Méthodes Mathématiques pour le

Traitement d'Images
_______________
Florent Dupont
[email protected]
LIRIS, équipe ORIGAMI

Support de cours :
http://liris.cnrs.fr/florent.dupont/Enseignement/MMTI.pdf
Objectifs
• Modèle fréquentiel
• Transformation de Fourier : définitions et propriétés
• Cas des images (signaux bi-dimensionnels)
• Filtre linéaire et produit de convolution
• Propriétés et lien avec la transformation de Fourier.
• Amélioration d'images (filtres passe bas, passe haut et passe bande)
• Echantillonnage des signaux
• Modèle théorique de l'échantillonnage régulier, théorème de Shannon
• Transformation de Fourier discrète
• Algorithme FFT
• Applications (analyse, compression…)

• Modèle temps fréquence et analyse multi-résolution

• Ondelettes : définitions, propriétés, algorithme FWT
• Exemples d'ondelettes (Haar, Daubechies)
• Applications (analyse, compression…)
• Traitement du signal (1D, 2D, 3D…)

• extraire l'information utile d'un signal :

 filtrage, corrélation, détection, estimation, analyse spectrale…

• élaborer des signaux permettant d'étudier le

comportement des systèmes physiques ou servant de
support pour la transmission ou le stockage
d'information :
 modulation, échantillonnage…

3
Pour commencer : quelques signaux élémentaires
 utiles pour modéliser des phénomènes physiques

• Impulsion de Dirac

 (t )  0 pour t  0

 (0)  
 
  (t )dt  1  impulsion de poids unité
(t)
Représentation 1

4
• propriétés
f(t) . (t) = f(0) . (t) localisation

f(t) . (t-t0) = f(t0) . (t-t0)




f(t).(t)dt  f(0)



f(t).(t  t 0 )dt  f(t 0 )

5
• Echelon unité (échelon de Heavyside)

t
u(t)  

(t) dt

u(t)  0 pour t  0

u(t)  1 pour t  0

u(t)
Représentation 1

6
• Signal rectangulaire unité (ou créneau, ou porte)

remarques :
1 si t 
1 

(t)   2  
(t)dt  1
1
0 si t  
1 1
(t)  u(t  )  u(t  )
 2 2 2
avec u(t) : échelon unité

( t )
Représentation 1

t
1 1

2 2
7
 remarques :
• Porte de largeur T
t
t
 

( )dt  T
T
( ) 
t T T
( )  u(t  )  u(t  )
T T 2 2

t
( )
T
Représentation 1

t
T T

2 2
8
• signal sinusoïdal
s(t) = a cos (wt + j)
a : amplitude du signal
w : pulsation
w = 2p f avec f: fréquence
j : phase initiale

9
 Notion de système
• Système
Toute entité, ou appareil qui effectue une transformation sur
un signal

e(t) s(t)

entrée sortie

10
 • Propriétés
• Linéarité

entrée sortie

e1(t) s1(t)

t t
e1(t)+ e2(t) s1(t) + s2(t)

e2(t) t s2(t) t

t t

 additivité
si e1(t)  s1(t)
alors e1(t)+ e2(t)  s1(t) + s2(t)
et e2(t)  s2(t)

11
 • linéarité

entrée sortie

e(t) s(t)
l e(t) l s (t)
t t

l t
l t

 homogénéité
si e(t)  s(t) lR, l.e(t)
alors  l.s(t)

12
 • Invariance ou stationnarité

entrée sortie
e(t) s(t)

t e(t-q) t s (t-q)
retard q retard q
t t

si e(t)  s(t) alors e(t - q)  s(t - q)

 Le comportement du système reste identique dans le temps

13
 Si le système est linéaire et invariant, il existe une relation
intégro-différentielle linéaire à coefficients constants
entre e(t) et s(t).

• causalité
la réponse à l’instant t ne dépend pas des valeurs futures de l’entrée
 système physique ou non-anticipateur

14
Notion de réponse impulsionnelle, Convolution
• réponse impulsionnelle
 réponse à une impulsion de Dirac

(t) h(t)

Entrée = impulsion de Dirac Sortie = réponse impulsionnelle

• réponse indicielle
 réponse à un échelon unité

u(t) gu(t)

Entrée =échelon Sortie = réponse indicielle

15
• Sortie du système pour une entrée quelconque
Hypothèses :
• Le système est linéaire et invariant
• On connaît la réponse impulsionnelle
(t)  h(t)

(t – q)  h(t - q) invariance

e(q) . (t - q)  e(q) . h(t - q) homogénéité
   additivité


e(q).(t  q)dq 

e(q).h(t  q)dq

e(t)  e(t) * h(t) produit de convolution

16
• Produit de convolution


e(t) * h(t)  

e(q).h(t  q)dq

 Un système linéaire invariant est complètement

déterminé par sa réponse impulsionnelle

de même que :

Un système linéaire invariant est complètement

déterminé par sa réponse indicielle

17
• Propriétés
• f(t) * g(t) = g(t) * f(t)

• f(t) * (t) = f(t)

• f(t) * (t - t0) = f(t - t0) retard

18
•Interprétation e(q)

qq
 
e( t) * h( t)  

e(q).h( t  q)dq  

h(q).e( t  q)dq e(-q)

qq

e(t-q)
Pour obtenir la valeur de e(t)*h(t) à un
qq
instant t :
tt
• Retournement temporel de l’un des signaux h(q)
• Translation en t
• Produit point à point du signal retourné- qq
translaté avec l’autre signal
• Intégration h(q) e(t-q)

qq
tt
Aire = h(t)*e(t)
h(t)*e(t)

19
 
e( t ) * h( t )    e(q).h(t  q)dq

20
 Réponse fréquentielle
Soient une entrée e(t) = A e 2pjft (exponentielle complexe)
et un système de réponse impulsionnelle h(t)

 sortie s(t)
s(t)= e(t) * h(t)
 
s(t)  
e(t  q).h(q)dq  
Ae2 pjf (t  q)h(q)dq


s(t)   
Ae2 pjft e 2 pjfqh(q)dq


s(t)  Ae2 pjft  e 2 pjfqh(q)dq


e(t) H(f) fonction indépendante de t

21
 s(t)=e(t).H(f)
H(f)  fonction de transfert du système

Exponentielle complexe  fonction propre pour les systèmes linéaires invariants

Décomposition des signaux sur une base de fonctions exponentielles

complexes
 la réponse à ces signaux se calcule alors par un simple produit

Transformation de Fourier
22
Transformée de Fourier
• Définition
• Propriétés
• Transformées des signaux de test
• Transformée de Fourier des signaux à valeur
moyenne non nulle

23
Joseph Fourier (1768-1830)
 Instruction chez les Bénédictins puis dans une école
militaire.
 Participe à la révolution, manquant de peu de se faire
guillotiner durant la Terreur et sauvé de justesse par la
chute de Robespierre.

