Académique Documents
Professionnel Documents
Culture Documents
Objectif Général L’objectif général est de permettre aux étudiants de se familiariser aux
Opérations de filtrage des signaux mono et bidimensionnelle.
Contenu des CM Les chapitres suivants seront abordés pendant les cours magistraux :
Chapitre 1 : Filtrage Analogique
Chapitre 2 : Synthèse Des Filtres Récursifs
Chapitre 3 : Synthèse Des Filtres Non Récursifs
Chapitre 4 : Acquisition d’image Couleur
Chapitre 5 : Segmentation d’image
Contenu des TD A la fin de chaque chapitre, des exercices sont proposés et corrigés pendant les séances
de travaux dirigés.
Quelques 1. V.K. Ingle, J.G. Proakis : Digital Signal Processing Using MatLab, PWS
références Publishing Company, 1997
bibliographiques 2. Chris Solomon, Toby Breckon., “Fundamentals of Digital Image Processing a
Practical Approach with Examples in MATLAB”, Wiley Blackwell, 2011.
1.1 Introduction
Le filtrage est l’opération qui consiste à modifier les composantes spectrales d’un signal.
Le filtre est un circuit qui réalise cette opération. Les intervalles de fréquence où les
composants du signal sont transmises sont appelées bandes passantes ; les intervalles où
les signaux sont bloqués sont désignés sous le nom de bandes d’arrêt ou d’atténuation.
Les filtres réels sont généralement représentés par des fonctions de transfert H(s) dont les
numérateurs et dénominateurs sont des polynômes en s. Ces polynômes sont ordonnés de
manière croissante (forme de Bode) ou dans l’ordre décroissant (forme de Laplace). Dans
chaque cas, le premier coefficient de ces polynômes doit être égal à un.
Afin de faciliter l’analyse, le tracé des réponses fréquentielles et la réalisation des filtres,
ces polynômes sont généralement décomposés en facteurs simples d’ordre 1 ou 2. Ces
facteurs simples font intervenir une pulsation caractéristique et, pour ceux d’ordre 2, un
facteur de qualité Q0 ou, son inverse, le coefficient d’amortissement ζ = 1/2Q0 .
L’ensemble des possibilités de description des filtres se réduit donc aux facteurs simples
suivants représentés sous la forme de Bode :
2
s
ω1 1 + Q0 ω0 + ωs0
1 s
(1.1)
2
1 + ωs1 1 + 2ζ ωs0 + s
ω0
(C)2005 freddy.mudry@eivd.ch 1
1 É LÉMENTS DE FILTRAGE ANALOGIQUE
H(ω) H(ω)
1 1
Passe-Bas Passe-Haut
ω ω
-ωc +ωc -ωc +ωc
H(ω) H(ω)
1 1
Passe- Coupe-
Bande Bande
ω ω
−ω2 −ω1 ω1 ω2 −ω2 −ω1 ω1 ω2
On y trouve :
– les pulsations caractéristiques ω1 et ω0 ;
– le facteur de qualité Q0 ;
– le coefficient d’amortissement ζ = 1/(2Q0 ).
Voici un exemple d’écriture de fonctions de transfert dans les formes de Bode et de La-
place :
1 + s/ω1
H(s) =
1 + 2ζ (s/ω0 ) + (s/ω0 )2
ω20 (s + ω1 )
H(s) =
ω1 s + 2ζω0 s + ω20
2
Il est d’usage de décrire ces fonctions de transfert à l’aide de polynômes normalisés dans
lesquels les pulsations caractéristiques sont unitaires. Les polynômes normalisés d’ordre
1 s’écrivent alors sous la forme :
P1 (s) = s + 1 (1.2)
et il est sous-entendu qu’ils correspondent à l’un des deux polynômes suivants :
s + ω1
P1 (s) = (1.3)
1+ s
ω1
2 (C)2005 freddy.mudry@eivd.ch
1.1 Introduction
P2 (s) = s2 + 2ζ s + 1 (1.4)
s + 2ζω0 s + ω0
2 2
P2 (s) = (1.5)
1 + 2ζ s + s22
ω0 ω 0
Passe-
Bande
R
u(t) Passe-
L Haut
Coupe-
Bande
C Passe-
Bas
La figure 1.2 montre comment le circuit RLC permet de réaliser les 4 filtres de base.
Suivant l’endroit où l’on recueille la tension de sortie, on trouve en effet :
– le filtre passe-bas aux bornes de la capacité
1
HPB (s) = (1.6)
1 + 2ζ (s/ω0 ) + (s/ω0 )2
– le filtre passe-bande aux bornes de la résistance
2ζ (s/ω0 )
HP∆ (s) = (1.7)
1 + 2ζ (s/ω0 ) + (s/ω0 )2
– le filtre passe-haut aux bornes de l’inductance
(s/ω0 )2
HPH (s) = (1.8)
1 + 2ζ (s/ω0 ) + (s/ω0 )2
(C)2005 freddy.mudry@eivd.ch 3
1 É LÉMENTS DE FILTRAGE ANALOGIQUE
1.2.1 Gabarit
Contrairement au filtre idéal, un filtre réel possède une bande de transition entre les bandes
passantes et d’arrêt et les spécifications du filtre sont généralement données à l’aide d’un
gabarit (figure 3.1). Celui-ci précise les bandes passantes, bandes de transition et bandes
d’arrêt souhaitées.
A la donnée du gabarit, on peut ajouter des spécifications telles que
– l’amplitude de l’ondulation acceptée dans les bandes passantes et/ou d’arrêt
– l’uniformité du temps de propagation dans la bande passante (phase linéaire).
Il est important de relever ici que les gabarits ne sont pas toujours aussi simples que
celui de la figure 3.1. Pour exemple, vous trouverez à la figure 1.4 le gabarit que doivent
respecter les transmissions téléphoniques aux USA.
1.2.2 Approximations
Suivant le cahier des charges donné, la réalisation d’un filtre passe-bas conduit à des
fonctions de transfert dont les dénominateurs sont des polynômes qui optimisent au mieux
les contraintes demandées. Ces polynômes, appelés polynômes d’approximation, réalisent
des filtres caractérisés par l’une ou l’autre des propriétés suivantes :
– une bande passante plate au maximum pour les filtres de Butterworth ;
– un temps de propagation uniforme (ou une phase linéaire) dans la bande passante pour
les filtres de Bessel ;
– une bande de transition étroite obtenue au dépend d’une ondulation de la réponse fré-
quentielle dans la bande passante pour les filtres de Tchebycheff de type I.
Les filtres ci-dessus sont des filtres dits tout pôles pour lesquels le numérateur est d’ordre 0.
Leurs fonctions de transfert s’écrivent alors sous la forme :
1
H(s) = (1.11)
A(s)
4 (C)2005 freddy.mudry@eivd.ch
1.2 Filtres optimums
"!
!
(C)2005 freddy.mudry@eivd.ch 5
1 É LÉMENTS DE FILTRAGE ANALOGIQUE
– les filtres de Tchebycheff de type II qui n’ont pas d’ondulations dans la bande pas-
sante mais en possèdent dans la bande d’arrêt ;
– les filtres elliptiques pour lesquels on accepte des ondulations dans les bandes pas-
santes et d’arrêt.
Les fonctions de transfert de ces filtres sont alors décrites par un rapport de deux poly-
nômes ;
B(s)
H(s) = (1.12)
A(s)
Suivant la nature du filtre les performances sont sensiblement différentes ; elles sont pré-
sentées dans le tableau 1.1.
Butterworth Bessel Tchebycheff I Tchebycheff II
On sait que le déphasage est une mesure du décalage temporel td entre deux signaux
périodiques de même nature et que l’on a la relation suivante :
ϕ td
=
2π T
De manière équivalente, cela s’écrit
2π ϕ(ω) ϕ(ω)
ϕ(ω) = td = ωtd ⇔ td = =T
T ω 2π
Lorsque l’on s’intéresse au temps de propagation t p d’un filtre réel, celui-ci est négatif et
on le définit comme suit
ϕ(ω)
t p (ω) = − (1.13)
ω
6 (C)2005 freddy.mudry@eivd.ch
1.2 Filtres optimums
ϕ(ω)
tp = − (1.14)
ω ω→0
Dans le cas où le temps de propagation est constant, toutes les composantes spectrales
d’un signal sont retardées du même temps t p et le signal temporel est ainsi peu déformé.
Pour cette illustration, on considère quatre filtres d’ordre 5 et de nature différente. Les
figures 1.5 à 1.8 illustrent le comportement temporel et fréquentiel des filtres de Butter-
worth, Bessel et Tchebycheff I en utilisant des échelles logarithmiques (diagrammes de
Bode).
Dans un but de comparaison, on y a ajouté un filtre passe-bas composé de 5 cellules
identiques d’ordre 1. Afin que les comparaisons se fassent sur une base commune, tous
les filtres ont la même pulsation de coupure, à savoir, ωc = 1 [rad/sec].
La figure 1.9 permet de comparer les réponses de l’ensemble des filtres. La figure 1.10
utilise des axes linéaires afin de mettre en évidence le comportement de la phase et celui
du temps de propagation des 4 filtres.
(C)2005 freddy.mudry@eivd.ch 7
1 É LÉMENTS DE FILTRAGE ANALOGIQUE
−10
−30
−40
0.8
−50
−60
−1 0 1
Amplitude
10 10 10 0.6
0
0.4
−100
Phase [deg]
−200
0.2
−300
−400 0
−500
10
−1
10
0 1
10 0 5 10 15 20 25
pulsation [rad/sec] temps [sec]
−10
Module [dB]
−20 1
−30
−40
0.8
−50
−60
−1 0 1
Amplitude
10 10 10 0.6
0
0.4
−100
Phase [deg]
−200
0.2
−300
−400 0
−500
10
−1
10
0 1
10 0 5 10 15 20 25
pulsation [rad/sec] temps [sec]
8 (C)2005 freddy.mudry@eivd.ch
1.2 Filtres optimums
−10
Module [dB]
−20 1
−30
−40
0.8
−50
−60
−1 0 1
Amplitude
10 10 10 0.6
0
0.4
−100
Phase [deg]
−200
0.2
−300
−400 0
−500
10
−1
10
0 1
10 0 5 10 15 20 25
pulsation [rad/sec] temps [sec]
−10
Module [dB]
−20 1
−30
−40
0.8
−50
−60
−1 0 1
Amplitude
10 10 10 0.6
0
0.4
−100
Phase [deg]
−200
0.2
−300
−400 0
−500
10
−1
10
0 1
10 0 5 10 15 20 25
pulsation [rad/sec] temps [sec]
(C)2005 freddy.mudry@eivd.ch 9
1 É LÉMENTS DE FILTRAGE ANALOGIQUE
−5
Module [dB]
1
o Btw
x Bsl
−10
+ Tchb
v 5xRC
0.8
−15
−20
−1 0 1
Amplitude
10 10 10 0.6
0
0.4
−100
Phase [deg]
−200
0.2
−300
−400 0
−500
10
−1
10
0
10
1 0 5 10 15 20 25
pulsation [rad/sec] temps [sec]
Amplitude Phase
0
1
0.8 −2
Amplitude[/]
Phase [rad]
0.6
o Btw −4
x Bsl
0.4
+ Tchb
v 5xRC −6
0.2
0 −8
0 0.5 1 1.5 2 0 0.5 1 1.5 2
pulsation [rad/sec] pulsation [rad/sec]
Temps de propagation
8
6
t [sec]
4
p
0
0 0.5 1 1.5 2
pulsation [rad/sec]
10 (C)2005 freddy.mudry@eivd.ch
1.3 Filtres de Butterworth
Les filtres de Butterworth sont caractérisés par une réponse en amplitude extrêmement
plate dans la bande passante. Le carré du module de cette réponse fréquentielle est décrite
par :
1
|H( jω)|2 = H( jω)H(− jω) = (1.15)
1 + (ω/ωc )2n
1
H(s)H(−s) = n (1.16)
1 + (−s2 )
dont les racines sont uniformément réparties sur un cercle de rayon unité. L’angle entre
chaque racine vaut π/n et, suivant que l’ordre est pair ou impair, on aura les situations
illustrées par la figure 1.11.
On notera que les pôles à parties réelles positives sont instables. Ils sont dus à H(−s),
la partie non réalisable de la fonction de transfert utilisée pour décrire le module de la
réponse fréquentielle. Les pôles restant représentent la fonction de transfert H(s) du filtre
que l’on désire réaliser.
ω/ω ω/ω
π
σ/ω π σ/ω
(C)2005 freddy.mudry@eivd.ch 11
1 É LÉMENTS DE FILTRAGE ANALOGIQUE
Comme on l’a dit plus haut, les filtres passe-bas étudiés ici sont des filtres tout pôles
décrits de manière générale par :
1 1
H(s) = = (1.18)
A(s) 1 + a1 s + a2 s2 + · · · + an sn
Pour calculer le polynôme A(s), il suffit de connaître les coordonnées de chacun des pôles
correspondant aux trinômes constitutifs du polynôme. En effet, si l’on a p1,2 = −a ± jb,
il vient :
(s + a + jb) (s + a − jb)
A(s) = s2 + 2a s + a2 + b2 (1.19)
s2 + 2a s + 1
avec a2 + b2 = 1 car les racines normalisées par rapport à ωc se situent sur un cercle de
rayon unité.
Dans le cas d’un polynôme d’ordre 5, ce dernier sera décomposé en 3 polynômes de base
provenant du pôle réel et des 2 paires de pôles complexes :
Pôles Polynômes
p1 = −1 P1 (s) = 1 + s
p2,3 = −0.809 ± j0.588 P2 (s) = 1 + 1.618 s + s2
p4,5 = −0.309 ± j0.951 P3 (s) = 1 + 0.618 s + s2
On notera que pour chaque cellule d’ordre 2, le facteur de qualité correspondant Q0k est
donné par l’inverse du deuxième coefficient. Ainsi, pour le polynôme d’ordre 5, on aura
Q02 = 1/1.618 et Q03 = 1/0.618.
Connaissant la position des pôles d’un polynôme d’ordre n quelconque, il est aisé d’en
calculer les trinômes constitutifs. Ceux-ci sont donnés dans le tableau 1.2.
