Transformée de Fourier Discrète : Applications et Propriétés

La transformée de Fourier, ainsi que d'autres transformations orthogonales, permet d'analyser et de manipuler des signaux et des images en passant du domaine spatial (ou temporel) au domaine fréquentiel. Elle est fondamentale pour comprendre la composition des signaux et pour diverses applications comme le filtrage, la compression et l'analyse d'images.

Principes Fondamentaux de la Transformation de Fourier

La Transformation de Fourier (TF) et sa variante discrète (TFD) sont des outils mathématiques permettant de décomposer un signal en ses fréquences constitutives.

Concepts Clés

• Décomposition Spectrale: Pratiquement tout phénomène peut être décrit par une forme d'onde. Toute forme d'onde complexe est la somme de sinusoïdes simples de différentes fréquences.

• Analyse et Synthèse:

  • La TF convertit une fonction en une forme décrivant les fréquences présentes (analyse).

  • La TF inverse synthétise la fonction originale à partir de ses composantes fréquentielles.

• Analogie Musicale: Similaire à la décomposition d'un accord musical en l'intensité de ses notes individuelles.

Relation entre Domaines Spatial et Fréquentiel

Les fonctions localisées dans le domaine temporel (ou spatial) ont des transformées de Fourier étalées dans le domaine fréquentiel, et vice-versa. Cela signifie qu'un signal bref contient une large gamme de fréquences, tandis qu'un signal à bande étroite est étendu dans le temps.

Transformation de Fourier Discrète (TFD)

Pour l'utilisation numérique, la Transformation de Fourier doit être discrétisée.

Formules

Continu (1D)

Pour une variable spatiale et fréquentielle :

Discret (1D)

Pour et :

Ici, est un vecteur de valeurs dans le domaine spatial/temporel, et est un vecteur de valeurs dans le domaine fréquentiel.

Propriétés de la TFD 1D pour un signal réel

• Si est réel, alors a une partie réelle paire et une partie imaginaire impaire:

  Par exemple, , .

• Si est réel et pair, alors est réel et pair.

• Valeurs particulières:

  • : (somme de tous les échantillons, représente la composante DC ou moyenne).

  • : (représente la plus haute fréquence d'échantillonnage, souvent la fréquence de Nyquist).

Exemple de calcul de TFD 1D

Considérons pour et $0<span data-latex=" sinon, avec " data-type="inline-math"></span>N = 8<span data-latex=". La TFD est " data-type="inline-math"></span>F(k) = \sum_{n=0}^{4} e^{-i2\pi kn/8}$.

Les parties réelle, imaginaire et le module de peuvent être calculés.

Échantillonnage en 1D

L'échantillonnage spatial et temporel a des implications directes sur la représentation en fréquence:

• Échantillonnage spatial: Un pas de entraîne une périodisation en fréquence.

• Périodisation en fréquence: La fréquence est périodique avec une période de .

• Échantillonnage fréquentiel: Le pas fréquentiel est .

Transformation de Fourier Discrète (TFD) en 2D

En 2D et 3D, la TFD permet d'analyser l'orientation et l'étendue des structures dans une image.

Formules

Continu (2D)

Pour des variables d'espace et des fréquences spatiales :

Discret (2D)

Pour , , , :

Ici, est une matrice et est une matrice dans le domaine fréquentiel.

Propriétés de la TFD 2D

• Périodicité: .

• Moyenne: (représente la luminosité moyenne de l'image).

• Symétrie Hermitienne (si est réel): .

  • Partie réelle paire, partie imaginaire impaire.

  • Pour et , .

• Linéarité.

• Séparabilité: Si une fonction 2D peut être séparée en deux fonctions 1D, sa TFD 2D est le produit des TFD 1D.

  Si , où sont les TFD 1D de .

• Conservation de l'énergie (Théorème de Parseval):

• Conservation du produit scalaire:

  , avec .

• Translation: Une translation dans le domaine spatial correspond à une multiplication par une phase dans le domaine fréquentiel.

  Si .

Échantillonnage en 2D

• Spatial: Pas . Étendue .

• Fréquentiel: Pas . Étendue .

• La TFD discrète est une approximation échantillonnée de la TF continue: .

• Les effets de recouvrement (aliasing) et de troncature (fenêtrage) sont des considérations importantes.

Interprétation du Domaine Fréquentiel 2D

• Le point central représente la moyenne de l'image (composante DC).

• Les fréquences basses représentent les variations lentes des intensités (grandes structures, couleurs uniformes).

• Les fréquences hautes représentent les détails fins, les bords, les textures (variations rapides d'intensités).

• Les orientations dans le domaine fréquentiel correspondent aux orientations des structures dans l'image spatiale (par exemple, des lignes horizontales dans l'image donnent des pics sur l'axe vertical dans la TFD).

• Il est souvent nécessaire de permuter les quadrants du module de la TFD pour centrer la composante DC.

Transformation inverse

La TFD inverse permet de reconstituer l'image originale à partir de ses composantes fréquentielles:

La réversibilité est une propriété fondamentale.

Influence du module et de la phase

La phase d'une transformation de Fourier a une influence beaucoup plus significative sur l'image qu'inverse que le module. Le module représente l'amplitude des fréquences, tandis que la phase contient l'information sur la position des éléments dans l'image.

