Bases du traitement des images. Transformée de Fourier - Numérisation
|
|
- Jean-François Brisson
- il y a 7 ans
- Total affichages :
Transcription
1 Transformée de Fourier - Numérisation Séverine Dubuisson 28 septembre / 60
2 Plan du cours 1 Transformée de Fourier d un signal continu 2 Numérisation d un signal continu 3 Transformée de Fourier discrète 2 / 60
3 Transformée de Fourier d un signal 1D continu Définitions Un signal peut être, en théorie, décomposé par un nombre fini de sinusoïdes de différentes fréquences La transformée de Fourier donne une représentation fréquentielle d un signal temporel Si on considère un signal continu x(t), alors sa transformée de Fourier X (f ) est donnée par : X (f ) = + x(t)e i2πft dt avec f R 3 / 60
4 Définitions Transformée de Fourier d un signal Les X (f ) sont des nombres complexes La partie réelle X R (f ) = + x(t) cos (2πft) dt est paire La partie imaginaire X I (k) = + x(t) sin (2πft) dt est impaire Deux informations importantes à regarder : le module, ou spectre d amplitude X (k) = p X R (k) 2 + X I (k) 2 ; la phase Φ(k) = arctan. XI (k) X R (k) Une fréquence particulière, la fréquence fondamentale, pour f = 0 : X (0) = + x(t)dt 4 / 60
5 Transformée de Fourier d un signal : exemples simples 5 / 60
6 Transformée de Fourier d un signal Quelques transformées de Fourier La transformée de Fourier d un signal porte (fonction rectangle) est un sinus cardinal La transformée de Fourier d une gaussiene est une gaussienne 6 / 60
7 Transformée de Fourier d un signal Propriétés Linéarité : DFT (ax(.) + by(.)) = ax (.) + by (.) Contraction du domaine : DFT (x(a.)) = 1 a X ( ). a Translation temporelle : DFT (x(. t 0 )) = X (.)e i2πt0t Modulation temporelle : DFT ( x(.)e i2πt0t) = X (. t 0 ) Produit de convolution : DFT (x(.) y(.)) = X (.)Y (.) 7 / 60
8 Transformée de Fourier inverse d un signal 1D continu Définition On peut reconstruire le signal x(n) à partir de sa représentation fréquentielle X (f ) par la formule : x(t) = + X (f )e i2πft df Dans la pratique, il subsiste une (très) faible erreur entre le signal original et le signal reconstruit (cela dépend du signal) 8 / 60
9 Transformée de Fourier d un signal : exemple avec du bruit 9 / 60
10 Transformée de Fourier d un signal 2D continu Définitions Si on considère un signal continu x(t, u), alors sa transformée de Fourier F (f, g) est donnée par : X (f, g) = + + x(t, u)e i2π(ft+gu) dtdu avec f, g R On peut reconstruire le signal x(t, u) à partir de sa représentation fréquentielle X (f, g) par la formule : x(t, u) = + + X (f, g)e i2π(ft+gu) dfdg 10 / 60
11 Transformée de Fourier d un signal 2D continu Définitions Partie réelle X R (f, g) = + paire. + x(t, u) cos (2π(ft + gu)) dtdu Partie imaginaire X I (f, g) = + + x(t, u) sin (2π(ft + gu)) dtdu impaire. Module, ou spectre d amplitude X (f, g) = X R (f, g) 2 + X I (f, g) 2. ( ) Phase Φ(f, g) = arctan XI (f,g) X R (f,g). La fréquence fondamentale, pour f = g = 0, X (0, 0) == + + x(t, u)dtdu 11 / 60
12 Transformée de Fourier d un signal 2D continu : un premier exemple 12 / 60
13 Principe Du continu au discret Un signal continu a besoin d être discrétisé pour être enregistré, analysé et/ou traité Deux étapes : L échantillonnage, visant à prélever régulièrement des échantillons sur le signal La quantification, visant à approcher le signal continu par un ensemble fini de valeurs 13 / 60
14 Principe Échantillonnage spatial But : transformer un signal analogique en un signal numérique Des échantillons ponctuels sont prélevés régulièrement sur le signal : tout le reste est perdu! La fréquence à laquelle on prélève les échantillons (fréquence d échantillonnage) doit être bien choisie : 1 assez grande pour pouvoir bien restituer le signal ; et 2 pas trop grande pour limiter l espace de stockage nécessaire. Théorème de Shannon : F e 2F max la fréquence d échantillonnage F e doit être supérieure à deux fois la fréquence maximale F max (fréquence de Nyquist) du signal 14 / 60
15 Quantification Principe But : affecter une valeur numérique à chaque échantillon prélevé sur le signal (après échantillonnage) À une valeur de l ensemble des réels, on associe sa valeur la plus proche (à définir) dans un ensemble d entiers Introduction d erreurs (opération destructrice) Deux principaux types de quantification : la quantification scalaire : diviser en un nombre fini d intervalles, puis attribuer à toutes les valeurs du même intervalle une unique valeur ; la quantification vectorielle : les échantillons sont représentés par plusieurs valeurs. 15 / 60
16 Échantillonnage 1D Ce qui se passe dans le domaine spatial On échantillonne un signal en le multipliant par un ensemble d impulsions de Dirac d amplitude unité et de période t Soit x a (t) le signal analogique, x e (t) le signal échantillonné par un peigne de Dirac p(t), on a alors : x e (t) = x a (t)p(t) = x a (t) + n= δ(t n t) = + n= x a (n t)δ(t n t) 16 / 60
