Ondelettes Hermes

Ondelettes pour le signal numrique
Fred Truchetet
Janvier 1998
2 Ondelettes pour le signal numrique
Avant-propos 9
Chapitre 1 Historique 11
Chapitre 2 Pourquoi les ondelettes ? 13
Chapitre 3 Quelles ondelettes ? 21
3.1 Inversion - Admissibilit 21
3.2 Quelles transformes en ondelettes ? 22
Chapitre 4 Bases orthonormes, analyse multirsolution 25
4.1 Axiomatique de base 25
Espaces dapproximation 25
Espaces des dtails 28
Analyse multirsolution et localisation spatio-
frquentielle 31
Gnralisation : paquets dondelettes 35
4.2 Algorithme rcursif 35
Algorithme danalyse 37
Algorithme de reconstruction 41
4.3 Construction numrique des fonctions de base 45
Chapitre 5 Proprits et construction 53
5.1 Proprits frquentielles de la fonction dchelle 54
Relations avec le ltre associ 54
Orthonormalit dans Fourier 55
5.2 Proprits frquentielles de londelette 58
5.3 Rsum des proprits 62
Chapitre 6 Exemples de bases dondelettes 65
6.1 Ondelettes de Haar 66
3
6.2 Ondelette de Littlewood-Paley 68
6.3 Bases splines 70
6.4 Ondelettes support compact (Daubechies) 76
Chapitre 7 Passage deux dimensions 87
7.1 Cas gnral 87
Matrice de changement dchelle 87
Axiomatique de base de lanalyse multirsolution 88
Sur-chantillonnage et sous-chantillonnage 89
Algorithme rcursif et proprits 92
7.2 Ondelettes sparables 100
7.3 Ondelettes quinconces 103
Exemples danalyse quinconce orthonorme 111
Chapitre 8 Bases biorthogonales 117
8.1 Introduction 117
8.2 Analyse biorthogonale 117
8.3 Proprits des bases et des ltres associs 120
8.4 Bases B-splines biorthogonales 122
Recherche de solutions avec des ltres RIF
symtriques 122
Cas des B-splines. 124
Solution avec des ltres rcursifs RII 125
Chapitre 9 Trames dondelettes 131
9.1 Bornes de la trame dondelettes 132
9.2 Reconstruction dans le cas dune trame dondelettes 132
Chapitre 10 Exemple de trame dondelettes 135
10.1 Dtection de contour multichelle 136
Annexe A Fonctions B-splines et bases dondelettes 141
Bibliographie 151
Index 155
5
Remerciements
Je voudrais remercier tous ceux, collgues, tudiants et proches qui mont aid
dans la mise au point de ce document, et particulirement lors de la ralisation des
illustrations et de la correction des erreurs. Que J.C. Devaux, A. Garcia, O. laligant et F.
Nicolier, trouvent ici lexpression de ma reconnaissance. Et merci surtout Franoise
et Marie-Elise pour leur patience et leur soutien pendant ces trop nombreuses journes
de vacances distraites de la vie familiale.
Table des matires
Avant-propos
De nombreux documents de synthse prsentant la transforme en ondelettes et ses
applications sont actuellement disponibles en librairie. Ils sont souvent de grande
qualit et devraient sufre un tudiant cherchant acqurir les notions ncessaires
lutilisation de cet outil de traitement du signal ou un chercheur qui souhaite
connatre ltat de lart dans le domaine avant de tenter dy apporter sa contribution
ventuelle. Alors pourquoi proposer un document de plus ? La rponse tient en
deux points principaux. Tout dabord, bien que les Franais et les chercheurs
francophones se soient particulirement illustrs dans les dcouvertes qui ont conduit
ltablissement de cette thorie, il existe peu douvrages en langue franaise proposant
une prsentation des transformes en ondelettes discrtes. Ensuite, la plupart des
ouvrages disponibles sont soit des prsentations caractre grand public ne
permettant pas de rentrer dans les dtails techniques et donc peu utilisables pour
qui veut pratiquer la technique prsente, soit des thses caractre mathmatique
afrm mettant plus laccent sur la rigueur des raisonnements et la gnralit des
concepts utiliss que sur les rsultats pratiques rellement mis en uvre dans les
applications. Cest pourquoi nous avons voulu proposer un document crit dans lesprit
des Sciences de lIngnieur dans lequel la rigueur mathmatique nest pas totalement
absente mais nest pas, et de loin, la proccupation majeure. Au risque de faire bondir
les puristes, nous avons volontairement omis un certain nombre de cas particuliers
et quand la dmonstration rigoureuse dun rsultat nous a sembl soit trop lourde
soit trop complique conceptuellement, nous avons essay de donner une pseudo-
dmonstration sufsante pour convaincre et pour faire comprendre lorigine et la
porte du rsultat. Les lments fournis dans cette prsentation doivent permettre
au lecteur daborder concrtement lanalyse par transforme en ondelettes des
signaux numriques monodimensionnels ou multidimensionnels. Nous avons voulu
souligner particulirement les aspects propres au traitement des images numriques
car cest incontestablement un domaine o la transforme en ondelettes est riche de
potentialits. Il est clair que lambition de ce cours se limite une introduction aux
transformes en ondelettes discrtes, il nutilise que les outils mathmatiques dont
dispose tout tudiant de second cycle universitaire ; il est donc destin aux tudiants
de licence, matrise, DEA ( titre dintroduction) et aux lves ingnieurs. Il ne faut
en aucun cas y chercher une prsentation exhaustive du sujet et la bibliographie reste
galement trs modeste. Le jeune chercheur souhaitant se spcialiser dans ce domaine
devra imprativement complter les lments fournis ici partir dune recherche
bibliographique plus approfondie.
Enn, il faut indiquer que nous nous sommes fortement appuys, voire adosss,
deux excellents ouvrages crits par deux des principaux crateurs de cette thorie,
Ingrid Daubechies [10]et Martin Vetterli [43]. Nous ne saurions trop recommander au
lecteur dsireux den savoir plus ou de chercher la rigueur mathmatique manquant ici
de se reporter ces bibles de la transforme en ondelettes.
Une des images favorites des traiteurs de signal 2D
Chapitre 1
Historique
Le traitement du signal a pour principal objet la description des signaux lis au monde
rel dans un but de traitement, didentication, de compression, de comprhension
ou de transmission. Dans ce contexte, les transformations linaires ont toujours jou
un trs grand rle, et parmi ces dernires, la plus clbre et la plus anciennement
tudie est la transformation de Fourier (1822). Cette transformation permet, comme
chacun sait, dexplorer la composition frquentielle du signal et par ses proprits
de lui appliquer facilement des oprateurs de ltrage. Lors de cette transformation
le signal est dcompos sur un ensemble de signaux de base qui sont les cosinus
et sinus ou lexponentielle imaginaire, mais, trs tt dans lhistoire du traitement
du signal, il est apparu que la dcomposition obtenue ntait pas toujours la plus
satisfaisante et la premire transformation en ondelettes (le nom nest pas encore
utilis) est propose par Haar en 1910 ; il serait plus judicieux de parler alors
de palo-ondelette. La transforme en ondelettes est un outil qui dcoupe les
donnes, les fonctions ou les oprateurs en composantes frquentielles suivant une
rsolution adapte lchelle. Les prcurseurs conscients de cette technique ont t des
mathmaticiens (Calderon 1964), des physiciens (Aslaken et Klauder en 1968, Paul
en 1985), et surtout des ingnieurs (ou des chercheurs en sciences pour lingnieur)
comme Esteban et Galand (1977), Smith et Barnwell (1986), Vetterli (1986), nous
pourrions parler dans leur cas de pr-ondelette. Mais le premier avoir utilis la
mthode et le premier avoir propos le nom dondelettes fut Jean Morlet (1983).
Le problme trait par Morlet tait celui de lanalyse de donnes issues de sondages
sismiques effectus pour des recherches gologiques ; ces donnes faites de nombreux
transitoires sont particulirement adaptes une technique danalyse conservant la
notion de localisation de lvnement tout en fournissant une information sur son
contenu frquentiel ce qui est tout lintrt de ce type de transformation. Les rsultats
obtenus par Morlet et formaliss par le physicien Alex Grossmann ont rapidement
veill lattention de nombreux chercheurs et bientt des bases mathmatiques solides
ont t mises en place faisant apparatre la notion de base orthogonale (Y. Meyer 1985),
danalyse multirsolution (S. Mallat 1989 [25], [26], [27]) et dondelettes support
compact (I. Daubechies 1988)[11]. Les ondelettes modernes taient nes. Les lecteurs
intresss par lhistoire des ondelettes trouveront des renseignements plus complets et
des anecdotes passionnantes dans lexcellent ouvrage de B.B. Hubbard [19].
Les recherches tant thoriques quappliques se sont trs largement dveloppes
ces dernires annes au point que les ondelettes sont maintenant trs la mode
et quon a parfois voulu en faire loutil idal adapt tous les problmes. Cet
optimisme excessif a naturellement conduit quelques dconvenues. On compte
actuellement (en 1997) un volume annuel de plusieurs centaines de publications sur
le sujet et une bonne dizaine de congrs internationaux lui sont consacrs ou ont
une session spcialise sur les ondelettes. Les applications les plus prometteuses
qui semblent se dgager se retrouvent dans les domaines de lanalyse vocale, de
lanalyse des signaux radar et dans le domaine de la compression des images. Les
thmatiques de recherche sorientent vers les transformes de signaux priodiques ou
support compact, les transformes multidimensionnelles, les transformes adaptes
au problme, les analyses multi-ondelettes, la dconvolution des signaux bruits, les
approches multichelles dans les algorithmes stochastiques et bien entendu la mise en
uvre des algorithmes de transforme en ondelettes discrte.
Analyse multirsolution de l

image favorite
Chapitre 2
Pourquoi les ondelettes ?
La plupart des signaux du monde rel ne sont pas stationnaires, et cest justement dans
lvolution de leurs caractristiques (statistiques, frquentielles, temporelles, spatiales)
que rside lessentiel de linformation quils contiennent. Les signaux vocaux et les
images sont ce titre exemplaires. Or lanalyse de Fourier (2.1) propose une approche
globale du signal, les intgrations sont faites de moins linni plus linni, et toute
notion de localisation temporelle (ou spatiale pour des images) disparat dans lespace
de Fourier ; il faut donc trouver un compromis, une transformation qui renseigne sur le
contenu frquentiel tout en prservant la localisation an dobtenir une reprsentation
temps/frquence ou espace/chelle du signal.
Transforme de Fourier :
T
fourier
f() =
_
+
f(t)e
jt
dt (1)
La premire solution qui vient naturellement lesprit est de limiter le domaine
dintgration temporel (ou spatial) laide dune fonction fentre que lon pourra
faire glisser pour explorer le signal ; on obtient ainsi la transforme de Fourier fentre
glissante ; voir lquation 2.2.
Transformation de Fourier fentre glissante :
T
fglisse
f(t, ) =
_
+
f(s)g(s t)e
js
ds (2)
Si on pose :
t,
(s) = g(s t)e
js
(3)
on peut interprter cette transforme comme la projection de f sur la base des
fonctions fentres glissantes :
T
fglisse
f(t, ) = f,
t,
(4)
La notation f, g reprsente le produit scalaire :
f, g =
_
+
f(x)g(x)dx (pour des fonctions relles) (5)

Un certain nombre de fonctions fentres sont utilises, les plus connues sont les
fentres de Hanning, de Hamming, et de Gauss (quation 2.6) :
g(x) =
1
4
e
x
2
2
(6)
dans ce dernier cas la transformation a t baptise transformation de Gabor (quation
2.8) et on appelle gaborette la fonction analysante. On notera que les fonctions
enveloppes sont normalises 1 ; la norme tant dnie par :
|f|
2
=
_
+
f(x)f
(x)dx (7)
Transformation de Gabor :
T
gabor
f(t, ) =
1
4
_
+
f(s)e
(st)
2
2
e
js
ds (8)
On trouvera sur la courbe 2. la reprsentation de la partie relle de gaborettes
pour deux frquences diffrentes. On peut vrier que ltendue temporelle de la
fonction est indpendante de la frquence analyse par cette fonction.
La rsolution dans le plan temps-frquence de la transformation peut tre estime
par les variances de la fonction analysante dans lespace temporel et dans lespace
frquentiel :
2
x
=
_
+
x
2
[(x)[
2
dx (9)
Si on considre une gaborette [(x)[ = e
x
2
2
on a videmment
t
= 1 et dans ce
cas comme la transforme dune gaussienne est une gaussienne (e
x
2
se transforme
par Fourier en e
f
2
) on trouve un cart type
f
dans le domaine frquentiel tel
que :
f
=
1
2
. On constate que les rsolutions temporelle
t
et frquentielle
f
Pourquoi les ondelettes ? 15
Figure 2. Gaborettes
sont indpendantes, de sorte que le pavage de lespace temps-frquence (gure 2.) est
rgulier.
t
t e m p s
f r q u e n c e
Figure 2. Pavage temps-frquence pour la transforme fentre glissante
Dans ce cas, on comprend que lanalyse nest pas idale car si une rsolution
temporelle faible est automatiquement lie la dtection des basses frquences,
la dtection des composantes hautes frquences du signal peut tre faite avec une
rsolution temporelle suprieure. Les deux rsolutions doivent varier en sens inverse
en conservant un produit constant pour un pavage nergtiquement rgulier de
lespace temps-frquence. Ceci doit conduire une utilisation rationnelle de cet
espace par la ralisation dans tous les cas du meilleur compromis possible entre la
rsolution temporelle et la rsolution frquentielle. Ce programme est ralis par
la transformation en ondelettes dont le principe est prcis dans lquation suivante
(2.10) :
Transforme en ondelettes :
T
ond
f(a, b) =
1
a
_
+
f(t)(
t b
a
)dt (10)
Dans cette expression, a est le facteur dchelle et b le paramtre de translation. La
variable a joue le rle de linverse de la frquence : plus a est petit moins londelette
(la fonction analysante) est tendue temporellement, donc plus la frquence centrale
de son spectre est leve. On peut galement interprter cette expression comme une
projection du signal sur une famille de fonctions analysantes
a,b
construite partir
dune fonction mre conformment lquation suivante :
a,b
(t) =
1
a
(
t b
a
) (11)
On notera que la norme est conserve lors du changement de facteur dchelle :
_
_
a,b
_
_
2
=
_
+
1
a
(
t b
a
)
2
dt (2.12)
=
1
a
_
+
[(x)[
2
adx
= ||
2
On pourra noter :
T
ond
f(a, b) = f,
a,b
(13)
La rsolution spatio-temporelle est calcule de la mme manire que
prcdemment : Si la largeur temporelle de (lcart type) est prise comme unit :
= 1 alors on peut calculer la largeur de
a,0
avec lquation 2.9 :
2
t
=
_
t
2
a,0
(t)
2
dt
=
_
t
2
1
a
(
t
a
)
2
dt
=
_
a
2
x
2
1
a
[(x)[
2
adx
ce qui donne :
t
= a .
On peut de mme calculer loccupation frquentielle de londelette en calculant
lcart type pour la transforme de Fourier

a,0
1
de
a,0
; en prenant comme unit
lcart type de la transforme de Fourier de londelette mre :
=
_

2
a,0
()
2
d (2.14)
=
_

2
1
a
(a)
2
d
=
_

2
a
2
1
a
()
2
d
a
on trouve
=
1
a
. De sorte que le pav lmentaire dans lespace temps-frquence
est de surface constante tandis que la rsolution temporelle est proportionnelle a et
que la rsolution frquentielle est inversement proportionnelle a comme on le voit
sur la gure 2..
1 / a
a
t e m p s
f r q u e n c e :
1 / a
Figure 2. Pavage temps-frquence pour la transforme en ondelette discrte
Les premires ondelettes utilises (en dehors de londelette de Haar que nous
tudierons plus loin) ont t londelette de Morlet, une gaussienne module par une
exponentielle complexe, et le chapeau mexicain , en ralit la drive seconde dune
gaussienne.
Ondelette de Morlet :
(x) =
1
2
e
x
2
2
e
i
o
x
(15)
1
On notera souvent dans la suite la transforme de Fourier dune fonction de faon abrge comme
suit : g() =
_
+
g(x)e
jx
dx
Chapeau mexicain :
(x) =
2
1
4
(1 x
2
)e
x
2
2
(16)
La gure 2. prsente le chapeau mexicain pour deux valeurs du facteur dchelle :
a = 1 pour la courbe la plus localise et a = 2 pour la courbe la plus tendue (la gure
2. prsente la rponse frquentielle pour a = 1). La gure 2. prsente la partie relle de
londelette de Morlet pour deux valeurs du facteur dchelle, on pourra comparer avec
la gure 2. o on constate que la fentre danalyse reste constante lors du changement
dchelle (frquence).
Figure 2. Chapeau mexicain
Figure 2. Ondelette de Morlet (partie relle)
Les reprsentations frquentielles des ondelettes de Morlet (
o
= 5), gure
2., illustrent encore une fois les diffrences entre la transforme en ondelette et la
transforme de Fourier fentre glissante. On vrie que la largeur spectrale de
londelette varie en fonction du facteur dchelle inversement la largeur spatiale.
10 8 6 4 2 0
1.4
1.2
1
0.8
0.6
0.4
0.2
0
Figure 2. Ondelette de Morlet :
()
10 5 0 -5 -10
2
1.5
1
0.5
0
Figure 2. Chapeau mexicain :
()
Le facteur dchelle a et le pas de translation b sont des rels et la transformation en
ondelettes est continue et donc redondante. Le plan temps frquence est sur-analys.
Il est donc vident quune discrtisation de la transforme doit tre envisage si
on souhaite obtenir une transformation non redondante. Le pavage temps-frquence
obtenu par la transformation en ondelettes (gure 2.) suggre une mthode de
discrtisation exponentielle pour les chelles et pour le temps. Dans lexpression
(
tb
a
) le pas de translation lchelle a est
b
a
. On posera donc :
a = a
m
o
et b = nb
o
a
m
o
avec a
o
, b
o
Z
do lexpression de la transforme en ondelettes dicrte (2.17)
2
donne ci-aprs.
Transforme en ondelettes discrte :
T
ond
f(m, n) = a
m
2
o
_
+
f(t)(a
m
o
t nb
o
)dt (17)
Si on choisit a
o
= 2 et b
o
= 1, on parle alors de transforme dyadique.
Les bases de la transforme en ondelettes sont poses mais de grandes questions
restent poses :
La transforme est-elle inversible ?
Le choix des ondelettes est-il contraint ?
Peut-on former des bases orthonormes dondelettes ?
Existe-il des algorithmes efcaces pour traiter le cas du signal numrique ?
Comment traiter les signaux plusieurs dimensions ?
Cest ces questions et quelques autres que nous tenterons de rpondre dans les
chapitres suivants.
2
Il est important de noter que cest la transforme qui est discrte, londelette reste elle une fonction
continue.
Chapitre 3
Quelles ondelettes ?
3.1 Inversion - Admissibilit
On peut montrer [10] que si la fonction analysante (londelette) est convenablement
choisie, la transformation en ondelettes est inversible et la fonction peut tre
reconstruite aprs analyse suivant lquation (3.1) :
f = C
1
_
+
_
+
1
a
2
f,
a,b
_
a,b
da db (1)
Cette possibilit reste thorique car le calcul nest possible que numriquement et
sa convergence peut-tre trs lente.
Le coefcient C
, si il existe, est donn par lquation (3.2) :

C
= 2
_
+
()
2
d
(2)
La condition dexistence de ce coefcient est galement la condition
dadmissibilit de la fonction ondelette analysante. Cette condition est explicite par
lquation 3.3 :
_
+
0
()
2
d
[[
=
_
0
()
2
d
[[
< (3)
Cette relation se ramne le plus souvent la condition exprime par lquation
3.4 qui nest pas trs contraignante et indique seulement que la fonction ondelette
doit tre moyenne nulle. Le choix de londelette est donc en principe trs ouvert, il
faut cependant noter que la robustesse et la vitesse de convergence de lalgorithme de
reconstuction donn par lquation 3.1 sont trs dpendantes du choix de londelette.
Il est clair, enn, que la transforme en ondelettes ne sera intressante comme outil
danalyse du signal que si la fonction analysante (londelette) reste bien localise dans
le temps et en frquence.
_
+
(t) dt = 0 (4)
3.2 Quelles transformes en ondelettes ?
On peut classer les transformes en ondelettes selon la famille laquelle appartiennent
les fonctions analysantes choisies. Les transformes obtenues sont suivant les cas
discrtes ou continues, redondantes ou non.
Les transformes continues sont obtenues en prenant le facteur dchelle a et
le pas de translation b dans lensemble des nombres rels. Comme nous lavons
fait remarquer dans le chapitre prcdent, ces transformes sont videmment trs
redondantes car lespace temps-frquence est parcouru continment, ce type de
transformation ne peut, dans la pratique, tre effectu que de faon approximative
et il y a toujours en fait une discrtisation du calcul qui est opre.
Lapproche discrte du problme a le mrite de traiter le problme de
lchantillonnage de lespace temps-frquence avec rigueur et de fournir une mesure
de lventuelle redondance de la transformation obtenue. De plus, dans ce cas,
les algorithmes de calcul conduisent souvent des rsultats exacts (voir les bases
orthonormes et biorthogonales) sur des intervalles donns de lespace temps-
frquence. Nous tudierons donc plus en dtail le cas des transformes discrtes
qui sont dailleurs pratiquement les seules utilises en traitement des images. Les
donnes numriques sont de plus en plus des donnes primaires des systmes
(camras CCD) et leur traitement numrique conduit des donnes numriques
utilises le plus souvent telles quelles. Les mthodes de traitement discret sont donc
fondamentales. Il ne faut pas oublier cependant que si la transforme est discrte,
les fonctions de base utilises ne le sont pas, les ondelettes restent dans tous les cas
des fonctions continues. Les coefcients de la transforme sont dnombrables sur un
intervalle de lespace temps-frquence. Mais la projection de la fonction sur des sous-
espaces crs par des sous-familles dondelettes est continue et ne poura en gnral
qutre estime numriquement. Parmi les transformes discrtes on distingue les
transformes redondantes, dont les trames (traduction libre de frames) dondelettes
que nous prsenterons sommairement et les transformes non redondantes parmi
Quelles ondelettes ? 23
lesquelles nous tudierons les plus utilises, savoir les bases orthonormes et
biorthogonales.
Les paquets dondelettes que nous ne prsenterons pas en dtail ici peuvent
appartenir suivant le cas lune ou lautre famille.
Pour rsumer, on peut donner le classement sommaire suivant :
Transformes redondantes :
transforme continue,
trame dondelettes (frames),
paquet dondelettes.
Transformes non redondantes :
analyse multirsolution : base orthonorme,
analyse multirsolution : base biorthogonale,
paquet dondelettes.
Cela tant, il reste examiner les gnralisations de la transforme en ondelette
unimodale de signaux une dimension.
La premire extension envisageable est le passage du traitement des signaux mono-
dimensionnels au traitement des signaux bi-dimensionnels, tri-dimensionnels, voire
au-del. Lintrt de cette extension est vident pour qui se proccupe de traitement
des images 2D et 3D. Dans ce domaine, nous prsenterons les lments de base sur
lesquels sappuient les principales mthodes de gnralisation et nous illustrerons par
deux techniques choisies parmi les plus utilises dans les applications actuelles.
Le deuxime type de gnralisation quil conviendrait dexaminer est le problme
du traitement des signaux vectoriels ou multispectraux. Le cas le plus commun
est celui des images couleur. Les multi-ondelettes pourraient constituer une piste
intressante. Mais l, nous sommes vraiment dans le domaine de la recherche et il
ne semble pas que les rsultats soient sufsamment probants pour quils puissent tre
prsents ici. Alors, avis aux amateurs...
Chapitre 4
Bases orthonormes, analyse multirsolution
4.1 Axiomatique de base
4.1.1 Espaces dapproximation
Nous nous plaons dans lespace L
2
(R) des fonctions continues dune variable relle
et de carr intgrable. Une analyse la rsolution j de la fonction f sera obtenue par
action dun oprateur linaire A
j
sur f, tel que :
A
j
f V
j
(1)
V
j
tant un sous espace de L
2
, A
j
sera un projecteur (idempotent).
On construira une analyse multirsolution laide de sous-espaces V
j
embots les
uns dans les autres, tels que le passage de lun lautre soit le rsultat dun changement
dchelle (zoom).
Par exemple, dans le cas dyadique on aura :
f(x) V
j
f(
x
2
) V
j+1
(2)
ce qui correspond une dilatation dun facteur 2. Lespace V
j+1
contient des signaux
plus grossiers que lespace V
j
et il est clair que :
V
j+1
V
j
(3)
Laxiomatique correspondante peut sexprimer comme suit :
Soit un ensemble de sous espaces de L
2
tels que :
..... V
2
V
1
V
0
V
1
..... V
j+1
V
j
.....
_
jZ
V
j
= L
2
(R) (4.4)
jZ
V
j
= 0 (4.5)
j Z si f(x) V
j
f(2
1
x) V
j+1
(ou f(2
j
x) V
0
) (4.6)
k Z si f(x) V
0
f(x k) V
0
(invariance par translation) (4.7)
Cet ensemble dnit une analyse multirsolution de L
2
(R).
Remarque 1 La proprit 4.4 assure la convergence de lanalyse et peut aussi
scrire :
lim
j
V
j
= L
2
(R) (8)
On dit parfois que
V
j
est dense dans L
2
(R).
Dans ces conditions, on peut montrer quil existe une fonction dite fonction
dchelle qui par dilatation et translation engendre une base orthonorme de V
j
. Cette
fonction sera note :
(x) L
2
(R) (9)
et les fonctions de bases sont construites suivant la relation :
j,n
(x) = 2
j
2
(2
j
x n) avec n Z (10)
Il suft dailleurs que (., n) soit une base de V
o
.
La base sera orthonorme si :
_
+
(x)
(x +n)dx = (n) n Z (11)

