Master : Big Data & Intelligence

Artificiel

M15 : Vision par ordinateur & Applications

Introduction au traitement de signal

Semestre 1

Année universitaire : 2023/2024 Pr S.AMRANE

Table des matières
1 Introduction 1

2 Généralités sur les signaux 1

2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2.2 Classification des signaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

3 Signaux à temps discret 2

3.1 types de spinaux à temps discret . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.2 Opérations sur les signaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

4 Signaux particuliers 3
4.1 Impulsion de Dirac . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
4.2 Signal échelon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
4.3 Signal sinusoïdal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
4.4 Énergie et puissance d’un signal . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

5 L’exponentiel complexe 5
5.1 Plan complexe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
5.2 Rotation autour de l’origine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
5.3 Génération d’une séquence complexe . . . . . . . . . . . . . . . . . . . . . . . . 6

6 Représentation vectorielle d’un signal 8

6.1 Produit scalaire (inner product) . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
6.2 Espace signal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
6.3 Notion de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

7 L’analyse de Fourier - Base de Fourier 9

7.1 Base de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
7.2 Transformée de Fourier Discrète- Transformée de Fourier Discrète inverse . . . . 10
7.3 Propriétés de la DTF et convolution circulaire . . . . . . . . . . . . . . . . . . . 17
1 Introduction
Le traitement du signal est une discipline indispensable de nos jours. Il a pour objet l’éla-
boration ou l’interprétation des signaux porteurs d’informations. Son but est donc de réussir
à extraire un maximum d’information utile sur un signal perturbé par du bruit en s’appuyant
sur les ressources de l’électronique et de l’informatique.

2 Généralités sur les signaux

2.1 Définitions
2.1.1 Signal
Un signal est la représentation physique de l’information, qu’il convoie de sa source à son
destinataire. La description mathématique des signaux est l’objectif de la théorie du signal.
Elle offre les moyens d’analyser, de concevoir et de caractériser des systèmes de traitement de
l’information.

2.1.2 Bruit
Un bruit correspond à tout phénomène perturbateur gênant la transmission ou l’interpré-
tation d’un signal.
Remarque : Les notions de signal et bruit sont très relatives. Pour un technicien des té-
lécommunications qui écoute un émetteur lointain relayé par un satellite, le signal provenant
d’une source astrophysique (soleil, quasar) placée dans la même direction est un bruit. Mais
pour l’astronome qui s’intéresse à la source astrophysique, c’est le signal du satellite qui est un
bruit.

2.1.3 Rapport signal sur bruit

Le rapport signal sur bruit mesure la quantité de bruit contenue dans le signal. Il s’exprime
par le rapport des puissances du signal (PS ) et du bruit (PN ). Il est souvent donné en décibels
(dB).
PS
(SN R)dB = 10log( )
PN

2.1.4 Système
Un système est un dispositif représenté par un modèle mathématique de type Entrée/Sortie
qui apporte une déformation au signal (Ex : modulateur, filtre...).

Entrée Système Sortie

2.1.5 Représentation fréquentielle

On a pour habitude de décrire les signaux en fonction de la variable temporelle t car notre
perception des phénomènes physiques nous y incite. En électronique, la connaissance des pro-
priétés spectrales d’un signal est primordiale. Ainsi, on utilise souvent une représentation en
fonction de la fréquence pour caractériser un signal ou un système. Les outils de traitement des
signaux nous aident dans cette tâche.

1
2.2 Classification des signaux
2.2.1 Classification phénoménologique
On considère la nature de l’évolution du signal en fonction du temps. Il apparaît deux types
de signaux :
Les signaux déterministes : (signaux certains), leur évolution en fonction du temps peut
être parfaitement modéliser par une fonction mathématique. On retrouve dans cette classe
les signaux périodiques, les signaux transitoires, les signaux pseudo-aléatoires...
Les signaux aléatoires : leur comportement temporel est imprévisible. Il faut faire appel à
leurs propriétés statistiques pour les décrire. Si leurs propriétés statistiques sont inva-
riantes dans le temps, on dit qu’ils sont stationnaires.

