Académique Documents
Professionnel Documents
Culture Documents
Notes de cours
Master 2 Professionnel IMAT
Jérémie BIGOT
Septembre 2009
2
Introduction
Ces notes de cours sont une présentation succinte des méthodes d’analyse temps-
échelles basées sur des décomposition en ondelettes. Ces techniques ont de très nom-
breuses applications dans les sciences physiques et les sciences de l’ingénieur en par-
ticulier pour l’estimation et la compression de signaux. Ces notes de cours s’inspire
largement du livre de Stéphane Mallat [7] qui est l’une des meilleures références
sur l’analyse de signaux par ondelettes. Les ouvrages suivants, dont on peut trou-
ver les références dans la bibliographie, peuvent également être consultés pour des
applications plus spécificiques de l’analyse par ondelettes ou pour des compléments
mathématiques :
3
4
Table des matières
1 Représentations temps-fréquence 7
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 La transformée de Fourier . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1 Rappel de quelques propriétés . . . . . . . . . . . . . . . . . . 8
1.2.2 Transformée de Fourier Inverse . . . . . . . . . . . . . . . . . 9
1.2.3 Produit de convolution . . . . . . . . . . . . . . . . . . . . . . 10
1.2.4 Quelques exemples de transformée de Fourier . . . . . . . . . 10
1.2.5 Limitations de la transformée de Fourier . . . . . . . . . . . . 11
1.2.6 Principe d’incertitude d’Heisenberg . . . . . . . . . . . . . . . 12
1.3 La transformée de Gabor . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3.1 Inversion de la transformée de Gabor . . . . . . . . . . . . . . 14
1.3.2 Redondance et noyau reproduisant . . . . . . . . . . . . . . . 15
1.3.3 Taille des boı̂tes d’Heisenberg . . . . . . . . . . . . . . . . . . 15
1.3.4 Quelques exemples de transformée de Gabor . . . . . . . . . . 16
1.3.5 Le problème du choix de la fenêtre . . . . . . . . . . . . . . . 18
1.4 La transformée en ondelettes continue . . . . . . . . . . . . . . . . . . 18
1.4.1 Inversion de la transformée en ondelettes continue . . . . . . . 20
1.4.2 Redondance et noyau reproduisant . . . . . . . . . . . . . . . 20
1.4.3 Taille des boı̂tes d’Heisenberg . . . . . . . . . . . . . . . . . . 21
1.4.4 Quelques exemples de transformée en ondelettes continue . . . 21
5
6
3 Bases d’ondelettes 37
3.1 Bases orthonormées d’ondelettes . . . . . . . . . . . . . . . . . . . . . 37
3.1.1 Quelques rappels sur les bases hilbertiennes . . . . . . . . . . 37
3.1.2 Analyse multirésolution de L2 (R) . . . . . . . . . . . . . . . . 38
3.1.3 Filtres mirroirs conjugués . . . . . . . . . . . . . . . . . . . . 41
3.1.4 Ondelettes orthogonales . . . . . . . . . . . . . . . . . . . . . 42
3.2 Construction de bases d’ondelettes . . . . . . . . . . . . . . . . . . . 44
3.2.1 Liens entre filtres, nombre de moments nuls et régularité de
l’ondelette . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.2.2 Quelques exemples classiques d’ondelettes . . . . . . . . . . . 46
3.2.3 Ondelettes sur un intervalle borné . . . . . . . . . . . . . . . . 47
3.2.4 Ondelettes et bancs de filtres . . . . . . . . . . . . . . . . . . 51
3.3 Bases d’ondelettes pour des images . . . . . . . . . . . . . . . . . . . 53
3.3.1 Bases d’ondelettes séparables et multirésolution en 2D . . . . 53
3.3.2 Algorithme rapide de transformée en ondelettes 2D . . . . . . 54
3.3.3 Quelques exemples de décomposition en ondelettes pour des
images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Représentations temps-fréquence
1.1 Introduction
Que ce soit en mathématiques ou en physique, la transformée de Fourier a été
pendant longtemps un des outils les plus utilisés pour le traitement du signal. Cette
représentation, basée sur la notion physique de fréquence, est bien adaptée pour
traiter des signaux stationnaires c’est à dire des signaux qui possèdent certaines
propriétés invariantes dans le temps. Par contre, la transformée de Fourier n’est pas
optimale pour la description de phénomènes transitoires et se révèle donc imparfaite
pour l’analyse de la plupart signaux rencontrés en pratique.
La principale limitation de la transformée de Fourier est qu’elle ne permet pas
une description locale (sur une partie finie) d’un signal. Pour remedier à ces limita-
tions, des représentations dites temps-fréquence ont été proposées afin d’analyser un
signal à l’aide d’une transformation paramétrée par deux variables : le temps (ou la
position) et la fréquence (ou échelle). Tout au long de ce cours, nous considérerons
qu’un signal f (t) est une fonction réelle du temps (e.g. R 7→ R) ou bien de l’es-
pace (e.g. R2 7→ R). Une représentation temps-fréquence est une transformation qui
associe à un signal f (t) une fonction réelle de deux variables Tf (x, ξ), où x est le
paramètre de temps ou de position et ξ est le paramètre de fréquence ou d’échelle.
Les représentations temps-fréquence que nous verrons dans ce cours, consistent à
projeter une fonction f sur des fonctions analysantes gx,ξ , ce qui revient à calculer
le produit scalaire :
Z
Tf (x, ξ) = hf, gx,ξ i = f (t)gx,ξ (t)dt.
7
8
et la formule de Plancherel
Z +∞ +∞
1
Z
2
|f (t)| dt = ˆ
|f(ω)| 2
dω.
−∞ 2π −∞
10
Remarque : tous ces résultats pour le produit de convolution sont également va-
lables pour l’extension de la transformée de Fourier à L2 (R).
• Une masse de Dirac δt0 (t) au point t0 associe à une fonction sa valeur au point
tR = t0 (une “intégration” d’une fonction régulière par rapport à un Dirac est telle que
+∞
−∞
f (t)δt0 (t)dt = f (t0 )). La masse de Dirac δt0 (t) est une fonction “très localisée”
dans le temps (son support se réduit à t = t0 ) dont la transformée de Fourier est
définie comme (voir [6] pour une définition rigoureuse à partir de la théorie des
distributions) :
δ̂t0 (ω) = e−iωt0 .
