RESTAURATION D IMAGES
|
|
- Luc Martineau
- il y a 7 ans
- Total affichages :
Transcription
1 RESTAURATION D IMAGES
2 Restauration d images (image restoration) La restauration est la suppression des dégradations subies par l image. 2
3 Restauration d images (image restoration) La restauration est la suppression des dégradations subies par l image. b f h z dégradation z = (f h) b 3
4 Restauration d images (image restoration) La restauration est la suppression des dégradations subies par l image. b f h z g ˆf dégradation z = (f h) b restauration ˆf = z g 4
5 Restauration d images (image restoration) La restauration est la suppression des dégradations subies par l image. b f h z g ˆf dégradation z = (f h) b restauration ˆf = z g trouver g tel que ˆf f. 5
6 Débruitage (denoising) 6
7 Déconvolution (deconvolution) 7
8 dehazing Image avec brume Image traitée [Kopf et al. 2008] 8
9 Correction des distortions 9
10 Restauration d images Étapes de la restauration : Besoin d une connaissance a priori sur la dégradation modèle «Inversion» de la dégradation la restauration est un problème inverse Formulation et optimisation d un critère 10
11 Sommaire Débruitage Déconvolution Correction de déformations géométriques Mesure de la qualité 11
12 Débruitage (denoising)
13 Débruitage 13
14 Sources du bruit Les principales sources de bruit dans les images numériques interviennent : durant l acquisition (quantité de photons collectés trop faible, température du capteur, ) durant la transmission (échos et distorsions atmosphériques en communication sans-fil) 14
15 Sources du bruit Les principales sources de bruit dans les images numériques interviennent : durant l acquisition (quantité de photons collectés trop faible, température du capteur, ) durant la transmission (échos et distorsions atmosphériques en communication sans-fil) Mais le bruit permet aussi de modéliser les imprécisions d un modèle de dégradation trop simple par rapport à la réalité! 15
16 Modélisation b f z g ˆf restauration 16
17 Modélisation b f z g ˆf restauration L intensité des pixels du bruit peut être considérée comme une variable aléatoire distribuée selon une densité de probabilité. 17
18 Modélisation Bruit additif z = f + b Bruit multiplicatif z = f b photographie, radar (bruit de speckle), astronomie, 18
19 Bruit additif gaussien indépendant (AWGN : additive white Gaussian noise) L intensité de chaque pixel (m,n) est en moyenne égale à l intensité du pixel (m,n) de l image non bruitée. Ce modèle est simple et facilite les calculs. m, n z(m,n) = f(m,n) + b(m,n) où b(m,n) N (0, σ 2 ) Modèle utilisé dans la plupart des applications, dont la photographie. 19
20 Bruit de Poisson (Poisson noise, shot noise) Le nombre de photons mesurés par un photosite est aléatoire et dépend de l illumination. Si un photosite mesure en moyenne λ photons, alors on est en présence d un processus de Poisson de moyenne λ et de densité de probabilité : m, n z(m,n) P(λ) où λ = f(m,n) Modèle utilisé das le cas d acquisition à faible nombre de photons (astronomie, ). 20
21 Bruit de Poisson p(x = k) = λk k! e λ 21
22 Bruit de Poisson p(x = k) = λk k! e λ E[X] = λ, V[X] = λ : la variance dépend du nombre de photons incidents le bruit dépend du signal. 22
23 Bruit de Poisson p(x = k) = λk k! e λ E[X] = λ, V[X] = λ : la variance dépend du nombre de photons incidents le bruit dépend du signal. lorsque λ augmente, la loi de Poisson tend vers la loi normale dans le cas d un nombre important de photons mesurés, le bruit de Poisson peut être considéré comme un bruit gaussien additif. 23
