Cours MEGA PDF

1
Traitement des donnes. De lacquisition

des signaux et images jusqu leur
interprtation
Didier VRAY, Denis FRIBOULET MASTER et cole Doctorale MEGA

didier.vray@creatis.insa-lyon.fr
2
BIBLIOGRAPHIE
Ouvrages gnraux
Bernard MULGREW, "Digital Signal Processing, concepts and applications",
Palgrave MacMillan, 2003
Alan OPPENHEIM, A. SCHAFER, "Discrete-time Signal Processing",
PRENTICE HALL, 1999
Alan OPPENHEIM, A. WILLSKY, "Signals and Systems", PRENTICE HALL,
1997
J. Mc CLELLAN, "DSP First, A multimedia approach", PRENTICE HALL, 1999
Franois de COULON, "Thorie et traitement des signaux", DUNOD, 1984
Murat KUNT, "Traitement Numrique des signaux", 1981
Applications ou pour aller plus loin

J. MARS, J.-L. LACOUME, "Traitement du signal pour gologues et
gophysiciens", TECHNIP 2004, Tome 3 : Techniques avances et Tome 2 :
Techniques de base, Tome 1 : Prospection sismique
M. BELLANGER, "Traitement numrique du signal : Thorie et pratique", 8me
dition, DUNOD, 2006
S. MARPLE, "Digital spectral analysis", PRENTICE-HALL, 1987
3
Traitement du signal et applications
Introduction
Denis Friboulet Didier Vray

4
SIGNAL ?
Domaines dapplication :
communication, aronautique, astronautique, acoustique, contrle de processus
chimique, ingnierie biomdicale, traitement de la parole, conomie, mtorologie...
information reprsente sous forme de signal
Signal :
fonction de une ou plusieurs variables indpendantes : f(x,y,z)
reprsente / contient information sur un phnomne (physique)
Types de signaux
Signaux continus: f(t), t R Signaux discrets: f[n], n Z
t
n
Dimension du signal :
1D : f(t) f[n]
2D :f(u,v) f[i,j]
3D : f(u,v,w) f[i,j,k]
etc...
5
SIGNAL ?
Mesures
Capteur, statistiques....
Dveloppement des capteurs : microphone, cramiques pizolectriques, antennes,
capteurs CCD, de pression
Capteur
t
Acquisition numrique :
Capteur Echantillonnage
t
Stockage
Traitement numrique par ordinateur
Perte dinformation ?
Importance des techniques numriques
6
EXEMPLES DE SIGNAUX
Signal de parole
0.4
0.3
amplitude
0.2
0.1
e
0
-0.1
-0.2
-0.3
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35
Temps (s)
0.6
0.4
amplitude
0.2
-0.2
-0.4 b on j ou r
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Temps (s)
7
EXEMPLES DE SIGNAUX
volution de la rente 5% sous le consulat et le 1er empire
Dbut de la
100% campagne de Russie Napolon
Victoire sur la Russie Friedland dbarque
Trait de Tilsit avec la Russie
90 Golfe Juan
80 LAutriche attaque la Bavire
70 Dfaites en Espagne Dbut de la retraite

et au Portugal de Russie
60 Paix de Lunville
Victoire sur la Prusse Ina

50 Victoire sur la Russie Eylau Waterloo
Victoire sur
lAutriche Ulm
40
LAngleterre Abdication de
recherche la paix
30 et lobtient
Dfaite de Vitoria. Napolon
L'Autriche se joint la Prusse et
Amiens la Russie contre la France.
20 Dfaite de Leipzig.
10 Coup dtat du 18 brumaire
0
1798 1799 1800 1801 1802 1803 1804 1805 1806 1807 1808 1809 1810 1811 1812 1813 1814 1815
Le Monde 28/01/1997
8
EXEMPLES DE SIGNAUX
volution hebdomadaire du Dow Jones du 5 janvier 1929 au 4 janvier 1930
400
350
300
250
200
150
100
50
5 jan. 1929 4 jan. 1930

9
EXEMPLES DE SIGNAUX
Signaux ultrasonores
Composante spculaire Composante diffuse
mission
Rception
= 2d/c , c 1540 m/s (tissus biologiques)
t t
Signal rel
10
EXEMPLES DE SIGNAUX
Images ultrasonores: chographie intravasculaire

11
EXEMPLES DE SIGNAUX
Images ultrasonores: chographie intravasculaire
Plaque artrielle
12
EXEMPLES DE SIGNAUX
Images cardiaques chographie ultrasonore et en IRM

13
EXEMPLES DE SIGNAUX
Tomographie X
14
EXEMPLES DE SIGNAUX
Tomographie par rayonnement X synchrotron

15
EXEMPLES DE SIGNAUX
Tomographie X
16
TRAITEMENT DU SIGNAL ?
Buts :
Modlisation : reprsentation dun phnomne (caractrisation, prdiction...)
Analyse : extraction dinformation (mesure, compression, dtection, reconnaissance...)
Filtrage, restauration : transformation du signal (minimisation du bruit, suppression de
parasite...)
Etc.
Notion de systme de traitement :
Systme de
t Traitement t
Notion de domaine de reprsentation :

Transforme de Fourier
Modles autorgressifs, transforme de Laplace, transforme de Wigner, transforme
en ondelettes, transforme cosinus....
17
EXEMPLES DE TRAITEMENT
Imagerie ultrasonore
N Signaux
Image ?
18
Signaux acquis
Dtection
d'enveloppe Enveloppe
Compression
logarithmique Image Compresse
19
Signal de parole : analyse ?

0.6
0.4
amplitude
0.2
-0.2
-0.4 b on j ou r
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Temps (s)
20
Domaine de reprsentation : temps-frquence

21
Dtection de rupture
Cas idal Cas rel avec bruit gaussien ( = 0.4)
2 2
1 1
0 0
-1 -1
-2 -2
0 5 10 15 20 0 50 100 150 200 250
Oprateur diffrentiel : [ 1 -1 ] Oprateur diffrentiel : [ 1 -1 ]
2 2
1 1
0 0
-1 -1
-2 -2
0 5 10 15 20 0 50 100 150 200 250
22
Dtection de rupture
Cas rel avec bruit gaussien ( = 0.4)
2
-1
-2
0 50 100 150 200 250
Oprateur optimis :
Oprateur diffrentiel : [ 1 -1 ]
Canny[86] Deriche[87]
2 4
3
1
2
0
1
-1
0
-2 -1
0 50 100 150 200 250 0 50 100 150 200 250
23
Dtection de rupture
Cas rel avec bruit gaussien ( = 1.0) Cas rel avec bruit gaussien ( = 1.2)
4 4
2 2
0 0
-2 -2
-4 -4
0 50 100 150 200 250 0 50 100 150 200 250
Oprateur optimis :
6 4
4
2
2
0
0
-2
-2
-4 -4
0 50 100 150 200 250 0 50 100 150 200 250
24
Image : Dtection de contours

Bords verticaux
Norme du gradient Seuillage
||2
Bords horizontaux
25
Dtection de contour par ensemble de niveau bas sur les drives (gradient)
Ensemble de niveau:
Evolution base sur le
Principe dvolution
gradient dune image IRM
26
Dtection de contour par ensemble de niveau bas sur les statistiques
Sang
Muscle
Histogramme
Histogramme
27
Dtection de contour par ensemble de niveau bas sur les statistiques

28
Visualisation de linformation ?
29
Visualisation : Rendu de volume par lancer de rayon
1. Intersection avec lobjet : Trac incrmental 2. Estimation de la normale lobjet : oprateur

dun rayon dans le volume discret diffrentiel discret dans les 3 directions
Plan de
visualisation
3. Calcul de la lumire mise au point 4. Application des tapes 1, 2 et 3 l'ensemble

dintersection : modle de diffusion des rayons partant du plan de visualisation
Id = Ip (N . L)
N
30
Joe Kniss, Utah

31
32
Signaux de base
Opration lmentaires sur les signaux

33
TRANSFORMATIONS DE LA VARIABLE INDEPENDANTE
Oprations de base sur les signaux:

Retournement, dcalage, changement dchelle, etc.
transformation de la variable indpendante
Retournement
f(t) f(-t)
f[n] f[-n]
34
Changement dchelle
f(t) f(2t)
f[n] f[2n]
35
Dcalage temporel
t0 -t 0
f(t) f(t-t0) f(t+t0)

Retard Avance
n0 -n0
f[n] f[n-n0] f[n+n0]

Retard Avance
36
Signaux pairs : invariance par retournement
f(-t) = f(t) f[-n] = f[n]
Signaux impairs : symtrie par retournement
f(-t) = - f(t) f[-n] = - f[n]

37
SIGNAUX DE BASE CONTINUS
=
Signal sinusodal : f (t ) A cos(2 f 0t + )
T 0 = 1 /f0
A Acos
A : amplitude : phase f0 : frquence T0 : priode
Variation de la frquence f0 :
f1 f2 f3
f1 < f2 < f3
38
Exponentielle complexe e j 2f 0t = cos 2f 0t + j sin 2f 0t

1 j 2f 0t
Re( e j 2f 0t
) = cos 2f 0t cos 2f 0t = (e + e j 2f 0t )
2
1 j 2f 0t
Im(e j 2f 0t ) = sin 2f 0t sin 2f 0t = (e e j 2f 0t )
2j
Interprtation
Im
Partie relle Partie imaginaire
t
sin 2f0t
cos 2f0t Re
f0: vitesse de rotation
Exponentielles harmoniques f k (t ) = e j 2kf 0t , k Z

f0 : frquence fondamentale
39
chelon unit
1
0 si t < 0
u(t) =
1 si t > 0
+
du(t )
Impulsion unit (ou Dirac) : (t) on veut (t ) =
dt
avec
(t )dt = 1

u(t) 1 (t)
(t) = lim (t) 1/
0 Aire = 1
(t) C(t) (t-t0)
1
Reprsentation C
t0
40
Dirac : interprtation
(t) (t)
Intervalle Intervalle
dintgration dintgration
t 0 0 t
t t
( )d = 0 si t < 0 ( )d = 1 si t > 0

