Echantillonnage, le théorème de Shannon
Les disques compacts, les DVD, les appareils photos numériques ont un succès retentissant auprès du grand
public : l’heure est au numérique. Contrairement aux stockages analogiques où le bruit des composants détériore
irrémédiablement le signal, les sources numériques proposent des enregistrements de meilleure qualité,
facilement manipulables et inaltérables. Cependant le signal initial, qu’il soit audio, photographique ou d’une
autre nature reste analogique. Pour un enregistrement audio la membrane d’un micro vibre en fonction de l’onde
sonore perçue, cette vibration est traduite en une variation d’intensité de courant qu’il faut ensuite numériser.
Plus tard, lors de la restitution de l’enregistrement, il faudra reconstruire le signal analogique à partir de sa
numérisation.
5 centièmes de seconde d’une onde sonore
Echantillonnage et quantification
Une numérisation consiste en deux étapes :
• l’échantillonnage : on mesure le signal analogique à intervalle de temps régulier,
• la quantification : la mesure est exprimée comme multiple entier d’une quantité élémentaire appelée
quantum.
La quantification est à l’origine d’une altération du signal initial : c’est ce qu’on appelle le bruit de
quantification. Néanmoins les composants électroniques actuels sont plus précis que la perception humaine et,
pour une onde sonore, une quantification sur 16 bits (c'est-à-dire sur 65536 niveaux) est parfaitement
satisfaisante. C’est la quantification pratiquée sur les enregistrements CD ou dans les fichiers « .wav ». Nous
n’allons pas nous appesantir plus sur le problème de la quantification mais allons présenter dans cet article le
théorème de Shannon qui résout deux problèmes liés à l’échantillonnage :
• comment reconstruire le signal analogique à partir de son échantillonnage ?
• quel laps de temps Te prendre entre deux mesures ?
Plus la fréquence d’échantillonnage νe = 1 Te est élevée, plus le nombre d’échantillons sera grand et le
document numérisé volumineux. Sachant que l’oreille humaine est insensible aux fréquences supérieures à
20 kHz, on pourrait présumé qu’un échantillonnage à une fréquence légèrement supérieure à cette barre serait
suffisant, nous allons voir que cela n’est pas si simple à cause du phénomène de repliement.
Repliement (ou aliasing)
Imaginons une onde sinusoïdale de fréquence ν = 10 Hz échantillonnée à la fréquence νe = 11 Hz :
Le signal apparent est alors le suivant :
Ainsi, par échantillonnage, il y a repliement des fréquences élevées parmi les fréquences basses. C’est le même
phénomène, qui dans les Western, fait tourner les roues des diligences à l’envers,… au cinéma les films sont
tournés à 24 images par seconde.
D’un point de vue audio, les instruments de musique génèrent d’autres vibrations que les ondes perçues par
l’oreille humaine. Le phénomène de repliement se traduit alors par un durcissement du son, celui-ci devient
métallique voire désagréable. Pour résoudre ce problème, il convient maintenant d’avoir une compréhension en
fréquence du signal à numériser
Dualité temps-fréquence
D’un premier abord, il ne paraît peut-être pas naturel d’étudier le contenu en fréquence d’un signal, pourtant,
lorsqu’on écoute une mélodie, ce qui différencie les notes les unes des autres est leur contenu fréquentiel. Par
exemple le « la » du diapason correspond à la fréquence de 440 Hz. Pour connaître le contenu fréquentiel d’un
signal, le mathématicien dispose d’un outil : la transformation de Fourier.
Sous réserve d’existence, la transformée de Fourier d’une fonction f : ℝ → ℂ de la variable t est la fonction :
+∞
f (ξ ) = ∫ f (t )e−2iπξt dt
ɵ
−∞
Le nombre complexe ɵ
f (ξ ) se comprend comme le contenu du signal t ֏ f (t ) à la fréquence ν = ξ . Par
exemple, la transformée de Fourier de la fonction 1[−a ,a ] indicatrice de l’intervalle [−a ,a ] est ξ ֏ 2a sinc(2πξa )
sin x
où sinc est la fonction sinus cardinal, fonction continue sur ℝ égale à pour x ≠ 0 .
x
Présentons maintenant quelques propriétés utiles.
Si fa désigne la fonction translatée t ֏ f (t −a ) , un changement de variable permet d’établir
ɵ
f a (ξ ) = e−2iπξa ɵ
f (ξ )
On peut reconstruire une fonction à partir de sa transformée de Fourier, c’est la formule d’inversion
+∞
f (t ) = ∫ ɵ
f (ξ )e 2iπξt dξ
−∞
Par suite deux signaux ayant même transformée de Fourier sont égaux. Ce résultat permet aussi de justifier que
1
la fonction t ֏ sinc(2πνt ) est celle dont la transformée de Fourier est ξ ֏ 1[−ν ,ν ] (ξ ) .