2.2.2 Classification énergétique

Les signaux à énergie finie : il possède une puissance moyenne nulle et une énergie finie.
Les signaux à puissance moyenne finie : il possède une énergie infinie et sont donc phy-
siquement irréalisable.

2.2.3 Classification morphologique

Les signaux analogiques : l’amplitude et le temps sont continus.
Les signaux quantifiés : l’amplitude est discrète et le temps continu.
Les signaux échantillonnés : l’amplitude est continue et le temps discret.
Les signaux numériques : l’amplitude et le temps sont discrets.

3 Signaux à temps discret

3.1 types de signaux à temps discret
3.1.1 Les signaux de longueur finie
Les signaux de longueur finie sont des signaux qui contiennent N échantillons donnés. Il
sont représentés par la notation x[n], avec n = 0, 1, · · · , N − 1.

3.1.2 Les signaux de longueur infinie

Les signaux de longueur infinie sont des séquences standard où l’index n se situe sur l’en-
semble entier des entiers de moins infini à plus infini. Et ce sont, bien sûr, des entités abstraites
parce qu’elles contiennent potentiellement une quantité infinie de données. Mais ils sont très
bons pour les théorèmes et les résultats qui ne dépendent pas de la longueur des données.

3.1.3 Les signaux périodiques

Les signaux périodiques sont des séquences où les données se répètent tous les N échantillons.
On les indique avec x̃[n]. Un signal N-périodique vérifie :

x̃[n] = x̃[n + kN ] n, k, N ∈ Z

Les séquences périodiques sont un pont naturel entre les longueurs finies et infinies, elles ont
une quantité finie d’information, mais elles ont une longueur infinie.

2
3.1.4 Les signaux de support fini
Les signaux de support fini sont des séquences de longueur infinie avec seulement un nombre
fini d’échantillons non nuls. On les indique avec x[n]. La quantité d’informations d’une séquence
de support fini est la même qu’une séquence de longueur finie du capital de longueur N . Et ils
constituent un autre pont entre les séquences finies et les séquences de longueur infinie.


x[n]

 si 0≤n<N
x[n] =  ∀n ∈ Z


0 ailleurs

3.2 Opérations sur les signaux

— La somme : Nous pouvons additionner deux signaux ensemble où nous prenons une sé-
quence et nous ajoutons à chaque élément de la séquence l’élément correspondant de la
deuxième séquence.
y[n] = x[n] + z[n]
— Le produit : Le produit est comme la somme, sauf que nous multiplions chaque élément
de la première séquence par l’élément correspondant dans la deuxième séquence.
y[n] = x[n] · z[n]

— Décalage (retard) : Le décalage par k où nous anticipons ou retarderons un signal en

déplaçant la séquence d’un nombre entier d’échantillons k ∈ Z.
y[n] = x[n − k]

4 Signaux particuliers
4.1 Impulsion de Dirac
L’impulsion de Dirac un signal où chaque échantillon est égal à 0 sauf pour n égal à 0 où
l’échantillon est égal à 1.

1 pour n = 0
δ[n] = 
0 sinon

0
-15 -10 -5 -0 5 10 15

Figure 1 – Impulsion de Dirac

3
4.2 Signal échelon
C’est un signal qui vaux 0 pour toutes les valeurs négatives de n et est égal à 1 pour n
supérieur ou égal à 0.

