la courbe bleue représente le signal reconstruit à partir des 8 échantillons. La courbe rouge
en pointillé représente le signal original

IV-1-3 Théorème d’échantillonnage

1- Recouvrement spectral
a) La figure (IV.11) montre que si Fe - fmax > fmax, c’est à dire Fe > 2fmax, le spectre Se(f) contient
le spectre original S(f) sans déformation. Le spectre autour de F e ne vient pas perturber le
spectre autour de zéro, il n’y a pas de chevauchement. On peut récupérer S(f) et donc le signal
F
original s(t) par un filtrage passe-bas de fréquence de coupure 2e .
Te Filtre
Se(f)
1/Te Fe Fe
−
2 2
0
-Fe - fmax -Fe + fmax Fe - fmax Fe + fmax
Fig.IV.11 Spectre du signal échantillonné se(t) avec Fe > 2fmax
b) Si Fe - fmax = fmax, comme le montre la figure (IV12), alors Fe = 2fmax, les spectres sont
contigus, juxtaposés. Le spectre autour de Fe ne vient pas perturber le spectre autour de zéro, il
n’y a pas de chevauchement mais on est à la limite. Théoriquement on peut récupérer le signal
Fe
original s(t) par un filtrage passe-bas de fréquence de coupure .
2

2
Te Filtre
Fe Fe
Se(f)
1/Te −
2 2
0,5
0
-Fe - fmax -fmax 0 fmax Fe + fmax
-Fe + fmax Fe - fmax
Fig.IV.12 Spectre du signal échantillonné se(t) avec Fe = 2fmax
c) La figure (IV.13a) représente le cas où Fe - fmax < fmax, d’où Fe < 2fmax, . Le spectre autour de
Fe vient perturber le spectre autour de zéro, les spectres se chevauchent, on ne peut pas obtenir

S(f) à partir de Se(f) et la récupération complète du signal s(t) n’est plus possible (fig.IV. 13b).
C’est le repliement de spectre ou recouvrement spectral ou aliaising. On dit qu’on est en sous-
échantillonnage.
1/Te
Se(t)
Repliement
de spectre
0
-10 -2Fe -Fe 0 Fe 2Fe 10
-fmax Fe - fmax Fe + fmax

-Fe - fmax
-Fe + fmax fmax

(a)
1/Te
Se(f)
0
-2Fe -Fe 0 Fe 2Fe
(b)
Fig.IV.13 Spectre du signal échantillonné se(t) avec Fe < 2fmax

(a) repliement de spectre, (b) signal résultant
La figure (IV.14) montre que le repliement de spectre produit un signal différent du signal
analogique de départ.
2- Théorème d’échantillonnage
Le théorème d’échantillonnage de Nyquist-Shannon indique que l’on peut restituer un signal à

partir de ses échantillons si la fréquence d’échantillonnage est supérieure ou égale à 2 fois la
plus haute fréquence contenue dans le spectre :
Fe ≥ 2fmax (VI.4)

Te Filtre
Se(f)
1/Te (a)
0
-2Fe -Fe -Fe/2 0 Fe/2 Fe 2Fe
signal reconstitué
(b)
0
-Fe/2 0 Fe/2
Fig.IV.14 (a) Spectre du signal échantillonné et le filtre passe-bas

(b) Spectre du signal reconstitué en cas de repliement de spectre
On appelle la fréquence Fe = 2fmax = fN , la fréquence de Nyquist.

L’échantillonnage à la fréquence Fe na causera donc aucune perte d’information.
Dans la pratique, il faut prendre une fréquence d’échantillonnage largement supérieure à la
fréquence de Nyquist. Cependant, lorsqu’on augmente la fréquence d’échantillonnage, on
augmente le nombre d’échantillons et par conséquent le volume de traitement.
Le tableau (IV.1) donne quelques valeurs de la fréquence d’échantillonnage rencontrées dans la
vie de tous les jours :
Signaux Largeur de bande Fréquence d’échantillonnage

Téléphone 300 – 3400 Hz 8 kHz
CD 0 – 20 kHz 44.1 kHz
Tableau IV.1. Quelques valeurs usuelles de fréquences d’échantillonnage
Exemple 2 : Echantillonnage d’une sinusoïde.

