TRAVAUX PRATIQUES TRAITEMENT DE L’INFORMATION

(DSP)

Traitement numérique du signal en temps

réel - Filtrage du bruit et de l’écho sur
Matlab / Simulink

Réaliser par : Encadré par :

Tahar EL BAHRI M. Ismail LAGRAT

23 Novembre 2015
 .

Table des matières

1 Préliminaires 3
1.1 Généralités sur le son . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.1 Définition du son . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2 Caractéristiques physiques du son . . . . . . . . . . . . . . . . . . . . 3
1.1.3 Caractérisation du bruit . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Caractérisation du bruit à l’aide d’outil Matlab et Simulink . . . . . . . . . 4

2 Caractérisation et filtrage du bruit 5

2.1 Schéma bloc de base sur Simulink . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Filtrage du bruit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

3 Génération et filtrage de l’écho 11

3.1 Génération de l’écho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.2 Filtrage de l’écho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

1
Introduction

Ce TP a pour objectif de corriger le son afin d’obtenir une bonne qualité d’un enregis-
trement (du son), ainsi qu’appliquer les relations et les lois vu en traitement de signal.
Il a pour but de :

1. Etude théorique du son et caractérisation du bruit

2. Caractérisation et filtrage du bruit
3. Génération et filtrage de l’écho

2
1 Préliminaires

1.1 Généralités sur le son

1.1.1 Définition du son

Du point de vue physique, un son peut être défini comme une variation de pression qui
peut être détectée par l’oreille humaine. Les variations de pression se propagent de proche
en proche dans le milieu (l’air par exemple). La variation de pression est appelée pression
acoustique, elle est exprimée en Pascal (1 Pa =1 N/m2).

1.1.2 Caractéristiques physiques du son

La fréquence Le nombre de variations de pression par seconde est appelé fréquence,

elle est exprimée en Hertz (Hz). La fréquence d’un son définit son “ ton ”, qu’on
appelle aussi sa “hauteur ”. Ainsi, plus la fréquence est haute, plus le son est aigu
(sifflement) ; plus la fréquence est basse, plus le son est grave (grondement). Un
son composé d’une seule fréquence est appelé “ son pur ”. Généralement un son
est la résultante de nombreux sons purs, de fréquences et d’amplitudes différentes.
L’oreille humaine perçoit les sons dans une plage de fréquences qui s’échelonne de
20 à 20.000Hz.
L’amplitude La variation de pression maximale atteinte par rapport à une pression
de référence s’appelle l’amplitude du son et correspond, dans le langage courant,
au “ volume ” sonore. Elle se calcule comme le rapport entre le niveau de pression
acoustique mesuré (P) et le niveau de pression acoustique de référence (Po). Le ni-
veau de pression de référence correspond approximativement au seuil de perception
de l’oreille humaine ; il est égal à une pression acoustique de 2.10-5 Pa, ou 20 Pa.
Le seuil de douleur, par contre, se situe à environ 20 Pa, soit une pression acoustique
un million de fois plus élevée.
La durée Le dernier paramètre qui caractérise un son est sa durée d’apparition. On
distingue trois types de sons en fonction de leur durée : • sons continus (ex : fon-
taine, chute d’eau) • sons intermittents (ex. : passages successifs de trains) • sons
impulsionnels (ex. : coup de fusil)

1.1.3 Caractérisation du bruit

Il existe différents types de bruit :

— Bruit à caractère purement aléatoire qui vient se superposer au signal utile sous
une forme essentiellement additive (ex : bruit thermique dans les résistances élec-
triques, bruit atmosphérique pour les images astronomiques...). Ces signaux aléa-
toires peuvent être stationnaires (à différent degré) tel quel le bruit blanc dont la
densité spectrale de puissance est constante, mais également passe bande tel que le
bruit blanc gaussien.
— Bruit issu d’interférences entre le signal utile et d’autres signaux parasites qui ne
sont pas considérés comme des bruits aléatoires (ex : phénomène de diaphonie en
téléphonie...).
Dans le cas du bruit à caractère aléatoire (cas le plus courant), on le modélise sous la
forme d’une variable aléatoire (ou processus stochastique) afin de prendre en compte
l’aspect statistique du signal.
Il est également possible de caractériser le bruit de mesure par le facteur de bruit qui

3
exprime le taux de bruit ou de dégradation du rapport signal/bruit créé par le convertis-
seur, lors de la réception des signaux, ou par tout autre système (amplificateur, etc..). Il
traduit donc sa sensibilité : moins le facteur de bruit est élevé, plus le convertisseur est de
bonne qualité. Il s’exprime en kelvin ou en décibel.

