Polycopié du cours :

TRANSFORMÉE DE FOURIER ET
APPLICATIONS

Edoardo Provenzi, Camille Sutour, Eric Luçon, Quentin Denoyelle

2022 - 2023
Table des matières

1 Les résultats fondamentaux des espaces vectoriels complexes avec produit

scalaire 8
1.1 Espaces vectoriels réels et complexes avec produit scalaire . . . . . . . . . . . . 8
1.2 Norme et distance associées à un produit scalaire . . . . . . . . . . . . . . . . . 11
1.3 Familles orthogonales et orthonormales dans des espaces vectoriels avec produit
scalaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.2 Orthogonalité et indépendance linéaire . . . . . . . . . . . . . . . . . . . 13
1.3.3 Notion de projection orthogonale . . . . . . . . . . . . . . . . . . . . . . 15
1.3.4 Existence d’une base orthonormale : la procédure itérative de Gram-
Schmidt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.3.5 Les propriétés fondamentales d’une base orthonormale et orthogonale . 18
1.4 Opérateurs entre espaces vectoriels avec produit scalaire : leurs propriétés et
leur représentation matricielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.4.1 Rappels sur les opérateurs linéaires et matrices . . . . . . . . . . . . . . 20
1.4.2 Formules de changement de bases . . . . . . . . . . . . . . . . . . . . . . 22
1.5 Opérateurs qui conservent le produit scalaire . . . . . . . . . . . . . . . . . . . 24
1.6 Valeurs et vecteurs propres d’un opérateur linéaire qui conserve le produit
scalaire et matrices unitaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.6.1 Le cas réel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.7 Rappel sur la diagonalisation des endomorphismes et matrices . . . . . . . . . . 27

2 La transformée de Fourier discrète 28

2.1 L’espace des suites complexes N -périodiques . . . . . . . . . . . . . . . . . . . . 28
2.1.1 La base orthogonale des exponentielles complexes de `N . . . . . . . . . 29
2.2 La base orthonormale de Fourier de `N . . . . . . . . . . . . . . . . . . . . . . . 32
2.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2.2 Conséquences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2.3 Autre choix de renormalisation . . . . . . . . . . . . . . . . . . . . . . . 33
2.3 Les coefficients de Fourier et la transformée de Fourier discrète (DFT) . . . . . 34
2.3.1 Transformée de Fourier discrète . . . . . . . . . . . . . . . . . . . . . . 34
2.3.2 La transformée de Fourier inverse (IDFT) . . . . . . . . . . . . . . . . . 35
2.3.3 La base (orthonormale) de Fourier réelle . . . . . . . . . . . . . . . . . . 37
2.4 Interprétation matricielle de la DFT et IDFT . . . . . . . . . . . . . . . . . . . 38
2.4.1 ! FFT " : Fast Fourier Transform . . . . . . . . . . . . . . . . . . . . . . 40
2.5 La transformée de Fourier dans le traitement des signaux . . . . . . . . . . . . 40

1
 2.5.1 La formule de synthèse des signaux 1D : décomposition sur la base des
harmoniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.5.2 Signification des coefficients de Fourier et spectre d’un signal 1D . . . . 42
2.5.3 Hautes et basses fréquences m dans la formule de synthèse . . . . . . . 43
2.5.4 Visualisation du spectre d’amplitude . . . . . . . . . . . . . . . . . . . . 47
2.5.5 Filtrage de signaux dans la représentation fréquentielle . . . . . . . . . . 48
2.5.6 L’opérateur de multiplication et sa représentation matricielle diagonale . 48
2.5.7 Le multiplicateur de Fourier et l’égalisateur graphique . . . . . . . . . . 49
2.6 Propriétés de la DFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.6.1 DFT et translation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.6.2 DFT et conjugaison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.6.3 DFT et convolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.7 La DFT et les opérateurs stationnaires . . . . . . . . . . . . . . . . . . . . . . . 59
2.7.1 La DFT et la diagonalisation des opérateurs stationnaires . . . . . . . . 61
2.7.2 Matrices circulantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.7.3 La caractérisation exhaustive des opérateurs stationnaires . . . . . . . . 64
2.7.4 Filtres passe-haut, passe-bas, passe-bande . . . . . . . . . . . . . . . . . 69
2.7.5 Analyse fréquentielle des opérateurs de dérivation (discrète) première et
seconde . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.8 La transformée de Fourier bidimensionnelle (DFT 2D) . . . . . . . . . . . . . . 72
2.8.1 Représentation matricielle de la DFT 2D : produit de Kronecker vs.
itération de deux DFT 1D . . . . . . . . . . . . . . . . . . . . . . . . . . 76
2.8.2 Les propriétés de la DFT 2D . . . . . . . . . . . . . . . . . . . . . . . . 77
2.8.3 La DFT 2D et les opérateurs stationnaires . . . . . . . . . . . . . . . . . 79
2.8.4 Visualisation du spectre d’amplitude en 2D . . . . . . . . . . . . . . . . 80
2.8.5 Un exemple remarquable de filtrage d’une image numérique dans l’espace
de Fourier : le floutage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

3 Fonctions périodiques et séries de Fourier 86

3.1 Rappels sur la convergence L2 des séries de Fourier . . . . . . . . . . . . . . . . 86
3.1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.1.2 Construction de fonctions périodiques . . . . . . . . . . . . . . . . . . . 88
3.1.3 Coefficients de Fourier d’une fonction 2π-périodique . . . . . . . . . . . 90
3.1.4 Décroissance à l’infini des coefficients de Fourier . . . . . . . . . . . . . 91
3.1.5 Notion de série de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . 92
3.1.6 Exemples de calculs de série de Fourier. . . . . . . . . . . . . . . . . . . 93
3.1.7 Convergence en moyenne quadratique d’une série de Fourier . . . . . . . 95
3.1.8 Exemples et applications . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
3.2 Convergence ponctuelle des séries de Fourier . . . . . . . . . . . . . . . . . . . . 98
3.2.1 Régularité des fonctions périodiques . . . . . . . . . . . . . . . . . . . . 99
3.2.2 Convergence normale de la série de Fourier. . . . . . . . . . . . . . . . . 100
3.2.3 Théorème de Dirichlet . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
3.2.4 Preuve du Théorème de Dirichlet . . . . . . . . . . . . . . . . . . . . . . 105
3.3 Phénomène de Gibbs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
3.4 Approximation de la série de Fourier en L2 pTq avec la DFT . . . . . . . . . . . 109

2
4 La transformée de Fourier pour fonctions non-périodiques 112
4.1 Transformée de Fourier et transformée de Fourier inverse pour une fonction de
L1 pRq . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.2 Convolution et propriétés de la transformée de Fourier dans dans L1 pRq . . . . 113
4.3 Propriétés de la transformée de Fourier . . . . . . . . . . . . . . . . . . . . . . . 115
4.3.1 Propriétés élémentaires : dilatation, translation . . . . . . . . . . . . . . 115
4.3.2 Transformée de Fourier et convolution . . . . . . . . . . . . . . . . . . . 116
4.3.3 Transformée de Fourier et dérivation . . . . . . . . . . . . . . . . . . . . 116
4.3.4 TF et gaussienne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
4.3.5 Tableau récapitulatif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
4.3.6 La localisation des signaux et son effet sur le spectre . . . . . . . . . . . 118
4.4 Le théorème d’échantillonnage de Shannon, Nyquist et Whittaker . . . . . . . . 119
4.4.1 Notion d’échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
4.4.2 La fréquence de Nyquist : ! aliasing " et ! oversampling " . . . . . . . . 121
4.5 Application de la transformée de Fourier à la résolution d’équations différentielles
en dérivées ordinaires et partielles . . . . . . . . . . . . . . . . . . . . . . . . . 121
4.5.1 Un exemple de EDO résolue avec la transformée de Fourier . . . . . . . 121
4.5.2 Transformée de Fourier et EDPs . . . . . . . . . . . . . . . . . . . . . . 123
4.5.3 Un exemple physique : l’équation de la chaleur . . . . . . . . . . . . . . 123
4.5.4 Résolution de l’équation de la chaleur par la Transformée de Fourier . . 124

A Pense-bête sur la convergence L2 des séries de Fourier 126

3
Une très brève introduction à
l’analyse de Fourier

Le sujet de ce cours est l’étude de la théorie et de certaines applications d’une transformation,

dite ! de Fourier ", devenue fondamentale dans la science moderne.
Le mathématicien qui a inventé cette transformation est Jean Baptiste Joseph Fourier,
né le 21 mars 1768 à Auxerre et mort le 16 mai 1830 à Paris.

Figure 1 – Gravure de Fourier faite par Julien Léopold Boilly (Wikipedia).

Fourier 1 a étudié à l’École Normale Supérieure, où il a été l’élève de mathématiciens

extraordinaires comme Joseph-Louis Lagrange (Turin 1736 ´ Paris 1813), qui a été son
superviseur de doctorat, Gaspard Monge (Beaune 1746 ´ Paris 1818) et Pierre-Simon
de Laplace (Beaumont-en-Auge 1749 ´ Paris 1827). À Grenoble, Fourier développe ses
expériences sur la propagation de la chaleur et, en 1822, il publie un des mémoires les plus
influents de la mathématique moderne : La théorie analytique de la chaleur.
ř
1. Curiosité : on doit à Fourier l’introduction de la notation pour exprimer une somme, écrite dans un
mémoire de 1820, avant cette notation on utilisait les points de suspension pour exprimer les sommes finies.

4
Figure 2 – Gauche : Maison à Auxerres où Fourier est né (image : E. Provenzi). Droite :
Tombe de Fourier dans la Division 18 au cimetière du Père-Lachaise à Paris (Wikipedia).

Dans le mémoire, il formule l’hypothèse (très audacieuse pour cette époque) que la solution
de l’équation qui gouverne la diffusion de la chaleur peut s’écrire comme une série de sinp¨q et
cosp¨q ou des exponentielles complexes, comme ceci :
8 8
a0 ÿ ÿ
f pxq “ ` an cospnxq ` bn sinpnxq
2 n“1 n“1

ainsi que :
`8
ÿ
f pxq “ γn einx
n“´8

où x ÞÑ f pxq est une fonction périodique de période 2π. On verra que les coefficients an , bn ,
n P N, et γn , n P Z s’appellent coefficients de Fourier et ils peuvent s’écrire explicitement
comme des intégrales. Ces intégrales représentent des produits scalaires dans un espace
fonctionnel qu’on appellera espace de Hilbert.
Quand f est une fonction définie sur R et n’est pas périodique, alors la série de Fourier
doit être remplacée par une transformation intégrale appelée transformée de Fourier :
ż `8
1
f pxq ÞÝÑ fˆpωq “ ? f pxqe´iωx dx.
2π ´8
L’importance de la série et de la transformée de Fourier réside dans le fait que les nombres
entiers n (dans le cas de la série) et la quantité réelle ω (dans le cas de l’intégrale), représentent
les fréquences des ondes dont la superposition reproduit la fonction f (dans un sens qu’on
définira dans le cours).
La figure 3 montre l’approximation de la fonction qui représente un signal triangulaire
périodique avec un nombre croissant de termes de la série de Fourier.
L’analyse de la convergence des séries de Fourier et des classes de fonctions pour lesquelles
on peut correctement définir la transformée de Fourier, est un problème très compliqué. C’est

5
Figure 3 – Approximation d’un signal triangulaire périodique avec un nombre croissant de
termes de la série de Fourier.

pourquoi, Lagrange et Laplace ont critiqué très fortement les idées de Fourier et que, d’une
manière générale, la communauté mathématique est restée longtemps très sceptique devant
ses idées.
Néanmoins, en 1829, son doctorant, le grand mathématicien allemand Johann Peter
Gustav Lejeune Dirichlet (Düren 1805 – Göttingen 1859), arrive à démontrer un ensemble de
conditions pour la convergence de la série de Fourier. Le résultat de Dirichlet a ouvert la porte
à l’application de la théorie de Fourier à de nombreux domaines différents. Les applications
que nous verrons sont les suivantes :

— Analyse fréquentielle des signaux (1D : son, 2D : images). Un des champs d’ap-
plication où la théorie de Fourier est la plus utilisée, est le traitement des signaux.
On verra, parmi beaucoup d’autres applications, comment analyser une classe très
importante d’opérateurs linéaires (les opérateurs stationnaires) dans le cadre de la
théorie de Fourier et comment concevoir des filtres pour modifier le contenu fréquentiel
du son et des images numériques. Notamment, on verra le principe de fonctionnement
de l’égalisateur graphique utilisé par les DJ ;

— Résolution des équations différentielles en dérivées ordinaires et partielles (EDO

et EDP) : avec la transformée de Fourier, on a la possibilité de transformer certaines
équations différentielles en équations algébriques, qui sont beaucoup plus simples à
résoudre. On verra l’application de cette technique lors de la résolution de l’équation
de quatre EDP :

— l’EDP de la chaleur (on verra la technique originale développée par Fourier !) ;

— l’EDP des ondes, ou de D’Alembert ;

6
 — l’EDP du potentiel, ou de Laplace ;
— l’EDP du transport.

On va étudier la théorie de Fourier dans trois situations différentes :

— Transformée de Fourier pour suites de nombres complexes N -périodiques,

où N P N. Dans ce cas, on parle de la transformée de Fourier discrète (ou DFT),
qui est toujours la transformation implémentée par les ordinateurs quand on
analyse des signaux numériques.
— Théorie des séries de Fourier pour les fonctions périodiques, qui met en
relation une classe de fonctions périodiques (d’énergie finie) avec la suite des coefficients
de Fourier.
— Transformée de Fourier de fonctions intégrables sur R et non périodiques.
Dans ce cas, la transformation de Fourier est écrite via une intégrale. C’est grâce à
cette transformation intégrale qu’on pourra résoudre les EDP mentionnées ci-dessus.

Pour chacune de ces transformées, on définira un espace fonctionnel de travail, c’est-à-dire

un ensemble de fonctions avec des propriétés qui nous permettrons de développer la théorie de
Fourier dans les trois situations décrites précédemment. La définition de ces espaces fonctionnels
nécessite des concepts comme le produit scalaire dans les espaces vectoriels complexes et des
notions de topologie qu’on introduira dans les chapitres suivants.
On commence par rappeler les définitions et les résultats plus importantes de la théorie
des espaces vectoriels complexes avec produit scalaire et de leurs bases orthonormales. La
raison de cet intérêt est très simple à justifier : la représentation matricielle de la DFT est
donné par une matrice (unitaire) de passage de la base canonique à la ! base de Fourier ".

La référence principale pour les chapitres 2 et 3 de ces polycopiés est le livre de Michael
W. Frazier : ! An Introduction to Wavelets Through Linear Algebra ", Springer, 1999, un
complément à ce livre est l’ouvrage de M.W. Wong : ! Discrete Fourier Analysis ". Les
chapitres 4 et 5 sont, par contre, un mélange de résultats qui viennent de plusieurs livres.
Une référence pour ces chapitres peut être l’excellent livre de Andres Vretblad : ! Fourier
Analysis and Its Applications ", Springer, 2003.

7
Chapitre 1

Les résultats fondamentaux des

espaces vectoriels complexes avec
produit scalaire

La théorie de Fourier en dimension finie repose sur la construction d’une base orthonormale
dans un espace vectoriel adéquat. Cette base est constituée par des exponentielles complexes.
Ce chapitre est consacré à des rappels sur la notion d’espaces vectoriels complexes avec produit
scalaire. Pour passer le plus rapidement possible à l’analyse de la théorie de Fourier, on
reproduira seulement les preuves les plus simples des théorèmes qu’on verra dans ce chapitre.

1.1 Espaces vectoriels réels et complexes avec produit scalaire

Notion d’espace euclidien
On considère dans ce paragraphe un espace vectoriel V sur le corps des réels R.
Définition 1.1. Soit V un espace vectoriel réel de dimension finie n ă `8. On dit que le
couple pV, x¨ , ¨yq est un espace euclidien, si V est un espace vectoriel réel munit d’un produit
scalaire x¨ , ¨y :
x¨ , ¨y : V ˆ V ÝÑ R
pv, wq ÞÝÑ xv, wy,
où l’application x¨ , ¨y est
1. bilinéaire, i.e. linéaire relativement à chaque argument (l’autre étant fixé) : pour tout
v1 , v2 , w1 , w2 P V , α, β P R,

xαv1 ` v2 , w1 y “ αxv1 , w1 y ` xv2 , w1 y

xv1 , βw1 ` w2 y “ βxv1 , w1 y ` xv1 , w2 y,

2. symétrique : pour tout v, w P V , xv, wy “ xw, vy ;

3. définie positive : pour tout v P V ,
#
xv, vy ě 0;
xv, vy “ 0 ùñ v “ 0V , le vecteur nul de l’espace vectoriel V.

8
L’exemple le plus important d’espace vectoriel avec produit scalaire réel est Rn , muni du
produit scalaire euclidien : pour tout v “ pv1 , v2 , . . . , vn qt , w “ pw1 , w2 , . . . , wn qt deux vecteurs
colonnes de Rn écrits dans la base canonique, le produit scalaire euclidien entre v et w est :
ÿn
xv, wy ” vi wi “ v t ¨ w “ wt ¨ v,
i“1

où vt et wt les vecteurs transposés de v et w.

Notion d’espace hermitien

On considère dans ce paragraphe un espace vectoriel V sur le corps des complexes C (i.e.
l’ensemble des coefficients scalaires utilisés pour les combinaisons linéaires d’éléments de V est
C et non pas R). La définition de produit scalaire dans des espaces vectoriels complexes est
très similaire à la définition dans le cas réel, mais il y a des différences importantes.
Commençons par observer que, si V est un espace vectoriel complexe, alors il ne peut pas
exister une transformation bilinéaire et définie positive sur V ˆ V . En fait, dans ce cas on
aurait, pour tout v P V , par bilinéarité,
0 ď xiv, ivy “ i2 xv, vy “ ´xv, vy ď 0 car xv, vy ě 0 par positivité.
Ainsi, on aurait xv , vy “ 0 pour tout v P V .
Définition 1.2. On dit qu’une application f : V Ñ C est antilinéaire si pour tout v, w P V ,
α P C, f pv ` wq “ f pvq ` f pwq et f pαvq “ α˚ f pvq, où z ˚ (on utilisera indifféremment la
notation z̄) représente la conjugaison complexe.
Selon le même principe, il n’existe pas de transformation sur V ˆV Ñ R qui soit antilinéaire
selon les deux coordonnées et définie positive : pour tout v P V , xiv, ivy “ p´iqp´iqxv, vy “
i2 xv, vy “ ´xv, vy ď 0, comme pour le cas de la bilinéarité.
Une simple analyse montre que, pour éviter de perdre la positivité, il suffit de demander la
linéarité par rapport à une variable et l’antilinéarité par rapport à l’autre. Cette propriété est
dite sesquilinéarité, i.e. linéaire selon l’une des variables et antilinéaire par rapport à l’autre
variable 1 . Le choix de la variable linéaire et antilinéaire est totalement arbitraire. L’antilinéarité
relative à la deuxième variable est la convention utilisée parmi les mathématiciens, tandis que
l’antilinéarité relative à la première variable est la convention typiquement adoptée parmi les
physiciens. Pour uniformiser la notation, on considèrera dorénavant toujours la convention
utilisée par les mathématiciens, i.e. xαv, βwy “ αβ ˚ xv, wy.
Il est important d’observer que la sesquilinéarité n’est pas compatible avec la symétrie,
en fait, si les deux propriétés sont vérifiées, alors xv, αwy “ α˚ xv, wy, mais aussi xv, αwy “
xαw, vy “ αxw, vy “ αxv, wy. Donc xv, αwy “ α˚ xv, wy “ αxv, wy et cela peut être vrai si et
seulement si α P R. Par conséquent, x¨ , ¨y ne peut pas être simultanément sesquilinéaire et
symétrique si on veut travailler avec des vecteurs qui appartiennent à un espace vectoriel
complexe.
L’exemple qu’on vient d’examiner montre que, au lieu de la symétrie, on doit demander la
propriété suivante pour toute couple de vecteurs v, w : xv, wy “ xw, vy˚ , i.e. que l’échange de
l’ordre des vecteurs dans x, y soit équivalent à la conjugaison complexe. Une transformation
qui a cette propriété est dite hermitienne 2 .
1. Sesqui vient du latin semisque, qui veut dire une fois et demi, on utilise cette nomenclature pour souligner
qu’on n’a pas deux fois la linéarité, mais une fois ! et demi ", dû à la présence de la conjugaison complexe.
2. Charles Hermite, mathématicien français, 1822 Dieuze - 1901 Paris.

9
 Ces observations justifient complètement la définition suivante.

Définition 1.3. Soit V un espace vectoriel complexe de dimension finie n ă `8. On dit que
le couple pV, x¨ , ¨yq est un espace hermitien, c’est-à-dire un espace vectoriel complexe avec
produit scalaire, si x¨ , ¨y est une application :

x¨ , ¨y : V ˆ V ÝÑ C
pv, wq ÞÝÑ xv, wy,

telle que x¨ , ¨y est :

1. sesquilinéaire : pour tout v1 , v2 , w1 , w2 , v, w P V , α, β P C,

xv1 ` v2 , w1 ` w2 y “ xv1 , w1 y ` xv1 , w2 y ` xv2 , w1 y ` xv2 , w2 y

et
Anti-linéarité 2ème variable
ÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÝÑ xαv, βwy “ αxv, βwy “ β ˚ xαv, wy “ αβ ˚ xv, wy
Linéarité 1ère variable

2. hermitien : pour tout v, w P V , xv, wy “ xw, vy˚ ;

3. définie positive : pour tout v P V ,
#
xv, vy ě 0;
xv, vy “ 0 ùñ v “ 0V , le vecteur nul de l’espace vectoriel V.

Remarque 1.4. Le caractère hermitien de x¨ , ¨y assure que pour tout v P V , xv , vy “ xv , vy˚

et donc xv , vy P R.

Si on considère la somme de n vecteurs au lieu de deux, la sesquilinéarité implique les formules

suivantes, qu’on trouvera souvent dans le cours :

n
ÿ n
ÿ
x αi vi , wy “ αi xvi , wy ; (1.1)
i“1 i“1

n
ÿ n
ÿ
xv , α i wi y “ αi˚ xv, wi y . (1.2)
i“1 i“1

Un exemple d’espace vectoriel hermitien est pCn , x, yq, où x¨ , ¨y est le produit scalaire
hermitien, qui est défini ainsi : étant donnés deux vecteurs colonnes de Cn , v “ pv1 , v2 , . . . , vn qt
et w “ pw1 , w2 , . . . , wn qt , alors :
n
ÿ
xv, wy ” vi wi˚ “ v t ¨ w˚ “ pw˚ qt ¨ v.
i“1

10
1.2 Norme et distance associées à un produit scalaire
Si pV, x¨, ¨yq est un espace vectoriel avec produit scalaire (réel ou complexe) alors on peut
définir une norme sur V de la façon suivante :

}¨} : V Ñ R` “ a
r0, `8r
v Ñ }v} “ xv, vy.

On note que }v} est bien défini car xv, vy ě 0.

On appelle un vecteur v P V tel que }v} “ 1 un vecteur unitaire.
Exemples remarquables : g
fn
n
fÿ
pR , x, yq : }v} “ e vi2 ;
i“1
g g
fn fn
ÿ fÿ
n
f
pC , x, yq : }v} “ e vi vi “ e |vi |2 ,
˚

i“1 i“1
?
où, pour tout z P C, zz ˚ “ |z|2 , où, si z “ a ` ib, a, b P R, |z| “ a2 ` b2 est le module de z.

À partir d’une norme, on peut toujours définir une distance sur V :

a
dpv, wq “ }v ´ w} “ xv ´ w, v ´ wy, @v, w P V.

Donc, un espace vectoriel avec produit scalaire (réel ou complexe) est automatiquement aussi
un espace vectoriel normé et un espace métrique, avec la norme et la distance engendrées par
le produit scalaire lui même. Le contraire, en général, n’est pas vrai.

Les propriétés de la norme sont les suivantes : @v, w P V , @α P C

1. }v} ě 0, }v} “ 0 ô v “ 0V ;
2. | xv, wy | ď }v}}w} : Inégalité de Cauchy-Schwarz ;
3. }v ` w} ď }v} ` }w} : Inégalité Triangulaire ;
4. }αv} “ |α|}v}.

Démonstration. La première propriété est une conséquence immédiate du caractère défini-

positif du produit scalaire. Prouvons l’inégalité de Cauchy-Schwartz : soient v, w P V . Notons
déjà que l’inégalité est triviale si xv , wy “ 0. On peut donc considérer le cas générique où
xv , wy ‰ 0.
— Première remarque : on peut toujours supposer que xv , wy (qui est a priori un nombre
complexe) est en fait un réel. Supposons en effet que l’inégalité de Cauchy-Schwarz
est vraie pour tous v, w P V tels que xv , wy P R. Mais alors, dans le cas général, pour
xv
Ğ , wy
v, w P V , posons ṽ “ |xv , wy| v et w̃ “ w. Mais alors, par linéarité par rapport à la
xv
Ğ , wy
première coordonnée, xṽ , w̃y “ |xv , wy| xv , wy “ |xv , wy| P R et donc |xṽ , w̃y| ď }ṽ} }w̃}
xv
Ğ , wy
ce qui donne |xv , wy| ď }v} }w} car |xv , wy| est de module 1.

11
 — On est donc ramené à prouver l’inégalité de Cauchy-Schwarz dans le cas où xv , wy P R :
dans ce cas, notons la fonction P “ t P R ÞÑ xtv ` w , tv ` wy “ }tv ` w}2 . Ainsi P
est une fonction réelle positive. De plus, c’est un polynôme du second degré en t :
P ptq “ t2 }v}2 ` 2t< pxv , wyq ` }w}2 “ t2 }v}2 ` 2t xv , wy ` }w}2 (car xv , wy P R).
Son discriminant est donc nécessairement négatif (sinon le trinôme du second degré
P changerait de signe et ne pourrait donc pas être tout le temps positif). Ainsi
∆ “ 4 xv , wy2 ´ 4 }v}2 }w}2 ď 0, ce qui donne xv , wy2 ď }v}2 }w}2 , ce qui donne le
résultat.
Prouvons maintenant l’inégalité triangulaire : pour tout v, w P W , }v ` w}2 “ }v}2 `
2< pxv , wyq ` }w}2 ď }v}2 ` 2 |xv , wy| ` }w}2 ď }v}2 ` 2 }v} }w} ` }w}2 par inégalité de
Cauchy-Schwarz. Donc }v ` w}2 ď p}v} ` }w}q2 ce qui donne le résultat.
L’homogénéité est une conséquence immédiate de la sesquilinéarité du produit scalaire.

Par conséquent, les propriétés de la distance sont les suivantes : @v, w, u P V

1. dpv, wq ě 0, dpv, wq “ 0 ô v “ w ;
2. dpv, wq “ dpw, vq, symétrie ;
3. dpv, uq ď dpv, wq ` dpw, uq : Inégalité Triangulaire.

1.3 Familles orthogonales et orthonormales dans des espaces

vectoriels avec produit scalaire
1.3.1 Définitions
Définition 1.5. Soit pV, x¨, ¨yq un espace vectoriel avec produit scalaire réel ou complexe. Soit
p ě 1 et F “ pv1 , ¨ ¨ ¨ , vp q une famille de vecteurs de V , alors :
— F est une famille orthogonale de vecteurs si chaque couple de vecteurs différents a
pour produit scalaire 0 :
@i ‰ j, xvi , vj y “ 0. On note : vi Kvj .

— F est une famille orthonormale si elle est orthogonale et, en plus, pour tout i “
1, . . . , p, }vi } “ 1.
Une famille orthonormale est, donc, une famille de vecteurs unitaires et orthogonaux entre
eux. Ces deux propriétés se résument en :
#
1 si i “ j
xvi , vj y “ δi,j :“ Famille orthonormale
0 si i ‰ j

δi,j est dit symbole de Kronecker (Leopold Kronecker (Liegnitz 1823 – Berlin 1891)).
Remarque 1.6. Chaque vecteur v P V non nul peut être normalisé pour devenir un
v
vecteur unitaire simplement via la division par sa norme : si on écrit v̂ “ }v} , alors
› › }v}
› v ›
}v̂} “ › }v} ›“ “ 1 On observe aussi que, en général
}v}
}u ` v}2 “ xu ` v, u ` vy
“ }u}2 ` xu, vy ` xv, uy ` }v}2
“ }u}2 ` 2<xu, vy ` }v}2 .

12
Il est donc clair que :
uKv ùñ }u ` v}2 “ }u}2 ` }v}2
qui est une généralisation du théorème de Pythagore. Attention dans le cas hermitien, la
réciproque est fausse puisque si l’égalité }u ` v}2 “ }u}2 ` }v}2 est satisfaite alors on obtient
seulement que <xu, vy “ 0. Par exemple u “ p1, 0, . . . , 0q et v “ pi, 0, . . . , 0q satisfont l’égalité
mais on a pas u K v puisque xu, vy “ =xu, vy “ i.

1.3.2 Orthogonalité et indépendance linéaire

La condition d’orthogonalité est plus forte que l’indépendance linéaire : en fait, toute
famille orthogonale de vecteurs non nuls est libre.
Théorème 1.7. Soit F une famille orthogonale de pV, x¨ , ¨yq, F “ tv1 , ¨ ¨ ¨ , vp u, formée de
vecteurs non nuls (@i “ 1, . . . , p, vi ‰ 0), alors F est libre.
n
ř
Démonstration. Soit pa1 , . . . , ap q des scalaires complexes. On suppose que ai vi “ 0, mon-
i“1
trons que @i “ 1, . . . , p, ai “ 0. Pour le prouver, on va calculer le produit scalaire entre la
řn
combinaison linéaire ai vi et un vecteur quelconque vj avec j P t1, ¨ ¨ ¨ , nu :
i“1

n
ÿ n
ÿ
x ai vi , vj y “ ai xvi , vj y “ aj xvj , vj y “ aj }vj }2 .
i“1 i“1

On a utilisé l’orthogonalité des vecteurs de la famille F dans la seconde égalité : xvi , vj y “ 0

řn
pour i ‰ j. Par hypothèse, vj ‰ 0 donc }vj } ‰ 0, donc, l’hypothèse que ai vi “ 0 implique
i“1
que aj “ 0, et ce, pour tout j “ 1, . . . , p. Donc la famille F est libre.

Corollaire 1.8. Une famille orthogonale de n vecteurs non nuls dans un espace pV, x¨ , ¨yq de
dimension n est une base de V .
Démonstration. C’est une famille libre de cardinal égal à la dimension, donc une base.

Définition 1.9. On appelle une famille de n vecteurs orthogonaux non nuls d’un espace
vectoriel pV, x¨ , ¨yq de dimension n, une base orthogonale de V . Si, en plus, la famille est
orthonormale, on l’appelle une base orthonormale de V .
On rappelle que, pour déterminer les composantes d’un vecteur par rapport à une base
quelconque on doit résoudre un système linéaire de n équations avec n inconnues. Par contre, si
on a une base orthogonale ou orthonormale, les composantes sont déterminées par des produits
scalaires, comme le montre le théorème suivant. Sachant que la résolution d’un système linéaire
de n équations avec n inconnues nécessite, en général, beaucoup plus d’opérations que le calcul
de produits scalaires, ceci montre déjà un des avantages de connaı̂tre une base orthogonale
d’un espace vectoriel.
Théorème 1.10. Soit B “ tu1 , . . . , un u une base orthogonale de pV, x¨ , ¨yq, alors pour tout
vPV
n
ÿ xv, ui y
v“ 2
ui
i“1
}ui }

13
En particulier, si B est une base orthonormale, alors :

n
ÿ
v“ xv, ui y ui .
i“1

n
ř
Démonstration. B est une base, donc il existe α1 , . . . , αn P C tels que v “ αj uj . On
j“1
considère le produit scalaire de cette expression de v avec un vecteur fixé ui , i P t1, . . . , nu :
n
ÿ n
ÿ
xv, ui y “ x αj uj , ui y “ αj xuj , ui y “ αi xui , ui y “ αi }ui }2
pui Kuj @i‰jq
j“1 j“1

n
xv,ui y ř xv,ui y
donc pour tout i “ 1, . . . , n, αi “ }ui }2
et donc v “ }ui }2 i
u. Si B est une base orthonormale,
i“1
alors }ui } “ 1 et donc on a la deuxième formule du théorème.
Interprétation géométrique du théorème : le théorème qu’on vient de démontrer est la
généralisation du théorème de décomposition d’un vecteur dans le plan R2 ou dans l’espace
R3 sur la base canonique des vecteurs unitaires des axes. Pour simplifier, on considère le cas
de R2 comme dans la figure 1.1.

Figure 1.1 – Représentation graphique du théorème de décomposition sur la base canonique

en R2 .

Si ı̂ et ̂ sont respectivement les vecteurs unitaires des axes x et y, alors le théorème de

décomposition dit que :

v “ looomooon
}v} cos α ı̂ ` }v} cos β ̂ “ xv, ı̂y ı̂ ` xv, ̂y ̂,
looomooon
xv,ı̂y xv,̂y

qui est un cas particulier du théorème ci-dessus. L’importance de souligner ce résultat réside
dans le fait que la série de Fourier peut être vue comme une généralisation ultérieure
du théorème de décomposition sur une base orthogonale ou orthonormale.

14
1.3.3 Notion de projection orthogonale
Dans l’espace euclidien R2 , il est clair que le produit scalaire d’un vecteur v avec un vecteur
unitaire u réalise la projection orthogonale de v dans la direction donnée par u. De la même
manière, on peut définir la projection orthogonale p d’un vecteur de R3 sur le plan engendré
par deux vecteurs unitaires comme la somme des projections orthogonales p1 et p2 sur les
deux vecteurs unitaires considérés séparément, comme il est montré dans la figure 1.2.

Figure 1.2 – Projection orthogonale p d’un vecteur de R3 sur le plan engendré par deux
vecteurs unitaires.

Pour pouvoir utiliser cette propriété dans l’analyse de Fourier, on a besoin d’étudier, plus
en général, la projection orthogonale dans les espaces vectoriels avec un produit scalaire en
dimension finie.
On considère alors pV, x¨ , ¨yq, un espace vectoriel complexe de dimension n avec produit
scalaire, et une famille orthogonale F “ tu1 , . . . , um u, m ď n, de vecteurs non nuls : pour
tout i “ 1, . . . , m, ui ‰ 0.
On écrira le sous-espace vectoriel de V engendré par toutes les combinaisons linéaires des
vecteurs de F comme SpanpF q :
# +
m
ÿ
SpanpF q ” S “ s P V : Dα1 , . . . , αm P C tels que s “ αj uj .
j“1

On étend d’une façon naturelle la définition de la projection orthogonale d’un vecteur

v P V sur S “SpanpF q comme ceci :

m
ÿ xv, ui y
PS pvq “ ui ,
i“1
}ui }2

il faut noter que la présence de la norme au carré est due au fait qu’il faut normaliser deux
fois ui . On définit l’opérateur de projection orthogonale 3 sur S comme l’application
(évidemment) linéaire :

PS : V ÝÑ S Ď V
m
ř xv,ui y
v ÞÝÑ PS pvq “ }ui }2 i
u.
i“1

3. Aussi dit projecteur orthogonal.

15
Le théorème suivant montre que la projection orthogonale définie ci-dessus a toutes les
propriétés de la projection orthogonale en R2 et R3 .
Théorème 1.11. Avec les notations ci-dessus :
1) Si s P S alors PS psq “ s, i.e. l’action de PS sur les vecteurs de S est l’identité ;
2) @v P V et s P S :

xv ´ PS pvq, sy “ 0 i.e. v ´ PS pvq K S ;

3) @v P V et s P S :
}v ´ PS pvq} ď }v ´ s}
et l’égalité vaut si et seulement si s “ PS pvq.
Avant de démontrer le théorème, on observe que la propriété 3) dit que, parmi tous les
vecteurs de S, le vecteur qui minimise la distance à v est la projection orthogonale
PS pvq. Par ailleurs, la propriété 2) est la généralisation d’un fait géométrique qu’on peut
visualiser très facilement en R2 , comme dans la figure 1.3.

Figure 1.3 – Visualisation de la propriété 2) en R2 .

m
ř
Preuve de 1) : Soit s P S, i.e. s “ αj uj , alors :
j“1

m
ř
m x αj uj , ui y m m
ÿ j“1 ÿ αi xui , ui y ÿ
PS psq “ ui “ ui “ αi ui “ s.
i“1
}ui }2 pui Kuj @i‰jq
i“1
}ui }2 i“1

Preuve de 2) : On commence par considérer encore le produit scalaire de PS pvq avec un vecteur

quelconque uj , j P t1, . . . , mu fixé :

m
ÿ xv, ui y xv, uj y
xPS pvq, uj y “ 2
xui , uj y “ xuj , uj y “ xv, uj y
}ui } pui Kuj @i‰jq }uj }2
i“1

d’où

xv, uj y ´ xPS pvq, uj y “ 0 ðñ xv ´ PS pvq, uj y “ 0 @j P t1, ..., mu.

linéarité de x , y

16
 m
ř
Maintenant, si s P S, alors D α1 , . . . , αm tels que s “ αj uj , donc
j“1

m
ÿ m
ÿ
xv ´ PS pvq, sy “ xv ´ PS pvq, αj uj y “ αj˚ loooooooomoooooooon
xv ´ PS pvq, uj y “ 0,
formule p1.2q
j“1 j“1
“0

et la propriété 2) est prouvée.

Preuve de 3) : il est utile d’écrire la différence v ´ s comme ceci : v ´ PS pvq ` PS pvq ´ s. La

propriété 2) nous dit que v ´ PS pvqKS, par contre, PS pvq, s P S donc PS pvq ´ s P S. Par
conséquent : pv ´ PS pvqq K pPS pvq ´ sq.
En utilisant la généralisation du théorème de Pythagore on peut alors écrire :

}v ´ s}2 “ }v ´ PS pvq ` PS pvq ´ s}2 “ }v ´ PS pvq}2 ` }P 2 2

S pvq ´ s} ě }v ´ PS pvq} ,
loooooomoooooon
ě0

ce qui implique : }v ´ s} ě }v ´ PS pvq} @v P V, s P S. Bien évidemment, }PS pvq ´ s}2 “ 0 si

et seulement si s “ PS pvq, et dans ce cas on a }v ´ s}2 “ }v ´ PS pvq}2 .