• Intègre l'École Normale Supérieure : élève de Joseph-Louis Lagrange et Pierre-

Simon Laplace.
• Participe à l'expédition de Napoléon en Égypte en 1798, et occupe un haut
poste de diplomate dans ce pays conquis.
• À son retour en France en 1801, nommé par Napoléon préfet de l'Isère.
• conduit à Grenoble ses expériences sur la propagation de la chaleur qui lui
permettront de modéliser l'évolution de la température au travers de séries
trigonométriques.
• Il entre à l'Académie des Sciences en 1817.

24
Définition
x(t) intégrable sur
 F 

2pjft df F 22ppjft
x( t )   X( f ).e
 
X( ff))   x
x((tt).e
).e jftdt
dt
 1
F 


X(f) est généralement complexe :

Re (X(f)) = 
X(f)  Re (X(f))  jIm (X(f)) avec

 - 
x(t) cos(2pft) dt


 - 
Im (X(f)) = - x(t) sin(2pft) dt

on considère aussi spectre d’amplitude et spectre de phase

 X(f) = Re (X(f))2 + Im (X(f))2


X(f)  X(f) .e jj(f ) avec   Im (X(f)) 
 j(f) = arctg  
  Re (X(f)) 

25
• Exemples

26
• Exemples

27
• Propriétés
• Linéarité
F

x1( t )  x 2 ( t ) X1( f )  X 2 ( f )

1

F
 Symétrie

F

x( t ) X( f )

1

F
Changement d’échelle
F
 1 f
x(a.t ) X( )

1
 a a
F

28
Conjugaison
F

x * (t) X * ( f )

1

F

Dualité
F

X( t ) x( f )

1

F

29
Translation
F

x( t  q) e  2pjfq X( f )

1

F
F

e 2pjf0 t x( t ) X( f  f0 )

1

F

Modulation temporelle

F 1
x(t). cos(2pf0t)   X(f  f0 )  X(f  f0 )
 
1 2
F
F j
x(t). sin(2pf0t)   X(f  f0 )  X(f  f0 )
 
1 2
F

30
Dérivation
F
dx( t ) 
2pjf .X( f )
dt 
1

F
F
dn x( t ) 
(2pjf )n .X( f )
dt n 
1

F
F
 - 1 dX(f)
t.x( t )

1
 2pj df
F

Convolution
F

x( t ) * y( t ) X( f ).Y( f )

1

F
F

x( t ).y( t ) X( f ) * Y( f )

1

F
31
 Parité
F
x(t) réelle paire X(f ) réelle paire
 
F 1

F
x(t) réelle impaire X(f ) imaginaire impaire
 
F 1

F
x(t) imaginaire paire X(f ) imaginaire paire
 
F 1

F
x(t) imaginaire impaire X(f ) réelle impaire
 
F 1

Valeur initiale
 
x(0)    X( f ).df X(0)    x( t ).dt

32
• Fonctions périodiques ( séries de Fourier)
x(t) périodique de période T=1/f0

  F 
 x( t )  C e 2pjnf0 t   
  n  
X( f )   Cn .(f  nf0 )
  F 1 

 
T
 1 2  2pjnf0 t
 avec Cn 
 T T x( t ).e dt
 
 2

facteur 1/T par rapport à la transformée de Fourier

des signaux d’énergie finie

33
Transformées des fonctions usuelles

• porte unité F
  sin(pf )
( t )  sinc(f )

1 
pf
F

34
Transformées des fonctions usuelles

• Sinus cardinal F
sin(pt)  
sinc(t)  ( f )
pt 
1 
F

35
• porte de largeur T

F
t   sin(pTf )
( ) T  T. sinc(Tf )
T 
1 
pTf
F

36
• Impulsion de Dirac

F

( t ) 1

1

F

37
• Gaussienne

F
2  2
e  pt e  pf

1

F

38
• Exponentielle complexe

F

e 2pjf0 t ( f  f0 )

1

F

39
• Fonctions harmoniques
F
 
cos(2pf0 t)
1
(f  f0 )  (f  f0 )

1 
2
F
F
  j
sin(2pf0 t) (f  f0 )  (f  f0 )

1 
2
F

40
• Peigne de Dirac

 F 
 
 (t  nT) 
1 1 1 n
IIIT ( t)  III ( f )  ( f  )
n 

1 
T T T n  T
F

41
Transformée de Fourier des signaux à valeur moyenne
non nulle

Les signaux de puissance finie ne satisfont pas les critères de convergence

de la TF 1 T /2
T
x(t)  x0 (t)  x avec x  lim x(t).dt
T  T /2

X(f )  X0 (f )  x.(f )

dx(t) dx0 (t)  dx0 (t) 

Or  et F   2pjf.X0 (f )
dt dt  dt 

1  dx(t) 
X(f )  F   x.(f )
2pjf  dt 

42
• Application: fonction signe

F j
sgn(t)  
 

1 pf
F

43
• Application: échelon unité

F j 1
u(t)    (f )
 

1 2pf 2
F

44
Interprétation de la transformée de Fourier

• Fréquence
 Rapidité des variations

45
• Phase
localisation

46
 Echantillonnage
• Echantillonnage et repliement spectral
• Filtres anti-repliement
• Restitution
• Echantillonnage fréquentiel

47
 Echantillonnage
• Hypothèse
• Echantillonnage idéal  durées d’observation infiniment brèves

Echantillonnage à la fréquence Fe=1/Te  multiplication du signal par

un peigne de Dirac

48
• Signal échantillonné : š(t)

s(t) = s(t).|||T (t)
e

 
s(t) =  s(t).(t - kTe )
k  

• En fréquence

 1 1  m 1  m
S(f) = S(f) *
Te
||| 1 (f ) 
T
 S(f) * (f -
T
) 
T
 S(f -
T
)
Te e m   e e m   e

 on observe une périodisation du spectre du signal

49
  1  m
S(f)  
Te m  
S(f -
Te
)