• Cosinus et Sinus. Posons cosω0 (t) = cos(ω0 t) et sinω0 (t) = sin(ω0 t). Il s’agit
de fonctions oscillantes à une fréquence unique ω0 ce qui se traduit par deux Dirac
dans la transformée de Fourier en ω0 et −ω0 :
cos
ˆ ω0 (ω) = π δ̂ω0 (ω) + δ̂−ω0 (ω)
ˆ ω0 (ω) = π δ̂ω0 (ω) − δ̂−ω0 (ω) .
sin
i
• Un filtre passe-bas idéal a une fonction de transfert du type : ĥ(ω) = 11[−ω0 ,ω0 ] (ω)
qui sélectionne les fréquences comprises entre −ω0 et ω0 . Sa réponse inpulsionelle
est donnée par la transformée de Fourier inverse :
sin(ω0 t)
. h(t) =
πt
Comme expliqué précédemment, la transformée de Fourier d’un signal permet
d’obtenir des informations sur son contenu fréquentiel. La Figure 1.1 représente une
sinusoı̈de de fréquence 200 Hz (i.e. ω0 = 400π) observée avec un bruit aléatoire qui
correspond au défaut des instruments de mesure et à la présence de parasites. La
transformée de Fourier de ce signal permet de retrouver la fréquence de la sinusoı̈de
malgrè la présence de ce bruit.
5
500
4
450
3
400
2
350
1
300
0 250
−1 200
−2 150
−3 100
−4 50
−5 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 50 100 150 200 250 300 350 400 450 500
(a) (b)
Fig. 1.1 – (a) Signal : sinus à 200 Hz + bruit et (b) sa transformée de Fourier pour
les fréquences positives (l’axe des abscisses donne ν = ω/2π)
0.8
250
0.6
0.4
200
0.2
0 150
−0.2
100
−0.4
−0.6
50
−0.8
−1 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 50 100 150 200 250
(a) (b)
Fig. 1.2 – (a) Signal : sinus à 10 Hz suivi d’un sinus à 30 Hz et (b) sa transformée
de Fourier pour les fréquences positives (l’axe des abscisses donne ν = ω/2π)
moyenne ω̄ de f par :
Z +∞
¯ 1
f = t|f (t)|2 dt,
kf k2 −∞
Z +∞
1 ˆ 2
ω̄ = 2
ω|f(ω)| dω.
2πkf k −∞
Alors,
1
σt σω ≥ , (1.1)
2
et cette inégalité est une égalité si et seulement si f est une Gaussienne i.e de la
2
forme f (t) = Aeiω0 t−B(t−m0 ) .
où g ∈ L2 (R) est une fenêtre réelle et symmétrique (i.e. g(t) = g(−t)) qui est
translatée dans le temps par x et modulée par la fréquence ξ. Afin de simplifier les
notations, nous supposerons que kgk = 1 ce qui implique que kgx,ξ k = 1.
Théorème 1.4 Soit F ∈ L2 (R2 ). Alors il existe une fonction f ∈ L2 (R) telle que
F (x, ξ) = Gf (x, ξ) si et seulement si :
+∞ +∞
1
Z Z
F (x, ξ) = K(x, ξ, x′ , ξ ′)F (x′ , ξ ′ )dx′ dξ ′,
2π −∞ −∞
Z +∞ Z +∞
σt2 = 2 2
t2 |g(t)|2dt,
(t − x) |gx,ξ (t)| dt =
−∞ −∞
Z +∞ Z +∞
1 1
σω2 = 2 2
(ω − ξ) |ĝx,ξ (ω)| dω = ω 2 |ĝ(ω)|2dω.
2π −∞ 2π −∞
16
Etant donné la symmétrie de g et ĝ, on peut facilement remarquer que σt2 et σω2
sont indépendantes de x et ξ. La représentation dans le plan temps-fréquence de la
fonction gx,ξ correspond à une boı̂te d’Heisenberg centrée au point (x, ξ) et d’aire
σt σω (voir Figure 1.3). La taille de cette boı̂te est indépendante de la position x et
de la fréquence ξ, ce qui implique que la résolution temps-fréquence de la TG est la
même dans tout le plan temps-fréquence. La TG correspond donc à des translations
successives en temps et en fréquence d’une boı̂te d’Heisenberg de taille constante.
L’aire minimale de cette boı̂te est limitée par le principe d’incertitude d’Heisenberg :
σt σω ≥ 1/2. Rappelons qu’il y a égalité si la fenêtre g est une Gaussienne, ce qui
justifie ce choix en pratique.
Insérer Figure
Fig. 1.3 – Boı̂tes d’Heisenberg pour la TG dans le plan temps-fréquence pour deux
fonctions analysantes gx,ξ et gx′ ,ξ ′
1 −i(ξ−ω0 )x
ĝ(ξ − ω0 ) − e−i(ξ+ω0 )x ĝ(ξ + ω0 ) .
Gf (x, ξ) = e
2i
Etant donnée que ĝ est localisée autour de ω = 0, l’équation ci-dessus montre que
le maximum de l’amplitude de Gf (x, ξ) se situe au voisinage de ξ = ω0 et ξ = −ω0 .
La phase de la TG permet également de retrouver la fréquence du signal. Toute-
fois, du fait de l’introduction d’une fenêtre d’analyse, la localisation du comporte-
ment temps-fréquence du signal n’est pas parfaite. La TG diminue nécessairement
la résolution alors que pour la transformée de Fourier d’un sinus, on obtient deux
masses de Dirac en ξ = ω0 et ξ = −ω0 . Par contre, la TG permet de repérer les
changements de la fréquence d’un signal au cours du temps. La Figure 1.4 donne la
TG d’un signal constitué de deux sinusoı̈des successives de fréquence 10 et 30 Hz.
L’analyse de l’amplitude et de la phase de la TG permet clairement de mettre en
évidence le changement de fréquence au point t = 0.5.
1 100 100
0.8 90 90
0.6 80 80
0.4 70 70
0.2 60 60
0 50 50
−0.2 40 40
−0.4 30 30
−0.6 20 20
−0.8 10 10
−1 0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Fig. 1.4 – (a) Signal : sinus à 10 Hz suivi d’un sinus à 30 Hz, (b) module et (c)
phase de sa transformée de Gabor Gf (x, ξ). L’axe des abscisses donne la position
x et l’axe des ordonnées représente les fréquences positives pour ν = ξ/2π. Le noir
représente les coefficients de la TG d’amplitude maximale, et le blanc les coefficients
d’amplitude minimale.
Si les fonctions A(t) et φ(t) sont suffisamment régulières et sous certaines hypothèses
sur la fenêtre g, alors on peut montrer que pour ξ ≥ 0
1
Gf (x, ξ) ≈ A(x)ei(φ(x)−ξx) ĝ(ξ − φ′ (x))).
2
1 100 100
0.8 90 90
0.6 80 80
0.4 70 70
0.2 60 60
0 50 50
−0.2 40 40
−0.4 30 30
−0.6 20 20
−0.8 10 10
−1 0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Fig. 1.5 – (a) Chirp linéaire (b) module et (c) phase de sa transformée de Gabor
Gf (x, ξ). L’axe des abscisses donne la position x et l’axe des ordonnées représente
les fréquences positives pour ν = ξ/2π
18
45 180
3.5
3
40 160
2.5 35 140
2 30 120
1.5 25 100
1 20 80
0.5 15 60
0 10 40
−0.5 5 20
−1 0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Nous verrons par la suite que l’analyse par ondelettes est un outil puissant pour
caractériser simultanément les différentes composantes temps-fréquence d’un signal.