Considérons un signal sinusoïdal s(t) de fréquence 3 Hz, échantillonné à la fréquence Fe = 8Hz.
Donner le spectre du signal échantillonné.
Le signal continu s(t) = sin(2πft), est un signal sinusoïdal de fréquence f = 3 Hz, donc de période
1
T = 3 s représenté sur la figure (IV.15a).

sa transformée de Fourier (Fig.IV.15b) est :
j
S(f) = 2 [δ(f + 3) − δ(f − 3]
1
Le peigne de Dirac de période Te = F = 0.125 s est :
e
+∞ +∞
δTe (t) = ∑ δ(t − nTe ) = ∑ δ(t − n 0,125 )

n=−∞ n=−∞
Son spectre est aussi un peigne de Dirac de période Fe :

+∞ +∞
1 1
𝒯ℱ[δT𝑒 (t)] = ∑ δ(f − nFe ) = ∑ δ(f − n 8 )
Te Te
n=−∞ n=−∞
Le signal est échantillonné à la fréquence Fe = 8 Hz, la période d’échantillonnage est Te =

0,125 s. Le signal échantillonné a pour expression :
+∞ +∞
se (t) = s(t) × δTe (t) = s(t) ∑ δ(t − nTe ) = ∑ s(nTe ) δ(t − nTe )
n=−∞ n=−∞
On prélève donc un point tous les Te = 0.125 s. Pour une durée de 3 périodes, nous aurons alors :
3T
N = T = 8 points représentés sur la figure (IV.15e)
e
Le spectre du signal échantillonné est :

+∞
j 1
Se (f) = S(f) ∗ 𝒯ℱ[δTe (t)] = [δ(f + 3) − δ(f − 3] ∗ ∑ δ(f − n 8 )
2 Te
n=−∞
+∞
j
Se (f) = ∑ [{δ(f − n 8 ) ∗ δ(f + 3)} − {δ(f − n 8 ) ∗ δ(f − 3)}]
2Te
n=−∞
Finalement
j
Se (f) = [δ(f − n 8 + 3) − δ(f − n 8 − 3]
2Te
La figure (IV.15f) donne le spectre du signal échantillonné qui est un spectre périodique de
période Fe = 8 Hz.

s(t) S(f)
1 0.5
(a) 0 0 (b)
-1 -0.5
0 0.5 1 -15 -9 -3 0 3 9 15
 Te(t) 1/Te  1/Te(f)
1 8
(c) 0.5 (d)
4
0 0
0 0,25 0,5 0,75 1 -16 -8 0 8 16
se(t) Se(f)
1 4
(e) 0 0 (f)
-1 -4
0 0,25 0,5 0,75 1 -13 -3 0 3 13
Fig.IV.15 Echantillonnage d’une sinusoïde
F
En appliquant un filtre passe-bas de fréquence de coupure 2e , comme il est illustré sur la figure
(IV.16a), on peut reconstituer le signal continu original (Fig.IV.16b) caractérisé par la raie
spectrale à f = 3 Hz. Le spectre du signal reconstitué est donc :
j
S(f) = [δ(f + 3) − δ(f − 3]
2
il correspond à un signal sinusoïdal de même fréquence que le signal original :
s(t) = sin(2π3t)
4
Filtre
0 (a)
-4
-13 -11 -5 -3 0 3 5 11 13
Signal reconstitué
0.5
0 (b)
-0.5
-15 -9 -3 0 3 9 15
Fig.IV.16 Signal reconstitué

Nous avons donc respecté la relation (IV.4) du théorème d’échantillonnage à savoir :
Fe = 8Hz > 2fmax = 2 × 3 = 6Hz
Exemple 3 : On reprend l’exemple 1 avec la fréquence du sinusoïde f = 5 kHz.
On reprend les mêmes calculs en remplaçant tout simplement f = 3 Hz par f = 5 Hz.
Le spectre du signal continu est (Fig.IV.17b) est :
j
S(f) = 2 [δ(f + 5) − δ(f − 5]
Le spectre du signal échantillonné est :