17 Échantillonnage 1D Ce qui se passe dans le domaine fréquentiel La transformée de Fourier de p(t) est un peigne de dirac P(f ) tel que P(f ) = 1 t n= δ(f n t ) Le spectre du signal échantillonné est donné par : X e (f ) = X a (f ) P(f ) = 1 t + k= ( X a f k ) t Pour un taux d échantillonnage t (inverse de la fréquence d échantillonnage), la période du spectre est 1 t D après Shannon, le spectre de départ doit donc être limité à 1 2 t en fréquence 17 / 60
18 Échantillonnage 2D Dans le cas 1D, l échantillonnage est bien expliqué, bien connu et bien utilisé La fréquence maximum doit être connue (mesurée avec des analyseurs de spectre) Le signal doit être stationnaire (transformée de Fourier) La condition est donnée pour la reconstruction du signal analogique La généralisation aveugle du 1D au 2D est dangereuse : Les hypothèses du 1D sont souvent oubliées La nature des signaux 2D est souvent différente de celle des signaux 1D Les contraintes des applications et des réalisations sont différentes 18 / 60
19 Problèmes Échantillonnage 2D Dans le cas 2D les analyseurs de spectre sont rares : on ne peut pas connaître les fréquences maximum Les signaux 2D sont rarement stationnaires Très souvent on ne réalise pas la mise en œuvre de la conversion numérique/analogique Solutions? On admet que les hypothèses 1D sont satisfaites Soit x a (t, u) un signal analogique 2D. On définit sa TF X a (f, g) par : X a (f, g) = + + x a (t, u)e 2πj(fu+gv) dtdu 19 / 60
20 Échantillonnage 2D Le signal échantillonné 2D de x a (t, u) se fait en prélevant des échantillons espacés périodiquement et est donné par : x e (k t, l u) = x e (k, l) = x a (t, u) t=k t,u=l u Un signal analogique 2D limité en bande à F et G peut être reconstruit à partir de ses échantillons si et seulement si t 1 2F et u 1 2G La version échantillonnée x e (t, u) de x a (t, u) peut être vue comme le produit du signal analogique et d impulsions δ (Diracs) 2-tuples périodiques ( brosse de Diracs) e(t, u) : x e (t, u) = x a (t, u) e(t, u) e(t, u) = + + k= l= δ(t k t, u l u) 20 / 60
21 Échantillonnage 2D Au produit direct dans le domaine spatial correspond le produit de convolution dans le domaine fréquentiel : X e (f, g) = X a (f, g) E(f, g) = + + X a (f, g )E(f f, g g )dfdg On peut montrer que : E(f, g) = 1 t u + + m= n= ( δ f m t, g n ) u Propriété du produit de convolution des impulsions de Dirac : y(α, β) δ(α a, β b) = y(α a, β b) 21 / 60
22 Échantillonnage 2D La transformée de Fourier du signal échantillonné est donnée par : X e (f, g) = 1 t u + + m= n= X a ( f m t, g n ) u X e (f, g) est obtenue par duplication périodique de X a (f, g) dans les 2 dimensions avec l inverse des périodes d échantillonnage 1 t et 1 u L échantillonnage 2D produit une succession de spectres secondaires dans les 2 directions, proportionnels au spectre X a (f, g) Si l échantillonnage est fait avec des impulsions de Dirac, tous les poids sont égaux (échantillonnage idéal) Si l échantillonnage est fait avec des impulsions de largeur finie, les poids sont donnés par la transformée de Fourier des impulsions 22 / 60
23 Échantillonnage 2D Grilles d échantillonnage La majorité des grilles d échantillonnage sont cartésiennes (rectangulaires) : les pixels sont à t et u les uns des autres En général, on choisit des grilles carrées : t = u Existent aussi des grilles hexagonales ou quinconces Les signaux TV sont souvent échantillonnés en quinconce pour économiser un facteur dans le nombre total d échantillons Les applications liées à la vision par ordinateur (robotique, reconnaissance, etc.) sont plus efficaces sur des grilles hexagonales 23 / 60
24 Exemples de grilles d échantillonnage 24 / 60
25 Échantillonnage 2D Reconstruction du spectre analogique (1/2) Si le signal est limité en bande à F et G, il peut être reconstruit à partir de ses échantillons par filtrage passe-bas (interpolation). La réponse fréquentielle G i (f, g) d un filtre passe-bas idéal est donnée par : { t u si f F et g G G i (f, g) = 0 sinon X a (f, g) = G i (f, g) X e (f, g) 25 / 60
26 Reconstruction : illustration en 1D 26 / 60
27 Échantillonnage 2D Reconstruction du spectre analogique (2/2) Si le signal n est pas limité en bande, le spectre X a (f, g) est irrévocablement perdu à cause du recouvrement de spectre (dont les erreurs ne peuvent être corrigées) Les fréquences au-dessus de la moitié de la fréquence d échantillonnage sont appelées fréquences de repliement On peut éviter le recouvrement (phénomène d aliasing dans l image) par filtrage passe-bas de l image afin de limiter sa bande à F et G Le signal reconstruit est une somme pondérée de fonctions sinus cardinal (sin c ) x a (t, u) = + + k= l= x(k, l) sin c (2Ft k) sin c (2Gu l) 27 / 60
28 Échantillonnage 2D En pratique La transformée de Fourier X a (f, g) du signal est rarement connue, de même que F et G Le traitement M-D est assez lourd, on cherche donc à éviter les filtres de reconstitution Des périodes arbitraires de fréquences d échantillonnage sont sélectionnées dans la plupart des cas : Télécopie (Fax) : 2 résolutions pré-réglées Imprimantes : nombre fini de résolutions au choix de l utilisateur TV : 25 ou 30 images par seconde, 625 ou 525 lignes par hauteur d image HDTV TV TV numérique : / 60