Les premiers travaux sur les ondelettes remontent au début des années 1980.
Grossmann qui travaillait en physique théorique et Morlet un chercheur en traite-
ment du signal ont été parmi les premiers scientifiques à étudier les propriétés de la
transformée en ondelettes continue. Dès leur début, les travaux sur la théorie des on-
delettes sont donc caractérisés par la collobaration entre des scientifiques provenant
aussi bien des mathématiques, de la physique que du traitement du signal. C’est
encore le cas des travaux en cours sur les ondelettes, ce qui explique le succès de cet
outil et sa très large diffusion dans la communauté scientifique.
Une ondelette est une fonction ψ ∈ L2 (R) de moyenne nulle i.e. telle que :
Z +∞
ψ(t)dt = 0.
−∞
Nous supposerons de plus que l’ondelette est normalisée : kψk = 1.Dans l’analyse
par ondelettes, les fonctions analysantes sont définies à partir de translations et
dilatations/contractions de l’ondelette “mère” ψ :
1 t−x
ψx,s (t) = √ ψ( ),
s s
où x ∈ R définit la translation temporelle et s > 0 est l’échelle de dilatation/contraction.
Par définition, l’énergie des fonctions analysantes est constante : kψx,s k = kψk = 1.
Définition 1.4 La transformée en ondelettes continue d’une fonction f ∈ L2 (R)
au point x ∈ R et à l’échelle s > 0 est définie par :
Z +∞
1 t−x
Wf (x, s) = hf, ψx,s i = f (t) √ ψ( )dt.
−∞ s s
• Ondelettes réelles et complexes : dans ce cours, nous nous limiterons à l’étude
des ondelettes à valeurs réelles dans un souci de simplification. Les ondelettes réelles
sont bien adaptées pour la détection de changements brusques dans un signal. Les
ondelettes complexes, appelées également ondelettes analytiques, sont utilisées pour
séparer la phase et l’amplitude des composantes d’un signal. Elles sont en particulier
bien adaptées pour la détection de fréquences instantanées. Pour plus de précisions
sur les ondelettes analytiques, nous renvoyons à [7]. Ainsi, dans tout ce qui suit,
nous supposerons que ψ(t) ∈ R pour tout t ∈ R.
Théorème 1.5 Soit ψ ∈ L2 (R) une ondelette admissible, alors pour tout f ∈ L2 (R)
on a (au sens de la convergence forte dans L2 (R))
Z +∞ Z +∞
1 1 t − x dxds
f (t) = Wf (x, s) √ ψ( ) 2 .
Cψ 0 −∞ s s s
De plus, la TCO conserve l’énergie du signal
Z +∞ Z +∞ Z +∞
2 1 dxds
|f (t)| dt = |Wf (x, s)|2 2 .
−∞ Cψ 0 −∞ s
Insérer Figure
Fig. 1.7 – Boı̂tes d’Heisenberg pour la TOC dans le plan temps-fréquence pour deux
fonctions analysantes ψx,s et ψx′ ,s′ avec s < s′ .
des ondelettes pour la détection de singularités dans des signaux (dans les deux cas,
l’ondelette choisie est la dérivée première d’une Gaussienne).
• Deux sinusoı̈des successives + masses de Dirac. La Figure 1.8 donne les valeurs
de la TCO du signal constitué de deux sinusoı̈des successives de fréquences 5 Hz et
15 Hz, et de deux masses de Dirac aux points t = 0.3 et t = 0.7. Ce signal a déjà
été étudié pour illustrer les limitations de la TG. La TCO permet de rendre compte
de toutes les composantes du signal. Les grandes échelles permettent d’analyser la
partie sinusoı̈dale du signal, alors que l’analyse aux fines échelles met en évidence la
présence des deux masses de Dirac.
3.5 9
3 8
2.5
7
2
6
1.5
5
1
4
0.5
3
0
2
−0.5
−1 1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
(a) (b)
Fig. 1.8 – (a) Signal : sinus à 5 Hz suivi d’un sinus à 15 Hz + deux masses de Dirac,
(b) module de sa transformée en ondelettes continue : l’axe des abscisses représente
la position x, et l’axe des ordonnées l’échelle s en coordonnée logarithmique i.e.
− log2 (s)
23
35 10
9.5
30
9
8.5
25
20 7.5
15
6.5
6
10
5.5
5 5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
(a) (b)
Fig. 1.9 – (a) Signal présentant 3 singularités (b) module de sa transformée en on-
delettes continue : l’axe des abscisses représente la position x, et l’axe des ordonnées
l’échelle s en coordonnée logarithmique i.e. − log2 (s)
24
Chapitre 2
De plus,
– la régularité Lipschitizienne de f au point x0 est le supremum des α pour
lesquels f est ponctuellement Lipschitzienne d’ordre α en x0 .
– une fonction est dite uniformément Lipschitzienne d’ordre α, si elle satisfait
l’équation (2.1) pour tout x0 ∈ [a, b] avec une constante C qui est indépendante
de x0 .
25
26
Définition 2.2 Une ondelette ψ ∈ L2 (R) a r ∈ N∗ moments nuls si pour tout entier
0≤k<r Z +∞
tk ψ(t)dt = 0.
−∞
0.9
0.8
|x-x0| < Cs
0.7
0.6
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
x
10 11
10
6
4 9
2
8
0
−2 7
−4
6
−6
−8 5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
(a) (b)
Fig. 2.2 – (a) Signal présentant 3 singularités (b) Module de sa TOC pour la dérivée
seconde d’une Gaussienne : l’axe des abscisses représente la position x, et l’axe des
ordonnées − log2 (s)
Définition 2.3 Le terme maxima d’ondelette est utilisé pour décrire tout point
(m0 , s0 ) dans le plan temps-échelle tels que x 7→ |Wf (x, s0 )| est locallement maximum
au point x = m0 . Ce maximum local doit être strict à droite ou à gauche de m0 . On
appelle ligne de maxima d’ondelette toute courbe continue m(s) dans le plan
temps-échelle telle que les points (m(s), s) soient des maxima d’ondelette.