1.2 Caractérisation du bruit à l’aide d’outil Matlab et Simulink

Une mesure est une opération qui permet d’enregistrer des données, relatives à un
phénomène physique. Dans l’idéal, on obtiendrait une mesure correspondant directement
aux quantités pertinentes que l’on cherche à quantifier.
Mais, dans la réalité, lorsque l’on réalise des mesures, on observe l’apparition de signaux
parasites qui viennent se superposer au signal dit utile (i.e l’information que l’on souhaite
récupérer). Ces signaux sont une gêne pour la compréhension de l’information que le signal
transporte.
Il est donc important de connaître leurs origines, de les caractériser... afin de mieux pouvoir
les éliminer et de récupérer ainsi un signal le plus propre possible
Un fichier audio (type Wave), doit être traité, afin de retirer le bruit qui s’est ajouté lors
de l’enregistrement. La nature du bruit est une sinusoïde dont l’amplitude est assez élevée
pour être audible mais la fréquence est inconnue. Mais ce que nous savons, par-contre, c’est
que le bruit ne contient qu’une seule composante fréquentielle.

4
2 Caractérisation et filtrage du bruit

2.1 Schéma bloc de base sur Simulink

Dans ce TP on va importer un fichier audio (type Wave) au Simulink, on va le traiter,

afin de retirer le bruit qui s’est ajouté lors de l’enregistrement.
La nature du bruit est une sinusoïde dont l’amplitude est assez élevée pour être audible
mais la fréquence est inconnue or le bruit ne contient qu’une seule composante fréquentielle.
Pour pouvoir ouvrir le fichier à l’aide de Simulink, on doit ajouter le bloc « Multimedia
File » à la fenêtre Simulink, et on le relie avec le bloc « To Audio device » qui se trouve
dans « DSP system toolbox » pour entendre le son et un Scope.

Figure 1 – Schéma bloc de base

Ce bloc permet d’ouvrir un fichier disponible sur un support (disque dur, clef USB. . . )
à partir de Simulink afin de pouvoir effectuer différents traitements. Sa configuration est
semblable à la figure suivante :

Figure 2 – Paramètrage du bloc « Multimedia File »

5
 À partir de ce point, vous pouvez effectuer toutes les opérations usuelles disponibles
sur Simulink (addition, soustraction, etc. . . ) sur 1024 échantillons successifs.
On peut visualiser la forme du signal après une éxeution de simulation sur Simulink :

Figure 3 – Signal bruité

Et le Spectrum Scope nous permet de savoir la puissance de la densité spectrale du

signal, a l’aide de ce bloc on détermine la fréquence du bruit, en observant la FFT du
signal qui est la suivante :

Figure 4 – FFT du signal bruité

6
2.2 Filtrage du bruit

Un filtre RIF est un système linéaire invariant discret dont le comportement entrée-
sortie est caractérisé par les coefficients hi de sa réponse impulsionnelle. Le calcul de la
sortie se fait grâce au produit de convolution discret et la transformée en Z permet de
définir sa fonction de transfert H(z).

