COUR DE TRAITEMENT

DE SIGNAL

POUR 1ERE ANNÉE

MASTER GRT
GENIE RESEAU ET
TELECOMMUNICATION

Proposé et enseigné par

MATANGA Jacques

1
Chapitres 1: PROPRIÉTÉS ET ACQUISITION DES SIGNAUX SONORES ET
ACQUISITION ET REPRESENTATION DES IMAGES (suite)

PARTIE 2 : ACQUISITION ET REPRESENTATION DES IMAGES

Mathématiquement une image est une fonction f(x,y) des deux coordonnées d’un plan
d’étendue limitée. Généralement l’amplitude de f(x,y) est transcrite par un niveau d’une
échelle lumineuse (image monochrome) ou par la couleur d’une palette chromatique (image
couleur). Nous pouvons ainsi distinguer :

– les images naturelles d’une scène réelle 3D éclairée, obtenues à l’aide d’un dispositif
optique (œil, objectif photo...) ;

– les images « imaginaires » conçues selon l’art pictural ou par synthèse assistée par
ordinateur ;

– les images obtenues selon la technique Raster qui consiste à représenter un ensemble de
données sous la forme de points colorés ordonnés dans un plan.

Cette partie est consacré à l’obtention et à la représentation de l’image d’une scène 3D.
L’accent est mis sur la modélisation de la formation optique de l’image et à son exploitation à
des fins de mesure.

Le premier paragraphe rappelle les lois de la formation optique des images et les réglages
nécessaires à l’obtention d’une image nette.

La vision et la représentation des images couleur font l’objet du deuxième paragraphe.

Le troisième paragraphe décrit sous forme matricielle les différentes étapes qui permettent de
calculer la position d’un point image à partir des coordonnées tridimensionnelles du point
scène correspondant.

La calibration d’un système de prise de vue est présentée dans le dernier paragraphe. Elle est
illustrée par un exemple pratique.

Enfin la métrologie par l’image est abordée sous la forme de deux exercices d’application.

2.1 OBTENTION DES IMAGES RÉELLES

2.1.1 Formation optique des images

La formation d’images réelles d’une scène est obtenue à l’aide d’un système optique
convergent dont nous rappelons les règles élémentaires. Considérons les points objet et les
points-image formés par une lentille mince convergente (figure 2.1).

où f est appelée focale de la lentille.

2
Nous définissons le grandissement γ du système par :

Figure 2.1 Formation d’une image par une lentille mince convergente.

La condition pour obtenir une image nette est:

2.1.2 Réglages de l’optique

a) Adaptation de l’optique à la scène à observer

Le format du capteur d’image (rétine) et les dimensions de la scène à filmer sont supposés
connus. Le grandissement γ nécessaire pour observer la scène est par conséquent également
connu. Notons L la distance objet-capteur.

Détermination de p en fonction de γ et f

Détermination de p’en fonction de γ et f

Détermination de f en fonction de γ et L

3
b) Éclairement et ouverture

L’éclairement Ec d’une scène de surface S par un flux lumineux φ est défini par :

Si φ est en W alors Ec est en W/m2; si φ est en lumen alors Ec est en lux. Le tableau

2.1 fournit quelques niveaux d’éclairement rencontrés dans des situations courantes.

Le nombre d’ouverture N d’un objectif diaphragmé est défini par :N=f/D où D est

le diamètre actif de l’objectif. On montre que l’éclairement reçu par le capteur de l’image est
proportionnel à :

Remarque. Dans les caméras vidéo, un contrôle automatique d’exposition permet d’adapter le
temps d’intégration des éléments CCD ainsi que l’ouverture du diaphragme à la dynamique de
l’éclairement de la scène filmée.

c) Évaluation de la profondeur de champ

La profondeur de champ est la profondeur de scène pour laquelle l’image de chaque point est
caractérisée par une tache, ou cercle de confusion, ne dépassant pas un diamètre toléré e
(figure 2.2).

4
En vidéo, il est d’usage de considérer comme diamètre de confusion, la distance inter-pixels
de la matrice CCD (figure 2.3).

La profondeur de champ dépend de l’ouverture N, de e, de la focale f et de la distance p sur

laquelle est effectuée la mise au point. La profondeur de champ peut être déterminée
théoriquement comme suit:

Dans un premier temps, on détermine l’hyperfocale de l’objectif par :

Figure 2.2 Définition graphique de la profondeur de champ.

PPN: premier plan net ; DPN: dernier plan net ; PNI: plan net idéal (mise au point pour p).

Figure 2.3 Distance inter-élément d’un capteur d’image CCD.

Puis on évalue la profondeur, par rapport à l’objectif, des plans particuliers de la scène à
l’aide des relations suivantes :

5
Deux cas de figure peuvent être examinés:

➤A δ fixée

Calculons p− et p+ en fonction de différentes valeurs de p (tableau 2.2)

TABLEAU 2.2 PROFONDEUR DE CHAMP À δ FIXÉE.

Une mise au point sur δ offre la plus large profondeur de champ.

Remarque. Cette propriété est mise à profit dans les appareils photographiques bon marché
de type focus fixe qui possèdent un objectif dont la mise au point unique est réalisée sur δ.

➤A p fixée

Pour une mise au point sur une distance p fixée, plus δ est élevée et plus la profondeur de
champ est limitée. Par conséquent la profondeur de champ est d’autant meilleure que N est
élevé, e élevé et f faible.

Exemple. Dans le cas d’une caméra miniature présentant les caractéristiques suivantes :

f =4,3mm ; N=1,8; e=20µm, nous obtenons δ=557mm. Vérifier le calcul.

2.2 VISION ET REPRÉSENTATION DES IMAGES COULEURS

2.2.1 Colorimétrie

a) Perception des couleurs

La perception visuelle d’un stimuli lumineux peut être décomposée en deux sensations :

– une sensation lumineuse liée à l’intensité du stimuli observé ;

– une sensation colorée ou chromatique dépendant du spectre lumineux du stimuli.

Ces sensations sont transcrites au cerveau par les deux types de récepteurs visuels que
comporte la rétine :

6
– les bâtonnets adaptés à la vision des formes et du mouvement. Ils sont actifs dans des
conditions de faibles éclairements (vision scotopique) ;

– les cônes adaptés à la vision des couleurs et des détails dans des conditions d’éclairements
moyens à élevés (vision photopique ou en lumière du jour).

En conséquence, seuls les cônes sont responsables de la sensation colorée. La densité des
cônes est particulièrement élevée dans la zone centrale de la rétine appelée fovéa dont le
diamètre moyen est approximativement de 0,4 mm. En s’éloignant de la fovéa, la proportion
de bâtonnets augmente au détriment de celle des cônes qui sont pratiquement inexistants à la
périphérie de la rétine. La bande spectrale de lumière, visible par l’œil humain, s’étend en
longueur d’onde entre 380 nm et 780 nm. Pour analyser cette bande, 3 types de cônes de
sensibilité spectrale spécifique sont actifs.

b) Égalisation additive des couleurs – Lois de Grassmann

L’expérience de base de la colorimétrie consiste à réaliser l’égalisation des sensations

fournies par l’observation simultanée de deux plans colorés. Le premier est éclairé par un flux
lumineux de couleur X quelconque et d’intensité x. Le second éclairé par un mélange de 3
flux de couleur A, B, C dont on peut régler les intensités respectives a, b et c.

De cette expérience sont déduites les lois de Grassman sur la colorimétrie trichromatique :

– toute couleur peut être égalisée par la somme de quantité positive ou négative de

3 couleurs primaires (figure 2.4a) : xX= aA + bB + cC;

– l’addition d’une quantité y d’une couleur Y à chacun des deux plans conserve l’égalisation
: xX + yY = aA + bB + cC + yY;

– l’égalisation est associative : si xX = aA + bB + cC et xX = dD + eE alors aA + bB + cC =

dD+eE;

– un même facteur multiplicatif appliqué aux intensités des flux ne modifie pas l’égalisation.

7
Remarque. Un flux lumineux étant par nature d’intensité positive ou nulle, une égalisation
mettant en œuvre un coefficient d’intensité négatif, ne peut pas être réalisée en pratique. Dans
un tel cas l’égalisation sera obtenue sur un mélange entre la couleur X et le flux à soustraire
(figure 2.4b) : xX + aA = bB + cC.

c) Synthèse tri-chromatique des couleurs

La première loi de Grassman montre qu’une couleur quelconque peut être représentée dans
une base formée par trois couleurs primaires. Bien que pouvant être arbitraire, le choix de ces
primaires est primordial si l’on veut obtenir une grande étendue d’égalisation. En pratique les
primaires sont monochromatiques et éloignées les unes des autres. Le trio optimal, qui assure
l’égalisation d’un maximum de couleurs visibles, est :

R=700nm, V=546nm et B=436nm (figure 2.5c). La figure 2.5a décrit les couleurs obtenues
par synthèse additive à proportion égale des flux émis par 3 projecteurs de couleurs R, V, B.