29 Quantification But : réduire le nombre de bits nécessaires au codage moyennant une diminution de la précision du signal Associer à un nombre réel un nombre entier compression implicite Deux types de quantifieurs : Le quantifieur scalaire : on quantifie chaque valeur Le quantifieur vectoriel : on quantifie une suite d échantillons (vecteur) 29 / 60
30 Quantification scalaire Définition On considère une variable aléatoire u de densité de probabilité p u (u) Une quantification est une application Q : R R, u u L image de Q est souvent un ensemble fini On subdivise les valeurs de u en intervalles [t k, t k+1 [ On associe une valeur r k à chaque intervalle On cherche les niveaux de transition t k et de quantification r k optimum, connaissant la densité de probabilité de u en se fixant un critère d optimisation On peut utiliser l histogramme comme fonction de densité de probabilité 30 / 60
31 Principe Quantification scalaire u u {r 1, r 2,..., r L } est le signal quantifié r k t k t k+1 u t k u < t k+1 et u r k t k : k = 1, 2,..., L + 1 niveau de transition r k : k ième niveau de reconstruction Exemple : cas d un quantificateur uniforme, avec u [0, 10.0] On souhaite avoir u {0, 1,..., 255} (dynamique d une image) t 1 = 0, t 257 = 10.0 Avec un séparation uniforme, on a t k = (k 1) 11, 256 k = 1, 2,..., / 60
32 Cas de la numérisation d images Rappels f (x, y) Échantillonnage Quantification f (i, j) Image continue Vers l ordinateur La résolution spatiale est obtenue après échantillonnage (Sampling) Détermine le plus petit détail perceptible dans l image Quel est le meilleur taux d échantillonnage? La résolution en niveaux de gris est obtenue après quantification (Quantization) Détermine le plus petit changement de niveau de gris discernable dans l image Existe-t-il un quantificateur optimal? 32 / 60
33 Transformée de Fourier discrète d un signal 1D Définition La transformée de Fourier discrète (DFT) est l équivalent discret de la transformée de Fourier continue Si on considère un signal numérique x(n) à N échantillons, alors sa transformée de Fourier discrète X (k) est donnée par : X (k) = = N 1 2πkn i x(n)e N avec k [ N2, N2 ] 1 n=0 N 1 ( ) ( ) x(n) 2πkn 2πkn n=0 cos i sin N N } {{ } } {{ } partie réelle partie imaginaire 33 / 60
34 Transformée de Fourier d un signal 1D Définitions Les X (f ) sont des nombres complexes La partie réelle X R (k) = N 1 n=0 x(n) cos ( ) 2πkn N dt est paire La partie imaginaire X I (k) = N 1 n=0 x(n) sin ( 2πkn N Deux informations importantes à regarder : ) est impaire le module, ou spectre d amplitude X (k) = p X R (k) 2 + X I (k) 2 ; la phase Φ(k) = arctan. XI (k) X R (k) Une fréquence particulière, la fréquence fondamentale, pour f = 0 : N 1 [ ( ) ( )] N 1 2π0n 2π0n X (0) = x(n) cos i sin = x(n) N N n=0 n=0 34 / 60
35 Transformée de Fourier inverse discrète d un signal 1D Définition On peut reconstruire le signal x(n) à partir de sa représentation fréquentielle X (k) par la formule : N 1 x(n) = X (k)e 2πikn N k=0 Dans la pratique, il subsiste une (très) faible erreur entre le signal original et le signal reconstruit (cela dépend du signal) 35 / 60
36 Transformée de Fourier discrète 2D La transformée de Fourier Discrète (DFT) est un outil très utilisé en traitement d images car il permet d observer les caractéristiques fréquentielles des images Domaines d application très variés : Filtrage : lissage, augmentation de la netteté Restauration : élimination des dégradations Classification : distinction de différents types d images Compression : utilisée, mais certaines transformées sont plus adaptées (transformée en z, DCT) 36 / 60
37 Définition Transformée de Fourier discrète 2D Nouvelle représentation de l image dans l espace des fréquences Reliée à la théorie du signal : Un signal est une somme de sinusoïdes à différentes fréquences Une image réelle est une superposition de sinusoïdes 2D À une image sinusoïdale 2D correspond un point dans l espace des fréquences Pour visualiser cette image, on représente sa norme (spectre d amplitude) et sa phase Chaque point correspond à la fréquence d une sinusoïde 2D On connaît ainsi la force de cette sinusoïde et sa position dans l image de la norme Fourier ne nous informe pas sur la localisation des fréquences dans l image spatiale 37 / 60
38 Transformée de Fourier discrète 2D DFT Domaine spatial Domaine fréquentiel Formulation mathématique (n, m) (u, v) Pour une image de taille N M, on obtient la DFT par : F (u, v) = = N 1 X M 1 X n=0 m=0 N 1 X M 1 X n=0 m=0 2πi( un f (n, m)e N + vm M ) 2 f (n, m) un 6 4 cos 2π N + vm M {z } partie réelle un 2π N + vm M 7 {z } 5 partie imaginaire i sin 3 avec : N 2 u N 2 1 et M 2 v M / 60
39 Transformée de Fourier discrète 2D inverse DFT 1 Domaine fréquentiel Domaine spatial Formulation mathématique (u, v) (n, m) Pour une image de taille N M, on obtient la DFT 1 par : f (n, m) = 1 N M N 2 1 M 2 1 u= N 2 v= M 2 un F (u, v)e 2πi( N + vm M ) avec : 0 n N 1 et 0 m M 1 Dans la théorie, l image reconstruite est réelle, dans la pratique, il subsiste une faible partie imaginaire (erreurs d arrondi) 39 / 60
