101
Conservatoir e National des Arts et Métiers
Service de Physique dans ses rapports avec l'industrie
PHR 101
Leçon n° 10
Transformations de Fourier
Produit de Convolution
Applications
(J oseph Fourier 1768 – 1830)
1 C. Zerrouki
Transformations de Fourier – Produit de Convolution – Applications PHR
101
Signification physique de la transformation de Fourier
Pour un signal de mesure quelconque, on s'intéresse souvent à son évolution en fonction du
temps comme l'indique la figure n°1.
Figur e 1 :
Accélér ation [u.a]
Valeur efficace
Evolution en fonction du temps
du signal issu d'un accéléromètre
Temps [s]
Unité de
Valeur s cr êtes
temps 1s
temps 1s
Cette représentation temporelle fournit de nombreuses informations dont l’exploitation directe
peut s’avérer ardue. Une autre représentation du signal, dans le domaine des fréquences par
exemple, peut rendre l'interprétation des informations qu'il contient beaucoup plus aisée.
A cela, il faut ajouter que de nombreux phénomènes se situent "naturellement" dans le
domaine des fréquences et non pas dans le domaine temporel ou spatial. Pour interpréter un
signal auditif, le cerveau effectue une analyse dans le domaine des fréquences. Dans un tout
autre domaine, la détection d'un défaut de roulement par exemple peut être réalisée par une
analyse de son spectre de fréquences. Dernier exemple, l'étude des résonances d'une structure
mécanique passe également par une analyse en fréquences.
Ces deux représentations (temps et fréquence) sont reliées entre elles par une
transfor mation, dite de Fourier, outil d'une importance capitale dans les techniques
d'analyse du signal et dans l'explication de nombreux phénomènes physiques chimiques et
biologiques.
Considérons un signal électrique y(t) par exemple (tension, intensité du courant, etc...)
dépendant du temps ; faire l'analyse de Fourier dans le domaine des fr équences consiste à
effectuer sur ce signal y(t) une opération mathématique du "genre" :
+¥
ò -¥
y(t) e- jwt dt (0)
avec
y(t) signal déterministe ou aléatoire temporel
2 C. Zerrouki
Transformations de Fourier – Produit de Convolution – Applications PHR
101
1 Décomposition d’un signal en séries de Fourier (cas d’un signal périodique)
Rappel :
Tout signal (ou fonction) périodique f(x), de la variable x (temps ou distance) de période P peut être
représenté(e) par une infinité de fonctions sinusoïdales de périodes P , P /2, P /3, etc.
+¥
æ 2 p n x ö æ 2p n x ö
f ( x ) = å a n cos çè P ÷ +b n sinç
ø è P ø
÷ (1.1)
n = -¥
3 C. Zerrouki
Transformations de Fourier – Produit de Convolution – Applications PHR
101
2
P ò
a n = f ( x ) cos( 2 p n x / P ) dx (1.2)
P
et
2
P ò
b n = f ( x ) sin( 2 p n x / P ) dx (1.3)
P
Exemple
cas d'une fonction créneaux g(x) (figure 11) de période P :
g(x)
+1
0
x
1
P
Figur e 11. Exemple de fonction périodique.
La fonction g(x) étant périodique, elle peut se décomposer en séries de Fourier :
+¥
æ 2 p n x ö æ 2 p n x ö
g ( x ) = å a n cos çè
n
= -¥ P ø
÷ +b n sin ç
è P ø
÷
+ P / 2
0 si n est pair
2 2 p n x
bn = f ( x) sin( ) dx =
P - P ò / 2
4
p si n est impair
np
La fonction g(x) peut donc être représentée par la série suivante :
4 C. Zerrouki
Transformations de Fourier – Produit de Convolution – Applications PHR
101
On peut d'ailleurs voir sur la figure 12 la contribution des trois premiers termes à une première
représentation grossière de g(x).
sin( 2p x P )
x
2 p x 1 2 p x
sin( ) + sin( 3 )
P 3 P
1 2p x
+ sin( 5 )
5 P
x
P
Figur e 12. Contribution de trois sinusoïdes à la représentation de la fonction créneaux.
