Bases du traitement des images. Transformée de Fourier - Numérisation
|
|
- Clementine Henry
- il y a 6 ans
- Total affichages :
Transcription
1 Transformée de Fourier - Numérisation Séverine Dubuisson 14 octobre / 125
2 Plan du cours 1 Transformée de Fourier d un signal continu 2 Numérisation d un signal continu 3 Numérisation d une image 4 Transformée de Fourier d un signal discret 2 / 125
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 / 125
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 / 125
5 Transformée de Fourier d un signal : exemples simples 5 / 125
6 Transformée de Fourier d un signal Transformée de Fourier d une fonction porte La transformée de Fourier d un signal porte (fonction rectangle) est un sinus cardinal X (f ) = h + a 2 a 2 e i2πft dt = ha sin(πfa) πfa = ha sin c (πfa) 6 / 125
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 / 125
8 Transformée de Fourier d un signal : exemple avec du bruit 8 / 125
9 Transformée de Fourier inverse d un signal 1D continu Définition On peut reconstruire le signal x(t) 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) 9 / 125
10 Transformée de Fourier d un signal 2D continu Définitions Si on considère un signal continu x(t, u), alors sa transformée de Fourier X (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 / 125
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 / 125
12 Transformée de Fourier d un signal 2D continu : un premier exemple 12 / 125
13 Translation Propriétés de la TF (1/3) Module invariant aux translations : Phase non modifiée Changement d échelle Module : TF(x(t a, u b)) = X (f, g)e 2πi(fa+gb) ( 1 f TF(x(αt, βu)) = αβ X α, g ) β ( ( 1 t TF αβ x α, u )) = X (αf, βg) β Phase également modifiée 13 / 125
14 Propriétés de la TF (2/3) 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 Phase également modifiée Linéarité Module : TF (αx(t, u) + βy(t, u)) = αx (f, g) + βy (f, g) Phase également modifiée 14 / 125
15 Convolution Propriétés de la TF (3/3) À un produit de convolution dans le domaine spatial correspond un produit dans le domaine fréquentiel x(t, u) y(t, u) = X (f, g) G(f, g) À un produit dans le domaine spatial correspond un produit de convolution dans le domaine fréquentiel x(t, u) y(t, u) = X (f, g) Y (f, g) Cette propriété est très importante pour le filtrage : correspondance entre le filtrage spatial et le filtrage fréquentiel 15 / 125
16 Illustration des propriétés 16 / 125
17 Cas de la fonction échelon (1/2) Échelon vertical : f (i, j) = { 255 si j < Sj i 0 sinon 17 / 125
18 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 18 / 125
19 Exemples sur des images réelles Les lignes directrices fortement représentées dans les images sont mises en valeur dans les spectres 19 / 125
20 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) 20 / 125
21 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) 21 / 125
22 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 22 / 125
23 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) 23 / 125
24 Spectre centré : illustration 24 / 125
25 Principe Du continu au discret Un signal continu a besoin d être discrétisé pour être enregistré, analysé et/ou traité Trois étapes : Le fenêtrage, pour limiter le support du signal 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 25 / 125
26 Fenêtrage Principe Le signal doit être à support fini Pour obtenir un support fini, il faut effectuer un fenêtrage du signal 26 / 125
27 Fenêtrage Principe Multiplication par une fonction porte dans le domaine spatial Convolution avec un sinus cardinal dans le domaine fréquentiel 27 / 125
28 Échantillonnage spatial Principe 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. 28 / 125
29 Échantillonnage 1D 29 / 125
30 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) 30 / 125
31 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 f e ), la période du spectre est 1 t D après Shannon, le spectre de départ doit donc être limité à 1 2 t en fréquence 31 / 125
32 Échantillonnage 1D 32 / 125
33 Échantillonnage 1D Interprétation du résultat de l échantillonnage 1D Le spectre se répète selon des fréquences multiples de 1 t Le signal échantillonné est obtenu par la transformée de Fourier inverse calculée sur un seul de ces spectres On doit donc : récupérer le spectre central : multiplication par une fonction porte, puis calculer la transformée de Fourier inverse de ce spectre 33 / 125
34 Échantillonnage 1D 34 / 125
35 Échantillonnage 1D Comment choisir les échantillons? 35 / 125
36 Échantillonnage 1D Comment choisir les échantillons? 36 / 125