Dans l’analyse des filtres, il est fréquent d’exprimer la réponse fréquentielle à l’aide de
l’atténuation A( jω) définie comme l’inverse de H( jω) :
1
A( jω) ≡ (1.20)
H( jω)
L’atténuation d’un filtre de Butterworth est alors décrite par
ω
2n
2
|A( jω)| = 1 + (1.21)
ωc
12 (C)2005 freddy.mudry@eivd.ch
1.3 Filtres de Butterworth
n P(s)
1 (1 + s)
1 + 1.414s + s2
2
(1 + s) 1 + 1.000s + s2
3
1 + 1.848s + s2 1 + 0.765s + s2
4
(1 + s) 1 + 1.618s + s2 1 + 0.618s + s2
5
(C)2005 freddy.mudry@eivd.ch 13
1 É LÉMENTS DE FILTRAGE ANALOGIQUE
En effet, sachant que les atténuations aux points P (fin de la bande passante) et A (début
de la bande d’arrêt) s’écrivent :
ωp
2n
2 2
A( jω p ) ≡ A p = 1 + (1.22)
ωc
ωa
2n
2 2
|A( jωa )| ≡ Aa = 1 + (1.23)
ωc
On résout aisément ce système de 2 équations à 2 inconnues en effectuant le rapport
des deux équations après avoir passé la valeur 1 dans le membre de gauche. Prenant le
logarithme des deux membres de l’équation, on obtient finalement :
1 log A2p − 1 / A2a − 1
n≥ (1.24)
2 log (ω p /ωa )
Une fois l’ordre connu, on peut calculer la pulsation de coupure à partir d’une des deux
équations d’atténuation. Ce qui donne
ωm
ωc = 1/2n
(1.25)
(A2 (ωm ) − 1)
avec
ωm = ω p ou ωa
Comme la valeur trouvée pour l’ordre n du filtre n’est généralement pas un entier, on
l’arrondit à une valeur entière supérieure. On peut ainsi calculer deux valeurs différentes
pour ωc : l’une avec la pulsation ω p et l’autre avec la pulsation ωa .
En choisissant l’une ou l’autre de ces deux pulsations caractéristiques, la courbe de ré-
ponse fréquentielle touchera l’une ou l’autre partie du gabarit (figure 1.12a) ; ce qui n’est
pas satisfaisant. Par contre, en prenant pour ωc la moyenne géométrique des deux valeurs
ainsi trouvées, on permettra à la courbe de réponse fréquentielle de ne pas toucher le
gabarit (figure 1.12b).
14 (C)2005 freddy.mudry@eivd.ch
1.3 Filtres de Butterworth
Dans l’exemple qui suit, on souhaite réaliser un filtre passe-bas de gain unité ne compor-
tant pas d’oscillations dans la bande passante et satisfaisant au gabarit suivant :
H p = −1 dB f p = 1 kHz
Ha = −40 dB fa = 3 kHz
Solution :
1. On a :
fp 1 kHz
fc,p = 1/2n = = 1.145 kHz
A2p − 1 0.25891/10
fa 3 kHz
fc,a = 1/2n
= = 1.194 kHz
(A2a − 1) 104/10
(C)2005 freddy.mudry@eivd.ch 15
1 É LÉMENTS DE FILTRAGE ANALOGIQUE
1
= 1.618 = +5.7 dB
Q03 =
0.618
En remplaçant la variable s par s/(2π fc ) = 1.36 · 10−4 s, on obtient le polynôme de
réalisation :
P5 (s) = 1 + 1.36 · 10−4 s ·
3. Partant du polynôme P5 (s), on en déduit H(s) = 1/P5 (s) et on peut calculer puis
tracer les réponses fréquentielles de chaque cellule (figure 1.13). La somme (en dB)
de ces 3 réponses donne la réponse fréquentielle du filtre de Butterworth d’ordre 5
(figure 1.14). Les réponses impulsionnelle et indicielle sont également présentées
dans la figure 1.15.
Cellule No.1 Cellule No.2 Cellule No.3
5 5 5
0 0 0
−5 −5 −5
Lorsque les spécifications du gabarit permettent une ondulation dans la bande passante du
filtre, on utilise fréquemment un filtre de Tchebycheff de type I dont la réponse fréquen-
tielle est décrite par :
1
|H( jω)|2 = H( jω)H(− jω) = (1.26)
1 + ε2Cn2 (ω/ωr )2n
16 (C)2005 freddy.mudry@eivd.ch
1.4 Filtres de Tchebycheff
0 1
0.9
−10
0.8
0.7
−20
amplitude [dB]
amplitude [/]
0.6
−30 0.5
0.4
−40
0.3
0.2
−50
0.1
−60 0
10
2
10
3
10
4 0 1000 2000 3000
fréquence [Hz] fréquence [Hz]
Réponse impulsionnelle
3000
2000
amplitude [/]
1000
−1000
0 0.5 1 1.5 2 2.5 3
−3
x 10
Réponse indicielle
1.4
1.2
1
amplitude [/]
0.8
0.6
0.4
0.2
0
0 0.5 1 1.5 2 2.5 3
temps [sec] x 10
−3
(C)2005 freddy.mudry@eivd.ch 17
1 É LÉMENTS DE FILTRAGE ANALOGIQUE
avec ωr délimitant la bande dans laquelle on accepte une ondulation r généralement expri-
mée en dB. On voit donc que pour les filtres de Tchebycheff, la pulsation de normalisation
n’est plus la pulsation de coupure mais la pulsation d’ondulation ωr .
La fonction Cn décrivant la réponse fréquentielle du filtre est oscillante dans la bande
passante et croissante dans la bande d’arrêt. Elle est décrite par :
Cn (ω/ωr ) = (1.27)
cosh (n acosh (ω/ωr )) si ω/ωr > 1
La réponse fréquentielle des filtres de Tchebycheff est illustrée par la figure 1.16 pour
laquelle on a pris r = 1 dB. On constate que le nombre d’extrémas présents dans la bande
d’ondulation est égal à l’ordre du filtre et que les ondulations se situent au-dessus ou
au-dessous de 1 suivant que le filtre est d’ordre pair ou impair.
On se souviendra que la pulsation de la bande d’ondulation ωr sert de pulsation de nor-
malisation et qu’elle est reliée à la pulsation de coupure ωc par la relation :
1
ωc = ωr cosh acosh(1/ε) (1.29)
n
Dans la situation fréquente où l’atténuation Aa est plus grande que 10, cette expression
peut être simplifiée pour donner :
log (2 Aa /ε)
n≥ q (1.31)
2
log (ωa /ωr ) + (ωa /ωr ) − 1
18 (C)2005 freddy.mudry@eivd.ch
1.4 Filtres de Tchebycheff
1.2
r = 1.12 = + 1 dB
Amplitude
n=6
1
n=5
1/r = 0.89 = - 1 dB
0.8
0.707 = - 3 dB
0.6
bande d'ondulation
0.4
bande passante
0.2 ωc
ωr
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
On peut montrer que les racines des polynômes réalisant la réponse fréquentielle décrite
par l’équation (1.26) se situent sur une ellipse dont le petit diamètre dépend de l’ondu-
lation r. A partir de cette ellipse, on peut calculer les polynômes de Tchebycheff dont
quelques uns sont données dans le tableau 1.3 pour r = 0.5 et 1.0 dB.
Dans l’exemple qui suit, on souhaite réaliser un filtre passe-bas de gain unité pour le-
quel on accepte une ondulation de 1 dB dans la bande passante et satisfaisant au gabarit
suivant :
Hr = 1 dB fr = 1 kHz
Ha = −40 dB fa = 3 kHz
Pour ce faire on demande de :
(C)2005 freddy.mudry@eivd.ch 19
1 É LÉMENTS DE FILTRAGE ANALOGIQUE
1 (1 + 0.349s)
1 + 0.940s + 0.659s2
2
1 (1 + 0.509s)
1 + 0.996s + 0.907s2
2
20 (C)2005 freddy.mudry@eivd.ch
1.4 Filtres de Tchebycheff
Solution :
1. On a :
p
A p = 1/Hr = r = 1 dB = 1.122 ⇒ ε= r2 − 1 = 0.5089
Aa = 1/Ha = +40 dB = 100 et ua = f a / f r = 3
d’où l’on tire :
log (2 Aa /ε)
n ≥ q
2
log (ωa /ωr ) + (ωa /ωr ) − 1
log (200/0.5089)
≥ √ = 3.39 '4
log 3 + 32 − 1
1
fc = fr cosh acosh(1/ε)
n
1
= 1 kHz · cosh acosh(1/0.5089) = 1053 Hz
4
2. Du tableau 1.3, on tire le polynôme normalisé pour une ondulation de 1 dB
P4,n (s) = 1 + 2.411s + 3.579s2 1 + 0.283s + 1.014s2
(C)2005 freddy.mudry@eivd.ch 21
1 É LÉMENTS DE FILTRAGE ANALOGIQUE
ω01 = √ 1
= 3321 rad/sec ω02 = √ 1
= 6240 rad/sec
9.066·10−8 2.568·10−8
ω01 ω02
f01 = 2π = 528 Hz f02 = 2π = 993 Hz
1 1
Q01 = 2ζ1
= 0.785 = −2 dB Q02 = 2ζ2
= 3.56 = 11 dB
Les réponses fréquentielles des deux cellules sont tracées à la figure 1.17. La somme (en
dB) de ces 2 réponses donne la réponse fréquentielle du filtre de Tchebycheff d’ordre 4
(figure 1.18). Les réponses impulsionnelle et indicielle sont présentées dans la figure 1.19.
10 10
5 5
0 0
−5 −5
amplitude [dB]
−10 −10
−15 −15
−20 −20
−25 −25
−30 −30
−35 −35
−40 −40
2 3 4 2 3 4
10 10 10 10 10 10
fréquence [Hz]
22 (C)2005 freddy.mudry@eivd.ch
1.5 Filtres de Bessel
0 1
−10
0.8
−20
amplitude [dB]
amplitude [/]
0.6
−30
0.4
−40
0.2
−50
−60 0
10
2
10
3
10
4 0 1000 2000 3000
fréquence [Hz] fréquence [Hz]
Réponse impulsionnelle
2500
2000
1500
amplitude [/]
1000
500
−500
−1000
0 0.5 1 1.5 2 2.5 3
−3
x 10
Réponse indicielle
1.4
1.2
1
amplitude [/]
0.8
0.6
0.4
0.2
0
0 0.5 1 1.5 2 2.5 3
temps [sec] −3
x 10
(C)2005 freddy.mudry@eivd.ch 23
1 É LÉMENTS DE FILTRAGE ANALOGIQUE
ϕ(ω)
t p (ω) = − (1.32)
ω
et que sa valeur est généralement donnée pour les basses fréquences
ϕ(ω)
tp = − (1.33)
ω ω→0
1
H2 ( jω) = (1.36)
1 + 1/Q0 jω/ω0 + ( jω/ω0 )2
valent respectivement
ϕ1 (ω) = −atan (ω/ω1 ) (1.37)
!
ω/ (Q0 ω0 )
ϕ2 (ω) = −atan (1.38)
1 − (ω/ω0 )2
24 (C)2005 freddy.mudry@eivd.ch
1.5 Filtres de Bessel
ω/(Q0 ω0 )
ϕ2 (ω) atan
1−(ω/ω0 )2
t p,2 (ω) ≡ − =
ω ω
La valeur du temps de propagation est généralement donnée pour les basses-fréquences
(ω → 0) ; on obtient alors pour les cellules d’ordre 1 et 2, respectivement
1 1
t p,1 = , t p,2 = (1.39)
ω1 Q0 ω 0
Comme un filtre d’ordre quelconque est constitué de cellules d’ordre 1 et 2, les temps de
propagation s’ajoutent pour donner
1
tp = ∑ (1.40)
k Q0,k ω0,k
1
P(s) = = 1 + b1 s + b2 s2 + · · · bn sn (1.41)
H(s)
D’un point de vue analytique, il n’existe malheureusement pas d’approche simple pour
trouver les pôles de H(s). On ne peut donc pas déterminer analytiquement la valeur de la
pulsation de coupure et trouver l’ordre du filtre à partir d’un gabarit. On se contente alors
d’une approche itérative conduisant à vérifier si un filtre donné (ordre et pulsation de
coupure) entre bien dans le gabarit requis. La synthèse se résume donc à définir la bande
passante (-3 dB) désirée et à choisir un ordre du filtre suffisamment élevé pour atteindre
l’atténuation souhaitée.
À titre illustratif, considérons le cas d’un filtre de Bessel d’ordre 6 et de pulsation de
coupure ωc = 1 [rad/sec]. Du tableau 1.4, on tire le polynôme normalisé par rapport à
(C)2005 freddy.mudry@eivd.ch 25
1 É LÉMENTS DE FILTRAGE ANALOGIQUE
n P(s)
1 (1 + s)
1 + 1.3614s + 0.6178s2
2
De cette fonction de transfert, nous déduisons que le filtre est réalisé à l’aide de trois
cellules d’ordre 2 caractérisées par :
1 rad 1
ω01 = √ = 1.60 Q01 = = 0.51
0.3891 sec 1.2224 · ω01
1 rad 1
ω02 = √ = 1.69 Q02 = = 0.61
0.3509 sec 0.9691 · ω02
1 rad 1
ω03 = √ = 1.90 Q03 = = 1.02
0.2759 sec 0.5133 · ω03
Comme le temps de propagation total est égal à la somme des temps de propagation de
chaque cellule, on a
3
1
tp = ∑ Q0k · ω0k
= 1.22 + 0.97 + 0.51 = 2.70 [sec]
k=1
26 (C)2005 freddy.mudry@eivd.ch
1.6 Largeur de bande et durée de la réponse temporelle
Réponse fréquentielle
10
−10
−20
−30
HdB(ω)
−40
−50
−60
−70
−80
−1 0 1
10 10 10
ω/ωc
Lors de l’utilisation des filtres, on souhaite souvent avoir simultanément une bande pas-
sante étroite et un régime transitoire rapide. Or, cela est inconciliable. Pour le voir, consi-
dérons un filtre passe-bande dont la fonction de transfert est décrite par sa pulsation ca-
ractéristique ω0 et son facteur de qualité Q0 :
1/Q0 (s/ω0 )
H(s) = (1.43)
1 + 1/Q0 (s/ω0 ) + (s/ω0 )2
Sachant que le facteur de qualité et la largeur de bande sont reliés entre eux par
ω0
∆ω = (1.44)
Q0
∆ω s
H(s) = (1.45)
s2 + ∆ω s + ω20
(C)2005 freddy.mudry@eivd.ch 27
1 É LÉMENTS DE FILTRAGE ANALOGIQUE
Réponse indicielle
0.8
0.6
y(t)
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9 10
ω c⋅ t
2
∠ H(jω)
−2
−4
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
2.74
2.72
2.7
tp (ω)
2.68
2.66
2.64
2.62
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
ω/ωc
28 (C)2005 freddy.mudry@eivd.ch
1.7 Réalisations des filtres analogiques
Comme on l’a déjà dit, les filtres sont représentés par des fonctions de transfert dont les
numérateurs et dénominateurs sont des polynômes P(s) décomposés en facteurs simples
d’ordre 1 ou 2 :
P1 (s) = 1 + s/ω1 (1.49)
2
1 s s
P2 (s) = 1 + + (1.50)
Q0 ω0 ω0
Aussi, pour caractériser un filtre d’ordre quelconque, suffit-il de donner les pulsations
caractéristiques et les facteurs de qualité de chaque cellule. C’est ce qui est fait pour les
filtres passe-bas dans le tableau 1.5.
