Transformations de Fourier – Produit de Convolution – Applications  PHR 

101 

Conservatoir e National des Arts et Métiers 

Service de Physique dans ses rapports avec l'industrie 

PHR 101

"Principes et outils pour l'analyse et la mesure" 

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 

w  pulsation en rd . s-1  liée à la fréquence n  (w = 2 p n) 

On obtiendra, après intégration une fonction Y(w) qui ne dépendra plus du temps mais de la 
pulsation w.  Y(w)  est  proportionnelle  à  la  transfor mée  de  Fourier  de  y(t).  Il  est 
fondamental de bien comprendre que Y(w) et y(t) sont deux représentations différentes d’une 
même grandeur physique. 
Si l'on considère y(t) le point représentatif de l'amplitude de ce signal se déplace dans l'espace 
amplitude­temps. 
Si  l'on  considère  Y(w),  le  point  représentatif se  déplace  dans  l'espace  amplitude­pulsation 
(fr équence). 
Lorsqu'on cherche la valeur Y(w) pour une valeur de wo, cela signifie que l'on cherche dans 
toute l'histoire (et tout le futur) de y(t) ce qui correspond à la fréquence wo. Ceci correspond à 
un filtrage infiniment sélectif. 
Un  tel  filtrage  n'est  pas  réalisable  physiquement. Donc  on  ne  peut  pas  connaître  Y(w)  avec 
une localisation parfaite sur l'axe des fréquences. 
De même, si l'on veut retrouver y(t) à partir de Y(w), il faut connaître le spectre pour toutes 
les  fréquences  jusqu'à  l'infini  (c'est  la  même  opération  de  filtrage  infiniment  sélectif  qui 
intervient, les variables temps et fréquence étant permutées). 
Cela signifie que pour connaître parfaitement la valeur y(t) à un instant t, il faut disposer d'une 
bande passante infinie. 
Tout  ceci  n'est  qu'une  autre  forme  de  la  r elation  d'incertitude  qui  exprime  l'impossibilité 
pour  l' observateur  humain  d’appr éhender  la  réalité  sans  la  défor mer   ou  la  rendre  en 
quelque sorte " floue" . 
Nous verrons dans la suite l’effet de la largeur de la « fenêtre d’observation » sur le spectre. 

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 = -¥

Où les coefficients a n  et bn  se déterminent à partir des relations suivantes :

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

La fonction  f ( x )  peut ainsi être définie à partir des coefficients  a  n  et  bn   . 

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
÷

Les coefficients a n  et bn  sont déterminés en utilisant les relations 1.2 et 1.3 avec, par exemple, comme 

intervalle d'intégration [­P /2 ; +P /2]. 
+ P / 2
2 2 p n x 
a n  = ò  f ( x) cos( ) dx = 0 
P - P / 2 
p

+ 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  é æ 2 p x ö 1  æ 2 p x ö 1  æ 2p x ö ù

g ( x ) = sin ç ÷ + sin ç 3  ÷ + sin ç 5  ÷ +...
p êë è P  ø 3  è P  ø 5  è P   ø ú  û

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 

Figur e 2­1.: exemple de signal périodique de période T (et de fréquence F 1  = 1/T) 

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 

Figur e 2­3.: Représentation spectrale de f avec la notion de fréquence négative 

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] 

­25  ­15  ­5  5  15  25 

Figur e 2­5.: Représentation spectrale (ou spectre d'amplitude) de h(t) 

Si on compare les  deux représentations  de h(t), soit les figures 2­4 et 2­5, on remarque qu'il est plus 

aisé  d'extraire  des  informations  à  partir  de  la  deuxième  représentation  ;  ce  qui  illustre  parfaitement 
l'intérêt  de l'analyse de Fourier et l’avantage dans certains cas de représenter un signal dans  l’espace 
des fréquences. 

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 

Figur e 2­6.: Signal analogique h(t)  Figur e 2­7.: Signal échantillonné h * (t) 

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. 

3­  Transfor mée de Fourier (cas d’une fonction non périodique) 

Dans le cas où le signal (la fonction) f(t) ou f(x) n’est pas périodique, il n’est pas 

décomposable en séries de Fourier. En revanche, il est possible de le transformer en une 
fonction F (n) dépendant de la fréquence via la relation 3.1. 
+¥
- j 2 p x n
F (n ) = ò  f ( x) e dx (3.1) 
-¥

La fonction F est appelée transformée de Fourier de la fonction f. On note :

TF ( f ( x) ) =  F (n ) 

L’opération inverse (transformer F en f ) est possible. 
+¥
j 2 p x n
f ( x) = ò F (n ) e dn (3.2) 
-¥

La fonction f est appelée transformée de Fourier inverse de la fonction F . On note  :

TF­1 ( F (n ) ) = f ( x) 

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 

­1/2  1/2  x , t  0 

­1 ) 
Fréquence temporelle (Hz) ou spatiale (m 
Temps t  [s]      ou     distance  x  [m] 

Figur e 3­1:  Fonction porte (gauche) et sa transformée de Fourier : Sinus cardinal (droite). 