• hypothèse :
S(f) est nul pour |f|>FM
 s(t) est un signal à bande limitée

si Fe> 2 FM m=-2 m=-1 m=0 m=1 m=2

 pas de déformation du spectre
 pas de perte d'information

50
si Fe< 2 FM
 superposition des différentes répliques
 distorsion
 repliement spectral ou "aliasing"

L’échantillonnage est non réversible,

on ne peut retrouver le signal initial

51
• Théorème de Shannon
(1949)

Claude Elwood Shannon

1916 - 2001

Pour que l’échantillonnage ne déforme pas le spectre du signal, il

faut que la fréquence d’échantillonnage Fe soit supérieure à deux
fois la fréquence maximale contenue dans le signal, soit :

Fe > 2 FM

52
Exemples de distorsions dues au repliement
spectral

Echantillonnage correct

Echantillonnage avec distorsion

Cas particulier Fe = f0

53
Exemples de distorsions dues au repliement spectral
en 2D : effets de Moiré

54
Exemples de distorsions dues au repliement
spectral

Sous-
échantillonnage

55
Filtres anti-repliement
Remarques
• la bande passante du signal à échantillonner n’est pas
toujours connue a priori
• le signal contient souvent un bruit large bande

 il est prudent de filtrer le signal avant sa numérisation.

56
• Échantillonnage sans filtre anti-repliement

Erreur de repliement
S(f)

0 F e/2 f
• Échantillonnage avec préfiltrage

S(f)

0 F e/2 f

57
• Filtre anti-repliement idéal
( f ) réponse impulsionnelle Fesinc(t.Fe)
Fe
 irréalisable : non causal

• Filtre réel

Il faudra donc échantillonner au minimum à Fe=2.BM >2FM

La largeur de la bande de transition dépend du choix du filtre
Critères :
• ondulation résiduelle dans la bande passante,
• largeur de la bande de transition,
• atténuation en dehors de la bande passante.
 filtres de Butterworth, Tchebycheff, filtres elliptiques de Cauer... 58
Effets du filtrage anti-repliement signal initial

0.15
amplitude

0.1

0.05

0
-1000 -800 -600 -400 -200 0 200 400 600 800 1000
frequence (Hz)
signal sous-echantillonné

0.1
0.08
amplitude

0.06
0.04

0.02

0
-500 -400 -300 -200 -100 0 100 200 300 400 500
frequence (Hz)
signal sous-echantillonné après filtrage anti-repliement

0.1
amplitude

0.05

0
-500 -400 -300 -200 -100 0 100 200 300 400 500
frequence (Hz)

59
Effets du filtrage anti-repliement

sous-échantillonnage sans préfiltrage

sous-échantillonnage avec préfiltrage

60
Restitution
Hypothèse : échantillonnage sans repliement
1
On multiplie Š(f) par le filtre passe-bas idéal  on retrouve S(f )
Te
Š(f)
1/T e

0 Fe /2 Fe f
1  f
S(f )  S(f ).( )
Te Fe
1  f
S(f )  S(f ).( )
Fe Fe

• En temporel :
1 
s(t)  s(t) * Fe. sin c(t.Fe )
Fe
61
Or, le signal est échantillonné pour t  kTe  Fk , donc
e
  k k
s(t)   F s( ).(t 
F
)
k   e e
donc  k k
s(t)   s( ).(t  ) * sin c(t.Fe )
k   Fe Fe
  
s(t)  s(Fke ).sincFe.(tFke )
k 
Formule d'interpolation de Shannon

 inapplicable en pratique
correspond à un filtre de restitution dont la réponse
impulsionnelle est :
 k 
sin c Fe.(t  )
 Fe 
62
 restitution avec des filtres dont la réponse impulsionnelle est
limitée dans le temps.

Valeurs du signal entre kTe et (k+1)Te

• à partir de l'échantillon kTe et des m échantillons précédents
 extrapolateur d'ordre m

• à partir de m+1 échantillons dont certains sont postérieurs à

l'instant kTe  interpolateur d'ordre m (non causal)

63
• Restitution par opérateur linéaire
Le filtre cardinal idéal est remplacé par un filtre passe-
bas appelé filtre de lissage.
  k k
s(t)   F s( ).g(t 
Fe
)
k   e

avec g(t): réponse impulsionnelle du filtre de restitution

• Restitution par approximation polynomiale

On approche le signal par un polynôme de degré m
passant par m+1 échantillons (méthode de Lagrange).

64
Exemples
• extrapolateur d'ordre 0

Réponse impulsionnelle

Te

65
• extrapolateur d'ordre 1
On utilise les échantillons š[(k-1)Te] et š[kTe]:
Réponse impulsionnelle

Te

66
• interpolateur d'ordre 1
On utilise les échantillons š[kTe] et š[(k+1)Te]:

Réponse impulsionnelle

Te

67
• version tronquée de l’interpolateur idéal
On utilise les échantillons š[(k- m/2)Te] à š[(k+m/2)Te]:

Réponse impulsionnelle

Te
m m
- Te 0 2T e Te
2 2

68
Restitution et filtrage anti-repliement

image initiale sous-échantillonnage sans préfiltrage restitution par spline cubique

(zoom)

préfiltrage anti-repliement sous-échantillonnage avec préfiltrage restitution par spline cubique

(zoom) 69
Echantillonnage du spectre d'un
signal
x(t) signal  X(f) spectre

• Echantillonnage fréquentiel de X(f)


X(f )  X(f ).Fe.|||Fe (f )

• conséquence sur le signal:


x(t)  x(t) * ||| 1 (t)
Fe

 périodisation à la période 1/Fe du signal

70
 x(t) X(f)

x(t ) 
X (f)

T 1/Fe Fe

Soit T la durée finie du signal.

