Cours 09

METHODES MATH
EMATIQUES
pour le
TRAITEMENT DU SIGNAL
B. Torresani
Universite de Provence
La redaction de ces notes de cours est une consequence indirecte du mouvement de
grève des enseignants chercheurs contre les reformes de lenseignement superieur qui
se succèdent depuis 2007, mouvement qui a pousse nombre dentre eux à imaginer
dautres modes de transmission des connaissances, notamment par la redaction et la
mise en ligne de documents pedagogiques.
Elle doit donc beaucoup aux deux ministres de tutelle, Xavier D. et Valerie P.,
que je pourrais presque faire apparatre dans une section remerciements, neussent
ete leur incompetence, leur profonde malhonnetete, et le profond mepris dont ils ont
fait preuve dans ce conit à legard de tous les acteurs de lenseignement superieur.
Je crois donc plus sincère de leur temoigner en retour mon mepris le plus total.
Fait à Marseille, le 4 juin 2009
Master Mathematiques et Applications
Première annee
Annee Universitaire 2008-09, second semestre
Table des matières
Introduction 5
Generalites (extrait de lencyclopedie libre Wikipedia) 5
Applications (extrait de lencyclopedie libre Wikipedia) 6
Objectif du cours 6
Chapitre 1. INTRODUCTION; SIGNAUX NUMERIQUES 7
1. Series de Fourier 7
2. Signaux numeriques et TFD 15
3. Signaux numeriques multidimensionnels 25
4. Representation des signaux numeriques 27
Chapitre 2. SIGNAUX ALEATOIRES 33
1. Denitions, proprietes simples 33
2. Signaux aleatoires numeriques 36
3. Quelques exemples dapplication 42
4. Representations Hilbertiennes 46
5. Quantication, PCM et codage 47
Chapitre 3. SIGNAUX ANALOGIQUES;
FILTRAGE ET ECHANTILLONNAGE 55
1. Preliminaires 55
2. Signaux denergie nie 55
3. La theorie spectrale de Wiener 64
4. Filtrage lineaire (signaux denergie nie) 65
5. Filtrage adapte 70
6. Bancs de ltres, et analyse de Fourier locale 72
7. Signaux numeriques, Echantillonnage 75
8. Multiresolution et ondelettes 78
Annexe A. Rappels danalyse fonctionnelle A.1
1. Preliminaires A.1
2. Orthogonalite A.1
3. Systèmes orthonormaux, bases Hilbertiennes A.2
4. Bases de Riesz A.4
Annexe B. Repères dans un espace de Hilbert B.1
1. Denitions B.1
2. Inversion B.4
Annexe C. Fonctions dune variable complexe, series de Laurent C.1
1. Fonctions holomorphes, fonctions analytiques C.1
2. Integration sur un chemin dans C C.2
Annexe. References Bibliographiques C.3
Annexe. Index C.5
3
Introduction
Le traitement du signal est la discipline qui developpe et etudie les techniques de traitement (ltrage,
amplication...), danalyse et dinterpretation des signaux. Elle fait donc largement appel aux resultats de
la theorie de linformation, des statistiques ainsi quà de nombreux autres domaines des mathematiques
appliquees.
Generalites (extrait de lencyclopedie libre Wikipedia)
Les signaux à traiter peuvent provenir de sources très diverses, mais la plupart sont des signaux
electriques ou devenus electriques à laide de capteurs et transducteurs (microphones, retines, senseurs
thermiques, optiques, de pression, de position, de vitesse, dacceleration et en general de toutes les gran-
deurs physiques et chimiques).
On distingue essentiellement les signaux analogiques qui sont produits par divers capteurs, ampli-
cateurs, convertisseurs numerique-analogique ; les signaux numeriques issus dordinateurs, de terminaux,
de la lecture dun support numerique ou dune numerisation par un convertisseur analogique-numerique.
Le traitement peut etre fait, sans numeriser les signaux, par des circuits electroniques analogiques
ou aussi des systèmes optiques (traitement du signal optique). Il est de plus en plus souvent realise par
traitement numerique du signal, à laide dordinateurs, de microprocesseurs embarques, de microproces-
seurs specialises nommes DSP, de circuits recongurables (FPGA) ou de composants numeriques dedies
(ASIC).
Il existe plusieurs branches particulières du traitement du signal, en fonction de la nature des signaux
consideres. En particulier :
Traitement de la parole (ou plus generalement du son) - pour lanalyse, la compression et la
reconnaissance de la parole
Traitement dimages - pour lanalyse, la restauration et la compression dimages xes
Traitement de la video - pour lanalyse et la compression de sequences video
Traitement de signaux en dimensions superieures, ou mixtes, tels que les signaux produits par
les nouvelles technologies en biologie ou neurosciences par exemple.
Le traitement du signal peut avoir dierentes nalites :
la detection dun signal
lestimation de grandeurs à mesurer sur un signal
le codage, la compression du signal pour son stockage et sa transmission
lamelioration de sa qualite (restauration) selon des critères physiologiques (pour lecoute et la
visualisation).
Le traitement dun signal eectue depend du but poursuivi. En particulier, les notions de signal et
de bruit sont subjectives, elles dependent de ce qui interesse lutilisateur. On utilise dierentes mesures
representatives de la qualite dun signal et de linformation contenue :
Le rapport signal sur bruit, notion utilisee très frequemment mais equivoque puisque tout depend
de ce qui est considere comme signal et comme bruit.
Le nombre de bits eectifs Eective Number of Bits (ENOB) qui est une mesure de la qualite de
conversion analogique-numerique.
Linformation de Fisher, utile en particulier en estimation de paramètres. Cest linformation rela-
tive à un paramètre ou à un couple de paramètres (matrice dinformation de Fisher).
Lentropie, grandeur issue de la physique statistique et de la theorie de linformation (travaux de
Shannon), utilisee dans les operations de codage. Elle est une mesure de linformation intrinsèque
du signal.
5
6 INTRODUCTION
Applications (extrait de lencyclopedie libre Wikipedia)
Parce quelles sappliquent à toutes les etapes dune chane dacquisition, danalyse, de transfert
et de restitution des donnees, les techniques du traitement du signal trouvent des applications dans
pratiquement tous les domaines de la technologie :
dans les telecommunications : que ce soit dans le domaine de la telephonie ou dans le transfert
de donnees numeriques terrestre ou via satellite, la compression des donnees est primordiale pour
exploiter au mieux la bande passante disponible, et minimiser les pertes. La suppression dechos
est un autre domaine dapplication.
en audio : on cherche à ameliorer les techniques denregistrement et de compression pour obtenir la
plus grande qualite sonore possible. Les techniques de correction decho permettent de reduire les
eets de reexions acoustiques dans la pièce. Le traitement du son sest largement ameliore grace
aux ordinateurs. Toutefois, certains musiciens parlent davantage dun son de nature dierente que
dune simple amelioration qualitative (de meme que le CD ne sonne pas comme le vinyl, et que
certains groupes, par exemple Genesis, ont particulièrement prote du nouveau son oert par le
nouveau support). La synthèse sonore permet en outre de creer des sons articiels ou de recreer
les sons dinstruments naturels. Elle a ete à lorigine de nombreux bouleversements en musique.
lanalyse des echos permet dobtenir des informations sur le milieu sur lequel les ondes se sont
reechies. Cette technique est exploitee dans le domaine de l imagerie radar ou sonar. En geophysique,
en analysant les reexions dondes acoustiques, on peut determiner lepaisseur et la nature des
strates du sous-sol. Cette technique est utilisee dans le domaine de la prospection minière et dans
la prediction des tremblements de terre.
en imagerie : on trouve des applications dans le domaine medical (reconstruction tomographique,
imagerie par resonance magnetique - IRM), dans le spatial (traitement de photos satellite ou
dimages radar). Ce domaine inclut aussi les techniques de reconnaissance de formes et de com-
pression.
le traitement de sequences video concerne la compression, la restauration, la realisation deets
speciaux, et lextraction de descripteurs (reconnaissance de formes et textures, suivi de mouve-
ments, caracterisation etc.) an de produire des annotations automatiques dans une perspective
de bases de donnees (recherche par le contenu).
Objectif du cours
Lobjectif de ce cours est de donner une introduction à un certain nombre de problèmes du traitement
du signal, en insistant sur les aspects mathematiques. Les trois domaines des mathematiques auxquels fera
principalement appel ce cours sont lanalyse harmonique (analyse de Fourier), lanalyse fonctionnelle, et les
probabilites. On sinteressera en particulier à la modelisation mathematique des signaux, notamment les
modèles deterministes (fonctions ou suites) et les modèles de signaux aleatoires (processus stochastiques).
Les points essentiels traites dans ce cours seront :
La representation spectrale des signaux.
Le ltrage des signaux, dans sa version numerique et sa version analogique.
La conversion analogiquenumerique, notamment le theorème dechantillonnage et les operations
prealables à lechantillonnage.
Les modèles de signaux aleatoires stationnaires en moyenne dordre deux, et les operations corres-
pondantes.
Un certain nombre dapplications speciques seront traitees plus en details, prises par exemple parmi
la liste suivante
la detection optimale de signaux connus plonges dans un bruit Gaussien colore,
la compression des sons et/ou des images, avec par exemple lapplication aux codeurs MP3 pour
les sons, ou JPEG2000 pour les images.
lanalyse temps-frequence et lanalyse par ondelettes,
le codage de la parole (par exemple avec un codeur par prediction lineaire),
les codes correcteurs derreur
La separation aveugle de sources,
...
Certains des aspects developpes dan,s le cours seront egalement etudies dans le cadre de travaux
pratiques sous Matlab.
CHAPITRE 1
INTRODUCTION; SIGNAUX NUMERIQUES
Le traitement du signal classique sappuie fortement sur lanalyse harmonique, et en particulier lana-
lyse de Fourier. On donne ici les elements essentiels de la theorie des series de Fourier, avant dappliquer
les resultats essentiels au traitement des signaux numeriques.
1. Series de Fourier
1.1. Rappels sur les espaces L
p
et
p
. Commencons par introduire les espaces L
p
: soient a < b
deux reels, et soit f une fonction : f : [a, b] C. On dit que f L
p
([a, b]) si
|f|
p
:=
_
_
b
a
[f(t)[
p
dt
_
1/p
< .
Lapplication f |f|
p
denit une seminorme sur L
p
([a, b]), seminorme qui peut etre transformee en
norme par un passage au quotient approprie. Etant donnees f, g L
p
([a, b]), on dira que f g si
|f g|
p
= 0. Ceci denit une relation dequivalence, et on peut alors denir L
p
([a, b]) par
L
p
([a, b]) = L
p
([a, b])/ ,
cest à dire en identiant les fonctions qui dièrent sur un ensemble de mesure nulle. On montre que la
norme ainsi obtenue munit L
p
([a, b]) dune structure despace de Banach.
Soit f : R C. On dira que f L
q
p
([a, b]) si la restriction de f à lintervalle [a, b] appartient à
L
q
([a, b]), et si f est periodique dans le sens suivant : en posant T = b a, et f
n
(t) = f(t nT), on a
f = f
n
pour tout n.
On denit de fa con analogue les espaces L
p
(R).
On dit quune suite f = f
n
, n Z appartient à
p
(Z) si
|f|
p
:=
_

n=
[f
n
[
p
_
1/p
< .
p
(Z) est lui aussi naturellement muni dune structure despace de Banach par la norme |.|
p
.
Les espaces L
p
([a, b]) et
p
(Z) possèdent des proprietes simples dinclusion :
Proposition 1.1. Soit 1 < p < .
(1) Si f L
p
([a, b]), alors f L
q
([a, b]) pour tout q tel que 1 < q p.
(2) Si f
p
(Z), alors f
q
(Z) pour tout q tel que p q < .
Preuve : 1) Soit f L
p
([a, b]), et soit S lensemble des points t tels que [f(t)[ 1. Sur S, on a alors
[f(t)[
q
[f(t)[
p
pour tout q p. On a alors, en notant I = [a, b],
_
b
a
[f(t)[
q
dt =
_
S
[f(t)[
q
dt +
_
I\S
[f(t)[
q
dt
_
S
[f(t)[
q
dt +[IS[ < .
2) Le cas des suites est une consequence directe du critère de Riemann.
Remarque 1.1. Il est à noter que dans le cas des espaces L
p
(R), il nexiste aucune relation dinclusion
de telle sorte.
On denit de la facon usuelle le produit simple des suites ((fg)
n
= f
n
g
n
) et des fonctions ((fg)(t) =
f(t)g(t)) ; on utilisera regulièrement le resultat suivant
7
8 1. INTRODUCTION; SIGNAUX NUMERIQUES
Proposition 1.2 (Holder). Soient 1 p, q , et soit r tel que
(1.1)
1
r
=
1
p
+
1
q
.
(1) Si f L
p
([a, b]) et g L
q
([a, b]), alors fg L
r
([a, b]).
(2) Si f
p
(Z) et g
q
(Z), alors fg
r
(Z).
Dans tous les cas, on a linegalite de Holder
(1.2) |fg|
r
|f|
p
|g|
q
.
1.2. La theorie L
2
. Considerons lespace L
2
p
([a, b]) des fonctions periodiques de periode b a, de
carre integrable sur lintervalle [a, b] (et donc sur tout intervalle de longueur b a), muni du produit
scalaire
(1.3) f, g) =
_
b
a
f(t)g(t) dt .
On considère les fonctions trigonometriques
(1.4) e
n
: t e
n
(t) =
1
b a
exp
_
2i
nt
b a
_
.
On verie facilement que la famille de fonctions e
n
, n Z est un système orthonormal dans L
2
p
([a, b]).
Pour montrer quil sagit dune base orthonormale, il nous sut donc de montrer que le système est
complet.
Une première methode consiste à utiliser la densite de C([a, b]) dans L
2
([a, b]). On peut alors utiliser
le resultat dapproximation des fonctions continues par des polynomes trigonometriques (voir [12]) pour
une demonstration) :
Proposition 1.3 (Weierstrass). Soit f C([a, b]). Pour tout > 0, il existe un polynome
trigonometrique P(t) de periode b a tel que pour tout t [a, b], on ait
(1.5) [f(t) P(t)[ .
Supposons pour simplier que [a, b] = [, ] (le cas general se traite de fa con similaire). Soit f
L
1
([, ]), et supposons que f soit orthogonale à toutes les fonctions e
n
:
_
f(t)e
int
dt = 0, n =
0, 1, 2, . . . . Soit g denie par g(t) =
_
t
f(s)ds. g est continue par construction, et verie g() = 0. Si C

est une constante complexe quelconque, une integration par parties montre que
_
(g(t)C)e
int
dt = 0,
n = 1, 2, . . . . Un choix adequat de C permet à cette egalite detre valide pour n = 0 egalement. On pose
alors h(t) = g(t) C. h C([, ]), et on sait daprès le resultat ci-dessus que pour tout > 0, il existe
un polynome trigonometrique P(t) tel que pour tout t [, ], [h(t) P(t)[ . Donc, on a
[[h[[
2
=
_

h(t)(h(t) P(t))dt
_

[h(t)[ dt
2 [[h[[ ,
do` u on deduit que pour tout > 0, [[h[[
2. Donc h(t) = 0 presque partout, g(t) = C = g() = 0

pour presque tout t, et donc f = 0. On a ainsi, comme pour tout q 1, L
q
([, ]) L
1
([, ]), le
resultat suivant
Corollaire 1.1. Le système trigonometrique est complet dans L
2
p
([, ]).
Remarque 1.2. En fait, on peut egalement utiliser directement la densite de C([a, b]) dans L
2
([a, b]).
Nous sommes donc en position dutiliser les resultats precedents, ce qui conduit aux series de Fourier.
Pour tout f L
2
([a, b]), on pose
(1.6) c
n
= c
n
(f) =
1
b a
_
b
a
f(t) e
2int/(ba)
dt .
Les nombres c
n
(f) (qui existent puisque L
2
([a, b]) L
1
([a, b]) sont appeles coecients de Fourier de f,
et on sinteresse aux sommes partielles
(1.7) f
N
(t) =
N
n=N
c
n
(f)e
2int/(ba)
,
1. S
ERIES DE FOURIER 9
ainsi quà leur limite
(1.8) f
(t) =
n=
c
n
(f)e
2int/(ba)
,
appelee serie de Fourier de f.
Il resulte de la discussion precedente (et en particulier du theorème A.6 de lAppendice A) que si
f L
2
p
([a, b]), la suite c(f) = c
n
(f), n Z appartient à
2
(Z), et la serie de Fourier
n=
c
n
(f)e
2int/(ba)
converge au sens de L
2
. On a donc
Th eor` eme 1.1. La famille des fonctions exponentielles e
n
denies en (1.4) est une base or-
thonormee de L
2
p
([a, b]). Pour tout f L
2
p
([a, b]), on a
(1.9) [[f f
N
[[
2
= (b a)
|n|>N
[c
n
(f)[
2
0 quand N .
De plus, la formule de Parseval secrit, pour toutes f, g L
2
p
([a, b])
(1.10)
c
n
(f)c
n
(g) =
1
b a
_
b
a
f(t)g(t) dt .
Remarque 1.3. Les series de Fourier fournissent des decompositions des fonctions periodiques ou à
support borne comme superpositions de briques elementaires, les fonctions e
n
. La variable n possède
une signication physique essentielle : il sagit dune variable de frequence, qui par exemple dans le
cas o` u la fonction f etudiee represente un son, caracterise la hauteur du son. Les grands n (hautes
frequences) correspondent aus sons aigus, et les faibles valeurs de n aux sons graves.
1.3. Problèmes de convergence des series de Fourier. La theorie L
2
ne donne que des indi-
cations relativement limitees sur le comportement des coecients de Fourier, et sur la convergence des
series de Fourier. Par exemple, la formule de Parseval implique que si f L
2
p
([a, b]), alors [c
n
(f)[ 0
quand n . On sait egalement que la serie de Fourier de f converge (fortement) vers f. Il est possible
de demontrer egalement la convergence presque partout (cest un theorème celèbre de L. Carleson), mais
on na pas necessairement convergence ponctuelle.
Il est utile de se poser de tels problèmes dans des cadres fonctionnels dierents, par exemple dans le
cadre L
1
.
Commencons par le resultat important suivant, appele Lemme de Riemann-Lebesgue..
Th eor` eme 1.2. Soit f L
1
([a, b]), et soit R. Alors
(1.11)
_
b
a
f(t)e
int
dt 0 quand n .
La demonstration utilise le resultat classique suivant
Proposition 1.4. C
1
([a, b]) est dense dans L
1
([a, b]) : pour toute fonction f L
1
([a, b]) et
tout > 0, il existe f
C
1
([a, b]) telle que |f f
|
1
.
Preuve du Theorème 1.2 : Supposons dans un premier temps que f C
1
([a, b]). Alors, par integration
par parties, on a
_
b
a
f(t)e
int
dt =
1
in
[f(b)e
inb
f(a)e
ina
] +
1
in
_
b
a
f
(t)e
int
dt ,
qui tend bien vers 0 quand n . On utilise maintenant la densite de C
1
([a, b]) dans L
1
([a, b]) : si
f L
1
([a, b]), pour tout > 0, il existe g
C
1
([a, b]) tel que
_
b
a
[f(t) g
(t)[dt < /2. Alors

_
b
a
f(t)e
int
dt
_
b
a
[f(t) g
(t)[dt +
_
b
a
g
(t)e
int
dt
.
Pour tout , il existe N tel que la seconde integrale soit plus petite que /2 pour [n[ N. Ceci complète
la demonstration.
Une consequence importante de ce resultat est le resultat suivant de convergence ponctuelle. Pour
simplier, on se limitera dans cette section au cas particulier b = a = . Etant donne un point t
0
, on
notera
f(t
0+
) = lim
tt
0
, tt
0
f(t) , f(t
0
) = lim
tt
0
, tt
0
f(t)
quand ces limites existent.
Th eor` eme 1.3 (Dirichlet). Soit f L
1
p
([, ]). Soit t
0
un point tel que les limites f(t
0+
) et
f(t
0
) existent, de meme que les derivees à gauche et à droite de f en t
0
. Alors quand N ,
(1.12) f
N
(t
0
)
1
2
(f(t
0+
) +f(t
0
)) .
Preuve : Commencons par evaluer la somme partielle f
N
(t
0
) :
f
N
(t
0
) =
1
2
_

f(t)
_
N
n=N
e
in(t
0
t)
_
dt
=
1
2
_

f(t)
sin(N + 1/2)(t
0
t)
sin(t
0
t)/2
dt
=
1
2
_

f(t
0
+s)
sin(N + 1/2)s
sins/2
ds
=
1
2
_

0
(f(t
0
+s) +f(t
0
s))
sin(N + 1/2)s
sins/2
ds
La meme expression appliquee à la fonction constante f = 1 donne
1
_

0
sin(N + 1/2)s
sins/2
ds = 1 .
En posant = (f(t
0+
) +f(t
0
))/2, on a donc
(1.13) f
N
(t
0
) =
1
_

0
(s) sin(N + 1/2)s ds ,
o` u on a pose
(s) =
f(t
0
+s) f(t
0+
)
sins/2
+
f(t
0
s) f(t
0
)
sins/2
= 2
_
f(t
0
+s) f(t
0+
)
s
+
f(t
0
s) f(t
0
)
s
_
s/2
sins/2
.
Puisque f est supposee dierentiable à droite et à gauche en t
0
, (s) admet une limite nie en s 0.
Donc, il existe > 0 tel que soit bornee sur ]0, ] :
[(s)[ C pour tout s ]0, ] .
est donc integrable sur ]0, ]. Comme f L
1
([, ]), est egalement integrable sur ], ], et donc
sur [0, ]. Il sut alors dappliquer le theorème de Riemann-Lebesgue à (1.13) pour conclure.
Exemple 1.1. Prenons lexemple de f L
2
p
([, ]) denie par f(t) =
[0,]
(t)
[,0]
(t). Un
calcul immediat donne c
0
(f) = 0, et c
n
(f) = (1 (1)
n
)/(in) pour n ,= 0. On obtient egalement
c
n
(f) expint = 0 pour t = k, k Z, ce qui concide bien avec le resultat du theorème precedent.
Remarque 1.4. En particulier, si de plus f est continue en t
0
, f
N
(t
0
) f(t
0
) quand N .
Remarque 1.5. Il est possible de prouver des versions plus nes de ce resultat, ainsi que des
resultats de convergence uniforme des series de Fourier. Par exemple, on a notamment les resultats
suivants :
(1) Theorème de convergence uniforme de Dirichlet : Soit f une fonction periodique, contin ument
dierentiable au voisinage dun intervalle I. Alors la serie de Fourier de f converge uniformement
vers f sur I.
(2) Theorème de Fejèr : Soit f une fonction periodique, continue dans un voisinage dun intervalle
I. On note
f
N
(t) =
N
n=N
c
n
(f)e
2int/T
1. S
ERIES DE FOURIER 11
les sommes partielles de la serie de Fourier de f, et
N
(t) =
1
N
N
n=1
f
n
(t)
les moyennes de Cesàro de ces sommes partielles. Alors la suite des
N
converge uniformement
vers f sur I.
On pourra se referer à [15] pour plus de details.
1.4. Le problème de lextension. Le theorème de Riemann-Lebesgue montre en particulier que
si f L
1
p
([a, b]), alors [c
n
(f)[ 0 quand n . En pratique, on sinteresse non seulement à la
convergence ponctuelle, mais aussi à la vitesse de convergence. Or cette dernière est directement liee à la
regularite de f, comme le montre le lemme suivant.
Lemme 1.1. Soit f C
r
(R), periodique de periode b a ; alors il existe une constante K telle
que
[c
n
(f)[ K[n[
r
.
Preuve : une integration par parties donne
c
n
(f) =
1
b a
_
b
a
f(t) e
2i
nt
ba
dt =
1
2in
_
b
a
f
(t) e
2i
nt
ba
dt ,
car f etant continue, on a en particulier f(b) = f(a). Similairement, on a
c
n
(f) =
1
b a
_
(b a)
2in
_
r
_
b
a
f
(r)
(t) e
2i
nt
ba
dt .
Cette dernière integrale etant bornee par hypothèse, on en deduit le lemme.
Ceci permet destimer la vitesse de convergence des sommes partielles :
[[f f
N
[[
2
= (b a)
|n|>N
[c
n
(f)[
2
2(b a)K
2
|n|>N
n
2r
K
N
12r
.
Remarque 1.6. Il existe un resultat recipoque : soit f une fonction periodique, telle que ses coe-
cients de Fourier verient
[c
n
(f)[
K
[n[
r+2
pour une constante positive K et un entier positif r. Alors f C
r
(R). En particulier, f est C
si et
seulement si ses coecients de Fourier decroissent plus vite que toute puissance.
Cependant, on utilise egalement les series de Fourier pour developper des fonctions à support borne.
Et il y a là une dierence importante avec le cas des fonctions periodiques. En eet, le developpement en
serie de Fourier dune fonction à support borne nest pas unique, comme on va le voir.
Soit f L
2
(R), à support borne dans lintervalle [a, b]. Soit f
p
la fonction periodique de periode ba,
qui concide avec f sur [a, b], denie par
f
p
(t) =
k=
f(t k(b a)) .
Il est clair que f
p
L
2
p
([a, b]). On peut donc la developper en serie de Fourier, et ecrire, puisque f = f
p
[a,b]
(1.14) f = lim
N
f
N
,
o` u la limite est toujours à prendre au sens de L
2
(cest à dire lim
N
[[f f
N
[[ = 0), et o` u
(1.15) f
N
(t) =
_
N
n=N
c
n
(f)e
2int/(ba)
_

[a,b]
(t) ,
et o` u les coecients de Fourier c
n
(f) = c
n
(f
p
) sont toujours denis par
(1.16) c
n
(f) =
1
b a
_
b
a
f(t)e
2int/(ba)
dt .
La serie de Fourier de la fonction f
p
est unique. Cependant, le passage de f à f
p
nest pas la seule
possibilite. Il existe de multiples alternatives, dont on va donner deux exemples ci dessous.
Considerons tout dabord la fonction g, denie sur lintervalle [2a b, b] par
g(t) =
_
f(t) si t [a, b]
f(2a t) si t [2a b, a] .
g est une fonction symetrique par rapport à a, et on peut considerer sa periodisee, de periode 2(b a)
g
p
(t) =
k=
g(t 2k(b a)) .
g
p
admet un developpement en serie de Fourier
g
p
(t) =
n
c
n
(g)e
int/(ba)
,
o` u
c
n
(g) =
1
2(b a)
_
b
2ab
g
p
(t)e
int/(ba)
dt .
Cependant, on peut aussi ecrire, pour n ,= 0,
c
n
(g) = e
ina/(ba)
1
b a
_
b
a
f(t) cos
_
n
t a
b a
_
dt ,
et
c
0
(g) = c
0
(f) .
Posons maintenant
(1.17) A
n
(f) =
2
b a
_
b
a
f(t) cos
_
n
t a
b a
_
dt .
Il est clair que A
n
(f) = A
n
(f) ; la serie de Fourier de g
p
secrit maintenant
g
p
(t) =
1
2
A
0
+
1
2
n=0
A
n
(f)e
in(ta)/(ba)
.
Ceci nous donne directement une autre serie de Fourier pour la fonction f :
(1.18) f = lim
N
f
(C)
N
,
o` u les sommes partielles f
(C)
N
sont denies par
(1.19) f
(C)
N
(t) =
_
1
2
A
0
+
N
n=1
A
n
(f) cos
_
n
t a
b a
_
_
[a,b]
(t) .
Une autre possibilite consiste à considerer une extension non pas symetrique (comme lest la fonction
g) de f, mais une extension antisymetrique h, denie par
h(t) =
_
f(t) si t [a, b]
f(2a t) si t [2a b, a] .
Il est alors facile de verier que la meme procedure conduit à un developpement en serie de sinus : on a
(1.20) f = lim
N
f
(S)
N
,
o` u les sommes partielles f
(S)
N
sont denies par
(1.21) f
(S)
N
(t) =
_
N
n=1
B
n
(f) sin
_
n
t a
b a
_
_
[a,b]
(t) ,
et o` u les coecients B
n
(f) sont donnes par
(1.22) B
n
(f) =
2
b a
_
b
a
f(t) sin
_
n
t a
b a
_
dt .
La question qui se pose alors est celle du choix de la serie à utiliser. Dans certaines applications, par
exemple pour le codage des signaux ou des images, on a interet à privilegier la vitesse de decroissance
des coecients du developpement de f. Nous avons vu plus haut que celui-ci est directement lie à la
regularite, non pas de f elle meme, mais de la fonction periodique utilisee dans le developpement, cest
à dire ici f
p
, ou g
p
, ou la fonction equivalente dans le cas du developpement en serie de sinus.
1. S
ERIES DE FOURIER 13
Fig. 1. Diverses series de Fourier decrivant
[0,]
: serie de sinus, serie de cosinus.
Or, meme si f est une fonction continue, il est rare quelle soit telle que f(b) = f(a). Donc f
p
est
discontinue, et les coecients c
n
(f) nont aucune raison de decrotre assez vite quand n est grand. Par
contre, si f est continue, alors il est facile de voir que g
p
est continue egalement, de sorte que les coecients
A
n
(f) ont toutes les chances de decrotre plus rapidement que les coecients c
n
(f).
Cest pourquoi on utilise souvent les series de cosinus dans les codeurs de signaux comme ceux
employes dans les standards de communication (comme JPEG ou MPEG par exemple).
Exemple 1.2. Comme illustration de cet fait, prenons la fonction f(t) =
[0,]
. Un calcul immediat
montre que c
n
(f) =
n,0
. Par contre, les coecients B
n
(f) se comportent comme 1/n; Le developpement
en serie de sinus est donc très inapproprie dans ce cas, comme on peut le voir en Fig. 1, avec lapproxi-
mation par cosinus (qui est exacte, et identique à la serie de Fourier usuelle, et ne comporte quun terme)
et lapproximation par une serie de sinus comportant 10 termes. La serie de sinus convergera toujours
vers 0 en t = 0 et en t = .
Exemple 1.3. On considère lexemple de la fonction
f(t) = t( t)
denie sur [0, ]. Un calcul explicite montre que ses coecients de Fourier sont donnes par
c
n
(f) =
1
_

