L'analyse en ondelettes

Table des matires

De la transforme de Fourier la transforme en ondelettes.....................................................................2
1.1. Transforme de Fourier (FT)..........................................................................................................2
1.2. Transforme de Fourier court terme (STFT)................................................................................3
1.3. Transforme en ondelettes continue (CWT)...................................................................................6
1. Exemple d'analyse en ondelettes............................................................................................................8
2. Proprits Principales des ondelettes...................................................................................................10
2.1. Condition d'amissibilit................................................................................................................10
2.2. Les moments nuls d'une ondelette................................................................................................10
2.3. Condition de rgularit..................................................................................................................11
3. Dcomposition en srie d'ondelettes....................................................................................................12
4. Frames..................................................................................................................................................13
5. Codage en sous bandes........................................................................................................................14
5.1. Bancs de filtres de constante Q.....................................................................................................14
5.2. Le filtre d'chelle (the scaling fonction).......................................................................................15
6. Transforme en ondelettes discrtes (DWT)........................................................................................15
7. Transforme en paquets d'ondelettes...................................................................................................16
8. Autres proprits des ondelettes...........................................................................................................16
8.1. Ondelettes support compact.......................................................................................................16
8.2. Proprit d'orthogonalit...............................................................................................................16
8.3. Proprit de symtrie....................................................................................................................16
8.4. Proprit de reconstruction exacte................................................................................................16
9. Diffrents types d'ondelettes................................................................................................................16
10. Rfrences..........................................................................................................................................16

1. De la transforme de Fourier la transforme en ondelettes

1.1. Transforme de Fourier (FT)
En 1822, Fourier a montr qu'une fonction priodique pouvait tre dcompose en une somme infinie
de fonctions exponentielles priodiques complexes.

Par gnralisation, la transforme de Fourier dcompose un signal en fonctions exponentielles

complexes de diffrentes frquences. Les coefficients de la dcomposition sont les coefficients de la
transforme de Fourier X(f).
x( f )

X( f )e

j 2ft

df

Pour calculer la valeur d'un coefficient de Fourier la frquence f, on multiplie le signal x(t) par une
exponentiel de frquence f et on intgre sur tout le temps.
X(f )

x(t ) e

j 2ft

dt

Comme l'information fournie par l'intgrale correspond toutes les instances de temps, la transforme
de Fourier permet de dire en quelles quantits les frquences existent mais elle ne dit pas quels
instants ces frquences sont prsentes.

Cette analyse convient pour les signaux stationnaires o chaque composante de frquence existe
tout instant, mais ne convient pas aux signaux non stationnaires.

Exemple 1:
Soit le signal A=cos(2*pi*7*t)+cos(2*pi*15*t)+cos(2*pi*2*t) constitu de la somme de trois
sinusodes, et le signal B=[3*cos(2*pi*7*t1) 3*cos(2*pi*15*t2) 3*cos(2*pi*2*t3)], constitu de la
suite de ces trois sinusodes (cf Figure 1).
On constate que A, stationnaire, possde la mme transforme de Fourier que le signal B non
stationnaire bien que leurs allures temporelles soient totalement diffrentes. De plus, en regardant
uniquement le spectre de B, on ne peut dire dans quel l'ordre ont t places les trois sinusodes.

Figure 1: La tr de Fourier du signal A stationnaire est identique la tr de Fourier du signal B non stationnaire

Ds lors, si l'on veut une localisation temporelle des composantes spectrales, on a besoin d'une autre
transformation qui permette de donner une reprsentation temps - frquences du signal. C'est le cas de
la transforme de Fourier court terme (STFT: Short Time Fourier Transform).

1.2. Transforme de Fourier court terme (STFT)

L'ide est d'analyser le signal segment par segment (ou fentre par fentre).
La longueur de ce segment est constante et doit tre telle que la portion de signal fentr soit
stationnaire. Alors, la TF de chaque portion de signal fentr est calcule comme suit (le centre de la
fentre tant place au temps ):
STFTxw ( , f ) x(t ) w* (t ) e j 2ft dt
t

o w(t) est la fentre de largeur T et centre en qui permet d'extraire une portion de signal
w* dnote le complexe conjugu de w
Le rsultat obtenu correspond donc une reprsentation temps-frquence du signal.
Exemple 2:
Soient deux signaux A et B constitus de sinusodes se succdant dans un ordre diffrent (Figure 2).
Leurs TF sont identiques mais leur STFT (calcules sur des fentres de 0.50 sec) permettent de les
distinguer puisqu'elles mettent en vidence les frquences dominantes relatives chaque priode de
tps.