1.3.4 Existence d’une base orthonormale : la procédure itérative de Gram-

Schmidt
On a vu que quand on a à disposition une base orthonormale, les formules de projection et
de décomposition sont plus simples. Le théorème suivant dit que, dans un espace vectoriel de
dimension finie avec produit scalaire, on peut toujours construire une base orthonormale à
partir d’une famille libre de générateurs.
Théorème 1.12. (Procédure itérative de Gram-Schmidt 4 ) Soit p ě 1 et pv1 , . . . , vp q
une famille libre de V . Alors il existe une famille orthonormée pu1 , . . . , up q de V (qu’on peut
construire explicitement à partir de pv1 , . . . , vp q) qui vérifie Span tv1 , . . . , vp u “ Span tu1 , . . . , up u.

Démonstration. La preuve est constructive, dans le sens où elle donne la méthode pour
construire pu1 , . . . , up q à partir de pv1 , . . . , vp q.
— 1ère étape, normalisation de v1 :
v1
u1 “ .
}v1 }
— 2ème étape, comme montré dans la figure 1.4, on projette v2 en direction de u1 , i.e.
on considère xv2 , u1 yu1 . Grâce au théorème 1.11 on sait que la différence vectorielle
v2 ´ xv2 , u1 yu1 est orthogonale à u1 , enfin on normalise le résultat :

v2 ´ xv2 , u1 yu1
u2 “ .
}v2 ´ xv2 , u1 yu1 }
— n-ième étape, par itération :

vn ´ pxvn , un´1 yun´1 ` . . . ` xvn , u1 yu1 q

un “ .
}vn ´ pxvn , un´1 yun´1 ` . . . ` xvn , u1 yu1 q}

4. Jørgen Pedersen Gram (Nustrup 1850 - Copenhagen 1916), Erhard Schmidt (Tatu 1876 - Berlin 1959).

17
Figure 1.4 – Représentation graphique de la deuxième étape de la procédure d’orthonormali-
sation de Gram-Schmidt.

1.3.5 Les propriétés fondamentales d’une base orthonormale et orthogo-

nale
On résume les propriétés les plus importantes d’une base orthonormale dans le théorème
suivant :
Théorème 1.13. Soit pu1 , . . . , un q une base orthonormale de pV, x, yq, dimpV q “ n. Alors,
@v, w P V :

1. Théorème de décomposition sur une base orthonormale :

n
ÿ
v“ xv, ui yui ; (1.3)
i“1

2. Identité de Parseval 5 :
n
ÿ
xv, wy “ xv, ui yxui , wy ; (1.4)
i“1

3. Identité de Plancherel 6 :
n
ÿ
2
}v} “ |xv, ui y|2 . (1.5)
i“1

Preuve de 1q : c’est une conséquence immédiate du théorème 1.11. En fait, comme pu1 , . . . , un q
est une base, v P Spanpu1 , . . . , un q, en plus pu1 , . . . , un q est orthonormale, donc v “ PS pvq “
n
xv, ui yui . La division par }ui }2 dans la sommation n’est pas nécessaire car }ui } “ 1 @i.
ř
i“1

5. Marc-Antoine de Parseval des Chêsnes (Rosières-aux-Salines 1755, Paris 1836).

6. Michel Plancherel (Bussy 1885 - Zurich 1967).

18
 n
ř
Preuve de 2q : en utilisant 1q on peut écrire v “ xv, ui yui , et, si on calcule le produit scalaire
i“1
de v, écrit comme ceci, avec w, grâce à la formule (1.1), on a :
n
ÿ n
ÿ
xv, wy “ x xv, ui yui , wy “ xv, ui yxui , wy.
i“1 i“1

Preuve de 3q : si on écrit w “ v dans le côté gauche de l’identité de Parseval on a xv, vy “ }v}2 ,

par contre, à droite on a :
n
ÿ n
ÿ n
ÿ
xv, ui yxui , vy “ xv, ui yxv, ui y “ ˚
|xv, ui y|2
i“1 i“1 i“1
n
donc }v}2 “ |xv, ui y|2 .
ř
i“1
Observations :

1. L’interprétation physique de l’identité de Plancherel est la suivante : l’energie

de v, mesurée par sa norme carrée, peut être décomposée par la somme des modules
carrés de chaque projection de v sur les n directions de la base orthonormale pu1 , ..., un q.
Dans la théorie de Fourier les directions de la base orthonormale seront les harmoniques
fondamentales (sinus et cosinus avec des fréquences bien définies), c’est pourquoi on
appelle l’analyse de Fourier analyse harmonique.

2. Si, au lieu d’être une base orthonormale, pu1 , . . . , un q est une base orthogonale, alors,
grâce à la formule du projecteur et au théorème 1.11, les résultats du théorème 1.13
peuvent être écrits comme ceci :

(a) Décomposition de v P V sur une base orthogonale :

n
ÿ xv, ui y
v“ ui ; (1.6)
i“1
}ui }2

(b) Identité de Parseval pour une base orthogonale :

n
ÿ xv, ui yxui , wy
xv, wy “ ; (1.7)
i“1
}ui }2

(c) Identité de Plancherel pour une base orthogonale :

n
ÿ |xv, ui y|2
}v}2 “ . (1.8)
i“1
}ui }2

1.4 Opérateurs entre espaces vectoriels avec produit scalaire :

leurs propriétés et leur représentation matricielle
On sait qu’un opérateur (application) linéaire entre deux espaces vectoriels V et W est
associé univoquement à une matrice, à condition de fixer une base de V et une base de W . Si

19
on considère aussi la structure donnée par la présence d’un produit scalaire, on peut définir une
classe très importante des opérateurs : ceux qui conservent le produit scalaire entre vecteurs.
La représentation matricielle de ces opérateurs joue un rôle fondamental dans les applications
de la théorie de Fourier.
Dans les sections suivantes, on va rappeler les notions essentielles relatives aux opérateurs
et matrices qui préservent le produit scalaire.

1.4.1 Rappels sur les opérateurs linéaires et matrices

On commence par introduire des notations qui nous permettront de simplifier l’écriture de
beaucoup de formules dans le cours. On considère la situation suivante :
L: V ÝÑ W
v ÞÝÑ Lpvq “ w
dim : n m
bases : E “ pvj qnj“1 F “ pwi qm
i“1

Comme E est une base de V , on peut écrire tout vecteur v P V comme une combinaison
linéaire des vecteurs de E :
n
ÿ
v“ aj vj .
j“1
Ainsi, v est représenté de façon univoque par le vecteur
¨ ˛
a1
˚ .. ‹
rvsE “ ˝ . ‚
an
dont les coordonnées
Si A pm ˆ nq est une matrice quelconque et v un vecteur colonne de taille n :
¨ ˛ ¨ ˛
a11 a12 ¨ ¨ ¨ a1n v1
˚ a21 a22 ¨ ¨ ¨ a1n ‹ ˚ v2 ‹
A“˚ . .. ‹ , v “ ˚ .. ‹ ,
˚ ‹ ˚ ‹
.. ..
˝ .. . . . ‚ ˝.‚
am1 am2 ¨ ¨ ¨ amn vn
alors Av est un vecteur colonne de taille m :
¨ř n ˛
a1j vj
˚ j“1 ‹
˚ n ‹
˚ř ‹
˚ j“1 a2j vj ‹
˚ ‹
Av “ ˚ ‹,
˚ .
. ‹
˚ n .
˚ ‹
‹
˝ř ‚
amj vj
j“1

i.e., chaque ligne i de Av est donnée par la formule :

n
ÿ
pAvqi “ aij vj @i “ t1, . . . , mu. (1.9)
j“1

20
 On rappelle aussi que le produit matriciel entre une matrice pm ˆ nq, A “ paij q, et une
matrice pn ˆ pq, B “ pbjk q, i “ 1, . . . , m, j “ 1, . . . , n, k “ 1, . . . , p est une matrice pm ˆ pq,
C “ pcik q où
n
ÿ
cik “ aij bjk ,
j“1

qui correspond, au produit scalaire Euclidien réel de la ligne i de A avec la colonne k de B (même
quand les matrices sont complexes). Le produit matriciel est associatif, i.e. pABqC “ ApBCq
(quand le produit a du sens, bien sûr), mais en général il n’est pas commutatif : AB ‰ BA.
Quand AB “ BA on dit que les matrices commutent. On peut définir le commutateur entre
A et B comme la matrice suivante : rA, Bs “ AB ´ BA, bien évidemment A et B commutent
si et seulement si leur commutateur rA, Bs est la matrice nulle.

Notion de matrice représentative d’un opérateur linéaire

Soit L : V Ñ W un opérateur linéaire, E “ pe1 , . . . , en q une base de V et F “ pf1 , . . . , fm q
une base de W . Alors, pour tous les vecteurs de la base de départ pej qnj“1 de V , le vecteur Lej
se décompose de façon unique selon la base d’arrivée pfi qm i“1 :
$ m
ř
’
’
’ Lpe1 q “ a11 f1 ` a21 f2 ` . . . am1 fm “ ai1 fi
’
’
’ i“1
m
’
’
’ ř
&Lpe2 q “ a12 f1 ` a22 f2 ` . . . am2 fm “
’ ai2 fi
i“1
..
’
’
’
’
’
’ .
’
’
’ m
ř
%Lpen q “ a1n f1 ` a2n f2 ` . . . amn fm “
’ ain fi
i“1

i.e.
m
ÿ
Lpej q “ aij fi @j P t1, . . . , nu. (1.10)
i“1

Théorème 1.14. Avec les notations antérieures, la matrice 7

¨ ˛
a11 a12 ¨ ¨ ¨ a1n
˚ a21 a22 ¨ ¨ ¨ a1n ‹
A “ paij qi“1,...,m (1.11)
˚ ‹
j“1,...,n “ ˚ .. .. . .. ‹
˝ . . . . . ‚
am1 am2 ¨ ¨ ¨ amn

est la seule matrice qui satisfait l’équation suivante :

rLvsF “ ArvsE @v P V. (1.12)

Pour cette raison A est dite matrice représentative de L dans les bases E et F. On
écrit A “ AE,F
L .
7. La colonne i de A a comme éléments les coefficients de la combinaison linéaire qui exprime Lpei q en
fonction des vecteurs de la base F.

21
Démonstration. Soit v un vecteur quelconque
¨ ˛ de V , avec une décomposition sur la base E
c1
n
ř ˚ .. ‹
donnée par v “ cj vj , donc rvsE “ ˝ . ‚ . On va appliquer L à v :
j“1
cn
˜ ¸
n
ÿ n
ÿ
Lpvq “ L cj ej “ cj Lpej q
linéarité de L
j“1 j“1
˜ ¸
n
ÿ m
ÿ m
ÿ n
ÿ
“ cj aij fi “ aij cj fi ,
eq. p1.10q
j“1 i“1 i“1 j“1

où dans le dernier cas on a utilisé le˜fait que ¸les sommes finies sont toujours interchangeables
m
ř n
ř
entre elles. Donc on a : Lpvq “ aij cj fi , et alors, par définition :
i“1 j“1

¨ř n ˛
a1j cj
˚ j“1 ‹
˚ ‹
.
.. ‹.
˚ ‹
rLpvqsF “ ˚
˚ n ‹
˝ř ‚
amj cj
j“1

n
ř
La ligne i de rLpvqsF est aij cj , mais grâce à l’eq. (1.9), cela est exactement la ligne i de
j“1
ArvsE , donc rLpvqsF “ ArvsE .
L’unicité de la matrice A est immédiate à démontrer : si, une autre matrice B satisfait
rLpvqsF “ BrvsE @v P V , alors, par différence, on a :

0 “ rLpvqsF ´ rLpvqsF “ ArvsE ´ BrvsE “ pA ´ BqrvsE ,

i.e. pA ´ BqrvsE “ 0 pour tout v P V , ce qui implique que A “ B.

Remarque 1.15. On observe que :
— Le nombre de lignes de A est m “ dimension de l’espace d’arrivée W ;
— Le nombre de colonnes de A est n “ dimension de l’espace de départ V .
Donc A est carrée si et seulement si dimpV q “ dimpW q. C’est le cas des endomorphismes,
i.e. le cas où L : V Ñ W avec V “ W . L’ensemble des endomorphismes d’un espace vectoriel
V est lui-même un espace vectoriel par rapport à la somme des applications linéaires et au
produit par un scalaire du même champ que V . On écrira l’espace vectoriel des endomorphismes
de V comme EndpV q. C’est le cas qu’on considérera désormais, car il est le plus intéressant
pour le développement de la théorie de la transformée de Fourier.

1.4.2 Formules de changement de bases

Soit V une espace vectoriel de dimension n, qu’on munit d’une base E “ pej qnj“1 et d’une
base F “ pfi qni“1 . On se pose le problème de déterminer la matrice Q qui satisfait l’équation :

rvsF “ QrvsE , (1.13)

22
i.e. la matrice qui permet de passer de rvsE , la représentation de v par rapport à la base E, à
rvsF , la représentation de v par rapport à la base F.
Nous pouvons appliquer le formalisme vu au paragraphe précédent : on considère l’endo-
morphisme identité id: V Ñ V (i.e. idpvq “ v pour tout v P V ), où l’espace de départ V est
muni de la base E et l’espace d’arrivée (qui est aussi V ) est muni de la base F. L’équation
(1.12) du théorème 1.14 implique que la matrice A “ AE,F id associée à cet endomorphisme par
rapport aux bases E et F satisfait la relation rvsF “ ridpvqsF “ ArvsE , qui est exactement
(1.13). Par unicité, il vient donc
Q “ AE,F
id .

On peut expliciter les éléments de la matrice Q en se souvenant que les colonnes de Q sont les
images des éléments de la base de départ E exprimés selon la base d’arrivée F. Or ici L “ id
donc Lpej q “ ej . Donc
Proposition 1.16. Les colonnes de Q sont les vecteurs de l’ancienne base E
exprimés en fonction de la nouvelle F et on a

rvsF “ QrvsE . (1.14)

La matrice Q est inversible (car c’est la matrice représentative de l’application id qui est
bijective). Son inverse P “ Q´1 est l’unique matrice telle que

rvsE “ P rvsF . (1.15)

Encore une fois par unicité, P est la matrice représentative de id quand la base de départ est
F et celle d’arrivée est E. Ainsi
Proposition 1.17. Les colonnes de P sont les vecteurs de la nouvelle base F
exprimés en fonction de l’ancienne E et on a

rvsE “ P rvsF . (1.16)

On appelle P la matrice de passage de la base E à la base F . Q “ P ´1 est la matrice

de passage de la base F à la base E.
Remarque 1.18. Il faut faire très attention à ne pas se tromper : par définition, la matrice
de passage de E à F est bien P (et non Q). C’est une convention.
L’avantage de P par rapport à Q, c’est que P est souvent très facile à calculer : ses colonnes
sont les vecteurs de la nouvelle base en fonction de l’ancienne. Par contre, P transforme les
coordonnées en fonction de la nouvelle base en les coordonnées de l’ancienne base (et non pas
le contraire).
Une façon de ne pas se tromper entre (1.14) et (1.16) est de prendre rvsF “ p0, 0, . . . , 1, 0 . . . , 0qt
où le 1 est en position i. Par définition, cela correspond à la représentation dans la base F du
ième vecteur de la base F, fi . Mais alors P rvsF est la ième colonne de P qui est donc égale
par (1.16) à rfi sE , c’est-à-dire le vecteur qui contient les coordonnées de fi dans la base E :
c’est exactement la construction de P .
Dans le développement de la théorie de la transformée de Fourier discrète, le résultat
suivant sera très important.
Théorème 1.19. Soient :

23
 — L : V Ñ V un endomorphisme
— E, F : deux bases de V
— A la matrice associée à L quand V (en tant qu’espace de départ et d’arrivée) est muni
de la base E.
— P la matrice de passage de la base E à la base F
Alors B “ P ´1 AP est la matrice associée à L quand V (en tant qu’espace de départ et
d’arrivée) est muni de la base F.
Bien évidement, on a P B “ P P ´1 AP ñ P BP ´1 “ AP P ´1 , i.e.

B “ P ´1 AP ðñ A “ P BP ´1 .

Deux matrices reliées par une telle relation sont dites semblables ou similaires. La
similarité est une relation d’équivalence, un des buts les plus importants de l’algèbre linéaire
consiste à trouver la représentation la plus ! simple " dans la classe d’équivalence par similarité
d’une matrice.

1.5 Opérateurs qui conservent le produit scalaire

Soit L : pV, x¨ , ¨yq Ñ pV, x¨ , ¨yq un endomorphisme d’un espace vectoriel V muni d’un produit
scalaire x¨ , ¨y. On dit que L conserve le produit scalaire si

@v, w P V, xv, wy “ xLv, Lwy.

Théorème 1.20. On a l’équivalence suivante : L : pV, x¨ , ¨yq Ñ pV, x¨ , ¨yq conserve le produit
scalaire ðñ L transforme toute base orthonormale de V en une base orthonormale de V .

Démonstration. ùñ : on suppose que L conserve le produit scalaire. Si pui qni“1 est une base
orthonormale, alors xui , uj y “ δi,j et donc, comme L conserve x¨ , ¨y, xLui , Luj y “ xui , uj y “ δi,j .
Ceci montre que la famille pLui qni“1 est une famille orthonormale de V , de cardinal n, donc
une base.
ðù : on suppose que L transforme toute base orthonormales en une base orthonormale. Soit
pui qni“1 une base orthonormale de V (il en existe au moins une par procédé de Gram-Schmidt)
et v, w P V . Grâce à (1.3) on a :
n
ÿ n
ÿ
v“ xv, ui yui , w “ xw, ui yui .
i“1 i“1

En particulier, par l’identité de Parseval (1.4) on peut écrire :

n
ÿ
xv, wy “ xv, ui yxui , wy, (1.17)
i“1

De plus, ¨ ˛
n
ÿ n
ÿ
Lv “ L ˝ xlov, uoinyui ‚ “ xv, ui yLui
plinéarité de Lq
omo
i“1 i“1
PC

24
et de même,
n
ÿ
Lw “ xw, ui yLui .
i“1
Or, par hypothèse, L transforme toute base orthonormale en une base orthonormale, donc
pLui qni“1 est une base orthonormale. Donc on peut écrire une deuxième identité de Parseval :
n
ÿ
xLv, Lwy “ xv, ui yxui , wy. (1.18)
i“1

Si on compare les identités (1.17) et (1.18) on obtient que xLv, Lwy “ xv, wy @v, w P V , i.e. L
conserve le produit scalaire.
Il est clair que si L conserve le produit scalaire, alors, en particulier, L conserve la norme
(pour démontrer cela, ça suffit de considérer v “ w) :

xLv, Lwy “ xv, wy ùñ }Lv} “ }v}

pour tout vecteur v P V . Réciproquement, l’identité (dite de polarisation)

1´ ¯
xv , wy “ }v ` w}2 ´ }v}2 ´ }w}2
2
montre que si L préserve la norme, L préserve aussi le produit scalaire.
De plus, par conséquent Lv “ 0 implique que v “ 0, car 0 est le seul vecteur qui a pour
norme 0. Donc KerpLq = t0V u et L est inversible. On peut résumer ces propriétés dans le
théorème suivant.
Théorème 1.21. Soit L P EndpV q, où pV, x, yq est un espace vectoriel avec produit scalaire
(réel ou complexe). Si L conserve le produit scalaire, alors :
1. L transforme bases orthonormales de V en bases orthonormales (et vice-versa) ;
2. L conserve la norme induite par le produit scalaire ;
3. KerpLq “ t0V u ,
4. L est inversible, i.e. il existe L´1 P EndpV q.

1.6 Valeurs et vecteurs propres d’un opérateur linéaire qui

conserve le produit scalaire et matrices unitaires
On rappelle que, étant donné un endomorphisme L : V Ñ V , on dit que λ P C est une valeur
propre pour L s’il existe v P V , v ‰ 0, tel que : Lv “ λv ; v est dit vecteur propre pour L
relatif à λ.
L’interprétation géométrique est la suivante : l’action de L sur v est la simple multiplication
scalaire (homothétie). En particulier, si λ P R, alors v est tout simplement dilaté (si |λ| ą 1),
comprimé (si |λ| ă 1), inversé (si λ ă 0), ou laissé fixe pλ “ 1q.
Si λ P C, alors λ “ ρeiθ , où ρ ě 0 est le module et θ est l’argument. Dans ce cas l’action
de L sur le vecteur propre v est une rotation-homothétie : rotation de l’angle θ et homothétie
du facteur ρ.
Les valeurs propres d’un opérateur qui conserve le produit scalaire ont une forme très
spécifique, comme dit dans le théorème suivant.

25
Théorème 1.22. Si L P EndpV q conserve le produit scalaire d’un espace vectoriel complexe
V , alors les valeurs propres de L peuvent seulement être de la forme : λ “ eiθ , θ P R.

Démonstration. On écrit l’équation pour les valeurs propres : Lv “ λv, v ‰ 0V . Si L conserve

x¨ , ¨y, alors on sait que L conserve aussi la norme : }Lv} “ }v}. Mais }Lv} “ }λv}, donc
}v} “ |λ|}v}. Ceci vaut si et seulement si |λ| “ 1, mais les nombres complexes avec module
unitaire sont exactement λ “ eiθ , θ P R.
On passe maintenant à la relation avec les matrices. On sait qu’un opérateur linéaire
L P EndpV q qui conserve le produit scalaire est inversible. Si U et U ´1 sont les matrices qui
représentent L et L´1 par rapport à une base orthonormale pui qni“1 , alors on peut démontrer
que la relation entre elles est la suivante :

U ´1 “ pU ˚ qt ðñ U pU ˚ qt “ pU ˚ qt U “ I,

i.e. l’inverse U ´1 est la transposée de la matrice conjuguée 8 .

On appelle U une matrice unitaire et on utilise un symbole spécial pour la matrice
conjuguée et transposée : pU ˚ qt “ U : , qu’on lit ! U dague ", ou matrice adjointe.
On peut résumer les propriétés des matrices unitaires comme ceci.
Théorème 1.23. Soit U une matrice complexe nˆn. Les conditions suivantes sont équivalentes :
1. U conserve le produit scalaire : xU v, U wy “ xv, wy @v, w P V ;
2. U est une isométrie : }U v} “ }v} @v P V . En particulier, U est inversible ;
3. U est unitaire : U est inversible et U ´1 “ U : ;
4. Les lignes et les colonnes de U sont une base orthonormale 9 de Cn par rapport au
produit scalaire euclidien complexe.

1.6.1 Le cas réel

Les résultats qu’on vient d’examiner changent si V est un espace vectoriel réel. Dans ce
cas, si L P EndpV q conserve le produit scalaire, alors les valeurs propres de L peuvent être
seulement λ “ ˘1 et la matrice associée à L via une base orthonormale de V est une matrice
orthogonale O telle que :

O´1 “ Ot ðñ OOt “ Ot O “ I,

i.e. l’inverse de O est la transposée.

On peut résumer les propriétés des matrices orthogonales comme ceci.
Théorème 1.24. Soit O une matrice réelle n ˆ n. Les conditions suivantes sont équivalentes :
1. O conserve le produit scalaire : xOv, Owy “ xv, wy @v, w P V ;
2. O est une isométrie : }Ov} “ }v} @v P V , et donc il existe O´1 ;
3. O est orthogonale : O´1 “ Ot ;
4. Les lignes et les colonnes de O sont une base orthonormale de Rn par rapport au produit
scalaire euclidien réel.
8. Inverser une matrice est un processus qui nécessite beaucoup d’opérations, donc le fait de pouvoir inverser
une matrice unitaire simplement avec la transposition et la conjugaison est très utile dans la pratique.
9. On peut démontrer que cela c’est une conséquence du fait que l’opérateur linéaire associé à U transforme
bases orthogonales en bases orthogonales.

26
1.7 Rappel sur la diagonalisation des endomorphismes et ma-
trices
La diagonalisation des matrices est une des plus importantes opérations de l’algèbre linéaire,
en fait, travailler avec une matrice diagonale est beaucoup plus simple et rapide qu’avec une
matrice quelconque.
Rappeler les plus importants concepts de la théorie de la diagonalisation est utile car une
des plus remarquables applications de la transformée de Fourier est la diagonalisation des
opérateurs stationnaires.
Définition 1.25. Un endomorphisme L : V Ñ V est dit diagonalisable (ou simple) s’il
existe une base de V donnée par des vecteurs propres de L.
Par conséquent, s’il existe pvi qni“1 , base de V de vecteurs propres de L avec valeurs propres
pλi qni“1 , alors : $
&Lv1 “ λ1 v1 “ λ1 v1 ` 0v2 ` . . . ` 0vn
’
’
..
’ .
’
%Lv “ λ v “ 0v ` 0v ` . . . ` λ v
n n n 1 2 n n

Donc, la matrice A associée à L via la base de vecteurs propres pvi qni“1 est :
¨ ˛
λ1 0 . . . 0
˚ .. ‹
˚ 0 λ2 . ‹
A“˚ ˚ .. .. . .
‹ “ diagpλ1 , λ2 , . . . , λn q.
‹
˝. . . 0‚
0 0 ... λn

On a aussi une définition de diagonalisabilité pour les matrices.

Définition 1.26. Une matrice carrée A est diagonalisable si elle est ! similaire " à une
matrice diagonale, i.e. il existe une matrice inversible C telle que C ´1 AC “ D et D est
diagonale.
Le théorème suivant explique pourquoi on a le droit d’utiliser le même mot, diagonalisable,
dans deux définitions qui concernent les endomorphismes et les matrices.
Théorème 1.27. L est diagonalisable (comme endomorphisme) si et seulement si A est
diagonalisable (comme matrice), où A est la matrice associée à L avec n’importe quelle base.
Il existe une théorie générale très élégante relative à la diagonalisabilité des endomorphismes
et des matrices, mais pour ce cours, le résultat suivant sera suffisant.
Définition 1.28. Soit L : V Ñ V un endomorphisme. On dit que L est hermitien si pour
tout v, w P V , xLv , wy “ xv , Lwy.
Le théorème important de diagonalisation est le suivant :
Théorème 1.29. Soit L : V Ñ V un endomorphisme hermitien et A : matrice associée
à L par rapport à la base canonique de Cn . Alors L (resp. A) est diagonalisable dans une
base orthonormée et a des valeurs propres sont réelles. En particulier, il existe P matrice de
passage unitaire et D diagonale réelle telle que A “ P DP ´1 . En particulier, P est la matrice
de passage de la base canonique à la base de vecteurs propres.

27
Chapitre 2

La transformée de Fourier discrète

Le contexte de ce chapitre est celui de l’analyse de signaux discrets (i.e. des suites)
périodiques, où nous allons appliquer dans un cadre simple le formalisme du chapitre précédent.
La Transformée de Fourier Discrète (ou Discrete Fourier Transform, DFT) a de nombreuses
applications, en particulier dans le cadre de la théorie des signaux, comme on verra dans la
section 2.5.

2.1 L’espace des suites complexes N -périodiques

Soit N ě 1 un entier fixé.
Définition 2.1. Soit z “ pzpjqqjPZ une suite (indexée par Z) de nombres complexes. On dit
que z est périodique de période N si pour tout i P Z, zpiq “ zpi ` N q. On note `N l’ensemble
des suites périodiques de période N .
Remarque 2.2. `N est un espace vectoriel complexe avec les opérations de somme et de
multiplication scalaire usuelles : pour z, w P `N , α P C, pour tout j P Z, pz`wqpjq :“ zpjq`wpjq
et pαzqpjq :“ αzpjq.
Pour définir entièrement une suite z P `N , il faut et il suffit de définir N termes
consécutifs, par exemple pzp0q, . . . , zpN ´ 1qq P CN . Les autres termes de la suite z s’en
déduisent
? par périodicité. Par exemple, pour z P `12 donnée par pzp0q, zp1q, . . . , zp11qq “
p1, i, i, 2i, 0, 0, 0, ´1, 0, 0, 0, 2q on détermine zp´21q en ajoutant à ´21 le multiple de 12 de
telle sorte que ´21?` 12k P t0, . . . , 11u, c’est-à-dire pour k “ 2, ´21 ` 2 ¨ 12 “ 3, ce qui implique
zp´21q “ zp3q “ 2i
Plus précisément, l’application suivante est un isomorphisme linéaire (la preuve est laissée
comme exercice) :

`N ÐÑ CN ¨ ˛
zp0q
˚ zp1q
‹
z ÐÑ pzp0q, zp1q, . . . , zpN ´ 1qq “ ˚ ‹,
˚ ‹
..
˝ ‚ .
zpN ´ 1q

On utilisera la représentation de z comme vecteur ligne ou vecteur comme colonne selon nos
besoins.

28
Définition 2.3. Grâce à l’isomorphisme ci-dessus, on peut définir la base canonique B de
`N : B “ pe0 , e1 , . . . , eN ´1 q avec pour tout j “ 0, . . . , N ´ 1, ej définie sur t0, . . . , N ´ 1u par
#
1 k“j
@k “ 0, . . . , N ´ 1, ej pkq “ δj,k “ ,
0 k‰j

puis étendue par périodicité sur Z tout entier.

Définition 2.4. On définit le produit scalaire sur `N par :
Nÿ
´1
xz, wy “ zpkqwpkq˚ ,
k“0

En particulier, on dira que deux suites z, w P `N sont orthogonales si et seulement si xz, wy “

Nř
´1
zpkqwpkq˚ “ 0. La norme induite par ce produit scalaire est :
k“0

˜ ¸ 12
Nÿ
´1
}z} “ |zpkq|2 ,
k“0

que l’on appellera ! norme `N ".

2.1.1 La base orthogonale des exponentielles complexes de `N

Quelques rappels d’analyse complexe
On rappelle les formules et définitions suivantes :
1. tout z P C peut s’écrire sous la forme z “ ρrcos α ` i sin αs “ ρeiα , où ρ, α P R, ρ ě 0 ;
2. Formules d’Euler : cos α “ 21 peiα ` e´iα q, sin α “ 1
2i pe
iα ´ e´iα q ;
3. soit z P C, alors |z| “ 1 ô Dα P R, z “ eiα ;
4. pour tout α P R, k P Z, eiα “ eipα`2πkq ;
5. pour tout k P Z, @k P Z, e2πik “ 1 ;
6. Pour tout α, β P R, eiα eiβ “ eipα`βq ; peiα qn “ einα et peiα q˚ “ e´iα ;
7. Racines complexes : étant donné z “ ρeiα , les solutions de l’équation wN “ z sont les
? 2πm`α
N racines complexes données par : zm “ N ρei N , m “ 0, . . . , N ´ 1 ;
8. En particulier, les racines N ièmes de l’unité sont définies par
m
ωm “ e2πi N , m “ 0, . . . , N ´ 1. (2.1)

On rappelle enfin la formule usuelle de sommation géométrique :

Lemme 2.5. Pour k ě 1, on a
#
k 1´z k`1
ÿ
j 1´z si z P Czt1u
z “
j“0 k`1 si z “ 1.

29
Base orthogonale de Fourier
Définition 2.6 (Base orthogonale de Fourier). Pour N ě 1, on définit la famille pE0 , E1 , . . . , EN ´1 q
de N éléments de `N de la façon suivante : pour tout m P t0, . . . , N ´ 1u, Em est donnée sur
t0, . . . , N ´ 1u par
2πikm
@k “ 0, . . . , N ´ 1, Em pkq “ e N “ pωm qk “ pω1 qmk , (2.2)
puis étendue par périodicité.
De façon plus explicite :
— pour m “ 0 :
pE0 p0q, E0 p1q, . . . , E0 pN ´ 1qq “ p1, 1, . . . , 1q;
— pour m “ 1 :
´ 2πi 4πi 2πipN ´1q
¯
pE1 p0q, E1 p1q, . . . , E1 pN ´ 1qq “ 1, e N , e N , . . . , e N
´ ¯
“ 1, ω1 , ω12 , ω13 , . . . , ω1N ´1 ;

— pour m “ 2 :
´ 4πi 8πi 4πipN ´1q
¯
pE2 p0q, E2 p1q, . . . , E2 pN ´ 1qq “ 1, e N , e N , . . . , e N
´ ¯
2pN ´1q
“ 1, ω12 , ω14 , ω16 , . . . , ω1 ;

— pour m quelconque :
´ 2πim 4πim 2πipN ´1qm
¯
pEm p0q, Em p1q, . . . , Em pN ´ 1qq “ 1, e N ,e N ,...,e N

´ ¯
pN ´1qm
“ 1, ω1m , ω12m , ω13m , . . . , ω1 ;

— pour m “ N ´ 1 :
ˆ ˙
2πipN ´1q 4πipN ´1q 2πipN ´1q2
pEN ´1 p0q, EN ´1 p1q, . . . , EN ´1 pN ´ 1qq “ 1, e N ,e N ,...,e N

´ ¯
2pN ´1q 3pN ´1q pN ´1q2
“ 1, ω1N ´1 , ω1 , ω1 , . . . , ω1 ;

On voit grâce à la formule z “ eiα “ rcos α ` i sin αs, que les valeurs successives de chaque suite
Em oscillent selon des fréquences différentes, (les arguments des fonctions cos et sin changent
avec les coefficients m et k). Comme on verra bientôt, la signification de ces fréquences a une
importance centrale dans l’analyse de Fourier.
Lemme 2.7. Pour tout j, k P t0, 1, . . . , N ´ 1u on a la formule :
#
Nÿ
´1 Nÿ ´1
j´k k´j N j“k
e2πin N “ e2πin N “ N δj,k “ (2.3)
n“0 n“0 0 j ‰ k.
Démonstration. On fait la preuve pour la première somme, (la seconde somme est la conjuguée
de la première). On a
Nÿ
´1 Nÿ
´1 ´
j´k n
¯
2πin j´k
e N “ e2πi N .
n“0 n“0
On a les deux cas suivants :

30
 j´k
— Si j “ k, z :“ e2πi N “ 1 et donc
Nÿ
´1 Nÿ
´1
j´j
e2πin N “ 1 “ N.
n“0 n“0

j´k
— Si j ‰ k P t0, . . . , N ´ 1u, z :“ e2πi N ‰ 1, alors, grâce à la formule de la sommation
géométrique :
Nÿ
´1 ´ Nÿ
´1
j´k
¯n 1 ´ zN
e2πi N “ zn “
n“0 n“0
1´z
pj´kqN
1 ´ e2πi N 1 ´ e2πipj´kq
“ j´k “ j´k .
1 ´ e2πi N 1 ´ e2πi N

ř ´1 2πin j´k
Comme j ´ k P Z, e2πipj´kq “ 1, et donc N n“0 e
N “ 0.

Maintenant, on peut démontrer facilement que E est une base orthogonale de `N .

Théorème 2.8. E “ pE0 , . . . , EN ´1 q est une base orthogonale de `N .

Démonstration. La famille E est de cardinal N donc il suffit de montrer qu’elle est orthogonale.
On va donc calculer les produits scalaires xEj , Ek y, @j, k P t0, . . . , N ´ 1u :

Nÿ
´1 Nÿ
´1
jn kn
xEj , Ek y “ Ej pnqEk pnq˚ “ e2πi N e´2πi N
n“0 n“0
Nÿ
´1
pj´kqn
“ e2πi N “ N δj,k ,
n“0

où on a utilisé le Lemme 2.3 pour arriver à la dernière égalité, qui montre que

xEj , Ek y “ N δj,k ,

i.e. les éléments de la base sont orthogonaux entre eux. Par contre, la famille E n’est par
orthonormée :
?
}Em }2 “ N , }Em } “ N , @m P t0, 1, . . . , N ´ 1u.

Quelques exemples :
On considère ici les cas N “ 2, N “ 3 et N “ 4.
— Pour N “ 2, `2 est l’ensemble des suites z 2-périodiques, caractérisées par la donnée de
tz “ pzp0q, zp1qq P C2 u. Dans ce cas,
´ 1¨1
¯ `
E0 “ p1, 1q et E1 “ 1, e2πi 2 “ 1, eπi “ p1, ´1q.
˘

Et donc
E “ pp1, 1q, p1, ´1qq , (2.4)
est la base de Fourier des exponentielles complexes de `2 .

31
 — Pour N “ 3, `3 est l’ensemble des suites z 3-périodiques, caractérisées par la donnée de
tz “ pzp0q, zp1q, zp2qq P C3 u. Alors (exercice) :
ˆ ? ? ? ? ˙
1 3 1 3 1 3 1 3
E “ p1, 1, 1q, p1, ´ ` i ,´ ´ i q, p1, ´ ´ i ,´ ` i q . (2.5)
2 2 2 2 2 2 2 2
2iπ
Pour se convaincre de ce calcul on se rappellera que dans ce cas, ω “ e 3 (parfois
appelé ω “ j) est une racine primitive 3ième de l’unité. Ainsi, ω 2 “ ω̄ et ω 4 “ ω.
— Pour N “ 4, `4 est l’ensemble des suites z 4-périodiques, caractérisées par la donnée de
tz “ pzp0q, zp1q, zp2q, zp3qq P C4 u. Alors (exercice) :

E “ pp1, 1, 1, 1q, p1, i, ´1, ´iq, p1, ´1, 1, ´1q, p1, ´i, ´1, iqq . (2.6)

Conséquences
On peut utiliser les résultats (1.6), (1.7), (1.8) de la section 1.3.5 pour écrire les formules
suivantes, qui sont valides pour deux éléments z, w P `N quelconques :
— Décomposition sur la base orthogonale E :
Nÿ
´1
xz, Em y
z“ Em (2.7)
m“0
N

— Identité de Parseval pour la base orthogonale E :

Nÿ
´1
xz, Em yxEm , wy
xz, wy “ (2.8)
m“0
N

— Identité de Plancherel pour E :

Nÿ
|xz, Em y|2
´1
}z}2 “ . (2.9)
m“0
N

2.2 La base orthonormale de Fourier de `N

2.2.1 Définition
?
Dans la section précédente on a vu que la norme `N de toutes les suites
? E m est N , donc
il est évident qu’on peut obtenir une base orthonormale si on divise par N . Ceci justifie la
définition suivante.
Définition 2.9. On appelle base orthonormale de Fourier de `N la collection

E “ pE0 , E1 , E2 , . . . , EN ´1 q

définie par
Em
@m “ 0, . . . , N ´ 1, Em :“ ? ,
N
c’est-à-dire
1 mn 1
@m, n “ 0, . . . , N ´ 1, Em pnq “ ? e2πi N “ ? pωm qn . (2.10)
N N
Par construction, une telle famille est bien une base orthonormée de `N .

32
Revenons aux exemples vus plus haut : pour N “ 2,
1
E “ ? pp1, 1q, p1, ´1qq (2.11)
2
est la base orthonormale de Fourier de `2 et pour N “ 3
ˆ ? ? ? ? ˙
1 1 3 1 3 1 3 1 3
E“? p1, 1, 1q, p1, ´ ` i ,´ ´ i q, p1, ´ ´ i ,´ ` i q . (2.12)
3 2 2 2 2 2 2 2 2

est la base orthonormale de Fourier de `3 et finalement pour N “ 4

1
E“ pp1, 1, 1, 1q, p1, i, ´1, ´iq, p1, ´1, 1, ´1q, p1, ´i, ´1, iqq . (2.13)
2
est la base orthonormale de Fourier de `4 .