1
u(t)
Laire du Dirac est "concentre" en un point

41
+
Dirac : Proprit
(t )dt = 1

Dirac : Proprit x(t) (t) = x(0) (t) Dirac de poids x(0)
x(t) x(0) (t)

(t)
Dirac : Proprit x(t) (t-t0) = x(t0) (t-t0)
(t-t0) x(t0)(t-t0)
x(t) x(t)
t0 t0
42
+
Dirac : Proprit
x (t ) (t )dt = x (0)

+
Dirac : Proprit
x (t ) (t t0 )dt =
x (t0 )

43
nergie et puissance moyennes dun signal continu s(t)
t2

2
nergie moyenne calcule sur lintervalle [t1, t2] : Es (t1, t2 ) = s(t ) dt
t1
t2
Puissance moyenne calcule sur lintervalle [t1, t2] : 1

2
Ps (t1, t2 ) = s(t ) dt
Interprtation : nergie dissipe par unit de temps t2 t1
t1
44
SIGNAUX DE BASE DISCRETS
chelon unit 1
0 si n < 0
u[n] = .......
1 si n 0
0
1
1 si n = 0
Impulsion unit : on dfinit [n] =
0 si n 0
n
consquences u[n ] = [m ] et [n ] = u[n ] u[n 1]
m =
+ +
Proprits
[n ] = 1 x[n ] [n ] = x[0]
n = n =
x[n] [n] = x[0] [n] +
x[n] [n-n0] = x[n0] [n-n0] x[n ] [n n0 ] =

x[n0 ]
n =
45
Sinusodes discrtes : cos 2f0n
A la diffrence du cas continu, la rapidit des oscillations naugmente pas continment

avec f0
frquence = 0 frquence = 1/16 frquence = 1/8
1 1 1
0.5 0 0
0 -1 -1
0 10 20 30 0 10 20 30 0 10 20 30
frquence = 1/4 frquence = 1/2 frquence = 3/4
1 1 1
0 0 0
-1 -1 -1
0 10 20 30 0 10 20 30 0 10 20 30
frquence = 7/8 frquence = 15/16 frquence = 1
1 1 1
0 0 0.5
-1 -1 0
0 10 20 30 0 10 20 30 0 10 20 30
46
Exponentielles discrtes
e j 2f 0n = cos 2f 0n + j sin 2f 0n
Mmes proprits que sinusodes (diffrence de comportement par rapport au

cas continu et contraintes sur la priodicit)
47
nergie et puissance dun signal discret s[n]
n2

2
nergie moyenne : s[n ]
n = n1
2 n
1

2
Puissance moyenne : s[ n ]
n2 n1 n = n
1
48
Les Systmes Linaires Invariants

49
Notion de Systme
Dfinition :
Un systme est un modle mathmatique dun processus physique qui relie un signal
dentre un signal de sortie
Un systme est un dispositif de traitement du signal
En entre : e(t) signal dentre
En sortie : s(t) signal de sortie
Exemples :
Amplificateur, systme audio, tlphone, systme vido
Un systme complexe peut tre vu comme linterconnexion de plusieurs systmes dont
les fonctions sont plus simples
Questions
Quelles sont les proprits intressantes des systmes ?
Comment caractriser un systme ?

=
Comment modliser la relation entre entre et sortie ?
50
Reprsentation des Systmes
Reprsentation sous forme de schma bloc
e(t) s(t) s(t) = S{e(t)}

Scontinu
e[n] s[n] s[n] = S{e[n]}

Sdiscret
Interconnections des systmes

Srie / Cascade Input Systme 1 Systme 2 Output
Systme 1
Parallle Input + Output
Systme 2
Systme 1 Systme 2
Srie / Parallle Input + Systme 4 Output
Systme 3
Feed-back
51
PROPRIETES DES SYSTEMES
ETUDE DE 2 PROPRIETES FONDAMENTALES (systme continu ou discret):

LINEARITE
INVARIANCE EN TEMPS
LINEARITE (Proprit de superposition)

Soit y1[n]=S{x1[n]} et y2(t)=S{x2[n]} ALORS a y1[n]+ b y2[n] = S{a x1[n]+b x2[n]}
Consquence : une entre nulle produit une sortie nulle
INVARIANCE EN TEMPS
Soit y[n]=S{x[n]} ALORS y[n-n0]=S{x[n-n0]}
La sortie du systme ne dpend pas de l'origine des temps
La sortie du systme ne dpend pas de linstant o est applique lentre
On notera SLIT un systme Linaire et Invariant en Temps

52
EXEMPLES - linarit et invariance en temps des systmes suivants :
y[n] = 2x[n], y(t) = x(t-2) -2x(t-19) LIT
y[n] = x[-n], y(t) = sin(6t) x(t) L
y[n] = 2x[n]+3, y(t) = a exp(x(t)) IT
UTILISATION DES PROPRIETES :

Soit un systme LINEAIRE et INVARIANT EN TEMPS
qui a en sortie y(t) lorsque lentre est x(t) :
x(t) y(t)
t t
0 1 2 0 1 2
Quelle est la rponse du systme lorsque lentre est x1(t)

x1(t)
3 4 t
0 1 2
53
RAPPEL DE QUELQUES PROPRIETES DE LIMPULSION UNITE
x[n] [n] = x[0] [n] x(t ) (t ) = x(0) (t )
x[n] [n =
n0 ] x[n0 ] [n n0 ] x(t ) (t =
t0 ) x(t0 ) (t t0 )
+
+
[ n] = 1 (t )dt = 1

+ +
x[n] [n] = x[0]
x (t ) (t )dt = x (0)

+ +
x[n] [n n
0
] = x[ n0 ]
x (t ) (t t 0 ) dt = x ( t0 )

n
[k ] = u[n]
t
k = ( )d = u(t )

54
REPRESENTATION DES SIGNAUX EN SOMME DIMPULSIONS
Exemple de la reprsentation
x[n ]
-4 -1 2 3
dun signal discret en terme
-3 -2 0 1 4
dimpulsions retardes
x[2] [n + 2]
Gnralisation : -4 -3 -2 -1 0 1 2 3 4 n
Tout signal discret peut tre dcrit comme une somme
dimpulsions de Dirac retardes et pondres par x[1] [n + 1]
-1
lamplitude de ce signal :
-4 -3 -2 0 1 2 3 4 n
+
x[ n ] = x[k ] [n k ]
k =
-4 -3 -2 -1 0 1 2 3 4
x[0] [n ]
n
x[1] [n 1]
-4 -3 -2 -1 0 1 2 3 4 n
Dcomposition quivalente pour les signaux continus :

2
x[2] [n 2]
+
x (t ) = x ( ) (t )d
-4 -3 -2 -1 0 1 3 4 n

55
NOTION DE REPONSE IMPULSIONNELLE
La rponse impulsionnelle h[n] dun systme est la rponse du systme lorsque le

signal dentre est limpulsion de Dirac [n] :
[n] h[n]
S
Dans le cas des systmes linaires et invariant en temps (SLIT), la rponse

impulsionnelle h[n] permet de caractriser totalement le systme.
La Transforme de Fourier ou la transforme en z de la rponse impulsionnelle
permettent de dduire :
La rponse en frquence ou gain complexe H(f)
Le gain en fonction de frquence |H(f)| ou la phase arg(H(f)
La fonction de transfert H(z)
56
EQUATION DE CONVOLUTION
Considrons un systme S linaire et invariant en temps (LTI) de rponse

impulsionnelle h[n]. Nous pouvons donc crire :
entre S sortie
[n] h[n]
[n-k] h[n-k]
x[k] [n-k] x[k] h[n-k]
+ +
x[k ] [n k ] x[k ] h[n k ]

k =
k =
x[n] S y[n]
Do lquation de convolution discrte qui lie signal dentre, signal de sortie et

rponse impulsionnelle dun systme LIT :
+
=y[n] x[k ] h[n k ]
k =
57
EQUATION DE CONVOLUTION
Un changement de variable permet de convertir lquation de convolution sous une

autre forme:
+ +
y[n] x[k ]=
k =
h[n k ] h[k ] x[n k ]
k =
Notation de la convolution
y[n] = x[n] h[n] = h[n] x[n]
Lquation de convolution permet de calculer la sortie du systme pour nimporte

quelle entre x[n]
58
CALCUL PRATIQUE DE LA CONVOLUTION
x[k]
1
x[n] 0 4 k
01 2 34 5 n<0
h[n-k]
64 x[n] S y[n] ?
32
h[n] n 0 k
n-6
h[n] 16
8
4 h[n-k]
12 0<n<4
01 2 34 5 6 7 0 n k
n-6
h[n-k]
4<n<6
y[n] = x[n] * h[n] 0 n k

n-6
h[n-k]
6<n<10
0 n k
n-6
0 1 2 3 4 5 6 7 8 9 10
h[n-k]
n>10
0 n k
n-6
59
CALCUL PRATIQUE DE LA CONVOLUTION
Cas usuel :
soit x de dure N, h de dure M, avec NM (signaux dure finie)
x et h ont des amplitudes nulles pour les temps (indices) ngatifs (signaux causaux)
alors lquation de convolution se simplifie :
N 1 M 1
=
y[n] x[k ] h=
k 0=k 0
[n k ] h[k ] x[n k ] =
pour n 0 N +M 2
On note que la dure de y[n] est N+M-1 : la convolution allonge les signaux
y[0] = x[0] h[0]

y[1] x[0] h[1] + x[1] h[0]
y[2] = x[0] h[2] + x[1] h[1] + x[2] h[0]
.....
y[i ] = x[i M + 1] h[ M 1] + .... + x[i M + j ] h[ M j ] + ... + x[i ] h[0]
.....
y[ N + M 2]= x[ N 1] h[ M 1]
60
ILLUSTRATION DE LA CONVOLUTION DE SIGNAUX CONTINUS
x()
S y(t) ?
x(t)
h(t)
h()
y (t ) = x (t ) * h (t )