Sur les figures 13 et 14, on remarque que la représentation des fonctions "créneaux" et "triangle"
devient de plus en plus précise en fonction du nombre croissant de sinusoïdes utilisées.
Somme de 5 sinusoïdes :
sin ( 2 p f t ) 0
4
1
å ( 2 n + 1 ) sin [2 p (2 n + 1 ) f t ]
1 n = 0
1
1
1
sin[ 2 p (3 f ) t ] 0
3 0
1
1 1
1
sin [2 p (5 f ) t ] 0
5
1
1
Somme de 100 sinusoïdes :
9 9
1
1
sin [2 p ( 7 f ) t ] 0 å ( 2 n + 1 ) sin [2 p (2 n + 1 ) f t ]
7 n = 0
1
1
1
0
1
sin [2 p ( 9 f ) t ] 0
9 1
1
Figur e 13. Représentation de la fonction créneaux par un ensemble de sinusoïdes.
5 C. Zerrouki
Transformations de Fourier – Produit de Convolution – Applications PHR
101
1
Somme de 5 sinusoïdes :
1
sin [2 p ( 2 f ) t ] 0
5
2 1
å 2 n sin[2 p (2 n f ) t ]
n =1
1
1 1
1
sin[2 p (4 f ) t ] 0 0
4
1 1
1
sin [2 p ( 6 f ) t ] 0
6
1
Somme de 100 sinusoïdes :
1
100
1
1
å 2 n sin[2 p (2 n f ) t ]
sin [2 p (8 f ) t ] 0 n = 1
8
1
1
1
0
1
sin [2 p (10 f ) t ] 0
10 1
1
Figur e 14. Représentation de la fonction triangle par un ensemble de sinusoïdes.
Remar que :
La série de Fourier (relation 1.1) peut être exprimée sous forme complexe :
+¥ 2 p nx
j
p
f ( x) = å cn e
n
=-¥
(1.4)
Où les coefficients cn se déterminent à partir de la relation suivante :
2 p n
1 - j
p
cn = ò f ( x) e dx (1.5)
P P
Rappelons que la décomposition en séries de Fourier appliquée jusqu'ici à des fonctions périodiques,
peut être généralisée à des fonctions non périodiques dont la représentation est faite non en séries mais
par une intégrale de Fourier.
6 C. Zerrouki
Transformations de Fourier – Produit de Convolution – Applications PHR
101
2 Analyse fréquentielle ou spectrale
2.1. Repr ésentation fr équentielle (ou spectr ale)
L’analyse fréquentielle ou spectrale (appelée également analyse de Fourier) d’un signal, consiste à en
extraire les différentes fréquences et amplitudes caractéristiques des sinusoïdes qui le constituent.
Considérons l'exemple d'un signal simple f variant de façon sinusoïdale en fonction du temps :
f ( t ) = A cos( 2 p F 1 t + j )
A = amplitude, c'est la plus grande valeur prise par f(t) au cours du temps ;
F 1 = fréquence de f(t) exprimée en hertz (ou s 1 ), c'est le nombre de fois par seconde que la fonction
f(t) se reproduit identique à ellemême ;
j = phase à l'origine.
Une représentation usuelle de cette fonction consiste à tracer son évolution dans l’espace des temps :
A
A cos( j )
0 t
T = 1 / F 1
Si on considère un autre signal sinusoïdal, celuici peut se différencier de f par son amplitude, par sa
fréquence et/ou par sa phase. Ces trois paramètres suffisent donc à caractériser entièrement une
sinusoïde.
De là, une autre représentation de f (autre que celle de la figure 21) peut être envisagée : une
représentation fréquentielle ou spectrale (dans l’espace des fréquences) où l'amplitude et la phase sont
représentées séparément (figure 22).
