introduction au traitement du signal - institut optique
TRANSCRIPT
François Goudail
Introduction au Traitement du signal
Matthieu Boffety
Léonard Prengère
Equipe pédagogique :
TD et TPBenjamin Le TeurnierAlice Fonbtbonne
Benjamin Pointard
Pascal Scholl
Qu’est-ce que le traitement du signal ?
Extraire l’information transportée par le signal
Exemple : Le radar Signal émis(modulé par une « porteuse »)
Signal reçu (atténuation en 1/d4)
Estimation de la distance :
t0
Traitement du signal
te
d= c (te-t0) / 2
d
Articulation avec les autres cours
o En physique : la notion de bruit est essentielle.
• Cours semestre 1
o Probabilités : notion de variable aléatoire
Ex : radar
o Signaux certains (déterministes)
o Comment représenter un bruit ? Le signal reçu par un radar est imprédictible : il ne peut pas être représenté par une fonction déterministe. On doit faire appelle au concept de fonction aléatoire.
)(tftCR
→→
• Cours semestre 2 : Traitement du signal
o Comment extraire l’information d’un signal bruité ?
Objectifs :
Introduction au Traitement du signal
• Comment extraire une information d’un signal ?
• Comment représenter et transmettre une information?Estimation, détection, restauration
Théorie de l’information, modulations numériques
• Comment représenter un signal aléatoire ?Notion de bruit dans les signaux, filtrage
Signaux aléatoires et bruit
Détection d’ondesgravitationnelles
-> mesure de l’écart de longueurdes bras d’un Michelson
InterféromètreVIRGO
Bruit dephoton
Bruit thermique
Densité spectrale de puissance des bruits perturbant la mesure
Bruit(s) dans les imagesSmartphone Synthetic aperture RadarAstronomie
• Signal bruité
Détection / Estimation de cibles en radar
• Après filtrage « adapté »
t3t2t1
Détection / Estimation de cibles en radar
t3
Quelle impulsion faut-il utiliser pour obtenir une bonne
precision de localisation?
A
B
C
t3
Quelle impulsion faut-il utiliser pour obtenir une bonne
precision de localisation?
A
B
C
Imagerie par temps de volEchographie
Imagerie de Profondeur
Emetteur d’ondeacoustique
Objet sondé
Carte de profondeur
TomographieScanner X
Objet sondé
Image de la tête
Crâne
Cerveau
Imagerietomographique :
scanner, IRM, PET, …
On fait tournerl’ensemble sources+détecteur
Le satellite SPOT 5 fournit des images floues!
L’image fournie au client est déconvoluée numériquement.
Déconvolution
Théorie de l’information : compression d’image
Variation du taux de compression JPEG
Modulations numériques complexesRéseau mondial de
fibres optiques
Pour augmenter le debit: schémasde modulation “cohérents”
“Constellations”
1. Signaux aléatoires
Plan du cours
3. Filtre adapté
4. Estimation5. Détection6. Restauration
8. Théorie de l’information
9. Transmission numérique
Traitementdu signal
Quantification et transmission de l’information
2. BruitsModélisationPhysique
En pratique …
Le cours :
• 1 polys• 9 cours : qui suivent le plan du poly (transparents+tableau)• 7 séances de TD• 2 séances de TP : déconvolution d’images
L’examen :
SANS DOCUMENTS
Objectif du TP : déchiffrer le texte mystère …
1. Signaux aléatoires
Plan du cours
3. Filtre adapté
4. Estimation
5. Détection
6. Restauration
8. Théorie de l’information
9. Transmission numérique
2. Bruits
Signaux à énergie finie
• Fonction x(t) appartenant à L2. Définition de son énergie ?
• Densité spectrale d’énergie ?
• Fonction d’autocorrélation ?
• Sa transformée de Fourier ?
Autre manière de définir de la densité spectrale d’énergie
• On filtre la fonction x(t) avec un filtre linéaire de réponse impulsionnelle h(t)
• Cette méthode nous servira pour définir la densité spectrale de puissance des signaux de puissance finie et des signaux aléatoires, dont l’énergie n’est pas définie.
Peut-on définir l’énergie de ?
• Pour les fonctions dont l’énergie n’est pas définie, on utilise la puissance moyenne :
• Fonction d’autocorrélation ?
• Densité spectrale de puissance ?
Signaux de puissance finie
• Pour les fonctions dont l’énergie n’est pas définie, on utilise la puissance moyenne :
• Fonction d’autocorrélation ?
• Densité spectrale de puissance ?