2.2.2 Conséquences
La traduction du théorème 1.13 dans `N avec la base orthonormale de Fourier est la
suivante : étant donnés des éléments z, w P `N quelconques, on a
— Décomposition sur la base orthonormale de Fourier :
Nÿ
´1
z“ xz, Em yEm (2.14)
m“0

— Identité de Parseval :
Nÿ
´1
xz, wy “ xz, Em yxEm , wy (2.15)
m“0

— Identité de Plancherel :
Nÿ
´1
}z}2 “ |xz, Em y|2 . (2.16)
m“0

2.2.3 Autre choix de renormalisation

Certaines références choisissent une renormalisation différente, dans le but d’écrire certaines
formules de façon plus simple. Par exemple, il est possible de considérer une renormalisation
en N1 au lieu de ?1N :
Em
@m P t0, . . . , N ´ 1u , Fm :“ (2.17)
N
Bien sûr, dans ce cas, la famille pF0 , . . . , FN ´1 q n’est plus orthonormée (mais elle reste
orthogonale). Ce choix de renormalisation rend certaines formules plus simples (mais complique
d’autres). Il faut bien comprendre qu’il n’existe pas de renormalisation idéale : toutes ont des
avantages et des inconvénients.

33
2.3 Les coefficients de Fourier et la transformée de Fourier
discrète (DFT)
2.3.1 Transformée de Fourier discrète
La définition de la transformée de Fourier discrète change selon les auteurs et les applications.
Les deux définitions les plus répandues utilisent la base orthonormale E et un mélange des
bases orthogonales E et F .
Les deux choix sont utiles pour des raisons différentes :
— Utiliser la base orthonormale E permet d’obtenir des opérateurs unitaires ;
— Utiliser un mélange des bases orthogonales E et F permet de simplifier beaucoup de
formules, notamment la formule de la convolution, que l’on verra plus tard dans ce
chapitre, qui est très utilisée dans les applications.
Pour éviter des complications de notations inutiles, on travaillera seulement dans ce cours avec
les bases orthogonales E et F . On laisse le lecteur effectuer les modifications nécessaires pour
une autre renormalisation.
On commence par reconsidérer la décomposition
Nÿ
´1 N ´1
xz, Em y 1 ÿ
z“ Em “ xz, Em yEm
m“0
N N m“0

En rappelant la définition du produit scalaire de `N , on peut écrire :

Nÿ
´1 Nÿ
´1
mn ˚
´ ¯
xz, Em y “ zpnq rEm pnqs “ ˚
zpnq e2πi N
n“0 n“0
Nÿ
´1
mn
“ zpnqe´2πi N .
n“0

Définition 2.10. Donné z P `N quelconque, on appelle les valeurs complexes xz, Em y, m P

t0, 1, . . . , N ´ 1u, les coefficients de Fourier de z, que l’on écrit avec ẑpmq. Explicitement :

Nÿ
´1
mn
ẑpmq “ zpnqe´2πi N Coefficients de Fourier de z. (2.18)
n“0

La suite des coefficients de Fourier de z est notée ẑ P `N :

ẑ “ pẑp0q, ẑp1q, ẑp2q, . . . , ẑpN ´ 1qq. (2.19)

On appelle l’opérateur linéaire qui transforme z P `N en la suite ẑ P `N de ses coefficients de

Fourier, i.e.
DFT ” ˆ : `N ÝÑ `N
z ÞÝÑ DFTpzq ” ẑ,
Nÿ
´1
mn
ẑpmq “ zpnqe´2πi N @m P t0, 1, . . . , N ´ 1u,
n“0

la transformée de Fourier discrète, que l’on écrira DFT (Discrete Fourier Transform),
à partir de maintenant.

34
 Il faut observer que la variable de z est n, tandis que la variable de ẑ est m. Dans la
section 2.5 on donnera l’interprétation de n et m dans la théorie des signaux : n est la valeur
discrète d’un instant temporel (ou d’une position spatiale), où on mesure un signal z, par
contre m est proportionnel à la fréquence d’oscillation d’une onde (dite harmonique), multiple
d’une fréquence fondamentale. Donc, la DFT permet de passer d’une description en termes
d’échantillons temporels (ou spatiaux) d’un signal, à une description en terme de fréquences
du signal même. Dans la section 2.5 on formalisera cette affirmation.
Avec les définitions ci-dessus, on peut écrire la décomposition de z comme ceci :
N ´1
1 ÿ
z“ ẑpmqEm , (2.20)
N m“0

Si on utilise la notation que l’on vient d’introduire, on peut réécrire le théorème de

décomposition sur la base orthonormale de Fourier et les identités de Parseval et Plancherel
comme cela :
— Décomposition de z sur la base orthogonale de Fourier :

N ´1
1 ÿ mn
zpnq “ ẑpmqe2πi N @n “ 0, 1, . . . , N ´ 1 (2.21)
N m“0

— Identité de Parseval :
N ´1
1 ÿ 1
xz, wy “ ẑpmqŵpmq˚ “ xẑ, ŵy (2.22)
N m“0 N

— Identité de Plancherel :
N ´1
1 ÿ 1
}z}2 “ |ẑpmq|2 “ }ẑ}2 . (2.23)
N m“0 N

2.3.2 La transformée de Fourier inverse (IDFT)

Il est intéressant de comparer les formules (2.18) et (2.21) :
Nÿ
´1 N ´1
mn 1 ÿ mn
ẑpmq “ zpnqe´2πi N , zpnq “ ẑpmqe2πi N , @n, m P t0, 1, . . . , N ´ 1u.
n“0
N m“0

La première relation dit que, si on connait les valeurs zpnq, alors on peut reconstruire les
valeurs ẑpmq grâce à la formule (2.18). La deuxième relation dit que, si on connait les valeurs
ẑpmq, alors on peut reconstruire les valeurs zpnq grâce à la formule (2.21). Ceci montre une
! dualité " entre les deux formules : on peut passer de la suite z à la suite ẑ et vice-versa via

les relations (2.18) et (2.21). On va formaliser cette dualité avec la définition et le théorème
qui suivent.

35
Définition 2.11. On appelle l’opérateur linéaire :

IDFT ” ˇ : `N ÝÑ `N
u ÞÝÑ IDFTpuq ” ǔ,

N ´1
1 ÿ mn
ǔpnq “ upmqe2πi N @n P t0, 1, . . . , N ´ 1u,
N m“0

la transformée de Fourier discrète inverse, que l’on écrira IDFT (Inverse Discrete
Fourier Transform), à partir de maintenant.
Théorème 2.12. La IDFT est l’opérateur linéaire inverse de la DFT et vice-versa :

IDFT “ DFT´1 , DFT “ IDFT´1 ,

autrement dit :
ẑˇ “ z, žˆ “ z @z P `N .

Démonstration. On doit démontrer que la composition entre DFT et IDFT et entre IDFT et
DFT donne l’opérateur identité id : DFT˝IDFT“IDFT˝DFT“ id, idpzq “ z, @z P `N .
On commence par vérifier que, si on a une suite z P `N quelconque, et on applique la DFT
pour obtenir la suite des coefficients de Fourier ẑ P `N , alors on peut revenir à la suite initiale
via l’application de la IDFT :

`N ÝÑ `N ÝÑ `N
DFT IDFT
z ÞÝÑ ẑ ÞÝÑ ẑˇ “ z.
Avant d’écrire la composition, on souligne qu’il ne faut pas confondre l’index de sommation,
dont le symbole n’a aucune importance, avec les variables fixées n, m de žpnq et ẑpmq. Pour
éviter ce problème, on utilise j comme symbole de sommation de la première transformation,
qui est celle écrite à l’intérieur de l’expression composée. Pour tout n P t0, 1, . . . , N ´ 1u,
˜ ¸
Nÿ´1 Nÿ´1 Nÿ´1
1 mn 1 mj mn
ˇ
ẑpnq “ ẑpmqe2πi N “ zpjqe´2πi N e2πi N
N m“0 N m“0 j“0
N ´1 N ´1
1 ÿ ÿ n´j
“ zpjqe2πim N
N m“0 j“0
˜ ¸
N ´1 Nÿ
´1
1 ÿ n´j
“ zpjq e2πim N
N j“0 m“0
N ´1
1 ÿ
“ zpjqN δj,n “ zpnq.
pLemme 2.3q N j“0

Maintenant on vérifie que la composition inverse donne encore l’identité :

`N ÝÑ `N ÝÑ `N
IDFT DFT
z ÞÝÑ ž ÞÝÑ žˆ “ z.

36
Pour tout m P t0, 1, . . . , N ´ 1u
˜ ¸
Nÿ
´1 Nÿ
´1 N ´1
´2πi mn 1 ÿ jn mn
žˆpmq “ žpnqe N “ zpjqe2πi N e´2πi N

n“0 n“0
N j“0
Nÿ
´1 Nÿ
´1
1 j´m
“ zpjqe2πin N
N n“0 j“0
˜ ¸
N ´1 Nÿ
´1
1 ÿ 2πin j´m
“ zpjq e N
N j“0 n“0
N ´1
1 ÿ
“ zpjqN δj,m “ zpmq.
pLemme 2.3q N j“0

ˇ
Donc pour tout n, m P t0, 1, . . . , N ´ 1u, ẑpnq “ zpnq et žˆpmq et le théorème est prouvé.
On note la grande similarité entre DFT et IDFT : seulement le coefficient 1{N et le signe
de l’exponentiel complexe changent. Il est utile de souligner les formules que l’on vient de
démontrer :
N ´1
1 ÿ mn
ˇ
@n P Z, ẑpnq “ ẑpmqe2πi N “ zpnq,
N m“0
Nÿ
´1
mn
@m P Z, žˆpmq “ žpnqe´2πi N “ zpmq.
n“0
Définition 2.13. On appelle le couple pz, ẑq P `N ˆ `N un couple de Fourier.
Remarque 2.14. Notons ici que ẑ et ž sont par construction périodiques : si a P Z, on
obtient que :
Nÿ
´1 Nÿ
´1 Nÿ
´1
pm`aN qn mn aN n mn
ẑpm ` aN q “ zpnqe´2πi N “ zpnqe´2πi N e´2πi N “ zpnqe´2πi N e´2πani “ ẑpmq,
n“0 n“0 n“0

car e´2πani “ 1. Avec le même calcul on montre que žpn ` aN q “ žpnq @a P Z. Donc, les
définitions de ẑ et ž se prolongent automatiquement à à Z tout entier.

2.3.3 La base (orthonormale) de Fourier réelle

On peut écrire la base de Fourier et la DFT avec une notation réelle. L’avantage d’avoir une
base de Fourier réelle est que, si z est réel, alors on peut éviter l’introduction de composantes
imaginaires. On considère simplement la base de Fourier orthonormale pour simplicité.
On distingue si N est pair ou impair. On commence par le cas N pair : N “ 2M , M P N,
M ě 1. Alors, @n “ 0, 1, . . . , N ´ 1, on écrit :
$
’
’
’ c0 pnq “ ?1N
’ b
2
p 2πmn
’
c N cosˆ m “ 1, 2, ..., M ´ 1
’
& m
’ pnq “ N q˙
N
2π 2 n n
’
’
’ cM pnq “ ?1N cos N “ p´1q
?
N
’
’ b
2 2πmn
’
%sm pnq “
N sin p N q m “ 1, 2, . . . , M ´ 1.
’

37
Si N “ 2M ` 1 est impair, alors on définit encore c0 , cm et sm comme ci-dessus, mais bien sûr
le cas m “ N {2 ne doit pas être considéré car N {2 dans ce cas n’est pas un nombre entier.
Théorème 2.15. La collection tc0 , c1 , . . . , cM ´1 , cM , s1 , . . . , sM ´1 u quand N “ 2M ou la
collection tc0 , c1 , . . . , cM ´1 , s1 , . . . , sM ´1 u quand N “ 2M ` 1 est une base orthonormale de
`N . Donc, pour tout z P `N :
M
ÿ M
ÿ ´1 M
ÿ ´1 M
ÿ ´1
z“ xz, cm ycm ` xz, sm ysm pN “ 2M q, z“ xz, cm ycm ` xz, sm ysm pN “ 2M ` 1q
m“0 m“1 m“0 m“1

Définition 2.16. On appelle base orthonormale réelle de Fourier de `N l’ensemble de suites

de `N tc0 , c1 , . . . , cM ´1 , cM , s1 , . . . , sM ´1 u quand N “ 2M , ou l’ensemble de suites de `N
tc0 , c1 , . . . , cM ´1 , s1 , . . . , sM ´1 u quand N “ 2M ` 1.
La relation avec les coefficients de Fourier est donnée par les formules suivantes.

xz, c0 y “ ẑp0q
$
?
N
’
’
xz, cM y “ ẑpM
’
? q
’
’
’
’
’ N
’xz, cm y “ ?1 pẑpmq ` ẑpN ´ mqq, m “ 1, 2, . . . , M ´ 1
’
’
’
’
’ 2N
xz, sm y “ ?´i pẑpmq ´ ẑpN ´ mqq, m “ 1, 2, . . . , M ´ 1
&
? 2N
’
’ ẑp0q “ N xz, c0 y
’
’
’ ?
’
’
’ ẑpM q “ N xz, cM y
’
’ a
’
’
’ ẑpmq “ N {2pxz, cm y ´ ixz, sm yq, m “ 1, 2, . . . , M ´ 1
’
% a
ẑpmq “ N {2pxz, cN ´m y ` ixz, sN ´m yq, m “ M ` 1, M ` 2, . . . , N ´ 1.

2.4 Interprétation matricielle de la DFT et IDFT

2iπ
Rappelons la définition de ω1 :“ e N (voir (2.1)). On note ici
2iπ
α :“ ω̄1 “ e´ N . (2.24)

On a alors le résultat suivant :

Proposition 2.17 (Matrice représentative de la DFT). La matrice représentative de DFT :
p`N , Bq Ñ p`N , Bq dans la base canonique B de `N (voir Definition 2.3) est
¨ ˛
1 1 1 1 ... 1
˚1
˚ α α2 α3 ... αN ´1 ‹
‹
˚1 α2 α4 α6 ... α2pN ´1q ‹
WN ‹.
˚ ‹
“ ˚1 α3 α6 α9 ... α3pN ´1q
˚ ‹
˚. .. .. .. .. ..
˝ ..
‹
. . . . . ‚
1 αN ´1 α2pN ´1q α3pN ´1q . . . αpN ´1qpN ´1q

La matrice WN est dite de matrice de Vandermonde-Fourier 1 . Elle est symétrique (WN “

WNt ) et inversible.
1. Alexandre-Théophile Vandermonde (1735 Paris - 1796 Paris).

38
Démonstration. Pour tout n, m P t0, . . . , N ´ 1u,
Nÿ
´1
2iπkm
eˆn pmq “ en pkqe´ N .
k“0

2iπmn
Or, par définition de la base canonique, en pkq “ δn,k et donc eˆn pmq “ e´ N “ αnm . D’où le
résultat. WN est clairement symétrique et le fait qu’elle soit inversible vient du fait que la
DFT est bijective.

De même, on a un résultat semblable pour la IDFT :

Proposition 2.18 (Matrice représentative de la IDFT). La matrice représentative de la
IDFT : p`N , Bq Ñ p`N , Bq dans la base canonique B de `N est N1 WN˚ .

Proof of Proposition 2.18. On a de même, pour tout n, m P t0, . . . , N ´ 1u,

N ´1
1 ÿ 2iπmk
ěn pmq “ en pkqe N .
N k“0

1 2iπmn 1 nm
Or, en pkq “ δn,k et donc ěn pmq “ Ne
N “ N ᾱ , ce qui donne le résultat.

Un corollaire immédiat du fait que l’inverse de la DFT est l’IDFT est

Corollaire 2.19. On a la relation
1 ˚
WN´1 “ W . (2.25)
N N
En particulier, la matrice ?1 WN est unitaire.
N

Exemples :
— N “ 2 : α “ e´2πi{2 “ ´1, donc
ˆ ˙
1 1
W2 “ ,
1 ´1

d’où : ˆ ˙
1 1 1
W2´1 “ .
2 1 ´1
?
3
— N “ 3 : α “ e´2πi{3 “ j 2 “ j̄ “ ´ 21 ´ i 2 , donc
¨ ˛ ¨ ˛
1 1 1 1 1 1
W3 “ ˝1 j 2 j 4 ‚ “ ˝1 j̄ j ‚,
1 j4 j8 1 j j̄

d’où : ¨ ˛
1 1 ? 1 ?
W3 “ ˝1 ´ 2 ´ i ?23
1
´ 21 ` i ?23 ‚ (2.26)
˚ ‹
1 ´ 12 ` i 23 ´ 21 ´ i 23

39
 La matrice inverse est :
¨ ˛
1 1 ? 1 ?
1˚
W3´1 “ ˝1 ´ 2 ` i ?23
1
´ 21 ´ i ?23 ‚ (2.27)
‹
3
1 ´ 12 ´ i 23 ´ 21 ` i 23

— N “ 4 : α “ e´2πi{4 “ ´i, donc

¨ ˛
1 1 1 1
˚1 ´i p´iq2 p´iq3 ‹
W4 “ ˚
˝1 p´iq2 p´iq4 p´iq6 ‚,
‹

1 p´iq3 p´iq6 p´iq9

d’où : ¨ ˛
1 1 1 1
˚1 ´i ´1 i ‹
W4 “ ˚
˝1 ´1 1 ´1‚.
‹ (2.28)
1 i ´1 ´i
La matrice inverse est :
¨ ˛
1 1 1 1
1 ˚1 i ´1 ´i ‹
W4´1 “ ˚ ‹. (2.29)
4 ˝1 ´1 1 ´1‚
1 ´i ´1 i

2.4.1 ! FFT " : Fast Fourier Transform

On vient de voir que l’action de la DFT sur un signal z P `N peut être représentée comme
un produit matriciel. Par conséquent, on a besoin de calculer N multiplications pour chaque
élément ẑpmq de la suite ẑ P `N . Comme ẑ a N composantes, l’algorithme de calcul de la DFT
a une complexité de OpN 2 q.
Pour des signaux de grande dimension, cette complexité implique que la DFT est très
lente, c’est pour cela que la transformée de Fourier a été utilisée presque seulement dans un
cadre théoriques, plutôt que dans les applications, jusqu’aux années 60 du XX siècle.
Heureusement, Cooley et Tukey, en 1965, ont utilisé des symétries cachées dans la DFT
pour construire un algorithme rapide pour le calcul de la DFT, ils ont appelé l’algorithme
Fast Fourier Transform ! FFT ". La FFT a une complexité de l’ordre de OpN log N q et elle
permet de calculer la transformée de Fourier d’un signal de grande dimension dans l’ordre
d’une fraction de secondes avec les ordinateurs modernes. En particulier, la FFT est très
efficace quand la dimension des signaux est une puissance de 2 (cela explique pourquoi le
format typique des images numériques est de 512 ou 1024).

2.5 La transformée de Fourier dans le traitement des signaux

La théorie de Fourier est appliquée à beaucoup de domaines, par exemple la résolution
des équations différentielles ordinaires et partielles, la physique classique et quantique, les
statistiques et probabilités et le traitement des signaux. C’est surtout dans le premier et le
dernier domaine que l’on appliquera les résultats de l’analyse de Fourier. Dans cette section,
on considère le cas du traitement des signaux en dimension 1 (1D).

40
2.5.1 La formule de synthèse des signaux 1D : décomposition sur la base
des harmoniques
Un signal discret 1D de dimension N peut être défini comme l’ensemble des N échantillons
d’une variable, qui peut être dépendant du temps, d’une dimension spatiale (x,y ou z), où
d’un autre paramètre avec un seul degré de liberté. Deux exemples remarquables de signaux
discret 1D qui dépendent du temps ou d’une dimension spatiale sont :
— l’ensemble de valeurs d’intensité d’un morceau de musique échantillonné pour N instants
différents ;
— l’ensemble de valeurs de niveau de gris d’une ligne ou d’une colonne d’une image
échantillonné pour N positions différentes.
On peut traiter un signal discret 1D dans le cadre de la théorie de Fourier avec les identifications
basiques suivantes :
— la représentation mathématique abstraite d’un signal discret 1D est donnée par une
suite z P `N ;
— n P ZN “ t0, 1, . . . , N ´ 1u représente les valeurs du paramètre (temps, dimension
spatiale, etc.) où est mesuré le signal ;
— l’énergie du signal z est associée à la norme carrée }z}2 .
Dans ce cadre, on interprète les formules (2.18) et (2.21) comme, respectivement, une formule
d’analyse et une formule de synthèse :
Nÿ
´1
mn
Formule d’analyse : @m P Z, ẑpmq “ zpnqe´2πi N ,
n“0
Nÿ´1
1 mn
Formule de synthèse : @n P Z, zpnq “ ẑpmqe2πi N .
N m“0

Ces formules se comprennent de la façon suivante : pour manipuler un signal audio (dont un
exemple est donné en 2.1), on peut avoir besoin de lui associer une expression analytique.
Pour ce faire, il est possible de calculer les coefficients de Fourier ẑpmq de ce signal (via la

Figure 2.1 – Un exemple de signal audio.

formule d’analyse). La formule de synthèse dit alors qu’il est alors possible de reconstruire le
signal z au paramètre n grâce à la connaissance des coefficients de Fourier ẑpmq selon une
mn
combinaison linéaire d’ondes e2πi N dont les fréquences sont multiples de 1{N , modulées par
le coefficient de multiplication m : t0, 1{N, 2{N, . . . , pN ´ 1q{N u. Quand m “ 0 on n’a pas

41
 m
d’oscillations, mais à partir de m “ 1 jusqu’à m “ N ´ 1 les fonctions e2πi N n oscillent avec
une certaine fréquence (voir section 2.5.3 pour plus de détails).
1
Définition 2.20 (Harmoniques). La fonction n ÞÑ e2πi N n est dite harmonique (discrète 2 )
m
fondamentale et les fonctions n ÞÑ e2πi N n pour m “ 1, 2, . . . , N ´ 1 sont dites harmoniques
(discrètes) d’ordre supérieur.

2.5.2 Signification des coefficients de Fourier et spectre d’un signal 1D

Si le signal discret z dépend du temps t (ou d’une dimension spatiale x), alors on dit que la
transformation z Ñ ẑ réalisée par la DFT permet de passer de la représentation temporelle
(ou spatiale) du signal à la représentation fréquentielle, ou à l’espace de Fourier. La
transformée de Fourier est souvent définie comme l’équivalent du prisme de Newton pour les
mathématiques. Le prisme de Newton permet de décomposer la lumière dans les composantes
fréquentielles ! cachées " qui correspondent aux couleurs spectrales. La transformée de Fourier
nous permet de mettre en évidence les composantes fréquentielles ! cachées " dans un signal
quelconque.
Chaque coefficient de Fourier ẑpmq P C peut être écrit ainsi :

ẑpmq “ apmq ` ibpmq “ |ẑpmq|eiArgpẑpmqq

a
où |ẑpmq| 2 2
´ “ ¯ apmq ` bpmq est le module du coefficient de Fourier ẑpmq et Argpẑpmqq “
bpmq
arctan apmq est son argument. On interprète alors le module du coefficient de Fourier ẑpmq
mn
comme le poids qui mesure l’importance de chaque harmonique e2πi N dans la reconstruction
du signal z :
mn
|ẑpmq| : mesure de l’importance de l’harmonique e2πi N dans la reconstruction de z.

Ces considérations permettent de donner les définitions suivantes :

Définition 2.21. Pour z P `N , on appelle :
— t|ẑpmq|, m P ZN u : spectre d’amplitude de z, ou plus simplement spectre de z ;
— t|ẑpmq|2 , m P ZN u : spectre de puissance de z ;
— tArgpẑpmqq, m P ZN u : spectre de phases de z.
Dans ce contexte, l’interprétation de l’identité de Plancherel est la suivante : l’énergie
totale du signal se décompose comme la somme des énergies associées à chaque harmonique.
Notons aussi qu’un coefficient parmi les coefficients de Fourier joue un rôle particulier : ẑp0q,
qui donne une information sur la valeur moyenne de z :
Nÿ
´1 Nÿ
´1
2πi 0n
ẑp0q “ zpnqe N “ zpnq “ N xzy ùñ ẑp0q “ N xzy ,
n“0 n“0

Nř
´1
1
où xzy “ N zpnq est la valeur moyenne du signal z. Si on introduit cette expression de
n“0
ẑp0q dans la formule de synthèse et on sépare le premier terme du reste de la sommation on
2. On spécifie le fait que les harmoniques sont discrètes, car les harmonique continues sont données par les
fonctions t ÞÑ e2πimνt “ eimωt , où ν est la fréquence et ω “ 2πν est la pulsation.

42
obtient :

N ´1 N ´1
1 1 ÿ mn 1 ÿ mn
zpnq “ N xzy ` ẑpmqe2πi N , i.e. zpnq “ xzy ` ẑpmqe2πi N .
N N m“1 N m“1

On dit que le coefficient de Fourier ẑp0q est la composante ! DC " de la formule de synthèse,
tandis que les autres termes constituent la composante ! AC ". Cette nomenclature vient
de l’électrotechnique, où on appelle le courant continue DC ! Direct Current " (courant de
fréquence nulle) et le courant alternatif AC ! Alternating Current ".

2.5.3 Hautes et basses fréquences m dans la formule de synthèse

On veut comprendre plus en profondeur la signification des coefficients fréquentiels m dans
l’ensemble d’harmoniques :
! mn
´ mn ¯ ´ mn ¯ )
e2πi N “ cos 2π ` i sin 2π , n “ 0, 1, . . . , N ´ 1 ,
N N
qui représente la valeur des harmoniques dans chacun des N paramètres n. Pour simplifier
l’analyse, on considère seulement la partie réelle de l’ensemble ci-dessus, i.e.
! ´ mn ¯ )
Hm “ cos 2π , n “ 0, 1, . . . , N ´ 1 ,
N
les considérations faites sur le cosinus pouvant
˘ être répétées pour le sinus.
Discutons du comportement de cos 2π mn
`
N quand m prend les valeurs de 0 jusqu’à N ´ 1,
N pair (on discutera plus tard du cas N impair) :
— m “ 0 : comme on l’a déjà vu,
˘ dans ce cas on a pas d’oscillations, mais une suite de
valeurs constantes, cos 2π 0n
`
N “ 1, donc

H0 “ t1, 1, . . . , 1u;

— m“1: " ˆ ˙ ˆ ˙ ˆ ˙*
1 2 N ´1
H1 “ 1, cos 2π , cos 2π , . . . , cos 2π ,
N N N
les valeurs de H1 représentent N échantillons d’une oscillation du cosinus. Le cycle
n’est
` pas ˘terminé car on ne considère pas la valeur n “ N , qui permettrait d’obtenir
N
cos 2π N “ cosp2πq “ 1. Dans la figure 2.2 on montre le graphe de Hm pour m “
1, N “ 16.
— m“2:
# ˜ ¸ ˙+
2 N2
ˆ ˙ ˆ ˙ ˆ
2 4 2pN ´ 1q
H2 “ 1, cos 2π , cos 2π , . . . , cos 2π “ 1, . . . , cos 2π ,
N N N N

les valeurs de H2 représentent N échantillons de deux oscillations du cosinus. En fait,

en correspondance de n “ N {2, un cycle du cosinus est terminé. Dans la figure 2.3 on
montre le graphe de Hm pour m “ 2, N “ 16. On voit que pour n “ 8 “ 16{2 la valeur
du cosinus est 1.

43
 Figure 2.2 – Hm pour m “ 1, N “ 16.

Figure 2.3 – H pour m “ 2, N “ 16.

— Si on augmente m jusqu’à N {2, on augmente la fréquence des oscillations du cosinus,

comme le montre la figure 2.4, qui représente le graphe de Hm avec m “ 7,ˆ
N “ 16.˙La
N
n
fréquence maximale est obtenue quand m “ N {2, en fait, dans ce cas, cos 2π 2
N “
cospπnq, donc
H N “ tp´1qn , n “ 0, 1, . . . , N ´ 1u
2

comme le montre la figure 2.5 avec le graphe de Hm pour m “ 8, N “ 16.

— On pourrait penser que la fréquence des oscillations du cosinus augmente jusqu’à N ´ 1,
mais ceci n’est pas vrai. En fait, à partir de n “ N {2 ` 1, la fréquence des oscillations

44
 Figure 2.4 – Hm pour m “ 7, N “ 16.

Figure 2.5 – Hm pour m “ 8, N “ 16.

du cosinus décroı̂t. Pour comprendre ce comportement, on considère cos 2π nm

` ˘
N quand
N N
(
m P 2 ` 1, 2 ` 2, . . . , N ´ 1 et on fait un changement de variable :
" * " *
N N N
k “ N ´m ô m “ N ´k, m P ` 1, ` 2, . . . , N ´ 1 ô k P ´ 1, . . . , 2, 1 ,
2 2 2

donc quand m croı̂t de N2 ` 1 jusqu’à N ´ 1, k décroı̂t de N2 ´ 1 jusqu’à 1. Si on introduit

le changement de variable dans le cosinus on obtient :
ˆ ˙ ˆ ˙ ˆ ˙ ˆ ˙
npN ´ kq nk nk nk
cos 2π “ cos 2πn ´ 2π “ cos ´2π “ cos 2π ,
N N N N

45
 on a utilisé la périodicité et la parité du cosinus.
Par conséquent,
´ nm ¯ " * ˆ ˙ " *
N N nk N
cos 2π , mP ` 1, ` 2, . . . , N ´ 1 ô cos 2π , kP ´ 1, . . . , 1 ,
N 2 2 N 2

Donc, le nombre d’oscillations harmoniques est maximal pour m “ N {2 et

symétrique par rapport à cette valeur. Par exemple, le graphe de Hm pour
m “ 9, N “ 16 est exactement égal au graphe de la figure 2.4, qui représente le graphe
de Hm avec m “ 7, N “ 16. Ainsi comme le graphe de m “ 15, N “ 16 est exactement
égal au graphe de la figure 2.2, qui représente le graphe de Hm avec m “ “ 1,‰ N “ 16.
— Bien sûr, si N est impair, alors ce que l’on vient de dire est valide pour N2 , la partie
entière de N2 .
Les considérations précédentes expliquent pourquoi on appelle :
— Hautes fréquences : les valeurs de m proches de N2 ;
— Basses fréquences : les valeurs de m proches de 0 ou à N ´ 1.
Donc, si dans la formule de synthèse d’un signal discret z P `N on a des coefficients de Fourier
ẑpmq avec un module élevé pour des valeurs de m proches de N {2, le signal sera caractérisé
par des variations plutôt violentes (par exemple un son aigu, comme pour les cymbales). Par
contre, si les coefficients de Fourier avec le module plus élevé correspondent à des valeurs de
m proches de 0 et à N ´ 1, alors le signal sera caractérisé par des variations plus douces (par
exemple un bruit grave, comme pour les tambours).
La fréquence m “ N {2 est dite fréquence de Nyquist 3 . Elle est la fréquence harmonique
la plus élevée qui peut être représentée avec N échantillons d’un signal. On reviendra sur ce
point très important quand on discutera le théorème d’échantillonnage.
Un exemple utile est donné par un ! chirp " (gazouillis), i.e. un signal avec des oscillations
qui deviennent de plus en plus rapides, typique de certains oiseaux, mais aussi de certaines
images, comme dans la figure 2.6.

Figure 2.6 – Chirp obtenu via une ! scanline ", i.e. les valeurs d’intensité des pixels d’une
ligne d’une image numérique.

La modélisation d’un chirp discret est la suivante :

ˆ 2˙
πn
zpnq “ sin , n P ZN , (2.30)
T
3. Harry Nyquist, ingénieur suédois (1889-1976).

46
dans la figure 2.7 on montre trois différents chirps avec T “ 256, 512, 1024, tous échantillonnés
avec N “ 128. Les graphes des modules des coefficients de Fourier de ces chirps sont montrés
dans la figure 2.8. On voit que le coefficients de Fourier ẑpmq avec m proches à m “ 128{2 “ 64
ont un module non négligeable seulement pour le premier chirp, qui a des fréquence élevées.
Par contre, pour les deux dernier chirps, seulement les coefficients de Fourier ẑpmq avec m
proches à m “ 0 et m “ 128 ont un module non négligeable.

2.5.4 Visualisation du spectre d’amplitude

La caractérisation des hautes fréquences m comme celles proches à N {2 n’est pas intuitive.
Pour éviter ce problème, certains auteurs identifient ZN aux ensembles suivants :

Si N “ 2M (paire), ZN “ t´M ` 1, ´M ` 2, . . . , ´1, 0, 1, . . . , M ´ 1, M u, (2.31)

Si N “ 2M ` 1 (impaire), ZN “ t´M, ´M ` 1, . . . , ´1, 0, 1, . . . , M ´ 1, M u. (2.32)

Grâce à ces translations, les hautes fréquences correspondent aux valeurs de m proches à M
et les basses fréquences aux valeurs de m proches de 0. La figure 2.9 montre comment les
spectres d’amplitude de figure 2.8 changent avec la translation.

Figure 2.7 – De gauche à droite : chirps obtenus avec la formule (2.30), T “ 256, 512, 1024 et
N “ 128. Abscisses : n, ordonnees : zpnq.

Figure 2.8 – De gauche à droite : modules des coefficients de Fourier des chirps de la figure
2.7. Abscisses : m, ordonnees : |ẑpmq|.

On peut observer que le chirp avec des fréquences plus élevées a un spectre d’amplitude qui
s’étale loin de la fréquence centrale, par contre les deux chirps avec fréquences plus basses ont
leur spectres d’amplitude confinés à côté de la région centrale.
Dans les trois cas, on note que l’amplitude de ẑp0q est petite, cela est dû au fait que les
oscillations positives et négatives tendent à se balancer et donc que xzy tend vers 0.
Le code Matlab pour générer les graphes des spectres d’amplitude est disponible ci-dessous.

47
Figure 2.9 – De gauche à droite : modules des coefficients de Fourier des chirps de la figure
2.7 translatés pour avoir les basses fréquences dans le centre et les hautes aux côtés gauche
et droit. Abscisses : m, ordonnees : |ẑpmq|.

1 % samples
2 n=0:127;
3 % signals
4 z1=sin(pi*n.ˆ2/256); z2=sin(pi*n.ˆ2/512); z3=sin(pi*n.ˆ2/1024);
5 % non centered amplitude spectra
6 w1=abs( fft( z1 ) ); w2=abs( fft( z2 ) ); w3=abs( fft( z3 ) );
7 % centered amplitude spectra, fftshift implements the centering
8 v1=abs(fftshift( fft( z1 ) )); v2=abs(fftshift( fft( z2 ) )); ...
v3=abs(fftshift( fft( z3 ) ));
9 %graphs:
10 subplot(3,3,1); plot(n,z1); subplot(3,3,2); plot(n,z2); subplot(3,3,3); ...
plot(n,z3);
11 subplot(3,3,4); plot(n,w1); subplot(3,3,5); plot(n,w2); subplot(3,3,6); ...
plot(n,w3);
12 subplot(3,3,7); plot(n,v1); subplot(3,3,8); plot(n,v2); subplot(3,3,9); ...
plot(n,v3);

2.5.5 Filtrage de signaux dans la représentation fréquentielle

Grâce à la DFT on peut modifier très facilement le contenu fréquentiel d’un signal, par exemple
pour augmenter l’importance des basses ou des hautes fréquences.
Le schéma standard consiste à passer à l’espace de Fourier avec la DFT puis à manipuler
les coefficients de Fourier, selon nos besoins, avec un filtre f : `N Ñ `N , qui peut être une
transformation linéaire ou non-linéaire. On termine par l’application de la IDFT à la suite
des coefficients de Fourier modifiés pour reconstruire le signal original avec les modifications
fréquentielles désirées (voir Figure 2.10).
Parmi tous les filtres f , il existe un filtre très important, que l’on va définir dans la
sous-section 2.5.6 et qui nous permettra de définir le concept de multiplicateur de Fourier
dans la sous-section 2.5.7.

2.5.6 L’opérateur de multiplication et sa représentation matricielle diago-

nale
Soit w : ZN Ñ C une suite fixé de `N .
Définition 2.22. On appelle opérateur de multiplication par la suite w, l’application
linéaire ci-dessous :

48
 Figure 2.10 – Schéma d’un filtrage dans le domaine de Fourier.

Mw : `N ÝÑ `N
z ÞÝÑ Mw pzq “ w ¨ z,
où Mw pzq “ w ¨ z : ZN Ñ C est la suite définie par produit ponctuel entre w et z :

Mw zpnq “ pw ¨ zqpnq “ wpnq ¨ zpnq @n P ZN .

On observe que, si on représente z comme un vecteur colonne dans la base canonique de

`N , alors la matrice associée à l’opérateur Mw par rapport à la base canonique de `N est une
matrice diagonale Dw qui a comme éléments diagonaux les composantes de la suite w, en fait :
¨ ˛
˚
wp0q
0 ‹
¨
zp0q
˛ ¨
wp0qzp0q
˛
˚ ‹
Dw z “ ˚ .. .. ..
‚.
˚ ‹˚ ‹ ˚ ‹
. ‹˝ . ‚“ ˝ .
˚ ‹
˝
0 wpN ´ 1q
‚ zpN ´ 1q wpN ´ 1qzpN ´ 1q

Exemple d’opérateur de multiplication : on considère la suite de `2 pZ6 q donnée par z “

p2, 3 ´ i, 2i, 4 ` i, 0, 1q et la suite wpnq “ in , n P Z6 , alors :

pwp0q “ 1, wp1q “ i, wp2q “ ´1, wp3q “ ´i, wp4q “ 1, wp5q “ iq,

et donc

pMw zqpnq “ p1 ¨ 2, i ¨ p3 ´ iq, ´1 ¨ 2i, ´i ¨ p4 ` iq, 1 ¨ 0, i ¨ 1q “ p2, 3i ` 1, ´2i, ´4i ` 1, 0, iq.

On peut maintenant introduire le multiplicateur de Fourier.

2.5.7 Le multiplicateur de Fourier et l’égalisateur graphique

Ici on va donner un exemple remarquable de filtre fréquentiel, dit multiplicateur de Fourier,
que l’on va rencontrer aussi dans la section 2.7.

49
Définition 2.23. Donnée une suite w : ZN Ñ C, on appelle multiplicateur de Fourier
par la suite w, l’opérateur ci-dessous :

Tpwq : `N ÝÑ `N
z ÞÝÑ Tpwq pzq “ w
~ ¨ ẑ,

i.e. Tpwq est l’opérateur donné par la composition suivante :

Tpwq “ IDFT ˝ Mw ˝ DFT ,

i.e.