Rappelons (voir quation 2.5) que le produit scalaire
3
est dni par :
f, g =
_
+
f(x)g
(x)dx (pour des fonctions relles ou complexes) (12)

3
Lanalogie avec le produit scalaire dans lespace gomtrique habituel pourra aider comprendre les
diffrents concepts utiliss (vecteur de base, sous-espace, projection, composantes dun vecteur, etc...). Il
conviendra cependant de se souvenir que lanalogie reste limite car lespace gomtrique est de dimension
3 alors que lespace des fonctions est de dimension innie !
Bases orthonormes, analyse multirsolution 27
V
0
V
1
W
1
V
2
W
2
V
3 W
3
Figure 4. Schma de lanalyse multirsolution
La relation dorthogonalit entre les fonctions de base pour une chelle donne
4.11 pourra donc scrire :
j,n
,
j,k
_
= (n k) n, k, j Z (13)
Remarque 2 On peut utiliser plusieurs fonctions pour construire par translation
une base du sous-espace V
o
, cette libert est mise prot dans la construction des
multi-ondelettes. Les fonctions doivent, bien entendu, tre orthogonales entre elles.
Sur ce sujet, on pourra consulter les travaux de J. Geronimo [16], [13], ou, titre
introductif, louvrage de G. Strang [35].
Laction du projecteur sur f fournira sa dcomposition sur la base des fonctions
dchelle et les coefcients de cette dcomposition constituent lapproximation
lchelle j de f.
A
j
f =
f,
j,n
_
j,n
(14)
On pose :
a
j
n
=
f,
j,n
_
(15)
lapproximation la rsolution j de la fonction f sera dnie par la suite discrte des
nombres (rels ou complexes) a
j
n
.
x
2 1.5 1 0.5 0 -0.5
1
0.8
0.6
0.4
0.2
0
Figure 4. Fonction dchelle de lanalyse de Haar
Une suite numrique forme par chantillonnage dun signal continu rel pourra
tre considre comme une approximation une rsolution donne du signal continu.
La base tant orthonorme, la norme de la fonction (lnergie) peut tre calcule
partir de ses coordonnes :
|A
j
f|
2
=
+
n=
a
j
n
2
(16)
4.1.2 Espaces des dtails
Lespace des dtails vient complter lanalyse.
On peut dnir pour chaque V
j
son complment orthogonal W
j
dans V
j1
tel que :
V
j1
= V
j
W
j
L
2
(R) =
jZ
W
j
Comme W
j1
est orthogonal V
j1
, alors W
j1
sera orthogonal W
j
; cette
proprit scrit :
j, k ,= j alors W
j
W
k
(17)
Les sous-espaces W
j
ne forment pas une famille despaces embots, mais les
proprits dchelle et dinvariance par translation sont conserves.
x
2 1.5 1 0.5 0 -0.5
1
0.5
0
-0.5
-1
Figure 4. Ondelette mre de lanalyse de Haar
Dans ces conditions, on peut montrer quil existe une fonction appele ondelette
qui par dilatations et translations engendre une base orthonorme des W
j
et donc de
L
2
.
Cette fonction est note :
(x) L
2
(R) (18)
et les fonctions de base sont construites suivant la relation :
j,n
(x) = 2
j
2
(2
j
x n) avec n Z (19)
Lorthonormalit de la base dondelettes scrit :
j,n
,
i,k
_
= (j i)(n k) j, i, n, k Z (20)
Lapproximation lchelle immdiatement plus ne pourra donc tre reconstruite
en utilisant les dtails du signal fournis par sa projection sur la base de W
j
suivant la
relation suivante :
A
j1
f = A
j
f +
f,
j,n
_
j,n
(21)
On notera D
j
le projecteur sur W
j
et le signal de dtail sera dcrit par la suite
numrique :
d
j
n
=
f,
j,n
_
(22)
Figure 4. Fonction exemple
donc :
D
j
f =
f,
j,n
_
j,n
(23)
et la formule de reconstruction scrit :
A
j1
f = A
j
f +D
j
f (24)
Le signal de dtail est constitu dune suite numrique dont les lments sont aussi
les coefcients de la transforme en ondelettes.
Le schma de la dcomposition est reprsent symboliquement sur la gure 4. dans
laquelle la largeur des rectangles symbolisant les sous-espaces est proportionnelle la
densit de lchantillonnage ralis par la projection du signal dans le sous-espace
considr.
Exemple 1 En exemple, on peut prsenter lanalyse de Haar. Les sous espaces V
j
sont dnis par :
V
j
=
_
f L
2
(R) telles que k Z on a f
[2
j
k,2
j
(k+1)[
= constante
_
(25)
Le sous espace V
j
est lensemble des fonctions constantes sur les intervalles de
largeur 2
j
. Les fonctions de base sont construites partir de la fonction dchelle
(x) gale 1 de 0 1 et nulle partout ailleurs :
(x) =
_
_
_
0 si x < 0
1 si 0 x < 1
0 si 1 x
(26)
Figure 4. A
o
f (en trait n) et A
1
f
La fonction ondelette est dnie par :
(x) =
_
_
0 si x < 0
1 si 0 x < 1/2
1 si 1/2 x < 1
0 si 1 x
(27)
Les gures 4. et 4. prsentent les reprsentations graphiques de ces fonctions.
Nous prenons une fonction quelconque pour illustrer la dcomposition aux
chelles j = 0 et j = 1. Cette fonction est prsente sur le graphe de la gure 4..
Ses projections sur le sous espace V
o
et sur le sous espace V
1
sont prsentes dans
la gure 4..
La projection sur W
1
, donc le signal de dtail, est donne sur la gure 4..
On vrie bien que :
A
o
f = A
1
f +D
1
f
conformment lquation 4.24.
4.1.3 Analyse multirsolution et localisation spatio-frquentielle
On aura une illustration plus visuelle de la signication spatio-frquentielle de
lanalyse multirsolution en considrant un signal 2 dimensions. Nous prendrons
x
4 2 0 -2 -4
0.1
0.05
0
-0.05
-0.1
Figure 4. D
1
f
une image volontairement dgrade par un bruit haute frquence (voir les gures du
tableau 4.) pour que lespace frquentiel soit rempli.
Cette image est dcompose par une analyse de Haar et on obtient une image
grossire et une image de dtails (voir les gures du tableau 4.).
On constate que les dtails de limage (voir les gures du tableau 4.) sont bien
localiss, ils correspondent approximativement aux contours et videmment au bruit
ajout.
Lanalyse de Fourier de ces images montre que la localisation frquentielle est
relativement mdiocre, la sparation en deux bandes de frquences nest pas nette.
Limage qui prsente le spectre de lapproximation ne devrait contenir que des basses
frquences, tandis que limage qui donne le spectre de limage des dtails ne devrait
rvler que les composantes haute frquence du signal.
Si la mme opration est mene avec une autre analyse multirsolution utilisant des
bases (chelle et ondelette) dont la localisation espace-frquence est mieux quilibre,
on trouve des rsultats sensiblement diffrents. Les bases utilises dans lexemple
trait ici seront prsentes ultrieurement, il sagit de fonctions construites partir de
B-splines cubiques (voir les images du tableau 4.). Limage de dtail (voir les images
du tableau 4.) montre que la localisation spatiale est moins bonne que dans lanalyse
de Haar.
La localisation frquentielle des composantes est en revanche bien meilleure et
le dcoupage en deux sous-bandes frquentielles apparat nettement sur les images
spectrales.
Tableau 4. Image originale et transforme de Fourier
Tableau 4. Analyse de Haar : approximation lchelle 1 et son spectre
Tableau 4. Analyse de Haar : image des dtails lchelle 1 et son spectre
Tableau 4. Analyse B-spline cubique : approximation 1 et son spectre
Tableau 4. Analyse B-spline cubique : image des dtails 1 et son spectre
4.1.4 Gnralisation : paquets dondelettes
Le principe de lanalyse multirsolution de lespace L
2
des fonctions continues dune
variable relle et de carr intgrable peut-tre tendu des sous-espaces de celui-ci.
On peut, par exemple, appliquer le mme schma aux sous-espaces W
j
engendrs par
lanalyse prcdente. Cette analyse peut tre mene avec les mmes bases de fonctions
dchelle et dondelettes ou avec des bases diffrentes. On peut, de mme, changer de
fonctions de base chaque chelle. Dans ces algorithmes, la reconstruction parfaite
est assure par la rutilisation lors de la synthse, pour une rsolution donne, de la
mme base que lors de lanalyse pour cette rsolution.
La gnralisation prsente qui consiste analyser les sous-espaces de dtail du
signal est baptise analyse en paquets dondelettes. Lalgorithme correspondant peut-
tre schmatis par le diagramme 4..
Cet algorithme conduit une dcomposition en sous-bandes de frquence du
signal ; cette dcomposition est ajustable par le choix des composantes. Ce type
danalyse offre une grande souplesse pour lutilisateur et lui permet de sadapter au
signal analyser. Les principales applications de lanalyse en paquets dondelettes
sont dans le domaine de la compression des images. Tous les algorithmes et toutes les
proprits des fonctions dchelle, des ondelettes et des ltres associs que nous allons
tudier dans les pararaphes et chapitres suivants sont utilisables dans ce schma. Nous
ne reviendrons donc pas sur cette gnralisation de lanalyse multirsolution.
4.2 Algorithme rcursif
Le problme pour effectuer concrtement la dcomposition est que lon ne dispose
pas en gnral du signal f mais seulement dune approximation une chelle donne.
Il faut donc trouver un algorithme qui, partir de cette approximation, permet de
trouver lapproximation et les dtails la rsolution immdiatement infrieure, ce
qui par itrations successives conduit lanalyse du signal pour toutes les rsolutions
V
0
V
1
W
1
V
2
W
2,1
V
3 W
3,1
W
2,2
W
2,3
W
3,2
W
3,7
W
3,6
W
3,5
W
3,4
W
3,3
Figure 4. Analyse en paquets dondelettes
infrieures celle de dpart. Deux algorithmes principaux ont t mis en vidence :
lalgorithme trous [33] et lalgorithme de Mallat [25][26][27]. Le premier concerne
des analyses multirsolution non-orthogonales, le second est pratiquement le seul
utilis dans le cas des analyses orthogonales et biorthogonales. Nous ne prsenterons
ici que lalgorithme de Mallat. Une prsentation complte est donne dans [32].
4.2.1 Algorithme danalyse
4.2.1.1 Projection sur les fonctions dchelle
Le point clef est fourni par la dcomposition de a
j
n
=

f,
j,n
_
en fonction de
a
j1
n
=
f,
j1,n
_
.
Par construction (x) est une fonction de V
0
; comme V
0
V
1
on peut
dcomposer (x) sur la base de V
1
. Et donc h[n] suite numrique avec n Z
telle que :
(x) =
n
h[n]
1,n
(x) (28)
avec, conformment 4.10,
1,n
(x) = 2
1
2
(2x n), soit :
h[n] =
,
1,n
_
(29)
La suite numrique h[n] sera considre comme tant la rponse impulsionnelle
dun ltre numrique.
La construction de cette suite peut tre mene partir de la donne de (x) et nous
verrons quun choix de h[n] tant fait (certaines conditions sont respecter) la fonction
dchelle peut tre dtermine. On pourra donc dnir une analyse multirsolution
indiffremment en partant de la fonction dchelle ou du ltre numrique associ. Il
faut noter que cette dualit dapproche correspond lexistence de deux coles : les
traiteurs de signal continu qui ont abord le problme par les fonctions de projection et
les traiteurs de signal discret qui ont travaill sur le ltrage et sur les bancs de ltres.
Il a t largement reconnu et dmontr que ces deux approches reposaient en fait sur
les mmes concepts de base et ne diffraient pas vraiment ; il nen reste pas moins que
les deux coles subsistent au moins dans la faon de prsenter les choses. Nous nous
sommes plutt placs dans la perspective des traiteurs de signal continu mme si dans
notre esprit, le signal dentre de nos systmes est discret et correspond directement
aux coefcients dune premire projection sur le sous-espace de rsolution 0.
Remarque 3 Remarquons tout dabord que (x) tant par construction norme (en
nergie) on a :
|(x)|
2
= , = 1
=
_
+
(x)
(x)dx
=
_
+
k
h[k]
1,k
(x)
n
h[n]
1,n
(x)dx
=

k
n
h[n]h[k]
_
+

1,k
(x)
1,n
(x)dx
=

k
n
h[n]h[k]
_
_
1
(x)
_
_
2
(n k)
et donc, la norme se conservant travers les chelles :
n
h
2
[n] = 1 (30)
Montrons que la dcomposition est la mme pour des chelles quelconques.
On a :
(x) =
n
h[n]2
1/2
(2x n) (31)
donc :
j,n
(x) = 2
j/2
k
h[k]2
1/2
(2(2
j
x n) k) (32)
ce qui en regroupant les indices et les exposants conduit lquation :
j,n
=
k
h[k]
j1,k+2n
(33)
Donc on peut calculer les coefcients a
j
n
=

f,
j,n
_
de lapproximation la
rsolution j :
a
j
n
=
k
h[k]
f,
j1,k+2n
_
(34)
si on pose l = k + 2n, cette expression scrit :
a
j
n
=
l
h[l 2n]
f,
j1,l
_
(35)
et si on note :
h[n] = h[n] (36)

la squence retourne ou le ltre symtrique de h, on obtient :
a
j
n
=
h[2n l]
f,
j1,l
_
(37)
et on aura nalement lquation rcursive suivante :
a
j
n
=
h[2n l]a
j1
l
(38)
Si on considre a
j
n
comme une squence numrique indexe par n, le calcul
prcdent peut tre interprt comme un produit de convolution entre
h et a
j1
valu
pour un indice sur deux ; ou encore comme le ltrage de la squence a
j1
par le ltre
de rponse impulsionnelle
h suivi par un sous-chantillonnage de rapport 2.

Exemple 2 Encore une fois lexemple de Haar pourra tre trait avec prot.
Rappelons que dans ce cas la fonction dchelle est construite partir de la fonction
mre (x) dnie par :
(x) =
_
_
_
0 si x < 0
1 si 0 x < 1
0 si 1 x
(39)
On aura donc :
_

1,0
(x) =
2(2x) = 1 si x
_
0,
1
2
_
1,0
(x) =
2(2x) = 0 sinon
(40)
Ce qui permet la dcomposition suivante pour (x) :
(x) =
1
1,0
(x) +
1
1,1
(x)
La squence numrique correspondant la rponse impulsionnelle du ltre h[n]
sera donc :
h[n] =
_
..., 0,
1
2
,
1
2
, 0, ...
_
(41)
Llment soulign correspond n = 0.
4.2.1.2 Projection sur les fonctions ondelettes
Un schma analogue est bti partir de la dcomposition de londelette de W
o
sur la
base de V
1
:
=
n
g[n]
1,n
(42)
ou de faon plus dtaille :
(x) =
n
g[n]
2(2x n) (43)
ce qui conduit lquation de construction de g[n] suivante :
g[n] =
,
1,n
_
(44)
g[n] sera galement considre comme la rponse impulsionnelle dun ltre
numrique ; nous verrons que ce ltre est li au ltre h[n] et quil peut tre construit
partir de ce dernier.
Un calcul analogue en tous points au prcdent permet dcrire les coefcients de
dtail :
d
j
n
=
f,
j,n
_
(45)
d
j
n
=
k
g[k]
f,
j1,k+2n
_
(46)
On introduit galement le ltre symtrique dont la rponse impulsionnelle
correspond la squence g[n] retourne :
g[n] = g[n] (47)
La dcomposition en ondelettes lchelle j pourra donc scrire :
d
j
n
=
l
g[2n l]
f,
j1,l
_
(48)
ou encore :
d
j
n
=
l
g[2n l]a
j1
l
(49)
Cette relation sera interprte de la mme manire que prcdemment.
Exemple 3 Reprenons lexemple de lanalyse multirsolution de Haar. Rappelons
que dans ce cas la fonction dondelette est construite partir de la fonction mre
(x) dnie par :
(x) =
_
_
0 si x < 0
1 si 0 x < 1/2
1 si 1/2 x < 1
0 si 1 x
(50)
On aura donc la dcomposition suivante pour (x) :
(x) = (2x) (2x 1) (51)
soit :
(x) =
1
1,0
(x)
1
1,1
(x) (52)
La squence numrique correspondant la rponse impulsionnelle du ltre g[n]
sera donc :
g[n] =
_
..., 0,
1
2
,
1
2
, 0, ...
_
(53)
On constate que dans le cas de lanalyse de Haar, lalgorithme de dcomposition
est trs simple car les ltres h[n] et g[n] impliqus sont trs courts. En fait le signal
numrique la rsolution infrieure est obtenu par un simple moyennage entre le
point tudi et son plus proche voisin, tandis que le signal de dtail (perdu lors du
changement de rsolution) est obtenu en faisant la diffrence entre le point tudi et
son plus proche voisin, le tout un facteur de normalisation prs. Malheureusement
nous verrons que cette simplicit algorithmique ne conduit pas une analyse trs
performante du point de vue de la rsolution spatio-frquentielle.
La gure 4. rsume lalgorithme rcursif danalyse multirsolution de Mallat.
4.2.2 Algorithme de reconstruction
La dcomposition est gouverne par lquation :
A
j1
f =
n
a
j
n
j,n
+
n
d
j
n
j,n
(54)
avec a
j
n
=
f,
j,n
_
et d
j
n
=
f,
j,n
_
.
a
n
j-1
a
n
j
d
n
j
h
g
2
2
Figure 4. Algorithme danalyse de Mallat
A
j
est un projecteur donc A
j
(A
j
f) = A
j
f ce qui scrit :
A
j1
f =
n
a
j1
n
A
j1
f,
j1,n
_
. .
j1,n
(55)
En remplaant dans a
j1
n
le terme A
j1
f par son expression donne dans 4.54, on
obtient lquation suivante :
a
j1
n
=
k
a
j
k
j,k
,
j1,n
_
+
k
d
j
k
j,k
,
j1,n
_
(56)
Or nous avons vu (quation 4.33) au paragraphe prcdent que :
j,k
=
l
h[l]
j1,l+2k
(57)
on peut donc valuer le produit scalaire des fonctions dchelle pour deux rsolutions
successives quelconques :
j,k
,
j1,n
_
=
l
h[l][n l 2k]
j1,l+2k
,
j1,n
_
. .
(58)
car les fonctions dchelle forment une base orthonorme pour une chelle donne ; ce
qui donne :
j,k
,
j1,n
_
= h[n 2k] (59)
et de mme pour les ondelettes :
j,k
,
j1,n
_
= g[n 2k] (60)
do lquation de reconstruction :
a
j1
n
=
k
a
j
k
h[n 2k] +
k
d
j
k
g[n 2k] (61)
Cette quation est une somme dquations de ltrage (produits de convolution) si
on remplace la suite a
j
k
par une suite a
j
l
qui concide avec a
j
k
pour l = 2k ; a
j
2k
= a
j
k
et qui est nulle pour les valeurs de l intermdiaires (et de mme pour la suite d
j
k
).
a
j
k
= , , , , ,
a
j
l
= , 0, , 0, , 0, , 0, , 0, , 0
(62)
Cette opration qui consiste intercaler un zro entre les chantillons dune srie
sappelle sur-chantillonnage. Lquation 4.61 scrit alors :
a
j1
n
=
l
a
j
l
h[n l] +
l
d
j
l
g[n l] (63)
Remarque 4 Une autre solution aurait t de sous-chantillonner les ltres h et g.
La gure 4. prsente lalgorithme de synthse ou de reconstruction tudi. Les
algorithmes danalyse et de reconstruction que nous venons de prsenter sont appels
algorithmes de Mallat ou parfois algorithmes pyramidaux.
a
n
j-1
a
n
j
d
n
j
h
g
2
2
+
Figure 4. Algorithme de synthse de Mallat
On peut dire en conclusion que le calcul de la transforme en ondelettes
discrte (rappelons que la transforme est discrte, pas les ondelettes) sur des bases
orthonormes se ramne des oprations de ltrage numrique suivies de sous-
chantillonnage. La reconstruction est parfaite et seffectue galement par des ltrages
numriques prcds de sur-chantillonnage. Les mmes ltres ( un renversement
du temps prs) sont utiliss dans les deux cas. La mise en uvre de cet algorithme
doit tre mene en protant au maximum de ces particularits. Toutes les techniques
classiques de mise en uvre de ltres linaires numriques peuvent tre utilises, mais
devront tre adaptes. Ltude des consquences des troncatures et quantications
diverses inhrentes toute mise en uvre devra tre mene en tenant compte des
spcicits de lalgorithme pyramidal.
Comme toujours quand il est question de ltrage linaire, la nature des ltres
utiliss (RIF ou FIR, symtriques ou non, rcursifs ou non) conditionne le cot
de calcul et le choix de lventuelle architecture matrielle dimplantation. Le
choix des ltres est li dune part aux contraintes lies aux principes de lanalyse
multirsolution et dautre part aux contraintes mises a priori sur les bases dondelettes
et/ou de fonctions dchelle choisies. Le chapitre suivant est ddi lexploration des
contraintes du premier type et fournit les lments qui doivent servir de guide lors de la
construction dune analyse multirsolution et des ltres et fonctions de base associs.
Nous verrons, dans le prochain paragraphe, comment lalgorithme de
reconstruction peut tre utilis pour construire une approximation numrique aussi ne
que souhaite des fonctions dchelle et des ondelettes partir des ltres numriques
associs.
Exemple 4 Un bon exercice pour bien comprendre le fonctionnement de cet
algorithme trs simple consiste le tester la main sur un cas lmentaire. Nous
proposons de traiter le problme de lanalyse et de la reconstruction sur un niveau en
chelle dun signal numrique en forme de rampe par une analyse de Haar.
Nous avons vu que les ltres associs sont les suivants (le coefcient de rang 0 est
soulign) :
h[n] =
_
1
2
,
1
2
_
et donc
h[n] =
_
1
2
,
1
2
_
et :
g[n] =
_
1
2
,
1
2
_
et donc g[n] =
_
2
,
1
2
_
Le signal numrique analyser sera :
a
o
[n] = ..., 0, 1, 2, 3, 4, 5, 6, 7, ...
et nous supposerons quil constitue la liste des coefcients du signal dapproximation
lchelle j = 0.
On applique le ltre
h[n] suivi dun sous-chantillonnage, ce qui donne :