Figure 2: Comparaison des STFT de signaux constitus des mmes sinusodes mais qui se suivent dans un ordre diffrent

Problme:

En fentrant le signal, on multiplie en fait le signal par une fentre rectangulaire (ou de
hamming, etc.). Ceci correspond dans le domaine frquentiel effectuer un produit de
convolution de leur transforme de Fourrier. Ainsi, pour une sinusode, nous obtenons:

Figure 3: consquence d'un fentrage sur la TF d'une sinusode

On constate ds lors bien, la perte de rsolution dans le domaine frquentiel puisque "le pic s'est
largit". De ce fait, nous ne savons plus exactement quelles composantes de frquence existe
dans le signal, mais plutt quelles sont les bandes de frquence qui existent.
Si nous comparons la STFT la TF, nous pouvons dire que cette perte de rsolution est due au
fait que les fonction ejwt ne sont plus multiplies et intgres de + mais de T/2 T/2.

Pour obtenir une rsolution frquentielle parfaite, il nous faudrait une fentre de longueur
infinie, mais alors, nous aurions le mme problme qu'au dpart au sujet de la stationnarit du
signal.

Ce problme est en fait li au principe d'incertitude d'Heisenberg exprimant que les rsolutions en
temps et en frquence ne peuvent tre arbitrairement petites en mme temps car:

t
1
t f
4

t w(t ) dt

w(t ) dt
f W ( f ) df

W ( f ) df
2

avec

Donc,
La fentre ne doit pas tre trop grande pour que le signal fentr soit stationnaire et que la
rsolution temporelle soit correcte
Mais elle ne doit pas tre trop petite non plus pour que les lobes correspondant la TF de la
fentre ne soient pas trop larges et pour que la rsolution frquentielle soit correcte.
Exemple 3:
Pour un signal A constitu de 4 sinusodes
A=[sin(2*pi*70*t1) sin(2*pi*50*t2) sin(2*pi*30*t3) sin(2*pi*10*t4)]
On obtient:

Figure 4: Illustration du problme de rsolution de la STFT

Il y a l un rel problme car chaque personne dsirant utiliser la STFT doit choisir une et une seule
fentre qui sera utilise tout au long de l'analyse.

1.3. Transforme en ondelettes continue (CWT)

La transforme en ondelettes continue apporte quelque part une solution ce problme. Elle est dfinie
comme suit:
CWTx ( , s )

1
s

t
dt
s

x (t ) *
t

O est le coefficient de translation. Il s'agit d'un nombre rel.

s est le coefficient d'chelle, galement appel facteur de dilatation de . Il s'agit d'un nombre rel.
(t) est l'ondelette mre. Nous en verrons quelques exemples au paragraphe 7
* dnote le complexe conjugu de
Les CWT x ( , s ) sont les coefficients d'ondelettes
Comme pour la STFT, il s'agit de multiplier le signal x(t) par une fonction de base limite dans le temps
avant d'intgr sur tout le temps; mais cette fois, la largeur de la fentre d'analyse est variable. En effet,
*
plus le facteur d'chelle s est important, plus la fonction de base 1 / s * (t ) / s s'largit et
devient moins haute (ceci afin de garder la mme nergie).
Le facteur d'chelle s est quant lui inversement proportionnel frquence. En ralit, il correspond
une priode locale qui dpend elle-mme du type de l'ondelette mre. Si l'ondelette mre a une
frquence centrale fc, la frquence d'analyse correspondant une chelle si vaut fa=(T.fc)/si, o T est la
priode d'chantillonnage (cf. [Abr97])
Le principe d'incertitude d'Heisenberg doit toujours tre respect. Ds lors, la CWT est conue pour
donner une bonne rsolution temporelle avec une pauvre rsolution frquentielle dans les hautes
frquences (s petit - fentre troite) et une bonne rsolution frquentielle avec une pauvre rsolution
temporelle dans les basses frquences (s grand - fentre large).
Cette approche prend tout son sens lorsque le signal analyser est compos de basses frquences
pendant un long moment (quasi stationnaire) accompagn de hautes frquences ne durant qu'un court
instant. Heureusement, la plupart des signaux que nous rencontrons en pratique sont de ce type. Un
exemple de l'un d'entre eux est illustr la Figure 5.