Théorème 2.3 Supposons que l’ondelette ψ est à support compact. S’il existe une
échelle s0 > 0 telle que |Wf (x, s)| n’a pas de maximum local pour x ∈ [a, b] et pour
tout s < s0 , alors f est uniformément Lipschitizienne d’ordre r sur ]a, b[.
lim mp = x0 et lim sp = 0.
p→+∞ p→+∞
Cette propriété est illustrée dans la Figure 2.3 qui représente les lignes de maxima
d’ondelettes d’une fonction contenant 3 singularités aux points x = 0.1, x = 0.5 et
x = 0.8, où la TOC a été calculée pour la dérivée seconde d’une Gaussienne i.e. pour
r = 2. On peut constater que plusieurs lignes de maxima d’ondelettes convergent
vers les singularités de la fonction. Il existe également d’autres lignes de maxima qui
convergent vers des parties régulières du signal. Ces lignes sont dues à la présence de
zéros dans la dérivée troisième du signal. En effet, si f est C r+2 dans un intervalle
[a, b] et si f (r+1) a zero au point x0 telle que f (r+2) (x0 ) 6= 0, on peut montrer qu’il
existe une ligne de maxima d’ondelettes qui converge vers x0 quand s tend vers zéro.
Pour cela, on peut tout d’abord remarquer que si f est r fois continûment R +∞ dérivale
Wf (x0 ,s) (r)
au voisinage de x0 , alors lims→0 sr+1/2 = Kf (x0 ) où K = −∞ θ(t)dt, et que
30
∂W (m(s),s)
par définition, si m(s) est une ligne de maxima d’ondelettes alors f ∂x = 0. A
l’aide du théorème des fonctions implicites, on montre alors que si f (r+1) (x0 ) = 0 et
∂Wf (m(s),s)
f (r+2) (x0 ) 6= 0, il existe m(s) → x0 quand s → 0 telle que ∂x
= 0.
10 8
8 7
6
6
4
5
2
4
3
−2
2
−4
1
−6
−8 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
(a) (b)
Fig. 2.3 – (a) Signal présentant 3 singularités (b) Lignes de maxima d’ondelette
pour la dérivée seconde d’une Gaussienne : l’axe des abscisses représente la position
x, et l’axe des ordonnées − log2 (s)
Remarque : les points pour lesquels toutes les lignes de maxima d’ondelettes se
concentrent dans un cone dans le plan temps-échelle sont des singularités dites
isolées. Les lignes de maxima sont bien adaptées pour mesurer l’exposant Lipschitz
de ce type de singularités. Toutefois, nous verrons en TP qu’il existe des fonctions
pour lesquelles il n’est pas possible d’estimer la régularité ponctuelle de certains
points à partir de cette technique.
31
(a) (b)
(c) (d)
Fig. 2.4 – (a) Image d’un caméraman. TOC en 2D pour le Laplacien d’une Gaus-
sienne : (b) s = 1, (c) s = 2, (d) s = 3. Le noir représente les pixels d’intensité
maximale et le blanc ceux d’intensité minimale.
Il s’agit donc d’une tranformée en ondelette avec r = 1 moment nul. Afin de simplifier
les calculs numériques il est possible de d’échantillonner le paramètre de résolution
s selon une échelle dyadique i.e. de prendre s = 2j pour j ∈ Z. Dans les deux
directions indexées par k = 1, 2 et pour s = 2j , on définit alors la transformée en
ondelette dyadique 2D (abrégée TOD 2D) d’une fonction f ∈ L2 (R) comme
1 k u−x
Z
k j
Wf (x, 2 ) = f (u) j ψ du.
R2 2 2j
∂
Wfk (x, 2j ) = 2j (f ⋆ θ2∗j )(x),
∂xk
1
où θ2∗j (u) = 2j
θ( −u
2j
). Les composantes horizontales et verticales de la TOD 2D sont
33
Mf (x, 2j ) ≤ A2j(α+1/2) .
La Figure 2.5 donne un exemple de TOD 2D. On peut constater que les grandes
valeurs de Mf (x, 2j ) se concentrent au niveau des contours de l’image.
Nous avons montré précédemment que cette quantité est proportionnelle au module
du gradient de l’image f lissée par le noyau θ à l’échelle 2j i.e.
si Wf1 (x, 2j ) ≥ 0,
j α(x)
Af (x, 2 ) =
π − α(x) si Wf1 (x, 2j ) < 0,
où !
Wf2 (x, 2j )
α(x) = tan−1 .
Wf1 (x, 2j )
Le vecteur unitaire − →
n j (x) = (cos Af (x, 2j ), sin Af (x, 2j )) est donc colinéaire au
gradient ∇(f ⋆ θ2∗j )(x). Un point d’un contour à l’échelle 2j est alors défini comme
un point y tel que x 7→ Mf (x, 2j ) est localement maximum au point x = y pour x =
y + λ− →
n j (y) et λ suffisamment petit. Ces points sont également appelés les maxima
d’ondelettes de l’image f à l’échelle 2j . Ainsi, la détection des contours dans une
image via les maxima d’ondelettes est équivalente à un détecteur de Canny multi-
échelles. La Figure 2.5 donne un exemple de détection de contours dans une image à
partir des maxima d’ondelettes pour un noyau θ Gaussien. On peut constater qu’il
est possible de détecter uniquement les contours significatifs en garder les maxima
d’ondelettes tels que le module de la TOD 2D en ces points est suffisamment grand
par rapport à un seuil bien choisi.
35
Bases d’ondelettes
Dans les chapitres précédents, nous avons introduit la TOC qui permet une
représentation temps-fréquence d’un signal. Nous avons montré que cette transfor-
mation est inversible et qu’elle conserve l’énergie du signal. Toutefois, il s’agit d’une
représentation très redondante qui nécessite de connaı̂tre l’ensemble des coefficients
d’ondelettes pour pouvoir reconstruire un signal. Dans ce chapitre, nous allons nous
intéresser à des représentations discrètes d’une fonction qui permettent de résumer
l’information contenue dans un signal avec peu de coefficients. En particulier, nous
allons montrer qu’il est possible de construire des ondelettes ψ telle que la famille
t − 2j k
1
ψj,k (t) = √ ψ
2j 2j (j,k)∈Z2
soit une base orthonormée de L2 (R). Pour une fonction f ∈ L2 (R), les produits
scalaires hf, ψj,k i sont appellés les coefficients d’ondelettes dans la base {ψj,k }(j,k)∈Z2 ,
et tout signal pourra donc s’écrire sous la forme f = +∞
P P+∞
j=−∞ k=−∞ hf, ψj,k iψj,k . Les
coefficients d’ondelettes au niveau de résolution j caractérisent les variations d’un
signal à l’échelle 2j . Nous allons en particulier montrer que la construction de telle
bases permet d’établir un lien entre l’analyse multi-échelle de signaux (largement
utilisée en vision par ordinateur), la théorie du filtrage discret en traitement du
signal et les mathématiques appliquées.
37
38
Définition 3.2 Soit H un espace de Hilbert et soit (Hn )n≥0 une suite de sous-
espaces vectoriels fermés de H. On dit que H est une somme hilbertienne des Hn
si
– ∀m 6= n, ∀(x, y) ∈ Hm × Hn , hx, yi = 0
– l’espace vectoriel
L engendré par les Hn est dense dans H.
