TP1 : Familiarisation avec MATLAB : signaux et

images digitales, DFT

Le langage interprété MATLAB se fonde, on le verra, comme son nom l’indique

(MATrixLABoratory), sur le travail à partir de tableaux (matérialisés en termes
mathématiques par des matrices). L’objectif de cette première séance de TP est de
vous familiariser avec ce logiciel au travers précisément de ce travail sur les tableaux
et de la transformation de Fourier discrète (dft) introduite en cours. On s’initiera
aussi à la représentation visuelle avec les instructions plot (pour les signaux 1D),
image, imagesc, imshow (visualisation des tableaux sous forme d’images, la lumi-
nance (ou encore brilliance) des pixels traduisant la taille des entrées, ce de manière
inversement proportionnelle : blanc = grande entrée numérique, noir=petite entrée
numérique). Vous serez aussi amenés avec les commandes du graphisme telles
colormap.
Des aides à la prise en main de MATLAB (et Scilab) en pdf (malheureusement non
interactives) sont disponibles sur ce site :
http://www.math.u-bordeaux1.fr/~ayger/MATLABSignal/Tutorials
http://www.math.u-bordeaux1.fr/~ayger/MATLABSignal/Tutorials
La première initMS.pdf a été rédigée par Philippe Thieullen (Bordeaux 1) pour
l’ouvrage Mathématiques Appliquées L3 (A. Yger, J.A. Weil ed.), Pearson 2009
(disponible à la BU en plusieeurs exemplaires 1, tandis que la seconde (ne concernant
que MATLAB) a été rédigée par Fanny Delebecque et Jean-Christophe Pesquet.
Téléchargez ces deux fichiers pdf depuis ces lien et sauvez les dans un répertoire
TPSignal que vous aurez préalablement crée.
Ouvrez sur votre terminal MATLAB en tapant la commande matlab : vous devez
disposer de quatre espaces (que vous pouvez visualiser ou non en utilisant les onglets
Desktop et Window sur le bandeau) :
– Command Window (l’espace pour vous le plus important) où vous allez taper
le plus souvent vos instructions (derrière de prompt >>) et voir s’afficher
les résultats au terme de leur exécution 2. Il est utile d’exploiter le fait que
la machine garde en mémoire les instructions déjà effectuées (ceci est bien
utile lorsque vous voulez taper une instruction similaire à une instruction

1. Le chapitre 10 de cet ouvrage (avec les tests et exercices correspondants) me servira très
souvent dans ces TP.
2. Attention : mettre ; derrière une instruction vous évite de voir l’affichage (c’est exactement
le contraire de ce qui se passe avec Maple12 !) ; ne rien mettre derrière vous fait au contraire courir
le risque de voir s’afficher un résultat, ce qui n’est en règle générale pas souhaitable, surtout lorsque
les variables en jeu sont de grands tableaux.

1
2 TP1 : FAMILIARISATION AVEC MATLAB : SIGNAUX ET IMAGES DIGITALES, DFT

déjà effectuée : tapez les premières lettres et vous verrez apparaitre l’ancien
modèle que vous pourrez alors corriger).
– Command History : c’est ici que s’affice l’historique des commandes. C’est
une fenêtre que vous pouvez fermer pour ne pas encombrer votre écran de
console.
– Current Directory : vous voyez dans cet espace le contenu du répertoire dans
lequel vous vous êtes placé (qui devrait être toujours le répertoire TPSignal
que vous venez de créer). C’est en particulier dans ce répertoire que se trou-
veront tous les fichiers .m correspondant à des script (par exemple com-
mençant par [.,., ...,.] = function (.,...,.)) que vous aurez à écrire
ou à utiliser, les fichiers .mat correspondant aux sessions ou aux variables que
vous sauverez éventuellement, ainsi que les fichiers de données numériques
(tableaux de nombres, images jpeg, etc.) préalablement téléchargés.
– Workspace : ici se trouvent recensées les variables actuellement affectées dans
votre présente session de travail.
Les commandes Unix sont valables sous l’environnement MATLAB ; reportez vous au
fascicule de TP 2011-2012 pour l’UE N1MA3003 (page 12), pour un rappel de ces
commandes avec les touches Ctrl + [...]. Ce fascicule est téléchargeable ici :
http://www.math.u-bordeaux1.fr/~ayger/initMS.pdf