0
f(t)e
2int
dt =
1
2n
2
.
Par contre, on a aussi
A
n
(f) =
2
n
2
(1 + (1)
n
) ,
et
B
n
(f) =
4
n
3
(1 (1)
n
) .
Donc, dans ce cas particulier, le developpement en serie de sinus est le plus economique. Les gures 2
et 3 representent les approximations obtenues avec ces 3 developpements, respectivement f, f
5
, f
(S)
5
et
f
(C)
5
. La gure 4 represente lerreur dapproximation dans les 3 cas : f f
5
, f f
(S)
5
et f f
(C)
5
.
1.5. Convolution-Produit. Etant donnees deux fonctions periodiques f, g, on leur associe leur
produit de convolution h = f g, deni par
(1.23) (f g)(t) =
_
b
a
f(s)g(t s) ds ,
pour tout t tel que lintegrale converge. On a le resultat suivant :
Proposition 1.5 (Young). Soient f L
p
p
([a, b]) et g L
q
p
([a, b]), o` u 1 p, q , et soit r
deni par
(1.24) 1 +
1
r
=
1
p
+
1
q
.
Alors f g L
r
p
([a, b]) ; de plus, il existe C
pq
1 telle que linegalite de Young soit satisfaite :
(1.25) |f g|
r
C
pq
|f|
p
|g|
q
.
Fig. 2. Diverses series de Fourier decrivant un arc de parabole : arc de parabole (tirets),
et sa serie de Fourier usuelle (trait plein).
Fig. 3. Diverses series de Fourier decrivant un arc de parabole (suite) : serie de sinus
(tirets) et serie de cosinus (trait plein).
Fig. 4. Diverses series de Fourier decrivant un arc de parabole (suite) : erreurs de recons-
truction. Serie de cosinus (trait plein), de sinus (tirets et pointilles) et deexponentielles
(tirets)
Considerons donc f L
2
p
([a, b]), et h L
1
p
([a, b]) ; il resulte des inegalites de Young que f h
L
2
p
([a, b]). On peut donc calculer
c
n
(h f) =
1
T
_
b
a
_
b
a
h(s)f(t s) ds e
2int/T
dt = T c
n
(f) c
n
(h) .
Notons que ce resultat reste vrai si on suppose que h L
2
p
([a, b]), grace aux relations dinclusion que nous
avons vues.
2. SIGNAUX NUM
ERIQUES ET TFD 15
Dun autre cote, supposons f, g L
2
p
([a, b]). Alors, daprès linegalite de Cauchy-Schwarz, fg
L
1
p
([a, b]), et on peut calculer les coecients de Fourier
c
n
(fg) =
1
T
_
b
a
f(t)g(t)e
2int/T
dt
=
1
T
_
b
a
f(t)
m=
c
m
(g)e
2i(nm)t/T
dt
=
m=
c
m
(g)c
nm
(f) .
On obtient donc un produit de convolution des suites c(f) et c(g).
Proposition 1.6. Soient f, g L
2
p
([a, b]). Les coecients de Fourier c
n
(fg) et c
n
(f g) sont
bien denis, et on a
c
n
(fg) =
m=
c
m
(f)c
nm
(g) (1.26)
c
n
(f g) = (b a) c
n
(f) c
n
(g) . (1.27)
2. Signaux numeriques et TFD
Par denition, on appelle signal numerique (ou digital) une suite s
n
de nombres reels , nie ou
innie. On considère tout dabord le cas inni. Le cadre mathematique le plus couramment utilise est le
cadre des signaux numeriques denergie nie
2
(Z).
2.1. Transformation de Fourier discrète. Les resultats obtenus plus haut (series de Fourier)
se transposent de facon immediate au cas des signaux numeriques. En eet, la theorie L
2
des series de
Fourier permet de construire une isometrie bijective entre L
2
p
([, ]) et
2
(Z). La transformation inverse
porte le nom de transformation de Fourier discrète.
D efinition 1.1. Soit s = s
n

2
(Z). Sa transformee de Fourier de Fourier discrète est la
fonction 2-periodique s() denie par
(1.28) s() =
n=
s
n
e
in
,
pour tout tel que la serie soit convergente.
La variable est appelee frequence (ou pulsation) . Il resulte de la theorie des series de Fourier que
la TFD dune suite de
2
(Z) est une fonction 2-periodique, de carre integrable sur [, ], et que la
transformation inverse est donnee par le calcul des coecients de Fourier de S. Plus precisement, on a
Th eor` eme 1.4. La transformation de Fourier discrète est multiple dune isometrie bijective
de
2
(Z) sur L
2
p
([, ]) : la formule de Parseval
(1.29)
1
2
_

[ s()[
2
d =
[s
n
[
2
est veriee. La transformation inverse est donnee par
(1.30) s
n
=
1
2
_

s()e
in
d = c
n
( s) .
Remarque 1.7. On verra plus loin, au moment de decrire la theorie de lechantillonnage, lutilite de
cette transformation. Il est souvent necessaire dutiliser une variante, denie par
s() =
n=
s
n
e
in/
,
o` u est un reel strictement positif xe (appele frequence dechantillonnage).. s est alors 2-periodique,
et on a egalement
s
n
=
1
2
_

s()e
in/
d .
2.2. Filtrage des signaux numeriques. Les operations de ltrage sont les operations de base du
traitement du signal. Le ltrage est utilise pour modier le contenu frequentiel des signaux.
D efinition 1.2. Un ltre numerique est un operateur lineaire note K
h
, associant ` a un signal
numerique s un autre signal K
h
s, appele signal ltre, de la forme
(1.31) (K
h
s)
n
=
k=
h
m
s
nm
,
pour tout n tel que la serie soit convergente. La suite h = h
n
, n Z est appelee reponse impul-
sionnelle du ltre.
Le ltre est dit causal si h
n
= 0 pour tout n < 0. Il est dit stable si K
h
f est borne pour tout
f
(Z) (cest à dire si K

h
f est continu de
(Z) sur
(Z)). Il est realisable sil est causal et

stable.
Il est immediat quun tel operateur commute avec les translations entières : etant donnee s
2
(Z), si
on note s
une translatee de s :
s
n
= s
nn
0
,
il vient immediatement
(K
h
s
)
n
= (K
h
s)
nn
0
.
Remarque 1.8. Il est immediat, daprès les inegalites dYoung, que si la reponse impulsionnelle h est
de module sommable (i.e. h
1
(Z)), le ltre K
h
est automatiquement stable et continu
2
(Z)
2
(Z).
La TFD simplie considerablement les operations de ltrage numerique : il est facile de verier (par
un changement dindice de sommation) que si h
1
(Z),
(1.32)

K
h
s()=
n=
m=
h
m
s
nm
e
in
=
m=
h
m
e
im
k=
s
k
e
ik
=

h() s() .
La fonction m =

h est appelee fonction de transfert du ltre K
h
. Par consequent, les ltres numeriques
sont essentiellement utilises pour modier le contenu frequentiel des signaux (on en verra des applications
par la suite).
Plus generalement, partant dune fonction de transfert m L
([, ]), il est facile de voir que

loperateur lineaire T : s s
deni par
(Ts)
n
=
1
2
_

e
in
m() s() d
est un ltre numerique ; sa reponse impulsionnelle est la TFD inverse de m.
Remarque 1.9. Dans ce cas, m L
([, ]) L
2
([, ]), de sorte que la reponse impulsionnelle
h, TFD inverse de m, appartient automatiquement à
2
(Z). Par contre, elle nest generalement pas dans
1
(Z), ce qui peut parfois poser des problèmes pratiques, comme on va le voir plus loin.
Lexemple le plus simple est celui du ltre passe-bas ideal, qui force à zero toutes les frequences
superieures (en valeur absolue) à une certaine frequence de coupure
0
< . Un tel ltre est deni par sa
fonction de transfert
m() =
[
0
,
0
]
() .
Après TFD inverse, on obtient la reponse impulsionnelle suivante
h
n
=

0
sin(n
0
)
n
0
.
Il est facile de voir que la reponse impulsionnelle de ce ltre nappartient pas à
1
(Z). Plus grave, ce ltre
nest pas realisable, et ne peut donc pas etre utilise de fa con exacte en pratique (on est oblige de tronquer
les sommes innies intervenant dans le calcul).
Un exemple de ltrage passe-bas utilisant un ltre ideal est decrit en Fig 5 : un signal (transitoire), et
deux versions ltrees avec des frequences de coupure dierentes. On voit bien leet du ltrage qui attenue
fortement les composantes les plus rapidement variables dans le signal. En particulier, dans le premier
signal ltre (gure du milieu), les composantes très rapidement variables (donc les très hautes frequences)
ont ete supprimees, mais des oscillations regulières subsistent. Par contre, dans le second exemple (gure
du bas) obtenu avec une frequence de coupure
0
inferieure à la precedente, ces oscillations ont ete
supprimees.
2. SIGNAUX NUM
ERIQUES ET TFD 17
Fig. 5. Exemple de ltrage passe-bas : un signal transitoire, et deux versions ltrees
(ltre passe-bas ideal) avec des frequences de coupure dierentes.
Les exemples les plus simples de ltres sont les ltres à reponse impulsionnelle nie (ltres FIR),
cest à dire tels que la suite h soit de support ni : h
n
,= 0 seulement si n n
1
, . . . n
2
. La fonction de
transfert est alors un polynome trigonometrique
m() =
n
2
n=n
1
h
n
e
in
.
Lexemple le plus simple est celui du ltre passe-bas elementaire, qui consiste simplement à eectuer des
moyennes locales sur le signal dentree. Ce ltre est deni par h
0
= h
1
= 1/2, et h
k
= 0 sinon. Il est
immediat de voir que la fonction de transfert de ce ltre est la fonction e
i/2
cos(/2), de sorte
que [m()[
2
= cos
2
/2. multiplier la transformee de Fourier dun signal par une telle fonction revient
à lattenuer au voisinage de = , tout en la preservant au voisinage de = 0. Cest le propre dun
ltrage passe-bas, loin dun ltre ideal toutefois. De meme, le choix h
0
= h
1
= 1/2, et h
k
= 0 sinon
condiot à [m()[
2
= sin
2
/2, ce qui donne un ltre passe-haut, qui attenue les basses frequences tout
en preservant les hautes frequences.
Les ltres FIR ne sont en general pas susants, et il est necessaire de recourir à des ltres à reponse
impulsionnelle innie (ltres IIR). Cependant, il est en pratique impossible dimplementer des convo-
lutions discrètes par des suites de longueur innie. On a alors recours à une variante, appelee ltrage
recursif. Lidee de base du ltre recursif est de calculer de facon iterative une nouvelle valeur du signal
ltre par ltrage FIR des valeurs passees du signal original et du signal ltre. Cette procedure est donc
compatible avec des problematiques de temps reel. Plus precisement, un ltre recursif associe à s la
suite s
denie par
(1.33) s
n
=
1
0
_
M
m=0
m
s
nm
m=1
m
s
nm
.
_
,
o` u les coecients
k
et
k
sont des nombres complexes xes. Il sagit donc dune succession doperations
causales.
La question est alors de trouver sous quelles conditions de telles operations denissent un ltre continu
sur
2
, ou tout du moins un ltre stable. Pour cela, remarquons que les signaux dentree s et de sortie s
du ltre sont relies par une relation du type

(1.34)
N
m=0
m
s
nm
=
M
m=0
m
s
nm
.
Il est facile de voir quaprès transformation de Fourier discrète, on aboutit à une relation du type
(1.35)
_
N
m=0
m
e
im
_
s
() =
_
M
m=0
m
e
im
_
s() ,
de sorte que la fonction de transfert m du ltre correspondant prend la forme dune fraction rationnelle
de deux polynomes trigonometriques
(1.36) m() =
M
m=0
m
e
im
N
m=0
m
e
im
= H(e
i
) ,
pour une certaine fonction rationnelle H. Les proprietes du ltre dependent bien evidemment des pro-
prietes de m, et en particulier de son denominateur. On peut facilement voir que si le denominateur ne
sannulle pas (cest à dire si les racines du denominateur de la fonction z Z H(z) nappartiennent
pas au cercle unite), la fonction m est bornee, et le ltre correspondant est continu sur
2
(Z). On a donc
Proposition 1.7. Soient
0
, . . .
N
et
0
, . . .
M
C, tels que

N
m=0
n
z
n
,= 0 pour tout
z C, [z[ = 1. Alors la fonction m denie en (1.36) est bornee, et lequation recursive (1.34)
denit bien un ltre numerique continu sur
2
(Z), par
(1.37) (Tf)
n
=
1
2
_

e
in
M
m=0
m
e
im
N
m=0
m
e
im
f() d .
La fonction de transfert mdu ltre correspondant est une fonction periodique, et peut etre decomposee
en serie de Fourier. Cependant, celle-ci est (sauf dans certains cas triviaux) une serie innie, de sorte que
le ltre considere est bel et bien un ltre IIR. Lexpression (1.35) montre donc quil est possible deec-
tuer un ltrage IIR en nutilisant quun nombre ni doperations. Cette remarque est dune importance
considerable en pratique.
Il est evident que le proprietes du ltre dependent fortement des caracteristiques de la fonction de
transfert m, et en particulier des zeros de son denominateur. Ce dernier etant (tout comme le numerateur)
un polynome trigonometrique, cest donc un polynome dans la variable complexe z = e
i
, ce qui rend
letude des zeros plus facile. Les zeros du numerateur et du denominateur sont les racines de polynomes
en z correspondants, ces dernières etant en general complexes. Ceci suggère dutiliser des techniques de
fonctions dune variable complexe, et conduit naturellement à introduire un outil voisin de la TFD, à
savoir la transformation en z.
2.3. La transformation en z. La transformation en z associe à une suite une fonction dune
variable complexe z (on pourra se referer à [2, 3, 13] pour plus de precision sur la theorie des fonctions
dune variable complexe). Elle peut etre vue comme un prolongement de la TFD dans le plan complexe,
et ses proprietes en font un outil très utilise par les signalistes (voir par exemple [9, 13]).
2.3.1. Series de Laurent, transformation en z. Etant donne un signal numerique s
n
, n Z, il existe
des cas o` u sa transformee de Fourier discrète nest pas denie au sens classique. On a parfois recours à
une alternative, la transformee en z, dont on decrit ci-dessous les proprietes essentielles, sans entrer dans
les details.
D efinition 1.3. Soit s = s
n
, n Z un signal numerique. Sa transformee en z est la serie
de Laurent
(1.38) S(z) =
n=
s
n
z
n
,
denie dans la couronne de convergence (eventuellement vide) r
1
< [z[ < r
2
.
On sait daprès des resultats generaux sur les series de Laurent que S est holomorphe dans sa couronne
de convergence. Inversement, etant donnee une fonction S holomorphe dans une couronne r
1
< [z[ < r
2
,
elle admet un unique developpement en serie de Laurent. De plus, on a le lemme classique suivant :
Lemme 1.2. Le rayon de convergence de la serie entière z
0
a
n
z
n
est donne par
1
= lim sup
n
[a
n
[
1/n
.
On en deduit immediatement la couronne de convergence de la transformee en z dun signal numerique :
Corollaire 1.2. Soit S la transformee en z de la serie s. Les bornes de la couronne de
convergence de S sont donnees par
(1.39) r
1
= lim sup
n
[s
n
[
1/n
,
1
r
2
= lim sup
n
[s
n
[
1/n
.
Exemple 1.4. On dit quun signal numerique s est causal si s
n
= 0 pour tout n < 0. Inversement, s
est dit anticausal si s
n
= 0 pour tout n 0. Supposons que s soit causal. Alors il est evident que r
1
2
= 0,
2. SIGNAUX NUM
ERIQUES ET TFD 19
de sorte que la transformee en z de s est bien denie dans le domaine [z[ > r
1
, cest à dire à lexterieur
dun cercle de rayon r
1
.
De meme, si s est anticausal, r
1
= 0, et S(z) est bien deni à linterieur du cercle de rayon r
2
.
2.3.2. Inversion de la transformation en z. Il existe plusieurs techniques permettant dinverser une
transformation en z. La plus simple consiste à expliciter un developpement en serie de Laurent de la
fonction S consideree. Le developpement en serie de Laurent etant unique, ceci fournit directement une
transformee inverse.
Exemple 1.5. Prenons lexemple de la fonction
S(z) =
z
z z
0
, [z[ < [z
0
[ ;
on peut alors ecrire, pour [z[ < [z
0
[,
S(z) =
z
z z
0
=
z
z
0
1
1 z/z
0
=
z
z
0
n=0
_
z
z
0
_
n
=
1
n=
z
n
0
z
n
,
ce qui, conjugue à lunicite du developpement en serie de Laurent, fournit
s
n
=
_
z
n
0
pour n < 0
0 sinon .
Une alternative consiste à utiliser la TFD. Soit S la transformee en z dun signal s, et soit r un
nombre tel que r
1
< r < r
2
. Calculons
1
2
_

S
_
re
i
_
e
in
d =
m
s
m
r
m
1
2
_

e
i(nm)
d = r
n
s
n
.
On peut donc ecrire
s
n
=
r
n
2
_

S
_
re
i
_
e
in
d .
Par un changement de variables complexes z = re
i
, on obtient donc
Proposition 1.8. Soit s un signal numerique, et soit S sa transformee en z, denie dans la
couronne de convergence r
1
< [z[ < r
2
. Les coecients de s sont donnes par
(1.40) s
n
=
1
2i
_
C
S(z)z
n
dz
z
,
o` u C est un cercle centre sur lorigine du plan complexe, de rayon r ]r
1
, r
2
[.
On a generalement recours à la methode des residus pour calculer de telles integrales.
2.3.3. Transformation en z et ltrage numerique. Lun des interets de la transformation en z est son
comportement vis à vis des transformations simples, et en particulier des translations. Etant donnee une
suite s
n
, n Z, et une suite ltres s
n
, n Z donnee par s
n
= s
nk
, on voit immediatement que
leurs transformees en z sont reliees par S
(z) = z
k
S(z). Le corollaire immediat est le comportement de
la transformation en z vis à vis du ltrage numerique. Etant donne un signal numerique s et une ltre
numerique de reponse impulsionnelle h, alors pour tout z à linterieur de lintersection des couronnes de
convergence des transformees S et H de s et h respectivement, on a
S
(z) =
n
s
n
z
n
=
k
h
k
z
k
s
nk
z
(nk)
,
de sorte que lon a
(1.41) S
(z) = H(z)S(z) .
La fonction H est elle aussi appelee fonction de transfert du ltre.
En particulier, dans le cas dun ltre recursif comme precedemment, on a
S
(z) =
M
m=0
m
z
m
N
m=0
m
z
m
S(z) ,
cest à dire que la transformee en z de h prend la forme dune fraction rationnelle. Cette expression est
à rapprocher de lexpression (1.36) obtenue avec la TFD.
2.3.4. Factorisation des ltres causaux dordre ni reels. On dit quun ltre causal K
h
est dordre
ni si K
h
peut etre realise comme un ltre recursif comme en (1.34). On va voir que de tels ltres peuvent
etre caracterises par les poles et les zeros (les racines du numerateur) de leur fonction de transfert. On
impose que le ltre K
h
soit causal (donc la couronne de convergence de H(z) est de la forme [z[ > r
1
) et
stable (donc le cercle unite est inclus dans la couronne de convergence). Par consequent, les poles de H
se trouvent à linterieur du cercle unite.
On se limite ici aux ltres reels, cest à dire tels que les coecients
k
et
k
sont reels. Dans ce cas,
il est facile de voir que
h() =

h() ,
de sorte que le spectre prend la forme
[
h()[
2
= H(z)H(z
1
)[
z=e
i .
Notons z
k
les poles de H (les zeros du denominateur de H) et
les zeros de H. Il est immediat que

[
h()[
2
est caracterise par des facteurs de la forme
(z z
k
)(z
1
z
k
) = 1 +z
2
k
z
k
(z +z
1
) , et (z
k
)(z
1
k
) = 1 +
2
k

k
(z +z
1
) ,
(avec z = e
i
), et est donc une fonction (positive rationnelle) de
w =
1
2
(z +z
1
) = cos() .
Inversement, soit W(cos ) = N(cos )/D(cos ) une fonction rationnelle positive. Notons w =
cos(), et w
k
les zeros (dans le plan complexe) de D (le numerateur N se traite de fa con identique). On
voit facilement que lequation en z
w
k
=
1
2
(z +z
1
)
possède deux solutions inverses lune de lautre, notees z
k
et z
k
1
. Par convention, on choisit [z
k
[ < 1.
On peut alors poser
d(z) =
k
(z z
k
) .
De meme, en notant v
k
les zeros de N, et
k
et
k
1
les solutions et de
v
k
=
1
2
( +
1
)
(sans necessairement imposer [
k
[ < 1), on est naturellement conduit à introduire
n(z) =
k
(z
k
) .
Il resulte de cette analyse que la fonction
z
n(z)
d(z)
est la fonction de transfert dun ltre causal stable dordre ni.
Proposition 1.9. Soit K
h
un ltre causal stable dordre ni. Alors son spectre A
2
= [
h[
2
est
une fonction rationnelle non-negative de cos . Inversement, etant donnee une fonction rationnelle
non-negative de cos notee A
2
(), il existe un ltre causal stable dordre ni K
h
dont le
spectre concide avec A
2
.
Remarque 1.10. Le ltre K
h
nest pas unique, car il reste la liberte de choisir les zeros
k
à linterieur
ou à lexterieur du disque unite pour former la fonction d. Choisir tous les zeros à linterieur du disque
unite conduit aux ltres dits à phase minimale.
Un exemple est donne par la famille des ltres de Butterworth (dans leur version numerique), qui consti-
tuent des approximations de ltres passe-bas ideaux. En introduisant de nouveau la variable w = cos(),
les ltres de Butterworth sont caracterises par une fonction de transfert telle que
(1.42) [
h()[
2
= W(w) =
(w + 1)
L
(w + 1)
L
+c(1 w)
L
,
o` u L est un nombre entier xe, et c une constante positive. Un exemple dune telle fonction W se
trouve en Fig 6 Il est facile de verier quune telle fonction W entre tout à fait dans les hypothèses de la
Proposition 1.9. Par consequent, il est toujours possible de trouver un ltre causal dordre ni, de reponse
impulsionnelle h, tel que lequation (1.42) soit satisfaite.
2. SIGNAUX NUM
ERIQUES ET TFD 21
Fig. 6. Module de la fonction de transfert [m()[ (en logarithme) pour un ltre de
Butterworth numerique dordre L = 10, avec une frequence de coupure
0
= /3).
Fig. 7. Position dans le plan complexe des 10 poles de la fonction de transfert m pour
un ltre de Butterworth dordre 10, pour une frequence de coupure egale à /3.
Le nombre c controle en fait la frequence de coupure, via la relation
c = 3
_
1 + cos
0
1 cos
0
_
L
(par exemple, c = 3 correspond à une frequence de coupure egale à
0
= /2).
Par exemple, dans le cas L = 2, on peut montrer que les (deux) racines complexes du denominateur
de la fonction de transfert H sont de la forme
z
0
=
c
1/2
1 i
2c
1/4
c
1/2
+ 1 +
2c
1/4
z
1
=
c
1/2
1 +i
2c
1/4
c
1/2
+ 1 +
2c
1/4
(et sont donc complexes conjugues lun de lautre). On a represente dans la Fig 7 les positions des poles,
cest à dire des racines du denominateur (croix) et des zeros (cercles) de H pour
0
= /3. Comme on
peut le voir, les poles sont bien à linterieur du disque unite.
On peut similairement obtenir des ltres de Butterworth passe-bande, par exemple des ltres selectionnant
une bande de frequences donnee.
2.4. Une application du ltrage numerique : ltrage adapte. Le problème de detection op-
timale est un problème classique du traitement du signal. On suppose que lon a un signal de reference
Fig. 8. Module de la fonction de transfert [m()[ (en logarithme) pour un ltre
de passe-bande de Butterworth numerique dordre L = 10, selectionnant une bande de
frequence entre /2 et 3/4.
Fig. 9. Position dans le plan complexe des 2 zeros (dordre 5 chacun) et des 10 poles
de la fonction de transfert m pour un ltre passe-bande de Butterworth dordre 10,
selectionnant une bande de frequences entre /2 et 3/4.
connu s
2
(Z), et que lon observe un signal x de la forme
(1.43) x
n
= As
nn
0
+b
n
,
o` u A C et n
0
Z sont inconnus et à determiner, et o` u b
2
(Z) est une perturbation (bruit, ou erreur
de mesure), dont seul est connu le spectre
o() = [
b()[
2
.
Le problème est didentier A et n
0
à partir de x, en utilisant des methodes lineaires.
Pour cela, on considère une famille parametrique de formes lineaires sur
2
(Z), notees
, Z, qui
sont donc de la forme
(1.44)
(x) = x,
)
pour une certaine fonction

2
(Z). On peut donc ecrire
(x) = AT
n
0
s,
) +b,
) .
On a ici introduit loperateur de translation T
n
0
, deni par (T
n
0
y)
n
= y
nn
0
. On cherche alors à trouver
la famille de fonctions
, telle que pour tout n

0
, T
n
0
s,
n
0
) soit le plus grand possible (en module), tout
en gardant le second terme (contribution du bruit) le plus petit possible.
2. SIGNAUX NUM
ERIQUES ET TFD 23
Pour cela, calculons
T
n
0
s,
n
0
) =
1
2
_

T
n
0
s()
n
0
() d
=
1
2
_

T
n
0
s()
_
o()
_
o()
n
0
() d ,
de sorte que linegalite de Cauchy-Schwarz donne immediatement
[T
n
0
s,
n
0
)[
1
2
T
n
0
s()[
2
o()
d
o()

n
0
()
2
d .
Le second facteur donne en fait une estimation de la taille du bruit après calcul de
n
0
(x). On peut
ecrire
[T
n
0
s,
n
0
)[
_
_
o()

n
0
()
2
d
1
2
T
n
0
s()[
2
o()
d .
Cette inegalite est une egalite si et seulement si les deux facteurs sont proportionnels, cest à dire si
T
n
0
s() = K
1
o()
n
0
()
pour une certaine constante K, en dautres termes, en supposant que la fonction s/o soit bornee,
n
0
() = Ke
in
0
s()
o()
.
Donc, la famille de formes optimale (au sens de linegalite de Cauchy-Schwarz)
, Z est denie
par
(y) = y,
) =
K
2
_

e
i
s()
o()
y() d ,
ce qui denit un ltre numerique, de fonction de transfert
m : m() = K
s()
o()
.
On peut donc enoncer le resultat suivant.
Proposition 1.10. Soient s
2
(Z) et o L
([, ]), telles que la fonction

(1.45) m : m() =
s()
o()
soit bornee. Alors la famille de suites

2
(Z), tau Z qui maximise pour tout n
0
Z le
rapport signal à bruit
(1.46)
n
0
=
[T
n
0
s,
n
0
)[
_
_
o()

n
0
()
2
d
est necessairement multiple de
n
0
: n Z
1
2
_

e
i(nn
0
)
m() d =
0
(n n
0
) .
Ainsi, la famille de transformations
correspondante prend la forme dun ltre numerique, de fonction

de transfert m :
(x) =
1
2
_

e
i(n)
m() x() d .
Finalement, on montre aussi facilement que pour tout n
0
Z,
[
(T
n
0
x)[ [
n
0
(T
n
0
x)[ .
Ceci qui suggère, en presence dune observation de la forme (1.43) avec un n
0
inconnu, de rechercher les
maxima de
(x) pour estimer n

0
. Une fois n
0
estime, on peut alors obtenir une estimation de lamplitude
inconnue A.
Un exemple de ltrage adapte est donne en gure 10. Comme on le voit, le signal de sortie du ltre
adapte presente un pic, cest à dire un maximum bien marque à la position o` u le signal de depart decale
etait present.
Fig. 10. Exemple de ltrage adapte. En haut, le signal original, au milieu le signal
original bruite, en bas le signal de sortie du ltre adapte, qui presente un maximum bien
marque à la position du signal original.
2.5. La transformation de Fourier en pratique : transformation de Fourier nie (TFF).
Les suites de longueur nie se pretent au meme type danalyse que les suites innies. On peut egalement
leur associer une transformee de Fourier (qui est elle aussi une suite de longueur nie), et la transformation
correspondante est de nouveau une isometrie (à une constante près). Plus precisement, à la suite nie
u = u
n
, n = 0 . . . N 1 C
N
on associe la suite u = u
k
, k = 0, . . . N 1 C
N
, denie par
(1.47) u
k
=
N1
n=0
u
n
e
2i
kn
N
.
Cest alors un jeu denfant que de montrer des proprietes analogues aux proprietes que nous avons dejà
vues : formule de Parseval et inversion. De fait, on a
(1.48)
N1
k=0
[ u
k
[
2
= N
N1
n=0
[u
n
[
2
,
et
(1.49) u
n
=
1
N
N1
k=0
u
k
e
2i
kn
N
.
Remarque 1.11. En dautres termes, ceci est equivalent à dire que la famille des vecteurs
(1.50) e
k
=
_
1
N
,
1
N
e
2ik/N
, . . .
1
N
e
2ik(N1)/N
_
est une base orthonormee de C
N
, et un a pose u
k
= u, e
k
)/
N.
La relation plus precise entre la TFD et la TFF peut egalement se comprendre de la facon suivante,
dans le cas des signaux de longueur nie.
Proposition 1.11. Soit f
2
(Z), tel que f
n
= 0 pour tout n , 0, 1, . . . N 1. Alors la
transformee de Fourier discrète de f est complètement caracterisee par la TFF de f
0
, . . . f
N1
,
via la relation
(1.51)

f() =
1
N
N1
k=0
f
k
1 e
iN(2k/N)
1 e
i(2k/N)
, ,= 2k/N .
Preuve : La preuve resulte de la denition de la TFD, de lexpression des nombres f
n
à partir des

f
k
et
de la somme de la serie geometrique.
3. SIGNAUX NUM
ERIQUES MULTIDIMENSIONNELS 25
Fig. 11. Exemple dimages, en niveaux de gris
Dans le cas o` u le signal considere s nest pas à support ni, il est neanmoins facile dobtenir une
estimation de sa transformee de Fourier à partir dun segment ni, et des estimations derreur grace à
la formule de Parseval.
3. Signaux numeriques multidimensionnels
Nous nous sommes jusquà present limites au cas des signaux unidimensionnels, en prenant prin-
cipalement comme inspiration les signaux sonores. On a souvent à traiter des signaux de dimension
superieure, comme par exemple des images (dimension 2), des videos (dimension 2+1) ou meme des
signaux en bien plus grande dimension.
Un signal numerique d-dimensionnel est deni comme une suite à d indices
x : n
1
, n
2
, . . . n
d
Z x
n
1
,,n
2
,...n
d
C .
Un exemple de signal bidimensionnel (image) est presente en Fig. 11. Laxe horizontal est laxe n
1
, et
laxe vertical est laxe n
2
. Un point (n
1
, n
2
) est appele pixel. La valeur de limage x
n
1
,n
2
au pixel (n
1
, n
2
)
est representee par un niveau de gris dintensite proportionnelle à x
n
1
,n
2
.
Comme dans le cas unidimensionnel, le modèle le plus classique est le modèle Hilbertien
2
(Z
d
), cest
à dire celui des signaux dits denergie nie, tels que
n
1
=
n
2
=
. . .
n
d
=
[x
n
1
,n
2
,...n
d
[
2
< .
Une bonne part des techniques que nous avons vues jusquà present se transposent aisement au cadre
multidimensionnel, en particulier les outils lies à lanalyse de Fourier.
D efinition 1.4. La transformation de Fourier discrète (TFD) d-dimensionnelle est la trans-
formation lineaire qui associe à toute suite à d indices x la fonction de d variables reelles (2)
d
-
periodique denie par
(1.52) x(
1
, . . . ,
d
) =
n
1
,n
2
,...n
d
=
x
n
1
,n
2
,...n
d
e
i(n
1
1
+n
2
2
++n
d
d
)
,
pour toutes les valeurs de (
1
,
2
, . . . ,
d
) telles que cette serie converge.
La TFD d-dimensionnelle possède des proprietes en tous points similaires à celles de son analogue unidi-
mensionnelle. En particulier, on voit facilement que x est bien denie dès que x
1
(Z
d
). De meme, la
theorie L
2
se transpose facilement
Th eor` eme 1.5. La TFD d-dimensionnelle denit une isometrie (à une constante multiplica-
tive près) bijective entre
2
(Z
d
) et lespace des fonctions de module carre sommable sur le d-tore
L
2
([, ]
d
). La formule de Parseval secrit, pour tout x
2
(Z
d
),
(1.53)
1
(2)
d
_
[,]
d
[ x(
1
,
2
, . . . ,
d
)[
2
d
1
d
2
. . . d
d
=
n
1
,n
2
,...n
d
=
[x
n
1
,n
2
,...n
d
[
2
.
On a de plus la formule dinversion
(1.54) x
n
1
,n
2
,...n
d
=
1
(2)
d
_
[,]
d
x(
1
,
2
, . . . ,
d
)e
i(n
1
1
+n
2
2
++n
d
d
)
d
1
d
2
. . . d
d
.
Remarque 1.12. La transformee de Fourier discrète d-dimensionnelle dun signal x est cette fois une
fonction de d variables frequentielles. Dans les cas d = 2 ou d = 3, on parle de frequence spatiale.
Pour xer les idees, prenons le cas 2D. La representation de Fourier represente un signal comme
combinaison lineaire de sinusodes, oscillant à la frequence
1
dans la direction 1, et
2
dans la direction
2. Comme dans le cas 1D, plus la frequence est elevee, plus les oscillations sont rapides.
Le ltrage lineaire, que nous avons longuement etudiee dans le cas unidimensionnel, est loperation
fondamentale du traitement du signal. Il se generalise presque mot pour mot au cadre multidimensionnel.
Etant donnee une suite à d indices h, le ltre lineaire K
h
de reponse impulsionnelle h est loperateur
lineaire qui associe à tout signal numerique d-dimensionnel x le signal K
h
x = h x deni par
(1.55) (K
h
x)
n
1
,...n
d
=
k
1
,...k
d
h
k
1
,...k
d
x
n
1
k
1
,...n
d
k
d
,
pour tout d-uplet (n
1
, . . . n
d
) tel que la serie converge. De nouveau il est clair que si h
1
(Z
d
), K
h
x est
borne dès que x lest, et K
h
x
2
(Z
d
) dès que x
2
(Z
d
).
Le lien avec la TFD est le meme que dans le cas unidimensionnel. Supposant pour simplier h
1
(Z
d
), on montre facilement que
(1.56)