40 Utilisation Transformée de Fourier discrète 2D On calcule la DFT en chaque pixel de l image pour obtenir une image complexe On calcule le spectre d amplitude, représentant le module des valeurs complexes, par la formule : F (u, v) = F re (u, v) 2 + F im (u, v) 2 On calcule le spectre de phase, représentant l argument des valeurs complexes, par la formule : ( ) Fim (u, v) Φ(u, v) = arctan F re (u, v) 40 / 60
41 Transformée de Fourier discrète 2D Spectre d amplitude Informe sur la présence de certaines fréquences (et de leur importance) dans l image Met en avant la présence d orientations fortes dans l image Ses valeurs ont une très grande dynamique : les basses fréquences ont une amplitude beaucoup plus élevée que les hautes fréquences on modifie cette dynamique en visualisant log(1 + F (u, v) ) La fréquence fondamentale F (0, 0), ou composante continue, contient la somme des niveaux de gris de l image : N 1 F (0, 0) = M 1 n=0 m=0 0n 2πi( f (n, m)e N + 0m M ) = N 1 M 1 n=0 m=0 f (n, m) 41 / 60
42 Transformée de Fourier discrète 2D Spectre d amplitude Le spectre d amplitude centré est symétrique par rapport à F (0, 0) Si l image est paire, sa DFT est réelle pure Si l image est impaire, sa DFT est imaginaire pure Spectre de phase Difficile à interpréter directement Donne toutefois l essentiel de l information d une image Si l image est impaire, sa phase comprise entre 0 et π 42 / 60
43 Transformée de Fourier discrète 2D Spectre centré Le calcul de la DFT donne un représentation spectrale dans laquelle l origine des fréquences (i.e. composante continue) est dans le coin en haut à gauche Il est plus naturel de voir l origine des fréquences au centre de l image du spectre Cela ne change pas l information contenue dans le spectre, seul son agencement est modifié L opération de centrage se fait en multipliant chaque pixel de coordonnées (i, j) par ( 1) i+j Cela met en avant la propriété de symétrie des spectres par rapport à F (0, 0) : F (u, v) = F ( u, v) 43 / 60
44 Spectre centré : illustration 44 / 60
45 Comment ca marche? Quelques propriétés sur le spectre centré La période minimale d un signal image (passage d un pixel à l autre) est de 2 (pixels) : fréquence maximale u max = v max = 1 2 Les fréquences du module du spectre d une image varient sur l intervalle [ 0.5, 0.5] Pour une sinusoïde de période (T x, T y ), on a les fréquences normalisées (u = 1 T x, v = 1 T y ) La fréquence fondamentale F (0, 0) code la somme des valeurs des pixels de l image 45 / 60
46 Variation de la période de de l orientation de la sinusoïde 46 / 60
47 Variation de la somme des valeurs des pixels La valeur de la fréquence fondamentale augmente, et prend la valeur de la somme des niveaux de gris 47 / 60
48 Transformée de Fourier discrète 2D Décomposition en images de base (1/2) La DFT transforme l image en une somme pondérée d images de base sinusoïdales a u,v (n, m) de fréquences u et v définies par : [ ( ( un a u,v (n, m) = cos 2π N + vm )) ( ( un i sin 2π M N + vm ))] M On calcule ainsi quelques images de base : a 0,0 (n, m) = 1 ( a 1,0 (n, m) = cos 2π n ) ( N a 1,1 (n, m) = cos 2π ( i sin ) 2π n ( N n N + m )) i sin M ( ( n 2π N + m )) M 48 / 60
49 Transformée de Fourier discrète 2D Décomposition en images de base (2/2) L image est la somme pondérée d images de bases a u,v (n, m) Si a u,v (n, m) décompose cette image, alors le pixel (u, v) du spectre de l image n est pas noir (i.e. non nul) Exemple : on a f (n, m) = αa u,v (1, 1) + βa u,v (11, 16) + γa u,v (0, 20) les pixels (1, 1), (11, 16) et (0, 20) du spectre sont allumés leur intensité, dans l image du spectre, est proportionnelle, respectivement à α, β et γ 49 / 60
50 Transformée de Fourier discrète 2D 50 / 60
51 Transformée de Fourier discrète 2D Interprétations On distingue 6 pics, donc 3 images de bases appartiennent à l image originale Les coordonnées des points sont : (0, 0.25), (0.125, 0) et (0.33, 0.33) Les images de base sont donc : a 0,0.25 (n, m), a 0.125,0 (n, m) et a 0.33,0.33 (n, m), d amplitudes respectives 200, 150 et / 60
52 Transformée de Fourier discrète 2D 52 / 60
53 Propriétés de la DFT (1/4) Séparabilité F (u, v) = = N 1 M 1 n=0 m=0 M 1 m=0 [ N 1 n=0 un 2πi( f (n, m)e N + vm M ) ] un 2πi( f (n, m)e N ) e 2πi( vm N ) On peut effectuer la DFT en deux étapes 1 Une DFT sur les lignes : f (n, m) F l (u, m) 2 Une DFT sur les colonnes : F l (u, m) F (u, v) 53 / 60
54 Translation Propriétés de la DFT (2/4) Module invariant aux translations : Phase sensible Changement d échelle Module : Phase invariante DFT(f (n a, m b)) = F (u, v)e 2πi(ua+vb) ( 1 u DFT(f (αn, βm)) = αβ F α, v ) β ( ( 1 n DFT αβ f α, m )) = F (αu, βv) β 54 / 60
55 Propriétés de la DFT (3/4) Rotation Une rotation d angle α dans le domaine temporel se traduit par une rotation d angle α dans le domaine fréquentiel Module conserve la rotation à π 2 près : Phase invariante Linéarité Module : DFT (αf (n, m) + βg(n, m)) = αf (u, v) + βg(u, v) Phase invariante 55 / 60