+∞
j 1
Se (f) = S(f) ∗ 𝒯ℱ[δTe (t)] = [δ(f + 5) − δ(f − 5] ∗ ∑ δ(f − n 8 )
2 Te
n=−∞
+∞
j
Se (f) = ∑ [{δ(f − n 8 ) ∗ δ(f + 5)} − {δ(f − n 8 ) ∗ δ(f − 5)}]
2Te
n=−∞
Finalement
j
Se (f) = [δ(f − n 8 + 5) − δ(f − n 8 − 5]
2Te
s(t) S(f)
1 0.5
(a) 0 0 (b)
-1 -0.5
0 0.5 1 -15 -10 -5 0 5 10 15
 Te(t) 1/Te 1Te(f)
1 8
(c) 0.5 4 (d)
0 0
0 0.25 0.5 0.75 1 -16 -8 0 8 16
se(t) Se(f)
1 4
(e) 0 0 (f)
-1 -4
0 0.25 0,5 0.75 1 -13 -3 0 3 13
Fig.IV.17 Echantillonnage d’une sinusoïde de 5 Hz

Se(f)
4 Filtre
0 (a)
-4
-15 -13 -11 -5 -3 0 3 5 11 13 15
Signal reconstitué
0.5
0 (b)
-0.5
-15 -12 -9 -6 -3 0 3 6 9 12 15
Repliement
1
0 (c)
-1
0 0.125 0.25 0.375 0.5 0.625 0.75 0.875 1
Fig.IV.18 (a) Spectre du signal échantillonné avec le filtre passe-bas, (b) spectre du signal
reconstitué
(c) signal reconstitué temporel
F
L’application du filtre passe-bas de fréquence de coupure 2e , comme il est illustré sur la figure
(IV.18a), produit un autre signal (Fig.IV.18b) dont le spectre est :
j
S(f) = − [δ(f + 3) − δ(f − 3]
2
Le spectre du signal restitué correspond certes à une sinusoïde de même amplitude mais déphasé
et de fréquence plus basse f = 3 Hz. Le signal temporel est :
s(t) = -sin(2π3t)
représenté en trait plein sur la figure (IV.18c), différent du signal original de 5 Hz en pointillé
sur la figure (IV.18c). On n’a pas pu reconstituer le signal original parce que la condition du
théorème d’échantillonnage n’a pas été respectée. En effet :
Fe = 8Hz < 2fmax = 2 × 5 = 10Hz
On a donc un repliement de spectre qui a modifié gravement le signal après échantillonnage.

On appelle fréquence apparente la fréquence fapp = Fe – fmax = 8 – 5 = 3 Hz, fréquence des raies
dues au repliement de spectre. Cette fréquence apparente se trouve en dessous de la fréquence
de Nyquist fN = 2fmax.

IV-1-4 Filtre anti-repliement

1- Echantillonnage d’un signal rectangulaire
Considérons un signal rectangulaire de période T0 = 1 s. La figure (IV.19) présente son spectre

théorique qui est constitué de raies situées à des fréquences multiples impaires de la
1
fondamentale f0 = T = 1 Hz et dont l’amplitude décroit très vite.
0
Spectre théorique
0.2
|S(f)|
0.1
0
-19 -17 -15 -13 -11 -9 -7 -5 -3 -1 0 1 3 5 7 9 11 13 15 17 19
f
Fig.IV.19 Spectre théorique du signal rectangulaire de période T0 = 1 Hz.
Si le signal est échantillonné à la fréquence Fe = 13.5 Hz, nous constatons l'apparition de

fréquences non présentes dans le signal continu d'origine, notamment f = 0.5 Hz, 1.5 Hz, 2 Hz
… (Fig IV.20). C’est le repliement.
signal échantillonné
s(t) se(t)
0.6
0.4
(a)
0.2
0
0 0.5 1 1.5 2
t
Spectre avec Fe = 13.5 Hz
0.2
|Se(f)|
(b)
0.1
0
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
f
Fig.IV.20 (a) signal échantillonné (b) spectre du signal échantillonné à Fe = 13.5 Hz