K
h
x(
1
, . . . ,
d
) =

h(
1
, . . . ,
d
) x(
1
, . . . ,
d
)
de sorte que lon peut exprimer le ltrage sous la forme
(1.57) (K
h
x)
n
1
,...n
d
=
1
(2)
d
_
[,]
d
m(
1
, . . . ,
d
) x(
1
, . . . ,
d
)e
i(n
1
1
++n
d
d
)
d
1
. . . d
d
.
Exemples de ltres bidimensionnels : Pour illustrer ce que nous venons de voir, considerons le
cas bidimensionnel.
(1) Lexemple le plus simple est celui du ltrage passe-bas ideal, que lon peut cette fois concevoir
de deux fa cons dierentes :
Filtrage Cartesien, ou tensoriel, dans lequel la fonction de transfert est le produit de
deux fonctions de transferts unidimensionnelles :
m(
1
,
2
) =
[
0
,
0
]
(
1
)
[
0
,
0
]
(
2
) .
Comme dans le cas 1D, ce ltre supprime le contenu de limage aux frequences dont soit la
composante 1 soit la composante 2 est superieure à une frequence de coupure
0
. Limage
est ainsi debarrassee de ses composantes rapidement variables, et apparat donc plus oue
que limage originale, comme on peut le voir en Fig. 12.
Notons que ce ltrage tensoriel fait jouer un role preponderant aux axes 1 et 2.
Filtrage radial. On evite dans ce cas de privilegier des axes, en choisissant une fonction
de transfert de la forme
m(
1
,
2
) =
[0,
0
]
(
_
2
1
+
2
2
) .
(2) Filtrage passe haut ideal. En denissant la fonction de transfert comme
m
PH
(
1
,
2
) = 1 m
PB
(
1
,
2
) ,
o` u m
PB
est lune des deux fonctions de transfert de ltres passe-bas vue ci-dessus, on obtient
un ltre passe haut, qui ne conserve dans les images que les composantes rapidement variables.
(3) Filtres tensoriels : la technique du produit tensoriel permet de generer des ltres 2D à partir de
ltres 1D. Soient m
1
et m
2
les fonctions de transfert de deux ltres 1D. On leur associe alors la
fonction de transfert dun ltre 2D comme suit :
m(
1
,
2
) = m
1
(
1
)m
2
(
2
) .
4. REPR
ESENTATION DES SIGNAUX NUM
ERIQUES 27
Fig. 12. Image de la Figure 11, ltree par ltrage passe-bas.
On verie facilement que si m
1
et m
2
sont des fonctions de transfert de ltres passe bas, m
denit aussi un ltre passe-bas. On peut de cette facon construire de multiples types de ltres.
4. Representation des signaux numeriques
Nous nous sommes jusquà present focalises sur deux fa cons dierentes de representer des signaux
numeriques : la representation temporelle (ou spatiale, dans les cas 2D ou 3D), o` u un signal est represente
par ses valeurs x
n
, et la representation frequentielle, dans le domaine de la TFD.
Dans de nombreux domaines, on utilise maintenant dautres types de representations des signaux,
exploitant lanalyse fonctionnelle elementaire. Lidee est dutiliser une modelisation des signaux comme
elements dun espace de Hilbert (separable), et les representer par les coecients de leur developpement
sur une base bien choisie.
4.1. Bases pour les signaux numeriques. Les notions essentielles pour cette section sont rap-
pelees dans lAppendice A. On se focalise ici sur les bases orthonormales. Rappelons quune base or-
thonormale dun espace de Hilbert H (aussi appelee Base Hilbertienne) est une famille orthonormale
qui est complète dans H. Le cas de la dimension nie est bien connu. Si H est un espace de Hilbert
separable de dimension innie, la famille orthonormale e
n
, n Z est complète si pour tout x H, on
a lim
N
|x
N
N
x, e
n
)e
n
| = 0. Une condition equivalente est quil nexiste pas de vecteur isotrope,
cest à dire x, e
n
) = 0n implique x = 0.
On donne ci-dessous quelques exemples de bases classiques.
(1) Le cas H = C
N
(ou R
N
). On a vu dans la section 2.5 que les sinusodes e
k
= (e
k
0
, e
k
1
, . . . , e
k
N1
)
C
N
, o` u
e
k
n
=
1
N
exp2ikn/N
forment une base orthonormee de C
N
. Ces bases sont en fait peu utilisees en pratique, car
les signaux sont souvent à valeurs reelles, et on prefère alors eviter de manipuler des nombres
complexes.
On leur prefère alors les bases de R
N
appelees bases DCT (pour Discrete Cosine Transform).
Ces dernières existent en huit versions dierentes, les deux plus populaires etant :
La DCT-II, denie par
e
0
n
=
1
N
, n = 0, . . . N 1 (1.58)
e
k
n
=
_
2
N
cos ((k + 1/2)n/N) , k ,= 0, n = 0, . . . N 1 . (1.59)
La DCT-IV, denie par
e
k
n
=
_
2
N
cos ((k + 1/2)(n + 1/2)/N) , n = 0, . . . N 1 . (1.60)
(2) Bases composites de R
pN
, ou bases DCT locales. Lorsque lon doit representer un long signal,
par exemple une seconde de son (ce qui represente habituellement 44100 valeurs par seconde,
ou maintenant 48000), on ne peut pas se permettre de travailler dans des espaces vectoriels de
si grande dimension, et on les coupe en morceaux de la facon suivante.
Supposons que H = R
pN
, o` u p est un entier positif xe. Le decoupage consiste à ecrire H
sous la forme de somme directe
H = R
N
R
N
R
N
p fois ,
en dautres termes representer un signal x R
pN
par p signaux de longueur N. Ces derniers
peuvent ensuite etre representes par leurs coecients sur une base usuelle de R
N
.
Plus concrètement, soit e
0
, e
1
, . . . e
N1
une base orthonormale de R
N
. Pour tout j =
0, . . . p 1, soit
jk
la copie du vecteur e
k
denie par decalage de kN :
jk
n
=
_
0 si n , I
j
e
k
njN
si n I
j
o` u I
j
est lintervalle dans Z
I
j
= Z [jN, (j + 1)N 1] .
On a alors, pour tout x R
pN
x =
p1
j=0
x1
I
j
=
p1
j=0
N1
k=0
x,
jk
)
jk
1
I
etant lindicatrice dun segment I, et on montre facilement que
jk
,
j
) =
jj

kk
,
de sorte que
jk
, j = 0, . . . p 1, k = 0 . . . N 1 est une base orthonormee de R
pN
.
(3) Bases de
2
(Z) : la base (orthonormale) de
2
(Z) la plus commune est la base de Kronecker
n
, n Z, denie par
n
k
=
_
0 si k ,= n
1 si k = n .
Cette base nest toutefois pas très pratique dans de nombreuses situations.
(4) Dans
2
(Z), les fonctions exponentielles complexes intervenant dans les decompositions de Fou-
rier des signaux numeriques ne forment pas une base de
2
(Z). En eet, ces fonctions ne sont
pas elles memes de module carre sommable.
(5) Pour obtenir des bases trigonometriques de
2
(Z), il faut localiser ces fonctions, comme on la
fait ci-dessus dans le cas de C
pN
. En considerant comme precedemment une base orthonormale
e
0
, e
1
, . . . e
N1
de C
N
, et en denissant pour tout j Z et k = 0, . . . N 1 la suite
jk
par
jk
n
=
_
0 si n , I
j
e
k
njN
si n I
j
on montre dans ce cas encore que lon obtient une base orthonormee, que lon peut donc utiliser
pour coder les signaux numeriques innis.
Th eor` eme 1.6. La famille trigonometrique locale
jk
, j Z, k = 0, . . . N 1 denie ci-
dessus est une base orthonormee de
2
(Z).
Preuve : Pour j xe, la famille
jk
, k = 0, . . . N 1 est clairement une famille orthonormee, donc une
base orthonormee de C
N
. Comme les suites
jk
et
j
ont des supports disjoints pour j ,= j
, la famille
jk
, j Z, k = 0, . . . N 1 est bien une famille orthonormee. Reste à montrer quelle est complète......
4.2. Exemple : le codeur dimages JPEG (tire de larticle en ligne de lencyclopedie

Wikipedia). JPEG est un acronyme signiant Joint Photographic Experts Group. Cest un comite dex-
perts qui edite des normes de compression pour limage xe. La norme communement appelee JPEG,
de son vrai nom ISO/IEC IS 10918-1 | ITU-T Recommendation T.81, est le resultat de levolution des
travaux qui ont debute dans les annees 1978 à 1980 avec les premiers essais en laboratoire de compression
dimages.
Le groupe JPEG qui a reuni une trentaine dexperts internationaux, a specie la norme en 1991.
Mais la norme ocielle et denitive na ete adoptee quen 1992. Pratiquement, seule la partie concernant
le codage arithmetique est brevetee, et par consequent protegee par IBM, son concepteur.
4. REPR
ERIQUES 29
JPEG normalise uniquement lalgorithme et le format de decodage. Le processus dencodage est laisse
libre à la competition des industriels et universitaires, du moment que limage produite est decodable par
un decodeur standard. La norme propose un jeu de chiers de tests appeles chiers de conformance qui
permettent de verier quun decodeur respecte bien la norme. Un decodeur est alors dit conforme sil est
capable de decoder tous les chiers de conformance.
JPEG denit deux classes de processus de compression :
Compression avec pertes ou compression irreversible. Cest le JPEG (( classique )). Il permet des
taux de compression de 3 à 100.
Compression sans pertes ou compression reversible. Il ny a pas de pertes dinformation et il est
donc possible de revenir aux valeurs originales de limage. Les gains en terme de compression sont
alors plus modestes, avec un taux de compression de lordre de 2. Cette partie fait lobjet dune
norme specique JPEG-LS.
Fig. 13. Le codeur JPEG (daprès Wikipedia).
Les principales etapes du codage (et decodage), illustrees dans la Fig. 13 sont les suivantes :
Decoupage de limage en blocs, ou imagettes, generalement de 8 pixels sur 8 pixels.
Transformation des couleurs : La transformation de couleurs est optionnelle. Elle consiste à passer
de lespace couleur de limage dorigine (en general RVB, cest à dire Rouge Vert Bleu) à lespace
couleur YUV (1 luminance, 2 chrominances) plus adapte pour la compression car les 3 composantes
sont beaucoup moins correlees.
Sous-echantillonnage : La facon la plus simple dexploiter la faible sensibilite de loeil à la chro-
minance est simplement de sous-echantillonner les signaux de chrominance, cest à dire de reduire
le nombre de pixels consideres. Generalement on utilise un sous-echantillonnage de type 2h1v ou
2h2v. Dans le premier cas (le plus utilise) on a un sous-echantillonnage 1 :1 horizontalement et 2 :1
verticalement, dans le deuxième cas on a un sous-echantillonnage 2 :1 horizontalement et verticale-
ment. Ces sous-echantillonnages sont utilises pour les chrominances, pour la luminance on nutilise
jamais de sous-echantillonnage.
Transformation DCT : decomposition de chaque imagette pre-traitee comme ci-dessus dans une
base DCT bidimensionnelle. Ce sont les coecients de la decomposition qui vont etre eectivement
codes. Dans chaque imagette, on notera c(
1
,
2
) le coecient DCT correspondant à la frequence
spatiale (
1
,
2
).
Quantication : La quantication est letape dans laquelle on perd reellement des informations (et
donc de la qualite visuelle), mais cest celle qui fait gagner beaucoup de place (contrairement à la
DCT, qui ne compresse pas). La DCT a retourne, pour chaque bloc, une matrice de 8 8 nombres
(dans lhypothèse que les blocs de limage font 8 8 pixels). La quantication consiste à diviser
cette matrice par une autre, appelee matrice de quantication, et qui contient 8 8 coecients
savamment choisis par le codeur. Le but est ici dattenuer les hautes frequences, cest-à-dire celles
auxquelles loeil humain est très peu sensible. Ces frequences ont des amplitudes faibles, et elles
sont encore plus attenuees par la quantication (les coecients sont meme ramenes à 0).
La formule donnant la quantication est
Q(
1
,
2
) =
_
c(
1
,
2
) +w(
1
,
2
)/2|
w(
1
,
2
)
_
,
o` u x| est la partie entière de lentier x, et o` u w est une matrice de poids, xee, qui caracterise le
quanticateur.
Codage : Le codage des imagettes seectue en zigzag comme on le montre en Fig. 14 et se termine
par un caractère de n. Le resultat est ensuite compresse selon un algorithme de codage par plages
(qui code les valeurs nulles en utilisant seulement la longueur des plages de valeurs nulles),
puis un codage entropique de type Human ou arithmetique, qui genère un ux de bits, de taille
minimale, à partir des valeurs quantiees.
Fig. 14. Le codage en zig zag du codeur JPEG (daprès Wikipedia).
4.3. Repères. Il existe de nombreuses situations dans lesquelles les bases orthonormales que lon
sait construire ne sont pas bien adaptees aux traitements que lon voudrait eectuer sur les signaux. En
eet, les hypothèses dorthonormalite sont souvent trop contraignantes, et ne permettent pas de generer
des familles de signaux elementaires sur lesquelles decomposer les signaux, qui possèdent les proprietes
requises.
On peut alors avoir avantage à recourir à la notion de repère, decrite dans lAnnexe B. En quelques
mots, les repères constituent une generalisation de la notion de famille generatrice de vecteurs, adaptable
aux espaces de Hilbert de dimension innie. Un repère dans un espace de Hilbert H est une famille de
vecteurs
, H telle quil existe deux constantes strictement positives 0 < A B < veriant,
pour tout x H,
A|x|
2
[x,
)[
2
B|x|
2
.
On montre facilement (voir lAnnexe B) que dans ces conditions, loperateur danalyse
U : x H Ux = x,
),
2
()
est borne, et que son adjoint, loperateur de synthèse
U
: c
2
() U
c =
H
lest egalement, de sorte que loperateur de repère
: x H x = U
Ux =
x,
H
est borne, inversible à inverse borne.
De tels repères peuvent etre utilises pour representer des signaux.
Exemple 1.6. Repères de Fourier à court terme nis : Dans H = C
N
: soit g C
N
, tel que
g ,= 0 un signal de reference, normalise de sorte que |g| = 1. On lui associe la famille datomes de
Gabor, copies translatees et modulees de g, denies par
g
k
: n = 0, . . . N 1 g
k
n
= e
2ikn/N
g
n
, k, = 0, . . . N 1 ,
o` u n est à prendre modulo N pour que ceci ait un sens.
On verie facilement que pour tout x C
N
, on a une formule de type formule de Parseval
N1
k=0
N1
=0
[x, g
k
)[
2
= |x|
2
,
de sorte que la famille g
k
, k, = 0, . . . N 1 est un repère strict de C
N
.
Par consequent, on peut donc ecrire tout x C
N
sous la forme
x =
N1
k=0
N1
=0
G
x
(k, )g
k
,
o` u les coecients
G
x
(k, ) = x, g
k
) =
N1
n=0
x
n
e
2ikn/N
g
n
forment la transformee de Fourier à court terme de x. Notons quil sagit de la transformee de
Fourier de x, multipliee par une copie translatee de g. Ainsi, si g est localisee autour de n = 0, G
x
(, )
represente une transformee de Fourier dune copie de x, que lon a localisee au voisinage de n = .
4. REPR
ERIQUES 31
Fig. 15. Transformee de Gabor dun extrait dune chanson de Norah Jones, codee en
couleurs. Laxe horizontal est laxe temporel, et laxe vertical est laxe frequentiel. On
peut clairement identier la montee harmonique du piano, ainsi que les attaques des
notes.
Exemple 1.7. Repères de Gabor nis : Avec les memes notations que ci-dessus, on note cette
fois
g
k
: n = 0, . . . N 1 g
k
n
= e
2ikn
0
/N
g
nb
0
, k = 0, . . . N/
0
1, = 0, . . . N/b
0
1 ,
o` u b
0
et
0
sont deux entiers positifs, diviseurs de N. Il est possible de montrer que pour un choix
convenable de g, b
0
et
0
, la famille g
k
forme un repère de C
N
. Les coecients
G
x
(k, ) = x, g
k
) =
N1
n=0
x
n
e
2ikn
0
/N
g
nb
0
forment la transformee de Gabor correspondante, qui est inversible. Un exemple de transformee de
Gabor dun signal audio (un extrait dune chanson de Norah Jones, comprenant une montee harmonique
de piano, que lon peut clairement identier comme la succession de taches rouges montantes sur
limage), representee par une image, se trouve à la Fig. 15.
Exemple 1.8. Il est possible de developper une version de la transformation de Gabor adaptee aux
signaux numeriques innis x
2
(Z). Elle est cependant un peu plus complexe. Elle se base sur des
atomes de Gabor de la forme
g
k
n
= e
2ik
0
g
nb
0
,
et comme precedemment requiert un choix convenable de la fenetre g, ainsi que des pas dechantillonnage
temporels et frequentiels b
0
et
0
.
CHAPITRE 2
SIGNAUX ALEATOIRES
On a souvent recours à des modèles de signaux faisant intervenir des quantites aleatoires. On peut
trouver à cela deux justications essentielles :
La necessite de modeliser des classes relativement larges de signaux, regroupes par certaines pro-
prietes generiques : par exemple, des signaux audiophoniques, le signal de parole, des images...
Le besoin de modeliser divers types de bruits (bruits de mesure par exemple), generalement
dicilement controlables.
Le cadre mathematique adapte à cette situation est celui des processus aleatoires. Lobjectif de ce court
chapitre est daboutir à la representation spectrale des processus stationnaires (puis à la representation
de Karhunen-Loève dans un cadre plus general), an detre en position dutiliser les outils developpes
aux cgapitres precedents.
1. Denitions, proprietes simples
Dans cette section on designera par (/, T, P) un espace probabilise. On note par L
0
(/) = L
0
(/, P)
lespace des variables aleatoires sur (/, T, P), à valeurs reelles ou complexes. Etant donnees deux variables
aleatoires X, Y L
0
(/), on dit que X Y si X = Y presque surement. Ceci denit une relation
dequivalence, et on note
L
0
(/) = L
0
(/)/
lespace quotient, cest à dire lespace des variables aleatoires dierentes presque surement. Etant donnee
une variable aleatoire X L
0
, on en notera EX lesperance.
1.1. Premières denitions. Un signal aleatoire est en fait un processus stochastique, indexe par
un espace discret ou continu. Plus precisement :
D efinition 2.1. Soit T R une partie (continue ou discrète) de R. On appelle signal aleatoire
indexe par T à valeurs reelles ou complexes une application
(2.1) t T X
t
L
0
(/) .
Etant donne a /, lapplication t X
t
(a) est appelee trajectoire du processus.
Un signal aleatoire sera aussi appele processus aleatoire, processus stochastique, ou serie chronologique.
On introduit de meme des signaux aleatoires multidimensionnels (pour lesquels T est une partie de R
n
),
mais on se limitera ici au cas unidimensionnel.
D efinition 2.2. Etant donnes un signal aleatoire X
t
, t T, et n valeurs (t
1
, t
2
, . . . t
n
)
T
n
. (X
t
1
, . . . X
t
n
) est une variable aleatoire vectorielle. Lensemble des distributions de toutes ces
variables forme le système de lois marginales du processus.
Un theorème celèbre de Kolmogorov (le theorème dextension qui porte son nom) montre que la
connaissance du système de lois marginales est susante pour caracteriser la distribution du processus.
1.2. Exemples. Les exemples suivants donnent une idee de la variete des situations que lon peut
rencontrer.
Exemple 2.1. Lexemple le plus simple est celui dun bruit blanc discret. On considère pour cela
une famille W
0
, . . . W
N1
de variables aleatoires independantes, identiquement distribuees, par exemple
^(0,
2
). Il sagit dun signal aleatoire indexe par 0, 1, . . . N 1, que lon appelle bruit blanc discret
Gaussien.
33
34 2. SIGNAUX ALEATOIRES
Fig. 1. 3 trajectoires de bruit blanc.
Exemple 2.2. Partant de lexemple precedent, et etant donnee une suite nie h
0
, h
1
, . . . h
N1
, on
peut former la suite X
0
, . . . X
N1
denie par le produit de convolution circulaire
X
k
=
N1
n=0
h
n
W
(kn)modN
On a alors par exemple EX
n
= 0 pour tout n, et aussi
EX
k
X
n
h
n
h
((k)+n)modN
Exemple 2.3. On sinteressera egalement à des signaux à temps continu, cest à dire au cas o` u T
nest pas denombrable. Prenons par exemple T = R
+
, et introduisons les temps t
0
= 0 < t
1
< t
2
< . . . .
Soient Z
0
, Z
1
, . . . une suite de variables aleatoires sur (/, T, P) ; on peut alors introduire le processus à
sauts X deni par
(2.2) X
t
=
n=0
Z
n
[t
n
,t
n+1
]
(t) .
X est bien un signal aleatoire sur (/, T, P) ; ses trajectoires sont des fonctions constantes par morceaux,
generalement discontinues (voir la notion de continuite presque s ure des trajectoires plus bas).
Exemple 2.4. Un signal harmonique est un processus deni sur R
+
, de la forme
(2.3) X
t
= Ae
t/
cos(t +) ,
o` u A, et sont des constantes, et o` u est une variable aleatoire uniformement distribuee sur [0, 2].
X est aussi un signal aleatoire sur (/, T, P), indexe par R
+
.
En fait, on peut mettre laccent sur deux classes de processus particulièrement interessantes, car
basees sur des hypothèses simplicatrices relativement realistes dans de nombreux cas pratiques.
(1) Processus à accroissements independants : ce sont les processus tels que pour tous temps t
1
<
t
2
< < t
M
, la famille de variables aleatoires X
t
1
, X
t
2
X
t
1
, X
t
3
X
t
2
, . . . X
t
M
X
t
M1
soit une famille de variables aleatoires independantes. On verra plus loin un exemple avec le
processus de Wiener.
(2) Processus Gaussiens : toutes les mesures de probabilites du système de lois marginales sont
Gaussiennes.
Notons que ces deux hypothèses ne sont pas exclusives (voir lexemple du processus de Wiener). Lhy-
pothèse de Gaussianite est particulièrement utile, car elle permet de caracteriser les distributions de
probabilites par leurs moments dordre 1 et 2.
1. D
EFINITIONS, PROPRI
ET
ES SIMPLES 35
Fig. 2. 3 trajectoires de bruit blanc ltre (ltrage passe-bas).
1.3. Signaux aleatoires du second ordre. On se limitera dans ce cours au cas des signaux
aleatoires du second ordre cest à dire des processus tels que leur covariance est bien denie.
D efinition 2.3. (1) Un signal aleatoire X
t
, t T est dit du second ordre si pour
tout t T, on a E
_
[X
t
[
2
_
< . Il est uniformement du second ordre si la fonction
t E
_
[X
t
[
2
_
est bornee.
(2) Lorsque T est un ensemble continu, un signal aleatoire du second ordre est dit continu en
moyenne dordre 2 si pour tout t T, E
_
[X
t+
X
t
[
2
_
0 quand 0.
Remarque 2.1. Soit X L
0
(P), telle que E
_
[X[
2
_
< . Alors il resulte de linegalite de Cauchy-
Schwarz que
E[X[ =
_
[X(a)[ dP(a)
_
[X(a)[
2
dP(a) < .
Par consequent, etant donne un signal aleatoire du second ordre X, on peut introduire sa moyenne
(2.4)
t
= EX
t
.
On introduit egalement la covariance du processus
(2.5) C
X
(t, s) = E
_
(X
t
t
)(X
s
s
)
_
= R
X
(t, s)
t
s
,
o` u
(2.6) R
X
(t, s) = E
_
X
t
X
s
_
est lautocorrelation. On a (de nouveau comme consequence de linegalite de Cauchy-Schwarz), pour tous
t, s T
[R
X
(t, s)[
_
[R
X
(t, t)[
_
[R
X
(s, s)[ ,
et de meme pour C
X
. Ces deux fonctions verient en outre la propriete suivante
Proposition 2.1. Les fonctions C
X
et R
X
sont semi-denies positives.
On rappelle quune fonction de deux variables F est semi-denie positive si pour tous t
1
, . . . t
n
T et
1
, . . .
n
C, on a
(2.7)
n
k,=1
F(t
k
, t
) 0 ,
en dautres termes si la matrice nn F(t
k
, t
), k, = 1, . . . n est semi-denie positive pour tous t

1
, . . . t
n
.
Elle est denie positive lorsque linegalite est stricte.
Preuve de la proposition : Il sut de le prouver pour R
X
(la preuve pour C
X
est identique). On a
n
k,=1
R
X
(t
k
, t
) =
n
k,=1
E
_
X
t
k
X
t
_
= E
_
_
_
k=1
k
X
t
k
2
_
_
_
0 .
Les variables aleatoires X sur (/, T, P) telles que E

_
[X[
2
_
< engendrent un espace lineaire, note
L
2
(/, P). Soit L
2
(/, P) lespace quotient de L
2
(/, P) dans lequel on a identie les variables aleatoires
egales presque s urement. L
2
(/, P) est naturellement muni dun produit scalaire deni par
(2.8) (X[Y ) = E
_
XY
_
,
qui en fait un espace de Hilbert. Etant donne un signal aleatoire du second ordre X
t
, t T, suppose
centre (cest à dire tel que EX
t
= 0 pour tout t), on notera /
X
le sous espace ferme de L
2
(/, P)
engendre par les variables aleatoires X
t
, t T.
2. Signaux aleatoires numeriques
On se limitera ici au cas des processus du second ordre, indexes par Z. Soit donc X = X
n
, n Z
un processus du second ordre sur (/, T, P), de moyenne
X
(n) = EX
n
et de fonction de correlation
R
X
.
D efinition 2.4. Soit X = X
n
, n Z un signal numerique aleatoire du second ordre de
longueur innie. X est dit stationnaire en moyenne dordre deux si ses statistiques dordre un et
deux sont invariantes par translation, cest à dire si
(2.9)
X
(n) =
X
(0) :=
X
, n Z
(2.10) R
X
(n +, m+) = R
X
(n, m) := R
X
(n m) , n, m, Z
Il est facile de verier que si X est stationnaire en moyenne dordre deux, on a aussi
C
X
(n +, m+) = C
X
(n, m) := C
X
(n m) , n, m, Z
Notons que dans ce cas, on a
[R
X
(n)[ R
X
(0) ,
et de meme pour C
X
.
Remarque 2.2. Notons quun signal aleatoire du second ordre, stationnaire en m.o.d., est necessairement
uniformement du second ordre.
On utilise parfois la notion de processus stationnaire au sens fort (ou strict) : de tels processus sont
tels que leur distribution est invariante par translation. De telles hypothèses sont toutefois souvent trop
restrictives, et la stationnarite faible (cest à dire en moyenne dordre deux) est generalement susante.
2.1. Filtrage de convolution de signaux stationnaires en m.o.d. Le ltrage de convolution
est une operation naturelle pour les signaux du second ordre.
Lemme 2.1. Soit X un signal aleatoire uniformement du second ordre, et soit h
1
(Z). Alors
Y = h X deni par
Y
n
= (K
h
X)
n
=
k
h
k
X
nk
.
est lui aussi uniformement du second ordre.
En eet, calculons
E
_
[Y
n
[
2
_
=
k,
h
k
h
C
X
(n k, n )
k,
[h
k
[ [h
[[C
X
(n k, n )[ K|h|
2
1
,
pour une certaine constante K.
Supposons maintenant que X soit stationnaire en moyenne dordre deux. Alors le lemme ci-dessus
sapplique directement. De plus, on a
Y
(n) =
k
h
k
X
(n k) = (h
X
)(n) =
X
k
h
k
=
Y
(0) ,
et
C
Y
(n, m) =
k,
h
k
h
C
X
(n k, m) =
k,
h
k
h
C
X
(n k m+) = C
Y
(n m) .
Ainsi, Y est egalement stationnaire en moyenne dordre deux.
Proposition 2.2. Soit X un signal aleatoire du second ordre, stationnaire en moyenne dordre
deux, et soit h
1
(Z). Alors Y = h X est lui aussi du second ordre et stationnaire en moyenne
dordre deux.
2. SIGNAUX AL
EATOIRES NUM
ERIQUES 37
2.2. Mesure spectrale et densite spectrale pour les processus stationnaires en m.o.d.
Soit donc X un processus stationnaire en m.o.d., que lon suppose centre pour simplier. Si tel nest pas
le cas, on peut toujours ecrire X = Y +
X
et travailler sur le signal aleatoire centre Y . En corollaire
de ce qui precède, la covariance C
X
est une suite semi-denie positive : pour tous n
1
, . . . n
N
Z et
1
, . . .
N
C, on a
(2.11)
N
k,=1
F(n
k
n
) 0 .
Un resultat general danalyse fonctionnelle permet dintroduire la mesure spectrale de X :
Th eor` eme 2.1 (Herglotz). Soit une suite semi-denie positive. Alors il existe une unique
mesure non-negative sur [, ] telle que pour tout n, on ait
(2.12) (n) =
1
2
_

e
in
d() .
Preuve : Commencons par calculer la quantite suivante (qui est toujours positive ou nulle), pour
[, ]
N
j,k=1
(j k)e
i(jk)
=
N1
n=1N
(n) e
in
(N [n[) ,
et posons
N
() =
N1
n=1N
(n) e
in
_
1
[n[
N
_
.
Il est clair que
N
() 0 pour tout , et que
_

N
() d = 2 (0) .
Soient d
N
les mesures denies par
d
N
() =
N
() d .
Il sagit de mesures bornees, denies sur un domaine compact. Par consequent, il est possible dextraire
une sous-suite d
N
k
qui converge faiblement vers une limite d (cest le theorème de Helly, ou Helly-
Nikodym) : pour toute fonction bornee et continue f sur [, ],
lim
k
_

f()d
N
k
() =
_

f()d() .
De plus, pour tout m tel que [m[ N
k
, on a
1
2
_

e
im
d
N
k
() =
_
1
[m[
N
k
_
(m) (m) pour k .
Par denition de la convergence faible, on en deduit que
1
2
_

e
im
d
N
k
()
1
2
_

e
im
d() pour k ,
ce qui prouve lexistence de .
Pour ce qui est de lunicite : soient et
deux limites ; soit g C([, ]) ; on sait que toute fonction

continue est arbitrairement bien approximee par les polynomes trigonometriques ; et
concidant sur
les polynomes trigonometriques, on a bien
_

g() d() =
_

g() d
() ,
pour tout g C([, ], ce qui prouve que
= , et donc lunicite.
En appliquant ce resultat à la covariance dun signal aleatoire du second ordre stationnaire en
moyenne dordre deux, on obtient la representation spectrale suivante (parfois appelee theorème de
Wiener-Khintchin, ou theorème de Wold) :
Corollaire 2.1 (Wiener-Khintchin). Soit X un signal numerique aleatoire du second ordre,
centre et stationnaire en moyenne dordre deux. Il existe une unique mesure
X
, appelee mesure
spectrale de X, telle que pour tout n on ait
(2.13) C
X
(n) =
1
2
_

e
in
d
X
() .
La mesure spectrale
X
nest pas necessairement absolument continue par rapport à la mesure de Le-
besgue. Si cest le cas, on peut alors ecrire
d
X
() = o
X
() d ,
o` u o
X
L
([, ]) est appele densite spectrale de X.

