You are on page 1of 19

Recherche sur la corrlation en traitement de signal

Master spcialis Systmes dInformations Distribus


Date : 06/01/2014

Matire : Traitement de signal

Par :

BAKRI Anouar BELHAOUS Safa EL YAMAMI Abir

Anne universitaire : 2013-2014

Table des matires


Introduction La corrlation 1.1 Historique . . . . . . . . . . . . 1.2 Dnition . . . . . . . . . . . . 1.2.1 En statistique . . . . . . 1.2.2 En traitement de signal . 1.3 Applications de la corrlation . 3 4 5 6 6 7 7 8 9 9 9 9 11 11 11 12 12 12 14

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

La corrlation en traitement de signal 1.4 Corrlation des signaux continus . . . . . . . . . 1.4.1 Signal nergie nie . . . . . . . . . . . 1.4.2 signal puissance moyenne nie . . . . . 1.4.3 Corrlation croise des signaux continus 1.4.4 Lautocorrlation des signaux continus . 1.5 Corrlation des signaux discrets . . . . . . . . . 1.5.1 Corrlation croise des signaux discrets . 1.5.2 Lautocorrlation des signaux discrets . . 1.5.3 Proprits . . . . . . . . . . . . . . . . . 1.5.4 Exemple . . . . . . . . . . . . . . . . . . 1.6 Coecient de Corrlation . . . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

Simulation sur Matlab 15 1.7 Script . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.8 Rsultat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

Introduction
Le signal est le support de linformation mise par une source et destine un rcepteur ; cest le vhicule de lintelligence dans les systmes. Il transporte les ordres dans les quipements de contrle et de tlcommande, il achemine sur les rseaux linformation, la parole ou limage. Il est particulirement fragile et doit tre manipul avec beaucoup de soins. Le traitement quil subit a pour but dextraire des informations, de modier le message quil transporte ou de ladapter aux moyens de transmission ; cest l quinterviennent les techniques numriques. En eet, si lon imagine de substituer au signal un ensemble de nombres qui reprsentent sa gran- deur ou amplitude des instants convenablement choisis, le traitement, mme dans sa forme la plus labore, se ramne une squence doprations logiques et arith- mtiques sur cet ensemble de nombres, associes des mises en mmoire. La modlisation des systmes est lun des grands domaines du traitement du signal. Par ailleurs, la modlisation des signaux constitue une autre approche pour leur analyse, avec des proprits qui dirent de celles de la transforme de Fourier et des ltres dnis dans le domaine des frquences. La prdiction linaire, en parti- culier, est un outil simple et ecace pour caractriser certains type de signaux et procder leur compression. Les traitements sont spcis dans le domaine tem- porel, en utilisant les paramtres statistiques et principalement la corrlation.

La corrlation

Figure 1.1 Source : http://lesveritesscientifiques.com/tag/socio-economie/

Le Concept de base de la corrlation est illustr dans la Figure 1.2 qui reprsente un exemple de la reconnaissance de caractre. Dans cette Figure 1.2, les pixels noirs prennent une valeur de 1 et les pixels blancs une valeur de 0. supposant que nous voulons localiser toutes les occurrences de limage de rfrence(S dans cet exemple) dans limage de test. La faon pour faire cela est dappliquer la corrlation(inter-corrlation comme nous allons le voir aprs) entre limage de rfrence et limage de test. Limage de rfrence est place en dessus de limage de test en haut gauche et une multiplication pixel par pixel est faite sur les deux matrices des deux images ; toutes les valeurs de la multiplication sont sommes pour donner une seul valeur de corrlation. Ce processus est 4

1.1. HISTORIQUE rpt en dplaant limage de rfrence droite et en bas de limage de test. Finalement une matrice est construite a partir de ces valeurs o les valeurs maximales reprsentes les endroits de ressemblance entre les deux images et des valeurs zros reprsentants la non ressemblance.

Figure 1.2 Schma de la corrlation dimage

1.1

Historique

Ctait tard en 19me sicle que les scientiques ont commenc travailler sur la problmatique de comment quanti lexistence dune relation ou pas entre deux variables alatoires. Le biologiste Franais Galton dans son article publi en 1888 Co-relations and their Measurement, Chiey from An-thropometric Data. Proceedings of the Royal Society of London 45 : 135-145. a dnie le mot co-relation de manire quantitative, aujourdhui connu comme corrlation. Dans cet article il a prsent pour la premire fois une mthode de calcule de la corrlation. Il a pu faire la corrlation entre la hauteur (taille) de 348 adultes masculins et la longueur de leurs avant-bras la partie qui se trouve entre le poignet et le coude. Ces donnes sont reprsent dans la Figure 1.3 . Galton a conclu que la diagonale de ce tableau contient les cas o il y a une grande corrlation entre la longueur de lavant-bras (C) et la hauteur de ladulte (S).