+
h(t0-)
x( )h(t )d

t0>0
+ t0
h( ) x (t )d +
x()h(t0-)
=
y (t0 ) x( )h(t

0 )d

t0
y (t ) =
x (t ) * h (t )
t0 t
61
PROPRIETES DE LA CONVOLUTION
Commutativit
x[n] h[n] = h[n] x[n]

Mise en cascade
x[n] {h1[n] h2 [n]} ={x[n] h1[n]} h2 [n]

Distributivit
x[n] {h1[n] + h2 [n]} = {x[n] h1[n]} + {x[n] h2 [n]}

lment neutre, dfinition de la rponse impulsionnelle dun systme LIT
[n] h[n] =
h[n]
Attention, ces proprits ne sont valables que pour les systmes LIT
62
PROPRIETES DE LA CONVOLUTION
Fonction propre dun systme LIT
Soit un systme LIT de rponse impulsionnelle h(t)

Considrons le signal dentre x(t) exponentielle complexe (phaseur pur) :
2 jf 0t
x f0 (t ) = e
Calculons la sortie correspondante ce systme:
+
y (t ) = x (t ) h (t ) =

h ( )e 2 jf0 ( t ) d
+

2 jf 0t 2 jf 0 2 jf 0t
e= h ( ) e d e H ( f0 )

H(f0) est une constante complexe dont la valeur ne dpend que de f0 et de la rponse
impulsionnelle du systme
Rsultat extrmement important : La rponse dun systme LIT un signal

dentre de type exponentielle complexe (fonction sinusodale de frquence fixe), est
le mme signal (pas de changement de frquence) mais pondr par un coefficient qui
dpend uniquement de la rponse impulsionnelle du systme.
On dit que lexponentielle complexe est une fonction propre des systmes SLIT
63
EXEMPLES DE SYSTEMES LIT
RETARD PUR
x[n] y[n]=x(n-n0)
retard n0
y[n] = x[n n0 ] = x[n] [n n0 ]
On dduit que la rponse impulsionnelle de ce systme est
h[n]
h[n]=[n-n0] 1
n
0 n0
64
EXEMPLES DE SYSTEMES LIT
MOYENNEUR TEMPOREL
x[n] Moyenneur sur y[n]

M chantillons
y[n ] = x[n ] + x[n 1] + x[n 2] + .... + x[n M + 1]

k=
M 1 k=
M 1 k=
M 1

k 0=
x[n=
k 0
k] x[n ] [n=
k ] x[n ]*
=k 0
[n k ]
On dduit que la rponse impulsionnelle de ce systme est
1
k= M 1 h[n]
=
h[n ] [n k ]
k =0
0 M-1
65
PROPRIETES DES SYSTEMES
LINEARITE
INVARIANCE EN TEMPS
CAUSALITE
Dfinition gnrale : La sortie dun systme causal ne dpend que des valeurs prsentes ou
passes de lentre
STABILITE
Dfinition gnrale: Un systme est stable si toute entre damplitude borne correspond
une sortie borne
66
DESCRIPTION DES SYSTEMES EQUATIONS AUX DIFFERENCES
Lexpression la plus gnrale reliant entre x[n] et sortie y[n] dun systme LIT
est de la forme :
+ +
b x[=
k =
n k ] a y[n k ]
k
k =
k
Si on considre un systme causal dordre N, lexpression peut scrire :
M N
=
k
k 0= k 1
=
y[n] b x[n k ] a y[n k ] k
Exemple dun systme du 1er ordre : y[n]=x[n] +Ky[n-1]
Exemple dun systme du 2me ordre : y[n]=x[n] +a1y[n-1]+ a2y[n-2]

67
Transforme de Fourier des signaux continus

68
TRANSFORME DE FOURIER DES SIGNAUX CONTINUS
Principe : reprsenter un signal continu comme la combinaison linaire de signaux

de base (pour faciliter l'analyse des signaux et des systmes)
Choix des signaux de base

Ils doivent pouvoir reprsenter une large classe de signaux
La rponse d'un systme linaire invariant un signal de base doit tre simple
Signaux de base :
j 2ft
Ensemble des exponentielles complexes de la forme: e
Elle constituent les fonctions propres des systmes linaires invariants
+ +
j 2 f ( t )
y (t ) = x (t ) h (t ) = h ( ) x (t )d = h ( )e d =
x(t) h(t) y(t)
+
e j 2 ft h( )e j 2 f d = He j 2 ft On a donc: y(t) = H x(t)

Consquence - interprtation :
un systme linaire invariant ne change pas la frquence d'une sinusode
x(t) h(t) y(t)

69
SERIES DE FOURIER
Rappel sur les sries de Fourier :

x(t) : signal rel, priodique, de priode T0 = 1/f0
(vrifiant les conditions de Dirichlet)

x(t) peut s'crire sous la forme : x (t ) = a0 + Ak cos(2kf0t + k )
k =1
Exemple
x(t) frquence fondamentale f0,
a0 = 1, A1=1/2, A2=1, A3=2/3 et Ak=0 pour k > 3
k = 0 k
Interprtation:
quivalence des reprsentations dans le domaine temporel et dans le domaine de Fourier
4
3
1 1
2/3
2
1 = Ak 1/2
0
0 f0 2f0 3f0 f
-1
0 20 40 60 80 100 120
70
SERIES DE FOURIER
2
1 1
0
-60 -40 -20 0 20 40 60
0.5
1
+ 2 cos(2 f0t ) 0
-0.5
-60 -40 -20 0 20 40 60
1
+ cos(4 f 0t ) 0
-1
-60 -40 -20 0 20 40 60
1
2
+ cos(6 f 0t ) 0
3 -1
-60 -40 -20 0 20 40 60
4
1 1
2/3
= 2
Ak 1/2
f
x(t) 0
0 f0 2f0 3f0
-2
-60 -40 -20 0 20 40 60
71
SERIES DE FOURIER
Ecriture des sries de Fourier sous forme d'exponentielles complexes harmoniques:

x(t) : signal rel, priodique, de priode T0 = 1/f0
(vrifiant les conditions de Dirichlet)
+
x(t) peut s'crire sous la forme : x (t ) = ak e j 2kf 0t o les ak sont les coefficients

complexes de la srie
k =
Equivalence des formulations

+ + +

a/ x(t) rel: x (t ) = x (t ) x (t ) = ak e j 2kf 0t
x
(t ) = ake j 2kf 0t = a k e j 2kf 0t
k = k = k =
donc a k = ak et ak = a k (1)
+ +
j 2kf 0t
b/ Rcriture de x(t) x (t ) = ak e = a0 + [ak e j 2kf 0t + ak e j 2kf 0t ] (2)
k = k =1
+
j 2kf 0t
c/ (1) dans (2): x (t ) = a0 + 2 ( ak e )
k =1

ak = Ak e j k Ak cos(2kf0t + k )
1
d/ en posant on retrouve: x (t ) = a0 +
2
k =1
72
SERIES DE FOURIER
Calcul des coefficients de la srie :

+
ak e j 2kf 0t j 2kf 0t
1
T0 T0
x (t ) = ak = x ( t )e dt
k =
Exemple ak
x(t)
a-2 a-1 a0 a1 a2
2 1 1 2
(1 j) 1+ j 1 1 j (1 + j)
4 2 2 4

1 j4 5 0.15 j
e 1 5 0.15 j
e 1 j4
e e
2 2 2 2
Re(ak) Im(ak)
Parties relles et imaginaire
0 0
Module et Phase ||ak|| (ak)
0 0
73
SERIES DE FOURIER
Influence de
la priode :
2T0 T0 T T1 T1 T0 T0 2T0
0
2 2
1
ak
T0 = 4T1
0
-1
-10 -8 -6 -4 -2 0 2 4 6 8 10
2
ak
T0 = 8T1 1
-1
-20 -15 -10 -5 0 5 10 15 20
2
ak
T0 = 16T1 1
-1
-40 -30 -20 -10 0 10 20 30 40
74
Dfinitions
+ +
j 2ft j 2ft
X( f ) = x ( t ) e dt x (t ) = X ( f ) e df

Transforme de Fourier Transforme de Fourier inverse
Reprsentation frquentielle dun signal x(t) par X(f), ou spectre du signal
Notations conventions
TF
x(t) X(f) X(f) = TF[x(t)] et x(t) = TF-1[X(f)]
Conditions de convergence = Conditions de Dirichlet:

+
1. x(t) est absolument intgrable

x (t ) dt <

2. x(t) a un nombre fini de maxima et de minima dans tout intervalle fini
3. x(t) a un nombre fini de discontinuits dans tout intervalle fini. De plus, chacune de
ces discontinuits doit tre finie.
75
Exemple : e-at u(t) 1
1
Transforme de Fourier: X ( f ) =
a + j 2f
1/a
Re(X(f)) Im(X(f))
1/a
||X(f)||
/2 (X(f))
/2
f
76
Contenu frquentiel
Cas 1
1.2 6
1 x(t) 5 ||X(f)||
0.8
4
0.6 TF 3
0.4
2
0.2
0 1
-0.2 0
-100 -50 0 50 100 -20 -10 0 10 20
Cas 2
1.2 12
1 x(t) 10
||X(f)||
||X(f)||
0.8
8
0.6 TF
6
0.4
4
0.2
0 2
-0.2 0
-100 -50 0 50 100 -50 0 50
77
TRANSFORME DE FOURIER : PROPRIETES
Linarit
TF TF TF
Si x(t) X(f) et y(t) Y(f) on a : ax(t)+by(t) aX(f)+bY(f)
Symtries :
Si x(t) est un signal rel, on a X(-f) = X*(f), do les proprit suivantes
Re[X(-f)] = Re[X(f)] Paire ||X(-f)|| = ||X(f)|| Paire