Signaux de puissance finie
o On va procéder de la même manière que pour les signaux à énergie finie : on définit l’effet du filtrage sur la fonction d’autocorrélation, puis on applique un filtre passe-bande idéal de largeur δν tendant vers 0
Densité spectrale de puissance
Densité spectrale de puissance
• Pour λ fixé, est une fonction déterministe )(tX λ
)(, tXt λλ →ℜ→ℜ⊗Ω
• Pour t fixé, est une variable aléatoire définie par une densité de probabilité 𝑃𝑃𝑋𝑋𝜆𝜆(𝑡𝑡) 𝑥𝑥
)(tX λ
𝑿𝑿𝝀𝝀𝟏𝟏 𝒕𝒕
t
𝑿𝑿𝝀𝝀𝟐𝟐 𝒕𝒕 𝑿𝑿𝝀𝝀𝟑𝟑 𝒕𝒕
)(tX λ
Fonctions aléatoires
Pour représenter un signal perturbé par un bruit, il faut définir la notion de fonctions aléatoire (FA):
Moyennes d’ensemble et temporelle
λ1
λ2
λ3 ...
t
λ
Moyenne temporelle
Moyenne d’ensemble:
λ1
λ2
λ3 ...
t
λ
Covariances d’ensemble et temporelle
t1 t2
Fonction de covariance:
Fonction d’autocorrélation (covariance temporelle):
avec
λ1
λ2
λ3 ...
t
λ
Puissance instantanée (variance)
t
Puissance instantanée (variance)
Puissance (temporelle)
Stationnarité et ergodicité à l’ordre 1
λ1
λ2
λ3 ...
t
λ
Stationnarité à l’ordre 1: la moyenne d’ensemble est indépendante de t
Ergodicité à l’ordre 1: la moyenne temporelle est indépendante de λ
Fonction stationnaire et ergodique d’ordre 1: moyenne d’ensemble = moyenne temporelle mtXtX == )()( λλ
λ1
λ2
λ3 ...
t
λ
t t+τFonction de covariance
Fonction d’autocorrélation
Stationnarité (ordre 2):
Ergodicité (ordre 2):
Fonction stationnaire et ergodique d’ordre 2: covariance d’ensemble = covariance temporelle
( ) ( )ττ XXXX tt Γ=+Γ ,
( ) ( )ττλXXXX CC =
Stationnarité et ergodicité à l’ordre 2
( ) ( ) ( )τττ λXXXXXX Ctt =Γ=+Γ ,
Exemples
Filtrage des fonctions stationnaires• On filtre une fonction aléatoire stationnaire centrée Xλ(t) avec un filtre h(t). On
obtient une nouvelle fonction aléatoire Yλ(t):
• On démontre que la fonction aléatoire Yλ(t) est également stationnaire et centrée, et que sa fonction de covariance est:
Filtrage des fonctions stationnaires• On filtre une fonction aléatoire stationnaire centrée Xλ(t) avec un filtre h(t). On
obtient une nouvelle fonction aléatoire Yλ(t):
• On démontre que la fonction aléatoireYλ(t) est également stationnaire et centrée, et que sa fonction de covariance est:
• La TF de cette équation donne :
• La puissance de Yλ(t) est :
• Si h(t) est un filtre passe-bande idéal de largeur δν autour de la fréquence ν0
Densité spectrale de puissance
Bruit blanc
• En physique, il arrive fréquemment que la fonction de covariance des bruits soit très « étroite ». Cela signifie que les phénomènes à l’origine du bruit se produisent dans des temps caractéristiques très courts par rapport aux signaux utiles que l’on cherche à mesurer.
+
=
Bruit blanc• En physique, il arrive fréquemment la fonction de covariance des bruits soit très
« étroite ». Cela signifie que les phénomènes à l’origine du bruit se produisent dans des temps caractéristiques très courts par rapport aux signaux utiles que l’on cherche à mesurer.
Bruit blanc• En physique, il arrive fréquemment la fonction de covariance des bruits soit très
« étroite ». Cela signifie que les phénomènes à l’origine du bruit se produisent dans des temps caractéristiques très courts par rapport aux signaux utiles que l’on cherche à mesurer.
• Pour représenter ce type de bruit, on utilise le modèle de « bruit blanc »
• Ce modèle n’est pas totalement réaliste physiquement, car on ne peut pas définir la puissance (variance) d’un bruit blanc …
• On peut le définir par son « niveau de bruit »: Quelle unité?
Racine carrée de la densité spectrale de puissance des bruits perturbant la mesure de variation de longueur relative h d’un
bras d’interféromètre
Bruit blanc filtréSi on ne peut pas définir la puissance d’un bruit blanc, on peut définir celle d’un bruit blanc filtré par un filtre de RI h(t).
• Si h(t) est un filtre passe-bande idéalde largeur de bande monolatérale ∆ν :
• Si le filtre h(t) est quelconque, on a
où
bande passante équivalente de bruit
• Si le filtre h(t) est passe-bas et normalisé:
Bande passante équivalente de bruit
• Voici la bande passante équivalente de bruit de quelques filtres passe-bas classiques normalisés:
Bilan …• Fonction aléatoire : propriétés à connaître
o Stationnarité et ergodicitéo Fonction de covarianceo Densité spectrale de puissance
• Filtrage des fonctions aléatoires stationnaires:
• Bruit blanc
• Puissance d’une fonction stationnaire filtrée:
• Bande passante équivalente de bruit ∆f:
Illustration du filtrage
DSPCovariance
• Bruit gaussien blanc (échantillonné)
Sxx=1 W/Hz => Px=1W après échantillonnage réel à τ=1s
Réalisation
• Bruit blanc filtré σh=2
DSPh(t) Réalisation
Les variations sont plus « lentes »
Illustration
σh=2
DSP Réalisation
σh=8
• Les variations sont encore plus « lentes »
σh=2 𝑃𝑃𝑌𝑌𝑌𝑌 = 0.38𝑃𝑃𝑌𝑌𝑌𝑌 = 0.19σh=8
• La puissance (variance) est plus faible
h(t)
Illustration
σh=2
DSP Réalisationh(t)
Filtre passe-bas idéal
𝝂𝝂𝒄𝒄=0.065 Hz
• Les variations sont de même « lenteur » car les bandes passantes équivalentes 𝚫𝚫𝚫𝚫 sont similaires.