Figure 5: Exemple de fonction avec des principalement des basses frquences accompagne de hautes frquences ne
durant qu'un court instant.

Ainsi, si nous comparons la STFT et la transforme en ondelettes, nous obtenons:

STFT

STFTxw ( , f )

CWT

*
j 2ft
x(t ) w (t ) e dt
t

ou
STFT xw ( , f ) x(t ) w*, f (t ) dt
t

j 2ft
Avec w , f (t ) w(t ) e

j 2ft
Fonction de base= w , f (t ) w(t ) e

f1

f2> f1

f3> f2

Taille de la fentre constante

Rsolution temporelle et frquentielle constante
t = cste & f =1/(4 t) = cste
Analyse avec une largeur de bande f constante

1
s

t
dt
s

x(t ) *
t

ou
CWT ( , s ) x (t ) *,s (t ) dt

Avec , s (t )

1
s

Fonction de base= , s (t )

s1

s2< s1

s3< s2

Taille de la fentre inversement proportionnelle

la frquence Rsolution temporelle
proportionnelle la frquence
t diminue avec la frquence
t== cste/f & f=1/(4 t)=cste*f
Analyse avec une largeur de bande relative f /f
constante
Reprsentation de la rsolution temps-frquence:
chaque rectangle correspondre une valeur de la
CWT dans le plan temps-frquence.

Frequence

Frequence

Reprsentation de la rsolution temps-frquence:

chaque rectangle correspondre une valeur de la
STFT dans le plan temps-frquence.

CWTx ( , s )

Temps

Pour la STFT, ces rectangles sont gaux. La valeur

de leur aire dpend de la fentre utilise, mais sera
toujours 1/(4) ( en raison du principe
d'Heisenberg)

Temps

Notez que si la largeur et la hauteur des rectangles

changent, leur air elle, reste constante. La valeur
de cette air dpend de l'ondelette mre mais sera
toujours 1/(4)

2. Exemple d'analyse en ondelettes

Exemple 4:
Soit un signal A constitu de 4 sinusodes:
A=[sin(2*pi*70*t1) sin(2*pi*50*t2) sin(2*pi*30*t3) sin(2*pi*10*t4)];

L'ondelette mre utilise pour l'analyse en ondelettes est celle de Daubechies d'ordre 4 (nous la verrons
plus en dtails au chapitre10). Les rsultats sont les suivants:

Figure 6: Analyse en ondelettes d'un signal compos de 4 sinusodes successives

On constate bien que plus la frquence est importante (petit scale - dbut du signal), plus la rsolution
temporelle est leve (bonne localisation) et plus la rsolution frquentielle est faible (cd une
rsolution en chelle leve).
Exemple 5:
Si l'on reprend le signal de la figure 5 et qu'on l'analyse avec une ondelette mre de type Mexican Hat,
on obtient:

Figure 7: Analyse en ondelettes d'un signal A

3. Proprits Principales des ondelettes

3.1. Condition d'amissibilit
Pour qu'une ondelette soit rversible, c'est--dire pour que l'on puisse reconstruire le signal sans perdre
d'information, on peut montrer (cf. [She96]) qu'il faut que

( )

O ( ) est la transforme de Fourier de (t ) .

C'est la condition d'admissibilit. Celle-ci implique que soit nulle pour 0
l'ondelette doit avoir le spectre d'un filtre passe bande. Elle implique galement que

et donc que

(t )dt 0

Or (t ) est une fonction largeur temporelle finie (fentre temporelle). Ds lors, il faut
obligatoirement que (t ) soit une fonction oscillante, d'o le nom d'ondelette.
Alors, la transforme en ondelettes inverse s'exprime comme suit:
x(t ) c CWT ( , s )
s

avec

1
t

2
s
s

d ds

( )

, une constante ne dpendant que de (t ) .