On note alors, H = n≥0 Hn .
L
Proposition 3.3 Soit H = n≥0 Hn . Si x ∈ H, on pose pour tout n ∈ N, xn =
PHn x. On Pa alors PN
– x = n≥0 x n , i.e. lim N →∞ n=0 xn = x
– kxk2 = n≥0 kxn k2 (égalité de Bessel-Parseval)
P
Réciproquement, soit (xn )Pune suite dans H telle que pour tout n, xn ∈ Hn et
P 2 N
n≥0 kxn k < +∞, alors n=0 xn converge vers un point x ∈ H tel que pour tout
n ∈ N, xn = PHn x.
Définition 3.3 On appelle base hilbertienne (ou base orthonormée) une suite (en )n≥0
d’éléments de H telle que
– hen , em i = δn,m
– l’espace vectoriel engendré par les (en )n≥0 est dense dans H.
Définition 3.4 Une analyse multirésolution (AMR) de L2 (R) est une succession
de sous-espaces fermés (Vj )j∈Z qui satisfait les 6 propriétes suivantes
Dans ce qui suit, nous allons montrer que l’on peut entièrement spécifier une
AMR à partir de la donnée d’une fonction d’échelle φ. Les deux fonctions suivantes
sont des exemples classiques d’une AMR de L2 (R)
25 17 22 24
22
16 20
20
20
15 18
18
15
14 16
16
14
13 14
10
12
12 12
10
5
11 10
8
0 10 8 6
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
4
2
2 2
3 1.5
2 1
1 1
1 0.5
0 0 0 0
−1 −0.5
−1 −1
−2 −1
−3 −1.5
−2 −2
−4 −2
−3 −5 −2.5 −3
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Fig. 3.1 – (a) Signal présentant 2 singularités. Approximation constante par mor-
ceaux au niveau : (b) j = 1, (c) j = 2 et (d) j = 3. Projection du signal sur les
sous-espaces d’ondelettes (e) W0 , (f) W1 , (g) W2 et (h) W3 .
41
Supposons que l’on ait construit une AMR de L2 (R). La propriété (3.2) impose
que 2−1/2 φ(t/2) ∈ V1 ⊂ V0 et comme {φ(t − k), k ∈ Z} est une base orthonormée
de V0 , on obtient que :
k=+∞
1 t X
√ φ( ) = hk φ(t − k)
2 2 k=−∞
où
hk = h2−1/2 φ(t/2), φ(t − k)i.
La suite hk s’interprète
P+∞comme−ikω
un filtre discret dont la transformée de Fourier est
définie par ĥ(ω) = n=−∞ hk e ce qui permet d’obtenir l’expression suivante :
1
φ̂(2ω) = √ ĥ(ω)φ̂(ω).
2
Théorème 3.1 Soit φ ∈ L2 (R) une fonction d’échelle d’une AMR, alors la trans-
formée de Fourier du filtre défini par hk = h2−1/2 φ(t/2), φ(t − k)i vérifie
√
∀ω ∈ R, |ĥ(ω)|2 + |ĥ(ω + π)|2 = 2, et ĥ(0) = 2. (3.6)
alors le produit !
+∞
Y ĥ(2−iω)
φ̂(ω) = √ ,
i=1
2
est la transformée de Fourier d’une fonction d’échelle φ ∈ L2 (R) qui définit une
AMR.
La caractérisation des fonctions d’échelles à partir de la donnée des filtres (hk )k∈Z
permet donc d’établir un lien entre les mathématiques appliquées et la théorie du
filtrage discret en traitement du signal. Ceci va se révéler particulièrement utile pour
le calcul des coefficients d’ondelettes d’un signal discret comme nous le verrons par
la suite. Nous avons vu précédemment que pour l’
– Approximation constante par morceaux, φ(t) = 11[0,1] (t) et que φj,k (t) =
2−j/2 11Ij,k (t), (j, k) ∈ Z2 . On obtient alors que
√1
2
si k = 0, 1
hk =
0 sinon
L’espace Wj permet de calculer les détails PWj f pour la fonction f qui permettent
de passer de l’approximation à l’échelle 2j à une approximation plus fine à l’échelle
2j−1 . De la définition d’une AMR, on déduit les propriétés suivantes (S. Mallat et
Y. Meyer) qui permettent de construire une base orthornormée de Wj à partir de
contractions et dilatations d’une ondelette ψ :
– ∀(j, j ′ ) ∈ Z2 , j 6= j ′ ⇒ Wj ⊥Wj ′ ,
2
L
– j∈Z Wj = L (R),
– f (t) ∈ Wj ⇐⇒ f ( 2t ) ∈ Wj+1
– ∀(j, k) ∈ Z2 , f (t) ∈ Wj =⇒ f (t − 2j k) ∈ Wj
– soit
1 ω ω
ψ̂(ω) = √ ĝ( )φ̂( ), avec ĝ(ω) = e−iω ĥ(ω + π),
2 2 2
j
et posons ψj,k (t) = √12j ψ t−2 2j
k
. Alors pour tout j ∈ Z, {ψj,k , k ∈ Z} est une
base orthonormée de Wj , et donc {ψj,k , (j, k) ∈ L2 (R)} est une base ortho-
normée de L2 (R). La fonction ψ est appelée ondelette mère ou plus simplement
ondelette de l’AMR.
et pour tout j0 ∈ Z,
j0 +∞ j0 +∞
X X X X
f = PVj0 f + PW j f = hf, φj0 ,k iφj0 ,k + hf, ψj,k iψj,k .
j=−∞ k=−∞ j=−∞ k=−∞
On peut également montrer que (gk )k∈Z est un filtre mirroir de (hk )k∈Z i.e.
gk = (−1)1−k h1−k .
44
Cette propriété de filtre en mirroir joue un rôle important dans la mise au point d’al-
gorithmes rapides de transformée en ondelettes. En reprenant les exemples précédents
d’AMR, on obtient que
et
1
− √2 si k = 0
gk = √1 si k = 1
2
0 sinon
√
– Approximation de Shannon, φ̂(ω) = 11[−π,π] (ω) et ĥ(ω) = 211[−π/2,π/2] (ω)
ce qui implique que
−iω/2 S
e si ω ∈ [−2π, −π] [π, 2π]
ψ̂ =
0 sinon,
et
sin 2π(t − 1/2) sin π(t − 1/2)
ψ(t) = − .
2π(t − 1/2) π(t − 1/2)
Généralement, pour les ondelettes orthogonales,
S l’énergie de ψ̂ est essentiellement
concentrée sur les intervalles [−2π, −π] [π, 2π]. La projection de f sur l’espace Wj
correspond donc à un filtrage passe-bande dont la largeur dépend du niveau de
résolution j. La Figure 3.1 donne un exemple de projection d’une fonction dans
différents espaces de détails Wj , j = 0, 1, 2, 3 pour la base de Haar.