La condition de non recouvrement est: 1 T
Fe

71
Conclusion
Temps Fréquence

Echantillonnage Périodisation

Périodisation Echantillonnage

72
Transformée de Fourier
discrète
• Discrétisation de la transformée de Fourier
• Propriétés de la transformée de Fourier discrète
• TFD pour les signaux de durée illimitée

73
Transformée de Fourier d’un signal discret
 
Soit un signal échantillonné x(t) =  x(kTe ).(t - kTe )
k  

Sa transformée de Fourier est

     
X(f )  
x(t).e 2pjft dt   

k  
x(kTe ).(t - kTe ).e 2pjft dt

  
X(f )  
k  

x(kTe ).e 2pjfkTe (t - kTe )dt

 
 2pjfkTe
X(f )   x(kTe ).e
k  

 1
X(f ) est périodique de période Fe 
Te
 1
  2pj kTe 
X ( f  Fe )   x(kT ).e
k  
e
 2pjfkTe
.e Te
 X(f )

74
• Transformation inverse

• X(f ) étant périodique, elle peut être décomposée en série de
Fourier

 

 X ( f )   C k .e  2pjfkTe

   
 C . (t  kT )
k
 Fe / 2 x (t ) 
1  k e
C 

2pjfkTe k  
X ( f ).e df
 k
Fe  Fe / 2


d’où
Fe / 2
1 

2pjfkTe
x(kTe )  Ck  X ( f ).e df
Fe  Fe / 2

75
• Remarque
• l’intégrale peut également se calculer sur n’importe quel intervalle [f0,
f0+Fe]

• Difficultés
• f est une variable continue, donc pas adaptée à un traitement
numérique

• le calcul de X(f) fait intervenir une infinité de termes x(kTe)

 il faut discrétiser f et limiter la durée du signal x(kTe)

76
 Discrétisation de la fréquence
• On pose f=n.Df

• X(f)étant périodique, de période Fe, on calculera N
échantillons sur une période, d’où:
Fe 1
Df  
N N .Te
• On peut donc approcher la formule de calcul des
x(kTe) par une somme discrète sur N points
1 N 1
x(kTe )   X(n.Df ).e2pjnDfkTe
Nn  0
nk
1 N 1 2pj
x(kTe )   X(n.Df ).e
Nn  0
N

77
• Remarque
Passage à une variable
discrète pour f
 échantillonnage

du
spectre X(f )

 périodisation du signal temporel de période

1/Df=N/Fe=N.Te
N1 n(k N) N1 nk
2 pj 2 pj
 
1 1 N .e 2 pjn
x((k  N)Te )  X(n.Df ).e N  X(n.Df ).e
N n 0 N n 0

x((k  N)Te )  x(kTe )

Si la durée du signal temporel est limitée à NTe , la

discrétisation se fait sans distorsion du signal
78
Transformée de Fourier Discrète
 forme finale de la transformée de Fourier discrète (TFD) pour un signal
discret comportant N échantillons pris à des intervalles réguliers k.Te :

• x(k) : échantillon n°k correspondant au temps t=kTe

• X(n) : échantillon n°n du spectre pour la fréquence

n
f  n.Df 
N.Te

N 1 nk
 2pj
X(n)   x(k).e N
pour 0<n N-1 TFD
k 0
nk
1 N 1 2pj
x(k) 
N
 X(n).e N
pour 0<k N-1 TFDI
n0

79
Transformée de Fourier Discrète
(TFD)

80
• Remarque

• S’applique à un signal de durée NTe, mais aussi au cas

d’un signal périodique de période NTe

• Dans ce cas, la relation est valable pour n’importe quelle

valeur de k. La périodicité du signal fait qu’il n’y a pas de
problème de repliement lors de la discrétisation de X(f).

81
Propriétés de la TFD
• Linéarité
x(k) et y(k) suites périodiques de même période N
Soient m,l  

TFD[v(k)=mx(k)+ly(k)] = m.TFDx(k)]+l.TFDy(k)]

• Translation nk 0
 2 pj
x(k - k 0 )  
TFD
X(n).e N
kn0
2 pj
X(n - n0 )  
TFDI
x(k).e N

82
• Produit de convolution
• Convolution périodique
x(k) et h(k) : signaux périodiques de même période N.
leur produit de convolution est un signal également périodique de
période N
N 1
y(k)   x(l).h(k  l)
l0

Dans le domaine fréquentiel, on obtient pour la TFD :

Y(n)  X(n).H(n)

83
 x(k)

-7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

h(k)

-7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

y(k)

-7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

84
• Calcul de la convolution par TFD
X(n)
x(k) TFD
(N points)

TFDI x(k)*h(k)

h(k) TFD
(N points) H(n)

85
• Cas des signaux de durée limitée
Soit Nx la durée du signal x(k) pour k=kxmin..kxmax Nx= kxmax-kxmin+1
et Nh la durée du signal h(k) pour k=khmin..khmax Nh= khmax-khmin+1

Premier point
k-khmin=kxmin
k=khmin+kxmin

Dernier point
k-khmax=kxmax
k=khmax+kxmax

86
 k varie de khmin+kxmin à khmax+kxmax

Nombre de points :
Ny= khmax+kxmax - (khmin+kxmin)+1 = Nx+Nh-1 points

 Le produit de convolution est un signal de durée limitée

Nx+Nh -1
 Une durée Nx (ou Nh) n’est pas suffisante pour
représenter le produit de convolution, sans
recouvrement

87
 x(k)

Nx= 8

-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14

h(k)
Nh= 4

-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10

y(k)

Nx+ Hh-1
k

-5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

88
 • Calcul de la convolution par TFD
Il n’est pas possible de calculer ce produit en utilisant
une TFD de longueur Nx. Le recouvrement peut être
évité si l’on prolonge les deux signaux par des
échantillons nuls jusqu’à la durée Nx+Nh -1

X(n)
Ajout de Nh-1 TFD
x(k) zéros (Nx+Nh-1 points)

TFDI x(k)*h(k)

Ajout de Nx-1 TFD

h(k) zéros (Nx+Nh-1 points) H(n)

89
• Convolution fréquentielle
Soient x(k) et h(k) , deux suites périodiques de même période N.
 Le produit de ces signaux est un signal également périodique de même
période N.
y(k)=x(k).h(k)

En appliquant la TFD, on obtient :

1 N 1  produit de convolution
Y(n)  
N m0
X(m).H(n  m)

Également valable pour le produit de convolution de deux signaux de durée

limitée de même durée N.