3.2. Les moments nuls d'une ondelette

On dit qu'une ondelette possde p moments nuls lorsque
Mk

(t ) dt 0

k { 0, 1, , p 1}

Alors, la transforme de Fourier

F t k (t) t k (t) e jt dt

vaut zro en =0 k { 0, 1, , p 1} .

Or

d k ( ) d k (t )e jt dt
d k e jt

(
t
)

dt
k

d
d k
d k

d k 1 jt e jt
k
(t )
dt (t ) jt e jt dt
k 1
d

1 k jt 1 k
k (t) t e dt k F t (t)
j
j
o ( ) est la transforme de fourier de (t )

Donc, la drive kme de la transforme de Fourier de (t ) vaut zro en =0 k { 0, 1, , p 1} .

Ceci revient dire que la transforme de Fourier de (t ) a un zro d'ordre p en =0.
Ds lors, plus le nombre p de moments nuls que possde l'ondelette est important, plus celle-ci
possdera un zro d'ordre lev en =0, et donc, plus sont spectre sera slectif en frquence.
Remarque: il est noter que toute ondelette se doit davoir au moins un moment nul puisque la
condition d'admissibilit impose que

(t )dt 0

3.3. Condition de rgularit

Un signal (une fonction) x(t) est d'autant plus rgulier qu'il n'est de fois continuent drivable.
Remarque: On peut mesurer la rgularit d'une fonction en utilisant les coefficients de Lipschitz (cf.
[Mal99]). Soit n un entier positif et n n + 1. Une fonction f(x) est dite de Lipschitz en x0 si et
seulement si, il existe deux constantes A et h0, strictement positives et un polynme d'ordre n, Pn(x), tel
que pour tout h < h0, on ait :
f ( x h) Pn ( h) A h

Il existe un lien entre la rgularit d'un signal x(t) et les moments nuls d'une ondelettes. En effet,
supposons que (t ) soit relle.
Considrons le dveloppement en sries de Taylor de la fonction x(t) autour de t=0 et calculons alors sa
transforme en ondelette. Par facilit, nous allons poser =0. On a:
CWT (0, s )

CWT (0, s )

t Taylor 1
dt

s
s

x(t )

s
1

i 0

(i )
x (0)
t i 0

(t 0) i t
dt ( p 1)
i!
s

x (i ) (0)
t
t i dt ( p 1)
i!
s
t

x (i ) (0)
( s t ) i t s dt ( p 1)

s i 0 i !
t t / s

s
1

i 0

x ( i ) (0) i 1 i
s t t dt ( p 1)
i!
t

x(0) M 0 s

x (1) (0)
x ( 2 ) (0)
x ( p ) (0)
M1 s2
M 2 s3
M p s p 1 ( s p 2 )
1!
2!
p!

o ( p 1) dsigne les termes d'ordre suprieur p.

On constate ici que si x(t) est une fonction suffisamment rgulire (cd suffisamment de fois drivable)
et que l'ondelette possde p moments nuls, alors les coefficients d'ondelettes CWT x ( , s ) vont
dcrotre comme s p 2 (pour s dcroissant).
Ainsi, les rgularits locales du signal seront caractrises par la dcroissance de l'amplitude des
coefficients d'ondelettes avec l'chelle. A contrario, les singularits du signal correspondront une
dcroissance mois rapide de ces coefficients et pourront donc tre repre par les maxima locaux de la
transforme en ondelettes dans les petites chelles (hautes frquences). Cette proprit serra d'autant
plus marque que l'ondelette aura de moment nuls. On peut donc dire que le nombre de moments
nuls d'une ondelette caractrise la facilit avec laquelle cette dernire peut localiser les singularits du
signal. Cette proprit est trs importante pour la dtection de microvnements tels que les fuseaux
prsents dans les EEG d'un patient endormi.
D'autre part, plus l'ondelette possde de moments nuls, plus la dcroissances des coefficients est rapide
avec l'chelle (quand il n'y a pas de singularits). Cette proprit est trs intressant pour les
applications de compression o l'on dsire justement annuler tous les coefficients proche de zro
correspondant aux dtails du signal c'est--dire aux hautes frquence et donc aux petites chelles.