– la régularité de f
– du nombre de moments nuls r
– de la taille du support de ψ
Les deux dernières propriétés ainsi que la régularité de l’ondelette ψ peuvent être
reliées aux caractéristiques du filtre (hk )k∈Z .
Enfin, il est important d’insister sur le fait que l’amplitude des coefficients d’on-
delettes dépend du nombre de moments nuls et non de la régularité de l’ondelette
ψ.
• Coiflets : il s’agit d’une ondelette qui a r moments nuls et une taille de support
minimale, dont la fonction d’échelle φ vérifie
Z +∞ Z +∞
φ(t)dt = 1, et tk φ(t)dt = 0 pour 1 ≤ k < r.
−∞ −∞
Ces fonctions d’échelles sont très utiles pour établir des formules précises entre l’ap-
proximation d’une fonction dans un espace VJ etRl’échantillonnage d’une fonction. En
+∞
effet, pour une ondelette donnée on a toujours −∞ φ(t)dt = 1 et si on suppose que
f est C 1 alors, en utilisant un développement de Taylor, on obtient l’approximation
suivante entre les échantillons de f et sa projection dans le sous-espace VJ :
La Figure 3.2 donne les graphes des ondelettes de Daubechies et Symmlets pour
différentes valeurs de r. On peut constater que pour ces ondelettes la régularité de
ψ augmente avec r.
2 2 1.5
1.5 1.5
1 1
0.5
0.5 0.5
0 0
0
−0.5 −0.5
−0.5
−1 −1
−1.5 −1.5 −1
−1 −0.5 0 0.5 1 1.5 2 −2 −1.5 −1 −0.5 0 0.5 1 1.5 2 2.5 3 −3 −2 −1 0 1 2 3 4
1 1
0.5
0.5 0.5
0 0
−0.5
−0.5 −0.5
−1
−1 −1
8 −2.5
6 −3
−3.5
4
−4
2
−4.5
0
−5
−2
−5.5
−4
−6
−6 −6.5
−8 −7
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
(a) (b)
−2 −2
−2.5 −2.5
−3 −3
−3.5 −3.5
−4 −4
−4.5 −4.5
−5 −5
−5.5 −5.5
−6 −6
−6.5 −6.5
−7 −7
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
(c) (d)
[0, 1], car cette extension crée généralement deux discontinuités en t = 0 et t = 1 qui
génèrent de grands coefficients près des bords. Des bases d’ondelettes de L2 ([0, 1])
sont obtenues en modifiant les ondelettes (ψj,k )(j,k)∈Z2 d’une base de L2 (R). Les on-
delettes intérieures (dont le support est inclus dans [0, 1]) ne sont pas modifiées,
alors que les ondelettes aux bords, dont le support contient les points t = 0 ou t = 1,
sont transformée en des fonctions à support dans [0, 1] de sorte à générer une base
orthonormée de L2 ([0, 1]). La principale difficulté de cette construction est d’obtenir
des ondelettes qui conservent leur nombre de moments nuls. Nous citerons deux ap-
proches pour construire des ondelettes sur un intervalle bornée et nous détaillerons
uniquement la construction pour des ondelettes périodiques. Les fonctions d’échelle
φj,k sont également modifiées pour avoir un support inclus dans [0, 1]. Si ψ est à
support compact, il existe un nombre constant d’ondelettes incluses dans un inter-
valle borné à chaque échelle. Une base orthonormée d’ondelettes de L2 ([0, 1]) est
alors constituée de 2−J fonctions d’échelle à une échelle 2J < 1 et de 2−j ondelettes
à chaque échelle 2j ≤ 2J :
n o
(φ̃J,k )0≤k<2−J , (ψ̃j,k )−∞<j≤J,0≤k<2−j ,
49
2−J
X −1 J
X 2X−1 −j
Sur un intervalle [a, b], une base orthonormée d’ondelettes de L2 ([a, b]) peut alors
se construire par translation de a et dilatation par b − a d’ondelettes sur l’intervalle
[0, 1].
• Ondelettes périodiques : une base d’ondelettes de L2 ([0, 1]) peut être obtenue
en périodisant une AMR de L2 (R) i.e. en posant
+∞
X +∞
X
−J/2 −j/2
φ̃J,k (t) = 2 φJ,k (t + l) et ψ̃j,k (t) = 2 ψj,k (t + l) .
l=−∞ l=−∞
1.5 1
1
0.5
0.5
−0.5
−0.5
−1
−1
−1.5 −1.5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
(a) (b)
Fig. 3.4 – Ondelettes périodiques sur [0, 1] pour j = −3, k = 0 (a) Daubechies , (b)
Symmlets (r = 6).
n o
−j
En notant Ṽj et W̃j les sous-espaces vectoriels engendrés par φ̃j,k , 0 ≤ k < 2
n o
et ψ̃j,k , 0 ≤ k < 2−j respectivement, on montre que les ondelettes périodiques
50
∀j ≤ 0, Ṽj ⊂ Ṽj−1
[
Ṽj = L2 ([0, 1])
j≤0
2 −2
1.8 −3
1.6 −4
1.4 −5
1.2 −6
1 −7
0.8 −8
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
(a) (b)
Fig. 3.5 – (a) Signal régulier f avec une singularité en x = 0.5, (b) Coefficients
d’ondelettes pour une Symmlet avec r = 8 moments nuls. On peut remarquer que
f (0) et f (1) sont très différents, ce qui génére de grands coefficients aux bords de
[0, 1].
51
Soient (hk )k∈ZZ et (gk )k∈ZZ les filtres conjugués en miroir associés aux fonctions
φ et ψ. On montre alors que
Pour une suite (xk )k∈Z , on note (x̄k )k∈Z la suite obtenue en inversant les éléments
de la suite x i.e. x̄k = x−k . Les formules de décomposition ci-dessus peuvent alors
s’exprimer à l’aide de convolutions discrètes suivies par un sous-échantillonnage d’un
facteur 2 :
La décomposition d’un signal dans une base d’ondelettes fait donc intervenir une
succession de convolutions discrètes avec le filtre passe-bas h̄ et le filtre passe-haut ḡ.
La décomposition d’une suite aL = hf, φL,k i, k ∈ Z dans une base orthonormée d’on-
delette est donc composée des coefficients d’ondelettes de f aux échelles 2L < 2j ≤ 2J
plus les coefficients d’échelles à l’échelle la plus grossière 2J i.e. l’ensemble de co-
efficients {(dj )L<j≤J , aJ } qui est calculé à l’aide des formules de décomposition
ci-dessus.
