Traitement du signal
Échantillonnage, reconstruction et
quantification
Pr. Khalid FAKHAR
Ingénierie des Systèmes d’Information et Big Data
École Nationale des Sciences Appliquées - Berrechid
Université Hassan 1er
Année 2025/2026
Du signal analogique au signal numérique
▶ Donc un signal numérique est une suite de valeurs
▶ Ces valeurs sont codées sur un certain nombre de bits
▶ C’est donc une suite de 0 et de 1 ... 1/13
Introduction
▶ Chaîne de numérisation
▶ Échantillonnage
Prélèvement de la valeur du signal continu x (t) à des intervalles de
temps tn . Généralement les tn sont régulièrement espacés ;
Te = tn+1 − tn est appelé période d’échantillonnage. On obtient
la suite de valeurs xe (t) = {x (tn )} avec tn = nTe .
▶ Quantification
Approximation de chaque valeur xe (t) par un multiple entier d’une
quantité élémentaire q appelée échelon de quantification.
▶ Codage binaire
Transformation de la valeur quantifiée en mot binaire exploitable 2/13
par le calculateur.
Échantillonnage idéal
▶ Échantillonnage idéal : prélèvement pendant un temps
infiniment court des valeurs de x (t) à t = nTe (multiple entier de
Te ).
▶ Modélisation mathématique
L’échantillonnage correspond à la multiplication de x (t) par un
peigne de Dirac pTe (t)
P+∞
xe (t) = x (t).pTe =⇒ xe (t) = x (t). n=−∞ δ(t − nTe )
En utilisant la propriété x (t).δ(t − t0 ) = x (t0 ).δ(t − t0 ), on
P+∞ 3/13
obtient : xe (t) = n=−∞ x (nTe ).δ(t − nTe )
TF du signal échantillonné
▶ Question : que devient le spectre du signal x (t) après
échantillonnage idéal ?
TF[xe (t)] = TF[x (t).pTe (t)]. D’après le théorème de Plancherel :
TF[xe (t)] = TF[x (t)]∗TF[pTe (t)].
Or la TF du peigne de Dirac est :
P+∞
TF[pTe (t)] = Fe n=−∞ δ(f − nFe )].
P+∞
On en déduit : TF[xe (t)] = X (f ) ∗ Fe n=−∞ δ(f − nFe )
Comme le produit de convolution est distributif et que
y (t) ∗ δ(t − t0 ) = y (t − t0 ),
P+∞ 1
on a alors :Xe (f ) = Fe n=−∞ X (f − nFe ) avec Fe =
Te
Fe : fréquence d’échantillonnage
▶ Le spectre de Xe (f ) est celui de X (f ) "périodisé" avec une période
fréquentielle Fe .
▶ L’échantillonnage dans le domaine temporel se traduit par une
4/13
"périodisation" de période Fe dans le domaine fréquentiel.
Analyse du spectre de xe (t)
▶ On considère que x (t) est un signal réel dont le spectre
est borné en fréquence, de fréquence maximale Fmax i.e.
∀|f |> Fmax , |X (f )|= 0
▶ Question : que devient le spectre Xe (f ) en fonction de
Fe ?
+∞
X
Xe (f ) = Fe X (f − nFe )
n=−∞ 5/13
Analyse du spectre de xe (t)
▶ Cas 1 : Fe ≥ 2Fmax
▶ Les motifs élémentaires de |Xe (f )| sont disjoints (pas de
recouvrement des motifs)
▶ Le motif principal (n = 0) est égal au spectre de x (t).
Comme les motifs sont disjoints, on peut extraire X (f ) grâce
à un filtre passe-bas idéal et donc reconstituer intégralement
le signal x (t) à partir de la connaissance de son échantillonné
xe (t). 6/13
Analyse du spectre de xe (t)
▶ Cas 2 : Fe < 2Fmax
▶ Les motifs élémentaires de |Xe (f )| se recouvrent. On parle de
repliement de spectres.