90
• Corrélation
• signaux périodiques
x(k) et y(k) signaux réels périodiques de même période N.
Leur fonction d’intercorrélation, calculée sur une période est :
1 N 1
jxy (k)  
N l0
x(l).y(l  k)

Dans le domaine fréquentiel:

1  Densité spectrale de puissance

 xy (n)  X*(n).Y(n)
N

91
• signaux de durée finie :
la fonction d’intercorrélation est donnée par :
N 1
jxy (k)   x(l).y(l  k) (signaux d’énergie finie)
l0

xy(n)X*(n).Y(n)  Densité spectrale d’énergie

• Remarque :
si Nx et Ny sont les durées des signaux x(k) et y(k), la durée de la
fonction d’intercorrélation est Nx+Ny-1.
 si l’on veut éviter les phénomènes de recouvrement, il faut
prolonger les signaux par des échantillons nuls jusqu’à une durée
Nx+Ny-1.

92
Transformée de Fourier discrète pour les signaux de
durée illimitée

La TFD suppose des signaux périodiques ou de durée

limitée, définis par N échantillons.
Pour un signal de durée illimitée, la TFD ne peut être
définie que de façon approximative en limitant la durée
du signal

• Fenêtre rectangulaire
multiplication par une fenêtre rectangulaire de N
échantillons N(k)
Il est nécessaire de choisir correctement :
• la position de la fenêtre par rapport au signal (pour conserver les
échantillons de plus forte amplitude)
• la valeur de N

93
 On se ramène alors à l’étude d’un signal de durée
limitée xN(k) :
xN(k)=x(k).N(k)

• Hypothèses
• N(k) centré en 0
• N impair

• Effet de la limitation de durée :

Le spectre du signal tronqué s’obtient par convolution de X(f) avec le
spectre de N(k)

N(k) étant un signal à support limité, sa TFD existe

94
 Les échantillons de XN(n) sont une approximation des
échantillons de XN(f)

 La qualité de l’approximation est fonction de F[N(k)]


F N(k) =  N(k).e2pjfk
k  
N 1
2 sin(pfN)
F N(k) =  e 2pjfk 
N 1 sin(pf )
k 
2

95
 30
N=25
25

20

15

10

0
-1 0 1
-5

-10

 pic central de largeur 2/N et lobes secondaires d’amplitude décroissante.

Nul pour les multiples de 1/N, non entiers.

 Apparition d’oscillations, plus particulièrement autour des discontinuités :

phénomène de Gibbs

96
Représentation des images
 Représentation spatiale
• Représentation déterministe
image continue : f(x,y)  fonctions de deux (ou plus) variables d’espace
image numérique : f(k,l) continues ou discrètes
x y
 XY ( x, y )  ( ).( )
Exemple : X Y
avec
 X
x 1 si x 
( )   2 Y
X 0 sin on

X
• Représentation statistique
f(x,y) ou f(k,l)  variable aléatoire
 Paramètres statistiques usuels

98
Représentation fréquentielle
• Transformée de Fourier continue
 Représentation de l’image sur une base de fonctions
exponentielles complexes
• Cas mono-dimensionnel
 
F

f (x)  

F(u).e 2pjux du

1 
F
F(u)  

f ( x ).e 2pjux dx

• Cas bidimensionnel
  F  
2pj(ux  vy)  2
 2pj(ux  vy)
f(x, y)    F(u, v).e du.dv
 
1

F(u, v)    f(x, y).e dx.dy
  F2  

99
Représentation fréquentielle
Remarque
La transformée de Fourier est généralement complexe

Exemple

100
 Représentation fréquentielle
• Propriétés
• Linéarité F[ f(x, y) ]  F(u, v)
F[g(x, y)]  G(u, v)
 F[a f(x, y)  b g(x, y)]  a F(u, v)  b G(u, v)

a
TF TF a TF

module

101
Représentation fréquentielle
• Propriétés  
 2pj(ux  vy)
• Séparabilité F(u, v)    f(x, y).e dx.dy
 
    
 2pjux   2pjvy
F(u, v)    f(x, y).e
 dx .e dy

   



y y v

TF1D TF1D
u
suivant x suivant y

x u
module module

102
Représentation fréquentielle
• Propriétés
1 u v
• changement d'échelle F[ f(ax, by)]  F( , )
ab a b

TF TF

module

103
Représentation fréquentielle
• Propriétés
• Décalage
-2pj(ux0  vy 0 )
F[ f(x - x0, y - y0 )]  e F(u, v)

• Conjugaison
F[ f *(x, y)]  F*(-u,-v)

• Convolution
F[f(x, y) * g(x, y) ]  F(u, v) . G(u, v)
F[f(x, y) . g(x, y) ]  F(u, v) * G(u, v)

• Conservation du produit scalaire

   
* *
  f(x, y).g (x, y)dx.dy    F(u, v).G (u, v)du.dv
   
104
 Représentation fréquentielle
• Transformée de Fourier discrète

• Cas mono-dimensionnel
M 1 mk TFD M 1 mk
1 2pj    2pj
f(k)   F(m).e
Mm  0
M
 
F(m)   f(k).e M
TFDI k 0

• Cas bidimensionnel
 mk nl   mk nl 
M 1 N 1 2pj   TFD N 1 M 1  2pj  
1 M N    M N
f(k, l)   
MNm  0 n  0
F(m, n).e 
 
F(m, n)   f(k, l).e 
TFDI l0 k 0

105
 Représentation fréquentielle
• Transformée de Fourier discrète unitaire

• Cas mono-dimensionnel
M 1 mk TFD M 1 mk
1 2pj   1  2pj
f(k)   F(m).e
Mm0
M
 
F(m)   f(k).e
M k 0
M
TFDI

• Cas bidimensionnel
 mk nl   mk nl 
M 1 N 1 2pj   TFD N 1 M 1  2pj  
1 M N    1 M N
f(k, l)   
MN m  0 n  0
F(m, n).e 
 
F(m, n)   
MN l  0 k  0
f(k, l).e 
TFDI

106
Représentation fréquentielle
• Propriétés
• Séparabilité
N 1 M 1 mk  nl
 2pj  2pj
F(m, n)     f(k, l).e M .e

N
l  0 k  0 

• Linéarité
TFD[ f(k, l) ]  F(m, n)

TFD[g(k,l)]  G(m, n)

 TFD[a f(k, l)  b g(k, l)]  a F(m, n)  b G(m, n)

• Décalage -2pj(
mk 0 nl0
 )
TFD[ f(k - k 0 , l - l0 )]  e M N F(m, n)