56 Convolution Propriétés de la DFT (4/4) À un produit de convolution dans le domaine spatial correspond un produit dans le domaine fréquentiel f (n, m) g(n, m) = F (u, v) G(u, v) À un produit dans le domaine spatial correspond un produit de convolution dans le domaine fréquentiel f (n, m) g(n, m) = F (u, v) G(u, v) Cette propriété est très importante pour le filtrage : correspondance entre le filtrage spatial et le filtrage fréquentiel 56 / 60
57 Illustration des propriétés 57 / 60
58 Cas de la fonction échelon (1/2) Échelon vertical : f (i, j) = { 255 si j < Sj i 0 sinon 58 / 60
59 Cas de la fonction échelon (2/2) Interprétations Une transition brutale verticale se décompose en une infinité de sinusoïdes verticales (v = 0) pondérées (le spectre s étale et devient infini). Cette caractéristique est visible au niveau du spectre d amplitude Les pics de la DFT sont régulièrement espacés car le motif de l image originale est régulier. Il se décompose sur des sinusoïdes de fréquences multiples de la fréquence de répétition Pour l échelon horizontal le spectre est le même, à π 2 près 59 / 60
60 Exemples sur des images réelles Les lignes directrices fortement représentées dans les images sont mises en valeur (à π 2 près) dans les spectres 60 / 60
INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE
INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE Le schéma synoptique ci-dessous décrit les différentes étapes du traitement numérique
Plus en détailCHAPITRE V. Théorie de l échantillonnage et de la quantification
CHAPITRE V Théorie de l échantillonnage et de la quantification Olivier FRANÇAIS, SOMMAIRE I INTRODUCTION... 3 II THÉORIE DE L ÉCHANTILLONNAGE... 3 II. ACQUISITION DES SIGNAUX... 3 II. MODÉLISATION DE
Plus en détailJ AUVRAY Systèmes Electroniques TRANSMISSION DES SIGNAUX NUMERIQUES : SIGNAUX EN BANDE DE BASE
RANSMISSION DES SIGNAUX NUMERIQUES : SIGNAUX EN BANDE DE BASE Un message numérique est une suite de nombres que l on considérera dans un premier temps comme indépendants.ils sont codés le plus souvent
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailTraitement du signal avec Scilab : transmission numérique en bande de base
Traitement du signal avec Scilab : transmission numérique en bande de base La transmission d informations numériques en bande de base, même si elle peut paraître simple au premier abord, nécessite un certain
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailLABO 5-6 - 7 PROJET : IMPLEMENTATION D UN MODEM ADSL SOUS MATLAB
LABO 5-6 - 7 PROJET : IMPLEMENTATION D UN MODEM ADSL SOUS MATLAB 5.1 Introduction Au cours de séances précédentes, nous avons appris à utiliser un certain nombre d'outils fondamentaux en traitement du
Plus en détailChapitre I La fonction transmission
Chapitre I La fonction transmission 1. Terminologies 1.1 Mode guidé / non guidé Le signal est le vecteur de l information à transmettre. La transmission s effectue entre un émetteur et un récepteur reliés
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailChaine de transmission
Chaine de transmission Chaine de transmission 1. analogiques à l origine 2. convertis en signaux binaires Échantillonnage + quantification + codage 3. brassage des signaux binaires Multiplexage 4. séparation
Plus en détailNumérisation du signal
Chapitre 12 Sciences Physiques - BTS Numérisation du signal 1 Analogique - Numérique. 1.1 Définitions. Signal analogique : un signal analogique s a (t)est un signal continu dont la valeur varie en fonction
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailCompression et Transmission des Signaux. Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette
Compression et Transmission des Signaux Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette 1 De Shannon à Mac Donalds Mac Donalds 1955 Claude Elwood Shannon 1916 2001 Monsieur X 1951 2 Où
Plus en détailTraitement du signal avec Scilab : la transformée de Fourier discrète
Traitement du signal avec Scilab : la transformée de Fourier discrète L objectif de cette séance est de valider l expression de la transformée de Fourier Discrète (TFD), telle que peut la déterminer un
Plus en détailM1107 : Initiation à la mesure du signal. T_MesSig
1/81 M1107 : Initiation à la mesure du signal T_MesSig Frédéric PAYAN IUT Nice Côte d Azur - Département R&T Université de Nice Sophia Antipolis frederic.payan@unice.fr 15 octobre 2014 2/81 Curriculum
Plus en détailSystèmes de communications numériques 2
Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes cnrs supélec ups supélec, Plateau de Moulon, 9119 Gif-sur-Yvette ciuciu@lss.supelec.fr Université
Plus en détailCommunications numériques
Communications numériques 1. Modulation numérique (a) message numérique/signal numérique (b) transmission binaire/m-aire en bande de base (c) modulation sur fréquence porteuse (d) paramètres, limite fondamentale
Plus en détailTraitement bas-niveau
Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.