▶ A cause du chevauchement des motifs élémentaires
constituant le spectre Xe (f ) du signal échantillonné, il n’est
pas possible de récupérer le spectre X (f ) par un filtrage
approprié. Il n’est donc pas possible de reconstruire le signal
initial x (t) à partir de la connaissance de son échantillonné 7/13
xe (t).
Théorème d’échantillonnage de Nyquist-Shannon
▶ Question : quelle est la condition sur Fe pour qu’à partir du signal
échantillonné xe (t), on puisse reconstruire intégralement x (t) ?
▶ Fe ≥ 2Fmax : pas de recouvrement de spectre =⇒
extraction de X (f ) par filtrage passe-bas idéal
▶ Fe < 2Fmax : repliement de spectre =⇒ impossibilité de
récupérer X (f ) par filtrage
Par conséquent, pour que la répétition périodique du spectre de
xe (t) ne déforme pas le spectre X (f ) répété, il faut et il suffit que
Fe ≥ 2Fmax
▶ Enoncé du théorème de Nyquist-Shannon
La condition nécessaire et suffisante pour échantillonner un signal
sans perte d’information est que la fréquence d’échantillonnage Fe
soit supérieure ou égale au double de la fréquence maximale du
signal. Plus précisément, si on note Fmax la fréquence maximale du
signal, il faut et il suffit que : Fe ≥ 2Fmax .
Fe 8/13
: fréquence de Nyquist
2
Exemples
▶ Exemple 1
▶ Exemple 2
Soit un "La" dont la Fréquence est 440Hz. Ce signal s’écrit :
x (t) = sin(2π440t) Sous matlab, on est en numérique, donc le
temps est discret = échantillonnage à Fe .
▶ Échantillonnage d’un "La" à une fréquence Fe donnée : (essayer
avec Fe = 10000, 5000, 2000, 1000, 881, 600, etc)
Fe = ????;
t = 0:1/Fe:2;
x = sin(2*pi*440*t); 9/13
sound(x,Fe);
Cas des signaux à support fréquentiel non borné
▶ Problème des signaux à large bande
Dans le cas des signaux à support fréquentiel infini, il est impossible
de définir une notion de fréquence maximale. Quelque soit la
fréquence d’échantillonnage Fe , il y a toujours repliement de
spectre.
▶ Solution : filtrage anti-repliement
On va numériser un signal x1 (t), qui sera le résultat d’un filtrage
passe-bas idéal du signal x (t) à support fréquentiel infini ou à large
bande.
D’une manière générale, afin de garantir la condition de Shannon,
il faut utiliser un filtre passe-bas anti-repliement de fréquence de
coupure fc inférieure à Fe /2.
10/13
La reconstruction
▶ Problématique
On a échantillonné un signal x (t) en respectant le théorème de
Shannon, comment fait-on pour le reconstruire à partir des
échantillons ?
▶ Hypothèses :
▶ La condition de Nyquist-Shannon a été respectée lors de
l’échantillonnage (x (t) est à support borné en fréquence ou
filtrage anti-repliement)
▶ Échantillonnage idéal
▶ Solution : pour reconstruire le signal, il suffit de prendre la TF
inverse du motif de base de Xe (f ).
▶ Filtrage passe bas idéal
▶ Diviser par Fe
▶ Puis TF inverse
11/13
La reconstruction
▶ Illustration
12/13
La quantification
▶ Rôle
Approximer chaque valeur du signal échantillonné xe (t) par un
multiple entier d’une quantité élémentaire q appelée "pas de
quantification" ou quantum.
Si q est constant quelle que soit l’amplitude du signal, on parle de
quantification uniforme. Dans tous les cas, la quantification est
une perte d’information.
▶ Principe : Il existe principalement deux modes de quantification
1 1
• par arrondi : si N − q ≤ xe (t) < N + q
2 2
alors à xe (t) on associe le code N ou la valeur Nq
• par troncature : si Nq ≤ xe (t) < (N + 1)q
alors à xe (t) on associe le code N ou la valeur Nq
La quantification introduit une erreur modélisable mathéma-
tiquement, et que l’on peut considérer comme une variable
aléatoire. 13/13