Partie B : Traitement Numérique du Signal

Moussa EL AYACHI

ENSAO, GSEIR3, 2023-2024

1
 Partie B : Traitement numérique du signal

Chapitre B1. Introduction générale au TNS

Chapitre B2. Numérisation du signal, échantillonnage, quantification et codage
Chapitre B3. Outils mathématiques en TNS, TFTD, TFD, TFR, TZ
Chapitre B4. Filtrage numérique

2
 Chapitre B1. Introduction au TNS

 Conversion analogique numérique

 Avantages
 Applications
 Chaine de numérisation

3
 Introduction au TNS
Conversion analogique numérique

4
 Introduction au TNS
Conversion analogique numérique

 Un signal numérique est une séquence de valeurs numériques obtenues après échantillonnage
et quantification du signal analogique (temps continu, amplitude continue).

 Ces valeurs numériques sont codées sur un certain nombre de bits, une suite de 0 et de 1.

 La numérisation d'un signal doit être effectué sous les deux contraintes :
 La numérisation ne doit pas détériorer le signal original, en vue de conserver l’information.
 La séquence de valeurs numériques doit être de dimension optimale, afin de limiter l’espace
mémoire nécessaire au stockage ou la bande passante lors de la transmission.

 Le TNS consiste à effecteur une série d’opérations arithmétiques (addition, soustraction,

multiplication, …) et logiques (mémorisation,…) sur l’ensemble des valeurs numériques
représentant le signal numérique.

 Réalisation numérique des fonctions du traitement de signal :

Filtrage numérique, modulation numérique, détection, correction, estimation, reconnaissance …
codage, compression.
5
 Introduction au TNS
Avantages

 Efficacité en termes de techniques d’enregistrement et de transmission (dimension des

supports, durée de vie, résistance au vieillissement, moins de sensibilité aux bruits vu le
codage...)
 Codage de 0/1 souvent en 0/5V : A priori pas d'altération du signal, robuste au bruit une fois
numérisé. Exemple : un 0 codé sur 0V parasité par un bruit de 0.5V sera toujours un 0…
 Précision : garantie par le nombre de bits, insensible au temps, à la température,...
 Contrôle de la précision (par exemple en augmentant l’ordre du filtre numérique, on augmente
la précision sur le filtrage)
 Flexibilité et adaptation : Un TN est facilement ajustable ou re-paramétrable, plusieurs tâches
simultanées possibles, … Un système numérique (logiciel) facile à modifier contrairement aux
montages électroniques.
 Intégration : progrès des DSP de plus en plus miniatures et rapides …

6
 Introduction au TNS
Applications

 Radio numérique, TV numérique

 Téléphonie mobile
 Enregistrement audio, image, vidéo
 Réseaux Internet
 Radar, Automatique, Robotique
 Médecine
 ... Voir les applications citées en premier chapitre

7
 Introduction au TNS
Chaine de la numérisation

8
 Chapitre B2. Numérisation du signal

 Echantillonnage idéal
 Définition et principe
 TF du signal échantillonné – Analyse du spectre, notion du repliement du spectre
 Théorème de Shannon
 Echantillonnage réel
 Définition
 Influence sur le spectre du signal échantillonné
 Filtrage anti-repliement
 Reconstruction du signal
 Quantification
 Définition et principe
 Caractérisation et performance d’une quantification
 Codage

9
Numérisation du signal
Echantillonnage idéal

10
Numérisation du signal
Echantillonnage idéal

11
Numérisation du signal
Echantillonnage idéal

12
Numérisation du signal
Echantillonnage idéal

13
Numérisation du signal
Echantillonnage idéal

14
Numérisation du signal
Echantillonnage réel

15
Numérisation du signal
Echantillonnage réel

16
Numérisation du signal
Filtrage anti-repliement

17
 Numérisation du signal
Echantillonnage réel

Exemple : Enregistrement audio sur un CD

Bande fréquentielle audible 20 Hz – 20 KHz, Filtre anti-repliement passe bas de Fc = 20 KHz
Fmax = 20 KHz
Echantillonnage à Fe sup à [Link]
Par exemple Fe = 44,1 KHz, Te = 22,6 microseconde.

N.B. :
Fe ne doit pas être très grande afin de limiter l’espace mémoire nécessaire à l’enregistrement
Fe doit être légèrement supérieur à [Link]

18
Numérisation du signal
Reconstruction

19
 Numérisation du signal
Reconstruction

Interpolation idéale : Etablir l’expression de x(t) reconstruite en fonction de ses échantillons x(nTe)

20
 Numérisation du signal
Reconstruction

 Formule d’interpolation idéale


x (t )   x(n.T ).sincF .(t  n.T )
n  
e e e


sin .Fe .(t  [Link] )
x(t )   x([Link] ).
n    .Fe .(t  [Link] )

 L’échantillonnage idéal permet de conserver la totalité de l’information (sous les deux conditions –
spectre borné à Fmax & Fe au moins le double de Fmax)
 Dans la pratique, l’interpolation idéale est irréalisable, on procède à d’autres types d’interpolations

21
 Numérisation du signal
La quantification
 Définition
 La quantification consiste à associer à une valeur réelle (continue) x quelconque, une autre
valeur xq appartenant à un ensemble fini de valeurs (ensemble dénombrable) et ce suivant
une certaine loi : par arrondi, par troncature, etc …
 L’écart q entre 2 valeurs quantifiées successives est appelé pas de quantification ou encore
quantum.
 Le fait de transformer la valeur de départ entraîne forcément une erreur de quantification que
l’on appelle le bruit de quantification.