Pour une suite (xk )k∈Z , on note (x̃k )k∈Z la suite obtenue en insérant un zéro entre
chaque élément de la suite x i.e. x̃k = xp si k = 2p et x̃k = 0 si k = 2p + 1. Les
formules de décomposition ci-dessus peuvent alors s’exprimer à l’aide de convolutions
discrètes
L’ensemble de fonctions φ2j,k (x1 , x2 ) = φj,k1 (x1 )φj,k2 (x2 ) k=(k ,k )∈Z2 constitue
1 2
une base orthonormée de Vj2 obtenue en dilatant la fonction d’échelle φ2 (x1 , x2 ) =
φ(x1 )φ(x2 ) d’un facteur 2j et en la translatant sur une grille 2D de côté 2j .
2 2
Soit Wj+1 le complément orthogonal de Vj+1 dans Vj2 i.e.
M
Vj2 = Vj+1
2 2
Wj+1 .
Une base d’ondelettes orthogonales de Wj2 peut être construite en définissant trois
ondelettes
ψ 1 (x1 , x2 ) = φ(x1 )ψ(x2 )
ψ 2 (x1 , x2 ) = ψ(x1 )φ(x2 )
ψ 3 (x1 , x2 ) = ψ(x1 )ψ(x2 ).
54
p 1 p x1 −2j k1 x2 −2j k2
En posant pour 1 ≤ p ≤ 3 et k = (k1 , k2 ) ∈ Z2 , ψj,k (x) = 2j
ψ 2j
, 2j , on
1 2 3
montre que la famille d’ondelettes {ψj,k , ψj,k , ψj,k }k∈Z2 est une base orthogonale de
2 1 2 3
Wj et que {ψj,k , ψj,k , ψj,k }j∈Z,k∈Z2 est une base d’ondelettes orthogonales de L2 (R2 ).
Nous verrons par la suite que les coefficients d’ondelettes calculés avec
– ψ 1 sont larges le long des contours horizontaux,
– ψ 2 sont larges le long des contours verticaux,
– ψ 3 sont larges le long des contours diagonaux dans une image.
Soient (hk )k∈Z et (gk )k∈Z les filtres associés à l’ondelette ψ. On a alors les rela-
tions suivantes :
(a)
Fig. 3.6 – (a) Image de Lenna, 256 × 256 pixels. Approximation avec des ondelettes
de Haar dans les espaces Vj : (b) j = −6, (c) j = −5, (d) j = −4. Approximation
avec des ondelettes Symmlets avec r = 8 moments nuls dans les espaces Vj : (e)
j = −6, (f) j = −5, (g) j = −4.
Insérer Figure
50 50
100 100
150 150
200 200
250 250
50 100 150 200 250 50 100 150 200 250
(a) (b)
50 50
100 100
150 150
200 200
250 250
50 100 150 200 250 50 100 150 200 250
(c) (d)
50 50
100 100
150 150
200 200
250 250
50 100 150 200 250 50 100 150 200 250
(e) (f)
Approximation, estimation et
compression dans des bases
d’ondelettes
Définition 4.2 Les espaces de Hölder ponctuels C α ({x0 }) sont définis par :
– si 0 < α < 1, C α ({x0 }) = {f ∈ L∞ (R); suph>0 |f (x0 +h)−f
|h|α
(x0 )|
< +∞}
n
– si α = n + α , avec 0 < α < 1, C ({x0 }) = {f ∈ C ({x0 }); ddxnf ∈ C α ({x0 })
′ ′ α n ′
59
60
suivante
Si s > n + 1/2 alors on peut vérifier que si f ∈ W s (R) alors f est nécessairement
n fois continûment dérivable. Dans ce qui suit, nous allons étudier des fonctions
définies sur l’intervalle [0, 1]. L’espace de Sobolev W s ([0, 1]) est alors défini comme
l’ensemble des fonctions de L2 ([0, 1]) qu’on peut étendre en dehors de [0, 1] en des
fonctions de W s (R).
Nous avons vu précédemment qu’il est possible de construire des bases d’onde-
lettes orthogonales de L2 ([0, 1]). Afin de présenter les propriétés d’approximation des
ondelettes, nous supposerons que l’on dispose d’une AMR de L2 ([0, 1]) constituée de
2−j0 fonctions d’échelles {φj0 ,k }0≤k<2−j0 (avec 2−j0 > 1 et d’un ensemble de fonctions
ondelettes {ψj,k }−∞<j≤j0,0≤k<2−j . Nous supposerons de plus que les ondelettes ψj,k
possèdent r moments nuls (rappelons que la construction de telles ondelettes a été
proposée par Cohen et al). Notons que cette hypothèse exclue l’utilisation des onde-
lettes périodiques car dans ce cas les ondelettes aux bords de l’intervalle [0, 1] n’ont
pas de moments nuls. Les résultats indiqués dans la suite restent toutefois valable
avec des ondelettes périodiques si on impose que le support du signal analysé est
strictement inclus dans [0, 1] afin d’éviter la création de grands coefficients d’onde-
lettes aux bords dus à la périodisation du signal.
61
2−j0 −1 j0 2 −1
−j
X X X
fM = PVJ f = hf, φj0,k iφj0 ,k + hf, ψj,k iψj,k .
k=0 j=J+1 k=0
J 2X−1 −j
X
2
ǫ(M) = kf − fM k = |hf, ψj,k i|2
j=−∞ k=0
Si 2−J < M < 2−J+1 n’est pas une puissance de deux, on choisit d’inclure
uniquement à l’échelle 2J les coefficients correspondant aux M − 2−J ondelettes
{ψJ,k }0≤k<M −2−J . Une mesure de l’erreur d’approximation linéaire en fonction de la
régularité du signal est alors donnée par le théorème suivant :
Théorème 4.2 Soit 0 < s < r un exposant de Sobolev où r est le nombre de
moments nuls de l’ondelette ψ. Alors, si f ∈ W s ([0, 1])
ǫ(M) = O(M −α ).
où IM représentent les indices des M coefficients d’ondelettes de plus grande am-
plitude |hf, ψj,k i|. Une approximation non-linéaire peut également être calculée à
partir d’une procédure de seuillage. Soit λ ≥ 0 et Tλ la fonction telle que :
x si |x| ≥ λ
Tλ (x) =
0 si |x| < λ
Si l’on choisi le seuil λ de sorte que pour tout (j, k) ∈ IM , |hf, ψj,k i| ≥ λ et pour
tout (j, k) ∈
/ IM , |hf, ψj,k i| < λ alors l’approximation non-linéaire de f peut s’écrire
comme
j0 +1 2−j −1
X X
∗
fM = Tλ (hf, ψj,k i)ψj,k .