Amplitude Phase
A j
Fréquence Fréquence
F 1 F 1
Figur e 22.: Représentation spectrale du signal f
7 C. Zerrouki
Transformations de Fourier – Produit de Convolution – Applications PHR
101
e j a + e - j a
En utilisant la formule d'Euler : cos( a ) =
2
la fonction f(t) s'écrit :
A j j j 2 p F t A - j j - j 2 p F t
f ( t ) = e e + e e
1 1
2 2
Cette façon d'écrire f sous la forme de deux signaux complexes conjugués fait apparaître la notion de
fréquences négatives car mathématiquement, l'étude des fréquences contenues dans un signal (analyse
ou transformation de Fourier) s'effectue sur un intervalle de fréquences s'étalant de ¥ à +¥. Ce qu'on
peut d'ailleurs voir à travers la relation 1.1.
La représentation spectrale de f de la figure 22 devient :
Amplitude Phase
A/2 j
Fréquence F 1 Fréquence
F 1 F 1 F 1
- j
Dans ce qui suit on omettra la phase pour ne considérer que le spectre d'amplitude.
Maintenant que nous avons vu comment passer d'une représentation temporelle à une représentation
fréquentielle dans le cas d'une sinusoïde, nous allons appliquer la même procédure à une fonction h(t)
qui est la somme de trois sinusoïdes :
h ( t ) = 2 cos( 2 p 5 t ) + 4 cos( 2 p 15 t ) + 5 cos( 2 p 25 t )
12
h(t) 0
12
0.35 0 0.35
t
Figur e 24.: Représentation temporelle de h(t)
8 C. Zerrouki
Transformations de Fourier – Produit de Convolution – Applications PHR
101
Amplitudes
2,5
2
1
Fréquences [hz]
Figur e 25.: Représentation spectrale (ou spectre d'amplitude) de h(t)
2.2. Notion d’échantillonnage
Considérons un signal h(t) (une tension, une température,...) dont la variation en fonction du
temps est représentée sur la figure 26. Le signal h(t) est dit analogique car pour un intervalle
de temps [t1 ; t2] donné, le signal prend une infinité de valeurs (à tout instant ti correspond une
valeur h(ti)). On conçoit naturellement qu'il n'est pas pratique de stocker ou de traiter
numériquement ce genre de signaux. Il faudrait pour cela prélever les valeurs (appelées
"échantillons") prises par h(t) à des instants fixes régulièrement espacés (figure 27). On parle
alors d'échantillonnage du signal h(t) avec une période Te égale au temps qui sépare deux
échantillons consécutifs. On passe ainsi d'un signal h(t) à valeurs infiniment variables dans
l'intervalle [t1 ; t2] à un signal h * (t) à valeurs discrètes (N valeurs) qui n'est défini que pour des
t 2 - t 1
instants fixes espacés de Te ( N = ).
T e
9 C. Zerrouki
Transformations de Fourier – Produit de Convolution – Applications PHR
101
h(t) h * (t)
12 12
0 0
12
12
0,2 0,1 0 0,1 0,2 t [s] 0 0,1
T e
La question qui se pose maintenant est comment choisir la période d'échantillonnage Te pour
que l'ensemble des mesures effectuées soit suffisant pour reconstituer le signal h(t) ?
Une réponse logique serait de prendre une période Te aussi petite que possible
(échantillonnage fin) ; mais cela entraîne un nombre élevé d’échantillons (problème de
stockage : mémoire ; temps de traitement des données élevés…). Il faudrait donc trouver la
fréquence d’échantillonnage adéquate qui, avec un nombre N d’échantillons aussi faible que
possible, permet de reconstituer le signal de départ sans perte d’information. Pour trouver
cette fréquence, nous allons travailler dans le domaine spectrale.
Si on reprend le signal analogique h(t) de la figure 24, son spectre (figure 25) est représenté
à l’aide d’un motif comportant un ensemble de raies situées au niveau des fréquences que
contient le signal. Nous avons vu que ce motif permettait de retrouver h(t).
Nous admettrons à ce stade qu’un échantillonnage à la fréquence Fe dans le domaine temporel
entraîne une périodisation du spectre avec une période égale à Fe.
Maintenant nous allons voir les conséquences d’un échantillonnage de h(t) sur son spectre
(figure 28). Nous dirons qu’un échantillonnage à la fréquence Fe dans le domaine temporel
entraîne une périodisation du spectre avec une période égale à Fe.