24 Bruit impulsionnel (sel & poivre) (salt-and-pepper noise) Le bruit impulsionnel permet de modéliser le cas où certains pixels sont saturés ou morts (dysfonctionnement des photosite, saturation, etc.). f min avec une probabilité p min, m, n f(m,n) = f max avec une probabilité p max, f(m,n) avec une probabilité 1 p min p max. où f min et f max sont les valeurs minimales et maximales des intensités. 24
25 Exemples de bruits Bruit gaussien additif Bruit de Poisson Bruit impulsionnel (la puissance des bruits est sensiblement la même dans les trois images) 25
26 Rapport signal-à-bruit (RSB) (SNR : signal-to-noise ratio) RSB = puissance de l image non bruitée puissance du bruit 26
27 Rapport signal-à-bruit (RSB) (SNR : signal-to-noise ratio) RSB = puissance de l image non bruitée puissance du bruit Rappel : puissance = 1 M N m,n f(m,n)2 27
28 Rapport signal-à-bruit (RSB) (SNR : signal-to-noise ratio) RSB = puissance de l image non bruitée puissance du bruit Rappel : puissance = 1 M N m,n f(m,n)2 On travaille souvent en échelle logarithmique (unité : db) : ( ) m,n RSB = 10 log f(m,n)2 10 m,n b(m,n)2 28
29 Peak signal-to-noise ratio (PSNR) PSNR = dynamique de l image non bruitée puissance du bruit où la dynamique est la différence entre l intensité maximale et l intensité minimale. 29
30 Peak signal-to-noise ratio (PSNR) PSNR = dynamique de l image non bruitée puissance du bruit où la dynamique est la différence entre l intensité maximale et l intensité minimale. Formule définie dans le cas d un bruit additif 30
31 Peak signal-to-noise ratio (PSNR) PSNR = dynamique de l image non bruitée puissance du bruit où la dynamique est la différence entre l intensité maximale et l intensité minimale. Formule définie dans le cas d un bruit additif PSNR = 10 log 10 ( max m,n f(m,n) 2 m,n b(m,n)2 1 M N ) 31
32 RSB et PSNR RSB = 0 db RSB = 10 db RSB = 20 db RSB = 30 db PSNR = 0 db PSNR = 10 db PSNR = 20 db PSNR = 30 db 32
33 RSB et PSNR RSB = 0 db RSB = 10 db RSB = 20 db RSB = 30 db PSNR = 0 db PSNR = 10 db PSNR = 20 db PSNR = 30 db RSB/PSNR bruit 33
34 État de l art des méthodes de débruitage Filtres moyenneurs Filtres médians Filtres adaptés Filtrage fréquentiel Ondelettes Approches statistiques Moyennes non locales 34
35 État de l art des méthodes de débruitage Filtres moyenneurs Filtres médians Filtres adaptés Filtrage fréquentiel Ondelettes Approches statistiques Moyennes non locales 35
36 Filtre moyenneur Méthode très simple! Soit V m,n l ensemble des pixels situés dans un rectangle de taille X Y centré sur le pixel (m,n). La moyenne des pixels de l image bruitée z situés dans le voisinage V m,n devient la valeur du pixel (m,n) de l image débruitée ˆf : m, n ˆf(m,n) = 1 X Y (x,y) V m,n z(x,y) 36
37 Filtre moyenneur Image bruitée z (RSB=20 db) ˆf X=Y=3 ˆf X=Y=5 ˆf X=Y=7 37
38 Filtre moyenneur Image bruitée z (RSB=20 db) ˆf X=Y=3 ˆf X=Y=5 ˆf X=Y=7 38
39 Filtre moyenneur Le filtre moyenneur peut s écrire sous forme d une convolution. démonstration 39
40 Filtre moyenneur Le filtre moyenneur peut s écrire sous forme d une convolution. démonstration ˆf(m,n) = 1 X Y z(x,y) = g(m x,n y)z(x,y) (x,y) V m,n x y où g(x,y) = { 1 XY si x { X 2,..., X } { 2 et y Y 2,..., Y } 2 0 sinon 40
41 Filtre moyenneur Le filtre moyenneur peut s écrire sous forme d une convolution. démonstration ˆf(m,n) = 1 X Y z(x,y) = g(m x,n y)z(x,y) (x,y) V m,n x y où g(x,y) = { 1 XY si x { X 2,..., X } { 2 et y Y 2,..., Y } 2 0 sinon On peut étendre cette définition à tout type de noyau g! 41