107
Représentation fréquentielle
• Propriétés
• Convolution
TFD[f(k, l) * g(k, l) ]  F(m, n) . G(m, n)
TFD[f(k, l) . g(k, l) ]  F(m, n) * G(m, n)

! problèmes des bords

108
• Interprétation
• Module : orientation
q

Composante
continue

109
• Module : fréquence

1/n n

Composante
continue

110
• Phase : localisation

TF Module TF-1

TF-1
Module constant

111
• Phase : localisation

TF Module TF-1

TF Module TF-1

112
 Systèmes bidimensionnels

Image d'entrée Image de sortie

système
f(x,y) g(x,y)

• Système linéaire
f(x,y) système g(x,y)

a a

b
b

f1(x, y)  g1(x, y)
a, b   a f1(x, y) + b f2(x, y)  a g1(x, y) + b g2(x, y)
f2(x, y)  g2(x, y)
113
• Système invariant

f(x,y) système g(x,y)

f(x, y)  g(x, y)  f(x - x0 , y - y0 )  g(x - x0 , y - y0 )

114
• Réponse impulsionnelle (PSF : Point Spread Function)
réponse à une impulsion de Dirac

(x,y) système h(x,y) : réponse impulsionnelle

Si le système est linéaire et invariant, sa réponse à une

entrée f(x,y) est :
 
g(x, y)  f(x, y) * h(x, y)    f(x' , y' ).h(x  x' , y  y' ).dx'.dy'
 

produit de convolution bidimensionnel

115
• Interprétation du produit de convolution
 
g(x, y)  f(x, y) * h(x, y)    f(x' , y' ).h(x  x' , y  y' ).dx'.dy'
 
h(xh(-x',-y')
h(-x',y')
h(x',y')
1-x',y1-y')
• retournement de h y'
y2 y1
• translation en (x1,y1)
• produit point à point avec f(x',y')
f(x',y')
• intégration
 résultat au point (x1,y1) x'
x1 x2
• translation en (x2,y2)
• produit point à point avec f(x',y')
• intégration
 résultat au point (x2,y2) y
y2
y1

x
116
x1 x2
• Propriétes du produit de convolution

• commutativité
h(x,y)*g(x,y) = g(x,y)*h(x,y)

• associativité
[f1(x,y)*f2(x,y)]*f3(x,y) = f1(x,y)*[f2(x,y)*f3(x,y)]

• linéarité
[a f1(x,y) + b f2(x,y)]*g(x,y) = a f1(x,y)*g(x,y) + b f2(x,y)*g(x,y)

remarque
Le support de f(x,y)*h(x,y) est plus grand que l'image originale
 problèmes de bord

117
• Domaine fréquentiel

g(x,y) = f(x,y)*h(x,y)  G(u,v) = F(u,v). H(u,v)

 produit simple dans le domaine fréquentiel

H(u,v) est appelée fonction de transfert du système

118
Systèmes discrets
Image d'entrée système Image de sortie
f(k,l) h(k,l) g(k,l)

• produit de convolution discret

g(k, l)  f(k, l) * h(k, l)    f(m, n).h(k  m, n  l)

m n

119
Systèmes discrets

120
Images numériques
• Acquisition
Échantillonnage
Image analogique + Image numérique
Quantification

Echantillonnage  pixels
Quantification  niveau de gris ou couleur

121
Echantillonnage
• Problème
• Choix des fréquences d'échantillonnage (résolution
spatiale, taille des images, temps de traitement )

• Tessellation (forme des pixels)

rectangulaire parrallélogramme quinconce hexagonal

122
 Echantillonnage
• Echantillonnage théorique
 multiplication par une brosse de Dirac
 
|||DxDy (x, y)    (x  mDx, y  nDy)
m   n  
 image échantillonnée
  
f (x, y)    f(x, y).(x  mDx, y  nDy)
m   n  

• Conséquence dans le domaine fréquentiel


F |||DxDy (x, y)  
1 1
||| 1 1 (x, y) 
Dx Dy Dx Dy
1 1  
 
Dx Dy k   l  
(u 
k
Dx
, v 
l
Dy
)

 
d'où F(u, v)  F(u, v) * 1 1 k l
 
Dx Dy k   l  
(u 
Dx
,v 
Dy
)

 1 1   k l
F(u, v)   
Dx Dy k   l  
F(u 
Dx
,v 
Dy
)

 double périodisation du spectre en u et v.

123
Echantillonnage

image initiale spectre d’amplitude

zoom sur l'image échantillonnée spectre d’amplitude de l’image échantillonnée

124
Echantillonnage
• hypothèse
le spectre est à bande limitée bornée par umax et par vmax
 |F(u,v)|=0 pour |u|>umax et |v|>vmax
 le spectre est entièrement contenu dans un rectangle de
côté 2umax 2vmax

Dx et Dy trop grands  recouvrement des différentes

répliques des spectres fréquences de Shannon
repliement spectral ou « aliasing »ou de Nyquist.
1 1
limiteD:x  2umax ouDy  2vmax

Les erreurs de repliement ne peuvent pas être supprimées

par filtrage ultérieur.

125
Echantillonnage
Si Dx et Dy respectent la condition de Shannon :

1 1
 2umax et  2vmax
Dx Dy

toute l'information est conservée

Si le spectre n'est pas à bande limitée, il y a forcément

perte d'information par repliement spectral

• Conséquence du repliement spectral : effets de Moiré

126
Echantillonnage
Effets de Moiré

127
Restitution
• Restitution par filtrage passe-bas

Fr (u, v)  F(u, v).R(u, v)

R(u,v) filtre de restitution

Filtre idéal : R(u, v)   1 1 (u, v).Dx.Dy (filtre cardinal idéal)

Dx Dy

• Image reconstruite
 x y
fr (x, y)  f (x, y) * sin c( ) sin c( )
Dx Dy
 
x y
fr (x, y)    f(m.Dx, n.Dy).(x  mDx, y  nDy) * sin c( Dx
) sin c( )
Dy
m   n  
 
x y
fr (x, y)    f(m.Dx, n.Dy). sin c( Dx
 m) sin c(
Dy
 n)
m   n  

formule d'interpolation de Shannon

128
exemples de fonctions de restitution utilisées en pratique

129
Restitution
exemple

image initiale image restituée par extrapolateur image restituée par filtrage idéal
d’ordre 0

image restitutée par interpolateur Image restitutée avec préfiltrage anti-repliement

linéaire avant échantillonnage

130
Quantification
variable continue f  variable discrète f*
• quantification scalaire uniforme f*
 intervalles égaux
valeurs de
erreur
reconstruction
de quantification

f
0

intervalle de
décision

• quantification non uniforme

exemple : pas de quantification fonction de l'amplitude du signal
• quantification optimale
 minimisation de l'erreur de quantification