4. Dcomposition en srie d'ondelettes

La transforme en ondelettes continue fait correspondre un signal unidimensionnel une reprsentation
bidimensionnelle (plan temps-chelle). Elle est donc clairement redondante puisque l'on n'aura toujours
plus de coefficients d'ondelette que ncessaire pour dcrire le signal de manire exhaustive.
Pour solutionner ce problme de redondance, on peut discrtiser la transforme en ondelette en ne
prenant simplement que des valeurs discrtes de s et de (x(t) pouvant toujours tre un signal continu).

Dans ce cas, chantillonner le plan temps-frquence de manire uniforme est la premire chose qui
nous vient l'esprit. Pourtant en ce qui concerne la transforme en ondelette, l'organisation du plan
temps-chelle (comme illustr dans le tableau comparatif entre la CWT et la STFT) nous conforte
utilis une discrtisation exponentielle des chelles et du temps. La base d'ondelettes utilises pour
calculer les coefficients d'ondelettes ne sera donc plus:
1

, s (t )

Mais bien:

j ,ks (t )

1
s 0j

t k 0 s 0j
s 0j

s 0j

s 0 j t k 0 avec

j { 0, 1, 2, 3, }

k { 0, 1, 2, 3, }

Dans cette expression, s0 >1 est un pas de dilatation fix et le pas de translation= 0 s0j est dpendant
du pas de dilatation.
Le rsultat de cette discrtisation correspond une srie de coefficients d'ondelettes, c'est pourquoi on
parlera de dcomposition en sries d'ondelettes.
En pratique, on utilise souvent les paramtres s 0 2 et 0 1 . On parle alors de transforme en
ondelettes dyadique. Ce choix est trs naturel compte tenu de l'oreille humaine, de la musique et des
ordinateurs que l'on utilise actuellement. La grille d'chantillonnage dyadique est illustre la Figure 8.
log s

Figure 8 Grille d'chantillonnage dyadique

5. Frames
Lorsque l'on discrtise la transforme en ondelette, une question importante se pose en ce qui concerne
la reconstruction du signal. Est-il possible de reconstruire parfaitement le signal x(t) partir de sa
dcomposition en sries d'ondelettes?

Et bien, il a t montr dans [Dau92] que la condition ncessaire et suffisante pour que la
reconstruction du signal soit stable est que l'nergie des coefficients d'ondelettes soit bornes de deux
nombre positifs finis indpendant de x(t):
A x

x,

2
j ,k

B x

j ,k

avec

l'energie de x(t).

Si cette condition est respecte, alors la famille des fonctions de base

les borne sont A et B.

j ,k

(t ) est appele "frame" dont

6. Codage en sous bandes

6.1. Bancs de filtres de constante Q
Bien que la dcomposition en srie d'ondelettes permette de rduire la redondance de la transforme en
ondelette continue, elle correspond toujours analytiquement un nombre infini d'chelles discrtes et
de translations.
En pratique videmment, le nombre de translation est limit par la dure du signal analyser ce qui
confre une borne suprieure au nombre d'ondelettes ncessaire l'analyse du signal. Mais cette borne
est importante en pratique et l'on voudrait encore limiter la quantit d'ondelettes utiles l'analyse du
signal. Pour cela, il nous faut limiter le nombre d'chelles utilises. Mais se pose alors la question de la
qualit de la transforme. Existe-t-il un nombre minimal d'chelles qui nous permette d'obtenir un
rsultat qui soit tout de mme correct?
Pour rpondre cette question, considrons la transforme en ondelette d'un signal x(t) pour une valeur
fixe de l'chelle si. Celle-ci peut tre rcrite comme une quation de convolution:
CWT x ( , s i )

1
si

t
si

x(t ) *
t

dt x( ) s ( )

*
avec s ( ) s ( s )
i
i
i

Ainsi, pour une valeur fixe l'chelle si, la fonction CWT x ( ) peut tre considre comme le passage
du signal x(t) au travers d'un filtre si ( ) qui est simplement une version mise l'chelle et retourne

de l'ondelette mre (t ) .