Plus en détailP1PY7204 Acquisition de données Cours
ANNEE 2012-2013 Semestre d Automne 2012 Master de Sciences, Technologies, Santé Mention Physique- Spécialité Instrumentation P1PY7204 Acquisition de données Cours Denis Dumora denis.dumora@u-bordeaux1.fr
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailCodage hiérarchique et multirésolution (JPEG 2000) Codage Vidéo. Représentation de la couleur. Codage canal et codes correcteurs d erreur
Codage hiérarchique et multirésolution (JPEG 000) Codage Vidéo Représentation de la couleur Codage canal et codes correcteurs d erreur Format vectoriel (SVG - Scalable Vector Graphics) Organisation de
Plus en détailChapitre 13 Numérisation de l information
DERNIÈRE IMPRESSION LE 2 septembre 2013 à 17:33 Chapitre 13 Numérisation de l information Table des matières 1 Transmission des informations 2 2 La numérisation 2 2.1 L échantillonage..............................
Plus en détailUE 503 L3 MIAGE. Initiation Réseau et Programmation Web La couche physique. A. Belaïd
UE 503 L3 MIAGE Initiation Réseau et Programmation Web La couche physique A. Belaïd abelaid@loria.fr http://www.loria.fr/~abelaid/ Année Universitaire 2011/2012 2 Le Modèle OSI La couche physique ou le
Plus en détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
Plus en détailMaster IAD Module PS. Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique. Gaël RICHARD Février 2008
Master IAD Module PS Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance
Plus en détailLes algorithmes de base du graphisme
Les algorithmes de base du graphisme Table des matières 1 Traçage 2 1.1 Segments de droites......................... 2 1.1.1 Algorithmes simples.................... 3 1.1.2 Algorithmes de Bresenham (1965).............
Plus en détail- Instrumentation numérique -
- Instrumentation numérique - I.Présentation du signal numérique. I.1. Définition des différents types de signaux. Signal analogique: Un signal analogique a son amplitude qui varie de façon continue au
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détail5. Analyse des signaux non périodiques
5. Analyse des signaux non périodiques 5.. Transformation de Fourier 5... Passage de la série à la transformation de Fourier Le passage d'un signal périodique à un signal apériodique peut se faire en considérant
Plus en détailBTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL
BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailSystèmes de transmission
Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un
Plus en détailTS 35 Numériser. Activité introductive - Exercice et démarche expérimentale en fin d activité Notions et contenus du programme de Terminale S
FICHE Fiche à destination des enseignants TS 35 Numériser Type d'activité Activité introductive - Exercice et démarche expérimentale en fin d activité Notions et contenus du programme de Terminale S Compétences
Plus en détailLES CARACTERISTIQUES DES SUPPORTS DE TRANSMISSION
LES CARACTERISTIQUES DES SUPPORTS DE TRANSMISSION LES CARACTERISTIQUES DES SUPPORTS DE TRANSMISSION ) Caractéristiques techniques des supports. L infrastructure d un réseau, la qualité de service offerte,
Plus en détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
Plus en détailChapitre 11. Séries de Fourier. Nous supposons connues les formules donnant les coefficients de Fourier d une fonction 2 - périodique :
Chapitre Chapitre. Séries de Fourier Nous supposons connues les formules donnant les coefficients de Fourier d une fonction - périodique : c c a0 f x dx c an f xcosnxdx c c bn f xsinn x dx c L objet de
Plus en détailDidier Pietquin. Timbre et fréquence : fondamentale et harmoniques
Didier Pietquin Timbre et fréquence : fondamentale et harmoniques Que sont les notions de fréquence fondamentale et d harmoniques? C est ce que nous allons voir dans cet article. 1. Fréquence Avant d entamer
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailTD : Codage des images
TD : Codage des images Les navigateurs Web (Netscape, IE, Mozilla ) prennent en charge les contenus textuels (au format HTML) ainsi que les images fixes (GIF, JPG, PNG) ou animée (GIF animée). Comment
Plus en détailTechnique de codage des formes d'ondes
Technique de codage des formes d'ondes Contenu Introduction Conditions préalables Conditions requises Composants utilisés Conventions Modulation par impulsions et codage Filtrage Échantillon Numérisez
Plus en détailExpérience 3 Formats de signalisation binaire