37 Échantillonnage 1D Comment choisir les échantillons? Plus la période d échantillonnage est grande, plus la fréquence d échantillonnage est petite Plus la fréquence d échantillonnage est petite, plus les spectres reproduits seront proches Risque de recouvrement de spectre ou encore d aliasing On ne peut plus isoler un spectre, on récupère d autres lobes 37 / 125
38 Échantillonnage 1D Comment choisir les échantillons? 38 / 125
39 Échantillonnage 1D Comment choisir les échantillons? Théorème de Shannon : F e 2F max T e 1 2 T max Un problème du sous-échantillonnage : 39 / 125
40 Illustration de l aliasing 40 / 125
41 Illustration de l aliasing 41 / 125
42 Illustration de l aliasing 42 / 125
43 Illustration de l aliasing 43 / 125
44 Illustration de l aliasing 44 / 125
45 Premier cas réel : F e = 4F 0 45 / 125
46 Premier cas réel : F e = 4F 0 46 / 125
47 Premier cas réel : F e = 4F 0 47 / 125
48 Premier cas réel : F e = 2 3 F 0 48 / 125
49 Premier cas réel : F e = 2 3 F 0 49 / 125
50 Premier cas réel : F e = 2 3 F 0 50 / 125
51 Échantillonnage 1D Reconstruction du signal But : retrouver le signal original analogique à partir du signal échantillonné Il faut récupérer le spectre initial Rappel : il a été dupliqué lors de l étape d échantillonnage Multiplication par une porte dans le domaine fréquentiel Convolution avec un sinus cardinal dans le domaine spatial 51 / 125
52 Échantillonnage 1D : reconstruction T e = 2T 0 52 / 125
53 Échantillonnage 1D : reconstruction T e = T 0 53 / 125
54 Échantillonnage 1D : reconstruction T e = T / 125
55 Échantillonnage 1D : reconstruction T e = T / 125
56 Échantillonnage 1D : reconstruction T e = T / 125
57 Échantillonnage 1D : reconstruction T e = T / 125
58 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? 58 / 125
59 Fenêtrage Principe Même principe qu en 1D Le signal 2D doit être à support fini (ici le support de l image) On multiplie par une porte 2D dans le domaine spatial On convolue par un sinus cardinal 2D dans le domaine fréquentiel 59 / 125
60 Fenêtrage Illustration : TF d une sinusoïde 2D 60 / 125
61 Fenêtrage Zoom sur un pic 61 / 125
62 Fenêtrage Image de taille N N, profil sur la ligne 0 62 / 125
63 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 63 / 125
64 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 64 / 125
65 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 (Shannon) 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) 65 / 125
66 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) 66 / 125
67 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 selon 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 67 / 125
68 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 68 / 125
69 Exemples de grilles d échantillonnage 69 / 125
70 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) 70 / 125
71 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) 71 / 125
72 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 : / 125
73 Le problème d aliasing Échantillonnage 2D Rappel en 1D : le signal échantillonné peut ressembler à un autre (ici sinusoïde) En 2D : c est pire, l aliasing affecte la fréquence et la direction du signal original 73 / 125
74 Illustration de l aliasing 2D : T 0 = 32, θ = π 4 74 / 125
75 Illustration de l aliasing 2D : T e = 2T 0 75 / 125
76 Illustration de l aliasing 2D : T e = 8T 0 76 / 125
77 Illustration de l aliasing 2D : T e = 32T 0 77 / 125
78 Illustration de l aliasing 2D : T 0 = 32, θ = π 3 78 / 125
79 Illustration de l aliasing 2D : T e = 32T 0 79 / 125
80 Illustration de l aliasing 2D : T 0 = 16, θ = π 3 80 / 125
81 Illustration de l aliasing 2D : T e = 2T 0 81 / 125
82 Illustration de l aliasing 2D : T e = 8T 0 82 / 125
83 Illustration de l aliasing 2D : T e = 32T 0 83 / 125
84 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. 84 / 125
85 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) 85 / 125
86 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 86 / 125
87 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,..., / 125
88 Transformée de Fourier discrète d un signal 1D Échantillonnage de TF du signal échantillonné Transformée de Fourier du signal échantillonné ( + + ) X e (f ) = x(t)δ(t nt e ) e i2πft dt = t= + n= n= x(nt e )e i2πfnte Échantillonnage de X e (f ) : X (k) = X e ( N 1 2πkn i X (k) = x(n)e N n=0 k Nf e ), k = 0,..., N 1 88 / 125
89 Transformée de Fourier discrète d un signal 1D Échantillonnage de TF du signal échantillonné Entre 0 et f e et en N points (i.e. autant de points que le signal numérique x(k) temporel) 89 / 125
90 Transformée de Fourier discrète d un signal 1D Spectre non centré Échantillons espacés de fe N entre 0 et f e 90 / 125
91 Transformée de Fourier discrète d un signal 1D Spectre centré Échantillons espacés de fe N entre fe 2 et fe 2 91 / 125
92 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 sur un signal à support borné 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 92 / 125
