Pourquoi l’analyse de Fourier ?

Traitement d’images

Transformée et séries de Fourier

Partie 2: Transformée de Fourier des images ◮ Permet l’analyse fréquentielle d’un signal

◮ TF continue, TF discrète, FFT

Thomas Oberlin

Signaux et Communications, IRIT/ENSEEIHT

Outil fondamental pour beaucoup d’applications

thomas.oberlin@enseeiht.fr
◮ Échantillonnage
◮ Compression d’une image
◮ Filtrage des images
◮ Outil d’analyse

http://oberlin.perso.enseeiht.fr/teaching.html

1 / 31 2 / 31

Plan de la séance Série de Fourier (signaux périodiques)

1
◮ Soit un signal périodique f (x) de période T = .
f0
1 Rappels : séries et transformée de Fourier 1D
◮ f (x) peut se représenter par une somme dénombrable (p-e infinie) de
sinus/cosinus
2 Transformée de Fourier d’une image
Transformée de Fourier 2D
Propriétés
Représentation de la TF =
Transformée 2D discrète

3 Exercices – À vous de jouer !

Calcul de Transformées
Transformées de Fourier d’images réelles
1× +0.5× +1.5× +.3×

3 / 31 4 / 31
Série de Fourier (signaux périodiques) Série de Fourier (signaux périodiques)
1
◮ Soit un signal périodique f (x) de période T = .
f0
◮ f (x) peut se représenter par une somme dénombrable (p-e infinie) de ◮ Exemple, signal carré impair :
sinus/cosinus
!
+∞
1
Z T/2 4 sin x sin 3x sin 5x
n n
f (x) = + + + ...
X
i2π T x −i2π T t ◮
f (x) = cn (f )e avec cn (f ) = f (t)e dt π 1 3 5
n=−∞
T −T/2

T/2 1
1
Z
◮ R0 = 0 et f0 =
◮ Remarque : c0 (f ) = f (t)dt = R0 = moyenne de f 2π
T −T/2

5 / 31 6 / 31

Des séries de Fourier aux transformées de Fourier Transformée de Fourier 1D

TF 1D de f ∈ L1 (R) :

Z
◮ Plus la période, T , du signal est grande, plus la Transformée directe F : f 7→ f̂ , avec f̂ (ξ) = f (x)e −iξx dx,
fréquence fondamentale f0 = T1 est faible (ainsi que R
1
Z
la distance entre harmoniques) Transformée inverse F −1 : f̂ 7→ f , avec f (x) = f (ξ)e iξx dξ,
2π R
◮ On peut donc voir un signal apériodique comme un
signal de période infinie Principales propriétés :
◮ Linéaire, f̂ à valeurs complexes
◮ La série de Fourier d’un tel signal est une suite ◮ S’étend en une isométrie sur L2 (R)
infinie et indénombrable de sinusoïdes. La somme
est remplacée par l’intégrale. ◮ Symétries (si f est réelle/imaginaire, paire/impaire)
◮ Translation F[f (x + x0 )](ξ) = e iξx0 F[f ](ξ)
◮ 1
Dilatation F[f (ax)](ξ) = |a| F[f ]( aξ )
◮ Convolution F[f ∗ g] = F[f ]F[g]
◮ Dérivation F[f ′ ](ξ) = iξF[f ](ξ)
7 / 31 8 / 31
Transformée de Fourier discrète (TFD) Plan de la séance

TFD d’un signal discret s ∈ RN , s = s[i], i = 0 · · · N − 1

1 Rappels : séries et transformée de Fourier 1D
N −1
n
X
−2iπu N
ŝ[u] = s[n]e
n=0
2 Transformée de Fourier d’une image
N −1 Transformée de Fourier 2D
1 X u
Propriétés
s[n] = ŝ[u]e 2iπn N
N u=0 Représentation de la TF
Transformée 2D discrète
Relation entre la TFD du signal discrétisé et la série de Fourier du signal périodisé
3 Exercices – À vous de jouer !
Fast Fourier Transform (FFT)
◮ basée sur un algorithme diviser pour régner [Cooley-Tukey, 1966]
◮ permet de calculer la TFD en O(N log(N ))

9 / 31 10 / 31

Transformée de Fourier 2D Inversion et conservation de l’énergie

TF 2D de f ∈ L1 (R2 ) :
+∞ +∞
Inversion dans L1 (R2 )
Z Z
f̂ (ξ1 , ξ2 ) = f (x1 , x2 ) e−iξ1 x1 e−iξ2 x2 dx1 dx2
−∞ −∞ Si f̂ ∈ L1 (R2 ), alors on a presque partout
La TF est séparable. Éléments de base : sinusoïdes 2D. 1
ZZ
f (x) = f̂ (ξ) eiξ·x dξ.
hξ (x) = eiξ·x = cos(ξ · x) + i sin(ξ · x) 4π 2 R2

ξ
= eir(x1 cos θ+x2 sin θ) , avec r = |ξ| et θ = arctan
|ξ| Extension à L2 (R) et conservation de l’énergie
F : L2 (R2 ) → L2 (R2 ) est inversible, et on a conservation de l’énergie :

1
Z Z
2
|f (x)| dx = 2
|f̂ (ξ)|2 dξ
R 2 4π R 2

1
kf kL2 (R2 ) = f̂ 2 2 .

