Bruit Et Filtrage Filtre de Wiener
Bruit Et Filtrage Filtre de Wiener
Bruit Et Filtrage Filtre de Wiener
THÈME
Présenté par :
NABGHA Khadidja
KHANNOUSSI Mabrouka
travail.
département de électrotechnique
filière.
: Probabilité de X
(t) : moyenne statistique
: variance
: fonction d’autocorrélation
: fonction d'inter-corrélation
F : Le facteur de bruit
densité spectrale
Introduction générale
En pratique, ou dans notre vie il est souvent nécessaire de mesurer l'activité
électrique (un signal) et généralement le signal est la représentation physique de
l’information, qu’il un et de sa source à sa destination. C’est une expression d’un phénomène
qui peut être mesurable par un appareil de mesure. Bien que la plupart des signaux soient des
grandeurs électriques (généralement courant, tension, champ, …) la théorie du signal reste
valable quelle que soit la nature physique du signal qui peut être déterminés c’est dire très
détermine par des mesurer des relation , comme il peut être aléatoire qui par définition est
une variable aléatoire en fonction du temps, en particulier sa valeur à un instant ne peut pas
être prédite;
Généralement les signaux sont à faible amplitude, contaminé par les bruits. Ce ci nécessite
un filtre .Le filtre est une opération permettant d’éliminer certains bruits indésirables. Il y a
deux types de filtes actifs et passifs , dans ce mémoire on va étudier un filtre linéaire souvent
utilisé pour la réduction de bruit qui est filtre de Wiener
Ce travail réalisé est subdivisé sur trois chapitres. Le premier chapitre décrit les notions
générales sur les signaux aléatoires. Le deuxième chapitre présenter certaines filtres et donne
une petite information sur chaque type et aussi étude le bruits. Le troisième chapitre présent
exact le filtre de wiener. Le quatrième chapitre pour faire certaines considérations réalisé et
l’interprétation des résultats obtenus.
On terminera ce mémoire de Projet de fin étude par une conclusion générale.
Quand nous avons choisi ce sujet venez à l'esprit quelques réflexions sur le bruit et son entrée
sur l'information générale et le signal en particulier , et les présente à plusieurs problèmes
C'est ce que nous observons dans notre vie après notre analyse du sujet nous avons trouvé cela
pour se débarrasser De ce bruit n'est pas facile donc vous devez filtre (filtre de weiner)
Alors quelles méthodes et solutions cela nous permet d’élimination du bruit utiliser la
filtration
1
Chapitre I Rappels sur les signaux aléatoires
Introduction :
Dans ce chapitre en va présenter les notions ou les éléments principales sur laquelle
s’appuie le travail de notre mémoire ,ce chapitre introduit les fondements des signaux statut le
signal aléatoire
1.2- Objectif :
L’objectif fondamental de la théorie du signal est la description mathématique des signaux.
Elle fournit les moyens de mettre en évidence, sous forme mathématique commode les
principales caractéristiques d’un signal : la distribution spectrale de son énergie ou la
distribution statistique de son amplitude par exemple. Elle offre également les moyens
d’analyser la nature des altérations ou modifications subies par les signaux lors de leur
passage au travers de blocs fonctionnels (dispositifs généralement électriques ou
électroniques).
3
Chapitre I Rappels sur les signaux aléatoires
2- Signaux aléatoires
2-1-Définition :
Un signal aléatoire représente la notion physique d’une fonction aléatoire. Lorsque la variable
d’étude représente le temps, le signal est appelé processus stochastique. Et la représentation et
l’étude de ces signaux font appel au formalisme nécessaire à l’étude de processus
stochastique.
2-2-Notation :
On notera X(t, ω ) un signal aléatoire X. Il s’agit d’un ensemble de fonctions de la variable t,
cet ensemble étant indexé par la variable ω. Un signal aléatoire est une quantité bivariée,
dépendant à la fois du temps t et de l’épreuve ω. Lorsque l’épreuve est fixée, par exemple
4
Chapitre I Rappels sur les signaux aléatoires
ω =(t , ) on obtient une réalisation du processus aléatoire que l’on notera X(t , ) ) ou plus
simplement xi (t ). Lorsque la variable t est fixée, le processus aléatoire se réduit alors à une
simple variable aléatoire. En considérant le processus pour t = ti, on obtient ainsi une variable
aléatoire X(ti, , ) ), que l’on notera Xi (ω ), ou Xi. Enfin, on notera xi les valeurs prises par la
variable aléatoire XA [2]
2-3-Processus aléatoire
C'est un ensemble de fonctions réelles ou complexes avec deux variables X (t , ) ou X(t) .où
t désigne le temps et ωi désigne la nature aléatoire du processus et c'est donc un élément d'un
Espace ou d'un champ d'expériences constitués d'un ensemble de résultats probables résultants
d'une expérience statistique.
