Théorie de la convolution
1) Systèmes linéaires mono-variables
2) Réponse d’un système linéaire continu
3) Convolution
4) Systèmes échantillonnés
5) Convolution numérique
6) Convolution d’images
Images HEI4 IMS
Rappels sur les systèmes linéaires
1) En automatique, en électronique, un système linéaire
est un processus avec plusieurs entrées ou commandes et
plusieurs sorties ou observations. Il intègre donc donc des
actionneurs et des capteurs.
2) Un système est dit linéaire si les équations
différentielles qui lient les entrées et les sorties sont des
équations différentielles linéaires à coefficients constants.
3) Un système peut être continu ( commande et contrôle
non numérique) ou échantillonné ( un processeur
récupère les observations des capteurs , élabore la
commande et commande les actionneurs du processus)
Images HEI4 IMS
Systèmes continus
1) On va choisir un système mono variable: une entrée e(t) et
une sortie s(t)
2) L’équation sera de la forme :
d n s (t ) d n 1 s ( t ) ds ( t ) d m e (t ) de ( t )
an a n 1 ... a 1 a 0 s ( t ) b m ... b1 b0 e ( t )
dt n dt n 1 dt dt m dt
3) Les automaticiens utilisent l’outil de la Transformée de
Laplace où on se place dans un espace où le différentiel
devient algébrique. On définit alors la fonction de transfert :
s( p) b m p m b m 1 p m 1 ... b 1 p b 0
G ( p)
e( p) a n p n a n 1 p n 1 ... a 1 p a 0
4) Les électrotechniciens se placent plutôt dans l’espace de
Fourier :c’est une fonction de transfert harmonique
s ( jw ) b m ( jw ) m b m 1 ( jw ) m 1 ... b 1 ( jw ) b 0
G ( jw )
e ( jw ) a n ( jw ) n a n 1 ( jw ) n 1 ... a 1 ( jw ) a 0
Images HEI4 IMS
Réponse d’un système linéaire
1) Si le signal e(t) est déterministe, il est possible de connaître sa
Transformation de Laplace ou de Fourier. On peut calculer la T.L
ou la T.L. de la sortie: s(p)=G(p).e(p) ou s(jw)=G(jw).e(jw).
2) Par transformation de Laplace inverse ou transformation de
Fourier inverse, on peut déduire la valeur de s(t).
3) Comment modéliser le système si on ne connaît pas sa fonction
de transfert ? On peut le soumettre à une entrée spécifique ou
mesurer gain et phase en mettant e(t)=A.sin(wt)
4) L’idéal serait d’obtenir la réponse impulsionelle du système avec
une entrée égale à l’impulsion de Dirac
Images HEI4 IMS
Réponse impulsionnelle
1) C’est la réponse lorsque e(t)= δ(t), l’impulsion de Dirac. δ(t)
n’est pas une fonction au sens mathématique, mais une
distribution.
2) δ(p)=1 et δ(jw)=1: ce signal théorique contient toutes les
fréquences au même niveau : il fait une « analyse
fréquentielle avec toutes les fréquences » instantanément
en donnant le comportement du système à tout signal
3) S(p)=G(p) et S(jw)=G(jw) et donc s(t)=h(t) la réponse
impulsionelle du signal.
4) Exemple simple: la cellule RC
Images HEI4 IMS
Equation de convolution
1) Quelle est directement la relation entre s(t), h(t) et e(t) ? En
Laplace ou Fourier, c’est très simple: un produit.
2) En temporel, nous avons l’équation de convolution générale:
s (t )
e ( ).h (t ) d
3) Que signifie cette équation ? Tout d’abord, elle est valable
quelque soit le type de signal (causal ou non) ou de réponse
impulsionnelle (sous réserve d’une convergence)
4) Le calcul de s(t) (s à un instant t) se fait en pondérant les
entrées passées et futures par un coefficient qui est celui de
la réponse h(τ) retournée (notez le h(t-τ)) et on somme !
Images HEI4 IMS
Système causal
1) Un système est causal s’il ne tient pas compte du futur: la sortie
à l’instant t est calculée à partir des entrées précédentes , et le
signal commence à l’instant t=0. Les fonction h(t) et e(t) sont
donc nulles pour t <0
2) La formule de convolution devient donc:
t
s (t ) e( ).h (t ) d
0
3) Les filtres utilisés en électronique qui filtrent un signal en
temps réel sont bien sur des filtres causaux.