Le logiciel MATLAB installé sur les machines du CREMI est augmenté des cinq
toolboxes : Signal Processing, Image Processing, Wavelets, PDE, Statistique.
Les trois premiers pourront être mis à contribution dans ces TP. Est présent aussi
le toolbox libre Wavelab rapatrié depuis ce site
http://www-stat.stanford.edu/~wavelab/Wavelab_850/download.html
Des routines prises dans ce package pourront s’avérer utiles. Pour le rendre opérationnel,
ajouter sous l’onglet Files/Set Path :
/opt/local/toolbox/Wavelab850
Pour vous assurer de la présence de ce package, lancer les commandes suivantes :
>> WavePath
>> S1 = MakeSignal (’Piece-Regular’,1024);
>> S2 = MakeSignal (’Blocks’,1024) ;
>> S3 = MakeSignal (’LinChirp’,1024);
>> S4 = MakeSignal (’TwoChirp’,1024);
>> S5 = MakeSignal (’Chirps’,1024);
>> S6 = MakeGabor (’Gabor’,1024);
>> plot(S1) ; plot (S2) ; .... ; plot(S6);
Comme vous le constatez, la routine MakeSignal nous servira à générer des signaux
1D.
Quelques tests préliminaires. Au contraire de Maple12 (qui est un logiciel in-
terprété de calcul symbolique ou formel), donc entrainé aux calculs sans pertes
lorsque les variables d’entrée sont des entiers, des rationnels, ou des polynômes à
coefficients entiers, rationnels, voire algébriques, MATLAB est un logiciel interprété
de calcul scientifique, où les calculs numériques impliquent en général des nombres
réels ou complexes déclarés en flottants (floating, soit -c’est le cas par défaut- en
 TP1 : FAMILIARISATION AVEC MATLAB : SIGNAUX ET IMAGES DIGITALES, DFT 3

double précision double, ou bien en simple précision single) et sont donc tribu-
taires des arrondis inévitables liés à l’erreur machine (en accord toutefois avec la
norme du standard IEEE754). Testez les commandes suivantes :
>> eps
>> realmax
>> realmin
A l’aide de help (exemple : tapez help eps), analysez le sens de ces variables
modifiables ; comment interpréter le résultat de la commande
>> eps(x)
lorsque x est un nombre flottant (faites le test avec eps(pi), avec eps(1), eps(1/2),
eps(10(20) + pi), eps(107 +pi)). Conclusion ? En quoi eps(x) peut il être considéré
comme un indicateur de la précision au niveau du flottant x ? Le logiciel n’affiche
par défaut que quatre chiffres représentatifs pour les nombres réels flottants (en
double précision) ; pour en voir 16 (comme cela est théoriquement possible, aux
arrondis près, cf. la valeur de eps(x)), il faut préalablement taper l’instruction :
>> format long
Testez ceci sur des exemples (par exemple sur les variables non effacables i, j,
sqrt(-1)). Attention : j est le i des physiciens, ce n’est pas ici le exp(2*i*pi/3)
des mathématiciens !

Exercice 1 (Manipulation de tableaux numériques sous MATLAB). Comme la

terminologie utilisée le suggère, MATLAB est un logiciel à base de calcul matriciel. Les
variables déclarées en entrée ou récupérées en sortie des routines sont des tableaux
(soit de données numériques codées en simple ou double précision [simple, double],
soit des données symboliques codées par exemple avec les formats init8, unit8,
comme c’est par exemple le cas, on le verra, dans le codage des images basé sur
le cube des couleurs (codage RGB). Le but de cet exercice est l’apprentissage de
pareille manipulation de tableaux.
(1) Vérifiez que la matrice
 
2 −4 −1 −3
A= 1 0 −5 7 
−6 −8 0 7
se déclare sous MATLAB ainsi :
>> A = [ 2 - 4 - 1 -3 ; 1 0 - 5 7 ; -6 - 8 0 7] ;
>> A
Déclarez, si vous avez compris, une matrice B cette fois à 4 lignes et 3
colonnes (mettez des entrées réelles arbitraires). Que se passe -il lorsque
vous tentez les commandes :
>> C = A*B;
>> C = B*A;
>> BB = B’;
>> C = BB*A;
>> C = A*BB;
>> C = A.*BB;
>> C = BB.*A;
4 TP1 : FAMILIARISATION AVEC MATLAB : SIGNAUX ET IMAGES DIGITALES, DFT