Dans la figure suivante on a:
x0 (t ) x(t1 ) X 1
Signaux aléatoires x1 (t ) variables aléatoires x(t2 ) X 2
x (t ) x(t ) X
2 3 3
X (t , ) Processus aléatoire
xi(t) t
signaux probables, il est appelé signal aléatoire est noté ou x(t) ,et à chaque instant i le
5
Chapitre I Rappels sur les signaux aléatoires
6
Chapitre I Rappels sur les signaux aléatoires
3 -Rappel mathématiques
3-1-Probabilité :
Soit une expérience dit aléatoire c’est dire dont le résultat non prédictible, dépend de hasard
7
Chapitre I Rappels sur les signaux aléatoires
Propretés :
F ( ) est une fonction monotone non décroissant
dF ( x)
p ( x)
dx (2)
De façon équivalente, par :
Ou bien par :
Propriétés :
Représente la probabilité pour que X soit comprise dans l’intervalle , c’est
à dire la probabilité de l’événement
*Lorsque présente une discontinuité de premier espèce, la dérivation se fait au sens des
distributions, dérivée c’est-à-dire la densité de probabilité, en ce point est égale au saut que
fait la fonction de répartition. Dans le cas d’une expérience discrète, on a :
(3)
(4)
Ou désigne la probabilité du résultat
8
Chapitre I Rappels sur les signaux aléatoires
Exemple :
Variable aléatoire continue :
1) variable aléatoire uniforme sur sa fonction de
répartition est égale à :
2)
F ( )=
P ( )=
Cette densité de probabilité représente, en pratique, la loi d’une phase aléatoire uniforme ou
équiprobable sur l’intervalle relative à un processus aléatoire. La loi uniforme
généralisable a tout intervalle , est notée u et les expressions des fonctions de
répartition et de densité de probabilité sont aisément déductibles de l’exemple procèdent.
Remarque :
La probabilité vérifiée pour une variable aléatoire discrète, ne l’est par toujours
pour une variable aléatoire continue, comme le suggère l’exemple procèdent d’une variable
aléatoire uniforme de support inférieur à l’unité
3) variable aléatoire gaussienne ou normale
La fonction de répartition a pour expression
9
Chapitre I Rappels sur les signaux aléatoires
Exemple 02
La fonction de répartition est une fonction en
escalier, nom décroissante par exemple pour le
lancer des dés, on a :
Avec :
f (5)
f (6)
Si ) ; s( ) ;…. s( ) )
Cette probabilité est appelée fonction de répartition à n dimensions ou d’ordre n du processus
aléatoire
Si la ddp à n dimensions existe , elle est définie par :
(7)
(8)
10
Chapitre I Rappels sur les signaux aléatoires
(10)
Comme la densité de probabilité d’ordre 2 stationnaire est ne dépend que de la différence ,
alors sa fonction d’autocorrélation ne dépend elle aussique de cette différence
Pour laquelle les caractéristiques d’ordre 1 et d’ordre 2 sont indépendantes de l’origine des
temps ce cas le processus aléatoire est dit stationnaire au sens large. Tous les processus
stationnaires au sens strict seront stationnaire au sens large , le réciproque n’est par vraie
2
xi x(ti ) .p(x,ti ).dxi
(13)
Pour un processus stationnaire x(t); (t) est indépendante du temps :
11
Chapitre I Rappels sur les signaux aléatoires
(14)
(17)
Un processus est stationnaire au sens large si les conditions (2),(4),(7) seront satisfaites.
Exemple :
Soit le processus aléatoire ou variable aléatoire ayant la ddpr
suivant :
Sa moyenne est :
12
Chapitre I Rappels sur les signaux aléatoires
Il vient donc
Les trois condition (2),(4),(7) sont vérifiées, par conséquent le processus aléatoire x(t)
stationnaire au sens large .[31]
3-6-Fonction d'Inter-corrélation :
La fonction conjointe entre x1 et y2 ne dépend que de et on définit l'inter
corrélation :
(18)
Le produit scalaire :
(19)
où dénote la fonction décalée y(t +τ) , est appelé fonction d'inter-corrélation des signaux à
énergie finie réels ou complexes x(t) et y(t). Ainsi, ces deux signaux sont orthogonaux ( ou
non corrélés ) pour chaque valeur de τ où la fonction d'inter-corrélation s'annule. on vérifie
aisément :
(20)
Et sa valeur statistique:
13
Chapitre I Rappels sur les signaux aléatoires
Ex (t ) x
n n n
EX . p( x)dx
(23)
Alors si ces deux valeurs sont identiques pour l'ordre n=1,on dit alors que le signal est
ergodique au premier ordre.
L'ergodicité au sens large ou au second ordre nécessite la condition donnée par la relation
suivante:
x x
R x ( ) x ( ) (24)
Rappelons que l'égalité entre l'auto corrélation statistique et l'auto corrélation temporelle
signifie:
T
2
Rx ( ) x ( ) Ex(t ).x(t lim T
1
T x(t ).x(t )dt
T
2 (25)
Signalons enfin qu'un processus ergodique est stationnaire et l'inverse n'est pas vrai.
L'étude de l'ergodique sert à faciliter l'étude d'un processus aléatoire dont on ne peut pas
étudier tous ses événements ,par exemple la valeur moyenne statistique nécessite la
connaissance de tous les événements constituants le processus ,ce qui serait très compliquée,
surtout si on ne dispose que d'un seul événement du processus; seulement en considérant que
le signal est ergodique notre étude serait simplifiée car il nous suffira de connaitre les
propriétés temporelles comme valeur moyenne et autres propriétés pour connaitre comment
évolue ce processus statistiquement.[3]
14
Chapitre I Rappels sur les signaux aléatoires
Conclusion :
Grâce à notre étude de ce chapitre, nous avons pu connaître le traitement du signal en
général, Et nous avons été en mesure de connaître le signal aléatoire et ses caractéristiques et
les éléments qui le sous-tendent et sa relation avec l'objet du mémoire ; Nous passons
maintenant au chapitre suivant
15
Chapitre II Bruit et filtrage
Introduction :
Dans ce chapitre étude le bruit et filtrage, comme le bruit continuellement présent autour de nous
représente une caractéristique fondamentale de notre environnement.
