une introduction aux modèles de perception et de raisonnementpour les signaux temporels, le...
TRANSCRIPT
MPR
Stéfane Paris etGilles Simon
Une introduction aux modèles deperception et de raisonnement
Stéfane Paris et Gilles Simon
Courriel : {prenom.nom}@univ-lorraine.fr
MPR
Stéfane Paris etGilles Simon.
Lecture..
......
Préambulemathématiques
MPR
Stéfane Paris etGilles Simon
1. Dimensions
2. Contexte
3. Corrélation
4. Signaux1. Signaux périodiques2. Signaux apériodiques3. Signaux discrets
. Lecture Préambule mathématiques..
...... Partie 1. 1. Terminologie
1. Dimensions
2. Contexte
3. Corrélation
4. Signaux
MPR
Stéfane Paris etGilles Simon
1. Dimensions
2. Contexte
3. Corrélation
4. Signaux1. Signaux périodiques2. Signaux apériodiques3. Signaux discrets
1. Dimensions1. Terminologie
1D Temporelle (par ex. les sons)2D Spatiales (par ex. les images)3D Spatiotemporelles (par ex. les vidéos)
MPR
Stéfane Paris etGilles Simon
1. Dimensions
2. Contexte
3. Corrélation
4. Signaux1. Signaux périodiques2. Signaux apériodiques3. Signaux discrets
2. Contexte1. Terminologie
.Définition..
......
Le voisinage plus ou moins direct d’une valeur définitce que l’on appelle son contexte.
Pour les signaux temporels, le contexte d’une valeur àun instant t est définit par les valeurs passées et futures.
Pour les signaux spatiaux, le contexte d’une va-leur (par ex. un pixel d’une image) à une positionspatiale (x,y) donnée est défini par les valeurs lajouxtant.Le voisinage direct de la position (x,y) est :
(x+1,y−1) (x+1,y) (x+1,y+1)(x,y−1) (x,y+1)
(x−1,y−1) (x−1,y) (x−1,y+1)
MPR
Stéfane Paris etGilles Simon
1. Dimensions
2. Contexte
3. Corrélation
4. Signaux1. Signaux périodiques2. Signaux apériodiques3. Signaux discrets
2. Contexte1. Terminologie
.Exemple..
......
Pour un apn a, le contexte d’une position (x,y) estdéfini par un disque d’un rayon donné et de centre (x,y).
Alors que pour un scanner à balayage, le contexteest défini par les lignes précédemment scannées et leséchantillons déjà lus par la barrette de silicium.
a. Appareil Photographique Numérique.
MPR
Stéfane Paris etGilles Simon
1. Dimensions
2. Contexte
3. Corrélation
4. Signaux1. Signaux périodiques2. Signaux apériodiques3. Signaux discrets
3. Corrélation1. Terminologie
.Définition..
......
Quelque soit le signal et ses dimensions, une valeur àune position donnée n’est que rarement sans relationavec les valeurs qui lui sont proches.
L’intensité de cette relation est mesurée par lacorrélation..Définition..
......
Mais si les valeurs du signal n’ont pas de relation entreelles, on dit qu’elles sont indépendantes et que le signalest un processus sans mémoire.
MPR
Stéfane Paris etGilles Simon
1. Dimensions
2. Contexte
3. Corrélation
4. Signaux1. Signaux périodiques2. Signaux apériodiques3. Signaux discrets
3. Corrélation1. Terminologie
.Exemple..
......
En musique, un accord existe pendant un certain inter-valle de temps et est caractérisé par sa fondamentale.
MPR
Stéfane Paris etGilles Simon
1. Dimensions
2. Contexte
3. Corrélation
4. Signaux1. Signaux périodiques2. Signaux apériodiques3. Signaux discrets
1. Signaux périodiques4. Signaux
.Définition..
......
Un signal de période T est caractérisé par :
s(t+aT) = s(t),∀a ∈ Z
On pose :F =
1T et ω = 2πF
F est la fréquence fondamentale.Les multiples nF(n ∈N) de F forment un ensemble dis-cret.