a
1
[n] =
_
...,
1
2
,
5
2
,
9
2
,
13
2
..
_
On fait de mme avec g[n], do :
d
1
[n] =
_
...,
1
2
,
1
2
,
1
2
,
1
2
..
_
Pour la reconstruction, on sur-chantillonne en intercalant un 0 entre chaque
coefcient avant de ltrer par h[n] et g[n] :
a
1
[n]
_
...,
1
2
, 0,
5
2
, 0,
9
2
, 0,
13
2
..
_
d
1
[n]
_
...,
1
2
, 0,
1
2
, 0,
1
2
, 0,
1
2
..
_
puis aprs ltrage :
_
...,
1
2
,
1
2
,
5
2
,
5
2
,
9
2
,
9
2
,
13
2
, ..
_
+
_
...,
1
2
,
1
2
,
1
2
,
1
2
,
1
2
,
1
2
,
1
2
, ..
_
on retrouve bien la squence initiale :
a
o
[n] = ..., 0, 1, 2, 3, 4, 5, 6, 7, ...
4.3 Construction numrique des fonctions de base
Nous prsentons dans ce paragraphe un algorithme qui dcoule de lalgorithme
dyadique de Mallat et qui permet de construire numriquement des approximations
des fonctions dchelle et donc des ondelettes. On peut choisir volont la rsolution
avec laquelle ces approximations sont obtenues. Cet algorithme est souvent appel
Algorithme cascade, et il a t propos initialement, semble-t-il par I. Daubechie en
1988.
Dans lanalyse multirsolution dune fonction f de L
2
les coefcients de la
projection sur le sous espace V
j
sont :
a
j
n
=
f,
j,n
_
(64)
La fonction dchelle mre est :
(x) =
o,o
(x) (65)
La famille engendre est orthonorme par translation, on a :
,
o,n
_
= (n) (66)
Les ondelettes forment des bases des sous-espaces orthogonaux V
j
, donc :
,
j,n
_
= 0 j 0 et k Z (67)
Lanalyse multirsolution de la fonction dchelle (x) donne donc lchelle
j = 0
a
0
n
= (n)
et
d
0
n
= 0
(68)
Ces valeurs peuvent tre utilises comme valeurs initiales pour lalgorithme
de reconstruction permettant de calculer les approximations plus nes de . Les
coefcients de dtail restent nuls car nous explorons les chelles ngatives :
d
j
n
= 0 j 0 et n Z (69)
Nous aurons donc simplement :
a
1
n
=
k
h[n 2k]a
0
n
(70)
cette expression sera simplement itre, de sorte que lapproximation lchelle j
de la fonction dchelle sera obtenue aprs j itrations par :
a
j
n
=
k
h[n 2k]a
j+1
n
(71)
Nous avons vu que ce calcul se ramne un sur-chantillonnage de la squence
dentre suivi du ltrage de la squence obtenue par le ltre h[n]. La convergence
de lalgorithme est assure par la convergence de lanalyse multirsolution et
rciproquement, les axiomes de base indiquent que si j alors V
j
tend vers
L
2
. Un analyse mathmatique rigoureuse indique quune interpolation simple de la
squence a
j
n
(considre comme lchantillonne dune fonction continue) conduit
une fonction continue qui tend vers quand j . Dans la pratique on pourra
utiliser une interpolation par des fonctions polynomiales dordre 0 (fonction constante
par morceaux) ou 1 (fonction linaire par morceaux). Pour cette interpolation on admet
donc que :
j,o
(n) = 2
j
2
(n2
j
) a
j
n
(72)
A partir de lapproximation de la fonction dchelle on peut construire une
approximation la mme rsolution de la fonction dondelette qui est une combinaison
a
n
-j
h 2 h 2
(n)
j cellules identiques
Figure 4. Algorithme cascade pour la fonction dchelle
linaire de translates entires de cette fonction :
=
n
g[n]
1,n
(73)
ce qui scrit :
(x) =
n
g[n](2x n) (74)
On peut donc envisager de calculer une approximation de londelette pour des
valeurs discrtes de la variable en posant :
x = 2
j
k, k tant un entier
il vient :
(2
j1
k) =
n
g[n](2
j
k n) (75)
ou encore :
j,o
= 2
J
2
(2
j1
k)
n
g[n]a
j
n2
j
k
(76)
Linterprtation de cette relation en terme de ltrage numrique conduit
introduire une version sur-chantillonne dun facteur 2
j
du ltre g note g
(j)
dnie
par :
g
(j)
(k) =
_
g(2
j
k) si 2
j
k est entier
0 sinon
(77)
Dans ces conditions, londelette sera approxime par le ltrage de lapproxim de
la fonction dchelle par le ltre sur-chantillonn :
j,o
= 2
J
2
(2
j1
k)
2g
(j)
a
j
k
(78)
Il est, dautre part, possible de construire un algorithme cascade de la mme
faon pour obtenir lapproximation de la fonction dondelette. En effet, les ondelettes
forment des bases des sous-espaces orthogonaux entre eux, donc :
,
j,n
_
= (j, n) j 0 et k Z (79)
Lanalyse multirsolution de la fonction dondelette (x) donne donc lchelle
j = 0
a
0
n
= 0
et
d
0
n
= (n)
(80)
Ces valeurs peuvent tre utilises comme valeurs initiales pour lalgorithme
de reconstruction permettant de calculer les approximations plus nes de . Les
coefcients dapproximation ne sont nuls qu lchelle 0 et ceux de dtails restent nuls
pour les chelles plus nes car, comme pour les fonction dchelle, nous explorons les
chelles ngatives :
d
j
n
= 0 j < 0 et n Z (81)
Nous aurons donc simplement :
a
1
n
=
k
g[n 2k]d
0
n
(82)
et :
a
2
n
=
k
h[n 2k]a
1
n
cette expression sera simplement itre, de sorte que lapproximation lchelle j
de la fonction dondelette sera obtenue aprs j itrations par :
a
j
n
=
k
h[n 2k]a
j+1
n
(83)
Nous avons vu que ce calcul se ramne un sur-chantillonnage de la squence
dentre suivi du ltrage de la squence obtenue par le ltre h[n]. La convergence de
lalgorithme est toujours assure par la convergence de lanalyse multirsolution. On
aura donc :
j,o
(n) a
j
n
(84)
Lalgorithme cascade est donc identique celui permettant de construire la
fonction dchelle, seule la premire tape diffre car cest le ltre g qui y est appliqu
( la premire itration seulement). On peut vrier que les deux mthodes proposes
pour construire des approximations des ondelettes sont en fait quivalentes.
On trouvera sur les schmas 4. et 4. une description illustre de lalgorithme
cascade pour la construction de la fonction dchelle et la mthode qui permet den
dduire londelette.
g
(j)
g
2
j
g
(j)
a
-j
n
2
-1/2

j
(n)
(a)
(b)
Figure 4. Construction numrique de londelette : (a) sur-chantillonnage du ltre
g, (b) construction de
Les gures du tableau 4. montrent la reconstruction progressive de la fonction
dchelle correspondant au ltre de Daubechies pour N = 2 (voir paragraphe 6.4). Ces
fonctions ne peuvent pas tre construites directement car il nexiste aucune formule
analytique le permettant. En comparant avec la fonction dchelle reconstruite par un
grand nombre ditrations, on constate que la convergence de lalgorithme cascade est
rgulire et rapide.
Cet algorithme cascade peut, en fait, tre considr comme un cas particulier dun
algorithme plus gnral qui permet de construire des approximations des projections
sur les sous-espaces V
j
et W
j
dune fonction f de L
2
(R). Le calcul direct de ces
projections, qui sont des fonctions continues, serait trs lourd et lerreur invitable
affectant le rsultat difcile matriser. Ce calcul, dans le cas dune projection sur V
j
consisterait valuer lexpression suivante :
A
j
f =
+
n=
a
j
n
j,n
(85)
Si on se place dans le cas o j > 0, on peut se contenter de lapproximation de
x
5 4 3 2 1 0
0.8
0.6
0.4
0.2
0 x
10 8 6 4 2 0
0.6
0.5
0.4
0.3
0.2
0.1
0
-0.1
x
20 15 10 5 0
0.4
0.3
0.2
0.1
0
-0.1
x
40 30 20 10 0
0.3
0.2
0.1
0
Tableau 4. Premires itrations et fonction dchelle (Daubechies-2)
A
j
f lchelle 0 :
A
o
(A
j
f) = A
1
(A
j
f) +D
1
(A
j
f) (86)
Or, comme W
1
V
1
et V
j
V
1
, alors W
1
V
j
et donc :
D
1
(A
j
f) = 0 (87)
donc :
A
o
(A
j
f) = A
1
(A
j
f) (88)
et en continuant le raisonnement, on montre que :
A
o
(A
j
f) = A
j
(A
j
f) (4.89)
A
o
(A
j
f) = A
j
f
Comme la dcomposition est une transformation bijective, la reconstruction,
mene partir des a
j
n
, obtenus par lanalyse de f, et des coefcients de dtail mis
zro, conduit aux coefcients de A
o
(A
j
f). La squence de ces coefcients reprsente
une approximation lchelle 0 de la projection de f sur le sous-espace V
j
.
Pour le signal de dtail, D
j
f, on aura :
A
o
(D
j
f) = A
1
(D
j
f) +D
1
(D
j
f) (4.90)
= A
1
(D
j
f) (4.91)
Car W
i
W
j
, j ,= 1. En poursuivant le raisonnement et en remarquant que
V
j
W
j
et que loprateur D
j
est idempotent, on arrive :
A
o
(D
j
f) = A
j
(D
j
f) +D
j
(D
j
f) (4.92)
A
o
(D
j
f) = D
j
f (4.93)
On devra donc mener la reconstruction du signal de dtail en partant des d
j
n
(donns par lanalyse du signal f) et en mettant zro tous les autres coefcients.
La squence des coefcients obtenus constituera une approximation lchelle 0 du
signal de dtail lchelle j.
On peut, bien entendu, choisir dafner davantage ces approximations en
continuant la reconstruction pour des valeurs de j ngatives. La reconstruction est
mene en utilisant lalgorithme de reconstruction de Mallat. Le rsultat nous donne
une vue non sous-chantillonne du signal dapproximation ou du signal de dtail
de f lchelle j. Cest la mthode qui a t utilise pour construire la srie des images
4..
On retrouve lalgorithme cascade en prenant f =
j,o
. On aura a
j
n
= (n) et
d
j
n
= 0 :
A
j
j,o
=
+
n=
j,o,
j,n
_
j,n
(4.94)
=
+
n=
(n)
j,n
A
j
j,o
=
j,o
et donc :
A
o
(A
j
j,o
) = A
o
j,o
(95)
Ce qui justie quen reconstruisant partir dun Dirac et avec des dtails nuls on
obtienne une approximation lchelle 0 de la fonction dchelle
j,o
.
De mme, en prenant f =
j,o
, on aura d
j
n
= (n) et a
j
n
= 0 :
D
j
j,o
=
+
n=
(n)
j,n
(4.96)
=
+
n=
(n)
j,n
D
j
j,o
=
j,o
A
o
(D
j
j,o
) = A
o
j,o
(97)
On retrouve lalgorithme cascade pour londelette.
Chapitre 5
Proprits et construction
Nous allons, dans ce paragraphe, tudier les proprits de h[n], g[n], et
pour en dduire les rgles de construction des bases dondelettes et de fonctions
dchelle et des ltres associs une analyse multirsolution. Jusqu prsent, seuls
des cas pathologiques et sans intrt pratique de base orthonorme dondelettes
non associe une analyse multirsolution (au sens prsent ici) ont pu tre mis
en vidence. Nous admettrons donc que base orthonorme dondelettes et analyse
multirsolution vont ensemble. Nous verrons que la construction commence, en
gnral, par le choix de la fonction dchelle (ou du ltre numrique associ) et que le
reste peut tre dduit. Cela peut tre droutant pour ceux qui voudraient commencer
par ce qui semblerait le plus naturel savoir la famille dondelettes ; en fait dans ce
cas le cheminement est plus complexe et le rsultat moins assur. Et dailleurs les
contraintes pesant sur les fonctions dchelles sont moins fortes car elles nont tre
orthogonales entre elles qu lintrieur dune mme chelle (rsolution j) alors que
les ondelettes doivent former une base orthonorme globale et tre orthogonales
travers les chelles aussi bien que pour une chelle donne.
Les proprits des fonctions de base et des ltres associs qui sont donnes dans ce
paragraphe sont lies lorthogonalit des bases. Les respecter lors de la construction
dune analyse multirsolution ne garantit pas la convergence de lalgorithme quil
convient de vrier par ailleurs. Un bon test est fourni par la formule de rcurrence
de lquation 5.6 ou encore par lalgorithme cascade de construction de la fonction
dchelle du paragraphe 4.3.
5.1 Proprits frquentielles de la fonction dchelle
5.1.1 Relations avec le ltre associ
Nous avons vu que la suite numrique h[n] pouvait tre considre comme la rponse
impulsionnelle dun ltre numrique. La rponse frquentielle de ce ltre est obtenue
en exprimant la transforme de Fourier de cette suite. Cette transforme, comme toutes
les rponses frquentielles des ltres numriques est priodique de priode 2 ; elle
scrit comme suit :
h() =
n
h[n]e
in
(1)
Or la fonction dchelle (x) peut sexprimer en fonction de h par lquation 4.28,
qui peut scrire :
(x) =
n
h[n]
2(2x n) (2)
Si on prend la transforme de Fourier de cette relation et si on utilise les proprits
de cette transforme concernant la translation et le changement dchelle
4
, on obtient :
() =
n
h[n]
2
1
2
(
2
)e
in
2
(3)
ce qui, en regroupant les termes :
() =
1
2
(
2
)
n
h[n]e
in
2
(4)
fait apparatre la rponse frquentielle du ltre numrique exprime en /2, soit la
relation suivante :
() =
1
h(
2
) (
2
) (5)
cette relation, trs importante en pratique, exprime simplement la projection de la
fonction dchelle sur la rsolution infrieure dans lespace de Fourier. En notant
4
La transforme dune fonction dilate est donne par : f(ax)
1
|a|

f(
a
).
La transforme dune fonction translate est donne par : f(x n)

f()e
in
.
Proprits et construction 55
par anticipation que (0) ,= 0 (voir quation 5.28), on peut dailleurs ltendre
par rcurrence pour obtenir une relation entre la fonction dchelle et la rponse
frquentielle du ltre numrique associ :
() =

j=1
1
h(

2
j
) (6)
La construction de la fonction dchelle (dans lespace de Fourier) convergera si le
ltre h[n] choisi conduit une analyse multirsolution de L
2
.
5.1.2 Orthonormalit dans Fourier
Voyons tout dabord une consquence de la formule de Poisson :
n
(t nT)
fourier
2
T
n
( n
2
T
) (7)
Si on considre une fonction (t) de L
2
(R) engendrant par translation une famille
orthonorme, et donc telle que :
(t), (t +n) = (n) n Z (8)
ce produit scalaire est lchantillonn de la fonction dautocorrlation de (t) en effet,
cette fonction dautocorrlation scrit :
r() =
_

(t)(t +)dt = (t), (t +) (9)

La transforme de Fourier de cette fonction dautocorrlation scrit :
r() = ()
() = [ ()[
2
(10)
La version chantillonne de cette fonction sera note r
e
(). On aura :
r
e
() = r()
k
( k) (11)
on peut calculer la transforme de Fourier de cette expression en utilisant le thorme
de Plancherel pour faire apparatre un produit de convolution et en estimant la
transforme du peigne de Dirac par la formule de Poisson (quation 5.7) :
r
e
() =
1
2
r() 2
n
( n2) (12)
Ce qui scrit galement :
r
e
() =
n
r( 2n) (13)
En remplaant la transforme de la fonction dautocorrlation par son expression
en fonction de () (quation 5.10) et en crivant que la transforme dun Dirac
est lunit, on obtient lexpression 5.14 qui exprime lorthonormalit de la fonction
dchelle dans Fourier.
n
[ ( + 2n)[
2
= 1 (14)
Cette relation est fondamentale si le choix de la fonction dchelle est men dans
Fourier ; elle permet dassurer lorthonormalit de la base choisie. Elle est galement
trs utilise pour la construction du ltre numrique associ. Elle se traduit dailleurs,
comme nous allons le voir maintenant, par une proprit galement fondamentale pour
ce ltre.
On peut reporter ce rsultat dans lquation 5.5 exprime la pulsation double pour
obtenir la contrainte qui dcoule de cette orthonormalit sur la rponse frquentielle
du ltre numrique associ :
n
[ (2 + 2n)[
2
=
n
1
2
[ ( +n)[
2
h( +n)
2
= 1 (15)
Si on spare dans la sommation les termes correspondant aux indices pairs des
impairs :
1
2
h( + 2n)
2
[ ( + 2n)[
2
+
1
2
h( + (2n + 1))
2
[ ( + (2n + 1))[
2
= 1
(16)
et si on utilise la priodicit de
h() :
h()
2
n
1
2
[ ( + 2n)[
2
+
h( +)
2
n
1
2
[ ( + +2n)[
2
= 1 (17)
En utilisant la proprit 5.14 pour les deux termes, on obtient la contrainte
correspondant lorthonormalit de la fonction dchelle sur la rponse frquentielle
du ltre numrique :
h()
2
+
h( +)
2
= 2 (18)
Ce rsultat va nous permettre de prciser la signication physique du ltre h[n].
Mais nous devons tout dabord admettre par avance que la fonction dchelle nest pas
moyenne nulle. On peut, pour sen convaincre, rchir lanalyse multirsolution
de la fonction unit, ou se reporter simplement la relation 5.28.
_
+
(x)dx ,= 0 (0) ,= 0 (19)

Ce rsultat est bien entendu li au fait que la fonction dchelle permet de lisser le
signal lors du passage dune rsolution ne une rsolution plus grossire.
Dans ces conditions lexpression 5.5 conduit :
h(
2
) =
2
()
(
2
)
(20)
Si on applique ce rsultat en 0 puis si on le combine avec 5.18 en , on obtient :
_

h(0) =
n
h[n] =
h()
= 0
(21)
On pourra donc admettre que le ltre h est de la famille des ltres passe-bas ce
qui correspond bien lide intuitive que lon a du passage une approximation
grossire du signal par limination des dtails donc des hautes frquences.
Remarque 5 La relation qui est caractristique de lorthonormalit des fonctions
dchelle pour une rsolution donne a son quivalent en ce qui concerne le ltre
passe-bas associ. En effet, si on reprend lquation qui exprime cette proprit :
(t), (t +n) = (n) n Z (22)
en remplaant (t) par son expression :
(t) =
n
h[n]
2(2t n) (23)
on montre aisment que la rponse impulsionnelle du ltre doit obir la relation
suivante 5.24 :
k
h[k] h[2n +k] = [n] (24)
qui est lquivalente pour le ltre de 5.22. Malheureusement la contrainte exprime
par cette relation est difcilement utilisable dans la pratique pour construire un ltre
et donc une analyse multirsolution associe.
Lexpression 5.5 va nous permettre dtre plus prcis en ce qui concerne les
proprits de la fonction dchelle, en particulier en ce qui concerne sa valeur
moyenne. En effet si on applique cette relation pour = 2n on obtient :
(2n) =
1
2
(n)
h(n) (25)
Cette expression est nulle pour n impair ( cause de la proprit 5.21 du ltre) ce
qui permet, par rcursivit, de sapercevoir que tous les termes correspondant n ,= 0
sont nuls galement :
(2n) = 0 n ,= 0 (26)
En appliquant la relation 5.14 en = 0 on vrie que :
[ (0)[ = 1 (27)
Si on choisit la fonction dchelle telle que sa valeur moyenne soit relle et positive,
ce qui ne doit pas restreindre beaucoup la gnralit du problme, on obtient la
contrainte suivante :
(0) =
_
+
(x)dx = 1 (28)
5.2 Proprits frquentielles de londelette
Nous allons examiner, pour la fonction dondelette (x) et son ltre numrique
associ g[n], les proprits quivalentes celles trouves prcdemment. Ces
proprits devraient tre plus contraignantes car les fonctions dondelette forment une
base orthonorme travers les rsolutions, alors que les fonctions dchelle ne sont
orthogonales qu lintrieur dune chelle donne.
La fonction dondelette se dcompose lchelle infrieure sur la base des
fonctions dchelle, les coefcients de la dcomposition sont les coefcients du ltre
numrique associ :
(x) =
n
g[n]
2(2x n) (29)
Si on transforme cette expression dans Fourier on obtient la relation suivante :
() =
1
2
g(
2
) (
2
) (30)
Lorthonormalit des ondelettes vis vis de la translation conduit une relation
analogue 5.14 :
( + 2n)
2
= 1 (31)
Ce qui, avec le mme traitement que prcdemment, implique pour le ltre g[n] la
proprit suivante :
[g()[
2
+[ g( +)[
2
= 2 (32)
Pour construire le ltre et londelette, nous avons besoin dune relation
supplmentaire qui va nous tre fournie par la traduction dans Fourier de
lorthogonalit de avec :
,
0,k
_
= 0 , k Z (33)
Ou, en exprimant le produit scalaire :
_
+
(x)
(x +k)dx = 0 (34)
Remarque 6 Cette relation associe avec la dcomposition de londelette sur la
base chelle la rsolution infrieure contient la proprit dorthogonalit de la
famille des fonctions dondelette travers les chelles.
On trouve facilement la relation correspondante dans Fourier si on considre
(comme prcdemment) que ce calcul correspond lchantillonnage de la fonction
dintercorrlation entre et .
( + 2n)
( + 2n) = 0 (35)
Cette relation applique en = 0 et en utilisant la proprit 5.28 implique que :
(0) =
_
+
(x)dx = 0 (36)
Contrairement la fonction dchelle, la fonction dondelette est moyenne nulle
ce qui en fait dailleurs une ondelette admissible.
Si on combine ce rsultat avec 5.30 et avec 5.32 on en dduit que :
_
g(0) =
n
g[n] = 0
[ g()[ =
2
(37)
Ce qui semblerait indiquer quon est en prsence dun ltre passe-haut.
Si dans la relation 5.35 on remplace

et par les expressions dduites de 5.5 et
5.30 on obtient :
n
g(
2
+n) (
2
+n)
2
+n)
2
+n) = 0 (38)
Do en sparant les indices pairs et impairs :
n
g(
2
+ 2n)
2
+ 2n)
2
+n)
2
+
n
g(
2
+ (2n + 1))
2
+ (2n + 1))
2
+ (2n + 1))
2
= 0
Si on utilise la priodicit des transformes de Fourier des ltres numriques et la
proprit 5.14 on obtient la relation suivante :
g()
() + g( +)
( +) = 0 (39)
Linterprtation de ce rsultat est un peu dlicate mais cest la clef qui permet de
construire le ltre g si on a dj choisi la fonction dchelle et donc le ltre h.
On peut, tout dabord, dduire une relation entre les modules des rponses
frquentielles des ltres ; en effet, lquation 5.39 implique que :
[g()[
2
h()
2
= [ g( +)[
2
h( +)
2
(40)
Si on combine cette relation avec 5.32 et 5.18, on obtient :
[g()[
2
h()
2
=
_
2 [g()[
2
_
_
2
h()
2
_
(41)
Do en simpliant :
[ g()[
2
+
h()
2
= 2 (42)
Dautre part, si
() ,= 0 on peut dduire de lquation 5.39 :

g() =
g( +)
()

h
( +) (43)
Dans le cas contraire,
h( +)
2 et donc g( +) = 0 donc [ g()[ =

2
ou encore : [g()[ =
h( +)
. Dans tous les cas, on peut donc crire :

g() =
()
( +) (44)
avec les conditions suivantes sur la fonction
() :
_
() est 2 priodique
() +
( +) = 0
()
= 1
(45)
Les deux dernires conditions se dduisent des relations 5.39 et 5.42.
La fonction
() doit donc tre choisie sur le cercle unit et doit respecter certaines
conditions de symtrie ; le choix est loin dtre unique, mais on sen tient souvent au
cas o la linarit en phase est prserve. Dans cette hypothse et en labsence de
contrainte supplmentaire, le choix le plus simple est :
() = e
i
, ce qui donne :
g() = e
i
( +) (46)
Si on revient dans lespace habituel pour obtenir une relation entre les rponses
impulsionnelles :
g() =
n
g[n]e
in
=
n
e
i
h[n]e
in(+)
(47)
donc :
n
g[n]e
in
=
n
h[n]e
i
e
in
e
in
(5.48)
=
n
(1)
n
h[n]e
i(n+1)
=
n
(1)
n1
h[1 n]e
in
Ce qui implique :
g[n] = (1)
n
h[1 n] (49)
On obtient bien une relation qui permet de construire le ltre g en connaissant h, il
ne faut cependant pas oublier que cette solution est loin dtre unique et que dautres
choix pour la fonction
() sont possibles si besoin.