j=−∞ k=0
−1
−2
−3
−4
−5
−6
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
(a)
6 4
4
2
1
2
0 −1
−2
−2
−3
−4
−4
−5
−6 −6
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
(b) (c)
Fig. 4.1 – (a) Signal f de taille n = 1024 régulier par morceaux présentant 2 dis-
continuités. Pour une ondelette Coiflet avec r = 6 : (b) approximation linéaire dans
l’espace Vj0 pour j0 = −5 i.e. M = 32, kf − fM k/kf k = 0.0537, (c) approximation
∗
non-linéaire pour M = 32, kf − fM k/kf k = 0.0135
Nous ne présenterons pas les espaces fonctionnels utilisés pour modéliser les
images. Il est par contre important de noter que les bons résultats de l’approximation
64
ǫ∗ (M) ∼ KM −1 ,
(a)
(b) (c)
Fig. 4.2 – (a) Image f du caméraman de taille n × n avec n = 256. Pour une
ondelette Symmlet avec r = 8 : (b) approximation linéaire dans l’espace Vj0 pour
j0 = −6 i.e. M = 4096, kf − fM k/kf k = 0.1354, (c) approximation non-linéaire
∗
pour M = 4096, kf − fM k/kf k = 0.0620
comme nous allons le voir par la suite, aucune hypothèse restrictive n’est faite sur la
forme de la fonction f . Le but du débruitage de fonctions est de trouver un estima-
teur fˆ qui approche au mieux la fonction f . La qualité du débruitage est mesurée à
partir de l’erreur quadratique empirique :
n
1X ˆ
E= (f(ti ) − f (ti ))2 ,
n i=1
pour f appartenant à une certaine classe de fonctions (par exemple f ∈ W s ([0, 1])(M) =
{f ∈ L2 ([0, 1]), kf kW s ≤ M}, ou bien pour f appartenant à une classe de fonctions
plus irrégulières).
Nous avons vu précédemment que pour des fonctions qui sont régulières par
morceaux, la plupart des coefficients d’ondelette sont nuls aux fines échelles, et que
les coefficients d’ondelette de grande amplitude se concentrent aux voisinages des
éventuelles singularités du signal. Aux fines échelles, les coefficients d’ondelette d’une
fonction bruitée correspondent donc principalement au bruit et seuls quelques co-
efficients correspondent effectivement au signal. Le débruitage par ondelette d’une
fonction est donc obtenu par une procédure de seuillage des coefficients d’ondelettes
bruités pour un seuil λ ≥ 0 bien choisi. On distingue en particulier
67
En général, on choisit de ne pas modifier les coefficients d’échelles α̃j0 ,k car ceux-
ci sont très peu influencés par le bruit et correspondent au comportement du signal
aux basses fréquences. Prendre j0 = −2 ou j0 = −3 donne généralement de bons
résultats. L’estimation de f est alors donnée par
2−j0 −1 j0 2X −1 −j
α̃j0 ,k δλ (β̃j,k )
fˆλ =
X X
√ φ̃j0,k + √ ψ̃j,k .
k=0
n j=−J+1 k=0
n
y F
−−W
−→T {α̃j0 ,k , β̃j,k } Seuillage {α̃j0 ,k , δλ (β̃j,k )} IW T
−−−→ f̂λ
−−−−−−→
Il a été développé de nombreuses techniques pour déterminer un seuil λ optimal.
L’un des méthodes les plus utilisées, car très simple à implémenter, consiste à choisir
le seuillage universel : p
λ = σ̂ 2 log n,
où σ̂ est une estimation du niveau du bruit à partir des coefficients d’ondelettes à
l’échelle la plus fine :
−3
2
1
−4
−1 −5
−2
−6
−3
−4
−7
−5
−6 −8
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
(a) (b)
6 −2
4
−3
2
−4
−5
−2
−6
−4
−7
−6
−8 −8
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
(c) (d)
4 −2
2 −3
0 −4
−2 −5
−4 −6
−6 −7
−8 −8
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
(e) (f)
Fig. 4.3 – (a), (b) Signal HeaviSine et ses coefficients d’ondelette (Symmlet, r = 8,
n = 256, j0 = −3), (c), (d) Signal bruité et coefficients d’ondelette bruités, (e), (f)
estimation du signal par seuillage dur et coefficients d’ondelette seuillés
f˜(x) =
X
Q(fm )gm (x)
m=0
et l’erreur (ou taux de distorsion) qui est introduite par cette quantification est
mesurée par
N 2 −1
X
d(f ) = (fm − Q(fm ))2 .
m=0
Afin de déterminer une fonction Q qui soit bien adaptée aux données, on peut
2
utiliser la méthode suivante : soit
R p(x) l’histogramme des N coefficients fm . Il s’agit
d’une densité de probabilité ( p(x)dx = 1) qui permet de connaı̂tre la répartition
des coeffcients fm . En particulier,
R y on peut définir la proportion de coefficients dans
l’intervalle [yk , yk+1[ par pk = ykk+1 p(x)dx, où [yk , yk+1[, k = 1, . . . , K correspond à
une partition du support [a, b] de p(x). On définit alors le codage par
1
Q(x) = xk = (yk + yk+1) si x ∈ [yk , yk+1[.
2
Chaque quantité xk est ensuité codée par lk bits, et le nombre total R de bits
nécessaires pour coder l’image est donné par
K
X
R = N2 pk lk .
k=1
Par contre si l’on choisit une base de fonctions gm (x) de sorte que de nombreux
coefficients fm sont nuls (par exemple une base d’ondelettes), alors on ne peut plus
considérer que p(x) est constant au voisinage de zéro, et le quantificateur uniforme
n’est plus optimal, en particulier si R̄ est petit. Il faut donc distinguer les coefficients
significatifs de ceux que l’on peut considérer comme négligeagles pour pouvoir obte-
nir une bonne compression. Soit λ un seuil bien choisi et M le nombre de coefficients
70
tels que |fm | > λ. Soit R0 le nombre de bits nécessaires pour coder la position de
ces coefficients significatifs et R1 le nombre de bits nécessaires pour coder la valeur
de ces coefficients. Le nombre total de bits pour coder l’image est alors donné par
R = R0 + R1 . Le taux de distorsion est égal à
X X
d(f ) = |fm |2 + (fm − Q(fm ))2
|fm |<λ |fm |≥λ
Dans la plupart des applications, le problème est mal-posé dans le sens où il n’est
pas possible d’estimer f en inversant directement l’opérateur K. En effet, l’opérateur
inverse K −1 n’est en général pas borné ce qui entraı̂ne une amplification du bruit et
implique que l’estimateur fˆ = K −1 ĝ n’est pas une bonne estimation de f .
Lorque les fonctions que l’on souhaite estimer sont irrégulières (ce qui est le cas
des images par exemple), les ondelettes sont un outil bien adapté pour estimer la
fonction f . L’estimation est basée sur une décomposition temps-échelle des observa-
tions g, puis sur un seuillage bien adapté des coefficients et une méthode d’inversion
à base d’ondelettes (qui prend en compte l’amplification du bruit par le processus
d’inversion). Le lecteur intéressé pourra consulter [7], pour de plus amples détails.
Bibliographie
71