Le traitement du signal est une discipline de l’ingénierie électrique et des mathématiques appliquées qui se concentre sur l’analyse, la modification et la synthèse des signaux. Un signal est défini comme toute grandeur physique qui varie dans le temps, l’espace ou toute autre variable indépendante, et qui transporte de l’information. Le traitement du signal vise à extraire cette information, à la transformer pour la rendre plus utile, ou à la convertir dans une forme plus adaptée à une transmission ou une interprétation.
Les concepts fondamentaux du traitement du signal reposent sur la compréhension de la nature des signaux et des opérations qui peuvent leur être appliquées. Les signaux peuvent être classifiés de diverses manières. Les signaux analogiques sont continus en temps et en amplitude, tandis que les signaux numériques sont discrets en temps (échantillonnés) et en amplitude (quantifiés). Les signaux peuvent également être continus dans le temps ou discrets dans le temps, déterministes (dont l’évolution peut être prédite précisément) ou aléatoires (décrits par des probabilités). Comprendre la nature du signal est la première étape cruciale de son traitement.
La représentation des signaux est un autre concept fondamental. Typiquement, un signal est initialement représenté dans le domaine temporel, c’est-à-dire comme une fonction de l’évolution de son amplitude au cours du temps. Cependant, pour de nombreuses applications, il est plus informatif de l’analyser dans le domaine fréquentiel, qui décrit les différentes composantes de fréquence qui constituent le signal. La transformée de Fourier est l’outil mathématique principal pour passer du domaine temporel au domaine fréquentiel. D’autres transformations, comme la transformée en Z pour les signaux discrets ou la transformée en ondelettes pour une analyse temps-fréquence localisée, sont également largement utilisées. Les signaux peuvent aussi exister dans le domaine spatial, comme les images qui varient selon deux coordonnées spatiales, ou spatio-temporel, comme les vidéos qui ajoutent la dimension temporelle.
Les opérations de base du traitement du signal incluent le filtrage, qui consiste à supprimer ou atténuer certaines composantes indésirables du signal, comme le bruit, ou à en sélectionner d’autres. L’amplification modifie l’amplitude du signal pour l’adapter à des dispositifs ou des seuils de détection. La modulation et la démodulation sont essentielles dans les communications pour adapter le signal aux caractéristiques du canal de transmission et pour permettre le partage de ce canal par plusieurs utilisateurs. Pour les signaux numériques, l’échantillonnage, qui est la conversion d’un signal continu en temps en un signal discret en temps, et la quantification, qui est la conversion d’un signal continu en amplitude en un signal discret en amplitude, sont des étapes préliminaires fondamentales. Le codage, notamment le codage de source, vise à représenter l’information du signal de manière efficace, souvent dans le but de réduire sa taille pour la compression de données.
Les systèmes de traitement du signal sont des dispositifs ou des algorithmes qui effectuent des opérations sur les signaux. Une classe particulièrement importante de systèmes est celle des systèmes Linéaires Invariants dans le Temps (LTI). Leur comportement est entièrement caractérisé par leur réponse impulsionnelle, qui est la sortie du système lorsqu’une impulsion est appliquée en entrée (dans le domaine temporel), ou par leur fonction de transfert, qui est la transformée de Fourier de la réponse impulsionnelle (dans le domaine fréquentiel). La linéarité signifie que la réponse du système à une somme de signaux d’entrée est la somme des réponses individuelles à chaque signal. L’invariance temporelle signifie que la réponse du système à un signal d’entrée ne dépend pas du moment où ce signal est appliqué.
Le bruit, défini comme toute perturbation aléatoire indésirable affectant un signal et masquant l’information qu’il contient, est un défi omniprésent en traitement du signal. Les techniques de débruitage visent à estimer le signal original à partir d’une version bruitée, en utilisant des connaissances a priori sur le signal et/ou le bruit. L’estimation de paramètres spécifiques du signal, tels que sa fréquence, son amplitude, ou sa phase, et la détection de la présence d’un signal particulier dans un environnement bruyant sont également des tâches courantes qui relèvent de l’estimation et de la théorie de la détection.