Il est parfois plus intressant dexprimer ce rsultat dans lespace des transformes
en z, en particulier si les ltres sont susceptibles de mises en uvre rcursives. Le
rsultat peut tre obtenu en remplaant simplement e
i
par z dans lquation 5.46 :
G(z) = z
1
H(
1
z
) (50)
Remarque 7 La relation 5.46 entre les ltres associs lanalyse multirsolution
permet de trouver une relation entre londelette et la fonction dchelle. En effet, si on
remplace dans 5.30 g(
2
) par son expression dduite de 5.46, on obtient :
() = e
i
2
1
2
+) (
2
)
et en utilisant 5.5 pour exprimer
2
+) en fonction de on obtient :
() = e
i
( + 2)

2
+)
(
2
)
Cette relation ne semble malheureusement pas utilisable pour dterminer une fonction
dchelle partir dune ondelette.
5.3 Rsum des proprits
Le tableau ci-aprs rsume les principales proprits prsentes dans ce chapitre. Ces
proprits sont utilises dans la construction des bases orthonormes dondelettes
associes des analyses multirsolutions.
On construira, en gnral, une telle analyse multirsolution en suivant lune des
deux dmarches suivantes :
a - On commence par choisir une famille de bases orthonormes de fonctions
dchelle, lorthogonalisation peut tre faite en utilisant le truc utilis pour les bases
spline (voir chapitre 6). On dtermine ensuite le ltre h associ par projection de la
fonction dchelle sur la base de rsolution immdiatement plus ne. On vrie, en
utilisant lalgorithme cascade, que la convergence de lanalyse est correcte. Puis il
reste dnir le ltre g partir du ltre h et construire laide de lalgorithme
cascade la fonction dondelette associe.
b - On choisit un ltre numrique h, passe-bas, ayant la proprit dorthogonalit,
vrie dans Fourier ou dans lespace direct ; puis on sassure, laide de lalgorithme
cascade, que lanalyse converge bien et que la fonction dchelle a des proprits de
compacit et de rgularit correctes. On peut, ensuite, construire le ltre g partir du
ltre h et en dduire par lalgorithme cascade la fonction dondelette associe. Dans
une variante de cette mthode, on peut commencer par choisir un ltre numrique
passe-haut qui sera le ltre g puis, aprs vrication de la convergence et des bonnes
proprits de la fonction dondelette associe, on pourra en dduire le ltre h et la
fonction dchelle correspondante.
Dans les deux cas, on constate que la fonction dondelette est dtermine en
dernier, ce qui ne correspond pas lapproche la plus naturelle. Il est, en gnral, trs
difcile de faire autrement et le choix a priori dune base dondelettes nest pas la
mthode la plus directe pour construire une transformation en ondelettes discrte !
Rsum des principales proprits des fonctions et des ltres associs
une analyse multirsolution orthogonale
(t), (t +n) = (n) n Z
_
(t), (t +n) = 0 n Z
(t), (t +n) = (n) n Z
() =
1
h(
2
) (
2
)

() =
1
2
g(
2
) (
2
)
n
[ ( + 2n)[
2
= 1

n
( + 2n)
2
= 1
[ (0)[ = 1

(0) = 0
( + 2n)
( + 2n) = 0 g()
() + g( +)
( +) = 0
k
h[k] h[2n +k] = [n]

k
[h[k][
2
=
k
[g [k][
2
= 1
h()
2
+
h( +)
2
= 2 [ g()[
2
+[ g( +)[
2
= 2
h()
2
+[g()[
2
= 2
_

h(0) =
n
h[n] =
h()
= 0
_
g(0) =
n
g[n] = 0
[ g()[ =
2
g() =
()
( +)
_
() est 2 priodique
() +
( +) = 0
()
= 1
Et on peut choisir le ltre g suivant :
g() = e
i
( +) soit : g[n] = (1)

n
h[1 n]
Remarque 8 Les paires de ltres numriques relis par cette relation sont parfois
appels ltres miroirs en quadrature : QMF. Ils jouent un rle majeur dans la thorie
de la dcomposition des signaux en sous-bandes. Cela tant, pour quune telle paire
de ltres soit lorigine dune analyse multirsolution au sens dni prcdemment,
dautres proprits doivent tre vries(en particulier la convergence de lalgorithme
rcursif). Nous ntudierons pas ici ce problme et laisserons le lecteur consulter
labondante littrature existant ce sujet [43].
Exemple 5 Nous verrons comment on peut utiliser les proprits prcdentes pour
retrouver les lments de lanalyse multirsolution de Haar. Mais nous rservons
cette prsentation dexemples un chapitre entier, ce qui nous permettra une plus large
perspective.
.
Chapitre 6
Exemples de bases dondelettes
Nous allons, dans ce chapitre, prsenter quelques exemples de bases dondelettes
orthonormes choisis parmi les plus populaires. Nous commencerons par la base la
plus simple que nous avons dj utilise plusieurs fois comme illustration, lanalyse
de Haar ; nous continuerons par une base que lon pourrait qualier de duale de la
prcdente, savoir la base des ondelettes de Littlewood-Paley. Nous prsenterons
ensuite une famille choisie parmi celles qui sont les plus utilises dans la pratique,
la famille des bases construites partir de fonctions splines. Toutes ces analyses
correspondent des ltres linaires en phase qui ont donc des proprits de symtrie
apprcies en traitement des images (isotropie gauche-droite) ; malheureusement ces
ltres ( part ceux lis lanalyse de Haar) sont de rponse impulsionnelle innie
(RII) donc de mise en uvre souvent coteuse. Nous prsenterons donc, pour clore
ce chapitre, les bases construites par I. Daubechies qui conduisent des ltres
rponse impulsionnelle nie (RIF) mais qui ne sont pas linaires en phase. Nous
verrons, dans un chapitre ultrieur (chapitre 8) comment, en relchant un peu la
contrainte dorthogonalit, on peut construire des bases dondelettes non-redondantes
conduisant des ltres linaires en phase et rponse impulsionnelle nie ; il sagit des
bases biorthogonales. Pour complter ce panorama, on pourra trouver une prsentation
relativement complte des bases dondelettes utilises ou utilisables pour des analyses
multirsolution dans [1].
6.1 Ondelettes de Haar
Nous prendrons comme point de dpart de la construction la fonction de Haar utilise
comme mre des fonctions dchelle :
(t) =
_
1 0 t < 1
0 sinon
(1)
Nous avons vu que cette fonction pouvait se dcomposer sur les fonctions de
rsolution infrieure suivant :
(t) = (2t) +(2t 1) (2)
Si on calcule la transforme de Fourier de cette expression, on obtient :
() = (
2
)
1 +e
i
2
2
(3)
Si on compare ce rsultat lexpression 5.5 dmontre au chapitre prcdent, on
peut en dduire par simple identication lexpression de la rponse frquentielle du
ltre h associ :
h() =
1
2
(1 +e
i
) (4)
La fonction de transfert du ltre scrit donc :
H(z) =
1
2
(1 +z
1
) (5)
Si on dtermine le ltre g en utilisant la proprit des ltres miroirs en quadrature
(quation 5.46) on obtient :
G(z) =
1
2
(1 z
1
) (6)
Ces deux ltres correspondent exactement ceux trouvs lors des prsentations
prcdentes de cette analyse multirsolution. Si on applique la proprit 5.30, on
Exemples de bases dondelettes 67
obtient la fonction dondelette par sa transforme de Fourier :
() =
1
2
(1 e
i
2
) (
2
) (7)
Soit :
(t) = (2t) (2t 1) (8)
Ce qui correspond la fonction :
(t) =
_
_
_
1 0 t <
1
2
1
1
2
t < 1
0 sinon
(9)
Comme on la dj dit, linconvnient majeur de cette analyse est sa trs mauvaise
rsolution frquentielle (voir gure 4.). Son intrt majeur est la grande simplicit des
ltres et donc de lalgorithme de calcul. La rsolution temps-frquence est illustre
par les courbes ci-aprs qui regroupent les fonctions dchelle (6. et 6.) et dondelette
(6. et 6.) dans les domaines temporels et frquentiels. Les transformes de Fourier des
fonctions dchelle et dondelette sont donnes par :
() = e
i
2
sin/2
/2
et

() =
4i
e
i
2
sin
2
4
(10)
x
1.4 1.2 1 0.8 0.6 0.4 0.2
1
0.8
0.6
0.4
0.2
0
Figure 6. Fonction dchelle de Haar
x
100 80 60 40 20 0
1
0.8
0.6
0.4
0.2
0
Figure 6. Fonction dchelle de Haar dans Fourier
6.2 Ondelette de Littlewood-Paley
Cette analyse multirsolution sappuie en fait sur une fonction dchelle de type sinc.
Une telle fonction est loriginale dune fonction de Haar dans Fourier. En ce sens on
peut considrer que cest lanalyse duale de la prcdente.
Nous allons, en effet, prendre comme point de dpart la transforme de Fourier de
la fonction dchelle. Celle-ci doit vrier lquation 5.14 :
n
[ ( + 2n)[
2
= 1
et la faon la plus simple dassurer cette proprit (quivalente la relation
dorthonormalit) est de choisir () telle que :
[ ()[ =
_
1 si <
0 si
(11)
Pour rester dans la simplicit et pour assurer une fonction dchelle relle on
choisira une phase nulle. La fonction dchelle scrira donc :
(t) =
sint
t
(12)
Les graphes de ces fonctions sont prsents en 6. et 6..
La rponse frquentielle du ltre numrique associ est dtermine par :
h() =
2
(2)
()
(13)
x
1.4 1.2 1 0.8 0.6 0.4 0.2 0 -0.2
1
0.5
0
-0.5
-1
Figure 6. Ondelette de Haar
ce qui donne (on sait que
h() est 2 priodique) :
h() =
_
2 si <
0 sinon
(6.14)
et donc h[n] =
1
2
sinn/2
n/2
(6.15)
On dduit aisment g() par g() = e
i
h
( +) :
g() =
_
_
_
2e
i
si < /2
0 si /2 < /2
2e
i
si /2 <
(6.16)
et g[n] =
(1)
n
2
sin
1n
2

1n
2

(6.17)
Les ltres h[n] et g[n] sont de longueur innie (RII) et leur mise en uvre dans
lespace temporel ne pourra se faire qu travers des ralisations approches. Les
calculs seront mens de faon plus efcace dans lespace de Fourier.
On peut dterminer la fonction dondelette de plusieurs faons ; on pourra, par
exemple, utiliser la relation 5.30 :
() =
1
2
g(
2
) (
2
)
x
100 80 60 40 20 0
1
0.8
0.6
0.4
0.2
0
Figure 6. Ondelette de Haar dans Fourier
Soit :
() =
_
e
i
si [[ < 2
0 sinon
(18)
La transforme de Fourier inverse conduit :
(t) =
cos t sin2t
(t
1
2
)
(19)
Lanalyse de Littlewood-Paley souffre videmment de son manque de localisation
temporelle comme on peut le vrier sur les graphes de la fonction dondelette (6.) et
de la fonction dchelle (6.).
6.3 Bases splines
On parle parfois des ondelettes de Battle-Lemari.
Lide qui est la base de cette construction est double :
amliorer lanalyse de Haar en effectuant une approximation par morceaux des
fonctions analyser qui soit plus dle : polynomiale avec raccordement sans
discontinuit,
rapprocher la relation de rcurrence suivante :
() =
j
1
h(2
j
) (20)
t
10 5 0 -5 -10
1
0.8
0.6
0.4
0.2
0
-0.2
Figure 6. Fonction dchelle sinc
dune proprit trs voisine des fonctions B-splines.
La difcult surmonter est que la famille des fonctions B-splines ne constitue
pas une base orthonorme de L
2
(R). Les B-splines forment une base pour lensemble
des fonctions polynomiales par morceaux mais cette base nest malheureusement
pas orthonormale ([41],[42]). Nous allons utiliser une mthode dorthogonalisation
qui pourra tre utilise dans dautres circonstances. Une annexe (A) ce cours est
consacre la prsentation dtaille des rsultats et des mthodes employes pour la
construction des bases B-splines, nous nous contenterons dans ce chapitre de donner
les grandes lignes.
Commenons par quelques rappels sur les B-splines.
Soit V
j
lensemble des fonctions polynomiales par morceaux sur des intervalles de
largeur 2
j
:
V
j
=
_
f L
2
(R) telles que k Z, f
[2
j
k,2
j
(k+1)[
est un polynme de degr n
ayant n 1 drives continues en 2
j
k
_
Les B-splines dordre n forment une base non orthonorme pour un tel ensemble,
en effet tout lment de V
j
peut sexprimer de faon unique comme une combinaison
linaire de telles fonctions. Ces B-splines sont construites par autoconvolution de la
fonction bote (box) sur lintervalle en question.
De faon plus prcise, en commenant par j = 0, et en notant I(t) la fonction
x
6 4 2 0 -2 -4 -6
1.4
1.2
1
0.8
0.6
0.4
0.2
0
Figure 6. Fonction dchelle dans Fourier
bote paire de largeur 1 :
I(t) =
_
1 si 1/2 t 1/2
0 sinon
(21)
la B-spline dordre n sera :
si n est impair :
(n)
(t) = n + 1I(t) I(t) I(t)
. .
si n est pair :
(n)
(t) = n + 1I(t
1
2
) I(t
1
2
) I(t
1
2
)
. .
(22)
Remarque 9 Pour n = 0 on retrouve la base de Haar qui est la seule de la srie qui
soit orthonorme.
Les transformes de Fourier sont values aisment grce au thorme de
Plancherel :
si n est impair :

(n)
() = (
sin

2
2
)
n+1
si n est pair :

(n)
() = (
sin

2
2
)
n+1
e
i(n+1)
2
(23)
La procdure dorthogonalisation repose sur la relation qui dans lespace de
Fourier assure lorthonormalit dune famille de fonctions qui est construite par
translation de pas entiers dune fonction mre. Si on considre une base construite
par translations de pas entiers dune fonction f(x), cette relation, mise en vidence
t
10 5 0 -5 -10
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
Figure 6. Ondelette de Littlewood-Paley
dans le chapitre prcdent (voir 5.14), scrit :
f( + 2k)
2
= 1 (24)
Dune faon gnrale, il est clair que la fonction

k
f( + 2k)
2
est 2
p eriodique dans tous les cas. On peut donc la considrer comme la transforme de
Fourier dune suite numrique.
Si on considre la fonction (x) dont la transforme de Fourier est normalise
par la racine carre du terme de gauche de lexpression prcdente, la famille
engendre par translations entires de cette fonction sera videmment orthogonale.
Mais, constitue-t-elle une base ?
() =

f()
_
f( + 2k)
2
(25)
Si on pose (
_
f( + 2k)
2
est 2 p eriodique) :
() =
_
f( + 2m)
2
=
k
[k]e
ik
(26)
x
10 5 0 -5 -10
1.4
1.2
1
0.8
0.6
0.4
0.2
0
Figure 6. Ondelette de Littlewood-Paley dans Fourier (module)
On aura :
f() =
k
[k]e
ik
() (27)
Et en revenant loriginal :
f(x) =
k
[k]
1
2
_
+
()e
i(xk)
d (28)
f(x) =
k
[k]
2
(x k) (29)
On a ainsi dcompos la fonction f(x) en une combinaison linaire des fonctions
de la famille orthogonalise ; il en sera donc de mme pour toute combinaison linaire
des fonctions f(x) ; la nouvelle famille formera bien une base orthonorme pour
lespace de fonctions considr.
Remarque 10 On pourait de mme montrer que (x)se dcompose en combinaisons
linaires de f(x).
En appliquant le truc de lorthogonalisation (quation 6.25) aux B-splines, on
obtient la fonction dchelle suivante :
() =

(n)
()
_
(n)
( + 2k)
2
(30)
Une proprit particulire des fonctions splines facilite la construction des ltres
associs. En effet, on a :
(n)
( + 2k)
2
=
b
(2n+1)
() (31)
o loriginale de
b
(2n+1)
() est la suite numrique obtenue par chantillonnage de la
B-spline dordre 2n + 1.
On appelle parfois cette famille de fonctions les B-splines discrtes.
b
(2n+1)
[k] =
(2n+1)
(x)
x=k
(32)
La fonction dchelle est donc nalement construite par :
() =

(n)
()
_
b
(2n+1)
()
(33)
Il est clair, partir de la remarque faite ci-dessus, que (x) est une combinaison
linaire de fonctions splines
(n)
(x) dordre n.
Pour dterminer le ltre numrique associ nous avons besoin dune relation entre
() et (/2) ; en notant que
n
(x) est une fonction de V
0
qui peut tre exprime
sur V
1
alors :
m() telle que
(n)
() = m(
2
)
(n)
(
2
) (34)
Do :
() =
m(
2
)
(n)
(
2
)
_
b
(2n+1)
()
(35)
Donc :
() = m(
2
)
b
(2n+1)
(
2
)
b
(2n+1)
()
(
2
) (36)
Ce qui, avec laide de la relation 5.5, donne la rponse frquentielle du ltre h :
h() =
2 m()
_
b
(2n+1)
()
b
(2n+1)
(2)
(37)
La rponse impulsionnelle h[n] pourra tre dtermine numriquement par
transforme de Fourier inverse. Le ltre sera de rponse impulsionnelle innie (RII)
mais la dcroissance des coefcients tant rapide, on pourra envisager une mise en
uvre par masque de convolution.
La fonction dondelette est construite, par exemple, partir de la relation suivante :
() =
1
2
e
i/2
2
+) (
2
) (38)
On peut en dduire que, comme la fonction dchelle, la fonction dondelette (x)
est une combinaison linaire de B-splines
(n)
(2x) dordre n.
Le ltre numrique associ sera obtenu partir de h[n] comme dans les
constructions prcdentes.
On trouvera dans lannexe consacre spcialement aux bases drives des B-
splines les rsultats dtaills concernant les bases construites partir des B-splines
linaires et quadratiques. Nous donnons, en particulier, les graphes des fonctions
dchelle et des ondelettes et les coefcients des ltres. On pourra constater que les
localisations temporelles et frquentielles sont beaucoup mieux quilibres que dans
les deux exemples prcdents. Ceci est galement illustr par limage 4..
Ces analyses multirsolutions donnent des ltres linaires en phase mais de
rponse impulsionnelle innie donc souvent coteux mettre en uvre ; elles
sont cependant intressantes car elles conviennent bien au traitement des images
et conduisent des reprsentations non redondantes avec des composantes bien
dcorrles. Cette proprit est particulirement favorable aux algorithmes de
compression dimages.
6.4 Ondelettes support compact (Daubechies)
Nous prsentons dans ce paragraphe la construction dune famille de bases
x
4 3 2 1 0 -1 -2
1
0.5
0
-0.5
-1
-1.5
-2
Figure 6. Ondelette (spline linaire)
dondelettes et des ltres associs qui assure la compacit des supports tout en
prservant lorthonormalit. Le prix payer est labandon de la linarit en phase ou
plus simplement de la symtrie (ou antisymtrie) droite-gauche chre aux traiteurs
dimages. Dans un certain nombre de cas, labandon de cette symtrie na pas des
consquences dramatiques et ces bases ont des applications tout fait intressantes
en analyse des images. Lavantage de la compacit des fonctions de base et surtout
des ltres associs est lconomie en cot de calcul quelle procure. Le ltrage peut
tre effectu trs directement par lapplication de masques de convolution courts et
des applications temps rel sont facilement envisageables, mme si dans certains cas
la prcision requise sur les coefcients rels pse malgr tout sur larchitecture. Ces
bases ont t proposes pour la premire fois dans le cadre de lanalyse multirsolution
en ondelettes par Ingrid Daubechies en 1988 et la coutume veut que son nom leur soit
rest attach. La construction, dont nous ne prsentons que les grandes lignes, prend
comme point de dpart la contrainte que lorthonormalit par translation des fonctions
dchelle impose aux ltres passe-bas associs. Ce sont donc des ltres vriant
ces proprits qui sont construits ; la vrication indispensable de la convergence
de lanalyse multirsolution associe ne sera pas aborde ici. Ces prcisions et une
prsentation plus complte et plus rigoureuse peuvent tre trouves dans [10] ou dans
[43] ou [35].
Le ltre numrique h[n] associ aux fonctions dchelle sera du type passe-bas et
sa rponse frquentielle, dnie par :
h() =
n
h[n]e
in
(39)
x
4 2 0 -2 -4
1
0.5
0
-0.5
-1
Figure 6. Ondelette (spline quadratique)
sera une fonction complexe 2 p eriodique ayant comme proprits :
h()
2
+
h( +)
2
= 2 (6.40)
h(0) =

2
et

h() = 0 (6.41)
De plus, il a t montr que pour que les fonctions de base et soient rgulires
(au moins jusqu lordre N) il fallait que le zro de
h() = soit dordre N 1.

Ceci peut scrire :
h() = (
1 +e
i
2
)
N
/() (42)
o /() devra tre un polynme trigonomtrique de degr ni (support compact)
2 p eriodique dont le module sera pair et la phase impaire (h[n] est rel). Donc
h()
2
doit sexprimer sous forme dun polynme en cos . Pour les besoins de la
dmonstration, on pose :
y = cos
2

2
et donc 1 y = sin
2

2
=
1 cos
2
on pourra ainsi crire :
h()
2
= y
N
P(1 y) (43)
P(x) tant un polynme coefcients rels de degr ni.
La condition dorthonormalit devient :
(1 y)
N
P(y) +y
N
P(1 y) = 2 (44)
La variable y doit tre relle et comprise entre 0 et 1.
I. Daubechies dans [10] donne une solution de cette quation en sappuyant sur
le thorme de Bezout. Elle montre que la solution de degr minimum (N 1)
snonce
5
:
P
N
(y) = 2
N1
k=0
_
N +k 1
k
_
y
k
(45)
Les solutions de degr suprieur P(y) existent, elles vrient galement la
condition dorthonormalit et on a donc :
(1 y)
N
(P(y) P
N
(y)) +y
N
(P(1 y) P
N
(1 y)) = 0 (46)
Donc P(y)P
N
(y) = R(y) est divisible par y
N
et la condition prcdente scrit :
R(y) +R(1 y) = 0 ou R(y +
1
2
) = R(y +
1
2
) (47)
Ce qui signie que le polynme R(y) est antisymtrique par rapport
1
2
.
La solution gnrale de lquation qui conditionne lorthonormalit est nalement :
P(y) = 2
N1
k=0
_
N +k 1
k
_
y
k
+y
N
R(y) (48)
Un autre changement de variable facilite linterprtation de ce rsultat et
lextraction de la racine carre de
h()
2
: on va poser z = e
i
. Do :
1 y =
1 cos
2
=
(1 z)(1 z
1
)
4
(49)
et :
y =
1 + cos
2
=
(1 +z)(1 +z
1
)
4
(50)
Avec cette notation la rponse frquentielle
h() du ltre numrique h[n] devient

sa fonction de transfert (la transforme en z de sa rponse impulsionnelle) H(z) et on
5
Coefcients du binme :
_
n
p
_
= C
p
n
=
n!
p!(np)!
aura :
[H(z)[
2
= (
(1 +z)(1 +z
1
)
4
)
N
P(
(1 z)(1 z
1
)
4
) (51)
La symtrie qui apparat dans cette expression en ce qui concerne le rle jou par
la variable z et son inverse z
1
a pour consquence que chaque zro z
i
du polynme
P correspond un autre zro pour ce mme polynme : z
1
i
. Il faut noter galement
que le polynme tant coefcients rels les zros apparaissent sous forme de paires
de complexes conjugus. On peut donc considrer, en gnral, des quadruplets : z
i
,
z
i
, z
1
i
, z
1
i
; dans certains cas des lments peuvent tre confondus (si le zro z
i
est
rel ou sur le cercle unit).
Lexpression de [H(z)[
2
pourra tre factorise en produits de termes de la forme :
(zz
1
i
1)(zz
1
i
1)(zz
i
1)(zz
i
1)
Or [H(z)[
2
est rel, donc gal au produit des modules de ses facteurs et :
(zz
1
i
1)(zz
1
i
1)
z
1
i
z
1
i
z
2
(z
1
z
i
1)(z
1
z
i
1) (52)
Comme le module de z est gal 1, [H(z)[
2
peut tre dcompos en un produit de
deux polynmes mmes coefcients rels :
[H(z)[
2
= C(z)C(z
1
) (53)
Ce qui signie que [H(z)[
2
est la transforme en z de la fonction dautocorrlation
de c[n]. Il est clair que sur le cercle unit h[z] et c[z] concident car :
[H(z)[
2
= H(z).H
(z) = H(z).H(z
) = H(z).H(z
1
) (54)
Cette proprit nest vraie que si h[n] est une squence relle.
Le polynme C(z) est souvent appel facteur spectral et la technique dcrite
dextraction de racine carre : factorisation spectrale. Ce polynme nest pas unique,
en effet, pour chaque quadruplet de zros un couple peut tre choisi : (z
i
, z
i
) ou (z
1
i
,
z
1
i
) pour construire C(z).
Dans chaque cas, un zro est dans le cercle unit et lautre en dehors ; si on choisit
systmatiquement le zro de module infrieur (ou gal) 1, on obtient la solution
phase minimum. Cest souvent le choix qui est effectu. Il faut noter cependant
que ce choix conduit des ltres trs dissymtriques et quun panachage entre les
diffrentes possibilits pour le choix des zros permet damliorer les choses. On peut
obtenir de la sorte des ltres presque linaires en phase. Leur symtrie reste malgr
tout trs approximative. Le choix dun zro ou de lautre est exclusif et les zros tant
distincts (sauf si le degr de P est 0) le polynme C(z) ne sera pas invariant par
transformation de z en z
1
et donc le ltre h[n] ne sera pas symtrique par rapport
lorigine. On peut dailleurs montrer plus gnralement que le ltre obtenu (sauf pour
N = 1) nest pas linaire en phase. la vraie linarit en phase ne peut tre obtenue
quavec des ltres rponse impulsionnelle innie comme ceux construits partir des
bases B-splines.
On peut mener lopration de factorisation spectrale en recherchant les zros y
i
de
P(y) et en dduisant les zros z
i
de [H(z)[
2
grce la relation :
z
i
= 1 2y
i
2
_
y
i
(y
i
1) (55)
Il faut noter quun dernier lment de choix pour construire les ltres h[n] est la
phase ; en effet la solution du problme est dnie un facteur de phase entier prs et
toutes les squences translates dun nombre de pas entier par rapport une squence
solution sont des solutions du problme.
Nous donnons ci-aprs, titre dexemple, quelques solutions phase minimum
pour R(y) = 0. Nous dtaillerons les calculs pour les cas N = 1, 2 et 3 ; puis nous
rsumerons dans un tableau les coefcients des ltres pour N < 10.
N = 1
On a P(y) = 2 et donc [H(z)[
2
=
(1+z)(1+z
1
)
4
2 soit :
H(z) =
1 +z
2
(56)
On retrouve lanalyse multirsolution de Haar.
N = 2
On a P(y) = 2+4y et donc y
1
=
1
2
. On en dduit les zros (rels) du polynme
en z :
z
i
= 2
3
Le zro de module infrieur 1 est : z
1
= 2
3 ; le quadruplet se rduit un
couple (z
1
et z
1
1
), ce qui donne :
[H(z)[
2
=
_
(1 +z)(1 +z
1
)
4
_
2
(z z
1
)(z
1
z
1
)
z
1
soit :
H(z) =
(1 +z)
2
4