2.3. Quelques exemples.
(1) Lexemple le plus simple est celui du bruit blanc Gaussien : les variables aleatoires X
n
sont des
variables aleatoires Gaussiennes independantes et identiquement distribuees ^(0, ). On a alors
X
= 0 et C
X
(m, n) =
2
mn
, et X est stationnaire en m.o.d. Lunicite de la mesure spectrale
montre facilement que
d
X
() =
2
d ,
do` u X admet une densite spectrale o
X
constante. Ceci explique la terminologie : un bruit blanc
est un signal qui contient toutes les frequences en egale quantite (par analogie avec la lumière
blanche).
(2) Bruit blanc ltre (signal MA, pour moyenne mobile, ou moving average) : si X est le bruit blanc
precedent, et si h
1
(Z), on a dejà vu que Y = K
h
X est toujours un processus du second
ordre, stationnaire en m.o.d. Un calcul simple montre que Y admet une densite spectrale o
Y
de
la forme
o
Y
() = [
h()[
2
.
En eet, partant de C
Y
(n) =
k,
h
k
h
C
X
(n k +), on en deduit pour ce cas particulier
C
Y
(n) =
k,
h
k
h
nk+
=
1
2
_

k,
h
k
h
e
i(nk+)
d =
1
2
_

h()[
2
e
in
d
ce qui prouve le resultat.
Plus generalement, si X est un signal aleatoire du second ordre centre, stationnaire en
moyenne dordre deux, de densite spectrale o
X
, alors le meme calcul montre que Y est lui aussi
du second ordre, centre et stationnaire en m.o.d., et tel que
o
Y
() = [
h()[
2
o
X
() .
Ainsi, comme dans le cas des signaux deterministes, un ltrage de convolution revient à mo-
deler le contenu en frequences dun signal.
(3) Signal AR (auto-regressif) : Soit X un bruit blanc Gaussien comme ci-dessus, et soient
0
, . . .
N
des nombres complexes. Si il existe un processus Y solution de
N
k=0
k
Y
nk
= X
n
,
alors Y est stationnaire en moyenne dordre deux, et admet une densite spectrale de la forme
o
Y
() =
1
[
k

k
e
ik
[
2
.
On verra plus loin une condition susante pour lexistence dun tel Y . On peut dores et
dejà deviner que la position des racines complexes du polynome trigonometrique present au
denominateur de o
Y
jouera un role important.
(4) Signal ARMA (auto-regressif à moyenne mobile) : Soit X un bruit blanc Gaussien comme ci-
dessus, et soient
0
, . . .
N
des nombres complexes. Si il existe un processus Y solution de
N
k=0
k
Y
nk
=
M
=0
X
n
,
alors Y est stationnaire en moyenne dordre deux, et admet une densite spectrale de la forme
o
Y
() =
e
i
2
[
k

k
e
ik
[
2
.
2. SIGNAUX AL
EATOIRES NUM
ERIQUES 39
(5) Signal harmonique : On considère une variable aleatoire uniforme sur lintervalle [, ] (donc,
de densite de probabilites
() =
[,]
()/2), et on lui associe le signal aleatoire X deni
par
X
n
= Ae
i(n
0
+)
,
o` u A C et
0
[, ] sont deux constantes. Il est facile de verier que X est du second
ordre (E
_
[X
n
[
2
_
= [A[
2
pour tout n) et centre. De plus,
E
_
X
n
X
m
_
= [A[
2
e
i
0
(nm)
,
de sorte que X est stationnaire en moyenne dordre deux. Finalement, on a
C
X
(n) = [A[
2
e
in
0
=
1
2
_

e
in
d
X
() ,
do` u on deduit que la mesure spectrale de X nest autre que la mesure de Dirac
0
en
0
, à un
facteur 2[A[
2
près. Les signaux harmoniques fournissent lexemple le plus simple de signaux
aleatoires stationnaires en moyenne dordre deux ne possedant pas de densite spectrale.
2.4. Le cas ni ; application à la simulation de processus stationnaires en m.o.d. La
theorème de Wiener-Khinchin fournit une representation spectrale pour la fonction dautocovariance des
signaux aleatoires stationnaires en moyenne dordre deux. La question suivante est : pouvons nous obtenir
une representation similaire (de type Fourier) pour les signaux aleatoires eux memes ?
Nous allons voir dans la section suivante un tel theorème de representation spectrale pour les signaux
numeriques innis. Il est utile, pour motiver cette discussion, de faire une parenthèse avec le cas des
signaux numeriques aleatoires de longueur nie. Il est tout dabord necessaire dadapter la denition de
stationnarite à cette situation. Il faut pour cela tenir compte des conditions aux bords, que lon suppose
ici periodiques.
D efinition 2.5. Soit X = X
n
, n = 0, . . . N 1 un signal numerique aleatoire du second
ordre de longueur N. X est stationnaire en moyenne dordre deux si
(2.14)
X
(n) =
X
(0) :=
X
, n = 0, . . . N 1
et
(2.15) R
X
((n +) modN, (m+) modN) = R
X
(n, m) := R
X
((n m) modN) , n, m,
Dans ce cas, on a aussi
C
X
((n +) modN, (m+) modN) = C
X
(n, m) := C
X
((n m) modN) , n, m, .
Soit X un tel signal aleatoire, que lon suppose de plus centre. Soit C
X
son autocovariance, et soit o
X
le
vecteur deni par
(2.16) o
X
(k) =
N1
n=0
C
X
(n) e
2ikn/N
.
On considère la transformee de Fourier nie de X : le vecteur aleatoire

X
0
, . . .

X
N1
, deni par
(2.17)

X
k
=
N1
n=0
X
n
e
2ikn/N
.
Soit C
X
son autocovariance Un calcul simple montre que
E
_
X
k
_
= 0 , k = 0, . . . N 1 ,
et que
E
_
X
k

X
_
= N o
X
(k)
k
.
Les composantes de

X sont donc decorrelees. Utilisant la transformee de Fourier nie inverse, on peut
alors ecrire
(2.18) X
n
=
1
N
N1
k=0
e
2ikn/N
Y
k
,
o` u les variables aleatoires
(2.19) Y
k
=
1
X
k
=
1
N
N1
n=0
X
n
e
2ikn/N
sont decorrelees :
(2.20) E
_
Y
k
Y
_
= o
X
(k)
k
.
La representation (2.18) porte parfois le nom de representation de Cramèr en dimension nie.
Application à la simulation numerique de signaux aleatoires stationnaires : Lorsque lon
souhaite simuler numeriquement un signal aleatoire, on se place de facto dans une situation de dimen-
sion nie. Les ordinateurs proposent generalement des generateurs de nombres pseudo-aleatoires (par
exemple, les fonctions de type rand sour UNIX), capables de fournir des sequences de nombres aleatoires
aussi proches que possible de vecteurs identiquement distribues et decorreles. Dans ces conditions, si
on souhaite generer une realisation dun signal stationnaire en moyenne dordre deux, de spectre o
X
donne, on peut proceder comme suit : on genère tout dabord une sequence de nombres pseudo-aleatoires
W
0
, W
1
, . . . W
N1
, qui sont tels que
EX
k
= 0 , E
_
W
k
W
_
=
k
,
puis on exploite la representation de Cramèr en formant
X
n
=
1
N
N1
k=0
e
2ikn/N
_
o
X
(k) W
k
;
il est alors facile de verier que EX
n
= 0 pour tout n, et que
C
X
(n m) = E
_
X
n
X
m
_
=
1
N
N1
k=0
o
X
(k) e
2ik(nm)/N
,
ce qui est bien le resultat recherche.
2.5. Representation spectrale pour les processus stationnaires en moyenne dordre deux.
Les sections precedentes nous ont donne une representation spectrale (i.e. de type Fourier) pour la
covariance dun signal numerique aleatoire stationnaire. La covariance est un objet deterministe. Nous
allons maintenant obtenir une representation spectrale pour le processus lui meme.
On note /
X
L
2
(/, P) le sous-espace de L
2
(/, P) engendre par les variables aleatoires X
k
. Soit
lapplication lineaire de /
X
dans L
2
([, ], d
X
) denie par
(X
k
) =
k
: e
ik
.
Il est clair que
k
L
2
([, ], d
X
). De plus, on a
k
,
) =
_

e
i(k)
d
X
() = 2 C
X
(k ) = 2(X
k
[X
) .
Ainsi, /
2 setend à une isometrie de /

X
sur L
2
([, ], d
X
). Une remarque importante est que
L
2
([, ], d
X
) est quant à lui engendre par les fonctions
k
. Ainsi, lapplication /
2 etablit une
isometrie bijective
/
X
L
2
([, ], d
X
) .
Soit maintenant A [, ] un Borelien, et soit
A
lindicatrice de A. A
A
correspond une variable
aleatoire Z
A
/
X
, telle que
E
_
Z
A
Z
B
_
= (Z
A
[Z
B
) =
1
2

X
(A B) .
Ceci setend par linearite aux fonctions simples de la forme

K
k=1
K
k

A
K
k
o` u les A
k
sont des Boreliens
de [, ]. On a
1
(
K
k=1
K
k

A
K
k
) =

K
k=1
K
k
Z
A
K
k
. Finalement, on sait que toute toute fonction
L
2
(d
X
) secrit comme limite de telles fonctions simples. Le resultat suivant montre que cette limite
a egalement un sens dans /
X
.
Th eor` eme 2.2 (Cramèr). Soit L
2
(d
X
), et considerons une suite de fonctions simples de
la forme
K
k=1
K
k

A
K
k
, telle que lim
K
|
K
k=1
K
k

A
K
k
| = 0. La suite de variables aleatoires
K
k=1
K
k
Z
A
K
k
converge presque s urement vers une limite notee
(2.21) lim
K
K
k=1
K
k
Z
A
K
k
=
_

() dZ() ,
et la limite est independante de la suite approximante.
En appliquant ce resultat au cas particulier =
k
, on obtient la representation spectrale suivante :
2. SIGNAUX AL
EATOIRES NUM
ERIQUES 41
Corollaire 2.2. On a pour tout k
(2.22) X
k
=
_

e
ik
dZ() .
Ce resultat est precisement le resultat auquel on pouvait sattendre sur la base de la representation de
Cramèr en dimension nie : le passage dun vecteur à une suite innie oblige à passer dun espace de
frequences ni à un espace inni continu (lintervalle [, ]).
Remarque : Lobjet que lon a note dZ() peut etre etudie de fa con rigoureuse. Il est utile de noter
lutilisation formelle quen font les ingenieurs : dZ() est traite comme une mesure aleatoire, telle
que
EdZ() = 0 ,
et
E
_
dZ()dZ(
)
_
=
1
2
(
)d
X
() .
Cette convention de notation permet notamment de retrouver facilement les proprietes disometrie, par
exemple, pour toutes ,
L
2
([, ], d
X
), on ecrira formellement
E
_
Z()Z(
)
_
= E
_
_

()dZ()
_

)dZ(
)
_
=
1
2
_

()
() d
X
()
=
1
2
,
) .
2.6. Filtrage numerique. On a vu plus haut lexemple des ltres de convolution, denis par une
reponse impulsionnelle h
1
(Z). On voit ici le cas plus general de ltres denis par leur fonction de
transfert.
Soit m une fonction 2-periodique bornee, que lon appellera fonction de transfert. Pour tout un
signal numerique aleatoire du second ordre X, centre et stationnaire en moyenne dordre deux, auquel on
a associe la mesure dZ, on considère lapplication Z
, qui à toute fonction L

2
([, ], d
X
) associe
Z
() =
_

()dZ
() =
_

m()()dZ() .
Z
denit un nouveau signal aleatoire Y , par

Y
n
=
_

e
in
m() dZ() .
On verie facilement que Y est lui aussi un signal numerique aleatoire du second ordre, centre, stationnaire
en moyenne dordre deux, et de mesure spectrale
d
Y
() = [m()[
2
d
X
() .
Loperateur lineaire T : X Y ainsi deni est un ltre numerique.
2.7. Retour sur les signaux AR. Lexistence de la representation spectrale permet de montrer,
sous certaines conditions, lexistence de solutions aux equations de recursion comme
(2.23)
N
k=0
a
k
Y
nk
= X
n
,
o` u X est un bruit blanc, et les a
k
sont des nombres complexes, sujets à certaines conditions.
Proposition 2.3. Soit A la transformee en z de la suite a
k
, k = 0, . . . N. Si les racines de
A se trouvent à linterieur du disque unite dans le plan complexe, alors lequation (2.23) admet
une solution, qui est causale dans le sens suivant :
(2.24) E
_
Y
k
X
_
= 0 , > k .
Preuve : Sous les hypothèses ci-dessus, on note dZ
X
la mesure spectrale de X. Pour cela, on considère
donc A, la transformee en z de la suite a
k
. A est donc un polynome de degre N en z
1
. Si on suppose
que les racines de A se trouvent à linterieur du disque unite ouvert, la transformee de Fourier discrète a
de a ne sannulle jamais, de sorte que la fonction
b :
b() =
1
a()
est bornee et donc de carre integrable ; elle admet une serie de Fourier
1
a()
=
b
n
e
in
,
o` u la suite b = b
n
, n Z
2
(Z). Le fait que les racines de A se trouvent toutes à linterieur du disque
unite implique que la suite b est causale :
b
k
= 0 k < 0 .
On considère maintenant le signal aleatoire Y deni par
Y
n
=
_

e
in
a()
dZ
X
() .
On peut alors ecrire
Y
n
=
k=1
b
k
X
nk
,
de sorte que lon a bien la propriete requise
E
_
Y
n
X
m
_
= b
nm
= 0 m > n .
3. Quelques exemples dapplication
On sinteresse ici à quelques problèmes classiques de traitement du signal, faisant intervenir des
modèles de signaux aleatoires stationnaires em moyenne dordre deux.
3.1. Filtrage optimal et detection. Le problème pose est le suivant : soit s
2
(Z) un signal
deterministe, suppose connu, et soit X un signal aleatoire du second ordre, centre et stationnaire en
m.o.d., admettant une densite spectrale o
X
supposee connue elle aussi. On dispose dobservations de la
forme
Y
n
= s
n
+X
n
,
et on cherche à construire un ltre numerique T, de fonction de transfert m, tel que pour un certain
n = n
0
xe, le rapport
=
(Ts)
n
0
_
E[(TX)
n
[
2
soit maximal. Cette dernière quantite est appelee rapport signal à bruit, et mesure eectivement limpor-
tance relative du signal et du bruit en sortie du ltre. Le resultat est donne par
Proposition 2.4. Sous les hypothèses ci-dessus, supposant que s/
o
X
L
2
([, ]) et que
s/o
X
L
([, ]), la fonction de transfert du ltre optimal est donnee par

(2.25) m() = C
s()
o
X
()
e
in
0
,
o` u C C est une constante non nulle arbitraire.
Preuve : partant de
(Ts)
n
0
=
1
2
_

e
in
0
m() s() d
et
E
_
[(TX)
n
[
2
_
=
1
2
_

[m()[
2
o
X
() d =
1
2
_
_
_m
_
o
X
_
_
_
2
,
on ecrit, en utilisant linegalite de Cauchy-Schwarz
[(Ts)
n
0
[ =
1
2
e
in
0
s()
_
o
X
()
_
o
X
()m() d
1
2
_
_
_
_
s
o
X
_
_
_
_
_
_
_m
_
o
X
_
_
_ ,
do` u on deduit la valeur optimale pour le rapport signal à bruit

1
2
_
_
_
_
s
o
X
_
_
_
_
.
3. QUELQUES EXEMPLES DAPPLICATION 43
Finalement, linegalite de Cauchy-Schwarz est une egalite si et seulement si il existe une constante C telle
que
m()
_
o
X
() = C e
in
0
s()
_
o
X
()
,
qui donne (2.25).
On doit en particulier remarquer que
(2.26) [(Ts)
n
[ =
1
2
e
i(nn
0
)
[ s()[
2
o
X
()
d
(Ts)
n
0
.
Application : Le problème de detection se presente generalement de la facon suivante. On dispose
dobservations de la forme
(2.27) Y
n
= u
n
+X
n
,
o` u u
2
(Z) est un signal deterministe connu, X est un signal aleatoire du second ordre, centre et
stationnaire en m.o.d., admettant une densite spectrale o
X
connue elle aussi, et est un decalage temporel
inconnu, que lon cherche à determiner. En appliquant le resultat precedent, dans le cas s
n
= u
n
, et
n
0
= , on obtient un ltre T de fonction de transfert
(2.28) m() = C
s()
o
X
()
,
(donc independante du paramètre inconnu ), tel que pour tout n
(2.29) [(Ts)
n
[ (Ts)
,
et que la valeur maximale (Ts)
soit la plus grande possible. Lalgorithme de detection consistera à

appliquer le ltre T sur le signal observe Y , et à rechercher la valeur n telle que [(TY )
n
[ soit la plus
grande posible. Ce n sera alors un candidat pour le paramètre recherche .
3.2. Debruitage dun signal aleatoire : ltre de Wiener. Pour ce problème, on suppose que
lon dispose dobservations de la forme
(2.30) Y
n
= X
n
+B
n
,
o` u X et B sont deux signaux aleatoires du second ordre, centres, stationnaires en m.o.d, possedant des
densites spectrales o
X
et o
B
connues : X est le signal auquel on sinteresse, et B est une perturbation
(un bruit) dont on cherche à se debarrasser. On suppose en outre que X et B sont decorreles :
E
_
X
n
B
m
_
= 0 , n, m Z .
On en deduit facilement que Y est centre, stationnaire en moyenne dordre deux.
On formule le problème de debruitage de la facon suivante : trouver un ltre T = K
h
, de reponse
impulsionnelle h
2
(Z), tel que K
h
Y soit aussi proche que possible de X dans le sens suivant : on
souhaite minimiser lerreur
(2.31) e
n
= E
_
[(K
h
Y )
n
X
n
[
2
_
,
pour tout n Z. Il results de la stationnarite de X, B et Y que
e
n
= e
0
pour tout n Z .
Le problème peut se formuler dans un cadre Hilbertien. En considerant lespace /
Y
L
2
(/, P) engendre
par les variables aleatoires Y
n
, le problème doptimisation revient à rechercher lelement de /
Y
le plus
proche de X
n
, au sens de la norme de L
2
(/, P). Cest un problème de projection orthogonale, dont la
solution est caracterisee par les equations
((K
h
Y )
n
X
n
[Y
m
) = 0 , pour tous n, m Z ,
ou encore
k
h
k
C
Y
(n mk) = E
_
X
n
Y
m
_
.
En utilisant la decorrelation de X et B et la stationnarite, on aboutit au système dequations suivant :
k
h
k
(C
X
(n k) +C
B
(n k)) = C
X
(n) .
Finalement, en utilisant lexpression des fonctions dautocovariance à partir des densites spectrales, on
aboutit au système dequations
_

h() (o
X
() +o
B
()) o
X
()
_
e
ik
d = 0 , k .
On obtient ainsi
Proposition 2.5. Sous les hypothèses ci-dessus, et en supposant que la fonction m denie par
(2.32) m() =
o
X
()
o
X
() +o
B
()
soit bornee, le ltre optimal pour le problème de debruitage est deni par la fonction de transfert
m.
3.3. Codage du signal de parole par prediction lineaire. Les developpements recents de la
telephonie mobile et de la telephonie sur internet ont conduit à remettre en question les systèmes de
codage du signal de parole, pour en ameliorer les performances en termes de compression. Le but est de
coder une quantite maximale dinformation dans un volume minimal de donnees.
Il savère que le signal de parole a une structure assez specique, et quil peut (dans une certaine
mesure) etre assez bien modelise par un signal aleatoire stationnaire en moyenne dordre deux. De plus,
les caracteristiques spectrales de ce signal peuvent etre mises en relation avec des caracteristiques du
locuteur, ce qui a egalement conduit à des avancees dans le domaine de la reconnaissance du locuteur.
3.3.1. Prediction lineaire. Avant de revenir à ces applications, commencons par nous pencher sur
le problème de la prediction lineaire pour les signaux du second ordre stationnaires en moyenne dordre
deux. Soit X = X
n
, n Z un tel signal. Le problème pose est le suivant : trouver le meilleur predicteur
lineaire dune valeur X
n
connaissant le passe X
n1
, X
n2
, . . . X
nN
.
On appellera predicteur lineaire de X
n
une variable aleatoire Z
n
de la forme
(2.33) Z
n
=
N
k=1
h
k
X
nk
,
o` u h
1
, . . . h
N
R, et predicteur lineaire optimal (en moyenne dordre deux) la variable aleatoire corres-
pondant aux coecients h
1
, . . . h
N
qui minimise lerreur quadratique moyenne de prediction
c
n
= E
_
[Z
n
X
n
[
2
_
= |Z
n
X
n
|
2
L
2
(A)
.
Notons que Z
n
appartient au sous-espace vectoriel (de dimension N) /
N
de L
2
(/) engendre par les
variables aleatoires X
n1
, . . . X
nN
. Par consequent, la meilleure approximation de X
n
L
2
(/) dans /
N
nest autre que sa projection orthogonale sur /
N
, cest à dire la variable aleatoire Z
n
de lequation (2.33)
telle que
(Z
n
X
n
[X
nk
) = 0 k = 1, . . . N ,
ce qui equivaut à
E
_
Z
n
X
nk
_
= E
_
X
n
X
nk
_
k = 1, . . . N ,
et nalement au système matriciel
(2.34)
N
=1
h
C
X
(n k, n ) = C
X
(n, n k) k = 1, . . . N .
Les coecients h qui fournissent le predicteur lineaire optimal sont donc obtenus en resolvant cette
equation matricielle.
Notons que nous navons pas encore utilise lhypothèse de stationnarite du signal X, et que les
coecients optimaux k
k
dependent apparemment de n. Ceci nest plus vrai si nous utilisons lhypothèse
de stationnarite, qui transforme (2.34) en une equation de convolution, appelee equation de Yulle-
Walker
(2.35)
N
=1
h
C
X
( k) = C
X
(k) k = 1, . . . N .
Proposition 2.6. Soit X un signal aleatoire du second ordre, stationnaire en moyenne dordre
deux, centre, dautocovariance C
X
. Le predicteur lineaire optimal (au sens de la moyenne quadra-
tique) dordre N est donne par (2.33), o` u les coecients h
k
sont obtenus comme solution de
lequation de Yulle-Walker (2.35).
3. QUELQUES EXEMPLES DAPPLICATION 45
3.3.2. Application au traitement de la parole. Le signal de parole est souvent considere stationnaire en
première approximation. Plus precisement, lorsquon letudie dans des fenetres temporelles susamment
courtes, certaines composantes (comme certaines voyelles par exemple) peuvent etre bien modelisees
comme signaux aleatoires stationnaire en m.o.d., et meme decrits par prediction lineaire. Evidemment, la
densite spectrale (et donc le predicteur optimal) nest pas la meme dune voyelle à lautre, et on associe
un vecteur de prediction h à chacune dentre elles.
Ces vecteurs de prediction fournissent dinteressantes caracteristiques des signaux, permettant non
seulement de les coder, mais aussi de traiter un certain nombre dapplications comme lidentication du
locuteur, la reconnaissance vocale,...
3.4. Estimation spectrale. Le problème destimation spectrale est un problème classique de trai-
tement du signal. La problematique est la suivante : etant donne une (ou plusieurs) observation(s) dun
signal aleatoire, suppose stationnaire en moyenne dordre deux, comment estimer sa mesure spectrale à
partir dobservations ? Le problème se pose dans de nombreux domaines de la science et lingenierie. On
peut notamment donner lexemple du controle non-desctructif
Considerons le problème suivant : on suppose donnees R observations de longueur 2N + 1
X
(r)
n
, n = N, . . . N, r = 1, . . . R
dun signal numerique aleatoire stationnaire en moyenne dordre deux, dont la mesure spectrale est incon-
nue, et on cherche à estimer cette dernière. Lestimateur (( classique )) est donne par le periodogramme :
D efinition 2.6. Le periodogramme associe à ce problème est constitue des variables aleatoires
T
N
() denies par
T
N
() =
1
R
R
r=1
1
2N + 1
n=N
X
(r)
n
e
in
2
Remarque 2.3. Pratiquement, le periodogramme peut etre calcule par transformation de Fourier
nie et FFT en se limitant aux valeurs
k
=
2k
2N + 1
.
Les moments dordre 1 et 2 du periodogramme peuvent etre calcules explicitement. Par exemple,
ET
N
() =
1
R
R
r=1
N
m,n=N
C
X
(n m)e
i(nm)
=
1
2R
R
r=1
N
m,n=N
_

e
i(nm)(
)
d
X
(
)
=
1
2
_

K
N
(
)d
X
(
)
o` u K
N
est le noyau de Fejèr, deni par
(2.36) K() =
1
2N + 1
_
sin((N + 1/2))
sin(/2)
_
2
Il sagit donc dun produit de convolution de la mesure spectrale par le noyau K
N
.
Supposons maintenant que le spectre soit un spectre continu, cest à dire que la mesure spectrale soit
absolument continue par rapport à la mesure de Lebesgue : d
X
() = o
X
()d. Il est alors possible de
montrer (voir TD, dans un cadre legèrement dierent)
Proposition 2.7. Soit X un signal aleatoire du second ordre, stationnaire en moyenne
dordre deux, et de mesure spectrale absolument continue par rapport à la mesure de Lebesgue.
Le periodogramme deni en Denition 2.6 est un estimateur asymptotiquement non-biaise de la
densite spectrale de X :
lim
N
T
N
() = o
X
() .
Le periodogramme est le plus simple des estimateurs spectraux. Il en existe de multiples variantes,
destinees à en attenuer soit le biais soit la variance.
4. Representations Hilbertiennes
Nous nous sommes jusquà present focalises sur le cas des signaux stationnaires en moyenne dordre
deux, pour lesquels nous avons obtenu une representation de type Fourier. Or, ce type de representation
nest generalement pas la meilleure possible dès que lon sort de la classe des signaux stationnaires en
moyenne dordre deux.
4.1. Representation sur une base pour les signaux aleatoires de longueur nie. Pour sim-
plier, pla cons nous tout dabord dans le cadre des signaux aleatoires de taille nie X = X
0
, . . . X
N1
,
centres, et soit
0
, . . .
N1
une base orthonormee de C
N
.
Introduisons la famille de variables aleatoires
(2.37) Z
n
= X,
n
) =
N1
k=0
X
k
n
k
.
Clairement, les Z
n
sont les coecients du developpement du signal X sur la base consideree :
(2.38) X =
N1
n=0
Z
n
n
.
Il est immediat que les Z
n
sont des variables aleatoires centrees, du second ordre :
(2.39) E
_
[Z
n
[
2
_
=
N1
k,=0
E
_
X
k
X
n
k
< .
De plus, la matrice de covariance C
Z
du vecteur aleatoire Z est donnee par
(2.40) C
Z
(m, n) = E
_
Z
m
Z
n
_
=
N1
k,=0
E
_
X
k
X
m
k

n
=
N1
k=0
_
N1
=0
C
X
(k, )
n
m
k
= (
X
n
,
m
)
o` u (
X
est loperateur lineaire deni dans la base canonique par la matrice C
X
.
D efinition 2.7. Loperateur (
X
deni par la matrice dautocovariance C
X
est appele
operateur de covariance (ou operateur dautocovariance) du signal X.
4.2. Base de Karhunen-Loève pour les signaux de longueur nie. Parmi toutes les bases
orthonormees de C
N
, il est possible den distinguer une qui est canoniquement associee à un signal
aleatoire du second ordre donne. En eet, il est facile de verier le resultat suivant
Lemme 2.2. Loperateur dautocovariance (
X
dun signal aleatoire du second ordre X est
auto-adjoint.
Par consequent, (
X
est diagonalisable : il existe N reels
n
, n = 1, . . . N, que lon peut ordonner par
ordre decroissant
1

2

N
,
et une base orthonormee correspondante
n
, n = 1, . . . N de C
N
, telles que
(2.41) (
X
n
=
n
n
.
D efinition 2.8. La base orthonormee qui diagonalise loperateur de covariance dun signal
aleatoire du second ordre X est appelee base de Karhunen-Loève de X.
La base de Karhunen-Loève fournit donc une decomposition spectrale de (
X
:
(
X
f =
N
n=1
n
f,
n
)
n
, f C
N
.
La decomposition dun signal aleatoire du second ordre X sur sa base de Karhunen-Loève
(2.42) X =
N
n=1
Z
n
n
est remarquable pour la raison suivante : elle est bi-orthogonale, au sens o` u lon a à la fois
(2.43)
n
,
m
) =
mn
, et (Z
n
[Z
m
) =
n
mn
.
5. QUANTIFICATION, PCM ET CODAGE 47
Remarque 2.4. Revenons sur le cas particulier des signaux stationnaires en moyenne dordre deux.
Comme on la vu, la matrice dautocovariance est une matrice circulante
C
X
(m, n) = C
X
([mn][mod N]) ,
de sorte que loperateur dautocovariance est un operateur de convolution. Or, on sait que la base qui
diagonalise les convolutions est la base de Fourier : en denissant
n
C
N
par
n
k
=
1
N
e
2ikn/N
,
on voit facilement que
(
X
k
= o
X
(k)
k
,
o` u le spectre o
X
a ete deni en (2.16). Ainsi, la base de Karhunen-Loève associee aux signaux stationnaires
nest autre que la base trigonometrique, et la representation spectrale de X donnee en (2.42) concide
avec la representation de Cramèr (2.18).
5. Quantication, PCM et codage
PCM est le sigle designant le Pulse Code Modulation, un standard (ou plutot une famille de standards)
adopte de fa con assez universelle. Le système PCM est connu pour orir des performances assez moyennes
en termes de compression, mais aussi pour sa grande robustesse (notamment par rapport aux erreurs de
transmission) et sa faible complexite (algorithme peu gourmand en memoire et CPU). On decrit ici le
PCM de facon assez sommaire, dans le but dintroduire quelques idees simples, notamment en ce qui
concerne la quantication scalaire.
Le PCM consiste essentiellement en un echantillonneur, suivi dun quanticateur (uniforme) applique
aux echantillons, et enn dun système simple de codage. La phase dechantillonnage sera decrite dans le
chapitre qui suit. Le codage est base sur le principe dune attribution democratique des bits : chaque
valeur quantiee sera codee sur un nombre de bits constant. On parle de code de longueur constante. On
se concentre maintenant sur la quantication.
5.1. Quantication scalaire. Considerons donc des echantillons f
n
dun signal f. La base du
PCM est de modeliser chacun de ces echantillons comme une variable aleatoire, sans se preoccuper des
correlations entre echantillons. Supposons que la variable aleatoire X soit une variable aleatoire continue
du second ordre, de densite de probabilites
X
.
On considère donc un quanticateur
Q : R E
M
= y
, y
0
, . . . y
M1
, y
+
,
et la variable aleatoire discrète Y = Q(X), à valeurs dans lensemble ni E
M
. Q est deni à partir
dintervalles de la forme [x
k
, x
k+1
[ par
(2.44) Q(x) =
_
_
_
y
si x x
0
y
k
si x [x
k
, x
k+1
[ , k = 0, . . . M 1
y
+
si x > x
M
On sinteresse particulièrement à lerreur de quantication, cest à dire à la variable aleatoire
(2.45) Z = X Y = X Q(X) ,
que lon va chercher à evaluer. On doit donc se donner une facon de mesurer cette quantite. La quantite
dinteret la plus simple est ici la variance de lerreur de quantication
2
Z
= E
_
Z
2
_
=
_
(x Q(x))
2
X
(x)dx (2.46)
=
M1
k=0
__
x
k+1
x
k
(x y
k
)
2
X
(x)dx
_
(2.47)
+
_
x
0
(x y
)
2
X
(x)dx +
_

x
M
(x y
+
)
2
X
(x)dx ,
et cest celle-ci que nous allons evaluer dans certaines situations simples. Les deux derniers termes forment
le bruit de saturation, alors que les autres forment le bruit granulaire. Dans le cas dun signal borne (cest
à dire quand
X
a un support borne), le bruit de saturation est generalement evite
1
.
1
Encore que ceci ne soit pas obligatoire ; on peut parfois se permettre une certaine quantite de bruit de saturation.
Fig. 3. Exemple de quantication : un signal simple (à gauche) et le meme signal après
quantication de chaque echantillon sur 5 bits (32 niveaux de quantication).
D efinition 2.9. On considère un quanticateur comme decrit ci-dessus. Le facteur de perfor-
mance du quanticateur est le quotient
(2.48)
2
=