Exemple: e-at u(t)
Im[X(-f)] = - Im[X(f)] Impaire [X(-f)] = -[X(f)] Impaire
Si de plus x(t) est un signal pair, alors X(f) est purement relle Exemple: e-a|t|
Dcalage temporel :
TF -j2ft 0 Exemples: (t) et (t-t0)
x(t-t0) X(f) e
Consquence : un dcalage temporel n'affecte pas le module de la T.F.
TF 1 f
Changement dchelle : x(at) X
a a
78
Signaux priodiques :
+
Si x(t) priodique, de frquence f0, on a : x (t ) = ak e j 2kf 0t (Srie de Fourier)
k =
+
La TF de x(t) est alors donne par : X( f ) = ak ( f kf0 )
k =
X(f)
x(t)
a-1 a0 a1
TF a-2 a2
T0 t -2f -f 0 f 2f
0 0 0
0
+
Exemples: e j 2f 0t cos( 2f 0t ) sin( 2f 0t ) T (t )
Peigne de Dirac:=
0 (t kT0 )
k =
79
Dualit : Exemples: TF de
TF TF 2a
Si x(t) X(f) alors X(t) x(-f) x(t) = 2 x(t) = 1
a + 4 2t 2
dx (t ) TF
Drivation : j 2fX ( f )
dt
t
TF 1 1
Intgration : x( )d j 2 f
X ( f ) + X (0) ( f )
2
Exemple: u(t)

Conservation de l'nergie (signaux nergie finie) : galit de Parseval

+ +
=
2 2
=
E [ x (t )] x (t ) dt E=
[ X ( f ))] X ( f ) df

80
TRANSFORME DE FOURIER ET CONVOLUTION
Proprit fondamentale
TF TF TF
Si x(t) X(f) et h(t) H(f) on a : x(t) h(t) X(f) H(f)
Exemple: retrouver x(t-t0)
Consquence pour un systme linaire invariant :
x(t) h(t) y(t) X(f) H(f) Y(f)
Description temporelle : Description frquentielle :

y(t) = x(t) h(t) Y(f) = X(f) H(f)
H(f) : Rponse du systme en frquence
Exemple: dfinition de la rponse impulsionnelle

81
TRANSFORME DE FOURIER ET CONVOLUTION
Association de systmes
H1(f) H2(f) H2(f) H1(f) H1(f) H2(f)
Exemple: filtrage
1.2 12
1 x(t) ||X(f)||
||X(f)||
10
0.8
8
0.6
6
0.4
0.2 4
0 2
-0.2 0
-100 -50 0 50 100 -50 0 50
Proprit duale (modulation)
TF TF TF
Si x(t) X(f) et h(t) H(f) on a : x(t) h(t) X(f) H(f)
82
PRINCIPALES PROPRITS DE LA TRANSFORME DE FOURIER
83
PRINCIPALES TRANSFORMES DE FOURIER
84
ECHANTILLONNAGE DES SIGNAUX

85
Notations - Dfinitions
Lamplitude et la variable temporel peuvent tre continues ou discrtes

On dfinit les diffrents types de signaux
Signal analogique x(t)
Signal chantillonn xe(t)
Signal quantifi
Signal numrique x[k]
x(t)
xe(t) x[k]
86
Notations - Dfinitions
Echantillonnage des signaux : une ncessit
Traitement
Echantillonnage Reconstruction
numrique
Questions :
De linformation est-elle perdue lors de lchantillonnage des signaux ?
Peut-on restituer totalement le signal analogique partir de ses
chantillons ?
87
Opration dchantillonnage
x(t)
xe(t) t
t
> <
T
Fe=1/T est la frquence dchantillonnage
On suppose un chantillonnage rgulier

88
Oprateur dchantillonnage
Modle dune fonction dchantillonnage priodique la priode T
X
x(t) xe(t)
T(t)
+
= (t ) T (t )
xe (t ) x= x[kT ] (t kT )
k =
Par TF de lgalit prcdente,

on dduit les proprits spectrales du signal chantillonn
1 1 + k
=
Xe( f )
T
f ) * 1 ( f )
X(=
T k =
X ( f
T
)
T
Conclusion :
lchantillonnage de x(t) a pour consquence la priodisation de son spectre
+
Rappel : T(t) est le peigne de Dirac T (t )

= (t kT )
k =
1
TF du peigne de Dirac TF { T (t )} = 1( f )
T T
89
Echantillonnage et priodisation du spectre
Modle dune fonction dchantillonnage priodique la priode Te

X(f)
0 Fmax f
Xe(f)
-1/Te 0 Fmax Fe=1/Te f
Avec une frquence dchantillonnage plus faible : recouvrement spectral
Xe(f)
-2Fe -Fe 0 Fmax Fe 2Fe f
Do le thorme dchantillonnage de Shannon :

Pour pouvoir reconstruire un signal analogique de bande frquentielle limite Fmax partir
de ses chantillons il faut que la frquence d'chantillonnage Fe soit suprieure 2 fois la
frquence maximale :
Fe > 2Fmax
90
Restitution dun signal correctement chantillonn
Raisonnons dans le domaine frquentiel :

comment obtenir le spectre du signal original partir du spectre du signal chantillonn ?
En filtrant le signal chantillonn avec un filtre passe-bas idal HL(f)
X R ( f ) = X e ( f ).H L ( f )
X(f)
0 Fmax f
Xe(f)
-Fe 0 Fmax Fe f
HL(f)
-fc 0 fc f
XR(f)
0 Fmax f
91
Thorme dchantillonnage de Shannon
On comprend que la restitution du signal analogique nest pas possible dans le cas
suivant. Aucun filtre ne peut permettre de revenir au motif spectral original.
Xe(f)
-2Fe -Fe 0 Fmax Fe 2Fe f

92
Echantillonnage rel
X(f)
0 f
Xe(f) Avec repliement

(aliasing)
-Fe 0 Fmax Fe f
Xe(f)xHG(f) HG(f)
Filtre analogique
antirepliement
0 Fe/2 f
Avant chantillonnage, on annule
le spectre pour les frquences Sans
suprieures Fe/2 Xeg(f)
repliement
-Fe 0 Fe/2 Fe f
93
Echantillonnage rel
Tout signal physique est par dfinition dure finie Td

On peut le modliser par
x(t)=x(t) . rect(t/Td)
Sa transforme de Fourier montre que ce type de signal ne peut tre

simultanment bande limite
Le spectre de ce type de signal ne prsente pas de frquence maximale.

Il y aura donc toujours plus ou moins de repliement de spectre.
Solution : utilisation, avant chantillonnage d'un filtre analogique

antirepliement (HG(f), hG(t)) dont la fonction est de rendre le spectre
nulle pour les frquences suprieures Fe/2
94
Choix pratique de la frquence dchantillonnage
Il est indispensable davoir une bonne ide de la gamme de frquence

que contient le signal
Surchantillonner le signal de 10 100 fois Fmax pour visualiser le signal

Choisir ensuite une frquence d'chantillonnage adapte:
visualisation Fe=5..20 Fmax
optimisation du nombre dchantillons Fe>=2 Fmax
traitement numrique Fe=3..10 Fmax
Dans tous les cas, Fmax doit tre significatif.

Choisir explicitement un seuil damplitude sur le spectre (exemple -40dB
de lamplitude maximale)
Garder toujours lesprit que lchantillonnage en dessous de la

frquence limite de Shannon provoque du recouvrement quaucun
traitement ne pourra effacer.
Cas particulier des signaux bande troite
95
Quantification
Il est ncessaire de quantifier les valeurs de lamplitude du signal lors

de la phase de cration du signal numrique (suite de nombres )
Chaque valeur d'amplitude est choisie parmi un ensemble fini de valeurs

possibles
Le mode de quantification uniforme est le plus rpandu. On subdivise la

plage totale de conversion en n intervalles d'gale amplitude.
96
Transforme de Fourier des signaux discrets

97
RAPPELS PRELIMINAIRES
+ +

TF
a : T (t )
On = (t nTe ) e fe ( f ) fe
f= ( f nf e )
e
n = n =
Te (t ) : Peigne de Dirac de priode Te f e ( f ) : Peigne de Dirac de priode fe = 1/Te
TF
... ...
... ...
-Te 0 Te 2Te t -2fe - fe 0 fe 2fe f
Echantillonnage d'un signal continu s(t) la priode Te = 1/fe se(t)
se (t ) = s(t )Te (t )
Donc Se ( f ) f eS ( f ) f e ( f )
= Priodisation de la
TF fe
98
Echantillonnage d'un signal continu s(t) TF priodique

S(f )
s(t)
t 0 f
TF

Se(f )
se(t)
... ...
t
0T 0 fe f
99
Proprit duale : chantillonnage de la TF S(f) la frquence fe Sef(f)
Sef ( f ) = S ( f ) f e ( f ) avec fe ( f ) : Peigne de Dirac de priode fe
TF
(t ) Te s(t ) Te ( f )
sef= S ( f ) f e ( f ) Priodisation du signal Te = 1/fe
S(f )
s(t)
t 0 f
TF
s e f (t)
Sechf(f)
Te t 0 fe f
100
TRANSFORME DE FOURIER DE SIGNAUX DISCRETS
Dfinition de la transforme de Fourier dun signal discret

S (f )
s[n]
TF

... ...
0 1 2 i n f
0 1
Transforme de Fourier dun signal temps discrets (TFTD)
+
S( f ) = s[n ]e j 2 fn Transforme de Fourier
n =
s[n ] = S ( f )e j 2 fn df Transforme de Fourier inverse

1
Proprits fondamentales
La transforme de Fourier d'un signal discret est continue et priodique, de priode 1
Le signal discret est dcompos en une intgrale finie d'exponentielles discrtes
101
PRINCIPALES PROPRITS DE LA TRANSFORME DE FOURIER DUN
SIGNAL TEMPS DISCRETS
Proprits trs proches de celles de la transforme de Fourier continue

Diffrences lies la priodicit de la transforme de Fourier temps discrets
102
PRINCIPALES TRANSFORMES DE FOURIER DE SIGNAUX
TEMPS DISCRETS
103
Transforme de Fourier discrte : DFT et FFT

104
TRANSFORMEE DE FOURIER DISCRETE
Echantillonnage d'une priode de la TF sur N points priodisation du signal

s[n] N points
N points
S(k/N) 1 priode
TF

n 0 f
0 N-1 1
Transforme de Fourier discrte (DFT)
on ne garde qu'une priode (N points) du signal et de la TF
Laxe des frquences de la TF est normalis de 0 N-1
sP[n] S[k]
0 N-1 n 01 N-1 k
La DFT peut donc toujours tre vue comme lchantillonnage sur N points de la TF
priodique et continue d'un signal discret dfini sur N points.
S [k ] = S ( f ) f = k / N pour k = 0, N-1
105
Transforme de Fourier discrte (DFT)