Inversement à partir d’un projecteur de lumière blanche et de 3 filtres CYAN, MAGENTA et

JAUNE placés en série, il est possible d’obtenir une couleur quelconque par synthèse
soustractive (figure 2.5b).

d) Les fonctions colorimétriques

Une couleur monochromatique d’intensité unitaire (x=1) peut être égalisée selon la relation :
X= rR + vV + bB

avec la somme r + v + b=1.

Les proportions des couleurs primaires nécessaires pour égaliser chaque couleur
monochromatique correspondent respectivement aux fonctions colorimétriques r(λ), v(λ) et
b(λ) décrites en figure 2.6.

e) Égalisation de la couleur d’une source non monochromatique

8
Considérons la couleur X d’une source lumineuse de spectre (λ). La détermination des
coefficients d’égalisation r, v, b est obtenue par le produit scalaire de (λ) avec chacune des
fonctions colorimétriques.

En pratique une estimation numérique de ces intégrales par la méthode des rectangles avec un
pas λ de 5 nm est suffisante.

2.2.2 Représentation psychovisuelle des couleurs

a) Attributs de perception des couleurs

L’espace chromatique RVB est le système colorimétrique standard utilisé dans la plupart des
systèmes vidéo pour coder une couleur. Cette décomposition vectorielle est cependant assez
éloignée de la représentation dite psychovisuelle qui décrit une couleur selon les trois
attributs : luminosité, teinte et saturation.

La luminosité (ou luminance) traduit le niveau énergétique de l’observation.

La teinte indique une position dans la palette des couleurs visibles. Elle correspond à la
longueur d’onde d’un rayonnement monochromatique provoquant une sensation dans le
même ton coloré.

La saturation traduit le degré de pureté de la teinte. Le rayonnement observé peut en effet

être considéré comme un mélange de lumière blanche et de lumière de teinte pure. La
saturation est le rapport de la luminance de teinte pure sur celle du rayonnement total.

On notera que la représentation psychovisuelle est appliquée en art pictural et en décoration.

La figure 2.7 donne des exemples de variations de luminosité, teinte et saturation.

b) Espace colorimétrique TSL

Il s’agit d’une représentation des couleurs dans un espace de coordonnées cylindriques

correspondant aux trois attributs définis précédemment. Cette représentation a été proposée
par MUNSELL en 1905. La luminance correspond à l’axe du cylindre, teinte et saturation
sont respectivement les coordonnées angulaire et radiale (figure 2.8). Le passage des
coordonnées R, V, B aux coordonnées T, S, L est donné par les équations suivantes :

9
La position T=0correspond à l’axe des bleus

c) Comparaison entre les représentations RVB et TSL

les composantes TSL sont plus indépendantes entre elles que les composantes RVB. De plus
les composantes RVB sont corrélées avec la luminance (tableau 2.4) ce qui explique que
l’image reste parfaitement reconnaissable dans chacun des plans RVB.

Ce défaut explique également la difficulté de réaliser une segmentation chromatique

satisfaisante (séparation des différentes zones colorées de l’image) dans l’espace RVB.

TABLEAU 2.4 CORRÉLATIONS ENTRE LUMINOSITÉ ET COMPOSANTES R V

B.

2.3 MODÉLISATION MATRICIELLE

L’image créée par un système optique de qualité peut être utilisée à des fins de mesures
dimensionnelles. Pour cela, la condition nécessaire est de posséder un modèle précis reliant
les coordonnées tridimensionnelles des points de la scène filmée à la position des pixels

10
correspondants dans l’image. Ce paragraphe présente une approche matricielle modélisant
cette transformation 3D−→2D.

2.3.1 Transformations élémentaires d’un repère 3D

a) Représentation homogène d’un vecteur

Soit V un vecteur dans un espace à N dimensions

Sa représentation homogène dans un espace à N+1dimensions est VH. On retrouve le vecteur

original à partir de sa représentation homogène, en divisant les N premières coordonnées de
VH par la dernière.

11
12
13
14
15
16
17
18
19
20
21
 SIGNAUX ET DEFINITIONS

1 Définition du signal
On appelle signal toute grandeur physique tensorielle qui varie soit continument (signaux
analogiques) soit discrètement (signaux numériques) au cours du temps. L’évolution dans
le temps de la grandeur considérée est régie par la dynamique spécifique du signal. Quelque
fois la loi temporelle régissant le phénomène est bien connue (signaux déterministes) et d’autre
fois il est difficile, voir impossible de le décrire (signaux aléatoire).

1.1 Exemple
OEM ↔ dynamique régie par les lois de Maxwell
Son ↔ dynamique régie par la théorie des ondes stationnaires
Signaux électriques ↔ courant, tension
Influx nerveux ↔ électrophysiologique (transmission d’infos sensorielles)

1.2 Processus
Le traitement du Signal suit le cheminement suivant :
* Analyse et diagnostique
* Codage
* Quantification et Compression
* Transmission et archivage
* Synthèse et restauration

1.3 Liens entre les deux types de signaux

Il existe une correspondance étroite entre signal analogique et signal discrêt :
Signal analogique → Echantillonnage → Signal discret.
L’échantillonnage consiste à mesurer (à découper) à intervalle de temps régulier un signal

6
analogique. C’est un des outils souvent utilisés en traitement du signal.

L’objet du traitement du signal est donc d’analyser avec soin, de coder, de transmettre
intégralement ou une partie spécifique du signal ou de reconstruire à sa reception toutes ses
propriétés afin d’en tirer les maximum d’infos qu’il contient.

2 Signaux déterministes
2.1 Signaux analogiques
Ce sont des signaux à temps continu, c’est à dire définis pour toute valeur de t. On s’appuie sur
les modèles mathématiques pour les décrire. L’allure de la fonction peut présenter des sauts.

2.2 Signaux à temps discrêt

La variable de la fonction considérée ne peut prendre que des valeurs entières k ∈ Z.
Pour la variable temps, k représente le coefficient mutiplicateur d’une durée t0 qui permet
d’échantillonner le signal.

3 Principaux signaux
3.1 Fonction porte
(
1 pour |t| ≤ T
π2T (t) =
0 pour |t| > T

3.2 Fonction échelon unité de Heaviside

(
1 pour t ≥ 0
u(t) =
0 pour t < 0
Cette fonction est intéressante dans la description des régimes continus; moyen commode
d’exprimer la discontinuté de première espèce.

3.3 Fonction Impulsion de Dirac

Si on prend une fonction porte d’amplitude T1 , de largeur T et si on suppose que la durée
temporelle T est brève, on retrouve la définition de la fonction de Dirac. Elle présente les
propriétés suivantes : (
1
R +∞ T
pour |t| ≤ T2
−∞
π T (t)dt = 1, avec π T (t) =
0 pour |t| > T2

7
 (
0 pour t 6= 0
lim πT (t) =
T →0 ∞ pour t = 0
La limite de cette fonction lorsque T → l’∞ donne l’impulsion de Dirac :
R +∞
δ(t) = lim πT (t) et −∞ δ(t)dt = 1.
T →0

La distribution de Dirac est définie en t0 comme suit :

(
0 si t 6= t0 R +∞
δ(t − t0 ) = , avec −∞ δ(t − t0 )dt = 1.
∞ si t = t0

3.4 Fonction Triangle

(
1-|t| pour |t| ≤ 1
Λ(t) =
0 pour |t| > 1

3.5 Fonction Sinus Cardinal

sin(πt)
sinc(t) = πt
∀t ∈ R

3.6 Fonction Peigne de Dirac

+∞
P
ΨT = δ(t − nT )
n=−∞

3.7 Fonction périodique

f (t) = f (t + T ), ∀t
1
T est la période du signal. ν = est la fréquence du signal.
T

3.7.1 Valeur moyenne de f

R t +T
f (t) = T1 t00 f (t)dt

3.7.2 Puissance Moyenne

R t +T
P = f 2 (t) = T1 t00 f 2 (t)dt
(dans cette définition, on a pris pour résistance de charge la valeur 1Ω)
Le RMS (valeur efficace) de cette fonction est donnée par :
R t0 +T
2
fef 1
f = T t0 |f (t)|2 dt. Remarque : |f (t)|2 = f (t).f ∗ (t)

8
4 Signaux aléatoires
4.1 Définition
Un signal est dit aléatoire lorqu’on est incapable de le décrire par une loi mathématique simple.
Exemple : le bruit, l’éclair, certains écoulements...
Un signal aléatoire peut être de type transitoire ou permanent.
Dans le cas permanent : on peut le décrire par les lois de probabilités.