42 Filtre moyenneur carré Image bruitée z (RSB=20 db) 5 5 disque gaussienne
43 Filtre moyenneur carré Image bruitée z (RSB=20 db) 5 5 disque gaussienne
44 Filtre moyenneur Conclusions : le filtre moyenneur calcule la moyenne des pixels dans un voisinage le filtre moyenneur peut s écrire comme une convolution lissage des variations réduction du bruit par effet de flou variantes : moyenne géométrique, moyenne harmonique, 44
45 Filtre médian La médiane d un ensemble de nombre est l élément m de cet ensemble tel qu il y a autant de nombres plus petit que m que de nombres plus grands que m (par exemple : Médiane({1, 2, 4, 8, 16}) = 4). 45
46 Filtre médian La médiane d un ensemble de nombre est l élément m de cet ensemble tel qu il y a autant de nombres plus petit que m que de nombres plus grands que m (par exemple : Médiane({1, 2, 4, 8, 16}) = 4). Filtre médian : m, n ˆf(m,n) = Médiane({z(x,y) (x,y) V m,n }) 46
47 Filtre médian La médiane d un ensemble de nombre est l élément m de cet ensemble tel qu il y a autant de nombres plus petit que m que de nombres plus grands que m (par exemple : Médiane({1, 2, 4, 8, 16}) = 4). Filtre médian : m, n ˆf(m,n) = Médiane({z(x,y) (x,y) V m,n }) Malgré son nom, le filtre médian n est pas un filtre car il ne respecte pas la propriété de linéarité. Excellent dans le cas d un bruit impulsionnel (car le résultat est moins flou qu avec un filtre moyenneur). 47
48 Filtre médian Image bruitée z Moyenneur 5 5 Médian 3 3 Médian
49 Filtre médian Image bruitée z Moyenneur 5 5 Médian 3 3 Médian
50 Filtre médian Conclusions : Le filtre médian calcule la médiane des pixels dans un voisinage Le filtre médian ne peut pas s écrire comme une convolution (ce n est pas un filtre linéaire) Variantes : filtre max, filtre min, filtre milieu, 50
51 Filtrage de bruits périodiques [Gonzalez & Woods] 51
52 Conclusion Il existe différents types de bruit (gaussien additif, Poisson, impulsionnel, ), le modèle le plus courant (car le plus simple) étant le bruit blanc gaussien additif. Filtre moyenneur adapté au bruit additif Filtre médian adapté au bruit impulsionnel 52
53 Déconvolution (deconvolution)
54 Déconvolution Flou de bougé [Gonzales & Woods] 54
55 Exemple de convolution Flou de turbulence, flou de mise au point [Gonzales & Woods] 55
56 Modélisation b f h + z g ˆf dégradation restauration 56
57 Modélisation b f h + z g ˆf dégradation restauration z = f h + b 57
58 Modélisation b f h + z g ˆf dégradation restauration z = f h + b ˆf = z g 58
59 Modélisation b f h + z g ˆf dégradation restauration z = f h + b ˆf = z g Objectif : quel g choisir pour que ˆf f? 59
60 Estimation de la fonction de dégradation Les méthodes que nous allons étudier nécessitent de connaître la PSF h. 60
61 Estimation de la fonction de dégradation Les méthodes que nous allons étudier nécessitent de connaître la PSF h. Estimation par observation en trouvant dans l image des indices permettant d estimer h (par exemple : objet ponctuel isolé, déconvolution naïve en l absence de bruit dans une petite zone, essai erreur, ). 61
62 Estimation de la fonction de dégradation Les méthodes que nous allons étudier nécessitent de connaître la PSF h. Estimation par observation en trouvant dans l image des indices permettant d estimer h (par exemple : objet ponctuel isolé, déconvolution naïve en l absence de bruit dans une petite zone, essai erreur, ). Estimation par expérimentation en reproduisant en laboratoire les conditions d observation. L image d une impulsion observée ainsi donne une estimation de h. 62