0 pour n<0
u[n] = 
1 pour n≥0

0
-15 -10 -5 -0 5 10 15

Figure 2 – Fonction échelon

4.3 Signal sinusoïdal

u[n] = sin(ωn + ϕ) ω :"fréquence"; θ :phase

−1

-15 -10 -5 -0 5 10 15

Figure 3 – Fonction sinus

4.4 Énergie et puissance d’un signal

L’énergie d’un signal est définie par :
∞
| x[n] |2
X
Ex =
n=−∞

La puissance d’un signal est définie par :

N
1
| x[n] |2
X
Px = lim
N −→∞ 2N + 1
n=−N

4
Remarque : Comment votre PC lit les sons à temps discret ?
Un ordinateur est un laboratoire de traitement du signal entièrement fonctionnel. Il a des
interfaces qui permettent de visualiser les signaux comme des parcelles sur l’écran. En plus, on
peut matérialiser les signaux comme des signaux audio qu’on peut entendre avec nos oreilles.
Soit une simple sinusoïde numérique de fréquence numérique ω0 et une phase initiale θ.

x[n] = sin(ω0 n + θ)

— Dans le temps discret : n n’a pas de dimension physique et la périodicité d’une forme
d’onde est déterminée par le nombre d’échantillons avant que le motif se répète.
— Dans le monde physique : la périodicité est mesurée en combien de secondes avant que le
motif se répète.
Le PC comble cette lacune via une carte son qui prend une série d’échantillons, et construit
un signal électrique qu’on peut transmettre à un haut-parleur. Et au cœur de la carte son se
trouve une horloge système, avec une période TS qui représente le temps qu’on doit attendons
avant le prélèvement d’un nouvel échantillon à partir d’une séquence temporelle discrète, et
l’alimente dans la carte son. Une périodicité M des échantillons dans le domaine numérique
deviendra une périodicité de M TS dans le domaine physique. La fréquence réelle est :

1
f=
M Ts

Exemple : La fréquence d’échantillonnage d’un DVD est Fs = 48KHz, alors Ts ≃ 20, 8µs. Si
M = 110, alors
1 1
f= = ≃ 440Hz
M Ts 110 × 20, 8 · 10−6

5 L’exponentiel complexe
5.1 Plan complexe
Le nombre ejα est un complexe avec une partie réelle cos α et une partie imaginaire sin α.
Son amplitude est toujours égale à 1, donc le point ejα reste toujours sur le cercle de l’unité.

ejα = cos α + j sin α

Im
1 ejα
•

α
Re
-1 1

-1

Figure 4 – Plan complexe

5
5.2 Rotation autour de l’origine
Si nous avons un point d’affixe z sur le plan complexe , et nous multiplions cet affixe par
jα
e , nous tournons le point dans le sens anti-horaire par un angle α sur un cercle, centré à
l’origine, et avec un rayon égal à l’amplitude de z.

Im
•
z ′ = zejα
α z
•

Re

Figure 5 – Rotation d’un point par un angle α

5.3 Génération d’une séquence complexe

Pour une séquence x[n] = ejωn , où ω est la fréquence de la séquence exponentielle complexe.
on peut obtenir à chaque étape en multipliant le point précédent dans la séquence par ejα . C’est
ainsi que nous générons récursivement une séquence exponentielle complexe en se déplaçant un
angle ω dans le sens anti-horaire autour du cercle de l’unité.

Im

x[2]
•

• x[1]
ω
ω Re
• x[0]

Figure 6 – Génération d’une séquence de complexe x[n]

Remarque :
— Toutes les sinusoïdes ne sont pas périodiques en temps discret.

M
ejωn est périodique en n ⇔ ω = 2π M, N ∈ N
N

En effet :
6
 x[n] = x[n + N ]
ej(ωn+ϕ) = ej(ω(n+N )+ϕ)
ejωn ejϕ = ejωn ejωN ejϕ
ejωN = 1
ωN = 2M π M ∈Z
M
ω= 2π
N
— 2π périodicité :

ejα = ej(α+2kπ) ∀k ∈ Z

Im

•
ejα

α + 2π
α Re

Figure 7 – Périodicité dans le plan complexe

— Aliasing La fréquence de la machine génératrice exponentielle complexe est limitée à