Dans chaque cas où vous n’avez pas reçu un message d’erreur, affichez BB
ou C en faisant
>> BB
>> C
(sans point virgule cette fois) et tentez d’analyser ce qui se passe. Les
bases de calcul matriciel acquises en L1 et en L2 vous seront ici utiles.
(2) Les commandes rand (M,N) et randn (M,N) génèrent des matrices à M
lignes et N colonnes dont les entrées sont des réalisations de variables
aléatoires réelles (mutuellement indépendantes) suivant respectivement :
– en ce qui concerne la fonction rand, la loi uniforme sur [0, 1] (chaque
entrée est un nombre flottant aléatoire entre 0 et 1, tous les choix
étant équiprobables) ;
– en ce qui concerne la fonction randn, la loi normale (moyenne 0 et
écart type égal à 1) sur R.
Générez des matrices suivant les instructions :
>> A = rand(10,8);
>> A
>> Adouble = [A A];
>> Adouble
>> B = randn(12,9);
>> B
>> Bdouble = [B;B];
>> Bdouble
>> AA = A(1:2:10,1:2:8);
>> AA
>> BB = B(1:3:8,2:2:9);
>> ONES = ones (7,5);
>> ONES
>> ZEROS = zeros (10,7);
>> ZEROS
>> EYE = eye (10,5);
>> EYE
>> AAA = flipud (A);
>> AAA
>> BBB = fliplr (B);
>> BBB
Analysez l’opération qu’exécute chacune de ces instructions. Qu’exécute
en particulier l’instruction Mat1=Mat(1:pas1:M,1:pas2:N) si Mat est un
tableau numérique à M lignes et N colonnes, pas1 et pas2 étant des entiers
respectivement entre 1 et M et 1 et N ?
(3) Construisez une matrice Apad à 16 lignes et 16 colonnes en bordant la
matrice A générée à la question (1) de manière symétrique (des deux côtés)
par des blocs de zéros 3. Faites ensuite la même chose avec cette fois des
blocs de 1.
3. Pareille opération, fort utile dans la pratique, soit pour compléter une matrice rectangulaire
en une matrice carrée pour des calculs ultérieurs, soit pour s’accorder une  marge de sécurité ,
telle un  cadre , autour d’un tableau ou d’une image, s’appelle le zeropadding.
 TP1 : FAMILIARISATION AVEC MATLAB : SIGNAUX ET IMAGES DIGITALES, DFT 5

(4) Créez une matrice à 19 lignes et 15 colonnes dont les lignes et les colonnes
sont celles de la matrice A générée à la question (1), mais séparées cette
fois entre elles par des lignes et des colonnes de zéros.
(5) Quelle est la méthode la plus judicieuse (au niveau du temps d’exécution)
pour déclarer sous MATLAB les matrices :
   
0 0 3 0 1 0 1 1 3 1 1 1
5 0 0 0 0 8  5 1 1 1 1 8 
   

U = 0 2 0 0 1 0   V = 
1 2 1 1 1 0  ?
0 0 1 0 8 0  1 1 1 1 8 1 
1 0 0 0 0 5 1 1 1 1 1 5
Déclarez ces deux matrices de la manière que vous jugerez la plus efficace
possible (au niveau du temps d’exécution).
Sauvez votre session dans votre répertoire TPSignal (celui dans lequel vous êtes
précisément en train de travailler) avec l’instruction save TP1exo1. Vérifiez que
vous avez bien ainsi créé un fichier TP1exo1.mat dans votre répertoire TPSignal.
Faites ensuite l’instruction clear all pour rendre à nouveau vierge tout votre
Workspace. Vérifiez que c’est bien le cas. Que se passe t’il si vous donnez les ins-
tructions :
>> load TP1exo1
>> who
Faites clear all à nouveau.
Exercice 2 (signaux analogiques discrétisés et transformation de Fourier dis-
crète (DFT)). Les signaux audio constituent des exemples de signaux analogiques
(fonctions d’une variable continue, à savoir le temps) qui ont été discrétisés. Si le pas
temporel d’échantillonnage est de 1/Fs seconde, on dit que le signal analogique 4
est échantillonné à Fs Hertz. La partie entière de Fs constitue donc le nombre
d’échantillons collectés par seconde. Dans un signal audio au format .wav (par
exemple toto.wav) se trouvent encodés la fréquence d’échantillonnage Fs (en Hertz,
c’est-à-dire qu’il y a Fs échantillons par seconde), les échantillons successifs du
signal, ainsi que le nombre de bits B utilisé pour coder chaque échantillon. La
commande
>> [s,Fs,B] = wavread(‘toto.wav’);
génère, outre les valeurs de Fs et B, le signal audio (analogique) discrétisé (c’est-
à-dire les échantillons du signal audio codés initialement sur B bits) et converti au
format numérique, s(k) correspondant à un nombre réel flottant codé en double
précision et normalisé de manière à appartenir au segment [−1, 1] (16 décimales
dans la mantisse suivant la virgule dans le système décimal, vérifiez le en vous
mettant sous format long).
(1) Depuis le répertoire
http://www.math.u-bordeaux1.fr/~yger/MATLABSignal/Audio
téléchargez les 10 fichiers saxo-NOTE-wav, violon-NOTE-wav, où NOTE est
à prendre dans la liste : do, mi, la, ladiapason, si des notes de la
gamme. Convertissez ces 10 fichiers en 10 fichiers digitaux NOTE-saxo,