63 Estimation de la fonction de dégradation Les méthodes que nous allons étudier nécessitent de connaître la PSF h. Estimation par observation en trouvant dans l image des indices permettant d estimer h (par exemple : objet ponctuel isolé, déconvolution naïve en l absence de bruit dans une petite zone, essai erreur, ). Estimation par expérimentation en reproduisant en laboratoire les conditions d observation. L image d une impulsion observée ainsi donne une estimation de h. Estimation par modélisation méthématique de la physique de l observation. 63
64 Estimation de la fonction de dégradation Les méthodes que nous allons étudier nécessitent de connaître la PSF h. Estimation par observation en trouvant dans l image des indices permettant d estimer h (par exemple : objet ponctuel isolé, déconvolution naïve en l absence de bruit dans une petite zone, essai erreur, ). Estimation par expérimentation en reproduisant en laboratoire les conditions d observation. L image d une impulsion observée ainsi donne une estimation de h. Estimation par modélisation méthématique de la physique de l observation. Remarque : les méthodes de déconvolution myope (blind deconvolution) estiment non seulement f mais également h. 64
65 Déconvolution naïve z = f h + b 65
66 Déconvolution naïve z = f h + b T. de Fourier Z = FH + B 66
67 Déconvolution naïve z = f h + b T. de Fourier Z = FH + B F = Z B H 67
68 Déconvolution naïve z = f h + b T. de Fourier Z = FH + B [ ] T. de Fourier Z B f = F 1 inverse H F = Z B H 68
69 Déconvolution naïve z = f h + b T. de Fourier Z = FH + B [ ] T. de Fourier Z B f = F 1 inverse H F = Z B H ] Bruit inconnu On calcule ˆf = F 1 [ Z H 69
70 Déconvolution naïve Image originale f Image observée z Estimation [ ] Z ˆf = F 1 H 70
71 Déconvolution naïve L estimation de f est obtenue par l équation : [ ] Z ˆf = F 1 H 71
72 Déconvolution naïve L estimation de f est obtenue par l équation : [ ] [ ] Z FH + B ˆf = F 1 = F 1 H H 72
73 Déconvolution naïve L estimation de f est obtenue par l équation : [ ] [ ] [ Z FH + B ˆf = F 1 = F 1 = F 1 F + B ] H H H 73
74 Déconvolution naïve L estimation de f est obtenue par l équation : [ ] [ ] [ Z FH + B ˆf = F 1 = F 1 = F 1 F + B ] H H H = f + F 1 [ B H ] 74
75 Déconvolution naïve L estimation de f est obtenue par l équation : [ ] [ ] [ Z FH + B ˆf = F 1 = F 1 = F 1 F + B ] H H H = f + F 1 [ B H ] f 75
76 Déconvolution naïve L estimation de f est obtenue par l équation : [ ] [ ] [ Z FH + B ˆf = F 1 = F 1 = F 1 F + B ] H H H = f + F 1 [ B H ] f Très souvent, H est un passe-bas, donc les valeurs de H(x,y) tendent vers 0 lorsque les fréquences (x,y) deviennent grandes le terme B/H peut rapidement dominer F. 76
77 Déconvolution naïve L estimation de f est obtenue par l équation : [ ] [ ] [ Z FH + B ˆf = F 1 = F 1 = F 1 F + B ] H H H = f + F 1 [ B H ] f Très souvent, H est un passe-bas, donc les valeurs de H(x,y) tendent vers 0 lorsque les fréquences (x,y) deviennent grandes le terme B/H peut rapidement dominer F. 77
78 Déconvolution naïve L estimation de f est obtenue par l équation : [ ] [ ] [ Z FH + B ˆf = F 1 = F 1 = F 1 F + B ] H H H = f + F 1 [ B H ] f Très souvent, H est un passe-bas, donc les valeurs de H(x,y) tendent vers 0 lorsque les fréquences (x,y) deviennent grandes le terme B/H peut rapidement dominer F. Solution : limiter le filtrage autour des fréquences faibles (c est-à-dire là où H a des valeurs loin de 0). 78
79 Déconvolution naïve [Gonzalez & Woods] 79