Sur le spectre du signal h * (t) (figure 28), nous remarquons que le motif central (les raies
correspondant aux fréquences ± F1, ± F2, ± F3 caractéristiques du signal h(t)) se reproduit avec
une période égale à Fe. De plus, les différents motifs sont suffisamment éloignés pour qu’on
puisse isoler le motif central, qui suffit pour définir h(t).
10 C. Zerrouki
Transformations de Fourier – Produit de Convolution – Applications PHR
101
Amplitudes
F [hz]
F e F e F e F F e F e F e F 3 F 2 F 1 0 F 1 F 2 F 3 F e F e F e F F e F e F e
e e
F 3 F 2 F 1 +F 1 +F 2 +F 3 F 3 F 2 F 1 +F 1 +F 2 +F 3
Figur e 28.: Spectre du signal échantillonné h * (t)
Si on diminue progressivement la valeur de Fe, l’écart entre les différents motifs se réduit
jusqu’à ce que la fréquence maximale (F3) du motif principal se superpose à la fréquence
minimale (Fe F3) de sa première réplique (copie) :
F3 = Fe F3
donc Fe = 2 F3.
Si on continu à diminuer davantage Fe le motif central va se chevaucher avec sa première
copie et on ne pourra plus l’isoler. Ceci entraîne une perte d’information et par conséquent
une mauvaise ou une fausse reconstitution du signal h(t).
De façon générale, la fréquence d’échantillonnage d’un signal dont le spectre est compris
dans la bande de fréquences [Fmax ; Fmax] doit satisfaire la relation :
F e ³ 2 F max.
Cette relation est dite critère (ou relation) de Shannon.
L’opération inverse (transformer F en f ) est possible.
+¥
j 2 p x n
f ( x) = ò F (n ) e dn (3.2)
-¥
11 C. Zerrouki
Transformations de Fourier – Produit de Convolution – Applications PHR
101
Remar que :
L'intérêt d'avoir exprimé la série de Fourier sous forme complexe est de pouvoir faire une
analogie avec la transformée de Fourier comme le résume le tableau suivant :
Si f(x) est périodique Si f(x) est non périodique
+¥ 2 p nx +¥
j
p j 2 p x n
f ( x) = å cn e
n
=-¥
f ( x) = ò F (n ) e dn
-¥
2 p n +¥
1 - j
p - j 2 p x n
cn = ò f ( x) e dx F (n ) = ò f ( x) e dx
P P -¥
Exemples d’application :
1) Fonction por te (ou r ectangle) :
Considérons le signal f(x) tel que :
1 1
si £ x £
1
f ( x) = rect ( x) = 2 2
0 ailleurs
Soit F (u) la transformée de Fourier de f(x). Par définition :
+¥
- j 2 p xu
F (u ) = TF( f ( x)) = ò f ( x) e dx
-¥
Donc
+1 2
- j 2p xu -1 - j 2 p xu +1 2
F (u ) = ò e dx = é e ùû
-1 2
j 2p u ë -1 2
-1 - jp u
F (u ) = ée - e jp u ùû
j 2p u ë
1 é e jp u - e - jp u ù 1
F (u ) = ê ú = sin(p u )
pu ë 2 j û pu
1
F (u ) = sin(p u ) = sinc(p u )
pu
Soit : TF ( rect ( x) ) = sinc(p u )
12 C. Zerrouki
Transformations de Fourier – Produit de Convolution – Applications PHR
101
1
f(x) ,
f(t)
f(t)
1
TF (f )
1 +1
0
Remar que :
sin( x )
Nous avons utilisé pour définir le sinus cardinal la relation : sinc( x ) = ;
x
une autre définition existe et peut être rencontrée dans des ouvrages, notamment de
mathématiques :
sin(p x )
sinc( x ) =
px
2) Fonction r ectangle (effet de la lar geur ou de la fenêtr e d’obser vation) :
Considérons le signal f(x) tel que :
b b
a si £ x £
f ( x) = 2 2
0 ailleurs
Soit F (u) la transformée de Fourier de f(x). Par définition :