4) Un traitement sur un signal dont toute l’histoire est connue
peut être traitée par un filtre non causal: c’est le cas de la
restauration de vieux enregistrements musicaux
Images HEI4 IMS
Filtrage d’un signal continu
1) Le filtrage d’un signal (filtrage linéaire) consiste à faire
passer le signal e(t) dans un filtre de réponse h(t) afin
de sélectionner en s(t) des caractéristiques jugées
intéressantes dans e(t)
2) Filtrage passe bas, très classique qui permet de
diminuer les bruits (souvent de plus hautes fréquences
que e(t)), mais peut lisser le signal
3) Filtrage passe haut, où l’on s’intéresse qu’aux
fréquences au-delà d’une certaine valeur: élimine la
composante continue ou des ondulation lentes
4) Filtrage coupe bande: sélectionner une petite zone de
fréquences comme le fait toute radio
Images HEI4 IMS
Signal échantillonné
1) Le traitement du signal est maintenant basé sur la
numérisation des entrées et des sorties. La stratégie de
commande ou l’élaboration de la sortie se fait par un système
de traitement de l’information. Néanmoins, cela ne change pas
les règles physiques du phénomène étudié !
2) La numérisation d’un signal se fait par échantillonnage avec
une période T normalement constante. Afin de comprendre la
convolution numérique, il faut être capable de modéliser
mathématiquement un signal dont on ne connaît que les
valeurs à t=0, t=T, t=2T, …, t=nT
3) Pour écrire ce modèle, on va utiliser les propriétés de cette
fameuse distribution δ(t)
Images HEI4 IMS
Modélisation
1) Prenons par exemple un signal qui vaut: e(0)=2,e(T)=4.5
et e(2T)=6.9 . On peut écrire ce signal de trois façons:
2) Modélisation temporelle.
e(t) 2 (t) 4.5 (t T ) 6.9 (t 2T )
3) Dans l’espace de Laplace (signaux causaux)
e ( p ) 2 e 0 4 . 5 e Tp 6 . 9 e 2 Tp
4) Dans l’espace des z (z eTp )
e ( z ) 2 z 0 4 .5 z 1 6 .9 z 2
Images HEI4 IMS
Convolution numérique
1) Comme dans le paragraphe précédent, nous avons affaire à
deux signaux: e(t) et h(t)
2) Les deux signaux sont échantillonnés à la même fréquence (la
même période T)
3) h(t) représente la réponse impulsionnelle de notre processus
ou de notre filtre linéaire.
4) Les formules de convolution deviennent donc:
n
s(kT ) e(nT ).h((k n)T )
n
Pour un système limité dans le temps et causal:
nk
s (kT ) e(nT ).h((k n)T )
n 0
Images HEI4 IMS
Exercices de convolution
1) On considère un signal dont les valeurs sont e(0)=1.5
e(T)=3 e(2T)=5 et e(3T)=2. On applique ce signal dans un
filtre temps réel qui a une réponse impulsionnelle de
h(0 T)=1 et h(T)=0.5. Déterminer s(0) à s(3T)
2) On considère le même signal e(t) mais on suppose que
l’on connait déjà l’ensemble de l’histoire de ce signal. On
peut donc appliquer un filtre non causal: h(-T)=0.2 h(0
T)=1 et h(T)=0.5. Déterminer les nouvelles valeurs de s(0)
à s(3)
Images HEI4 IMS
Convolution d’images
1) L’objectif de ce paragraphe est de pouvoir créer des filtres
d’image. Nous avons très longuement insisté sur la convolution à
une dimension et presque tout est dit: un simple passage en
deux dimensions se fait et un petit schéma résume le processus.
2) Nous considérons une image f(x,y) . Cette image est finie (même
si on peut l’imaginer infinie et continue, elle sera « quantifiée »
et aura une taille finie). Nous allons appliquer sur cette image un
filtre de convolution dont la réponse impulsionnelle (quantifiée)
h(x,y)sera connue.
3) Compte tenu des valeurs de f(x,y) comprises entre 0 et 255, on
ne va pas prendre une grande réponse h(x,y). Pratiquement,
c’est une image de 3 pixels par 3 pixels.
Images HEI4 IMS
Opérations élémentaires
1) La formule que nous écrivons est la plus simple pour faire le
calcul car elle est la symétrique : f(x,y)*h(x,y)=h(x,y)*f(x,y)
évidemment.
i 1 j 1
g (x, y)
i 1 j 1
h (i, j ) f ( x i, y j )
2) Un dessin résume en fonction de f(x,y) et h(x,y) le résultat.
Attention au retournement de h(x,y) !
Images HEI4 IMS
Filtre moyenneur
1) La réponse impulsionnelle de ce filtre est le tableau suivant. On
fait la moyenne avec le pixel et ses huit voisins.
2) Ce filtre agit comme un filtre passe-bas: il enlève des bruits
mais provoque une impression de flou lorsqu’il a changement
brutal de niveau de gris dans l’image.
3) Le moyenneur fait donc un lissage des contours
Images HEI4 IMS