L’importance du traitement du signal dans le monde moderne est considérable et pervasive. Il constitue le fondement de nombreuses technologies qui ont profondément transformé la communication, le divertissement, la médecine, la science et l’industrie. En permettant l’extraction, la manipulation, et l’interprétation efficace de l’information contenue dans les signaux, il transforme des données brutes, souvent inexploitables en l’état, en connaissances utiles, en décisions éclairées, et en expériences utilisateur améliorées. Sans les avancées en traitement du signal, des innovations telles que les communications sans fil mondiales, l’imagerie médicale non invasive, la musique et la vidéo numériques de haute qualité, et les systèmes de contrôle autonomes sophistiqués ne seraient tout simplement pas possibles. Son impact se mesure par l’amélioration de la qualité de vie, les progrès scientifiques et technologiques qu’il engendre, et l’efficacité accrue qu’il apporte dans de nombreux secteurs industriels et économiques.
Les applications pratiques du traitement du signal sont extrêmement variées et touchent presque tous les aspects de la technologie moderne. Dans le domaine audio, il est utilisé pour la réduction du bruit de fond dans les enregistrements sonores, l’égalisation audio pour ajuster l’balance des fréquences selon les préférences ou l’acoustique d’une pièce, la compression de données audio pour des formats comme le MP3 et l’AAC, permettant un stockage et une diffusion efficaces de la musique, et la reconnaissance vocale qui alimente les assistants virtuels, les systèmes de dictée et les interfaces de commande vocale.
Le traitement d’images et de vidéos repose massivement sur ces techniques pour une multitude de tâches. La compression d’images, illustrée par le format JPEG, et la compression de vidéos, avec des standards comme MPEG et H.264/H.265, sont cruciales pour réduire la taille des fichiers tout en préservant une qualité visuelle acceptable pour le stockage et la transmission sur les réseaux. L’amélioration d’images permet d’augmenter le contraste, la netteté, ou de restaurer des images dégradées. Des applications plus avancées incluent la reconnaissance faciale pour la sécurité ou l’identification, l’analyse de scènes pour la surveillance vidéo intelligente, la vision par ordinateur pour la robotique, et l’imagerie médicale. Dans ce dernier domaine, des techniques comme l’Imagerie par Résonance Magnétique (IRM), la Tomodensitométrie (CT scan), ou l’échographie reconstruisent des images détaillées de l’intérieur du corps humain à partir de signaux mesurés, jouant un rôle vital dans le diagnostic et le suivi médical.
Dans le secteur des communications, le traitement du signal est au cœur des systèmes de téléphonie mobile (des premières générations jusqu’à la 5G et au-delà), des réseaux locaux sans fil (Wi-Fi), de la diffusion de radio et de télévision numériques (DAB, DVB), et des communications par satellite. Il permet de moduler les informations sur une onde porteuse pour la transmission, de démoduler le signal reçu pour récupérer l’information, de multiplexer plusieurs signaux sur un même canal, de corriger les erreurs introduites par le canal de communication bruyant et sujet aux interférences, et d’utiliser efficacement le spectre des fréquences, une ressource limitée et précieuse. Le radar et le sonar, utilisés pour la détection, la localisation et la mesure de vitesse d’objets (avions, navires, obstacles) utilisent des techniques sophistiquées de traitement du signal pour analyser les échos d’ondes radio ou sonores.
Le domaine biomédical bénéficie grandement du traitement du signal pour l’analyse non invasive des signaux physiologiques. L’électrocardiogramme (ECG) est analysé pour détecter des arythmies et autres pathologies cardiaques. L’électroencéphalogramme (EEG) est utilisé pour étudier l’activité cérébrale, diagnostiquer l’épilepsie, surveiller le sommeil, ou développer des interfaces cerveau-machine. Les prothèses auditives modernes intègrent des processeurs de signal numérique pour filtrer la parole du bruit ambiant et l’adapter aux besoins spécifiques de l’utilisateur.