80 Déconvolution naïve [Gonzalez & Woods] La déconvolution naïve (ou filtrage inverse) n est pas performante. 80
81 État de l art des méthodes de déconvolution Filtre de Wiener [?] Maximum d entropie CLEAN Richardson Lucy Méthodes bayésiennes 81
82 État de l art des méthodes de déconvolution Filtre de Wiener [?] Maximum d entropie CLEAN Richardson Lucy Méthodes bayésiennes 82
83 Filtre de Wiener Le filtre de Wiener G prend en compte explicitement les caractéristiques du bruit B. Calcul 83
84 Filtre de Wiener Le filtre de Wiener G prend en compte explicitement les caractéristiques du bruit B. Calcul [ ˆf = F 1 H ] S f H 2 Z S f + S b }{{} G H : transformée de Fourier de la dégradation h H : conjugué de H H 2 = H H : carré du module de H S f = F 2 : densité spectrale de puissance de l image S b = B 2 : densité spectrale de puissance du bruit 84
85 Filtre de Wiener [ ˆf = F 1 H ] [ S f H 2 Z = F 1 H ] S f + S b H 2 Z + S b /S f 85
86 Filtre de Wiener [ ˆf = F 1 H ] [ S f H 2 Z = F 1 H ] S f + S b H 2 Z + S b /S f Pour une image f particulière, S f est une constante. Dans le cas d un bruit blanc, S b est une constante. S b rarement connu S b /S f est remplacé par une constante K que l on règle. Lorsque H s annule, on n observe pas le problème d augmentation du bruit comme avec le filtre inverse. Si le bruit est nul, alors S b = 0 et on obtient le filtre inverse : [ ] [ ] H ˆf = F 1 1H H 2 Z = F 1 Z 86
87 Filtre de Wiener [Gonzalez & Woods] Filtre inverse Filtre inverse limité Filtre de Wiener 87
88 Filtre de Wiener [Gonzalez & Woods] Filtre inverse Filtre inverse limité Filtre de Wiener 88
89 Filtre de Wiener [GW] 89
90 Conclusion Déconvolution = annuler le filtrage (générallement passe-bas) qu a subit l image observée Effectuer le filtrage inverse ne fonctionne pas car il tend à augmenter le bruit présent dans l image Filtre de Wiener Méthodes plus performantes et adaptées aux conditions du problème 90
91 Correction des distorsions géométriques
92 Correction des distorsions géométriques cf. cours sur le recalage. 92
93 Mesure de la qualité de la restauration
94 Mesure de la qualité de la restauration La différence ˆb entre l image réelle f, appelée vérité terrain (ground truth), et l image estimée ˆf est considéré comme un bruit. On peut donc mesurer la qualité de la déconvolution en calculant l un des indicateurs suivants : Le RSB entre f et ˆb. Le PSNR entre f et ˆb. L erreur quadratique moyenne (mean square error) EQM = 1 MN m,n ( f(m,n) ˆf(m,n) ) 2 1 = MN 2 ˆb(m,n) Ces mesures objectives ne représentent pas forcément la qualité perçue! m,n 94
95 Mesure de la qualité de la restauration Procédure : 1 Synthétiser ou utiliser une image «originale» f 2 Dégrader l image originale z 3 Appliquer la restauration à évaluer ˆf 4 Quantifier le résultat en utilisant le RSB, le PSNR ou l EQM 95
96 Conclusion
97 Conclusion b f h + z g ˆf dégradation restauration Débruitage Filtre moyenneur, filtre médian, Déconvolution Déconvolution naïve (filtre inverse), filtre de Wiener, 97
98 Conclusion Qui a dit que les dégradations étaient à éviter? 98
Quantification 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 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 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 détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
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 détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
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 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 détailMesure agnostique de la qualité des images.
Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire
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 détailDan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
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 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 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 détailAnalyse des bruits de clavier d ordinateur
Analyse des bruits de clavier d ordinateur Introduction 1 Enregistrement des bruits de clavier 2 Analyse des bruits de clavier 3 Analyse du niveau de pression acoustique vs. temps 4 Sonie vs. temps 4 Acuité
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
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 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 détailChapitre 2 : Systèmes radio mobiles et concepts cellulaires
Chapitre 2 : Systèmes radio mobiles et concepts cellulaires Systèmes cellulaires Réseaux cellulaires analogiques de 1ère génération : AMPS (USA), NMT(Scandinavie), TACS (RU)... Réseaux numériques de 2ème
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
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 détailINTRODUCTION 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 détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailApproche par marquage pour l évaluation de la qualité d image dans les applications multimédias
UNIVERSITÉ DU QUÉBEC EN OUTAOUAIS Département d informatique et d ingénierie Approche par marquage pour l évaluation de la qualité d image dans les applications multimédias MÉMOIRE (INF6021) pour l obtention
Plus en détailTraitement d un AVI avec Iris
Traitement d un AVI avec Iris 1. Définir le répertoire de travail Fichier > Réglages (Ctrl + R) Et on définit le chemin du répertoire de travail. C est là que les images vont être stockées. 2. Convertir
Plus en détailCommunication parlée L2F01 TD 7 Phonétique acoustique (1) Jiayin GAO <jiayin.gao@univ-paris3.fr> 20 mars 2014
Communication parlée L2F01 TD 7 Phonétique acoustique (1) Jiayin GAO 20 mars 2014 La phonétique acoustique La phonétique acoustique étudie les propriétés physiques du signal
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
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 détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
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 détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailhttp://www.u-bourgogne.fr/monge/e.busvelle/teaching.php
TP1 Traitement numérique du son 1 Introduction Le but de ce TP est de mettre en pratique les notions de traitement numérique vues en cours, TDs et dans le précédent TP. On se focalisera sur le traitement
Plus en détailReprésentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
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 détailRecherche De Coalescences Binaires Étalonnage Du Détecteur
Recherche De Coalescences Binaires Étalonnage Du Détecteur Fabrice Beauville Journées Jeunes Chercheurs 18/12/2003 Les Coalescences Binaires & VIRGO Système binaire d objets compacts (étoiles à neutrons,
Plus en détailUne fréquence peut-elle être instantanée?
Fréquence? Variable? Instantané vs. local? Conclure? Une fréquence peut-elle être instantanée? Patrick Flandrin CNRS & École Normale Supérieure de Lyon, France Produire le temps, IRCAM, Paris, juin 2012
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailLe concept cellulaire
Le concept cellulaire X. Lagrange Télécom Bretagne 21 Mars 2014 X. Lagrange (Télécom Bretagne) Le concept cellulaire 21/03/14 1 / 57 Introduction : Objectif du cours Soit un opérateur qui dispose d une
Plus en détailLISACode. Un simulateur opérationnel pour LISA. Antoine PETITEAU LISAFrance - le 16 mai 2006
LISACode Un simulateur opérationnel pour LISA Antoine PETITEAU LISAFrance - le 16 mai 2006 Plan Rappel sur LISACode. Validation du simulateur. Possibilités du simulateur. Résultats obtenus. Bruit de confusion.