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 ) 
)

Figur e 3­2 : Fonction rectangle (gauche) et sa transformée de Fourier (droite). 

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 ) 

Figur e 3­3 : Effet de la fenêtre d’observation (largeur de la fonction rectangle) sur le spectre. 

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 

Si on fait tendre t vers zéro  t ® 0 : alors  F (n ) ® 1 

sin(p t n ) 
lim =  1 
t ®0  p tn
Dans ce cas,  f (t )  possède une largeur tendant vers zéro et une amplitude tendant vers l’infini. 
Elle  ne  représente  donc  plus  une  « fonction »  au  sens  usuel  du  terme,  mais  on  parle  de 
distribution. 
On définit ainsi la Distribution de Dirac, notée d, telle que :
TF ( d ) = 1 
Il s’agit d’une "fonction" à valeur nulle partout sauf en zéro où elle vaut 1 (figure 3­4) 

1  d 

0  t
Figur e 3­4 : Représentation de l’impulsion unité 

4) Distr ibution peigne (de Dir ac) : 

A partir d’une impulsion de Dirac, on va considérer le cas de répliques de cette impulsion à 
des instants régulièrement espacés. En prenant comme période d’espacement T et on 
considérant des impulsions passées (temps négatifs), on définit une "fonction" dite peigne de 
Dirac (ou cha) :
n =+¥

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 ) . 

3.1 Pr opr iétés de la tr ansfor mée de Four ier

·  La linéar ité : 
Soient les fonctions f(t) et g(t)) et leurs transformées de Fourier respectives F(n) et G(n) :

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 :

TF ( f ( t - t0 ) ) = e - j 2 pn t 0  F (n ) 

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 

3.2 Quelques pair es de tr ansfor mées de Four ier usuelles 

Le lien suivant permet de retrouver un formulaire mathématique avec quelques exemples de paires de 
transformées de Fourier (page 9 du document pdf) : http://hynamore.info/iut/mat_form1.pdf. 

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) 

Le phénomène de diffraction se produit à chaque fois qu'une fente étroite est éclairée par un faisceau 

parallèle monochromatique. L'intensité observée sur un écran à grande distance de cette fente consiste 
en une tache centrale relativement intense (ordre de diffraction n°0) avec de part et d’autre des raies de 
moins en moins intenses (ordres supérieures).

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 

donc l'intensité diffractée  I (q )  est proportionnelle au carrée de la transformée de Fourier de la 

fonction d’ouverture électrique E(x) :
2 
é sin p bu ù 2 
I (q ) = I 0  ê ú » éë TF ( E ( x ) ) ùû
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. 

4­  Le pr oduit de convolution et le théor ème de convolution 

41. Définition 
Le produit de convolution de deux fonctions x(t) et h(t) est défini par la relation 4.1 : 
+¥
y(t ) = x(t ) Ä h(t ) = ò x(t ) h(t - t ) dt (4.1) 
-¥

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 

Pour évaluer  y(t ) = x(t ) Ä h(t ) , il faut : 

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 =-¥

Si on cherche à déterminer  le spectre de  h* (t )  connaissant  celui  de  h(t )  :  H (n )  (en pratique c’est 

l’opération inverse qui nous intéresse), le résultat est un produit de convolution entre la TF de  h(t )  et 
n =+¥
celle de å d ( t - n × Te ) . 
n =-¥
Soit,
n =+¥
æ n  ö
TF ( h* (t ) ) = TF ( h(t ) ) Ä å d ç t - T ÷
n 
=-¥ è e  ø

Avec 1/Te  = F e, la fréquence d’échantillonnage du signal  h(t ) . 

L’impulsion de Dirac étant l’élément neutre pour le produit de convolution, on obtient :

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 ) 

Supposons  que le signal  v(t) à transmettre est un signal acoustique dont  le spectre  d’amplitude  V(n) 

s'étend au maximum de n1  = 20 Hz à n2  = 20 kHz. 

Soit u(t), un cosinus de fréquence n0  = 100 kHz (u(t) s'appelle "la porteuse").

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

L' utilité pr incipale de la modulation est de pr oduir e à par tir  d' un signal v(t), un autr e signal s(t) 

de fr équence moyenne beaucoup plus élevée plus facile à tr ansmettr e.

21  C. Zerrouki