+¥
- j 2 p xu
F (u ) = TF( f ( x)) = ò f ( x) e dx
-¥
Donc
+ b 2
- j 2p xu - a - j 2 p xu + b 2
F (u ) = ò a e dx = é e ùû
- b 2
j 2p u ë - b 2
- a - jp bu
F (u ) = éë e - e jp bu ùû
j 2p u
a é e jp bu - e- jp bu ù a
F (u ) = ê ú = sin(p bu )
pu ë 2 j û p u
ab
F (u ) = sin(p bu ) = ab sinc(p bu )
p bu
13 C. Zerrouki
Transformations de Fourier – Produit de Convolution – Applications PHR
101
a.b
f(x) ,
f(t)
a
TF (f )
-1/b +1/b
0
0
b/2 b/2 x , t Fréquence temporelle (Hz) ou spatiale (m
Temps t [s] ou distance x [m] 1 )
)
a = 2 ; b = 1
a.b a = 1 ; b = 2
a = 1/2 ; b = 4
f 2 (t)
2
TF (f )
1
0,5
0
2
2 1 0,5 0,5 1 2 t
0
Fréquence temporelle (Hz) ou spatiale (m
Temps t [s] ou distance x [m] 1 )
3) Fonction impulsion (distr ibution de Dirac) :
Considérons le cas de l’exemple 2 et posons b = t et a = 1/b = 1/t
Soit :
1 t t
si £ x £
f (t ) = t 2 2
0 ailleurs
Donc :
sin(p t n )
TF ( f (t ) ) = F (n ) = = sinc(t n )
ptn
14 C. Zerrouki
Transformations de Fourier – Produit de Convolution – Applications PHR
101
1 d
0 t
Figur e 34 : Représentation de l’impulsion unité
å d ( t - n × T )
n =-¥
T T T T
t
Figur e 35 : Représentation d’un peigne de Dirac
Si on revient sur la notion d’échantillonnage (paragraphe 2.2), on peut dire maintenant que
l’opération mathématique qui correspond à l’échantillonnage d’un signal ou une fonction h(t ) ,
consiste à multiplier ce signal par un peigne de Dirac :
n =+¥ n =+¥
*
h(t ) × å d ( t - n × Te ) = å h(n × Te ) × d ( t - n × Te ) = h (t )
n =-¥ n
=-¥
15 C. Zerrouki
Transformations de Fourier – Produit de Convolution – Applications PHR
101
Le signal échantillonné devient qui s’exprime comme suit,
n =+¥ n =+¥
*
h(t ) × å d ( t - n × Te ) = å h(n × Te ) × d ( t - n × Te ) = h (t )
n =-¥ n
=-¥
est discret puisqu’il n’est défini que pour les instants multiples de la période
d’échantillonnage Te.
Nous verrons par la suite comment cela se traduit sur le spectre de h* (t ) .
TF ( f ( t ) + g (t ) ) = F (n ) + G (n )
· Le changement d' échelle:
Soit f(t) et sa transformée de Fourier F(n), alors :
1 æn ö
TF ( f ( K t ) ) = F ç ÷
K èKø
· Le décalage:
Soit f(t) et sa transformée de Fourier F(n), alors :
Remar que :
Le décalage temporel affecte uniquement le spectre de phase et non l’amplitude de F (n).
· La par ité:
Si la fonction f(t) est paire et réelle, F (n) est paire et réelle
Si la fonction f(t) est impaire et réelle, F (n) est impaire et imaginaire
3.3 Quelques exemples (qu’on peut retrouver en libre accès sur le web) :
La voix humaine (variable temporelle)
Le graphe cidessous montre comment varie la pression acoustique, p(t) en fonction du temps
16 C. Zerrouki
Transformations de Fourier – Produit de Convolution – Applications PHR
101
Le graphe cidessous montre la transformée de Fourier du signal.
En représentant ce signal dans l’espace fréquentiel (spectral) on constate l’existence de fréquences
allant jusqu’à 5 kHz. Cette connaissance trouve son importance lorsqu’on veut transmettre le signal
sans l’altérer (dans sa totalité) ou, au contraire, le filtrer pour ne transmettre qu’une partie.