`N ÝÑ `N ÝÑ `N ÝÑ `N
DFT Mw IDFT
z ÞÑ DFTpzq “ ẑ ÞÑ Mw pDFTpzqq “ w ¨ ẑ ÞÑ IDFTpMw pDFTpzqqq “ w
~ ¨ ẑ.

L’action de Tpmq sur les coefficients de Fourier de z est tout simplement la multiplication par
les composantes de la suite w (ce qui explique le nom de l’opérateur). Donc, on peut :
— Atténuer les basses fréquences du signal z en choisissant une suite wpmq avec
|wpmq| petit quand m » 0 et m » N ´ 1 ;
— Atténuer les hautes fréquences du signal z en choisissant une suite wpmq avec
|wpmq| petit quand m » N {2 ;
— Booster (amplifier) les basses fréquences du signal z en choisissant une suite
wpmq avec |wpmq| grand quand m » 0 et m » N ´ 1 ;
— Booster les hautes fréquences du signal z en choisissant une suite wpmq avec |wpmq|
grand quand m » N {2.
Ceci est utilisé dans l’égalisateur graphique représenté dans la figure 2.11 pour régler le niveau
des aigües et des basses dans un signal audio.
Bien évidemment, si on opère les translations de ZN définies par les formules (2.31) ou (2.32),
le cas échéant, alors il faut définir à nouveau les suites wpnq pour s’adapter au fait que, dans
ce cas, les basses fréquences sont seulement celles proches de m “ 0.

2.6 Propriétés de la DFT

Dans cette section on démontrera les plus importantes propriétés de la DFT. On commence
par rappeler la propriété de translation de l’index d’une sommation :
n
ÿ n´k
ÿ n`k
ÿ
ai “ ai`k “ ai´k , (2.33)
i“n0 i“n0 ´k i“n0 `k

que l’on utilisera souvent.

Lemme 2.24. Soit f : Z Ñ C une fonction N -périodique, N P N :

f pn ` aN q “ f pnq @a, n P Z.

50
Figure 2.11 – Un exemple d’égalisateur graphique. On dit graphique car les fréquences sont
ordonnées selon un graphe qui permet de comprendre d’une façon immédiate si la fréquence
que l’on change est haute ou basse.

Alors, pour tout m P Z :

m`N
ÿ´1 Nÿ
´1
f pnq “ f pnq ,
n“m n“0

i.e. la somme de f (N -périodique) sur tout intervalle de taille N est constante.

Démonstration. Si m “ 0 il n’y a rien à prouver, soit alors m P Z, m ‰ 0. On commence par

considérer m ą 0 :
m`N
ÿ´1 m`N
ÿ´1 m´1
ÿ Nÿ
´1 m`N
ÿ´1 m´1
ÿ
f pnq “ f pnq ´ f pnq “ f pnq ` f pnq ´ f pnq,
n“m n“0 n“0 n“0 n“N n“0

mais, en utilisant (2.33),

m`N
ÿ´1 m´1
ÿ m´1
ÿ
f pnq “ f pn ` N q “ f pnq
n“N n“0 n“0

grâce à la N -périodicité de f :
m`N
ÿ´1 Nÿ
´1 m´1
ÿ m´1
ÿ Nÿ
´1
f pnq “ f pnq ` f pnq ´ f pnq “ f pnq.
n“m n“0 n“0 n“0 n“0

Si m ă 0, la démonstration est analogue.

51
2.6.1 DFT et translation
On veut examiner maintenant comment varie la DFT d’un signal z P `N si on fait une
translation de z avec une quantité différente de N . Pour formaliser ceci, on va introduire un
autre opérateur de `N .
Définition 2.25. Soit z P `N une suite étendue par N -périodicité sur tout sous-ensemble
de longueur N de Z. On appelle opérateur de translation à droite de la quantité k,
l’application linéaire ci-dessous :

Rk : `N ÝÑ `N
z ÞÝÑ Rk pzq,
où Rk pzq : ZN Ñ C est la suite définie par la formule :

Rk zpnq “ zpn ´ kq @n P ZN .

Exemple d’opérateur de translation : N “ 6, k “ 2, z “ p2, 3 ´ i, 2i, 4 ` i, 0, 1q. Alors :

$
&R2 zp0q “ zp0 ´ 2q “ zp´2q “ zp´2 ` 6q “ zp4q “ 0
’
’
R2 zp1q “ zp1 ´ 2q “ zp´1q “ zp´1 ` 6q “ zp5q “ 1
% ...
’
’

on obtient : R2 z “ p0, 1, 2, 3 ´ i, 2i, 4 ` iq, on voit que l’effet de R2 sur z est juste de déplacer
à droite de 2 positions les éléments de la suite (R pour Right en anglais). Rk est aussi appelé
opérateur de translation circulaire ou opérateur de rotation.

On veut comprendre comment caractériser la composition de l’opérateur de translation

avec la DFT et, inversement, de la DFT avec l’opérateur de translation. On commence avec la
dernière composition : DFTpzpn ´ kqq, i.e.

`N ÝÑ `N ÝÑ `N
Rk DFT
z ÞÝÑ Rk z ÞÝÑ pDFT ˝ Rk qz “ DFTpRk zq “ R
yk z.

Le théorème suivant montre que l’action de l’opérateur Rk est transformée par la DFT en la
multiplication par une exponentielle complexe.
Théorème 2.26. Soit z P `N une suite étendue par N -périodicité sur tout sous-ensemble de
longueur N de Z et soit k P Z. Alors :

´2πi mk
R
yk zpmq “ e N ẑpmq @m P Z, (2.34)

mk
k P ` , ω k pmq “ ω mk “ e´2πi
i.e. si on définit la suite ωN N @m P Z, alors :
N N N

DFT ˝ Rk “ Mωk ˝ DFT . (2.35)

N

52
Démonstration.
Nÿ
´1
mn
R
yk zpmq “ pRk zqpnqe´2πi N

n“0
Nÿ
´1
mn
“ zpn ´ kqe´2πi N

n“0
N ´k´1
ÿ mpn`kq
“ zpn ´ k ` kqe´2πi N

n“´k
N ´k´1
ÿ mn mk
“ zpnqe´2πi N e´2πi N .
n“´k

mk
Le facteur e´2πi N ne dépend pas de l’index n, donc on peut le sortir de la sommation :

N ´k´1
´2πi mk mn
ÿ
R
yk zpmq “ e N zpnqe´2πi N

n“´k
Nÿ
´1
mk mn mk
“ e´2πi N zpnqe´2πi N “ e´2πi N ẑpmq.
pLemme 2.24q
n“0

On a pu appliquer le lemme 2.24 car, par hypothèse, z est N -périodique et l’exponentielle

mn
e´2πi N est elle-même une fonction N -périodique.
ˇ ˇ
mk ˇ
Remarque 2.27. On observe que, en écrivant ẑpmq “ |ẑpmq|eiArgpẑpmqq , comme ˇe´2πi N ˇ “ 1,
ˇ
mk
le produit e´2πi N ẑpmq change seulement la phase de ẑpmq.
Remarque 2.28. Le théorème ci-dessus montre une limitation importante de la transformée
de Fourier. En fait :
ˇ ˇ
ˇ ´2πi mk
ˇe N ˇ “ 1 ùñ |R k zpmq| “ |ẑpmq| @m, k P Z,
ˇ y

Ainsi, les modules des coefficients de Fourier de z et de toutes ses translations sont égaux. Par
conséquent, dans le module des coefficients de Fourier |ẑpmq|, on a l’information
sur l’importance de la fréquence m dans le signal z, mais pas de sa position dans
le signal même.
L’information sur la position des fréquences dans z est contenue dans la phase de ẑ, mais
il n’est pas évident de l’interpréter. Une alternative est donnée par deux transformations qui
localisent la transformée de Fourier : la transformée de Gabor et la transformée en ondelettes.
L’étude de ces opérateurs va au delà du but de ce cours.
Maintenant on analyse la composition entre l’opérateur de translation et la DFT : ẑpm ´ kq,
i.e.

`N ÝÑ `N ÝÑ `N
DF T Rk
z ÞÝÑ DFTpzq ÞÝÑ pRk ˝ DFTqz “ ẑpm ´ kq.

53
Théorème 2.29. Avec les hypothèses du théorème 2.26, on a :
ˆ ˙
nk
e2πi N z pmq ,
{
pRk ẑqpmq “ ẑpm ´ kq “ @m P Z, (2.36)

i.e.
Rk ˝ DFT “ DFT ˝ Mpωk q˚ . (2.37)
N

Démonstration.
Nÿ
´1 Nÿ
´1 ´ ¯ ˆ ˙
´2πi pm´kqn 2πi kn ´2πi mn 2πi kn
{
pRk ẑqpmq “ ẑpm ´ kq “ zpnqe N “ e N zpnq e N “ e N z pmq.
n“0 n“0

Représentation originale Espace de Fourier

km
zpn ´ kq e´2πi N ẑpmq
kn
e2πi N zpnq ẑpm ´ kq

L’opération de translation dans la représentation originale de z devient un changement de phase

dans l’espace de Fourier et, inversement, l’opération de translation dans l’espace de Fourier
correspond à un changement de phase (avec une phase conjuguée) dans la représentation
originale de z.
Remarque 2.30. Un cas remarquable est donné par la situation suivante : N pair et k “ N {2,
alors : N 2πim 2
e´ N “ e´πim “ pe´πi qm “ p´1qm
et :
2πin N
2
e N “ eπin “ peπi qn “ p´1qn .
Alors : ˆ ˆ ˙˙ ˆ ˙
N N
DFT z m ´ “ p´1qm ẑpmq, ẑ m ´ “ pp´1q
{ n zqpmq, (2.38)
2 2
on voit que multiplier par p´1qn la suite z correspond à faire une translation de N {2 de son
spectre. Cette opération est donc une alternative à la translation de l’espace des paramètres
ZN (formules (2.31) et (2.32)) pour centrer le spectre en m “ 0 !

Pour terminer, une observation sur le rapport entre la formule (2.35) et la représentation
diagonale de l’opérateur Rk . Si on compose les membres de gauche et de droite de la formule
(2.35) avec la IDFT on obtient :

DFT ˝ Rk ˝ IDFT “ Mωk .

N

Si on écrit avec Ak et Dωk (diagonale, cfr. section 2.5.6) les matrices associées à l’opérateur
N
Rk et Mωk par rapport à la base canonique, alors on peut réécrire l’équation antérieure comme
N
ceci :
WN Ak WN´1 “ Dωk ,
N

54
qui montre que la matrice Ak associée à l’opérateur de translation Rk est semblable à la
matrice diagonale Dωk .
N
La matrice inversible qui réalise la conjugaison matricielle entre Ak et Dωk est la matrice
N
de Vandermonde-Fourier WN , donc on peut dire que l’action de l’opérateur de translation Rk
est diagonale dans l’espace de Fourier. On reviendra sur le concept de diagonalisation d’un
opérateur linéaire dans la sous-section 2.6.3 et, plus en profondeur, dans la section 2.7.

2.6.2 DFT et conjugaison

Pour toute une suite z P `2 pZN q, on définit la suite complexe conjuguée z ˚ comme ceci :
z ˚ “ pz ˚ p0q, z ˚ p1q, . . . , z ˚ pN ´ 1qq, i.e. z ˚ pnq “ zpnq˚ @n P ZN . Le théorème suivant montre
la relation entre DFT et conjugaison.
Théorème 2.31. Pour toute z P `2 pZN q ça vaut que :

zp˚ pmq “ pẑp´mqq˚ “ pẑpN ´ mqq˚ @m P ZN .

Démonstration.
˜ ¸˚ ˜ ¸˚
Nÿ
´1 Nÿ
´1 Nÿ
´1
´2πi mn 2πi mn ´2πi p´mqn
zp˚ pmq “ zpnq˚ e N “ zpnqe N “ zpnqe N “ pẑp´mqq˚ ,
n“0 n“0 n“0

pẑpN ´ mqq˚ “ pẑp´mqq˚ par périodicité.

Corollaire 2.32. z P `N est réelle, i.e. zpnq P R @n P ZN si et seulement si

ẑpmq “ pẑp´mqq˚ “ pẑpN ´ mqq˚ .

Démonstration. Comme la DFT est un isomorphisme de `N , la suite z est réelle, i.e. z ˚ “ z,

si et seulement si ẑ ˚ “ ẑ, mais, grâce au théorème ci-dessus, ceci est vérifié quand ẑpmq “
pẑp´mqq˚ “ pẑpN ´ mqq˚ .

2.6.3 DFT et convolution

Une des plus importantes propriétés de la transformée de Fourier est liée à l’opération de
convolution. Pour introduire cette opération on va rappeler la formule relative au produit de
polynômes.
n m
Si P pxq “ a0 ` a1 x ` . . . ` an xn “ ai xi et Qpxq “ b0 ` b1 x ` . . . ` bm xm “ bj xj ,
ř ř
i“0 j“0
alors :
n`m
ÿ `
ÿ `
ÿ
P pxqQpxq “ c` x` , où c` “ a`´k bk “ ak b`´k . (2.39)
`“0 k“0 k“0

Exemple : P pxq “ a0 ` a1 x ` a2 x2 , Qpxq “ b0 ` b1 x ` b2 x2 , alors :

P pxqQpxq “ a0 b0 ` pa0 b1 ` a1 b0 qx ` pa0 b2 ` a1 b1 ` a2 b0 qx2 ` pa1 b2 ` a2 b1 qx3 ` pa2 b2 qx4 ,

les coefficients des puissances de la variable x vérifient la formule (2.39). On observe que, dans
les coefficients c` , on a une somme de produits des coefficients ai et bj , avec la particularité
que la somme des index i ` j est toujours égale à ` et que l’index d’une variable croı̂t tandis
que l’autre décroı̂t.

55
Définition 2.33. Soient z, w P `N deux suites étendues par N -périodicité sur tout sous-
ensemble de longueur N de Z. La convolution entre z et w, écrite z ˚ w, est la suite de `2 pZN q
avec composantes définies par :

Nÿ
´1 Nÿ
´1
pz ˚ wqpnq “ zpn ´ kqwpkq “ wpn ´ kqzpkq , @n P ZN .
k“0 k“0

Exemple : z, w P `2 pZ4 q, z “ p1, 1, 0, 2q, w “ pi, 0, 1, 2q, avec la périodicité canonique :

zpn ` kN q “ zpnq et wpn ` kN q “ wpnq @n P ZN et k P Z. Alors :

4´1
ÿ 3
ÿ
pz ˚ wqp0q “ zp0 ´ kqwpkq “ zp´kqwpkq
k“0 k“0
“ zp0qwp0q ` zp´1qwp1q ` zp´2qwp2q ` zp´3qwp3q
“ zp0qwp0q ` zp4 ´ 1qwp1q ` zp4 ´ 2qwp2q ` zp4 ´ 3qwp3q
“ zp0qwp0q ` zp3qwp1q ` zp2qwp2q ` zp1qwp3q
“1¨i`2¨0`0¨1`1¨2“2`i

On obtient également : pz ˚ wqp1q “ 2 ` i, pz ˚ wqp2q “ 5, pz ˚ wqp3q “ 3 ` 2i, et donc :

pz ˚ wq “ p2 ` i, 2 ` i, 5, 3 ` 2iq.
Théorème 2.34. Soient z, w P `N deux suites étendues par N -périodicité sur tout sous-
ensemble de longueur N de Z. Alors :

DFT pz ˚ wqpmq “ ẑpmq ¨ ŵpmq ðñ pz ˚ wqpnq “ IDFT pẑ ¨ ŵqpnq @n, m P Z (2.40)

IDFT pẑ ˚ ŵqpnq “ N zpnq ¨ wpnq ðñ pẑ ˚ ŵqpmq “ N DFTpz ¨ wqpmq @n, m P Z (2.41)
i.e. la transformée de Fourier de la convolution entre z et w est le produit ponctuel des
transformées de Fourier et, inversement, la transformée de Fourier inverse de la convolution
entre ẑ et ŵ est N fois le produit ponctuel de z et w. Autrement dit, on a les couples de Fourier
suivants :

Représentation originale Espace de Fourier

z˚w ẑ ¨ ŵ
Nz ¨ w ẑ ˚ ŵ

Démonstration. Par définition :

˜ ¸
Nÿ
´1 Nÿ
´1 Nÿ
´1
´2πi mn mn
pz
{ ˚ wqpmq “ pz ˚ wqpnqe N “ zpn ´ kqwpkq e´2πi N .
n“0 n“0 k“0

On réécrit l’exponentielle comme ceci :

mn mpn´k`kq mpn´kq`mk mpn´kq mk
e´2πi N “ e´2πi N “ e´2πi N “ e´2πi N e´2πi N .

56
Alors :
Nÿ
´1 Nÿ
´1
mpn´kq mk
pz
{ ˚ wqpmq “ zpn ´ kqwpkqe´2πi N e´2πi N

n“0 k“0
Nÿ
´1 Nÿ
´1
mk mpn´kq
“ wpkqe´2πi N zpn ´ kqe´2πi N

k“0 n“0
Nÿ
´1 N ´k´1
mk ÿ mpn´k`kq
“ wpkqe´2πi N zpn ´ k ` kqe´2πi N

k“0 n“´k
Nÿ
´1 N ´k´1
mk ÿ mn
“ wpkqe´2πi N zpnqe´2πi N

k“0 n“´k
Nÿ
´1 Nÿ
´1
mk mn
“ wpkqe´2πi N zpnqe´2πi N
pLemme 2.24q
k“0 n“0
“ ŵpmqẑpmq “ ẑpmqŵpmq,
on observe qu’on a pu appliquer le Lemme 2.24 car il est valide pour n’importe quel k P Z.
Alors :
pz{˚ wqpmq “ ẑpmqŵpmq, @m P Z.
La preuve du fait que IDFTpẑ ˚ ŵqpnq “ zpnq ¨ wpnq est très similaire. Par définition :
˜ ¸
N ´1 N ´1 Nÿ ´1
1 ÿ 2πi mn 1 ÿ mn
IDFTpẑ ˚ ŵqpnq “ pẑ ˚ ŵqpmqe N “ ẑpm ´ kqŵpkq e2πi N .
N m“0 N m“0 k“0

On réécrit l’exponentielle comme ceci :

mn npm´k`kq npm´kq`nk npm´kq nk
e2πi N “ e2πi N “ e2πi N “ e2πi N e2πi N .
Alors :
N ´1 N ´1
1 ÿ ÿ npm´kq nk
IDFTpẑ ˚ ŵqpnq “ ẑpm ´ kqŵpkqe2πi N e2πi N
N m“0 k“0
N ´1 N ´1
1 ÿ nk ÿ npm´kq
“ ŵpkqe2πi N ẑpm ´ kqe2πi N
N k“0 m“0
N ´1 N ´k´1
1 ÿ nk ÿ npm´k`kq
“ ŵpkqe2πi N ẑpm ´ k ` kqe2πi N
N k“0 m“´k
N ´1 N ´k´1
1 ÿ nk ÿ mn
“ ŵpkqe2πi N ẑpmqe2πi N
N k“0 m“´k
Nÿ
´1 Nÿ
´1
1 nk mn
“ ŵpkqe2πi N ẑpmqe2πi N
pLemme 2.24q N k“0 m“0
˜ ¸ ˜ ¸
Nÿ
´1 N ´1
1 2πi nk 1 ÿ mn
“N ŵpkqe N ¨ ẑpmqe2πi N
N k“0
N m“0
“ N IDFT ŵpnq ¨ IDFT ẑpnq “ N wpnq ¨ zpnq “ N zpnq ¨ wpnq.

57
Observations :
— Comme conséquence immédiate du théorème on obtient :

pz
{ ˚ wqpmq “ ẑpmqŵpmq “ ŵpmqẑpmq “ pw
{ ˚ zqpmq @z, w P `2 pZN q, @m P Z,

i.e. DFTpz ˚ wq=DFTpw ˚ zq, mais alors, si on applique la IDFT aux deux côtés on
annule l’action de la DFT et alors on obtient que la convolution est symétrique :

pz ˚ wqpnq “ pw ˚ zqpnq @z, w P `2 pZN q, @n P Z,

ce qui aurait très bien pu être vérifié par un calcul direct.

— Grâce à la transformée de Fourier, on peut transformer une opération complexe comme
la convolution dans le simple produit de transformées de Fourier (que l’on peut calculer
rapidement avec la FFT). Ce résultat est très utilisé dans les applications de traitement
des signaux. Si on utilise la normalisation relative à la base orthonormale pour définir
la DFT, alors on voit apparaitre de coefficients dans la formule de la DFT de la
convolution. Ces coefficients peuvent être très grands, surtout quand on considère la
DFT en dimensions supérieures à 1 et/ou signaux massifs, et cela peut créer des erreurs
numériques pendant les calculs. C’est surtout à cause de la simplicité de cette formule
que beaucoup d’auteurs et de logiciels privilégient la définition de coefficients de Fourier
que l’on a donné dans ce cours plutôt que d’autres définitions.
— Souvent, la convolution est faite entre un signal z et un autre signal w qui est non
nul seulement sur un support de taille T . Selon la valeur de T , il est important de
savoir s’il vaut mieux effectuer la convolution directement ou en passant par la FFT. La
complexité de l’opération de convolution directe est OpN T q, par contre, si on utilise la
FFT, la complexité est OpN log N q. Par conséquent, il est avantageux de transformer
la convolution en un produit ponctuel avec la FFT dès que T ą logpN q. Pour donner
un exemple concret, si z P `2 pZN q, avec N “ 1000, alors logpN q » 7 et donc il est
conseillé de faire la convolution z ˚ w dans le domaine de Fourier dès que le support de
w est supérieur à 7.
Si on fixe un vecteur dans la convolution, on peut définir l’endomorphisme de `N suivant :
Définition 2.35. Pour toute suite w P `N fixée, on appelle opérateur de convolution avec
w la transformation linéaire suivante :

Tw : `N ÝÑ `N
z ÞÝÑ Tw pzq “ z ˚ w.
Comme pour le cas de l’opérateur de translation, on peut donner une représentation diagonale
de l’opérateur de convolution. Pour cela, en utilisant la formule (2.40), on écrit :

pDFT ˝ Tw qz “ DFTpz ˚ wq “ ẑ ¨ ŵ “ Mŵ ẑ “ pMŵ ˝ DFTqz, z P `N .

Ceci étant vrai pour tout z P `N , il vient

DFT ˝ Tw “ Mŵ ˝ DFT

Et en composant avec IDFT à droite de l’expression précédente, on obtient :

DFT ˝ Tw ˝ IDFT “ Mŵ .

58
On rappelle que, dans la base canonique, WN et WN´1 sont les matrices représentatives
de la DFT et IDFT respectivement, que l’opérateur de multiplication Mŵ à pour matrice
représentative la matrice diagonale Dŵ “diagpŵp0q, . . . , ŵpN ´ 1qq et, en notant Aw la matrice
représentative de l’opérateur Tw , l’expression matricielle de cette dernière égalité devient alors

WN Aw WN´1 “ Dŵ ,

ce qui montre que l’action de l’opérateur de convolution est diagonalisée dans la base de
Fourier.
Les cas des opérateurs de translation et de convolution ne sont pas spéciaux, en fait il
existe une catégorie spécifique d’opérateurs dont l’action est diagonale dans la base de Fourier.
Ces opérateurs s’appellent stationnaires et ils sont examinés en détail dans la section suivante.
Le fait d’avoir déjà examiné les opérateurs de convolution et les multiplicateurs de Fourier
nous permettra de montrer un résultat très important : l’opérateur de convolution et le
multiplicateur de Fourier sont les prototypes d’opérateurs stationnaires, dans le sens où
l’action de tout opérateur stationnaire peut être transformée en une convolution ou une
multiplication de Fourier.

2.7 La DFT et les opérateurs stationnaires

La transformée de Fourier a une relation particulière avec une classe d’opérateurs dits ! sta-
tionnaires ". En fait, elle permet de diagonaliser ces opérateurs et de montrer qu’ils sont
équivalents à des opérateurs de convolution et, aussi, à des multiplicateurs de Fourier.
Après avoir défini précisément les opérateurs stationnaires, pour démontrer les résultats
mentionnés ci-dessus, on devra aussi introduire une catégorie de matrices, dites circulantes,
qui représentent les opérateurs stationnaires dans la base canonique de `N et la convolution.
Pour motiver la définition d’opérateur stationnaire, imaginons de devoir transformer un
signal audio z avec un appareil T . Si on transmet le signal z avec un retard ∆t et le seul effet
sur T est de retarder également la sortie du signal transformé de la quantité ∆t, alors on dit
que l’appareil T est stationnaire.
Autrement dit, si l’action de T sur le signal A est indépendante de l’instant de temps dans
lequel on l’applique à A, alors T est stationnaire.
Si Rk est l’opérateur de translation de la quantité k P Z, alors la stationnarité de T est
traduite par la relation suivante :

T pRk zq “ Rk pT zq, @z P `N .

En fait, le côté de gauche représente l’action de l’opérateur T sur le signal z décalé de la

quantité k, tandis que le côté de droite représente le décalage de l’action de l’opérateur T sur
le signal original z. Le diagramme commutatif suivant résume ce que l’on vient de discuter.
R
k
`N ÝÝÝÝÑ `N
§ §
§ §
Tđ đT
`N ÝÝÝÝÑ `N
Rk

Cette considération donne la motivation pour la définition suivante.

59
Définition 2.36. Un opérateur en T : `2 pZN q Ñ `2 pZN q est dit stationnaire (ou invariant
par translation) si
T pRk zq “ Rk pT zq, @z P `N , @k P Z, (2.42)
i.e. T est stationnaire s’il commute avec tout opérateur de translation Rk :

T ˝ Rk “ Rk ˝ T , @k P Z. (2.43)

Remarque 2.37. Pour fixer les idées, notons qu’une conséquence des résultats de la fin de
ce chapitre sera de démontrer qu’un opérateur linéaire T sur `2 pZN q est stationnaire si et
seulement si T a cette expression :
Nÿ
´1 Nÿ
´1
pT zqpnq “ ak zpn ´ kq “ ak Rk zpnq, @n P t0, .., N ´ 1u,
k“0 k“0

où ak P C. Comme Rk “ pR1 qk , i.e. Rk est obtenu via k compositions de R1 , T est stationnaire
Nř´1
si et seulement s’il est un polynôme en R1 : T “ ak pR1 qk .
k“0
La réciproque est moins évidente, mais il est facile de montrer que T ainsi défini est
stationnaire grâce à la linéarité de T et Rk . En fait, @n P t0, . . . , N ´ 1u :

Nÿ
´1 Nÿ
´1
pT Rm zqpnq “ T pRm zpnqq “ T pzpn ´ mqq “ ak zpn ´ k ´ mq “ ak Rm zpn ´ kq
k“0 k“0
˜ ¸
Nÿ
´1
“ Rm ak zpn ´ kq “ pRm T zqpnq,
(linéarité de Rm )
k“0

donc : T ˝ Rm “ Rm ˝ T @m P Z.
Exemple et non-exemple : pT zqpnq “ 3zpn ´ 2q ` izpnq ´ p2 ` iqzpn ` 1q est un opérateur
stationnaire de `2 pZN q. Pour avoir un opérateur non stationnaire, on doit définir une réponse
de T différente pour au moins une composante, comme par exemple : T : `2 pZ4 q Ñ `2 pZ4 q,

T z “ p2zp0q ´ zp1q, loooooomoooooon

loooooomoooooon izp1q ` 2zp2q, lozp1q
omoon, loomo
0 onq.
T zp0q T zp1q T zp2q T zp3q

On considère, par exemple, z “ p1, 0, ´2, iq et on va vérifier que T pR1 zq ‰ R1 pT pzqq.

T p1, 0, ´2, iq “ p2 ¨ 1 ´ 0, i ¨ 0 ` 2 ¨ p´2q, 0, 0q “ p2, ´4, 0, 0q,

alors R1 T p1, 0, ´2, iq “ p0, 2, ´4, 0q. Par contre, R1 p1, 0, ´2, iq “ pi, 1, 0, ´2q “ z̃ “ pz̃p0q, z̃p1q, z̃p2q, z̃p3qq,
alors

T pR1 p1, 0, ´2, iqq “ T pz̃q “ p2z̃p0q´z̃p1q, iz̃p1q`2z̃p2q, z̃p1q, 0q “ p2¨i´1, i¨1`2¨0, 1, 0q “ p2i´1, i, 1, 0q.

En définitive, on a :

R1 T p1, 0, ´2, iq “ p0, 2, ´4, 0q ‰ p2i ´ 1, i, 1, 0q “ T R1 p1, 0, ´2, iq,

alors, il existe au moins un z P `2 pZ4 q pour lequel T ne commute pas avec un opérateur de
translation, et donc T ne peut pas être stationnaire.

60
2.7.1 La DFT et la diagonalisation des opérateurs stationnaires
On pourrait résumer dans un seul théorème les plus importantes propriétés de la DFT en
relation aux opérateurs stationnaires, mais on préfère souligner le fait que la transformée de
Fourier diagonalise les opérateurs stationnaires dans un énonce séparé.
Théorème 2.38. Soit T P Endp`N q un opérateur linéaire stationnaire. Alors, T est diago-
nalisable, en fait chaque élément de la base orthogonale de Fourier Fm de `N est un vecteur
propre de T .

Démonstration. Pour chaque m P t0, . . . , N ´ 1u fixé, on considère l’élément m de la base

mn
orthogonale de Fourier : Fm pnq “ N1 e2πi N .
Comme T est un endomorphisme, T Fm P `N , et donc on peut décomposer T Fm sur la base
pF0 , . . . , FN ´1 q elle-même :
Nÿ
´1 N ´1
1 ÿ kn
pT Fm qpnq “ ak Fk pnq “ ak e2πi N , @n P ZN . (2.44)
k“0
N k“0

On considère maintenant l’action de l’opérateur de translation R1 sur Fm :

1 2πi mpn´1q m 1 mn
R1 Fm pnq “ Fm pn ´ 1q “ e N “ e´2πi N ¨ e2πi N
N N
m
“ e´2πi N ¨ Fm pnq.

Si on applique T à R1 Fm on obtient :

´ m
¯
T R1 Fm pnq “ T e´2πi N ¨ Fm pnq
m
“ e´2πi N pT Fm q pnq
Linéarité de T
Nÿ
´1
m
“ e´2πi N ak Fk pnq
éq. p2.44q
k“0
Nÿ
´1
m
“ ak e´2πi N Fk pnq.
k“0

Maintenant on permute l’ordre de composition entre R1 et T :

R1 T Fm pnq “ T Fm pn ´ 1q
N ´1
1 ÿ kpn´1q
“ ak e2πi N
éq. p2.44q N k“0
N ´1
1 ÿ k kn
“ ak e´2πi N ¨ e2πi N
N k“0
Nÿ
´1
k
“ ak e´2πi N Fk pnq.
k“0

61
 Mais T est stationnaire, donc T R1 Fm “ R1 T Fm , i.e.
Nÿ
´1 Nÿ
´1
m k
ak e´2πi N Fk pnq “ ak e´2πi N Fk pnq,
k“0 k“0

mais grâce au théorème d’unicité de la décomposition sur une base :

m k
ak e´2πi N “ ak e´2πi N , @k P ZN , pm est fixéq. (2.45)

On analyse cette égalité : si k “ m, alors l’éq. (2.45) devient une identité et on a rien à discuter.
Pour examiner le cas k ‰ m il faut rappeler que m, k P t0, . . . , N ´ 1u), donc le cos et le sin
des exponentielles complexes prennent leurs valeurs dans un période seulement, car la période
suivante commence quand m, k “ N ! Donc :
m k
k‰m ùñ e´2πi N ‰ e´2πi N ,

et l’éq. (2.45) peut être vérifiée si et seulement si ak “ 0 @k ‰ m.

En conséquence, l’éq. (2.44) devient

T Fm pnq “ am Fm pnq, @n P ZN ,

c’est à dire, Fm est un vecteur propre de T avec une valeur propre am qui est donnée par
l’m-ième coefficient de la décomposition de T Fm sur la base orthogonale de Fourier. Bien sûr
am dépend de T (dans le théorème 2.40 on verra comment expliciter am avec la DFT).
On rappelle que l’on a fixé un index m arbitraire, donc tout élément de la base orthogonale
de Fourier est un vecteur propre de T , et, par conséquent, `N a une base de vecteurs propres
de T . Par définition, T est diagonalisable.
On peut donner une interprétation matricielle du théorème que l’on vient de voir : en fait,
on sait que l’action de la DFT est représentée par la matrice WN définie dans l’éq. (2.17) et
que WN est la matrice de passage de la base canonique B de `N à la base de Fourier F de `N ,
avec inverse WN´1 “ N1 WN˚ , qui représente la matrice de passage de base de F à B.
Si on applique le théorème 1.29 à notre cas 4 , on obtient que, si A est la matrice associée à
T par rapport à la base canonique de `N et D est la matrice diagonale des valeurs propres de
A, alors :
D “ WN AWN´1 , A “ WN´1 DWN . (2.46)

On peut vérifier directement ces équations. On rappelle qu’avec la notation rwsF on décrit un
vecteur quelconque w P `N avec ses composantes par rapport à la base de Fourier F , alors :

WN Az “ rAzsF “ DrzsF “ DWN z, @z P `N ,

pF diagonalise Aq

donc WN A “ DWN , si et seulement si : WN AWN´1 “ DWN WN´1 “ D.

´1
4. Observer que le rôle de la matrice P dans le théorème 1.29 est joué, dans notre cas, par la matrice WN ,
car c’est elle qui permet de passer de la base de vecteurs propres de A à la base canonique.

62
2.7.2 Matrices circulantes
Pour pouvoir énoncer et démontrer le théorème fondamental relatif au lien entre transformée
de Fourier et opérateurs stationnaires, on doit introduire un dernier objet : les matrices
circulantes.
On commence par généraliser la périodicité des suites de `N aux matrices : donnée une
matrice A “ pamn qN ´1
m,n“0 , on dit que A est une matrice N -périodique si :

am`kN,n “ am,n et am,n`kN “ am,n , @m, n, k P Z.

Exemple : a0,2 “ aN,2 “ aN,N `2 .

Définition 2.39. Soit A “ pamn qN ´1
m,n“0 une matrice N ˆ N périodique. A est dite circulante
si :
am`1,n`1 “ am,n , @m, n P Z,
si on répète k fois la translation, on peut réécrire la définition comme ceci :

am`k,n`k “ am,n , @m, n, k P Z,

on observe que, comme k P Z, on peut définir une matrice périodique circulante aussi avec
la propriété : am´k,n´k “ am,n , k P Z.
L’interprétation de la définition est la suivante : la ligne (colonne) m ` 1 (n ` 1) est obtenue
de la ligne (colonne) m (n) par translation à droite (en bas) d’une position, comme on peut le
voir dans la matrice suivante.
¨ ˛
a0 a1 a2 . . . aN ´1
˚aN ´1 a0 a1 . . . aN ´2 ‹
˚ ‹
˚aN ´2 aN ´1 a0 . . . aN ´3 ‹
˚ ‹.
˚ .. .. .. . . .. ‹
˝ . . . . . ‚
a1 a2 a3 . . . a0
Exemple de matrice circulante :
¨ ˛
3 2 ` i ´1 4i
˚ 4i 3 2 ` i ´1 ‹
A“˚ ‹.
˝ ´1 4i 3 2 ` i‚
2 ` i ´1 4i 3
Exemple de matrice non-circulante :
¨ ˛
2 i 3
B “ ˝3 2 i ‚.
i 2 3

Pour être circulante, la 3-ième ligne devrait être pi, 3, 2q.

63
2.7.3 La caractérisation exhaustive des opérateurs stationnaires
Le théorème suivant, le plus important du chapitre, permettra d’expliciter les valeurs propres
d’un opérateur stationnaire T d’une façon très simple et aussi de caractériser T comme
opérateur de convolution, dans la représentation originale de z, et comme un multiplicateur,
dans la représentation fréquentielle.
Théorème 2.40. Soit T : `2 pZN q Ñ `N un endomorphisme. Les propriétés suivantes sont
équivalentes.
(1) T est stationnaire ;
(2) La matrice A qui représente T dans la base canonique de `N est circulante ;
(3) T est un opérateur de convolution ;
(4) T est un multiplicateur de Fourier ;
(5) La matrice D qui représente T dans la base orthogonale de Fourier F est diagonale.
On note qu’on a déjà démontré l’implication (1) ñ (5). On démontre le théorème avec la
stratégie suivante :

p1q ñ p2q ñ p3q ñ p1q et p3q ô p4q et p4q ô p5q

La preuve du théorème a une importance fondamentale, car elle donne une technique explicite
pour trouver les valeurs propres de T et pour construire l’opérateur de convolution et le
multiplicateur de Fourier qui représentent T .

Démonstration. p1q ñ p2q : soit A la matrice associée à T via la base canonique 5 pen qN ´1
n“0
de `N :
¨ ˛
a0,0 a0,1 ¨¨¨ a0,N ´1
˚ a1,0 a1,1 ¨¨¨ a1,N ´1 ‹
A“˚ . ‹.
˚ ‹
. .
. . . ..
˝ . . . . ‚
aN ´1,0 aN ´1,1 ¨ ¨ ¨ aN ´1,N ´1
Par définition de matrice associée on a : am,n “ pT en qpmq, i.e. la n-ième colonne de A est
le vecteur T en . En utilisant le fait que T est stationnaire, on doit démontrer que :

am`1,n`1 “ am,n ðñ pT en`1 qpm ` 1q “ pT en qpmq, @m, n P ZN .

On observe que :
#
1 si n “ m ´ 1 ðñ m“n`1
pR1 en qpmq “ en pm ´ 1q “ “ en`1 pmq @m P ZN ,
0 si n ‰ m ´ 1 ðñ m‰n`1

donc en`1 “ R1 en et alors :

am`1,n`1 “ pT R1 en qpm`1q “ R1 pT en qpm`1q “ pT en qpm`1´1q “ pT en qpmq “ am,n .

pT stationnaireq

5. On rappelle que en pmq “ δn,m , @n, m P ZN .

64
Comme am`1,n`1 “ am,n @m, n P ZN , alors A est circulante et l’implication p1q ñ p2q est
démontrée.

p2q ñ p3q : soit A une matrice périodique circulante, i.e. am,n “ am´k,n´k @n, m, k P Z,
on doit démontrer qu’il existe w P `2 pZN q tel que Az “ z ˚ w “ Tw pzq @z P `N . On va prouver
que la suite w que l’on cherche est la première colonne de A, i.e. :
¨ ˛
a0,0
h “ T e0 “ ˝ ... ‚, hpmq “ am,0 , @m P ZN .
˚ ‹

aN ´1,0

On observe que hpm ´ nq “ am´n,0 “ am´n,n´n “ am,n , et alors, par définition de

pA circulanteq
produit matrice par vecteur, on a :
Nÿ
´1 Nÿ
´1
pAzqpmq “ am,n zpnq “ hpm ´ nqzpnq “ ph ˚ zqpmq
n“0 n“0

et l’implication p2q ñ p3q est démontrée.

p3q ñ p1q : il faut prouver qu’un opérateur de convolution Tw est stationnaire, i.e. :

pTw ˝ Rk qpzq “ pRk ˝ Tw qpzq, @z P `N , @k P Z.

