11524 DUFFAUD Martin
Détection du bruit dans un signal sonore, transformée en
ondelettes discrète
Le sujet choisi combine algorithmique, analyse numérique, et rudiments d'algèbre linéaire :
l'opportunité que représente la théorie des ondelettes, qui propose une solution originale pour
détecter le bruit, m'a séduit. Mon utilisation personnelle d’écouteurs utilisant la réduction
active du bruit m'a également encouragé à en apprendre davantage sur l'analyse du signal.
La détection du bruit intervient dans les systèmes auditifs utilisant le principe de contrôle actif
des nuisances sonores (ANC, Active Noise Control). L'ANC est un moyen très efficace de
réduire les nuisances, et est utilisé pour certaines fenêtres d'appartement et habitacles de
voitures, limitant "localement" les nuisances du trafic routier.
Positionnement thématique (ÉTAPE 2) :
- INFORMATIQUE (Informatique pratique)
- MATHEMATIQUES (Mathématiques Appliquées)
- MATHEMATIQUES (Algèbre)
Mots-clés (ÉTAPE 1) :
Mots-clés (en français) Mots-clés (en anglais)
Ondelette Wavelet
Débruitage Denoising
Seuillage Thresholding
Bruit blanc gaussien White Gaussian noise
Transformée discrète en ondelettes Discrete wavelet transform (DWT)
Bibliographie commentée
Depuis une trentaine d’années, l’utilisation d’interférences pour atténuer un son est devenue un
domaine majeur de la recherche en acoustique. Ces interférences, observables lorsque deux
sources émettent un son, donnent lieu à un nouveau signal, d’amplitude parfois plus forte, mais
aussi plus faible (interférences constructives, ou destructives). Ce phénomène est une
conséquence du principe de superposition : la pression produite par deux ondes en un point vaut
la somme des pressions produites par chaque onde individuellement. Ainsi, pour obtenir un son
atténué, la variation de pression résultant de l’action des différentes sources doit être diminuée.
En conséquence, pour atténuer un signal sinusoïdal, il suffit d’émettre un signal de même
pulsation mais ayant un déphasage judicieux avec le signal d’entrée.
Néanmoins, une onde sonore ne se réduit pas à un simple signal sinusoïdal, ni même à un signal
périodique. Si l’onde est périodique, une décomposition en séries de Fourier est possible [2]. Une
analyse harmonique permet ensuite de retenir les fréquences où les harmoniques sont de plus
grande amplitude et d’émettre pour chacune d’entre elles un signal en opposition de phase : on
obtiendrait ainsi une atténuation efficace du son. Toutefois, en ville, les nuisances sonores ne
forment que rarement un signal périodique, une telle démarche est donc peu souvent
envisageable [2,5]. De plus, le signal reçu par un micro est souvent “bruité” lors de la mesure [6].
Dans un cadre d’étude précis, le bruit peut-être supposé comme étant un bruit blanc gaussien, c’
est à dire un signal de puissance uniforme sur la bande de fréquence, et où la répartition se fait
autour d’une fréquence centrale : on dit qu’il suit une loi normale.
Lors de la génération d'interférences destructives, il faut donc prendre en compte le bruit. Dans
les systèmes auditifs utilisant la réduction active du bruit, la détection du celui-ci est mise en
évidence par un microphone d’erreur, qui compare le signal d’entrée avec le signal émis, puis
déduit en temps réel le filtrage optimal à mettre en place [6]. Par ailleurs, on peut débruiter
numériquement le signal par le biais d’une analyse par ondelettes du signal [1,2].
L’analyse par ondelettes s’applique dans différents domaines comme la spectroscopie, la
sismologie, l’imagerie numérique ou l’acoustique. Les ondelettes sont des fonctions réelles de
moyenne nulle, pour lesquelles l’intervalle où la fonction ne s’annule pas (son support) est fini
[1,2,4]. Les familles d’ondelettes étant nombreuses, il est possible d’obtenir des analyses
différentes pour un même signal : cette richesse implique que certaines familles auront des
utilisations plus adaptées dans certains domaines que d’autres [3]. Chacune de ces familles d’
ondelettes résultent d’une ondelette mère, les autres ondelettes sont obtenues par translation
(fenêtrage) et homothétie. Par exemple, l’ondelette de Morlet, établies en 1975, est la fonction
: t cos(5t)exp(-t²/2). Il existe des ondelettes plus simples, avec moins de moments nuls,
comme celles de Haar, établies en 1909 et ayant pour ondelette mère la fonction pour laquelle
t prend comme valeur 1 sur [0, 1/2 [ , -1 sur [ 1/2 , 1[ et qui s’annule pour toutes autres valeurs
réelles [1,2,3,4].