Par ailleurs, le bruit, structure sous la forme du langage nous permet la communication, l’expression,
la socialisation, etc. mais, comme toute bonne chose, il est dangereux d’en abuser ! Trop de bruit nuit
à notre santé physique et mentale. Le bruit dans l'environnement (également appelé bruit résidentiel ou
bruit domestique) est défini comme le bruit émis par toutes les sources sauf le bruit sur le lieu de
travail industriel.. Les sources principales de bruit à l'intérieur sont les systèmes de ventilation, les
machines de bureau, les appareils ménagers et le voisinage [4].
De manière beaucoup plus générale, on désigne par bruit, tout signal nuisible de nature aléatoire qui se
superpose au signal utile, porteur de l’information.
Dans les domaines de l’électronique, de nombreux phénomènes physiques entachent les signaux).[5]
De ce fait, le traitement des signaux ou les informations utilise la méthode et technique de filtrage. Ce
qui nécessite une opération courante et très importante en traitement du signal. Le filtrage à un but
essentiel d’améliorer la qualité du signal en rejetant la composante perturbatrice tout en conservant la
partie porteuse de l’information utile. [6]
1- Bruit :
1-1 Notions sur le bruit :
Un signal est toujours affecté de petites fluctuations plus ou moins importantes. Ces fluctuations, dont
les origines peuvent être diverses, sont appelées bruit électrique, bruit de fond, ou tout simplement
bruit. On peut citer comme exemples :
bruit de « friture » dans un récepteur radio entre deux stations
bruit de souffle à la sortie d’un amplificateur
Un signal n’est jamais sans bruit. Simplement il peut être affecté d’un bruit plus ou moins important.
Si Celui-ci est très faible par rapport au signal, il devient invisible à l’oscilloscope.
17
Chapitre II Bruit et filtrage
⇒Une cause intérieure : l’agitation thermique des électrons provoque des fluctuations
aléatoires de la tension en tout point d’un circuit. C’est le bruit thermique qui existe toujours. On peut
le diminuer en Choisissant des composants à faible bruit mais on n’arrivera jamais à le supprimer. [7]
1.1. A Le Son :
Son : sensation auditive causée par les perturbations d'un milieu physique matériel élastique (Air,
eau...) et engendrée par la stimulation des éléments sensoriels de l'oreille interne (cellules ciliés), le
plus souvent par les ondes acoustiques.
Le son est associé au mouvement oscillatoire d’un système vibrant (source sonore). Ce
phénomène crée une onde acoustique.
Elle se propage dans toutes les « directions » (directivité) à une vitesse de 340 m/s (célérité du
son dans l’air).
3 paramètres de description "simple" d’un son :
Niveau sonore (amplitude (A))
Fréquence (hauteur du son) > F=1/T
Spectre fréquentiel. [8]
18
Chapitre II Bruit et filtrage
Caractéristique du son :
Le son est caractérisé par trois paramètres principaux : fréquence, amplitude, durée
- Le niveau d’intensité1 (ou l’amplitude de pression) est mesuré en décibel (dB)
L’amplitude indique si le son est faible ou fort.
- La fréquence : mesurée en Hertz (Hz) = nombre de variations par seconde entraîne une
distinction entre un son grave (basse fréquence- variations lentes inférieure à 500 Hz) et un
son aigu (haute fréquence, -variations rapides supérieure à 3 000 Hz).
- La durée : longueur du signal dans le temps.
Le son peut être impulsionnel (son bref – quelques ms), continu ou intermittent/variable [9]
S/B=10 .[10]
(S/B)dB=20
19
Chapitre II Bruit et filtrage
F= (1)
20
Chapitre II Bruit et filtrage
21
Chapitre II Bruit et filtrage
d)- Bruit popcorn : bruit d'assez basse fréquence, dans le domaine des fréquences
audibles, et donc habituellement non rencontré dans nos systèmes de transmission, aux
fréquences élevées, surtout après modulation. [13]
e)- Bruit de scintillation : ce le bruit est essentiellement du a des impuretés dans les
semi-conducteurs provoquant des recombinaisons électron-trou aléatoires .ce phénomène
provient du courant continu dans les composants .c’est un bruit rose pour lequel la fréquence
de coude dépende de la technologie du composant .plus précisément ce la bruit souvent
assimilé à un bruit en .
f)- Bruit d’avalanche : dans les semi-conducteur le champ électrique est tel que des
électrons peuvent faire (sauter) des électrons de valence dans la bonde de conducteur qui
deviennent autant d’électrons libères supplémentaire .plus le champ électrique est important,
plus les électrons sont globalement accélérés, plus ce phénomène prend de l’importance,
particulièrement à proximité de la zone d’avalanche des jonctions PN.
1.3. Les différents types de bruit :
Le bruit d’impact : c’est le bruit transmis par une paroi mise en vibration par un choc
(bruit de pas, déplacement de meubles, chute d’objet, enfoncement d’un clou dans un mur...)
Le bruit aérien : c’est le bruit propagé dans l’air (bruit de voix, bruit de télévision, bruit
de circulation...)