N 1 2
j kn
S [k ] = s[n]e N DFT
n =0
N 1 2
1 j
kn
s[n ] =
N k =0
S [k ]e N DFT inverse
Proprits fondamentales
La DFT (et son inverse) sont discrtes et priodique, de priode N
La DFT (et son inverse) correspondent une somme finie d'exponentielles discrtes:
la DFT (et son inverse) peuvent donc se calculer numriquement en machine
Implantation efficace de la DFT si N est une puissance de 2 : algorithme de FFT
Ne pas oublier
s[n] S[k]
DFT
0 N-1 n 01 N-1 k
106
PROPRITS DE LA TRANSFORME DE FOURIER DISCRETE
Proprits particulires lies la priodicit implicite du signal et de la transforme
Exemple: dcalage temporel dun signal s[n] dfini sur N points
Dcalage
s[n] de n0 s[n-n0]
0 n 0 n0 n
Dcalage du signal s[n] associ la DFT S[k] Dcalage circulaire sur N points
sP[n] S[k]
DFT
0 N-1 n 01 N-1 k
Dcalage sP[n-n0]
de n0 Notation: dcalage
circulaire de n0 sur
N points
n
x[( n n0 ) N ]
0 N-1
107
PROPRITS DE LA TRANSFORME DE FOURIER DISCRETE
108
Exemple : DFT sous Matlab

my_signal = [1 0.9 0.7 0.4 0];
my_DFT = fft(my_signal);
Module de la DFT
stem( abs(my_DFT) ); 3
2.5
stem( angle(my_DFT) );
2
1.5
s[n] 1
1
0.5
0.8
0
0.6
DFT -1 0 1 2 3 4 5
0.4 Phase de la DFT

3
0.2
2
0
1
-5 0 5 10
0
-1
-2
-3
-1 0 1 2 3 4 5
109
DFT : ZERO-PADDING (AJOUT DE ZEROS)
s[n] : signal discret de N points

S (f )
TFTD
s[n]

... ...
0 n 0 1 f
DFT directe: application de la DFT un tableau de N points
chantillonnage de S(f) sur N points
s[n] N points
S(k/N) 1 priode
DFT

0 N-1 n 0 1 f
Echantillonnage de S(f) sur M > N points

s[n] M points
S(k / M)
DFT

0 N-1 n f
0 1
Intrt pratique : en rajoutant les zros au signal discret on peut donc choisir deffectuer une
DFT sur un nombre M de points quelconque et donc choisir lchantillonnage de la TF continue
du signal discret s[n]
110
Zero-padding et DFT sous Matlab

my_first_signal = [1 0.9 0.7 0.4 0];
wanted_length = N; % N = 5, 10 or 50
nb_zeros_to_add = wanted_length - length(my_first_signal);
my_signal = [ my_first_signal zeros(1, nb_zeros_to_add) ];
module_DFT = abs( fft(my_signal) );
s[n] s[n] s[n]
1 1 1
0.8 0.8 0.8
0.6 0.6 0.6
0.4 0.4 0.4
0.2 0.2 0.2
0 0 0
-5 0 5 10 -5 0 5 10 0 10 20 30 40 50
N=5 N=10 N=50

S[k] DFT DFT
3 3 3
2.5 2.5 2.5
2 2 2
1.5 1.5 1.5
1 1 1
0.5 0.5 0.5
0 0 0
-1 0 1 2 3 4 5 0 2 4 6 8 10 0 10 20 30 40 50
111
S[k]
3
Zero-padding et DFT sous Matlab
2.5
2
1.5
1
my_signal = [1 0.9 0.7 0.4 0];
0.5
module_DFT = abs( fft(my_signal) ); 0
module_DFT = abs( fft(my_signal, 10) ); -1 0 1 2 3 4 5
module_DFT = abs( fft(my_signal, 50) ); DFT sur 10 points

3
2.5
2
s[n]
1 1.5
1
0.8
0.5
0.6
0
0.4 0 2 4 6 8 10
0.2
DFT sur 50 points
0 3
-5 0 5 10 2.5
2
1.5
1
0.5
0
0 10 20 30 40 50
112
R
s(t) S(f )
E t f
S
0
U
M
E
se(t) . . . ... Se(f )
0 Te t fe f
0
D
E
. . .
S
s[n] ... S(f )
T
R 0 1 i n 0 1 f
A
N N points
N points
S s[n]

1 priode
F S(k/N)
O
R 0 N-1 n 0 1 f
M
E
E s[n]
S
DFT
S[k]
0 N-1 n 01 N-1 k
113
Exemple pratique dapplication
On dsire tudier le spectre dun signal continu en l'chantillonnant et en utilisant un

circuit spcialis permettant d'effectuer une FFT. On sait que:
La frquence maximum contenue dans ce signal est infrieure 2,5 kHz.
On dsire tudier son spectre avec une rsolution maximum de 5 Hz.
Quelles conditions dacquisition faut-il utiliser ?

Frquence d'chantillonnage minimum fe min ?
On choisit finalement dchantillonner 10 fois la frquence d'chantillonnage minimum.
Quelle sera la dure D de l'acquisition ?
Quel est le nombre N de points dchantillonnage du signal ?

Quel est le nombre de points de la TFD si on veut optimiser les performances de la FFT?
114
115
116
117
118
Filtrage linaire des signaux

119
Filtrage - Exemples
Filtrage du son ralis par un bouchon doreille
Le filtrage ralis par le bouchon doreille dpend de son positionnement

120
Filtrage- Exemples
Filtre analogique : rponse du filtre dentre dun rcepteur VHF 144MHz
Antenne de rception (bande des 2 mtres )
Rcepteur dondes radio

VHF 144MHz
Zoom sur le filtre dentre 144MHz
Rponse en frquence du filtre passe-bande dentre,

centr sur 144MHz
121
Filtrage- Exemples
Filtre de rjection (coupe bande) autour de 144MHz
Objectif : amliorer la rception des signaux de provenant de satellites

mtorologiques (137-138MHz) qui sont perturbs par les radios
amateurs VHF 144MHz.
Filtre analogique LC
Rponse en frquence du filtre coupe-bande centr sur 144MHz

122
Filtrage- Exemples
Filtre 3 voies pour enceintes audio HIFI
Objectif : filtrer le signal sonore pour ladapter chacun

des 3 haut-parleurs : aigu (HF, filtre passe-
haut), mdium (MF, filtre passe-bande) et grave
(LF, filtre passe-bas)
Enceintes HIFI 3 voies
Filtre 3 voies 24 dB/octave

123
Dfinitions
Lopration de filtrage permet de modifier les amplitudes des

composantes frquentielles dun signal
Un filtre linaire est dfini comme un systme linaire et invariant en temps

Le filtre est dfini par sa rponse impulsionnelle h(t) ou son gain complexe H(f)
La rponse frquentielle H(f) est la transforme de Fourier de rponse impulsionnelle h(t)
Le signal filtr est le rsultat de la convolution entre le signal et la rponse impulsionnelle h(t)
Exemple du module de la rponse Exemple du module de la rponse

frquentielle dun filtre passe-bas. frquentielle dun filtre passe-bande.
Frquence de coupure 10kHz. Frquence de coupure 8 et 11kHz.
124
Filtre passe-bas idal
Domaine temporel ou domaine frquentiel ?

Lutilisation des filtres se fait plutt dans le domaine temporel (convolution)
La synthse se fait plutt dans le domaine frquentiel (gain en frquence, gabarit du filtre)
Filtre passe-bas idal :
H ( f ) = rect (
f =
) h (t ) =
TF 1
{H ( f )} 2 fc sin c(2 fct )
2 fc
2fc
1
1/2fc
-fc fc f t
Gain en frquence Rponse impulsionnelle

125
Filtres numriques
Synthse dun filtre numrique Rponse Impulsionnelle Finie (RIF)

Exemple de la synthse dun filtre passe bas par la mthode des fentres
Filtre passe-bas idal de

Rponse impulsionnelle
frquence de coupure fc
TFTD inverse
-fc fc
H ( f ) = rect (
f sin(2 nf c )
) h[n] =
2 fc n
Mais le filtre numrique est de longueur infinie..
Il faut tronquer la rponse impulsionnelle en ne conservant que M chantillons

Cela revient la multiplier par une fentre rectangulaire
Cela revient donc convoluer la rponse frquentielle du filtre idal par un sinus cardinal
Synthse des filtres RIF ralisables en pratique : 126
mthode des fentres
La troncature de la rponse impulsionnelle introduit des ondulations sur

le gain en frquence. Le filtre passe bas nest plus idal
Rponse frquentielle dun filtre de longueur 101, 21, et 7 chantillons

pour un filtre de frquence de coupure fc=0.23
127
M=101
M=21
M=7
128
Filtrage numrique. Classification des filtres
Classification des filtres :

Filtres Rponse Impulsionnelle Finie (RIF)
M
=
Forme gnrale RIF : y n [ ] bk x [ n k ]
k =0
Filtres Rponse Impulsionnelle Infinie (RII)

N M
Forme gnrale RII : y[n] = ak y[n k ] + bk x[n k ]
k =1 k =0
Classification des ralisations:
Ralisation transversale ou non rcursive
Ralisation rcursive
Ralisation par TF discrte
La transforme en z est un outil mathmatique trs utile pour la synthse des

filtres numriques
129
Filtres numriques ralisables en pratique
Etudes des filtres Rponse Impulsionnelle Finie (RIF)
Rponse impulsionnelle entirement dfinie par une un nombre fini dchantillons
Principales proprits des filtres RIF :

- ces filtres sont toujours stables
- leur rponse frquentielle peut prsenter une phase linaire
- la dure du rgime transitoire est limite la dure de la rponse impulsionnelle
- pas de propagation des erreurs de calcul (programmation non rcursive)
- faiblesse : pour amliorer les performances du filtre on peut tre amen
augmenter le nombre dchantillons
3 principales mthodes de synthse de filtres RIF :

