Traitement des signaux et des images (07_O-TSI)
- Coefficient : 6
- Volume Horaire: 150h estimées de travail (dont 84h EdT)
- CM : 34.5h encadrées
- TD : 4.5h encadrées
- Labo : 33h encadrées (et 12h de séances d'études dirigées)
- Travail personnel hors EdT : 66h
- Dont projet : 3h encadrées et 10h projet personnel
Liste des AATs
Description
- Traitement des signaux numériques
- Echantillonnage et restitution réels
- Synthèse de filtres analogiques
- Synthèse de filtres numériques
- Analyse spectrale de signaux modulés
- Corrélation analogique et numérique
- Traitement des images numériques
- Acquisition et représentation des images
- Restauration et prétraitements
- Segmentation par les contours
- Segmentation par les régions
- Classification et reconnaissance de formes
- DSP : Intérêt, architecture et mise en œuvre
- Applications et performances des DSP
- Architecture, instructions et modes d’adressages spécifiques, périphériques
- Programmation assembleur et C, modes d’adressage
- Temps d’exécution (Benchmarking)
- Génération du code DSP à partir de MATLAB-Simulink
- DSP et Matlab : Exemples d’applications
- Filtrage numérique audio (FIR, IIR)
- FFT pour analyse spectrale
- Codage d’effets sonores
- Débruitage d’images
- Segmentation d’images
Acquis d'Apprentissage visés (AAv)
AAv1 [heures: 12, B2, B3, B4]: A la fin du semestre, l’étudiant doit être capable de faire la modélisation et l’analyse spectrale des mécanismes d’échantillonnage réel, en particulier l’échantillonneur moyenneur (ou suiveur) et l’échantillonneur bloqueur (ou maintien). L’étudiant doit connaître l’influence du choix entre ces deux procédés sur le spectre du signal échantillonné et en tenir compte lors de la conception des deux filtres, le filtre de garde (en amont de l’échantillonnage) et le filtre de reconstruction ou interpolateur.
AAv2 [heures: 6, B2, B3, B4, C2]: A la fin du semestre, l’étudiant saura déterminer les fonctions de corrélation (intercorrélation, autocorrélation) et la densité spectrale d’énergie (DSE) ou de puissance (DSP) de signaux déterministes. Il devra également être capable d’appliquer la corrélation en détection radar pour détecter la présence d’un motif dans un signal reçu.
AAv3 [heures: 12, B2, B3, B4, C1, C2, D1, D3]: A la fin du semestre, l’étudiant doit être capable de faire la modélisation et l’analyse spectrale des principes de modulation et de démodulation d’amplitude et de fréquence. L’étudiant doit savoir analyser et interpréter les représentations temporelles et fréquentielles des signaux analogiques correspondants aux formats de modulation suivants : AM (double bande avec porteuse DSB, double bande à porteuse supprimée DSB-SC, bande latérale unique SSB) et FM (bande étroite, bande large). Il doit également savoir s’appuyer sur les outils de simulation (python, matlab ou octave) et sur l’analyseur de spectre pour effectuer une démodulation par détecteur d’enveloppe ou par détecteur synchrone.
AAv4 [heures: 28, B2, B3, B4, C1, C2, D1, D2, D3] : A la fin du semestre, l’étudiant doit être capable de concevoir, analyser et mettre en œuvre des filtres numériques de type RII ou RIF en réponse à des spécifications d’un cahier des charges. Pour mener à bien ce travail, l’étudiant devra pouvoir : (1) Traduire les spécifications sous forme d’un gabarit. (2) Choisir adéquatement une structure de filtre (RII ou RIF) et une méthode de synthèse (transformation bilinéaire, invariance impulsionnelle ou échantillonnage de la fonction de transfert) en argumentant la pertinence des choix effectués. (3) Déterminer les coefficients du filtre par calcul direct ou à l’aide d’outil de prototypage rapide type matlab/simulink. (4) Implémenter le filtre dans un langage interprété de type python, matlab ou octave et valider ses performances vis-à-vis du gabarit spécifié. Il devra également pouvoir étudier l’influence de la distorsion en fréquence impliquée par la méthode de synthèse. (5) Choisir une forme (directe, cascade ou parallèle) de mise en œuvre. Il devra également pouvoir étudier l’influence de la distorsion en fréquence impliquée par la quantification du filtre sur un nombre fini de bits (sensibilité à la représentation finie des coefficients). (6) Implanter le filtre sur une cible matérielle de type microcontrôleur ou DSP. (7) Valider la synthèse vis-à-vis du cahier des charges par mesure à l’aide d’un analyseur de spectre.