4.2 Rappels sur les notions de probabilité

La probabilité est un nombre réel, p ∈ [0, 1]
P
Variable aléatoire xa tel que p(xa = xi ) = αa ∈ [0, 1] et on a : αa = 1
a
Le signal aléatoire continu étant décrit par la fonction x(t) qui évolue dans le temps de façon
incertaine, on s’appuye sur les notions de statistiques de données pour le décrire.

9
 MATHEMATIQUE DU SIGNAL

5 Série de Fourier
5.1 Définitions
Soit un signal x(t) périodique de période T admettant un nombre fini de discontinuités;
on a :
+∞
P
x(t) = a0 + [an cos(nωt) + bn sin(nωt)]
n=1
t +T
a0 = T1 t00 x(t)dt
R
R t +T
an = T2 t00 x(t). cos(nωt)dt
R t +T
bn = T2 t00 x(t). sin(nωt)dt

5.2 Représentation Complexe

+∞ +∞ jnωt +e−jnωt
n=+∞ jnωt −e−jnωt
Cn ejnωt = an e bn e
P P P
x(t) = 2
+ 2j
n=−∞ n=0 n=1

soit,
∞
1
[(an − jbn )ejnωt + (an + jbn )e−jnωt ]
P
x(t) = a0 + 2
n=1

Les coefficients Cn sont calculés par l’intégrale :

R t +T
Cn = T1 t00 x(t).e−jnωt dt = C−n ∗
= 12 (an − jbn )

5.3 Représentation spectrale

5.3.1 Harmoniques

Posons tan ϕn = − abnn .

+∞
 
Pp 2
On a : x(t) = a0 + an + bn √ a2n
2 cos (nωt) − √ b2n 2 sin(nωt)
n=1 an +b2n an +bn
1 an −bn
cos(ϕn ) = p =p et sin(ϕn )= p
1 + tan2 ϕn a2n + b2n a2n + b2n

10
 +∞
P p
x(t) = a0 + Sn cos(nωt + ϕn ) avec Sn = a2n + b2n
n=1
x(t) = somme d’un signal continue et d’un infinité de signaux sinusoı̈daux de pulsation ω, 2ω,
3ω, 4ω,.....nω,.....
Le terme de pulsation ω est appelé la fondamentale ou le premier harmonique. Les autres
termes s’appellent respectivement harmoniques d’ordre 2, 3, 4,......n,.......

5.3.2 Spectre

On porte sur l’axe des abscisses la pulsation ω et en ordonnée les raies traduisant les modules
des Sn correspondants.
De même, on représente le spectre en puissace (Sn2 ) et puis le spectre en phase (ϕn ).

5.3.3 Symétrie et Changement de l’origine des temps

Fonction paire
RT an
an = T4 t02 x(t) cos(nωt)dt, bn = 0, on en déduit que Cn = C−n =
2
Fonction Impaire
RT bn
bn = T4 t02 x(t) sin(nωt)dt, an = 0, on en déduit que Cn = −C−n =
2j

6 Intégrale et Tranformée de Fourier

6.1 Signaux non périodiques ou à T → +∞
+∞ R t0 +T
Cn ejnω0 t Cn = T1 x(t).e−jnω0 t dt
P
x(t) = avec t0
n=−∞
ω0 = 2π = 2πν0 [t0 , t0 + T ] − T2 , T2
 
T
Il est plus commode d’écrire :
n=+∞
P h 1 R + T2 i
−jnω0 t
x(t) = T −T
x(t).e dt ejnω0 t
n=−∞ 2

Si T −→ ∞ alors ν −→ 0 −→spectre continue.

P
En posant ν = nν0 abscisse de la raie de rang n (fréquence courante), alors sera remplacée
n
par dn = ν10 dν avec ν0 = ω2π0 = T1 et par conséquent :
R R
R +∞ hR +∞ −j2πνt
i
x(t) = −∞ −∞ x(t).e dt ej2πνt dν

6.2 Définition de la Transformée de Fourier

On appelle Transformée de Fourier de la fonction f (t) la fonction F (ν) définie par :
R +∞ R +∞
X(ν) = −∞ x(t).e−j2πνt dt et x(t) = −∞ X(ν)ej2πνt dν

11
 TF
La réciprocité s’écrit : x(t) ←→ X(ν)

6.3 Propriétés
6.3.1 Linéarité

x(t) = ax1 (t) + bx2 (t) alors X(ν) = aX1 (ν) + bX2 (ν)

6.3.2 Dérivation

T F [x0 (t)] = j2πνX(ν)

6.3.3 Parité
x(t) X(ν)
réelle paire réelle paire
réelle impaire imaginaire impaire
réelle complexe (Ré paire, Im impaire)

6.3.4 Conjugué
TF TF
Etant donnée x(t) ←→ X(ν) alors x∗ (t) ←→ X ∗ (−ν) ; x∗ est le complexe conjugué de x
C’est à dire : T F [x∗ (t)] = X ∗ (−ν)

6.3.5 Décalage temporel

T F [x(t − t0 )] = e−j2πνt0 X(ν)

Par symétrie on a :
T F [e+j2πν0 t x(t)] = X(ν − ν0 )

6.3.6 Dilatation temporelle

1
T F [x(λt)] = |λ| X( λν )
pour λ = −1 alors T F [x(−t)] = X(−ν)

7 Convolution
7.1 Définition
R +∞
z(t) = x(t) ∗ y(t) = −∞ x(τ )y(t − τ ) dτ
La convolution exprime généralement la réponse à un signal quelconque à partir de celle d’un

12
signal type (impulsionnelle) caractérisé par y(t). τ exprime le retard temporel entre les deux
signaux.
Les filtres définis comme STLCS (Système de Transmission Linéaire Continue et Stationnaire)
sont des systèmes de convolution.

7.2 Propriétés
x ∗ y = y ∗ x, x ∗ (y + z) = x ∗ y + x ∗ z, x∗δ =δ∗x=x

7.3 Convolution de fonctions T0 -périodiques

1
R T0
z(t) = T 0
x(τ )y(t − τ )dτ

7.4 Théorème de Plancherel

La TF du produit d’une convolution est un produit simple et réciproquement.
TF TF
x(t) ∗ y(t) ←→ X(ν) · Y (ν) et reciproquement x(t) · y(t) ←→ X(ν) ∗ Y (ν)
Démonstration :
TF TF
x(t) ←→ X(ν) et y(t) ←→ Y (ν);
R +∞
Soit z(t) le signal tel que : z(t) = x(t) ∗ y(t) = −∞ x(τ )y(t − τ ) dτ
Calculons Z(ν) = T F {z(t)} :
R +∞ R +∞
Z(ν) = −∞ z(t) · e−j2πνt dt = −∞ [x(t) ∗ y(t)] · e−j2πνt dt
R +∞ hR +∞ i
soit, Z(ν) = −∞ −∞ x(τ )y(t − τ ) dτ · e−j2πνt dt
ou encore, h i
R +∞ R +∞
Z(ν) = −∞ −∞ x(τ )y(t − τ ) · e−j2πνt dτ · dt.
En écrivant eh−j2πνt = e−j2πντ .e−j2πν(t−τ ) , il vient : i
R +∞ R +∞
Z(ν) = −∞ −∞ [x(τ ) · e−j2πντ ] · y(t − τ ) · e−j2πν(t−τ ) · dτ ·dt et en séparant les deux intégrales
 

alors, hR i
R +∞ +∞
Z(ν) = −∞ [x(τ ) · e−j2πντ ] · −∞ y(t − τ ) · e−j2πν(t−τ ) · dt · dτ Posons θ = t − τ, on dθ = dt
(τ est considéré comme paramètre constant si on raisonne par rapport à la variable t).
On a : hR i
R +∞ +∞
Z(ν) = −∞ x(τ ) · e−j2πντ · −∞ y(θ) · e−j2πνθ · dθ · dτ
Puisquehla deuxième intégralei esthRindépendante de τ, on i peut ecrire Z(ν) sous la forme :
R +∞ +∞
Z(ν) = −∞ x(τ ) · e−j2πντ dτ · −∞ y(θ) · e−j2πνθ · dθ soit, le résultat attendu :
T F {x(t) ∗ y(t)} = X(ν)(ν)

13
8 Transformée de Laplace
Pour un signal continu transitoire, afin d’assurer la convergence de l’intégrale de Fourier (signal
causal ie t > 0), on multiplie x(t) par e−pt .

