Un enregistrement audio grésille, une image paraît floue ou une mesure contient trop de bruit : le bon traitement dépend d’abord du défaut à corriger. Le traitement du signal passe souvent par un filtrage ou une analyse fréquentielle, mais un mauvais choix peut supprimer une information utile en même temps que le bruit.

Un traitement fiable commence par la mesure du signal
- Échantillonnage : la fréquence choisie doit couvrir les composantes que tu veux conserver.
- Filtrage : un filtre réduit certaines fréquences, au prix possible d’un décalage ou d’une déformation.
- Analyse spectrale : la FFT aide à repérer des composantes périodiques, mais la durée observée fixe la résolution.
- Rééchantillonnage : une réduction de fréquence exige un filtre anti-repliement avant la décimation.
- Validation : compare le signal avant et après, dans le temps comme dans le spectre.
Le résultat dépend d’abord de la façon dont le signal est acquis
Un micro, un capteur ou une caméra transforme un phénomène continu en valeurs numériques. Cette étape, appelée échantillonnage, détermine quelles variations resteront visibles dans les données.
Pour un signal limité à une fréquence maximale donnée, le théorème de Nyquist-Shannon impose une fréquence d’échantillonnage supérieure au double de cette limite pour permettre une reconstruction fidèle. En pratique, une fréquence élevée ne suffit pas à elle seule : les composantes trop hautes doivent aussi être atténuées avant la conversion, faute de quoi elles peuvent réapparaître sous forme de fréquences erronées, un phénomène appelé repliement spectral. Le cours d’introduction au traitement du signal de l’université Paris Dauphine-PSL illustre cette condition et son application à l’audio.
Pour une image, le principe se transpose aux pixels : un motif trop fin par rapport à la grille peut produire des bandes ou des motifs parasites. Le défaut est déjà inscrit dans les données acquises ; un filtre numérique appliqué ensuite ne peut pas toujours le réparer.
Une FFT peut montrer des fréquences, mais pas toutes avec la même précision
Un spectre transforme une question visuelle en question fréquentielle : quelles oscillations composent le signal, et à quelle intensité ? La transformée de Fourier rapide, ou FFT, calcule efficacement une version discrète de cette analyse.
La résolution en fréquence dépend de la durée observée : une fenêtre de 1 seconde à 48 kHz contient 48 000 échantillons et donne des intervalles fréquentiels de 1 Hz. Une fenêtre de 0,1 seconde donne des intervalles de 10 Hz. Ajouter des zéros avant la FFT peut rendre la courbe plus dense à l’écran, mais ne révèle pas de nouvelles informations ni n’améliore la résolution physique.
Je pense qu’il faut éviter de lire chaque pic comme une fréquence certaine : un signal coupé au milieu d’une oscillation peut étaler son énergie sur plusieurs cases du spectre. Une fenêtre de Hann réduit souvent cet étalement, mais élargit les pics ; le choix dépend donc de la priorité, séparer deux fréquences proches ou mieux estimer l’amplitude d’une composante.
Réduire 48 kHz à 16 kHz exige un filtrage avant de garder un échantillon sur trois
Imagine un fichier audio enregistré à 48 kHz que tu veux convertir en 16 kHz pour un traitement vocal. Après conversion, la fréquence de Nyquist devient 8 kHz : toute énergie située au-dessus peut se replier dans la bande conservée si elle n’est pas atténuée avant la réduction.
Avec Python, scipy.signal.resample_poly(x, 1, 3) réalise ce changement par filtrage polyphasé. La documentation de SciPy précise qu’un filtre passe-bas FIR est appliqué entre le suréchantillonnage et la réduction du nombre d’échantillons. Le paramètre window permet de modifier le filtre utilisé.
Si la voix à préserver contient de l’énergie utile près de 8 kHz, un filtre qui coupe trop tôt peut ternir les consonnes ; s’il laisse passer trop de fréquences hautes, le repliement subsiste. Le choix doit donc suivre la bande réellement utile, et non seulement le facteur de conversion.
Le filtrage peut décaler les transitoires ou créer des artefacts aux bords
Un clic bref, une consonne ou l’attaque d’un instrument peut être modifié par un filtre conçu pour lisser le bruit. Les filtres FIR, à réponse impulsionnelle finie, peuvent être conçus avec une phase linéaire ; les filtres IIR, à réponse impulsionnelle infinie, atteignent souvent une réponse marquée avec moins de coefficients, mais leur phase peut davantage déformer la forme temporelle.
Un filtrage aller-retour, comme sosfiltfilt dans SciPy, supprime le déphasage net en filtrant dans les deux directions. Il n’est toutefois pas adapté à un flux en direct puisqu’il faut disposer d’échantillons futurs, et les bords du tableau peuvent être affectés par le prolongement utilisé pendant le calcul. La documentation de sosfiltfilt détaille les options de traitement des extrémités.
| Situation observée | Cause possible | Action à tester |
|---|---|---|
| Des fréquences basses apparaissent après réduction de la fréquence d’échantillonnage | Repliement spectral faute de filtrage préalable | Filtrer sous la nouvelle fréquence de Nyquist avant de décimer |
| Les pics voisins se confondent dans le spectre | Fenêtre d’observation trop courte | Analyser un segment plus long si le signal reste stable |
| Le début ou la fin du signal présente une anomalie après filtrage | Effet de bord lié au prolongement des données | Examiner les extrémités séparément ou traiter une zone plus large |
| Les attaques sonores semblent émoussées | Filtre trop agressif ou lissage excessif | Comparer la réponse temporelle et réduire l’atténuation appliquée |
Pour choisir une méthode, pars du défaut plutôt que de l’algorithme
Quand le problème est un bruit concentré dans une bande précise, un filtre passe-bas, passe-haut ou passe-bande peut suffire. Si le bruit est impulsionnel dans une image, un filtre médian peut mieux préserver les contours qu’un lissage moyen ; pour suivre l’évolution d’un son dans le temps, un spectrogramme apporte une information que la FFT d’un signal entier masque.
Dans les questions de programmation, une confusion revient souvent : rééchantillonner et simplement supprimer des échantillons ne sont pas équivalents. La fonction decimate de scipy.signal applique un filtre anti-repliement avant la réduction, tandis qu’une sélection naïve du type x[::3] n’effectue pas ce filtrage. La documentation SciPy distingue bien ces opérations dans son catalogue de fonctions.
Pour avancer sans dégrader les données, conserve une copie originale, traite un extrait représentatif, puis compare le signal temporel et son spectre. Si un artefact apparaît uniquement après traitement, le paramètre choisi est probablement en cause ; s’il est déjà présent dans l’acquisition, il faudra peut-être revoir le capteur ou l’échantillonnage.