On calcule d’abord le côté gauche de l’équation :

Nÿ
´1 Nÿ
´1
pTw Rk zqpmq “ pw ˚ Rk zqpmq “ wpm ´ nqRk zpnq “ wpm ´ nqzpn ´ kq.
n“0 n“0

On va faire le changement d’index suivant : ` “ n ´ k ô n “ k ` `, la variabilité de ` est :

$
’n “ 0 ùñ ` “ ´k
’
&
..
’ .
’
%n “ N ´ 1 ùñ ` “ N ´ 1 ´ k,

alors :
N ´1´k
ÿ Nÿ
´1
pTw Rk zqpmq “ wpm ´ k ´ `qzp`q “ wppm ´ kq ´ `qzp`q
Lemme 2.24
`“´k `“0
“ pz ˚ wqpm ´ kq “ Rk pz ˚ wqpmq “ pRk Tw zqpmq,

et donc l’implication p3q ñ p1q est démontrée.

p3q ðñ p4q : on doit démonter qu’un opérateur linéaire T : `N Ñ `N est un opérateur de

convolution si et seulement si T est un multiplicateur de Fourier.

65
 Si on fixe un élément w P `N , quelconque, on a :

Tw pzq “ z ˚ w “ IDFTpDFTpz ˚ wqq “ IDFTpẑ ¨ ŵq

péq. 2.40q

“ pIDFT ˝ Mŵ ˝ DFTzq “ Tpŵq z, @w, z P `N ,

où Mŵ est l’opérateur de multiplication par la suite ŵ. Cela montre que l’opérateur de
convolution avec w peut être interprété comme le multiplicateur de Fourier par
ŵ et vice-versa. Donc la double implication p3q ðñ p4q est démontrée.

Avant de passer à la dernière étape de la preuve, on résume ce que l’on a vu jusqu’à ce moment :
un opérateur stationnaire T : `N Ñ `N est représenté par une matrice circulante A relativement
à la base canonique pe0 , . . . , eN ´1 q de `N . La matrice A, à la fois, peut être représentée par
l’opérateur de convolution Th avec h “ T e0 , la première colonne de A ou, comme l’on vient de
le voir, par le multiplicateur de Fourier Tpĥq , où ĥ est la suite des coefficients de Fourier de h.

p4q ðñ p5q : On doit prouver que T est un multiplicateur de Fourier Tpwq , si et seulement
si la matrice associée à T par rapport à la base orthogonale de Fourier F est diagonale.
On commence par l’implication directe : soit T “ Tpwq un multiplicateur de Fourier, on doit
démontrer que Tpwq est diagonale dans la base F . Par définition, Tpwq z “ pIDFT˝Mw ˝DFTqpzq,
donc, si on applique la DFT on obtient : Tz pwq z “ pDFT ˝ IDFT ˝ Mw ˝ DFTqpzq “ Mw ẑ. Alors,
les composantes de Tpwq z dans la base F sont :
¨ ˛
wp0qẑp0q
rTpwq zsF “ ˝ ..
‚.
˚ ‹
.
wpN ´ 1qẑpN ´ 1q

Si on définit la matrice diagonale : D “ diagpwpnqq, i.e. d0,0 “ wp0q, . . . , dN ´1,N ´1 “ wpN ´ 1q,
on peut réécrire l’équation précédente comme ceci :
¨ ˛ ¨ ˛¨ ˛

rTpwq zsF “ ˝
d0,0 ẑp0q
..
d0,0
..
0 ẑp0q
..
‚ “ Dẑ “ DrzsF .
˚ ‹ ˚ ‹˚ ‹
. ‚“ ˝ . ‚˝ .
dN ´1,N ´1 ẑpN ´ 1q
0 dN ´1,N ´1 ẑpN ´ 1q

Alors, dans la base de Fourier F , l’action de T “ Tpwq peut être représentée avec une matrice
diagonale et l’implication p4q ùñ p5q est démontrée.
L’implication p5q ùñ p4q est très facile à démontrer : en fait, si D “ pdm,n qN ´1
m,n“0 est la matrice
diagonale qui représente l’opérateur T dans la base de Fourier F , alors ça suffit de définir la
suite wpnq “ dn,n , @n “ 0, . . . , N ´ 1 et Tpwq comme le multiplicateur de Fourier associé à w
pour avoir :
rT zsF “ DrzsF “ rTpwq zsF ,
alors T “ Tpwq et l’implication p5q ùñ p4q est démontrée et, par conséquent, aussi la double
implication p4q ðñ p5q . Toutes les implications on été démontrées et donc le théorème est
prouvé.

66
 Le théorème que l’on vient de démontrer donne une technique standard pour l’étude des
opérateurs stationnaires T sur `N . Si on définit la suite :
#
1 si n “ 0
δ P `N , δpnq “ e0 pnq “ δ0,n “ @n P ZN ,
0 si n ‰ 0

dite impulsion unitaire, alors l’opérateur T est complètement déterminé par son action sur
δ, h “ T δ, qu’on appelle réponse impulsionnelle. ĥ, la DFT de la réponse impulsionnelle,
est dite fonction de transfert.
En fait, grâce aux propriétés démontrées dans les théorèmes 2.38 et 2.40, on peut résumer
l’analyse des opérateurs stationnaires comme ceci.

67
 Analyse des opérateurs stationnaires sur `N :
— T , opérateur stationnaire de `N ;
— A, matrice circulante associée à T par rapport à la base canonique de `N ;
— h, réponse impulsionnelle de T :

h “ T δ “ première colonne de A;

— Th , opérateur de convolution avec h :

T z “ Th z “ h ˚ z “ z ˚ h;

— Tpĥq , multiplicateur de Fourier par ĥ, la fonction de transfert :

T z “ Tpĥq z “ IDFTpĥ ¨ ẑq;

— Donné h “ T δ, on a le couple de Fourier suivant :

Représentation originale Espace de Fourier

h˚z ĥ ¨ ẑ

— D, matrice diagonale qui représente T dans la base orthogonale F de Fourier de `N :

1
D“ WN AWN˚ “ diagpĥp0q, . . . , ĥpN ´ 1qq.
N
— Les valeurs propres de T sont les composantes de la fonction de transfert, i.e. les
coefficients de Fourier de la réponse impulsionnelle, i.e.

Valeurs propres de T : ĥp0q, . . . , ĥpN ´ 1q.

68
Le code Matlab pour générer les matrices de Vandermonde-Fourier W4 et W4´1 et pour
diagonaliser la matrice circulante A associée à un opérateur stationnaire dans la base canonique
est le suivante.

1 W4=fft(eye(4)); % eye(4) est la matrice identite'

2 W4i=inv(fft(eye(4))); % matrice inverse
3 A=gallery('circul',[a 00 a 01 a 02 a 03]); % replacer a 00 etc. par la ...
ligne 0 de A
4 D=W4*A*W4i % matrice diagonale dans la base orthogonale de Fourier

2.7.4 Filtres passe-haut, passe-bas, passe-bande

Si on applique la DFT aux deux côtés de la formule T z “ Tpĥq z “ IDFTpĥ ¨ ẑq on obtient :

DFTpT zq “ Tpĥq z “ DFT ˝ IDFTpĥ ¨ ẑq “ ĥ ¨ ẑ,

i.e.
Txzpmq “ ĥpmq ¨ ẑpmq , @m P ZN ,
donc les coefficients de Fourier de T z, la suite transformée par l’opérateur T , sont donnés par
le produit des coefficients de Fourier de la suite originale z fois les coefficients de Fourier de la
réponse impulsionnelle h.
Par conséquent, le spectre de la suite transformée T z est :
!ˇ ˇ )
ˇT zpmqˇ “ |ĥpmq| ¨ |ẑpmq|, m P ZN .
ˇx ˇ

Cela aide beaucoup à comprendre l’action des filtres stationnaires T sur le contenu fréquentiel
d’un signal z : ˇ ˇ ˇ ˇ
— Si ĥp0q “ 0, T z a moyenne nulle, car ˇTxzp0qˇ “ 0 ¨ |ẑp0q| “ 0 et on sait que ˇTxzp0qˇ
ˇ ˇ ˇ ˇ
est proportionnelle à la moyenne de T z ;
— Si |ĥp0q| “ 1, alors T conserve la moyenne de z, i.e. xT zy “ xzy ;
— Si |ĥpmq| ą 1 pour m » 0 et m » N ´ 1 et |ĥpmq| P r0, 1r pour m » N {2, alors T
augmente les basses fréquences et réduit les hautes fréquences (filtre passe-bas) ;
— Si |ĥpmq| ą 1 pour m » N {2 et |ĥpmq| P r0, 1r pour m » 0 et m » N ´ 1, alors T
augmente les hautes fréquences et réduit les basses fréquences (filtre passe-haut) ;
— Si |ĥpmq| ą 1 pour des valeurs intermédiaires de m, alors T augmente les fréquences
moyennes (filtre passe-bande) ;
— Si |ĥpmq| ą 1 pour tout valeur de m, alors T est un amplificateur de fréquence tout
court.

2.7.5 Analyse fréquentielle des opérateurs de dérivation (discrète) première

et seconde
Dans cette section on va analyser deux opérateurs stationnaires qui représentent la version
discrète de la dérivée première et seconde. La comparaison de leurs valeurs propres montrera
pourquoi l’opérateur de dérivation seconde est plus efficace pour amplifier les hautes fréquences
dans les signaux numériques.

69
Définition 2.41. Donné une suite z P `N étendue par périodicité à Z, on définit :

T1 zpnq “ zpn ` 1q ´ zpnq Dérivée première discrète

T2 zpnq “ zpn ` 1q ´ 2zpnq ` zpn ´ 1q Dérivée seconde discrète

La dérivée première discrète est simplement la différence en avant de z, divisé par la
différence des valeurs de n, mais comme pn ` 1q ´ n “ 1 on peut éviter d’écrire le dénominateur.
La dérivée seconde discrète est la différence en arrière de la dérivée première de z, divisé
par la différence des valeurs de n, qui est encore une 1, donc on ne l’écris pas. Explicitement :
T2 zpnq “ T1 zpnq ´ T1 zpn ´ 1q “ zpn ` 1q ´ zpnq ´ rzpnq ´ zpn ´ 1qs “ zpn ` 1q ´ 2zpnq ` zpn ´ 1q.
On commence par l’analyse de T1 . Pour calculer sa réponse impulsionnelle on doit appliquer
T1 à l’impulsion unitaire δ “ e0 “ δ0,n , l’élément de position 0 de la base canonique de `N :
¨ ˛
¨ ´1 ˛
e0 p1q ´ e0 p0q ÐÝ n “ 0 ˚0‹
‹ ˚ ‹
e0 p2q ´ e0 p1q ÐÝ n “ 1 0‹
˚
˚ ‹ ˚
h “ T1 δ “ ˚ ‹“˚ . ‹
˚
.. ‹ ˚ . ‹
. ‚ ˚ . ‹
˚
˝ ‹
e0 pN ´ 1 ` 1q ´ e0 pN ´ 1q ÐÝ n “ N ´ 1 ˝0‚
1

où on a utilisé le fait que e0 p0q “ e0 pN q “ 1. La matrice qui représente T1 dans la base
canonique de `N est : ¨ ˛
´1 1 0 ... 0
˚0 ´1 1 ‹... 0
˚ ‹
AT1 “ ˚ ... .. ..
‹.
..
˚ ‹
˚ . ‹ . .
˝0 0 . . . ´1 1 ‚
1 0 . . . 0 ´1
On calcule maintenant la DFT de h, pour tout m P ZN ça vaut :
Nÿ
´1
mn m0 mpN ´1q
ĥpmq “ hpnqe´2πi N “ ´1 ¨ e´2πi N ` 0 ` . . . ` 1 ¨ e´2πi N

n“0
m mN m
“ ´1 ` e2πi N e´2πi N “ e2πi N ´ 1.
m
donc les valeurs propres de T1 sont tĥpmq “ e2πi N ´1, m “ 0, 1, . . . , N ´1u et sa représentation
diagonale est : ´ ¯
1 2 pN ´1q
D “ diag 0, e2πi N ´ 1, e2πi N ´ 1 . . . , e2πi N ´ 1 .

Allons maintenant à interpréter l’action fréquentielle de T1 en calculant son spectre, i.e. en

explicitant les modules des valeurs propres pĥpmqqmPZN . Le calcul sera plus simple si on
considère les modules carrés et on calcule seulement à la fin la racine carrée :
ˇ ´ m¯ ´ m¯ ˇ2 ´ ´ m¯ ¯2 ´ m¯
2 2
|ĥpmq| “ ˇcos 2π ` i sin 2π ´ 1ˇ “ cos 2π ´ 1 ` sin 2π
ˇ ˇ
´ N
m ¯ ´ N¯
m ´ m
N¯ ´ m ¯N
2 2
“ cos 2π ` sin 2π ` 1 ´ 2 cos 2π “ 2 ´ 2 cos 2π
N´ N N N
´ m ¯¯
“ 2 1 ´ cos 2π ,
N

70
mais grâce à l’identité trigonométrique 1 ´ cosp2αq “ 2 sin2 pαq, @α P R, en interprétant
m
α “ πN on peut écrire :
´ ´ m ¯¯ ´ m¯
|ĥpmq|2 “ 2 1 ´ cos 2π “ 4 sin2 π ,
N N
ˇ ` m ˘ˇ
alors, |ĥpmq| “ 2 ˇsin π N ˇ, mais m P ZN , m ă 1, donc le sinus est toujours non négatif et on
N
peut éliminer la valeur absolue. En résumé :
! ´ m¯ )
|ĥpmq| “ 2 sin π , m P ZN Spectre de l’opérateur dérivée première discrète.
N

En particulier :
— |ĥp0q| “ 0 : par conséquent, le signal filtré T1 z a moyenne nulle ;
— |ĥp N2 q| “ 2 ;
— |ĥpmq| ă 2 @m ‰ N2 ;
— |ĥpmq| Ñ 0 si m Ñ 0 ou m Ñ N ´ 1 ;
— L’action de l’opérateur est symétrique par rapport à N2 .
Comme m “ N {2 représente la plus haute fréquence du signal et m “ 0 et m “ N ´ 1
représentent les plus basses fréquences, on déduit que T1 réduit les basses fréquences de z
et il augmente jusqu’à 2 fois les hautes fréquences. Donc, l’opérateur dérivée première
discrète est un filtre passe-haut.

Maintenant on passe à l’analyse de T2 . Sa réponse impulsionnelle est donné par le vecteur :

¨ ˛
¨ ˛ ´2
e0 p1q ´ 2 e0 p0q ` e0 p´1q ˚1‹
˚ ‹ ˚ ‹
˚ e0 p2q ´ 2e0 p1q ` e0 p0q ‹ ˚0‹
h “ Tδ “ ˚ ‹ “ ˚ .. ‹ .
˚ ‹ ˚ ‹
.. ‹ ˚ . ‹
˚
˝ . ‚ ˚ ‹
˝0‚
e0 pN q ´ 2e0 pN ´ 1q ` e0 pN ´ 2q
1

La matrice associée à T2 dans la base canonique de `N est :

¨ ˛
´2 1 0 ... 1
˚ 1 ´2 1 ... ‹ 0
˚ ‹
AT2 “ ˚ ... .. .. ‹.
..
˚ ‹
˚ . . ‹ .
˝0 0 ... ´2 1 ‚
1 0 ... 1 ´2

On calcule maintenant la DFT de h :

Nÿ
´1
mn m0 m mpN ´1q
ĥpmq “ hpnqe´2πi N “ ´2 ¨ e´2πi N ` 1 ¨ e´2πi N ` 0 ` . . . ` 1 ¨ e´2πi N

n“0
m m m m
“ ´2 ` e´2πi N ` e´2πim e2πi N “ ´2 ` e2πi N ` e´2πi N
m m
e2πi N ` e´2πi N ´ m¯
“ ´2 ` 2 ¨ “ ´2 ` 2 cos 2π .
2 N

71
On veut comparer ces valeurs de ĥpmq avec ceux de l’opérateur dérivée première, pour
cela il est utile l’identité trigonométrique utilisée avant, mais explicité “ en fonction
` m du
˘‰ sinus
carré : sin2 pαq “ 12 ´ 21 cosp2αq, @α P R. Si on réécrit ĥpmq “ ´4 21 ´ 12 cos 2π N et on
m 2
` m˘
interprète α “ π N , on obtient ĥpmq “ ´4 sin π N . Donc les valeurs propres de T2 sont
` m˘
tĥpmq “ ´4 sin2 π N , m “ 0, 1, . . . , N ´ 1u et sa représentation diagonale est :
ˆ ˆ ˙ ˆ ˙˙
2 π 2 2π 2 pN ´ 1qπ
´ ¯
D “ diag 0, ´4 sin , ´4 sin , . . . , ´4 sin .
N N N

Le spectre de T2 est donné par

! ´ m¯ )
|ĥpmq| “ 4 sin2 π , m P ZN Spectre de l’opérateur dérivée seconde discrète.
N

On voit que les valeurs du spectre de l’opérateur de dérivée seconde sont les carrés de ceux de
l’opérateur de dérivée première. En conséquence :
— |ĥp0q| “ 0 : donc, comme pour la première dérivée, le signal filtré T2 z a moyenne nulle ;
— |ĥp N2 q| “ 4 ;
— |ĥpmq| ă 4 @m ‰ N2 ;
— |ĥpmq| Ñ 0 si m Ñ 0 ou m Ñ N ´ 1 et la convergence à zéro est plus rapide que pour
l’opérateur de dérivée première, car dans ce cas le sinus est élevé au carré, comme on le
voit dans la figure 2.12.
— L’action de l’opérateur est symétrique par rapport à N2 .
Donc, aussi l’opérateur dérivée seconde discrète est un filtre passe-haut, avec une
action d’amplification des hautes fréquences et de réduction des basses fréquences deux fois
plus intense que l’opérateur de dérivée première discrète.

Dans la prochaine section on verra les signaux discrets en dimension 2, i.e. zpn1 , n2 q. En
particulier, les image numérique sont des signaux 2D. Si on répète l’analyse que l’on vient
de faire en dimension 2, on obtient les mêmes résultats. Cela explique qualitativement et
quantitativement pourquoi, l’opérateur de dérivée seconde (Laplacien) est plus efficace de
l’opérateur de dérivée première (gradient) pour mettre en évidence les bords d’une image.

2.8 La transformée de Fourier bidimensionnelle (DFT 2D)

La transformée de Fourier que l’on a considérée jusqu’à maintenant est appliquée à des signaux
zpnq qui dépendent seulement d’un paramètre n.
Dans les applications, on a des signaux très importants qui dépendent de plusieurs
paramètres. Un exemple canonique est donné par les images numériques qui dépendent de
deux paramètres : les deux coordonnées spatiales d’un pixel, comme dans la figure 2.13.
On peut généraliser la théorie de la DFT pour examiner des signaux qui dépendent de
n’importe quel nombre (fini) de paramètres. Néanmoins, pour simplifier l’explication, on va
considérer seulement le cas bidimensionnel de deux paramètres n1 , n2 .
On va définir d’abord l’espace de travail : si N1 , N2 P N, on définit

`2 pZN1 ˆ ZN2 q “ tz : ZN1 ˆ ZN2 Ñ Cu ,

72
Figure 2.12 – Différence entre les fonctions sinusoı̈dales qui représentent les valeurs du spectre
de l’opérateur dérivée première et seconde entre 0 et π.

Figure 2.13 – Les deux coordonnées n1 , n2 d’un pixel dans une image numérique.

z P `2 pZN1 ˆ ZN2 q est une suite complexe qui dépend de deux paramètres :
#
n1 P t0, 1, . . . , N1 ´ 1u
n2 P t0, 1, . . . , N2 ´ 1u .

`2 pZN1 ˆ ZN2 q est un espace vectoriel de dimension N1 ¨ N2 avec les définitions de somme et
de produit par un scalaire complexe définies comme dans le cas 1D et produit scalaire :
Nÿ
1 ´1 Nÿ
2 ´1

xz, wy “ zpn1 , n2 qwpn1 , n2 q˚ , @z, w P `2 pZN1 ˆ ZN2 q.

n1 “0 n2 “0

73
 L’extension de la théorie de la DFT de 1D à 2D est basée sur la procédure de génération
de bases de `2 pZN1 ˆ ZN2 q à partir de bases de `2 pZN1 q et de `2 pZN2 q.
Théorème 2.42. Soient tB0 , B1 , . . . , BN1 ´1 u, tC0 , C1 , . . . , CN2 ´1 u, une base orthonormale
de `2 pZN1 q et de `2 pZN2 q, respectivement.
On définit, @m1 P t0, . . . , N1 ´ 1u et m2 P t0, . . . , N2 ´ 1u les suites de `2 pZN1 ˆ ZN2 q
données par :
Dm1 ,m2 pn1 , n2 q “ Bm1 pn1 q ¨ Cm2 pn2 q .

Alors, Dm1 ,m2 est une base orthonormale de `2 pZN1 ˆ ZN2 q dite la base produit tensoriel
de deux bases initiales.

Démonstration. Les suites Dm1 ,m2 , m1 P t0, . . . , N1 ´ 1u, m2 P t0, . . . , N2 ´ 1u sont N1 ¨ N2

éléments de `2 pZN1 ˆ ZN2 q, qui a dimension N1 ¨ N2 . Donc, pour démontrer qu’ils sont une
base orthonormale, on doit tout simplement montrer que :
#
1 si pm1 , m2 q “ pk1 , k2 q
xDm1 ,m2 , Dk1 ,k2 y “ δpm1 ,m2 q,pk1 ,k2 q “
0 si pm1 , m2 q ‰ pk1 , k2 q.

Nÿ
1 ´1 Nÿ
2 ´1

xDm1 ,m2 , Dk1 ,k2 y “ Dm1 ,m2 pn1 , n2 qDk1 ,k2 pn1 , n2 q˚
déf. de x , y
n1 “0 n2 “0
Nÿ
1 ´1 Nÿ
2 ´1

“ Bm1 pn1 qCm2 pn2 qBk1 pn1 q˚ Ck2 pn2 q˚

déf. de Dm1 ,m2
n1 “0 n2 “0
Nÿ
1 ´1 Nÿ
2 ´1

“ Bm1 pn1 qBk1 pn1 q˚ Cm2 pn2 qCk2 pn2 q˚

n1 “0 n2 “0
xBm1 , Bk1 y looooomooooon
“ looooomooooon xCm2 , Ck2 y “ δpm1 ,m2 q,pk1 ,k2 q
q q
δm1 ,k1 δm2 ,k2

Ce théorème a les corollaires suivantes, pour m1 P t0, 1, . . . , N1 ´ 1u et m2 P t0, 1, . . . , N2 ´ 1u :

— La base orthonormale canonique de `2 pZN1 ˆ ZN2 q est :
#
1 si pn1 , n2 q “ pm1 , m2 q
B “ em1 ,m2 pn1 , n2 q “
0 si pn1 , n2 q ‰ pm1 , m2 q

— La base orthogonale de Fourier de `2 pZN1 ˆ ZN2 q est

´ ¯
1 m 1 n1
2πi N
m2 n2
2πi N 1 2πi
m 1 n1 m 2 n2
` N
Fm1 ,m2 pn1 , n2 q “ e 1 ¨e 2 “ e N1 2
N1 N2 N1 N2

— La base orthonormale de Fourier de `2 pZN1 ˆ ZN2 q est

a
Em1 ,m2 pn1 , n2 q “ N1 N2 Fm1 ,m2 pn1 , n2 q.

74
 — La base orthogonale des exponentielles complexes de `2 pZN1 ˆ ZN2 q est

Em1 ,m2 pn1 , n2 q “ N1 N2 Fm1 ,m2 pn1 , n2 q.

Grâce à la théorie des espaces vectoriels avec produit scalaire complexe que l’on a développé
dans le chapitre 1, on peut généraliser la définition des coefficients de Fourier, DFT et IDFT à
`2 pZN1 ˆ ZN2 q. Soit z P `2 pZN1 ˆ ZN2 q, alors :

Nÿ
1 ´1 Nÿ
2 ´1 ´ n1 m 1 n2 m 2 ¯˚
2πi 2πi
xz, Em1 ,m2 y “ zpn1 , n2 q e N1 e N2

n1 “0 n2 “0
Nÿ
1 ´1 Nÿ
2 ´1 m 1 n1 m 2 n2
´2πi ´2πi
“ zpn1 , n2 qe N1 e N2

n1 “0 n2 “0
Nÿ
1 ´1 Nÿ
2 ´1 m 1 n1 m 2 n2
´2πip ` N q
“ zpn1 , n2 qe N1 2 ,
n1 “0 n2 “0

donc on définit les coefficients de Fourier de z P `2 pZN1 ˆ ZN2 q comme ceci :

Nÿ
1 ´1 Nÿ
2 ´1
´
m1 n1 m 2 n2
¯
´2πi N ` N
ẑpm1 , m2 q “ zpn1 , n2 qe 1 2 .
n1 “0 n2 “0

Comme pour le cas 1D :

ẑp0, 0q “ N1 N2 xzy ,
où xzy est la moyenne de z.
On peut également généraliser la formule de synthèse au cas 2D comme ceci :

Nÿ
1 ´1 Nÿ
2 ´1
´ ¯
1 2πi N
m 1 n1 m 2 n2
` N
zpn1 , n2 q “ ẑpm1 , m2 qe 1 2 .
N1 N2 m “0 m “0
1 2

En conséquence, les opérateurs DFT et IDFT peuvent être généralisés avec les formules
suivantes :

DFT 2D ” ˆ : `2 pZN1 ˆ ZN2 q ÝÑ `2 pZN1 ˆ ZN2 q

z ÞÝÑ ẑ,
où :
Nÿ
1 ´1 Nÿ
2 ´1
´
m1 n1 m 2 n2
¯
´2πi N ` N
ẑpm1 , m2 q “ zpn1 , n2 qe 1 2 ,
n1 “0 n2 “0
et

IDFT 2D ” ˇ : `2 pZN1 ˆ ZN2 q ÝÑ `2 pZN1 ˆ ZN2 q

z ÞÝÑ ž,
où :
1 ´1 Nÿ
Nÿ 2 ´1
´ ¯
1 2πi N
m 1 n1 m 2 n2
` N
žpn1 , n2 q “ zpm1 , m2 qe 1 2 .
N1 N2 m “0 m “0
1 2

75
2.8.1 Représentation matricielle de la DFT 2D : produit de Kronecker vs.
itération de deux DFT 1D
La représentation matricielle de la DFT 2D dans la base canonique de `2 pZN1 ˆ ZN2 q peut être
construite grâce aux matrices de Vandermonde-Fourier WN1 et WN2 associées respectivement
à la DFT 1D en `2 pZN1 q et en `2 pZN2 q.
L’opération dont on a besoin pour obtenir la représentation matricielle de la DFT 2D est
dite ! produit de Kronecker ", qu’on va définir de suite.
Définition 2.43. Données deux matrices A de dimension m ˆ n et B de dimension p ˆ q :
¨ ˛ ¨ ˛
a11 ¨ ¨ ¨ a1n b11 ¨ ¨ ¨ b1q
A “ ˝ ... .. .. ‹ , B “ ˚ .. . . . ‹
. .. ‚,
˚
. . ‚ ˝ .
am1 ¨ ¨ ¨ amn bp1 ¨ ¨ ¨ bpq

la matrice produit de Kronecker A b B est la matrice de dimension mp ˆ nq définie par :

¨ ˛
a11 B ¨ ¨ ¨ a1n B
˚ .. .. .. ‹ .
AbB “˝ . . . ‚
am1 B ¨ ¨ ¨ amn B

On peut démontrer par calcul direct que la matrice associée à la DFT 2D dans la base
canonique de `2 pZN1 ˆ ZN2 q est la matrice de dimension N1 N2 ˆ N1 N2 donnée par :

WN1 ,N2 “ WN1 b WN2 ùñ ẑpm1 , m2 q “ WN1 b WN2 zpn1 , n2 q .

Malheureusement, le calcul de la matrice produit de Kronecker est trop lourd quand N1 et N2

sont grands. Dans la pratique, on préfère réécrire la DFT 2D comme l’itération de deux DFT
1D.
Pour comprendre comment l’on peut faire, on doit interpréter z P `2 pZN1 ˆ ZN2 q comme
une matrice de N2 vecteurs colonne de N1 éléments :
¨ ˛,
.. .. ..
. . .
/
˚ ¨ ¨ ¨ ‹.
/
zpn1 , n2 q “ ˝zp¨, 0q zp¨, 1q ¨ ¨ ¨ zp¨, N2 ´ 1q‚
˚ ‹ N1 éléments pour chaque vecteur colonne.
.. .. .. /
/
. . .
-
¨¨¨
loooooooooooooooooooooooomoooooooooooooooooooooooon
N2 vecteurs colonne

Par définition de DFT 2D on peut écrire :

˜ ¸
Nÿ2 ´1 Nÿ1 ´1 n1 m 1 n m Nÿ
2 ´1 n m
´2πi N ´2πi 2N 2 ´2πi 2N 2
ẑpm1 , m2 q “ zpn1 , n2 qe 1 e 2 “ WN1 zpn1 , n2 qe 2 .

n2 “0 looooooooooooooooomooooooooooooooooon
n1 “0 n2 “0

ẑpm1 , n2 q “ WN1 zpn1 , n2 q

(2.47)

L’explication de la formule ci-dessus est la suivante : la sommation par rapport à l’index n2

est la plus extérieure, donc on fixe n2 à chaque fois. Avec n2 fixé, zpn1 , n2 q est un vecteur
colonne, et donc la parenthèse que l’on a mis en évidence représente est la DFT 1D de ce

76
vecteur colonne, qui peut être obtenue en appliquant la matrice WN1 à zpn1 , n2 q, n2 fixé,
comme correctement écrit ci-dessus.
Maintenant on a le problème que n1 est fixe e que l’indexe qui change est n2 , donc
WN1 pn1 , n2 q est un vecteur ligne et on peut pas lui appliquer WN2 pour obtenir la DFT, car,
comme on l’a vu dans dans la section 2.4, la DFT 1D est réalisée par le produit d’une matrice
de Vandermonde-Fourier avec une suite représentée via un vecteur colonne !
La solution à ce problème consiste en transposer les deux côtés de l’équation (2.47),
ceci transforme le vecteur ligne ẑpm1 , n2 q en un vecteur colonne et on peut donc calculer sa
transformée de Fourier avec WN2 :
Nÿ
2 ´1 n2 m 2
t ´2πi
ẑpm1 , m2 q “ pWN1 zpn1 , n2 qqt e N2 ,
n2 “0

maintenant pWN1 zpn1 , n2 qqt est un vecteur colonne, donc on peut calculer sa DFT en appliquant
WN2 :

ẑpm1 , m2 qt “ WN2 pWN1 zpn1 , n2 qqt “ WN2 zpn1 , n2 qt pWN1 qt “ WN2 zpn2 , n1 qWN1 ,
pABqt “B t At

car WNt 1 “ WN1 (observer l’inter-change entre n1 et n2 ). Donc ẑpm1 , m2 qt “ WN2 zpn2 , n1 q WN1 ,
et alors, pour trouver ẑpm1 , m2 q, il suffit de transposer encore une fois les deux côtés :

ẑpm1 , m2 q “ pẑpm1 , m2 qt qt “ pWN2 zpn2 , n1 q WN1 qt “ WN1 zpn1 , n2 q WN2 .

La formule qui permet de calculer la DFT 2D d’une suite z P `2 pZN1 ˆ ZN2 q est donc :

ẑpm1 , m2 q “ WN1 zpn1 , n2 qWN2 . (2.48)

Il est important de souligner que l’équation (2.48) a du sens seulement si ẑpm1 , m2 q et zpn1 , n2 q
sont interprétées dans leur globalité comme des matrices N1 ˆ N2 (image numériques).
Cette formule est différente de WN1 WN2 zpn1 , n2 q ou WN2 WN1 zpn1 , n2 q, qui sont les formules
naı̈ves que l’on aurait pu imaginer pour implémenter la DFT 1D sur les colonnes et sur les
lignes de z. Comme on l’a vu, la raison de la différence est due au fait que la DFT 1D matricielle
nécessite toujours un vecteur colonne, d’où vient la nécessité de la transposition, qui amène
vers la formule (2.48).

2.8.2 Les propriétés de la DFT 2D

Les propriétés de la DFT 1D, que l’on a vu dans la section 2.6 peuvent être généralisées sans
difficulté à la DFT 2D.
Les démonstrations sont pratiquement identiques, mais avec une notation plus lourde, pour
cela, on présente l’extension bidimensionnelle des résultats relatifs à la DFT 1D sans preuve.
Comme dans le cas 1D, pour pouvoir discuter les propriétés de la DFT 2D, on doit d’abord
étendre la définition d’une suite z P `2 pZN1 ˆ ZN2 q par périodicité à tout intervalle de longueur
N1 par rapport à la variable n1 et de longueur N2 par rapport à la variable n2 .
Cette extension est possible si on définit z hors de ZN1 ˆ ZN2 comme ceci :

zpn1 ` j1 N1 , n2 ` j2 N2 q “ zpn1 , n2 q , @n1 , n2 , j1 , j2 P Z. (2.49)

C’est aussi utile d’introduire l’opérateur de translation dans le cas bidimensionnel.

77
Définition 2.44. Soit z P `2 pZN1 ˆ ZN2 q étendue par périodicité comme dans la formule
(2.49) et k1 , k2 P Z. L’opérateur de translation sur `2 pZN1 ˆ ZN2 q est défini par :

Rk1 ,k2 : `2 pZN1 ˆ ZN2 q ÝÑ `2 pZN1 ˆ ZN2 q

z ÞÝÑ Rk1 ,k2 z,

pRk1 ,k2 zqpn1 , n2 q “ zpn1 ´ k1 , n2 ´ k2 q.

Propriétés de la DFT 2D

Soit z P `2 pZN1 ˆ ZN2 q étendue par périodicité comme dans la formule (2.49), alors, pour tout
n1 , n2 , m1 , m2 P Z :
— Périodicité de ẑ et ž :

ẑpm1 , m2 q “ ẑpm1 ` N1 , m2 q “ ẑpm1 , m2 ` N2 q “ ẑpm1 ` N1 , m2 ` N2 q

et
žpn1 , n2 q “ žpn1 ` N1 , n2 q “ žpn1 , n2 ` N2 q “ žpn1 ` N1 , n2 ` N2 q .
— DFT 2D et translation :
´ ¯
m1 k1 m k
´2πi ` N2 2
R{
k1 ,k2 zpm1 , m2 q “ e
N1 2 ẑpm1 , m2 q @k1 , k2 P Z,
´ ¯
m k m k
k1 ,k2 k1 ,k2 ´2πi N1 1 ` N2 2
i.e. si on définit la suite ωN 1 ,N2
P `2 pZN1 ˆ ZN2 q, ωN 1 ,N2
pm1 , m2 q “ e 1 2

@m1 , m2 P Z, alors :

DFT 2D ˝ Rk “ Mωk1 ,k2 ˝ DFT 2D ,

N1 ,N2

k1 ,k2
où Mωk1 ,k2 est l’opérateur de multiplication par ωN 1 ,N2
dans `2 pZN1 ˆ ZN2 q. Si on
N1 ,N2
permute le sens de la composition on obtient :
ˆ ´
m k m k
¯ ˙
2πi N1 1 ` N2 2
pRk1 ,k2 ẑqpm1 , m2 q “ ẑpm1 ´ k1 , m2 ´ k2 q “ DFT 2D e 1 2 z pm1 , m2 q ,

i.e.
Rk1 ,k2 ˝ DFT 2D “ DFT 2D ˝ M´ k ,k
¯˚ , @k1 , k2 P Z.
ωN1 ,N2
1 2

On peut résumer les propriétés que l’on vient d’analyser avec les couples de Fourier
suivants :
Représentation originale Espace de Fourier
´ ¯
m k m k
´2πi N1 1 ` N2 2
zpn
´ 1
´ k1 , n¯2 ´ k2 q e 1 2 ẑpm1 , m2 q
n1 k 1 n2 k2
2πi ` N
e N1 2 zpn1 , n2 q ẑpm1 ´ k1 , m2 ´ k2 q

Comme dans le cas de la DFT 1D, si on considère k1 “ N21 et k2 “ N22 , alors

p´1qn1 `n2 zpn1 , n2 q et ẑpm1 ´ N21 , m2 ´ N22 q. Cette transformation est utilisée pour
la visualisation centrée du spectre de z.

78
 De plus, encore comme dans le cas mono-dimensionnel, le spectre d’amplitude d’un
signal bidimensionnel zpn1ˇ , n2 q ´et d’une translation
¯ˇ
quelconque zpn1 ´ k1 , n2 ´ k2 q est
ˇ ´2πi m1 k1 ` m2 k2 ˇ
exactement le même, car ˇˇe N1 N2 ˇ “ 1.
ˇ
Donc, le spectre d’amplitude permet de connaı̂tre le contenu fréquentiel du signal, mais
il ne permet pas de savoir où les fréquences sont localisées.
— DFT 2D et conjugaison :

zp˚ pm1 , m2 q “ pẑp´m1 , ´m2 qq˚ “ pẑpN1 ´ m1 , N2 ´ m2 qq˚ .

— DFT 2D et convolution :

pz
{ ˚ wqpm1 , m2 q “ ẑpm1 , m2 qŵpm1 , m2 q ,

où la convolution bidimensionnelle est définie comme ceci :

Tz : `2 pZN1 ˆ ZN2 q ÝÑ `2 pZN1 ˆ ZN2 q

w ÞÝÑ Tz w “ z ˚ w,
Nÿ
1 ´1 Nÿ
2 ´1 Nÿ
1 ´1 Nÿ
2 ´1

pz ˚ wqpn1 , n2 q “ zpn1 ´ k1 , n2 ´ k2 qwpk1 , k2 q “ zpn1 , n2 qwpn1 ´ k1 , n2 ´ k2 q .

k1 “0 k2 “0 k1 “0 k2 “0

2.8.3 La DFT 2D et les opérateurs stationnaires

La DFT 2D a les mêmes propriétés que la DFT 1D relativement aux opérateurs stationnaires.
Rigoureusement, un opérateur T : `2 pZN1 ˆ ZN2 q Ñ `2 pZN1 ˆ ZN2 q est stationnaire si :

T ˝ Rk1 ,k2 “ Rk1 ,k2 ˝ T, @k1 , k2 P Z.