l’intervalle [0, 2π[. Pour une fréquence supérieure à 2π, nous aurions exactement le même
résultat si nous utilisons ω plus un multiple arbitraire de 2π. Donc, on reste toujours via
une opération modulaire dans l’intervalle [0, 2π[.
— Si 0 < ω < π, la succession des échantillons constitue une rotation dans le sens
trigonométrique (anti-horaire).
— Si ω = π, la succession des échantillons constitue des oscillations entre deux points.
— Si π < ω < 2π, l’échantillon suivant se déplace plus de la moitié du cercle trigono-
métrique. On peut regarder ce mouvement d’une autre façon : le point s’est déplacé
de ω − 2π dans le sens horaire (aller plus vite que pi à chaque pas, correspond à aller
plus lentement dans l’autre sens).

7
 • x[1] ω ω
ω
• x[0] x[1] • • x[0] • x[0]
x[1] •

ω − 2π

0<ω<π ω=π π < ω < 2π

Figure 8 – Phénomène d’Aliansing

6 Représentation vectorielle d’un signal

6.1 Produit scalaire (inner product)
Le produit scalaire permet de mesurer la similitude entre deux vecteurs. un produit scalaire
nul signifie que les deux vecteurs sont orthogonaux.
Le produit scalaire doit vérifie les axiomes suivantes :
Soient x, y, z trois vecteurs et α ∈ C.
— ⟨x + y, z >⟩ = ⟨x, z⟩ + ⟨y, z⟩
— ⟨x, y⟩ = ⟨y, x⟩∗
— ⟨αx, y⟩ = α∗ ⟨x, y⟩ et ⟨x, αy⟩ = α ⟨x, y⟩
— ⟨x, x⟩ ≥ 0
— ⟨x, x⟩ = 0 ⇔ x = 0
— si ⟨x, x⟩ = 0 et x, y ̸= 0, on dit que x et y sont orthogonaux
La norme et la distance sont calculées par :
q
— La norme : ∥ x ∥= ⟨x, x⟩
— la distance : d(x − y) =∥ x − y ∥

6.2 Espace signal

Soit un signal de longueur finie dans CN , le vecteur signal est noté :

x = [x0 x1 · · · x0 xN −1 ]T

Toutes les opérations sont bien définies intuitivement( multiplication, addition...).

6.3 Notion de base

n o
Soit un ensemble de K vecteurs, l’ensemble W = w(k) sera une base si :
k=0,1···K−1
— n’importe quel vecteur dans l’espace doit être s’exprimer comme une combinaison linéaire
de vecteurs de W .
K−1
αk w(k)
X
x= , αk ∈ C
k=0

8
 — les coefficients αk de cette combinaison linéaire doivent être uniques. c-à-d :
K−1
αk w(k) = 0
X
⇔ α = 0, k = 0, 1, · · · , K − 1
k=0

Pour une base orthogonale, les vecteurs de base sont mutuellement orthogonaux :
D E
w(k) , w(n) = 0 pour k ̸= n

Pour une base orthonormale, le produit scalaire du même vecteur est égal à 1 :
D E
w(k) , w(n) = δ[n − k]

Les coefficients αk sont alors déterminés par la relation :

D E
αk = w(k) , x

Changement de base :
K−1 K−1
αk w(k) = βk v (k)
X X
x=
k=0 k=0
n o
Si v (k) est orthogonale, alors :

D E
βh = v (h) , x
K−1
* +
(h) (k)
X
= v , αk w
k=0
K−1 D E
αk v (h) , w(k)
X
=
k=0
K−1
X
= αk chk
k=0
  
c00 c01 ··· c0(K−1) α0
=
 ..  .. 
 . 
 . 

