Vous êtes sur la page 1sur 27

Analyse Multi-résolution

Plan du cours Objectifs


 Transformée de Fourier: limites  Consolider des notions en TNS
 Représentation temps-fréquence:  Découvrir l'analyse temps
 Transformée de Fourier court terme fréquence et son intérêt et les
diverse transformations qui le
 Analyse multirésolution: réalisent
Transformée en ondelettes
 TO continue
 TO discrète
Introduction
 Le signal est le support physique de l'information, il peut être d'origine
 onde Acoustique ou courant délivrée par un microphone: parole, musique
 Grandeurs issues de capteurs électriques d'une machine: vitesse, courant, tension
 Suite de nombre: mesures physiques (température, moyenne etc..)
 Le signal peut être déterministe ou aléatoire, d'énergie finie ou de puissance
moyenne finie, de durée limitée ou illimitée, etc…
Rappel sur la transformée de Fourier
Pour un signal déterministe et non périodique:

déf .  
F x(t )  X  f    xt  exp i  2ft dt  " Transformée de Fourier" de xt 

et

1
xt   F X  f    X  f  expi  2ft df  " Transformée de Fourier inverse"

Propriétés

 Notation: x(t)  X(f);


 X(f) = “spectre d’amplitude” et Arg[X(f)] =“spectre de phase” du signal
 X(f) = fonction complexe même si x(t) est réel
 X(f) = fonction réelle x(t) est paire;
 X(f) = fonction imaginaire pure  x(t) est impaire
 x(t) et X(f) sont deux descriptions équivalentes du même signal
Existence:
Signaux à énergie finie = condition suffisante
dualité temps fréquence: x(t)  X(f) et X(-t)  x(f)
autres propriétés:
a x(t)+b y(t)  a X(f)+b Y(f)
x(t).y(t) 
x(t)  y(t)  X(f) Y(f)
x(t-to)  X(f) e-i2fto
x(t).ei2fot  X(f-fo)
x(at) 
 i 2f . X  f 
dérivation : dx(t )
dt

d n x(t )
dérivation multiple :
n
 i 2f n
Xf 
dt

xt dt  Xf 


intégration : 1
 i 2f
 1 d(t)  1
 2 d(t-to)  exp (-
i2fto) (cf. T.F. d’un
signal retardé)
 3) exp (i2fot)  d(f-fo)
(cf. réciprocité de la
T.F.)

 4) x(t)d(t-to)=x(to) d(t-to)
La TFD et son inverse

no  N 1
i 2 m n

N N
X ( m)  x ( n )e N , m , ,  1
n  no
2 2
N 1
2 i 2 m n
NX (m)e
1
x n   N , n  no ,, no  N  1
N
m
2
Limites de la TF
 L’information fournie par l’intégrale (TFC) ou
la somme (TFD) correspond à tous les
instants de temps (de - à +) 2 60

1
 La transformée de Fourier n’est pas 40

appropriée pour des signaux avec des 0


20
fréquences variables dans le temps (non -1

stationnaires) -2
0 20 40 60 80 100
0
0 100 200 300 400 500
 La Transformée de Fourier a un sens si le 1 30
signal a une composante de fréquence à
tous les instants (stationnaire) 0.5
20
0
 La transformée de Fourier indique seulement 10
si une composante de fréquence existe ou -0.5

pas -1
0 20 40 60 80 100
0
0 100 200 300 400 500

 Elle n’indique pas où dans le temps, cette


composante apparaît
Solutions proposées
 Représentations TF linéaires  Représentations TF quadratiques

 La TFCT

La décomposition de Gabor : pour cette


décomposition
La TF court terme: RTF Linéaire
 Technique:  Limiter la durée d’un signal c’est le
multiplier par une fenêtre de pondération.
 Découper le signal en morceaux  Cette troncature de l’observation par une
par pondération par une fenêtre fenêtre de pondération engendre des
glissante de longueur fixe. effets sur :
 La résolution spectrale : la capacité de
 L’analyse de Fourier classique est séparer entre deux fréquences très proches
appliquée à chaque morceau  La dynamique de résolution : la capacité de
indépendamment des autres mettre en évidence dans la représentation
spectrale une raie de faible amplitude
 L’ensemble de ces transformées
 Le choix d’une fenêtre est un compromis
localisées forment : La TFCT entre:
 La TFCT fournit une analyse  Sa longueur
fréquentielle locale  Sa résolution spectrale: étalement spectral
Application de la TF court-terme
 1- Choisir une fonction fenêtre de
longueur finie N
 2- Placer la fenêtre au début du
signal au temps t=0
 3- Tronquer le signal avec la fenêtre
considérée
 4- Calculer la TF du signal tronqué
et sauvegarder
 5- Décaler la fenêtre vers la droite
 6- Refaire les étapes de 3 à 5
jusqu’à arriver à l’extrémité du
signal
Types de Fenêtre
Time domain Frequency domain
1 50

