Cours de Mathématiques Appliquées pour l’Ingénierie, l’Industrie et l’Innovation
Cours de Mathématiques Appliquées pour l’Ingénierie, l’Industrie et l’Innovation
Mathematics, Signal Processing, Image Processing · course
Fiche de révisionFiche de cours
Rédigée à partir de ce document, puis vérifiée avant publication.
Ce cours couvre les notions fondamentales du traitement du signal, de la transformée de Fourier et de la création d’images numériques. Il s’adresse aux étudiants de Licence 3 en Mathématiques Appliquées pour l’Ingénierie, l’Industrie et l’Innovation, souhaitant comprendre les bases mathématiques du traitement et de la représentation des images numériques.
Le cours commence par rappeler quelques propriétés importantes sur les sommes et les suites périodiques. Pour une suite (aₑ) indexée par un ensemble E, la somme ∑ₑ∈E aₑ ne dépend pas de la manière dont on décrit E. Par exemple, si E est partitionné en deux sous-ensembles E₁ et E₂, alors :
∑ₑ∈E aₑ = ∑ₑ∈E₁ aₑ + ∑ₑ∈E₂ aₑ.
Une somme finie importante est la somme géométrique : pour a ≠ 1 et N ∈ ℕ,
∑ₖ=1ᴺ aᵏ = a (aᴺ - 1) / (a - 1).
En particulier, si a est une racine N-ième de l’unité différente de 1 (c’est-à-dire aᴺ = 1), alors
∑ₖ=1ᴺ aᵏ = 0.
Une suite (vₙ) est périodique de période N si pour tout n ∈ ℤ, vₙ = vₙ₊ᴺ. La somme d’une période est indépendante du point de départ :
Pour tout k ∈ ℤ,
∑ₙ=k⁽ᵏ⁺ᴺ⁻¹⁾ vₙ = ∑ₙ=0⁽ᴺ⁻¹⁾ vₙ.
Cette propriété s’étend naturellement aux suites périodiques en dimension 2. Par exemple, une suite (vₘ,ₙ) périodique de période (M, N) satisfait :
Pour tout (k₁, k₂) ∈ ℤ²,
∑ₘ=k₁⁽ᵏ₁⁺ᴹ⁻¹⁾ ∑ₙ=k₂⁽ᵏ₂⁺ᴺ⁻¹⁾ vₘ,ₙ = ∑ₘ=0⁽ᴹ⁻¹⁾ ∑ₙ=0⁽ᴺ⁻¹⁾ vₘ,ₙ.
Une image numérique est définie sur une grille à deux dimensions, de taille M × N, où M et N sont des entiers strictement positifs. Chaque élément de cette grille est un pixel, auquel on associe une couleur. Pour simplifier, le cours se concentre sur les images en niveaux de gris, où chaque pixel est codé par un entier entre 0 (noir) et 255 (blanc).
Mathématiquement, une image numérique est une fonction :
(m, n) ∈ {1, …, M} × {1, …, N} → uₘ,ₙ ∈ {0, 1, …, 255}.
Dans la suite, on supposera que les images sont carrées, donc M = N.
La convolution est une opération fondamentale qui modélise le "moyennage" effectué par un appareil de mesure sur un voisinage d’un pixel. Elle est définie aussi bien pour des fonctions analogiques que pour des suites finies.
Soient h et v deux fonctions intégrables sur ℝ² (appartenant à L¹(ℝ²)). La convolution h ∗ v est définie par :
h ∗ v(x, y) = ∫∫ h(x - x′, y - y′) v(x′, y′) dx′ dy′.
Par exemple, si h est la fonction constante égale à 1 sur le carré [−1/2, 1/2]² et nulle ailleurs, alors h ∗ v(x, y) correspond à la moyenne de v sur ce carré centré en (x, y).
Le noyau h est appelé noyau de convolution. Pour que la convolution soit un véritable moyennage, on impose généralement :
∫∫ h(x, y) dx dy = 1.
La convolution est un opérateur linéaire et est invariante par translation, c’est-à-dire que pour tout décalage (k, l) :
τ(k,l)(v)(x, y) = v(x - k, y - l),
on a :
h ∗ (τ(k,l)v) = τ(k,l)(h ∗ v).
Pour deux suites finies h et v de taille N × N, la convolution périodisée est définie par :
(h ∗ v)ₘ,ₙ = ∑ₘ′=1ᴺ ∑ₙ′=1ᴺ hₘ₋ₘ′,ₙ₋ₙ′ vₘ′,ₙ′,
où les indices sont pris modulo N (périodisation). Cette opération correspond à un moyennage pondéré de v autour du pixel (m, n).