D’autres applications notables incluent les systèmes de contrôle et la robotique, où le traitement des signaux provenant de divers capteurs (caméras, lidars, gyroscopes) permet aux systèmes de percevoir leur environnement, de prendre des décisions et d’agir de manière autonome ou semi-autonome. En finance, l’analyse de séries temporelles de cours boursiers ou d’indicateurs économiques utilise des techniques de traitement du signal pour la modélisation, la détection de tendances et la prédiction. En géophysique, le traitement des signaux sismiques est crucial pour l’exploration des ressources souterraines comme le pétrole et le gaz naturel, ainsi que pour l’étude des tremblements de terre et la surveillance sismique.
Le traitement du signal présente différentes nuances et peut être abordé sous plusieurs perspectives. Une distinction majeure est faite entre le traitement du signal analogique et le traitement numérique du signal (DSP, pour Digital Signal Processing). Le traitement analogique opère directement sur les signaux analogiques à l’aide de circuits électroniques passifs (résistances, condensateurs, inductances) et actifs (transistors, amplificateurs opérationnels). Bien qu’historiquement premier, il reste pertinent pour certaines applications à très haute fréquence, à très faible consommation d’énergie ou lorsque le coût est un facteur critique pour des fonctions simples. Le traitement numérique du signal est devenu dominant avec l’avènement des ordinateurs et des microprocesseurs spécialisés. Il implique la conversion des signaux analogiques du monde réel en format numérique via l’échantillonnage et la quantification. Ces signaux numériques sont ensuite traités par des algorithmes implémentés en logiciel sur des ordinateurs, des microcontrôleurs, des processeurs de signal numérique (DSP) dédiés, ou des circuits logiques programmables (FPGA). Le DSP offre une plus grande flexibilité, une meilleure précision, la possibilité d’implémenter des algorithmes beaucoup plus complexes, et une insensibilité au vieillissement des composants ou aux variations de température, contrairement aux circuits analogiques.
On distingue aussi le traitement du signal unidimensionnel, comme celui des signaux audio où le temps est généralement la seule variable indépendante, du traitement du signal multidimensionnel. Le traitement d’images, par exemple, concerne des signaux bidimensionnels (deux dimensions spatiales). Le traitement vidéo traite des signaux tridimensionnels (deux dimensions spatiales et une dimension temporelle), voire quadridimensionnels si l’on considère plusieurs vues. Chaque dimension supplémentaire accroît significativement la complexité des algorithmes et la quantité de données à traiter.
D’autres sous-domaines spécialisés incluent le traitement statistique du signal, qui utilise des modèles probabilistes pour décrire les signaux et le bruit, et développe des estimateurs et des filtres optimaux basés sur des critères statistiques (par exemple, les filtres de Wiener ou les filtres de Kalman). Le traitement adaptatif du signal concerne les systèmes dont les paramètres s’ajustent automatiquement en temps réel en fonction des caractéristiques changeantes du signal d’entrée ou de l’environnement, comme dans les annuleurs d’écho pour les communications ou les égaliseurs adaptatifs. Plus récemment, l’apprentissage automatique et en particulier l’apprentissage profond (deep learning) ont révolutionné de nombreuses tâches de traitement du signal, telles que la reconnaissance vocale, la traduction automatique, la classification d’images et la génération de signaux, offrant de nouvelles perspectives et des approches basées sur les données pour résoudre des problèmes complexes où les modèles traditionnels sont difficiles à établir.