22
 Numérisation du signal
La quantification

 La loi de quantification uniforme utilise un pas de quantification q constant.

 Exemple

23
 Numérisation du signal
La quantification

 Procédures de quantification

24
 Numérisation du signal
La quantification

 Procédures de quantification

25
 Numérisation du signal
La quantification

 Bruit de quantification

26
 Numérisation du signal
La quantification

 Bruit de quantification

27
 Numérisation du signal
La quantification

 Bruit de quantification

28
 Numérisation du signal
Quantification - Codage

 Le codage consiste à associer à chaque valeur discrète quantifiée un code composé

d’éléments binaires. Apres échantillonnage, quantification et codage, le signal sera représenté
par une séquence de valeurs numériques binaires (mots / trames binaires)

29
Numérisation du signal
Quantification - Codage

Code
binaire valeur
quantifiée Valeur
011 échantillonnée
010

001
000

111

110

101

100

30
 Chapitre B3. Outils mathématiques en TNS

 Signaux discrets
 Rappels, définition
 Propriétés
 Transformée de Fourier des signaux à temps discret (TFTD)
 Définition
 Propriétés
 Transformée de Fourier discrète
 Définition
 Propriétés
 Application de la TFD à l'analyse spectrale
 TFD rapide (FFT)
 Transformée en Z
 Définition
 Propriétés

31
Signaux discrets
Rappels

32
Signaux discrets
Particuliers

33
Signaux discrets
Périodiques

34
Signaux discrets
Energie et puissance

35
Signaux discrets
Opérations

36
Transformée de Fourier des signaux à Temps Discret
TFTD

37
Transformée de Fourier des signaux à Temps Discret
TFTD

38
Transformée de Fourier des signaux à Temps Discret
TFTD

39
Transformée de Fourier des signaux à Temps Discret
TFTD

40
Transformée de Fourier des signaux à Temps Discret
TFTD - Exemple

41
Transformée de Fourier des signaux à Temps Discret
TFTD - Propriétés

42
Transformée de Fourier des signaux à Temps Discret
TFTD - Propriétés

43
Transformée de Fourier Discrète
TFD

44
Transformée de Fourier Discrète
TFD

45
Transformée de Fourier Discrète
TFD - Propriétés

N 1
x ( n )  y ( n )   x (l ). y ( n  l )
l 0

46
 Transformée de Fourier Discrète
TFD – Forme matricielle

N 1
 X ( k )   x ( n ).wN n.k
x ( n )  TFD

n 0

2
 j.
Avec : wN  e N

De propriétés : w Nn  l . N  w Nn w NN / 2  1
n l
w N  w .w
n
N
l
N wN2  wN / 2
wNn . N  1
n et l des entiers relatifs

w NN  1
47
 Transformée de Fourier Discrète
TFD – Forme matricielle

 La définition de la TFD en écriture matricielle s’écrit : X  W .x

Avec :

 X ( 0)   x ( 0) 
 X (1)  1 1 ... 1   x (1) 
  1 w1N.1 ... wN( N 1).1   
 X ( 2)     x ( 2) 
  W       
X      x  
 X (k )     x(n) 
  1 w1N.( N 1) ... ( N 1).( N 1)
wN   
     
 X ( N  1)    x ( N  1)
 ( wNn .k ) 
 
W  n  0, 1, 2 ... N  1 
 k  0, 1, 2 ... N  1 
 
 
48
 Transformée de Fourier Discrète
TFD – Forme matricielle

La matrice W vérifie les propriétés suivantes :

Ou I est la matrice identité
 La symétrie : W W T
1 0 ... 0 0
0  0
 
 L'inversion : W .W *  W * .W  N . I I   1 
 
1 1 * 0  0
W  W  
0 0 ... 0 1
N
 La définition de la TFD inverse en écriture matricielle s’écrit alors :
N 1
1
X (k )  x(n) 
TFDI

N
 X
k 0
( k ).wN
 k .n 1 *
x  W .X
N
1 H
 Relation de Parseval en écriture matricielle : x .x  X . X
H

N
 (M  )  M *T
 M T Matrice adjointe de M
* T *
H
Avec : M
(H opérateur hermitien)
49
Transformée de Fourier Discrète
TFD et analyse spectrale