Expérience 3 Formats de signalisation binaire Introduction Procédures Effectuez les commandes suivantes: >> xhost nat >> rlogin nat >> setenv DISPLAY machine:0 >> setenv MATLABPATH /gel/usr/telecom/comm_tbx
Plus en détailBandes Critiques et Masquage
Bandes Critiques et Masquage A. Almeida Licence Pro Acoustique et Vibrations Octobre 2012 Au Menu Au programme 1 Observations du masquage 5 Application du masquage 2 Conséquences du Masquage 3 Interprétation
Plus en détailTP Modulation Démodulation BPSK
I- INTRODUCTION : TP Modulation Démodulation BPSK La modulation BPSK est une modulation de phase (Phase Shift Keying = saut discret de phase) par signal numérique binaire (Binary). La phase d une porteuse
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Plus en détailPlanche n o 22. Fonctions de plusieurs variables. Corrigé
Planche n o Fonctions de plusieurs variables Corrigé n o : f est définie sur R \ {, } Pour, f, = Quand tend vers, le couple, tend vers le couple, et f, tend vers Donc, si f a une limite réelle en, cette
Plus en détailEtudier l influence de différents paramètres sur un phénomène physique Communiquer et argumenter en utilisant un vocabulaire scientifique adapté
Compétences travaillées : Mettre en œuvre un protocole expérimental Etudier l influence de différents paramètres sur un phénomène physique Communiquer et argumenter en utilisant un vocabulaire scientifique
Plus en détailMathématiques I Section Architecture, EPFL
Examen, semestre d hiver 2011 2012 Mathématiques I Section Architecture, EPFL Chargé de cours: Gavin Seal Instructions: Mettez votre nom et votre numéro Sciper sur chaque page de l examen. Faites de même
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailAlgorithmes pour la planification de mouvements en robotique non-holonome
Algorithmes pour la planification de mouvements en robotique non-holonome Frédéric Jean Unité de Mathématiques Appliquées ENSTA Le 02 février 2006 Outline 1 2 3 Modélisation Géométrique d un Robot Robot
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailEquipement. électronique
MASTER ISIC Les générateurs de fonctions 1 1. Avant-propos C est avec l oscilloscope, le multimètre et l alimentation stabilisée, l appareil le plus répandu en laboratoire. BUT: Fournir des signau électriques
Plus en détailSystèmes de communications numériques 2
Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes CNRS SUPÉLEC UPS SUPÉLEC, Plateau de Moulon, 91192 Gif-sur-Yvette ciuciu@lss.supelec.fr Université
Plus en détailSIGNAUX NUMERIQUES ET MODULATIONS NUMERIQUES
SIGNAUX NUMERIQUES ET MODULATIONS NUMERIQUES ----------------------------------------------------------------------------------------------------------------- LES SIGNAUX NUMERIQUES Un signal numérique
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailÉtude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test
11 juillet 2003 Étude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test Mariane Comte Plan 2 Introduction et objectif
Plus en détailTransmission des signaux numériques
Transmission des signaux numériques par Hikmet SARI Chef de Département d Études à la Société Anonyme de Télécommunications (SAT) Professeur Associé à Télécom Paris. Transmission en bande de base... E
Plus en détailDérivation : cours. Dérivation dans R
TS Dérivation dans R Dans tout le capitre, f désigne une fonction définie sur un intervalle I de R (non vide et non réduit à un élément) et à valeurs dans R. Petits rappels de première Téorème-définition
Plus en détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
Plus en détailn N = u N u N+1 1 u pour u 1. f ( uv 1) v N+1 v N v 1 1 2 t
3.La méthode de Dirichlet 99 11 Le théorème de Dirichlet 3.La méthode de Dirichlet Lorsque Dirichlet, au début des années 180, découvre les travaux de Fourier, il cherche à les justifier par des méthodes
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailLes travaux doivent être remis sous forme papier.
Physique mathématique II Calendrier: Date Pondération/note nale Matériel couvert ExercicesSérie 1 : 25 septembre 2014 5% RH&B: Ch. 3 ExercicesSérie 2 : 23 octobre 2014 5% RH&B: Ch. 12-13 Examen 1 : 24
Plus en détailComme chaque ligne de cache a 1024 bits. Le nombre de lignes de cache contenu dans chaque ensemble est:
Travaux Pratiques 3. IFT 1002/IFT 1005. Structure Interne des Ordinateurs. Département d'informatique et de génie logiciel. Université Laval. Hiver 2012. Prof : Bui Minh Duc. Tous les exercices sont indépendants.
