1-ING ISI

Chapitre 3:

Traitement des signaux

numériques

Loghmari Med Anis

Année Universitaire 2022 - 2023 1

 Introduction
 Le traitement numérique du signal apporte de nombreux avantages techniques
ainsi qu’une flexibilité accrue dans beaucoup de domaine.
 Le traitement du signal par transformée de Fourier pose quelques problèmes:
• Les ordinateurs ne peuvent traiter que des signaux numériques.
• Le calcul de la transformée de Fourier est une somme d’une infinité
d’échantillons. Le temps nécessaire ainsi que la mémoire de l’ordinateur vont
forcément emmener certaines contraintes à ce niveau.
D’où la nécessité:
 de numériser le signal et d’introduire la transformée de Fourier
à temps discret (TFTD);
 de numériser le spectre et d’introduire la transformée de
Fourier discrète (TFD).

2
 Echantillonnage

 Définition:
L’échantillonnage consiste à prélever à des instants précis, le plus souvent
équidistants, les valeurs instantanées d’un signal. Le signal analogique s(t),
continu dans le temps, est alors représenté par un ensemble de valeur discrètes :

se (t )  s(nTe )nZ avec Te : la période d’échantillonnage.

Cette opération est réalisée par un échantillonneur souvent symbolisé par un

interrupteur.

3
 Echantillonnage:suite

 Echantillonnage idéal:
• L’échantillonnage idéal est modélisé par la multiplication du signal continu
s(t) et d’un peigne de Dirac de période Te.
se (t )  s(t ) Te (t )  s(t )n   (t  nTe )  n  s(nTe ) (t  nTe )
 

• Le spectre du signal échantillonné est alors le suivant:

1  1 
S e ( f )  n   S ( f )   ( f  nfe )  n   S ( f  nfe )
Te Te
• On obtient donc un spectre infini qui provient de la périodisation du spectre du
signal d’origine autour des multiples de la fréquence d’échantillonnage.

échantillonnage

4
 Echantillonnage:suite

 Problème de repliement spectral:

• On voit sur le spectre du signal échantillonné qu’il est possible de restituer le
signal original par un simple filtrage passe-bas.
• Si fmax, la fréquence maximale du spectre du signal à échantillonner, est supérieure
à fe/2, la restitution du signal original sera impossible car il va apparaître un
recouvrement spectral lors de l’échantillonnage. On dit qu’on est en sous
échantillonnage.

• Le théorème de SHANNON stipule que la reconstitution correcte d’un signal

nécessite que la fréquence d’échantillonnage fe soit au moins deux fois plus grande
que la plus grande des fréquences fmax du spectre du signal :
f e  2 f max 5
 Echantillonnage:suite
 Les trois figures suivantes montrent en trait pointillé le signal analogique
d’origine s(t) = sin (22t), en trait plein le signal analogique reconstruit à partir
du signal numérique noté par la séquence des points-étoiles.
• Sur les figures a et b, la reconstruction est imparfaite, puisque les
fréquences d’échantillonnage sont respectivement égales à 1.6 Hz et 3.2 Hz.
• sur la figure c la reconstruction est parfaite, puisque la fréquence
d’échantillonnage est de 6.4 Hz.

Figure a. Figure b. Figure c.

6
 Echantillonnage:suite
 Filtre antirepliement:
• Dans la plupart des situations, le spectre du signal à échantillonner
s'étale sur tout le domaine des fréquences (tout en diminuant du coté des hautes
fréquences), mais il n'existe pas une fréquence fmax au-delà de laquelle l'énergie est
nulle. Il y a donc un problème pour choisir la fréquence d'échantillonnage !
• En pratique, on se fixe une fréquence maximale fmax à partir de laquelle on estime
la représentation de notre signal satisfaisante pour les applications que l’on veut en
faire. Puis on effectue un filtrage passe-bas (à fmax) avant l’échantillonnage afin de
remédier aux repliements de spectre. On appelle ce filtre un filtre antirepliement.
Ex. C'est le cas de la parole où le spectre des sons audibles s'étend au-delà de
20kHz.
 Dans le cas des CD audio, le signal est échantillonné à 44.1 kHz, on limite
ainsi le spectre à 22.05 kHz.
 En téléphonie numérique le signal est échantillonné à 8 kHz seulement, ce
qui limite le spectre à 4 kHz (3.4kHz en pratique).
• Plus on rendra d’échantillons par période, plus la reconstruction du signal est
simplifié (le filtrage passe-bas est simplifié). 7
 Transformée de Fourier d’un signal discret
 Définitions:
 La transformée de Fourier à temps discret d’un signal à temps discret
{s(nTe)}=s[n] n’est rien d’autre que la transformée de Fourier du signal se(t).
 Les coefficients de cette décomposition sont donnés par:
 