z z
1
z
1
(57)
N = 3
On a P(y) = 2 + 6y + 12y
2
et les zros sont y
i
=
_

1
4
+
1
12
i
15
1
4

1
12
i
15
. On en
dduit les valeurs numriques des zros du polynme en z :
z
i
=
_
0, 28725 0, 15289i
2, 7127 1, 4439i
Le couple de zros de module infrieur 1 est : z
1
= 0, 28725 0, 15289i.
En regroupant les facteurs qui correspondent des zros conjugus pour obtenir des
coefcients rels et en tenant compte du facteur constant, on obtient :
[H(z)[
2
=
_
(1 +z)(1 +z
1
)
4
_
3
(6.58)
(z
2
0, 5745z + 0, 10589)(z
2
0, 5745z
1
+ 0, 10589)
4
3
z
1
z
1
soit :
H(z) =
(1 +z)
3
8
(2, 6614z
2
1, 529z + 0, 28181) (59)
Nous obtenons ainsi un ltre 2N = 6 coefcients non nuls.
Remarque 11 Le ltre de fonction de transfert H(z) apparat toujours sous une
forme factorise avec un premier facteur dont la mise en uvre est particulirement
facile :
H(z) =
_
(1 +z)
2
_
N
.H
N
(z) (60)
Le deuxime facteur : H
N
(z) est un ltre N coefcients non nuls donc deux fois plus
court que le ltre complet et on aura intrt considrer les mises en uvre des deux
facteurs sparment. Cest la raison pour laquelle nous ne donnons dans le tableau 6.
que les coefcients de H
N
(z).
N < 10
Nous rsumons dans le tableau 6. les coefcients des ltres H
N
(z). Les valeurs
numriques sont empruntes [10]. On pourra trouver sous la mme rfrence, si
besoin, les coefcients des ltres H(z) complets. Les valeurs analytiques nexistent
pas pour N > 3 et le calcul des zros de P(y) doit tre fait laide dune mthode
numrique (voir par exemple la mthode de Bairstow). Pour des valeurs leves de N,
la prcision des calculs peut poser problme et lorthonormalit des bases obtenues
peut alors ntre quapproximative.
Les fonctions dchelle correspondantes sont construites par lalgorithme cascade,
nous donnons quelques exemples de ces fonctions et de leur tendue spectrale (voir
gures du tableau 6.). On constate que lorsque lordre des polynmes augmente, la
fonction dchelle gagne en rgularit et voit son tendue spectrale diminuer ; cette
volution apparat de la mme faon pour les ondelettes. Elle se paie, videmment,
par lallongement des ltres associs.
N 1 2 3
2 1, 93185165258 2, 6613644236
0, 517638090205 1, 52896119631
0, 281810335086
N 4 5 6
3, 68604501294 5, 12327673517 7, 13860757441
3, 30663492292 6, 29384704236 11, 1757164609
1, 20436190091 3, 41434077007 8, 04775526289
0, 169558428561 0, 936300109646 3, 24691364198
0, 106743209135 0, 719428097459
0, 0689472694597
N 7 8 9
9, 96506292288 13, 9304556142 19, 4959090503
18, 9984075665 31, 3485176398 50, 6198280511
17, 0514392132 33, 6968524121 63, 3951659783
9, 03858510919 22, 07104076339 49, 3675482281
2, 93696631047 0, 38930245651 25, 8600363319
0, 547537574895 2, 56627196249 9, 244915887755
0, 0452753663967 0, 413507501939 2, 18556614566
0, 0300740567359 0, 310317604756
0, 0201458280019
Tableau 6. Coefcients H
N
(z) pour les ltres de Daubechies
Tableau 6. Fonctions dchelle Daubechies et leurs spectres (N=2 5)
Chapitre 7
Passage deux dimensions
7.1 Cas gnral
Nous allons examiner dans ce chapitre comment les principes de lanalyse
multirsolution monodimensionnelle prsents prcdemment peuvent tre tendus
aux signaux multidimensionnels. Nous nous intresserons plus spcialement au cas
des signaux deux dimensions que nous assimilerons dans la pratique des images
unimodales. Lanalyse des signaux multispectraux est un autre problme que nous
nenvisagerons pas ici. Cela tant, les proprits et dnitions donnes dans le premier
paragraphe de ce chapitre sont valables quelle que soit la dimension de lespace auquel
appartiennent les fonctions (2D, 3D et au-del).
Les fonctions que nous voulons traiter seront de carr intgrable sur R
N
, donc les
signaux appartiendront L
2
(R
N
) (N = 2 dans le cas des signaux 2D).
7.1.1 Matrice de changement dchelle
Les sous-espaces V
j
doivent tre tendus NDimensions et le facteur de dilatation
ou dchelle discret j deviendra une matrice de dilatation ou dchelle permettant de
passer dune rsolution la suivante (exemple en 2D) :
_
x
_
= J
_
x
y
_
(1)
J sera donc une matrice carre de dimension N N (soit 2 2 2D) soumise
un certain nombre de contraintes ; il faudra en particulier que le dilat dun vecteur
dentiers soit un vecteur dentiers
6
. On aura donc dans le cas 2D :
_
x
y
_
Z
2
=
_
x
_
Z
2
Une consquence est que la matrice J doit avoir des coefcients entiers et il en
sera de mme pour [det J[ J
1
.
La matrice doit assurer une dilatation suivant chaque dimension donc toutes ses
valeurs propres
k
doivent tre suprieures 1 en module.
[
k
[ > 1 k (2)
Le facteur de dilatation surfacique (ou volumique, ou ...) dune chelle lautre est
[det J[.
Exemple 6 Matrices de changement dchelle valides en 2D :
_
1 1
1 1
_ _
1 1
1 1
_ _
2 0
0 2
_
det = 2 det = 2 det = 4
(3)
En 3D un exemple intressant est fourni par la matrice suivante :
_
_
1 0 1
1 1 1
0 1 0
_
_
det = 2
(4)
Il en existe bien dautres !
7.1.2 Axiomatique de base de lanalyse multirsolution
Laxiomatique de base de lanalyse multirsolution est transpose directement partir
du cas 1D :
6
On notera x le vecteur colonne x =
_
_
_
_
x
1
x
2
...
x
N
_
_
_
_
Passage deux dimensions 89
..... V
2
V
1
V
0
V
1
..... V
j+1
V
j
..... (5)
_
jZ
V
j
= L
2
(R
N
) (7.6)
jZ
V
j
= 0
j Z si f(x) V
j
f(J
1
x) V
j+1
(ou f(J
j
x) V
0
) (7.7)
k Z
N
si f(x) V
0
f(x k) V
0
(invariance par translation)
La translation prendra la forme dun vecteur entier de Z
N
not n, de telle sorte
que :
x
= Jx n (8)
o le vecteur x
est le dilat, translat du vecteur x.

On pourra ainsi construire une famille de fonctions dilates-translates partir
dune fonction mre suivant lquation suivante :
j,n
(x) =[det J[
j
2
(J
j
x n)
avec :
_
_
_
n Z
N
x R
N
j Z
(9)
Lentier j sera lchelle ou la rsolution.
Il est facile de vrier que la norme de la fonction est conserve par une telle
transformation.
Cette famille constituera une base orthonorme pour le sous-espace V
j
si et
seulement si la fonction mre translate
0,n
(x) est une base orthonorme pour V
0
:
j,n
,
j,k
_
= (n k) (10)
Les vecteurs n et k sont des vecteurs dentiers.
7.1.3 Sur-chantillonnage et sous-chantillonnage
Les oprations de changement dchelle conduisent, nous le verrons, dans le
cas dalgorithmes discrets des oprations de sur-chantillonnage et de sous-
chantillonnage de signaux numriques dnis sur des rseaux ou treillis discrets.
Nous noterons le treillis entier dni comme lensemble des vecteurs entiers :
k = (k
1
, ...., k
N
)
t
o k
1
, ...., k
N
Z
Ce rseau se transforme par changement dchelle et on obtient le sous-rseau
not
J
form des vecteurs entiers :
m = Jk pour k Z
N
Un ensemble
1
associ au sous-rseau
J
est form des points obtenus par
translation de tout le sous-rseau dun vecteur entier l
i
donn.
Il y aura [det J[ ensembles associs
1
distincts pour chaque sous-rseau
J
, il
y aura donc [det J[ vecteurs dentiers distincts l
i
conduisant ces chantillonnages
(y compris la translation nulle). Nous noterons
i
1
lensemble associ au vecteur de
translation l
i
.
Prenons un exemple :
Soit la matrice de dilatation J =
_
2 1
0 2
_
de dterminant : 4.
Les premiers vecteurs entiers de la maille carre sont transforms comme suit :
_
_
(0, 0) (0, 0)
(0, 1) (1, 2)
(1, 0) (2, 0)
(1, 1) (3, 2)
(11)
On peut dailleurs vrier que ces 4 vecteurs forment lensemble des l
i
, vecteurs
entiers qui en translatant le sous-rseau
J
permettent de retrouver le rseau
complet de dpart .

. .

J

. .
7.1.3.1 Sur-chantillonnage
Lors du sur-chantillonnage, un signal dcrit sur sera transcrit sur
J
en injectant
des 0 aux points nappartenant pas au sous-rseau :
y(n) =
_
x(J
1
n) si J
1
n
0 sinon
(12)
Si on reprend lexemple prcdent, on obtient une dilatation illustre par le schma
suivant :
x
x
0,2
x
1,2
x
2,2
x
0,1
x
1,1
x
2,1
x
0,0
x
1,0
x
2,0
. .
y
0 x
1,1
0 x
2,1
0
0 0 0 0 0
x
0,0
0 x
1,0
0 x
2,0
0 0 0 0 0
0 x
0,1
0 x
1,1
0
. .
On notera symboliquement cette opration ainsi :
x(n) J y(n) (13)
7.1.3.2 Sous-chantillonnage
Dans cette opration, seuls les points de appartenant aussi au sous-rseau
J
sont
conservs :
y(n) = x(Jn) (14)
Do la dcimation illustre par le schma ci-dessous.
x
x
0,2
x
1,2
x
2,2
x
3,2
x
4,2
x
0,1
x
1,1
x
2,1
x
3,1
x
4,1
x
0,0
x
1,0
x
2,0
x
3,0
x
4,0
x
0,1
x
1,1
x
2,1
x
3,1
x
4,1
x
0,2
x
1,2
x
2,2
x
3,2
x
4,2
. .
y
x
2,4
x
4,4
x
6,4
x
8,4
x
1,2
x
3,2
x
5,2
x
7,2
x
0,0
x
2,0
x
4,0
x
6,0
x
1,2
x
1,2
x
3,2
x
5,2
x
2,4
x
0,4
x
2,4
x
6,4
. .
On notera symboliquement cette opration de la faon suivante :
x(n) J y(n) (15)
7.1.4 Algorithme rcursif et proprits
La premire tape de lanalyse multirsolution dune fonction f(x) consiste en la
projection de la fonction sur les sous-espaces embots V
j
; cette projection, comme
en 1D est faite par lintermdiaire de projecteurs agissant sur les fonctions dchelle
qui forment la base de chaque sous-espace :
A
j
f =

n
f,
j,n
_
j,n
(16)
Les coefcients de la projection sont :
a
j
n
=
f,
j,n
_
(17)
avec :
f,
j,n
_
=
_
x
f(x)
j,n
(x)ds (18)
ds tant llment de volume innitsimal.
Il faut remarquer que comme :
j,n
(x) =[det J[
j
2
(J
j
x n)
le pas de translation dans R
N
est J
j
n avec n Z
N
.
Si on appelle
0
j
lensemble de points associ au sous-rseau engendr par J
j
n, la
famille des
0
j
forme quand j varie une famille densembles embots qui est dense
dans R
N
. Et lapproximation des fonctions de L
2
(R
N
) par la suite embote des
sous-espaces V
j
correspond lapproximation de R
N
par la suite embote des
0
j
.
Cette remarque introduit un argument heuristique propos initialement par Y. Meyer
[30] qui nous permettra de donner sans vritable dmonstration un rsultat important
concernant les sous-espaces complmentaires dondelettes :
On considre le sous-espace complmentaire de V
j
dans V
j1
not W
j
tel que :
V
j1
= V
j
W
j
avec V
j
W
j
(19)
Lunion dune base orthonorme de V
j
et dune base orthonorme de W
j
doit
constituer une base orthonorme de V
j1
qui sera donc dnie avec un pas discret
sur
0
j1
construit par J
j1
n.
On note :
i
j,n
(x) =[det J[
j
2
i
(J
j
x n) (20)
une famille orthonorme de W
j
; le pas de translation associ doit donc tre sur
i
j
lensemble de points engendr par :
J
j
(n +J
1
l
i
) (21)
Le vecteur de translation l
i
appartient un ensemble E tel que :
0
j1
=
0
j
+

l
i
E
i
j
(22)
Il est clair que lensemble E est identique lensemble des vecteurs l
i
dnis
dans lintroduction lexclusion du vecteur nul. il est donc compos de [det J[ 1
vecteurs diffrents. On peut donc prvoir quune base de W
j
sera engendre par des
translations de [det J[ 1 familles de fonctions ondelette.
On est en particulier assur de navoir quune famille dondelettes en 2D si :
JZ
2
= (m, n) tel que m+n 2Z (23)
La projection de la fonction f sur le sous-espace W
j
scrira :
D
j
f =

liE
nZ
N
f,
i
j,n
_
i
j,n
(24)
Nous aurons donc [det J[ 1 signaux de dtail :
d
j,i
n
=
f,
i
j,n
_
(25)
pour chaque signal dapproximation a
j
n
. Et on aura comme en 1D :
A
j1
f = A
j
f +D
j
f (26)
7.1.4.1 Algorithmes rcursifs : ltres associs
Les algorithmes rcursifs de Mallat se gnralisent sans modication majeure.
La fonction dchelle sexprime comme une combinaison linaire de fonctions
dchelle de rsolution plus ne, les coefcients h[n] de cette combinaison constituent
la rponse impulsionnelle dun ltre numrique N dimensions :
(x) =

nZ
N
h[n]
1,n
(x) (27)
ou encore :
(x) =

nZ
N
h[n] [det J[
1/2
(Jx n) (28)
Tableau 7. Analyse de Haar pour limage carr
soit :
h[n] =
,
1,n
_
(29)
La fonction dchelle est norme donc :
n
[h[n][
2
= 1 (30)
En faisant un changement de variable et en posant
h[n] = h[n], on obtient :

a
j
n
=

lZ
N
h[Jn l]a
j1
l
(31)
On retrouve donc le mme algorithme quen 1Den remplaant simplement le sous-
chantillonnage dyadique par un sous-chantillonnage sur le sous-rseau
j
comme
prsent au dbut du chapitre.
Les fonctions dondelette vont galement tre exprimes comme des combinaisons
linaires de fonctions dchelle, les coefcients de ces combinaisons constituent des
ltres numriques N dimensions g
i
[n] ; il y en a videmment [det J[ 1 :
i
j,n
(x) = [det J[
1/2
i
(J
j
x n) (32)
sachant que :
i
(x) =
n
g
i
[n] [det J[
1/2
(Jx n) (33)
soit :
g
i
[n] =
i
,
1,n
_
(34)
Les diffrents signaux de dtail ([det J[1 par chelle) seront obtenus par le mme
algorithme rcursif :
d
j,i
n
=

lZ
N
g
i
[Jn l]d
j1,i
l
(35)
avec galement :

g
i
[n] = g
i
[n].
Figure 7. Analyse spline cubique sur 3 niveaux de limage favorite
7.1.4.2 Proprits des fonctions dchelle et des ltres numriques associs
Les proprits des bases et des ltres associs peuvent tre largement gnralises. Les
expressions obtenues sont rendues plus lisibles et compactes en utilisant une notation
vectorielle pour la transforme de Fourier. On dnit donc un vecteur pulsation :
= (
1
, ....
N
)
t
(36)
et la notation suivante pour la transforme de Fourier dun signal discret
multidimensionnel :
h() =
k
h[k]e
i
t
k
(37)
La transforme de Fourier tant sparable, il est ais de montrer que
h() est une

fonction de N variables 2Z
N
p eriodique. Rciproquement toute fonction de N
variables, 2 p eriodique pour chaque variable pourra tre considre comme la
transforme de Fourier dun signal discret N variables.
La gnralisation prend la mme forme pour les fonctions continues :
() =
_

_
x
(x)e
i
t
x
ds (38)
Et la transforme de Fourier dune fonction dilate et translate scrira :
(Jx n)Fourier
1
[det J[
[(
t
J
1
)
t
]e
i
t
J
1
n
=
1
[det J[
(J
t
)e
i
t
J
1
n
(39)
si on note un peu abusivement : J
t
= (J
1
)
t
.
On montre, par une dmonstration qui peut tre recopie directement partir du
cas 1D, que la dcomposition de la fonction dchelle sur la base lchelle infrieure
scrit dans Fourier :
() =
1
[det J[
1/2
h(J
t
) (J
t
) (40)
Les fonctions dchelle sont orthogonales leurs translates toutes les chelles
et en particulier la rsolution 0 :
(x), (x +l) = (l) x R
N
(41)
Cette relation conduit une relation dorthonormalit analogue pour le ltre
dchelle :
k
h(k)h(k Jl) = (l) (42)
Si on traduit la relation dorthogonalit intra-chelle dans Fourier on obtient la
relation quivalente suivante :
lZ
N
[ (+2l)[
2
= 1 (43)
La rponse frquentielle du ltre dchelle associ est contrainte dune faon
un peu plus complexe quen 1D; le raisonnement conduisant ses proprits peut
cependant tre men en suivant la mme dmarche :
La relation 7.43 est crite en J et combine 7.40 :
h(+2J
t
l)
(+2J
t
l)
2
= [det J[ (44)
On cherche faire apparatre dans cette relation les priodicits de la transforme
de Fourier du signal discret h[k].
Chaque fois que J
t
l Z
N
on a
h(+2J
t
l) =
h(). Chaque valeur de J

t
l
non entire donnera en revanche une valeur particulire de
h(+2J
t
l). Chacune
de ces valeurs particulires donnera naissance par translations entires toute une
famille de valeurs. Le nombre de telles familles est limit car dans lopration J
t
l
seuls les points tels que l = J
t
n avec n Z
N
appartiennent au rseau entier ; les
points de nappartenant pas au sous-rseau
J
correspondront aux valeurs non
entires ; il y en aura donc [det J[ 1 pour chaque point du sous-rseau.
On va donc considrer une maille lmentaire du sous-rseau et on prendra tous
les vecteurs l
i
de cette maille, chacun correspondant une valeur particulire pour
h(+2J
t
l
i
), valeur qui se rpte pour chaque maille et qui peut-tre mise en
facteur dans la relation prcdente. On obtiendra la dcomposition suivante :
h(+2n)+[det J[ 1 termes
h(+2J
t
l
1
+2n) +
h(+2J
t
l
2
+2n) +...
. .
(45)
Do en reportant dans la relation 7.44 :
h()
2
+
|det J|1
i=1
h(+2J
t
l
i
)
2
= [det J[ (46)
Cette relation est une condition au moins ncessaire pour construire une analyse
multirsolution. On sait de plus que

h(0)
2
= [det J[ (condition de normalit), on
doit donc avoir :
|det J|1
i=1
h(2J
t
l
i
)
2
= 0 (47)
Ce qui implique que chaque terme doit tre nul en ce quon peut appeler des
pulsations de repliement : 2J
t
l
i
avec l
i
,= 0 et J
t
l
i
/ Z
N
, les l
i
sont les vecteurs
entiers qui en translatant le sous rseau
J
reconstituent le rseau entier.
7.1.4.3 Proprits des fonctions dondelette et des ltres numriques associs
Si on considre maintenant une fonction dondelette
q
qui engendre une partie
dune base de W
0
V
0
on peut crire la mme relation dorthogonalit pour une
chelle donne que pour les fonctions dchelle. Les conditions tant les mmes
que prcdemment, nous obtiendrons les mmes rsultats pour chacun des ltres g
q
Figure 7. Image bateau
associs aux diffrentes ondelettes
q
:

g
q
()
2
+
|det J|1
i=1

g
q
(+2J
t
l
i
)
2
= [det J[ (48)
Il y a, comme dans le cas 1D, une diffrence avec le ltre h; en effet le ltre est
passe-haut :

g
q
()
= 0 donc :
|det J|1
i=1

g
q
(2J
t
l
i
)
2
= [det J[ (49)
La contrainte lie lorthogonalit des fonctions dondelette travers les chelles
est mise en vidence en exprimant lorthogonalit entre V
0
et W
0
:
q
,
0,k
_
= 0 k Z
N
(50)
Ce qui, en utilisant lorthogonalit par translation des fonctions dchelle conduit
:
n
g[n]h[n Jk] =0 k Z
N
(51)
Figure 7. Analyse multirsolution de limage bateau
Encore une fois, les mmes proprits exprimes dans Fourier sont souvent plus
exploitables pour la construction des ltres. Lquivalent de la relation 7.43 scrit :
q
(+2l)
(+2l) =0 (52)
Sachant que lon a :
q
() =
1
[det J[
1/2