En pratique, une image numérique représente une portion finie d’une scène analogique. Le fenêtrage correspond à la multiplication de l’image analogique par une fonction indicatrice de la fenêtre [0, N]². Cette opération provoque une perte d’information aux bords, car la convolution peut faire intervenir des valeurs de v hors de la fenêtre.
Pour pallier ce problème, on prolonge souvent l’image par périodisation, ce qui permet d’utiliser la transformée de Fourier de manière exacte.
L’échantillonnage consiste à ne conserver que les valeurs de l’image analogique sur la grille à points entiers :
h ∗ v(m, n) pour (m, n) ∈ {1, …, N}².
Un sous-échantillonnage d’un facteur K consiste à ne garder qu’un point sur K dans chaque direction :
u′ₘ,ₙ = u_{Km, Kn}.
Le bruit est une dégradation inévitable lors de la création d’une image numérique. On considère ici un bruit additif bₘ,ₙ, supposé blanc (indépendant d’un pixel à l’autre) et gaussien, de densité :
p(t) = (1 / √(2πσ)) exp(−t² / (2σ²)),
où σ > 0 est l’écart-type du bruit.
L’image observée est alors :
uₘ,ₙ = (h ∗ v)(m, n) + bₘ,ₙ.
La quantification consiste à coder les valeurs réelles de l’image (après convolution, fenêtrage, échantillonnage et ajout du bruit) en un nombre fini de niveaux (par exemple 256 niveaux pour une image en niveaux de gris codée sur 8 bits). On approxime chaque valeur t par la valeur la plus proche Ar(t) dans l’ensemble des niveaux de gris :
uₘ,ₙ = Ar((h ∗ v)(m, n) + bₘ,ₙ).
Cette étape est nécessaire pour stocker l’image dans un ordinateur.
On considère un noyau de convolution h(x, y) = 1 sur le carré [−1/2, 1/2]² et un bruit gaussien de variance σ² = 16 (σ = 4). Les images successives montrent :
La transformée de Fourier est un outil mathématique majeur en traitement d’images, car elle permet de :
Soit v ∈ L¹(ℝ²). Sa transformée de Fourier ˆv est définie pour (ξ, η) ∈ ℝ² par :
ˆv(ξ, η) = ∫∫ v(x, y) e^(−i(ξx + ηy)) dx dy.
Les coefficients ˆv(ξ, η) sont complexes. Si v est réelle, on a :
ˆv*(ξ, η) = ˆv(−ξ, −η),
où z* désigne le conjugué complexe de z.
Plus la fonction v est régulière, plus ses coefficients de Fourier décroissent rapidement. La transformée de Fourier est globale : une modification locale de v affecte tous les coefficients.
Considérons la fonction indicatrice de la fenêtre carrée [−a, a]² :
v(x, y) = 1/(2a)² si (x, y) ∈ [−a, a]², 0 sinon.
Sa transformée de Fourier est :
ˆv(ξ, η) = sinc(aξ) × sinc(aη),
avec sinc(t) = sin(t) / t, et sinc(0) = 1.
Si ˆv ∈ L¹(ℝ²), on peut reconstruire v par :
v(x, y) = (1 / (2π)²) ∫∫ ˆv(ξ, η) e^(i(ξx + ηy)) dξ dη.
Cette formule permet de passer des coefficients de Fourier à la fonction originale.
Si v possède des dérivées partielles ∂ˣᵖ ∂ʸᵠ v dans L¹(ℝ²), alors :
ˆ(∂ˣᵖ ∂ʸᵠ v)(ξ, η) = (iξ)ᵖ (iη)ᵠ ˆv(ξ, η).
Cette propriété relie la régularité de v à la décroissance de sa transformée de Fourier.
Pour h, v ∈ L¹(ℝ²), la transformée de Fourier du produit de convolution est le produit des transformées :
ˆ(h ∗ v)(ξ, η) = ˆh(ξ, η) × ˆv(ξ, η).
C’est une propriété essentielle utilisée en traitement d’images et en calcul numérique.
L’effet de Gibbs est un phénomène d’oscillations près des discontinuités lors de l’approximation d’un signal par ses basses fréquences. Par exemple, pour un signal en escalier :
v(x) = 0 si x < 0, 1 si x ≥ 0,
et un filtre passe-bas de fréquence K, la convolution h_K ∗ v génère des oscillations près de la discontinuité, dont l’amplitude ne diminue pas avec K.