c(K−1)0 cK−1)1 · · · cK−1)(K−1) αK−1

7 L’analyse de Fourier - Base de Fourier

7.1 Base de Fourier
Soit un signal de longueur finie, qui est simplement un vecteur en CN . Un changement de
bases est un changement de perspective qui peut révéler des choses en regardant sous un angle
différent.
Pour représenter un signal dans CN , On a besoin de N vecteurs différents dont chacun aura la
longueur N .
La base de Fourier est constituée des éléments suivants :
2π 2π
Wk [n] = ej N nk = ejωnk n, k = 0, 1, · · · , N − 1 ω=
N
Où k représente l’index qui indique un vecteur différent.
2π
La base {W (k) } est orthogonale : {W (k) }k=0,1,··· ,K−1 avec Wn(k) = ej N nk En effet :

9
 N −1  ∗
2π 2π
⟨W (k) , W (h) ⟩ = ej N nk ej N nh
X

n=0
N −1
2π
ej N n(h−k)
X
=
n=0



 N pour h=k


=
 1 − ej2π(h−k)
= 0 pour h ̸= k


 2π
1 − ej N (h−k)
Nous avons
√ donc N vecteurs orthogonaux. Pour les rendre orthonormaux, il faut juste les diviser
par 1/ N .
La représentation d’un signal discret dans la base de Fourier constitue la Transformée de
Fourier Discrète (DFT).

7.2 Transformée de Fourier Discrète- Transformée de Fourier Dis-

crète inverse
7.2.1 Définitions
On appelle transformée de Fourier discrète d’un signal x[n] ∈ CN la suite de N termes
X[k] ∈ CN , définis par :

N −1 N −1
2π 2π
x[n]e−j N nk = x[n]e−jωnk
X X
X[k] = k = 0, 1, · · · , N − 1 ω=
n=0 n=0 N

On appelle transformée de Fourier discrète inverse d’une séquence X[k] ∈ CN la suite de N

termes x[n] ∈ CN , définis par :

−1 −1
1 NX j 2π nk 1 NX 2π
x[n] = X[k]e N = X[k]ejωnk n = 0, 1, · · · , N − 1 ω=
N k=0 N n=0 N

7.2.2 Exemples
— Impulsion de Dirac : x[n] = δ[n] x[n] ∈ CN
N −1
2π
δ[n]e−j N nk
X
Xk =
n=0
=1

10
 1

δ[n]

0
0 10 20 30 40 50 60

1
∣X∣

0
0 10 20 30 40 50 60

Figure 9 – En haut :Impulsion de Dirac, En bas : Module de la DFT de l’impulsion de Dirac

— Fonction unité : x[n] = 1 x[n] ∈ CN

N −1
2π
e−j N nk
X
Xk =
n=0
= N δ[k]

11
 1

u[n]]

0
0 10 20 30 40 50 60

64
∣X∣

0
0 10 20 30 40 50 60

Figure 10 – En haut : Fonction unité, En bas : Module de la DFT de la fonction unité

— Fonction : x[n] = 3 cos(2πn/16) x[n] ∈ CN

x[n] = 3 cos(2πn/16)
 2π 2π

ej 64 4n + e−j 64 4n 
= 3
2
3  j 2π 4n 2π×4n

= e 64 + e−j( 64 −2πn)
2
3  j 2π 4n 2π

= e 64 + ej 64 60n)
2
3
= (W4 [n] + W60 [n])
2
Xk = ⟨Wk [n], x[n]⟩
3 3
= ⟨Wk [n], W4 [n] + W60 [n]⟩
2 2
3 3
= ⟨Wk [n], W4 [n]⟩ + ⟨Wk [n], W60 [n]⟩
2
 2
96 pour k = 4, 60
=
0 sinon

12
 96
72
48
e

24
0
0 10 20 30 40 50 60
1e−2
5.0

2.5
m

0.0


−2.5

−5.0
0 10 20 30 40 50 60

Figure 11 – En haut : Partie réelle de la DFT de la fonction 3 cos(2πn/16), En bas : Partie

imaginaire de la DFT de la fonction 3 cos(2πn/16)