g
q
(J
t
) (J
t
) (53)
En suivant le mme raisonnement que prcdemment on obtient la relation entre
les rponses frquentielles des ltres :
g
q
()
() +
|det J|1
i=1
g
q
(+2J
t
l
i
)
(+2J
t
l
i
) = 0 (54)
Cette relation ne permet pas de trouver directement les ltres g
q
partir du
ltre h. Un rsultat gnral dans ce domaine reste trouver.
On peut cependant donner un rsultat pour deux cas particuliers importants dans la
pratique. En effet si [det J[ = 2 (chantillonnage quinconce par exemple) ou si J = 2I
(cas sparable) alors il est facile de vrier quune solution analogue au cas 1D est
acceptable :
g
q
() = e
i
t
l
q
h
(+2J
t
l
q
) (55)
Cette solution ne semble malheureusement pas marcher dans le cas gnral.
On trouvera dans [18] une gnralisation intressante des ondelettes de Battle-
Lemari (B-splines cubiques) deux dimensions sous forme de box spline bivariante
et la description des ltres associs.
Nous allons maintenant traiter en dtail les deux cas particuliers importants : celui
des bases sparables et celui des ondelettes quinconces.
7.2 Ondelettes sparables
Nous nous limiterons au cas dyadique qui est le plus utilis dans la pratique actuelle.
Il est bien adapt aux matrices CCD maille carre utilises actuellement comme
capteurs dimage. La matrice de dilatation sera :
J =
_
2 0
0 2
_
= 2I (56)
a
n
j 1
~
h
2
~
g
2
LIGNES
~
h
a
j
2
~
g
d
h
j
2
~
h
d
v
j
2
~
g
d
d
j
2
COLONNES
Figure 7. Analyse dune image sur des bases sparables
a
n
j
d
h
j
d
v
j
d
d
j
LIGNES
COLONNES
a
n
j 1
2
2
2
2
h
g
h
g
h
g
2
2
Figure 7. Algorithme de reconstruction
On aura donc :
Jx =2x et J
j
x =2
j
x (57)
et la famille de fonctions dilates-translates sera note :
j,m,n
(x, y) = 4
j
2
(2
j
x m, 2
j
y n) (58)
Le facteur de dilatation surfacique est 4.
Les 3 ([det J[ 1) vecteurs l
i
qui, dans la maille lmentaire, par contraction (la
dilatation inverse) J
t
l conduisent des points nappartenant pas au rseau entier sont
les suivants :
l
1
=
_
0
1
_
, l
2
=
_
1
0
_
, l
3
=
_
1
1
_
(59)
Suivant la mthode expose dans les paragraphes prcdents, on construit lanalyse
multirsolution avec les mmes axiomes que ceux utiliss en 1D en remplaant la
variable par un vecteur :
k Z
2
si f(x) V
0
f(x k) V
0
(7.60)
j Z si f(x) V
j
f(J
1
x) V
j+1
ou f(J
j
x) V
0
Lopration de dilatation agissant de faon indpendante suivant les deux
directions, on cr une analyse multirsolution 2D en choisissant comme fonction
dchelle le produit de deux fonctions dchelle une variable construites suivant les
rgles dj prsentes ; le plus simple tant de respecter lisotropie du traitement et de
prendre deux fois la mme fonction dchelle :
j,m,n
(x, y) = 2
j
2
(2
j
x m) 2
j
2
(2
j
y n) (61)
soit :
j,m,n
(x, y) =
j,m
(x)
j,n
(y) (62)
La famille de sous-espaces ainsi construite est le produit tensoriel des sous-espaces
1D suivant x et suivant y .
V
j1
= v
j1
v
j1
= (v
j
w
j
) (v
j
w
j
) (63)
En dveloppant :
V
j1
= (v
j
v
j
) [(v
j
w
j
) (w
j
v
j
) (w
j
w
j
)] (64)
V
j1
= V
j
W
j
(65)
On constate que, comme prvu, la base du sous-espace de dtail (ondelettes) sera
constitue par trois familles dondelettes :
_
_
_
h
(x, y) = (x)(y)
v
(x, y) = (x)(y)
d
(x, y) = (x)(y)
(66)
Dans les trois cas, les ondelettes, comme les fonctions dchelle, sont sparables et
lalgorithme de transformation se dduit directement des algorithmes prsents pour
le cas 1D. Les oprations de ltrages seront menes en cascade suivant lignes puis
colonnes (ou inversement). Le signal 2D sera donc trait comme un signal 1D et les
outils de mise en uvre pourront avoir la mme architecture. Toutes les analyses 1D
peuvent tre transposes de la sorte deux dimensions. Le principe de lalgorithme
est illustr par les schmas 7. et 7..
La dcomposition dune image discrte considre comme lapproximation de
dpart du signal a
j
fournit chaque tape quatre imagettes, lune correspond
lapproximation infrieure a
j+1
et les trois autres sont constitues des coefcients de
la dcomposition en ondelettes et contiennent les dtails perdus lors du passage dune
rsolution la suivante. Ces dtails sont, suivant limagette, orients horizontalement
d
j+1
h
(correspondant
h
(x, y)), verticalement d
j+1
v
(correspondant
v
(x, y)) ou en
diagonal d
j+1
d
(correspondant
d
(x, y)).
a
j
a
j+1
d
j+1
h
d
j+1
v
d
j+1
d
La surface occupe par les quatre imagettes ensemble est la mme que la
surface occupe par limage de dpart. Il ny a ni compression ni redondance dans
la reprsentation obtenue (si la transforme est relle). Trois exemples de telles
dcompositions sont donns pour une image synthtique (carr blanc sur fond noir,
voir 7.) et pour deux images du monde rel, limage favorite (gure 7.), et limage
bateau (gures 7. et 7.). En fait un quatrime exemple est propos la n du
chapitre 1. On pourra constater en particulier la mise en vidence des dtails verticaux,
horizontaux et diagonaux aux diffrentes chelles et limage dapproximation qui reste
au troisime niveau. La base dondelettes utilise dans le cas de limage favorite est
une base orthogonale construite partir des splines cubiques qui est prsente dans
le chapitre 6 consacr aux exemples de bases dondelettes, tandis que la base utilise
pour lanalyse de bateau est la base de Haar. On vriera que les dtails sont mieux
localiss spatialement dans lanalyse de Haar, alors que la perception des chelles est
plus nette avec la base spline.
7.3 Ondelettes quinconces
Les analyses sparables dyadiques ncessitent trois familles dondelettes, ceci est
parfois considr comme un inconvnient, dautre part le facteur de dilatation entre
deux chelles successives est de 4 ce qui peut sembler lev. Il est possible de remdier
ces deux problmes, mais cest au prix de la perte de la sparabilit des ltres et donc
dune complexit algorithmique un peu plus leve. Une analyse a t particulirement
bien tudie et a trouv des applications pratiques, il sagit de lanalyse dite en
quinconce. Nous verrons que le facteur de dilatation nest plus que de 2 entre deux
rsolutions successives et quune seule famille dondelettes est ncessaire.
La matrice de dilatation sera dans ce cas :
J =
_
1 1
1 1
_
(67)
qui avec son dterminant gal 2 devrait conduire aux proprits annonces.
Jx =
_
x +y
x y
_
(68)
a
j-1
a
j
d
j
h
g
J
J
Figure 7. Analyse multirsolution quinconce
a
j-1
a
j
h
J
d
j
g J
+
Figure 7. Reconstruction pour lanalyse quinconce
La transformation du maillage (treillis) se fait selon le schma suivant :

J

On constate que le pas de dilatation est de
2 sur chaque direction et la gomtrie

du maillage obtenu justie le nom donn cette analyse multirsolution.
Remarque 12 Lchantillonnage est sparable suivant les directions, en effet :
J
2
= 2I =
_
J
2n
= 2
n
I
J
2n+1
= 2
n
I
(69)
1.4
1.2
1
0.8
0.6
0.4
0.2
0
y
3
2
1
0
-1
-2
-3
x
3
2
1
0
-1
-2
-3
Figure 7. Analyse de Haar : rponse frquentielle de h
et donc J
1
=
1
2
J.
Le vecteur l
1
est unique dans la maille lmentaire car [det J[ 1 = 1, il conduit
par contraction J
t
l un point nappartenant pas au rseau entier. Ce vecteur doit tre
choisi dans lensemble suivant :
l
1
=
_
0
1
_
ou l
1
=
_
1
0
_
(70)
La construction des bases orthonormes est mene en appliquant les axiomes dj
prsents.
Lexpression gnrale qui traduit lorthogonalit des fonctions dchelle :
j,n
,
j,k
_
= (n k) (71)
scrit dans ce cas :
(J
j
x n), (J
j
x k)
_
= 2
j
(n k) (72)
le pas de translation unitaire lchelle j est : J
j
1.
La dcomposition de la fonction dchelle sur la base de rsolution infrieure,
ncessaire pour la construction du ltre associ scrit (si on note k =(n, m)
t
) :
(x) =
n,m
h[k]
1,k
(x) (73)
avec :
1,k
(x) =2
1
2
(Jx k) =
2(x +y n, x y m) (74)
Tableau 7. Analyse quinconce de Haar sur limage favorite
1.4
1.2
1
0.8
0.6
0.4
0.2
0
y
3
2
1
0
-1
-2
-3
x
3
2
1
0
-1
-2
-3
Figure 7. Analyse de Haar : rponse frquentielle de g
donc :
(x, y) =
n,m
h[n, m](x +y n, x y m) (75)
h[n, m] est une suite numrique deux variables considre comme un ltre
numrique bidimensionnel de rponse frquentielle dnie par :
h(
1
,
2
) =
m
h[n, m]e
i(n
1
+m
2
)
(76)
On cherche la transforme de Fourier de la relation :
(x) =
n,m
h[k]2
1
2
(Jx k) (77)
La transforme de la fonction dilate-translate scrit :
(Jx k)
fourier
_
(Jx k)e
i
t
x
ds (78)
on pose :
X = Jx k J
1
X+J
1
k = x et dS = ds [det J[
do :
(Jx k)
fourier
1
[det J[
(J
t
)e
i
t
J
1
k
(79)
1
0.8
0.6
0.4
0.2
0
y
2
1.5
1
0.5
0
-0.5
x
2
1.5
1
0.5
0
Figure 7. Analyse de Haar : fonction dchelle
1
0.5
0
-0.5
-1
y
2
1.5
1
0.5
0
-0.5
x
2
1.5
1
0.5
0
Figure 7. Analyse de Haar : ondelette
avec :
t
J
1
=
1
2
(
1
+
2
,
1
2
) (80)
et :
t
J
1
k =
1
2
[(
1
+
2
)n + (
1
2
)m] (81)
La relation 7.79 devient :
(Jx k)
fourier
1
2
(
1
+
2
2
,

1
2
2
)e
in
1
+
2
2
e
im
2
2
(82)
1.4
1.2
1
0.8
0.6
0.4
0.2
0
y
3
2
1
0
-1
-2
-3
x
3
2
1
0
-1
-2
-3
Figure 7. Rponse frquentielle du ltre h de lanalyse de J.C. Fauveau
Do la relation pour le ltre numrique associ la fonction dchelle :
(
1
,
2
) =
1
h(
1
+
2
2
,

1
2
2
) (
1
+
2
2
,

1
2
2
) (83)
La relation qui exprime lorthogonalit des fonctions dchelle se traduit par :
k
[ (2k)[
2
= 1 (84)
De mme on trouve pour le ltre
7
:
h()
2
+
h(+1)
2
= 2 (85)
Et :
_

h(0)
h(1) =0
(86)
ce qui indique que le ltre h est un ltre passe-bas.
Remarque 13 La relation de rcurrence peut scrire en notation vectorielle :
() =
1
h(J
1
) (J
1
) car J
t
= J (87)
7
On note 1 le vecteur unit : 1 =
_
1
1
_
1.4
1.2
1
0.8
0.6
0.4
0.2
0
y
3
2
1
0
-1
-2
-3
x
3
2
1
0
-1
-2
-3
Figure 7. Rponse frquentielle du ltre g de lanalyse de J.C. Fauveau
ou :
(J) =
1
h() () (88)
et par rcurence :
() =
n
1
h(J
n
) (89)
Par voie de consquence, on pourra utiliser lalgorithme cascade (voir le
paragraphe 4.3) pour construire des approximations des fonctions dchelle comme
dans le cas 1D.
Londelette sera construite de la mme manire et les rsultats peuvent tre
transposs sans difcult :
(x) =
n,m
g[k]2
1
2
(Jx k) (90)
(J) =
1
2
g() () (91)
Et pour le ltre g, un des choix possibles sera :
g() = e
i
t
_
_
1
0
_
_
(+1) (92)
1
0.8
0.6
0.4
0.2
0
y
10
5
0
-5
-10
x
10
5
0
-5
-10
Figure 7. Transforme de Fourier de la fonction dchelle de J.C. Fauveau
Ce qui donne en revenant aux originaux :
g[n, m] = (1)
n+m
h[1 n, m] (93)
On pourra construire le ltre h partir des ltres tudis pour la dimension
1 (transformation en 2D par la mthode de Mac Clellan par exemple) ou par des
mthodes originales (voir [9]). Les ltres ne sont, en gnral, pas sparables. On
trouvera dans [14] une tude complte de lanalyse quinconce et un exemple de base
orthonorme ; nous donnons ci-aprs quelques exemples simples.
Les algorithmes danalyse et de synthse (7., 7.) sont exactement les mmes que
dans le cas 1D, il suft de remplacer les oprations de sur-chantillonnage et sous-
chantillonnage par leurs quivalents prsents au dbut du chapitre. A chaque tape
de lanalyse la surface des images est divise par 2 et nous avons une image de dtail
(coefcients dondelette) et une image dapproximation.
Pour avoir des informations plus compltes et plus approfondies sur les bases
dondelettes multidimensionnelles non sparables on consultera [21] ou encore [34].
On constatera que contrairement ce qui se passe une dimension, il est possible
de trouver des ltres linaires en phase et support compact associs aux analyses
orthogonales 2D.
7.3.1 Exemples danalyse quinconce orthonorme
Nous prsentons ici les principaux lments de deux exemples danalyse quinconce :
analyse de Haar, analyse propose par Fauveau ([14]) qui sappuie sur un ltre simple,
linaire en phase, mais support non compact ; on pourra trouver dautres analyses
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
y
10
5
0
-5
-10
x
10
5
0
-5
-10
Figure 7. Transforme de Fourier de londelette de J.C. Fauveau
quinconce sappuyant sur des ltres support compact proposs par Kovacevic et
Vetterli dans [21], [22], [23], [43]ou par Viscito et Allebach [45].
7.3.1.1 Analyse de Haar
On peut tendre directement 2D lanalyse de Haar telle quelle a dj t prsente.
Le point de dpart sera le ltre associ la fonction dchelle :
H(z) =
1
2
(1 +z
1
1
) (94)
soit :
h() =
2e
i
1
2
cos

1
2
(95)
On vrie aisment que la proprit dorthogonalit du ltre est vrie. Le
module de la rponse frquentielle du ltre h est prsent sur le graphe 7.. Cette
rponse a une tendue spectrale illimite (sur lintervalle [0, 2]), il ne faut donc pas
sattendre, avec cette analyse, une bonne rsolution inter-chelle.
La fonction dchelle peut tre dtermine par lalgorithme cascade (paragraphe
4.3) prsent dans le cas 1D, ou directement par rcurrence partir de la rponse
frquentielle du ltre. Il est aussi relativement ais de trouver directement lexpression
de la fonction dchelle satisfaisant lquation de dcomposition :
(x, y) = (u(x y) u(x y 1))(u(y) u(y 1)) (96)
Si u(x) est la fonction de Heaviside. La courbe correspondante est donne en 7..
Tableau 7. Analyse quinconce (ltre RII) sur 2 niveaux
Pour le ltre associ la fonction dondelette, on trouve :
G(z) =
1
2
(1 z
1
1
) (97)
Soit :
g() = i
2e
i
1
2
sin

1
2
(98)
La gure 7. prsente la rponse frquentielle du ltre g.
Ce qui nous permet dcrire la dcomposition linaire de la fonction dondelette sur
la base des fonctions dchelle et donc dobtenir londelette (x, y) correspondante
qui est trace sur la courbe 7..
Les gures du tableau 7. prsentent le rsultat dune analyse multirsolution
quinconce avec la base de Haar sur limage favorite. On observe le rapport 2
entre les surfaces des images deux rsolutions successives et le rsultat du sous-
chantillonnage quinconce. La faible rsolution inter-chelle de lanalyse de Haar
conduit des images de dtail presque identiques, la dimension prs, pour toutes
les rsolutions.
7.3.1.2 Analyse avec ltre RII
Nous prsentons dans ce paragraphe un exemple simplede construction de base
quinconce sappuyant sur des ltres linaires en phase mais de rponse innie. Cet
exemple a t propos par J.C. Fauveau [14].
Soit une fonction
() qui soit 2 p eriodique et telle que
(1) = 0. On pose :
()
2
+
(+1)
2
= 2p() (99)
Dans ces conditions, il est vident que le ltre normalis suivant sera acceptable :
h() =

()
_
p()
(100)
Pour assurer la linarit en phase, on pourra, tout simplement, choisir
() sous
forme dun polynme en cos
i
. La solution la plus simple est :
() =2 + cos
1
+ cos
2
(101)
Do :
h() =
2 + cos
1
+ cos
2
_
4 + (cos
1
+ cos
2
)
2
(102)
On peut montrer que ce ltre conduit une base de fonctions dchelle qui
engendre une analyse multirsolution.
La rponse impulsionnelle (masque de convolution) du ltre est obtenue par
transforme de Fourier inverse. Elle est dtendue innie, mais si on restreint le calcul
aux premiers termes, on en obtient une forme approche prsente en 7.103.
j i g d g i j
i h f c f h i
g f e b e f g
d c b a b c d
g f e b e f g
i h f c f h i
j i g d g i j
avec
_
_
a = 0.90917
b = 0.20246
c = 0.017627
d = 0.0031278
e = 0.040853
f = 0.013016
g = 0.0024112
h = 0.0040055
i = 0.0014007
j = 0.00048109
(103)
Les autres lments de lanalyse se dduisent sans difcult particulire en
appliquant les relations prsentes plus haut. Le masque correspondant au ltre g est
donn en 7.104 en utilisant les mmes notations que pour le ltre h (llment soulign
correspond lorigine du masque).
-j i -g d -g i -j
i -h f -c f -h i
-g f -e b -e f -g
d -c b -a b -c d
-g f -e b -e f -g
i -h f -c f -h i
-j i -g d -g i -j
(104)
On trouvera des reprsentations graphiques des rponses frquentielles des ltres
h et g sur les gures 7. et 7.. Les gures 7. et 7. prsentent les transformes de Fourier
des fonctions dchelle et dondelette associes cette analyse multirsolution. On
constate que les fonctions obtenues ont des tendues spectrales limites. Lisotropie
nest, en revanche, que trs approximative. Des fonctions construites, partir de bases
B-spline cubiques, en utilisant la transformation de Mac Clellan, donnent des rsultats
plus satisfaisants de ce point de vue, les ltres sont, cependant, plus tendus.
Si on applique cette transformation limage favorite on obtient les rsultats
prsents dans les images du tableau 7.. On vriera que si la localisation spatiale et le
contraste des dtails sont plus faibles que pour lanalyse de Haar, leur localisation
dune chelle lautre est plus slective. Certains dtails apparaissent nettement
certaines chelles et sont presque absents dautres rsolutions (voir lil, la
bouche, la chevelure ou encore les plumes du chapeau). Ceci est la consquence de
la relativement bonne slectivit spectrale des fonctions danalyse utilises.
Chapitre 8
Bases biorthogonales
8.1 Introduction
Malgr de nombreux avantages, les analyses multirsolutions 1D ou sparables
prsentent au moins un inconvnient pratique : si on veut prserver la symtrie droite-
gauche du traitement (linarit en phase), les ltres numriques impliqus dans les
algorithmes ont une rponse impulsionnelle innie. Leur mise en uvre, sauf cas
particulier des ltres rcursifs, est donc relativement lourde et/ou le rsultat imprcis.
Dans les applications lies au traitement des images, cette symtrie du traitement
semble trs souhaitable ; dautre part, ce type dapplication est particulirement
sensible la complexit des algorithmes car le nombre de donnes traiter est souvent
considrable. Ces deux lments ont conduit les chercheurs proposer une variante de
lanalyse multirsolution conciliant la linarit en phase et la compacit des supports
des ltres associs. La solution propose fait appel aux bases biorthogonales. Ces
familles de fonctions permettent lanalyse multirsolution du signal et assurent la
possibilit dune reconstruction parfaite du signal. Lanalyse reste non redondante,
possde les proprits de symtrie et de simplicit requises, mais conduit une
corrlation entre les composantes du signal plus grande que dans le cas des bases
orthonormes. Le mot corrlation tant ici pris au sens commun et non strictement
mathmatique ; cette ide demanderait dailleurs tre prcise plus rigoureusement.
Enn la complexit conceptuelle de lanalyse sur les bases biorthogonales est un peu
plus grande car lanalyse et la reconstruction nutilisent pas les mmes familles de
fonctions, deux jeux de bases duales sont ncessaires.
On trouvera dans [37] une gnralisation 2D et pour des dimensions suprieures
des bases biorthogonales dondelettes.
8.2 Analyse biorthogonale
Deux familles de fonctions duales sont considres, lune sera utilise pour lanalyse
(transforme directe) et lautre pour la reconstruction ou synthse (transforme
inverse). Ces familles sont orthogonales entre elles mais ne sont pas orthogonales en
elles-mmes. Nous avons besoin de deux familles duales de sous-espaces embots
dnies par les deux familles de fonctions dchelle, chacune formant une base non
orthogonale. Les proprits respecter sont lindpendance linaire et lexistence et
lunicit de la dcomposition.
Si on note V
j
et V
j
les deux familles de sous-espaces, on a :
_
V
j
V
j1
V
j
V
j1
(1)
Les sous-espaces complmentaires sont dnis diffremment car ils sont
complmentaires au sous-espace dual :
_
W
j
V
j
W
j
V
j
(2)
Le passage dune rsolution la suivante est fait en suivant la dcomposition :
_
V
j1
= V
j
W
j
mais V
j
W
j
V
j1
= V
j
W
j
et V
j
W
j
avec cependant W
j
W
k=j
(3)
Les proprits dorthogonalit des bases des sous-espaces seront les suivantes :
j,n
,
i,m
_
= (j i)(n m)
j,n
,
j,m
_
= (n m)
(4)
Lorthogonalit vis--vis de la translation ou de la dilatation nest requise que dun
espace son dual. Les couples duaux de sous-espaces peuvent tre utiliss dans un
ordre indiffrent pour lanalyse puis la synthse.
Pour crer une analyse biorthogonale, il sufra de dnir une famille linairement
indpendante complte (une base) de fonctions construites par dilatation-translation
dune fonction mre. Un exemple vident est fourni par les familles de fonctions
B-splines. La base duale et les ltres associs sont dtermins par les proprits
dorthogonalits (quation 8.4) ventuellement exprimes dans lespace de Fourier.
Lanalyse et la synthse dun signal se feront suivant des algorithmes analogues
ceux du cas orthonormal :
A
j1
f = A
j
f +D
j
f (5)
Bases biorthogonales 119
avec :
A
j
f =
f,
j,n
_
j,n
D
j
f =
f,
j,n
_
j,n
(6)
Les algorithmes rcursifs seront identiques, avec pour lanalyse :
_
a
j
n
=
h[2n l]a
j1
l
d
j
n
=
g[2n l]a
j1
n
(7)
Et en reconstruction :
a
j1
n
=
k
a
j
k
h[n 2k] +
k
d
j
k
g[n 2k] (8)
Avec, videmment :
_
a
j
n
=
f,
j,n
_
d
j
n
=
f,
j,n
_
(9)
Les algorithmes sont rappels dans les schmas de la gure 8. ; les rles des ltres
directs et duaux (analyse et synthse) peuvent tre inverss.
a
n
j 1
~
h
a
n
j
2
~
g
d
n
j
2
ANALYSE
a
n
j 1
a
n
j
d
n
j
SYNTHESE
2
2
h
g
Figure 8. Algorithmes danalyse et de synthse
8.3 Proprits des bases et des ltres associs
Nous allons suivre le mme cheminement que pour lanalyse multirsolution
classique, sans dtailler les dmonstrations qui seront pour la plupart dcalques sur
les prcdentes.
Pour commencer, les ltres h associs chaque base de fonction dchelle ont les
mmes proprits que dans le cas orthonormal (voir lquation 5.5) :
_
() =
1
h(
2
) (
2
)
() =
1
h(
2
)
2
)
(10)
La relation dorthogonalit des fonctions dchelle prend une forme un peu
diffrente :
n
( + 2n)
( + 2n) = 1 (11)
Remarque 14 Cette relation permet de trouver une base duale si une fonction
dchelle est choisie. On peut, en effet, poser :
n
[ ( + 2n)[
2
= q() (12)
La fonction obtenue est 2-priodique et donc :
n
[ ( + 2n)[
2
q()
=
n
[ ( + 2n)[
2
q( + 2n)
= 1 (13)
Si on compare cette relation et 8.11 on constate que la fonction telle que :
() =

()
q()
(14)
satisfait lquation 8.11 et donc constitue une base duale acceptable pour la fonction
dchelle choisie. Cette solution nest pas unique et nest pas toujours la plus simple
(voir cas des splines) mais elle existe presque toujours.
On obtient aussi une relation entre les ltres associs aux deux bases duales
h()
() +
h( +)
( +) = 2 (15)
On peut vrier aisment que les deux ltres obtenus sont de type passe-bas et
quils ont les mmes proprits en 0 et que dans le cas des bases orthonormes :
h(0) =
h(0) =
h() =
h() = 0
(16)
Remarque 15 Si on utilise la famille duale dtermine par la relation 8.14 on
obtient le ltre associ suivant :
h() =
h()
q
()
q
(2)
(17)
Mais, rptons le, cette solution nest pas la seule possible !
Pour les fonctions dondelette, on suit la mme dmarche et lquation 5.30 reste
vraie pour les deux bases duales :
() =
1
2
g(
2
) (
2
)
() =
1
g(
2
)
2
)
(18)
Lorthonormalit vis--vis de la translation nest vrie quentre une base et sa
duale et la proprit dans Fourier se traduit donc par :
( + 2n)
( + 2n) = 1 (19)
qui conduit pour les ltres g associs :
g()
() + g( +)
( +) = 2 (20)
La mme mthode que pour la fonction dchelle permet donc de construire la base
dondelette duale quand on connat la base initiale. Mais il reste relier la base initiale
la base de fonction dchelle choisie. Pour cela il faut exploiter lorthogonalit de
londelette avec le dual de la fonction dchelle (relation 8.2). Cette proprit traduite
dans lespace de Fourier scrit :
( + 2n)
( + 2n) = 0 (21)
Do pour les ltres numriques associs :
g()
() + g( +)
( +) = 0 (22)
A partir de cette relation, on peut montrer (voir le raisonnement du chapitre 5 sur
les proprits) quune solution pour le choix du ltre g qui respecte la linarit en
phase est donne par la relation :
g() = e
i
h
( +) (23)
Formule qui par transforme de Fourier inverse donne :
g[n] = (1)
n
h[1 n] (24)
Et nous avons ainsi les principaux lments qui permettent de construire une
analyse sur bases biorthogonales. Un choix intressant pour une telle base (comme
il a dj t indiqu) est la famille des B-splines. Ces fonctions prsentent en effet les
qualits de symtrie recherches ainsi que la compacit du support propice des mises
en uvre conomiques. Nous proposons, dans le paragraphe suivant, les lments
permettant de construire ces bases.
8.4 Bases B-splines biorthogonales
La dtermination de ces bases sappuie sur un rsultat plus gnral qui peut sappliquer
tous les cas o des ltres linaires en phase et rponse impulsionnelle nie sont
recherchs. Nous prsenterons donc tout dabord cette proprit puis nous en verrons
lapplication dans le cas des bases B-splines.
8.4.1 Recherche de solutions avec des ltres RIF symtriques
La construction des bases biorthogonales est mene dans ce cas partir de la
construction des ltres associs. En fait il suft de dnir les ltres h et h pour avoir
tous les lments. Ces ltres doivent vrier les proprits 8.15 et 8.16 et nous leur
imposerons de plus dtre rponse impulsionnelle nie et phase linaire. Sans
restreindre outre mesure la gnralit, et pour allger les critures nous admettrons,
dans un premier temps, que le dphasage apport par ces ltres est nul. Dans ce cas le
nombre de coefcients du ltre est impair ; nous donnerons directement les rsultats
concernant le cas o le nombre de coefcients est pair.
Dans ces conditions la fonction de transfert dun tel ltre scrit :
H(z) = ... +h[2]z
2
+h[1]z
1
+h[0] +h[1]z +h[2]z
2
+... (25)
ce qui donne pour la rponse frquentielle :
h() = ... +h[2]e