2
X
2
Z
,
o` u
2
X
et
2
Z
sont les variances respectives du signal X et du bruit de quantication Z. Le Rapport
Signal à Bruit de Quantication est quant ` a lui deni par
(2.49) SNR
Q
= 10 log
10
(
2
) = 10 log
10
_
2
X
2
Z
_
.
Il est bien evident que lobjectif que lon se xe en developpant un quanticateur est de maximiser le
rapport signal à bruit, pour un debit R xe. Ou, plus ambitieusement, on cherche à construire une theorie
Debit-Distorsion, qui decrive levolution de la distorsion en fonction de R. On va voir que ceci est possible
au prix dapproximations simplicatrices. On commencera par etudier le cas le plus simple, à savoir le
cas de la quantication uniforme.
5.2. Quantication uniforme. On sinteresse maintenant au cas le plus simple, à savoir le cas de
la quantication uniforme. Leet de la quantication uniforme sur un signal est decrit en Fig. 3.
Pour simplier (en evitant davoir à considerer le bruit de saturation), on suppose pour cela que la
variable aleatoire X est bornee, et prend ses valeurs dans un intervalle I. Une quantication uniforme
consiste à decouper I en M = 2
R
sous-intervalles de taille constante, notee . Plus precisement :
D efinition 2.10. Soit X une variable aleatoire dont la densite
X
est à support borne dans
un intervalle I = [x
min
, x
max
]. Soit R un entier positif, et soit M = 2
R
. Le quanticateur uniforme
de debit R est donne par le choix
(2.50) x
0
= x
min
, x
m
= x
0
+m ,
avec
(2.51) = [I[/M = [I[2
R
,
et
(2.52) y
m
=
x
m
+x
m+1
2
.
Supposons que le quanticateur soit un quanticateur haute resolution, cest à dire quà linterieur
dun intervalle [x
k
, x
k+1
], la densite de probabilites x
X
(x) soit lentement variable, et puisse etre
approximee par la valeur
k
= (y
k
). Sous ces conditions, on montre facilement que
(2.53) EX Q(X) 0 ,
et on ecrit alors
(2.54)
_
x
k+1
x
k
(x y
k
)
2
X
(x)dx

k
3
_
(x
k+1
y
k
)
3
(x
k
y
k
)
3
_
.
Fig. 4. Quantication dun signal audio : un signal test (le carillon test des codeurs
MPEG audio, en haut), une version quantiee sur 4 bits (milieu), et le logarithme de la
distorsion en fonction du debit (en bas).
Notons que pour un
k
donne, cette dernière quantite atteint son minimum (par rapport à y
k
en y
k
=
(x
k
+x
k+1
)/2, cest à dire la valeur donnee en hypothèse, de sorte que x
k+1
y
k
= y
k
x
k
= /2. Par
consequent, on obtient
(2.55)
_
x
k+1
x
k
(x y
k
)
2
X
(x)dx
k
3
12
.
Par ailleurs, on ecrit egalement 1 =
_

X
(x)dx
k

k
, do` u
(2.56)
k

1
.
Finalement, en faisant le bilan, on aboutit à
(2.57)
2
Z

3
12
M1
k

2
12
Remarque 2.5. Notons que daprès ces estimations, on obtient une estimation de la courbe debit-
distortion fournie par la quantication uniforme :
D =
2
Z
= C
ste
2
2R
.
Plus precisement, on montre que
Lemme 2.3. Soit X une variable aleatoire bornee dans I. Supposons en outre que
X
C
1
(R).
Soit Q un quanticateur uniforme sur R bits par echantillon. Alors, on a
(2.58)
2
Z
=

2
12
+r ,
avec
(2.59) [r[ C
ste
2
3R
sup
x
[
X
(x)[ .
Preuve : Il sut de donner un sens plus precis à lapproximation (2.57). Par accroissements nis, on
obtient
_
x
k+1
x
k
(x y
k
)
2
X
(x)dx =
k
3
12
+
_
x
k+1
x
k
(x y
k
)
3
X
(y)dx =
k
3
12
+r
k
,
pour un certain y = y(x) [x
k
, x
k+1
]. On a donc
[r
k
[ sup
y[x
k
,x
k+1
]
[
X
(y)[
_
x
k+1
x
k
[x y
k
[
3
dx .
Cette derniere integrale vaut
2
_
/2
0
u
3
du =

4
32
.
Donc,
[r[
M
1
[r
k
[ M sup[
X
[

4
32
=
[I[
4
32
2
3R
sup[
X
[ .
Lestimation (2.56) se fait de fa con similaire. Ceci conclut la demonstration
Ces approximations permettent dobtenir une première estimation pour levolution du SNR
Q
en
fonction du taux R. En eet, nous avons
SNR
Q
= 10 log
10
_
2
X
2
Z
_
= 20Rlog
10
(2) 10 log
10
_
[I[
2
12
2
X
_
6, 02 R +C
ste
o` u la constante depend de la loi de X. Ainsi, on aboutit à la règle empirique suivante :
Ajouter un bit de quantication revient à
augmenter le rapport signal à bruit de quantication de 6dB environ.
Ceci est très bien illustre par la Fig. 4, qui represente un signal audio (un son de carillon, utilise
comme signal test par le consortium MPEG). La gure du haut represente le signal original, et la gure du
milieu represente une version quantiee sur 4 bits. Les distorsions sont assez visibles. La gure du bas
represente quant à elle le rapport signal à bruit SNR
Q
en fonction du debit R, pour un R variant de
1 à 16. On voit que comme attendu, le comportement est remarquablement proche dun comportement
lineaire.
Exemple 2.5. Prenons par exemple une variable aleatoire X, avec une loi uniforme sur un intervalle
I = [x
0
/2, x
0
/2]. On a alors
2
X
=
1
x
0
_
x
0
/2
x
0
/2
x
2
dx =
x
2
0
12
de sorte que lon obtient pour le rapport signal à bruit de quantication, exprime en decibels (dB) :
SNR
Q
6, 02 R .
Cest le resultat standard que lon obtient pour le codage des images par PCM.
5.3. Compensation logarithmique. Une limitation de la quantication uniforme que nous avons
vue plus haut est que, tant que lon reste dans le cadre de validite des approximations que nous avons
faites, la variance
2
Z
du bruit de quantication (qui vaut
2
/12) ne depend pas de la variance du signal.
Donc, le rapport signal à bruit de quantication decrot quand la variance du signal decrot. Or, celle-ci
est souvent inconnue à lavance, et peut aussi avoir tendance à varier (lentement) au cours du temps.
Il peut donc etre avantageux de renforcer les faibles valeurs du signal de facon autoritaire. Pour ce
faire, une technique classique consiste à eectuer sur les coecients une transformation, generalement
non-lineaire, an de rendre la densite de probabilites plus plate, plus proche dune densite de variable
aleatoire uniforme. Il sagit generalement dune transformation logarithmique, modiee à lorigine pour
eviter la singularite.
Deux exemples de telles transformations sont couramment utilisees, en telephonie notamment : la loi
A, qui correspond au standard europeen, et la loi (standard nord-americain).
Fig. 5. Image, et densite de probabilites empirique des valeurs de pixel.
Fig. 6. Signal de parole, et densite de probabilites empirique des valeurs du signal.
5.3.1. La loi A. Le premier exemple est la loi A, qui consiste en une modication lineaire pour
les faibles valeurs du signal, et dune compensation logarithmique pour les plus grandes valeurs. Plus
precisement, la fonction de compensation est donnee par
(2.60) c(x) =
_
A|x|
1+log A
sgn(x) si [x[
x
max
A
x
max
1+log(A|x|/x
max
)
1+log A
sgn(x) si [x[ >
x
max
A
On peut alors montrer que le rapport signal à bruit de quantication devient
(2.61) SNR
_
6, 02 R + 4, 77 20 log
10
(1 + log A) pour les grandes valeurs du signal
SNR
Q
+ 20 log
10
_
A
1+log A
_
pour les faibles valeurs du signal .
Exemple 2.6. Valeur typique du paramètre, pour le codage du signal de parole : A = 87.56 (standard
PCM europeen). Le SNR correspondant, exprime en decibels (dB), vaut
SNR
A
6, 02 R 9, 99 .
5.3.2. La loi . La fonction de compensation est dans ce cas donnee par
(2.62) c(x) = x
max
log([x[/x
max
)
log(1 +)
sgn(x) .
On montre alors que le rapport signal à bruit de parole est approximativement donne par
(2.63) SNR
_
6, 02 R + 4, 77 20 log
10
(log(1 +)) pour les grandes valeurs du signal
SNR
Q
+ 20 log
10
_

log(1+)
_
pour les faibles valeurs du signal .
Exemple 2.7. Valeur typique du paramètre : pour le signal de parole : = 255 (standard PCM US).
Le SNR correspondant, exprime en decibels (dB), est de la forme
SNR
6, 02 R 10, 1 .
Fig. 7. Signal de parole, et densite de probabilites empirique des valeurs du signal, après
compensation logarithmique par loi .
Fig. 8. Quantication logarithmique dun signal audio : le signal test carillon (en
haut), une version corrigee par loi (milieu), et le logarithme de la distorsion en fonction
du debit (en bas) pour le signal original et le signal compense logarithmiquement (en
bas).
La gure 7 represente le signal de parole de la gure 6 après compensation logarithmique, et la densite de
probabilites correspondante, qui est beaucoup plus regulière que celle de la gure 6. La gure 8 reprend
lexemple de la gure 4, et montre leet de la compensation logarithmique sur la courbe debit-distorsion :
la nouvelle courbe est toujours essentiellement lineaire, mais se situe en dessous de la precedente. La
compensation logarithmique a donc bien ameliore les performances du quanticateur.
5.4. Quantication scalaire optimale. Par denition, un quanticateur scalaire optimal est un
quanticateur qui, pour un nombre de niveaux de quantication N xe, minimise la distorsion. Il existe
un algorithme, appele algorithme de Lloyd-Max, qui permet datteindre loptimum connaissant la densite
de probabilites
X
de la variable aleatoire X à quantier.
Supposons par exemple que nous ayions à quantier une variable aleatoire X de densite
X
à support
non borne. Pour obtenir le resultat, on commence par calculer
(2.64)
2
Z
=
M1
k=0
__
x
k+1
x
k
(x y
k
)
2
X
(x)dx
_
+
_
x
0
(x y
)
2
X
(x)dx +
_

x
M
(x y
+
)
2
X
(x)dx ,
quil sagit de minimiser par rapport aux variables x
k
, y
k
et y
+
, y
. Il sagit dun problème classique de

minimisation de forme quadratique, dont la solution est fournie par les equations dEuler. En egalant à
zero la derivee par rapport à x
k
, on obtient facilement les expressions suivantes
x
k
=
1
2
(y
k
+y
k1
) , k = 1, . . . M 1 , (2.65)
x
0
=
1
2
(y
0
+y
) (2.66)
x
M
=
1
2
(y
M1
+y
+
) (2.67)
De meme, en egalant à zero les derivees par rapport aux y
k
, à y
et y
+
, on obtient
y
k
=
_
x
k+1
x
k
x
X
(x) dx
_
x
k+1
x
k
X
(x) dx
, (2.68)
y
=
_
x
0
x
X
(x) dx
_
x
0
X
(x) dx
, (2.69)
y
+
=
_
x
M
x
X
(x) dx
_
X
M
X
(x) dx
. (2.70)
On obtient facilement des expressions similaires dans des situations o` u
X
est bornee. Ceci conduit
naturellement à un algorithme iteratif, dans lequel les variables x et y sont mises à jour recursivement.
Naturellement, comme il sagit dun algorithme de type algorithme de descente, rien ne garantit quil
converge obligatoirement vers le minimum global de la distorsion. Lorsque tel nest pas le cas (ce qui est
en fait la situation la plus generale), on doit recourir à des methodes plus sophistiquees.
5.5. Quantication vectorielle. Le defaut essentiel du codeur PCM est son incapacite à prendre
en compte les correlations existant dans le signal code. La quantication utilisee dans le PCM traite en
eet chaque echantillon individuellement, et ne tient aucun compte de la coherence du signal. Pour
tenir compte de celle-ci, il faudrait a priori eectuer une quantication non plus sur des echantillons
individuels, mais sur des familles, ou vecteurs, dechantillons. Cest le principe de la quantication vec-
torielle. Cependant, alors que lidee de la quantication vectorielle est somme toute assez simple, sa mise
en uvre eective peut etre extremement complexe.
Considerons un signal x
0
, x
1
, . . ., et commencons par le decouper en segments de longueur xee
N. Chaque segment represente donc un vecteur X R
N
, et on se pose donc le problème de construire
un quanticateur :
Q : R
N
E
M
= y
0
, . . . y
M1
,
en essayant de minimiser lerreur de quantication
D = E
_
[X Q(X)[
2
_
,
o` u on a note [X[ la norme Euclidienne de X R
N
.
D efinition 2.11. Lensemble des vecteurs quanties est appele le dictionnaire du quanti-
cateur (codebook en anglais).
Le problème est le meme que celui que nous avons vu dans le cas de la recherche du quanticateur
scalaire optimal, mais la situation est cette fois bien plus complexe, à cause de la dimension superieure
dans laquelle on se place. En eet, dans le cas dun quanticateur scalaire, le problème est essentielle-
ment de decouper un sous-domaine de laxe reel, ou laxe reel lui meme, en un nombre ni de botes
de quantication (cest à dire dintervalles). En dimension superieure, il sagit maintenant deectuer
une partition dune partie de R
N
en sous-domaines. On doit pour ce faire eectuer de multiples choix,
notamment en ce qui concerne la forme des frontières : dans le cas de frontières planes, on parlera de
quanticateur regulier, dans le cas contraire de quanticateur irregulier (voir la Fig. 9. La problèmatique
de la quantication vectorielle presente des similarites certaines avec la problematique du clustering.
Il existe de multiples facons dierentes de construire un quanticateur vectoriel. On peut par exemple
se referer à [5] pour une description relativement complète de letat de lart. Le problème de la recherche
Fig. 9. Quantication vectorielle : deux partitions dun domaine de R
2
: quantications
regulière (à droite) et irregulière (à gauche) : botes de quantication et leurs centrodes.
du quanticateur vectoriel optimal peut se formuler suivant les lignes ebauchees dans la section 5.4 : à
partir du moment o` u on sest donne le nombre de sous-domaines recherches pour la partition, il reste à
optimiser la distorsion globale
D =
M1
k=0
_
k
(x y
k
)
2
X
(x) dx ,
o` u on a note
0
, . . .
M1
les sous-domaines consideres, et y
0
, . . . y
M1
les valeurs de quantication
correspondantes. Loptimisation par rapport à y
k
reste assez simple, et fournit la condition de centrode
y
k
=
_
S
k
x
X
(x) dx
_
S
k
X
(x) dx
,
mais loptimisation par rapport aux sous-domaines S
k
, generalement eectuee numeriquement, peut
saverer extremement complexe suivant les hypothèses que lon fait sur la forme des sous-domaines.
CHAPITRE 3
SIGNAUX ANALOGIQUES;
FILTRAGE ET ECHANTILLONNAGE
Après avoir analyse les signaux numeriques, on passe maintenant au cas des signaux analogiques.
Comme on le verra, toutes les manipulations que lon peut eectuer sur les signaux numeriques ont
leur contrepartie dans le cas des signaux analogiques, ce dernier cas presentant quelques dicultes
supplementaires. On se posera egalement le problème de lechantillonnage, cest à dire le problème du
passage dun signal analogique à un signal numerique.
1. Preliminaires
Un signal analogique est par denition une fonction dune (ou plusieurs) variable(s) continue(s),
resultant par exemple dune mesure physique. Deux concepts importants sont les concepts denergie et
de puissance dun signal. Pour cela, il est utile de considerer un exemple.
Exemple 3.1. Considerons un circuit electrique, dont on mesure la tension aux bornes dune resistance
R. Si on note i(t) lintensite du courant dans la resistance, et v(t) la tension aux bornes de cette dernière,
lenergie est donnee par
E = R
_

[i(t)[
2
dt =
1
R
_

[v(t)[
2
dt .
Par consequent, on appelera par convention energie dun signal le carre de sa norme L
2
(3.1) E = [[f[[
2
=
_

[f(t)[
2
dt
quand celle-ci est denie.
Une autre quantite utile est la puissance dun signal. On denit usuellement trois quantites :
La puissance instantanee :
P(t) = [f(t)[
2
.
La puissance instantanee moyenne
P(t, T) =
1
2T
_
T
T
[f(t)[
2
dt .
La puissance moyenne
(3.2) P = lim
T
1
2T
_
T
T
[f(t)[
2
dt .
Cette dernière quantite trouve son utilite pour letude des signaux dont lenergie nest pas denie.
Un autre ingredient important de lanalyse du signal est la theorie spectrale, dont le but est de simpli-
er certaines transformations des signaux. La representation spectrale des signaux est une representation
qui fait intervenir des notions frequentielles plutot que des notions temporelles. Pour cela, on doit utiliser
lanalyse de Fourier, ou lune de ses variantes.
2. Signaux denergie nie
Un cas particulier est fourni par les signaux dits signaux denergie nie, qui ne sont autres que des
fonctions de carre integrable. La transformation de Fourier fournit donc un cadre naturel pour construire
une theorie spectrale.
55
56 3. SIGNAUX ANALOGIQUES; FILTRAGE ET ECHANTILLONNAGE
2.1. Transformation de Fourier et proprietes simples.
D efinition 3.1. Etant donnee une fonction f, sa transformee de Fourier est la fonction dune
variable reelle

f(), denie par
(3.3)

f() =
_

f(t)e
it
dt ,
pour tout tel que lintegrale soit convergente. On note T loperateur lineaire deni par

f = Tf.
La variable porte le nom de frequence.
On verie immediatement que si f L
1
(R),

f est bornee. Plus generalement, on a
Th eor` eme 3.1 (Riemann-Lebesgue). Soit f L
1
(R). Alors

f est bornee, uniformement conti-
nue : pour tout > 0, il existe > 0 tel que pour tout ,
(3.4) [
f( +)

f()[
De plus,
lim
f() = 0 .
Preuve : Nous savons dejà que si f L
1
(R), alors

f est bornee. Passons à la continuite. La preuve
est relativement simple. Commen cons par calculer
f( +)

f() =
_

f(t)
_
e
i(+)t
e
it
_
dt
= 2i
_

f(t) sin
_
t
2
_
e
it/2
e
it
dt
Le fait que f soit integrable implique quil existe T tel que
_
T
[f(t)[dt +
_
T
[f(t)[dt /4. Nous navons
donc plus quà nous preoccuper de lintegrale entre T et T. Mais dans cet intervalle, nous savons que
[ sin(t/2)[ [t/2[ T/2. Donc, nous avons
f( +)

f()

2
+
T
2
_
T
T
[f(t)[dt

2
+
T
2
[[f[[
1
Il sut maintenant de choisir de sorte que T[[f[[
1
, et on obtient bien lestimation souhaitee (3.4).
La première partie du theorème est donc montree.
Le fait que

f() 0 quand resulte de la densite des fonctions constantes par morceaux
dans lespace L
1
(R) : pour toute fonction f L
1
(R), il existe une suite de fonctions g
n
, constantes
par morceaux, telle que pour tout xe, on ait [[f g
n
[[
1
pour un n assez grand. Il sut donc
detudier le comportement de la fonction caracteristique dun intervalle ; prenons g =
[a,b]
. Alors, on
a g() = (e
ib
e
ia
)/i
2, qui tend bien vers 0 quand [[ . De meme, la transformee de

Fourier de toute fonction integrable constante par morceaux tend vers 0 à linni. Pour conclure, il sut
de remarquer que pour tout , on a par hypothèse [
f() g
n
()[ [[f g
n
[[
1
. Comme pour tout n,
g
n
() 0 quand [[ , et comme [[f g
n
[[
1
peut etre rendu aussi proche de 0 que ce que lon veut,
on en deduit que

f() 0 quand [[ .
La transformation de Fourier possède des proprietes simples, faciles à verier. En supposant que
f L
1
(R) pour simplier (ce qui assure lexistence de

f() pour tout , on verie facilement les proprietes
suivantes :
(1) Comportement vis à vis des translations et des modulations. Considerons maintenant une fonc-
tion integrable f L
1
(R). On denit la translatee de f par la quantite b R comme la fonction
g : t g(t) = f(t b). On a alors, par un simple changement de variables
(3.5) g() =
_

f(t b)e
it
dt = e
ib
_

f(t b)e
i(tb)
dt = e
ib

f() .
On dit que g est une version modulee de

f. Similairement, si h L
1
(R), denie par h(t) = e
it
f(t)
(o` u R
) est une version modulee de la fonction integrable f, alors on a

(3.6)

h() =
_

f(t)e
i()t
dt =

f( ) ,
de sorte que la transformee de Fourier de h est une version translatee de

f.
2. SIGNAUX D
ENERGIE FINIE 57
(2) Comportement vis à vis des dilatations. Soit f L
1
(R), et soit

f sa transformee de Fourier. Si
a est une constante reelle, on considère une fonction f
a
, dilatee de f du facteur a, denie par
f
a
(t) = f
_
t
a
_
.
Alors, on a, par un changement de variable u = t/a,
(3.7)

f
a
() =
_

f
_
t
a
_
e
it
dt = a
_

f(u)e
iau
du = a
f(a) .
Ainsi, la transformee de Fourier de la copie dilatee dune fonction nest autre quune copie dilatee
(dun rapport inverse) de la transformee de Fourier de la fonction originale.
2.2. Inversion dans L
1
(R). Le problème de linversion de la transformation de Fourier est un
delicat problème. La transformation de Fourier inverse est denie par :
f(t) =
1
2
_

f()e
it
d .
et on note T loperateur lineaire deni par

f = Tf. Le problème qui se pose est de donner un sens à

f,
mais aussi de denir dans quelles conditions et en quel sens T est eectivement la transformation inverse
de la transformation de Fourier T.
Le resultat suivant, appele formule dechange, joue un role essentiel dans ce qui suit.
Lemme 3.1 (Formule dechange). Soient f, g L
1
(R). Alors on a
(3.8)
_
f(t) g(t)dt =
_

f(s)g(s)ds .
Preuve : la preuve est une consequence immediate du theorème de Fubini.
Ce resultat permet dobtenir la première version de la formule dinversion :
1
(R), telle que

f L
1
(R). Si f est continue en t = t
0
, alors on a
(3.9) f(t
0
) =
1
2
_

f()e
it
0
d .
Preuve : Considerons la famille de fonctions integrables
(3.10) g
n
(t) = e
|t|/n
.
Leur transformee de Fourier est donnee par
(3.11) g
n
() =
_

e
|t|/n
e
it
dt =
2n
1 +n
2
2
La formule dechange donne alors
(3.12)
_

f()g
n
()e
it
d =
_

f(s) g
n
(s t)ds
Interessons nous tout dabord au terme de gauche de cette egalite. Nous savons que lim
n
g
n
(t) = 1
pour tout t, et que par ailleurs,
f()g
n
()e
it
f()[, qui est borne. Le theorème de convergence

dominee de Lebesgue nous assure donc que pour tout t,
_

f()g
n
()e
it
d
_

f()e
it
d quand n .
Passons maintenant au membre de droite, et notons tout dabord que
_
g
n
(u)du = 2. Calculons
(3.13)
_

f(s +t) g
n
(s)ds 2f(t) =
_

[f(s +t) f(t)] g

n
(s)ds .
Supposons que f soit continue en t = t
0
. Donc, pour tout > 0, il existe un > 0 tel que s entrane
[f(t
0
+s) f(t
0
)[ . En traitant de facon dierente les valeurs s et s > dans le membre de droite
de (3.13), nous sommes amenes à considerer
_
|s|
[f(s +t
0
) f(t
0
)] g
n
(s)ds

_
|s|
g
n
(s)ds 2 ,
que nous pouvons rendre aussi petit que nous voulons. Quant à lautre terme, nous avons à considerer
f(t
0
)
_
|s|>
[ g
n
(s)[ds
= [f(t
0
)[4n
_

ds
1 +n
2
s
2
= 4
_
2
arc tan(n)
_
[f(t
0
)[
qui tend vers zero quand n , et
_
|s|>
f(t
0
+s) g
n
(s)ds
g
n
()[[f[[
1
qui tend lui aussi vers zero quand n . Ainsi, la limite du membre de droite de (3.13), au point de
continuite t = t
0
, nest autre que f(t
0
). Ceci achève la preuve du theorème.
Il est possible de montrer des resultats plus generaux. On citera par exemple le resultat suivant,
donne sans demonstration.
1
(R), telle que f
L
1
(R), et que f soit contin ument derivable,
sauf eventuellement en un nombre ni de points t
1
, t
2
, . . . t
N
. Alors pour tout t R, on a la formule
dinversion en valeur principale
(3.14) lim
A
1
2
_
A
A
f()e
it
dt =
1
2
(f(t
+
) +f(t
)) .
2.3. Transformation de Fourier et regularite. Nous allons maintenant nous focaliser quelque
peu sur les proprietes de regularite des transformees de Fourier des fonctions integrables. La continuite
est reglee par le theorème de Riemann-Lebesgue.
Le cas de la derivabilite de la transformee de Fourier se traite de fa con similaire, et fait apparaitre la
relation entre derivation de

f et multiplication par t de f(t). Supposons que f L
1
(R), et que de plus
la fonction t tf(t) appartienne elle aussi à L
1
(R). Comme dans la preuve du theorème de Riemann-
Lebesgue, on a
f( +)

f() =
_

f(t)
_
e
i(+)t
e
it
_
dt
=
_

(it)f(t)
sin(t/2)
t/2
e
it/2
e
it
dt .
On peut alors diviser les deux membres de cette equation par , et utiliser des estimations similaires
à celles utilisees dans la preuve du theorème de Riemann-Lebesgue, pour montrer que la limite quand
0 existe, et est precisement egale à la transformee de Fourier de t itf(t). On a donc, sous les
hypothèses faites,
(3.15)
d
f
d
() =
_

(it)f(t)e
it
dt
ce qui revient à deriver sous le signe somme.
En utilisant ce resultat de fa con recursive, on obtient
Proposition 3.1. Soit f L
1
(R), telle que les fonction t tf(t), . . . t t
m
f(t) soient elles
aussi integrables. Alors sa transformee de Fourier

f admet en tout point m derivees continues, et
on a pour tout k = 0, . . . m
(3.16)
d
k

f
d
k
() =
_

(it)
k
f(t)e
it
dt
On se pose maintenant la question duale, à savoir, quelle est la transformee de la derivee dune
fonction? Nous allons montrer le resultat suivant :
1
(R), et supposons que les derivees f
(k)
, k = 1, . . . m de f existent
presque partout et sont integrables. Alors pour tout k m, la fonction f
(k)
a pour transformee de
Fourier la fonction (i)
k

f() :
(3.17) [Tf
(k)
]() = (i)
k

f() .
Preuve : Pour demontrer ce resultat, considerons une fonction f satisfaisant aux hypothèses du theorème,
et remarquons tout dabord que comme f
est supposee integrable, on a

_

t
f
(s)ds 0 quand t
2. SIGNAUX D
ENERGIE FINIE 59
et dont lim
t
f(t) existe. f etant integrable, cette limite est necessairement nulle. De meme, on a
lim
t
f(t) = 0. On peut donc integrer par parties dans l integrale qui denit la transformee de
Fourier de f
, et on obtient
_

(t)e
it
dt = [if(t)]
+i
_

f(t)e
it
dt
et donc
(3.18) (Tf
)() = i

f()
De fa con plus generale, en integrant par parties autant de fois quil le faut, on obtient de meme, pour
k n,
(3.19) (Tf
(k)
)() = (i)
k

f() ,
ce qui est le resultat souhaite.
Remarque 3.1. Ce dernier resultat nous donne un critère simple pour verier si la transformee de
Fourier

f dune fonction f L
1
(R) est elle meme integrable, et donc de lui appliquer la version ponctuelle
de la formule dinversion. En eet, si on suppose f C
2
(R), et f, f
, f
L
1
(R), alors il en resulte que
f est bornee, et decrot au moins aussi bien que [[

2
à linni. Dans ce cas, on a donc bien

f L
1
(R).
Remarque 3.2. La Proposition 3.2 fournit un exemple dun comportement general de la trans-
formation de Fourier : plus une fonction est regulière, plus sa transformee de Fourier est rapidement
decroissante. Dans le cas particulier, si toutes les derivees de f jusquà lordre m sont dans L
1
(R) (ce qui
est une forme de regularite), alors comme

f
(m)
est bornee (par Riemann-Lebesgue), ceci implique que
[
f()[
C
[[
m
pour une certaine constante positive C (rappelons que

f est egalement bornee). Il est possible de
demontrer des resultats similaires en supposant dautres formes de regularite.
2.4. La theorie L
2
(R). Lespace L
1
(R) ne donne pas un cadre susant pour la theorie de Fourier,
et le cadre le plus naturel est L
2
(R)
1
. Cependant, la denition de la transformation de Fourier dans L
2
(R)
nest pas facile (pour une fonction f L
2
(R),

f() nest pas necessairement deni pour tout ).
Il est necessaire, pour construire la theorie de Fourier sur L
2
(R), demployer des moyens detournes, à
savoir des arguments de densite. Commen cons par considerer lespace des fonctions C
à support borne
(3.20) T(R) = f C
(R), supp(f) est borne ,

Il est aussi utile dintroduire la notion de fonction à decroissance rapide.
D efinition 3.2 (Fonction à decroissance rapide). Soit f une fonction continue. On dit que f
est à decroissance rapide si pour tout entier positif k, il existe une constante C
k
telle que lon ait
(3.21) [f(t)[
C
k
[t[
k
Il sagit donc de fonctions qui decroissent ` a linni plus vite que toutes les puissances. Ceci nous permet
dintroduire lespace de Schwartz o(R) (parfois appele aussi classe de Schwartz) :
(3.22) o(R) =
_
f C
(R), f
(k)
est à decroissance rapide k Z
+
_
.
On a des relations dinclusion simples
(3.23) T(R) o(R) C
(R)
Deux remarques sont importantes à faire. Tout dabord, il est facile de voir que
(3.24) o(R) L
2
(R)
En eet, si f o(R), nous savons quil existe une constante A telle que
[f(t)[ A/(1 +t
2
) .
Par consequent,
[[f[[
2
A
2
_

dt
(1 +t
2
)
2
< ,
ce qui montre que f L
2
(R).
Le second point important est contenu dans la proposition suivante :
1
Lespace L
2
(R) est egalement le plus agreable car cest un espace de Hilbert.
Proposition 3.3. T(R) est dense dans L
2
(R) : pour toute fonction f L
2
(R) et pour tout
nombre > 0, il existe une fonction f
T(R) telle que