On notera que pour les filtres de Butterworth et Bessel, la pulsation de normalisation est la
pulsation de coupure ωc (3 dB d’atténuation). Alors que, pour les filtres de Tchebycheff,
la pulsation de normalisation est celle correspondant à la bande dans laquelle on accepte
une ondulation. L’amplitude r de l’ondulation admise s’exprime généralement en dB et
les valeurs les plus souvent proposées sont 0.5 dB (5.9% d’ondulation) et 1.0 dB (12.2%
d’ondulation).
(C)2005 freddy.mudry@eivd.ch 29
1 É LÉMENTS DE FILTRAGE ANALOGIQUE
Cellules
Ordre
Btw (1) Bessel Tchb. 0.5 dB Tchb. 1 dB
ωk ωk ωk
Qk ωc Qk ω 0.5dB Qk ω 1dB Qk
30 (C)2005 freddy.mudry@eivd.ch
2 S YNTHÈSE DES FILTRES RÉCURSIFS
Avant de considérer la synthèse d’un filtre numérique, rappelons que celui-ci est décrit
par sa fonction de transfert en z qui peut s’écrire sous deux formes équivalentes
b0 zn + b1 zn−1 + · · · + bn
H(z) = (2.1)
zn + a1 zn−1 + · · · + an
b0 + b1 z−1 + · · · + bn z−n
H(z) = (2.2)
1 + a1 z−1 + · · · + an z−n
La première forme sert essentiellement à l’analyse des performances du filtre (recherche
des pôles et zéros), alors que de la deuxième on tire immédiatement l’équation aux diffé-
rences qui servira à réaliser le filtre :
Si l’on souhaite connaître la réponse fréquentielle d’un filtre, il suffit de remplacer l’opé-
rateur de retard z−1 par sa transformée de Fourier
Comme l’exponentielle imaginaire est périodique, la réponse fréquentielle d’un filtre nu-
mérique est également périodique de période fe et sa représentation se fait dans le do-
maine de fréquences allant de 0 à fe /2 (ou fe ). Si l’on considère la pulsation numérique
Ω, la représentation se fait alors de 0 à π (ou 2π) .
On notera que les valeurs particulières de H(0) (composante DC) ou H(π) (fréquence de
Nyquist fN = fe /2) se calculent aisément et qu’elles valent :
b0 + b1 + b2 + b3 + · · · + bn
H( j0) =
1 + a1 + a2 + a3 + · · · + an
b0 − b1 + b2 − b3 + · · · + bn
H( jπ) =
1 − a1 + a2 − a3 + · · · + an
(C)2005 freddy.mudry@eivd.ch 45
2 S YNTHÈSE DES FILTRES RÉCURSIFS
z−1 z
H(z) = −1 −2
= 2
1 − 1.7 z + 0.81 z z − 1.7 z + 0.81
1
H( j0) = = +9.091
1 − 1.7 + +0.81
−1
H( jπ) = = −0.285
1 + 1.7 + +0.81
En remplaçant l’opérateur de retard z−1 par son équivalent fréquentiel exp(− jΩ), on peut
calculer la réponse fréquentielle du filtre H( jΩ) qui s’écrit
exp(− jΩ)
H( jΩ) =
1 − 1.7 exp(− jΩ) + 0.81 exp(− j2Ω)
cos(Ω) − j sin(Ω)
H( jΩ) =
1 − 1.7 cos(Ω) + j 1.7 sin(Ω) + 0.81 cos(2Ω) − j 0.81 sin(2Ω)
1
|H( jΩ)| = q
(1 − 1.7 cos(Ω) + 0.81 cos(2Ω))2 + (1.7 sin(Ω) − 0.81 sin(2Ω))2
1.7 sin(Ω) − 0.81 sin(2Ω)
∠H( jΩ) = −Ω − arctan
1 − 1.7 cos(Ω) + 0.81 cos(2Ω)
La figure 2.1 présente les réponses temporelles (impulsionnelle et indicielle) et fréquen-
tielles (module et argument) de ce filtre.
d0 + d1 s + d2 s2 + · · · + dn sn
H(s) = (2.5)
c0 + c1 s + c2 s2 + · · · + cn sn
46 (C)2005 freddy.mudry@eivd.ch
2.3 La transformation associée
2.5 20
2
15
1.5
|H(jf)|
h(n)
10
0.5
0
5
−0.5
−1 0
0 10 20 30 40 50 0 0.2 0.4 0.6 0.8 1
14 0
12 −1
10 −2
8 −3
∠ H(jf)
g(n)
6 −4
4 −5
2 −6
0 −7
0 10 20 30 40 50 0 0.2 0.4 0.6 0.8 1
n f [Hz]
on cherche à obtenir le même type de réponse fréquentielle avec des filtres numériques
décrits par
b0 + b1 z−1 + b2 z−2 + · · · + bn z−n
H(z) = (2.6)
a0 + a1 z−1 + a2 z−2 + · · · + an z−n
Comme les correspondances que l’on établira entre s et z conduisent toutes à des approxi-
mations des réponses temporelle et fréquentielle analogiques, on peut imaginer un grand
nombre de transformations possibles. Parmi celles-ci, il en est deux que l’on rencontre
fréquemment et qui seules sont présentées ici : la transformation associée et la transfor-
mation bilinéaire.
Cette transformation associe les pôles et zéros de H(z) à ceux de H(s). Autrement dit,
connaissant la position des pôles et zéros du filtre analogique situés dans le demi-plan
complexe, on construit un filtre numérique ayant les pôles et zéros correspondants situés
dans un cercle de rayon unité (figure 2.2).
Sachant que la variable z représente un décalage temporel d’une période d’échantillon-
nage Te , on a
z = exp(s Te ) (2.7)
(C)2005 freddy.mudry@eivd.ch 47
2 S YNTHÈSE DES FILTRES RÉCURSIFS
Im(s) Im(z)
+jω
ωTe
Re(s) e-σTe
Re(z)
-σ
-jω
On en déduit alors que la variable s peut simplement être remplacée par la fonction
1
s = ln(z) (2.8)
Te
qui, à une racine analogique ra , fait correspondre une racine numérique rn telle que
rn = exp(ra Te ) (2.9)
De manière équivalente, cette approche revient à relier les polynômes analogiques Pa (s)
aux polynômes numériques Pn (z).
Considérant que tout filtre est représenté fondamentalement par des polynômes d’ordre 1
et 2, on peut se contenter d’analyser les deux situations suivantes.
1. À un polynôme analogique d’ordre 1 et sa racine ra
Pa1 (s) = 1 + s/ωc ⇒ ra = −ωc (2.10)
correspond un polynôme numérique d’ordre 1
Pn1 (z) = 1 + a1 z−1 avec (2.11)
a1 = − exp(−ωc Te ) (2.12)
2. À un polynôme analogique d’ordre 2 et ses racines ra1,2
Pc2 (s) = 1 + a1 s + a2 s2 ⇒ ra1,2 = −σ ± jω0 (2.13)
correspond un polynôme numérique d’ordre 2
Pn2 (z) = 1 − 2R cos(Ω0 )z−1 + R2 z−2 avec (2.14)
R = exp(−σ Te ) Ω0 = ω0 Te (2.15)
Une fois les correspondances polynomiales obtenues, il reste à ajuster le gain de H(z) afin
que, pour une fréquence donnée, on ait la même amplitude de la réponse fréquentielle en
numérique qu’en analogique.
48 (C)2005 freddy.mudry@eivd.ch
2.3 La transformation associée
0.3 10
0.25
0.2
0
0.15
h(t)
0.1
−10
0.05
−0.05 −20
0 0.5 1 1.5 2 2.5
|H(jf)| [dB]
1.4 −30
1.2
1
−40
0.8
g(t)
0.6
−50
0.4
0.2
0 −60
0 0.5 1 1.5 2 2.5 10
2 3
10 10
4
t [ms] f [Hz]
Solution On sait qu’un filtre passe-bas de Butterworth d’ordre 3 est décrit par une cel-
lule d’ordre 1 suivie d’une cellule d’ordre 2 telles que
1
H(s) = (2.16)
(1 + s/ωc ) 1 + s/ωc + (s/ωc )2
(C)2005 freddy.mudry@eivd.ch 49
2 S YNTHÈSE DES FILTRES RÉCURSIFS
a1 = − exp(−ωc Te ) = −0.5335
d’où
P1 (z) = 1 − 0.5335 z−1 (2.17)
2. un polynôme numérique d’ordre 2 :
P2 (z) = 1 − 2R cos(Ω0 )z−1 + R2 z−2 avec
√
R = exp(−σ Te ) = exp(−π/10) = 0.730 Ω0 = ω0 Te = π 3/10 = 0.544
d’où
P2 (z) = 1 − 1.25 z−1 + 0.5335 z−2 (2.18)
Ces deux polynômes décrivent la fonction de transfert du filtre passe-bas numérique dont
les gains G1 et G2 sont inconnus :
G1 G2
H(z) =
(1 − 0.5335 z ) (1 − 1.25 z + 0.5335 z−2 )
−1 −1
Il reste donc à adapter les gains de chaque cellule du filtre de manière à ce que l’amplitude
du filtre numérique soit la même que celle du filtre analogique pour une fréquence donnée.
Comme il s’agit ici d’un filtre passe-bas, c’est le comportement DC des filtres qui doit
être identique. Sachant que les valeurs DC des réponses analogique et numérique sont
obtenues pour s = 0 et, respectivement, z = 1, il vient :
H(s → 0) = 1
G1 G2 G1 G2
H(z → 1) = = = H(s → 0) = 1
(1 − 0.5335) (1 − 1.25 + 0.5335) 0.4665 0.2835
En choisissant G1 = 0.4665 et G2 = 0.2835, on obtient la fonction de transfert recherchée
qui s’écrit dans l’une des deux formes suivantes
0.4665 0.2835
H(z) =
(1 − 0.5335 z−1 ) (1 − 1.25 z−1 + 0.5335 z−2 )
0.4665 z 0.2835 z2
H(z) =
(z − 0.5335) (z2 − 1.25 z + 0.5335)
0.4665 z 0.2835 z
H(z) = (2.20)
(z − 0.5335) (z2 − 1.25 z + 0.5335)
Les réponses temporelle et fréquentielle de ce filtre sont représentées dans la figure 2.4
où on les compare avec celles du filtre analogique.
50 (C)2005 freddy.mudry@eivd.ch
2.3 La transformation associée
0.3 10
0.25
0.2
0
0.15
h(n)
0.1
−10
0.05
−0.05 −20
0 5 10 15 20 25
|H(jf)| [dB]
1.4 −30
1.2
1
−40
0.8
g(n)
0.6
−50
0.4
0.2
0 −60
0 5 10 15 20 25 10
2 3
10 10
4
n f [Hz]
1 0.4665 (z + 1) 0.2835 (z + 1)
H(z) = 2
(2.21)
4 (z − 0.5335) (z − 1.25 z + 0.5335)
(C)2005 freddy.mudry@eivd.ch 51
2 S YNTHÈSE DES FILTRES RÉCURSIFS
0.3 10
0.25
0.2
0
0.15
h(n)
0.1
−10
0.05
−0.05 −20
0 5 10 15 20 25
|H(jf)| [dB]
1.4 −30
1.2
1
−40
0.8
g(n)
0.6
−50
0.4
0.2
0 −60
0 5 10 15 20 25 10
2
10
3 4
10
n f [Hz]
2.4.1 Introduction
Le but de la transformation bilinéaire est de trouver une équation aux différences du filtre
H(z) dont la solution est proche de celle de l’équation différentielle du filtre analogique
H(s), solution que l’on obtient par intégration. Parmi les différentes méthodes numériques
d’intégration, il en est une qui offre un bon compromis entre la qualité des résultats et
la facilité de mise en oeuvre ; il s’agit de l’intégration trapézoïdale. Celle-ci revient à
remplacer l’intégrale
Z t Z t−Te Z t
y(t) = x(t)dt = x(t)dt + x(t)dt
0 0 t−Te
52 (C)2005 freddy.mudry@eivd.ch
2.4 La transformation bilinéaire
z−1 2
z−1
ln(z) = 2 + +···
z+1 z+1
Comme tout filtre est représenté par des produits de polynômes d’ordre 1 et 2, on se
contente d’analyser les deux situations suivantes dans lesquelles on remplacera la variable
s par la fonction
1 − z−1 2
s→γ −1
avec γ = (2.24)
1+z Te
1 − z−1
F1 (z) = a0 + a1 γ
1 + z−1
(a0 + a1 γ) + (a0 − a1 γ) z−1
=
1 + z−1
d’où
q0 + q1 z−1
F1 (z) = (2.26)
1 + z−1
avec q0 = a0 + a1 γ (2.27)
q1 = a0 − a1 γ (2.28)
(C)2005 freddy.mudry@eivd.ch 53
2 S YNTHÈSE DES FILTRES RÉCURSIFS
d’où
q0 + q1 z−1 + q2 z−2
F2 (z) = (2.30)
1 + 2z−1 + z−2
avec q0 = a0 + a1 γ + a2 γ2 (2.31)
= 2 a0 − a2 γ2
q1 (2.32)
q2 = a0 − a1 γ + a2 γ2 (2.33)
1
H(s) =
(1 + s/ωc ) 1 + s/ωc + (s/ωc )2
d’où
1 1 + z−1 1 + z−1
H1 (z) = = =
F1 (z) q0 + q1 z−1 4.1831 − 2.1831 z−1
0.239 1 + z−1
=
1 − 0.5219 z−1
54 (C)2005 freddy.mudry@eivd.ch
2.4 La transformation bilinéaire
d’où
1 1 + 2z−1 + z−2
H2 (z) = =
Fn2 (z) q0 + q1 z−1 + q2 z−2
1 + 2z−1 + z−2
=
14.315 − 18.264 z−1 + 7.949 z−2
0.06986 1 + 2z−1 + z−2
=
1 − 1.2759 z−1 + 0.5553 z−2
La fonction de transfert globale est ainsi égale au produit de ces deux fonctions de transfert
partielles qui correspondent à deux cellules passe-bas bas à gain unité. La fonction de
transfert globale s’écrit alors sous l’une des deux formes suivantes
0.239 (z + 1) 0.06986 z2 + 2z + 1
H(z) = (2.35)
z − 0.5219 z2 − 1.2759 z + 0.5553
Les réponses temporelle et fréquentielle de ce filtre sont représentées dans la figure 2.6
où elles sont comparées avec celles du filtre analogique.