Une des méthodes de filtrage du signal est l’algorithme de seuillage par ondelettes de Donoho et
Johnstone [1,2]. Après avoir réalisé la transformée en ondelettes du signal, l’algorithme
sélectionne les coefficients les plus significatifs : les coefficients de chaque ondelette sont
comparés avec une valeur seuil T, proportionnel à la variance du bruit, puis ils sont « seuillés »
(c’est-à-dire multipliés par la valeur 1 ou 0) afin de ne conserver que les valeurs plus grandes
que T [1,2].
Problématique retenue
Il s’agit de discuter de l’utilisation des ondelettes pour le débruitage d’un signal audio. On
mettra en évidence l’importance du choix de la famille d’ondelettes pour un tel procédé, et on
proposera un cadre pour lequel l’hypothèse du bruit blanc gaussien est raisonnable.
Objectifs du TIPE du candidat
Je me propose d’étudier l’algorithme de transformée en ondelettes et d’utiliser ces fonctions d’
ondes afin de débruiter un signal audio. On implémentera en Python l’algorithme de seuillage
de Donoho et Johnstone, dans le cas particulier des ondelettes de Haar, que l’on testera sur des
enregistrements audio de plus ou moins bonne qualité. L’objectif sera de comparer les résultats
avec ceux que l’on aurait obtenus pour des familles d’ondelettes différentes.
Références bibliographiques (ÉTAPE 1)
[1] STÉPHANE MALLAT : A Wavelet Tour of Signal Processing, The Sparse Way : 3rd
Edition (2008)
[2] CATHERINE CHARLES : Introduction aux applications des ondelettes : Unité de
Statistique, Informatique et Mathématiques Appliquées (SIMa), Gembloux, Belgique. (2011)
[3] STÉPHANE MALLAT : Bases Orthogonales d'Ondelettes : Notes des Cours de Stéphane
Mallat, Représentations Parcimonieuses, Cours 2021 n°7, Paris, Collège de France.
https://www.di.ens.fr/~mallat/College/WaveletTourChap7.pdf
[4] YVES MEYER, STÉPHANE JAFFARD ET OLIVIER RIOUL : L’Analyse par ondelettes
: Pour la Science (1987)
[5] CYRIL PLAPOUS : Traitements pour la réduction de bruit. Application à la
communication parlée : Traitement du signal et de l’image. Université Rennes 1, (2005)
[6] RENÉ LE, PIERRE LALIBERTÉ : Conception d’un protecteur auditif à suppression de
bruits dominants : Institut de recherche Robert-Sauvé en santé et en sécurité du travail,
Rapport R-361, Québec, (2004)
DOT
[1] : Début Juillet 2022 : Familiarisation avec la théorie des ondelettes, découverte de
l'algorithme de Donoho et Johnstone (références [2] et [4]).
[2] : Août 2022 : Lecture de la référence [1] et compréhension des concepts clés.
[3] : Septembre 2022 : Début de la programmations python des outils du TIPE, utilisation de la
bibliothèque PyWavelets.
[4] : Novembre 2022 : Réalisation de tests et mesures, dont les résultats sont éronnés.
[5] : Décision Fin Décembre 2022 : Arrêt du recours à la bibliothèque PyWavelets, jugée
inadaptée pour le traitement de signaux sonores.
[6] : Fin Février 2023 : Passage d'une version naïve à une stratégie de programmation
dynamique dans la transformée discrète en ondelettes.
[7] : Mars 2023 : Réalisation de tests et mesures, dont les résultats sont convaincants.
[8] : Mai 2023 : Vérification des hypothèses faites sur le bruit éliminé lors du seuillage. Test de
normalité : résultats valides après une rapide correction.