[[f f
[[
Un corollaire immediat est que o(R) est lui aussi dense dans L
2
(R). Cest sur cette propriete que nous
allons nous appuyer pour etendre la transformation de Fourier à L
2
(R).
2.4.1. La transformation de Fourier dans lespace de Schwartz o(R). Lespace de Schwartz o(R)
possède une propriete remarquable : la transformee de Fourier dune fonction appartenant à o(R) est elle
aussi une fonction de o(R). Pour nous en convaincre, commencons par faire les remarques suivantes :
(1) Si f o(R), alors pour tout polynome t P(t), la fonction Pf : t P(t)f(t) est elle aussi
une fonction de o(R).
(2) Si f o(R), alors f
o(R), et plus generalement, toutes les derivees f

(k)
de f sont des
fonctions de o(R).
(3) o(R) L
1
(R).
On deduit de ces remarques que la transformation de Fourier est bien denie sur o(R) : toute fonction
de o(R) possède une transformee de Fourier bornee. De plus, si f o(R), alors pour tout k, t
k
f(t) est
aussi dans o(R) et est ainsi integrable ; donc

f C
k
(R), et ce pour tout k. Donc f C
(R). Le meme
raisonnement sapplique à toutes les derivees de f : f
(k)
o(R) implique que la fonction
k

f()
est bornee, et ce quel que soit k. Donc nous avons montre que la transformee de Fourier

f() de
toute fonction f o(R) est elle meme une fonction de o(R).
Inversement,

f o(R) L
1
(R), et la discussion precedente sapplique tout aussi bien à

f. Par
consequent, nous avons montre
Th eor` eme 3.4. La transformation de Fourier est une bijection entre o(R) et o(R).
Soient f, g o(R), et posons h() = g(). Alors un calcul simple montre que

h(t) = 2 g(t).
Appliquons la formule dechange à f et h. Ceci nous donne la formule de Plancherel :
(3.25)
_

f(t)g(t)dt =
1
2
_

f() g()d ,
et en particulier dans le cas g = f :
(3.26)
_

[f(t)[
2
dt =
1
2
_

f()[
2
d ,
(il decoule de la discussion ci-dessus que toutes ces integrales sont convergentes. Par consequent, dans ce
cas, nous avons aussi f L
2
(R) et

f L
2
(R).) Nous avons donc montre :
Proposition 3.4. La transformation de Fourier, correctement renormalisee, T/
2 est une
isometrie de o(R) sur o(R).
2.4.2. Le passage à L
2
(R). Le passage au cadre L
2
(R) se fait en utilisant la densite de o(R) dans
L
2
(R), et le theorème general danalyse fonctionnelle suivant :
Th eor` eme 3.5. Soient E et F deux espaces metriques, et soit E
E un sous-espace dense de
E. Soit
: E
(E
) F une application isometrique bijective. Alors, il existe une application

: E F, isometrique et bijective de E sur F, qui prolonge
(cest à dire telle que sa restriction

à E
concide avec
).
En considerant le cas E = F = L
2
(R) et E
= o(R),
= T (la transformation de Fourier sur o(R)),

et en utilisant les resultats obtenus dans la sous-section precedente, on obtient directement le resultat
important suivant :
Th eor` eme 3.6 (Transformation de Fourier sur L
2
(R)). La transformation de Fourier sur o(R)
se prolonge en une isometrie bijective de L
2
(R) sur L
2
(R). De plus, on a la formule de Plancherel :
f, g L
2
(R),
(3.27)
_

f(t)g(t)dt =
1
2
_

f() g()d .
Remarque 3.3. Il est facile de verier que la formule dechange reste valable dans le cadre L
2
(R).
Ce dernier resultat, pour important quil soit, nest pas constructif, au sens o` u la transformation de
Fourier dans L
2
(R) ny est construite que par un argument de passage à la limite abstrait. Il est complete
2. SIGNAUX D
ENERGIE FINIE 61
par la proposition suivante, qui prouve que la transformee de Fourier dune fonction de L
2
(R) sobtient
(aux points o u elle est bien denie) via le calcul usuel.
Proposition 3.5. (1) Si f L
1
(R) L
2
(R), les deux denitions de la transformee de
Fourier

f concident.
(2) Si f L
2
(R),

f() peut sobtenir comme
(3.28)

f() = lim
T
_
T
T
f(t)e
it
dt
Preuve : 1) Notons temporairement

f la transformee de Fourier de f au sens L
2
(R). Etant donnee
g o(R), on a daprès la formule dechange (voir Remarque 3.3)
_
g(t)

f(t)dt =
_
g(t)f(t)dt =
_
g(t)f(t)dt =
_
g(t)

f(t)dt. Par consequent,
_
g(t)(

f(t)

f(t))dt = 0 pour tout g o(R), et
donc

f =

f presque partout.
2) Il sut de remarquer que pour toute fonction f L
2
(R), on peut ecrire
lim
T
|f f
[T,T]
| = 0 ,
cest à dire que f L
2
(R) est arbitrairement bien approximee par des fonctions f
[T,T]
, pour T assez
grand. Or ces dernières appartiennent à L
1
(R), donc leur transformee de Fourier est bien denie. Daprès
la formule de Plancherel, on a ainsi lim
T
|
f

f
[T,T]
| = lim
T
|f f
[T,T]
| = 0, ce qui conclut
la preuve de la proposition.
Exemple 3.2. Considerons la fonction f denie par
f(t) =
1
t +i
.
Cette fonction nest pas integrable, mais elle appartient à L
2
(R). Sa transformee de Fourier est facilement
obtenue grace à la methode des residus, et on obtient
f() = 2i e
() ,
o` u est la fonction de Heaviside.

f est bien de carre integrable, mais est discontinue.
2.5. Inegalites de Heisenberg. Un ingredient crucial de la theorie L
2
(R) tient à limpossibilite
de localiser parfaitement une fonction simultanement dans lespace t et dans lespace de Fourier. Ceci est
exprime par les Inegalites de Heisenberg formulees pour la première fois par W. Heisenberg, et prouvees
en 1927 par N. Wiener :
Th eor` eme 3.7 (Heisenberg-Wiener). Soit f L
2
(R), f ,= 0. On pose
f
=
1
[[f[[
2
_

t[f(t)[
2
dt ,
f
=
1
[[
f[[
2
_

f()[
2
d ,
et
2
f
=
1
[[f[[
2
_

(t
f
)
2
[f(t)[
2
dt ,
2
f
=
1
[[
f[[
2
_

f
)
2
[
f()[
2
d .
Alors
(3.29)
f
f

1
2
,
et legalite est atteinte si et seulement si f est de la forme
f(t) = ae
ibt
e
(tc)
2
/d
.
Preuve : On peut sans perte de generalite supposer que les quantites considerees sont nies (sinon
linegalite est trivialement satisfaite). Dans ces conditions, le fait que
_

2
[
f()[
2
d < implique que
f est continue et f
L
2
(R). Supposons tout dabord que
f
=
f
= 0. Par integration par parties, on a
_
v
u
t
d
dt
[f(t)[
2
dt =
_
t[f(t)[
2
v
u
_
v
u
[f(t)[
2
dt .
Comme f, f
L
2
(R), de meme que la fonction t tf(t), les integrales ci-dessus ont une limite lorsque
u , v , de meme que u[f(u)[
2
et v[f(v)[
2
. De plus, ces dernières limites sont necessairement
nulles, sinon on aurait f(t) 1/t quand t , ce qui est incompatible avec f L
2
(R).
Donc, en prenant la valeur absolue et en developpant la derivee, on a
[[f[[
2
tf(t)f
(t)dt
tf
(t)f(t)dt
En appliquant linegalite de Cauchy-Schwarz à ces deux termes, on aboutit à

[[f[[
2
2
t
2
[f(t)[
2
dt
_

[f
(t)[
2
dt .
Or, nous savons que la transformee de Fourier de f
nest autre que la fonction i

f(). En utilisant
la formule de Plancherel, nous obtenons
_

[f
(t)[
2
dt =
1
2
_

2
[
f()[
2
d = |f|
2
f
.
On a bien le resultat desire, dans le cas particulier
f
=
f
= 0
Pour le cas general, considerons la fonction g denie par
g(t) = e
i
f
t
f(t +
f
) .
Un calcul immediat montre que
g
=
g
= 0, de sorte que lon peut appliquer à g le resultat que nous
venons de montrer. Or, on a |g| = |f|,
2
g
=
1
|g|
2
_

t
2
[f(t +
f
)[
2
dt =
2
f
,
et
2
g
=
1
| g|
2
_

2
[
f(t +
f
)[
2
d =
2
f
.
Ceci conclut la demonstration.
Ces inegalites nous montrent que lon ne peut pas esperer trouver de fonction qui soit parfaitement
localisee simultanement en temps et en frequence. Une autre question que lon peut se poser est une
version un peu plus faible : peut on trouver des fonctions à support compact, dont la transformee de
Fourier soit elle aussi à support compact ? Le resultat suivant apporte une reponse negative à cette
question.
Proposition 3.6 (Paley-Wiener). Soit f L
2
(R) une fonction non nulle à support compact.
Alors sa transformee de Fourier ne peut etre nulle sur un intervalle. Inversement, si

f est à support
compact, alors f ne peut sannuler sur un intervalle.
Preuve : Il sut de demontrer la seconde assertion, la première sen deduit immediatement. Supposons
donc que le support de

f soit inclus dans [b, b], et que pour tout t [c, d], on ait f(t) = 0. Soit
a = (c +d)/2. On sait que
f(t) =
1
2
_
b
b
f()e
it
d ,
(o` u legalite est ponctuelle : puisque f L
2
(R), alors

f L
2
(R) ; de plus, comme le support de

f est
borne, alors

f L
1
(R), ce qui donne une fonction f continue). Compte tenu des hypothèses faites sur f
dans [c, d], on sait que pour tout entier positif ou nul p, on a
f
(p)
(a) =
1
2
_
b
b
(i)
p

f()e
it
d = 0 .
En developpant expi(t a) en serie entière, on a aussi pour tout t
f(t) =
1
2
e
ia
p=0
(t a)
p
p!
_
b
b
(i)
p

f()e
it
d = 0 ,
ce qui contredit lhypothèse f ,= 0.
2. SIGNAUX D
ENERGIE FINIE 63
2.6. Produit de convolution et produit simple. Etant donnees deux fonctions f et g, leur
produit de convolution est la fonction denie par
(3.30) h(t) = (f g)(t) =
_

f(s)g(t s) ds ,
pour tout t tel que lintegrale ait un sens. On verie immediatement que si f, g L
2
(R), f g est une
fonction bornee. De plus, elle est continue.
Plus generalement, on a les inegalites de Young :
Lemme 3.2. Soient f L
p
(R) et g L
q
(R). Alors, f g L
r
(R), o` u
1 +
1
r
=
1
p
+
1
q
,
et
(3.31) [[f g[[
r
[[f[[
p
[[g[[
q
.
Ce sont les inegalites dYoung. Si de plus p et q sont conjugues, cest à dire si 1/p+1/q = 1, alors
f g est bornee et continue.
Remarque 3.4. On voit en particulier que tous les espaces L
p
(R) sont stables par convolution avec
les fonctions de L
1
(R) : si q = 1, r = p. Un cas qui nous interessera plus particulièrement est le cas p = 1,
q = r = 2.
La transformation de Fourier associe de facon etroite le produit de convolution au produit simple.
Formellement, on a
fg =
1
2
f g , (3.32)
f g =

f g . (3.33)
Le problème est de donner un sens à ces egalites. On peut en particulier considerer les situations suivantes :
Si f, g L
1
(R), alors on sait daprès les inegalites dYoung que f g L
1
(R), et donc que la
transformee de Fourier de f g est bornee et continue. De meme,

f et g sont bornees et continues.
Legalite (3.33) est donc valable point par point.
Si f L
1
(R) et g L
2
(R) : alors, f g L
2
(R), de meme que

f g. Legalite, valable au sens de
L
2
(R), se montre en utilisant un argument de densite. Soit g
n
L
1
(R) L
2
(R) une suite telle que
g
n
g dans L
2
(R). Daprès ce qui precède, on sait que

f g
n
=

f g
n
point par point. De plus, la
continuite de la transformation de Fourier implique que g
n
g, et

f g
n

f g, ce qui permet de
conclure.
Passons à (3.32), et considerons le cas simple f, g L
1
(R). On peut alors denir g par transfor-
mation de Fourier inverse, et g L
(R). On a alors fg L
1
(R), et

fg est bornee et continue. De
meme,

f g est continue et bornee. Le theorème de Fubini sapplique, et legalite est valable point
par point.
Si on suppose maintenant f, g L
2
(R). Alors, fg L
1
(R), et on a de nouveau egalite point par
point.
Il est encore possible de donner un sens à ces egalites dans des cas plus generaux, mais il faut
travailler plus.
2.7. Autocorrelation. Etant donnee f L
2
(R), on denit sa fonction dautocorrelation
(3.34) C
f
() =
_

f(t)f(t ) dt .
On verie immediatement que
C
f
() [[f[[
2
= C
f
(0) .
De plus, C
f
est une fonction continue.
Etant donnee f L
2
(R), considerons la fonction denie par
(3.35) o
f
() = [
f()[
2
.
Cette fonction est appelee spectre , ou densite spectrale de f.
Comme f L
2
(R),

f L
2
(R), et o
f
est integrable. Donc, sa transformee de Fourier inverse a un
sens, et denit une fonction bornee continue. Ainsi, on a
(3.36) C
f
() =
1
2
_

o
f
()e
i
d .
Cest le theorème de Wiener-Khintchin (ou theorème de Wold). On a en particulier, pour = 0
C
f
(0) = [[f[[
2
=
1
2
_

o
f
() d .
Le spectre o
f
possède une interpretation physique importante. La valeur o
f
() caracterise le contenu
du signal f à la frequence . Lenergie |f|
2
de f est la somme des valeurs de la densite spectrale à toutes
les frequences. Cest pourquoi on parle egalement de spectre denergie, ou de densite spectrale denergie.
3. La theorie spectrale de Wiener
La theorie de Wiener a pour but detendre la theorie precedente au cas des signaux denergie non
bornee. Dans ce cas, lenergie netant pas denie, il est necessaire de raisonner en termes de puissance.
La theorie spectrale de Wiener permet dobtenir une version adaptee à ce nouveau contexte du theorème
de Wiener-Khintchin (3.36).
Soit f : t f(t) une fonction, telle que
(3.37) C
f
() = lim
T
1
2T
_
T
T
f(t)f(t ) dt
existe et est ni R. C
f
est appelee autocovariance de f, et
(3.38) C
f
(0) = lim
T
1
2T
_
T
T
[f(t)[
2
dt
est la puissance totale de f.
On considère lespace de Besicovitch (ou espace des fonctions quasi periodiques)
(3.39) B
0
= f : R C, C
f
() existe et est ni pour tout R .
Lapplication (, ) : B
0
B
0
C denie par
(3.40) (f, g) = lim
T
1
2T
_
T
T
f(t)g(t) dt
munit B
0
dun produit scalaire indeni, cest à dire verie les quatre premières proprietes de la denition A.1.
Remarque 3.5. En particulier, toutes les fonctions de carre integrable f L
2
(R) sont telles que
(f, f) = 0.
Cependant, les proprietes essentielles sont preservees. En particulier, linegalite de Cauchy-Schwarz
est preservee : si f, g B
0
, on a
1
2T
_
T
T
f(t)g(t) dt
_
1
2T
_
T
T
[f(t)[
2
dt
_
1/2
_
1
2T
_
T
T
[g(t)[
2
dt
_
1/2
,
do` u on deduit, par passage à la limite
(3.41) (f, g) [[f[[
B
0
[[g[[
B
0
,
o` u on a pose, pour f B
0
,
(3.42) [[f[[
B
0
=
_
(f, f) .
On en deduit en particulier
(3.43) C
f
() C
f
(0) = [[f[[
2
B
0
.
Remarque 3.6. Les fonctions t e
it
, o` u R, appartiennent à B
0
. Elles forment meme un
système orthonorme dans B
0
.
La fonction dautocovariance possède la propriete fondamentale suivante
4. FILTRAGE LIN
EAIRE (SIGNAUX D
ENERGIE FINIE) 65
Lemme 3.3. Soit f B
0
. Sa fonction dautocovariance C
f
est denie non-negative : pour tous
t
1
, . . . t
N
R et
1
, . . .
N
C,
N
m,n=1
n
C
f
(t
m
t
n
) 0 .
Preuve : il sut decrire
N
m,n=1
n
C
f
(t
m
t
n
) = lim
T
1
2T
_
T
T
N
m,n=1
n
f(s)f(s t
m
+t
n
) ds
= lim
T
1
2T
_
T
T
n=1
n
f(s t
n
)
2
ds ,
et le resultat en decoule.
On est alors en position dutiliser le resultat classique suivant
Th eor` eme 3.8 (Bochner). Soit F une fonction denie non-negative, continue en t = 0. Alors
il existe une mesure non-negative , telle que pour tout t
(3.44) F(t) =
1
2
_

e
it
d() .
Considerons une decomposition de Lebesgue de la mesure :
(3.45) =
c
+
s
,
o` u
c
est absolument continue par rapport à la mesure de Lebesgue, et
s
est singulière. Considerons tout
dabord des cas separes :
Si =
c
, alors il existe une fonction c
f
() integrable, telle que pour tout Borelien E
R, (E) =
_
E
c
f
() d. La fonction c
f
est appelee spectre de puissance, ou densite spectrale de
puissance.
Si =
s
, on peut de nouveau distinguer deux cas :
=
p
+
sc
.
On se limitera au cas =
p
. Alors, il existe une suite croissante de frequences
1
,
2
, . . . telle que
p
(E) =
j
E
p(
j
)
o` u p est une fonction bornee sur N.
dans le cas mixte, i.e. si =
c
+
p
, on aboutit à la relation de Wiener-Khintchin, à mettre en
parallèle avec (3.36).
(3.46) C
f
() =
1
2
_

c
f
()e
i
d +
j
p(
j
)e
i
j
Ainsi, dans le cas des signaux de puissance nie (et non plus denergie nie), on peut encore obtenir une
representation spectrale, et introduire une notion de densite spectrale adaptee. Cette theorie est à la base
de la theorie spectrale de Wiener pour les signaux aleatoires.
4. Filtrage lineaire (signaux denergie nie)
Le ltrage est generalement considere comme loperation de base du traitement du signal. Le ltrage
(lineaire) est utilise pour resoudre de nombreux problèmes, allant de la modication de signaux (pour le
codage par modulation damplitude ou de frequence) à lidentication de paramètres en passant par le
debruitage.
On se limitera ici au problème du ltrage lineaire. Comme on va le voir, un ltre lineaire est souvent un
operateur de convolution. Cest en particulier le cas des ltres analogiques qui peuvent etre implementes
par des circuits electriques. Cependant ca nest pas le cas le plus general, et on verra des contre-exemples
simples. On se posera alors le problème classique de synthèse de ltres : etant donne un ltre T, comment
lapproximer par un ltre realisable par un circuit electronique.
4.1. Terminologie. Les traiteurs de signaux utilisent volontiers une terminologie quelque peu dierente
de la terminologie mathematique classique. En particulier :
Système : Un système est une transformation qui associe à un signal denergie nie un autre signal
denergie nie. Cest lanalogue dun operateur borne sur L
2
(R).
Système lineaire : operateur lineaire borne sur L
2
(R).
Filtre lineaire : operateur lineaire qui commute avec les translations.
Cette dernière contrainte signie que le ltre K : f Kf est tel que si on denit g par g(t) = f(t ),
on a Kg(t) = Kf(t ).
4.2. Filtres lineaires.
D efinition 3.3. Un ltre lineaire est un operateur T : L
2
(R) L
2
(R) qui commute avec les
translations : pour tout f L
2
(R) et R, en denissant g L
2
(R) par g(t) = f(t ), on a
Tg(t) = Tf(t ) .
Les exemples les plus simples de ltres lineaires sont les operateurs de convolution. Soit g L
1
(R), et
soit K
g
loperateur deni par
(3.47) K
g
f(t) =
_

g(s)f(t s) ds .
Il est immediat que K
g
est borne, et que cest un ltre lineaire. On a aussi
K
g
f() =

f() g() ,
de sorte quun ltrage de convolution se ramène à un produit simple dans lespace de Fourier. Plus
generalement, on a le resultat suivant, que nous donnons sans demonstration :
Th eor` eme 3.9. Soit T un ltre lineaire. Alors il existe une fonction m L
(R) telle que

(3.48)

Tf() = m()

f() .
m est appelee fonction de transfert du ltre.
Remarque 3.7. Il est immediat que lon a

Tf = m
f, et donc, en introduisant le spectre denergie,

(3.49) o
Tf
() = [m()[
2
o
f
() .
On dit que le ltrage modie le contenu frequentiel du signal. Par exemple, si m() 0 quand ,
la decroissance à linni de

Tf est plus rapide que celle de

f, et lon sattend donc à ce que Tf soit une
fonction plus regulière que f. Nous verrons des consequences importantes de cette remarque plus loin.
On considère souvent des ltres lineaires de la forme K
h
, o` u h L
1
loc
(R).
D efinition 3.4. (1) Le ltre K
h
est dit stable si il est continu de L
(R) sur L
(R).
(2) Le ltre K
h
est dit realisable (ou causal) si h(t) = 0 pour tout t 0.
(3) Le ltre K
h
est dit dynamique si il est stable et realisable.
La fonction h est appelee reponse impulsionnelle du ltre. Sa transformee de Fourier (quand
elle est denie) concide avec la fonction de transfert m.
La contrainte de causalite est importante quand il sagit de donner une implementation physique du
ltre (par un circuit electrique par exemple). En eet, si h(t) ,= 0 sur un ensemble de mesure non-nulle
de R
, le calcul de K
h
f(t) pour un temps t donne
K
h
f(t) =
_

h(s)f(t s) ds
utilise des valeurs f(t s) anterieures à t, ce qui est irrealisable.
4.3. Exemples.
4.3.1. Filtres ideaux.
(1) Le ltre passe-bas ideal : etant donnee une frequence
0
(appelee frequence de coupure), le ltre
passe-bas ideal est deni par
m() =
[
0
,
0
]
() .
Il est immediat de montrer que la reponse impulsionnelle t h(t) du ltre est de la forme
h(t) =

0
sin(
0
t)
0
t
.
4. FILTRAGE LIN
EAIRE (SIGNAUX D
ENERGIE FINIE) 67
Fig. 1. Le ltre RC
Donc, h , L
1
(R), et le ltre nest pas stable. Il nest pas realisable non plus de fa con evidente.
(2) Le ltre passe-haut ideal : etant donnee une frequence de coupure
0
, le ltre passe-haut ideal
est deni par
m() = 1
[
0
,
0
]
() .
On verie immediatement quil nest ni stable ni realisable.
(3) On denit egalement des ltres passe-bande (denis par m() =
[a,b]
()) et des ltres coupe-
bande (denis par m() = 1
[a,b]
()), qui ne sont eux aussi ni stables ni realisables.
4.3.2. Circuits analogiques. Une facon simple de construire des ltres realisables est dutiliser des
circuits electriques. Par exemple, un circuit du type de celui de la Fig. 1.
En notant v(t) = Q(t)/C la tension aux bornes du condensateur, la loi dOhm secrit
(3.50) Ri(t) +v(t) = u(t) ,
ce qui entrane, puisque i(t) = Q
(t) = Cv
(t), que la tension v(t) satisfait à lequation dierentielle

ordinaire
(3.51) RC v
(t) +v(t) = u(t) .

Pour resoudre cette dernière, il est utile dintroduire la fonction w(t) = v(t)e
t/RC
. On a donc
(3.52) w
(t) =
1
RC
e
t/RC
u(t)
et la solution est
(3.53) w(t) =
1
RC
_
t
e
s/RC
u(s)ds ,
soit
v(t) =
1
RC
_
t
e
(ts)/RC
u(s)ds (3.54)
=
_

h(t s)u(s)ds . (3.55)

o` u nous avons pose
h(t) = (t)
1
RC
e
t/RC
(t) etant la fonction dHeaviside, qui vaut 1 pour t 0 et 0 pour t < 0. Nous sommes bien en presence
dun ltre realisable et stable.
Plus generalement, on peut à partir de circuits analogiques obtenir des systèmes lineaires dont lentree
u(t) et la sortie v(t) sont lies par une equation dierentielle du type
(3.56) a
N
v
(N)
+a
N1
v
(N1)
+ +a
0
v = b
M
u
(M)
+b
M1
u
(M1)
+ +b
0
u ,
completee par des conditions initiales adequates. Un calcul immediat montre que la fonction de transfert
correspondante m() est donnee par
(3.57) m() =
a
N
(i)
N
+ +a
0
b
M
(i)
M
+ +b
0
=
N(i)
D(i)
Pour que la fonction de transfert soit bornee, on a necessairement M N. Il faut egalement que le
denominateur soit borne inferieurement (en module) par une constante strictement positive. Comme on
le voit, la variable z = i sintroduit naturellement
2
.
2
Tout comme setait introduite naturellement la variable z = e
i
dans le cas des ltres numeriques.
Le resultat suivant donne une première caracterisation de la structure des ltres realisables que lon
peut esperer obtenir à base de circuits analogiques.
Proposition 3.7. Le ltre deni par la fonction de transfert (3.57) est realisable si et seule-
ment si les racines de D(z) ont une partie reelle negative.
Preuve : Notons
k
les racines (complexes) de D(z), et soit m
k
leur multiplicite :
D(z) = C
k
(z
k
)
m
k
.
En decomposant m() en elements simples, on aboutit à une forme
m() = C
k
m
k
=1
P
(i)
(i
k
)
,
o` u P
est un polynome de degre inferieur à . C
est une constante, qui correspond à un multiple de

lidentite. On supposera dans la suite que C
= 0 (ce qui est le cas dès que M > N).

Soit (t) = (t)e
t
, o` u '() < 0. Un calcul immediat donne () = 1/(i ). Plus generalement,
si
(t) = t
1
e
t
(t) ,
on a

() =
( 1)!
(i )
.
Donc, la transformee de Fourier inverse de P
(i)/(i )
est
P
_
d
dt
_
t
1
e
t
( 1)!
(t) .
Par consequent, si '(
k
) > 0 pour tout k, la reponse impulsionnelle du ltre est de la forme
h(t) = (t)
k
Q
k
(t)e
k
t
,
o` u les Q
k
sont des polynomes. Il sagit bien de ltres stables et realisables.
Inversement, supposons que pour une certaine racine de D(z), on ait '() > 0. Un calcul similaire
au precedent montre que la transformee de Fourier inverse de P
(i)/(i )
est proportionnelle à
(t), ce qui est incompatible avec la causalite. Ceci achève la preuve de la proposition.
4.3.3. Synthèse de ltres. On sinteresse souvent au problème de construire des ltres à partir dune
reponse attendue sur le spectre du signal. Plus precisement, on recherche à construire un ltre de fonction
de transfert m() telle que [m()[
2
= M(), o` u M est une fonction donnee, paire à valeurs reelles
positives.
Lemme 3.4. Soit P un polynome à coecients reels, pair et non negatif. Alors, il existe un
polynome Q(i) tel que P() = [Q(i)[
2
.
Preuve : Soit C une racine de P. Daprès la parite de P, est egalement racine de P. Si est
complexe, et sont egalement racines. Si , R et , iR, P() contient necessairement un terme
de la forme
( )( )( +)( +) = (i )(i )(i +)(i +)
= [(i )(i )[
2
= [(i +)(i +)[
2
,
avec = i. Ce terme a bien la forme annoncee.
Si R, alors est necessairement de multiplicite paire : en eet, P() contient obligatoirement un
terme en (
2

2
)
, etant la multiplicite de , et pour que P soit positif doit necessairement etre

pair. Donc
(
2
2
)
(
2
2
)
2
=
(i )
(i +)
2
,
avec
= /2 Z
+
et toujours = i, est lui aussi de la forme annoncee.
Si iR, P() contient necessairement un terme en (
2

2
)
, qui est toujours positif, et de la

forme
(
2
2
)
= [(i )
[
2
.
Il sut alors dutiliser la factorisation de P pour obtenir le resultat.
4. FILTRAGE LIN
EAIRE (SIGNAUX D
ENERGIE FINIE) 69
Fig. 2. Fonctions de transfert des ltres de Butterworth (à gauche) et Chebyshev (à
droite) dordres 5 (trait plein), 10 (tirets) et 20 (tirets et pointgilles).
Remarque 3.8. Si necessaire, il est possible de construire le polynome Q(i) en nutilisant que
les racines de partie reelle negative, et les racines imaginaires pures avec la moitie de leur multiplicite.
On peut maintenant passer au cas des ltres rationnels. Soit donc M une fonction rationnelle de ,
de la forme
M() =
N()
D()
.
On peut alors appliquer le traitement precedent à N() et D(), et on obtient :
Proposition 3.8. Soit M : M() = N()/D() une fraction rationnelle, bornee, o` u N
et D sont deux polynomes reels pairs et strictement positifs. Alors il existe deux polynomes n(i)
et d(i) tels que
(3.58) M() =
N()
D()
=
n(i)
d(i)
2
.
De plus, n et d peuvent etre choisis de sorte que le ltre dont la fonction de transfert est
n(i)/d(i) soit realisable.
Preuve : It sut dutiliser le lemme precedent. Le denominateur necessite un traitement particulier, an
dassurer la causalite du ltre. Cependant, la Remarque 3.8 montre quil est possible de se limiter dans
ce cas à des racines de partie reelle negative (le fait que la fraction rationnelle consideree soit bornee
implique que le denominateur na aucune racine imaginaire pure).
Exemple 3.3. Les deux familles classiques dexemples de ltres rationnels approchant des ltres
ideaux sont fournies par les ltres de Butterworth et les ltres de Chebyshev. On se limite ici au cas des
ltres passe-bas.
Les ltres de Butterworth sont les plus simples, et sont donnes par une fonction de transfert de la
forme
(3.59) M
B
n
() =
1
1 +
_
c
_
2n
M
B
n
() approche la fonction de transfert (en module carre) dun ltre passe-bas ideal, de frequence
de coupure
c
. Les poles correspondants sont egaux aux racines 2n-ièmes de 1, multipliees par
c
.
Lavantage des ltres de Butterworth est que la fonction M
B
n
() est plate en 0. Plus precisement,
elle se comporte comme M
B
n
() 1 +
2n
pour 0.
Une alternative est fournie par les ltres de Chebyshev, denis à partir des polynomes de Chebyshev
T
n
() = cos(narccos ) ,
par
(3.60) M
C
n
() =
1
1 + T
2n
_
c
_ .
Le paramètre
c
controle la largeur du ltre. Les ltres de Chebyshev presentent quant à eux lavantage
detre mieux localises (plus etroits), mais ceci se fait au prix doscillations apparaissant pour 0.
Lamplitude des oscillations est gouvernee par le paramètre .
5. Filtrage adapte
On se pose maintenant le problème pratique suivant. Comment construire un système lineaire T
(plus precisement, un ltre lineaire) dont la reponse Tf(t
0
) en t = t
0
soit maximale quand une entree
donnee f lui est presentee ? Le cadre naturel pour ce problème est le cadre des signaux aleatoires. Cepen-
dant, on peut developper une première approche dans le cadre deterministe (laleatoire etant generalement
invoque pour traiter les bruits de mesure).
5.1. Le ltre adapte, version deterministe. Plus precisement, soit f L
2
(R), et soit T un ltre
lineaire. On sait donc que
Tf(t) =
1
2
_

f()m()e
it
d
pour une certaine fonction m L
(R). Pour saranchir de la normalisation de m, il faut introduire une

contrainte. On cherche à resoudre le problème
(3.61) sup
mL
2
(R)
[Tf(t
0
)[ avec la contrainte
_