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 détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailStatistiques d ordre supérieur pour le traitement du signal
Statistiques d ordre supérieur pour le traitement du signal Jean-Louis Lacoume, Pierre-Olivier Amblard, Pierre Comon To cite this version: Jean-Louis Lacoume, Pierre-Olivier Amblard, Pierre Comon. Statistiques
Plus en détailChapitre 2 : communications numériques.
Chapitre 2 : communications numériques. 1) généralités sur les communications numériques. A) production d'un signal numérique : transformation d'un signal analogique en une suite d'éléments binaires notés
Plus en détailMaster IMA - UMPC Paris 6 RDMM - Année 2009-2010 Fiche de TP
Master IMA - UMPC Paris 6 RDMM - Année 2009-200 Fiche de TP Préliminaires. Récupérez l archive du logiciel de TP à partir du lien suivant : http://www.ensta.fr/~manzaner/cours/ima/tp2009.tar 2. Développez
Plus en détailLes atouts et faiblesses des caméras TEP dédiées, TEP corps entier, TEP-CT, TEMP pour la quantification
Les atouts et faiblesses des caméras TEP dédiées, TEP corps entier, TEP-CT, TEMP pour la quantification Irène Buvat U494 INSERM CHU Pitié-Salpêtrière, Paris buvat@imed.jussieu.fr http://www.guillemet.org/irene
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 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 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 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 détailPartie 1: Gestion de l interférence entre symboles
Partie 1: Gestion de l interférence entre symboles Philippe Ciblat Télécom ParisTech, France Algo de Viterbi Egalisation OFDM Section 11 : Algorithme de Viterbi Philippe Ciblat Gestion de l interférence
Plus en détailLa couche physique de l ADSL (voie descendante)
La couche physique de l ADSL (voie descendante) Philippe Ciblat École Nationale Supérieure des Télécommunications, Paris, France Problématique qq kilomètres CENTRAL câble de 0,4mm Objectifs initiaux :
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailL'astrophotographie au Cercle
L'astrophotographie au Cercle Introduction générale à l'astrophotographie Le matériel Les différents domaines: imagerie sur trépied, du ciel profond... Réaliser des images sur trépied Réaliser des images
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailEtude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
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 détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détail1 - Connexion au service de gestion des demandes informatiques du lycée
1 - Connexion au service de gestion des demandes informatiques du lycée http://support.e-lycee-paca.fr Adresse du service en ligne à partir de tout point d accès internet, 24h/24. 1 Les identifiants sont
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 détailAtelier : L énergie nucléaire en Astrophysique
Atelier : L énergie nucléaire en Astrophysique Elisabeth Vangioni Institut d Astrophysique de Paris Fleurance, 8 Août 2005 Une calculatrice, une règle et du papier quadrillé sont nécessaires au bon fonctionnement
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 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 détailMicroscopie de fluorescence Etat de l art
Etat de l art Bibliométrie (Web of sciences) CLSM GFP & TPE EPI-FLUORESCENCE 1 Fluorescence Diagramme de JABLONSKI S2 S1 10-12 s Excitation Eex Eem 10-9 s Émission Courtoisie de C. Spriet
Plus en détailApprentissage non paramétrique en régression
1 Apprentissage non paramétrique en régression Apprentissage non paramétrique en régression Résumé Différentes méthodes d estimation non paramétriques en régression sont présentées. Tout d abord les plus
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailGéométrie discrète Chapitre V
Géométrie discrète Chapitre V Introduction au traitement d'images Géométrie euclidienne : espace continu Géométrie discrète (GD) : espace discrétisé notamment en grille de pixels GD définition des objets
Plus en détailCorrection : E = Soit E = -1,6. F = 12 Soit F = -6 3 + 45. y = 11. et G = -2z + 4y G = 2 6 = 3 G = G = -2 5 + 4 11