Nous avons vu dans le chapitre II, qu’un signal périodique peut être décomposé en une somme
de signaux sinusoïdaux de fréquence nf0 avec n ∈ ℕ∗ :
+∞
s(t) = ∑ Cn ejnω0 t (VI.5)

n = -∞
Pour respecter le théorème d’échantillonnage, il faut une fréquence maximale :
Fe 13.5
fmax = = = 6.75 Hz
2 2
Or, le spectre est infini, nous avons des fréquences au-delà de 6.75 Hz, par exemple : 7, 11,
13…qui sont la cause de l'apparition de fréquences parasites.
F
Lorsqu’un signal est replié, les fréquences qui sont supérieures à la fréquence 2e sont ramenées
et représentées à l’intérieur du domaine fréquentielle affiché. C’est le cas de la fréquence 0.5
F
Hz qui apparait à la place de la fréquence 13 * 1 = 13 Hz > 2e = 6.75 Hz, ou bien la fréquence
Fe
2 Hz qui apparait à la place de la fréquence 25 * 1 = 25 Hz > = 6.75 Hz.
2
En général, les raies apparentes se situent en ±kFe ± nf0 avec k est un entier et n est un entier
impair.
Le tableau (IV.2) représente certaines fréquences apparentes de la figure (IV.20b)
n 7 9 11 13 15 17 19 21 23 25
13.5 – nf0 6.5 4.5 2.5 0.5 -1.5 -3.5 -5.5 -7.5 -9.5 -11.5
±kFe±nf0
-13.5 + nf0 -6.5 -4.5 -2.5 -0.5 1.5 3.5 5.5 7.5 9.5 11.5
2*13.5 – nf0 20 18 16 14 12 10 8 6 4 2
-2*13.5 + nf0 -20 -18 -16 -14 -12 -10 -8 -6 -4 -2
Tableau IV.2. Fréquences apparentes
Si le signal est échantillonné à la fréquence Fe = 1000 Hz, on voit que les raies parasites ont
disparues sur la figure (IV21) parce que la fréquence d’échantillonnage est très grande et le
F
repliement ne concerne que les fréquences supérieures à la fréquence 2e = 500 Hz.

Specte avec Fe = 1000 Hz
0.2
|Se(f)|
0.1
0
-5 -3 -1 0 1 3 5
f
Fig.IV.21 Spectre du signal échantillonné à Fe = 1000 Hz
Les signaux périodiques ont un spectre non borné, dans ce cas il y aura toujours repliement, car
nous ne connaissons pas la valeur de fmax, fréquence maximale contenue dans ces signaux pour
bien choisir Fe afin de respecter la condition de Shannon.
C’est le genre de problème que l’on rencontre avec les oscilloscopes numériques.
L’oscilloscope numérique n’affiche pas directement le signal mesuré comme l’oscilloscope
analogique. Le signal passe à travers un convertisseur analogique/numérique CAN, pour être
ensuite visualisé à l’écran. C’est pourquoi la fréquence d’échantillonnage est aussi importante
que la bande passante.
2- Filtre anti-repliement
Nous avons vu dans le paragraphe précédent que le repliement de spectre se produit toujours
lorsque le signal périodique contient des harmoniques dont les fréquences se trouvent au-delà
F
de la moitié de la fréquence d'échantillonnage 2e . Il est donc indispensable de filtrer le signal
analogique pour éliminer ces harmoniques afin d'éviter ce repliement de spectre. C’est le filtre
anti-repliement. Le filtre anti-repliement parfait est un filtre passe-bas idéal de fréquence de
F
coupure 2e placé avant l’échantillonneur comme le montre le schéma suivant :
s(t) s’(t) se(t)
Signal analogique Fe Signal échantillonné