Le bruit solide : c’est le bruit propagé dans les milieux solides comprenant (le bruit d’impact
transmis par les éléments solides, le bruit d’équipement (chaufferie, ascenseurs, ...)
Bruit gaussiens : c’est un bruit dont les valeurs à un ou plusieurs instants sont des variables
aléatoires gaussiennes.
La propriété remarquable des processus gaussiens est que tout processus gaussions est entièrement
défini par ses caractéristiques statistiques du premier et du second ordre. Autrement dit, on peut
calcule tous les moments d’un processus gaussiens à partir de la connaissance de seuls moments du
premier ordre et du seconde ordre. [14]
Bruit poisson : les bruit gaussiens ont une amplitude répartie (selon la loi de Gauss) sur toutes les
dotes possible .une autre famille de bruit est formée par les suites d’impulsions brèves (à la des
impulsions de Dirac).ces signaux sont caractérisés par les dates d’occurrence des impulsions. Le
modèle le plus fréquemment utilisée bruit de poisson pour lequel les dates d’occurrence des
impulsions sont réparties aléatoirement et suivent une loi poisson. Cette loi spécifie que :
*la probabilité
22
Chapitre II Bruit et filtrage
(2)
n : nombre de impulsion
Durée
K : fréquence moyenne
*fonction de corrélation est :
(3)
Les bruits impulsifs sont utiles pour représenter les phénomènes physiques discontinus comme
*Les bruits de grenaille en électronique
* Les bruits en optique quantique
* Les phénomènes de radioactive.[15]
23
Chapitre II Bruit et filtrage
(5)
(7)
Remarquons que :
(8)
Ce résultat montre que et sont non corrélées, le bruit blanc n'est correlé qu'avec lui-
même .Et si le bruit suit la loi normale alors cette non correlation devient une indépendance.
Aussi il faut remarquer que le bruit blanc est théorique car pratiquement on ne peut pas générer ce
bruit car une puissance doit être limité du point de vue pratique ceci serait possible si on considère :
Bruit blanc avec une basse bande passante, le bruit n'apparait que sur une bande passante basse
et est nul en dehors de cette bande :
(9)
(10)
24
Chapitre II Bruit et filtrage
(12)
(13)
Fréquence mathématique définie de à
En utilisant la transformée de Fourier inverse :
(14)
Utilisons les résultats :
(15)
(16)
Compte tenu relation (13) et (14)
25
Chapitre II Bruit et filtrage
(17)
Tout comme la fonction d’autocorrélation, la densité spectrale de bruit est une fonction réelle et paire
Que les relations (15) et (16) dans la relation (14) conduit à :
(18)
(20)
2- filtrage
2-1 Notions sur le filtrage :
2-1-1Linearite :
Si des actions x1(t) et x2(t) ont des réponses respective y1(t) et y2(t) (fonction réels), le système est dit
linéaire lorsque toute combinaison linéaire (finie) à coefficients réels :
X(t)= (21)
Pour réponse la même combinaison linéaire (cl)
Y(t)= (22)
Le système satisfait, en somme au principe de superposition qu’on rencontre notamment en première
approximation petits mouvements des mécaniques petits signaux (ex : régimes différentiels) des
circuits…la linéarité permet de réduire tout x(t) complexe à couple de signaux réels.
D’un point de vue plus pratique 1et 2 ce qui donne un sens à l’écriture :
(23)
Soit famille de signaux ξ(t ; p), paramètre complexe et Г un trajet du plan complexe p.
Par passage à la limite de sommes telles que :
Xn= (24)
X(t)= (25)
2-1-2 Continuité :
Soit une suite de signaux d’entrée x n(t) convergeant vers un signal limite x(t) et tel que les signaux de
sortie respectifs yn(t) aient une limite y(t). Il n’y a aucune raison que, y (t) soit la réponse à x(t).
Ainsi le signal x(t) développable en série :
X(t)= )
A pour réponse la série :
26
Chapitre II Bruit et filtrage
Y(t)=
La représentation intégrale :
X(t)= (28)
A pour la réponse :
Y(t)= (29)
X(t)= (34)
Y(t)= (35)
2-1-4 Filtres : On appellera désormais filtre tout système linéaire, continu et stationnaire. Des
filtres techniques (passe-bas, passe-haut, passe bande…) qui d’ailleurs pourraient n’être par linéaires.
La propriété majeure des filtres est que la réponse à une action pratiquement quelconque peut être
calculée.
La fonction H (p) de la variable complexe caractérise le filtre. C’est sa fonction de
transfert. [17]
2-2 Différents types des filtres : On classe les filtres en deux grands familles : analogique
et numérique.
27
Chapitre II Bruit et filtrage
On ne les utilisera pas si on doit limiter la consommation et ils nécessitent un pré-filtrage pour éviter le
repliement spectral avant la numérisation du signal et un post-filtre de lissage.
2-3-1 La stabilité : la détérioration des composants est limitée malgré leur sollicitation et l’effet
des fonctionnements du filtre.
2-3-2 La précision : basse sur la manipulation de nombre, les risques d’altération étant alors
limites.
2-3-3 La souplesse : un filtre numérique est entièrement défini par ses coefficients arithmétiques
dont dépend la fonction gain.