MPR
Stéfane Paris etGilles Simon
1. Dimensions
2. Contexte
3. Corrélation
4. Signaux1. Signaux périodiques2. Signaux apériodiques3. Signaux discrets
2. Signaux apériodiques4. Signaux
.Définition..
......
Pas de période.
Parfois (cf. Transformée de Fourier) T → ∞=⇒ F tend vers 0
et les multiples de F sont toutes les fréquences(définition continue)
MPR
Stéfane Paris etGilles Simon
1. Dimensions
2. Contexte
3. Corrélation
4. Signaux1. Signaux périodiques2. Signaux apériodiques3. Signaux discrets
3. Signaux discrets4. Signaux
.Définition..
......
Un signal continu possède des variables continues etdes valeurs quelconques, c-à-d. entières ou réelles
Plus de détails voir : Analyse de Fourieret Applications de C. Gasquet et al..Définition..
......Un signal discret possède des variables discrètes et desvaleurs quelconques.
MPR
Stéfane Paris etGilles Simon
1. Dimensions
2. Contexte
3. Corrélation
4. Signaux1. Signaux périodiques2. Signaux apériodiques3. Signaux discrets
3. Signaux discrets4. Signaux
.Exemple..
......
Un son numérisé est constitué d’échantillons de valeursréelles régulièrement espacés d’une période d’échan-tillonnage Te (de fréquence d’échantillonnage Fe).
s[t] = ∑k∈Z
s(kTe)δ (t−kTe)
= s(t)⊗(
∑k∈Z
δ (t−kTe
)
MPR
Stéfane Paris etGilles Simon
1. Dimensions
2. Contexte
3. Corrélation
4. Signaux1. Signaux périodiques2. Signaux apériodiques3. Signaux discrets
3. Signaux discrets4. Signaux
.Exemple..
......
Une image au format RGB est composée de pixels (in-dicés par des couples d’entiers (x,y)) dont les valeurssont des triplets d’entiers.
MPR
Stéfane Paris etGilles Simon
5. Nombres etfonctionscomplexes
6. Produit scalaire
7. Exponentiellescomplexes
. Lecture Préambule mathématiques..
...... Partie 1. 2. Les outils mathématiques
5. Nombres et fonctions complexes
6. Produit scalaire
7. Exponentielles complexes
MPR
Stéfane Paris etGilles Simon
5. Nombres etfonctionscomplexes
6. Produit scalaire
7. Exponentiellescomplexes
5. Nombres et fonctions complexes2. Les outils mathématiques
.Définition..
......
v = (a+ ib) est un nombre complexe de partie réelleR(v) = a et de partie imaginaire I (v) = b où i estl’unité imaginaire pure t.q. :
i2 =−1 ⇐⇒ i =−1i
MPR
Stéfane Paris etGilles Simon
5. Nombres etfonctionscomplexes
6. Produit scalaire
7. Exponentiellescomplexes
5. Nombres et fonctions complexes2. Les outils mathématiques
.Propriétés..
......
Module de v ∥v∥=√
a2 +b2
Phase de v ϕ(v) = arctan(a
b)
Conjugué de v v⋆ = a− ibPropriétés
(vu)⋆ = v⋆u⋆Si (b = 0) alors v⋆ = v
MPR
Stéfane Paris etGilles Simon
5. Nombres etfonctionscomplexes
6. Produit scalaire
7. Exponentiellescomplexes
5. Nombres et fonctions complexes2. Les outils mathématiques
.Définition..
......
g(t) = a(t)+ ib(t) est une fonction complexe dont lesparties réelle R{g}(t) = a(t) et imaginaire I {g}(t) =b(t) sont des fonctions réelles..Définition..
......
Le conjugué g⋆(t) = a(t)− ib(t)Propriétés :(g(t)h(t))⋆ = g⋆(t)h⋆(t)Si (b(t) = 0,∀t ∈ R) alors g⋆(t) = g(t)
MPR
Stéfane Paris etGilles Simon
5. Nombres etfonctionscomplexes
6. Produit scalaire
7. Exponentiellescomplexes
6. Produit scalaire2. Les outils mathématiques
.Définition..
......