[m()[
2
d = 2 .
Plus generalement, soit R une fonction reelle telle que

f/
R L
2
(R) et

f/R L
(R). Ces conditions

sont veriees dès que f L
1
(R) L
2
(R) et quil existe deux constantes positives C
1
et C
2
telles que pour
tout , 0 < C
1
R() C
2
< , mais ceci nest pas une condition necessaire. On sinteresse alors au
problème
(3.62) sup
mL
2
(R)
[Tf(t
0
)[ avec la contrainte
_

R()[m()[
2
d = 2 .
Remarque 3.9. On suppose implicitement que m L
2
(R), ce qui permet dassurer que Tu est
bornee pour tout u L
2
(R).
Dans un cas comme dans lautre, la reponse est contenue dans linegalite de Cauchy-Schwarz : il sut
decrire
[Tf(t
0
)[ =
1
2
_

f()
_
R()
_
R()m()e
it
0
d
1
2
f()[
2
R()
d
R()[m()[
2
d
f()[
2
R()
d .
Dautre part, legalite est atteinte si et seulement si
_
R()m() = Ce
it
0
f()
_
R()
,
pour une certaine constante C. En tenant compte de la normalisation, on aboutit ainsi à la solution
suivante
(3.63) m() =
2
[[
f/
R[[
f()e
it
0
R()
.
Les hypothèses faites assurent que m L
(R), et on a ainsi
(3.64) Tf(t) =
1
2[[
f/
R[[
_

f()[
2
R()
e
i(tt
0
)
dt .
loperateur T ainsi deni est un ltre, et on a pour tout t,
(3.65) [Tf(t)[ Tf(t
0
) =
1
2
[[
f/
R[[ .
Notons que dans le cas particulier R = 1, on a m() =

f()e
it
0
/|f| =

h(), avec h(t) = f(tt
0
)/|f|.
On a donc montre
5. FILTRAGE ADAPT
E 71
2
(R), et soit R une fonction reelle telle que

f/
R L
2
(R) et
f/R L
(R).
(1) La solution du problème (3.61) est donnee par le ltre T = K
h
, de reponse impulsionnelle
h, telle que
(3.66) h(t) =
1
[[f[[
f(t
0
t) .
(2) La solution du problème (3.62) est donnee par le ltre T deni par
(3.67) Tg(t) =
1
2
_

f() g()
R()
e
i(tt
0
)
dt .
(3) On a toujours, pour tout t R,
(3.68) [Tf(t)[ Tf(t
0
) .
Remarque 3.10. Notons que si m L
2
(R), cest à dire si

f/R L
2
(R), le ltre adapte T est continu
de L
2
(R) sur L
(R), ce qui est une propriete importante dun point de vue pratique.
5.2. Application à la detection. Ce resultat a des consequences pratiques importantes. Considerons
le problème de detection suivant : supposons connu un signal de reference f
0
, et supposons que lon dispose
dobservations de la forme
f(t) = Af
0
(t ) +b(t) ,
o` u A et sont deux paramètres inconnus, b L
2
(R) represente un bruit de mesure dont seul le spectre
denergie o
b
() = [
b()[
2
est connu. Le problème de detection optimale consiste à determiner les valeurs
des paramètres A et à partir de lobservation.
Considerons tout dabord le cas b = 0. On commence alors par construire un système lineaire T tel
que Tf
0
(0) soit le plus grand possible. La solution nous est donnee par la theorie ci-dessus : T = K
h
, o` u
h est denie par h(t) = Cf(t). On sait de plus que pour tout t, [Tf
0
(t)[ Tf
0
(0). Alors, compte tenu
du fait que le ltre T est lineaire et commute avec les translations, on sait que
Tf(t) = ATf
0
(t )
et Tf sera donc maximal en t = 0, donc en t = . Ceci permet la mesure du temps inconnu :
(3.69) = arg sup
t
[Tf(t)[ .
Quant à la mesure de la constante A, elle seectue, une fois determine, via
(3.70) A =
Tf()
[[f
0
[[
2
.
Un exemple de detection utilisant le ltre adapte est montre en Fig. 3.
Remarque 3.11. Notons que dans ce cas, la recherche de peut aussi se comprendre de la facon
suivante :
Tf(t) =
1
2
_

f()

f
0
()e
it
dt =
_

f(s)f
0
(s t) ds ,
cest à dire par une serie de comparaisons (via le produit scalaire de L
2
(R)) du signal f avec des copies
translatees f
0
( t) du signal de reference.
Considerons maintenant le cas b ,= 0. On cherche toujours à construire un système qui fournisse une
reponse maximale en t = , mais il faut maintenant tenir compte de la perturbation apportee par le bruit.
En eet, rien ne sert de construire un système qui amplierait le signal en t = si celui-ci amplie
egalement le bruit. Ceci conduit à normaliser la reponse du système au bruit, de la facon suivante : etant
donne un ltre quelconque T, on a alors
Tf(t) =
A
2
_

f
0
()m()e
i(t)
d +
1
2
_

b()m()e
it
d
= S(t) +B(t) .
On dit que S est le signal en sortie du ltre, et B est le bruit en sortie du ltre. On impose alors [[B[[ = 1,
cest à dire, compte tenu de la formule de Plancherel
|m
b|
2
= |
B|
2
= 2 .
Fig. 3. Exemple de ltrage adapte : Le signal de reference f
0
(à gauche) a ete decale, et
plonge dans un bruit blanc (signal bruite au centre) ; la sortie du ltre adapte (à droite)
montre un maximum clairement marque, qui donne une estimation du decalage.
On est alors confronte à un problème de type (3.62), dans le cas R = o
b
. La solution est connue, et le
ltre adapte est donne par la formule suivante : pour tout g L
2
(R),
(3.71) Tg(t) =
1
2|
f
0
/
b|
_

g()

f
0
()
[
b()[
2
e
it
d .
De là, on obtient
S(t) =
A
2|
f
0
/
b|
_

f
0
()[
2
[
b()[
2
e
i(t)
d ,
et la valeur maximale de S est
[S
max
[ = S() =
A
2
|
f
0
/
b| .
Ce resultat permet donc a priori de determiner . Une fois que a ete determine, on peut alors en deduire
la constante A.
Remarque 3.12. Pour que cette approche ait un sens, cest à dire pour retomber dans le cadre decrit
dans la section precedente, il faut bien entendu faire des hypothèses sur f
0
et b. Il faut en particulier
supposer

f
0
/
o
b
L
2
(R) et

f
0
/o
b
L
(R).
5.3. Fonction dambig uite radar. Le problème de la detection radar est encore plus complexe.
En eet, dans le cas du radar, le signal à detecter (generalement un signal emis, qui a ete reechi par
une cible en mouvement) est non seulement decale dans le temps (dune quantite proportionnelle à la
distance de la cible), mais aussi module, cest à dire decale en frequence par eet Doppler, dune quantite
proportionnelle à la vitesse relative de la cible (tout au moins lorsque celle-ci est faible) :
f(t) = Af
0
(t )e
it
.
On peut egalement developper une theorie du ltrage optimal adaptee à cette situation. Sans entrer dans
les details, considerons la fonction (appelee fonction dambig uite) de deux variables suivante
(3.72) /
f
(b, ) =
_

f(t)f
0
(t b)e
it
dt .
Il est clair que daprès linegalite de Cauchy-Schwarz, on a
[/
f
(b, )[ /
f
(, ) = A|f
0
|
2
.
Par consequent, calculer numeriquement la fonction dambig uite radar dun signal observe f et en recher-
cher les maxima fournit un moyen destimer les paramètres inconnus et .
6. Bancs de ltres, et analyse de Fourier locale
6.1. Bancs de ltres. Une pratique courante en traitement des signaux (sons, images,...) est de
decomposer les signaux en composantes correspondant à dierentes bandes de frequence. On utilise pour
cela une famille de ltres passe-bande, que lon nomme un banc de ltres. Un banc de ltres est donc
une famille de ltres
3
T = T
k
, k Z, denis par des fonctions de transfert m
k
=

h
k
, les h
k
etant les
reponses impulsionnelles des ltres. Bien que rien ne nous y oblige theoriquement, on choisit generalement
3
Comme à laccoutumee, on idealise la situation en prenant une famille innie, en pratique la famille est evidemment
une famille nie.
6. BANCS DE FILTRES, ET ANALYSE DE FOURIER LOCALE 73
les reponses impulsionnelles h
k
L
1
(R), ce qui implique donc m
k
L
(R) pour tout k. Le banc de

ltres T associe donc à un signal f L
2
(R) une famille de signaux (Tf)
k
, k Z :
T : f L
2
(R) Tf
k=
L
2
(R)
k
o` u (Tf)
k
= h
k
f .
Lespace
H =
k=
L
2
(R)
k
= f
k
L
2
(R), k Z
est muni dune structure despace de Hilbert grace au produit Hermitien
u, v) =
k=
u
k
, v
k
) .
Pour inverser T, on a recours à ladjoint T
de T, obtenu comme suit : u = u

k
, k Z H et
f L
2
(R),
T
u, f) = u, Tf)
=
k=
u
k
, h
k
f)
=
k=
h
k
u
k
, f)
=
_

k=
h
k
u
k
, f
_
o` u on a introduit la fonction

h
k
denie par
h
k
(t) = h
k
(t) .
On a donc
T
u =
k=
h
k
u
k
D efinition 3.5. Le banc de ltres deni par les reponses impulsionnelles h
k
est à reconstruc-
tion parfaite si T
T = 1.
on voit immediatement que le banc de ltres est à reconstruction parfaite si et seulement si f L
2
(R),
on a

k
h
k
h
k
f = f
ou, dans le domaine de Fourier
h
k
h
k
= 1 .
On verie facilement que

h
k
() =

h
k
(), ce qui donne directement
Proposition 3.10. Le banc de ltres deni par la famille de reponses impulsionnelles h
k
, k
Z est à reconstruction parfaite si et seulement si
k
[
h
k
()[
2
= 1 , R
Les bancs de ltres sont generalement construits à base de ltres passe-bande, et permettent ainsi de
decomposer un signal en somme de signaux dont la transformee de Fourier est localisee à linterieur de
(( bandes )) bien denies du domaine frequentiel.
Remarque 3.13. Notons que si les fonctions de transfert

h
k
des ltres sont à support borne dans
des intervalles
k
, cest à dire

h
k
() = 0 ,
k
, alors pour tout f L
2
(R), h
k
f est à bande limitee
à
k
(car

h
k
f =

h
k

f). Une variante du theorème dechantillonnage (voir ci-dessous) permet alors de
montrer que h
k
f est complètement caracterise parf les echantillons
(h
k
f)
n
= (h
k
f)
_
n
k
_
=
_

h
k
(t)f
_
n
k
t
_
dt ,
pour peu que les frequences dechantillonnage
k
satisfassent
k
[
k
[ ,
[
k
[ etant la longueur de lintervalle
k
.
6.2. Transformation de Fourier à fenetre. La transformation de Fourier à fenetre peut etre vue
alternativement comme une variante continue des bancs de ltres decrits ci-dessus, soit comme une version
localisee de la transformation de Fourier. La construction est eectuee comme suit. Soit g L
2
(R), telle
que g ,= 0. La fonction g est typiquement une fonction localisee et regulière, qui sera appelee fenetre, ou
fenetre danalyse.
D efinition 3.6. La transformee de Fourier à fenetre de f associee à la fenetre g est la fonction
de deux variables reelles G
f
donnee par
(3.73) G
f
(b, ) =
_

f(t)g(t b)e
i(tb)
dt .
Si on suppose que la fenetre g est une (( bosse )) (par exemple une Gaussienne) centree sur lorigine, on
voit que la fonction G
f
(b, ) est à une constante près la transformee de Fourier dune fonction obtenue en
(( localisant )) f dans un voisinage de t = b.
Remarquons que la transformee de Fourier à fenetre de f sinterprete aussi sous la forme
G
f
(b, ) = f, g
(b,)
)
de la famille de produits scalaires du signal f avec la famille de fonctions g
(b,)
, appeles atomes temps-
frequence , et denis comme des copies translatees et modulees de la fenetre g :
g
(b,)
(t) = g(t b)e
i(tb) .
Notons aussi quen vertu de la formule de Plancherel, on peut aussi ecrire
G
f
(b, ) =
1
2
f, g
(b,)
) =
_

f() g( )e
ib
d .
Le resultat principal est le suivant :
Th eor` eme 3.10. Soit g L
2
(R), g ,= 0.
(1) Pour tout f L
2
(R), G
f
L
2
(R
2
) .
(2) La transformation de Fourier à fenetre associee à la fenetre g est une isometrie L
2
(R)
L
2
(R
2
), à un facteur multiplicatif près : pour tout f L
2
(R),
1
2|g|
2
_

[G
f
(b, )[
2
dbd = |f|
2
.
Preuve : supposons dans un premier temps que g L
1
(R) L
2
(R). Tout dabord, on peut remarquer que
G
f
nest autre quun produit de convolution de f par une copie modulee de la fonction g, de sorte que
pour tout , G
f
(, ) L
2
(R) (daprès linegalite de Young). On peut alors calculer, avec le theorème de
Fubini
_

[G
f
(b, )[
2
db =
_ _ _

f() g( )

f()g( )e
i()b
dbdd
= 2
_

f()[
2
[ g( )[
2
d
o` u la dernière egalite est en fait une transformation de Fourier suivie dune transformation de Fourier
inverse. Une integration par rapport à donne le resultat. Finalement, on peut conclure grace à la densite
de L
1
(R) L
2
(R) dans L
2
(R).
Corollaire 3.1. Sous les memes hypothèses que ci-dessus, la transformation de Fourier à
fenetre est inversible : pour tout f L
2
(R), on a
f =
1
|g|
2
_

G
f
(b, )g
(b,)
dbd
au sens de la convergence faible dansL
2
(R).
Preuve : Il sut de remarquer que comme consequence de la propriete disometrie, on a pour tous
f, h L
2
(R)
G
f
, G
h
)
L
2
(R
2
)
=
__

f, g
(b,)
)g
(b,)
() dbd, h
_
L
2
(R)
= 2|g|
2
f, h) .
7. SIGNAUX NUM
ERIQUES, ECHANTILLONNAGE 75
Ceci etant vrai pour tout h L
2
(R), on en deduit le corollaire.
La transformation de Fourier à fenetre est souvent utilisee pour visualiser des signaux dont les ca-
racteristiques frequentielles varient au cours du temps. Le corollaire ci-dessus montre quun signal f peut
sexprimer comme combinaison lineaire (continue, ce qui pose des dicultes pratiques) datomes g
(b,)
,
les coecients intervenant dans la decomposition formant la transformee de Fourier à fenetre de f. On
verra plus loin une version discretisee de cette methode.
7. Signaux numeriques, Echantillonnage
7.1. Position du problème. Les signaux numeriques sont par denition des suites de nombres,
de longueur nie ou innie. Lechantillonnage est le problème dassocier à un signal analogique un signal
numerique, en controlant la perte dinformation. La solution la plus simple revient à considerer des
valeurs ponctuelles f(kT), regulièrement espacees, du signal f etudie. Cependant, ceci ne peut se faire
sans precautions ; il faut tout dabord que les valeurs ponctuelles aient un sens, donc que f soit continue.
Puis pour limiter la perte dinformation, il faut que f varie susamment lentement. Ceci conduit à
poser le problème dans un cadre fonctionnel bien adapte. On se limitera ici au cadre de la theorie de
lechantillonnage classique, dans le cas des fonctions à bande limitee.
7.2. Le theorème dechantillonnage. Le theorème dechantillonnage se perd dans la nuit des
temps. Il est generalement attribue à Shannon, Nyquist, Whittaker et Kotelnikov, qui en ont propose
des preuves entre 1900 et 1945. En fait, il avait ete demontre bien avant par Cauchy, dans un cadre plus
restrictif toutefois.
Le cadre naturel du theorème dechantillonnage est lespace des signaux à bande limitee, ou espace
de Paley-Wiener
(3.74) PW
0
=
_
f L
2
(R),

f() = 0 pour tout , [
0
,
o
]
_
Il est facile de voir que PW
0
est un espace de fonctions continues, de sorte que les valeurs ponctuelles
des fonctions de PW
0
ont un sens. On peut alors introduire loperateur dechantillonnage E, associe à
la frequence dechantillonnage : si f PW
0
,
(3.75) (Ef)
n
= f
_
n
_
, n Z .
Th eor` eme 3.11. Soit f PW
0
, et soit > 0 la frequence dechantillonnage. On considère
la suite des echantillons denie en (3.75).
(1) Si <
0
, la suite des echantillons (Ef)
n
ne permet pas de determiner la fonction f
sans hypothèse supplementaire.
(2) Si >
0
, alors il existe une innite de formules de reconstruction de f à partir des
echantillons. Soit telle que C
, () = 0 pour tout , [, ] et () = 1
pour tout [
0
,
0
]. Alors on a
(3.76) f(t) =
n=
1
f
_
n
_
t
n
_
.
(3) Si =
0
, alors il nexiste plus quune seule formule de reconstruction de f à partir des
echantillons :
(3.77) f(t) =
n=
f
_
n
_
sin((t n/))
(t n/)
.
Preuve : Commencons par considerer la fonction periodique
(3.78) () =
k=
f( + 2k) .
Il est immediat que L
1
p
([, ]), et on peut donc sinteresser à ses coecients de Fourier. Un calcul
simple montre que
c
n
() =
1
2
_

()e
i
n
d =
1
2
_

f()e
i
n
d =
1
f
_
n
_
.
Donc, la fonction nest autre que la TFD de la serie dechantillons f
n
, et le problème de retrouver f
à partir des echantillons est equivalent au problème de retrouver

f à partir de . Or, nest autre (à une
constante multiplicative près) quune version periodisee de

f, de periode 2. On peut donc considerer
les trois cas de gure.
Supposons que >
0
. Alors, il est clair que lon peut toujours trouver une fonction , dont
la transformee de Fourier est C
, à support compact dans lintervalle [

0
,
0
], et vaut uni-
formement 1 dans [, ]. On a donc

f() = () (), ce qui se traduit, après transformation
de Fourier inverse, par la relation (3.76).
Dans le cas critique, le raisonnement est similaire, à ceci près que la fonction ne peut plus etre
choisie continue, et est necessairement de la forme () =
[
0
,
0
]
(). La transformee de Fourier
inverse de cette dernière etant le sinus cardinal, on obtient (3.77).
Si <
0
, le truc precedent ne fonctionne plus : la periodisation melange des morceaux de

f
congrus modulo 2, de sorte que lon ne peut plus inverser le processus. Cest le phenomène de
repliement de spectre.
Ceci conclut la demonstration.
Le cas critique
0
= est particulièrement interessant, et il est utile de reprendre les resultats
precedents, sous un angle dierent. Loperateur T/
2 est une isometrie bijective entre PW
0
et L
2
([
0
,
0
]).
Or, nous connaissons une base orthonormee de ce dernier espace : le système trigonometrique. Par
consequent, la famille de fonctions
n
denies par
(3.79)
n
(t) =
1
2
_

0
0
e
in/
0
2
0
e
it
d =
sinc((t n/)) , n Z ,
o` u on a introduit le sinus cardinal
(3.80) sinc(u) =
sin(u)
u
,
est une base orthonormee de PW
0
. On a donc le resultat suivant
Corollaire 3.2. Pour tout f PW
0
, on a
(3.81) f(t) =
n=
1
f
_
n
_

n
(t) ,
et la formule de Parseval secrit
(3.82)
_

[f(t)[
2
dt =
1
f
_
n
2
.
De plus, la transformation de Fourier sur PW
0
se ramène à une transformation de Fourier discrète
(TFD) de la suite des echantillons :
Corollaire 3.3. Pour tout f PW
0
, on a
(3.83)

f() =
[
0
,
0
]
()
n
f
_
n
_
e
in/
.
Remarque 3.14. Dans le cas favorable >
0
, la famille de fonctions t (t n/), n Z
consideree nest plus une base orthonormee, car elle est redondante. On peut alors montrer quelle forme
alors un repère de PW
0
.
Remarque 3.15. En pratique, lechantillonnage est souvent (toujours) precede dun ltrage passe-
bas, dont le but est de reduire la largeur de bande pour ladapter à la frequence dechantillonnage prevue.
Les ltres passe-bas ideaux netant pas realisables, on se rabat plutot sur des ltres rationnels, comme
par exemple un des ltres de Chebyshev ou de Butterworth que nous avons vus plus haut.
7.3. Approximation par des series nies et TFF. Nous avons vu que les espaces de Paley-
Wiener sont particulièrement bien adaptes à lechantillonnage. Soit f PW
0
, et soit =
0
/. Repre-
nant ce que nous avons vu plus haut, nous pouvons donc ecrire, pour tout t,
f(t) =
n=
f(n/)sinc((t n/)) ,
et nous interesser aux series tronquees
(3.84) f
N
(t) =
N
n=N
f(n/)sinc((t n/)) .
Nous avons alors le resultat suivant
7. SIGNAUX NUM
ERIQUES, ECHANTILLONNAGE 77
Proposition 3.11. Soit f PW
0
, et soit =
0
/. On a alors
|f f
N
|
2
=
1
|n|>N
f
_
n
2
(3.85)
|f f
N
|

|f f
N
| =
|n|>N
f
_
n
2
(3.86)
Preuve : La première relation est une consequence immediate de la formule de Parseval vue dans le
Corollaire 3.2. Pour la seconde, ecrivons
[f(t) f
N
(t)[
1
2
_

f()

f
N
()
2
2
|
f

f
N
|
=

|f f
N
| ,
ce qui conclut la preuve.
La contrepartie du corollaire 3.3 est que la transformee de Fourier peut maintenant sapproximer par
une TFF, très facile à realiser numeriquement.
7.4. Echantillonnage generalise. Comme on la vu, le theorème dechantillonnage, dans le cas
critique =
0
/, peut etre interprete comme la representation dune fonction (continue, appartenant à
lespace de Paley-Wiener) par les coecients de son developpement sur la base des sinus cardinaux.
Ceci peut etre generalise, dès lors que lon se donne un sous-espace ferme de L
2
(R) et une base de ce
sous-espace. Un choix classique consiste à considerer une fonction L
2
(R), et le sous-espace engendre
par les translatees regulières
(3.87)
k
(t) = (t k/) , k Z ,
( R
+
etant une frequence dechantillonnage xee), cest à dire lespace
(3.88) 1 =
_
f L
2
(R), f =
k
_
.
Si la fonction et la frequence dechantillonnage sont bien choisies, la collection des
k
forme une base
de Riesz de 1, et toute fonction f 1 peut etre caracterisee par les coecients f,
k
). Plus precisement,
on peut montrer le resultat suivant :
Th eor` eme 3.12. Soit L
2
(R), telle quil existe deux constantes reelles 0 < A B <
veriant pour tout R
(3.89) A
n
[
( + 2k)[
2
B .
Alors la collection des fonctions
k
, k Z denies en (3.87) est une base de Riesz de lespace 1
deni en (3.88)
Remarque 3.16. Notons que le calcul des coecients dune fonction f 1 par rapport à une telle
base prend la forme
f,
k
) =
_
f(t)(t k/) dt ,
ce qui peut sinterpreter comme
f,
k
) = (f

)(k/) ,
o` u

(t) = (t), cest à dire comme ltrage par un ltre de reponse impulsionnelle

, suivi dun
echantillonnage à frequence .
Remarque 3.17. Il est possible de traiter de facon similaire des situations o` u la suite des translatees
k
nest pas une base, mais un repère de lespace 1.
ANNEXE A
Rappels danalyse fonctionnelle
Les outils de base pour lanalyse et le traitement des signaux (deterministes comme aleatoires) sont
les outils danalyse Hilbertienne, en dimension nie et innie. On rappelle dans ce chapitre les notions
elementaires (espaces de Hilbert, bases orthonormees,...). Ces notions sont utilisees pour la theorie L
2
des series de Fourier.
1. Preliminaires
Commencons par rappeler quelques resultats elementaires concernant les espaces de Hilbert. Pour
plus de details, on pourra se referer à tout texte de base, par exemple [12]
D efinition A.1. Un espace pre-Hilbertien est un espace H muni dune application notee
, ) : H H C, appelee produit Hermitien, ou produit scalaire telle que :
(1) y, x) = x, y), pour tous x, y H.
(2) x +y, z) = x, z) +y, z), pour tous x, y, z H.
(3) x, y) = x, y), pour tous x, y H et C.
(4) x, x) 0 pour tout x H
(5) x, x) = 0 implique x = 0.
En posant pour tout x H
(A.1) [[x[[ =
_
x, x) ,
on denit une norme sur H. On a alors les proprietes suivantes :
Inegalite de Schwarz : pour tous x, y H : [x, y)[ [[x[[ [[y[[.
Inegalite triangulaire : pour tous x, y H : [[x +y[[ [[x[[ +[[y[[.
Identite de polarisation :
4 x, y) =
_
[[x +y[[
2
[[x y[[
2
_
+i
_
[[x +iy[[
2
[[x iy[[
2
_
.
La norme munit H dune structure despace metrique.
D efinition A.2. Un espace de Hilbert est un espace pre-Hilbertien H complet par rapport à
la distance induite par la norme,
Le resultat suivant est une consequence immediate des inegalites donnees ci-dessus.
Th eor` eme A.1. Soit H un espace de Hilbert. Les applications x x, y) et x [[x[[ sont
continues pour tout y H.
2. Orthogonalite
Si H
0
H est un sous-espace de dimension nie de H, on note H
0
le sous-espace de H consistant
des y H tels que y, x) = 0 x H
0
.
A.1
A.2 A. RAPPELS DANALYSE FONCTIONNELLE
Th eor` eme A.2. Soit H un espace de Hilbert, et soit H
0
H un sous-espace ferme de dimen-
sion nie.
(1) Pour tout x H, il existe une unique decomposition x = Px + Qx, o` u Px H
0
et
Qx H
0
(2) Px est lelement y H
0
qui minimise [[y x[[. De meme, Qx est lelement z H
0
qui
minimise [[z x[[.
(3) Les applications P : H H
0
et Q : H H
0
sont lineaires.
(4) Pour tout x H, on a [[x[[
2
= [[Px[[
2
+[[Qx[[
2
.
Px et Qx sont respectivement les projections orthogonales de x H sur H
0
et H
0
.
Preuve : 1) Unicite : supposons x = v+w = v
+w
, avec v, v
H
0
et w, w
0
. Alors vv
= ww
.
Comme H
0
H
0
= 0, ceci implique v = v
et w = w
. Existence : Soit H
x
= H
0
+x. H
x
est convexe.
Il possède donc un element de norme minimale, note Qx. Soit Px = x Qx. On verie immediatement
que Px H
0
. Soit y H
0
, avec [[y[[ = 1 ; calculons Qx, y). Pour cela, soit C, et evaluons
[[Qx[[
2
[[Qx y[[
2
= [[Qx[[
2
+[[
2
2'(Qx, y)) .
Si on prend = Qx, y), cette dernière inegalite implique que Qx, y) = 0.
2)Soit y H
0
. Alors [[x y[[
2
= [[Qx +(Px y)[[
2
= [[Qx[[
2
+[[Px y[[
2
est minimal pour y = Px.
3) et 4) sont immediats.
Le theorème suivant montre quun espace de Hilbert est necessairement isomorphe à son dual.
Th eor` eme A.3. Soit H un espace de Hilbert. Pour tout x H, lapplication L
x
: y H
L
x
(y) = y, x) est une forme lineaire continue sur H. Inversement, pour toute forme lineaire
continue L : H H, il existe x H tel que L = L
x
.
Preuve : La première partie est une consequence immediate du Theorème A.1, et on se focalise sur la
seconde partie. Unicite : Supposons que L = L
x
= L
x
, pour x, x
H. Alors y, x x
) = 0 pour tout
y H, donc x = x
. Existence : soit H
0
= y H, Ly = 0. L etant lineaire, H
0
est un sous-espace de H.
De plus, L etant continue, H
0
est ferme. Soit z H
0
, avec [[z[[ = 1. Soit v = (Lx)z (Lz)x. Clairement,
Lv = 0, et donc v H
0
et v, z) = 0. Par consequent, Lx = (Lz)x, z), et en posant y = Lz z, on a bien
L = L
y
.
3. Systèmes orthonormaux, bases Hilbertiennes
La fa con la plus simple de decrire un espace de Hilbert est dutiliser une base. Plusieurs notions de
bases peuvent etre introduites. Lune des plus generales est la notion de base de Schauder. Une famille
f
, est une base de Schauder dun espace de Banach B si x B, il existe une unique suite
c
, telle que x =
(dans le cas o` u B est de dimension innie, legalite est à prendre au

sens de la topologie induite par la norme de B). Cependant, les bases de Schauder sont souvent diciles
à manipuler, et la convergence du developpement dun element de lespace par rapport à une telle base
est parfois problematique. Cest pourquoi il est utile de se limiter à des bases plus speciques. Le cas
le plus simple est le cas des bases orthonormales, ou bases Hilbertiennes. Commencons par preciser la
notion dorthogonalite et de projection orthogonale.
Dans cette section, H est un espace de Hilbert separable. Un système orthonormal dans H est une
famille e
H, , telle que
(A.2) e
, e
) =
_
1 si =
0 sinon
Ici, est un index au plus denombrable (si est inni, on prendra = Z).
Th eor` eme A.4. Soit e
H, un système orthonormal dans H, et soit
un
sous ensemble ni de lindex . Soit H
, le sous-espace de H engendre par les vecteurs e
.
Soit x H, et soit x
x, e
)e
. Alors [[x x
[[ [[x s[[ pour tout s H
, et legalite
nest atteinte que pour s = x
. De plus,
(A.3)
[x, e
)[
2
[[x[[
2
.
Preuve : Pour tout
, x
, e
) = x, e
). Donc, (x x
) e
pour tout
, et (x x
) (x
s)
pour tout s H
. Donc, [[x s[[

2
= [[x x
[[
2
+ [[x
s[[
2
, et [[x x
[[ [[x s[[ pour tout s H
.
De plus, cette inegalite prise pour s = 0 montre que [[x
[[
2
[[x[[
2
, ce qui conclut la preuve.
3. SYST
`
EMES ORTHONORMAUX, BASES HILBERTIENNES A.3
Ceci montre en particulier que x
est la meilleure approximation de x H dans H

0
.
Le resultat suivant, appele theorème de Riesz-Fischer, permet de preciser le precedent. Il etablit en
particulier le fait que lexistence dune base orthonormee dans un espace de Hilbert permet de le mettre
en correspondance avec un espace
2
de suites de carre sommable.
Th eor` eme A.5 (Riesz-Fischer). Soit e
, un système orthonormal dans H, et soit

F H lespace des combinaisons lineaires nies des e
, .
(1) Pour tout x H, on a linegalite de Bessel :
(A.4)
[x, e
)[
2
[[x[[
2
.
(2) Lapplication x H e
, est lineaire, continue de H dans

2
() et sa restriction
à F est une isometrie de F sur
2
().
Ce resultat est une consequence du lemme classique suivant
Lemme A.1. Soient E, E
deux espaces metriques, E etant suppose complet. Soit f : E E
une application continue. Si il existe un sous-ensemble dense F E tel que f(F) soit dense dans
E
, et que f soit une isometrie entre F et f(F), alors f se prolonge en une isometrie surjective
de E sur E
.
Preuve : Le fait que f se prolonge en une isometrie est une consequence immediate de la densite de F
dans E. Lelement essentiel du resultat est la surjectivite. Soit y E
. Comme f(F) est dense dans E
, il
existe une suite x
n
delements de F telle que f(x
n
) y. La suite f(x
n
) est une suite de Cauchy, et
f etant une isometrie, la suite x
n
est elle aussi une suite de Cauchy, qui converge vers x E (puisque
E est complet). f etant continue, on a bien f(x) = y, ce qui prouve le lemme.
Preuve du theorème A.5 : Linegalite (A.3) est vraie pour tout sous-ensemble ni de , et implique
donc linegalite de Bessel. On considère lapplication coecients f, qui à x H associe la suite des
coecients x, e
). f est bien entendu lineaire ; daprès linegalite de Bessel, on a pour tous x, y F :

|f(x) f(y)|
2
=
[x, e
) y, e
)[
2
|x y|
2
,
et f est donc continue de F dans
2
(). Il sut alors dappliquer le Lemme A.1 pour conclure.
D efinition A.3. Un système orthonormal maximal dans H est appele base orthonormee de
H.
Le resultat suivant donne une caracterisation des bases orthonormees. Rappelons quune famille e
,
est complète dans H si lensemble des combinaisons lineaires nies des e
est dense dans H.

