Nada FARHANI Jihed Jabnoun

Première année : Licence en sciences de l’informatique

Matière : Technologies Multimédias

TP n° 3:
Transformée de Fourier

1. But de la manipulation :
Le but de ce TP est de faire la représentation temporelle et fréquentielle des
signaux afin de faire la différence entre les deux domaines.
2. Equipement :
PC équipé du logiciel MATLAB.

Année Universitaire : 2022-2023

 TP 2 : Transformée de Fourier

1. Rappel Théorique
1.1. Définition

Notre interaction avec le monde physique se fait via de nombreux

signaux continus (comme le son ou la lumière), dits analogiques. Pour traiter ces signaux
avec un ordinateur, il faut effectuer une conversion afin d'obtenir une
représentation numérique : on parle de discrétisation et de numérisation de l'information.
La discrétisation consiste à découper le signal en petits morceaux (par exemple des
pixels pour une image) et la numérisation consiste à associer à chacun de ces morceaux un
nombre qui représente l'information (par exemple une couleur pour une image).
Un signal échantillonné est une représentation composée d'échantillons d'un signal
analogique. On ne sélectionne qu'une partie du signal en enregistrant uniquement certaines de
ses valeurs. Le processus associé est appelé échantillonnage. On parle aussi
de discrétisation à la place d’échantillonnage.
Après avoir obtenu des échantillons, on peut leur attribuer une valeur numérique : il
s'agit du processus de numérisation.
Les systèmes qui réalisent l’échantillonnage et la numérisation des signaux analogiques
sont appelés convertisseurs analogique numérique.
Un Signal numérique : Il s’agit d’un signal échantillonné quantifié en amplitude.

1.2. Passage de la représentation temporelle à celle fréquentielle

Un signal (que ce soit audio, vidéo, ou autre) est souvent représenté sous sa forme temporelle:
on a une succession temporelle d'échantillons représentant la valeur du signal à un instant
donné. On peut extraire certaines informations directement à partir de cette représentation
(amplitude à un instant donné etc.)
Néanmoins, pour analyser un signal, cette représentation temporelle est très limitée. On ne
peut pas avoir accès à des informations fréquentielles par exemple. À part dans des cas
simples, il nous est donc impossible de dire quelles sont les fréquences présentes dans un
signal juste en regardant sa représentation temporelle.
 Pour avoir accès à ce genre d'information, il faut représenter le signal sous une autre
forme, à savoir sous la forme fréquentielle.
L’exemple ci-dessous illustre une représentation temporelle et fréquentielle d'un même
signal (une somme de sinusoïde respectivement de 100Hz à 1Volt d'amplitude et de 1000 Hz
à 0.2V d'amplitude).

Page 1
 TP 2 : Transformée de Fourier

Figure 1: Représentation temporelle et fréquentielle d'un signal.

Sur la représentation temporelle, on voit bien l'enveloppe temporelle du signal alors que
sur la représentation fréquentielle, on voit bien que le signal présente 2 fréquences : à 100Hz
et amplitude 1 et d'une autre à 1000Hz d'amplitude 0.2.

1.3. La transformée de Fourier

Il existe un moyen de transformer la représentation temporelle d'un signal en sa

représentation fréquentielle. Et ce moyen s'appelle la transformée de Fourier.
Soit un signal x(t) dépendant du temps et sa transformée de
fourier X(ν) avec ν représentant la fréquence, on définie la transformée de Fourier comme
suit :

En effet, cette formulation de la transformée de Fourier ne marche que si l'on manipule des
fonctions continues dans le temps. Or, en pratique, nous avons quasiment tout le temps des
signaux discrets dans le temps (signaux numériques). C'est-à-dire que l'on possède la valeur
du signal tous les Te en millisecondes par exemple. On ne manipule pas la fonction du signal
en elle-même.
De ce fait, la transformée de Fourier ne s'applique plus telle quelle. Il faut donc la passer
dans le domaine discret. L'intégrale se transforme donc en une simple somme.