28
Chapitre II Bruit et filtrage
Conclusion :
En remarque, les bruits existe dans chaque appareil électrique, application électronique (circuit,
composants...), en comme comparaison entre le son et bruit. Le son le plus simple ou son pur se définit
comme un phénomène acoustique du a la mise en vibration un objet quelconque. Cette variation de
pression dans l’air, dans l’eau, bans solide,…etc..[21]
Et le bruit est vibration acoustique erratique, intermittente ou statistique aléatoire et toute sensation
auditive désagréable ou gênante. [8]
Nous observons, il existe plusieurs types de bruit selon chaque phénomène et les sources. La
réglementation et la normalisation imposant aujourd’hui aux constructeurs de machines de fournir une
information sur le bruit de leurs produits pour faciliter le dialogue constructeur- utilisation. Il a
réglementation impose à l’employeur d’évaluer les risques et d’atteindre des objectifs de résultats et
par seulement de moyens. [22]
29
Chapitre III Filtre de Wiener
Introduction :
Dans ce chapitre on va étudier le filtrage pour l’estimation du bruit,. Et l’histoire
Norbert Wiener abord proposé le filtre dans les années 1940, puis publié en 1949. Vers la
même époque Andreï Kolmogorov travaillait sur des filtres similaires ; [23]
Le filtre de Wiener est un filtre utilisé pour estimer la valeur désirée d'un signal bruité. Le
filtre de Wiener minimise l'erreur quadratique moyenne entre le processus aléatoire estimée et
le processus souhaité.
L’application Le filtre de Wiener a une variété d'applications de traitement du signal,
traitement d'image, des systèmes de contrôle et de la communication numérique :
identification de système et dé convolution, réduction de Bruit, théorie de la Détection
pour notre sujet de thèse nous avons choisi de faire une étude théorique sur ce filtre de
Wiener; Dans notre étude nous nous intéresserons sur la réduction du bruit et donc nous nous
baserons sur ce filtre, le filtre de Wiener pour élimination du bruit.[24]
1-Densité spectrale :
Un problème important dans de nombreuses applications est l'étude de la répartition en
fréquences d'un signal aléatoire: une réalisation de ce signal a une transformée de Fourier
qu'on ne peut théoriquement pas calculer mais dont on peut trouver une
31
Chapitre III Filtre de Wiener
(1)
(2)
Nous supposerons qu'on peut commuter les sommations et les calculs de moyenne
(3)
(4)
En posant
(5)
(6)
densité spectrale; soit on calcule la fonction d'autocorrélation du signal (ce qui peut se faire
sur une seule réalisation si le signal est ergodique) et on en prend la transformée de Fourier.
On peut considérer qu'un signal aléatoire admet une décomposition en fréquence sous la
forme d'une somme infinie de sinusoïdes où pour chaque fréquence
(7)
est une variable aléatoire positive ou nulle telle que sa moyenne est égale à la racine
carrée de la densité spectrale et est une variable aléatoire dans . [26]
32
Chapitre III Filtre de Wiener
(9)
(10)
Et en posant
(12)
(13)
(14)
(15)
33
Chapitre III Filtre de Wiener
3-Autocorrélation :
La fonction d'autocorrélation est un outil très important pour l'analyse des signaux,
particulièrement pour les signaux aléatoires.montre comment calculer une fonction
d'autocorrélation pour un signal discret. On verra aussi comment elle peut être calculée à
partir de la densité spectrale de puissance, en utilisant le théorème de Wiener-Khinchine.
3-1- fonction d’autocorrélation :
Soit x(t) un signal. La fonction d'autocorrélation temporelle est définie par :
(16)
Il s'agit donc de la moyenne temporelle du produit du signal par lui-même décalé d'un temps
τ. La fonction d'autocorrélation est paire; on peut donc l'étudier pour τ>0.
Les signaux réels sont limités dans le temps. L'intégrale définissant la fonction
d'autocorrélation est alors calculée pour une durée T finie assez grande.
Soit xk un signal numérique obtenu par échantillonnage avec une période Te. Soit M le nombre
de points utilisés pour calculer la moyenne (T=MTe). La fonction d'autocorrélation discrète est
définie par :
(17)
La moyenne est ainsi calculée pour les points d'indices i à i+M-1. Soit N le nombre de points
de la fonction d'autocorrélation. L'indice n varie de 0 à N-1. [27]
4- Filtre de Wiener:
Le filtrage de Wiener est un problème d’estimation ou` on dispose d’une connaissance a priori
sur le paramètre `a estimer. Cette connaissance se présente sous la forme de données
probabilistes. Typiquement on veut estimer un signal noyé dans un bruit et on sait que le
34
Chapitre III Filtre de Wiener
signal est a priori centre, blanc, etc. En inférence statistique, lorsque l’on prend en compte une
connaissance probabiliste sur le paramètre `a estimer on parle d’estimation bayésienne. (28)
4-1-Définition du problème :
On considère ici le schéma de la figure dans lequel on trouve :
1. le signal d’excitation x(n) connu ou mesuré ;
2. le signal de sortie du processus inatteignable ;
Le but poursuivi est de trouver les coefficients du modèle MA à partir de la mesure des
signaux n d’entrée x (n ) et de sortie y (n ).