4. Par exemple la position de la membrane du haut-parleur s’il s’agit d’un signal audio.
6 TP1 : FAMILIARISATION AVEC MATLAB : SIGNAUX ET IMAGES DIGITALES, DFT

NOTE-violon (notés s) et vérifiez que les signaux analogiques correspon-

dant ont été tous échantillonnés à Fs=48000 Hz. Affichez avec la com-
mande plot l’un de ces signaux digitaux.
(2) Soit S : t 7→ S(t) un signal analogique défini sur un intervalle tem-
porel d’une durée N/Fs (en seconde), où Fs figure un nombre entier et
N=2M un nombre entier pair, à compter de t = 0, c’est-à-dire sur l’in-
tervalle [0, N/Fs]. On souhaite déterminer une fonction trigonométrique
 balancée 

2iπ(j − 1)Fs
X
M
t
s : t 7−→ cj+M e N
j=−M +1

de manière à ce que
∀ k = 1, ..., N, S((k − 1)/Fs) = s((k − 1)/Fs).
Vérifiez que le système de N équations à N inconnues que doivent satisfaire
les nombres cj pour qu’il en soit ainsi s’exprime :
X
M
cj+M e2iπ(j−1)(k−1)/N = S((k − 1)/Fs), k = 1, ..., N
j=−M+1

ou encore (en utilisant le changement d’indexation j 0 = j + M )

X
N
−(j 0 −1)(k−1)
cj 0 WN = (−1)k−1 S((k − 1)/Fs), k = 0, ..., N − 1,
j 0 =1
−(j−1)(k−1)
avec WN = exp(−2iπ/N). L’inverse de la matrice [WN ]1≤j,k≤N
étant
(j−1)(k−1)
1/N × [WN ]1≤j,k≤N
et la transformation d’une variable X de longueur N (représentée en ligne
(j−1)(k−1)
ou en colonne) par l’application linéaire de matrice [WN ]1≤j,k≤N
étant assurée par l’une ou l’autre des commandes
>> U = fft(X);
>> U = fft(X,N);
vérifiez que le calcul de cj 0 , j 0 = 1, ..., N, s’obtient via :
>> C=fft(ss(1:N),N)/N;
si ss est le signal digital de longueur N dont la k-ième entrée (k = 1, ..., N)
est (−1)k−1 ∗ S((k − 1)/Fs). Quels sont les indices j 0 tels que le coef-
ficient cj 0 apparaisse comme le coefficient d’un signal oscillant de basse
freq́uence (en valeur absolue) dans la décomposition du signal polynôme
trigonométrique périodique s interpolant S ? Où se trouvent les indices
j 0 tels que le coefficient cj 0 apparaisse comme le coefficient d’un signal
oscillant de haute fréquence (en valeur absolue) dans la décomposition de
ce même signal polynôme trigonométrique s ? Quelle est la période de S ?
Observez l’effet de la commande fftshift :
>> C= fftshift(fft(ss,Fs))/Fs;
(si le signal s est trop court, il se trouve de force prolongé par des zéros).
Comparez avec
TP1 : FAMILIARISATION AVEC MATLAB : SIGNAUX ET IMAGES DIGITALES, DFT 7