8.1 Définition
On définit alors la transformée de Laplace de la manière suivante :
R +∞
Lx(p)={x(t)}L = X(p) = 0 x(t)e−pt dt

8.2 Propriétes
TL
ax1 (t) + bx2 (t) ←→ aX1 (p) + bX2 (p)
TL
x(at) ←→ |a|1
X( ap )
TL
x(t − a) ←→ X(p) · e−a.p
TL
x(t) ∗ y(t) ←→ X(p) · Y (p)
et reciproquement,
TL
x(t) · x(t) ←→ X(p) ∗ Y (p)

9 Propriétés energétiques
Transmission d’information ≡ Transmission d’énergie

9.1 Puissance instantanée

p(t) = |x(t)|2 = x(t) · x∗ (t)

9.2 Puissance moyenne sur un durée T

1
R t+T
pT (t) = T t
p(t) dt

9.3 Energie dans un intervalle T

R t+T
ET (t) = t
p(t) dt

9.4 Energie totale du signal

R +∞
E= −∞
p(t) dt

14
9.5 Puissance moyenne d’interaction entre deux signaux
R t+T R t+T
pxy (t, T ) = 1
T t
x(t) · y ∗ (t) dt et pyx (t, T ) = 1
T t
y(t) · x∗ (t) dt

9.6 Puissance fréquentielle

TF
Soit f (t) ←→ F (ν); nous définissons les grandeurs ci-après :
Spectre de puissance ou densité spectrale :
Sxx (ν) = X(ν)∗ (ν) = |X(ν)|2
Energie contenue dans une bande de fréquences de largeur ∆ν autour d’une fréquence F0
R F0 + ∆ν
s’écrit : Ex (∆ν, F0 ) = F − ∆ν2 Sxx (ν)dν
0 2
L’énergie totale dans le spectre X(ν) s’exprime sous la forme :
R +∞ R +∞
Ex = −∞ Sxx (ν).dν = −∞ |X(ν)|2 dν

10 Corrélation et densité spectrale

10.1 Intercorrélation entre deux signaux
R +∞ R +∞
Cxy (τ ) = −∞ x(t)y ∗ (t − τ ) dt = −∞ x(t + τ )y ∗ (t) dt
Attention aux notations, on peut aussi définir sous la forme :
R +∞ R +∞
Cxy (t) = −∞ x(τ )y ∗ (τ − t) dτ = −∞ x(t + τ )y ∗ (τ ) dτ

10.2 Autocorrélation
10.2.1 Définition
R +∞ R +∞
Cxx (τ ) = −∞
x(t)x∗ (t − τ ) dt = −∞
x(t + τ )x∗ (t) dt

10.2.2 Propriétés

Pour les signaux réels la fonction Cxx est paire, Cxx (t) = Cxx (−t)
∀t on a : Cxx (t) ≤ Cxx (0) (valeur maximale à t = 0)

10.3 Densité spectrale

T F −1 {Sxx (ν)} = T F −1 {|X(ν)|2 } = T F −1 {X(ν).X ∗ (ν)}
R +∞
T F −1 {Sxx (ν)} = x(t) ∗ x∗ (−t) = −∞ x(t).x∗ (t − τ ).dt = Cxx (τ )
TF
d’où la relation : Cxx (τ ) ←→ Sxx (ν)
TF TF
et pour deux signaux x(t) et y(t) : Cxy (t) ←→ Sxy (ν) ou Cyx (t) ←→ Syx (ν)

15
Remarque :
Pour les fonctions réelles, |X(ν)|2 = X(ν)X ∗ (ν) = X(ν)X(−ν) et Sxx (ν) = |X(ν)|2

11 Propriétés spectrales
11.1 Spectre du signal
R +∞
X(ν) = T F {x(t)} = −∞ x(t)e−j2πνt dt
x(t) réelle ⇒ X(ν) = X ∗ (−ν) = X ∗ (ν)

11.2 Théorème de Parseval

L’énergie totale d’un signal ne dépend pas de la représentation choisie.
R +∞ R +∞
Ex = −∞ |x(t)|2 dt = −∞ |X(ν)|2 dν, c’est une évidence logique.
R +∞ R +∞
Exy = −∞ |x(t)| . |y ∗ (t)| dt = −∞ |X(ν)| |Y ∗ (ν)| dν
Remarque :
Pour un signal localisé
R +∞ R +∞
E = −∞ p(t) dt = −∞ Sxx (ν) dν

11.3 Théorème de Wiener-Khinchine

Enoncé :
La densité spectrale du signal Sxx (ν) est la transformée de Fourier de la fonction d’autocorrection
Cxx (τ ). On ecrit cette propriété sous la forme :
R∞
Sxx (ν) = T F {Cxx (τ )} = −∞ Cxx (τ )e−j2πντ dτ et reciproquement :
R +∞
Cxx (τ ) = T F −1 {Sxx (ν)} = −∞ Sxx (ν)ej2πντ dν
Démonstration :
Faisons le changement de variable t0 = t − τ
Sxx (ν) = X(ν)X ∗ (ν) = X(ν)X(−ν)
R∞ R∞ 0 R +∞ R +∞ 0
= −∞ x(t)e−j2πνt dt · −∞ x(t0 )ej2πνt dt0 = −∞ −∞ x(t)x(t0 )ej2πν(t −t) dtdt0
R +∞ R +∞ +∞
= −∞ −∞ x(t)x(t − τ )e−j2πντ dτ dt = −∞ Cxx (τ )e−j2πντ dτ = T F {Cxx (τ )}
R

Réciproquement,
R +∞ R +∞ hR +∞ R +∞ 0
i
Cxx (τ ) = −∞ x(t)x(t − τ )dt = −∞ −∞ X(ν)ej2πνt dν · −∞ X(ν 0 )ej2πν (t−τ ) dν 0 dt
R +∞ R +∞ R +∞ 0 0
= −∞ −∞ −∞ X(ν)X(ν 0 )ej2π(ν+ν )t e−j2πν τ dνdν 0 dt
R +∞ R +∞ 0
= −∞ −∞ X(ν)X(ν 0 )δ(ν + ν 0 )e−j2πν τ dνdν 0
R +∞
= −∞ X(ν)X(−ν)ej2πντ dν

16
 R +∞
= −∞
Sxx (ν)ej2πντ dν

12 Signaux aléatoires
12.1 Théorie des probabilités
12.1.1 Variables aléatoires

Fonction de répartition-densité de probabilité :

Supposons qu’on mesure l’amplitude de N signaux au cours N processus identiques;
si on trouve  xa = n  pour les N mesures avec xa < x, on écrit :
n
F (x) = p(xa < x) =
N
F (x) est la fonction de répartition de la variable aléatoire xa .
La densité de probabilité relative pour que xa ∈ [x1 , x2 ] est :
p(x1 < xa < x2 ) p(x < xa < x + dx)
f (x) = lim =
x2 →x1 x2 − x1 dx
Rx
f (x) est la dérivée de la fonction F (x) = −∞ f (u)du
R +∞
Axiome : F (∞) = −∞ f (x)dx = 1
Valeur moyenne d’un signal aléatoire discrêt
xmoy = x = N1 ni xi
P P
avec ni = N
i i
(on suppose ici que chaque évênement X = xa se réalise ni fois),
ou dans le cas continue, la valeur moyenne s’écrit :
R
x =< x >= xf (x)dx et est encore appelé l’espérance mathématique de x ou moment d’ordre
1 de x.
Espérance mathématique :
R +∞ R +∞
E(x) = p1 x1 + p2 x2 + ... + pn xn = x = −∞ x.dF (x) = −∞ x.p(x)dx
R +∞
Moment d’ordre n : E(xn ) = −∞ xn .p(x)dx.
Moment d’ordre 2 ou moment quadratique :
Elle mesure la dispersion d’une variable aléatoire autour de sa valeur moyenne.
R +∞
E(x2 ) = −∞ x2 .p(x)dx est lié à l’énergie transportée par le signal.
Moyenne quadratique d’un signal centré :
 R +∞
V ar(x) = σx2 = E (x − x)2 = −∞ (x − x)2 .p(x)dx = E(x2 ) − [E(x)]2


Ecart type :
p
σx = V ar(x).