Page 2
 TP 2 : Transformée de Fourier

Dans cette formulation, on remarque que l'on doit connaitre tout le signal, de −∞ à +∞. En
réalité, on ne peut pas avoir tout le signal en entier. Bien souvent, on veut analyser seulement
une partie du signal de t=0 à t=[Link] (où Te est la période d'échantillonnage).
La formule s'écrit donc :

Comme on travaille dans le domaine discret, on peut aussi discrétiser le temps : t=[Link]
avec k Ꞓ {0;N−1} pour un signal de N échantillons.

Enfin, comme on a échantillonné le signal en temporelle, le résultat en fréquentielle doit lui

aussi échantillonné. On pose donc ν= νs.l avec l Ꞓ{0;N−1} et νs=1/([Link]).
La valeur de νs a été choisie afin d'éviter le phénomène de recouvrement temporel.
Ce qui nous donne la formule finale de la transformée de Fourier discrète (TFD) :

Dans cette formule, on sous-entend que X(l) est en réalité X(l/([Link])) et que x(k) vaut en
réalité x([Link])
À partir de cette formule, il est donc facile d'implémenter une transformée de Fourier
discrète informatiquement.

Page 3
 TP 2 : Transformée de Fourier

2. Partie Pratique :
2.1. Manipulation 1 :
Calculer la transformée de Fourier du signal : x(t)=cos(2*pi*f0*t); avec fe=1000hz et
f0=10;

fe=1000;
te=1/fe;
f0=10 ;
% Définition du Signal cosinus
t=0:te:1;
x=cos(2*pi*f0*t);
% Transformée de Fourier
f=linspace(-fe/2,fe/2,length(t));
Xf=fftshift(fft(x)/fe);
subplot(2,1,1);
plot(t,x);
xlabel('temps');
ylabel('x(t)');
title('cos([Link].f0.t)');
subplot(2,1,2);
stem(f,abs(Xf));
axis([-20,20,0,1]);
grid on;
xlabel('frequence');
ylabel('X(f)');

a- Commenter.
Afin d’afficher la transformée de Fourier inverse, ajouter les lignes de code suivantes :

% Transformée de Fourier inverse

y=ifft(ifftshift(Xf))*fe ;
figure(2)
subplot(2,1,1);
plot(t,x);
xlabel('temps');
ylabel('x(t)');
title('cos([Link].f0.t)');
subplot(2,1,2);
plot(t,y) ;
axis([0,1,-1,1]);
xlabel('temps') ;
ylabel('y(t)') ;
title('TF inverse de Xf');

a- Que constatez-vous ?

Page 4
 TP 2 : Transformée de Fourier

2.2. Manipulation 2:
Calculer la transformée de Fourier de la somme de deux signaux sinusoïdaux :
X(t)= sin (2*pi*f1*t)+0.6*sin (2*pi*f2*t); avec fe =1000, f1=150 et f2=40.

fe=1000;
te=1/fe;
% Définition du Signal superposition de sinus
t=0:te:1;
f1=150 ; f2=40 ;
x=sin(2*pi*f1*t)+0.6*sin(2*pi*f2*t);
% Transformée de Fourier
f=linspace(-fe/2,fe/2,length(t));
Xf=fftshift(fft(x)/fe);
%%%Affichage
subplot(2,1,1);
plot(t,x);
xlabel('temps');
ylabel('x(t)');
title('Superposition de signaux');
subplot(2,1,2);
stem(f,abs(Xf));
axis([-160,160,0,1]);
grid on;
xlabel('frequence');
ylabel('X(f)');
title('TF de x(t)')

a- Commenter.
b- A quoi correspondent les fréquences affichées dans le spectre ?
2.3. Manipulation 3:

On considère les quatre signaux suivants :

x1(t)=cos ((2*pi*f1*t)+ҩ1);

x2(t)=cos (2*pi*f2*t);

x3(t)=cos ((2*pi*f3*t)+ ҩ3);

x4(t)= x1(t) + (3* x2(t)) + (2* x3(t));
Avec :

ҩ1= pi/4 , ҩ3= pi/3, f1=40hz, f2=105hz et f3=125hz

Page 5
 TP 2 : Transformée de Fourier

a. Tracer les xi(t) pour i=1 :4 entre t0= 0s et tmax= 0.1s avec une fréquence
d’échantillonnage fe=1000hz.