>> CC = fft(s,Fs)/Fs;
Quel est le champ fréquenciel (en Hertz) exploré ? Prenez pour N des va-
leurs diverses (512, 1024, 2048, 4096) et choisissez au hasard une fenêtre
d’observation sN de longueur N pour l’un de vos signaux digitaux NOTE-saxo
ou Note-violon (plutôt au cœur du signal, aux alentours de 20000). Cal-
culez le module et l’argument (phase) des entrées de
>> dft_sN = fftshift(fft(sN,N))/N);
Pourquoi le champ fréquenciel exploré reste-t’il [−Fs/2, Fs/2], mais cette
fois discrétisé avec un pas de Fs/N et non plus de 1 ?
(3) En privilégiant la valeur de N=2048 et en choissant une fenêtre d’observa-
tion judicieusement, précisez (en Hertz) les valeurs des fréquences corres-
pondant aux divers harmoniques de la note enregistrée. Examinez le cas
de diverses notes (en particulier le ladiapason), sur les deux instruments
que sont le saxo et le violon.
(4) Après avoir étudié la fonction de la routine hamming, explicitez ce qu’ef-
fectue le code MATLAB suivant :
function [Omega,PSD] = welch1(s,Fs,fenetre,recouvrement);

% function [Omega,PSD] = welch1(s,Fs,fenetre,recouvrement);

% completer ici en decrivant la fonction de cette routine.

NN = length(s);
N = length(fenetre);
Omega = - fix(Fs/2) : Fs/N : fix(Fs/2)-1;
PAS = N-recouvrement;
PSD=zeros(N,1);
q=0;
for j= N+1: PAS : NN,
y= fenetre.* s(j-N:j-1);
PSD=PSD+(abs(fft(y))).^2;
q=q+1;
end
PSD=PSD/(q*(norm(fenetre))^2);
PSD1=PSD(1:fix(N/2));
PSD2=PSD(fix(N/2)+1:N);
PSD=[PSD2;PSD1];
plot(Omega,PSD);
Ce processus d’inspiration statistique correspond à l’implémentation de
ce que l’on appelle la transformation de Welch. Cette transformation cor-
respond à un calcul statistique du carré du module du spectre (sur une
gamme de N fréquences) par simple moyennisation des résultats obtenus
sur des fenêtres d’exploration du signal (chacune de longueur N). Ce cal-
cul correspond à la version discrètisée du calcul de la densité spectrale de
puissance (psd) dont on reparlera.
(5) Générez des signaux se présentant comme des fonctions présentant des
discontinuités, par exemple :
8 TP1 : FAMILIARISATION AVEC MATLAB : SIGNAUX ET IMAGES DIGITALES, DFT

>> S1 = MakeSignal (’Blocks’,2048);

>> S2 = MakeSignal (’Piece-Regular’,2048);
Calculez leur fft :
>> spectreS1 = fft (S1);
>> spectreS2 = fft (S2);
Introduisez une fenêtre fenetre de longueur 2048 mettant de manière
brutale les deux spectres à 0 hors des bandes [0 300] et [2048-300 2048] ;
ces deux bandes concernent-elles la gamme des hautes ou des basses
fréquences ? Calculez ensuite les deux signaux
>> S1tronc = real (ifft (spectreS1.*fenetre);
>> S2tronc = real (ifft (spectreS2.*fenetre);
Qu’observez vous en comparant l’affichage de ces signaux avec ceux des
signaux originels :
>> plot(S1) hold plot(S1tronc,’r’);
>> figure
>> plot(S2) hold plot(S2tronc,’r’);
Pourquoi fallait-il impérativement prendre la partie réelle ? Que se passe-
t’il si l’on remplace 300 par une valeur plus grande ? plus petite ? Le
phénomène que vous observez ici est le phénomène de Gibbs, on y revien-
dra. Pensez juste pour l’instant aux problèmes que peut poser le  repi-
quage  de vieux enregistrements (pleins de  cracks ). Examinez ce qui
se passe lorsqu’au lieu de couper  brutalement  les hautes fréquences,
on les coupe  en douceur . Pour couper ainsi, utilisez cette fois soit
la moitié gauche, soit la moitié droite du graphe de la fonction fenêtre
déclarée en ligne par :
>> H = hamming (600)’;
(affichez cette fonction avec plot au préalable pour avoir une idée de
l’allure du graphe, symétrique par rapport à l’axe médian). Refaites les
manipulations précédentes à partir des deux signaux S1 et S2. Qu’observez
vous cette fois relativement au phénomène de Gibbs ?
Exercice 3 (décomposition de Haar d’une image). Voici encore un exercice
prétexte à la manipulation de tableaux sous MATLAB. Vous y verrez aussi l’étroite
relation entre tableaux de nombres (donc matrices) et images. Dans un premier
temps, on propose une initiation au chargement des images, exactement comme
nous avions vu dans l’exercice précédent comment charger des fichiers audio.