Mthode des fentres (FIR1 en Matlab)
Mthode de l'chantillonnage en frquence (FIR2 en Matlab)
Mthode de synthse de filtre optimal (REMEZ en Matlab)
130
Filtrage numrique
Utilisation des filtres RIF dans le domaine temporel : convolution numrique
Soit le filtrage du signal numrique x[n] par le filtre de rponse impulsionnelle h[n]
Soit x[n] : x[0]=10, x[1]=7, x[2]=5, x[3]=12, x[4]=3, et x vaut 0 ailleurs
Et h[n] : h[-1]=1/3, h[0]=1/3, h[1]=1/3, et h vaut 0 ailleurs (filtre non causal)
Soit y le signal rsultant du filtrage de x par h. y est obtenu par la convolution de x par h

Calcul de y[n] y [=
n] x [k ] h [n k ]
k =
131
Filtrage numrique
4
Rsultat du filtrage de x par h pour notre cas : y [ n=] x [ k ] h [ n k ] pour n de -1 5
k =0
y : 1/3(10 17 22 24 20 15 3)
X
Analyse frquentielle :
132
Etude du filtre moyenneur
Moyenneur : filtre numrique simple, moyenne glissante sur M points
M 1
1
Relation entre-sortie
(filtre causal)
=y [ n] x [n k ]
M k =0
Cas du moyenneur temporel sur 3 points :

Rponse impulsionnelle correspondante : h[n]= 1/3 pour n de 0 2, h[n]=0 ailleurs
M 1
1
=h [ n] [n k ]
M k =0
1
Rponse frquentielle, TF de la rponse impulsionnelle : H ( f=
) (1 + 2 cos 2 f )
3
H(f)
133
Etude du filtre moyenneur, moyenne glissante, running average filter
Filtrage du signal constitu de la somme dune rampe continue et dun

signal sinusoidal la frquence 1/8
Comparaison du signal filtr avec un moyenneur sur 3 points et un moyenneur sur 7

points
134
Exemple du filtrage dune image.

Le filtre sera appliqu successivement sur chaque ligne de limage
Exemple de la ligne n 40. Cest un signal

135
Exemple du filtrage de la ligne n 40 par un filtre moyenneur causal sur 11 points
Exemple du filtrage de la ligne n 40 par un filtre moyenneur non causal sur 11 points
Noter le dcalage spatial et lamplitude du rsultat

136
Rsultat sur limage complte du filtrage par un filtre moyenneur non causal sur 11 points
Le filtre a t appliqu dabord sur les lignes puis sur les colonnes
Lamplitude du rsultat a t recalcule pour occuper toute lchelle des niveaux de gris
137
Comment liminer une composante sinusodale de frquence 1/11 superpose limage

On applique un filtre moyenneur de 11 points sur les lignes
Image avant et aprs filtrage.

Noter la suppression de la composante sinus mais aussi llargissement des motifs
Dtail dune ligne

138
Filtres numriques ralisables en pratique
Etudes des filtres Rponse Impulsionnelle Infinie (RII)

N M
Forme gnrale : y[n] = ak y[n k ] + bk x[n k ]
k =1 k =0
Le problme est de trouver les coefficients du filtre ak et bk pour que le filtre soit causal et stable
et respecte au plus prs le gabarit frquentiel.
Spcificits des filtres RII

- peuvent tre obtenus par transposition d'un filtre continu
- peuvent tre obtenus avec un petit nombre de coefficients
- mise en uvre rcursive
- peuvent tre instables
- la rponse frquentielle peut prsenter une phase non linaire
- une bonne prcision de calcul est ncessaire pour viter la propagation des erreurs
Principales mthodes de synthse de filtre IIR:

Transposition du filtre analogique en filtre numrique
Mthode de l'invariance impulsionnelle
Equivalence la drivation
Equivalence l'intgration : transformation bilinaire
139
Filtres numriques ralisables en pratique. Filtres RII
Exemple du filtre RII dfini par son quation entre-sortie : [ n] 0.8 y [ n 1] + 5 x[n]
y=
Calcul de la rponse impulsionnelle :

calcul de la sortie lorsque lentre est un dirac [n]
on suppose que lentre est nulle avant linstant de dpart
on suppose que la sortie est nulle avant linstant de dpart
Rsultat du calcul :
h [ n] =
5 (0.8) n u[n]
Avec u[n], lchelon unit
La transforme en Z est trs utile

pour ce calcul dans le cas gnral
140
Filtres numriques ralisables en pratique. Filtres RII
Exemple du filtre RII dfini par son quation entre-sortie : [ n] 0.8 y [ n 1] + 5 x[n]
y=
Calcul de la rponse du filtre pour le signal dentre x[n]

x[n] = 2[n] - 3 [n-1] +2 [n-3]
y[0] = 0.8y[-1]+5x[0] = 0.8(0) + 5(2) = 10

y[1] = 0.8y[0]+5x[1] = 0.8(10) + 5(-3) = -7
y[2] = 0.8y[1]+5x[2] = 0.8(-7) + 5(0) = -5,6
y[3] = 0.8y[2]+5x[3] = 0.8(5,6) + 5(2) = 5,52
y[4] = 0.8y[3]+5x[4] = 0.8(5,52) + 5(0) = 4,416
.
Ensuite la sortie est proportionnelle (0,8)n
Noter la possible propagation des erreurs de calcul

Noter le petit nombre de coefficients pour dfinir le filtre (2)
141
Filtres numriques ralisables. Exemple du filtre passe-bas du 1er ordre
Filtre numrique quivalent au

filtre RC analogique passe bas :
[ n=
] ay [ n 1]
Relation entre-sortie de ce filtre linaire
caractris par lquation aux diffrences suivante : y x[n] avec a <1
On dduit la rponse impulsionnelle

par calcul de la rponse [n] ou avec h [ n ] = a nu [ n ] avec u [ n ] l ' chelon unit
la transforme en Z
Calcul de la rponse frquentielle

TFTD ou proprits de la TZ
1
H( f )=
1 ae j 2 f
142
Les fentres de pondration

143
Fentres de pondration
Pour traiter ou analyser un signal, on est amen limiter sa dure.

La transforme de Fourier du signal 'tronqu' n'est alors qu'une approximation de la
transforme de Fourier du signal de dpart.
Il est important de faire un choix raisonn de la fentre de pondration w(t) qui est
utilise pour limiter la dure du signal.
Modlisation
Dans le domaine temporel : x w (t ) = x(t ) w(t )
Devient dans le domaine frquentiel : X w( f ) = X ( f ) *W ( f )
La fentre quon utilise intuitivement est la fentre rectangulaire qui permet simplement
de garder les chantillons du signal sur une dure fixe sans modifier leur amplitude.
Le spectre du signal tronqu est donc convolu (en frquence) par la TF du rectangle
cest dire un sinus cardinal
144
Analyse dun signal sinus de frquence 100Hz, chantillonn 1000Hz

et limit L=64 chantillons
sin( Lf )
f ) ( f f0 ) *
X (=
x[n] exp( j 2 f 0 n) rect (n / L) sin( f )
largissement du pic thorique cause

de la convolution par le sinus cardinal
En chelle log ::
145
Paramtres frquentiels caractristiques des fentres de pondration:

- Largeur du lobe principal rsolution frquentiel
- Amplitude du 1er lobe secondaire rsolution dynamique
- Pente de dcroissance des lobes secondaires rsolution dynamique
146
Diverses fentres ont t inventes dans le but de limiter les oscillations dans les
lobes secondaires et rduire la largeur du lobe principal
Fentres de Hamming gnralises:
t 2t
wH (t ) = rect ( ) + (1 ) cos( )
T T
T (1 )
WH ( f ) = Tsinc(Tf ) + [sinc(Tf + 1) + sinc(Tf 1)]
2
Avec =1 fentre rectangulaire

=0,54 fentre de Hamming
=0,5 fentre de hanning
Fentres triangulaire ou Bartlett

Fentre parabolique
Fentre cosinusodale
Fentre de Blackmann
Fentre de Kaiser
147
Comparaison des fentres de pondration
Comparaison des diffrentes

fentres de pondration
dans le domaine temporel
et le domaine frquentiel
148
Comparaison des fentres de pondration
Analyse dun signal constitu de la somme de 2 sinus chantillonns 4000Hz sur 200 points
Rectangle
Hamming
149
Analyse temps frquence des signaux
Philippe Delachartre Didier Vray INSA-Lyon

Introduction
Espace de reprsentation
Evolution temporelle
Regarder sous un autre angle
Choix de l'espace de reprsentation dcision
la dtection
l'estimation
la classification
la reconnaissance
150
Exemple introductif
Signal 1 : somme de deux sinus f1=0,1 et f2=0,2

Signal 2 : sinus avec rupture de frquence f1=0,1 et
f2=0,2
SIGNAL 1
SIGNAL 2
151
TEMPS FREQUENCE
Le plan temps-frquence
Domaine temporel ------------ domaine frquentiel
Dans le spectre : information dlocalise en temps
Signal dure limite et signal bande limite
Ingalit d'Heisenberg-Gabor :
1
t . f
4
Pour une gaussienne BT 1/2
152
Grandeurs locales : amplitude et
frquence instantanes
Notion de spectre instantan ou de frquence localise
dans le temps
Exemple de la porte en musique

Le temps est indiqu horizontalement
La frquence est indique verticalement
Toutefois, laxe des temps et des frquences ont une

rsolution fixe
153
Reprsentation temps-frquence
Vers une reprsentation temps-frquence (RTF)
Tx ( t , f )
Reprsentation schmatique de ce qui est souhaitable
f f
exp(j2f0t)
(t-t0) f0
t t
t0
f f
Exp(j2t/2)
exp(-t)

154
t t
Transforme de Fourier Court Terme (TFCT)
TFCT du signal x(t) dfinie par :