50
Transformée de Fourier Discrète
TFD et analyse spectrale

51
Transformée de Fourier Discrète
TFD et analyse spectrale

52
Transformée de Fourier Discrète
TFD et fenêtrage temporel

53
Transformée de Fourier Discrète
TFD et fenêtrage temporel

54
 Transformée de Fourier Rapide
TFR - FFT

La transformée de Fourier rapide TFR ou FFT (Fast Fourier Transform) est un algorithme de
calcul rapide permettant de réduire le nombre d’opérations, en particulier le nombre de
multiplications, pour calculer la TFD. Ce temps de calcul est primordial pour réaliser des systèmes
numériques en «temps réel».
N 1
X ( k )   x ( n ).wN n . k
n 0

 D’après la définition ci-dessus, il faut, pour calculer 1 valeur en fréquence de la TFD d’un signal
de N échantillons : N-1 sommes complexes et N produits complexes
 Pour calculer 1 TFD à N valeurs, il faudra : N(N-1) sommes complexes et N² produits complexes
 Exemple : Sur un signal sonore de 6 secondes composé de 6*44100 = 264 600 échantillons, on
11
arrive à 10 opérations complexes !
 La FFT va permettre de diminuer le calcul de ces opérations

55
 Transformée de Fourier Rapide
TFR - FFT

 La durée d’exécution d’une addition complexe est négligeable devant la durée d’une multiplication
complexe, le coût de calcul de la TFD va donc essentiellement dépendre du temps de réalisation
d’une multiplication complexe.
 Il existe différents algorithmes de TFR. Le plus utilisé est celui de Cooley-Tukey (appelé aussi à
entrelacement temporel). Il s’applique dans le cas où le nombre N d’échantillons est une puissance
de 2. Il réduit le nombre des multiplications complexes à (N/2).Log2(N).
 La TFD par FFT permet un gain en temps de calcul de N² / [(N/2).Log2(N)] = 2.N / Log2(N)

Exemple : 10
N  1024  2

Un gain en temps de calcul de : 2.210 / 10  205

La FFT est 205 fois ! plus rapide que la TFD; Si TFR (1mn) Alors TFD (3h25mn) !

56
 Transformée de Fourier Rapide
TFR - FFT

Le principe de cet algorithme est basé sur la décomposition consistant à séparer les échantillons
de rangs pairs de ceux de rangs impairs :
N 1 2
 j.
X N ( k )   x ( n ).w n.k
N wN  e N
n 0

N / 2 1 2i.k N / 2 1 ( 2 i 1). k
 2 . j  2 . j
X N k    x(2i ).e N
  x(2i  1).e N

i 0 i 0

N / 2 1  2 . j
i.k
 2 . j
k N / 2 1
 2 . j
i.k
X N k    x (i ).e
0
N /2
e N
.  x (i ).e
1
N /2

i 0 i 0

N / 2 1 N / 2 1
X N k    x0 (i ).w i . k
N /2 w . k
N  1 N /2
x ( i ).w i . k

i 0 i 0

57
 Transformée de Fourier Rapide
TFR - FFT

N / 2 1 N / 2 1
X N k    x0 (i ).w i . k
N /2 w . k
N  1 N /2
x ( i ).w i . k

i 0 i 0

TFD de la séquences des échantillons TFD de la séquences des échantillons

de rangs pairs (taille N/2) de rangs impairs (taille N/2)

Pour 0  k  N / 2  1 X N k   X 0N / 2 k   wN k . X 1N / 2 k 
(Résultats pour les N/2 premiers échantillons de la TFD)

Pour N / 2  k  N / 2  N  1
N / 2 1 N / 2 1
X N k  N / 2    x0 (i ).w i .( k  N / 2 )
N /2 w ( k  N / 2 )
N .  1 N /2
x ( i ).w i .( k  N / 2 )

i 0 i 0

X N k  N / 2  X 0N / 2 k   wN k . X 1N / 2 k 
(Résultats pour les N/2 derniers échantillons de la TFD)
58
 Transformée de Fourier Rapide
TFR - FFT

Ainsi les N/2 premiers échantillons d’une part et les N/2 derniers échantillons d’autre part de la
transformée de Fourier de taille N s’obtiennent par combinaison des deux transformées de
Fourier de taille N/2 portant sur les échantillons de numéro pair et de numéro impair.

Pour 0  k  N / 2  1 X N k   X 0N / 2 k   wN k . X 1N / 2 k 

Pour N / 2  k  N / 2  N  1 X N k  N / 2  X 0N / 2 k   wN k . X 1N / 2 k 

59
 Transformée de Fourier Rapide
TFR - FFT

N  2p Log2 N = p étapes (itérations)

Cette décomposition est répétée p fois jusqu’aux TFD d’ordre 1 (séquence d’un échantillon)

[Link] d' ordre N  [Link] d' ordre N / 2  [Link] d' ordre N / 4 ...  2 [Link] d' ordre ( N / 2 p  1)

60