Téléchargez depuis le site

http://www.math.u-bordeaux1.fr/~yger/MATLABSignal/Images
le fichier venise.jpg et enregistrez ce fichier dans votre répertoire TPSignal. Il
s’agit ici d’une imge au format jpg que j’ai préalablement téléchargé depuis le web.
Chargez cette fonction sous MATLAB en utilisant la commande :
>> I= imread(’venise.jpg’);
Déterminez ensuite la taille de cette image :
>> size(I)
 TP1 : FAMILIARISATION AVEC MATLAB : SIGNAUX ET IMAGES DIGITALES, DFT 9

Constatez en faisant des tests que I est un tableau à trois entrées : les deux premières
entrées figurent la position du pixel (ligne, colonne) ; une fois ces entrées fixées (par
exemple i et j, les trois sorties I(i,j,1), I(i,j,2), I(i,j,3) sont des nombres
entiers codés entre 0 et 255 (8 bits car 256 = 28 ), correspondant au codage R,G,B
dans le cube des couleurs. Pour travailler du point de vue numérique sur cette
image, on la convertit d’abord au format Noir et Blanc (gray) :
>> II = rgb2gray(I);
Cette fois II est devenu un tableau à deux entrées, mais toujours au format uint8
(entrées entre 0 et 255, du noir [luminance minimale] au blanc [luminance maxi-
male]. Pour convertir ce tableau en un tableau de nombres flottants entre 0 et 1
(en double précision) entre 0 et 1 (et pouvoir ultérieurement traiter cette image du
point de vue nnumérique), il reste à effectuer la commande :
>> Inumer = double(II);
Testez les commandes :
>> image(I);
>> imagesc(I);
>> image(II);
>> imagesc(II);
>> image(Inumer);
>> imagesc(Inumer);
Téléchargez toujours depuis
http://www.math.u-bordeaux1.fr/∼yger/MATLABSignal/Images
cette fois le fichier (de données) venise. Une fois ceci fait,  chargez  ce fichier
dans votre Workspace en tapant sous la Command Window les instructions :
>> load venise
>> I=venise;
Grâce à la commande size, vérifiez que la variable ainsi déclarée I est un tableau à
256 lignes et 256 colonnes 5. Testez les valeurs de quelques entrées I(i,j) pour voir
qu’il s’agit en fait d’une matrice dont les entrées sont des nombres entiers positifs
(mais considérés ici comme des nombres flottants en double précision, comme la
réponse 1 à l’instruction isfloat(I) vous le prouvera, vérifiez le).
(1) Visualisez la matrice I de deux manières :
– en utilisant la visualisation en 3D suivant mesh(I) ;
– en utilisant la visualisation en 2D suivant image(I), imagesc(I)
(voire aussi imshow(I,[]) si vous êtes au CREMI, cf. plus loin).
Quelle est, pour ce type de matrice I, de ces deux visualisations, celle qui
est la plus adaptée ? Quel est l’effet de la commande
>> II = imrotate(I,angle);
(où angle désigne la valeur en flottant d’un angle entre 0 et 360 degrés
exprimé en flottant) ? 6. On utilisera l’une des routines du type image
mentionnées plus haut pour visualiser l’image II ainsi qu’une instruction
convenable (faire help axis) pour que l’affichage respecte la taille (ici