Wi  f s 
0.8
0
i  20 log 10
Wi 0

Magnitude (dB)
0.6
Amplitude

-50

0.4
Hamming
Largeur du Lobe central
-100 Hanning
0.2 Gaussienne
Rectangle
Blackman
0 -150
10 20 30 40 50 60 0 0.2 0.4 0.6 0.8
Samples Normalized Frequency ( rad/sample)
Principe d'incertitude d'Heisenberg
Ce principe est applicable à

l’information temps fréquence  La fenêtre possède
d’un signal : On ne peut pas alors:
connaître la représentation
exacte de temps fréquence d’un
signal  Un étalment temporel
On ne peut pas connaître quelles

composantes spectrales existent  Un étalement
à quels instants du temps. fréquentiel
 Tout ce qu’on peut savoir ce sont
les intervalles de temps dans
lesquelles certaines bandes de  Un centre temporel
fréquences existent : c’est le
problème de résolution  Un centre fréquentiel
Représentation de la boite d'heisenberg

La Transformée en ondelettes: Représentation temps-échelle
 But : Éliminer, dans une  L’idée de la TO:
certaine mesure le dilemne
de la résolution. Pouvoir faire varier les largeurs en
 La TO est un passage d’une temps et en fréquence d’une
représentation à une autre
(comparée par rapport à la fonction tout en la translatant le
TF) long du signal d’une manière
 La TO permet de mesurer les similaire à la Transformée de
variations dans le temps des
composantes fréquentielles Fourier fenêtrée
(comparée par rapport à la TF
fenêtrée)
Analyse Multirésolution et Localisation des Singularités
Transformée en ondelettes Continues


1 * t  u 
La TO du signal x(t) est un produit scalaire W x (u , s )   x(t )
 s
  s  dt
donné par une fonctionnelle dépendante du retard u et de l’échelle s
 
Dans laquelle l’ondelette vérifie
 (t ) dt  0 
 
 ( t ) 2 dt  1

Elle s’apparente à un produit




 x (t )  (u  t ) dt  x u  
de convolution
W x ( u , s)  s s (u )


1 t
Avec  s (t ) *  est la fonction de filtrage
s  s 
s t La surface reste constante
1 1
S rect    s t    s0 t    t
s s0

 
s s

s0 t

s0
 u ,s u 0 ,s 0


s0
Pavage Temps fréquence de la TOC

Représenté par des pavés élémentaires dont les dimensions varient en fonction de
l’échelle d’analyse tout en gardant une surface constante
Types d'Ondelettes

Ondelette analytique: ondelette de morlet

2 f̂ ( w ) pour w  0
f̂ a ( w )  
0 pour w  0

( t )  exp( it ) g( t )

1
Ondelette de Gabor pour g( t )  exp ( t 2 / 2  2 )
 
2 1/ 4
Conditions d'admissibilité

 ˆ ( w) 2
C   dw   
0 w

1   1 t u ds
f (t )    W f (u, s) ( ) du 2
C 0  s s s

   2
2 1 ds
 f (t ) dt    W f (u , s ) du
 C 0  s2
Ondelette réelle

2
 (t )   t exp ( t 2 / 2 2 )
 1/ 4
 3/ 2

2 t2  t2
 (t )  (  1) exp ( 2 )
 1/ 4 3  2 2
Dérivée première de Gaussienne
Analyse Multi-résolution et Localisation des Singularités
Transformée en ondelettes Continues

 t  (t ) dt  0 pour 0  k  n  1
k
Une ondelette à n moments nuls


d nq (t )
 (t )  (1)n

dt n
est une fonction dérivée d’une fonction de lissage q(t)

La transformée en ondelettes devient un opérateur différentiel multiéchelle

W x (u, s )  s n
d n
x  q s u 
du n
Dans laquelle 1 t
q s (t )  q( )
s s
Détection des singularités
W f ( u , s )
 0
u
TOC du signal de parole: détection des GCI