93 Transformée de Fourier discrète 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 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 93 / 125
94 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) 94 / 125
95 Transformée de Fourier discrète d un signal 1D Remarques Le signal de départ a été échantillonné à une fréquence f e = 1 T e Le spectre centré est visible entre les fréquences fe 2 et fe 2 Il y a autant de points visibles que de points échantillonnant le signal : pour un signal à N échantillons, le spectre sera visible sur N points On parlera de résolution fréquentielle en 2D 95 / 125
96 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) 96 / 125
97 Transformée de Fourier d un signal 2D Fenêtrage Comme en 1D, pour effectuer une DFT, le signal 2D doit être à support fini Pour obtenir un support fini, il faut effectuer un fenêtrage du signal 2D Multiplication par une fonction porte 2D dans le domaine spatial Convolution avec un sinus cardinal 2D dans le domaine fréquentiel 97 / 125
98 Transformée de Fourier d un signal 2D Fenêtrage 98 / 125
99 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 99 / 125
100 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 / 125
101 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) 101 / 125
102 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) 102 / 125
103 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) 103 / 125
104 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 104 / 125
105 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) 105 / 125
106 Spectre centré : illustration 106 / 125
107 Comment passer d une image spatiale à une image fréquentielle? Domaine fréquentiel 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 u et v 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 ) Si on a une image de largeur N pixels, on veut un module représenté par N points, la résolution fréquentielle horizontale sera u = 1 N (résolution verticale v = 1 N ) 107 / 125
108 Comment passer d une image spatiale à une image fréquentielle? 108 / 125
109 Comment passer d une image spatiale à une image fréquentielle? Sinusoïde 2D (T = 16 puis T = 15, N = 64) Le spectre semble visuellement différent 109 / 125
110 Comment passer d une image spatiale à une image fréquentielle? Sinusoïde 2D La transformée de Fourier d une sinusoïde à support non fini est un couple de dirac centrés sur (+/ ) sa fréquence La transformée de Fourier d une sinusoïde à support fini est un couple de sinus cardinaux centrés sur (+/ ) sa fréquence Mais que voit-on à l écran? Cela dépend de la résolution fréquentielle 110 / 125
111 Comment passer d une image spatiale à une image fréquentielle? Sinusoïde 2D : rappel 111 / 125
112 Comment passer d une image spatiale à une image fréquentielle? Période de la sinusoïde inversement proportionnelle à résolution fréquentielle 112 / 125
113 Comment passer d une image spatiale à une image fréquentielle? Période de la sinusoïde quelconque 113 / 125
114 Changer la résolution fréquentielle Méthode du zero-padding : résolution multipliée par 2 On complète l image par des zéros 114 / 125
115 Changer la résolution fréquentielle Méthode du zero-padding : résolution multipliée par / 125
116 Changer la résolution fréquentielle Même nombre de points que dans l image 116 / 125
117 Changer la résolution fréquentielle Deux fois plus de points que dans l image 117 / 125
118 Changer la résolution fréquentielle Cinq fois plus de points que dans l image 118 / 125
119 Variation de la période de de l orientation de la sinusoïde 119 / 125
120 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 120 / 125
121 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 121 / 125
122 Transformée de Fourier discrète 2D 122 / 125
123 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 / 125
124 Transformée de Fourier discrète 2D 124 / 125
125 Propriété importante de DFT 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) 125 / 125
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 détailLicence Professionnelle de Génie Industriel Université Paris VI-Jussieu ; CFA Mecavenir Année 2003-2004. Cours de Génie Electrique G.
Licence Professionnelle de Génie Industriel Université Paris VI-Jussieu ; CFA Mecavenir Année 2003-2004 Cours de Génie Electrique G. CHAGNON 2 Table des matières Introduction 11 1 Quelques mathématiques...
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 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 détailChapitre 2 : Techniques de transmission
Chapitre 2 : Techniques de transmission /home/kouna/d01/adp/bcousin/repr/cours/2.fm - 14 Janvier 1998 20:09 Plan. Introduction. Phénomènes caractéristiques. Les éléments de la transmission. La modulation.