0.3 10
0.25
0.2
0
0.15
h(n)
0.1
−10
0.05
−0.05 −20
0 5 10 15 20 25
|H(jf)| [dB]
1.4 −30
1.2
1
−40
0.8
g(n)
0.6
−50
0.4
0.2
0 −60
0 5 10 15 20 25 10
2 3
10 10
4
n f [Hz]
(C)2005 freddy.mudry@eivd.ch 55
3 S YNTHÈSE DES FILTRES NON
RÉCURSIFS
3.1 Introduction
Les filtres non récursifs que l’on appelle également filtres à réponse impulsionnelle finie
(RIF) se distinguent des filtres récursifs étudiés dans le chapitre précédent par les points
suivants :
– ils sont toujours stables ;
– ils peuvent être conçus pour avoir une phase linéaire exacte ;
– ils nécessitent généralement plus de matériel et de temps de calcul.
Un filtre non récursif d’ordre N comporte N + 1 coefficients et peut être décrit de manière
équivalente par :
3.2 Spécifications
Les spécifications d’un filtre se donnent sous la forme d’un gabarit en valeurs réelles ou
relatives (dB). Un exemple de gabarit pour un filtre passe-bas est illustré dans la figure
3.1. On y trouve :
(C)2005 freddy.mudry@eivd.ch 63
3 S YNTHÈSE DES FILTRES NON RÉCURSIFS
|H(jΩ)|
1+δ1 Ωp
Ωa π Ω
1 0
1-δ1 Rp
Aa
δ2
AdB
0 Ωp Ωa π Ω
ou inversément :
δ1 = ± 10+R p /20
−1 (3.7)
Dans le cas où on désire avoir une phase linéaire, la réponse impulsionnelle doit posséder
une symétrie paire ou une symétrie impaire ou, de manière équivalente, une symétrie
axiale ou ponctuelle. La justification en est donnée ci-dessous.
64 (C)2005 freddy.mudry@eivd.ch
3.3 Propriétés des filtres RIF à phase linéaire
Symétrie paire
Considérons un filtre RIF d’ordre N = 6 représenté par une séquence h[n] à symétrie paire
par rapport à Ns = 3 (figure 3.2a). Cette séquence provient d’une réponse impulsionnelle
paire h p [n] non causale dont la réponse fréquentielle est réelle.
Le décalage temporel (ici, un retard) nécessaire pour rendre le filtre causal entraîne le
déphasage linéaire souhaité. On a donc
|H| = Hp
H( jΩ) = exp (− jNs Ω) H p ( jΩ) ⇒ (3.9)
∠H = {0, ±π} − Ns Ω
Le module de H( jΩ) est égal à celui du filtre non causal H p ( jΩ) et la phase varie linéai-
rement avec la pulsation. Le cas échéant, on devra, ajouter ±π à cette phase linéaire pour
tenir compte de la valeur négative éventuelle de H p ( jΩ).
5 5
4 a) 4 b)
3 3
2 2
1 1
0 ^ 0
Ns = 3 ^ N = 3.5
s
−1 −1
−5 0 5 10 −5 0 5 10
3 3
2 c) 2 d)
1 1
0 0
^ ^
Ns = 3 Ns = 3.5
−1 −1
−2 −2
−3 −3
−5 0 5 10 −5 0 5 10
Symétrie impaire
Considérons un filtre RIF d’ordre N = 6 représenté par une séquence h[n] à symétrie
impaire par rapport à Ns = 3 (figure 3.2b). Cette séquence provient d’une réponse impul-
sionnelle impaire hi [n] non causale dont la réponse fréquentielle est purement imaginaire.
Le décalage temporel nécessaire pour rendre le filtre causal entraîne le déphasage linéaire
souhaité. On a donc
(C)2005 freddy.mudry@eivd.ch 65
3 S YNTHÈSE DES FILTRES NON RÉCURSIFS
|H| = |Hi |
H( jΩ) = exp (− jNs Ω) Hi ( jΩ) ⇒ (3.10)
∠H = ±π/2 − Ns Ω
Le module de H( jΩ) est égal à celui du filtre non causal Hi ( jΩ) et sa phase varie linéai-
rement avec la pulsation à partir de ±π/2 suivant le signe de la valeur imaginaire.
Remarque
On peut bien sûr considérer des filtres d’ordre N impair (figures 3.2c et 3.2d). Dans ce
cas, l’axe ou le point de symétrie se situe entre
2 valeurs de la réponse impulsionnelle h[n]
et le déphasage linéaire s’écrira − Ns + 21 Ω. Dans le cadre de ce cours, on n’analysera
que des filtres d’ordre N pair (c’est-à-dire de longueur L = N + 1 impaire) dont le point
ou axe de symétrie se situe obligatoirement sur une valeur entière de l’axe n.
Exemple
Considérons comme exemple un filtre causal dont la réponse impulsionnelle finie (fi-
gure 3.3a) est décrite par une séquence non-nulle de longueur L = 9 à symétrie paire
h[n] = {+1, +2, +3, +4, +5, +4, +3, +2, +1, 0, 0, · · ·} avec n = 0, 1, 2, · · ·
On en conclut que ce filtre RIF, décrit par un polynôme d’ordre N = 8, possède 8 pôles
situés en z = 0 et 8 zéros dont les positions dans le plan complexe sont présentées dans la
figure 3.3b.
En remplaçant l’opérateur de retard z−1 par sa transformée de Fourier e− jΩ , on obtient la
réponse fréquentielle du filtre
N
H( jΩ) = ∑ h[k] e− jΩ
k=0
= 1 + 2e− jΩ + 3e− j2Ω + 4e− j3Ω + 5e− j4Ω + 4e− j5Ω + 3e− j6Ω + 2e− j7Ω + 1e− j8Ω
En mettant en évidence le phaseur central e− j4Ω , on obtient une forme illustrant claire-
ment la symétrie paire du filtre
H( jΩ) = e− j4Ω 1e+ j4Ω + 2e j3Ω + 3e j2Ω + 4e jΩ + 5 + 4e− jΩ + 3e− j2Ω + 2e− j3Ω + 1e− j4Ω
66 (C)2005 freddy.mudry@eivd.ch
3.3 Propriétés des filtres RIF à phase linéaire
6
a) 25
5 c)
20
4
3 15
|H(jΩ)|
h[n]
2 10
1
5
0
0
−1
0 5 10 −1 −0.5 0 0.5 1
n Ω/π
2 15
1
b) d)
2 10
0.5
5
∠ H(jΩ)
8
Im(z)
0 0
−5
−0.5 2
−10
2
−1
−15
−1 −0.5 0 0.5 1 −1 −0.5 0 0.5 1
Re(z) Ω/π
F IG . 3.3: Réponse impulsionnelle, pôles et zéros, amplitude et phase d’un filtre RIF à
symétrie paire
Utilisant la formule d’Euler 2 cos ϕ = exp(+ jϕ) + exp(− jϕ), on obtient finalement
H( jΩ) = e− j4Ω (5 + 8 cos(Ω) + 6 cos(2Ω) + 4 cos(3Ω) + 2 cos(4Ω))
Ce résultat montre à l’évidence que l’on a affaire à un filtre à phase linéaire puisque le
seul terme complexe de l’expression est le phaseur e− j4Ω . Ce filtre RIF possède donc une
réponse fréquentielle en amplitude (figure 3.3c) qui vaut
|H( jΩ)| = |5 + 8 cos(Ω) + 6 cos(2Ω) + 4 cos(3Ω) + 2 cos(4Ω)|
et une phase (figure 3.3d) décrite par
∠H( jΩ) = −4Ω
À titre de comparaison, il est intéressant de tracer les mêmes graphes (figure 3.4) pour
un filtre réalisé avec une réponse impulsionnelle similaire à la précédente mais avec une
symétrie impaire cette fois-ci :
h[n] = {+1, +2, +3, +4, 0, −4, −3, −2, −1, 0, 0, · · ·} avec n = 0, 1, 2, · · ·
dont la réponse fréquentielle vaut
H( jΩ) = e− j4Ω 1e+ j4Ω + 2e j3Ω + 3e j2Ω + 4e jΩ + 0 − 4e− jΩ − 3e− j2Ω − 2e− j3Ω − 1e− j4Ω
= 2 j e− j4Ω (4 sin(Ω) + 3 sin(2Ω) + 2 sin(3Ω) + sin(4Ω))
= 2 | (4 sin(Ω) + 3 sin(2Ω) + 2 sin(3Ω) + sin(4Ω)) | ∠ + π/2 − 4Ω
On peut relever que la symétrie paire conduit à un filtre passe-bas alors que la symétrie
impaire fournit un filtre passe-haut ou passe-bande.
(C)2005 freddy.mudry@eivd.ch 67
3 S YNTHÈSE DES FILTRES NON RÉCURSIFS
5
25
a) c)
20
15
|H(jΩ)|
h[n]
0
10
0
−5
0 5 10 −1 −0.5 0 0.5 1
n Ω/π
15
1.5 d)
b) 10
1
0.5 5
∠ H(jΩ)
3 8
Im(z)
0 0
−0.5 −5
−1
−10
−1.5
−15
−2 −1 0 1 2 −1 −0.5 0 0.5 1
Re(z) Ω/π
F IG . 3.4: Réponse impulsionnelle, pôles et zéros, amplitude et phase d’un filtre RIF à
symétrie impaire
Le point de départ de la synthèse des filtres RIF est donné par la considération des ré-
ponses impulsionnelles des filtres idéaux. Comme celles-ci sont infiniment longues et
non causales, on voit immédiatement que les filtres idéaux ne sont pas réalisables. On
doit donc manifestement se contenter d’une approximation de leurs réponses en les tron-
quant avant de les rendre causales.
Pour voir plus précisément comment cela se passe, considérons la réponse fréquentielle
Hd ( jω) d’un filtre analogique passe-bas idéal (figure 3.5a). Sa réponse impulsionnelle
hd (t) se calcule par transformation de Fourier inverse. On obtient ainsi une réponse tem-
porelle en forme de sinus cardinal et de longueur infinie (figure 3.5b).
De manière à ce que ce filtre soit réalisable, il faut tronquer cette réponse en respectant sa
symétrie paire (figure 3.5d). On obtient alors un filtre à réponse impulsionnelle de durée
finie, mais non causale puisque h(t) n’est pas nulle pour t < 0. Un décalage de cette
réponse à symétrie paire suffit à rendre le filtre causal (figure 3.5f), donc à phase linéaire
(figure 3.5e). Bien entendu, le module de sa réponse fréquentielle ne sera plus qu’une
approximation de l’idéal (figure 3.5c).
D’un point de vue mathématique, le fait de tronquer la réponse impulsionnelle hd (t) re-
vient à multiplier celle-ci par une fenêtre rectangulaire wr (t) et la réponse impulsionnelle
68 (C)2005 freddy.mudry@eivd.ch
3.4 Synthèse par fenêtrage
s’écrit alors :
h(t) = hd (t) · wr (t) (3.11)
Pour un filtre numérique, on aura de manière équivalente :
L’opération de troncation qui, dans une première approche peut sembler anodine, modifie
sensiblement la réponse fréquentielle et entraîne des ondulations dans les bandes pas-
santes et d’arrêt. Ceci provient de la convolution entre la réponse fréquentielle du filtre
idéal et le spectre en sinus cardinal de la fenêtre rectangulaire :
La figure 3.6 montre à l’évidence que l’ondulation caractérisant la réponse obtenue H( jΩ)
provient du spectre W ( jΩ) de la fenêtre choisie, ici rectangulaire.
Afin d’obtenir le meilleur compromis possible entre une faible ondulation et une bande
de transition étroite, on sera donc amené par la suite à choisir une fenêtre w[n] dont le
comportement fréquentiel est satisfaisant du point de vue du filtre à réaliser. C’est-à-
dire que l’on cherchera un compromis entre l’amplitude des ondulations et la largeur des
bandes de transition.
(C)2005 freddy.mudry@eivd.ch 69
3 S YNTHÈSE DES FILTRES NON RÉCURSIFS
1
10 a) b)
amplitude
module 0.5
5
0
0
−0.1 −0.05 0 0.05 0.1 −50 0 50
1
10 c) d)
amplitude
module
0.5
5
0
0
−0.1 −0.05 0 0.05 0.1 −50 0 50
10 1
5 e) f)
amplitude 0.5
phase
−5 0
−10
−0.1 −0.05 0 0.05 0.1 0 20 40 60 80 100
fréquence temps
1.5
1.5
0.5
Hd(jΩ)
0
70 (C)2005 freddy.mudry@eivd.ch
3.5 Réponses fréquentielles et impulsionnelles idéales
Comme la synthèse par fenêtrage utilise les réponses impulsionnelles des filtres idéaux, il
est nécessaire de les connaître. Ces réponses impulsionnelles sont calculées en partant des
réponses fréquentielles idéales des 4 filtres de base passe-bas, passe-haut, passe-bande et
réjecteur de bande (figure 3.7).
1 si |Ω| ≤ Ωc
Hb ( jΩ) = (3.14)
0 si |Ω| > Ωc
Ωc sin (nΩc )
hb [n] = − ∞ < n < +∞ (3.16)
π nΩc
Cette réponse temporelle est infiniment longue et non causale. Afin de la rendre causale,
il faut tout d’abord la tronquer pour avoir une réponse impulsionnelle de d’ordre N puis
la décaler de la moitié de sa longueur.
