Du signal continu au numérique

Numérisation du signal

 Échantillonnage
 Reconstruction
 quantification
Introduction
2

 Recrudescence du traitement numérique.

 TV numérique,
 Enregistrement audio, vidéo
 téléphonie mobile.
 ...
 Processeurs de signaux.
 flexibilité.
 Rapidité.

Il est nécessaire de comprendre comment se fait le passage du monde

analogique à celui du numérique.
Pourquoi numériser?
3

Systèmes continus Interprète Calculateur

x(t)
- support continu - données discrètes
- amplitude continu - codage en mot binaire

Interprète Opérateur d'échantillonnage et de quantification

Échantillonnage : prélèvement sur le signal continu des valeurs de s(t) à des

instants tn données.
Généralement, les tn sont régulièrement espacés. Ce sera le cas étudié ici

Quantification : transformation des valeurs s(tn) en des mots "compréhensibles" par

le calculateur.
4 Numérisation
Acquisition
Du signal analogique,
continu dans le temps
et continu en
amplitude...

... à un signal définit

ponctuellement et
quantifié.
5 Numérisation
 Échantillonnage
 x(t) {x(nT)}

Quantification
 x(nT) mq

f(t)
 Codage
 mq i

 i

6 Échantillonnage

Dans l'espace des temps le signal est

remplacé par ces valeurs à des
instants multiples entiers de la
période d'échantillonnage Te.
Échantillonnage idéal
7

Période d'échantillonnage Te

Signal original x(t) Signal numérique xe(t)={x(nTe)}

Échantillonneur

Échantillonnage idéal : prélèvement pendant un temps infiniment court des valeurs de x(t) à
t=nTe

Modélisation mathématique On a la propriété x ( t ).( t  t o )  x ( t o ).( t  t o )

n  
x e ( t )  x ( t ).  ( t  nTe )
n    Te ( t )
x(t)

x
t t
xe(t)
n  
x e (t)   x (nTe )( t  nTe )
n  
t
TF du signal échantillonné
8

Question : que devient le spectre du signal x(t) après échantillonnage idéal?

 n  

Fx e ( t )  F x ( t )   ( t  nTe )
 n   

Or d'après le théorème de Plancherel, on a Fy(t )  z(t )  Fy(t ) Fz(t )

 n    n  
Et F  ( t  nTe )  Fe  (f  nFe )
 n    n  

n  
donc Fx e ( t )  Fe. X (f )   (f  nF ) e
n  

Comme le produit de convolution est distributif, et que y( t )  ( t  t o )  y( t  t o )


X e (f )  Fe.  X (f  nFe )
n  

Le spectre de Xe (f) est donc celui de X(f) "périodisé" avec une période fréquentielle
Fe.
9 TF du signal échantillonné

s t
S f

se t Se f

Périodisation du spectre
 Interprétation du spectre de xe(t)
10

Soit x(t) un signal réel à spectre borné |X(f)|


X e (f )  Fe.  X (f  nFe ) -Fmax 0 Fmax
n   f
Question : que devient le spectre Xe(f) en fonction de Fe?
Si Fe  2F max
|Xe(f)|
Fe
n= -1 n=0 n=1 Les motifs élémentaires du signal
périodiques sont disjoints

-Fe -Fmax 0 Fmax Fe f

Si Fe  2F max
(version zoomée)
|Xe(f)|
Fe Les motifs élémentaires du signal
périodiques se recouvrent

Repliement de spectres
-Fe -Fmax Fmax
0 Fe f
 Théorème de Shannon
11

Question : quelle est la condition sur Fe pour que, à partir du signal échantillonné
xe(t), on puisse reconstruire intégralement x(t)?

Si Fe  2F max Le motif principal (n=0) est égale au spectre de x(t), et comme les autres
motifs sont disjoints, grâce à un filtre passe-bas idéal,il est possible d'isoler
ce motif et donc de retrouver x(t).

Si Fe  2F max Le motif principal (n=0) est égale au spectre de x(t), mais, il est pollué par le
recouvrement d'autres motifs. Il est impossible de retrouver le spectre de x(t).