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 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 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 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 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 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 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 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 détailSIGNAUX NUMERIQUES ET MODULATIONS NUMERIQUES
SIGNAUX NUMERIQUES ET MODULATIONS NUMERIQUES ----------------------------------------------------------------------------------------------------------------- LES SIGNAUX NUMERIQUES Un signal numérique
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 détailINTERPRÉTATION ET ANOMALIES DE LA PROSPECTION À RÉSONANCE MAGNÉTIQUE (MRS)
1 Géologie, géotechnique, risques naturels, hydrogéologie, environnement et services scientifico-techniques INTERPRÉTATION ET ANOMALIES DE LA PROSPECTION À RÉSONANCE MAGNÉTIQUE (MRS) INTERPRETATION DES
Plus en détailData first, ou comment piloter l analyse par les données
CNRS & Patrick Flandrin École Normale Supérieure de Lyon Data first, ou comment piloter l analyse par les données M2 de Physique Cours 2012-2013 1 Table des matières 1 Introduction 4 2 Rappel sur les analyses
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 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 détailChristian JUTTEN Théorie du signal
Christian UTTEN Théorie du signal Cours de deuxième année (3i4) du département 3i Université oseph Fourier - Polytech Grenoble novembre 2009 1 Table des matières 1 Introduction à la théorie du signal 6
Plus en détailLes correcteurs accorderont une importance particulière à la rigueur des raisonnements et aux représentations graphiques demandées.
Les correcteurs accorderont une importance particulière à la rigueur des raisonnements et aux représentations graphiques demandées. 1 Ce sujet aborde le phénomène d instabilité dans des systèmes dynamiques
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 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 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 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 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 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 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 détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailOscillations libres des systèmes à deux degrés de liberté
Chapitre 4 Oscillations libres des systèmes à deux degrés de liberté 4.1 Introduction Les systèmes qui nécessitent deux coordonnées indépendantes pour spécifier leurs positions sont appelés systèmes à
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 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 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 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 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 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 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 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 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 détailTransmission de données. A) Principaux éléments intervenant dans la transmission
Page 1 / 7 A) Principaux éléments intervenant dans la transmission A.1 Equipement voisins Ordinateur ou terminal Ordinateur ou terminal Canal de transmission ETTD ETTD ETTD : Equipement Terminal de Traitement
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 détailAutomatique Linéaire 1 Travaux Dirigés 1A ISMIN
Automatique Linéaire 1 Travaux Dirigés Travaux dirigés, Automatique linéaire 1 J.M. Dutertre 2014 TD 1 Introduction, modélisation, outils. Exercice 1.1 : Calcul de la réponse d un 2 nd ordre à une rampe
Plus en détailLa conversion de données : Convertisseur Analogique Numérique (CAN) Convertisseur Numérique Analogique (CNA)
La conversion de données : Convertisseur Analogique Numérique (CAN) Convertisseur Numérique Analogique (CNA) I. L'intérêt de la conversion de données, problèmes et définitions associés. I.1. Définitions:
Plus en détailChapitre 1 Régime transitoire dans les systèmes physiques
Chapitre 1 Régime transitoire dans les systèmes physiques Savoir-faire théoriques (T) : Écrire l équation différentielle associée à un système physique ; Faire apparaître la constante de temps ; Tracer
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 détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
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 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 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 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
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 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 détailCorrigé du baccalauréat S Asie 21 juin 2010
Corrigé du baccalauréat S Asie juin 00 EXERCICE Commun à tous les candidats 4 points. Question : Le triangle GBI est : Réponse a : isocèle. Réponse b : équilatéral. Réponse c : rectangle. On a GB = + =
Plus en détailI- Définitions des signaux.
101011011100 010110101010 101110101101 100101010101 Du compact-disc, au DVD, en passant par l appareil photo numérique, le scanner, et télévision numérique, le numérique a fait une entrée progressive mais
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 détailLA PHYSIQUE DES MATERIAUX. Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE
LA PHYSIQUE DES MATERIAUX Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE Pr. A. Belayachi Université Mohammed V Agdal Faculté des Sciences Rabat Département de Physique - L.P.M belayach@fsr.ac.ma 1 1.Le réseau
Plus en détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
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 détailIntégrales doubles et triples - M
Intégrales s et - fournie@mip.ups-tlse.fr 1/27 - Intégrales (rappel) Rappels Approximation éfinition : Intégrale définie Soit f définie continue sur I = [a, b] telle que f (x) > 3 2.5 2 1.5 1.5.5 1 1.5
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 détailCours de mathématiques
DEUG MIAS premier niveau Cours de mathématiques année 2003/2004 Guillaume Legendre (version révisée du 3 avril 2015) Table des matières 1 Éléments de logique 1 1.1 Assertions...............................................
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 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 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 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 détail