Correction : EXERCICE : Calculer en indiquant les étapes: (-6 +9) ( ) ( ) B = -4 (-) (-8) B = - 8 (+ 6) B = - 8 6 B = - 44 EXERCICE : La visite médicale Calcul de la part des élèves rencontrés lundi et
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailObject Removal by Exemplar-Based Inpainting
Object Removal by Exemplar-Based Inpainting Kévin Polisano A partir d un article de A. Criminisi, P. Pérez & H. K. Toyama 14/02/2013 Kévin Polisano Object Removal by Exemplar-Based Inpainting 14/02/2013
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 détailIncertitude et variabilité : la nécessité de les intégrer dans les modèles
Incertitude et variabilité : la nécessité de les intégrer dans les modèles M. L. Delignette-Muller Laboratoire de Biométrie et Biologie Evolutive VetAgro Sup - Université de Lyon - CNRS UMR 5558 24 novembre
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 détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
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 détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailERRATA ET AJOUTS. ( t) 2 s2 dt (4.7) Chapitre 2, p. 64, l équation se lit comme suit : Taux effectif = 1+
ERRATA ET AJOUTS Chapitre, p. 64, l équation se lit comme suit : 008, Taux effectif = 1+ 0 0816 =, Chapitre 3, p. 84, l équation se lit comme suit : 0, 075 1 000 C = = 37, 50$ Chapitre 4, p. 108, note
Plus en détailEtude comparative de différents motifs utilisés pour le lancé de rayon
Etude comparative de différents motifs utilisés pour le lancé de rayon Alexandre Bonhomme Université de Montréal 1 Introduction Au cours des dernières années les processeurs ont vu leurs capacités de calcul
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détail10ème Congrès Français d'acoustique Lyon, 12-16 Avril 2010
ème Congrès Français d'acoustique Lyon, -6 Avril Application de l'analyse Multirésolution en Ondelettes Pour la Prédiction de l'usure des Outils de Coupe Mohamed Khemissi Babouri, Nouredine Ouelaa Laboratoire
Plus en détailAnalyse des Systèmes Asservis
Analyse des Systèmes Asservis Après quelques rappels, nous verrons comment évaluer deux des caractéristiques principales d'un système asservi : Stabilité et Précision. Si ces caractéristiques ne sont pas
Plus en détailDirection des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Etab=MK3, Timbre=G430, TimbreDansAdresse=Vrai, Version=W2000/Charte7, VersionTravail=W2000/Charte7 Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Plus en détailUne réponse (très) partielle à la deuxième question : Calcul des exposants critiques en champ moyen
Une réponse (très) partielle à la deuxième question : Calcul des exposants critiques en champ moyen Manière heuristique d'introduire l'approximation de champ moyen : on néglige les termes de fluctuations
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détail8563A. SPECTRUM ANALYZER 9 khz - 26.5 GHz ANALYSEUR DE SPECTRE
8563A SPECTRUM ANALYZER 9 khz - 26.5 GHz ANALYSEUR DE SPECTRE Agenda Vue d ensemble: Qu est ce que l analyse spectrale? Que fait-on comme mesures? Theorie de l Operation: Le hardware de l analyseur de
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailCalculs de probabilités avec la loi normale
Calculs de probabilités avec la loi normale Olivier Torrès 20 janvier 2012 Rappels pour la licence EMO/IIES Ce document au format PDF est conçu pour être visualisé en mode présentation. Sélectionnez ce
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
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 détailLES CAPTEURS CCD/CMOS
Jérôme SIX Léo MEIGNAN Licence Professionnelle Gestion de la Production Industrielle, spécialité Vision Industrielle LES CAPTEURS CCD/CMOS Introduction...3 I) CCD...4 I.1) Historique...4 I.2) Fonctionnement...4
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 détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailUNIVERSITE DE TECHNOLOGIE DE COMPIEGNE. Le Traitement du Signal aléatoire
UNIVERSITE DE TECHNOLOGIE DE COMPIEGNE Le Traitement du Signal aléatoire SY06 partie II - Printemps 2009 P.Simard 12 mai 2009 2 Table des matières 1 Besoins de modèles aléatoires pour les signaux 5 2 Principaux
Plus en détail