dt   [n   s[n] (t  nTe )]e dt  n   s[n]e  j 2fnTe
 
S ( f )   se (t )e  j 2ft  j 2 ft
 
 Que l’on réécrit simplement par:
f
 j 2n
S ( f )   n   s[ n]e

Fe
(TFTD)
 En remarquant que S(f) est une fonction périodique de période Fe, on obtient la
transformée de Fourier inverse donnée par:
f
1 Fe / 2 j 2n
s[n] 
Fe  Fe / 2
S ( f ) e Fe
df (TFTD-1)

8
 Transformée de Fourier d’un signal discret:suite

 Propriétés de la TFTD:
Les propriétés de la TFTD sont les mêmes que celles de la transformée de Fourier.
TFTD
• Linéarité: i ai si[n] i ai Si(f)
• Dilatation: s[an] 1/|a| S(f/a)
• Translation: s[n-n0] S(f) exp(-j2n0f/Fe)
exp(j2nf0/Fe) s[n] S(f-f0)
Fe / 2
• Produit: s[n].g[n] 1/Fe 
 Fe / 2
S ( f  )G ( )d

• Convolution: s[n]  g[n] S(f).G(f)

Fe / 2

2
• Parseval: n |s[n]|2 = 1/Fe  Fe / 2
S ( f ) df

9
 Transformée de Fourier discrète

 Fenêtrage:
 Avec un DSP, il est impossible de calculer la transformée de Fourier d’un signal
discret. En effet, il faudrait un temps et une mémoire infinie.
 On est donc, toujours amené à travailler avec un nombre fini de points N.
 Cela revient à dire que les signaux exploités numériquement sont toujours une
troncation de signaux réels.
 Ainsi, on construit un signal tronqué xT[n] qui résulte de la multiplication des
échantillons de x[n] par une fenêtre d’analyse notée y[n] (ou fenêtre de troncature):

 xT [n]  y[n]. x[n] pour 0  n  N  1


 xT [n]  0 pour n  0 et n  N  1

10
 Transformée de Fourier discrète:suite
 Le fait de tronquer un signal peut notablement affecter son spectre.
 Exemple: Troncation d’une sinusoïde par un fenêtrage rectangulaire

11
 Transformée de Fourier discrète:suite
 On constate que le fait de tronquer le signal tend à élargir les raies contenues dans
le spectre. Plus le fenêtrage sera large, plus les raies seront étroites et tendront vers
les Diracs originaux.
 Si on conserve qu’une période (environ) de la sinusoïde, les deux sinus cardinaux
se chevaucheront bien avant d’avoir atteint des amplitudes négligeables. Ainsi, plus
on voudra une résolution importante en fréquence, plus il faudra conserver un
nombre important de périodes temporelles du signal à analyser.
 Le fenêtrage rectangulaire n’est pas forcément le meilleur. Dans le domaine
temporel, il interrompt brusquement le signal, générant artificiellement de hautes
fréquences. On lui préfère la fenêtre de Hanning.