La suite des hi est limitée par i de l’intervalle [min, max]. Le calcul de la sortie yn
consiste à prendre les échantillons de x(t) dans une fenêtre de dimension finie, de pondérer
par les hi, puis d’effectuer la somme : c’est une moyenne pondérée. Cette opération se
réalise à chaque instant t=nTs et, pour passer à l’instant suivant, on décale d’une période
d’échantillonnage la fenêtre d’acquisition : la moyenne pondérée est mobile. Cela justifie
les noms parfois utilisés de filtre à moyenne mobile ou de filtre MA (Mobile Average).
En supposant max>0 nous pouvons factoriser z-max dans l’expression de la fonction de
transfert :

Cette forme montre que les seuls pôles possibles pour un filtre RIF sont des pôles à
l’origine (z=0) et la conséquence importante est que ces filtres sont assurément stables.

7
 Dans cette partie on cherche à éliminer le bruit, ceci peut être fait en ajoutant un filtre
passe bas :

Figure 5 – Schéma bloc de filtrage

La commande « fdatool », est un module disponible sur Matlab qui permet de déve-
lopper et implémenter un filtre.

Figure 6 – Paramètrage du filtre

Le filtrage doit se faire en une seule étape, c’est-à-dire que le signal ne doit pas passer
par plusieurs blocs de filtres (passage par un filtre passe-bas puis par un filtre passe-haut).

8
 On peut visualiser la forme du signal après le filtrage :

Figure 7 – Signal filtré par le filtre FIR

On observe alors la FFT du signal filtré qui est la suivante :

Figure 8 – FFT du signal filtré

L’écoute des signaux confirme bien les dires. Le signal semble être mieux filtré que le
signal bruité comme nous pouvions nous y attendre.
Nous avions fait la remarque (en regardant l’allure du filtre) qu’il serait assez difficile de
filtrer un signal audio avec ce type de filtre. Les résultats semblent confirmer ce que nous
pensions.

9
Dans le domaine numérique un filtre peut être caractérisé par des coefficients. Afin de
récupérer le design du filtre il suffit donc de récupérer les coefficients du module fdatool.
Pour cela il faut cliquer sur l’onglet : Target -> Generate C header . . . Et configurer la
fenêtre comme illustré sur la figure suivante :

Figure 9 – Generate C header

Figure 10 – Génération du code

10
3 Génération et filtrage de l’écho

3.1 Génération de l’écho

L’écho est un phénomène acoustique de réflexion du son. Ce nom provient de la nymphe

éponyme de la mythologie grecque, censée incarner ce phénomène. Il peut être simulé en
utilisant un dispositif nommé chambre d’écho ou delay.
A l’aide du fichier Simulink on génère un écho, ceci est fait en rassemblant les composantes
suivantes :

Figure 11 – Schéma bloc de génération de l’écho

On visualise la forme du signal après génération de l’écho sur Simulink :

Figure 12 – Signal de l’écho

11
3.2 Filtrage de l’écho

Parmi les techniques d’optimisation basées sur la descente en gradient peuvent être
mise en œuvre. L’algorithme du gradient stochastique ou LMS à pas constant (Least Mean
Squares) est souvent utilisé dans les systèmes de filtrage adaptatif.
On réalise ce schéma pour éliminer l’écho en utilisant LMS bloc :

Figure 13 – Schéma bloc de filtrage par LMS

Le signal est multipliée par l’erreur résultant de la différence entre le signal voulu et
réel.
On peut visualiser la forme du signal après le filtrage de l’écho :

Figure 14 – Signal filtré par LMS

12
Conclusion

Tout au long de ce TP, nous avons pu montrer les effets du filtrage numérique sur des
signaux bruités. Nous avons donc pu constater l’effet du filtrage numérique des signaux
générés sous MATLAB ainsi que les réponses en temporelle (notamment des signaux au-
dios).
Par suit, à l’aide de filtres FIR (filtres à réponse impulsionnelle) nous avons tenté d’ex-
traire (donc filtrer) les signaux filtrés afin d’en tirer l’information du départ (le signal à son
origine sans bruitage) dans le but de connaître les effets d’un filtrage numérique suivant le
filtre utilisé.
Enfin, on a mis en œuvre le filtrage de l’écho par l’algorithme LMS, on remarque qu’on peut
facilement se rendre compte qu’il est très simple et facile à appliquer car elle ne nécessite
des calculs ou des mesures complexes. L’algorithme LMS fournit la stabilité.

13