INTRODUCTION 1
• Dans ce chapitre nous allons explorer quelques techniques qui
permettent de filtrer des signaux particuliers avec de
meilleurs résultats que les filtres linéaires présentés avant.
• Ces techniques sont non linéaires, au sens où, si on filtre deux
signaux séparément et qu’on somme les résultats, on
n’obtient pas la même chose qu’en filtrant la somme des deux
signaux.
• Mais notons que ces techniques ne sont utiles que dans des
contextes particuliers, et que les filtres linéaires sont
majoritairement plus utiles.
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne
PRINCIPE GENERAL (1) 2
• Dans ce qui suit, on utilise de nouveau la notion de
fenêtre glissante. On considère un segment de signal
de longueur 2L+1 (donc impaire) centré sur
l’échantillon n, on calcule une valeur de sortie à partir
des échantillons du segment, et on attribue cette
valeur à l’échantillon n de la sortie. On glisse la
fenêtre en n+1 et on recommence.
sortie n+1
sortie n
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne
PRINCIPE GENERAL (2) 3
• Il y a problème en début et en fin de signal car il
manque des échantillons pour compléter la
fenêtre. Une combine simple: créer un signal plus
long de chaque côté en rajoutant des « signaux
miroirs »:
mirroir signal mirroir
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne
PRINCIPE GENERAL (3) 4
• On traite le signal allongé, et on ne garde de la
sortie que la partie correspondant au signal
originel.
• L’idée est que près des jonctions, les échantillons
rajoutés dans les miroirs et qui complètent les
fenêtre, sont au moins semblables aux vrais
échantillons.
• Cette combine peut d’ailleurs s’utiliser avec un
filtrage linéaire pour atténuer le transitoire.
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne
FILTRAGE MEDIAN (1) 5
• Rappelons tout d’abord brièvement ce qu’est la
médiane. On prend les 2L+1 échantillons de la
fenêtre centrée en n, donc xn-L, …, xn, …, xn+L. On
les classe par valeurs croissantes:
• La médiane est la valeur centrale, à la position L+1,
du classement.
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne
FILTRAGE MEDIAN (2) 6
• Nous avons vu dans le chapitre sur le filtrage
qu’un filtre moyenneur (ou mieux, passe-bas bien
sélectionné) permet de supprimer les fluctuations
rapides éventuellement gênantes dans un signal.
• De plus, si la réponse impulsionnelle du filtre est
de longueur 2L+1 on peut compenser le retard de
L échantillons introduit par le filtre.
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne
FILTRAGE MEDIAN (3) 7
• Sinusoide avec du bruit blanc gaussien – filtrage
avec filtre moyenneur de longueur 5.
2
signal 0
-1
-2
0 5 10 15 20 25 30 35 40 45 50
signal filtré 0
-1
-2
0 5 10 15 20 25 30 35 40 45 50
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne
FILTRAGE MEDIAN (4) 8
• Mais un filtrage linéaire ne performe pas très bien
en cas de bruit impulsif (typiquement valeurs
aberrantes).
10
signal 0
-5
0 5 10 15 20 25 30 35 40 45 50
signal filtré 0
-1
-2
0 5 10 15 20 25 30 35 40 45 50
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne
FILTRAGE MEDIAN (5) 9
• Au lieu de prendre la valeur moyenne dans la fenêtre, on
peut prendre la valeur médiane. Ainsi les valeurs
aberrantes sont toujours rejetées (fenêtre de longueur 5).
10
signal 0
-5
0 5 10 15 20 25 30 35 40 45 50
1.5
1
0.5
signal filtré 0
-0 . 5
-1
-1 . 5
0 5 10 15 20 25 30 35 40 45 50
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne
FILTRAGE MEDIAN (6) 10
• Notez que, s’il n’y a pas de bruit impulsif, le filtrage
linéaire (moyenneur) marche mieux.
1
0.5
filtre linéaire 0
-0 . 5
-1
0 5 10 15 20 25 30 35 40 45 50
0.5
filtre médian 0
-0 . 5
-1
0 5 10 15 20 25 30 35 40 45 50
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne
FILTRAGE MEDIAN (7) 11
• De même, le filtrage linéaire marche mal si on a un
saut qu’on veut conserver ou caractériser. Ce saut est
adouci (car correspond à de hautes fréquences).
2
signal 0
-1
-2
0 5 10 15 20 25 30 35 40 45 50
signal filtré 0
-1
-2
0 5 10 15 20 25 30 35 40 45 50
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne
FILTRAGE MEDIAN (8) 12
• Là encore, le filtrage médian marche mieux.
