UV Traitement du signal

Cours 6

Du signal continu au signal numérique

Échantillonnage, reconstruction et quantification

ASI 3
 Du signal analogique au signal numérique
échantillonnage quantification

• 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 ...

TdS 3
 Introduction
 Chaîne de numérisation

Système continu Echantillonnage Quantification Calculateur

u(t) x(t)

- support continu - données discrètes

- amplitude continue - codage en mot binaire

 Echantillonnage
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 par le calculateur
TdS 6
 Échantillonnage idéal
Te : période d'échantillonnage
Te
Signal numérique
Signal original x(t) Échantillonneur xe(t)
xe(t) = {x(nTe)} x(t)

Échantillonnage idéal : prélèvement pendant un temps infiniment court des valeurs

de x(t) à t = nTe (multiple entier de Te ).

 Modélisation mathématique
x(t) Ш
 Te (t ) xe(t)

t × t = t
−2Te −Te Te 2Te 3Te −2Te −Te Te 2Te 3Te

 Te (t )
L'échantillonnage correspond à la multiplication de x(t) par un peigne de Dirac Ш
+∞
xe (t ) = x(t ). 
ШTe (t ) xe (t ) = x(t ). ∑ δ (t − nTe )
n= − ∞
+∞
En utilisant la propriété x(t ).δ (t − t0 ) = x(t0 ).δ (t − t0 ), on obtient : xe (t ) = ∑ x(nTe )δ (t − nTe )
n= − ∞
TdS 7
 TF du signal échantillonné

Question : que devient le spectre du signal x(t) après échantillonnage idéal?

[
F [ xe (t )] = F x(t ).  ]
ШTe (t ) . D'après le théorème de Plancherel, on a :

[
F [ xe (t )] = F [ x(t )] ∗ F Ш
 Te (t ) ]
[ ]
+∞
ШTe (t ) = Fe ∑ δ ( f − nFe ) . On en déduit :
Or la TF du peigne de Dirac est : F 
n= − ∞
+∞
F [ xe (t )] = X ( f ) ∗ Fe ∑ δ ( f − nFe )
n= − ∞

Comme le produit de convolution est distributif et que y (t ) ∗ δ (t − t0 ) = y (t − t0 ) , on a alors :

+∞ 1
X e ( f ) = Fe . ∑ X ( f − nFe ) avec Fe =
Te
Fe : fréquence d'échantillonnage
n= − ∞

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

TdS "périodisation" de période Fe dans le domaine fréquentiel.
8
 Analyse du spectre de xe(t)
|X ( f )|
On considère que x(t) est un signal réel dont le spectre est
borné en fréquence, de fréquence maximale Fmax i.e.

f
∀ f > Fmax , X ( f ) = 0 − Fmax 0 Fmax

Question : que devient le spectre Xe( f ) en fonction de Fe ?

+∞
X e ( f ) = Fe. ∑ X ( f − nFe)
n= − ∞

 Cas 1 : Fe ≥ 2Fmax |Xe ( f )|

Fe Les motifs élémentaires de

n=−1 n=0 n=1 |Xe( f )| sont disjoints (pas de
recouvrement des motifs)
f
− Fe − Fmax 0 Fmax Fe

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).
TdS 9
 Analyse du spectre de xe(t)

 Cas 2 : Fe < 2Fmax

|Xe ( f )| Spectre résultant du recouvrement

Fe

f
− Fe − Fmax 0 Fmax Fe

Recouvrement de motifs (repliement de spectre)

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 xe(t).

TdS 10
 Théorème de 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 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
Pour Fe fixée,
2 est appelée fréquence de Nyquist : c'est la fréquence
maximale admissible du signal pour éviter les distorsions de spectre
TdS 11
 Échantillonnage réel
 Echantillonnage idéal x(t)
x(nTe )

L'échantillonnage idéal suppose l'utilisation d'une impulsion infiniment

δ(t−nTe)
brève permettant d'extraire la valeur instantanée x(nTe) à l'instant nTe.
t
C'est donc l'application de la distribution δ (t − nTe ) au signal continu x(t) : nTe
+∞
xe Par ) = x(nTe ): → xe ( nTe ) = ∫ x(τ ).δ (τ − nTe ) dτ
(nTedéfinition
−∞
+∞
On remarque que : x(t ) ∗ δ (− t ) = ∫ x(τ ).δ (τ − t )dτ . On en déduit alors xe (nTe ) = x(t ) ∗ δ (− t ) t = nTe
−∞
L'échantillonneur est assimilable à un filtre de réponse impulsionnelle δ (-t)