131
Représentation des Images
•Formats d’images
• images monochromes ou en niveaux de gris
représentées par une fonction f(x,y) qui traduit une certaine grandeur (intensité lumineuse
par exemple) du point (x,y). L’image numérisée correspondante sera constituée d’un unique
tableau de nombres f(k,l).
La quantification se fait le plus souvent sur 8 bits (256 niveaux) parfois sur 12 ou 16 bits
Un cas particulier correspond aux images binaires pour lesquelles 2 valeurs seulement sont
permises pour f(k,l), souvent 0 (noir) et 1 (blanc).

8 bits 4 bits 1 bit

132
Représentation des Images
•Formats d’images
• images trichromes (ou images couleur)
Une couleur quelconque peut être synthétisée par l’utilisation de 3 couleurs de base. Une
image couleur est en pratique trichrome et est représentée par 3 fonctions f1(k,l), f2(k,l), et
f3(k,l).

Le plus souvent, la quantification

se fait sur 8 bits par primaire
soit 16 millions de couleurs

+ +

133
Représentation des Images
• Formats d’images
• les images multi-spectrales :
Généralisation du cas précédent,
conduisant à n tableaux de nombres.
Pour la restitution, on peut visualiser
chaque composante séparément en
monochrome (ou en fausses
couleurs), ou affecter une couleur à
chaque bande spectrale et faire la
synthèse. Les couleurs résultantes
n’ont pas de réalité physique.

Vraies couleurs Fausses couleurs

Proche infra-rouge  rouge
Rouge  vert
Vert  bleu
(source: ign: J-P. Souchon & C. Thom)

134
Représentation des Images
• Formats d’images
• Les images en fausses couleurs
Représentations colorées d’images monochromes ou multi-spectrales
 meilleure lisibilité

Image monochrome Palette (LUT) image en fausses couleurs

135
Représentation des
Images
• Formats d’images
• Les images en couleurs indexées
Réduction des trois bandes RVB à une
image sur 8 bits associée à une
palette de 256 couleurs

Vraies couleurs

Image sur 8 bits Pallette (LUT) image en couleurs indexées 136

Vraies couleurs
+

couleur adjacente

tramage

Diffusion d’erreur

137
Traitements de base

138
Descripteurs
• Profil de densité

139
 Descripteurs
• Histogramme
 nombre de points dont le niveau de gris est égal à un niveau donné

140
 • Exemples

Surexposition Sous exposition Sous exposition

Dynamique
insuffisante

Surexposition

Offset trop élevé Offset trop faible Gain trop faible Gain trop fort Idéal

141
Descripteurs
• Histogramme cumulé
 nombre de points dont le niveau de gris est inférieur ou égal à
un niveau donné

142
Traitements d’amélioration d’image
• Types de traitements

y y y

x x x

Ponctuel Local Global

y y y

x x x 143
Opérations ponctuelles
 Transformation du type

g(x,y)=h[f(x,y)]

h: loi linéaire ou non, identique sur toute l’image

f(x,y) g(x,y)

Image Moniteur
LUT
d’entrée (Look Up Table)
vidéo

 Transformations qui agissent sur le contraste et la

dynamique de l’image

144
Opérations ponctuelles
• Seuillages - binarisation

145
Opérations ponctuelles
• Inversion positif-négatif

146
Opérations ponctuelles
• Renforcement du contraste

147
Opérations ponctuelles
• Recadrage linéaire du contraste

148
Opérations ponctuelles
• Egalisation d’histogramme
obtention d’un histogramme globalement plat
 histogramme cumulé linéaire
 entropie maximale

f(x,y) : image d’entrée

g(x,y) : image de sortie  On cherche une relation

g(x,y)=h[f(x,y)]

telle que l’histogramme de g soit plat en moyenne

149
Opérations ponctuelles
i : niveau de gris
Dfi intervalle correspondant au niveau i dans l’image d’entrée
pfi nombre d’échantillons dans ce niveau

Dgi l’intervalle correspondant dans l’image résultat

pgi nombre d’échantillons N 2  nombre de points
Q  nombre de niveaux
correspondance en probabilité : Dfi pfi = Dgi pgi

Histogramme plat  pgi=constante= p fi . D f i . Q

D gi 
N2
d’où

150
 Opérations ponctuelles
• Exemple

histogrammes
2
N
Q

histogrammes
cumulés

151
• Exemple recadrage égalisation

152
Opérations locales
• Filtrage linéaire
g(k, l)  f(k, l) * h(k, l)    f(m, n).h(k  m, n  l)
m n

Réponse impulsionnelle de taille réduite  opération

locale sur un petit voisinage de (k,l)

153
Opérations locales

154
74 ter
Opérations locales
• Masques types 1 1 1
• Moyenneur 3x3 1 
1 1 1
9 
1 1 1

• exemple

155
Opérations locales
• Lissage avec pondération centrale
1 1 1 1 1 1 2 1
1 2 1 2 4 2  filtrage passe-bas
10 1 1 1 16 1 2 1
   

• rehaussement de contour
 0  1 0  1  1  1
 1 5  1  1 9  1
 0  1 0  1  1  1

= +

image rehaussée image initiale image filtrée passe-haut

 0 1 0  0 0 0   0 1 0 
 1 5  1 0 1 0   1 4  1
     
 0  1 0  0 0 0   0  1 0 
156
Opérations locales
• Filtrage d’ordre
 combinaison linéaire des pixels du voisinage réarrangés par
ordre croissant

Vk,l : voisinage de L points autour du point (k,l)

tri  f(1) ≤ f(2) ≤...f(p) ... ≤ f(L)

L
g(k, l)  
p 1
Cp .f (p )