2ν
Enfin, présentons la formule de Poisson :
1
∑ fˆ(ξ + k ν ) = ν ∑ f (n ν )e
k ∈ℤ n ∈ℤ
−2i πn ξ ν
Celle-ci s’établit en observant que le membre de gauche est une fonction ν -périodique dont on peut réaliser la
décomposition en série de Fourier :
1 ν
∑ fˆ(ξ + k ν ) = ν ∑ ∫ ∑ ɵf (ω + k ν )e
k ∈ℤ n ∈ℤ
0
k ∈ℤ
−2i πn ω ν
dω e 2iπnνξ
En permutant la somme en k et l’intégrale puis en translatant les intégrales de sorte de pourvoir les recoller on
parvient à
1 +∞
∑ fˆ(ξ + k ν ) = ν ∑ ∫
k ∈ℤ n ∈ℤ
−∞
fˆ(ω )e−2iπn ω ν dω e 2iπnνξ
et on conclut par la formule d’inversion.
Par intégrations par parties, on peut établir que pour
A l’aide de ces résultats d’analyse fréquentielle,
nous pouvons maintenant énoncer et démontrer le une fonction f de classe C n : f (n )
(ξ ) = (2i πξ )n ɵ
f (ξ ) .
théorème suivant qui résout les problèmes liés à Lorsqu’une fonction est régulière sa transformée de
l’échantillonnage précédemment évoqués : Fourier décroît rapidement en ±∞ : cette fonction
Le théorème de Shannon-Whittaker-Nyquist présente peu de fréquences fortes. La réciproque est
aussi vraie, et par suite, si un signal a un contenu
Si la transformée de Fourier d’une fonction f est
fréquentiel nul en dehors de [−ν , ν ] , il est extrêmement
nulle en dehors du segment [−νc , νc ] ( νc est
régulier. Il est alors raisonnable de penser pouvoir
appelée fréquence de coupure) alors on peut reconstruire ce signal à partir d’un échantillonnage.
reconstruire la fonction f par la formule qui suit à
partir de n’importe quel échantillonnage réalisé à une fréquence νe ≥ 2νc :
f (t ) = ∑ f (nTe )sinc (πνe (t − nTe ))
n ∈ℤ
Présentons les grandes étapes de la démonstration de cette formule. Notons g la fonction qui à t associe le
membre de droite de la relation ci-dessus. Nous allons établir l’égalité de f et g par l’égalité de leurs
transformées de Fourier. Connaissant la transformée de Fourier de la fonction sinc , nous obtenons :
1
gˆ(ξ ) =
νe
∑ f (nT )e
n ∈ℤ
e
−2i πnTe ξ
1[−νe 2,νe 2 ]
(ξ )
puis en exploitant la formule de Poisson, nous parvenons à :
gˆ(ξ ) = 1[−νe 2,νe 2 ]
(ξ )∑ fˆ(ξ + nνe )
n ∈ℤ
f est nulle en dehors de [−νc , νc ] ⊂ [−νe 2, νe 2] , nous obtenons ɵ
Enfin, sachant que ɵ g (ξ ) = ɵ
f (ξ ) et le théorème
est démontré.
reconstruction de la sinusoïde initiale à partir de 75 échantillons à 25 Hz :
25 sur la fenêtre de visualisation et 25 de part et d’autres.
L’erreur relative par rapport au signal initial est de l’ordre de 1%
Conséquence pratique
Sachant que l’oreille humaine n’entend pas les fréquences supérieures à 20 kHz, on se doit d’effectuer un
échantillonnage à une fréquence νe ≥ 40 kHz. Cependant les instruments de musique émettent des fréquences
supérieures qui par repliement vont altérer le message échantillonné en y adjoignant des fréquences fantômes.
Afin de supprimer celles-ci avant échantillonnage, on positionne un filtre passe-bas à une hauteur voisine de νe ,
filtre qui peut être réalisé par des moyens électroniques élémentaires. En pratique, l’échantillonnage est réalisé à
la fréquence 44,1 kHz, fréquence que l’on peut voir figurer sur certains matériels Hi-Fi.
Ve Vs
C
signal enregistrement Filtre
initial analogique antirepliement
0011001011100111010…
échantillonnage quantification signal numérique