AAv5 [heures: 21, C1, C2, D1, D2, D3] : A la fin du semestre, l’étudiant doit être capable de concevoir, analyser et mettre en œuvre un synthétiseur numérique à synthèse soustractive supportant le protocole de communication MIDI (Musical Instrument Digital Interface) dédié à la musique. Pour mener à bien ce travail, l’étudiant devra pouvoir : (1) Générer des signaux sonores de base de type sinus, carré, triangle, dent de scie par lecture de table. La fréquence de ces signaux devra être fonction de la note saisie au clavier MIDI. L’amplitude devra être modulée au cours du temps par une enveloppe de type ADSR (Attack Decay Sustain Release pour Attaque Chute Entretien Extinction en français). (2) Simuler et mettre en œuvre un filtrage numérique de type RII ou RIF dont la résonnance et la fréquence de coupure sont adaptées à la note reçue. La gestion de l’enveloppe d’amplitude (ADSR) devrait donner vie au son généré. (3) Ajouter un traitement numérique du son pour générer des effets de type Réverb (réverbération) ou de polyphonie. (4) Implanter ces algorithmes de la synthèse sonore sur une cible matériel de type microcontrôleur ou DSP.
AAv6 [heures: 40, B2, B3, B4, C2,] : A la fin du semestre, l’étudiant sera familiarisé avec les enjeux de la vision artificielle et aura acquis les concepts fondamentaux du traitement et de l’analyse des images numériques 2D. Cela concerne : (1) la représentation des images dans le domaine spatial et fréquentiel, (2) l’amélioration de contraste par les techniques de modifications d’histogramme (anamorphose linéaire et non-linéaire), (3) le débruitage par les techniques de filtrage linéaire (opérateurs de convolution 2D) et non-linéaire (filtrage des statistiques d’ordre, moyennage d’images, transformations morphologiques), (4) la restauration par les opérations de rehaussement de contraste (défloutage), (5) la segmentation par les approches basées contour et par celles basées région, (6) l’analyse de texture par approches fréquentielles et statistiques, (7) l’extraction de caractéristiques par les outils de sélection d’attributs, (8) la reconnaissance d’objets par transformée de Hough et par les algorithmes d’apprentissage automatique (machine learning).
AAv7 [heures: 15, C2, C3, D1, D2, D3, D4]: A la fin du semestre, l’étudiant sera capable d’appliquer efficacement sur une image d’entrée un ou plusieurs algorithmes classiques de traitement et d’analyse d’images. Il doit être en mesure d’optimiser la paramétrisation de chaque algorithme et d’analyser la pertinence et les limites des résultats obtenus.
AAv8 [heures: 12 , C1, C2, C3, D1, D2, D3, D4] : A la fin du semestre, l’étudiant sera capable de concevoir, analyser et mettre en œuvre une chaine de traitement et d’analyse d’images en réponse à un cahier des charges traduisant les besoins d’une nouvelle application de vision par ordinateur. Il s’agit en particulier de : (1) trouver le bon opérateur de prétraitement vis-à-vis de la nature du bruit dans l’image (gaussien, impulsionnel ou uniforme), (2) faire un choix justifié sur la méthode et sur l’opérateur de segmentation à utiliser, (3) savoir identifier les bons attributs caractéristiques pour l’analyse et l’exploitation de l’information présente dans l’image, (4) choisir un algorithme de reconnaissance d’objets adapté à la problématique, (5) implémenter les algorithmes dans un langage interprété de type matlab ou octave et finalement (6) faire les tests nécessaires pour valider la solution proposée et évaluer de manière critique les résultats obtenus.
AAv9 [heures: 6, D1, D2, D3, D4]: A la fin du semestre, l’étudiant sera capable d’utiliser les outils de la bibliothèque openCV et réaliser l’implantation d’une solution de traitement et d’analyse d’images sur une carte type microcontrôleur connectée à une caméra.
AAv10 [heures: 6, D2] : A la fin du semestre, l’étudiant sera capable d’utiliser les bibliothèques des techniques d’apprentissage profond (deep learning).
Modalités d'évaluation
Moyenne de plusieurs évaluations de contrôle continu
Mots clés
synthèse de filtres, signaux modulés, corrélation, débruitage d’images, segmentation d’images, reconnaissance de formes, DSP
Pré-requis
Programme de traitement du signal et de mathématiques des années antérieures.
Ressources
Polycopiés de cours et textes de TD et de Labos