Le traitement du signal est intrinsèquement multidisciplinaire et partage des frontières conceptuelles et méthodologiques avec plusieurs autres domaines. La théorie de l’information, fondée par Claude Shannon, fournit les limites théoriques fondamentales de la compression de données et de la transmission fiable de l’information contenue dans les signaux. La théorie du contrôle s’intéresse à la conception de systèmes capables de modifier ou de maintenir le comportement d’autres systèmes dynamiques, souvent en utilisant des signaux de rétroaction qui sont eux-mêmes traités. L’analyse de données et l’apprentissage automatique sont de plus en plus imbriqués avec le traitement du signal; ce dernier fournit souvent les caractéristiques (features) extraites des signaux bruts qui sont ensuite utilisées par les algorithmes d’apprentissage, ou ces algorithmes sont directement appliqués aux signaux pour des tâches de classification, de régression ou de détection. Les communications, l’acoustique, et l’optique sont à la fois des domaines d’application majeurs et des sources d’inspiration pour le développement de techniques de traitement du signal spécifiques à ces modalités.
Bien qu’il n’existe pas de synonyme parfait pour « traitement du signal », des termes comme « analyse de signaux » ou « manipulation de signaux » peuvent être considérés comme des aspects ou des sous-ensembles de ce domaine plus vaste. « Analyse de signaux » met typiquement l’accent sur l’extraction d’information, la caractérisation et la compréhension des signaux, tandis que « manipulation de signaux » peut se référer plus spécifiquement à la transformation, la modification ou la synthèse de signaux. Il n’y a pas d’antonyme direct pour « traitement du signal » en tant que discipline scientifique ou d’ingénierie. Cependant, sur le plan conceptuel, on pourrait opposer un « signal traité » (amélioré, compressé, analysé) à un « signal brut » ou « signal non traité ». De même, le « signal utile » ou « l’information » extraite par le traitement du signal peut être opposé au « bruit pur » ou aux « composantes indésirables » que le traitement vise à éliminer ou à réduire.
Les racines du traitement du signal sont anciennes et remontent au 17ème et 18ème siècles avec les premiers travaux sur l’analyse des séries temporelles astronomiques et l’analyse harmonique. Une contribution fondamentale a été celle de Jean-Baptiste Joseph Fourier au début du 19ème siècle, qui a démontré que des fonctions périodiques complexes pouvaient être décomposées en une somme de fonctions sinusoïdales simples (séries de Fourier), jetant les bases de l’analyse fréquentielle. Le développement des télécommunications à la fin du 19ème et au début du 20ème siècle, avec l’invention du télégraphe, du téléphone, et de la radio, a été un moteur majeur pour le développement de techniques de filtrage analogique, de modulation et de démodulation.
La véritable révolution dans le domaine est survenue avec l’ère numérique. Les travaux théoriques de pionniers comme Harry Nyquist et Claude Shannon dans les années 1920 à 1940 sur l’échantillonnage (théorème de Nyquist-Shannon), la quantification et la théorie de l’information ont jeté les bases mathématiques du traitement numérique du signal. L’invention du transistor en 1947 puis des circuits intégrés dans les années 1950 et 1960 a rendu possible la construction d’ordinateurs numériques de plus en plus puissants et compacts, capables d’exécuter des algorithmes de traitement. Un tournant majeur fut la redécouverte et la popularisation de l’algorithme de la Transformée de Fourier Rapide (FFT) par James Cooley et John Tukey en 1965. Cet algorithme a considérablement réduit la charge de calcul nécessaire pour effectuer l’analyse fréquentielle des signaux, ouvrant la voie à des applications pratiques du DSP qui étaient auparavant irréalisables. Les premiers processeurs de signal numérique (DSP) dédiés, des microprocesseurs optimisés pour les opérations typiques du traitement du signal, sont apparus à la fin des années 1970 et au début des années 1980. Ces puces ont permis l’implémentation en temps réel d’algorithmes complexes sur des dispositifs compacts et abordables, démocratisant l’accès à ces technologies. Depuis lors, la puissance de calcul disponible n’a cessé d’augmenter de manière exponentielle (loi de Moore), conduisant à des applications de plus en plus sophistiquées et à l’intégration massive du traitement du signal dans d’innombrables produits de consommation, systèmes industriels, médicaux et scientifiques. L’essor récent de l’intelligence artificielle et de l’apprentissage profond a encore enrichi le domaine, offrant de nouveaux outils puissants pour aborder des problèmes complexes de traitement du signal, souvent en surpassant les approches traditionnelles.