Calcul pratique de la TFD 2D

La TFD 2D peut être calculée comme une séquence de TFD 1D:

Cela signifie que l'on peut appliquer la TFD 1D à chaque ligne, puis à chaque colonne (ou inversement).

Représentation Matrice de la TFD 2D

La TFD 2D peut être exprimée sous forme de produit matriciel:

où est la matrice image , est la matrice TFD , et et sont des matrices de transformation.

avec . La matrice est symétrique, ses coefficients sont complexes, et elle est inversible: . En 1D, un signal peut être représenté comme , où est la TFD de . L'inverse est , où est la matrice de changement de base.

Applications de la TFD en Traitement d'Images

Filtrage Fréquentiel

Le filtrage fréquentiel implique la "sélection" d'une zone spécifique dans le domaine fréquentiel pour modifier une image.

• Nature du filtrage:

  • Les basses fréquences sont associées aux grandes structures et aux variations douces.

  • Les hautes fréquences sont associées aux détails, textures et bords.

  • Des masques peuvent être conçus pour isoler des bandes de fréquences ou des orientations spécifiques.

• Symétrie: En TFD 2D, la zone de filtrage doit être symétrique pour garantir un résultat réel après transformation inverse.

• Phénomène de Gibbs: Une coupure franche dans le domaine fréquentiel (filtre idéal) peut entraîner des oscillations (artefacts) dans le domaine spatial.

• Convolution: Le filtrage fréquentiel est équivalent à la convolution discrète dans le domaine spatial.

  où est le filtre dans le domaine spatial.

Effet de l'échantillonnage

L'échantillonnage entraîne une convolution circulaire. Si la taille du support des images est bien choisie (par ex. pour une image de taille et un masque ), on peut éviter le repliement (aliasing) et la convolution circulaire se comporte comme une convolution linéaire.

Exemples de masques de convolution

Des masques de petite taille sont couramment utilisés pour des opérations locales comme le lissage (moyenne , , ) ou la détection de contours (gradients de Prewitt ou Sobel). Ces masques peuvent être vus comme des filtres dans le domaine spatial qui, une fois transformés par Fourier, opèrent comme des filtres fréquentiels.

Autres Transformations Orthogonales

Outre la TFD, d'autres transformations orthogonales sont utilisées pour l'analyse et le traitement des signaux et images. Elles ont toutes pour objectif de représenter l'image dans une nouvelle base orthogonale.

Définition Générale

Une transformation orthogonale peut être définie comme:

, où et sont des matrices orthogonales (, ).

La réversibilité est assurée par . Elles conservent toutes l'énergie: .

Types de Transformations

Transformation Cosinus Discrète (TCD)

La TCD est particulièrement utilisée en compression d'image (ex: JPEG) grâce à sa très bonne concentration d'énergie.

Définition

La Transformation Cosinus est définie à partir de la TF d'un signal pair. Pour un signal causal ( pour ), on considère sa partie paire . La TCD 1D est donnée par:

avec et $1<span data-latex=" si " data-type="inline-math"></span>k \ne 0$. L'inverse est:

Propriétés

• Transformation orthogonale.

• Valeurs réelles (permet de stocker moins d'informations que la TFD).

• Décomposition dans une base de signaux "cosinus".

TCD 2D

La TCD 2D est définie de manière séparable:

avec et $1<span data-latex=" si " data-type="inline-math"></span>j \ne 0$. Elle peut être calculée comme une séquence de TCD 1D par lignes et par colonnes.

Applications de la TCD

• Compression: La TCD tend à concentrer l'énergie du signal dans un petit nombre de coefficients à basses fréquences. En seuillant ou quantifiant les coefficients de plus haute fréquence (moins significatifs), on peut réaliser une forte compression sans perte majeure de qualité.

• Décomposition en images cosinus: La TCD décompose l'image en une base d'images "cosinus".

Concentration d'énergie

L'objectif de ces transformations est de concentrer l'information (énergie) dans le domaine transformé. On observe que l'information est beaucoup plus concentrée avec la TCD qu'avec la TFD, les images étant souvent mieux représentées par des bases réelles de cosinus pour la compression.

Exemples visuels

Des exemples d'images compressées avec la TCD (avec ou sans blocs) montrent que, même avec une réduction significative du nombre de coefficients, la qualité de l'image reconstruite reste très bonne, ce qui est essentiel pour des applications telles que le format JPEG.

Résumé des Points Clés

• La Transformation de Fourier Discrète (TFD) est un outil mathématique qui décompose un signal en ses fréquences constitutives.

• La TFD 1D est utilisée pour l'analyse des signaux temporels, la TFD 2D pour les images, permettant d'analyser les structures, orientations et fréquences spatiales.

• Les propriétés importantes de la TFD incluent la linéarité, la séparabilité, la conservation de l'énergie (Parseval) et la relation entre translation spatiale et déphasage fréquentiel.

• Le Module de la TFD indique l'amplitude des fréquences, tandis que la Phase est cruciale pour la localisation spatiale des détails.

• Le filtrage fréquentiel consiste à modifier sélectivement des plages de fréquences pour altérer des caractéristiques de l'image (lissage, accentuation des bords).

• La Transformation Cosinus Discrète (TCD) est une alternative à la TFD, produisant des valeurs réelles et offrant une excellente concentration d'énergie, ce qui la rend idéale pour la compression d'images.

• D'autres transformations orthogonales comme Hadamard, Karhunen-Loève et Haar existent, chacune avec ses propres avantages pour des applications spécifiques.