1.2. DFINITION

Figure 1.3 Les donnes de Galton : (S) hauteur et (C) longueur de lavant-bras Toutefois pour Galton, la notion de corrlation nest pas dnie prcisment et il lassimile dans un premier temps la droite de rgression(diagonale du talbeau prcdent). Cest aprs que Karl Pearson propose en 1896 une formule mathmatique pour la notion de corrlation. La corrlation est introduite en conomie avec louvrage de Bowley Elements of Statistics en 1923 et lintervention de George Udny Yule en 1909. La date dintroduction de la corrlation dans le traitement de signal nest pas connu ! ! ! !.

1.2

Dnition

Dirents domains dtudes dnissent la notion de corrlation diremment, ces dnition ne sont pas toutes quivalentes. dans certain domaines la corrlation est utilis interchangeablement avec la covariance.

1.2.1

En statistique

En statistiques, tudier la corrlation entre deux ou plusieurs variables alatoires ou statistiques numriques, cest tudier lintensit de la liaison qui peut exister entre ces variables. mathmatiquement la corrlation entre deux variables alatoires X et Y dnies dans le temps (Srie temporelle) est :

X,Y (m) = corr(X, Y ) =

E [(Xn X )(Y n+mY )] X Y

avec X et Y lesprance mathmatique de X et Y et X , Y lcart type. la quantit E [(X X )(Y Y )] reprsente la covariance entre X et Y. Donc, la formule prcdente peut tre crite autrement :

X,Y (m) = corr(X, Y ) =

cov(Xn ,Yn+m ) X Y

1.3. APPLICATIONS DE LA CORRLATION

1.2.2

En traitement de signal

En traitement de signal, la dnition prcdente en statistique est utilis sans normalisation. a veut dire, sans division par lcart type X , Y et soustraction de lesprance mathmatique X et Y . Soit x(t) et y(t) deux signaux de type quelconque

Rxy ( ) = corr(x(t), y (t )) = E [x(t)y (t )]


o E [x] dsigne lesprance de x.

1.3

Applications de la corrlation

La corrlation est une notion appliquer dans Dirents domaines dtudes : Lune des applications de la corrlation est la mesure du spectre optical et les impulsions lumire a trs courte dure produites par les lasers en utilisant lautocorrlateur optical. La corrlation est utilis pour analyser les donnes de diusion dynamique de la lumire. lintensit de diusion des rayons X aux petits angles des systmes non structurs est la transforme de Fourier de la fonction dautocorrlation spatial de la densit dun lectron. Dans loptique, lautocorrlation normalise et la corrlation crois donne le degr de cohrence dun champ lectromagntique. Dans lanalyse de donnes de la mthode de Monte-Carlo par chanes de Markov, lautocorrlation doit tre prise en considration pour une correcte dtection des erreurs. En traitement de signal, lautocorrlation donne des informations sur les vnements qui se rptes comme les solfges de musique ou la frquence dun pulsar.

La corrlation en traitement de signal


La corrlation est une opration importante dans le traitement de signal comme lopration de convolution, elle est largement utilis particulirement dans le domaine de transmission de donnes et le gnie biomdical. Comme on a vu avant la corrlation est utilis dans les applications, o il est nccessaire de trouver la similarit entre deux squences de donnes. En transmission de donnes elle est utilis pour comparer un signal reu avec un ensemble de signaux standards. Dans le traitement de signal biomdical, les signaux mdicaux peuvent tre compars par la corrlation. La corrlation est utilise dans des applications biomdical, applications de la reconnaissance vocale, radars, transmission de donnes, biologieet astrophysique. Cette partie, prsente la corrlationn des signaux continus et les signaux discrets dans le temps.

Figure 1.4 Francis Galton : le parrain de la corrlation

1.4. CORRLATION DES SIGNAUX CONTINUS

1.4
1.4.1

Corrlation des signaux continus


Signal nergie nie

Soit s(t) un signal continus dans le temps. On dit que s(t) est un signal nergie nie si la valeur de son nergie est nie :

E =

x(t), x(t)

2 | x ( t ) | dt = valeur nie

Dans ce cas la puissance moyenne de ce signal P est nulle par dnition. Gnralement cest le cas des signaux reprsentant une grandeur physique, Signaux transitoires a support born.

1.4.2

signal puissance moyenne nie

On dit que le signal s(t) est un signal puissance moyenne nie si la valeur de la puissance moyenne est nie :

1 = lim T T

+T 2 T 2

x(t)2 dt = valeur nie

Les signaux a nergie innie ont une puissance moyenne non nulle. En plus, si cette puissance est nie en parle de signaux priodique.