• Les puissances (variances) sont identiques
Comment réduire le bruit?• Le traitement du signal est souvent destiné à observer un signal utile perturbé par un
bruit
• L’objectif est d’estimer les paramètres dont dépend le signal utile avec la meilleure précision, ou, ce qui revient souvent au même, le meilleur rapport signal sur bruit (RSB)
Life is SNR
Chris Dainty
Comment réduire le bruit?• Le traitement du signal est souvent destiné à observer un signal utile perturbé par un
bruit
• L’objectif est d’estimer les paramètres dont dépend le signal utile avec la meilleure précision, ou, ce qui revient souvent au même, le meilleur rapport signal sur bruit (RSB)
• Moyennage (estimation d’un niveau constant)
• Filtrage (estimation de l’amplitude d’une sinusoïde)
• Détection cohérente (estimation de l’amplitude d’une sinusoïde)
Moyennage
Moyennage
T
Moyennage
Moyennage• On peut définir le rapport
signal sur bruit en sortie
Le RSB est proportionnel au temps d’intégration: plus on mesure longtemps, meilleure est la précision
• Supposons maintenant que b(t) est un bruit blanc filtré sur la bande monolatérale ∆ν>>1/T. On peut alors définir le RSB sur le signal d’entrée:
• Le gain en RSB apporté par le moyennage est donc :
Il est d’autant plus grand que la durée de moyennage T est grande par rapport à 1/∆ν, qui peut être vu comme le temps de variation caractéristique du bruit
Filtrage du bruit• Supposons maintenant que le signal utile est
une sinusoïde dont on veut estimer l’amplitude
• On filtre le signal s(t) avec un filtre passe-bande h(t) dont la réponse en fréquence est centrée sur f0 et de bande passante équivalente ∆f << f0
• L’expression du signal filtré est:
• Le RSB en sortie de filtrage est:
Filtrage du bruit
Détection cohérente• Pour pallier cet inconvénient, on utilise le principe de la détection cohérente: on
multiplie le signal s(t) par une sinusoïde de même fréquence, et on filtre passe-bas
• DSP du signal utile?
• DSP du bruit? b’(t) n’est pas une fonction aléatoire stationnaire – Sa DSP n’est donc pas définie
• Cependant, on peut montrer qu’après filtrage passe-bas, on obtient un bruit blanc filtré
• Puissance après filtrage passe-bas ?
• DSP du bruit?
Détection cohérente• On peut donc définir le RSB en sortie de filtrage
On obtient le même résultat que pour le filtrage passe-bande
• Le gain en RSB est donc le même:
L'intérêt est qu'il est beaucoup plus facile de réaliser un filtre passe-bas de bande passante (BP) équivalente ∆f qu'un
filtre passe-bande de même BP centré sur la fréquence f0
Conclusion
On a considéré trois scénarios d'estimation différents:
• Estimation d'un signal constant dans un bruit blanc par moyennage
• Estimation de l'amplitude d'une sinusoïde noyée dans un bruit blanc par filtrage passe-bande et par détection cohérente.
Plus le filtre est étroit, plus le gain en RSB est important.
En effet, le filtrage ne modifie pas la puissance du signal utile, mais réduit d'autant plus la puissance du bruit blanc que le
filtre est étroit.
Généralisation de la detection cohérente• La détection cohérente (ou détection synchrone) est sans doute la méthode de
traitement du signal la plus utilisée.
Le signal mesuré par détection cohérente est, au bruit près, égal à A(t)
où le signal A(t) est à spectre borné: ∆νA << ∆f << f0
(signal modulé en amplitude)
• Son domaine d'utilisation ne se limite pas aux signaux purement sinusoïdaux. Supposons que l'amplitude de la sinusoïde A(t) varie dans le temps:
• C'est sur ce principe que fonctionne la réception des signaux radio en modulation d'amplitude: le signal A(t) représente le signal sonore transmis et f0 la fréquence porteuse associée à chaque station de radio.
A(t)
cos 2πf0t
s(t)
Bilan …• Fonction aléatoire : propriétés à connaître
o Stationnarité et ergodicitéo Fonction de covarianceo Densité spectrale de puissance
• Filtrage des fonctions aléatoires stationnaires
• Bruit blanc
• Réduction du bruito Moyennageo Filtrageo Détection cohérente (démodulation)