En choisissant de travailler avec une réponse impulsionnelle d’ordre N pair centrée en
Ns = N/2, il vient :
Ωc sin((n−Ns )Ωc )
π (n−Ns )Ωc si 0 ≤ n 6= Ns ≤ N
hb [n] = Ωc (3.17)
π si n = Ns
0 sinon
(C)2005 freddy.mudry@eivd.ch 71
3 S YNTHÈSE DES FILTRES NON RÉCURSIFS
Passe-Bas
−Ω
Ω
π 2π Ω
Passe-Haut
−Ω Ω π 2π Ω
Passe-Bande
−Ω −Ω Ω Ω
π 2π Ω
Coupe-Bande
−Ω −Ω Ω Ω
π 2π Ω
72 (C)2005 freddy.mudry@eivd.ch
3.5 Réponses fréquentielles et impulsionnelles idéales
Filtre passe−bas
0.8
0.6
0.4
h[n]
0.2
−0.2
0 10 20 30 40 50 60
0.8
|H(jΩ)|
0.6
0.4
0.2
0
−3 −2 −1 0 1 2 3
On peut remarquer que les réponses fréquentielles d’un passe-bas et d’un passe-haut sont
reliées entre elles par :
Hh ( jΩ) = 1 − Hb ( jΩ) (3.19)
Ce qui, dans l’espace temps, correspond à :
− Ωπc sin((n−N
s )Ωc )
(n−Ns )Ωc si 0 ≤ n 6= Ns ≤ N
hh [n] =
1 − Ωπc si n = Ns (3.21)
0 sinon
(C)2005 freddy.mudry@eivd.ch 73
3 S YNTHÈSE DES FILTRES NON RÉCURSIFS
Filtre passe−haut
0.8
0.6
0.4
h[n]
0.2
−0.2
0 10 20 30 40 50 60
0.8
|H(jΩ)|
0.6
0.4
0.2
0
−3 −2 −1 0 1 2 3
Ω sin((n−Ns )Ω ) Ω sin((n−Ns )Ω )
π2 (n−Ns )Ω2 2 − π1 (n−Ns )Ω1 1
si 0 ≤ n 6= Ns ≤ N
h∆ [n] = Ω2 −Ω1 (3.22)
π si n = Ns
0 sinon
Ω1 sin((n−Ns )Ω1 )
− Ωπ2 sin((n−N
s )Ω2 )
π (n−Ns )Ω1 (n−Ns )Ω2 si 0 ≤ n 6= Ns ≤ N
hr [n] =
1 − Ω2 −Ω
π
1
si n = Ns (3.23)
0 sinon
74 (C)2005 freddy.mudry@eivd.ch
3.6 Caractéristiques de quelques fenêtres
Filtre passe−bande
0.8
0.6
0.4
h[n]
0.2
−0.2
0 10 20 30 40 50 60
0.8
|H(jΩ)|
0.6
0.4
0.2
0
−3 −2 −1 0 1 2 3
Exemple Réalisation d’un filtre non récursif élémentaire basé sur la réponse fréquen-
tielle idéale d’un filtre passe-bas ayant une bande passante de 1 kHz alors que la fréquence
d’échantillonnage est de 10 kHz.
Les fenêtres susceptibles de satisfaire les besoins de synthèse des filtres et d’analyse spec-
trale ont fait l’objet d’études extensives [3]. Parmi les nombreuses fenêtres proposées,
seules celles qui sont le plus souvent citées sont présentées ci-après.
(C)2005 freddy.mudry@eivd.ch 75
3 S YNTHÈSE DES FILTRES NON RÉCURSIFS
0.8
0.6
0.4
h[n]
0.2
−0.2
0 10 20 30 40 50 60
0.8
|H(jΩ)|
0.6
0.4
0.2
0
−3 −2 −1 0 1 2 3
Pour chacune des fenêtres étudiées, on présentera son équation w[n] et une figure com-
portant 4 graphes :
Cette représentation peu commune est importante car grâce à elle, on peut mesurer
le niveau d’atténuation possible ainsi que la largeur de la bande de transition pour
un filtre RIF. Sa définition découle de la convolution entre une réponse fréquentielle
constante et le spectre de la fenêtre w[n].
Fenêtre rectangulaire
1 si 0≤n≤N
wr [n] = (3.25)
0 sinon
76 (C)2005 freddy.mudry@eivd.ch
3.6 Caractéristiques de quelques fenêtres
Rectangle
1 0
0.8
−20
0.6
WdB(jΩ)
w[n]
−40
0.4
0.2 −60
0
−80
0 10 20 30 40 50 −1 −0.5 0 0.5 1
n Ω /π
60
0
40
−20
∫ W(jΩ)dΩ
W(jΩ)
20 −40
0 −60
−20 −80
−1 −0.5 0 0.5 1 −1 −0.5 0 0.5 1
Ω /π Ω /π
Fenêtre de Hamming
0.54 − 0.46 cos 2π Nn
si 0≤n≤N
wh [n] = (3.28)
0 sinon
Fenêtre de Blackman
0.42 − 0.5 cos 2π Nn + 0.08 cos 4π Nn
si 0≤n≤N
wb [n] = (3.29)
0 sinon
(C)2005 freddy.mudry@eivd.ch 77
3 S YNTHÈSE DES FILTRES NON RÉCURSIFS
Triangle
1 0
0.8
−20
0.6
WdB(jΩ)
w[n]
−40
0.4
0.2 −60
0
−80
0 10 20 30 40 50 −1 −0.5 0 0.5 1
n Ω /π
35
0
30
25
−20
20
∫ W(jΩ)dΩ
W(jΩ)
15 −40
10
5 −60
0
−5 −80
−1 −0.5 0 0.5 1 −1 −0.5 0 0.5 1
Ω /π Ω /π
Cosinus
1 0
0.8
−20
0.6
WdB(jΩ)
w[n]
−40
0.4
0.2 −60
0
−80
0 10 20 30 40 50 −1 −0.5 0 0.5 1
n Ω /π
35
0
30
25
−20
20
∫ W(jΩ)dΩ
W(jΩ)
15 −40
10
5 −60
0
−5 −80
−1 −0.5 0 0.5 1 −1 −0.5 0 0.5 1
Ω /π Ω /π
78 (C)2005 freddy.mudry@eivd.ch
3.6 Caractéristiques de quelques fenêtres
Hamming
1 0
0.8
−20
0.6
w[n]
−40
0.4
0.2 −60
0
−80
0 10 20 30 40 50 −1 −0.5 0 0.5 1
n
35
0
30
25
−20
20
∫ W(jΩ)dΩ
W(jΩ)
15 −40
10
5 −60
0
−5 −80
−1 −0.5 0 0.5 1 −1 −0.5 0 0.5 1
Ω /π Ω /π
Les fenêtres présentées ci-dessus ont des formes et des atténuations fixes apportant cha-
cune sa largeur du lobe principal et son atténuation des lobes latéraux. La contribution
de Kaiser fut de proposer une fenêtre s’adaptant à l’atténuation désirée. Cette fenêtre est
définie par une fonction de Bessel :
√
I0 β 1−(1−n/Ns )2
si 0≤n≤N
I0 (β)
wk [n] = (3.30)
0 sinon
avec :
– I0 = fonction de Bessel modifiée de première espèce et d’ordre zéro
– β = paramètre de forme de la fenêtre
– Ns = N/2 = point de symétrie de la fenêtre
L’usage fréquent des fenêtres de Hann ou de Hamming est dû à ce que ces fonctions sont
familières et faciles à calculer. Cependant, bien que la fonction de Bessel soit en général
(C)2005 freddy.mudry@eivd.ch 79
3 S YNTHÈSE DES FILTRES NON RÉCURSIFS
Blackman
1 0
0.8
−20
0.6
WdB(jΩ)
w[n]
−40
0.4
0.2 −60
0
−80
0 10 20 30 40 50 −1 −0.5 0 0.5 1
n Ω /π
35
0
30
25
−20
20
∫ W(jΩ)dΩ
W(jΩ)
15 −40
10
5 −60
0
−5 −80
−1 −0.5 0 0.5 1 −1 −0.5 0 0.5 1
Ω /π Ω /π
∞
1 x n 2
I0 (x) = 1 + ∑ (3.31)
n=1 n! 2
Cette série converge rapidement et la procédure de calcul proposée par Kaiser est très
simple à mettre en oeuvre :
80 (C)2005 freddy.mudry@eivd.ch
3.6 Caractéristiques de quelques fenêtres
Kaiser β = 9
1 0
0.8
−20
0.6
W (jΩ)
w[n]
−40
dB
0.4
0.2 −60
0
−80
0 10 20 30 40 50 −1 −0.5 0 0.5 1
n Ω /π
35
0
30
25
−20
20
∫ W(jΩ)dΩ
W(jΩ)
15 −40
10
5 −60
0
−5 −80
−1 −0.5 0 0.5 1 −1 −0.5 0 0.5 1
Ω /π Ω /π
Après une simulation numérique extensive, Kaiser a obtenu une paire de formules qui
permettent de trouver β et N à partir des spécifications demandées. Ces spécifications
sont l’atténuation AdB et la largeur de la bande de transition ∆Ω exprimée en radians.
Le facteur de forme β dépend uniquement de l’atténuation AdB
0.1102 (AdB − 8.7) si AdB > 50
β= 0.5842 (AdB − 21)0.4 + 0.078862 (AdB − 21) si 21 ≤ AdB ≤ 50 (3.32)
0 si AdB < 21
(C)2005 freddy.mudry@eivd.ch 81
3 S YNTHÈSE DES FILTRES NON RÉCURSIFS
0 0
− − − beta = 0 − − − N = 10
−10 . . . . . beta = 3 −10 . . . . . N = 20
−−−− beta = 5 −−−− N = 40
−20 −20
−30 −30
−40 −40
−50 −50
−60 −60
−70 −70
−80 −80
−100 −100
0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
L’ensemble des propriétés concernant les fenêtres et les filtres étudiés ci-dessus sont
réunies dans les tableaux 3.1 à 3.3. On y trouve les caractérisitques spectrales de quelques
fenêtres usuelles, les caractéristiques des filtres RIF en fonction des fenêtres utilisées, les
avantages et inconvénients de ces fenêtres.
82 (C)2005 freddy.mudry@eivd.ch
3.7 Conclusions sur l’usage des fenêtres
TAB . 3.3: Avantages et inconvénients des fenêtres utilisées dans la réalisation de filtres
RIF
(C)2005 freddy.mudry@eivd.ch 83
3 S YNTHÈSE DES FILTRES NON RÉCURSIFS
La démarche à suivre pour obtenir les coefficients du filtre souhaité est la suivante :
Considérons la réalisation d’un filtre passe-bas satisfaisant au cahier des charges suivant :
3.8.1 Préliminaires
La réponse du filtre sera construite à partir de celle d’un filtre passe-bas idéal tel que :
f p + fa
fc = = 1.2 kHz
2
donc :
fc 1.2 kHz
Ωc = 2π = 2π = 0.24 π
fe 10 kHz
2. la largeur de la bande de transition requise vaut
∆ f = fa − f p = 0.4 kHz
on a donc :
∆f 0.4 kHz
∆Ω = 2π = 2π = 0.08 π
fe 10 kHz
84 (C)2005 freddy.mudry@eivd.ch
3.8 Réalisation d’un filtre passe-bas
3. la réponse impulsionnelle désirée est celle d’un filtre passe-bas (équ. 3.17)
Ωc sin((n−Ns )Ωc )
π (n−Ns )Ωc si 0 ≤ n 6= Ns ≤ N
hd [n] = hb [n] = Ωc
π si n = Ns
0 sinon
4. le tableau 3.2 montre que pour cet exemple, on peut utiliser la fenêtre de Hamming
ou la fenêtre universelle de Kaiser. Considérons ces deux cas.
(C)2005 freddy.mudry@eivd.ch 85
3 S YNTHÈSE DES FILTRES NON RÉCURSIFS
Réponse impulsionnelle
0.25
0.2
0.15
0.1
h[n]
0.05
−0.05
−0.1
0 10 20 30 40 50 60 70 80 90
Réponse fréquentielle
−20
H(f) [dB]
−40
−60
−80
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Réponses temporelles
2
1
x [n]
−1
−2
0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016 0.018 0.02
1
yRIF [n]
−1 RIF
−2
0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016 0.018 0.02
1
yRII [n]
−1 RII
−2
0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016 0.018 0.02
86 (C)2005 freddy.mudry@eivd.ch
Partie 2:
Traitement d’image
Chapitre I : Image numérique
Position (m, n)
de l’image,
note : I (m, n)
Dans d'autres systèmes de formation image, une convention de colonne-ligne peut être employée
et l'origine d'image peut également changer. Bien que les images que nous considérons soient
discrètes, il est souvent théoriquement commode de traiter une image comme un signal spatial
continu : I(x, y). En particulier, ceci permet parfois de faire une utilisation plus normale des
techniques puissantes de l'intégrale et du calcul différentiel pour comprendre des propriétés des
images et à les manœuvrer efficacement. L'analyse mathématique des images discrètes mène
généralement à un algébrique matricielle, formulation qui est parfois meilleure.
3
I.1.2. L’image couleur
Une image contient un ou plusieurs canaux de couleur qui définissent l'intensité ou la
couleur à cet endroit particulier I (m, n). Dans le cas le plus simple, chaque Pixel contient
seulement une valeur numérique simple représentation du niveau de signal à ce point dans l'image.
La conversion de cet ensemble de nombres à une image (affichée) réelle est réalisés par une carte
couleur. Une carte couleur assigne une nuance spécifique de couleur à chaque niveau numérique
dans l'image pour donner une représentation visuelle des données. La carte couleur la plus
commune est celle qui assigne toutes les nuances du noir (zéro) au blanc (maximum) selon le
niveau de signal. Les images à niveau de gris sont des images qui expriment seulement l'intensité
du signal comme valeur simple à chaque pixel dans une région. Dans certains exemples, il peut
être meilleur d'afficher l'intensité des images en utilisant une carte de fausses-couleur. Une des
raisons principales de l'utilisation de cette carte de fausses-couleur repose sur le fait que le
système visuel humain est seulement sensible à approximativement 40 nuances de gris dans la
gamme allant du noir au blanc, ou notre sensibilité à la couleur est meilleure. La carte de fausses-
couleur peut également servir à accentuer ou tracer certaines structures, facilitant ainsi leur
identification par l'observateur humain. Cette approche est souvent adoptée dans des images
médicales et astronomiques.