Pratiquement, un opérateur T : `2 pZN1 ˆ ZN2 q Ñ `2 pZN1 ˆ ZN2 q est stationnaire si son action
sur une suite zpn1 , n2 q est indépendante de la position des paramètres pn1 , n2 q.
Si z est une image numérique, alors un opérateur stationnaire est une transforma-
tion définie indépendamment de la position d’un pixel dans le support spatial de
l’image. Cela ne veut pas dire que le résultat de l’application de l’opérateur stationnaire ne
change pas par rapport à la position du pixel, mais que la définition de l’opérateur ne change
pas.
Un exemple d’opérateur stationnaire est donné par la transformation qui remplace l’intensité
d’un pixel par sa moyenne locale, i.e. la moyenne calculé dans un voisinage d’une taille fixé du
pixel.
Comme dans le cas mono-dimensionnel, les opérateurs stationnaires sur `2 pZN1 ˆ ZN2 q
peuvent être caractérisés comme des opérateurs de convolution ou comme des multiplicateurs
de Fourier.
Avant d’énoncer le théorème qui formalise cette relation, on définit le multiplicateur de
Fourier, l’impulsion unitaire et la réponse impulsionnelle dans le cas bidimensionnel.
Définition 2.45. Soit z P `2 pZN1 ˆ ZN2 q, le multiplicateur de Fourier associé à z est défini
comme ceci :
Tpzq : `2 pZN1 ˆ ZN2 q ÝÑ `2 pZN1 ˆ ZN2 q
w ÞÝÑ Tpzq w “ ẑ~ ¨ ŵ .

79
Définition 2.46. L’impulsion unitaire δ dans `2 pZN1 ˆ ZN2 q est le premier vecteur de sa base
canonique : δ “ e0,0 .
Donné un opérateur linéaire T sur `2 pZN1 ˆ ZN2 q, on appelle réponse impulsionnelle la
suite h “ T δ P `2 pZN1 ˆ ZN2 q.
Théorème 2.47. Soit T : `2 pZN1 ˆ ZN2 q ÝÑ `2 pZN1 ˆ ZN2 q un opérateur linéaire, alors les
conditions suivantes sont équivalentes :
(1) T est stationnaire ;
(2) T est l’opérateur de convolution avec la réponse impulsionnelle h “ T δ :

T z “ Th z “ h ˚ z “ z ˚ h @z P `2 pZN1 ˆ ZN2 q ;

(3) T est le multiplicateur de Fourier associé à ĥ :

T z “ Tpĥq z “ ĥ ¨ ẑ P `2 pZN1 ˆ ZN2 q ;

}

(4) T est diagonalisable, ses vecteurs propres sont la base orthogonale de Fourier Fm1 ,m2
de `2 pZN1 ˆ ZN2 q, et ses valeurs propres sont les composantes de ĥ.
Observation : on peut étendre aussi le résultat sur les matrices circulantes, mais leur
définition dans le cas bidimensionnel est plus difficile.

2.8.4 Visualisation du spectre d’amplitude en 2D

La visualisation du spectre d’un signal 2D nécessite une procédure de centralisation pour les
mêmes raisons que l’on a discuté dans le cas 1D et qui sont visualisées en deux dimensions
dans la figure 2.14. Ceci peut être effectué via l’équivalent 2D de la translation du domaine de
zpn1 , n2 q définie dans les formules (2.31), (2.31) ou via l’équivalent 2D de la formule (2.38),
i.e. en considérant p´1qn1 `n2 zpn1 , n2 q au lieu de zpn1 , n2 q, comme vu dans la section 2.8.2.
Le code MatLab pour visualiser le spectre d’amplitude d’une image est écrit ci-dessous.

1 im=imread('[Link]') % on charge l'image

2 A=fftshift( abs( fft2 (im) ) ); % on calcule le spectre d'amplitude avec ...
abs de fft2 en on fait la translation avec fftshift
3 imshow(log(1+0.001*A),[]) % pour mieux visualiser le spectre on utilise ...
l'echelle logarithmique (voir commentaire en bas...)

Il faut observer, en particulier, que la symétrie mono-dimensionnelle de la DFT 1D par

rapport aux fréquences m P t0, 1, . . . , N {2u et m P tN {2 ` 1, N {2 ` 2, . . . , N ´ 1u devient une
symétrie miroir 2D pour la DFT 2D.
Dans la figure 2.15 on montre trois images numériques en niveau de gris et leur spectre d’am-
plitude. Les points les plus lumineux correspondent à des valeurs des modules de coefficients
de Fourier grandes et, vice-versa, les point les plus sombres à des valeurs petites.
Il y a plusieurs caractéristiques à observer :
— La symétrie du spectre : le contenu fréquentiel est répété dans les quadrants par
symétrie miroir ;

80
Figure 2.14 – Carré rouge : spectre d’amplitude d’une image centré dans la fréquence
pN {2, N {2q. Carré bleu : spectre d’amplitude d’une image centré dans la fréquence p0, 0q. Pour
plus de simplicité on a considéré une image carré de côté N , sinon on aurait des rectangles de
côtés N1 et N2 .

— Les points les plus lumineux sont localisés vers le centre du spectre : ceci est dû au
fait que les spectres que l’on montre sont centrés, donc la fréquence centrale a pour
coordonnes pm1 , m2 q “ p0, 0q et |ẑp0, 0q| “ N1 N2 xzy, i.e. N1 N2 fois la valeur moyenne
de l’image. Ceci explique pourquoi, pour visualiser le spectre, on doit appliquer le
logarithme : les valeurs de |ẑp0, 0q| sont tellement plus élevés des autres, qu’il faut
comprimer le rang de variabilité avec une fonction compressive comme le logarithme !
— Dès que l’on s’éloigne du centre, le spectre montre l’amplitude des coefficients qui corres-
pondent aux fréquences les plus élevées, jusqu’aux fréquences maximales pN1 {2, N2 {2q,
si N1 , N2 sont paires, ou leurs parties entières prN1 {2s , rN2 {2sq si N1 , N2 sont impaires.
L’image avec le contenu fréquentiel le plus élevé est l’image du mandrill, en fait, on
voit que son spectre est le plus étendu parmi les trois images.
En particulier, on observe des valeurs très intenses vers les bords, qui représentent des
fréquences très élevées : elles correspondent aux fréquences des détails très fins du poil
à côté des yeux du mandrill.
— Comme m1 et m2 représentent les fréquences verticales et horizontales, les bords
(! edges " en anglais) verticaux et horizontaux des images produisent des coefficients
de Fourier localisés sur les axes correspondants. C’est pour cela que la première image,
qui a des forts gradients d’intensité verticaux entre les rochers et le ciel, a un spectre
avec une forte prédominance de coefficients de Fourier intenses sur l’axe vertical.
Dans l’image de la deuxième ligne (! Lena ", une des images les plus utilisées en
traitement d’images), on a des détails fins dans le chapeau, à 45˝ et à -45˝ . De manière
cohérente, on trouve dans son spectre des structures diagonales.
— L’analyse du spectre que l’on vient de faire montre qu’on peut comprendre l’existence
de structures géométriques dans une image en regardant son spectre de Fourier, mais

81
 on ne peut pas dire où ces structures sont situées dans l’image.

2.8.5 Un exemple remarquable de filtrage d’une image numérique dans

l’espace de Fourier : le floutage
Le théorème 2.47 dit que tous les opérateurs stationnaires T qui agissent sur des images
(interprétées comme des suites 2D finies) sont des convolutions ! cachées " (entre l’image et la
réponse impulsionnelle h “ T δ). De plus, ces convolutions peuvent être représentées comme
des multiplicateurs de Fourier (multiplication dans l’espace de Fourier entre ĥ et la DFT 2D
de l’image).
Selon la suite h avec laquelle on fait la convolution, on obtient des résultats différents.
C’est souvent beaucoup plus simple d’interpréter l’effet d’une convolution en considérant le
multiplicateur de Fourier associé.
En particulier, on veut comprendre ce que veut dire d’opérer une convolution avec une
Gaussienne discrète, qu’on écrit hpn1 , n2 q.
Comme on le verra dans le chapitre 4, la transformée de Fourier d’une Gaussienne d’écart-
type σ est encore une Gaussienne, mais avec un écart-type inversement proportionnel à σ.
Donc, on peut essayer de comprendre la signification de la convolution d’ une image zpn1 , n2 q
avec une Gaussienne hpn1 , n2 q en analysant la multiplication suivante dans l’espace de Fourier :
ẑpm1 , m2 q ¨ ĥpm1 , m2 q.
Dans la figure 2.16 on peut voir trois images qui correspondent à ´Gaussiennes ¯ 2D de taille
n21 `n22
512ˆ512, l’intensité du pixel de position pn1 , n2 q est hpn1 , n2 q “ exp ´ 2σ2 et l’écart type
est σ “1,5,10, respectivement.
Comme on l’a dit avant, les DFT 2D de h sont encore des Gaussiennes, mais avec un écart
type proportionnel à 1, 15 , 10
1
. Bien sûr, hp0, 0q “ 1 et les valeurs de ĥpm1 , m2 q décroissent dès
qu’on s’éloigne du centre, donc la multiplication dans l’espace de Fourier ẑpm1 , m2 q ¨ ĥpm1 , m2 q
fait décroı̂tre l’importance des harmoniques avec pm1 , m2 q ‰ p0, 0q, qui sont associées aux
détailles de l’image. Alors, si on applique la IDFT 2D à ẑpm1 , m2 q ¨ ĥpm1 , m2 q on peut
reconstruire une image qui sera plus flou que l’image originelle.
Par conséquent, opérer la convolution avec une Gaussienne correspond, dans le traitement
d’images, à une opération de floutage (! blurring " en anglais), comme on peut le voir dans la
figure 2.17.
Le floutage peut être utile, par exemple, quand l’image originale est bruitée : le floutage
rend le bruit moins percevable (mais aussi les bords moins nets).
La figure 2.18 montre une version continue du filtres fréquentiel de floutage. Le code Matlab
pour flouter une image avec un filtre Gaussien est écrit ci-dessous.

1 % Gaussian Blurring in the Fourier Domain

2 % read the image (it must be in the same folder as the commands)
3 i=imread('[Link]');
4 % standard deviation, 5 in this case
5 s=5;
6 % gaussian filter with the same size as the image and standard deviation s
7 h=fspecial('gaussian',512,s);
8 % DFT of h and centered DFT of the image
9 H=fft2(h); I=fft2(fftshift(i));
10 % O is the puntual product (.* in Matlab and not only *!) of H and I
11 O=H.*I;

82
Figure 2.15 – Colonne de gauche : images originales. Colonne de droite : spectres d’amplitude
centrés des images de gauches, visualisés avec une échelle logarithmique.

83
Figure 2.16 – De gauche à droite : images Gaussiennes bidimensionnelles avec un écart type
1,5,10.

Figure 2.17 – De gauche à droite : floutage de l’image de Lena par multiplication dans
l’espace de Fourier avec les DFT des Gaussiennes d’écart type 1,5,10. Il faut observer que,
comme la DFT d’une Gaussienne a un écart-type inversement proportionnel à l’écart-type
originale, la DFT de la Gaussienne d’écart-type 10 a un écart-type petit et donc elle tend vers
0 rapidement. Donc, quand on fait le produit de la DFT de la Gaussienne d’écart-type 10 avec
la DFT de l’image, on réduit énormément les détails de l’image.

Figure 2.18 – Filtre de floutage, passe-bas dans le domaine fréquentiel.

12 % IDFT
13 o=ifft2(O);
14 % show the output o
15 imshow(o,[])

84
Observation importante : même si opérer la convolution avec une Gaussienne amène à l’effet de
floutage, il ne faut pas penser que la convolution soit toujours liée à une opération de floutage.
En fait, on a vu que la convolution, comme le multiplicateur de Fourier, est le prototype des
opérateurs stationnaires, qui peuvent flouter ou rehausser les fréquences d’un signal.

85
Chapitre 3

Fonctions périodiques et séries de

Fourier

Nous rappelons dans ce chapitre le cadre et les notations déjà vues au semestre précédent
en cours d’Analyse pour l’ingénieur 2.
Dans de nombreuses situations physiques, on a à étudier des signaux périodiques (tension
dans un circuit électrique, onde acoustique ou électromagnétique qui se propage dans un
milieu, etc.). Un tel signal peut être compliqué à étudier et très irrégulier (non dérivable, non
continu). L’idée des séries de Fourier est de pouvoir décomposer un signal périodique en terme
de signaux plus simples. Le choix des séries de Fourier consiste à utiliser les fonctions simples
suivantes #
θ ÞÑ sinpnθq, n ě 1,
(3.1)
θ ÞÑ cospnθq, n ě 0.
Décomposer une fonction 2π-périodique en série de Fourier, cela sera écrire f comme somme
de ces fonctions simples
`8
ÿ
@θ P R, f pθq “ pan cospnθq ` bn sinpnθqq, (3.2)
n“0

où les coefficients pan qně0 , pbn qně0 sont des coefficients à déterminer en fonction de f .
L’écriture (3.2) pose plusieurs problèmes :
— Il s’agit d’une somme infinie (autrement dit, de la somme d’une série). Est-elle conver-
gente ? Est-elle divergente ? Absolument convergente ?
— Il s’agit de la convergence d’une suite de fonctions : quel sens donner à cette convergence
par rapport à la variable θ ? est-elle vraie pour tout θ P R ? en moyenne par rapport à
θ ? Uniformément par rapport à θ ?
— Peut-on décomposer n’importe quelle fonction en série de Fourier, aussi irrégulière
soit-elle ?

3.1 Rappels sur la convergence L2 des séries de Fourier

On se contente de rappeler les résultats du cours d’Analyse pour l’ingénieur 2. Pour les
démonstrations, on renvoie au polycopié concerné.

86
3.1.1 Définitions
Le cadre de ce paragraphe est celui des fonctions périodiques de carré intégrable.

Fonctions périodiques
Définition 3.1. Soit une fonction f : R Ñ C, d’ensemble de définition I. On dit que f est
périodique s’il existe T ‰ 0, telle que

@θ P R, rθ P I ñ θ ` T P Is, et, @θ P I, f pθ ` T q “ f pθq.

On dit que T est une période de f . Dans ce cas, on dit aussi que f est T -périodique. Dans le
cas où f admet une plus petite période T ą 0, cette plus petite période est appelée la période
fondamentale de f .
Remarque 3.2. Attention : si f est périodique, sa période n’est pas unique ! Si T est une
période pour f , kT est aussi une période pour f , pour tout k P Z.
Exemple 3.3. Les fonctions suivantes sont périodiques :
— Pour tout n P N, θ ÞÑ cospnθq et θ ÞÑ sinpnθq, de période fondamentale T “ 2π n .
— Pour tout n P N, θ ÞÑ einθ de période fondamentale T “ 2π n .
— θ ÞÑ tanpθq est π-périodique.
— La fonction θ ÞÑ 1Q pθq (c’est-à-dire la fonction qui donne 1 si θ est rationnel et 0 si θ
est irrationnel) est q-périodique, pour tout q P Q. Cette fonction n’admet pas de plus
petite période positive.
La proposition suivante dit exactement qu’on peut toujours se ramener, via le changement
de variables θ ÞÑ θT
2π , à une fonction 2π-périodique. Nous ne considérerons donc maintenant
que des fonctions 2π-périodiques.
Proposition
` T θ ˘ 3.4. Soit T ą 0. Une fonction θ ÞÑ f pθq est T -périodique si et seulement si
θ ÞÑ f 2π est 2π-périodique.

Fonctions intégrables
Nous définissons maintenant les fonctions intégrables et de carré inégrable :
Définition 3.5 (Fonctions intégrables). On définit
ż 2π
L1p p0, 2πq :“ tf : R Ñ C, f, 2π-périodique, |f pθq| dθ ă `8u (3.3)
0

comme l’ensemble des fonctions 2π-périodiques suffisamment régulières dont la restriction à

r0, 2πs est intégrable.
Remarque 3.6. Le terme suffisamment régulière est volontairement vague et fait référence
au cours de théorie de la mesure et intégration, qui n’est pas au programme de ce module. Nous
nous contenterons ici de savoir que ce terme englobe en particulier les fonctions continues par
morceaux, ce qui est largement suffisant pour ce chapitre.
Attention : f est par hypothèse à valeurs complexes. Autrement dit, pour tout θ P R, on
peut écrire f pθq “ <pf pθqq ` i=pf pθqq.

87
Proposition 3.7. f P L1p p0, 2πq si et seulement si <f et =f sont dans L1p p0, 2πq et dans ce
ş2π ş2π ş2π
cas les intégrales 0 f pθqdθ, 0 <f pθqdθ et 0 =f pθqdθ ont un sens et on a l’égalité
ż 2π ż 2π ż 2π
f pθqdθ “ <f pθqdθ ` i =f pθqdθ.
0 0 0

Proposition 3.8. Soit f P L1p p0, 2πq. Alors pour tout α P R, f est intégrable sur le segment
şα`2π ş2π şπ ş2π
rα, α ` 2πs et α f pθqdθ “ 0 f pθqdθ. En particulier ´π f pθqdθ “ 0 f pθqdθ.
Définition 3.9 (Fonctions de carré intégrable). On définit
ż 2π
2
Lp p0, 2πq :“ tf : R Ñ C, f, 2π-périodique, |f pθq|2 dθ ă `8u (3.4)
0
comme l’ensemble des fonctions 2π-périodiques suffisamment régulières dont la restriction à
r0, 2πs est de carré intégrable.
De plus, on peut munir L2p p0, 2πq d’un produit scalaire complexe et d’une norme respective-
ment définies par, pour f, g P L2p p0, 2πq,
1 2π
ż
xf , gy “ f pθqḡpθqdθ P C, (3.5)
2π 0
ˆ ż 2π ˙ 12
a 1 2
}f }2 :“ xf , f y “ |f pθq| dθ . (3.6)
2π 0
Remarque 3.10. Le fait que xf , gy soit bien défini pour f, g P L2p p0, 2πq vient de l’inégalité
|f pθqḡpθq| ď 12 p|f pθq|2 ` |gpθq|2 q et du théorème de domination. Le fait que pf, gq ÞÑ xf , gy
vérifie les propriétés requises d’un produit scalaire (voir Definition 1.3) est évident pour
ce qui concerne la linéarité à gauche, l’anti-linéarité à droite et la symétrie. Le seul point
problématique est le caractère défini-positif : est-il vrai que si }f }2 “ 0 alors f “ 0 ? C’est en
fait faux en toute généralité : la fonction f qui vaut 0 partout sauf en θ “ 0 où f p0q “ 2019
est une fonction non nulle (f p0q ‰ 0 !) mais telle que }f }2 “ 0 (le fait de changer la valeur
d’une fonction en un point ne change pas l’intégrale de cette fonction).
Ce problème est résolu dans un cours de théorie d’intégration de Lebesgue qui n’est pas un
prérequis de ce cours. Pour faire court, une solution à ce problème est, d’identifier comme
une seule et même fonction deux fonctions qui éventuellement diffèrent en un nombre fini
(ou même dénombrable) de points. Ainsi selon cette identification, la fonction f ci-dessus est
indistinguable de la fonction nulle.
Notons que si f est continue et si }f }2 “ 0, alors f est la fonction nulle.

3.1.2 Construction de fonctions périodiques

Prolongement par 2π-périodicité
Une façon usuelle de construire des fonctions 2π-périodiques est de partir d’une fonction
définie sur un intervalle de longueur 2π (par exemple s0, 2πs ou bien s ´ π, πs), puis d’étendre
cette fonction par 2π-périodicité. Dans la plupart des cas, on assimilera la fonction f , définie
sur sα, α ` 2πs à sa fonction périodisée f˜. On dit qu’on a prolongé f par 2π-périodicité.
Exemple 3.11 (Fonction créneau). Posons f pθq “ 1 pour tout θ Ps0, πr, f p0q “ 0, f pπq “ 0,
et f pθq “ ´1 pour tout θ Psπ, 2πr. La fonction périodisée de f est appelée une fonction créneau
(voir Figure 3.1).

88
 1

−2π −π 0 π 2π 3π

−1

Figure 3.1 – Signal créneau

Prolongement par parité, puis 2π-périodicité

Il est aussi possible de partir d’une fonction définie sur r0, πs (intervalle de longueur π), de
la prolonger sur r´π, πs par parité (c’est-à-dire en posant f pθq “ f p´θq, pour tout θ P r´π, 0s)
puis par 2π-périodicité comme au paragraphe précédent. La fonction ainsi définie est une
fonction paire sur R tout entier.
Exemple 3.12 (Signal triangulaire). La fonction définie sur f pθq “ π2 ´ θ pour θ P r0, πs
prolongée par parité, puis par 2π-périodicité est appelée fonction (ou signal) triangulaire (voir
Figure 3.2).

Prolongement par imparité, puis par 2π-périodicité

De la même manière, il est possible de partir d’une fonction f définie sur s0, πr (intervalle
de longueur π), de la prolonger sur s ´ π, πr par imparité (c’est-à-dire en posant f p0q “ 0 et
f pθq “ ´f p´θq, pour tout θ Ps ´ π, 0r) puis par 2π-périodicité comme au paragraphe précédent.
La fonction ainsi définie est une fonction impaire sur R tout entier.
Remarque 3.13. Le lecteur averti aura remarqué que nous n’avons pas explicitement défini
la valeur de fonction f en π (cette valeur est la même que f pπ ` 2kπq, pour tout k P Z
par 2π-périodicité). C’est en fait que f pπq est nécessairement égal à 0 si f est impaire : en
effet, si f est impaire f pπq “ ´f p´πq. De plus f est 2π-périodique, donc f pπq “ f p´πq. Par
conséquent, f pπq “ 0.
Exercice 3.14. La fonction définie par f p0q “ 0, f pθq “ 1 pour tout s0, πr et prolongée par
imparité puis 2π-périodicité définit une fonction créneau.

89
 π
2

−2π −π 0 π 2π 3π

− π2

Figure 3.2 – Signal triangulaire

3.1.3 Coefficients de Fourier d’une fonction 2π-périodique

Définition 3.15. Pour tout n P Z, on définit

en : θ ÞÑ en pθq “ einθ “ cospnθq ` i sinpnθq.

Proposition 3.16. Pour tout n P Z, en P L2p p0, 2πq et

#
0 si n ‰ m,
xen , em y “
1 si n “ m.

Autrement dit pen qnPZ forme une famille orthonormale de L2p p0, 2πq.
Définition 3.17. Soit f P L2p p0, 2πq,
— on appelle coefficients de Fourier trigonométriques de f , la suite pcn pf qqnPZ définie par
ż 2π
1
@n P Z, cn pf q “ f pθqe´inθ dθ “ xf , en y .
2π 0

— on appelle coefficients de Fourier circulaires la donnée des deux suites pan pf qqně0 et
pbn pf qqně0 définies par, pour tout n ě 0

1 2π
ż
an pf q “ f pθq cospnθqdθ,
π 0
1 2π
ż
bn pf q “ f pθq sinpnθqdθ.
π 0

Remarque 3.18. Plusieurs remarques s’imposent :

90
 1. On fera particulièrement attention au facteur devant chaque intégrale dans cette
1
définition : il s’agit de 2π pour cn et π1 pour an et bn ,
1 2π
2. a02pf q “ 2π
ş
0 f pθqdθ est appelée moyenne de f ; b0 pf q “ 0.
3. La suite cn pf q est indexée par Z alors que les suites an pf q et bn pf q sont indexées par
N,
4. D’après une proposition précédente, on peut changer les bornes d’intégration dans
la définition précédente, à condition d’intégrer sur un intervalle de longueur 2π. En
particulier, on utilisera souvent les définitions équivalentes

1 π
ż
cn pf q “ f pθqe´inθ dθ, n P Z,
2π ´π
1 π
ż
an pf q “ f pθq cospnθqdθ, n ě 0,
π ´π
1 π
ż
bn pf q “ f pθq sinpnθqdθ, n ě 0.
π ´π

Il est équivalent de connaitre les cn pf q, n P Z d’une part et les pan pf q, bn pf qq, n ě 0 d’autre
part. En effet,
Proposition 3.19. On a les relations suivantes :
1. Pour tout n ě 0, #
an pf q “ cn pf q ` c´n pf q,
(3.7)
bn pf q “ ipcn pf q ´ c´n pf qq.
2. Pour tout n ě 0, #
an pf q´ibn pf q
cn pf q “ 2 ,
an pf q`ibn pf q (3.8)
c´n pf q “ 2 .

Proposition 3.20. Si f est à valeurs réelles, pour tout n P Z,

c´n pf q “ cn pf q

et les coefficients an pf q et bn pf q sont réels.

Proposition 3.21. — Si f est paire, bn pf q “ 0, pour tout n ě 0,
— Si f est impaire, an pf q “ 0, pour tout n ě 0.

3.1.4 Décroissance à l’infini des coefficients de Fourier

Il existe un lien entre la régularité de f d’une part et la vitesse de convergence vers 0 des
coefficients de Fourier de f quand |n| Ñ 8 d’autre part. Plus la fonction sera régulière, plus
la convergence vers 0 sera rapide.
Proposition 3.22 (Lemme de Riemann-Lebesgue). Si f est 2π-périodique et continue par
morceaux, alors cn pf q Ñ 0, quand |n| Ñ 8.

91
Proposition 3.23. Si f est continue et C 1 par morceaux alors pour n ‰ 0,
1
cn pf q “ cn pf 1 q.
in
En particulier, dans ce cas,
ˆ ˙
1
cn pf q “ o , quand |n| Ñ 8.
n

Plus généralement, pour tout k ě 1, si f est de classe C k´1 et C k par morceaux, alors
ˆ ˙
1 pkq 1
cn pf q “ k
cn pf q “ o pour |n| Ñ 8.
pinq nk
Autrement dit, plus f est régulière, plus ses coefficients de Fourier convergent rapidement
vers 0 en `8.

3.1.5 Notion de série de Fourier

Définition 3.24. Soit f P L2p p0, 2πq et N ě 1. On définit la fonction θ ÞÑ SN pf qpθq définie
par : pour tout θ P R,
ÿN
SN pf qpθq :“ ck pf qeikθ . (3.9)
k“´N

Pour tout N ě 1, SN pf q est une fonction 2π-périodique, de classe C 8 .

Remarque 3.25.` Si θ P R ˘est fixé, SN pf qpθq est la somme partielle à l’ordre N de la série
de terme général ck pf qeikθ kPZ . Attention : ici k P Z et non k P N. On peut cependant se
ramener au cas des séries indexées par N en remarquant que
N ´
ÿ ¯
SN pf qpθq “ c0 pf q ` ck pf qeikθ ` c´k pf qe´ikθ .
k“1

Définition 3.26. On appelle série de Fourier la fonction qui à θ P R associe la série

numérique, à valeurs complexes, de terme général pck pf qeikθ qkPZ . Dans le cas où pour un
certain θ, SN pf qpθq converge, on appelle somme de la série de Fourier la limite de SN pf q,
notée Spf q, c’est à dire
ÿ
Spf qpθq :“ lim SN pf qpθq “ ck pf qeikθ .
N Ñ8
kPZ

Remarque 3.27. Insistons un peu : il y a deux façons équivalente de définir la série de

Fourier de f .
— Le premier point de vue (et c’est celui adopté dans la définition précédente), c’est de
dire que pour tout θ P R fixé, on a affaire à une série numérique de terme général
complexe, égal à ck pf qeikθ . Autrement dit, se donner une série de Fourier, c’est se
donner une infinité de séries numériques, autant qu’il y a de valeurs de θ.
— Un autre point de vue, c’est de considérer directement SN pf q comme une fonction
définie comme la somme des fonctions θ ÞÑ ck pf qeikθ . La série de Fourier de f peut
donc être vue comme une série dont le terme général est à valeurs dans l’espace des
fonctions 2π-périodiques.

92
Soit on se donne une infinité de séries numériques, soit on se donne une seule série à valeurs
dans l’espace des fonctions.
Etudier une série de Fourier revient donc à étudier des séries. La difficulté supplémentaire
majeure vient bien sûr du fait que θ varie. Plus précisément, plusieurs questions se posent :
1. Quelles conditions sur f (et donc sur les coefficients ck pf q) doit-on imposer pour que la
série de Fourier de f converge ?
2. Quel sens donner à cette convergence ? est-ce vrai pour tout θ P R ? pour un seul θ ? Y
a-t-il des θ pour lesquels la série converge, et d’autres pour lesquels elle ne converge
pas ?
3. Dans le cas où la série converge, quel est le lien entre la somme de cette série et la
fonction f elle-même ? Représente-t-elle bien la fonction f ? En quel sens ?

Expression de la série de Fourier en termes des coefficients an et bn

En utilisant l’expression des cn en fonction des coefficients an et bn , il est possible de
calculer une expression équivalente de la somme partielle de la série de Fourier associée à une
fonction f . En effet, pour tout N ě 1, pour tout θ P R,
N ´
ÿ ¯
SN pf qpθq “ c0 pf q ` ck pf qeikθ ` c´k pf qe´ikθ ,
k“1
«ˆ
N ˙
a0 pf q ÿ ak pf q ´ ibk pf q
“ ` pcospkθq ` i sinpkθqq
2 k“1
2
ˆ ˙ ff
ak pf q ` ibk pf q
` pcospkθq ´ i sinpkθqq
2
N
a0 pf q ÿ
“ ` pak pf q cospkθq ` bk pf q sinpkθqq .
2 k“1

On en déduit donc
Proposition 3.28 (Expression de SN en fonctions de coefficients de Fourier circulaires). Une
expression équivalente de SN pf q est donnée par : pour tout N ě 1, pour tout θ P R,
N
a0 pf q ÿ
SN pf qpθq “ ` pak pf q cospkθq ` bk pf q sinpkθqq .
2 k“1

3.1.6 Exemples de calculs de série de Fourier.

Le cas d’une fonction créneau
Proposition 3.29. Soit H la fonction 2π-périodique, définie sur s0, πr par Hpθq “ 1 et
prolongée par imparité sur s ´ π, πr. Alors, pour tout n P Z,
#
0 si n est pair
cn pHq “ 2
(3.10)
inπ si n est impair.

93
Démonstration. Remarquons donc que, par imparité de H, Hp0q “ 0 et Hpθq “ ´1 pour
tout θ Ps ´ π, 0r. De plus, H est continue par morceaux, donc de carré intégrable sur r´π, πs
(NB : il est plus judicieux ici d’utiliser l’intervalle r´π, πs que l’intervalle r0, 2πs, puisque nous
connaissons directement la fonction H sur cet intervalle). En particulier, c0 pHq “ 0 et pour
n‰0
1 π
ż
cn pHq “ Hpθqe´inθ dθ,
2π ´π
1 0 ´inθ 1 π ´inθ
ż ż
“´ e dθ ` e dθ,
2π ´π 2π 0
„ 0 „ π
1 e´inθ 1 e´inθ
“´ ` ,
2π ´in ´π 2π ´in 0
1 ` 1 ` ´inπ
1 ´ einπ ´
˘ ˘
“ e ´1 ,
2πin 2πin
1 n 1
“ p1 ´ p´1q q ´ pp´1qn ´ 1q .
2πin 2πin
On conclut en distinguant les cas n pairs et n impairs.

Exercice 3.30. Calculer directement an pHq et bn pHq sans passer par cn pHq.

Démonstration. Comme H est impaire, an pHq “ 0 pour tout n ě 0. De plus pour n ě 1,

1 π
ż
bn pHq “ Hpθq sinpnθqdθ
π ´π

Comme le produit de deux fonctions impaires est paire, il vient

2 π 2 π 2 ´ cospnθq π
ż ż „ 
2
bn pHq “ Hpθq sinpnθqdθ “ sinpnθqdθ “ “ p1 ´ cospnπqq .
π 0 π 0 π n 0 nπ

Or, cospnπq “ p´1qn donc #

0 si n pair,
bn pHq “ 4
(3.11)
nπ si n impair.
Remarque : on vérifie bien que les valeurs trouvées de an pHq et bn pHq sont cohérentes avec
(3.7) et (3.8).

Le cas d’un signal triangulaire

π
Proposition 3.31. Soit T la fonction 2π-périodique, définie sur r0, πs par T pθq “ 2 ´ θ et
prolongée par parité sur s ´ π, πr. Alors, pour tout n P Z,
#
0 si n est pair
cn pT q “ 2
(3.12)
n2 π
si n est impair.

94
Démonstration. Comme T est paire par définition, nous savons que T pθq “ θ ` π2 pour tout
θ P r´π, 0s. Pour n “ 0, c0 pT q “ 0. Pour n ‰ 0, il vient, par intégrations par parties,

1 π
ż
cn pT q “ T pθqe´inθ dθ,
2π ´π
1 0 ´ 1 π´
ż ż
π ¯ ´inθ π ¯ ´inθ
“ θ` e dθ ` ´θ ` e dθ,
2π ´π 2 2π 0 2
¨« ˛
´inθ pθ ` π q 0
ff ˜« ffπ ¸
e´inθ p´θ ` π2 q
ż0 żπ
1 ˝ e 2 1 ´inθ 1 1 ´inθ
“ ` e dθ‚` ´ e dθ ,
2π ´in in ´π 2π ´in in 0
´π 0
ż0
n n 1 π ´inθ
ˆ ˙ ˆ ż ˙
1 π{2 p´1q p´π{2q 1 ´inθ 1 π{2p´1q π{2
“ ` ` e dθ ` ` ´ e dθ ,
2π ´in in in ´π 2π in in in 0
1 p´1qn`1 1 ” ´inθ ı0 p´1qn 1 1 ” ´inθ ıπ
“ ` ` e ` ` ´ e ,
´4in 4in 2πn2 ´π 4in 4in 2πn2 0
1 1
“ 2
p1 ´ p´1qn q ´ pp´1qn ´ 1q.
2πn 2πn2
Distinguant selon les cas n pair et n impair dans l’égalité précédente, le résultat suit.

Exercice 3.32. Quel lien existe-t-il entre H et T ? Retrouver en particulier le résultat de la

Proposition 3.23 dans ce cas particulier.

Démonstration. On a évidemment la relation H “ ´T 1 , sauf en les points multiples de π

(attention : ne pas oublier le ´). Ainsi, en appliquant la Proposition 3.23, il vient cn pT q “
1
´ in cn pHq, ce qui est cohérent avec (3.10) et (3.12).

Exercice 3.33. Calculer les coefficients an pT q et bn pT q de deux façons différentes. L’une, en

partant de l’expression de cn pT q, l’autre en les calculant directement à partir de leur définition.

Démonstration. Méthode 1 : on applique (3.7) : il vient an pT q “ cn pT q ` c´n pT q, ce qui vaut 0

si n est pair et vaut n22 π ` p´nq2 4
2 π “ n2 π si n est impair. De plus, bn pT q “ ipcn pT q´c´n pT qq “ 0.
şπ
Méthode 2 : comme T est pair, bn pT q “ 0. De plus, an pT q “ π1 ´π T pθq cospnθqdθ. Le pro-
şπ şπ `
duit de deux fonctions paires est pair donc an pT q “ π2 0 T pθq cospnθqdθ “ π2 0 şπ2 `´ θ cospnθqdθ.
˘
π
ici le cas n “ 0 du cas n ě 1. Pour n “ 0, on a a0 pT q “ π2 0 π2 ´ θ dθ “
˘
On „ distingue2 π

2 p π2 ´θq
π ´ 2 “ 0. Ensuite, pour n ě 1, par intégration par parties, cela donne : an pT q “
0
2
´”`
π
˘ sinpnθq ıπ şπ sinpnθq ¯ 2 ´ şπ sinpnθq ¯ 2
”
´ cospnθq
ıπ
π 2 ´ θ n ` 0 n dθ “ π 0 ` 0 n dθ “ nπ n “ n22 π p1 ´ p´1qn q,
0 0
4
ce qui vaut bien 0 si n est pair et n2 π
si n est impair.

3.1.7 Convergence en moyenne quadratique d’une série de Fourier

Définition 3.34. On appelle polynôme trigonométrique de degré plus petit que N ě 0 toute
fonction p du type : pour tout θ P R,
N
ÿ N
ÿ
ppθq “ αk eikθ “ αk ek pθq,
k“´N k“´N

95
où αk P C pour tout ´N ď k ď N . On note PN l’ensemble des polynômes trigonométriques
de degré plus petit que N . PN est un sous-espace vectoriel de l’ensemble des fonctions 2π-
périodiques de dimension 2N ` 1.
Exemple 3.35. Bien évidemment, pour tout N ě 1, et f P L2p p0, 2πq, SN pf q P PN .

Meilleure approximation quadratique d’une fonction

Soit f P L2p p0, 2πq et N ě 1 et SN pf q la somme partielle de la série de Fourier de f à
l’ordre N .
Théorème 3.36. Soit N ě 1 et soit p un polynôme trigonométrique dans PN . Alors

}f ´ SN pf q}22 ď }f ´ p}22 ,

c’est-à-dire ż 2π ż 2π
1 21
|f pθq ´ SN pf qpθq| dθ ď |f pθq ´ ppθq|2 dθ.
2π 0 2π 0
Cette inégalité dit précisément que SN pf q est plus proche de f (au sens de la distance
définie par la norme }¨}2 ) que n’importe quel polynôme trigonométrique de degré au plus N .
Ainsi, SN pf q réalise la meilleure approximation de f parmi les polynômes trigonométriques de
degré au plus N , au sens quadratique.

Convergence quadratique
Théorème 3.37 (Inégalité de Bessel). Pour tout f P L2p p0, 2πq, pour tout N ě 1,
N
ÿ
}SN pf q}22 “ |ck pf q|2 ď }f }22 ,
k“´N

c’est-à-dire
N ż 2π
ÿ 2 1
|ck pf q| ď |f pθq|2 dθ
k“´N
2π 0

Corollaire 3.38. Si f P L2p p0, 2πq, la série de terme général |ck pf q|2 est convergente.
Le principal résultat de ce chapitre est le suivant :
Théorème 3.39 (Théorème de Parseval). Si f P L2p p0, 2πq, la série de Fourier de f converge
vers f en moyenne quadratique, c’est à dire que

}f ´ SN pf q}22 ÑN Ñ8 0,

c’est-à-dire ż 2π
1
|f pθq ´ SN pf qpθq|2 dθ ÑN Ñ8 0.
2π 0

De plus, la série de terme général |ck pf q|2 est convergente et on a l’égalité

1 2π
ż ÿ
2
}f }2 “ |f pθq|2 dθ “ |ck pf q|2 .
2π 0 kPZ

Cette dernière égalité s’appelle l’égalité de Parseval.