%Paramètres:
f1=40; f2=105; f3=125;
w1=pi/4; w3=pi/3;
fe=1000;
t0=0;
tmax=0.1; fmax=10;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%Signaux déterministes%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%
%Echantillonnage
%Générer le vecteur temps discret n:
n=0:1/fe:tmax;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%Générer les signaux échantillonnés xi(n):
xn1=cos((2*pi*f1.*n)+w1);
xn2=cos(2*pi*f2.*n);
xn3=cos((2*pi*f3.*n)+w3);
xn4=xn1+(3*xn2)+(2*xn3);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%Viualisation des signaux échantillonnés:
figure(1)
subplot(4,1,1); plot(n,xn1,'-bs','LineWidth',1,...
'MarkerEdgeColor','K',...
'MarkerSize',3);
title('Signal x1 échantillonné')

subplot(4,1,2); plot(n,xn2,'-bs','LineWidth',1,...
'MarkerEdgeColor','K',...
'MarkerSize',3);
title('Signal x2 échantillonné')

subplot(4,1,3); plot(n,xn3,'-bs','LineWidth',1,...
'MarkerEdgeColor','K',...
'MarkerSize',3);
title('Signal x3 échantillonné')

subplot(4,1,4),plot(n,xn4,'-bs','LineWidth',1,...
'MarkerEdgeColor','K',...
'MarkerSize',3);
title('Signal x4 échantillonné')

 Que peut-on conclure ?

Page 6
 TP 2 : Transformée de Fourier

b- Calculer la transformée de Fourier de chaque signal échantillonné xi(n).

%%%%%Calcul TFD%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%Calcul de la TFD du premier signal:
xf1=fft(xn1);
%Center le spectre par rapport à f=0 et passage aux fréquences
discrètes:
xf1=fftshift(xf1);
N1=length(xn1);
f1=(-N1/2:N1/2-1)*fe/N1;
%Calcul de la TFD du deuxième signal:
xf2=fft(xn2);
%Center le spectre par rapport à f=0 et passage aux fréquences
discrètes:
xf2=fftshift(xf2);
N2=length(xn2);
f2=(-N2/2:N2/2-1)*fe/N2;
%Calcul de la TFD du troisième signal:
xf3=fft(xn3);
%Center le spectre par rapport à f=0 et passage aux fréquences
discrètes:
xf3=fftshift(xf3);
N3=length(xn3);
f3=(-N3/2:N3/2-1)*fe/N3;
%Calcul de la TFD du quatrième signal:
xf4=fft(xn4);
%Center le spectre par rapport à f=0 et passage aux fréquences
discrete:
xf4=fftshift(xf4);
N4=length(xn4);
f4=(-N4/2:N4/2-1)*fe/N4;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%Visualisation des spectres%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
figure(2)
subplot(4,1,1); plot(f1,abs(xf1),'r');title('Le spectre de X1')
subplot(4,1,2); plot(f2,abs(xf2),'g');title('Le spectre de X2')
subplot(4,1,3); plot(f3,abs(xf3),'b');title('Le spectre de X3')
subplot(4,1,4); plot(f4,abs(xf4),'y');title('Le spectre de X4')

 Vérifier que les pics des spectres correspondent aux bonnes fréquences.
 Afficher les 4 signaux avec leurs spectres sur une même figure.
c- Recommencer les étapes précédentes avec fe= 500,200,100 et 70Hz. Qu’en conclure ?

Page 7