— Fonction : x[n] = 3 cos(2πn/16 + π/3) x[n] ∈ CN

x[n] = 3 cos(2πn/16 + π/3)

 2π π 2π π

ej 64 4n ej 3 + e−j 64 4n e−j 3 
= 3
2
3  j π j 2π 4n π 2π×4n

= e 3 e 64 + e−j 3 e−j( 64 −2πn)
2
3  j π j 2π 4n π 2π

= e 3 e 64 + e−j 3 ej 64 60n)
2
3  jπ π

= e 3 W4 [n] + e−j 3 W60 [n]
2
Xk = ⟨Wk [n], x[n]⟩
3 π 3 π
= ⟨Wk [n], ej 3 W4 [n] + e−j 3 W60 [n]⟩
2 2
3 π 3 π
= ⟨Wk [n], ej 3 W4 [n]⟩ + ⟨Wk [n], e−j 3 W60 [n]⟩
2 2
 π
j
96e π pour k = 4
 3

= 96e−j 3 pour k = 60



0 sinon

13
 48

24
e

0
0 10 20 30 40 50 60

48√ 3
m 

−48√ 3
0 10 20 30 40 50 60
2π π
 
Figure 12 – En haut : Partie réelle de la DFT de la fonction 3 cos n+ , En bas : Partie
16 3
2π π
 
imaginaire de la DFT de la fonction 3 cos n+
16 3

96

72
∣X∣

48

24

0
0 10 20 30 40 50 60

π
3

0
∠(X)

−π3
0 10 20 30 40 50 60
2π π
 
Figure 13 – En haut : Module de la DFT de la fonction 3 cos n+ , En bas : Phase de
16 3
2π π
 
la DFT de la fonction 3 cos n+
16 3

14
Remarque : DFT d’un signal réel
La DFT d’un signal réel est "symétrique" en amplitude. On note que pour un signal de longueur
finie, cette symétrie dépend de la parité de la longueur du signal.

| X[k] |=| X[N − k] | pour k = 0, 1, · · · , ⌊N/2⌋

⌊N/2⌋ représente le plus grand entier inférieur ou égal à N/2.

7.2.3 Interprétation de la DFT

sens anti-horaire sens horaire

z }| { z }| {
ω<π ω>π
0 N N −1
| {z } 2 }
| {z | {z }
basses fréquences hautes fréquences basses fréquences

Figure 14 – Interprétation de la DFT

Les coefficients de la DFT s’entendront de 0 à N − 1, les premiers coefficients N/2 corres-

pondent à des fréquences inférieures à π, on parle de mouvement dans le sens anti-horaire dans
le plan complexe (basses fréquences). Les fréquences de N/2 à N − 1 sont plus grandes que π,
le mouvement se fait dans le sens horaire (basses fréquences). Les fréquences centrées autour
de N/2 correspondent aux fréquences les plus rapides.
Exemples
1. x[n] = 1 : Le signal de l’unité, donc égal à 1 pour tous les points, c’est le signal le plus
lent possible dans le sens où il ne change jamais. Il reste constant pendant toute la durée
de sa vie et, par conséquent, sa transformation de Fourier ne contient que le coefficient
de fréquence le plus bas.

64
∣X∣

0
0 10 20 30 40 50 60

Figure 15 – Module de la DFT de la fonction unité

2. x[n] = cos πn : Le signal x[n] = cos πn est le signal le plus rapide en temps discret, sa
DFT n’aura qu’un coefficient différent de zéro exactement au point de fréquence le plus
élevé.