12.1.2 Distribution de Gauss

1 x−x 2
f (x) = √1 e− 2 ( σ )
σ 2π

17
12.1.3 Distribution de Poisson
σ x −σ
f (x) = x!
e σ=x

12.1.4 Cas de 2 variables aléatoires

On définit la covariance et la corrélation de la façon suivante :

σ2
σx2i xj =< (xi − xi )(xj − xj ) > et ρxy = σxxyσy

12.2 Principales lois de probabilité

- Loi exponentielle : f (x) = αe−αx avec α ∈ [0, +∞]
x − x2
- Loi de Rayleigh : f (x) = 2 e 2a avec a ∈ [0, +∞]
α k
- Loi de poisson : p(x = k) = λk! e−λ
(x−x0 )2
- Loi de Gauss : f (x) = p(x) = √1 e− 2σ 2
σ 2π

12.2.1 Propriétés des signaux aléatoires

On considère un processus décrit par la variable aléatoire x(t)

Stationnarité et Ergodicité
Processus stationnaire ⇔ caractéristiques statistiques (moyenne, écart type, etc..) indépendantes
du choix de l’origine du temps
Processus ergodique ⇔moyennes sur plusieurs épreuves sont équivalentes aux moyennes tem-
porelles correspondant à une seule épreuve
Signal stationnaire xT = xT +τ
exemple : signal non ergodique
Signal ergodique xe = xt
exemple : non stationnaire, signal de Wiener

12.2.2 Caractéristique d’un signal aléatoire stationnaire et ergodique

Si la variable aléatoire stationnaire est aussi ergodique il y a équivalence avec les caractéristiques
temporelles.
Moyenne temporelle
R +T
xe = lim N1 i xi (t) et x(t) = lim xT = lim T1 − T2 x(t)dt
P
N →∞ T →∞ T →∞ 2
Puissance du signal
R +T
Px = x2 (t) = lim T1 − T2 x2 (t)dt ≡< x2 (t) >
T →∞ 2
Fonction d’autocorrélation temporelle
R +T
Cxx (τ ) = lim T1 − T2 x(t)x(t − τ )dt
T →∞ 2

18
12.3 Le Bruit
On appelle bruit tout signal indésirable, limitant l’intelligibilité d’un signal utile.
Le bruit peut avoir avoir plusieurs sources :
- sources externe (indépendant du signal propre) localisé à l’extérieur du système
- source internes (perturbation impulsionnelle, bruit de fond) lié à l’électronique du systeme.

12.3.1 Bruit thermique

Effet Johnson b2ef f = 4.k.T.R.∆ν



 k la const de Boltzmann

 T température (en K)
avec


 R résis tan ce (en Ω)

∆ν bande passante du système (en Hz)

La puissance totale du bruit thermique (dans résistance constante) est :

Pth = k.T.∆ν exprimée en W

12.3.2 Bruit blanc

Le bruit blanc est un signal de valeur moyenne nulle. Son spectre en amplitude est constant.
La densité spectrale du bruit blanc est constante dans la bande de fréquence ∆ν considérée.

B(ν) = B0 = 12 kT .

La fonction d’autocorrélation temporelle du bruit blanc est une impulsion de Dirac :

Cbb (τ ) = B0 .δ(τ )

Pratiquement, un tel bruit n’existe pas, mais parlera du bruit blanc à chaque fois que le spectre
de densité de puissance est constante à l’intérieur de la bande passante.

12.3.3 Bruit rose

Un bruit rose est un bruit dont le spectre en amplitude est inversement proportionnel à la
fréquence (le spectre en amplitude varie en ν1 ).
En réalité, il s’agit d’un bruit blanc dont la densité spectrale de puissance est modélisée par
une fonction porte de largeur 2νb ; νb est la fréquence maximale du bruit rose.
La fonction d’autocorrélation impulsionnelle du bruit rose est très étroite et centrée sur τ = 0
(fonction sinc dans le cas réel)
B(ν) = B0 · Π2νb (ν)

19
Sa fonction d’autocorrélation est : Cbb (τ ) = B0 · (2νb ) · sin(2πν bτ )
2πνb τ
Dans le cas où νb très grand, la fonction d’autocorrélation du bruit du bruit rose est nulle pour
(τ > τlim ).

12.3.4 Bruit de Grenaille

Fluctuations statistiques du nombre de porteurs de charges traversant la barrière de potentiel,

qui participe à la réation de courant (jonction PN d’un semi-conducteur).

12.3.5 Autres bruits

Bruit dit gaussien (caractérisé valeur moyenne et un écart-type)

Bruit dit périodique (somme de signaux sinusoidaux sans référence de base)
Bruit brownien (le spectre en amplitude varie en ν12

12.3.6 Propriétés et Traitement de Bruit

Rapport S/B (signal/bruit) :

Ce rapport caractérise la qualité du signal. On compare le S/B d’entrée et le S/B à la sortie.
Soit un signal x(t) de puissance moyenne Px , mélangé avec du bruit blanc b(t).
Sa puissance moyenne résultante est :
RT
Ps = Px+b = lim T1 0 [x(t) + b(t)]2 dt
T →+∞
Comme ce bruit est indépendant du signal, on a :
RT RT
Ps = lim T1 0 [x(t)]2 dt + lim T1 0 [b(t)]2 dt = Px + Pb
T →+∞ T →+∞
Pour un bruit blanc stationnaire, ergodique et centré, on a:
Ps = Px + σb2
Le rapport signal/bruit se défini sous la forme : η = Pσx2
b
Si on prend un signal informatif de type cosinusoı̈dal x(t) = Acos(ωt) , le rapport signal/bruit
2
se définit sous la forme : η = 12 · Aσ2
b
Exemples de signaux bruités
- signal peu prédictible
- signal ”lent” assez prédictible
- signal ”rapide” peu prédictible
- signal présentant une bande de fréquences dominante
- signal sinusoidal perturbé par un bruit à large bande

12.3.7 Détection par corrélation d’un signal périodique noyé dans du bruit

Soit un signal x(t),

soit un bruit b(t), bruit sans mémoire (Cbb (∞) = 0) et indépendants de x(t).

20
Le signal complet à traiter est s(t) = x(t) + b(t).
La fonction d’autocorrélation de s(t) est donnée par :
R +T R +T
Css (τ ) = T1 − T2 s(t)s(t − τ )dt = T1 − T2 [x(t) + b(t)] [x(t − τ ) + b(t − τ )] dt.
2 2
Par distributivité de l’opérateur de corrélation, il vient :
Css (τ ) = Cxx (τ ) + Cxb (τ ) + Cbx (τ ) + Cbb (τ )
Or, les fonctions Cxb (τ ) et Cbx (τ ) sont nulles (signaux indépendants); résultat toujours vrai
même si T est grande. De plus pour le bruit blanc Cbb (τ ) = 0 en déhors de 0 ou négligeable
devant Cxx (τ ) au bout d’une durée finie de correlation.
Donc en sortie on a : Css (τ ) = Cxx (τ ).

21
 ECHANTILLONNAGE

13 Numérisation des Signaux

13.1 Introduction
s(t) signal analogique ⇐⇒ s(nTe ) avec n entier, Te période d’échantillonnage.
Cette opération est réalisée par des circuits : préleveurs ou échantillonnneurs

13.1.1 Processus

Filtrage analogique V (t) → Echantillonnage Ve (nTe ) → Quantification (codage Ve (n))

→Traitement (système numérique) → Restitution Vs (nTs ) →Filtrage analogique Vs .

13.1.2 Traitement

Filtrage numérique, Stockage, Transmission, Codage, Compression....

Sans traitement ⇒ le signal final reste fidèle au signal analogique : Ve (n) = Vs (n)

13.1.3 Problème rencontré

- la période d’échantillonnage
- le pas de quantification
- le temps de réponse du système.

13.2 Echantillonnage idéal

13.2.1 Définition

Opération mathématique simple : multiplier un signal analogique par des impulsions unités
régulières dans l’espace temporel.
On utilise la fonction Peigne de Dirac :

22
 +∞
P
ΨTe (t) = δ(t − k.Te )
k=−∞
On obtient, à partir d’un signal x(t), le signal échantillonné xe (t) , suite de pics de Dirac dont
les poids ”statistiques” sont les valeurs du signal x(t) aux instants kTe , c’est à dire les valeurs
xk = x(kTe ).
+∞
P +∞
P
x(t) → xe (t) = x(t) · δ(t − kTe ) = x(t) · δ(t − kTe )
k=−∞ k=−∞
+∞
P +∞
P
xe (t) = x(kTe ) · δ(t − kTe ) = xk · δ(t − kTe ) où xk = x(kTe ) (1)
k=−∞ k=−∞
xe (t) : signal discrêt à spectre non borné (périodisation infinie).