1.4.3
1.4.3.1

Corrlation croise des signaux continus


Cas des signaux nergie nie

Soit x(t) et y(t) deux signaux continus nergie nie. la corrlation croise entre ces deux signaux not RXY ( ) est par dniton : +

Rxy ( ) =

x(t)y (t )dt

la valeur reprsente le dcalage dans le temps entre x(t) et y(t). La gure 1.5 montre deux signaux dirents x(t), y(t) et le resultat de leurs multiplication. Dans le premier cas (a), x(t) est x dans le temps alors que y(t) est dcal avec . la corrlation croise est la surface color en gris. Dans le deuxime cas (b), on considre y(t), x(t-) et leurs corrlation croise y(t)x(t-). 9

1.4. CORRLATION DES SIGNAUX CONTINUS

Figure 1.5 Corrlation croise entre x(t) y(t) dcal par

un coup doeil rapide nous permet de conclure que les deux integrales sont direntes : + +

x(t)y (t )dt =

y (t)x(t )dt

Mais si on ajoute dans x(t) et y(t-) on va avoir la relation suivante : + 1.4.3.2

x(t)y (t )dt =

y (t)x(t + )dt

Cas des signaux priodiques(puissance nie)

La mme chose pour les signaux priodiques, on dnie la corrlation croise :

RXY ( ) = lim

1 T 2T

x(t)y (t ) = lim T

1 T 2T

T T

x(t+ )y (t) dt

1.4.3.3

Proprits de la corrlation croise

> La transforme de fourier de la corrlation croise est appelle densit spectrale est dnie par : Pour les sginaux puissance nie Sxy (i ) = [Rxy ( )] = Rxy ( ) ei d Pour les signaux nergie nie

Gxy (i ) = [Rxy ( )] =

Rxy ( ) ei d

10

1.5. CORRLATION DES SIGNAUX DISCRETS

> On remarquera que le produit de convolution est quivalant la corrlation croise de x(t) et y(-t). +

(x y )( ) =

x(t) y ( t)dt

> une proprit fondamentale de lautocorrlation est la symtrie. Ce qui se dmontre partir de la dnition. Dans un cas continu, lautocorrlation est mme une fonction paire.

Rxy ( ) = Rxy ( )

1.4.4

Lautocorrlation des signaux continus

Lautocorrlation est souvent utilis en traitement du signal. Cest la corrlation croise dun signal par lui-mme. Lautocorrlation permet de dtecter des rgularits, des prols rpts dans un signal comme un signal priodique perturb par beaucoup de bruit. 1.4.4.1 Cas des signaux nergie nie

Soit x(t) un signal continu nergie nie. lautocorrlation not Rxx ( ) est par dniton : +

Rxx( ) =

x(t)x(t )dt

la valeur reprsente le dcalage dans le temps.

1.4.4.2

Cas des signaux priodiques(puissance nie)

La mme chose pour les signaux priodiques, on dnie la corrlation croise :

Rxx( ) = lim

1 T 2T

x(t)x(t ) = lim T

1 T 2T

T T

x(t + )x(t) dt

1.5
1.5.1

Corrlation des signaux discrets


Corrlation croise des signaux discrets

La corrlation croise note rxy (k ) est utilise pour mesurer la similarit entre deux sequences x(n) et y(n). Elle est dnie par : 11

1.5. CORRLATION DES SIGNAUX DISCRETS + n=

rxy (k ) =
o, par quivalance

x (k ) y (n k )

rxy (k ) =
1.5.2

+ n=

x(n + k )y (n)

Lautocorrlation des signaux discrets

Dans le cas spciale, o y(n)=x(n), on la corrlation du signal x(n) avec lui mme appelle autocorrlation. Elle est utilise pour comparer la similarit entre deux chantillon dun mme signal. Lautocorrlation rxx (k ) est dnie par :

rxx(k ) =
1.5.3 Proprits

+ n=

x(n + k )x(n)

1. rxy (k ) = ryx (k ) 2. rxy (n) = x(n) y (n)(convolutionlinire)

1.5.4

Exemple

Soit la squence x(n) = {2, 1, 2, 4} et y(n)={2, 1, 2, 4}. La corrlation croise est calcul par la formule prcdente :

rxy (k ) =

+ n=

x (k ) y (n k )

la longueur de rxy (n) = la longueur de x(n) + la longueur de y(n) - 1. =4+41=7 la limite minimale de rxy (n) = limite minimale de x(n) + limite minimale de y(-n) = 0 + (3) la limite maximale de rxy (n) = limite maximale de x(n) + limite maximale de y(-n) =3+0=3 Donc, n varie de -3 3.