Or, une proprit bien connue de la transforme de Fourier est la suivante:

TF x( at )

1

X

a
a

De sorte que la rponse en frquence du filtre si ( ) est gale

si ( )

1
si

1
1
si

* ( s i )

s i * ( s i )

ondelette relle

si (si )

o est la transforme de Fourier de et o * dsigne le complexe conjugu.

Or, nous avons vu que la condition d'admissibilit imposait que l'ondelette mre ait un spectre ( )
de type passe bande. Donc, le filtre si ( ) sera galement un filtre pass bande. Sa largeur de bande
sera gale (1/si) fois la largeur de bande correspondant l'ondelette mre.

Ainsi si l'on value les fonctions CWT x ( ) pour un ensemble discret d'chelles comme les valeurs
dyadique s=2j, on obtient un ensemble de filtres passes bandes dont les largeurs de bande diminue d'un
facteur 2 chaque fois et dont les positions dpendent de l'chelle.

Par exemple,
Pour j=0
Pour j=1
Pour j=2

S=1
S=2
S=4

frq d'analyse = fa
frq d'analyse =fa / 2
frq d'analyse =fa / 4

largeur de bande couverte= celle de l'ondelette mre= LBc

largeur de bande couverte= LBc / 2
largeur de bande couverte= LBc / 4

Ceci est illustr la Figure 9.

j=3

j=2

j=1

fa/8

fa/4

fa/2

j=0

fa

Figure 9 Banc de filtre de constante Q

Si nous regardons le rapport entre la frquence centrale du spectre de l'ondelette et sa largeur de bande,
nous constatons que ce celui-ci est gal une constante Q. C'est la raison pour laquelle l'ensemble de
ces filtres obtenus est appel banc de filtre de constante Q.
Pour obtenir une bonne couverture frquentielle, les spectres doivent se toucher. Ceci est possible pour
un choix convenable d'ondelette. Le bancs de filtre obtenus pour un nombre limit d'chelles (j<J) peut
alors tre vu comme un filtre passe bande.
Ds lors, si nous vouons que la transforme en ondelettes reste de qualit avec un nombre limit
d'chelles (j<J), il faut que ce banc de filtre recouvre le spectre fini de notre signal analyser. Or, il est
impossible d'atteindre la frquence =0 avec un nombre fini d'chelles. C'est pourquoi on a introduit la
notion de filtre d'chelle.

6.2. Le filtre d'chelle (the scaling fonction)

La suite de ce document sera ralise la semaine du 11 octobre.
Pour en savoir plus voir [val04]

7. Transforme en ondelettes discrtes (DWT)

Calcul de la tr en ondelette d'un signal discret
Avec filtre
Multiplier par fct de base
Correspond filtrer signal
Quadrature miror filter

8. Transforme en paquets d'ondelettes

9. Autres proprits des ondelettes
9.1. Ondelettes support compact
9.2. Proprit d'orthogonalit
9.3. Proprit de symtrie
9.4. Proprit de reconstruction exacte

10. Diffrents types d'ondelettes

Il existe plusieurs types d'ondelettes.
Avec proprits (cf aide matlab)

11. Rfrences
Papiers et Livres:
[Abr97] Abry, P. (1997), Ondelettes et turbulence. Multirsolutions, algorithmes de dcomposition,
invariance d'chelles, Diderot Editeur, Paris.
[Mal99] S. Mallat. A wavelet tour of signal processing. 2nd ed., Academic Press, 1999
[Dau92] I. Daubechies. Ten lectures on wavelets. 2nd ed., Philadelphia: SIAM, 1992.
[She96] Y. Sheng. The transforms and applications handbook. P747-827, A D Poularikas, CRC Press,
1996.
Sites Internet:

[Pol03] The wavelet tutorial by Robi Polikar, Robi Polikar,

http://users.rowan.edu/~polikar/WAVELETS/WTtutorial.html
[Val04] A Really Friendly Guide to Wavelets, C.Valens,
http://perso.wanadoo.fr/polyvalens/clemens/wavelets/wavelets.html
[HAW98] Exemple d'analyse en ondelettes, Bruce Hawkins,
http://www.science.smith.edu/departments/Physics/fstaff/bhawkins/wavlets/mexhat.htm