Figure1.2 : Image à niveau de gris (à gauche) et celle conçue à partir d’une carte de fausses-couleur (à droite).
La figure 1.2 montre une image astronomique d'intensité à niveau de gris et à carte de fausses-
couleur. Dans cet exemple la carte couleur (comme défini dans Matlab) a été utilisé pour
accentuer les structures et le détail plus fin de l'image pour le système visuel humain en utilisant
une échelle de couleurs linéaire s'étendant du bleu-foncé (valeurs de basse intensité) au rouge
foncé (intensité élevée). La définition des cartes couleur, c.-à-d. assignant des couleurs aux
valeurs numériques, peut être fait de quelque façon que ce soit, pourvu que l'utilisateur y trouve
un sens. Bien que le tracé entre la valeur numérique d'intensité et la nuance de couleur ou à fond
gris est en général linéaire, il existe des situations dans lesquelles le tracé non-linéaire est plus
approprié. De tels tracés non-linéaires sont discutés au chapitre 4, lorsque nous parlerons du
rehaussement d'une image. En plus des images à niveau de gris où nous avons une valeur
numérique simple à chaque pixel, nous avons également des images de vraies-couleur où le plein
éventail de couleurs peut être représenté comme vecteur de triplet, typiquement (R : red, G :
green, B : bleu) des composants à chaque endroit de pixel. Ici, la couleur est représentée comme
combinaison linéaire des couleurs de base et l'image peut être considérée comme ayant trois
composantes sur un plan a 2-Dimensions. D'autres représentations de couleur existent également
et sont souvent utilisées comme (H, S, V : hue, saturation and value).
4
I.1.3. Résolution d’une image
La qualité de la représentation d'une image est observée au travers de sa résolution. La
résolution d'une d'image peut être indiquée en termes de trois quantités : les résolutions spatiale,
temporelle et en termes du codage utilisé.
La résolution spatiale est le nombre de colonnes (C) multiplié par le nombre de lignes
(L) de l'image, c'est-à-dire le nombre de pixel employé pour couvrir l'espace visuel capturé par
l'image. Ceci renvoie à l'échantillonnage du signal image et est souvent considérée comme étant
la résolution numérique de l'image. Elle est généralement présentée sous forme C x L (par
exemple 480 x 800).
La résolution temporelle pour un système continu de capture tel que la vidéo, est le
nombre d’images capturé dans une période de temps donné. Elle est généralement présentée sous
forme de "frame par seconde" (fps), où chaque image est individuelle désignée sous le nom de
"video frame" (exemple généralement l'émission TV fonctionne à 25 fps ;25-30 fps convient à la
plupart de surveillance visuelle).
La résolution en termes de bit définit le nombre de valeurs possibles d'intensité ou
couleur qu'un Pixel peut avoir et est liée à la quantification des informations de l'image. Par
exemple une image binaire a juste deux couleurs (noires ou blanc), une image à niveau de gris
codé sur 8 bits à 256 différents niveaux gris s'étendant du noir au blanc tandis que pour une image
de couleur elle dépend de la gamme de couleur en service. La résolution en termes de bit est
généralement citée comme nombre de binaire nécessaire pour le stockage par exemple le binaire
est de 2 bits, le niveau de gris est de 8 bits et la couleur (le plus généralement) est de 24 bits. La
gamme des valeurs qu’un pixel peut prendre dans une image est souvent désignée sous le nom de
dynamique d'une image.
5
Ceci a été à l'origine du développement des formats standard d’image numérique. En termes
simples, les formats d'image comportent un en-tête de dossier (contenant l'information sur la
façon dont exactement les données d'image sont stockées) et les valeurs des Pixels numériques.
Il existe un grand nombre de formats d’image ; les plus communs sont énumérés dans le tableau
1.1. Comme suggéré par les propriétés énumérées dans le tableau 1.1, les différents formats
d'image sont généralement appropriés pour différentes applications. Les images de GIF sont des
images donc le format est limité à seulement 256 niveaux de gris ou couleurs. En revanche, le
format JPEG est capable de stockage une image de couleur de 24-bit RGB, et jusqu'à 36 bits pour
des images médicales et est le plus largement répandu dans la plupart des appareils-photo
numériques. Un Autre format d'image de base le BMP, provenant du développement du logiciel
d'exploitation de Microsoft Windows, et le format PNG, ont été conçu pour remplacer le GIF. Le
format TIFF représente un format capable de stocker un éventail d'images de données différentes.
En général, il est suggéré d'utiliser les formats JPEG ou le TIF pour le stockage, tandis que les
images de couleur/détail limité sont plus adaptées au GIF ou au PNG.
𝜆2
𝑅 = ∫ 𝐸(𝜆)𝑆𝑅 (𝜆)𝑑𝜆
𝜆1
𝜆2
𝐺 = ∫ 𝐸(𝜆)𝑆𝐺 (𝜆)𝑑𝜆
𝜆1
𝜆2
𝐵 = ∫ 𝐸(𝜆)𝑆𝐵 (𝜆)𝑑𝜆
𝜆1
Où 𝐸(𝜆) est la radiance suivant la longueur d’onde 𝜆 de la lumière ; 𝑆𝑅 (𝜆), 𝑆𝐺 (𝜆) 𝑒𝑡 𝑆𝐵 (𝜆) les
filtres couleur respectif des composants rouge, vert et bleu dans le domaine du visible [𝜆1 , 𝜆2 ].
L'espace couleur RGB peut être géométriquement représenté dans un cube à trois dimensions
(figure 1.3). Les coordonnées de chaque point à l'intérieur du cube représentent les valeurs du
rouge, du vert et du bleu, respectivement. La colorimétrie définie trois lois :
6
(1) n'importe quelle couleur peut être créé par ces trois couleurs et la combinaison de ces
trois couleurs est unique.
(2) si deux couleurs sont équivalentes, elles seront encore équivalent après une
multiplication ou une division des trois composants par le même nombre non nul et positif.
(3) La luminance d’un mélange de couleur est équivalent à la somme des luminances de
chacune des couleurs.
Les valeurs des tristimulus servant de base de couleur sont :425.8 nm pour le bleu, 546.1 nm pour
le vert, et 700.0 nm pour le rouge. Un très grand nombre de couleur peut être exprimée par ces
bases de trois couleurs. Le RGB est le modèle le plus généralement utilisé par le système de
télévision ainsi que les images acquises par les appareils-photo numériques. Le RGB est un espace
fortement corrélé. Par l’expression corrélation élevée, l'on sous-entend que si l'intensité change,
tous les trois composants changeront en conséquence.
L’espace YUV est aussi une autre représentation de l’espace couleur, particulièrement
utilisé par le système de télévision Européenne. Cette transformation est définie par :
1⁄ 1⁄ 1⁄
𝐼1 3 3 3 𝑅
(𝐼2 ) = 1⁄ 0 − 1⁄2 (𝐺 ) Avec R, G et B appartenant à [0 ; 1]
2
𝐼3 −1⁄ 1⁄ −1⁄ 𝐵
( 4 2 4)
7
I.3.2. Transformations non linéaires
L'espace RGB Normalise (N-rgb) est un espace couleur qui assure une variation uniforme
d'intensité à travers la distribution spectrale. La normalisation rend cette espace robuste aux
changements de la luminance, bien qu’il soit sensible aux bruits dans des conditions de faibles
intensités. Cette espace est obtenue par la transformation suivante :
Le système HSI (Hue, saturation, intensity) est un autre espace couleur généralement
utilisé dans le traitement d'image, qui est plus intuitif à la vision humaine. Il existe des variantes
du systèmes HSI, tels que HSB (Hue, saturation, brightness), HSL (Hue, saturation, lightness).
Le système de HSI sépare l'information couleur d'une image de son information d'intensité.
L'information couleur est représentée par la teinte et la saturation, alors que l'intensité, qui décrit
l'éclat d'une image, est déterminée par la quantité de la lumière. La teinte est déterminée par la
longueur d'onde dominante dans distribution spectrale des longueurs de la lumière. Elle se
retrouve au niveau du peak de la distribution spectrale. La saturation est une mesure de la pureté
de la couleur, et représente la quantité de lumière blanche mélangée avec la teinte. L'espace
couleur HSI peut être décrit géométriquement tel que présenté à la figure1.4. Généralement, la
teinte est considérée comme l’angle entre une ligne de référence et le point de couleur dans
l'espace RGB. La gamme de la valeur de la teinte est de 0 à 360 degré, par exemple, le bleu est
243 degré, le jaune est 60 degré, le vert est 120 degré, et le magenta est 300 degré. La composante
saturation représente la distance radiale du centre du cylindre. L'intensité est la taille dans la
direction de l'axe du cylindre décrit par les niveaux gris, par exemple, le zéro (minimum)
l'intensité est noir, pleine intensité (maximum) est blanche. Chaque section perpendiculaire à l'axe
du cylindre est un ensemble de couleur de même intensité. Les coordonnées de HSI peuvent être
obtenus à l'aide de l’espace RGB par les formules suivantes :
√3(𝐺 − 𝐵) (𝑅 + 𝐺 + 𝐵) 𝑚𝑖𝑛(𝑅, 𝐺, 𝐵)
𝐻 = 𝑎𝑟𝑐𝑡𝑎𝑛 ( ); 𝐼= ; 𝑆 =1−
(𝑅 − 𝐺) + (𝑅 − 𝐵) 3 𝐼
8
I.3.3. Les espaces CIE
Le système de couleur CIE (Commission International de l'Eclairage) a été développé
pour représenter l'uniformité perceptuelle, et satisfait ainsi le besoin psychophysique d'un
observateur humain. Il a trois primaires dénotés X, Y et Z. N'importe quelle couleur peut être
obtenue par la combinaison de ces trois primaires. Les valeurs de X, Y et Z sont obtenus par une
transformation linéaire de RGB. En particulier, la matrice de transformation pour le NTSC
(National Television System Commission, United States) est :
𝑋 0.607 0.174 0.200 𝑅
(𝑌 ) = (0.299 0.587 0.114) (𝐺 )
𝑍 0.000 0.066 1.116 𝐵
Des espaces CIE peuvent être obtenu à partir des trois primaires X, Y, Z tels que : l’espace CIE
(L*a*b*), l’espace CIE (L*u*v*). Ils sont issus d’une transformation non linéaire à savoir :
3 𝑌
𝐿∗ = 116 ( √𝑌 ) − 16
0
3 𝑋 3 𝑌
𝑎∗ = 500 (√ − √ )
𝑋0 𝑌0
3 𝑌 3 𝑍
𝑏 ∗ = 200 ( √ − √ )
𝑌0 𝑍0
𝑋 𝑌 𝑍
Où > 0.01, > 0.01 𝑒𝑡 > 0.01 ; (𝑋0 , 𝑌0 , 𝑍0 ) sont les valeurs pour le blanc standard.
𝑋0 𝑌0 𝑍0
Pour l’espace CIE (L*u*v*) on a :
3 𝑌
𝐿∗ = 116 ( √𝑌 ) − 16
0
𝑢∗ = 13𝐿∗ (𝑢′ − 𝑢0 )
4𝑋 6𝑌
𝑣 ∗ = 13𝐿∗ (𝑣 ′ − 𝑣0 ) Où 𝑢 ′ = 𝑣′ =
𝑋+15𝑌+3𝑧 𝑋+15𝑌+3𝑧
9
Chapitre II : Formation d’une image couleur
II.1. La Photodétection
Tout dispositif d’acquisition d’images, pellicule photographique mise à part,
est construit sur la base d’un composant, le photodétecteur, dont le rôle est de
transformer l’énergie lumineuse en énergie électrique. Le passage d’une image optique à son
correspondant électronique repose généralement sur deux étapes : la photodétection à proprement
parlé, associée à une phase dite de balayage. La photodétection exploite l’effet photoélectrique
c’est-à-dire les modifications des propriétés électriques d’un milieu solide, modifications initiées
par interaction avec des photons incidents. Suivant la nature du milieu, l’effet photoélectrique se
traduit de différentes manières :
- La photoémission : des électrons sont émis par le matériau (un métal) lorsque
sa surface est éclairée.
- La photoconduction : le flux (l’énergie que transporte un rayonnement
électromagnétique par unité de temps. Exprimé en watts, il porte le nom de flux
énergétique) incident instantané augmente la conductivité du matériau (un semi-
conducteur homogène intrinsèque ou extrinsèque).
- La création de paires : l’interaction des photons avec un matériau hétérogène modifie
les niveaux d’énergie des atomes et donne ainsi naissance à des charges mobiles : des
paires électron-trou.
La phase de balayage permet d’analyser et d’exploiter l’effet photoélectrique inhérent au matériau
composant le photodétecteur. Par exemple, dans les caméras à tube, de type Vidicon, l’image
photonique est formée sur un matériau photoconducteur. La conductivité du photodétecteur,
proportionnelle au flux incident, est analysée par un faisceau d’électrons balayant
10
séquentiellement et cycliquement la couche photosensible. Dans le cas des caméras dont le
capteur est composé d’un réseau de photoéléments (tels des hétérojonctions MOS, par exemple),
les charges mobiles sont recueillies grâce à des circuits dédiés, pilotés par un signal d’horloge.
Ce signal d’horloge permet de balayer l’ensemble des éléments photosensibles en vue de traduire
le signal lumineux d’entrée (i.e. image projetée sur le capteur) en un signal électrique exploitable.
Dans les caméras dites CCD (Charge-Coupled Device), la photodétection est réalisée par des
hétérojonctions MOS organisées en barrette ou en matrice et le balayage se fait par l’intermédiaire
de registres à décalage analogiques appelés circuits à transfert de charges. De nos jours, la
technologie CCD est de loin la plus répandue que ce soit pour les applications industrielles,
scientifiques ou grand public.
II.2.2. La sensibilité
Pour caractériser la sensibilité d’une caméra deux approches coexistent : l’une
conduit à la notion de sensibilité absolue et l’autre à celle de sensibilité relative. La sensibilité
absolue correspond au nombre minimal de photons incidents par unité de surface nécessaires pour
générer un signal de sortie autre que du bruit. Généralement les constructeurs fournissent une
valeur d’éclairement (flux reçu par unité de surface) minimale exprimée en lux. Une telle valeur
indique à partir de quel niveau lumineux la caméra va commencer à délivrer un signal de sortie
utile. Il est à noter que l’éclairement fourni pour caractériser la sensibilité absolue n’est pas
spécifié en unité énergétique mais en unité lumineuse. Cela sous-entend donc que seuls les
rayonnements de la fenêtre du visible (longueurs d’onde comprises entre 380 et 780nm environ)
sont pris en compte et que le système visuel humain sert de référence. La sensibilité relative d’une
caméra est liée à sa caractéristique de transfert : elle correspond, pour un flux donné, à la pente
de la courbe reliant signaux d’entrée et de sortie. D’un point de vue numérique, cela revient à dire
que la sensibilité relative quantifie le nombre de photons incidents nécessaires pour passer d’un
niveau de gris au suivant.