2i
+h[1]e
i
+h[0] +h[1]e
i
+h[2]e
2i
+... (26)
On peut donc exprimer cette rponse frquentielle sous forme dun polynme en
cos , de sorte quen introduisant pour tre plus gnral un retard k entier pour la
rponse impulsionnelle :
h() = e
ik
p(x) avec x = cos (27)
Le mme travail peut tre fait sur le ltre dual et la proprit 8.15 scrira :
p(x)p(x) +p(x)p(x) = 2 (28)
La proprit 8.16 se traduit par :
p(1) = p(1) = 0 (29)
Une factorisation est donc toujours possible et :
p(x) = (1 +x)
l
r(x) (30)
en reportant dans lexpression 8.28 et en posant L = l + l (l est lexposant entier
correspondant l dans p(x) le polynme du ltre dual) on obtient :
(1 +x)
L
r(x)r(x) + (1 x)
L
r(x)r(x) = 2 (31)
on fait un dernier changement de variable en posant u = sin
2
2
et en introduisant le
polynme P(u) = 2
L1
r(x)r(x), lquation 8.31 scrit :
(1 u)
L
P(u) +u
L
P(1 u) = 1 (32)
La rsolution de cette quation a t mene bien par I. Daubechies ([10]) et la
solution gnrale est de la forme :
P(u) =
L1
m=0
_
L 1 +m
m
_
u
m
+u
L
R(1 2u) (33)
o R(u) est un polynme impair.
8
Dans le cas o le nombre de coefcients du ltre est pair, le polynme p(x) prend
la forme :
p(x) = e
i
2
(1 +x)
l+
1
2
r(x) (34)
et le rsultat nal est le mme avec L = l +l + 1.
8
Coefcients du binme :
_
n
p
_
= C
p
n
=
n!
p!(np)!
8.4.2 Cas des B-splines.
On choisit pour fonction dchelle une gnratrice de base B-spline dordre n (voir
lannexe sur les fonctions B-splines) :
(x) =
(n)
(x) (35)
avec :
si n est impair :

(n)
() = (
sin

2
2
)
n+1
si n est pair :

(n)
() = (
sin

2
2
)
n+1
e
i(n+1)
2
(36)
ce qui permet de dduire aisment :
si n est impair :

(n)
() =
(n)
(
2
)(cos

4
)
n+1
si n est pair :

(n)
() =
(n)
(
2
)(cos

4
)
n+1
e
i(n+1)
4
(37)
avec la relation 5.5 on en dduit la forme de la rponse frquentielle du ltre associ :
si n est impair :

h() =
2(cos

2
)
n+1
si n est pair :

h() =
2(cos

2
)
n+1
e
i(n+1)
2
(38)
Si n lordre des splines est impair, le ltre aura galement un nombre de
coefcients impair et inversement, si n est pair, le ltre aura un nombre de coefcients
pair.
Si n est impair, le ltre h sera identi p(x) (on prend k = 0) avec 2l = n+1 et
r(x) = 2
n
2
.
Si n est pair, le ltre h devra tre identi e
ik
p(x) avec 2l+1 = 2k+1 = n+1
et r(x) = 2
n
2
.
On peut choisir le cas le plus simple : R(u) 0. Ce qui donnera pour les ltres
duaux les rsultats suivants :
si n est impair :

h() =
2(cos

2
)
2l
l+
n1
2
m=0
_
l+
n1
2
+m
m
_
(sin
2
2
)
m
si n est pair :

h() =
2e
i(n+1)
2
(cos

2
)
2l+1
l+
n
2
m=0
_
l+
n
2
+m
m
_
(sin
2
2
)
m
(39)
Chaque valeur choisie de l (entier positif ou nul) donne un ltre dual, nous mettrons
donc ainsi en vidence des familles de bases biorthogonales. Un fait remarquable et
intressant pour la mise en uvre est que, par construction, les coefcients de ces
ltres sont des fractions rationnelles.
On trouvera ci-aprs les coefcients des ltres associs aux fonctions dchelle
pour des bases splines linaires et quadratiques pour l = 1 et l = 2.
n 4 3 2 1 0 1 2 3 4
h[n] 0 0 0

2
4
2
2
2
4
0 0 0
h[n] 0 0
2
8
2
4
3
2
4
2
4

2
8
0 0
2
128

3
2
64

1
2
8
19
2
64
45
2
64
19
2
64

1
2
8

3
2
64
3
2
128
Filtres associs aux fonctions dchelle splines linaires
n 2 1 0 1 2 3 4 5
h[n] 0 0

2
8
3
2
8
3
2
8
2
8
0 0
h[n] 0 0
2
4
3
2
4
3
2
4

2
4
0 0
2
64

9
2
64

7
2
64
45
2
64
45
2
64

7
2
64

9
2
64
3
2
64
Filtres associs aux fonctions dchelle splines quadratiques
Les fonctions dchelle duales associes seront dtermines par rcurrence partir
des ltres duaux. On peut dterminer les ltres associs aux ondelettes g et g partir
des ltres h et h puis en dduire par rcurrence les fonctions dondelettes.
8.4.3 Solution avec des ltres rcursifs RII
Si on limite les contraintes concernant les ltres la linarit en phase, il est possible
de construire de faon systmatique des bases biorthogonales sappuyant sur les
fonctions splines en utilisant des ltres rcursifs.
On peut pour ce faire utiliser les relations 8.14 et 8.17 :
() =

()
q()
et

h() =
h()
q
()
q
(2)
(40)
avec :
n
[ ( + 2n)[
2
= q() (41)
On choisira pour fonction dchelle (x) une fonction de base spline dordre n :
(x) =
(n)
(x) et
si n est impair :

(n)
() = (
sin

2
2
)
n+1
si n est pair :

(n)
() = (
sin

2
2
)
n+1
e
i(n+1)
2
(42)
On peut montrer que pour ces fonctions dchelles,
q() =
(n)
( + 2n)
2
=
b
(2n+1)
() (43)
o b
(2n+1)
[n] loriginale de

b
(2n+1)
() est la suite numrique constitue par
lchantillonne de
(2n+1)
(x) la spline dordre 2n + 1. Le calcul pratique est fait
en calculant lchantillonne de la fonction dautocorrlation de
(n)
(x) value en
n :
b
(2n+1)
[n] =
_
+

(n)
(x)
(n)
(x n)dx (44)
Cette suite est de longueur nie gale 2n + 1 car les fonctions splines sont
compactes et elle prsente une symtrie analogue celle des splines, donc le ltre
numrique correspondant est de type RIF phase linaire. Il en est de mme de :
q(2) =
b
(2n+1)
(2) (45)
dont la longueur est 2n + 1. Le rapport
q
()
q
(2)
est donc une fraction rationnelle de
polynmes en z = e
i
au sens large (avec des exposants positifs et ngatifs). Quant au
ltre h[n] associ la fonction dchelle il sera, comme prcdemment, de la forme :
si n est impair :

h() =
2(cos

2
)
n+1
si n est pair :

h() =
2(cos

2
)
n+1
e
i(n+1)
2
(46)
donc sous la forme dun polynme en z. Le ltre h[n] sera donc linaire en phase
et RIF, tandis que le ltre h[n] sera lui aussi linaire en phase mais RII et sous une
forme permettant sa mise en uvre rcursive dordre 2n (mais avec un indice sur deux
manquant !). Cette mise en uvre devra cependant tre prcde de la sparation des
parties causales et des parties anticausales. Cette technique, dsormais classique, a t
prsente par R. Deriche [12] et ne sera pas rappele ici. On peut seulement noter
que lalgorithme qui, lanalyse, demande une dcimation de rapport deux trouvera
une rsonance naturelle avec le terme rcursif des ltres qui ne comporte quun terme
sur deux. Une mise en uvre bien conue devrait pouvoir utiliser avec prot cette
proprit.
Voyons les exemples des splines linaires et quadratiques. Les principaux rsultats
de base sont dmontrs dans lannexe consacre aux B-splines ; on se contente de les
rappeler :
Sp. lin.

b
(3)
[] =
1
6
e
i
+
2
3
+
1
6
e
i
Sp. qua.

b
(5)
[] =
1
120
e
i2
+
13
60
e
i
+
11
20
+
13
60
e
i
+
1
120
e
i2
(47)
et :
h()
2
=
_
1
2
+
1
4
e
i
+
1
4
e
i
pour les splines linaires
1
8
+
3
8
e
i
+
3
8
e
i2
+
1
8
e
i3
pour les splines quadratiques
(48)
Ce qui permet de dduire les ltres associs aux bases de fonctions dchelle et
leurs bases duales.
x
4 2 0 -2 -4
1.6
1.4
1.2
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
Figure 8. Fonction dchelle et sa duale
Spline linaire : n = 1
H(z) =
2(
z
4
+
1
2
+
z
1
4
) (49)
H(z) =
2(
z
4
+
1
2
+
z
1
4
)
z
6
+
2
3
+
z
1
6
z
2
6
+
2
3
+
z
2
6
(50)
Spline quadratique : n = 2
H(z) =
2(
1
8
+
3
8
z
1
+
3
8
z
2
+
1
8
z
3
) (51)
H(z) =
2(
1
8
+
3
8
z
1
+
3
8
z
2
+
1
8
z
3
)
z
2
120
+
13
60
z
1
+
11
20
+
13
60
z +
z
2
120
z
4
120
+
13
60
z
2
+
11
20
+
13
60
z
2
+
z
4
120
(52)
Des ltres associs aux fonctions dondelettes peuvent tre dtermins suivant la
rgle gnrale dj nonce :
g() = e
i
h
( +) (53)
Rgle qui scrit galement :
G(z) = z
1
H(
1
z
) (54)
Do par exemple pour les splines linaires :
G(z) =
2(
z
2
4

z
1
2
+
1
4
)
z
6
+
2
3

z
1
6
z
2
6
+
2
3
+
z
2
6
(55)
20 10 0 -10 -20
2
1.5
1
0.5
0
Figure 8. Fonctions dchelle dans Fourier
On peut montrer facilement que la fonction dchelle duale est une combinaison
linaire de fonctions splines du mme ordre que la fonction directe. En effet
1
q()
est
une fonction 2 p eriodique, il existe donc une suite numrique x[n] telle que :
1
q()
=
n
x[n]e
in
(56)
avec :
x[n] =
1
2
_
+
cos n
q()
d (57)
(car
1
q()
est par construction une fonction paire) et donc :
() =
n
x[n]
()e
in
(58)
et en revenant aux originaux :
(t) =
n
x[n](t n) (59)
Lexemple des fonctions dchelle de bases biorthogonales construites suivant cette
mthode pour une spline linaire est illustr par les graphes 8. et 8. o la fonction duale
est en trait gras. Loccupation spectrale de la fonction dchelle duale est trs voisine
de celle de la fonction directe (si on tient compte de la diffrence damplitude).
La rgularit de la fonction duale, qui est un paramtre important pour les
applications en compression dimages, est la mme pour la famille duale que pour la
famille directe. Ceci est loin dtre le cas pour les bases biorthogonales splines utilisant
des ltres RIF o la rgularit est nettement moins bonne pour les bases duales si on
limite lordre des ltres.
Chapitre 9
Trames dondelettes
Les familles dondelettes utilises dans les algorithmes de transforme discrte ne
forment pas forcment des bases, les ondelettes admissibles ne constituent dailleurs
des bases que dans des cas tout fait rarissimes. Des algorithmes danalyse et
de reconstruction utilisables pour ces familles dondelettes ont t proposs car,
pour des applications bien prises, on peut vouloir imposer comme ondelettes une
famille de fonctions donne. Un ensemble relativement large de fonctions dondelette
a cependant t identi et ses proprits analyses, il sagit des trames[31]. Les
transformes en trames dondelettes (en anglais, le terme consacr est frames) se
situent parmi les transformes redondantes et discrtes. Rappelons que dune faon
gnrale, une transforme en ondelettes discrte dune fonction de L
2
(R) est dnie
par lexpression 2.17 :
T
ond
f(m, n) = a
m
2
o
_
+
f(t)(a
m
o
t nb
o
)dt (1)
o m lchelle et n la translation sont des nombres entiers.(t) est la mre de la
famille des dilates-translates qui constituent les ondelettes. Il suft pour que cette
transforme soit inversible que la famille dondelettes choisie soit admissible (3.3) :
_
+
0
()
2
d
[[
=
_
0
()
2
d
[[
< (2)
Cette famille de fonctions na aucune raison dtre une base (au sens classique)
pour L
2
(R) et, en rgle gnrale, la condition dindpendance linaire nest pas
vrie. Lexistence et lunicit de la dcomposition sont cependant assures par
construction (f) de mme que lexistence de la reconstruction. On peut sintresser
la robustesse de la reconstruction et la redondance de lanalyse ; Nous verrons
comment la notion de trames et la recherche des bornes de ces trames permet une
estimation de cette redondance et assure la robustesse de la reconstruction.
9.1 Bornes de la trame dondelettes
On dira quune famille dondelettes forme une trame, si il existe deux rels Aet B tels
que f :
Relation dencadrement de la trame (gnralisation du thorme de Parseval)
A|f|
2
m,n
f,
m,n
_
2
B|f|
2
(3)
A et B sont les bornes de la trame et 0 < A B < .
Si A = B, la trame est dite serre (tight frame) et A est le taux de redondance ou
de sur-chantillonnage.
Si A = B = 1 et si est norme, alors la famille dondelettes forme une base
orthonorme et la relation 9.3 devient simplement le thorme de Parseval (9.4) :
m,n
f,
m,n
_
2
= |f|
2
(4)
Remarque 16 En fait la notion de trame est beaucoup plus gnrale et dpasse
largement le cas des ondelettes ; nous nen prsentons ici que les aspects ncessaires
la comprhension des algorithmes.
La stabilit de la reconstruction pour la transforme en ondelette impose que la
famille forme une trame. On peut montrer quune trame serre assure une redondance
minimum et une reconstruction robuste. Le calcul des bornes dune trame est un
problme difcile, il existe cependant une mthode permettant destimer un majorant
de B et un minorant de A (voir [10]). Malheureusement, cet encadrement peut tre
trs large, il ne garantit souvent que lexistence des bornes.
9.2 Reconstruction dans le cas dune trame dondelettes
La reconstruction de la fonction aprs son analyse et partir des coefcients de cette
analyse est thoriquement toujours possible et stable si on est en prsence dune trame.
La difcult est de donner un algorithme pratique.
Trames dondelettes 133
La transforme directe est note de faon simplie :
(Tf)
m,n
=
f,
m,n
_
(5)
cest un oprateur linaire de L
2
(R) dans l
2
(Z
2
). La proprit 9.3 implique quil est
born :
|Tf|
2
B|f|
2
(6)
loprateur adjoint de T existe donc, on le note T
ad
et il peut tre calcul par :
T
ad
c, f = c, Tf =
m,n
c
m,n
f,
m,n
_
(7)
=
m,n
c
m,n
m,n
, f
_
donc :
T
ad
c =
m,n
c
m,n
m,n
(8)
ce qui implique :
T
ad
Tf =
m,n
f,
m,n
_
m,n
(9)
Si on reporte ce rsultat dans 9.3 on obtient les ingalits suivantes :
AI T
ad
T BI (10)
si I est loprateur identit. On en conclut que T
ad
T est inversible et la famille de
fonctions construites par :
m,n
= (T
ad
T)
1
m,n
(11)
constitue une trame duale dondelettes qui a pour bornes B
1
et A
1
.
B
1
|f|
2
m,n
f,
m,n
_
2
A
1
|f|
2
(12)
La reconstruction de la fonction est alors mene par :
f = (T
ad
T)
1
T
ad
Tf (13)
soit :
f = (T
ad
T)
1
m,n
f,
m,n
_
m,n
(9.14)
=

m,n
f,
m,n
_
(T
ad
T)
1
m,n
et donc :
f =
m,n
f,
m,n
_
m,n
(15)
Il est ais de constater que les rles des deux familles dondelettes peuvent tre
inverss :
f =

m,n
f,
m,n
_
m,n
(9.16)
f =

m,n
f,
m,n
_
m,n
Le problme est, bien entendu, le calcul de la fonction duale qui ncessite la
connaissance des bornes de la trame. Car on peut montrer que :
m,n
=
2
A+B
k=0
(I
2
A+B
T
ad
T)
k
m,n
(17)
et :
T
ad
T
m,n
=
l,p
m,n
,
l,p
_
l,p
(18)
Chapitre 10
Exemple de trame dondelettes
Il existe une innit dexemples de trames dondelettes, et les ondelettes historiques
de Morlet ou le chapeau mexicain donnent naissance des trames. Mallat a donn un
exemple intressant ([28]) de trame dondelettes avec un algorithme de reconstruction
trs voisin des algorithmes utiliss dans le cas des analyses multirsolutions.
Nous avons voulu prsenter un exemple plus original conduisant une application
intressante en traitement des images : la dtection optimale des contours ous dans
une image bruite.
x
20 10 0 -10 -20
1
0.8
0.6
0.4
0.2
0
Figure 10. Modle de contour
10.1 Dtection de contour multichelle
Nous proposons donc dans ce chapitre un exemple de dcomposition en trame
dondelettes adaptes la dtection des contours ous dans une image bruite.
Dans cet exemple, la fonction dondelette est choisie en fonction de ses proprits
vis--vis de la dtection des contours sur des images bruites. La dmarche suivie
sinspire de celle inaugure par J. Canny [6] qui propose, pour dterminer un ltre
adapt la dtection des contours, doptimiser trois critres. Cette optimisation
garantit des performances optimales en ce qui concerne le rapport signal sur bruit de
limage contour, la localisation du contour et la suppression des contours multiples.
Le contour thorique choisi par Canny pour son tude tait un chelon abrupt,
Bourenanne [5] suivant dautres auteurs a propos un modle plus raliste mettant
en vidence un temps de monte du contour. La fonction choisie est illustre en 10.
qui correspond lquation 10.1 avec s = 1. Le facteur 1/s joue le rle de facteur
dchelle.
C(x) =
_
e
sx
2
si x < 0
1
e
sx
2
si x 0
(1)
En suivant la dmarche de Canny, on montre aisment que le ltre de dtection
optimum correspondant doit avoir pour rponse impulsionnelle la fonction impaire
10.2 illustre par la courbe 10. :
f(x) =
_
ksxe
msx
+e
msx
e
sx
si x > 0
ksxe
msx
e
msx
+e
sx
si x < 0
(2)
30 20 10 0 -10 -20 -30
1
0.5
0
-0.5
-1
Figure 10. Rponse du dtecteur gnralis
Exemple de trame dondelettes 137
Compte tenu de linvariance de la forme du dtecteur travers les chelles, il
est tentant dessayer dutiliser cette fonction pour dnir une famille dondelettes
adaptes la dtection des contours. La dcomposition dun signal sur cette famille
de fonctions doit conduire une dtection multichelle des contours permettant de
dtecter des variations plus ou moins abruptes de luminance dans des conditions
optimales vis--vis du bruit prsent dans limage initiale.
Il est intressant de vrier si la famille dondelettes obtenue constitue une trame
et si cest le cas de chercher un rglage des paramtres conduisant la trame la plus
serre possible et donc fournissant lanalyse la moins redondante possible.
Londelette aprs normalisation sera dnie par :
(x) =
_
N
s(ksxe
msx
+e
msx
e
sx
) si x > 0
N
s(ksxe
msx
e
msx
+e
sx
) si x < 0
(3)
les coefcients s et mtant des paramtres constants susceptibles dtre ajusts, N est
le facteur de normalisation de londelette.
Lestimation de la transforme en ondelettes dune fonction quelconque sera faite
par lapproximation numrique de lintgrale 2.17 :
f,
p,q
_
= a
p
2
o
_
+
f(t)(a
pt
o
t qb
o
)dt (4)
Le calcul des bornes de la trame, si elles existent, est men laide des expressions
proposes par I. Daubechies [10], qui donnent un majorant et un minorant des bornes
infrieure et suprieure. Nous rappelons ci-aprs les expressions de ces bornes.
A =
2
b
o
_
_
inf
1||u
+
p=
(u
p
)
k =
k ,= 0
_
(
2
b
o
k)(
2
b
o
k)
_1
2
_
_
(5)
B =
2
b
o
_
_
sup
1||u
+
p=
(u
p
)
2
+

k =
k ,= 0
_
(
2
b
o
k)(
2
b
o
k)
_1
2
_
_
(6)
avec (x) = sup
(a
p
o
)
(a
p
o
+x)
(7)
s A B
B
A
2 15.52 16.16 1.04
4 6.72 9.12 1.36
8 0.54 7.38 13.55
Tableau 10. Bornes de la trame
Le calcul numrique men avec k = 0.564 et m = 0.215 (valeurs qui optimisent
les critres de Canny) montre que les bornes sont nies, donc la famille constitue bien
une trame. Le tableau 10. donne quelques rsultats obtenus pour diffrentes valeurs de
s dans le cas dyadique (a
o
= 2 et b
o
= 1).
Figure 10. Image originale prsentant des contours plus ou moins nets
On constate que la construction dune base orthonorme est impossible, il semble
que lon doive se contenter dune trame presque serre.
Comme cest indiqu plus haut, pour le calcul pratique de la dcomposition
dun signal sur cette trame dondelettes, on effectuera un chantillonnage numrique
de lquation 10.4 qui est quivalente un produit de convolution, londelette
chantillonne tant considre comme la rponse impulsionnelle dun ltre
numrique. Pour lextension en deux dimensions un ltrage sparable sera utilis : un
ltre de rgularisation ayant comme rponse impulsionnelle lintgrale de la fonction
dondelette est appliqu suivant les lignes de limage tandis que le ltre ondelette
est appliqu suivant les colonnes. Le mme processus est rpt en permutant lignes
et colonnes et les modules des deux images obtenues sont additionns pour obtenir
les images des coefcients dondelettes cest dire les contours. Pour les dtails on
pourra se rfrer [40]. Nous donnons simplement dans les images de la gure 10.
et du tableau 10. un exemple de dtection de contours multichelle ralise suivant
cet algorithme sur une image prsentant des contours de nettet variable. On constate
Exemple de trame dondelettes 139
Tableau 10. Images du module de la transforme en ondelette pour trois chelles
dyadiques successives
aisment la complmentarit des dtections, les contours nets (objet au premier plan)
sont dtects avec prcision sur lchelle la plus ne, tandis que les contours ous
ne peuvent tre observs que sur lchelle la plus grossire (contours de lobjet le
plus lointain). Le problme qui reste rsoudre est la fusion de ces informations.
Cest un problme qui se pose frquemment en analyse multirsolution; il existe un
certain nombre de mthodes (classication gomtrique, rseaux de neurones, logique
oue, etc.) et un certain nombre de stratgies (coarse to ne ou ne to coarse, analyse
mixte,...) permettant de proposer des solutions plus ou moins performantes. Il faut
cependant dire que ce sujet est encore largement du domaine de la recherche et, en
tout, hors du propos de ce cours.
Annexe A
Fonctions B-splines et bases dondelettes
Les B-splines sont construites par autoconvolution de la fonction bote (box) note
I(t) :
I(t) =
1 si 1/2 t 1/2
0 sinon
(1)
la B-spline dordre n sera :
si n est impair :
(n)
(t) = n + 1I(t) I(t) I(t)
. .
si n est pair :
(n)
(t) = n + 1I(t
1
2
) I(t
1
2
) I(t
1
2
)
. .
(2)
Remarque 17 Pour n = 0 on retrouve la base de Haar qui est la seule de la srie
qui soit orthonorme.
Les transformes de Fourier sont values aisment grce au thorme de
Plancherel :
si n est impair :

(n)
() = (
sin

2
2
)
n+1
si n est pair :

(n)
() = (
sin

2
2
)
n+1
e
i(n+1)
2
(3)
Les deux graphes des gures 10. et 10. prsentent les B-splines linaires et
quadratiques, dont les quations sont obtenues partir des relations prcdentes :
(1)
(t) =
_
_
_
t + 1 si 1 < t 0
t + 1 si 0 < t < 1
0 sinon
(4)
(2)
(t) =
_
_
t
2
2
si 0 < t 1
3
2
+ 3t t
2
si 1 < t 2
9
2
3t +
t
2
2
si 2 < t 3
0 sinon
(5)
x
1.5 1 0.5 0 -0.5 -1 -1.5
1.4
1.2
1
0.8
0.6
0.4
0.2
0
Figure 10. Spline linaire
Pour construire les bases orthonormes nous avons besoin des splines discrtes
dordre 2n+1, soit pour les splines linaires et quadratiques de b
(3)
[k] et de b
(5)
[k]. On
peut calculer ces suites numriques en remarquant que b
(2n+1)
[k] est lchantillonne
de la fonction dautocorrlation de
(n)
(t) (on pourra dmontrer cette proprit en
utilisant un argument identique celui utilis pour dmontrer la relation 5.14) :
b
(2n+1)
[k] =
_
+