Fe
0 2
Filtre anti-repliement Echantillonneur
Fig.IV.22 Filtre anti-repliement
L’oreille humaine entend les sons de fréquences comprises entre 20 Hz (grave) et 20 kHz
(aigu). Avant d’échantillonner un signal audio, on va placer en amont un filtre qui a pour but

d’éliminer toutes les fréquences supérieures à 20 kHz pour ne garder que les fréquences que
l’oreille est capable d’entendre.
VI-1-5 Echantillonnage réel
L’échantillonnage idéal est théorique. Il n’est donc pas réalisé avec une impulsion infiniment
brève, mais au contraire avec une impulsion de largeur finie assimilable à une fonction porte.
On utilise un train de créneaux étroits dont la durée de chaque créneau est τ.
p(t)
1
0.5
0
-2Te -Te 10 1 Te 2Te
− t
τ τ
Fig.IV.23 Train d’impulsion rectangulaire
+∞ +∞
t t − nTe
pτ (t) = rect( ) ∗ ∑ δ(t − nTe ) = ∑ rect ( )
τ τ
n=−∞ n=−∞
Le spectre est :
+∞ +∞
t t
Pτ (f) = 𝒯ℱ[pτ (t)] = 𝒯ℱ [rect( ) ∗ ∑ δ(t − nTe )] = 𝒯ℱ [rect( )] × 𝒯ℱ [ ∑ δ(t − nTe )]
τ τ
n=−∞ n=−∞
+∞ +∞
1
Pτ (f) = τsinc(τf) × ∑ δ(f − nFe ) = τFe ∑ sinc(τnFe ) δ(f − nFe )
Te
n=−∞ n=−∞
P(f)
0
0 1 1
f Te τ
Fig.IV.24 Spectre du train d’impulsion rectangulaire

IV-2 QUANTIFICATION
La quantification est l’étape qui suit l’échantillonnage lors de la numérisation d’un signal. Nous
avons vu que l’échantillonnage est la discrétisation de l’axe des temps, c’est l’axe des abscisses.
Il faut maintenant discrétiser l’axe des amplitudes qui est l’axe des ordonnées, c’est la
quantification (Fig.IV.25).
signal analogique
Signal échantillonné
Te 5Te 10Te 15Te

Signal quantifié
+smax
0
-smax
Te 5Te 10Te 15Te
Fig.IV.25 De l’analogique au numérique
IV-2-1 Définition
Quantifier une valeur x réelle, (point noir sur la figure (IV.26), appartenant à un sous intervalle
[xn ,xn+1] d’un intervalle [-xmax ,+xmax], consiste à remplacer cette valeur x par la valeur Q(x)=xn
choisie dans un ensemble fini de valeurs possibles, suivant une certaine loi, par exemple par
défaut, par excès, ou autres...La loi choisie pour la figure (IV.26) est le milieu de l’intervalle
représenté par les étoiles.
Pour attribuer un nombre à cette valeur réelle, il faut subdiviser l’intervalle [-xmax ,+xmax] en L
sous intervalles de taille :
2xmax
q=
L

x Q Q(x) = xn
xn-1 xn xn+1 xn+2
xn xn+1 xn+3
-xmax xn-1 xn+2 +xmax
Fig.IV.26 Quantification
Exemple 4 : Quantifier la séquence suivante :

x = [ -1.25 , -0.2 , 0.5625 , 0.89 , 1.3]
en utilisant un quantificateur uniforme dans l’intervalle [-1.5 1.5] avec 4 niveaux, en associant
à chaque échantillon le milieu de l’intervalle.
On subdivise l’intervalle [-1.5 , 1.5] en 4 sous-intervalles de taille identique (Fig.IV.27) :
2xmax 2 × 1.5
q= = = 0.75
L 4
-1.25 -0.2 0.5625 0.89 1.3
-1.125 -0.375 0.375 1.125
q q
Fig.IV.27 Quantification
Sur la figure (IV.27), on constate que la valeur -1.25 appartient au sous intervalle [-1.5 , -0.75],
elle va être remplacée par la valeur -1.125 qui est le milieu de cet intervalle. De la même
manière :
−0.2 ∈ [−0.75 , 0] ; −0.2 est remplacée par − 0.375 et ainsi de suite…
Finalement, la séquence quantifiée est :
Q(x) = [-1.125 , -0.375 , 0.375 , 1.125 , 1.125]