5. Notez que 256 est une puissance de 2, ce qui n’est, on le verra plus tard, nullement un
hasard en ce qui concerne les formats d’images jpeg.
6. Cette instruction imrotate bien utile n’est malheureusement pas présente dans la bi-
bliothèque de Scilab.
10 TP1 : FAMILIARISATION AVEC MATLAB : SIGNAUX ET IMAGES DIGITALES, DFT

carrée) de l’image. Quelle est la difficulté liée à la réalisation mathématique

d’une telle transformation de matrice (pensez au passage entre le repérage
cartésien dans une grille de pixels et le repérage polaire) ? Que se passe
t-il en particulier lorsqu’un pixel (i, j) tourne d’un certain angle ? Tombe
t’on encore sur un pixel de la grille cartésienne ?
(2) Ouvrez un fichier .m vierge en utilisant l’onglet File du bandeau. Vous allez
essayer dans ce fichier de rédiger un code, dont la première instruction
(déclaration des entrées et sorties de la fonction) sera
function [RR,DH,DV,DO] = Haar (ipt)
qui est censé calculer, étant donnée une matrice de flottants ipt de taille
(2N , 2N ), les quatre matrices, de taille (2N −1 , 2N −1 ), dont les entrées sont
respectivement les nombres
ipt(2i − 1, 2j − 1) + ipt(2i − 1, 2j) + ipt(2i, 2j − 1) + ipt(2i, 2j)
RR(i, j) =
2
ipt(2i − 1, 2j − 1) + ipt(2i − 1, 2j) − ipt(2i, 2j − 1) − ipt(2i, 2j)
DH(i, j) =
2
ipt(2i − 1, 2j − 1) − ipt(2i − 1, 2j) + ipt(2i, 2j − 1) − ipt(2i, 2j)
DV(i, j) =
2
ipt(2i − 1, 2j − 1) − ipt(2i − 1, 2j) − ipt(2i, 2j − 1) + ipt(2i, 2j)
DO(i, j) =
2
Testez votre code en l’exécutant avec comme matrice ipt la matrice I :
>> [RR, DH, DV, DO] = Haar(I);
Affichez avec image (ou mieux imagesc) les quatre matrices RR, DH, DV,
DO. Pour le rendu des couleurs et du graphisme, vous pouvez jouer avec la
commande colormap (exemples les instructions colormap hot,colormap
jet, colormap pink, colormap jet, etc., faire help colormap pour dé-
cider). Pour un meilleur rendu graphique, vous pouvez aussi faire appel à
l’instruction
>> imshow(MATRICE,[ ])
Cette commande est dans la bibliothèque du Toolbox Image Processing
(disponible sous MATLAB au CREMI). Justifiez la terminologie : RR =
Résumé, DH = Détails Horizontaux, DV = Détails Verticaux, DO = Détails
Obliques. Recommencez le traitement de la matrice I cette fois sur la ma-
trice RR. Qu’observez vous sur les quatre images de taille (64, 64) ainsi
obtenues ? Poursuivez si vous voulez pour obtenir quatre images de taille
(32,32) en décomposant le nouveau résumé. La décomposition que vous
êtes en train d’effectuer ici s’appelle décomposition de Haar : elle permet
d’ isoler  les  structures  cohérentes des détails (ou  accidents )
d’une image digitalisée. Sauvez votre fichier .m sous le nom Haar si vous
ne l’avez pas encore fait et fermez le.
(3) Ouvrez un nouveau fichier vierge .m depuis l’onglet File du bandeau.
Rédigez dans ce fichier un code (correspondant encore à une fonction)
dont la première instruction sera
function II = HaarInverseAux (I1,I2,I3,I4)
TP1 : FAMILIARISATION AVEC MATLAB : SIGNAUX ET IMAGES DIGITALES, DFT 11

qui, étant donnée quatre matrices I1,I2,I3,I4 de taille (2N −1 , 2N −1 ),

fabrique une matrice II de taille (2N , 2N ) telle que
II(2i − 1, 2j − 1) = I1(i, j), II(2i − 1, 2j) = I2(i, j)
II(2i, 2j − 1) = I3(i, j), II(2i, 2j) = I4(i, j)
pour toute paire d’entiers (i, j) entre 1 et 2N −1 . Sauvez ce nouveau fichier
.m sous le nom HaarInverseAux. Vous pourrez être amenés à utiliser ce
code comme code auxiliaire par la suite.
(4) Ouvrez un nouveau fichier .m où vous réaliserez un code (toujours une
fonction) dont la première instruction sera cette fois
function I=HaarInverse (RR,DH,DV,DO)
qui, étant données quatre matrices RR, DH, DV, DO, toutes de même taille
(2N −1 , 2N −1 ), reconstitue une matrice I de taille (2N , 2N ) de manière à
ce que ce code exécute l’opération inverse de celle exécutée par la fonction
Haar. Validez votre résultat en utilisant la matrice I de la question 1.
Sauvez votre fichier .m comme HaarInverse.