• Avant le saut, la majorité des échantillons dans la
fenêtre ont des valeurs basses. La médiane est
donc une valeur basse. Pareil après le saut.
après saut
avant saut
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne
FILTRAGE MEDIAN (9) 13
• Filtre médian (fenêtre de longueur 7)
signal 0
-1
-2
0 5 10 15 20 25 30 35 40 45 50
signal filtré 0
-1
-2
0 5 10 15 20 25 30 35 40 45 50
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne
FILTRAGE MEDIAN (10) 14
• On peut aussi soustraire la sortie du filtrage au
signal originel pour supprimer le saut. Bien sûr,
ça marche mieux avec le filtrage médian.
1
différence 0.5
filtre linéaire -0 . 5
-1
-1 . 5
0 5 10 15 20 25 30 35 40 45 50
0.5
différence 0
-0 . 5
filtre médian -1
0 5 10 15 20 25 30 35 40 45 50
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne
M-FILTRAGE (1) 15
• L’idée (et le nom) dce filtrage vient de la
technique dite M-estimation, une approche
robuste d’estimation.
• Le principe de base consiste à mettre ensemble
moyenne et médiane de façon à conjuguer les
avantages respectifs:
– meilleure réponse au bruit impulsif de la
médiane.
– meilleure suppression de bruit non impulsif de
la moyenne.
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne
M-FILTRAGE (2) 16
• De nouveau, on prend les 2L+1 échantillons de la
fenêtre centrée en n, donc xn-L, …, xn, …, xn+L. On les
classe par valeurs croissantes:
moyenne sur ces valeurs
• Mais on calcule la moyenne des valeurs au centre dans
un intervalle de longueur 2K+1, avec K < L.
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne
M-FILTRAGE (3) 17
• Le principe est simple: si on a des échantillons avec
des valeurs aberrantes, ce seront très probablement
les plus grandes ou plus petites valeurs dans la
fenêtre. Ils n’interviendront donc pas dans le calcul
de la moyenne.
• Le choix de K reste empirique. Plus K est proche de
L, plus on se rapproche du filtre moyenneur, mais
on risque plus de calculer une moyenne avec des
valeurs aberrantes.
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne
M-FILTRAGE (4) 18
• Sinusoïde avec bruit gaussien et impulsion (L=3,
K=2)
10
signal 0
-5
0 5 10 15 20 25 30 35 40 45 50
filtre médian 0
-1
0 5 10 15 20 25 30 35 40 45 50
M-filtre 0
-1
0 5 10 15 20 25 30 35 40 45 50
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne
ESTIMATION DES ENVELOPPES (1) 19
• L’enveloppe d’un signal est le signal qui suit les
variations des valeurs supérieures ou inférieures.
30
20
10
-1 0
-2 0
-3 0
0 50 100 150 200 250 300 350 400 450 500
• L’enveloppe donne donc une idée de l’évolution
de l’amplitude du signal au cours du temps
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne
ESTIMATION DES ENVELOPPES (2) 20
• Pour estimer l’enveloppe supérieure, on prend de
nouveau une fenêtre glissante et la valeur de
sortie en n (centre de la fenêtre) est la valeur
maximale des échantillons dans la fenêtre.
• Pareil pour l’enveloppe inférieure en prenant la
valeur minimale.
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne
ESTIMATION DES ENVELOPPES (3) 21
• Intuitivement, on peut voir ça comme le fait de
balader un segment horizontal sur le signal
• Mais ce segment doit avoir la bonne taille:
trop grand
trop petit
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne
ESTIMATION DES ENVELOPPES (4) 22
• Trop petit - trop grand
20
10
-10
-20
0 50 100 150 200 250 300 350 400 450 500
20
10
-10
-20
0 50 100 150 200 250 300 350 400 450 500
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne
ESTIMATION DES ENVELOPPES (5) 23
• La bonne taille!
15
10
-5
-10
-15
0 50 100 150 200 250 300 350 400 450 500
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne
ESTIMATION DES ENVELOPPES (6) 24
• La dernière opération consiste à filtrer passe-bas (bien
sûr avec un filtrage aller-retour pour supprimer les
déphasage) pour enlever les discontinuités.
15
10
-5
-1 0
-1 5
0 50 100 150 200 250 300 350 400 450 500
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne
ESTIMATION DES ENVELOPPES (7) 25
• La demi-différence des enveloppes donne
l’amplitude instantanée:
80
70
signal et 60
enveloppes 50
40
30
0 100 200 300 400 500 600
20
15
amplitude 10
instantanée 5
0
0 100 200 300 400 500 600
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne
ESTIMATION DES ENVELOPPES (7) 26
• La demi-somme des enveloppes donne un signal moyen
qu’on peut soustraire du signal original pour enlever la
dérive:
80
signal et demi-somme 70
60
des enveloppes 50
40
30
0 100 200 300 400 500 600
20
signal après soustraction 10
de la demi-somme -10
-20
0 100 200 300 400 500 600
Signal Processing Laboratory
Swiss Federal Institute of Technology, Lausanne