Énoncé du théorème
Pour échantillonner un signal sans perte d'information, il faut que la fréquence
d'échantillonnage Fe soit supérieure au double de la fréquence maximale du
signal. Plus précisément, si on note Fmax la fréquence maximale du signal, il
faut :
Fe  2F max
 Exemples
12
Exemple 1 :
x ( t )  sin(2t )

Te= 0.2 s

Te= 0.65 s

Exemple 2 :
On échantillonne un "La" à une fréquence Fe donnée

Fe= ????;
t= 0:1/Fe:2;
x=sin(2*pi*440*t);
sound(x,Fe);
 Cas des signaux à support fréquentiel
13
non borné
Dans le cas des signaux à support fréquentiel infini, il est impossible de définir une notion de
fréquence maximale.

Si on l'échantillonne à une cadence Fe , il y a toujours repliement de spectre.

Solution
On va numériser un signal x1(t), qui sera le résultat d'un filtrage passe-bas idéal du signal x(t) à
support fréquentiel infini. |X(f)|

X1 (f )  X(f )   Fe (f )
-Fe/2 Fe/2 f
On peut montrer que x1(t) est le signal, ayant un support fréquentiel entre [-Fe/2, Fe/2] qui se
rapproche le mieux de x(t) au sens des moindres carrées.

D'une manière général, afin de garantir la condition de Shannon, il faut utiliser un filtre passe-bas
anti-repliement de fréquence de coupure inférieure à Fe/2.
14 Échantillonnage
Exemple: acquisition d’un signal sonore

Le son s(t) est supposé être composé de l’alternance de deux

tonnalités placées à 1280 hz et 1620 hz;

Application du théorème de Shanon:

fe >3240 hz
fréquence d’échantillonnage 3675 hz
15 Échantillonnage
Exemple: spectre du signal physique

………Mais des harmoniques hautes fréquences ne sont pas

négligeables……
Échantillonnage
Exemple

……..
K=-2
K=2
K=-1
K=1

Périodisation du spectre à 3675 hz

17 Échantillonnage
Exemple

Périodisation du spectre à 3675 hz

Des raies apparaissent en basse fréquence

 Échantillonnage
Exemple:limite de la bande passante par filtrage

Des raies hautes fréquences sont atténuées,….

….et plus audibles après repliement
 Échantillonnage réel
19
En pratique, l'échantillonnage ne se fait pas sur un temps infiniment court, et en
fait l'échantillon x(nTe) s'écrit :
x(t)
h(t-nTe)
x h (nTe )   x ( t )h ( t  nTe ) dt
DT

On moyenne la valeur de x(t) pondérée par h(t-nTe) sur

l'intervalle DT nTe t
DT
On peut également écrire x h (nTe )  x ( t )  h (t ) nTe


Expression du signal échantillonné réel x he ( t )  x
n  
h (nTe )  ( t  nTe )

Exemple Échantillonnage réel par moyennage simple x(t)

h(t-nTe)
1
On prend h(t) comme h ( t )    ( t   / 2)

nTe 
1
x h (nTe ) 
  x(t ) dt nTe (n+1)Te
nTe
t

TF d'un signal échantillonné
20
Question : que devient le spectre du signal x(t) après échantillonnage réel?

L'expression du signal échantillonnée réellement est : x he ( t )  x
n  
h (nTe )  ( t  nTe )

On peut également l'écrire x he ( t )  x ( t )  h ( t )  ( t  nTe )
n  

Donc, d'après les propriétés des TF, on a X he (f )  FeX (f )  H (f )*  (f  nFe )
n 


D'où X he (f )  Fe  X (f  nFe )  H * (f  nFe ) Car H(-f)=H*(f)

n  

Interprétation
- l'expression de Xhe(f) est identique à Xe(f) à un terme de pondération près.
- le terme de pondération n'influe pas sur la condition de Shannon
- le terme H*(f) introduit une distorsion sur le spectre par rapport au cas idéal. Cette
distorsion est d'autant plus faible que H(f) est constant dans la bande [-Fe/2, Fe/2].
 Exemple d'échantillonnage réel
21
Soit x(t) un signal dont le spectre est

On réalise un échantillonnage réel par moyennage simple

1 1 sin(f) if
h(t)    ( t   / 2) donc H (f )  e
  f
D'après le résultat précédent, on a

X he (f )  Fe  X (f  nFe )  H * (f  nFe )
n  

Xhe(f) en fonction de  Xhe(f) X (f) |H(f)|

Fe=20 Hz 0.5 0.1 0.01

 La reconstruction 1/4
22
Question :
On a échantillonné un signal x(t) en respectant le théorème de Shannon, comment fait on pour
reconstruire x(t) à partir des échantillons?