Plus en détailIMAGES NUMÉRIQUES MATRICIELLES EN SCILAB
IMAGES NUMÉRIQUES MATRICIELLES EN SCILAB Ce document, écrit par des animateurs de l IREM de Besançon, a pour objectif de présenter quelques unes des fonctions du logiciel Scilab, celles qui sont spécifiques
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détail1.1.1 Signaux à variation temporelle continue-discrète
Chapitre Base des Signaux. Classi cation des signaux.. Signaux à variation temporelle continue-discrète Les signaux à variation temporelle continue sont des fonctions d une ou plusieurs variables continues
Plus en détailFête de la science Initiation au traitement des images
Fête de la science Initiation au traitement des images Détection automatique de plaques minéralogiques à partir d'un téléphone portable et atelier propose de créer un programme informatique pour un téléphone
Plus en détailExercices - Nombres complexes : corrigé. Formes algébriques et trigonométriques, module et argument
Formes algébriques et trigonométriques, module et argument Exercice - - L/Math Sup - On multiplie le dénominateur par sa quantité conjuguée, et on obtient : Z = 4 i 3 + i 3 i 3 = 4 i 3 + 3 = + i 3. Pour
Plus en détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détail10ème Congrès Français d'acoustique Lyon, 12-16 Avril 2010
10ème Congrès Français d'acoustique Lyon, 12-16 Avril 2010 Le compressed sensing pour l holographie acoustique de champ proche II: Mise en œuvre expérimentale. Antoine Peillot 1, Gilles Chardon 2, François
Plus en détailOpérations de base sur ImageJ
Opérations de base sur ImageJ TPs d hydrodynamique de l ESPCI, J. Bico, M. Reyssat, M. Fermigier ImageJ est un logiciel libre, qui fonctionne aussi bien sous plate-forme Windows, Mac ou Linux. Initialement
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détail5.2 Théorème/Transformée de Fourier a) Théorème
. Théorème de Fourier et Transformée de Fourier Fourier, Joseph (788). Théorème/Transformée de Fourier a) Théorème Théorème «de Fourier»: N importe quelle courbe peut être décomposée en une superposition
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailFiltres passe-bas. On utilise les filtres passe-bas pour réduire l amplitude des composantes de fréquences supérieures à la celle de la coupure.
Filtres passe-bas Ce court document expose les principes des filtres passe-bas, leurs caractéristiques en fréquence et leurs principales topologies. Les éléments de contenu sont : Définition du filtre
Plus en détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
Plus en détailOptimisation de la compression fractale D images basée sur les réseaux de neurones
Optimisation de la compression fractale D images basée sur les réseaux de neurones D r BOUKELIF Aoued Communication Networks,Architectures and Mutimedia laboratory University of S.B.A aoued@hotmail.com
Plus en détailSensibilité (bas niveaux de lumière, hauts niveaux de lumière) Spectre de sensibilité : visible (400-700 nm) mais aussi IR, UV, RX
Les capteurs pour l imagerie en biologie i Marc Moreau Catherine Leclerc Centre de Biologie du développement UMR 5547 et GDR E n 731 Toulouse BC02 mars 2013 Les différents système d imagerie à base de
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailHiver 2013 IMN 259. Introduction à l analyse d images. Par Pierre-Marc Jodoin
Hiver 2013 Analyse d images IMN 259 Introduction à l analyse d images Par Pierre-Marc Jodoin Où se situe l analyse d images? Traitement d images Imagerie Image Analyse d images/ Vision par ordinateur Infographie
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
Plus en détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailChapitre 2 Les ondes progressives périodiques
DERNIÈRE IMPRESSION LE er août 203 à 7:04 Chapitre 2 Les ondes progressives périodiques Table des matières Onde périodique 2 2 Les ondes sinusoïdales 3 3 Les ondes acoustiques 4 3. Les sons audibles.............................
Plus en détailExo7. Limites de fonctions. 1 Théorie. 2 Calculs
Eo7 Limites de fonctions Théorie Eercice Montrer que toute fonction périodique et non constante n admet pas de ite en + Montrer que toute fonction croissante et majorée admet une ite finie en + Indication
Plus en détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailIntroduction aux Communications Numériques
Université de Cergy-Pontoise - 01 - Communications numériques Introduction aux Communications Numériques Master M1 ISIM March 19, 01 Iryna ANDRIYANOVA iryna.andriyanova@u-cergy.fr 1 Contenu du cours 1
Plus en détailSimulation d'un examen anthropomorphique en imagerie TEMP à l iode 131 par simulation Monte Carlo GATE
Simulation d'un examen anthropomorphique en imagerie TEMP à l iode 131 par simulation Monte Carlo GATE LAURENT Rémy laurent@clermont.in2p3.fr http://clrpcsv.in2p3.fr Journées des LARD Septembre 2007 M2R
Plus en détailDéveloppements limités. Notion de développement limité
MT12 - ch2 Page 1/8 Développements limités Dans tout ce chapitre, I désigne un intervalle de R non vide et non réduit à un point. I Notion de développement limité Dans tout ce paragraphe, a désigne un
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailSUJET ZÉRO Epreuve d'informatique et modélisation de systèmes physiques
SUJET ZÉRO Epreuve d'informatique et modélisation de systèmes physiques Durée 4 h Si, au cours de l épreuve, un candidat repère ce qui lui semble être une erreur d énoncé, d une part il le signale au chef
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détail