IV-2-2 Quantification d’un signal

Un signal analogique s(t) défini dans l’intervalle [-smax , +smax], peut être converti en un signal
numérique par un convertisseur analogique numérique CAN.
000
CAN 111
010
Fig.IV.28 Convertisseur analogique numérique
Après l’échantillonnage, une deuxième opération consiste à attribuer à chacun des échantillons
s(nTe) se trouvant dans un sous intervalle [Sn , Sn+1], une valeur approchée sn = Q(s(nTe)),
choisie dans un ensemble fini de valeurs possibles, c’est la quantification. La troisième
opération est le codage qui consiste à coder en binaire sur un nombre fini de bits chaque niveau
quantifié. Chaque bit pouvant prendre deux valeurs (0 ou 1). Un convertisseur à n bits possède
donc 2n niveaux de quantification (2n niveaux de tension répartis de -smax à smax).
Le pas de quantification ou LSB (Least Significant Bit, le bit de poids faible) appelé aussi
quantum est la plus petite valeur de tension que peut détecter le convertisseur CAN. Il peut
s’exprimer en fonction des valeurs extrêmes ±smax par :
smax − smin
q=
2n
q exprimé en Volt.
n est le nombre de bit avec lequel la tension est numérisée.
Si le pas est constant, on parle de quantification uniforme ou linéaire (Fig.IV.29).
q q q q
smax Sn-1 Sn Sn+1 Sn+2 Sn+3 smin

L
Fig.IV.29 Quantificateur uniforme
Exemple 5 : avec un convertisseur 4 bits travaillant entre 0 et 16 V, le pas de quantification

16−0
est q = 24 = 1V. On va diviser l’intervalle [0 , 16] en 24 = 16 sous intervalles de même taille
q = 1V comme il est illustré sur la figure (IV.30).

Fig.IV.30 Quantification 4 bits
Le tableau IV.3 présente quelques valeurs de niveaux de quantification.

Fréquence
Signaux Bits Niveaux
d’échantillonnage
Téléphone 8 kHz 8 256
CD 44.1 kHz 16 65 536
DVD 48 kHz 24 16 777 216
Tableau IV.3.
IV-2-3 Exemple
Numérisons le signal analogique de la figure (IV.31).
Signal analogique
+Smax
Fig.IV.31 Signal analogique
L’échantillonnage consiste à découper la courbe en bandes verticales de largeur la période

d’échantillonage Te. L’intersection de ces axes verticaux avec le signal donne des échantillons
représentés sur la figure (IV.32) par des points rouges.
Pour quantifier le signal, on va découper, cette fois-ci, la courbe en bandes horizontales et
attribuer, par exemple, à tous les échantillons l’entier le plus proche. Les valeurs approchées
sont représentées par des étoiles vertes sur la figure (IV.32). Le nombre de bandes horizontales
dépend du nombre de bits utilisés. Un codage avec deux bits, par exemple, permet d’avoir 22
bandes donc on peut décrire l’amplitude avec 4 valeurs différentes. Le pas de quantification q
est :

smax smax
q= =
22 4
+Smax
3smax Q(s(nTe))
s4max q
2
smax
4
0
Te 10Te 20Te 30Te 40Te 50Te 60Te
Fig.IV.32 Signal quantifié
s𝑚𝑎𝑥 s𝑚𝑎𝑥
smax ⁄4 ⁄4
Le premier échantillon vaut volts, il correspond au = s𝑚𝑎𝑥 = 1er code, en binaire
4 q ⁄4
sur 2 bits on obtient 01.
3A 3A⁄ 3A⁄
4 4
Le dernier échantillon vaut volts, il correspond au = A⁄ = 3ème code, en binaire sur 2
4 q 4
bits on obtient 11… et ainsi de suite. A la fin le signal numérique est :
+Smax
0
Te 10Te 20Te 30Te 40Te 50Te 60Te
Fig.IV.33 Signal numérique