Interpolation de Shannon
Si on respecte la condition de Shannon, pour reconstruire le signal, il suffit de prendre la TF
inverse du motif de base de Xe(f).
1 |Xe(f)|
X (f )  Xe(f )   Fe (f ) Fe
Fe n=0 n=1

1 
Et donc x ( t )  F1  Xe(f )   Fe (f )
 Fe  -Fmax 0 Fmax f

 n    
X e (f )  Fe.  X (f  nFe ) 1
donc x ( t )  F    X(f  nFe )   Fe (f ) Ce qui donne en utilisant les propriétés
n    n     appropriées

 n    sin(tFe) n  
sin(( t  nTe )Fe)
x ( t )    Te x (nTe )( t  nTe )  Soit x(t)  T x (nTe )
 n    t n  
e
( t  nTe )

- La connaissance de tout les échantillons est nécessaire pour reconstruire le signal

 mathématique possible, mais physiquement irréalisable.
- cet interpolation est non causale.
 La reconstruction 2/4
23 Extrapolateur d'ordre 0

On se propose ici d'étudier une méthode de reconstruction causale

Extrapolateur d'ordre 0
L'idée est simplement de maintenir l'échantillon x(nTe) jusqu'à l'apparition de l'échantillon x(nTe+Te).

Le résultat obtenu est

n  
x o (t)   x (nTe ) 
n  
Te ( t  Te / 2  nTe )

On cherche à caractériser les différences en étudiant la TF

de xo(t)
On peut réécrire
 n   
x o ( t )    x (nTe )  ( t  nTe )    T e ( t  Te / 2)
 n   
soit
   sin(fTe ) ifT e
X o (f )  Fe    X(f  nFe )   e
 n    f

Interprétation ?
 La reconstruction 3/4
24 Interprétation de l'extrapolateur d'ordre 0

La TF du signal reconstruit par l'extrapolateur d'ordre 0 s'écrit

   sin(fTe ) ifT e
X o (f )  Fe    X(f  nFe )   e Xo(f) = spectre du signal échantillonnée pondérée
 n    f par la TF du signal porte de reconstruction

1- déformation de la bande centrale entre [-Fe/2, Fe/2]

2- présence de composantes hautes fréquences

Atténuation de distorsions
1- augmentation de Fe

2- filtre passe-bas de fc < Fe/2

La reconstruction 4/4
25

D'une manière générale, on peut reconstruire le signal à partir des échantillons en utilisant
l'équation générale
n  
x o (t)   x (nTe )h ( t  nT )
n  
e

Cela revient à chercher un système dont la réponse impulsionnelle est h(t) , car

 n   
x o ( t )    x (nTe )  ( t  nTe )   h ( t )
 n   

Le problème consiste à trouver un filtre dont la réponse fréquentielle soit :

- la plus constante possible dans la bande [-fmax,fmax]

- la plus faible possible au delà de la bande [-Fe/2, Fe/2]
Échantillonnage
Reconstruction

Se f  0, fe, 1  f  S f 

fe
 Échantillonnage
Reconstruction

S f   Se f   0, f , 1  f   st   set    0, f , 1 t 

F 1
e e
fe fe
Échantillonnage
Reconstruction

se t
Échantillonnage
Reconstruction
La quantification
30

Role
Approximer chaque valeur du signal échantillonné xe(t) en un multiple entier d'une quantité
élémentaire q appelée "pas de quantification" ou quantum.

Si q est constant, on parle de quantification uniforme.

Principe
Il existe principalement deux modes de quantification
 1 1
- par arrondi : si  N    q  x e (t)  ( N  )  q
 2 2
Alors à xe(t) on associe le code N ou la valeur Nq

- par troncature : si Nq  x e ( t )  ( N  1)  q

Alors à xe(t) on associe le code N ou la valeur Nq

La quantification introduit une erreur modélisable mathématiquement, et que l'on peut

considérer comme une variable aléatoire.
31
32
 Conclusions
33

La condition de Shannon garantit la non perte d'information, dans le cas idéal!

Dans le cas pratique, il y a des distorsions dans le signal échantillonné

- échantillonnage réel
- reconstruction par extrapolation

Des précautions sont à prendre afin que le signal échantillonné et le signal reconstruit à partir
des échantillons soient le plus fidèle possible au signal original.
Bibliographie
34

- Bellanger M, Traitement numérique du signal, Dunod, 1998.

- Picinbono B, Theorie des signaux et des systèmes, Dunod, 1993

- Truchetet F, Traitement linéaire du siganl numérique, Hermes, 1998