96
Remarque 3.40. Ce résultat est en particulier vrai pour une fonction 2π-périodique et
continue par morceaux.
Proposition 3.41 (Egalité de Parseval en terme des coefficients de Fourier circulaires). Soit
f P L2p p0, 2πq, alors

|a0 pf q|2 1 ÿ ´
ż 2π `8
1 ¯
|f pθq|2 dθ “ ` |an pf q|2 ` |bn pf q|2
2π 0 4 2 n“1

3.1.8 Exemples et applications

Calculs de sommes de séries convergentes
Le cas de la fonction créneau H : Reprenons l’exemple de la fonction créneau H vue
plus haut. H étant 2π-périodique et continue par morceaux, elle est de carré intégrable sur
r0, 2πs et donc le théorème de Parseval s’applique :
— La série de terme général |ck pHq|2 est convergente, c’est-à-dire que la série de terme
général 0, si k est pair et k24π2 si k est impair est convergente. Remarquons tout de suite
4
que ce résultat était évident, car la série de terme général p2p`1q 2 π 2 est convergente,

par critère de Riemann.

— On a de plus l’égalité :
1 2π
ÿ ż
2
|ck pHq| “ |Hpθq|2 dθ.
kPZ
2π 0

D’une part, le premier terme de cette égalité vaut kimpair k24π2 “ 2 kimpair, ką0 k24π2 “
ř ř
4
2 `8
ř
p“0 p2p`1q2 π 2 . D’autre part, comme |Hpθq| “ 1 pour tout θ Ps0, 2πr non nul, le second
terme de l’égalité vaut 1. Nous obtenons donc
`8
ÿ 1 π2
“ . (3.13)
p“0
p2p ` 1q2 8

Remarque 3.42. Notons qu’une astuce de calcul permet de déduire de (3.13) la valeur de la
somme de Riemann (convergente car 2 ą 1) :
`8
ÿ 1
S :“ 2
.
n“1
n

En effet, distinguant les entiers pairs des entiers impairs, il vient

`8 `8
ÿ 1 ÿ 1 ÿ 1 ÿ 1
S“ ` “ ` ,
n impair
n2 n pair n2 p“0 p2p ` 1q2 p“1 p2pq2
`8 `8 `8
ÿ 1 1 ÿ 1 ÿ 1 S
“ 2
` 2
“ 2
`
p“0
p2p ` 1q 4 p“1 p p“0
p2p ` 1q 4

Et donc en simplifiant et en utilisant (3.13)

`8
4 ÿ 1 π2
S“ “ . (3.14)
3 p“0 p2p ` 1q2 6

97
Le cas de la fonction triangulaire T Reprenons l’exemple de la fonction T vue plus haut.
T étant 2π-périodique et continue, elle est de carré intégrable sur r0, 2πs et donc le théorème
de Parseval s’applique :
— La série de terme général |ck pT q|2 est convergente, c’est-à-dire que la série de terme
général 0, si k est pair et k44π2 si k est impair est convergente. Remarquons tout de suite
4
que ce résultat était évident, car la série de terme général p2p`1q 4 π 2 est convergente,

par critère de Riemann.

— On a de plus l’égalité :
1 π
ÿ ż
2
|ck pT q| “ |T pθq|2 dθ.
kPZ
2π ´π

D’une part, le premier terme de cette égalité vaut kimpair k44π2 “ 2 kimpair, ką0 4
ř ř
k4 π 2
“
4
2 `8
ř
p“0 p2p`1q4 π 2 . D’autre part,

1 π 2 π
ż ż
2
|T pθq| dθ “ |T pθq|2 dθ, par parité de la fonction T
2π ´π 2π 0
π2
et un calcul immédiat montre que ce terme vaut 12 . Nous obtenons donc
`8
ÿ 1 π4
“ .
p“0
p2p ` 1q4 96

Applications des théorèmes de Bessel et de Parseval

Proposition 3.43 (Lemme de Riemann-Lebesgue). Si f P L2p p0, 2πq, alors cn pf q Ñ 0 quand
|n| Ñ 8.

Démonstration. C’est une conséquence immédiate du Corollaire 3.38.

Proposition 3.44 (Injectivité des coefficients de Fourier). Si f et g sont deux fonctions

continues et 2π-périodiques telles que cn pf q “ cn pgq pour tout n P Z, alors f “ g.
Remarque 3.45. Cette proposition devient fausse si f n’est pas continue. Contre-exemple :
f 2π- périodique telle que f p0q “ 1 et f pθq “ 0 pour tout θ Ps0, 2πr. Alors cn pf q “ 0 pour tout
n mais f n’est pas la fonction nulle.

3.2 Convergence ponctuelle des séries de Fourier

Dans le paragraphe řprécédent, nous avons étudié la convergence de la somme partielle de
Fourier de f , SN pf q “ N
k“´N ck pf qek , en moyenne quadratique, c’est-à-dire que si f est de
carré intégrable,
1 2π
ż
|f pθq ´ SN pf qpθq|2 dθ ÑN Ñ8 0.
2π 0
Ce résultat ne dit absolument rien sur l’éventuelle convergence de SN pf qpθq, à θ fixé. Il
est toujours possible de modifier f en un point θ0 sans pour autant changer SN pf q ni le
caractère intégrable de |f |2 , ni l’intégrale ci-dessus ; autrement dit, la convergence en moyenne
quadratique est toujours vérifiée, mais ne renseigne pas sur la convergence de SN pf qpθ0 q. C’est
le but de ce paragraphe que de regarder cet aspect.

98
3.2.1 Régularité des fonctions périodiques
Définition 3.46 (Continuité et continuité par morceaux). Soit une fonction f : R Ñ C. On
dit que :
1. f est une fonction continue sur R si pour tout θ0 P R, D limθÑθ0 f pθq “ f pθ0 q,
2. On dit que f est continue par morceaux sur R, si pour tout segment ra, bs de R, il existe
une subdivision a “ x0 ă x1 ă x2 ă . . . ă xn “ b, telle que toutes les conditions
suivantes sont vérifiées
— Pour tout i P t0, . . . , n ´ 1u, f est une fonction continue sur l’intervalle sxi , xi`1 r,
— f admet une limite finie à droite et une limite finie à gauche en tout point de la
subdivision xi , pour tout i P t0, . . . , nu.
Définition 3.47 (Fonctions C 1 et C 1 par morceaux). Soit une fonction f : R Ñ C. On dit
que :
1. f est une fonction de classe C 1 sur R si f est continue et dérivable sur R, de dérivée
continue.
2. On dit que f est de classe C 1 par morceaux sur R, si pour tout segment ra, bs de R,
il existe une subdivision a “ x0 ă x1 ă x2 ă . . . ă xn “ b, telle que toutes les
conditions suivantes sont vérifiées
— Pour tout i P t0, . . . , n´1u, f est une fonction de classe C 1 sur l’intervalle sxi , xi`1 r,
— f admet une limite finie à droite et une limite finie à gauche en tout point de la
subdivision xi , pour tout i P t0, . . . , nu,
— La dérivée de f , f 1 , admet une limite finie à droite et une limite finie à gauche en
tout point de la subdivision xi , pour tout i P t0, . . . , nu.
Plus généralement, on dit que f est C k par morceaux si elle est C k´1 par morceaux
et si sa dérivée k ´ 1ième est de classe C 1 par morceaux.
Dans le cas d’une fonction 2π-périodique, il suffit de vérifier la régularité de la fonction sur
un intervalle de longueur 2π :
Proposition 3.48 (Continuité et continuité par morceaux d’une fonction périodique). Soit
f : R Ñ C une fonction 2π-périodique. Soit sα, α ` 2πs un intervalle de longueur 2π. Alors
1. f est continue sur R si et seulement si
— f est continue sur l’intervalle sα, α ` 2πr et
— D limθÑα,θąα f pθq “ limθÑα`2π,θăα`2π f pθq “ f pαq.
2. f est continue par morceaux sur R si et seulement si
— f est continue par morceaux sur l’intervalle sα, α ` 2πr et
— limθÑα,θąα f pθq existe et est finie
— limθÑα`2π,θăα`2π f pθq existe et est finie.
Proposition 3.49 (Fonctions périodiques de classe C 1 et C 1 par morceaux). Soit f : R Ñ C
une fonction 2π-périodique. Soit sα, α ` 2πs un intervalle de longueur 2π. Alors
1. f est de classe C 1 sur R si et seulement si
— f est de classe C 1 sur l’intervalle sα, α ` 2πr et
— D limθÑα,θąα f pθq “ limθÑα`2π,θăα`2π f pθq “ f pαq, et
— D limθÑα,θąα f 1 pθq “ limθÑα`2π,θăα`2π f 1 pθq.
Dans ce cas, f est dérivable en α, de dérivée, la limite commune des deux dérivées
précédentes en α.

99
 Figure 3.3 – Une fonction C 1 par morceaux.

2. f est de classe C 1 par morceaux sur R si et seulement si

— f est de classe C 1 par morceaux sur l’intervalle sα, α ` 2πr et
— limθÑα,θąα f pθq existe et est finie,
— limθÑα`2π,θăα`2π f pθq existe et est finie,
— limθÑα,θąα f 1 pθq existe et est finie,
— limθÑα`2π,θăα`2π f 1 pθq existe et est finie.
Exemple 3.50. La fonction créneau définie en Figure 3.1 est de classe C 1 par morceaux. La
fonction triangle (Figure 3.2) est continue et de classe C 1 par morceaux.

3.2.2 Convergence normale de la série de Fourier.

Définition 3.51. Soit une fonction f continue par morceaux, 2π-périodique. On définit la
norme infinie de f comme
}f }8 :“ sup |f pθq| .
θPr0,2πs

Proposition 3.52. Si f est continue par morceaux, et }f }8 “ 0, alors f est la fonction nulle.

Démonstration. En effet, on a alors |f pθq| “ 0 pour tout θ P r0, 2πs et donc pour tout θ P R
par 2π-périodicité.

Définition 3.53. Soit pfn qně1 une suite de fonctions. On dit que la série de terme général
fn converge normalement si ÿ
}fn }8 ă 8.
ně1

Les séries de fonctions normalement convergentes bénéficient de bonnes propriétés :

Proposition 3.54. Si pfn qně1 est le terme général d’une série de fonctions normalement
convergente, alors :

100
 1. pour tout θ P R, la série numérique deřterme général fn pθq est absolument convergente
et donc convergente. On note Spθq “ `8 n“1 fn pθq la somme de cette série.
2. Si fn est continue pour tout n ě 1, θ ÞÑ Spθq est une fonction continue.
3. Propriété d’intégration terme-à-terme des séries de fonctions normalement
convergentes : si fn est ş continue pour tout n ě 1 alors pour tout segment I Ă R, la
série de terme général I fn pθqdθ est absolument convergente et on a
ż ÿż
Spθqdθ “ fn pθqdθ.
I ně1 I

Démonstration. 1. Ce fait vient de l’observation que, par définition de }¨}8 , pour tout
θ P R, n ě 1, |fn pθq| ď }fn }8 . Par théorème de comparaison des séries absolument
convergentes, la série de terme général pfn pθqqně1 est donc absolument convergente,
donc convergente.
2. Soit Spθqř“ `8
ř
n“1 fn pθq. Soit θ0 P R, montrons queřS est continue en θ0 . Soit ε ą 0.
ε
Comme n“1 }fn }8 ă `8, il existe N ě 1 tel que `8
`8
k“N }fk }8 ď 4 . Mais alors, pour
tout θ P R,
ˇ ˇ ˇ ˇ
ˇNÿ´1 ˇ `8
ÿ ˇNÿ´1 ˇ ε
|Spθq ´ Spθ0 q| ď ˇ pfk pθq ´ fk pθ0 qqˇ ` 2 pfk pθq ´ fk pθ0 qqˇ ` .
ˇ ˇ ˇ ˇ
}fk }8 ď ˇ
ˇ ˇ ˇ ˇ 2
k“1 k“N k“1
řN ´1
Or, k“1 fk est une somme finie de fonctions continues, ˇř donc est continue.
ˇ Il existe
ˇ N ´1 ε
donc η ą 0 tel que pour tout |θ ´ θ0 | ă η, ˇ k“1 pfk pθq ´ fk pθ0 qqˇ ă 2 . Donc
ˇ

|Spθq ´ Spθ0 q| ď ε, ce qui prouve la continuité de S.

ˇş ˇ ş
3. Soit I “ ra, bs. Alors ˇ I fn pθqdθˇ ď şI |fn pθq| dθ ď pb ´ aq }fn }8 . Par théorème de
comparaison, la série de terme général I fn pθqdθ est donc absolument convergente. De
plus,
ˇż ˇ
ˇ `8
ÿż ˇ
Spθqdθ´ f
ˇ ˇ
ˇ n pθqdθ ˇ
ˇ I n“1 I
ˇ
ˇż ˇ
ˇ Nÿ ´1 ż `8 ÿ Nÿ
´1 ż `8
ÿ ż ˇ
fk pθqdθ ` fk pθqdθ ´ fk pθqdθ ´ fk pθqdθˇ
ˇ ˇ
“ˇ
ˇ I I k“N I k“N I
ˇ
ˇż k“1 ˇ k“1
ˇ `8 `8 ż ˇ
ˇ ÿ ÿ
fk pθqdθ ´ fk pθqdθˇ
ˇ
“ˇ
ˇ I I ˇ
ˇż k“N ˇ k“Nˇ ˇ
ˇ `8 ÿ ˇ ˇ `8 ÿ ż ˇ
fk pθqdθˇ ` ˇ fk pθqdθˇ
ˇ ˇ ˇ ˇ
ďˇ
ˇ I
k“N I
ˇ ˇ ˇ
k“N
ż `8ÿ `8
ÿ ż `8
ÿ
ď |fk pθq| dθ ` |fk pθq| dθ ď 2pb ´ aq }fk }8 ,
I k“N k“N I k“N
ř
où
ř`8 N est un entier quelconque. Comme la série }fn }8 est convergente, son reste
k“N }fk }8 tend vers 0 quand N Ñ 8. Passant à la limite pour N Ñ 8 dans l’inégalité
précédente, on obtient le résultat.

101
 Rappelons que par définition ek pθq “ eikθ .
ř
Proposition 3.55. Soit pcn qnPZ une suite de nombres complexes. Si nPZ |cn | ă `8, alors
la série de fonctions de terme général ck ek est normalement convergente. De plus,
1. pour tout θ P R, la série de terme général cn einθ est convergente, de somme Spθq,
2. La fonction θ ÞÑ Spθq est continue et 2π-périodique,
3. Pour tout n P Z, le nième coefficient de Fourier de S, cn pSq est égal à cn .
ř
Démonstration. }cn en }8 “ |cn |, donc nPZ }cn en }8 ă 8 et donc la série de terme général
pcn en q est donc normalement convergente. Par la proposition précédente, la série de terme
général cn einθ converge vers Spθq pour tout θ P R et la fonction θ ÞÑ Spθq ř est continue.
Le fait qu’elle soit 2π-périodique vient du fait que pour tout n ě 1, θ ÞÑ nk“´n ck eikθ est
2π-périodique et que cette propriété est encore vraie à la limite pour n Ñ 8. De plus, en
utilisant la propriété d’intégration terme-à-terme, on a, pour tout n P Z,

1 2π
ż
cn pSq “ Spθqe´inθ dθ,
2π 0
ż ˜ ¸
1 2π ÿ ikθ
“ ck e e´inθ dθ,
2π 0 kPZ
ÿ ˆ 1 ż 2π ˙
ikθ ´inθ
“ ck e e dθ ,
kPZ
2π 0
“ ck .

Attention, le fait d’échanger la somme infinie et l’intégrable ci-dessus n’est pas une trivialité,
c’est un théorème, qui est justifié par le fait que la série converge normalement.

Corollaire 3.56. Si f est continue et si la série de terme général pcn pf qqnPZ est absolument
convergente, alors pour tout θ P R, la somme partielle de la série de Fourier à l’ordre N ě 1
en θ, SN pf qpθq, converge vers f pθq, pour N Ñ 8. Autrement dit, sous ces hypothèses, f est
en tout point égale à sa série de Fourier : pour tout θ P R,
ÿ
f pθq “ cn pf qeinθ .
nPZ

Démonstration. Appliquons la proposition précédente au cas où cn “ cn pf q qui est bien par
hypothèse
řN le terme général d’une série absolument convergente. Pour tout θ P R, SN pf qpθq “
c ikθ converge vers un certain Spθq pour N Ñ 8. Cette fonction S est continue et
k“´N k qepf
2π-périodique et on a pour tout n P Z, cn pSq “ cn “ cn pf q. S et f sont donc deux fonctions
continues ayant les mêmes coefficients de Fourier, donc f “ S. D’où le résultat.

A la lumière de la proposition précédente, la question est donc de savoir à quelle condition

sur f , nous savons que la série de terme général cn pf q est absolument convergente.

102
Le cas f de classe C 2
Proposition 3.57 (Convergence normale de la série de Fourier pour f de classe C 2 ). Si f
est 2π-périodique et de classe C 2 , alors cn pf q “ op n12 q, pour |n| Ñ 8. En particulier, la série
de terme général cn pf q est absolument convergente, la série de Fourier de f est normalement
convergente, et pour tout θ P R,
ÿ
f pθq “ cn pf qeinθ .
kPZ

Démonstration. C’est une conséquence immédiate du paragraphe précédent et de la Proposi-

tion 3.23.

Le cas f continue et C 1 par morceaux

Proposition 3.58 (Convergence normale de la série de Fourier pour f continue C 1 par
morceaux). Si f est continue et C 1 par morceaux, alors la série de terme général cn pf q est
absolument convergente, la série de Fourier de f est normalement convergente, et pour tout
θ P R, ÿ
f pθq “ cn pf qeinθ .
kPZ

Démonstration. La fonction f est C 1 par morceaux, donc sa dérivée f 1 est continue par
morceaux, donc de carré intégrable sur r0, 2πs (i.e. f 1 P L2p p0, 2πq). De plus, par Proposition 3.23,
cn pf 1 q “ incn pf q. Par théorème de Parseval appliqué à f 1 P L2p p0, 2πq, nous obtenons que la
série de terme général |cn pf 1 q|2 “ n2 |cn pf q|2 est convergente. Par conséquent,
ˆ ˙
1 1 2 2 1
|cn pf q| “ |ncn pf q| ď n |cn pf q| ` 2 .
n 2 n
Le terme de droite de l’inégalité précédente est le terme général d’une série convergente. Par
théorème de domination, on obtient donc que la série de terme général cn pf q est absolument
convergente. Le reste est une conséquence immédiate du Corollaire 3.56.

Nous avons répondu à la question initiale de ce chapitre dans le cas où f est continue et C 1
par morceaux : dans ce cas, pour tout θ P R, on peut reconstituer f pθq en terme de la série de
Fourier de f au point θ. Qu’en est-il si f est moins régulière que cela ? La réponse est l’objet
du paragraphe suivant.

3.2.3 Théorème de Dirichlet

Hypothèses et énoncé
Dans ce paragraphe, nous nous posons la même question (f pθq est-elle égale à la somme de
la série de Fourier en θ ?) dans le cas où f est moins régulière que continue et C 1 par morceaux.
Pour définir la bonne régularité de f , nous avons besoin de définitions supplémentaires :
Définition 3.59. Pour f : R Ñ C et θ P R, on notera f pθ` q (respectivement f pθ´ q) la limite
de f en θ par valeurs supérieures (respectivement inférieures), si bien sûr cette limite existe.
Définition 3.60 (Fonction de Dirichlet). Soit f : R Ñ C. On dit que f est une fonction de
Dirichlet si elle vérifie les trois conditions suivantes :

103
 (a) Une fonction de Dirichlet.

(b) Une fonction qui n’est pas de Dirichlet.

1. f est 2π-périodique,
2. f est continue par morceaux (et donc f pθ` q et f pθ´ q existent en tout point θ),
3. pour tout θ P R
f pθ` q ` f pθ´ q
f pθq “ . (3.15)
2
Remarque 3.61. La condition (3.15) dit exactement qu’en tout point θ P R, la valeur de f
en θ est la moyenne de la limite à droite et de la limite à gauche de f en θ. Cette condition
est trivialement vérifiée en tout point où f est continue. C’est seulement aux éventuels points
de discontinuité de f que cette condition est non triviale.

Définition 3.62 (Notion de dérivée généralisée). Soit f une fonction de Dirichlet et θ P R.

On dit que f possède une dérivée généralisée à droite en θ P R si
f pθ ` hq ´ f pθ` q
h

104
admet une limite finie quand h Ñ 0, h ą 0. Si cette limite existe, on la notera fd pθ` q.
La même définition existe à gauche : on dit que f possède une dérivée généralisée à gauche
en θ P R si
f pθ ` hq ´ f pθ´ q
h
admet une limite finie quand h Ñ 0, h ă 0. Si cette limite existe, on la notera fg pθ` q (d :droite,
g : gauche).
Remarque 3.63. Cette notion de dérivée à droite et/ou à gauche se traduit géométriquement
par l’existence de demi-tangentes au point considéré.
Exemple 3.64. Si f est C 1 par morceaux, alors, par définition, f possède une dérivée
généralisée à droite et à gauche en tout point.
Le principal théorème de ce paragraphe est le suivant :
Théorème 3.65 (Théorème de Dirichlet). Soit f une fonction de Dirichlet et θ P R. Si la
fonction f possède des dérivées généralisées à droite et à gauche au point θ, alors la série de
Fourier évaluée en θ converge vers f pθq.
Remarque 3.66. Sous les mêmes hypothèses sur f en enlevant la condition (3.15), on obtient
` pθ´ q
la convergence de SN pf qpθq vers f pθ q`f
2 .
Avant de prouver ce théorème, donnons des applications de ce résultat au calcul de sommes
de séries usuelles.
Exercice 3.67. Soit f fonction de Dirichlet telle que f pθq “ θ, pour tout θ Ps ´ π, πr. Montrer
en utilisant le théorème de Dirichlet que pour tout θ Ps ´ π, πr, la série de terme général sinpnθq
n
est convergente et
`8
ÿ sinpnθq θ
p´1qn´1 “ .
n“1
n 2
ř`8 p´1qk
En déduire la valeur de k“0 2k`1 .

3.2.4 Preuve du Théorème de Dirichlet

Définition 3.68. On définit le noyau de Dirichlet par : pour tout N ě 1
N
ÿ
DN : θ ÞÑ eikθ .
k“´N

Lemme 3.69. Pour tout N ě 1,

1. DN est réelle, 2π-périodique, paire et continue,
2. Pour tout θ P R,
sinppN ` 1{2qθq
DN pθq “
sinpθ{2q
3. pour tout θ P R, ż 2π
1
SN pf qpθq “ f pθ ´ uqDN puqdu.
2π 0

105
 4. ż 2π
1
DN puqdu “ 1.
2π 0

Démonstration. Le premier item, facile, est laissé à titre d’exercice. Pour tout θ P R non
congru à 0 modulo 2π, en utilisant l’astuce de calcul usuelle de factorisation par l’exponentielle
de la demi-somme
e´iN θ ´ eipN `1qθ
DN pθq “ ,
1 ´ eiθ
θ
ei 2 e´ipN `1{2qθ ´ eipN `1{2qθ sinppN ` 1{2qθq
“ θ iθ{2
“ .
e i2 e ´iθ{2 ´e sinpθ{2q
Ceci est encore vrai pour θ ” 0r2πs, car dans ce cas DN pθq “ 2N ` 1, ce qui est exactement
la limite du terme précédent pour θ Ñ 0. Par ailleurs, pour tout N ě 1, θ P R,
N
ÿ
SN pf qpθq “ ck pf qeikθ ,
k“´N
N ˆ
1 2π
ÿ ż ˙
“ f puqe ´iku
du eikθ ,
k“´N
2π 0
ż 2π N
1 ÿ
“ f puq eikpθ´uq du,
2π 0 k“´N
ż 2π
1
“ f puqDN pθ ´ uqdu,
2π 0
1 θ
ż
“ f pθ ´ vqDN pvqdv, (par changement de variables linéaire),
2π θ´2π
1 2π
ż
“ f pθ ´ vqDN pvqdv, (par 2π-périodicité).
2π 0
1 2π ikθ
ş
L’item 4 est évident, sachant que 2π 0 e dθ “ 0 pour tout k P Z, sauf pour k “ 0 auquel
cas cette intégrale vaut 1.
Démonstration du Théorème 3.65. Ecrivons pour tout N ě 1, tout θ P R,
1 π
ż
SN pf qpθq “ f pθ ´ uqDN puqdu,
2π ´π
1 0 1 π
ż ż
“ f pθ ´ uqDN puqdu ` f pθ ´ uqDN puqdu,
2π ´π 2π 0
1 π
ż
“ pf pθ ´ uq ` f pθ ` uqq DN puqdu, par parité de DN .
2π 0
Deuxièmement, comme ş est f est une1 fonction de Dirichlet, pour tout θ P R, et sachant que
1 π
par parité de DN , 2π 0 DN puqdu “ 2 ,
f pθ` q ` f pθ´ q ` ` ˘ 1 π
ż
´
f pθq “ “ f pθ q ` f pθ q DN puqdu,
2 2π 0
żπ
1 ` ˘
“ DN puq f pθ` q ` f pθ´ q du.
2π 0

106
On en déduit donc que
1 ` ˘
SN pf qpθq ´ f pθq “ f pθ ´ uq ` f pθ ` uq ´ f pθ` q ´ f pθ´ q DN puqdu,
2π ˆ ˙
` ˘ sinppN ` 1{2quq
“ f pθ ´ uq ` f pθ ` uq ´ f pθ` q ´ f pθ´ q du,
2π sinpu{2q
1 π
ż
“ hθ puq sinppN ` 1{2quqdu,
π 0
avec
f pθ ´ uq ` f pθ ` uq ´ f pθ` q ´ f pθ´ q
hθ puq “ .
2 sinpu{2q
Le dernier terme ressemble à un coefficient de Fourier. Que peut-on dire sur la fonction hθ ? hθ
possède des limites en θ` et θ´ (par hypothèse sur f ) et hθ se prolonge en une fonction continue
par morceaux. De plus hθ est impaire donc hθ p¨q sinppN ` 1{2q¨q est paire. Par conséquent,

1 π
ż
SN pf qpθq ´ f pθq “ hθ puq sinppN ` 1{2quqdu,
2π ´π
1 π 1 π
ż ż
“ hθ puq sinpu{2q cospN uqdu ` hθ puq cospu{2q sinpN uqdu.
2π ´π 2π ´π

Ces deux derniers termes sont les coefficients de Fourier (à un coefficient 1{2 près) d’une
fonction continue par morceaux. Par Lemme de Riemann-Lebesgue, ces deux quantités tendent
vers 0 quand N Ñ 8, ce qui donne le résultat.

3.3 Phénomène de Gibbs

Ce phénomène illustre le principe selon lequel les séries de Fourier se comportent mal
vis-à-vis des fonctions qui ne sont pas continues.
Que savons-nous à propos de la convergence de la série de Fourier d’une fonction non
continue ? Nous savons que si f est de Dirichlet avec des dérivées généralisées en tout point,
alors SN pf qpθq ÑN Ñ8 f pθq, pour tout θ P R. Illustrons ce fait avec la fonction créneau :
$
&1
’ si θ Ps0, πr,
f pθq “ ´1 si θ Ps ´ π, 0r, (3.16)
’
0 si θ “ 0.
%

f vérifie bien les hypothèses de Dirichlet et est donc bien somme de sa série de Fourier en
tout point de R. Cependant, des oscillations apparaissent au niveau des discontinuités de la
fonction, comme vu sur la Figure 3.5.
Quantifions ce phénomène plus précisément.
Calculons les coefficients de Fourier de f : comme f est impaire, tous les an pf q sont nuls.
4
Par ailleurs, un calcul simple montre que (exercice) b2k pf q “ 0 et b2k`1 pf q “ πp2kq`1q , pour
tout k ě 0. Par conséquent, pour tout θ P R,
N ´1
t 2 u
4 ÿ sinpp2p ` 1qθq
SN pθq “ .
π p“0 2p ` 1

107
 1.5

1.5
0.5

0.5
f(x)

f(x)
−0.5

−0.5
−1.5

−1.5
−3 −2 −1 0 1 2 3 −3 −2 −1 0 1 2 3
x x

(a) n “ 1. (b) n “ 2.
1.5

1.5
0.5

0.5
f(x)

f(x)
−0.5

−0.5
−1.5

−1.5

−3 −2 −1 0 1 2 3 −3 −2 −1 0 1 2 3
x x

(c) n “ 4. (d) n “ 10.

1.5

1.5
0.5

0.5
f(x)

f(x)
−0.5

−0.5
−1.5

−1.5

−3 −2 −1 0 1 2 3 −3 −2 −1 0 1 2 3
x x

(e) n “ 50. (f) n “ 80.

Figure 3.5 – Phénomène de Gibbs

108
Comme nous étudions le comportement de SN pf q pour N Ñ 8, on peut étudier sans perte de
généralité
N ´1
4 ÿ sinpp2p ` 1qθq
S̃N pθq “
π p“0 2p ` 1

et le théorème de Dirichlet dit exactement que S̃N pf qpθq converge vers f pθq, pour tout θ P R
(ceci est en particulier évident pour θ “ 0rπs). Autrement dit, pour n’importe quel θ fixé, la
différence
∆N pθq “ S̃N pf qpθq ´ f pθq “ S̃N pf qpθq ´ 1. (3.17)
tend vers 0 quand N Ñ 8. Par contre, la convergence n’est pas uniforme en θ : en effet, nous
allons montrer que
lim sup sup |∆N pθq| ě c ą 0.
N Ñ8 θPs0,πr

Ce que dit ce résultat, c’est précisément que ces oscillations ne disparaissent jamais quand
N Ñ 8 : quel que soit N suffisamment grand, on sera toujours capable de trouver un point
θ suffisamment proche de la discontinuité tel que les oscillations de la somme partielle de la
série de Fourier en ce point par rapport à la vraie valeur f pθq sont non triviales.
Pour montrer cela, il suffit d’exhiber une suite pθN q qui tend vers 0 et telle que
∆N pθN q ÑN Ñ8 c ą 0.
π
` π ˘
Nous allons le montrer pour θN “ : calculons la limite de S̃N pf q 2N
2N :
˜ ¸
´ π ¯ 2 π Nÿ ´1
sinpp2k ` 1qπ{p2N qq
S̃N pf q “ .
2N π N k“0 p2k ` 1qπ{p2N q

2 π sinptq
ş
On reconnait là une somme de Riemann qui converge donc vers π 0 t dt ě 1, 17. Donc
lim |∆N pθN q| “ c “ 0, 17 ą 0.
N Ñ8

Remarque 3.70. En fait, on peut être un peu plus précis sur le nombre des oscillations de
SN f pθq autour de f pθq, et ce, qu’on soit arbitrairement proche de la discontinuité : dérivant
la différence ∆N pθq, et après simplifications, on montre que
2 sinp2N θq
∆1N pf qpθq “
π sinpθq
Le dénominateur est strictement positif sur s0, πr. Le signe de cette dérivée change entre
kπ pk`1qπ
chaque s 2N , 2N r, pour k “ 0, . . . , 2N ´ 1. La somme partielle S̃N oscille donc autour de 1
avec un nombre d’oscillations proportionnel à N .

3.4 Approximation de la série de Fourier en L2 pTq avec la DFT

Dans tout ce qu’on a fait, un problème intervient dans le cas de la somme partielle de la
série de Fourier SN pf q (voir (A.5)) : pour calculer SN pf q, il faut calculer les cn pf q est donc
connaı̂tre une intégrale de f . Ceci revient à connaitre la fonction f !
Ici on présente une autre piste, qui donne une approximation sous-optimale de f qui a
l’avantage de nécessiter seulement la connaissance d’un nombre fini d’échantillons de f . Cette
piste est fondée sur le résultat suivant, qu’on cite sans démonstration.

109
Lemme 3.71. Soit gk la fonction construite avec les échantillons de f suivants :
ˆ ˙ ˆ ˙
2π 2π
gk n “f n , n “ 0, 1, . . . , N ´ 1, (3.18)
N N
où N “ 2k ` 1 est le cardinal de t´k, . . . , 0, . . . , ku. Alors :
}f ´ gk } ÝÑ 0.
kÑ`8
› ›
› k ›
fˆpmqum › converge vers 0 plus rapidement que
ř
Comme dit avant, on sait que ›f ´
› ›
› m“´k ›
}f ´ gk } quand k Ñ `8, mais maintenant on va prouver que les coefficients apmq dans la
k
ř
formule gk “ apmqum peuvent être calculés efficacement grâce à la DFT, ce que n’est
m“´k
pas possible pour fˆpmq. En fait, comme pour tout t P T :
k
1 ÿ
gk ptq “ ? apmqeimt
2π m“´k
2π
alors, en donnant les valeurs Nn à t on peut exprimer l’équation (3.18) explicitement comme
ceci :
k ˆ ˙
1 ÿ
im 2π
n 2π
? apmqe N “f n
2π m“´k N
qui peut être réécrite dans la forme suivante :
k ?
ˆ ˙
ÿ
im 2π n 2π
apmqe N “ 2πf n . (3.19)
m“´k
N

La côté de gauche de la formule ci-dessus est très similaire à la formule de synthèse, la seule
řk Nř
´1
différence étant donnée par le fait que la sommation est au lieu de . Néanmoins,
m“´k m“0
on note que le nombre d’indexes discrets entre ´k et k est N “ 2k ` 1, exactement le
même nombre entre 0 et N ´ 1, donc, grâce au Lemme 2.24, si on démontre que la suite
2π
apmqeim N n est N -périodique, alors on peut remplacer l’ensemble de variabilité des indices
avec t0, 1, . . . , N ´ 1u.
Comme on n’a pas des information à priori relativement à la suite papmqqm , pour démontrer
ce que l’on veut, on va` utiliser
` 2π ˘˘une voie indirecte : on sait que f ptq est 2π-périodique, et cela
implique que la suite f N n n soit N -périodique, en fait :
ˆ ˙ ˆ ˙ ˆ ˙ ˆ ˙
2π 2π 2πn ` 2πN 2π
f n “f n ` 2π “ f “f pn ` N q .
N N N N
2π
En plus, on sait que eim N n est N -périodique, donc la formule (3.19) peut être vraie si et
seulement si papmqqm est N -périodique. Alors, comme dit avant, le Lemme 2.24 nous permet
řk Nř´1
de changer la sommation en et la formule (3.19) devient :
m“´k m“0
ˆ ˙ ˆ ˆ ˙˙
? 2π ? 2π
IDFTpN apmqq “ 2πf n ùñ DFTpIDFTpN apmqqq “ 2πDFT f n ,
N N

110
i.e. ? ˆ ˆ ˙˙
2π 2π
apmq “ DFT f n .
N N
Si on écrit ˆ ˙
2π
f˜pnq “ f n @n “ 0, 1, . . . , N ´ 1,
N
alors : ?
2π p
apmq “ f˜pmq @m “ 0, 1, . . . , N ´ 1.
N
Si on compare les deux approximations :
› › › ›
k k
› ÿ 2π › › ÿ ˆ
›
›f ´ f˜pmqum › Ñ 0 vs. ›f ´ f˜pmqum › Ñ 0,
› p › › ›
›
m“´k
N › kÑ`8 ›
m“´k
› kÑ`8

on voit que, quand k est grand, i.e. quand le nombre d’échantillons N “ 2k ` 1 est grand, on
peut approximer la série de Fourier de f en utilisant de coefficients donnés par la DFT de N
échantillons de f .
Si, au lieu de f P L2 pTq, on avait une fonction f P L2 ra, bs, pb ´ aq-périodique, alors la suite
apmq serait la suivante :
b´a 2πa
apmq “ ? e´i b´a m f˜pmq.
p
N 2π

111
Chapitre 4

La transformée de Fourier pour

fonctions non-périodiques

Dans ce dernier chapitre, on considère la transformée de Fourier de fonctions définies sur

tout R à valeurs complexes et non périodiques. L’analyse de Fourier dans ce cas est très riche
de résultat mathématiques élégants mais qui dépassent le cadre de ce cours.
On a fait le choix de réduire au minimum le formalisme et de dédier plus de temps aux
applications, notamment à la résolution d’équations différentielles.

4.1 Transformée de Fourier et transformée de Fourier inverse

pour une fonction de L1 pRq
Pour introduire la transformée de Fourier relative à des fonctions non-périodiques on définit
les espaces fonctionnels suivants :
ż
1
L pRq “ tf : R Ñ C, |f ptq|dt ă `8u
R

C0 pRq “ tf : R Ñ C, f continue sur tout R et lim f ptq “ 0u.

tÑ˘8

L1 pRq est un espace de Banach, i.e. un espace vectoriel normé et complet, par rapport à la
norme : ż
}f } “ |f ptq|dt, f P L1 pRq,
R
tandis que C0 pRq est un espace de Banach par rapport à la norme :

}f } “ sup |f ptq|, f P C0 pRq.

tPR

Le théorème suivant (admis) est la généralisation du résultat relatif à la transformée de

Fourier discrète et à la transformée de Fourier pour les fonctions périodiques.

112
Théorème 4.1. La transformation :

F : L1 pRq ÝÑ C0 pRq
f ÞÝÑ fˆ,
ż `8
1
Fpf qpξq “ fˆpξq “ ? f ptqe´iξt dt, ξ P R
2π ´8

est un opérateur linéaire, continu (par rapport à la topologie engendrée par la norme de L1 pRq
et de C0 pRq) et injectif, mais non surjectif. Sa transformation inverse est donnée par :
ż `8
1
F ´1
pf qptq “ fˇptq “ ? f pξqeiξt dξ ,
2π ´8

i.e.
ˇ
fˆptq “ f ptq, @t P R et fˆˇpξq “ f pξq, @ξ P R
Définition 4.2. La transformation F : L1 pRq Ñ C0 pRq est dite transformée de Fourier, tandis
que la transformation 1 F ´1 : FpL1 pRqq Ă C0 pRq Ñ L1 pRq est dite anti-transformée de Fourier,
ou transformée de Fourier inverse. De plus :
— le graphe de la fonction ξ ÞÑ |fˆpξq| est dit le spectre (d’amplitude) de f ;
— le graphe de la fonction ξ ÞÑ |fˆpξq|2 est dit le spectre de puissance de f ;
— le graphe de la fonction ξ ÞÑ Argpfˆpξqq est dit le spectre de phase de f .
Il est possible de définir la transformée de Fourier aussi pour des fonctions de carré
intégrable (i.e. dans L2 pRq), mais dans ce cas la transformation a une expression limite et la
théorie devient plus compliquée.

4.2 Convolution et propriétés de la transformée de Fourier

dans dans L1 pRq
La transformée de Fourier a des propriétés remarquables par rapport à plusieurs opérations
mathématiques.
Définition 4.3. Soient f, g P L1 pRq, la convolution entre f et g est la fonction f ˚ g définie
par : ż
pf ˚ gqptq “ f pt ´ xqgpxqdx, @t P R.
R

Théorème 4.4. Si f, g P L1 pRq alors : f ˚ g P L1 pRq.