 Echantillonnage réel
En pratique, on n'a pas une impulsion infiniment brève et l'échantillonneur est assimilable à un filtre
de réponse impulsionnelle h(−t).
x(t)
Expression d'un échantillon réel : xe  nT e = x t ∗h−t |t=nT e
h(t−nTe)

xe  nT e =[x t ∗h−t ]t−nT e 

D'où l'expression du signal échantillonné réel : t
nTe
∞ ∆Τ
xe  t=[ x t∗h−t] ∑  t−nT e
TdS n=−∞
13
 Échantillonnage réel
 Exemple : échantillonnage réel par moyennage simple
x(t)
h(t−nTe)
L'échantillonneur moyenneur donne des échantillons correspondant à
la valeur moyenne de x(t) prise sur un intervalle de durée ∆T.
∆Τ
t
nTe (n+1)Te
h(t ) =
1
Π t− ∆T
On prend h(t) comme
∆T ∆T 2 

Te

Expression du signal échantillonné x(t) xe(t)

+∞
~
xe (t ) = ∑ ~xe (nTe ).δ (t − nTe )
Échantillonneur
n= − ∞

Avec : xe  nT e =[x t ∗h−t ]t−nT e 

xe  nT e =... 1 seul échantillon :

valeur moyenne de x(t) prise sur un intervalle de durée ∆T
nT e T (temps de fermeture de l'interrupteur)
1
xe  nT e =
T
∫ xt dt nTe + ∆ T
nT e ~ 1
TdS xe (nTe ) = ∫ x(t )dt 14
 TF d'un signal échantillonné

Question : que devient le spectre du signal x(t) après échantillonnage réel?

L'expression du signal échantillonné +∞

xe (t ) = [ x(t ) ∗ h(− t )]. ∑ δ (t − nTe )
~
avec un échantillonneur réel est :
n= − ∞

~ +∞
D'après Plancherel, on a : X e ( f ) = [ X ( f ).H ( − f )] ∗ Fe ∑ δ ( f − nFe )
n= − ∞

Or H (− f ) = H * ( f ) pour une réponse impulsionnelle h réelle

~ +∞
D'où : X e ( f ) = Fe ∑ X ( f − nFe ).H * ( f − nFe )
n= − ∞
+∞
Rappel : pour un ech. Idéal, on avait : X e ( f ) = Fe. ∑ X ( f − nFe)
n= − ∞

 Interprétation
~
L'expression de X e ( f ) est identique à Xe( f ) à un terme de pondération H * ( f ) près.
 Le terme de pondération n'influe pas sur la condition de Shannon.

 Le terme H*( f ) introduit une distorsion sur le spectre par rapport au cas idéal. Cette

TdS distorsion est d'autant plus faible que H( f ) est constante dans la bande [−Fe/2, Fe/2].
15
 Exemple d'échantillonnage réel
Soit x(t) un signal dont le spectre est à support borné

On réalise un échantillonnage réel par moyennage simple

∆T
Π ∆ T  t −
1 jπ f∆ T
h(t ) = H ( f ) = sinc(π f∆ T ) e −
2 
donc
∆T 

~ +∞
D'après le résultat X e ( f ) = Fe ∑ X ( f − nFe ).H * ( f − nFe )
précédent, on a n= − ∞

~ ~
X e ( f ) en fonction de ∆T Xe( f ) X( f ) |H( f )|

Fe=20 Hz ∆T =0.5 ∆T =0.1 ∆T =0.01

TdS 16
 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.

 Les signaux réels comportent souvent une composante fréquentielle à large bande due à la présence
de bruit (perturbations aléatoires), ce qui imposerait une fréquence Fe importante.

 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.

Te

x(t) x1(t)
xe(t)
fc
Échantillonneur
Filtre passe-bas anti-repliement

TdS 17
 La reconstruction
 Problématique

échantillonnage
On a échantillonné un signal x(t) en respectant le théorème de
Shannon, comment fait-on pour le reconstruire à partir des x(t) xe(t)
?
échantillons? reconstruction

Hypothèses :  La condition de Shannon a été respectée lors de l'échantillonnage

( x(t) est à support borné en fréquence ou filtrage anti-repliement)
 Echantillonnage idéal
Solution : pour reconstruire le signal, il suffit de prendre la TF inverse du motif de base de Xe( f ).

 Filtrage passe bas idéal |X ( f )|

 Diviser par Fe Fe
 Puis TF inverse

f
− Fe − Fmax 0 Fmax Fe

TdS 18
 La reconstruction
 Illustration
x(t) |X ( f )|

TF
f
t − Fmax 0 Fmax

Echantillonnage |X e( f )|
xe(t)

TF
t f
0 Te 2Te − Fe − Fmax 0 Fmax Fe

Filtrage passe-bas idéal

x(t)
TF inverse 1/Fe

t f
− Fmax 0 Fmax

Problème :
 Filtre idéal => la connaissance de tous les échantillons x(nTe) est nécessaire pour reconstruire le signal
 Reconstruction mathématiquement possible, mais physiquement irréalisable car le filtre passe-bas
TdS idéal n'est pas causal  interpolation physiquement non réalisable.
19