Le traitement du signal offre de nombreux avantages significatifs. Il permet d’améliorer considérablement la qualité des signaux en réduisant le bruit, les interférences et les distorsions, rendant ainsi l’information plus claire et plus exploitable. Il est capable d’extraire des informations précieuses qui pourraient être cachées ou non directement perceptibles dans les données brutes. La compression des données, une application clé, permet un stockage et une transmission beaucoup plus efficaces des signaux, ce qui est essentiel pour les médias numériques et les communications. Globalement, il améliore l’efficacité, la fiabilité et les performances des systèmes qui reposent sur l’acquisition et l’interprétation de signaux. Par exemple, il rend les communications sans fil plus robustes, les diagnostics médicaux plus précis et plus précoces, et le contenu multimédia plus accessible et de meilleure qualité.
Cependant, le traitement du signal présente aussi des inconvénients, des défis et des limitations. La conception et l’implémentation d’algorithmes de traitement du signal peuvent être d’une grande complexité mathématique et technique, nécessitant une expertise pointue. De nombreuses techniques, en particulier celles destinées au traitement en temps réel de signaux à large bande passante ou sur de très grands volumes de données (Big Data), exigent une puissance de calcul considérable. Cela peut se traduire par des coûts matériels élevés, une consommation d’énergie importante (un facteur critique pour les appareils mobiles et embarqués), et des défis de conception thermique. La latence, c’est-à-dire le délai introduit par les opérations de traitement, peut être une contrainte rédhibitoire dans certaines applications comme les communications interactives, les jeux en ligne, ou les systèmes de contrôle en boucle fermée.
Les défis actuels et futurs dans le domaine du traitement du signal incluent le développement de méthodes pour traiter des signaux de plus en plus complexes et de grande dimension, tels que les signaux non stationnaires (dont les propriétés statistiques changent avec le temps) ou les signaux provenant de réseaux massifs de capteurs (par exemple, dans l’Internet des Objets). La gestion efficace du bruit, surtout lorsqu’il est non gaussien, coloré, ou corrélé avec le signal d’intérêt, reste une préoccupation majeure et un domaine de recherche actif. L’interprétabilité des résultats, notamment avec l’utilisation croissante d’algorithmes d’apprentissage profond qui peuvent fonctionner comme des « boîtes noires » complexes, est également un sujet de recherche important, en particulier dans les applications critiques comme la médecine ou la finance. La sécurité et la confidentialité des signaux, ainsi que la robustesse des algorithmes face à des attaques malveillantes (par exemple, les attaques adverses sur les modèles d’apprentissage profond), sont des préoccupations émergentes.
Enfin, le traitement du signal a ses limitations inhérentes. Toute opération de traitement, même bien intentionnée, peut potentiellement introduire des distorsions ou des artefacts dans le signal, ou même entraîner une perte irréversible d’information si elle n’est pas soigneusement conçue et paramétrée. L’efficacité de nombreuses techniques de traitement du signal dépend de la validité des modèles mathématiques sous-jacents du signal et du bruit ; des modèles inadéquats ou trop simplifiés peuvent conduire à des performances sous-optimales, voire dégradées. La recherche constante de nouveaux algorithmes plus performants, plus robustes aux incertitudes des modèles, plus adaptatifs aux environnements changeants, et plus efficaces en termes de ressources de calcul continue de façonner l’évolution de ce domaine dynamique et essentiel à la technologie moderne.