Pour n = - 3

rxy (3) =
k=0

x(k )y (k + 3)

= x(0)y (3) + x(1)y (4) + x(2)y (5) + x(3)y (6) = 2.4 + 1.0 + 2.0 + 4.0 = 8

12

1.5. CORRLATION DES SIGNAUX DISCRETS

Pour n = - 2

rxy (2) =
k=0

x(k )y (k + 2)

= x(0)y (2) + x(1)y (3) + x(2)y (4) + x(3)y (5) = 2.2 + 1.4 + 2.0 + 4.0 = 8

Pour n = - 1

rxy (1) =
k=0

x(k )y (k + 1)

= x(0)y (1) + x(1)y (2) + x(2)y (3) + x(3)y (4) = 2.1 + 1.2 + 2.4 + 4.0 = 12

Pour n = 0

rxy (0) =
k=0

x(k )y (k )

= x(0)y (0) + x(1)y (1) + x(2)y (2) + x(3)y (3) = 2.2 + 1.1 + 2.2 + 4.4 = 25

Pour n = 1

rxy (1) =
k=0

x(k )y (k 1)

= x(0)y (1) + x(1)y (0) + x(2)y (1) + x(3)y (2) = 2.0 + 1.2 + 2.1 + 4.2 = 12

Pour n = 2

rxy (2) =
k=0

x(k )y (k 2)

= x(0)y (2) + x(1)y (1) + x(2)y (0) + x(3)y (1) = 2.0 + 1.0 + 2.2 + 4.1 = 12

Pour n = 3

rxy (1) =
k=0

x(k )y (k 3)

= x(0)y (3) + x(1)y (2) + x(2)y (1) + x(3)y (0) = 2.0 + 1.0 + 2.0 + 4.2 = 8 Donc, rxy (n) = {8, 8, 12, 25, 12, 8, 8} 13

1.6. COEFFICIENT DE CORRLATION

1.6

Coecient de Corrlation

La corrlation rfre la relation quantitative entre deux variables. La force de la corrlation est indique par le coecient de corrlation. Le coecient de corrlation, not r, est la mesure de la force de la relation entre deux variables. Il prend des valeurs entre -1 et +1. Une valeur positive implique une association positive entre les variables(une valeur positive dune variable associe avec une valeur positive de lautre), alors quune valeur ngative implique une association ngative entre les variables. Un coecient valeur -1 montre que les variables sont parfaitement corrles ngativemant ; alors que +1 montre quune parfaite corrlation positive existe, nalement un coecient 0 montre que les deux variable ne sont pas corrles. Soit x(n) et y(n) deux signaux discrets avec N pairs de donnes (x1 ,y1 ),(x2 ,y2 )...(xN ,yN ). La formule mathmatique du coecient de corrlation croise scrite :
N

(x(k ) x ) (y (k ) y ) rxy =
k=1 N N

(x(k ) x )2
k=1 i= k

(y (k ) y )2

14

Simulation sur Matlab


Dans cette simulation on va faire une application des connaissances thoriques prsentes dans ce rapport. Le concept de corrlation est appliquer aux images en utilisant la notion de corrlation normalise qui utilise elle aussi la notion de Coecient de corrlation. Dans cette simulation on va utilis matlab pour dtecter une image image2 appelle image modle dans une autre image image1 qui contient limage2 plus un bruit.

(a) Image de test (b) Image modle

1.7

Script

image1 = imread(image_correlation\image1.jpg); image2 = imread(image_correlation\image2.jpg); imshow(image1) figure imshow(image2) rect_image1 = [222 33 900 1100]; rect_image2 = [10 20 400 320]; sub_image1 = imcrop(image1,rect_image1); sub_image2 = imcrop(image2,rect_image2); correlation = normxcorr2(sub_image2(:,:,1),sub_image1(:,:,1)); figure surf(correlation), shading flat [max_c, imax] = max(abs(correlation(:))); [ypeak, xpeak] = ind2sub(size(correlation),imax(1)); corr_offset = [(xpeak-size(sub_image2,2)) (ypeak-size(sub_image2,1))]; rect_offset = [(rect_image1(1)-rect_image2(1)) (rect_image1(2)-rect_image2(2))];

15

1.8. RSULTAT

offset = corr_offset + rect_offset; xoffset = offset(1); yoffset = offset(2); x1 = xoffset+1; x2 = xoffset+ size(image2,2); y1 = yoffset+1; y2 = yoffset+size(image2,1); [m,n,p] = size(image1); mask = ones(m,n); i = find(temp_image1(:,:,1)==0); mask(i) = .2; figure, imshow(image1(:,:,1)) hold on h = imshow(temp_image1); set(h,AlphaData,mask)

1.8

Rsultat

Figure 1.6 Corrlation normalise calcul avec normxcorr2() 16

1.8. RSULTAT

Figure 1.7 Emplacement de limage modle dans limage de test

17