IV-2-4 Caractéristique de quantification

C’est la courbe donnant Q(s(nTe)) en fonction de s(nTe).
On peut distinguer deux types de quantification uniforme : par troncature ou par arrondi.
1- type A- quantification par arrondi
Un arrondi d’un nombre est le nombre entier le plus proche de celui-ci.
Exemple 6 :
s = 3.25, par arrondi l’entier le plus proche est 3

s = 3.7, par arrondi l’entier le plus proche est 4
s = -3.4, par arrondi l’entier le plus proche est -3
s = -5.6, par arrondi l’entier le plus proche est -6
La quantification par arrondi consiste à choisir la valeur la plus proche de la valeur donnée.
Toutes les valeurs des échantillons qui vérifient la relation :
1 1
(n − ) q ≤ s(nTe ) ≤ (n + ) q
2 2
seront arrondies à :
Q(s(nTe )) = nq
La figure (IV.34) montre que la caractéristique de quantification par arrondi est une suite
d’escalier centré de hauteur q.
Signal quantifié par arrondi Caractéristique de la quantification par arrondi
10
3q
5 2q
Q(s(nTe))
q
0 0
-q
-5 -2q
-3q
-10
0 1 2 3 4 5 -5q/2 -q/2 0 q/2 5q/2
-3
x 10 s(nTe)
Fig.IV.34 Caractéristique de la quantification par arrondi

2- type B- quantification par troncature
La troncature d’un nombre est sa partie entière. C’est le nombre entier qui est immédiatement
inférieur ou égal au nombre réel en question.
Exemple 7 :
s = 3.25, par troncature l’entier immédiatement inférieur est 3

s = 3.7, par troncature l’entier immédiatement inférieur est 3
s = -3.4, par troncature l’entier immédiatement inférieur est -4
s = -5.6, par troncature l’entier immédiatement inférieur est -6
La quantification par troncature consiste à choisir la valeur qui est immédiatement inférieur à
la valeur en question. Toutes les valeurs des échantillons qui vérifient la relation :
nq ≤ s(nTe ) ≤ (n + 1)q
on leur associe :
1
Q(s(nTe )) = nq ou (n + ) q
2
La figure (IV.35) montre que la caractéristique de quantification par troncature est aussi une
suite d’escalier de hauteur q.
Signal quantifié par troncature Caractéristique de la quantification par troncature

10 10
3q
5 2q
Q(s(nTe)
q
0 0
-q
-5 -2q
-3q
-10
-10
0 1 2 3 4 5 -10 -3q -2q -q 0 q 2q 3q 10
-3
x 10 s(nTe)
Fig.IV.35 Caractéristique de la quantification par troncature

IV-2-5 Bruit de quantification

La quantification est une approximation, elle entraine donc une dégradation du signal et
introduit une erreur qui est irréversible. Une fois qu’on a codé les échantillons, on ne peut pas
corriger cette erreur. Pas comme l’échantillonnage où l’erreur est réversible.
On appelle erreur de quantification e la différence entre la valeur de la tension d'entrée
s(nTe) et Q(s(nTe)) :
e = s(nTe) – Q(s(nTe))
Sur les graphiques ci-dessus, l’erreur par troncature est à valeur moyenne égale à q/2, alors que
l’erreur par arrondi est à valeur moyenne nulle.
Bruit de quantification par troncature Bruit de quantification par arrondi
q q/2
q/2 0
0 -q/2
t0 t0
Fig.IV.36 Bruit de quantification
Evaluons la puissance du bruit e, donnée par le carré de sa valeur efficace :

Valeur efficace du bruit de troncature :
t0
2
1 qt 2 q2
e = ∫ ( ) dt =
t0 t0 3
0
Valeur efficace du bruit d’arrondi :

t0
1 q qt 2 q2
e2 = ∫ (− + ) dt =
t0 2 t0 12
0
On peut constater que la valeur efficace du bruit est deux fois plus petite que celle de la
troncature, c’est pourquoi la plupart des quantificateurs procèdent par arrondi.

Exemple 8 : Effet du nombre de bits sur la quantification
5 5
X: 0.00304
Y: 0.6115 X: 0.00307
Y: 0.1546
0 0
-5 -5
0 1 2 3 4 5 0 1 2 3 4 5
-3 -3
x 10 x 10
Fig.IV.37 Effet du nombre de bits sur la quantification
La figure (IV.37) montre que la sinusoïde quantifiée à 5 bits est bien plus proche de la sinusoïde
initiale que celle quantifiée à 3 bits. Le bruit de quantification qui représente l’écart entre la
courbe bleu et le courbe rouge est beaucoup plus faible pour n = 5 bits que pour n = 3 bits. Plus
n est élevé, plus q est petit, meilleure est donc la précision
La quantification est plus précise pour n = 5 bits que pour n = 3 bits, la qualité du signal
numérisée est meilleure.