La recherche d’une solution consiste à rendre aussi proche que possible du signal
en minimisant l’erreur quadratique moyenne (Mean Square Error = MSE) par
35
Chapitre III Filtre de Wiener
(19)
(20)
(22)
(23)
36
Chapitre III Filtre de Wiener
(24)
(25)
on voit que ces trois dérivées s’écrivent plus simplement sous la forme
(26)
Comme l’erreur quadratique obtenue est minimum lorsque ces dérivées s’annullent, on
obtient finalement un ensemble de 3 équations à 3 inconnues
(27)
(28)
Cette matrice d’auto corrélation est obligatoirement symétrique car a fonction d’auto
corrélation est paire.
En représentant la matrice d’auto corrélation par le symbole , le vecteur des paramètres
par W et le vecteur d’inter corrélation par , ce résultat s’écrit plus succinctement sous la
forme :
(29)
37
Chapitre III Filtre de Wiener
(31)
on obtient :
– le signal estimé
(32)
– l’erreur d’estimation ε (n )
(33)
– l’erreur quadratique
( 34)
– l’erreur quadratique moyenne J(W) fonction des paramètres W
(35)
d’où
(36)
(37)
39
Chapitre III Filtre de Wiener
* Remarques :
- Ce filtre est non causal (∃ une version causale – voir Therrien92)
- Ce filtre permet de reconstituer x(t) à partir de z(t) en éliminant au mieux le bruit sans trop
distordre le signal.
- Si les signaux ne sont pas centrés (i.e. de moyennes nulles) il faut préalablement soustraire
les moyennes E[x] et E[b].
Si E[b] = 0, E[x] peut être estimée par moyen nage du signal dégradé : E[x] E[z].
- Si le bruit est blanc = constante.
- Généralisation du filtre de Wiener aux signaux non stationnaires : filtre de Kalman (voir
Kay93).
40
Chapitre III Filtre de Wiener
[29]
41
Chapitre III Filtre de Wiener
foetal e (n ).
42
Chapitre III Filtre de Wiener
Dans cette simulation et dans un but didactique, on a choisi un modèle MA constitué de deux
coefficients seulement Le système à résoudre s’écrit alors :
(39)
acquis.
2. Si les signaux ne sont pas stationnaires (ce qui est le cas lorsque le processus change au
cours du temps), il faut, après chaque échantillonnage, calculer les coefficients
43
Chapitre III Filtre de Wiener
[25]
44
Chapitre III Filtre de Wiener
Conclusion :
Dans ce chapitre nous savions sur le filtre de Wiener et dédions le filtre de Wiener est
un excellent filtre lorsqu'il s'agit de réduire ou de débloquer des images Un utilisateur peut
tester les performances d'un filtre de Wiener pour différents paramètres afin d'obtenir les
résultats souhaité Il est également utilisé dans les processus de sténographie. la fonction de
dégradation et le bruit dans le cadre de l'analyse d'une image.
45
Chapitre IV Application Filtre de Wiener
Introduction :
Dans ce chapitre étude filtre de Wiener en Matlab et présente l’étude, le résultat,
l’application et les exemples. L'objectif de ce chapitre est de présenter quelques fonctions de
MATLAB pour traiter des problèmes typiques de calcul numérique de filtre de Wiener.
Définition et l’objectif Matlab :
MATLAB est un langage de développement informatique particulièrement dédié aux
applications scientifiques.il est un logiciel commercial de calcul interactif. Il permet de
réaliser des simulations numériques basées sur des algorithmes d’analyse numérique.
L’objectif de ces séances Matlab est double : la connaissance de ce logiciel est en soi
indispensable parce qu’il est de plus en plus utilisé dans l’industrie et les banques pour
développer des prototypes de logiciels et tester de nouveaux algorithmes.
47
Chapitre IV Application Filtre de Wiener
48
Chapitre IV Application Filtre de Wiener
m=mean(x);
s=std(x)^2; % std = standard deviation = écart-type
m,s
Exercice:
Dans le même programme vérifier les données suivant :
Fixer a=2 ; b=14 ; donner les valeurs aléatoires de x lues sur votre écran pour N=10 et 20, que
peut-on dire de ces valeurs.
Fixer N=5 donner les valeurs de x, de la moyenne et de la variance lues sur votre écran. Que
peut-on dire de ces deux derniers résultats.
Fixer N=100000 donner les valeurs de la moyenne m et de la variance, expliquer les résultats.
Solution :
Pour a=2 ; b=14 ; N=10
m = 7.6916
s = 12.3090
Pour a=2 ; b=14 ; N=20
m = 7.6626
s = 11.1075
On voit bien que par Matlab on calcule facilement les caractéristiques des variables aléatoires
comme la moyenne l'écart type…
Pour de N=5 :
N=5
a=2
b=14
m =5.8562
s = 15.5405
Pour de N=100000 :
N=100000
a=2
b=14
m =8.0022
s = 12.0030
Explique les résultats : pour a=2 ; b=14 en état ; il existe la valeur de moyenne 7.6916 ;
En etat2 m=5.8562 et etat3 m=8.0022. Mais la valeur variation s chaque N est augment
remarque vaeur s diminue.
49
Chapitre IV Application Filtre de Wiener
50
Chapitre IV Application Filtre de Wiener
Bruit gaussien
51
Chapitre IV Application Filtre de Wiener
>> subplot(1,2,1),plot(t,x,'-*')
>> bruit=randn(1,N+1);
>> bruitB=0.25*randn(1,N+1);
>> subplot(1,2,2),hist(bruitB,200)
>> figure(2),plot(t,x+bruitB)
La résultat :
(c)
En remarque a partir la figure (a) signal bruité dans intervalle petit.