Remarque A.1. On parle parfois de famile totale au lieu de famille complète. Les deux terminologies
decrivent la meme notion. On montre que dans un espace de Hilbert, une famille e
, est complète
si x, e
) = 0 pour tout implique x = 0.

Th eor` eme A.6. Soit e
, un système orthonormal dans H. Les assertions suivantes

sont equivalentes :
(1) e
, est une base orthonormee de H.

(2) La famille e
, est complète dans H.

(3) Pour tout x H, on a la formule de Parseval :
(A.5) [[x[[
2
=
[x, e
)[
2
.
(4) Pour tous x, y H, on a
(A.6) x, y) =
x, e
)e
, y) .
Preuve : 1) implique 2) : soit F lensemble des combinaisons lineaires nies des e
, et supposons F ,=
E. Alors, il existe y F
, y ,= 0, et la famille nest pas maximale. Les autres implications sont des

consequences directes des resultats precedents. 2) implique 3) : cest une consequence du theorème de
Riesz-Fischer ci-dessus. 3) implique 4) : sobtient grace à lidentite de polarisation. 4) implique 1) :
supposons que 1) soit faux : il existe u H, u ,= 0, tel que u, e
) = 0 . Alors, daprès 4), [[u[[

2
= 0,
ce qui est impossible.
A.4 A. RAPPELS DANALYSE FONCTIONNELLE
Exemple A.1. En dimension nie, par exemple pour H = C
N
, toute famille orthonormale de N
vecteurs est une base orthonormee.
Exemple A.2. Considerons lespace
1 =
_
f L
2
(R), constante sur tout intervalle [k, k + 1[, k Z
_
,
muni du produit Hermitien usuel sur L
2
(R). En posant
n
(t) =
[n,n+1[
(t) , n Z ,
on verie que la famille des
n
, n Z est une base orthonormee de 1. Lorthonormalite des fonctions
k
est immediate. Par ailleurs, si f 1 est orthogonale à toutes les fonctions
k
, alors f est nulle sur tout
intervalle [k, k + 1[ et est donc nulle.
Exemple A.3. Soit la function denie par (t) = (1 t
2
)
1/2
. On considère lespace L
2
([1, 1])
des fonctions f telles que f
L
2
([1, 1]). L
2
([1, 1]) est muni dune structure despace de Hilbert

par le produit Hermitien
f, g)
=
_
1
1
f(t)g(t)
dt
1 t
2
.
Soit | loperateur deni par |f() = f(cos ). | est une isometrie de L
2
([1, 1]) sur L

2
([0, ]) :
||f|
2
=
_

0
[f(cos )[
2
d =
_
1
1
[f(t)[
2
(t) dt = |f|
2
.
On sait que la famille des fonctions e
n
, n Z
+
denies par e
n
() = cos(n) est une base orthogonale
de L
2
([0, ]). Par consequent, la famille des fonctions T
n
= |
1
e
n
:
T
n
(t) = cos (n arc cos t) .
est une base orthogonale de L
2
([1, 1]). Les fonctions T

n
sont appelees polynomes de Chebyshev.
4. Bases de Riesz
Jusquà present, nous nous sommes limites à utiliser des bases orthonormees, qui ont le grand merite
de simplier la representation des signaux (grace en particulier au theorème de Riesz-Fischer, et à la
formule de Parseval). Par malheur, il nest pas toujours facile de construire directement une base or-
thonormee de lespace considere. Il est alors utile de commencer par une base de Riesz, comme denie
ci-dessous.
D efinition A.4. Une base f
n
, n de lespace de Hilbert separable H est une base de
Riesz si il existe un operateur lineaire borne T : H H, inversible et à inverse borne, et une base
orthonormee e
n
, n , tels que
(A.7) f
n
= Te
n
, n .
Remarquons immediatement que si f
n
, n est une base de Riesz de H, alors on a [[f
n
[[ = [[Te
n
[[
[[T[[. De meme, on deduit de 1 = [[e
n
[[ = [[T
1
f
n
[[ [[T
1
[[[[f
n
[[ que
(A.8)
1
[[T
1
[[
[[f
n
[[ [[T[[ .
Le resultat suivant donne une caracterisation des bases de Riesz.
Th eor` eme A.7. Soit H un espace de Hilbert separable. Alors les assertions suivantes sont
equivalentes :
(1) f
n
, n est une base de Riesz de H.
(2) Il existe dans H un autre produit scalaire, note , )
1
, equivalent à , ), (au sens o` u les
normes correspondantes sont equivalentes), et tel que la famille f
n
, n soit une base
orthonormee par rapport à ce produit scalaire.
(3) Il existe deux constantes reelles 0 < A B < telles que pour toute famille
c
1
, . . . c
N
C
N
, on ait
(A.9) A
N
n=1
[c
n
[
2
[[
N
n=1
c
n
f
n
[[
2
B
N
n=1
[c
n
[
2
,
et la famille f
n
est complète dans H.
4. BASES DE RIESZ A.5
Preuve : 1 implique 2 : supposant que f
n
, n soit une base de Riesz de H, il existe S, borne,
inversible à inverse borne, tel que pour tout n, e
n
= Sf
n
. Soit , )
1
deni par
x, y)
1
= Sx, Sy) , x, y H .
On verie immediatement que la famille f
n
est orthonormale par rapport à ce produit scalaire. De
plus, on a [[x[[
1
= [[Sx[[ [[S[[ [[x[[, et [[x[[ = [[S
1
x[[
1
[[S
1
[[ [[x[[
1
. Donc les produits scalaires sont
equivalents.
2 implique 3 : soit , )
1
le produit scalaire equivalent ; soit f H telle que f, f
n
) = 0 pour tout n. Alors,
on a f, f
n
)
1
= 0 pour tout n, ce qui implique f = 0. donc la famille f
n
est complète. Soit maintenant
x H. On sait que m[[x[[
1
[[x[[ M[[x[[
1
, o` u m, M sont deux constantes independantes de x. Si on
prend un x de la forme x =

N
n=1
c
n
f
n
, alors [[x[[
2
1
=

N
n=1
[c
n
[
2
et on a immediatement la propriete
annoncee.
3 implique 1 : Soit e
n
une base orthonormee de H. Alors, il existe deux operateurs lineaires T, S, bornes
grace à (A.9), tels que pour tout n, e
n
= Sf
n
et f
n
= Te
n
. Donc ST est loperateur identite sur H. Mais
la famille f
n
etant complète, TS est aussi lidentite sur H. Donc T est inversible, ce qui conclut la
preuve.
Exemple A.4. (1) Toute base orthonormee est evidemment une base de Riesz.
(2) En dimension nie, toute famille libre est une base de Riesz de lespace quelle engendre.
(3) On considère la fonction (la tente) de Schauder
(t) =
_
_
_
t si t [0, 1]
2 t si t [1, 2]
0 sinon ,
et les fonctions
n
denies par
n
(t) = (t n) , n Z .
Un calcul simple montre que pour tout n, |
n
|
2
= 2/3,
n
,
n1
) = 1/6, et
n
,
m
) = 0 si
[m n[ > 1. On considère lespace V engendre par les limites de combinaisons lineaires nies
des fonctions
n
. Soit c = c
n
, n Z
2
(Z), et soit f =
n
c
n
n
. On verie que
|f|
2
=
2
3
n
[c
n
[
2
+
1
6
n
c
n
c
n1
+
1
6
n
c
n
c
n+1
.
On deduit de linegalite de Cauchy-Schwarz que
1
3
n
[c
n
[
2
|f|
2
n
[c
n
[
2
,
de sorte que la famille
n
, n Z est bien une base de Riesz de V .
Remarque A.2. Une base de Riesz possède automatiquement une base biorthogonale (ou base duale)
f
n
, telle que
f
n
,

f
m
) =
m,n
,
qui est egalement une base de Riesz du meme espace. En eet, avec les notations plus haut, considerons
ladjoint S
de S = T
1
, et posons
(A.10)

f
n
= S
e
n
.
Alors on a immediatement f
n
,

f
m
) = STe
n
, e
m
) =
m,n
. De plus, pour tous f H, on peut ecrire
(A.11) f =
n
f,

f
n
)f
n
=
n
f, f
n
)
f
n
.
Par exemple, en ecrivant T
f =
n
T
f, e
n
)e
n
=
n
f, f
n
)e
n
, on obtient directement la seconde egalite.
La première sobtient similairement en decomposant T
1
f sur la base e
n
, n Z. Le fait que

f
n
, n Z
est une consequence directe des proprietes de T
.
ANNEXE B
Repères dans un espace de Hilbert
Il existe des situations dans lesquelles on a interet, plutot que dutiliser des bases orthonormees,
à utiliser des familles de fonctions qui sont complètes mais pas libres. On parle alors de familles sur-
complètes, ou de repères. La famille sur laquelle lon decompose le signal netant pas libre, les coecients
de la decomposition sont redondants, et la representation nest donc pas economique. Cependant, on
verra que cette representation presente lavantage detre plus robuste, cest à dire moins sensible aux
perturbations, quune decomposition par rapport à une base.
1. Denitions
D efinition B.1. Une famille f
, de vecteurs dun espace de Hilbert H est un repère

de cet espace si il existe deux constantes reelles 0 < A < B < telles que pour tout f H, on ait
(B.1) A|f|
2
[f, f
)[
2
B|f|
2
.
Les constantes A et B sont appelees Bornes du repère. Si A = B, le repère est dit strict.
Exemple B.1. Considerons le plan R
2
, muni dune base orthonormee e
1
, e
2
. Alors, en posant
f
1
= e
1
, f
2
= (e
1
+ e
2
3)/2 et f
3
= (e
1
e
2
3)/2, il est immediat que f

1
, f
2
, f
3
est un repère
strict de R
2
: pour tout f R
2
, on a

3
n=1
[f, f
n
)[
2
= 3[[f[[
2
/2. Plus generalement, toute famille nie
de vecteurs est un repère de lespace quelle engendre.
On associe naturellement à un repère les deux operateurs suivants : loperateur danalyse U : H
2
(),
deni par
(B.2) (Uf)
= f, f
) ,
et loperateur de repère = U
U : H H, deni par
(B.3) f =
f, f
) f
.
Le resultat suivant est verie sans diculte.
Proposition B.1. est borne, inversible et à inverse borne. Il est de plus auto adjoint.
Preuve : est auto adjoint : en eet, pour tous f, g H, on a
f, g) = f, g) =
f, f
) f
, g) =
g, f
) f
, f) = g, f) = f, g) .
est borne : Calculons, pour f H
|f|
2
= sup
g=1
[f, g)[
2
= sup
g=1
n
f, f
n
)f
n
, g)
2
sup
g=1
B
2
|f|
2
|g|
2
= B
2
|f|
2
.
est injectif : soit f tel que f = 0. Alors f, f) = 0, et donc |f| = 0, qui implique f = 0.
est surjectif : pour tout f H, on a A|f|
2
f, f). est borne inferieurement, donc surjectif.
Par consequent, est bijectif. Comme on a de plus pour tout f H, |f| A|f|, on en deduit que
1
est borne egalement.
etant auto adjoint, il resulte de (B.1) que son spectre est inclus dans lintervalle [A, B], ce que lon
ecrit aussi
A B .
B.1
B.2 B. REP
`
ERES DANS UN ESPACE DE HILBERT
etant inversible, on peut ecrire, pour tout f H
(B.4) f =
f, f
)

f
,
o u on a pose
(B.5)

f
=
1
f
.
Les

f
possèdent des proprietes similaires à celles des f
. En particulier :
Proposition B.2. La famille
, est un repère de H, de bornes B

1
et A
1
, appele
repère dual du repère f
, .
Preuve : La proposition resulte de lestimation suivante, qui est facilement veriee : pour tout f H,
(B.6)
1
B
|f|
2
[f,

f
)[
2
1
A
|f|
2
.
On a donc aussi legalite, pour tout f H

(B.7) f =
f,

f
) f
,
Remarque B.1. Dans le cas dun repère strict, cest à dire dans le cas A = B, est un multiple de
lidentite, de sorte que lon a pour tout ,

f
= f
/A =. On a ainsi, pour f H,
(B.8) f =
1
A
f, f
) f
.
Dans le cas general, il est necessaire dutiliser la formule (B.4) pour expliciter un f H à partir des
coecients f, f
), ce qui nest pas toujours facile car

1
ne possède pas de forme explicite en general.
On verra un peu plus loin comment resoudre ce problème.
Exemple B.2. Des exemples utiles de repères sont donnes par les repères trigonometriques. On sait
que le système trigonometrique, forme des fonctions
(B.9) e
n
(t) = e
2int
, n Z
est une base de L
2
([0, ]). Considerons le système de fonctions
(B.10) f
n
(t) = e
int
, n Z .
Soit f L
2
([0, ]). Alors
f, f
2n
) = f, e
n
) = c
n
(f) , et
f, f
2n+1
) = g, e
n
) = c
n
(g) ,
o` u g est denie par
g(t) = f(t)e
it
.
Legalite de Parseval donne alors
(B.11)
n
[f, f
n
)[
2
=
2
n
([c
n
(f)[
2
+[c
n
(g)[
2
) = [[f[[
2
.
Donc, la famille f
n
, n Z est un repère strict de L
2
([0, ]), de borne A = B = .
De tels repères, ou plutot leurs analogues nis, sont utilises par exemple en restauration dimages,
cest à dire pour reconstituer des images dont certains pixels sont manquants.
Considerons maintenant loperateur danalyse U deni en (B.2). Il est possible de donner une ca-
racterisation de limage de H par U. Dans le cas dune base orthonormee e
, de H, le theorème
de Riesz-Fisher etablit une correspondance bijective entre H et
2
(). Dans le cas dun repère, la suite
Uf des coecients f, f
) de f H est bien dans

2
(). Il resulte de la denition que U est injectif, et
que
(B.12) A|f|
2
|Uf|
2
= f, f) B|f|
2
.
U nest pas necessairement surjectif. En fait, si les elements du repère f
sont lineairement dependants,

Im(U) est strictement inclus dans
2
(). En eet supposons que la suite =
, soit telle que
= 0. Alors on peut ecrire, pour f H :

f,
) =
f, f
= Uf, )
2
()
= 0 ,
1. D
EFINITIONS B.3
Fig. 1. Comparaison dune serie de Fourier usuelle et dune decomposition sur un repère :
le cas dune fonction lineaire. A gauche, la fonction, sa reconstruction à partir de 11
modes de Fourier e
n
et 21 fonctions f
n
; au centre, meme chose, avec 21 fonctions e
n
et
41 fonctions f
n
; à droite, les erreurs de reconstruction.
de sorte que Im(U)
. U etant injectif, il possède un inverse deni sur Im(U), que lon peut prolonger
de facon arbitraire à Im(U)
.
Parmi tous les inverses à gauche possibles, on utilise generalement le pseudo-inverse

U
1
:
2
() H,
deni par
(B.13)

U
1
_
Im(U)
= 0 .
Le resultat suivant donne une description plus geometrique de la situation.
Proposition B.3. Etant donne un repère dont les elements sont lineairement dependants,
loperateur U possède une innite dinverses à gauche. Linverse à gauche de norme minimale est
donne par
(B.14)

U
1
= (U
U)
1
U
,
et sannule sur (UH)
. De plus,
(B.15) [[
U
1
[[ 1/
A .
Preuve : Soit x
2
(). Il admet une unique decomposition x = x
1
+ x
2
, avec x
1
Im(U) et x
2

Im(U)
. On suppose x
2
,= 0. Soit V un inverse à gauche de U. Alors on a
|
U
1
x|
|x|
=
|
U
1
x
1
|
|x|
=
|V x
1
|
|x|
|V |
|x
1
|
|x|
|V | .
Donc, |
U
1
| |V |.
Soit x
2
(). Alors, il existe f H tel que x
1
= Uf. On a alors, en utilisant (B.12),
|
U
1
x| = |f|
1
A
|Uf| =
1
A
|x
1
|
1
A
|x| .
Calculons enn (U
U)
U
1
x, pour x = x
1
+ x
2

2
(). Il est clair que U
U

U
1
x
1
= U
x
1
. On a aussi
par denition

U
1
x
2
= 0. Reste à montrer que U
x
2
= 0. Soit f H. On a f, U
x
2
) = Uf, x
2
) = 0.
On a donc bien U
U

U
1
x
2
= U
x
2
, ce qui achève la preuve.
Loperateur U

U
1
possède un statut particulier, comme le montre le corollaire suivant :
Corollaire B.1. U

U
1
est le projecteur orthogonal sur limage de U. De plus, pour tout
x
2
(), on a
(B.16) (U

U
1
x)
, f
) .
Preuve : Avec les memes notations que ci dessus, soit x = x
1
+ x
2

2
() (o` u x
1
Im(U)). On a
U
x
2
= 0, et il existe f H tel que x
1
= Uf, et U

U
1
x
1
= U(
U
1
U)f = x
1
. Donc il sagit bien dun
projecteur orthogonal.
Par denition, on a U
x =
. Donc,
U

U
1
x = U
1
U
x = U
_
_
=
, f
) .
B.4 B. REP
`
ERES DANS UN ESPACE DE HILBERT
Remarque B.2. Utilite des decompositions redondantes : Les decompositions redondantes apportent
une stabilite supplementaire aux decompositions. En eet, soit f H un vecteur xe, et soit x = Uf.
Supposons quune erreur soit commise sur x : soient
y = x + et

f =

U
1
y = f +

U
1
.
En notant
1
la projection de sur UH, et
2
sa projection sur (UH)
, on voit immediatement que
U
1
2
= 0, et que donc
[[f

f[[ [[
1
[[/
A .
Ainsi, la composante
2
de lerreur disparait lors de linversion de la decomposition. On voit donc que
dans des situations o` u on se doute à lavance quune erreur importante va etre commise sur les coecients,
lors dune etape de transmission par exemple, on a interet à utiliser des decompositions par rapport à
des repères de preference à des decompositions sur des bases, car une partie de lerreur disparaitra lors
de la resynthèse.
Remarque B.3. Dans un contexte de traitement du signal, des decompositions redondantes telles
que des decompositions par rapport à des repères trouvent leur utilite pour le codage des signaux, dès
que lon sattend à ce que le signal code soit perturbe par un bruit.
2. Inversion
La question qui se pose en pratique est la suivante : etant donnes les coecients de f H par rapport
à un repère f
n
, n , comment retrouver f à partir de ces coecients ?
Nous connaissons dejà la reponse dans le cas dun repère strict, puisque dans ce cas loperateur est
un multiple de lidentite. La situation est un peu plus complexe dans le cas general, puisquil faut utiliser
la relation
f =
f, f
)
1
f
,
et
1
nest pas connu explicitement.
Considerons loperateur de repère . On sait que A B. Par consequent, on a aussi
2A
A+B

2
A+B

2B
A+B
.
Posons
T = 1
2
A+B
.
Un calcul immediat montre que
(B.17) [[T[[
B A
A+B
< 1 .
Par consequent, loperateur 1 T est inversible, et la serie de Neumann correspondante
1 +T +T
2
+T
3
+. . .
est convergente. On peut donc ecrire
(B.18)
1
=
2
A+B
_
1 +T +T
2
+T
3
+. . .
_
.
Ceci conduit à lalgorithme dinversion suivant : en posant
n
= f, f
n
) ,
on commence par evaluer
f
(1)
=
2
A+B
n
f
n
.
On sait alors que
f f
(1)
=
2
A+B
_
T +T
2
+T
3
+. . .
_
_
n
f
n
_
= Tf ,
de sorte que
[[f f
(1)
[[ [[T[[ [[f[[
B A
A+B
[[f[[ .
2. INVERSION B.5
Si la precision est susante, cest à dire si la constante (BA)/(A+B) est assez faible, on se contentera
de f
(1)
comme approximation de f. Si tel nest pas le cas, il faut pousser plus loin le developpement, et
considerer
f
(2)
=
2
A+B
(1 +T)
_
n
f
n
_
.
On a alors evidemment un ordre dapproximation supplementaire :
[[f f
(2)
[[
_
B A
A+B
_
2
[[f[[ .
Remarque B.4. Lalgorithme dinversion quon a vu ci-dessus a lavantage detre simple, mais nest
pas optimal. En pratique, il est souvent plus avantageux dutiliser des methodes classiques dinversion,
telles que des methodes de gradient conjugue par exemple.
Remarque B.5. Il est possible de montrer que les bases orthonormees que nous avons vues plus
haut peuvent etre remplacees par des repères construits de la meme manière. Cest en particulier le cas
des bases trigonometriques locales (on construit facilement des repères trigonometriques locaux), et des
ondelettes, pour lesquelles il est meme plus facile de construire des repères ue des bases.
ANNEXE C
Fonctions dune variable complexe, series de Laurent
1. Fonctions holomorphes, fonctions analytiques
1.1. Fonctions holomorphes. Soit C une partie non vide du plan complexe. Soit f une
fonction à valeurs complexes denie sur . Soit z
0
. On sait que f est dierentiable en z
0
si il existe
un nombre complexe, note f
(z
0
) tel que :
f(z
0
+h) = f(z
0
) +f
(z
0
)h +o(h) .
Sil existe, il est egal à
f
(z
0
) = lim
zz
0
f(z) f(z
0
)
z z
0
et est le nombre derive de f au point z
0
.
Pour z = x +iy, introduisons les notations :
f
z
=
1
2
_
f
x
i
f
y
_
,
f
z
=
1
2
_
f
x
+i
f
y
_
,
D efinition C.1. Si f est dierentiable dans tout , alors on dit que f est holomorphe. On a
alors
f
z
(z
0
) = 0 z
0

Par exemple, la fonction f : z 1/(z ), o` u C est une constante, est holomorphe dans C prive de
.
De là, on montre facilement les deux proprietes simples suivantes :
Proposition C.1. Si f et g sont holomorphes dans , alors f +g et fg le sont egalement.
Proposition C.2. Si f est holomorphe dans et g est holomorphe dans f(), alors la fonction
composee fog est holomorphe dans et on a
(fog)
(z
0
) = g
(f(z0))f
(z0) .
Th eor` eme C.1 (Cauchy-Riemann). Soit f une fonction de la variable complexe denie dans
C, on decompose f suivant sa partie reelle P et sa partie imaginaire Q, avec z = (x, y) =
x +iy :
f(z) = P(x, y) +iQ(x, y) .
Alors f est une fonction holomorphe si et seulement si P et Q satisfont aux conditions de Cauchy-
Riemann :
P
x
=
Q
y
,
P
y
=
Q
x
.
1.2. Series. On considère la serie
f(z) = z
n=0
a
n
z
n
;
le rayon de convergence de la serie est deni par
= lim sup
n
[a
n
[
1/n
lim sup
n
a
n
a
n1
C.1
C.2 C. FONCTIONS DUNE VARIABLE COMPLEXE, S
ERIES DE LAURENT
Proposition C.3. La serie denissant f est C
dans le disque ouvert z C, [z[ < R, et

on a
f
(k)
(z) =
n=k
n!
(n k)!
a
n
z
nk
.
1.3. Fonctions analytiques.
D efinition C.2. Une fonction de la variable complexe f est analytique dan,s un ouvert C
si z
0
, f est developpable en serie entière en z
0
: il existe r > 0 tel que z B(z
0
, r), on ait
f(z) =
n=0
a
n
(z z
0
)
n
.
Une fonction analytique dans C est appelee fonction entière .
Notons que si f est analytique dans , alors
f
(z) =
n=1
na
n
(z z
0
)
n1
existe, et donc f est holomorphe. Plus generalement, on a
Th eor` eme C.2. Une fonction f : C C est analytique dans un ouvert C si et seulement
si elle est holomorphe dans .
2. Integration sur un chemin dans C
References Bibliographiques
[1] W. Appel : Mathematiques pour la physique et les physiciens. H&K Ed. (2002).
[2] H. Cartan : Theorie elementaire des fonctions analytiques.
[3] J. Dieudonne : Elements danalyse, vol. 6.
[4] I.M. Gelfand et G.E. Shilov : Les distributions
[5] A. Gersho et R. Gray : Vector Quantization and Signal Compression Springer Verlag (1991)
[6] R. Godement : Analyse Mathematique, tomes 1 à 4. Springer Verlag Ed (2004).
[7] J. Lamperti : Stochastic Processes : A Survey of the Mathematical Theory (New York : Springer
Verlag, 1977).
[8] S. Mallat : Une exploration des signaux en ondelettes, Ellipses (2002).
[9] A. Papoulis : Signal Analysis, Mcgraw-Hill College (ao ut 1977)
[10] W.H. Press, B.P. Flannery, S.A. Teukolsky, and W.T Wetterling (1986) : Numerical Recipes. Cam-
bridge Univ. Press, Cambridge, UK.
[11] F. Riesz et B. Nagy (1955) : Lecons dAnalyse Fonctionnelle, Gauthier-Villars.
[12] W. Rudin : Analyse relle et complexe., McGraw et Hill.
[13] C. Soize : Methodes mathematiques pour le traitement du signal.
[14] E.T. Whittaker et G.N. Watson, A modern course of Analysis. Cambridge University Press (2003,
première edition en 1927).
[15] A. Zygmund. Trigonometric Series
C.3
Index
Base biorthogonale, A.5
Base dun espace de signaux numeriques, 27
Base DCT locale, 28
Base de cosinus, 13
Base de Riesz, A.4
Base de Schauder, A.2
Base Hilbertienne, A.2
Bases DCT, 27
Coecient de Fourier, 8
Espace
p
, 7
Espace L
p
, 7
Espace de Hilbert, A.1
Espace pre-Hilbertien, A.1
Filtre à reponse impulsionnelle nie, 17
Filtre à reponse impulsionnelle innie, 17
Filtre adapte, 21
Filtre de Butterworth, 20
Filtre FIR, 17
Filtre IIR, 17
Filtre numerique, 16
Filtre numerique dordre ni, 20
Filtre numerique bidimensionnel, 26
Filtre numerique causal, 16
Filtre numerique realisable, 16
Filtre numerique recursif, 17
Filtre numerique stable, 16
Filtre numerique tensoriel, 26
Filtre passe-bas ideal, 16
Fonction de Schauder, A.5
Fonction de transfert dun ltre numerique, 16, 19
Formule de Parseval, 9, A.3
Frequence, 15
Frequence dechantillonnage, 15
Frequence de coupure, 16
Frequence spatiale, 26
Identite de polarisation, A.1
Image, 25
Imagette, 29
Inegalite de Bessel :, A.3
Inegalite de Holder, 8
Inegalite de Schwarz, A.1
Inegalite de Young, 13
Inegalite triangulaire, A.1
JPEG, 28
Lemme de Riemann-Lebesgue, 9
Moyenne de Cesàro, 11
Norme L
p
, 7
Operateur danalyse, B.1
Operateur de repère, B.1
Pixel, 25
Polynomes de Chebyshev, A.4
Produit Hermitien, A.1
Produit scalaire, A.1
Pseudo-inverse, B.3
Pulsation, 15
Quantication, 29
Reponse impulsionnelle dun ltre numerique, 16
Repère, B.1
Repère de Fourier ` a court terme, 30
Repère de Gabor, 31
Repère dual, B.2
Repères trigonometriques, B.2
Representation poles-zeros, 20
Serie de Laurent, 18
Signal numerique, 15
Signal numerique denergie nie, 15
Signal numerique multidimensionnel, 25
Système orthonormal, A.2
TFD, 15
TFD bidimensionnelle, 25
TFF, 24
Theorème de Riesz-Fischer, A.3
Transformee de Fourier à court terme, 30
Transformee de Gabor, 31
Transformee en z, 18
Transformation de Fourier discrète, 15
Transformation de Fourier discrète inverse, 15
Transformation de Fourier nie, 24
Transformation en z inverse, 19
Zigzag, 29
C.5

Cours 09

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Cours 09

Încărcat de

Drepturi de autor:

Formate disponibile

METHODES MATH

f(s)ds. g est continue par construction, et verie g() = 0. Si C

2. Donc h(t) = 0 presque partout, g(t) = C = g() = 0

(t)[dt < /2. Alors

(Z) (cest `a dire si K

(Z)). Il est realisable sil est causal et

([, ]), il est facile de voir que

du ltre sont relies par une relation du type

les zeros de H. Il est immediat que

, telle que pour tout n

([, ]), telles que la fonction

correspondante prend la forme dun ltre numerique, de fonction

(x) pour estimer n

ESENTATION DES SIGNAUX NUM

ont des supports disjoints pour j ,= j

4.2. Exemple : le codeur dimages JPEG (tire de larticle en ligne de lencyclopedie

ESENTATION DES SIGNAUX NUM

ESENTATION DES SIGNAUX NUM

), k, = 1, . . . n est semi-denie positive pour tous t

Les variables aleatoires X sur (/, T, P) telles que E

deux limites ; soit g C([, ]) ; on sait que toute fonction

([, ]) est appele densite spectrale de X.

2 setend `a une isometrie de /

, qui `a toute fonction L

denit un nouveau signal aleatoire Y , par

([, ]), la fonction de transfert du ltre optimal est donnee par

soit la plus grande possible. Lalgorithme de detection consistera `a

. Il sagit dun probl`eme classique de

2, qui tend bien vers 0 quand [[ . De meme, la transformee de

) est une version modulee de la fonction integrable f, alors on a

f()[, qui est borne. Le theor`eme de convergence

[f(s +t) f(t)] g

est supposee integrable, on a

f est bornee, et decrot au moins aussi bien que [[

(R), supp(f) est borne ,

T(R) telle que

o(R), et plus generalement, toutes les derivees f

) F une application isometrique bijective. Alors, il existe une application

(cest `a dire telle que sa restriction

= T (la transformation de Fourier sur o(R)),

En appliquant linegalite de Cauchy-Schwarz `a ces deux termes, on aboutit `a

nest autre que la fonction i

(R) telle que

f, et donc, en introduisant le spectre denergie,

(t), que la tension v(t) satisfait `a lequation dierentielle

(t) +v(t) = u(t) .

h(t s)u(s)ds . (3.55)

est un polynome de degre inferieur `a . C

est une constante, qui correspond `a un multiple de

= 0 (ce qui est le cas d`es que M > N).

, etant la multiplicite de , et pour que P soit positif doit necessairement etre

, qui est toujours positif, et de la

(R). Pour saranchir de la normalisation de m, il faut introduire une

(R). Ces conditions

(R) pour tout k. Le banc de

de T, obtenu comme suit : u = u

, `a support compact dans lintervalle [

2 est une isometrie bijective entre PW

(dans le cas o` u B est de dimension innie, legalite est `a prendre au

H, un syst`eme orthonormal dans H, et soit

, le sous-espace de H engendre par les vecteurs e

[[ [[x s[[ pour tout s H

. Donc, [[x s[[

[[ [[x s[[ pour tout s H