Echantillonage Et Quantification

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

Echantillonage Et Quantification

Transféré par

Droits d'auteur :

Formats disponibles

CHAPITRE IV

Signal analogique Signal échantillonné

Fig IV.1. Signal analogique et signal échantillonné

Fig IV.2. Signal sinusoïdal tracé par Matlab

Le signal de fréquence f est périodique de période :

Traitement du signal 140 S. HAMDOUNE

Fig IV.3. Signal échantillonné

VI-1-2 Echantillonnage idéal

Fig IV.4. Echantillonneur

La relation (I.27) permet d’extraire la valeur d’un signal à un instant donné t 0.

Traitement du signal 141 S. HAMDOUNE

δTe (t) = ∑ δ(t − nTe )

Fig IV.5. Système d’échantillonnage idéal

L’expression du signal échantillonné est :

𝒯ℱ[se (t)] = Se (f) = 𝒯ℱ[s(t) × δTe (t)]

𝒯ℱ[se (t)] = 𝒯ℱ[s(t)] ∗ 𝒯ℱ [δTe (t)]

d’après la relation (II.64) :

Traitement du signal 142 S. HAMDOUNE

Peigne de Dirac T = 10-4 s

Signal sinusoidal échantillonné F e = 10 kHz

Fig IV.6. Echantillonnage idéal

3- Reconstruction d’un signal à partir de ses échantillons

Traitement du signal 143 S. HAMDOUNE

Spectre du signal analogique

Spectre du signal échantillonné

Fig.IV.8 Reconstitution de S(f) par filtrage

Traitement du signal 144 S. HAMDOUNE

s(t) = se (t) ∗ sinc(Fe t)

Avec la relation (IV.1), on écrit :

s(t) = [ ∑ s(nTe ). δ(t − nTe )] ∗ sinc(Fe t)

En utilisant la propriété du produit de convolution avec un Dirac décalé, on trouve :

s(t) = ∑ s(nTe ). sinc[Fe (t − nTe )]

qui peut s’écrire sous la forme :

Traitement du signal 145 S. HAMDOUNE

Ecrivons la relations (IV.3) pour les huit premiers termes :

Fig.IV.10 Interpolation de Shannon :

Traitement du signal 146 S. HAMDOUNE

IV-1-3 Théorème d’échantillonnage

Spectre du signal échantillonné

-Fe - fmax -Fe + fmax Fe - fmax Fe + fmax

Fig.IV.11 Spectre du signal échantillonné se(t) avec Fe > 2fmax

Spectre du signal échantillonné

-Fe + fmax Fe - fmax

Fig.IV.12 Spectre du signal échantillonné se(t) avec Fe = 2fmax

Traitement du signal 147 S. HAMDOUNE

Spectre du signal échantillonné

-fmax Fe - fmax Fe + fmax

-Fe + fmax fmax

Fig.IV.13 Spectre du signal échantillonné se(t) avec Fe < 2fmax

Le théorème d’échantillonnage de Nyquist-Shannon indique que l’on peut restituer un signal à

Traitement du signal 148 S. HAMDOUNE

Spectre du signal échantillonné

Fig.IV.14 (a) Spectre du signal échantillonné et le filtre passe-bas

On appelle la fréquence Fe = 2fmax = fN , la fréquence de Nyquist.

Signaux Largeur de bande Fréquence d’échantillonnage

Tableau IV.1. Quelques valeurs usuelles de fréquences d’échantillonnage

Exemple 2 : Echantillonnage d’une sinusoïde.

Traitement du signal 149 S. HAMDOUNE

sa transformée de Fourier (Fig.IV.15b) est :

δTe (t) = ∑ δ(t − nTe ) = ∑ δ(t − n 0,125 )

Son spectre est aussi un peigne de Dirac de période Fe :

Le signal est échantillonné à la fréquence Fe = 8 Hz, la période d’échantillonnage est Te =

Le spectre du signal échantillonné est :