Exemple : utilisation d’un filtre passe bas avec une fréquence de coupure de 3 kHz :
La lumière (variable spatiale)
17 C. Zerrouki
Transformations de Fourier – Produit de Convolution – Applications PHR
101
L'amplitude du champ électrique E(x) au niveau de l'ouverture est appelée la fonction d’ouverture
avec :
b b
E0 si £ x £
E ( x) = 2 2
0 ailleurs
sa transformée de Fourier vaut :
E0 b
TF ( E ( x) ) = sin(p bu ) = E0 b sinc(bu )
p bu
Un calcul (qui prend en compte la contribution de toutes les sources secondaires infiniment étroites
qui constituent la fente) permet d'obtenir l'expression de l'intensité diffractée en fonction de l'angle
d'observation, θ :
18 C. Zerrouki
Transformations de Fourier – Produit de Convolution – Applications PHR
101
2
é æp öù
ê sin ç l b sin q ÷ ú
I (q ) = I 0 ê è øú
ê p
b sin q ú
êë l úû
sin q
Si on pose : u = , I (q ) devient :
l
2
é sin p bu ù
I (q ) = I 0 ê ú
ë p bu û
Avec x la variable spatiale et u qui est la fréquence spatiale correspondante a bien les unités de
l'inverse d'un espace, ce qui justifie son nom de fréquence spatiale.
L'intérêt d'utiliser la transformée de Fourier est de bénéficier de toutes les propriétés et les résultats
relatifs à cet outil mathématique.
Exemple
Produit de convolution de deux fonctions rectangles x(t) et h(t) (voir exercice 5 pour la solution):
X(t) h(t)
2
1
t t
2 1
1. considérer h(τ) (inversion de la fonction h),
19 C. Zerrouki
Transformations de Fourier – Produit de Convolution – Applications PHR
101
h(t)
1
t
1
2. décaler la fonction de la valeur t pour obtenir h(tt),
3. multiplier h(tt) par x(t),
4. intégrer le produit sur [ -¥ , + ¥ ]
4.2. Le théor ème de convolution
Si F (n) et H(n) sont les transformées de Fourier de f(t) et h(t) alors :
TF [ f (t ) Ä h (t ) ] = F (n ) × H (n ) (4.2)
Le théorème de convolution permet de passer d'une convolution dans le domaine temporel (ou
spatiale) à une multiplication dans le domaine fréquentiel (ou des fréquences spatiales).
Inversement :
TF [ f (t ) × h (t ) ] = F (n ) Ä H (n ) (4.3)
Si on reprend le point 4 du paragraphe 3 (échantillonnage d’un signal).
Nous avons dit qu’un signal échantillonné h* (t ) pouvait s’exprimer en fonction d’un peigne de
Dirac :
n =+¥ n =+¥
h* (t ) = h(t ) × å d ( t - n × Te ) = å h(n × Te ) × d ( t - n × Te )
n =-¥ n =-¥
n =+¥
TF ( h* (t ) ) = å H (n - Fe )
n =-¥
On retrouve la périodisation annoncée dans le paragraphe 2.2.
20 C. Zerrouki
Transformations de Fourier – Produit de Convolution – Applications PHR
101
4.3. Exemple d’application du théor ème de convolution : modulation d’amplitude
En multipliant un signal v(t) qu’on désire transmettre, par un signal sinusoïdal u(t) de fréquence n0
élevée, on réalise une modulation d'amplitude.
Le signal modulé s(t) vaut ainsi : s(t) = u(t).v(t)
Soient U(n), V(n) et S(n) les transformées de Fourier des signaux u(t), v(t) et s(t)
L’utilité d’une telle opération peut se comprendre en appliquant le théorème de convolution pour
passer dans le domaine fréquentiel.
TF [ u(t ) × v(t ) ] = U (n ) Ä V (n )
U (n ) = d (n -n 0 ) + d (n + n 0 ) .
La convolution par les deux fonctions d revient simplement à déplacer le spectre de V(n) de part et
d'autre de n0 et +n0, donc vers des fréquences beaucoup plus élevées.
V(n)
n
-n2 -n1 n1 n2
U(n)
n
-n0 +n0
U (n ) Ä
Ä V (n )
n
-n0 +n0
21 C. Zerrouki