Démonstration. Soient f et g deuxş fonctions intégrables sur R. Montrons que f ˚ g est

intégrable : il s’agit de montrer que R |f ˚ g| pxqdx ă 8. Par définition,
ż ż ˇż ˇ ż ż
ˇ ˇ
|f ˚ g| pxqdx “ ˇ f px ´ yqgpyqdy ˇ dx ď
ˇ ˇ |f px ´ yqgpyq| dydx,
R R R R R
1
1. FpL pRqq est l’image de la transformation F dans C0 pRq.

113
par inégalité triangulaire. La fonction px, yq ÞÑ |f px ´ yqgpyq| étant positive, nous pouvons
appliquer le théorème de Fubini :
ż ż ż ż ż
|f ˚ g| pxqdx ď |f px ´ yqgpyq| dxdy “ |gpyq| |f px ´ yq| dxdy.
R R R R R
ş
Or l’intégrale R |f px ´ yq| dx ne dépend pas de y, par changement de variables x1 “ x ´ y et
vaut }f }L1 . Par conséquent,
ż ż
|f ˚ g| pxqdx ď }f }L1 |gpyq| dy “ }f }L1 }g}L1 ă 8.
R R

Donc f ˚ g est bien intégrable.

Proposition 4.5. La convolution est commutative : pour tout f, g P L1 pRq,

f ˚g “g˚f (4.1)

ou de façon équivalente,
ż `8 ż `8
f pt ´ xqgpxqdx “ f pxqgpt ´ xqdx (4.2)
´8 ´8

Démonstration. C’est une application immédiate du changement de variables u “ t ´ x.

Remarque 4.6. La convolution est stationnaire, i.e. commute avec la translation, comme
dans le cas discret. En fait, si on fixe s P R et g P L1 pRq, alors on peut définir l’opérateur de
translation à droite Rs et l’opérateur de convolution avec g, Tg :
ż
Rs f ptq “ f pt ´ sq, Tg f ptq “ pf ˚ gqptq “ f pt ´ xqgpxqdx,
R

alors, pour tout t P R :

ż ż
Rs Tg f ptq “ Tg f pt ´ sq “ f pt ´ s ´ xqgpxqdx “ Rs f pt ´ xqgpxqdx “ Tg Rs f ptq.
R R

Exemple 4.7 (Convolution avec une impulsion). Considérons la ! fonction impulsion " sui-
vante : #
1
0ătăε
Iε ptq “ ε
0 sinon.
On a alors, pour f P L1 pRq,
żε
1 ε
ż ż
1
pf ˚ Iε qptq “ f pt ´ xqIε pxqdx “ f pt ´ xq dx “ f pt ´ xqdx,
R 0 ε ε 0
ce qui donne, par changement de variable u “ t ´ x,

1 t´ε 1 t
ż ż
pf ˚ Iε qptq “ ´ f puqdu “ f puqdu.
ε t ε t´ε
Ainsi, prendre la convolution avec Iε revient à calculer la moyenne de f sur le petit intervalle
de taille ε : rt ´ ε, ts.

114
Exemple 4.8. On appelle gaussienne Gµ,σ de moyenne µ et écart-type σ la fonction

1 px´µq2
Gµ,σ pxq “ ? e´ 2σ 2 , x P R. (4.3)
2πσ 2
La convolution de f par Gµ,σ est alors donnée par :
ż `8
1 px´µq2
f ˚ Gµ,σ ptq “ ? f pt ´ xqe´ 2σ 2 dx. (4.4)
2πσ 2 ´8

La fonction Gµ,σ est une version ! lisse " de l’impulsion Iε , qui a la quasi-totalité de son
support dans l’intervalle rµ ´ 2σ, µ ` 2σs, donc :

f ˚ Gµ,σ » moyenne locale de f en rµ ´ 2σ, µ ` 2σs .

Ainsi, faire la convolution entre un signal et une Gaussienne correspond à un floutage du
signal : chaque valeur de f en t est remplacée par une approximation de la moyenne locale des
valeurs de f , le paramètre qui gère la localité étant l’écart-type de la Gaussienne.

4.3 Propriétés de la transformée de Fourier

On énonce dans ce paragraphe les propriétés essentielles de la Transformée de Fourier.

4.3.1 Propriétés élémentaires : dilatation, translation

Proposition 4.9 (TF et dilatation). Soit a ‰ 0 et f P ´L1 pRq.¯ Alors la transformée de Fourier
1 ξ
de l’application t ÞÑ f patq est donnée par ξ ÞÑ |a| Fpf q a .

Démonstration. Voir Exercice 1, TD5.

Proposition 4.10 (TF et translation). Soit b P R et f P L1 pRq. Alors la transformée de

Fourier de l’application t ÞÑ f pt ´ bq est donnée par ξ ÞÑ e´iξb Fpf qpξq.

Démonstration. Voir Exercice 1, TD5.

On observe des comportements semblables au cas de la Transformée de Fourier Discrète :

en particulier, F, comme la DFT, transforme la translation de la variable initiale en le produit
par une exponentielle complexe. On peut démontrer aussi d’une manière très simple une
propriété que l’on a déjà vue pour la DFT, i.e. que

ˆ
fˆptq “ f p´tq

ˆ
On va prouver ce résultat en utilisant la définition de fˆ :
ż ż
ˆ 1 1 ˇ
ˆ
f ptq “ ? ˆ
f pξqe ´iξt
dξ “ ? fˆpξqeiξp´tq dξ “ fˆp´tq “ f p´tq.
2π R 2π R
Un corollaire immédiat de cette propriété est que la puissance quatrième de la transformée de
Fourier est l’opérateur identité.

115
4.3.2 Transformée de Fourier et convolution
Le résultat fondamental est le suivant
Proposition 4.11 (TF et convolution). Soient f, g P L1 pRq. Alors
?
Fpf ˚ gqpξq “ 2πFpf qpξqFpgqpξq, ξ P R. (4.5)

Démonstration. Soient f et g intégrables. Alors f ˚ g est intégrable d’après la question

précédente, donc fz˚ g a bien un sens. Mais alors pour tout ξ P R,
ż8 ż8 ż8
1 ´iξy 1
f ˚ gpξq “
z ? f ˚ gpyqe dy “ ? f py ´ zqgpzqdze´iξy dy
2π ´8 2π ´8 ´8

Par application du théorème de Fubini à la fonction py, zq ÞÑ f py ´ zqgpzqe´iξy intégrable, il

vient
ż8 ż8 ż8 ż8
1 ´iξy 1 ´iξz
f ˚ gpξq “ ?
z f py ´ zqgpzqe dydz “ ? gpzqe f py ´ zqe´iξpy´zq dydz
2π ´8 ´8 2π ´8 ´8
ş8
L’intégrale ´8 f py ´ zqe´iξpy´zq dy ne dépend pas de y (par changement de variables y 1 “ y ´ z
?
et vaut 2π fˆpξq. Par conséquent,
? ż8 ?
ˆ 1
f ˚ gpξq “ 2π f pξq
z ? gpzqe´iξz dz “ 2π fˆpξqĝpξq.
2π ´8
Ce résultat est à comparer avec le résultat très semblable à celui vu dans le cas de la
transformée de Fourier discrète : F, comme la DFT, transforme la convolution en le ? produit
ponctuel des transformées de Fourier (avec un facteur de normalisation donné par 2π).
Remarque 4.12. Si on applique F à F ´1 pf q ˚ F ´1 pgq (pour toutes fonctions f et g pour
lesquelles cette expression a un sens), il vient :
? ?
FpF ´1 pf q ˚ F ´1 pgqqpξq “ 2πFpF ´1 pf qqpξqFpF ´1 pgqqpξq “ 2πf pξqgpξq.

Si maintenant on applique la transformée de Fourier inverse aux deux côtés de l’équation

précédente on obtient :

1
F ´1 pf gqptq “ ? pF ´1 pf q ˚ F ´1 pgqqptq . (4.6)
2π

Comme on le verra, cette formule est très importante dans la technique de résolution des
équations différentielles via transformée de Fourier.

4.3.3 Transformée de Fourier et dérivation

Proposition 4.13 (TF et dérivation). Soit f P L1 pRq, dérivable tel que f 1 P L1 pRq. Alors

Fpf 1 qpξq “ iξFpf qpξq, ξ P R. (4.7)

Démonstration. Voir Exercice 1, TD5.

116
Remarque 4.14. Attention ! Ce n’est pas parce que f est intégrable que f admet nécessairement
une limite nulle en ˘8 ! Contre-exemple : prendre une fonction positive, nulle partout sauf
autour des entiers naturels, autour desquels on met un triangle dont l’aire diminue de sorte
que la somme des aires soit sommable. Cette fonction est intégrable, mais ne tend pas vers 0
pour t Ñ 8.
Ainsi, une dérivation dans l’espace réel devient une multiplication par piξq dans l’espace
de Fourier. Un récurrence immédiate donne le résultat plus général
Proposition 4.15 (TF et dérivation). Soit f P L1 pRq, n-fois dérivable tel que f pnq P L1 pRq.
Alors
Fpf pnq qpξq “ piξqn Fpf qpξq, ξ P R. (4.8)

4.3.4 TF et gaussienne
La gaussienne joue un rôle important vis-à-vis de la Transformée de Fourier, que nous
explicitons ici :
t2
Proposition 4.16. La Transformée de Fourier de la fonction t ÞÑ e´ 2 est la fonction
ξ2
ξ ÞÑ e´ 2 .
Autrement dit, la Transformée de Fourier d’une gaussienne est une gaussienne : plus
t2
précisément, la fonction t ÞÑ e´ 2 est vecteur propre de F, pour la valeur propre 1. Plus
généralement, la propriété de dilatation vue plus haut donne immédiatement que
2 t2
Proposition 4.17. Soit c P R. La Transformée de Fourier de la fonction t ÞÑ e´c est la
2
1 ´ ξ2
fonction ξ ÞÑ ?
c 2
e4c .
On aura besoin des lemmes suivants :
Lemme 4.18. On a ż `8
t2 ?
e´ 2 dt “ 2π.
´8

Démonstration. Voir Exercice 2, TD5.

Lemme 4.19. On a : ż `8 ż `8
pt`iωq2 t2
e´ 2 dt “ e´ 2 dt.
´8 ´8

Démonstration. Admis. La preuve utilise un théorème d’analyse complexe dû à Cauchy (Paris,
1789 ´ Sceaux, 1857).

Maintenant on peut démontrer la Proposition 4.16 :

Démonstration de la Proposition 4.16. Voir Exercice 2, TD5.

117
4.3.5 Tableau récapitulatif
On résume ici les propriétés les plus importantes de la transformée de Fourier. Attention :
tous ces résultats nécessitent des hypothèses adéquates de régularité et d’intégrabilité des
fonctions f et g. Pour les résultats précis, on renvoie aux paragraphes précédents. Ici, a, b, c P R,
a ‰ 0.
Fonction Transformée de ´Fourier
¯
(1) t ÞÑ f patq 1
ξ ÞÑ |a| Fpf q aξ

(2) t ÞÑ f pt ´ bq ξ ÞÑ e´iξb Fpf qpξq

(3) t ÞÑ eict f ptq ξ ÞÑ Fpf qpξ ´ cq

?
(4) t ÞÑ pf ˚ gqptq ξÑ
Þ 2πFpf qpξqFpgqpξq

(5) t ÞÑ f 1 ptq ξ ÞÑ iξFpf qpξq

(6) t ÞÑ f 2 ptq ξ ÞÑ ´ξ 2 Fpf qpξq

(7) t ÞÑ f pnq ptq ξ ÞÑ piξqn Fpf qpξq

dn
(8) t ÞÑ p´itqn f ptq ξ ÞÑ dξ n Fpf qpξq

t2 ξ2
(9) t ÞÑ e´ 2 ξ ÞÑ e´ 2

2 t2 ξ2
1 ´ 4c2
(10) t ÞÑ e´c ξ ÞÑ ?
c 2
e

4.3.6 La localisation des signaux et son effet sur le spectre

Imaginons être intéressés par le spectre d’un signal f ptq, uniquement dans le voisinage
d’une valeur de t0 . Par une translation, on peut toujours supposer que t0 “ 0. L’idée la plus
simple pour localiser l’analyse du spectre de f ptq consiste en le ! tronquer ", i.e. le multiplier
par la fonction créneau de taille 2T
#
1 si |t| ď T
χptq “
0 autrement,
où 2T est la taille du voisinage d’intérêt. Comme on le sait, la transformée de Fourier du signal
tronqué f˜ptq “ f ptqχptq est f˜pξq “ fˆpξq ˚ χ̂pξq. Dans les TD on verra que :
p
c
2 sinpξT q
χ̃pξq
p “ T .
π ξT
Ainsi, le spectre du signal tronqué est la convolution entre le spectre du signal
initial et le sinus cardinal de ωT , où le sinus cardinal est défini comme la fonction suivante :
R Q t ÞÑ sincptq “ sint t . Cela montre que la localisation de l’analyse en fréquence d’un signal
n’est pas un sujet simple. Comme déjà dit, la théorie des ondelettes, développée surtout à la
fin des années 1980, donne un outil très puissant pour résoudre ce problème.

118
4.4 Le théorème d’échantillonnage de Shannon, Nyquist et
Whittaker
4.4.1 Notion d’échantillonnage
La reconstruction d’une fonction à partir d’un ensemble discret d’échantillons est possible
quand une fonction f a un spectre borné, comme précisé dans la définition suivante.
Définition 4.20. On dit que la fonction f : R Ñ C est un signal continu à bande limitée
s’il existe Ω P R` tel que :
fˆpξq “ 0 @|ξ| ą Ω.
Le concept de signal à bande limitée est de grande importance dans les applications,
en fait, même si f n’est pas à bande limitée, les senseur humains le sont toujours ! Par
exemple, le système visuel humain n’est pas capable de percevoir les fréquences d’une onde
électromagnétique comme la lumière quand la fréquence d’oscillation est inférieure à 400 THz
et supérieure de 800 THz, T=! Tera=1012 ". Le système auditif humain peut percevoir les
sons, quand elles ont une fréquence entre 20Hz et 20KHz, K=! Kilo=103 ".
Le résultat suivant montre comment un signal continu à bande limitée peut être reconstruit
à partir de la connaissance d’une suite d’échantillons discrets.
Théorème 4.21 (Théorème d’échantillonnage de Shannon-Nyquist-Whittaker 2 ). Soient :
— f : R Ñ C un signal à bande limitée : DΩ P R` tel que fˆpξq “ 0 @|ξ| ą Ω.
— fˆ : continue et C 1 pRq par morceaux.
π
Alors, f est complètement déterminée par ses échantillons dans les points tn “ Ω n, n P Z :

ÿ ´ π ¯ sinpΩt ´ πnq
f ptq “ f n , (4.9)
nPZ
Ω Ωt ´ πn

et la convergence de la série est uniforme.

Il y a plusieurs preuves du théorème d’échantillonnage, notamment une qui utilise la
formule de sommation de Poisson (Pithiviers, 1781 ´ Paris, 1840), ici on propose une preuve
alternative à la méthode de Poisson (Bogges-Narkovich : ! A first course in wavelet with
Fourier analysis ", page 118, Prentice Hall).

Démonstration. On va utiliser la série et la transformée de Fourier de fˆ. Pour cela, on doit

interpréter fˆ comme une fonction 2Ω-périodique et comme une fonction a support limité en
r´Ω, Ωs quand on calcule sa transformée de Fourier. Donc, on assimile f à son extension en
copies périodiques. Grâce aux hypothèses, fˆ P L2 r´Ω, Ωs et donc on peut développer fˆ en
série de Fourier : ÿ 2πξk ÿ πξk
fˆpξq “ ck ei 2Ω “ ck ei Ω , (4.10)
kPZ kPZ

2. Shannon (Petoskey, 1916 ´ Medford, 2001), Nyquist (Stora Kil, 1889 ´ Harlingen, 1976), Whittaker
(Southport, 1873 ´ Edinburgh, 1956)

119
avec :
żΩ
1 πξk
ck “ fˆpξqe´i Ω dξ
2Ω ´Ω
? ż
2π 1 ´π
“ ? fˆpξqeip Ω kqξ dξ
fˆpξq“0 @|ξ|ąΩ 2Ω 2π R
? ?
2π ˇˆ
´ π ¯ 2π ´ π ¯
“ f ´ k “ f ´ k ,
2Ω Ω 2Ω Ω

où dans la dernière étape on a utilisé la définition d’anti-transformée de Fourier de fˆ, i.e. f ,
π
calculée en ´ Ω k et on a inclut en ck le facteur de normalisation de la série. Donc on peut
réécrire la série de Fourier (4.10) comme ceci :
? ?
ÿ 2π ´ π ¯ πξk ÿ 2π ´ π ¯ πξn
i
fˆpξq “ f ´ k e Ω “ f n e´i Ω ,
kPZ
2Ω Ω pn“´k ô k“´nq
nPZ
2Ω Ω

et cette série converge uniformément car fˆ et continue et C 1 par morceaux. On calcule f ptq
via la transformée de Fourier inverse de fˆpξq :
ż
1
f ptq “ ? fˆpξqeiξt dξ
2π R
żΩ żΩ ÿ ?
1 ˆ iξt 1 2π ´ π ¯ ´i πξn iξt
“ ? f pξqe dξ “ ? f n e Ω e dξ (4.11)
fˆpξq“0 @|ξ|ąΩ 2π ´Ω 2π ´Ω nPZ 2Ω Ω
ÿ 1 ´π ¯ż Ω tΩ´πn
“ f n eiξ Ω dξ,
nPZ
2Ω Ω ´Ω

où, dans la dernière étape, on a pu échanger la série et l’intégrale grâce au fait que la série
converge uniformément. On s’intéresse maintenant à l’intégrale :
żΩ żΩ ˆ ˙ żΩ ˆ ˙
iξ tΩ´πn tΩ ´ πn tΩ ´ πn
e Ω dξ “ cos ξ dξ ` i sin ξ dξ,
´Ω ´Ω Ω ´Ω Ω

la deuxième intégrale est nulle car la fonction sinus est impaire et le domaine d’intégration est
symétrique, par contre la fonction cosinus est paire et donc on obtient :
żΩ żΩ ˆ ˙ « ` tΩ´πn ˘ ffΩ
tΩ´πn tΩ ´ πn sin ξ Ω
eiξp Ω q dω “ 2 cos dξ “ 2 tΩ´πn
´Ω 0 Ω Ω 0
` tΩ´πn ˘
sin Ω Ω sin ptΩ ´ πnq
“ 2Ω ´ 0 “ 2Ω .
tΩ ´ πn tΩ ´ πn
En introduisant ce résultat dans l’expression de f ptq en (4.11), on obtient :
ÿ 2Ω ´ π ¯ sin ptΩ ´ πnq ÿ ´ π ¯ sin ptΩ ´ πnq
f ptq “ f n “ f n ,
nPZ
2Ω Ω tΩ ´ πn nPZ
Ω tΩ ´ πn

et, comme déjà souligné, la convergence de la série est uniforme.

120
4.4.2 La fréquence de Nyquist : ! aliasing " et ! oversampling "
On utilisant la définition du sinus cardinal, on peut réécrire la formule du théorème comme
ceci : ÿ ´π ¯
f ptq “ f n sincptΩ ´ πnq,
nPZ
Ω
`π ˘
ce qui caractérise univoquement f est la suite d’échantillons f Ω n . On observe que la période
π
d’échantillonnage des valeurs de f qui apparait dans la formule du théorème est : T “ Ω , donc
la fréquence d’échantillonnage de la formule du théorème, dite fréquence de Nyquist et
écrite comme νN , est νN “ T1 “ Ω π.
On veut maintenant comparer la fréquence de Nyquist avec la fréquence maximale du signal
f : on rappelle qu’on est parti de l’hypothèse que f est un signal à bande limitée avec pulsation
maximale Ω, alors la fréquence maximale νmax de f est définie par la relation Ω “ 2πνmax ,
Ω
i.e. νmax “ 2π . Si on compare la fréquence d’échantillonnage de Nyquist νN avec la fréquence
maximale νmax du signal f on obtient : νN “ 2νmax , i.e. le théorème d’échantillonnage
vaut si et seulement si la fréquence d’échantillonnage est (minimum) deux fois la
fréquence maximale du signal f !
Si on échantillonne avec une fréquence inférieure à la fréquence de Nyquist, alors on
obtient un phénomène connu avec le nom d’aliasing, qui correspond à des erreurs dans
la reconstruction du signal. Les erreurs sont dûes au fait que, comme on l’a vu dans la
preuve, on doit considérer une extension périodique du spectre de f , la fréquence de Nyquist
νN est la fréquence (minimale) correcte pour pouvoir reconstruire f et pour éviter que de
! déborder " dans une période adjacente du spectre ! Une fréquence d’échantillonnage inférieure

introduit des informations parasites qui viennent des périodes spectres adjacents à gauche et à
droite.
Pour terminer, on observe que le terme général de la série du théorème converge vers 0
comme n1 quand n Ñ `8, qui est une convergence plutôt lente. Pour augmenter la vitesse de
convergence, par exemple à n12 on peut augmenter la fréquence d’échantillonnage avec une
technique connue comme sur-échantillonnage (oversampling).

4.5 Application de la transformée de Fourier à la résolution

d’équations différentielles en dérivées ordinaires et par-
tielles
La relation entre Transformée de Fourier et dérivation permet d’obtenir de techniques très
efficaces pour résoudre certains types d’équations différentielles.

4.5.1 Un exemple de EDO résolue avec la transformée de Fourier

Pour comprendre l’idée générale, on commence avec un exemple donné par une équation
différentielle ordinaire (EDO). Soient y, g : R Ñ R, y, g P L1 pRq, y deux fois différentiable, on
considère l’EDO suivante :
y 2 ptq ´ yptq “ ´gptq @t P R.
Si on applique la transformée de Fourier aux deux côtés, grâce à sa linéarité on peut écrire :
yp2 pξq ´ ŷpξq “ ´ĝpξq,

121
i.e.
´ξ 2 ŷpξq ´ ŷpξq “ ´ĝpξq ðñ p1 ` ξ 2 qŷpξq “ ĝpξq, ξ P R
i.e.
1
ŷpξq “ ¨ ĝpξq (Solution dans le domaine fréquentiel).
1 ` ξ2
Grâce aux propriétés de la transformée de Fourier, on a transformé l’EDO en une équation
algébrique dans le domaine fréquentiel ! Si on connaı̂t la transformée de Fourier de g, alors on
a résolu l’EDO dans l’espace de Fourier.
Néanmoins, l’EDO initiale a été formulée par rapport à la variable t, donc il faut revenir à
la représentation originale en appliquant la transformée de Fourier inverse aux deux côtés de
la dernière équation en utilisant la propriété (4.6) :
„ _ ˆˆ ˙_ ˙
_ 1 1 1
pŷpξqq ptq “ yptq “ ¨ ĝpξq ptq “ ? ptq ˚ gptq . (4.12)
1 ` ξ2 2π 1 ` ξ2

En TD, nous avons vu que : c

´a|t| pξq “
2 a
ez ,
π a ` ξ2
2

donc, si on considère a “ 1 : c
πy 1
e´|t| pξq “ ,
2 1 ` ξ2
et alors : c
1 π ´|t|
yptq “ ? e ˚ gptq,
2π 2
i.e. ż `8 ż `8
1 ´|t´s| 1
yptq “ e gpsqds “ gpt ´ sqe´|s| ds.
2 ´8 2 ´8

Si on sait calculer l’intégrale (ceci dépend de l’expression analytique de g), alors on peut
déterminer explicitement yptq, sinon on peut en tout cas approximer sa valeur.

Les étapes de la résolution d’une EDO via la transformée de Fourier sont donc :
1. Transformer l’EDO dans l’espace fréquentiel en appliquant la transformée de Fourier
aux deux côtés de l’équation ;

2. Résoudre l’EDO algébrique dans l’espace de Fourier ;

3. Appliquer la transformée de Fourier inverse pour obtenir la solution de l’EDO dans la

représentation originale ;

4. Typiquement, la solution dans l’espace de Fourier est donné par un produit, alors la
solution dans la représentation originale est écrite avec une convolution.

Pour pouvoir utiliser cette technique, les coefficients des dérivées doivent être constantes et les
fonctions doivent être intégrables.

122
4.5.2 Transformée de Fourier et EDPs
La technique de la transformée de Fourier est encore plus efficace quand on l’applique
aux EDPs : équations différentielles en dérivées partielles. Pour fixer les idées, on considère
seulement des fonctions du type suivant : u “ u pt, xq ou u “ upt, x, y, zq, où t est la coordonnée
temporelle et x ou px, y, zq sont les coordonnées spatiales 1D et 3D, respectivement. On suppose
toujours implicitement que u P L1 pR2 q ou u P L1 pR4 q, respectivement, et, bien sûr, que u soit
dérivable un nombre suffisant de fois pour pouvoir écrire l’EDP correspondante.
Pour simplifier la notation, on écrit :

Bu B2u Bu
“ ux , “ uxx , “ ut , . . .
Bx Bx2 Bt
Les propriétés de la transformée de Fourier par rapport aux dérivées partielles sont les
suivantes :
— Si la variable d’intégration de la transformée de Fourier est x, alors
2
u
xx pt, ξq “ iξ ûpt, ξq, u
yxx pt, ξq “ ´ξ ûpt, ξq,

B B2
upt pt, ξq “ ûpt, ξq, ux
tt pt, ξq “ ûpt, ξq,
Bt Bt2
les premières deux formules sont attendues, pour obtenir les deux autres il faut observer
que, comme u P L1 pR2 q, alors on peut échanger l’ordre de dérivation et d’intégration :
ż `8 ż `8
1 Bu pt, xq ´iξx B 1 B
? e dx “ ? u pt, xq e´iξx dx “ û pt, ξq ,
2π ´8 Bt Bt 2π ´8 Bt

et de même pour utt .

— Ces considérations peuvent être étendues à upt, x, y, zq.

4.5.3 Un exemple physique : l’équation de la chaleur

On considère le problème de Cauchy pour u P C 2 pR2 q X L1 pR2 q et ϕ P C 2 pRq X L1 pRq défini
par :
#
ut “ α2 uxx @x P p´8, `8q , @t P p0, `8q , α P R`
up0, xq “ ϕ pxq @x P p´8, `8q , t “ 0
Prenons un instant pour donner l’intuition physique de cette équation :
— u pt, xq représente la température d’une barre 1D à l’instant t au point d’abscisse x ;
— ut pt, xq est la vitesse de changement de la température à l’instant t au point x ;
— uxx pt, xq : concavité du profil de température à l’instant t et dans le point x (la dérivée
seconde est par rapport à la variable spatiale, donc ça serait incorrect d’interpréter uxx
comme une accélération) ;
— ϕpxq : concavité initiale du profil de température dans le point x.

123
De façon informelle, l’origine de cette équation vient du bilan d’énergie suivant : si on écrit la
dérivée seconde discrète (avec un pas ∆x) par rapport à x, on peut comprendre qu’elle définit
la comparaison entre la température en x à l’instant t et celle de ces voisins au même instant,
en fait :
upt, x ` ∆xq ´ 2upt, xq ` upt, x ´ ∆xq
uxx pt, xq »
p∆xq2
» fi
2 — — upt, x ` ∆xq ` upt, x ´ ∆xq ´upt, xqffi
ffi
“
p∆xq2 –looooooooooooooooomooooooooooooooooon
2 fl
température moyenne voisins

Donc, l’équation ut “ α2 uxx dit que :

— si upt, xq est inférieure à la température moyenne des voisins, alors uxx ą 0 et donc
ut pt, xqp“ α2 uxx q ą 0 et cela signifie que la température en x augmente dans le temps :
les voisins cèdent un peu de leur chaleur à x pour arriver à l’équilibre thermique ;
— dans le cas contraire, ut pt, xqp“ α2 uxx q ă 0 et la température en x baisse dans le temps :
x cède un peu de sa chaleur aux voisins pour arriver à l’équilibre thermique.
— La constante positive α2 est une caractéristique du matériel dite ! coefficient de diffusion
thermique ", plus α2 est grand, plus rapidement la barre arrive à l’équilibre thermique.
L’équation de la chaleur est utilisée dans beaucoup d’autres domaines, par exemple
en traitement d’images pour lisser les imperfections ou en probabilité pour modéliser le
comportement moyen d’un processus de diffusion.

4.5.4 Résolution de l’équation de la chaleur par la Transformée de Fourier

Pour résoudre l’équation de la chaleur, on calcule la transformée de Fourier (en intégrant
par rapport à la variable x) des deux côtés :
B
ut pt, xq “ α2 uxx pt, xq ppt, ξq “ ´α2 ξ 2 u
u ppt, ξq.
p
ÝÑ
Bt
La condition initiale dans l’espace de Fourier devient : upp0, ξq “ ϕpξq.
p On a donc transformé
l’EDP (en t et en x) en une EDO (selon t, pour ξ fixé) :
# #
ut pt, xq “ αuxx pt, xq F
B
ppt, ξq “ ´α2 ξ 2 u
u ppt, ξq
ÝÑ Bt
up0, xq “ ϕpxq u
pp0, ξq “ ϕpξq,
p

Insistons un peu : dans l’EDO de droite, ξ est une constante. Ainsi, il s’agit d’une équation
linéaire d’ordre 1 à coefficient constant (par rapport à la variable t).
On rappelle que la solution du problème de Cauchy :
#
y 1 “ ´ky
yp0q “ y0

est : yptq “ y0 e´kt et donc, dans notre cas :

2 ξ2 t 2 tqξ 2
u p ¨ e´α
p pt, ξq “ ϕpξq p ¨ e´pα
“ ϕpξq (Solution dans l’espace de Fourier).

124
On doit maintenant appliquer la transformée de Fourier inverse pour revenir à la solution
originelle. Grâce à l’éq. (4.6) on obtient :
2 _
´ 2
¯
p ¨ e´pα tqξ
upt, xq “ ϕpξq pt, xq
1 ˇ ´ 2 2 _
¯
“ ? ϕ̂pxq ˚ e´pα tqξ pt, xq,
2π
2 2
ˇ
mais ϕ̂pxq “ ϕpxq et e´pα tqω est une Gaussienne par rapport à ξ, donc on peut utiliser la
propriété :
1 ξ2 ? 1 2
´c2 x2 pξq “ ? e´ 4c2
e{ ðñ c 2e{ ´c2 x2 pξq “ e´ 4c2 ξ ,
c 2
qui dans notre cas donne : 4c2 “ α2 t, or c2 “ 4α12 t et alors c “ 2α1?t (physiquement, ça a
1

du sens de considérer seulement la détermination positive de la racine, car la détermination

négative change du signe à la température). On peut finalement écrire :
?
2 x2 1 x2
´ ¯_
´pα2 tqξ 2 ? e´ 4α2 t “ ? e´ 4α2 t
e pt, xq “
2α t α 2t
et donc la solution de l’EDP de propagation de la chaleur est :
ż `8
1 px´yq2
upt, xq “ ? e´ 4α2 t ϕpyqdy .
α 4πt ´8
Pour certaines expressions de ϕpxq on peut intégrer exactement et obtenir une expression
analytique pour upt, xq, plus en général, on peut seulement approximer upt, xq.
Il est intéressant d’observer que, comme l’expression standard d’une Gaussienne est :
1 px´µq2
? e´ 2σ2 ,
σ 2π
?
l’écart-type est ici σ “ α 2t et donc la variance σ 2 “ 2α2 t : la variance de la gaussienne
qui apparait dans la solution de l’EDP de la propagation de la chaleur n’est pas fixe, mais
augmente linéairement avec le temps t. Cela veut dire que la variance de la gaussienne devient
de plus en plus large au fur et à mesure que le temps avance, ce que est parfaitement cohérent
avec le fait que, quand t Ñ `8, la barre arrive à l’équilibre thermique, et donc la température
est uniforme partout.
Ce que l’on vient de démontrer nous permet de comprendre encore plus en profondeur la
technique classique de convolution avec une gaussienne en traitement de signaux, qu’on a vu,
par exemple, dans l’opération de floutage d’une image numérique. En fait, si on identifie ϕpyq
avec l’intensité originale d’un pixel quelconque y dans une image numérique, et upt, xq avec
l’intensité de l’image floutée à l’instant t, dans un pixel fixé de position x, on peut interpréter
la convolution d’une image avec une gaussienne comme une étape du processus d’échange
d’intensité entre x et ses voisins, où cet échange qui suit la même loi de la propagation de la
chaleur. De plus, comme la propagation de la chaleur est un processus irréversible, on ne peut
pas penser de pouvoir inverser de manière simple l’effet de floutage obtenu par convolution
avec une gaussienne. Une dernière observation relative à la dimension spatiale du problème :
l’application de la technique que l’on vient de voir nécessite que x varie entre et ´8 et `8 ce
qui ne convient pas au cas où x vit dans un ensemble borné. Pour résoudre ce dernier cas, il
faut utiliser d’autres techniques : la transformée de Fourier sinus et cosinus et la transformée
de Laplace.

125
Annexe A

Pense-bête sur la convergence L2

des séries de Fourier

Décomposer une fonction 2π-périodique en série de Fourier, c’est écrire f comme somme
`8
ÿ
@θ P R, f pθq “ pan cospnθq ` bn sinpnθqq, (A.1)
n“0

où les coefficients pan qně0 , pbn qně0 sont des coefficients à déterminer en fonction de f .
Définition A.1 (Fonctions de carré intégrable). On définit
ż 2π
L2p p0, 2πq :“ tf : R Ñ C, f, 2π-périodique, |f pθq|2 dθ ă `8u (A.2)
0

comme l’ensemble des fonctions 2π-périodiques suffisamment régulières dont la restriction

à r0, 2πs est de carré intégrable. On peut munir L2p p0, 2πq d’un produit scalaire complexe et
d’une norme respectivement définies par, pour f, g P L2p p0, 2πq,
ż 2π
1
xf , gy “ f pθqḡpθqdθ P C, (A.3)
2π 0
ˆ ż 2π ˙ 12
a 1 2
}f }2 :“ xf , f y “ |f pθq| dθ . (A.4)
2π 0

Définition A.2. Pour tout n P Z, on définit

en : θ ÞÑ en pθq “ einθ “ cospnθq ` i sinpnθq.

Définition A.3. Soit f P L2p p0, 2πq,

— on appelle coefficients de Fourier trigonométriques de f , la suite pcn pf qqnPZ définie par
ż 2π
1
@n P Z, cn pf q “ f pθqe´inθ dθ “ xf , en y .
2π 0

126
 — on appelle coefficients de Fourier circulaires la donnée des deux suites pan pf qqně0 et
pbn pf qqně0 définies par, pour tout n ě 0

1 2π
ż
an pf q “ f pθq cospnθqdθ,
π 0
1 2π
ż
bn pf q “ f pθq sinpnθqdθ.
π 0

Proposition A.4 (Relation entre coefficients). 1. Pour tout n ě 0,

#
an pf q “ cn pf q ` c´n pf q,
bn pf q “ ipcn pf q ´ c´n pf qq.

2. Pour tout n ě 0, #
an pf q´ibn pf q
cn pf q “ 2 ,
an pf q`ibn pf q
c´n pf q “ 2 .

3. Si f est à valeurs réelles, pour tout n P Z,

c´n pf q “ cn pf q

et les coefficients an pf q et bn pf q sont réels.

4. Si f est paire, bn pf q “ 0, pour tout n ě 0,
5. Si f est impaire, an pf q “ 0, pour tout n ě 0.
Proposition A.5 (Lemme de Riemann-Lebesgue). Si f est 2π-périodique et continue par
morceaux, alors cn pf q Ñ 0, quand |n| Ñ 8. Pour tout k ě 1, si f est de classe C k´1 et C k par
morceaux, alors ˆ ˙
1 pkq 1
cn pf q “ cn pf q “ o pour |n| Ñ 8.
pinqk nk
Définition A.6 (Série de Fourier). Soit f P L2p p0, 2πq et N ě 1. On définit la fonction
θ ÞÑ SN pf qpθq définie par : pour tout θ P R,
N
ÿ
SN pf qpθq :“ ck pf qeikθ . (A.5)
k“´N

Pour tout N ě 1, SN pf q est une fonction 2π-périodique, de classe C 8 . Dans le cas où pour
un certain θ, SN pf qpθq converge, on appelle somme de la série de Fourier la limite de SN pf q,
notée Spf q, c’est à dire
ÿ
Spf qpθq :“ lim SN pf qpθq “ ck pf qeikθ .
N Ñ8
kPZ

Pour tout N ě 1, pour tout θ P R,

N
a0 pf q ÿ
SN pf qpθq “ ` pak pf q cospkθq ` bk pf q sinpkθqq .
2 k“1

127
Définition A.7. On appelle polynôme trigonométrique de degré plus petit que N ě 0 toute
fonction p du type : pour tout θ P R,
N
ÿ N
ÿ
ppθq “ αk eikθ “ αk ek pθq,
k“´N k“´N

où αk P C pour tout ´N ď k ď N . On note PN l’ensemble des polynômes trigonométriques

de degré plus petit que N . PN est un sous-espace vectoriel de l’ensemble des fonctions 2π-
périodiques de dimension 2N ` 1.
Théorème A.8. Soit N ě 1 et soit p un polynôme trigonométrique dans PN . Alors

}f ´ SN pf q}22 ď }f ´ p}22 ,

c’est-à-dire ż 2π ż 2π
1 12
|f pθq ´ SN pf qpθq| dθ ď |f pθq ´ ppθq|2 dθ.
2π 0 2π 0

Théorème A.9 (Inégalité de Bessel). Pour tout f P L2p p0, 2πq, pour tout N ě 1,

N
ÿ
}SN pf q}22 “ |ck pf q|2 ď }f }22 ,
k“´N

c’est-à-dire
N ż 2π
ÿ 1
|ck pf q|2 ď |f pθq|2 dθ
k“´N
2π 0

Théorème A.10 (Théorème de Parseval). Si f P L2p p0, 2πq, la série de Fourier de f converge
vers f en moyenne quadratique, c’est à dire que

}f ´ SN pf q}22 ÑN Ñ8 0,

c’est-à-dire ż 2π
1
|f pθq ´ SN pf qpθq|2 dθ ÑN Ñ8 0.
2π 0

De plus, la série de terme général |ck pf q|2 est convergente et on a l’égalité

ż 2π
1 ÿ
}f }22 “ |f pθq|2 dθ “ |ck pf q|2 .
2π 0 kPZ

Cette dernière égalité s’appelle l’égalité de Parseval.

Proposition A.11 (Egalité de Parseval en terme des coefficients de Fourier circulaires). Soit
f P L2p p0, 2πq, alors

|a0 pf q|2 1 ÿ ´
ż 2π `8
1 2
¯
|f pθq| dθ “ ` |an pf q|2 ` |bn pf q|2
2π 0 4 2 n“1

128