15
 64

∣X∣

32

0
0 10 20 30 40 50 60

Figure 16 – Module de la DFT de la fonction x[n] = cos πn

7.2.4 Fréquences positives et négatives

En raison de la symétrie de rotation des exponentielles complexes, une fréquence positive
ω entre π et 2π est équivalente à une fréquence négative de ω − 2π. Donc, la moitié des coeffi-
cients de la DFT correspondent à des fréquences négatives. Dans le cas d’étude des propriétés
physiques de la DFT, il est plus logique de tracer les coefficients centrés autour de zéro avec
des fréquences positives à droite et des fréquences négatives à gauche. Il s’agit de la " DFT
shift".
Lors de shift DFT, il faut prendre en considérations la parité de la longueur du signal :
— Si N est impair, on a point central pour k = 0 avec des ensembles de données symétriques
de (N − 1)/2 points à gauche et à droite de l’origine.
— Si N est pair, les données sont asymétriques(un point de plus sur l’axe positif). En effet,
la fréquence positive la plus élevée est égale à ωN/2 = π. Du fait que les fréquences de π
et −π sont identiques, on peut donc copier le point de données de fréquence supérieure
sur l’axe négatif et obtenir un vecteur symétrique également pour les signaux de longueur
paire.
Exemple : Soit le signal rampe linéaire représenté sur la figure suivante :

0.5

-0.5

0 10 20 30 40 50

Figure 17 – Signal rampe linéaire

Le module de la DFT et celui de la DFT shift de ce signal sont les suivants :

16
 8
6
4
2
0
0 10 20 30 40 50

Figure 18 – DFT du signal rampe linéaire

8
6
4
2
0
−20 −10 0 10 20

Figure 19 – DFT shift du signal rampe linéaire

7.3 Propriétés de la DTF et convolution circulaire

7.3.1 Théorème de Parseval (Forme discrète)

N −1 −1
1 NX
| x[n] |2 = | X[k] |2
X

n=0 N k=0
Preuve :
N −1 N −1
| x[n] |2 = x[n]x∗ [n]
X X

n=0 n=0
−1 N −1 −1
1 NX N
" #
2π 2π
X[k]ej N nk X ∗ [l]e−j N lk
X X
= 2
N n=0 k=0 l=0
−1 N −1 −1
1 NX N
" #
2π
X[k]X ∗ [l] ej N (n−l)k
X X
= 2
N k=0 l=0 n=0
−1 N −1
1 NX
[X[k]X ∗ [l]
X
= (*)
N k=0 l=0
−1
1 NX
= | X[k] |2
N k=0

Le passage (*) est justifié du faite que :


N −1
2π siN n=l
ej N (n−l)k = 
X

n=0 0 si n ̸= l

17
7.3.2 Théorème de la convolution discrète
Convolution circulaire : La convolution circulaire du deux séquences N-périodiques x[n] et
y[n] la séquence N-périodique définie par :
N
X −1
x[n] ⊕ y[n] = x[m]y[(n − m) mod N ]
m=0

Convolution linéaire : La convolution linéaire du deux x[n] et y[n] de longueur N la séquence

de longueur 2N-1 définie par :
N
X −1
x[n] ∗ y[n] = x[m]y[n − m]
m=0

Théorème de la convolution discrète circulaire

DFT{x[n] ⊕ y[n]} = DFT{x[n]}DFT{y[n]}

IDFT{X[k] ⊕ Y [k]} = IDFT{X[k]}IDFT{Y [k]}

7.3.3 Théorème du retard circulaire

Soit y[n] la séquence obtenue en retardant la séquence x[n] N-périodique de ko échantillons.

y[n] = x[n − k0 ]

La DFT de la séquence y[n] se déduit de celle de x[n] par :

2π
Y [k] = X[k]e−j N kk0

où Y [k] et X[k] sont les DFT de y[n]et x[n].

En effet :
N −1
2π
y[n]e−j N kn
X
Y [k] =
n=0
N −1
2π
x[n − k0 ]e−j N kn
X
=
n=0
N −1−k
X 0 2π
= x[p]e−j N k(p+k0 )
p=−k0
N −1−k
X 0
2π 2π
= e−j N kk0 x[p]e−j N kp)
p=−k0
N −1
2π 2π
= e−j N kk0 x[p]e−j N kp)
X

p=0
−j 2π kk0
= X[k]e N

18