2π L (R )

π 2π π
ξ = (16, 16), θ = 4 ξ = (30, 90), θ ≈ 5 ξ = (90, −30), θ ≈ − 10
11 / 31 12 / 31
Propriétés de la TF Transformée de Fourier des distributions

Classe de Schwarz des distributions tempérées

Fonction f Transformée f̂ ϕ ∈ S(R2 ) si ϕ ∈ C ∞ (R2 ) et si pour tous les entiers i, j, k, l, on a
Linéarité f (x) = αg(x) + βh(x), α, β ∈ R f̂ (ξ) = αĝ(ξ) + β ĥ(ξ) sup |x1i x2j ∂1k ∂2l ϕ(x)| < ∞
x∈R2
Translation f (x) = g(x − a), a ∈ R 2
f̂ (ξ) = e −ia·ξ
ĝ(ξ)
  Définition de la TF par dualité
Dilatation f (x1 , x2 ) = g(a1 x1 , a2 x2 ) f̂ (ξ1 , ξ2 ) = 1
|a1 a2 | ĝ
ξ1 ξ2
a1 , a2
◮ Topologie sur S : la suite ϕn converge vers 0 si et seulement si
Anti-involution f (x) = ĝ(x) f̂ (ξ) = g(−ξ)
lim sup |x1i x2j ∂1k ∂2l ϕn (x)| → 0, ∀i, j, k, l ∈ N
n→∞ x∈R2
Séparabilité f (x1 , x2 ) = g(x1 )h(x2 ) f̂ (ξ1 , ξ2 ) = ĝ(ξ1 )ĥ(ξ2 )
∂ n+p g(x)
◮ L’ensemble S ′ (R2 ) des distributions tempérées est l’ensemble des
Dérivation f (x) = f̂ (ξ) = (iξ1 )n (iξ2 )p ĝ(ξ)
∂x1n ∂x2p applications linéaires continues de S dans C.
Rotation f (x) = g(rθ (x)) f̂ (ξ) = ĝ(rθ (ξ)) ◮ Si T ∈ S ′ , sa transformée de Fourier, notée T̂ , vérifie ∀ϕ ∈ S,

hT̂ , ϕi = hT , ϕ̂i

13 / 31 14 / 31

Transformée de Fourier des distributions – un exemple Représentation du spectre

Domaine spatial Domaine fréquentiel
Exercice
On s’intéresse à la distribution de Dirac 2D, définie par hδ, φi = φ(0, 0)
∀φ ∈ S(R2 ).
Fonction
◮ Vérifier que δ est bien une distribution tempérée (δ ∈ S ′ (R2 ))
◮ Calculer sa transformée de Fourier

Solution
◮ δ est clairement linéaire. Pour vérifier que δ ∈ S ′ , on montre qu’elle est
continue de S dans R2 . On utilise pour cela la caractérisation séquentielle de
la limite (en 0 car application linéaire).
Soit (φn ) une suite de S tendant vers 0, il suffit de montrer que
hδ, φn i → hδ, 0i = 0. Image
◮ Pour tout φ ∈ S, on écrit
D E D E Z
δ̂, φ = δ, φ̂ = φ̂(0) = φ(x) dx = h1R2 , φi , donc δ̂ = 1R2
R2

15 / 31 16 / 31
Représentation logarithmique du spectre Importance de la phase
L’énergie est concentrée dans les basses fréquences ! −→ échelle log
 
   
F = · exp i ∗
 
 

 
  
module aléatoire F −1  · exp i ∗ =
 
 

 
  
phase aléatoire F −1  · exp i ∗ =
 
 

Image f |f̂ | log(1 + |f̂ |)

17 / 31 19 / 31

Transformée discrète Base de Fourier 2D

u=0 u=1 u=2 u=3 u=4

TFD 2D
v=0
TFD d’une image discrète f [m, n], m = 0 · · · M − 1, n = 0 · · · N − 1 :
M−1
X NX−1
f [m, n]e −2iπ(u M +v N )
m n
f̂ [u, v] =
m=0 n=0
v=1
Inversion habituelle :
M−1 N −1
1 X X
f̂ [u, v]e −2iπ(m M +n N )
u v
f [m, n] =
NM u=0 v=0 v=2

Propriétés :
◮ symétrie (pour une image réelle)

◮ FFT à temps de calcul : O(MN log(MN )) v=3

20 / 31 21 / 31
Artefacts de bords Plan de la séance
Comme en 1D, on calcule en fait la TFD du signal périodisé
−→ introduction de singularités aux bords.
−→ ajout de fréquences horizontales et verticales artificielles
1 Rappels : séries et transformée de Fourier 1D

2 Transformée de Fourier d’une image

3 Exercices – À vous de jouer !

Calcul de Transformées
Transformées de Fourier d’images réelles

Image Spectre

22 / 31 23 / 31

TF d’images synthétiques TFs d’images réelles

(a) (b) (c) (d)

◮ Structure de la TF 2D :
◮ Exprimer la TF 2D comme composition de transformées 1D
◮ Montrer que F est covariante par rotation
◮ Que peut-on dire de la TF d’une fonction radiale f (x) = g(|x|) ?

◮ Calculez la transformée de Fourier des fonctions suivantes :

◮ Fonction rectangle χ(−a,a)×(−b,b) avec a, b > 0
2
◮ Gaussienne f (x) = e −|x|

◮ Calculez la TF des distributions tempérées suivantes :

◮ f (x) = e ik·x
◮ f (x1 , x2 ) = e −a|x1 | . Que vaut la transformée de Fourier de f (x1 , x2 ) = g(x1 )
1
quand g ∈ Lloc (R) ?

(1) (2) (3) (4)

24 / 31 30 / 31