A partir la figure (b) présente le signal sinusoïdal aléatoire et figure (c) indique que signal
bruité en intervalle très petit. Si N augment c’était l’intervalle est petit et si N diminué c’était
l’intervalle est très petit , cette remarque a partir les figures.
52
Chapitre IV Application Filtre de Wiener
plusieurs manières, en fonction de la manière dont l'image est créée. Pour simuler les effets de
certains des problèmes ; utilise fonction imnoise.
A)- Suppression du bruit par filtrage linéaire : utilise fonction imfilter.
B)- Suppression du bruit par filtrage médiane : utilise fonction medfilt2.
Exemple : 1- Lisez l'image et affichez-la :
I = imread('eight.tif');
imshow(I)
2- Ajoutez du bruit:
J = imnoise(I,'salt & pepper',0.02);
figure, imshow(J)
53
Chapitre IV Application Filtre de Wiener
Suppression du bruit par filtrage adaptatif : La fonction wiener2 applique un filtre de Wiener
(un type de filtre linéaire) à une image de manière adaptative, s'adaptant à la variance d'image
locale. Wiener2 fonctionne mieux lorsque le bruit est un bruit additif à puissance constante
("blanc"), tel que le bruit gaussien. L'exemple ci-dessous applique wiener2 à une image de
Saturne qui a ajouté du bruit gaussien.
1- Lire dans une image :
RGB = imread('saturn.png');
I = rgb2gray(RGB);
2- L'exemple ajoute ensuite du bruit gaussien à l'image, puis affiche l'image. Parce que
l'image est assez grande, la figure montre seulement une partie de
l'image.
J = imnoise(I,'gaussian',0,0.025);
imshow(J)
Portion de l'image avec bruit gaussien ajouté
3- Supprimez le bruit en utilisant la fonction wiener2. Encore une fois, la figure ne montre
qu'une partie de l'image :
K = wiener2(J,[5 5]);
figure, imshow(K)
54
Chapitre IV Application Filtre de Wiener
title('Original Image')
2-Créer un fichier PSF :
LEN = 31;
THETA = 11;
PSF = fspecial('motion',LEN,THETA);
55
Chapitre IV Application Filtre de Wiener
56
Chapitre IV Application Filtre de Wiener
[ynlms,enlms] = filter(hnlms,v2,x);
9-Calculer la solution optimale:
Pour comparaison, calculez le filtre FIR Wiener optimal.
bw = firwiener(L-1,v2,x); % Optimal FIR Wiener filter
yw = filter(bw,1,v2); % Estimate of x using Wiener filter
ew = x - yw; % Estimate of actual sinusoid
10-Tracer les résultats:
plot(n(900:end),[ew(900:end), elms(900:end),enlms(900:end)]);
legend('Wiener filter denoised sinusoid',...
'LMS denoised sinusoid', 'NLMS denoised sinusoid');
xlabel('Time index (n)');
ylabel('Amplitude');
Comme point de référence, incluez le signal bruité comme une ligne pointillée dans le tracé.
hold on
plot(n(900:end),x(900:end),'k:')
xlabel('Time index (n)');
ylabel('Amplitude');
hold off
57
Chapitre IV Application Filtre de Wiener
58
Chapitre IV Application Filtre de Wiener
nr = 25;
v = 0.8*randn(5000,nr);
v1 = filter(1,ar,v);
x = repmat(s,1,nr) + v1;
v2 = filter(ma,1,v);
14- Calculer les courbes d'apprentissage:
reset(hlms);
reset(hnlms);
M = 10; % Decimation factor
mselms = msesim(hlms,v2,x,M);
msenlms = msesim(hnlms,v2,x,M);
plot(1:M:n(end),[mselms,msenlms])
legend('LMS learning curve','NLMS learning curve')
xlabel('Time index (n)');
ylabel('MSE');
15-Dans la courbe suivante, vous voyez les courbes d'apprentissage calculées pour les
filtres adaptatifs LMS et NLMS :
59
Chapitre IV Application Filtre de Wiener
60
Chapitre IV Application Filtre de Wiener
Conclusion
Nous concluons de ce chapitre, pour programmée le filtre de Wiener en Matlab, Il faut
beaucoup d'expérience pour identifier les meilleurs moyens d'analyser et de filtrer les signaux
et les images du bruit, Cela a rendu le sujet difficile. A partir l’étude nous concluons suivant :
- Suppression du bruit des images ; Cette approche produit souvent de meilleurs résultats que
le filtrage linéaire. Le filtre adaptatif est plus sélectif qu'un filtre linéaire comparable.
- La fonction wiener2 gère tous les calculs primaires et Exécuter le filtre pour une image
d'entrée. Cependant, wiener2 nécessite plus de temps de calcul qu'un filtrage linéaire.
- Le filtrage médian est un cas spécifique de filtrage de statistiques d'ordre, également appelé
filtrage de rang.
Enfin, comparez les coefficients du filtre de Wiener avec les coefficients des filtres adaptatifs.
En s'adaptant, les filtres adaptatifs tentent de converger vers les coefficients de Wiener.