13.2.2 Transformée de Fourier du peigne de Dirac

 +∞  +∞
P P
TF δ(t − kTe ) = νe δ (ν − kνe )
k=−∞ ν k=−∞

13.2.3 Formule de Poisson

+∞
P +∞
P j2πkνe t
δ(t − kTe ) = νe e
k=−∞ k=−∞
+∞ +∞
X(kνe )ej2πνe kt
P P
x(t − kTe ) = νe
k=−∞ k=−∞

13.2.4 Transformée de Fourier du signal échantillonné

Soit X(ν) = T F {x(t)}ν et Xe (ν)

 =+∞T F {xe (t)}ν 
P
On a : Xe (ν) = {xe (t)}ν = T F xk δ(t − kTe )
k=−∞
 +∞ ν 
P
Or d’après Plancherel, Xe (ν) = {xe (t)}ν =TF δ(t − kTe ) ∗ X(ν)
k=−∞ ν
+∞
P +∞
P
Xe (ν) = νe δ (ν − nνe ) ∗ X(ν) = νe X (ν − nνe ) (2)
n=−∞ n=−∞
d’où, le spectre de l’échantillonné Xe (ν) s’obtient en périodisant avec une période de νe sur
l’axe des fréquences, la transformée de Fourier X(ν) du signal x(t) multiplié par νe

13.2.5 Théorème de Shannon

Soit un signal à spectre à support borné (−νmax < ν < νmax )

ωe
Posons, νe = 2π = T1e ;
pour que Xe (ν) ≡ X(ν) il faut et il suffit que νe ≥ 2νmax (théorème de Shannon).
Enoncé du théorème d’échantillonnage :
Un signal continu de spectre borné dans [−νmax , +νmax ] est complètement déternimé par les
1
valeurs qu’il prend à des instants régulièrement espacés de 2νmax au minimum.

23
13.2.6 Extraction du signal initial

On suppose la condition du théorème de l’échantillonnage respectée et que le signal initial est

à spectre borné par νmax .
On peut écrire d’après la relation (2), le spectre de base sous la forme :
Xe0 (ν) = νe · X(ν) (3)
En appliquant la T F −1 on obtient le signal temporel correspondant au spectre de base Ue0 (ν),
soit :
Xe0 (t) = νe .x(t) (4)
De façon rigoureuse on utilise le Filtrage : avec un filtre passe-bas idéal de fréquence de coupure
νe
2
, caractérisé par la fonction porte on peut écrire :
Xe0 (ν) = Xe (ν) · Πνe (ν)
En prenant la T F −1 et en appliqant leh théorème de Plancherel, i on a :
sin(πνe t)
xe0 (t) = xe (t) ∗ [νe · sin c(πνe t)] = νe · xe (t) ∗ πνe t
k=+∞ 
x(kTe ) · δ(t − kTe ) ∗ sin(πν e t)
P
xe0 (t) = νe · πνe t
, d’après la relation (1)
k=−∞ hP i
+∞ sin(πνe (t−kTe ))
et donc, ue0 (t) = νe · k=−∞ x(kTe ) · πνe (t−kTe )
Par identification, avec ce qui précède (relation (4)), on peut écrire :
+∞
P sin(πνe (t − kTe ))
x(t) = x(kTe ) · (5)
k=−∞ πνe (t − kTe )

13.2.7 Effet du repliement de spectre

Lorsque le théorême de Shannon n’est pas respecté on observe des phénomènes de recouvrement
(ou repliement) des spectres .

13.2.8 Echantillonnage réel

Le signal échantillonné réel est constitué d’impulsions distantes de Te et de largeur τ.

L’amplitude de ces impulsions sera fonction du procedé d’échantillonnage utilisé :
- naturel : amplitude égale x(t) pendant l’intervalle τ (irréalisable)
- régulier : amplitude constante et égale à x(nTe ) pendant la durée τ
- moyenneur : amplitude égale à la moyenne de x(t) sur l’intervalle τ
L’échantillonnage réel se fait en prenant une fonction porte de largeur τ et périodisée avec une
période Te .
Mathématiquement on a :
k=+∞
P
iTe ,τ (t) = Πτ (t − kTe )
k=−∞
En utilisant le peigne de Dirac et le produit de convolution on a :
k=+∞
P
iTe ,τ (t) = Πτ (t) ∗ ΨTe (t) = Πτ (t) ∗ δ(t − kTe )
k=−∞

24
Le pectre de ce signal s’exprime :
h i k=+∞
sin(πτ ν) sin(πτ ν) P
ITe ,τ (ν) = τ · πτ ν · [νe · Ψνe (ν)] = τ · πτ ν
· νe · δ(ν − kνe ) soit,
k=−∞
k=+∞
P sin(πτ kνe )
ITe ,τ (t) = τ · νe · πτ kνe
· δ(ν − kνe ) (6)
k=−∞
Echantillonnage naturel
L’amplitude de chaque échantillon suit la valeur de la fonction pendant l’intervalle τ .
On a :
xe (t) = x(t) · iTe ,τ (t) = x(t) · [Πτ (t) ∗ ΨTe (t)] (7)
on en déduit le spectre, d’après la relation (6); 
k=+∞
P sin(πτ kνe )
Xe (ν) = X(ν) ∗ ITe ,τ (ν) = X(ν) ∗ τ · νe · πτ kνe
· δ(ν − kνe ) ,
k=−∞
ou encore :
k=+∞
P sin(πτ kνe )
Xe (ν) = τ · νe · πτ kνe
· X (ν − kνe ) (8)
k=−∞
En utilisant la relation (8) on déduit la relation liant le spectre de base du signal échantillonné
et celui du spectre réel :
Xe0 (ν) = τ · νe · X(ν)
Cette relation exprime une proportionnalité donc une conservation de l’information (pas de
deviation).
Echantillonnage régulier ou bloqueur
Chaque impulsion est constante = x(nTe ) (pratique et le plus souvent mis en oeuvre).
Mathématiquement, il s’agit d’une suite de fonctions portes d’amplitudes égales aux échantillons
du signal :  
k=+∞
P k=+∞
P
xe (t) = x(kTe )Πτ (t − kTe ) = [x(t) · ΨTe (t)] ∗ Πτ (t) = x(t) · δ(t − kTe ) ∗ Πτ (t)
k=−∞ k=−∞
on en déduit : h i
sin(πτ ν)
Xe (ν) = [X(ν) ∗ (νe · Ψνe (ν))] · τ · πτ ν
k=+∞
Xe (ν) = τ · νe · sin(πτ ν) P
πτ ν
· X(ν − kTe ) (9)
k=−∞
De la même manière le signal initial est extrait par un filtre passe-bas de largeur νe .
La relation liant le spectre de base et celui du signal échantillonné (en s’appuyant sur la relation
(9)) est :
Xe0 = τ · νe · sin(πτ
πτ ν
ν)
· X(ν)
Echantillonnage moyenneur
On considère ici les échantillons xe (kTe ) correspondant à la valeur moyenne de x(t) prise sur la
durée de l’impulsion τ .
Ainsi l’échantillon xk s’exprime sous la forme:
kTeR
+τ /2
xk = τ1 x(t)dt
kTe −τ /2

25
En utilisant la fonction porte, la relation précédente peut s’écrire :
kTeR
+τ /2
xe (kTe ) = τ1 · Πτ (t − kTe ) · x(t) · dt
kTe −τ /2
Cette expression représente le produit de convolution de x(t) et Πτ (t) au temps kTe ,
d0 où :
xe (kTe ) = τ1 · [Πτ (t) ∗ x(t)] · δ(t − kTe )
Le signal échantilloné complet a pour expression :
+∞
xe (t) = τ1 ·
P
[Πτ (t) ∗ x(t)] · δ(t − kTe )
k=−∞
soit:
xe (t) = τ1 · [Πτ (t) ∗ x(t)] · ΨTe (t)
Par TF et utilisant
h le th de Plancherel,
i on peut déduire le spectre Xe (ν) = T F {x(t)}ν :
sin(πτ ν)
Xe (ν) = τ1 · τ · πτ ν · X(ν) ∗ [νe · Ψνe (ν)]soit :
+∞
P sin(πτ (ν−kνe ))
Xe (ν) = νe · πτ (ν−kνe )
· X(ν − kνe ) (10)
k=−∞
De la même manière en s’appuyant sur la relation (10), on a :
Xe0 = νe · sin(πτ
πτ ν
ν)
· X(ν),
résultat très proche de celui de l’échantillonnage régulier. L’amplidute de X(ν) est modulée
par la fonction sinc(τ ν) = déformation par rapport à échantillonnage naturel.
Remarque : plus la durée de l’impulsion d’échantillonage est faible devant la période du signal
échantillonné, plus le bloqueur et le moyenneur sont plus proche de l’idéal (naturel).

13.3 Quantification
Choisir et remplacer par la valeur arrondie au plus proche voisin ou par défaut les échantillons
utiles.
Pour un échantillonnage uniforme on choisit N intervalles identiques de valeur q. On utilise un
convertisseur numérique-analogique. Ce processus introduit toujours une erreur appelée bruit
de quantification sauf si le signal est de la forme : xe (kTe ) = N · q
L’erreur de quantification est un bruit blanc. Cette erreur provient de la compression ou de
l’expansion linéaire et non-lineaire des données.
Soit une erreur que quantification ε(t), pendant un temps très long θ, on suppose que l’amplitude
du signal varie dans une plage plus large que q (pas de quantification) et peut être approximée
par une droite :
ε(t) = q · θt pour − 2θ ≤ t ≤ 2θ .
La valeur moyenne est nulle sur cet intervalle.