11
II.2.3. Le rapport signal sur bruit
Au sein d’une caméra, de multiples facteurs sont générateurs de bruit et ont tendance à
venir perturber et dégrader le signal électrique de sortie. Par exemple, la nature corpusculaire
même de la lumière est source d’un bruit fondamental appelé bruit de grenaille photonique. Un
autre exemple, plus facilement observable, est fourni par le bruit appelé courant d’obscurité, bruit
qui vient s’ajouter au signal utile délivré par une caméra. Il s’agit d’un faible courant mesurable
lorsque le capteur ne reçoit aucun flux. Son origine est à rechercher essentiellement du côté de
l’agitation thermique. Suivant la qualité du capteur lui-même et en fonction de la taille des
photoéléments, le rapport signal/bruit d’une caméra CCD évolue dans une fourchette de 45 à 60
dB (est égal à 20log de la valeur du rapport entre l’amplitude du signal de sortie et l’amplitude du
bruit mesuré ou estimé). En toute rigueur, le niveau d’intensité lumineuse pour lequel le rapport
signal/bruit a été mesuré devrait être spécifié. À défaut d’indication il y a tout lieu de penser que
le rapport signal/bruit donné a été évalué pour le flux maximal accepté par le capteur. À moins
qu’il ne s’agisse tout simplement de la valeur la plus avantageuse pour la caméra. Quoiqu’il en
soit, avec un rapport signal/bruit supérieur à 45 dB, les images générées apparaissent, dans leur
ensemble, non bruitées pour le système visuel humain dont la capacité à distinguer des différences
de luminance n’excède pas 100 :1 en vision photopique. Cependant, pour des applications moins
subjectives, il peut être nécessaire de traiter le signal délivré par la caméra afin de tenter de le
débarrasser de ses parasites.
12
II.3.1. Les caméras matricielles mono-capteur
Une acquisition trichromatique grossière peut être obtenue en n’utilisant qu’un seul
capteur matriciel dont les pixels sont recouverts par des filtres colorés. Ces filtres peuvent être
organisés de différentes façons, en bandes ou en mosaïques (Contrairement au système visuel
humain, les photorécepteurs des capteurs CCD sont uniformément répartis sur toute la surface du
capteur et renvoient tous un signal à part entière), comme le montrent les exemples de la figure
2.1. Les approches sont nombreuses et varient d’un constructeur à l’autre. Il n’y a pas vraiment
de configuration optimale : chaque approche possède ses avantages et ses inconvénients.
Dans tous les cas une interpolation appelée dématriçage est nécessaire pour combler le déficit en
pixels. Une telle opération ne masque cependant pas la perte de résolution : des franges colorées
apparaissent dans les zones de l’image riches en hautes fréquences spatiales. L’importance du
défaut dépend directement de la méthode d’interpolation retenue vis-à-vis de l’organisation
spatiale des filtres colorés. C’est ainsi, par exemple, qu’afin de faciliter et d’améliorer l’étape
d’interpolation, le capteur de certaines caméras mono-CCD est recouvert d’une mosaïque de
filtres RGB (cf. figure 2.2). Il est également courant de trouver des capteurs recouverts par des
filtres travaillant en couleurs complémentaires CMJ (Cyan, Magenta, Jaune). La sensibilité de la
caméra se trouve ainsi augmentée car les bandes passantes de tels filtres sont plus larges que celles
13
des filtres RGB. En contrepartie l’obtention du signal couleur est le fruit de calculs plus nombreux
du fait de la reconstruction implicite de l’information RGB. Le rapport signal/bruit peut alors se
trouver quelque peu dégradé. Quelle que soit l’approche retenue, chaque pixel du capteur ne
recevra qu’une portion plus ou moins importante du rayonnement incident, celle passant à travers
le filtre. Le reste de la lumière est réfléchi et donc perdu en termes de détection. De ce fait une
caméra matricielle mono-CCD aura une sensibilité plus faible dans sa version couleur que dans
sa version niveaux de gris c’est-à-dire en l’absence de filtres sur les photoéléments. La
technologie des caméras matricielles mono-CCD est plutôt réservée aux applications grand
public, les coûts sont minimisés au détriment de la résolution et de la qualité du codage couleur.
La figure 2.3 montre un dispositif d’acquisition multi-spectral où une roue vient placer
séquentiellement devant l’objectif de la caméra des filtres interférentiels. Un tel dispositif requiert
une partie mécanique de qualité afin d’assurer un positionnement des filtres parfaitement contrôlé
dans le temps et dans l’espace. Cette contrainte disparaît lorsqu’une solution basée sur des filtres
14
accordables est retenue. Cependant, dans ce cas, il est possible que le filtrage soit d’une qualité
moindre. Les caractéristiques de transfert de chaque canal peuvent en effet présenter, autour des
fréquences de coupure, des pertes moins abruptes que celles des filtres interférentiels. Le
comportement des filtres accordables est également susceptible d’être modifier dans le temps.
Quelle que soit l’approche, un certain nombre de problèmes optiques, essentiellement liés à la
réfraction, sont à régler afin d’éviter d’avoir des décalages géométriques entre canaux. De plus,
il est nécessaire d’effectuer autant de prises de vue qu’il y a de canaux. Le temps d’acquisition
s’en trouve affecté et il n’est pas possible d’envisager des applications vidéo. Par contre, les
dispositifs multi-spectraux bénéficient de la résolution spatiale et de la dynamique des meilleures
caméras CCD niveaux de gris actuelles, deux paramètres largement supérieurs à ce que peuvent
offrir les caméras 3-CCD du marché.
15
Chapitre III : Les Pixels
III.1. Définitions
Le mot Pixel est une abréviation de "picture element". Généralement, les Pixels
contiennent la réponse de la couleur ou de l'intensité de l'image comme échantillon de point de
lumière colorée de la scène. Cependant, toutes les images ne contiennent pas nécessairement
strictement l'information visuelle. Une image est simplement un signal 2-D numérisé comme
grille des Pixels, dont les valeurs peuvent se relier à des propriétés autres que la couleur ou
l'intensité de la lumière. L'information des Pixels peut changer considérablement selon le type
d'image nous avons :
- Les images Couleur et à niveau de gris généralement rencontrées sont des images
portant l'information concernant la couleur ou l'intensité à niveau de gris à un point
donné dans la scène.
- L'imagerie infrarouge (IR) ; le spectre visuel est seulement une petite partie du
spectre électromagnétique. Le rayonnement IR est émis proportionnellement à la
chaleur générée/réfléchi par un objet et, ainsi, une formation de l’image est
généralement appelée image thermique. Comme la lumière IR est invisible à l'œil nu
humain, ces systèmes de formation d'image offrent une méthode utile pour la
surveillance.
- L'imagerie médicale ; beaucoup d'images médicales contiennent les valeurs qui sont
proportionnelles aux caractéristiques d'absorption de tissu en ce qui concerne un signal
projeté par le corps. Les types les plus communs sont la tomographie (CT : computed
tomography) et l'imagerie par résonance magnétique (MRI). Les images de CT,
comme les rayons X conventionnels, représentent les valeurs qui sont directement
proportionnel à la densité du tissu par lequel le signal est passé. Les images obtenues
par MIR présentent beaucoup de détails mais pas une relation directe avec les
propriétés des tissus.
- L'imagerie radar/sonar ; le Radar/sonar représente une section transversale d'une
cible proportionnelle avec sa distance du capteur et son signal réfléchi associée. Le
radar est généralement utilisé dans la navigation d'avion, bien qu'il ait été également
employé sur des projets de véhicule routier. Le radar par satellite pour la surveillance
de temps est maintenant une banalité, de même que l'utilisation du sonar sur la plupart
des navires de haute mer modernes. Le radar Terre-pénétrant est de plus en plus utilisé
pour des investigations archéologiques et légales de la science.
Dans la suite de ce chapitre voir l’annexe Code 2 pour les codes Matlab correspondant.
16
logiques. Chacune étant exécutée comme une opération entre deux images ou entre une image et
une valeur constante.
Pour toutes les opérations arithmétiques entre les images il faut s'assurer que les valeurs des Pixels
résultant demeurent dans la marge disponible de nombre entier des données type/taille
disponibles. Par exemple, une image de 8 bits (ou l'image de couleur de trois canaux, 24-bit) peut
représenter 256 valeurs de Pixel. Une première valeur de Pixel de 25 multipliés par une constante
de 12 excédera la gamme de la valeur 0-255. Ceci est généralement connu comme saturation dans
la dynamique de l'image : la valeur excède la capacité de représentation de l'image. Une solution
est de détecter ce débordement et l'évitent en plaçant toutes les valeurs à un maximum.
III.2.2. Les opérations logiques
Nous pouvons effectuer des opérations logiques standard entre les images comme le NOT,
le OR, le XOR et le AND. En général, l'opération logique est exécutée entre les bits correspondant
des pixels.
- NOT : inverse la représentation d'image. Dans le cas le plus simple d'une image
binaire, les Pixel (noirs) de fond deviennent l'avant plan (de blanc) et vice versa. Pour
les images à niveau gris et les images couleur, le principe est de remplacer chaque
valeur de Pixel comme suit : 𝐼𝑜𝑢𝑡𝑝𝑢𝑡 (𝑖, 𝑗) = 𝑀𝑎𝑥 − 𝐼𝑖𝑛𝑝𝑢𝑡 (𝑖, 𝑗) ; où « Max » est la
17
valeur maximale que prendre un pixel dans le codage qui a été choisi. Comme exemple
on peut avoir Max=255 pour un codage fait sur 8 bits.
- OR et XOR : les opérateurs logiques OU et XOR sont utiles pour traiter des images
binaires, pour détecter les objets qui ont quittés la scène. Les objets binaires sont
typiquement produits par l'application de seuillage sur les images à niveau de gris.
- AND : operateur logique généralement employé pour détecter des différences dans les
images.
La combinaison de ces opérateurs peut être également considérée comme un opérateur
dans le traitement d’image.
III.2.3. Le seuillage
Le seuillage produit une image binaire à partir d'une image à niveau de gris ou de couleur
en plaçant des valeurs de Pixel à 1 ou à 0 selon qu'elles sont au-dessus ou en-dessous de la valeur
seuil. Ceci est généralement employé pour séparer ou segmenter une région ou objet dans l'image
basé sur ses valeurs de Pixel, comme représenté sur la figure 3.2. Dans cette opération de base, le
seuillage opère sur l'image I comme suit :
18
la position(𝑖, 𝑗) et ln la fonction logarithme népérienne. Dans la pratique, comme le logarithme
n'est pas défini pour zéro, la forme logarithmique suivante est souvent utilisée :
19
III.3.3. Transformation gamma
Une autre transformation qui combine les deux précédentes est la transformation gamma
encore appelée la transformation de loi de puissance. Elle se présente comme suit :
𝛾
𝐼𝑜𝑢𝑡𝑝𝑢𝑡 (𝑖, 𝑗) = 𝑐 (𝐼𝑖𝑛𝑝𝑢𝑡 (𝑖, 𝑗))
En générale pour 𝛾 > 1 on observe une croissance de la gamme des hautes valeurs et inversement
pour 𝛾 < 1. La constante c conserve son rôle. Une de ses applications est la correction gamma
effectuée dans le processus d’acquisition d’image.
Figure3.5 : Une image et son histogramme Figure3.6 : Une image et son histogramme
correspondant correspondant
20
8 bits) et l'axe des ordonnés présente le nombre de fois que chaque valeur se produit réellement
dans l'image. En choisissant une valeur seuil entre les deux crêtes d'histogramme nous pouvons
avec succès séparer les pièces du fond de l'image en utilisant le seuillage de la section I.2.3 (à un
seuil pris autour de 120 pour le cas de la figure3.5). Généralement, le seuillage est adapté pour
les cas de distributions bimodales. Pour des cas plus complexes, telles que celui de la figure 3.13,
l’histogramme est plus complexe se et le seuillage simple n'est pas approprié pour distinguer le
fond et les objets de l'image. Dans de tels cas, nous devons recourir à des techniques plus
sophistiquées. Sur Matlab, nous pouvons employer l'histogramme d'image comme base pour le
calcul automatique d'une valeur seuil à l'aide par exemple de la méthode de OTSU.
21
de l'image et choisir c et d en tant que 5ième et 95ième centile de la distribution cumulative (c.-
à-d. 5% des Pixel d'image aurons des valeurs inferieures à c et 5% supérieures à d).
Cette fonction représente l’histogramme cumulatif ; N est le nombre total de pixels de l’image.
La fonction discrète y est conçue pour approcher la fonction continue d’uniformité de
l’histogramme encore appelée histogramme compensateur. Deux éléments principales
caractérisent de l'histogramme compensateur, c'est un procédé entièrement automatique et simple
à implémenter. La transformation d'intensité 𝑦(𝑥𝑘 ) dépend uniquement de l'histogramme de
l'image d'entrée. Modeler l'histogramme permet de modifier la gamme dynamique de l’image tel
que sa distribution se conforme à une forme donnée. Dans l''histogramme compensateur une
correspondance non-linéaire est utilisée tels que les Pixels de l'image d'entrée sont utilisés pour
produire une image donc l'histogramme a une distribution uniforme. Cette correspondance ou
fonction peut être définie comme étant l’histogramme cumulatif.
22
III.4.6. Histogramme de compensation adaptatif (adaptive histogram equalization)
Parfois l'histogramme global d'une image peut avoir une distribution large tandis que
l'histogramme des régions locales est présenté dans une partie étroite de la distribution des
niveaux de gris. Dans de tels cas, il est souvent souhaitable d'augmenter le contraste de ces
régions locales, mais l'histogramme global de compensation est inefficace. Ceci peut être réalisé
par l''histogramme de compensation adaptatif. Le terme adaptatif implique que différentes régions
de l'image sont traitées différemment selon les propriétés locales.