+
TFCTx(t,f;h)= x()h*(t)e j2fd

Interprtation :
+
x t()=x()h*(t) TFCTx(t,f;h)=X t(f)= x t()e j2fd

TF locale au voisinage de t.
Autre dfinition :
+
X t(f)=X(f)H*(f)e j2ft
= X()H*(f)e j2(f)td

+
TFCTx(t,f;h)=e j2tf
X ( ) H*( f )e d
j2t
TFCT obtenue en filtrant x(t) par un filtre passe-

bande de rponse frquentielle H*(-f) centr sur f 155
Rsolution en temps et en frquence

x1(t)=(tt0)
+
TFCTx 1 (t,f;h)= (t0)h*(t)e j2fd=e j2t0f h*(t0 t)

f
h(t)
t0 t
156
x2(t)=e j2f0t
+
TFCTx 2 (t,f;h)= (f0)H*(f)e j2(f)td=e j2(f0 f)t H*(f0 f)

f0 H(f)
Compromis entre rsolution en temps et en frquence

exprim par lingalit d'Heisenberg-Gabor.
157
Transforme en ondelettes
Reprsentation temps-chelle continue :
+
Tx(t,a)= x(s)h*ta(s)ds avec h*ta(s)= 1 h(st )
a a
Reprsentation Temps-Frquence pour a = f / f0

Pavage dyadique
Interprtation : filtres Q-constant (Q = f0 / B)

f
t 158
Reprsentations temps-frquence bilinaires
Distribution dnergie
+ +
Energie de x(t) : Ex = x(t) dt= X(f) df
2 2

2 2
x ( t ) et X ( f ) : densits dnergie respectivement
temporelle et spectrale.
Rechercher une grandeur mixte Tx ( t , f) qui sera

une densit conjointe telle que :
++
Ex = Tx(t,f)dtdf

Le spectre instantan Tx ( t , f ) est cens
dployer lnergie du signal
Deux contraintes naturelles :

+ +
Tx(t,f)dt= X(f) =Px(f) et Tx(t,f)df = x(t) =px(t)
2 2
159

Spectrogramme
Le Sonagraphe
Le principe peut tre modlis

2
ainsi :
+
Sx(t,f;h)= X()H*(f)e j2t d

Spectrogramme ou sonagramme donc aussi :

+ 2
Sx(t,f;h)= x()h*(t)e j2fd

non ngatif et valeur relle
Choix de la fentre danalyse
Le spectrogramme est le module carr de la TFCT
160
Effet de la longueur de la fentre
161
Distribution de Wigner-Ville (DWV)
Dfinition +
* j2 f
Wx , y ( t , f ) = x ( t + ) y ( t )e d

2 2
Proprits
Structure des interfrences

Soit : x ( t ) = x 1 ( t ) + x 2 ( t ) avec x1 ( t ) = x 0 ( t t 1 )e j2 f1t
et x 2 ( t ) = x 0 ( t t 2 )e j2 f 2 t
Les termes dinterfrences sont localises autour

t1 + t 2 f1 + f 2
du temps t 12 = f
et de la frquence 12 =
2 2
162
La frquence des oscillations est f1 f 2 dans la
direction du temps et la frquence des oscillations
est t 1 t 2 dans la direction de la frquence
direction des
f oscillations
Wx2(t,f)
Ix1,x2(t,f)
1/(f1-f2) (t2,f2)
Wx1(t,f)
1/(t1-t2)
(t1,f1)
t 163
164
165
166
Programming in Matlab
Denis Friboulet Didier Vray INSA-Lyon

167
Overview of the MATLAB Environment
The Matlab system consists of these main parts :

MATLAB is an interactive system whose basic data element is an array that does not
require dimensioning
It allows you to solve many technical computing problems, especially those with matrix
and vector formulations
The name MATLAB stands for matrix laboratory
MATLAB features a family of add-on application-specific solutions called toolboxes.

Toolboxes are comprehensive collections of MATLAB functions (M-files) that extend the
MATLAB environment to solve particular classes of problems
For example : signal processing, image processing, DSP, Optimization, control systems,
neural networks, fuzzy logic, wavelets, simulation, and many other areas.
168
Overview of Matlab environment :

Desktop Tools and Development Environment
Many of these tools are graphical user interfaces. It includes:
the MATLAB desktop
command Window,
an editor and debugger,
a code analyzer,
browsers for viewing help,
the workspace,
and files, and other tools.
Mathematical Function Library

A vast collection of computational algorithms ranging from elementary functions, like sum,
sine, cosine, and complex arithmetic, to more sophisticated functions like matrix inverse,
matrix eigenvalues, Bessel functions, and fast Fourier transforms
The Language
The MATLAB language is a high-level matrix/array language with control flow statements,
functions, data structures, input/output, and object-oriented programming features.
169
Overview of Matlab environment :

Graphics
MATLAB has extensive facilities for displaying vectors and matrices as graphs, as well as
annotating and printing these graphs. It includes high-level functions for two-dimensional
and three-dimensional data visualization, image processing, animation, and presentation
graphics
External interface
The external interfaces library allows you to write C and Fortran programs that interact
with MATLAB. It includes facilities for calling routines from MATLAB (dynamic linking), for
calling MATLAB as a computational engine, and for reading and writing MAT-files
170
Matlab Documentation
To view the online documentation, select Help menu then Product Help in Matlab.
The Help command provides information about any Matlab function

Example >> help filter
A useful command for getting started is >> intro
There are many demonstration programs that illustrate the capabilities of Matlab.
These can be started with the command >> demo
You can also download from the Matlab website the pdf version of the
documentation: getstartwithMatlab.pdf which is the main source of this lesson
On the Matlab website you will find several forum of discussion and the possibility
of exchanging .m files with Matlab users.
171
Starting a Matlab session
The desktop
When you start MATLAB, the desktop appears, containing tools (graphical user interfaces)
for managing files, variables, and applications associated with MATLAB
172
Matrix and arrays
About matrix
In the MATLAB environment, a matrix is a rectangular array of numbers. Special
meaning is attached to 1-by-1 matrices, which are scalars, and to matrices with
only one row or column, which are vectors.
think of everything as a matrix
Where other programming languages work with numbers one at a time, MATLAB
allows you to work with entire matrices quickly and easily
Albrecht Durer magical square matrix :

173
Matrix and arrays
Entering matrix
To enter Drers matrix, simply type in the Command Window
A = [16 3 2 13; 5 10 11 8; 9 6 7 12; 4 15 14 1]
Separate the elements of a row with blanks or commas.

Use a semicolon ; to indicate the end of each row.
Surround the entire list of elements with square brackets [ ]
MATLAB displays the matrix you just entered:

A=
16 3 2 13
5 10 11 8
9 6 7 12
4 15 14 1
Once you have entered the matrix, it is automatically remembered in the MATLAB
workspace. You can refer to it simply as A.
>> A
Note that semicolon ; at the end of a Matlab command does not display its result
>> A; %does not display the matrix
Text placed after % in a command line is not interpreted
174
Matrix and arrays
special properties of a magic square : summing its elements.

If you take the sum along any row or column, or along either of the two main diagonals,
you will always get the same number. Let us verify that using MATLAB.
>> sum(A)
MATLAB replies with
ans =
34 34 34 34
It is the sum along each column : Matlab has a preference for working with the
columns of a matrix
Note that when an output variable is not specified, MATLAB uses the variable ans,
short for answer
One way to get the row sums is to transpose the matrix

>> sum(A')'
MATLAB replies with
ans =
34
34
34
34
175
Matrix and arrays
The apostrophe operator (e.g., A') performs a complex conjugate transposition
It flips a matrix about its main diagonal, and also changes the sign of the imaginary
component of any complex elements of the matrix
The dot-apostrophe operator (e.g., A.'), transposes without affecting the sign of
complex elements.
>> sum(diag(A))
MATLAB replies with
ans = 34
For the antidiagonal :

>> sum(diag(fliplr(A)))
MATLAB replies with
ans = 34
fliplr stands for flip a matrix from left to right

176
Matrix and arrays
Subscripts :
The element in row i and column j of A is denoted by A(i,j)
>> A(1,4) + A(2,4) + A(3,4) + A(4,4)
MATLAB replies with
ans = 34
To use the value of an element outside of the matrix, it is an error:

>> t = A(4,5)
Index exceeds matrix dimensions
Conversely, if you store a value in an element outside of the matrix, the size increases
to accommodate the newcomer:
>> X = A;
X(4,5) = 17
MATLAB replies with
X=
16 3 2 13 0
5 10 11 8 0
9 6 7 12 0
4 15 14 1 17
177
Matrix and arrays
It is also possible to refer to the elements of a matrix with a single subscript, A(k)
In which case the array is regarded as one long column vector formed from the
columns of the original matrix.
A(8) is another way of referring to the value stored in A(4,2). Matlab replies with 15
The Colon Operator

1:10 is a row vector containing the integers from 1 to 10:
1 2 3 4 5 6 7 8 9 10
To obtain non unit spacing, specify an increment. For example, 100:-7:50 is

100 93 86 79 72 65 58 51
0:pi/4:pi is 0 0.7854 1.5708 2.3562 3.1416

178
Matrix and arrays
The Colon Operator

Subscript expressions involving colons refer to portions of a matrix:
>> sum(A(1:4,4)) computes the sum of the fourth column
Tricks :
The colon by itself refers to all the elements in a row or column of a matrix
sum(A(:,4 )) computes the sum of the fourth column
end refers to the last row or column, so

sum(A(:,end )) computes also the sum of the fourth column
B = magic(4) produces (magic is a Matlab built-in function):