(n)
(t)
(n)
(t +k)dt (6)
Ce qui donne (llment soulign correspond k = 0) :
b
(3)
[k] =
_
, 0,
1
6
,
2
3
,
1
6
, 0,
_
(7)
b
(5)
[k] =
_
, 0,
1
120
,
13
60
,
11
20
,
13
60
,
1
120
, 0,
_
(8)
On dtermine les rponses frquentielles :
b
(3)
() =
2
3
+
1
3
cos (9)
b
(5)
() =
11
20
+
13
30
cos +
1
60
cos 2 (10)
Do les fonctions dchelle :
Fonctions B-splines et bases dondelettes 143
x
4 3 2 1 0
1
0.8
0.6
0.4
0.2
0
Figure 10. Spline quadratique
Spline linaire :
() = (
sin

2
2
)
2
1
_
2
3
+
1
3
cos
(11)
Les premiers coefcients de la dcomposition de
(x) =
k
q[k]
(1)
(x k) (12)
sont :
k 0 1 2 3 4
q[k] 1.2917 0.17466 0.03521 0.00787 0.00185
Do le graphe de la fonction dchelle sur la gure 10..
Spline quadratique :
() = (
sin

2
2
)
3
1
_
11
20
+
13
30
cos +
1
60
cos 2
e
i3
2
(13)
Les premiers coefcients de la dcomposition de
(x) =
k
q[k]
(2)
(x k) (14)
x
4 2 0 -2 -4
1.4
1.2
1
0.8
0.6
0.4
0.2
0
Figure 10. Fonction dchelle B-spline linaire
sont :
k 0 1 2 3 4 5
q[k] 1.5855 0.38331 0.12241 0.043756 0.01647 0.00638
Do le graphe de la fonction dchelle sur la gure 10..
On trouvera sur la gure 10. les graphes des transformes de Fourier des fonctions
dchelle obtenues (le trait n correspond la spline linaire et le trait gras la spline
quadratique) :
Ces courbes sont trs voisines et lvolution de lallure de ces courbes, quand
lordre des splines augmente, est signicative ; si lordre tend vers linni, la fonction
tend vers un ltre passe-bas parfait de bande gale .
La dtermination des ltres numriques associs (voir paragraphe 6.3) passe par la
dtermination de la fonction :
m(
2
) =

(n)
()
(n)
(
2
)
(15)
celle-ci peut tre faite directement ou en utilisant la dcomposition des splines sur la
rsolution infrieure. Nous donnons, ci-aprs, directement les rsultats obtenus :
m(
2
) =
_
1
2
+
1
2
cos

2
pour les splines linaires
1
8
+
3
8
e
i
2
+
3
8
e
i2
2
+
1
8
e
i3
2
pour les splines quadratiques
(16)
x
4 2 0 -2 -4
1.4
1.2
1
0.8
0.6
0.4
0.2
0
-0.2
Figure 10. Fonction dchelle B-spline quadratique
Ce qui donne pour les ltres :
Spline linaire :
h() =
2(
1
2
+
1
2
cos )
_
2 + cos
2 + cos 2
(17)
S. quad. :
h() =
2
8
(1+3e
i
+3e
2i
+e
i3
)
_
33 + 26 cos + cos 2
33 + 26 cos 2 + cos 4
(18)
Cette dernire rponse frquentielle est bien 2 p eriodique et correspond un
original rel (
h() =

h
()) ; le ltre obtenu est videmment linaire en phase

comme le montre cette autre forme de la mme expression :
h() =
2
4
(cos
3
2
+ 3 cos

2
)
_
33 + 26 cos + cos 2
33 + 26 cos 2 + cos 4
e
i3
2
(19)
Do les rponses impulsionnelles :
20 10 0 -10 -20
1.4
1.2
1
0.8
0.6
0.4
0.2
0
Figure 10. Fonctions dchelle B-spline dans Fourier
[k[ h[k] (linaire)
0 0.81765
1 0.3973
2 0.06910
3 0.05195
4 0.01697
5 0.00999
6 0.00388
7 0.00202
8 0.00092
k h[k] (quadratique)
2 0.68037
3 0.13796
4 0.12484
5 0.02075
6 0.04198
7 0.00424
8 0.01511
9 0.00112
10 0.00571
Le ltre correspondant aux splines quadratique est symtrique par rapport
3
2
de
sorte que h[2] = h[1], h[3] = h[0], etc.
Les calculs sont de plus en plus lourds quand le degr des splines augmente
mais leur complexit naugmente pas. Nous nous contenterons de donner ci-aprs
les principaux coefcients du ltre h pour les splines cubiques qui correspondent
un cas intressant dans la pratique de lanalyse des images. On nomme parfois la
base dondelettes associe, la base de Battle-Lemari. Son principal inconvnient est
la longueur (en thorie innie, en pratique > 22) de la rponse impulsionnelle des
ltres. La mise en uvre poura tre, dans de nombreux cas, mene avec prot dans
lespace de Fourier.
x
4 3 2 1 0 -1 -2
1
0.5
0
-0.5
-1
-1.5
-2
Figure 10. Ondelette (spline linaire)
[k[ h[k] (cubique)
0 0. 76612
1 0. 43392
2 0.05 020
3 0. 11004
4 0.03208
5 0.04207
6 0.01718
7 0.01798
8 0.00869
k h[k] (cubique)
9 0.00820
10 0.00435
11 0.00388
12 0.00219
13 0.00188
14 0.00110
15 0.00093
16 0.00056
17 0.00046
Encore une fois, la rponse impulsionnelle est en ralit de longueur innie et le
nombre de coefcients retenir est fonction de la prcision recherche pour lanalyse.
On pourra vrier que les ltres obtenus sont bien normaliss :
n
[h[n][
2
= 1.
Il reste dterminer la fonction dondelette, pour cela nous utilisons la relation :
() =
1
2
e
i/2
2
+) (
2
) (20)
Si on remplace les fonctions par leurs expressions, on obtient les relations listes
ci-aprs.
x
4 2 0 -2 -4
1
0.5
0
-0.5
-1
Figure 10. Ondelette (spline quadratique)
Spline linaire :
() =
1 cos

2
2
_
2
3
+
1
3
cos

2
_
2 cos

2
2 + cos
e
i
2
(
sin

4
4
)
2
(21)
Cette relation se met sous la forme :
() = q(
2
)
(1)
(
2
) (22)
La fonction q() est 2 p eriodique par construction ce qui nous permet
dexprimer (t) comme une combinaison linaire de B-splines :
(t) =
k
2q[k]
(1)
(2t k) (23)
Comme pour les fonctions dchelle, les coefcients de la suite numrique
q[k] sont calculs numriquement par transforme de Fourier inverse. Les premiers
coefcients sont donns dans le tableau suivant et le graphe de la fonction dans la
gure 10..
k 1 2 3 4 5
q[k] .84097 0.46358 0.00248 0.03872 0.00982
Spline quadratique :
20 10 0 -10 -20
1.4
1.2
1
0.8
0.6
0.4
0.2
0
Figure 10. Ondelettes B-spline dans Fourier
On reprend les mmes notations.
q(
2
) =
i(3 sin

4
sin3
4
)
4
_
11
20
+
13
30
cos

2
+
1
60
cos
_
33 26 cos

2
+ cos
33 + 26 cos + cos 2
e
i
4
(24)
et, bien entendu :
(2)
(
2
) = (
sin

4
4
)
3
e
i3
4
(25)
Les premiers coefcients de la dcomposition en combinaison de splines sont les
suivants :
k 0 1 2 3 4 5
2q[k] 1.9633 0.73284 0.04723 0.00898 0.09186 0.02480
Sachant que la fonction est antisymtrique par rapport
1
2
: q[0] = q[1],
q[1] = q[2], etc., et avec la relation :
(t) =
k
2q[k]
(2)
(2t k) (26)
on obtient le graphe de la gure 10..
Les transformes de Fourier des fonctions dondelettes sont donnes dans le graphe
de la gure 10. (en gras la courbe correspondant aux splines quadratiques).
On pourra dduire les coefcients des ltres numriques associs aux ondelettes
de ceux des ltres h[k] en suivant la mthode habituelle.
Bibliographie
[1] P. Abry, A. Aldroubi, Designing Multiresolution Analysis-type Wavelets and their
Fast Algorithms, The Journal of Fourier Analysis and Applications, vol.2, n
2,
pp.135-159, 1995.
[2] M. Antonini, M. Barlaud, P. Mathieu, I. Daubechies, Image coding using wavelet
transform, IEEE trans. on Image Processing, vol.1, N
2, pp.205-216, april 1992.

[3] M. Barlaud, T. Gaidon, P. Mathieu, J.C. Fauveau, Edge detection using recursive
biorthogonal wavelet transform, IEEE, vol. CH2977, pp. 2553-2556, 1991.
[4] M. Barlaud, P. Sol, T. Gaidon, M. Antonini, P. Mathieu, Pyramidal Lattice Vector
Quantization for Multiscale Image Coding, IEEE trans. on Image Processing, vol. 3,
n
4, pp. 367-381, july 1994.

[5] E. Bourenanne, M. Paindavoine, F. Truchetet, An improvement of Canny-Deriche
Filter for ramp edge detection, journal de Traitement du signal et des images, vol.
10, n
4, pp. 297-310, 1993.

[6] J. Canny, A Computational approach of Edge Detection, IEEE trans on PAMI, vol.
8, n
6, Nov. 1986.
[7] C. K. Chui, An introduction to Wavelets, Academic Press, San Diego, CA, 1992.
[8] A. Cohen, Ondelettes et traitement numrique du signal, Masson, Paris, 1992.
[9] A. Cohen, I. Daubechies, Non-separable bidimensional wavelet bases, Revista
Matematica Iberoamericana, vol.9, n
1, pp. 51-137, 1993.

[10] I. Daubechies, Ten Lectures on Wavelets, SIAM, Philadelphia, PA, 1992.
[11] I. Daubechies, Orthonormal bases of compactly supported wavelets, Com. on Pure
Appl. Math., vol. 41, pp. 909-996, nov. 1988.
[12] R. Deriche, Using Cannys criteria to derive a recursively implemented optimal edge
detector, Int. Journal of Computer Vision, vol. 1, n
2, pp. 167-187, 1987.

[13] G. Donovan, J. Geronimo, D. Hardin, P. Massopust, Construction of orthogonal
wavelets using fractal interpolation functions, SIAM J. Math. Anal., vol. 27, N
4,
pp. 1158-1192, 1996.
[14] J.C. Fauveau, Analyse multirsolution avec un facteur de rsolution
2, Journal de
Traitement du Signal, vol. 7, N
2, pp. 117-128, 1990.

[15] G. Gasquet, P. Witomski, Analyse de Fourier et applications, Masson, Paris, 1990.
[16] G. Geronimo, D. Hardin, P. Massopust, Fractal functions and wavelet expansions
based on several scaling functions, J. Approx. Theory, vol. 78, pp. 373-401, 1994.
[17] K. Grchenig, W.R. Madych, Multiresolution analysis, Haar bases, and self-similar
tilings of R
n
, IEEE trans. on Inf. theory, vol. 38, N
2, pp. 556-568, march 1992.

[18] W. He, M.J. Lai, Digital lters associated with bivariate box spline wavelets,
journal of Electronic Imaging, vol.6, n
4, pp. 453-466, oct. 1997.

[19] B.B. Hubbard, Ondes et Ondelettes, Pour la science, dif. BELIN, Paris, 1995.
[20] B. Jawerth, W. Sweldens, An overview of wavelet based multiresolution analyses,
web site, //www.mathsoft.com/wavelets.html, pp. 1-39, 1997.
[21] J. Kovacevic, M. Vetterli, Nonseparable two- and three-dimensional wavelets,
IEEE trans. on Signal Processing, vol. 43, n
5, pp. 1269-1273, may 1995.

[22] J. Kovacevic, M. Vetterli, FCOsampling of digital video using perfect reconstruction
lter banks, IEEE trans. on image processing, vol. 2, n
1, pp. 118-122, jan. 1993.

[23] J. Kovacevic, M. Vetterli, Nonseparable multidimensional perfect reconstruction
lter banks and wavelet bases for R
n
, IEEE trans. on information theoy, vol. 38,
n
2, pp. 533-555, mar. 1992.

[24] W.R. Madych, Some elementary properties of multiresolution analyses of L
2
(R
n
),
Wavelets - A tutorial in theory and applications- C.K. Chui ed., pp. 259-294,
Academic press, 1992.
Bibliographie 153
[25] S. Mallat, Multiresolution approximations and wavelet orthonormal bases of
L
2
(R), Trans. Am. Math. Soc., vol. 315, N
1, pp. 69-87, sep. 1989.

[26] S. Mallat, Multifrequency channel decomposition of images and wavelet models,
IEEE Trans. on Accoustic Speech and Signal Proc., vol.37, N
12, pp. 2091-2110,

dec. 1989.
[27] S. Mallat, A theory for multiresolution signal decomposition : the wavelet
represntation, IEEE, PAMI, vol. 11, N
7, pp. 674-693, july 1989.

[28] S. Mallat, S. Zhong, Characterization of signals from multiscale edges, IEEE trans.
on PAMI, vol. 14, n
7, pp. 710-732, july 1992.

[29] P. Mathieu, M. Barlaud, M. Antonini, Compression dimages par transforme en
ondelettes et quantication vectorielle, Journal de Traitement du Signal, vol.7, N
2,
pp. 101-115, 1990
[30] Y. Meyer, Ondelettes et Oprateurs I- Ondelettes, Hermann, Paris, 1990.
[31] S.C. Pei, M.H. Yeh, An Introduction to Discrete Finite Frames, IEEE Signal
processing magazine, pp. 84-96, nov.1997.
[32] O. Rioul, P. Duhamel, Fast Algorithms for Discrete and Continuous Wavelet
Transform, IEEE Transaction on information theory, vol.38, n
2, pp. 569-586, mar.

1992.
[33] M.J. Shensa, The Discrete Wavelet Transform : Wedding the Trous and Mallat
Algorithms, IEEE Transactions on signal processing, vol.40, n
10, pp. 2464-2482,

oct. 1992.
[34] D. Stanhill, Y. Y. Zeevi, Two-dimensional orthogonal wavelets with vanishing
moments, IEEE trans. on Signal Processing, vol. 44, n
10, pp. 2579-2590, oct. 1996.

[35] G. Strang, T. Nguyen, Wavelets and lter banks, Wellesley-Cambridge Press,
Wellesley MA, 1996.
[36] G. Strang, Wavelets, American Scientist, vol. 82, pp. 250-255, may-june 1994.
[37] M.G. Strintzis, Optimal Biorthogonal Wavelet Bases for Signal Decomposition,
IEEE Transaction on signal processing, vol.44,n
6, pp. 1406-1417, june 1996.

[38] B. Torrsani, Analyse continue par ondelettes , InterEditions et CNRS Editions,
Paris, 1995.
[39] F. Truchetet, A. Forys, Implementation of still-image compression-decompression
scheme on FPGA circuits, Still-image Compression, SPIE, vol.2669, pp.66-75,
jan.1996.
[40] F. Truchetet, O. Laligant, E. Bourenanne, J. Mitran, Frame of wavelets for edge
detection, SPIE, Optics imaging and instrumentation, vol. 2303, pp. 141-152, San
Diego, july 1994.
[41] M. Unser, A. Aldroubi, M. Eden, B-spline signal processing : part I-theory, IEEE
trans. on PAMI, vol. 41, n
2, pp. 821-832, 1993.

[42] M. Unser, A. Aldroubi, M. Eden, B-spline signal processing : part II-Efcient design
and applications, IEEE trans. on PAMI, vol. 41, n
2, pp. 834-848, 1993.

[43] M. Vetterli, J. Kovacevic, Wavelets and Subband Coding , Prentice Hall,
Englewood Cliffs, NJ, 1995.
[44] M. Vetterli, C. Herley, Wavelet and Filter Banks : Relationships and New Results,
proc. IEEE, ICASSP, pp. 1723-1726, Albuquerque, 1990.
[45] E. Viscito, J.P. Allebach, The analysis and design of multidimensional FIR perfect
reconstruction lter banks for arbitrary sampling lattices, IEEE trans. on circuits and
systems, vol. 38, n
1, pp. 29-41, jan. 1991.

[46] B. A. Wandell, Foundations of Vision, Sinauer Associates, Sunderland, MA, 1995.
Index
admissibilit, 59
ondelette, 21
algorithme trous, 36
algorithme cascade, 45, 49, 110
algorithme danalyse, 37
algorithme de Mallat, 45
algorithme rcursif, 41, 92, 119
analyse en sous-bandes, 64
analyse multirsolution, 23, 25, 46, 48,
62, 77, 88, 135
approximation, 27, 45, 47, 93
signal, 49
Aslaken et Klauder, 11
axiomatique, 88
multirsolution, 25
B-spline, 71, 124, 141
B-spline discrte, 75, 142
B-spline linaire, 141
B-spline quadratique, 141
Bairstow, 83
banc de ltres, 37
base, 118
base biorthogonale, 23, 65, 117, 122
base duale, 117
base orthonorme, 23
Battle-Lemari, 100, 146
ondelette, 70
Bezout, 79
borne de trame, 137
bornes de trame, 132
Calderon, 11
Canny, 136
cascade
algorithme, 45
algorithme gnralis, 49
changement dchelle, 25, 54
chapeau mexicain
ondelette, 17
coefcients de dtail, 40
complment orthogonal, 28
compression, 76, 103, 129
compression dimage, 35
construction des bases, 53
contraction, 105
convergence, 46, 48, 77
analyse multirsolution, 26
dcimation, 91
dcomposition, 30
dcomposition en ondelettes, 40
dtail, 93, 102
signal, 51
dtecteur gnralis, 136
dtection de contours, 136
dtection multichelle, 137
Daubechies, 11, 65, 76
ltres de, 83
dilat dun vecteur, 88
dilatation, 26, 91, 103
dilatation surfacique, 88
Dirac, 52
dyadique, 20, 45, 100
analyse, 25
chantillonnage, 30, 75
chantillonnage sparable, 104
chelle, 89
quation rcursive, 39
espace de dtail, 28
espaces embots, 28
Esteban et Galand, 11
facteur dchelle, 16, 136
facteur de dilatation, 87
facteur spectral, 80
factorisation spectrale, 80
famille de bases biorthogonales, 124
famille orthogonalise, 74
Fauveau, 111
fentre glissante, 13
ltrage, 39
ltre associ, 75, 93, 96, 114, 120
ltre bidimensionnel, 107
ltre de rgularisation, 138
ltre dual, 119
ltre g, 40, 59, 61, 99, 110, 115, 121
ltre h, 37, 76, 83, 109, 114, 120, 124
ltre miroir en quadrature, 64
ltre numrique, 37
ltre passe-bas, 57, 109
ltre passe-haut, 60, 98
ltre rcursif, 125
ltres QMF, 64
fonction bote, 71, 141
fonction dchelle, 26, 37, 45, 46, 54,
75, 92, 102, 120, 129
fonction dautocorrlation, 55, 80
fonction de base, 26
fonction de transfert, 79, 122
fonction fentre, 13
fonction mre, 16
fonction polynomiale par morceau, 71
fonction rgulire, 78
Fourier, 11, 13
frame, 131
trame, 22
fusion, 139
Gabor
transformation, 14
gaborette, 14
Gauss, 14
Geronimo, 27
Grossmann, 11
Haar, 11, 39, 40, 64, 66, 72, 82, 112,
141
analyse, 30
ondelette, 17
Hamming, 14
Hanning, 14
Heaviside, 112
idempotent, 25
image, 87
imagette, 102
interpolation, 46
invariance par translation, 28
Kovacevic, 112
linaire en phase, 81
linarit en phase, 114
Littlewood-Paley, 65, 68
localisation frquentielle, 76
localisation temporelle, 70, 76
Mac Clellan, 111
maillage, 104
Mallat, 11, 36, 93
algorithme, 36
trame, 135
matrice dchelle, 87
matrice de dilatation, 87, 100
Meyer, 11, 92
Morlet, 11
ondelette, 17
multi-ondelettes, 27
multichelle, 136
norme, 14, 37
ondelette, 40, 45, 46, 58, 76, 93, 94,
97, 102, 110, 121
base, 29
ondelette quinconce, 103
ondelettes support compact, 77
ondelettes sparables, 100
oprateur adjoint, 133
orthogonal, 53
sous-espace, 28
orthogonalisation, 75
orthogonalit, 59, 96, 98, 105, 118,
120
orthonormalit de la fonction
dchelle, 56
orthonormalit du ltre associ, 56, 57
paquet
ondelettes, 23, 35
Parseval, 132
Paul, 11
peigne de Dirac, 55
phase minimum, 81
Plancherel, 55, 72, 141
Poisson, 55
polynme trigonomtrique, 78
produit de convolution, 39
produit scalaire, 14, 26
projecteur, 25
projection, 92
proprits des ltres, 62
proprits des fonctions dchelle, 62
proprits des ondelettes, 62
proprits frquentielles des on-
delettes, 58
pulsation de repliement, 97
pyramidal
algorithme, 43
quinconce, 100
rcurrence, 109
rcursif
algorithme, 41
rgularit, 129
rponse frquentielle, 54, 96
rseau, 89
rsolution, 25, 89
rsolution frquentielle, 14, 67
rsolution spatio-frquentielle, 41
rsolution temporelle, 14
rsolution temps-frquence, 67
reconstruction, 21, 30, 41, 132
algorithme, 46, 48
redondance, 22, 103, 132
RIF, 65
RII, 65, 114, 126
squence retourne, 39
signal de dtail
multirsolution, 29
signal multidimensionnel, 87
Smith et Barnwell, 11
sous-chantillonnage, 39, 89, 91
sous-espace complmentaire, 92
sous-espace dual, 118
sous-rseau, 90
spline, 65, 70
Strang, 27
sur-chantillonnage, 89, 91, 132
temps-frquence, 14
tight frame, 132
trame, 131
frame, 22
trame duale, 133
trame serre, 132, 138
transforme de Fourier, 54, 95
transforme en ondelettes, 16
multirsolution, 30
transforme en ondelettes discrte, 20
transforme en z, 62
transforme inverse, 21
transformation de Fourier, 13
fentre glissante, 14
translation, 26, 54, 89, 98, 105
orthogonalit, 72
transforme en ondelettes, 16
treillis, 89, 104
valeur moyenne, 58
valeur propre, 88
vecteur pulsation, 95
Vetterli, 11, 112

Ondelettes Hermes

Încărcat de

Informații document

Titlu original

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

Ondelettes Hermes

Încărcat de

Drepturi de autor:

Formate disponibile

Ondelettes pour le signal numrique

f(x)g(x)dx (pour des fonctions relles) (5)

, si il existe, est donn par lquation (3.2) :

(x +n)dx = (n) n Z (11)

(x)dx (pour des fonctions relles ou complexes) (12)

h[n] = h[n] (36)

h suivi par un sous-chantillonnage de rapport 2.

h[n] suivi dun sous-chantillonnage, ce qui donne :

(t)(t +)dt = (t), (t +) (9)

(x)dx ,= 0 (0) ,= 0 (19)

() ,= 0 on peut dduire de lquation 5.39 :

2 et donc g( +) = 0 donc [ g()[ =

. Dans tous les cas, on peut donc crire :

() sont possibles si besoin.

( +) soit : g[n] = (1)

h() est 2 priodique) :

h() = soit dordre N 1.

h() du ltre numrique h[n] devient

est le dilat, translat du vecteur x.

h[n] = h[n], on obtient :

h() est une

h(). Chaque valeur de J

2 sur chaque direction et la gomtrie

() qui soit 2 p eriodique et telle que

h() = ... +h[2]e

()) ; le ltre obtenu est videmment linaire en phase

2, pp.205-216, april 1992.

4, pp. 367-381, july 1994.

4, pp. 297-310, 1993.

1, pp. 51-137, 1993.

2, pp. 167-187, 1987.

2, pp. 117-128, 1990.

2, pp. 556-568, march 1992.

4, pp. 453-466, oct. 1997.

5, pp. 1269-1273, may 1995.

1, pp. 118-122, jan. 1993.

2, pp. 533-555, mar. 1992.

1, pp. 69-87, sep. 1989.

12, pp. 2091-2110,

7, pp. 674-693, july 1989.

7, pp. 710-732, july 1992.

2, pp. 569-586, mar.

10, pp. 2464-2482,

10, pp. 2579-2590, oct. 1996.

6, pp. 1406-1417, june 1996.

2, pp. 821-832, 1993.

2, pp. 834-848, 1993.

1, pp. 29-41, jan. 1991.

S-ar putea să vă placă și