III.4.7. L’histogramme pour les images couleur
Jusqu'à ce point, nous avons seulement considéré l'application des histogrammes sur les images
à niveaux de gris. Essayer d'améliorer le contraste d’une image couleur est une issue légèrement
plus complexe que pour des images à niveaux de gris. L'on pourrait appliquer les différents types
d’histogramme à chaque plan couleur (R, G, B). Cependant, les valeurs RGB d'un Pixel
déterminent son intensité et sa chromaticité (c.-à-d. le subjectif impression de couleur). La
transformation des valeurs de RGB des Pixels pour améliorer le contraste, va en généralement
altérer la chrominance de l'image. La solution serait de transformer l'image couleur RGB en une
image donc les composantes luminance et chrominance sont distinctes, tels les espaces couleur
HSV, L*a*b* ; ensuite d'appliquer l'histogramme voulu, et enfin convertir l'image résultante dans
l'espace RGB.
23
Chapitre IV : Rehaussement d’une image
Les techniques que nous avons présentées à la fin du chapitre III, permettent de
manipulation la gamme dynamique d'une image numérique donnée pour améliorer la visualisation
de son contenu. Dans ce chapitre nous considérons une amélioration plus générale de l''image.
Pour cela nous présentons la notion du filtrage d'image, ensuite nous décrivons l'action que
peuvent avoir les filtres pour le débruitage et le rehaussement des contours dans une image. Dans
la suite de ce chapitre voir l’annexe Code3 pour les codes Matlab correspondant.
NO N NE
O (i, j) E
SO S SE
24
considéré comme filtre non-linéaire. La combinaison linéaire spécifique des Pixels voisins est
obtenue à l’aide du masque du filtre (encore appelé noyau du filtre). C'est juste une matrice de la
même taille que le voisinage contenant le pixel cible. Le filtrage procède en plaçant
successivement le noyau de sorte que l'endroit de son centre coïncide avec le pixel cible, et chaque
fois la valeur filtrée résultante est calculé par la somme pondérée des Pixels du voisinage. Ce
filtrage peut être visualisé comme un glissement du noyau au-dessus de tous les endroits d'intérêt
dans l'image original, multipliant l'élément de matrice du noyau par le pixel du voisinage
correspondant, calculant ensuite la nouvelle valeur en additionnant le total et en le copiant à la
même position dans une nouvelle image (dite filtrée) f, par exemple la figure 4.2. Les mécanismes
du filtre spatial linéaire exprimés dans le domaine discret est un processus appelé « convolution »,
un phénomène physique et mathématique important.
Beaucoup de masques de filtre sont parfois décrits comme noyaux de convolution, l'on comprend
ainsi qu'ils sont appliqués à l'image sous l’une des formes linéaires décrite ci-dessus.
𝐼𝑚𝑎𝑥 𝐽𝑚𝑎𝑥
𝑓𝑖 = ∑ 𝑤𝑘 𝐼𝑘 (𝑖)
𝑘=0
𝑤(𝑖, 𝑗) Est le masque du filtre, de taille (𝐼𝑚𝑎𝑥 − 𝐼𝑚𝑖𝑛 + 1, 𝐽𝑚𝑎𝑥 − 𝐽𝑚𝑖𝑛 + 1) où, (𝑖 = 0, 𝑗 = 0)
correspond à son pixel central. 𝐼𝑘 (𝑖) Est le voisinage du i -ème pixel
25
différence étant que la valeur filtrée est la résultante d'une certaine opération non-linéaire sur les
Pixels du voisinage. Par exemple, en utilisant la même notation que précédemment, nous pouvons
définir un filtre quadratique :
𝑁
Dans ce cas-ci, l'action du filtre est définie par les coefficients de pondération qui indiquent la
contribution du deuxième, du premier et de l'ordre zéro. Les filtres non-linéaires de ce type ne
sont pas commun dans le traitement d'image. Les filtres d'ordre sont par contre plus utilisés. Ils
fonctionnent en rangeant les Pixels dans le voisinage indiqué et en remplaçant le Pixel cible par
la valeur correspondant à un rang choisi. Dans ce cas, le masque et une équation telle la forme
linéaire ne peut être réalisés, la convolution n'est pas applicable.
- Le filtre d’ordre est un filtre non linéaire qui est construit en quatre étapes à savoir :
on définit un voisinage 𝑁 ∙ 𝑁 pixels, on classe les valeurs de ces pixels du plus petit
au plus grand, on choisit l’ordre souhaité (par exemple le minimum, la médiane, le
maximum…) et on attribue au pixel de l’image résultante la valeur choisie.
26
1 𝑥2 + 𝑦2
𝑓(𝑥, 𝑦) = 𝑒𝑥𝑝 (− )
2𝜋𝜎 2 2𝜎 2
Comme le moyenneur, il élimine le bruit gaussien par contre il élimine suffisamment
les informations de hautes fréquences. Toutefois l’on peut contrôler le taux
d’élimination des hautes fréquences à l’aide du choix de la variance 𝜎 2
L’opération de dérivation est une opération linéaire, il peut donc être implémenter à partir de son
masque de filtre. Une condition importante à imposer à ce filtre est que sa réponse soit nulle dans
une région complétement uniforme. Cela peut être assure si la somme des coefficients du masque
du filtre est nulle.
27
IV.6.1. Filtres dérivés de premier ordre
Un certain nombre de masque de filtres ont été conçus pour être approximatif à l’opérateur
de dérivation du premier ordre. Nous pouvons citer comme exemples, les filtres de Roberts, de
Prewitt et de Sobel. Ces trois filtres sont chacun implémenté en combinant deux masques de filtre,
l’une suivant la direction des abscisses (x) l’autre suivant l’axe des ordonnées (y). Les masques
de ces filtres sont présentés à la figure 4.3.
- Le laplacien Gaussien, est adapté pour simultanément détecter les contours et extraire
le bruit gaussien. Il s’implémente de façon séquentielle, c’est-à-dire le Laplacien puis
le gaussien ou inversement.
28
L’on peut l’utiliser pour rehausser les contours simplement en effectuant une somme algébrique
de l’image original et son laplacien :
𝐼𝑜𝑢𝑡𝑝𝑢𝑡 (x, y) = 𝐼𝑖𝑛𝑝𝑢𝑡 (x, y) ± ∇2 𝐼𝑖𝑛𝑝𝑢𝑡 (x, y)
29
Chapitre V : Segmentation d’une image
La segmentation est le nom donné au processus générique par en lequel on subdivise une
image en ses régions ou objets constitutifs. En général, la segmentation non supervisée est une
des tâches les plus difficiles dans la conception des systèmes de vision par d'ordinateur et demeure
un domaine très actif dans la recherche. La segmentation occupe un rôle très important dans le
traitement d'image parce que c'est généralement l'une des premières tâches les plus délicates à
effectuer. Après tout, si l'on ne peut pas identifier les objets dans une image, comment peut-on
les décrire ? Le but de la segmentation, est de partitionner l'image en des régions mutuellement
exclusives auxquelles nous pouvons plus tard attacher des étiquettes significatives. Les objets
segmentés sont souvent considérés comme étant l'avant plan et le reste de l'image comme
l'arrière-plan. Une bonne segmentation dépend fortement du type d'objet ou de région cibles.
Deux approches sont souvent utilisées.
• L’approche contours. Elle est basée sur la détection des frontières des objets. Elle
recherche des différences importantes entre les groupes de Pixels.
• L’approche régions. Elle assigne des Pixels à une région donnée basée sur leur degré de
similitude mutuelle.
Dans la suite de ce chapitre voir l’annexe Code 4 pour les codes Matlab correspondant.
30
(3) Le mouvement d'un objet dans une séquence d'image peut être un repère puissant.
Quand cela prend placer sur un fond fixe, de simples techniques de soustraction image
par image sont souvent suffisants pour donner un aperçu précis de l'objet en
mouvement.
En résumé, la plupart des procédures de segmentation utilisent et combinent des
informations sur l'une des propriétés à savoir la couleur, la texture et le mouvement.
31
Figure 5.1 : Image originale plus en haut à gauche. Au milieu en haut, image après une sélection
manuelle du seuil. Image en bas à gauche est obtenue après le seuillage automatique à
l’aide du polynôme et de l’histogramme. Image en bas au milieu est celle obtenue par le
seuillage automatique de la méthode d’Otsu.
32
V.4. L’algorithme Split-and-merge
Cet algorithme se divise en deux étapes successives. Le but de la division de la région est
de scinder l’image en un ensemble de régions disjointes dont chacune est régulière en elle-même.
Ces quatre étapes de base sont :
• Considérer l'image dans son ensemble comme la zone d'intérêt initiale.
• Regardez cette zone d'intérêt et décidez si tous les pixels contenus dans la région satisfont
au critère de similarité.
• Si VRAI, la zone d'intérêt (également appelée bloc) correspond à une région dans l’image
et est étiquetée.
• Si FAUX, divisez la zone d'intérêt (généralement en quatre sous-zones égales) et
considérez chacune des sous-zones en tant que zone d'intérêt à son tour.
Ce processus continue jusqu'à ce qu'il n'y ait plus de division. Dans le pire des cas, cela peut
arriver lorsque certaines zones ont un seul pixel. La procédure de fractionnement est un
exemple de ce que l'on appelle parfois des méthodes de division pour mieux régner. Cependant,
si seule la division est effectuée, la segmentation finale contient de nombreuses régions voisines
qui ont des propriétés identiques ou similaires. Ainsi, un processus de fusion est utilisé après
chaque division qui compare les régions adjacentes et les fusionnes si nécessaire. Lorsqu'il n'y a
plus de division ou de fusion, la segmentation est achevée. La figure 5.2 illustre ce processus de
base de la division par décomposition. A la figure 5.2 La procédure de division et de fusion de
base, l'image initiale est divisée en quatre régions. Dans ce cas par exemple, les régions 1 et 3
satisfont au critère de similarité et ne sont plus divisées. Les régions 2 et 4 ne satisfont pas aux
critères de similarité et sont ensuite divisés en quatre sous-régions. Les régions (2,1) et (2,3)
sont alors jugés suffisamment similaires pour les fusionner en une seule région. Le critère de
similarité est appliqué aux sous-régions désignées jusqu'à ce qu'il n'y ait plus de fractionnement
ou de fusion.
33
V.5. La détection des contours et ses difficultés
La détection des contours est l'un des aspects les plus importants et les plus étudiés du
traitement de l'image. Si nous pouvons trouver la limite d'un objet en localisant tous ses bords,
alors nous avons effectivement segmenté. Superficiellement, la détection des contours semble
relativement simple. Après tout, les contours des régions sont simplement des transitions
d'intensités entre différents objets. Cependant, malgré sa simplicité conceptuelle, la détection des
contours reste un champ de recherche actif. La plupart des détecteurs de bord sont
fondamentalement basés sur l'utilisation de filtres différentiels à gradient. Des exemples
importants (les noyaux de Prewitt et Sobel) ont déjà été discutés. Cependant, ces filtres ne
trouvent pas de bords en soi, mais donnent seulement quelques indications de l'endroit où ils sont
le plus susceptibles de se produire. La plupart des contours réelles ne sont pas discontinues ; ils
sont réguliers en ce sens que le gradient augmente progressivement puis diminue sur une région
finie. Ce sont des problèmes et nous allons essayer de montrer comment ils sont abordés dans les
techniques discutées dans les sections suivantes.
34
(3) Calculer la direction du contour : Ceci est facilement calculé comme étant
𝐺𝑦 (𝑥, 𝑦)
𝜃 = 𝑡𝑎𝑛−1
𝐺𝑥 (𝑥, 𝑦)
(4) Numériser la direction du contour : Une fois la direction du bord est connue, nous
l'approchons d'une direction du contour qui peut être tracée dans une image numérique.
Considérant un pixel arbitraire, la direction d'un contour à travers ce pixel peut prendre l'une des
quatre seules valeurs possibles : 00 (voisins à l'est et à l'ouest), 900 (voisins au nord et au sud), 450
(voisins au nord-est et au sud-ouest) et 1350 (voisins du nord-ouest et du sud-est).
En conséquence, nous approximons 𝜃 calculé, par celui de ces quatre angles qui est la plus proche
de celle-ci.
(5) suppression non maximale : Après que les directions de contours sont connues, la
suppression non maximale est appliquée. Cela fonctionne en traçant le long du contour et dans sa
direction et de supprimer toute valeur de pixel qui n'est pas considéré comme étant celui du
contour. Cela donnera une ligne fine dans l'image de sortie.
(6) Hystérésis : Après les cinq premières étapes, la dernière étape consiste à suivre
le long des pixels restants qui n'ont pas été supprimés et seuiller l'image afin d’identifier les pixels
de contour. La méthode Canny distingue deux seuils - une valeur élevée 𝑇2 et une valeur
inférieure 𝑇1 . Le sort de chaque pixel est ensuite déterminé selon les critères suivants :
• Si |𝐸(𝑥, 𝑦)| < 𝑇1 le pixel est rejeté et n'est pas un pixel du contour
• Si |𝐸(𝑥, 𝑦)| > 𝑇2 le pixel est accepté et est un pixel du contour
• Si 𝑇1 < |𝐸(𝑥, 𝑦)| < 𝑇2 le pixel est rejeté sauf si un chemin est constitué des pixels du
contour connectés à un pixel du contour inconditionnel |𝐸(𝑥, 𝑦)| > 𝑇2
35
l'eau entrant par les minima locaux. Comme le niveau d'eau augmente, nous construisons des
barrages qui empêchent le déversement de l'eau des bassins versants adjacent. Lorsque le niveau
d'eau atteint la hauteur du plus haut sommet, le processus de construction s'arrête. Les barrages
construits de cette manière sont les bassins versants qui séparent le paysage en régions. Le calcul
réel des bassins versants dans les images numériques peuvent être effectuées de plusieurs façons,
mais tous sont réalisés fondamentalement par itération des opérations morphologiques. Ces
concepts de base sont illustrés pour un paysage 1D à la figure 5.3.
La segmentation basée sur la ligne de partage des eaux, présente certains avantages par rapport
aux autres méthodes discutées dans ce chapitre. Un avantage notable est que, contrairement aux
méthodes basées sur la détection de contours, elle produit généralement des contours fermés
permettant de délimiter les objets. Un certain nombre d'approches différentes peuvent être prises
pour cette segmentation, mais l’idée centrale est que nous essayons de transformer l'image initiale
(celle que nous souhaitons segmenter) en autre image telle que les bassins versants correspondent
aux objets que nous essayons de segmenter.
36