B = 16 2 3 13
5 11 10 8
9 7 6 12
4 14 15 1
To produce the same matrix as Drer painting, column 2 and 3 have to be exchanged :
>> A = B(:,[1 3 2 4])
179
Expressions
Variables
Matlab does not require any type declarations or dimension statements.
When Matlab encounters a new variable name, it automatically creates the variable and
allocates the appropriate amount of storage.
If the variable already exists, Matlab changes its contents and, if necessary, allocates
new storage.
MATLAB is case sensitive
Tricks :
Choose long variable name
180
Expressions
Numbers
Some examples of numbers are :
3 -99 0.0001
9.6397238 1.60210e-20 6.02252e23
1i -3.14159j 3e5i
All numbers are stored internally using the long format specified by the IEEE floating-
point standard. Floating-point numbers have a finite precision of roughly 16 significant
decimal digits and a finite range of roughly 10-308 to 10+308
Tricks :
The section Avoiding Common Problems with Floating-Point Arithmetic gives a few of
the examples showing how IEEE floating-point arithmetic affects computations in Matlab
181
Expressions
Operators
Expressions use familiar arithmetic operators and precedence rules.
+ Addition
- Subtraction
* Multiplication
/ Division
\ Left division (described in Linear Algebra in the MATLAB documentation)
^ Power
' Complex conjugate transpose
( ) Specify evaluation order
Several special functions provide values of useful constants :

pi 3.14159265...
i Imaginary unit,
j Same as i
eps Floating-point relative precision,
realmin Smallest floating-point number,
realmax Largest floating-point number,
Inf Infinity
NaN Not-a-number
182
Working with matrix
MATLAB software provides four functions that generate basic matrices.

zeros All zeros
ones All ones
rand Uniformly distributed random elements
randn Normally distributed random elements
Examples :
>> Z = zeros(2,4)
Z=0000
0000
>> F = 5*ones(3,3)
F=555
555
555
>> N = fix(10*rand(1,10))
N=9264874084
>> R = randn(4,4)
R = 0.6353 0.0860 -0.3210 -1.2316
-0.6014 -2.0046 1.2366 1.0556
0.5512 -0.4931 -0.6313 -0.1132
-1.0998 0.4620 -2.3252 0.3792
183
Expressions
The load function

The load function reads binary files containing matrices generated by earlier Matlab
sessions, or reads text files containing numeric data.
The text file should be organized as a rectangular table of numbers, separated by

blanks, with one row per line, and an equal number of elements in each row.
The save function

The workspace does not persist after you end the MATLAB session. To save the
workspace to a file that can be read during a later MATLAB session, use the save
function which craetes a binary file called a MAT-file, which has a .mat extension.
>> save FILENAME X saves only X

>> save FILENAME X Y Z saves X, Y, and Z.
The wildcard '*' can be used to save only those variables that match a pattern
184
Expressions
M-files
You can create your own matrices using M-files, which are text files containing
Matlab code. Use the Matlab Editor or another text editor to create a file containing
the same statements you would type at the Matlab command line. Save the file
under name that ends in .m.
To execute the successive commands of the M-file, you have just to type the name
of the file after the Matlab prompt.
185
Arrays
Operators
The list of operators includes
+ Addition
- Subtraction
.* Element-by-element multiplication
./ Element-by-element division
.\ Element-by-element left division
.^ Element-by-element power
.' Unconjugated array transpose
Array operations are useful for building tables. Suppose n is the column vector
>> n = (0:9)';
>> pows = [n n.^2 2.^n] builds a table of squares and powers of 2:
pows = 0 0 1
1 1 2
2 4 4
3 9 8
4 16 16
5 25 32
6 36 64
7 49 128
8 64 256
9 81 512
186
Graphics
Creating a new Matlab figure

The command >> figure creates a new Matlab figure
The command >> figure (N) creates a new Matlab figure numbered N
Creating a Plot
The plot function has different forms, depending on the input arguments. If y is a
vector, plot(y) produces a piecewise linear graph of the elements of y versus the
index of the elements of y. If you specify two vectors as arguments, plot(x,y)
produces a graph of y versus x.
Example
x = 0:pi/100:2*pi;
y = sin(x);
plot(x,y)
xlabel('x = 0:2\pi') % The characters \pi create the symbol
ylabel('Sine of x')
title('Plot of the Sine Function','FontSize',12)
187
Graphics
Plotting Multiple Data Sets in One Graph

Multiple x-y pair arguments create multiple graphs with a single call to plot (colours
automatically cycle)
Example
x = 0:pi/100:2*pi;
y = sin(x);
y2 = sin(x-.25);
y3 = sin(x-.5);
plot(x,y,x,y2,x,y3)
legend('sin(x)','sin(x-.25)','sin(x-.5)')
The command >> figure creates a new Matlab figure

The command >> figure (N) creates a new Matlab figure numbered N
188
Graphics
Creating a Plot
The plot function has different forms, depending on the input arguments. If y is a
vector, plot(y) produces a piecewise linear graph of the elements of y versus the
index of the elements of y. If you specify two vectors as arguments, plot(x,y)
produces a graph of y versus x.
Example
x = 0:pi/100:2*pi;
y = sin(x);
plot(x,y)
xlabel('x = 0:2\pi') % The characters pi create the symbol
ylabel('Sine of x')
title('Plot of the Sine Function','FontSize',12)
189
Graphics
Specifying Line Styles and Colors

It is possible to specify color, line styles, and markers (such as plus signs or circles)
when you plot your data using the plot command:
190
Graphics
Placing Markers at Every Tenth Data Point

Example
x1 = 0:pi/100:2*pi;
x2 = 0:pi/10:2*pi;
plot(x1,sin(x1),'r:',x2,sin(x2),'r+')
Graphing Imaginary and Complex Data

When the arguments to plot are complex, the imaginary part is ignored except when you
pass plot a single complex argument.
plot(Z) where Z is a complex vector or matrix, is equivalent to plot(real(Z),imag(Z))
Example
t = 0:pi/10:2*pi;
plot(exp(i*t),'-o')
axis equal
191
Graphics
Displaying Multiple Plots in One Figure

The subplot command enables you to display multiple plots in the same window or
print them on the same piece of paper.
Typing subplot(m,n,p) partitions the figure window into an m-by-n matrix of small subplots
and selects the pth subplot for the current plot. The plots are numbered along the first
row of the figure window, then the second row, and so on.
Example
t = 0:pi/10:2*pi;
[X,Y,Z] = cylinder(4*cos(t));
subplot(2,2,1); mesh(X)
subplot(2,2,2); mesh(Y)
subplot(2,2,3); mesh(Z)
subplot(2,2,4); mesh(X,Y,Z)
Programming 192
Avoid For loops
For loops are inefficient in Matlab because overhead of interpreting the code
The process to convert For loop could be refferd to as vectorizing : convert in a matrix-
vector operation
It is often necessary to form a matrix by repeating one or more values throughout.
Example
x=[1 3 4 6 8 9 2 ] % x is a length-7 row vector
X=ones(10,1)*x % X is a 10x7 matrix
Conditional Control if, else, switch
Loop Control for, while, continue, break
Creating functions
Exercise
Explain the following lines of Matlab code
A=randn(6,3)
B=A>0;
A=A.*(A>0)
Write a new function which replace the negative element of the matrix A by -2
Test the following commands : A=randn(6,3)
xy=find(A>0.5)
find function returns the list of indices where a condition is true

Cours MEGA PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Cours MEGA PDF

Hochgeladen von

Copyright:

Verfügbare Formate

1

Traitement des donnes. De lacquisition

Didier VRAY, Denis FRIBOULET MASTER et cole Doctorale MEGA

Applications ou pour aller plus loin

Traitement du signal et applications

Denis Friboulet Didier Vray

volution de la rente 5% sous le consulat et le 1er empire

80 LAutriche attaque la Bavire

70 Dfaites en Espagne Dbut de la retraite

Victoire sur la Prusse Ina

10 Coup dtat du 18 brumaire

volution hebdomadaire du Dow Jones du 5 janvier 1929 au 4 janvier 1930

5 jan. 1929 4 jan. 1930

= 2d/c , c 1540 m/s (tissus biologiques)

Images ultrasonores: chographie intravasculaire

Images ultrasonores: chographie intravasculaire

Images cardiaques chographie ultrasonore et en IRM

Tomographie par rayonnement X synchrotron

Notion de systme de traitement :

Notion de domaine de reprsentation :

Signal de parole : analyse ?

Domaine de reprsentation : temps-frquence

Oprateur diffrentiel : [ 1 -1 ] Oprateur diffrentiel : [ 1 -1 ]

Image : Dtection de contours

Norme du gradient Seuillage

Dtection de contour par ensemble de niveau bas sur les statistiques

Dtection de contour par ensemble de niveau bas sur les statistiques

Visualisation : Rendu de volume par lancer de rayon

1. Intersection avec lobjet : Trac incrmental 2. Estimation de la normale lobjet : oprateur

3. Calcul de la lumire mise au point 4. Application des tapes 1, 2 et 3 l'ensemble

Joe Kniss, Utah

Opration lmentaires sur les signaux

Oprations de base sur les signaux:

f(t) f(t-t0) f(t+t0)

f[n] f[n-n0] f[n+n0]

Signaux pairs : invariance par retournement

f(-t) = f(t) f[-n] = f[n]

Signaux impairs : symtrie par retournement

f(-t) = - f(t) f[-n] = - f[n]

A : amplitude : phase f0 : frquence T0 : priode

Exponentielle complexe e j 2f 0t = cos 2f 0t + j sin 2f 0t

f0: vitesse de rotation

Exponentielles harmoniques f k (t ) = e j 2kf 0t , k Z

(t) C(t) (t-t0)

Laire du Dirac est "concentre" en un point

Dirac : Proprit x(t) (t) = x(0) (t) Dirac de poids x(0)

x(t) x(0) (t)

Dirac : Proprit x(t) (t-t0) = x(t0) (t-t0)

nergie et puissance moyennes dun signal continu s(t)

x[n] [n-n0] = x[n0] [n-n0] x[n ] [n n0 ] =

Sinusodes discrtes : cos 2f0n

A la diffrence du cas continu, la rapidit des oscillations naugmente pas continment

Mmes proprits que sinusodes (diffrence de comportement par rapport au

nergie et puissance dun signal discret s[n]

Les Systmes Linaires Invariants

Comment caractriser un systme ?

Reprsentation sous forme de schma bloc

e(t) s(t) s(t) = S{e(t)}

e[n] s[n] s[n] = S{e[n]}

Interconnections des systmes

Srie / Parallle Input + Systme 4 Output

ETUDE DE 2 PROPRIETES FONDAMENTALES (systme continu ou discret):

LINEARITE (Proprit de superposition)