12
 Transformée de Fourier discrète:suite
 Echantillonnage en fréquence:
 Le spectre du signal tronqué prendra la forme suivante:
nf
 j 2
ST ( f )  n 0 sT [ n]e
N 1
Fe

 Pour représenter ST(f), il faut le calculer pour toutes les valeurs de f (variable
continue), ce qui est impossible avec un DSP.
 Comme ST(f) est périodique de période Fe, on découpe alors cet intervalle en M
parties égales et on ne calcule ST(f) que pour des multiples de Fe/M.
 L’échantillonnage fréquentiel de pas f = Fe/M conduit à la formule de la
transformée de Fourier discrète:
nkf
 j 2
ST [k ]  n 0 sT [n]e
N 1
Fe
pour k  [0,1,2,..., M  1]
nk
 j 2
ST [k ]  n 0 sT [n]e
N 1
M
pour k  [0,1,2,..., M  1]
13
 Transformée de Fourier discrète:suite
 Choix du pas d’échantillonnage en fréquence:
 Le problème majeur dans l’échantillonnage en fréquence, réside dans le choix
du pas d’échantillonnage et donc le choix de M.
 En fait, échantillonner en fréquence revient à périodiser dans le domaine
temporel la partie tronquée du signal.
1 n
ST [k ]  k   ST ( f ). ( f  kf ) n f T
 TF-1 
s (t )   (t  )
f

 Ainsi, selon le choix de f , plusieurs cas peuvent se présenter lors de la

reconstruction du signal dans le domaine temporel.

14
 Transformée de Fourier discrète:suite
 si 1/f <T : La résolution spectrale est trop grande, d’où un recouvrement temporel
(Shannon à l’envers).

 si 1/f >T : Il n’y aura plus de repliement temporel, mais des intervalles durant
lesquels le signal est nul.

 si 1/f = T : On a un signal périodique idéal.

15
 Transformée de Fourier discrète:suite
 En pratique, on choisira f = 1/T .
 Comme T = NTe (fenêtre temporelle d’analyse) et f = 1/T (pas en fréquence).
 On déduit alors que : Fe/M = 1/NTe M=N
 Souvent on néglige l’indice T (de troncature) devenu superflu.
 Ainsi la définition de la transformée de Fourier discrète (TFD) devient:
nk
 j 2
S [k ]  n 0 s[n]e
N 1
N
pour k  [0,1,2,..., N  1]
 Et la transformée de Fourier discrète inverse (TFD-1) devient:
nk
1 N 1 j 2
s[n]  k 0 S[k ]e N pour n  [0,1,2,..., N  1]
N

 Notons que:
|S[k]| = |S[N-k]| et arg(S[k]) = -arg(S[N-k])
16
 Transformée de Fourier d’un signal discret:suite
 Propriétés de la TFD:
Les propriétés de la TFD sont les mêmes que de la TFTD, à condition de supposer
que le signal d’entrée est périodique de période N échantillons.
• Linéarité: i ai si[n] TFD i ai Si[k]
• Translation: s[(n-n0)mod N] S[k] exp(-j2kn0/N)
• Produit: s[n].g[n] 1/N S[k]  G[k]
• Convolution1: s[n]  g[n] S[k].G[k]
1

N 1 2


N 1 2
• Parseval: s[n] = k 0
S[k ]
n 0 N

1 Le produit de convolution défini ici est un produit de convolution circulaire. 17

 Annexe
Définition (convolution discrète): La convolution discrète c[n] de x[n] et y[n] est définie par :

c[ n]   x[i]y[n  i]
i  

Si x[n] et y[n] deux signaux discrets de durée finie N , le produit de convolution est défini par :
 Définition (convolution linéaire):
N 1
c[ n]   x[i ]y[ n  i ] avec n  0,1,...., 2( N 1) et ( x[i]=0 et y[i]=0 pour i<0 ou i >N-1).
i 0

 Définition (convolution circulaire):

N 1
c[n]  x[n] y[n]   x[i ] y[( n  i ) mod N ] c[n], x[n] et y[n] sont périodiques de période N
i 0

Exemples : Soit x[n]= y[n]= 1 pour n∈{0, 1, ..., 7}

convolution linéaire : c[n]  x[n]  y[n] = {1, 2, ..., 7, 8, 7, ..., 2, 1} pour n∈{0, 1, ..., 14}

convolution circulaire : c[n]  x[n]y[n] = 8 pour n ∈ {0, 1, ..., 7}