Le produit scalaire entre deux vecteurs réels u =(ui)1≤i≤n et v = (vi) s’écrit :
< u,v >= ∑i
ui ·vi =< v,u >
MPR
Stéfane Paris etGilles Simon
5. Nombres etfonctionscomplexes
6. Produit scalaire
7. Exponentiellescomplexes
6. Produit scalaire2. Les outils mathématiques
.Exemple..
......
u =
uxuyuz
e0 =
100
e1 =
010
e2 =
001
Les composantes de u sont indépendantes :
ux = < u,e0 > = ux ∗1+uy ∗0+uz ∗0uy = < u,e1 > = ux ∗0+uy ∗1+uz ∗0uz = < u,e2 > = ux ∗0+uy ∗0+uz ∗1
MPR
Stéfane Paris etGilles Simon
5. Nombres etfonctionscomplexes
6. Produit scalaire
7. Exponentiellescomplexes
6. Produit scalaire2. Les outils mathématiques
.Définition..
......
(ei) est une base orthonormée :
< e0,e0 >=< e1,e1 >=< e2,e2 >= 1< e0,e1 >=< e0,e2 >=< e1,e2 >= 0
.Définition..
......
La norme à 1 implique que < u,ei > ne fournit que lacomposante de u.
Projection : le produit scalaire < u,ei > projetteu sur l’axe associé à ei.
MPR
Stéfane Paris etGilles Simon
5. Nombres etfonctionscomplexes
6. Produit scalaire
7. Exponentiellescomplexes
6. Produit scalaire2. Les outils mathématiques
.Définition..
......
Le produit scalaire entre 2 vecteurs complexes u et v(c-à-d. à composantes complexes) s’écrit :
< u,v >= ∑i
ui ·v⋆i avec v⋆i le conjugué de v
MPR
Stéfane Paris etGilles Simon
5. Nombres etfonctionscomplexes
6. Produit scalaire
7. Exponentiellescomplexes
6. Produit scalaire2. Les outils mathématiques
.Définition..
......
Le produit scalaire de 2 fonctions complexes f et gs’écrit :
< f,g >=∫ +∞
−∞f(t) ·g⋆(t)dt
.Définition..
......
Si f et g sont des fonctions réelles (g⋆ = g) le produitscalaire s’écrit :
< f,g >=∫ +∞
−∞f(t) ·g(t)dt
MPR
Stéfane Paris etGilles Simon
5. Nombres etfonctionscomplexes
6. Produit scalaire
7. Exponentiellescomplexes
7. Exponentielles complexes2. Les outils mathématiques
.Définition..
......
eiΘ = cos(Θ)+ isin(Θ) est de période 2π.Il en suit que :
cos(Θ) =12(eiΘ+e−iΘ)
sin(Θ) =12(eiΘ−e−iΘ)
e−iΘ = cos(−Θ)+ i sin(−Θ)= cos(Θ)− i sin(Θ)
.Note..
......
cos est une fonction paire et sin une fonction impaire.
f est une fonction paire si f(−t) = f(t)f est une fonction impaire si f(−t) =−f(t)
MPR
Stéfane Paris etGilles Simon
5. Nombres etfonctionscomplexes
6. Produit scalaire
7. Exponentiellescomplexes
7. Exponentielles complexes2. Les outils mathématiques
.Théorème..
......
La base des exponentielles complexes définie sur ω
{einω}n∈Z
est une base orthonormée :
< ein1ω ,ein2ω >= δ (n1 −n2) =
{1 si n1 = n20 sinon
MPR
Stéfane Paris etGilles Simon
5. Nombres etfonctionscomplexes
6. Produit scalaire
7. Exponentiellescomplexes
7. Exponentielles complexes2. Les outils mathématiques
.Preuve..
......
< ein1ω ,ein2ω >
=1
2π
∫ +π
−πein1ω e−in2ω dω
=1
2π
∫ +π
−πei(n1−n2)ω dω
=
1
2π
∫ +π
−πe0dω si n1 = n2
12π
∫ +π
−πeinω dω sinon n = (n1 −n2) ̸= 0
=
2π2π
12π
[einω
in
]+π
−π
=
1
sin(nπ)nπ
= 0