26
13.3.1 Puissance moyenne
+ θ2 + θ2
1
R 1
R  t 2 q2
Pε = θ
ε2 (t) · dt = θ
q θ · dt = 12
− θ2 − θ2
1
sur l’intervalle − 2q , + 2q .
 
Variable aléatoire, densité de probabilité p(ε) constante égale à q

13.3.2 Valeur moyenne quadratique (moment d’ordre 2)

+∞ + 2q
1 q2
R R
Esp [ε2 ] = ε2 · p(ε) · dε = q
ε2 · dε = 12
= Pε
−∞ − 2q
Ce bruit de quantification est une variable stationnaire et ergodique.
Remarque : Processus de quantification = signal + bruit uniforme.
C’est un bruit blanc de largeur spectrale 0, ν2e .
 
q2
La densité spectrale est donc : 6ν e

Exemple : Système de codage sur n bits (valeur maximale de codage 2n − 1)

n
s(t) = Vmax · sin( 2π
T
t) avec Vmax = 2 2−1 q
La puissance moyenne de ce signal est :
+ T2
2
Ps = T s2 (t)dt = Vmax
1
R
2
. En supposant n très grand (2n  1) alors, Ps ≈ 22n−3 · q 2 .
− T2

27
 FILTRAGE

14 Systèmes de Transmission et Filtres

14.1 Définitions et Propriétés
Un système de transmission (ST) fait correspondre à un signal d’entrée e(t) un signal de sortie
s(t) reponse du système de transmission.

14.1.1 Définitions
s(t)
Le bel est le logarithme décimal du rapport e(t) . Dans la pratique, on utilise le décibel :
 
s(t)
Adb = 10 log e(t) .
Pour un appareil Hi-Fi (un amplificateur par exemple), on utilse la même expression, mais,
avec les puissances d’entréeet de sortie :
  Vs2

Adb = 10 log PPes = 10 log VRes2

Re
si Rs = Re , on
a : 
2  
Adb = 10 log VVes = 20 log VVes , ce qui correspond aussi au gain en puissance de l’appareil.

14.1.2 Bande Passante

L’étude de la fonction Ps = Ps (ν) sur une résistance de charge constante permet de passer par
sa valeur maximale Psmax à une fréquence donnée.
On appelle bande passante d’un système de Transmission, la zone de fréquences pour lesquelles
on a : PsPs ≥ 0.5 ou Adb ≥ −3db.
max

14.2 Filtres analogiques

filtrage ≡ domaine fréquentiel.
fenêtrage ≡ domaine temporel.
Le fenêtrage consiste à prelever, interrompre ou seulement atténuer un signal.

28
Un filtre est défini comme la réponse impulsionnelle notée h(t), et par sa fonction transfert
notée H(f ) (ou H(p) resp.) transformée de (Fourier ou Laplace resp.) de h(t).

14.2.1 Filtre fréquentiel

Cas classique :
Filtre passe-bande : seules sont transmises les fréquences comprises dans l’intervalle [ν0 − ∆ν, ν0 + ∆ν]
Filtre coupe-bande : on arrête les fréquences comprises dans l’intervalle [ν0 − ∆ν, ν0 + ∆ν]
En pratique :
Pour un x(t) donné, on peut représenter X(ν) qui est la TF du signal x(t) et on filtre en mul-
tipliant X(ν) par H(ν).
En vertu du théorème de Plancherel, on passe du produit simple dans l’espace des fréquences
au produit de convolution dans l’espace temporel et inversement.
Xs (ν) = X(ν). H(ν) où Xs (ν) est le signal filtré. On a :
R +∞
xs (t) = x(t) ∗ h(t) = −∞ x(τ )h(t − τ )dτ .
h(t) est la réponse impulsionnelle du filtre.

14.2.2 Relation Filtrage-Convolution

Filtrage temporel = convolution fréquencielle

Filtrage fréquentiel = convolution temporelle
L’appareil le plus perfectionné va transmettre les fréquences comprise dans la bande [0, FM ] et
arrêtera les fréquences supérieures à FM en un laps de temps.

14.2.3 Filtres linéaires physiquement

La causalité
L’effet (sortie du filtre) ne peut précéder la cause (entrée du filtre).
La réponse impulsionnelle d’un filtre est la réponse à une impulsion de Dirac appliquée à t = 0;
elle doit être nulle pour t < 0.
Tout système physique doit avoir : h(t) = 0 pour t < 0.
R +∞ R +∞
Pour un filtre causal : xs (t) = −∞ h(τ )x(t − τ )dτ = 0 h(τ )x(t − τ )dτ . Un filtre non causal
devra utiliser des valeurs futures de signaux d’entrée ce qui n’est pas évident, ou soit ceci est
possible en travaillant en temps différé.
Déphasage des filtres
Soit h(t) la réponse implusionnelle d’un filtre, son gain complexe est :
H(ν) = T F [h(t)] = ReH(ν) + jImH(ν)=|H(ν)| ejϕ(ν)
La relation sortie-entrée du filtre s’écrit, en fréquence, sous la forme : Xs (ν) = |H(ν)| ejϕ(ν) X(ν),
et le déphasage de la sortie par rapport à l’entrée est la phase ou l’argument ϕ(ν) du filtre.

29
Remarque : Si ϕ(ν) = 0 (gain réel), la réponse implusionnelle est paire.
Pour un filtre causal, on a : ϕ(ν) 6= 0.

15 Filtres Analogiques
15.1 Filtres analogiques continus réalisables
Les filtres réalisés et appliqués sur des signaux à temps continu (non échantillonnés) sont
constitués par des composants électroniques (Résistances, Capacités et Self, Amplificateurs
Opérationnels, niodes ...).
Le spectre S(ν) du signal de sortie s(t) est le produit du spectre E(ν) du signal de d’entrée
e(t) avec la fonction de transfert fréquentielle du filtre H(ν) :
S(ν) = E(ν) · H(ν)

15.2 Fonction de tranfert

Par application du théorème de Plancherel, on passe à la représentation temporelle :
TF
S(ν) = E(ν).H(ν) ←→ s(t) = e(t) ∗ h(t)
h(t) est la réponse impulsionnelle du filtre, H(ν) ou H(p) (TF ou TL) est sa fonction de
transfert.
on peut remplacer n filtres en série par un seul filtre de reponse impulsionnelle h(t) qui s’exprime
sous la forme : h(t) = h1 (t) ∗ h2 (t) ∗ ... ∗ hn (t).
La fonction de transfert équivalente s’écrit :
H(ν) = H1 (ν) · H2 (ν) · ... · Hn (ν).
L’entrée et la sortie sont des signaux temporels. Le signal d’entrée e(t) et de sortie s(t) sont
reliés par des relations intégro-différentielles linéaires à coefficients constants.
En utilisant la Transformée de Laplace, cette relation conduit à une fonction de transfert ou
au gain complexe ; quotient de 2 polynômes en p : H(p) = N (p)
D(p)
La fonction de transfert du filtre analogique continue est définie à partir d’une association des
4 fonctions de transfert suivantes :
1 1
H1 (ν) = 1+2πjντ filtre passe-bas du premier ordre ou H1 (p) = 1+τ p
2πjντ τp
H2 (ν) = 1+2πjντ filtre passe-haut du premier ordre ou H2 (p) = 1+τ p
H3 (ν) = 1+4πξjντ1−4π2 τ 2 ν 2 filtre passe-bas du deuxième ordre ou H3 (p) = 1+2·ξ·τ ·p+(τ
1
·p)2
2 2 2
4π τ ν (τ ·p)2
H4 (ν) = 1+4πξjντ −4π 2 τ 2 ν 2
filtre passe-haut du deuxième ordre ou H4 (p) = 1+2·ξ·τ ·p+(τ ·p)2
ξ est le coefficient d’amortissement, τ est le temps de réponse.

30
15.3 Filtres à déphasage linéaire
Filtre à réponse non causal h1 (t) sans déphasage; h1 (t) est linéaire symétrique par rapport à
l’origine.
Supposons que h1 (t) est aussi à support borné[−θ0 , θ0 ], considérons alors le filtre dont la réponse
impulsionnelle serait déduite de h1 (t) par translation ; on a :
h(t) = h1 (t − θ0 ) et H(ν) = H1 (ν)e−2πjνθ0 .
Puisque h1 (t) est réel paire alors H1 (ν) est aussi réel paire. Le déphasage de H(ν) est alors
ϕ(ν) = −2πνθ0 (fonction linéaire de la fréquence).