• Filtre médian CL 1  1

 2

Cp  0 L 1
pour p 
 2

157
Opérations locales
243 243
216 216 248
243 255
170 215
255 215 192
181 215
192 191
215

tri
170
191 181
192 192
215 215 215 216 243 243
248 255

médiane

Image originale Moyenneur 5x5 Médian 5x5

158
Opérations globales
• Filtrage fréquentiel
• Domaine spatial :
filtrage = convolution  g(x,y)=f(x,y)*h(x,y)

• Domaine fréquentiel :
multiplication G(u,v) = F(u,v).H(u,v)
 sélection de certaines composantes fréquentielles à partir d’un masque zonal

Passe-bas Coupe-bande Passe-haut

159
 Opérations globales
• Exemple

Image initiale Spectre d’amplitude Masque

Spectre d’amplitude filtré Image filtrée Image différence

160
 Traitement d'image

Techniques de restauration d’image

F. Denis, F. Dupont

161
 Problématique
 Dégradations de l’image

162
 Problématique
 Dégradations de l’image
• Acquisition
 Mauvaise mise au point
 Mouvement objet  système d’acquisition
 Distorsions géométriques
 Bruit des capteurs
 Perturbations (atmosphériques, ….)
• Changement de support
 Reproduction
 Transmission
 Mémorisation

 Compensation des dégradations = Restauration

163
 Problématique
Modélisation par un système linéaire invariant

f(x,y) h(x,y) g(x,y)

réponse impulsionnelle
Image originale Image dégradée
du système de dégradation

b(x,y)
bruit

 g(x,y) = f(x,y)*h(x,y) + b(x,y)

connu estimé estimé

 nécessité de modéliser les dégradations

164
 Exemple de dégradations
• Mouvement de caméra
 Hypothèses: déplacement selon x
temps d’exposition: T
vitesse de déplacement: a
 pendant la durée de l’acquisition, un point s’est déplacé de aT.

h(x,y)
1
aT

aT

1 x 1
h(x, y)  (  ). (y)
aT aT 2

165
 Défocalisation

2r
F
F

h(x,y) = 1 pour x2 + y2  r2
0 pour x2 + y2 > r2

r : paramètre d’ouverture<

Turbulences atmosphériques

 pa2 (x2  y2 )
h(x, y)  e

166
 Restauration par filtrage inverse
 Filtrage inverse
• Hypothèse
Système convolutif, sans bruit additif.
g(x,y) = f(x,y)*h(x,y)

 Dans le domaine spectral

G(u, v )
G(u,v) = F(u,v). H(u,v)  F(u, v ) 
H(u, v )

 F(u,v) s’obtient en divisant G(u,v) par H(u,v)

1
 L’image est filtrée par un filtre de réponse impulsionnelle
H(u, v)

f(x,y) est ensuite obtenue par transformation de Fourier inverse

Problème si H(u,v) = 0

167
 Restauration par filtrage inverse
 Filtrage pseudo-inverse
Pour stabiliser le filtrage, on utilise un filtre de restauration

 1
Hr (u, v )  si H(u, v )  
 H(u, v )

Hr (u, v )  0 sin on

Hr(u,v) : inverse généralisé de H

168
 Restauration par filtrage inverse
 Modèle avec bruit additif
g(x,y) = f(x,y)*h(x,y) + b(x,y)

G(u, v)  B(u, v)
 G(u,v) = F(u,v). H(u,v) + B(u,v)  F(u, v) 
H(u, v)

 Pour les faibles valeurs de G(u,v), le terme B(u, v) peut être prépondérant
H(u, v)

 On limite la restauration aux fréquences pour lesquelles le rapport signal/bruit est

élevé
 1
: fréquence au-delà de
H' (u, v)  H(u, v) pour u 2  v 2  2
 laquelle le bruit est
H' (u, v)  1 u 2  v 2  2 dominant
 pour

169
 Restauration par filtrage inverse

Spectre d’amplitude de
Image dégradée Spectre d’amplitude
la dégradation

Spectre filtré Image restaurée

170
 Restauration par filtrage de Wiener
 Recherche d’une estimation f(x, y) de f(x,y) qui minimise, au sens
statistique, l’erreur quadratique moyenne


 
 2  E f̂ ( x, y )  f ( x, y ) 
2

 réponse du filtre de Wiener obtenu sous ces conditions

H* (u, v). S f (u, v) Sf(u,v): densité spectrale de puissance de

H(u, v)  2
Sf (u, v). H(u, v)  Sb (u, v) l’image idéale
Sb(u,v): densité spectrale de puissance du
bruit

 G(u, v). H* (u, v). S (u, v) 

f(x, y)  F 1
 
F(u, v) 
F 1  f 
 S (u, v). H(u, v)  S (u, v) 
2
 f b 
 
 2 
  G (u , v ). H(u, v ) 
f(x, y)  F 1
  2 Sb (u, v)  
 H(u, v).  H(u, v)  
  S f (u, v )  
171
 Restauration par filtrage de Wiener

• Remarque
 Si l’image n’est pas bruitée , Sb(u,v) = 0

f(x, y)  F1  G(u, v). 

 H(u, v). 
 On retrouve la formule du filtrage inverse

172
 Lissage de Wiener
s’il n’y a pas de distorsion, mais seulement du bruit H(u,v) = 1

S f (u, v )
Hr (u, v ) 
S f (u, v )  Sb (u, v )
S f (u, v )
S sb (u, v )  rapport signal / bruit
Sb (u, v )
S f (u, v )
Sb (u, v ) S sb (u, v )
Hr (u, v )  
S f (u, v ) S sb (u, v )  1
1
Sb (u, v )

 lorsque Ssb(u,v) est grand, H’(u,v)  1

 lorsque Ssb(u,v) 1, H’(u,v)  Ssb(u,v)

173
 Techniques de « Inpainting »

Rappel restauration

g = f*h + b

g = image observée
f = image d’origine
h = dégradation, ici opérateur de masquage
-> l’information est perdue sur un domaine D
b = bruit

Problème mal posé, une infinité de solution

174
 inf J (u )  inf
U U 

(u ( x)  f ( x)) 2 d  l   ( u ( x) )d

Terme d’attache aux données Terme de régularisation

 0 si x  D
u ( x )  
u ( x) si x  D
 On cherche u tel que Ru soit proche de f
 Avec un terme de régularité (l>0)

u ( u )
 2 * f  2 * u  ldiv( u )
t u

175
176
177
178
179
180