61
Conclusion générale
Conclusion générale
La dernière chose que nous concluons ce mémoire, et que grâce à laquelle l'étude du
bruit et de la filtration ensemble. Ajouter un filtre de wiener à l'application, et le côté
théorique ce que nous avons recueilli grâce à la recherche, et la conclusion nous sommes
sortis avec , le bruit est un phénomène indésirable Basé sur des informations et des
références originales et aléatoires , Il est considéré comme le principal problème pour gâcher
l'information afin de s'en débarrasser, et pour s'en débarrasser nous suivons l'approche de la
filtration en général et le filtre de Wiener en particulier parce que c'est le seul moyen de s'en
débarrasser. Comme mentionné ci-dessus et à travers notre étude de ce le filtre dans un
programme MATLAB nous attendons avec impatience plusieurs problèmes l'information est
exposée , Notez que nous avons discuté de la nomination de l'image dans notre étude
appliquée par l'effet du bruit sur eux.
Et ses données. Parmi ces effets, le flou de l'image, par exemple, lorsqu'il est pris, ce qui
conduit à l'inconfort et la difficulté de la liquidation. Après avoir regardé des études
antérieures, nous avons découvert la source du bruit lorsque l'information est polarisée et
l'effet de la transmission électronique sur les données . Nous avons donc découvert qu'il n'est
pas facile de rester à l'écart de l'information générale et de l'image, surtout parce que nous
avons appliqué la proposition et proposé des solutions à ces problèmes en étudiant
l'application du candidat Wiener à Matlab :
1- Le filtrage intermédiaire est un cas spécifique pour les statistiques du système de filtrage.
2- Utilisez le filtrage linéaire pour supprimer certains types et filtres (filtres de médiation ou
filtres).
3- Utilisation de la fonction Wiener2 pour les calculs initiaux et l'implémentation du filtre
pour l'entrée.
4- Déterminer la valeur de la puissance de bruit du signal par fonction deconvwnr et fournir
des fonctions d'autocorrélation pour aider à améliorer la correction.
Enfin, le bruit ne peut pas être complètement éliminé de l'information mais réduit.
63
64
Bibliographie
Bibliographie
1- Pdf Systèmes et Signaux : Partie 1 ; Essid. Chaker
2- Pdf SIGNAUX ALÉATOIRES ; J.-F. BERCHER ; Novembre 2001 – version 0.8
3- livre (traitement de signal ) : Tazi Abdelkader
4- http://www.who.int/docstore/peh/noise/bruit.htm
5- PDF : introduction « pierre POUVIL »
6- Application du filtre de kalman pour le de bruitage des signaux Mémoire magister
électronique « BELMAHDI Fatiha soutenu le : 14/12/2015
7- PDF : le bruit dans les systèmes électronique (jean Philipe Muller) version juillet 2002
8- PDF : introduction à l’acoustique (Ricardo Atienza a 2008_2009 « Suzel ballez/ Nicolas
Remy ») école national supérieure d’architecture de Grenoble
9- PDF : Les différents types de bruits et leur caractéristique
10- Livre : traite de l’électronique analogique et numérique _volume1_ « Paul HOROWITZ
& Winfield HILL »
11- Pdf : jean-philippe muller Le bruit électrique
12- PDF : le bruit en réception radar
13- http:// www.socard.fr/index.htmldifferentes de type de bruit « socard
conseil »19septembre 2007
14- méthode et technique de traitement de signal (Jacques Max jean-la coume) 4aout1995
15- http://www.dunod.com
16- livre électronique_ bruit en électronique du composant aux systèmes instrumentation,
oscillateur ; télécommunication (Gérard COUTURIER) 2012 ,
17- livre distributions signal « Elie Roubine » en 1990
18- PDF les filtres analogiques CNAM 2006-2007 LOP
19- Livre Filtrage analogique _ numérique « DJEDDI.M , BADDARIK, AITOUCHEM.A »
20- PDF :polycopie de cours »traitement numerique du signal 29septembre 2014
21- Fiche technique Fondation Nicolas hulot pour la nature et l’homme-repères pour
l’éducation à l’environnement N=05-octobre 1995)
22- bruit en milieu de travail et risques professionnels. Dr Aziz TIBURGUENT 2006
23- (en) Norbert Wiener, Extrapolation, Interpolation, and Smoothing of Stationary Time
Series, New York, Wiley, 1949 (ISBN 0-262-73005-7)
24- https://fr.wikipedia.org/wiki/Filtre_de_Wiener
65
Bibliographie
66
Résumé:
Le travail effectué, dans ce mémoire , consiste à étudier Un signal aléatoire peut être
accompagné de bruit afin d'améliorer ce signal et réduire le bruit de leur part Nous
filtrons ce signal en utilisant le filtre de wiener
Cette étude 'est, principalement , axée sur :
Connaissance du signal aléatoire et de ses caractéristiques
Le type de bruit et ses sources, et Connaissance de filtre
Utilisez le filtre et le wiener pour l'élimination du bruit et la minimisation
Les résultats obtenus ;en utilisant le filtre weiner pour supprimer le bruit et le
minimiser Les résultats sont identiques et réalisés dans le domaine appliqué
Abstract:
The performed job, in this memo , consists in studying A random signal may be
accompanied by noise to improve this signal and reduce the noise on their part We filter
this signal using the wiener filter
This study is ,principally, axed on :
Knowledge of the random signal and its characteristics
The type of noise and its sources, and Filter Knowledge
Use the wiener filter for noise elimination and minimization
The obtained results ,Using the weiner filter to remove the noise and minimize it, The
results are identical and realized in the applied field