15.4 Filtres Particuliers

Filtre de Butterworth :
|H(ν)| = √ 12 2n
1+ε (ν)
Filtre de Tchebychev :
|H(ν)| = √ 12 2 avec Cn (ν) tel que :
1+ε Cn (ν)
C0 (1) = 1, C1 (ν) = ν et Cn+1 (ν) = 2ν · Cn (ν) − Cn−1 (ν)
Filtre de Legendre :
|H(ν)| = √ 21 2
où Ln (ν) désigne le polynome de Légendre en ν.
1+ε Ln (ν )

15.5 Modélisation des filtres analogiques

La tension aux bornes de chaque élément du circuit et sa TL s’écrivent :
u(t) = Ri(t) ⇒ ZR (p) = R
Rt
u(t) = C1 i(t)dt ⇒ Zc (p) = pC 1

u(t) = L dtd i(t) ⇒ ZL (p) = pL

en associant ces dipôles dans la réalisation du filtre, et en posant τ = RC, on obtient pour
les fonctions de transfert, les relations ci-dessus ou leurs combinaisons. Pour les montages
spécifiques, veuillez consulter le formulaire.

16 Filtres Numériques
16.1 Définition
On appelle filtre numérique un système utilisé pour modifier la distribution fréquentielle d’un
signal numérique d’entrée en le transformant en un signal numérique désiré en sortie.
Avec le progrès en informatique les filtres numériques sont caractérisés par leur : précision,
fiabilité, stabilité, adaptabilité et facilité de commande.
En fait, ce filtre relie la sortie y(kT e) = yk à l’entrée x(kT e) = xk à chaque instant kT e, Te

31
étant la période d’échantillonnage.
yk = F onction(xk , xk−1 , ..., yk−1 , yk−2 , ...)

16.2 Filtrage linéaire

Considérons un filtre numérique excité par une entrée x(n), et soit y(n), la sortie. L’équation
aux différences reliant la sortie et l’entrée est :
PP M
P
y(n) + ak y(n − k) = bk x(n − k) (11)
k=1 k=0
x(n) → Filtre Numérique → y(n)
Le filtre présenté ici est causal : il construit à l’instant n, le signal y(n), à partir des P sorties
passées et des M+1 entrées contemporaines et passées. Comme pour les filtres analogiques, la
sortie d’un filtre numérique est le produit de convolution de l’entrée par sa réponse impulsion-
nelle h(n).
y(n) = h(n) ∗ x(n)
P P
y(n) = h(n − p)x(p) = h(p)x(n − p)
p p
La représentation fréquentielle est donnée pour les signaux échantillonnés, par la transforma-
tion en Z.

16.2.1 Transformée en Z

Définition
La transformé en Z peut être considéré comme une généralisation de la transformation de
Fourier à laquelle elle peut s’identifier dans des cas particuliers. La transformée en Z constitue
l’outil privilégie pour l’étude des systèmes discrets. Elle joue un rôle équivalent à celui de la
transformée de Laplace et permet de représenter un signal possédant une infinité d’échantillons
par un ensemble fini de nombres. Elle est définie pour un signal échantillonné x(n) par :
+∞
x(n)z −n
P
X(z)=TZ[x(n)]=
n=−∞
Lien avec la transformée de Fourier
Si on pose z= rej2πν , on a :
+∞ +∞
X(z)=X(rej2πν )= x(n)(rej2πν )−n = x(n)r−n e−j2πνn
P P
n=−∞ n=−∞
+∞
x(n)e−j2πν n , qui est la définition de la transformée de
P
Pour |r| = 1, on a : X(z) = X(ν)=
n=−∞
Fourier discrête.

32
16.2.2 TZ et Plancherel

H(z) = T Z {h(n)}
X(z) = T Z {x(n)}
Y (z) = T Z {y(n)}
La relation entrée-sortie va s’écrire alors :
Y (z) = H(z) · X(z)
en prenant la TZ de la relation (11) on a:
M
bk z −k
P
Y (z) 0 N (z)
H(z) = X(z)
= P = D(z)
1+ ak z −k
P
1
Le gain complexe en Z d’un filtre numérique est une fraction rationnelle en z (ou z −1 ).
Les zéros de N(z) sont les zéros du filtre, les zéros de D(z) sont les pôles du filtre.
En appelant zoj les zéros et zpi les pôles, on a :
M
Π (z−z0j )
P −M
H(z) = K · z · j=1
P , z P −M est un retard pur, K est un facteur d’échelle.
Π (z−zpi )
i=1
Un filtre numérique est donc décrit à un retard et à un facteur d’échelle près, par la connaissance
de ses zéros et ses pôles.

16.3 Classification des filtres numériques

On les classe en fonction des zéros et des pôles.

16.3.1 Filtres non récursifs

M
P
yk = ai xk−i Tous les bi sont nuls
i=0

16.3.2 Filtres récursifs

M
P M
P
yk = ai xk−i − bj yk−j au moins un des bi est non nul (filtre possédant une boucle de
i=0 j=1
contre-réaction).

16.3.3 Filtres MA ou RIF

Les filtres à moyenne ajustée (MA) ou filtre à réponse impulsionnelle finie (RIF) ne possèdent
que des zéros (et un pôle multiple en z = 0). La relation d’entrée-sortie est :
PM
yn = bk x(n − k).
k=0
Ces filtres réalisent une moyenne (lissage) de M+1 entrées. Leur réponse implusionnelle est
telle que :

33
 

 0 si n < 0
h(n) = bk si 0 ≤ n ≤ M ; d’où la dénomination de filtre à réponse impulsionnelle finie. Le

0si n > M

gain complexe en Z est :
M
bk z M −k
P
M
N (z)
H(z) = bk z −k =
P 0
zM
= zM
. Les zéros sont les M racines de N (z).
0

16.3.4 Filtres AR ou RII

Les filtres autoregressifs (AR) ou les filtres à réponse impulsionnelle infinie (RII) ne possèdent
que des pôles, et un zéro multiple en z = 0. La relation sortie-entrée de ces filtres est :
PP
y(n) = − ak y(n − k) + x(n).
1
La sortie à l’instant n est une combinaison linéaire des sorties précédentes (d’où leur dénomination
de filtres autoregressifs) à laquelle s’ajoute l’entrée à l’instant n. Ce sont des filtres prédicteurs.
Le gain complexe de ces filtres s’exprime sous la forme :
zP zP
H(z) = P = D(z) .
zP + ak z P −k
P
1
Les pôles zpj sont les zéros de D(z).
La reponse impulsionnelle de ces filtres
( est une combinaison linéaire de termes de la forme :
n 0 n<0
hj (n) = u(n) · zpj avec u(n) =
1 n>1
Cette réponse impulsionnelle est de durée infinie. On voit également que le filtre est stable si
le module de tous les pôles est inférieur à l’unité.

16.3.5 Filtres numériques élémentaires

Le gain complexe en Z d’un filtre numérique est une fraction rationnelle que l’on peut décomposer
en élément simples qui sont, comme pour les filtres analogiques : Les filtre du 1er ordre:
1
H1 (z) = 1−az −1

Filtre AR1 :
y(n) − ay(n − 1) = x(n)
C’est un filtre passe-bas pour : 0 ≤ a < 1; sa réponse impulsionnelle est de la forme :
h(n) = u(n)an .
Il est donc équivalent à un filtre intégrateur (filtre RC) de constante de temps τR = −TlnE a .
C’est un filtre passe-haut pour : −1 ≤ a ≤ 0.
Filtre du 2ème ordre :
1 z2
H2 (z) = 1−2ρνz−1 +ρ2 z −2
= z2 −2ρνz+ρ2

Le discriminant du dénominateur est : ∆0 = ρ2 (ν 2 − 1).

Les pôles sont alors :

34
 √
√

z1 = ρ ν + ν 2 − 1 z2 = ρ ν − ν 2 − 1
Pour 0 < ρ < 1, ν > 1, |z1 | < 1 et |z2 | < 1, filtre passe-bas du 2ème ordre.
Pour −1 < ρ < 0, ν > 1, |z1 | < 1 et |z2 | < 1, filtre passe-haut du 2ème ordre.
Pour 0 < ρ < 1 et |ν| < 1, en posant ν = cos θ,les pôles sont : z1,2 = ρe±jθ donnant un filtre
résonnant.
Ce sont des filtre AR2 définis par la relation d’entrée-sortie sous la forme :
y(n) = 2ρy(n − 1) − ρ2 y(n − 2) + x(n)

16.4 Conception d’un filtre numérique

Pour construire un filtre numérique, il suffit de déterminer les coefficients ak et bk intervenant
dans les équations aux différence reliant l’entrée et la sortie. On peut dans des cas simples
utiliser les filtres élémentaires décrits précédemment, en adaptant les paramètres selon le but
désiré.

16.5 Restitution
+∞
P
{xk } → x(t) = xk δ(t−kTe ) Interpolation linéaire-Restitution par bloqueur-Transformation
k=−∞
H(p) ou H(z) en inverse. Blocage impulsionnel + intégrateur d’entrée

FIN

35