
Wavelet transform is a signal processing method that analyzes data at multiple scales using localized wave-like functions.Le secret des ondelettes réside dans le compromis. L’analyse de Fourier offre une résolution fréquentielle parfaite, mais perd la localisation temporelle. La transformée de Fourier à fenêtre corrige cela, mais fixe la taille de la fenêtre. Les ondelettes adaptent la largeur de la fenêtre : pour les hautes fréquences, on utilise des fenêtres courtes, pour les basses fréquences, des fenêtres longues. C’est comme une partition musicale où les notes longues représentent les graves et les courtes les trilles rapides. En pratique, les ondelettes excellent en compression d’images (format JPEG 2000) et en débruitage de signaux sans estomper les transitions brusques — par exemple sur les tomographies médicales.
L’histoire des ondelettes commence avec les travaux de Haar (1909) — le plus simple système à marches. Dans les années 1930-1980, des idées isolées apparaissent : la fonction de Littlewood–Paley, les filtres miroirs en quadrature de Croisier, Esteban, Galand. La théorie consciente est née au début des années 1980 dans les travaux du géophysicien Jean Morlet et du mathématicien Alex Grossmann, qui ont construit la transformation en ondelettes continue pour l’analyse des signaux sismiques. Ensuite, Ingrid Daubechies (1988) a créé des ondelettes orthogonales lisses à support compact, ce qui a permis une transformation rapide. Plus tard, Mallat et Meyer ont développé la théorie de l’analyse multirésolution, reliant les ondelettes au filtrage des signaux.
La fonction d’échelle φ(t) et l’ondelette mère ψ(t) engendrent une base telle que {ψ_{j,k}(t) = 2^{-j/2} ψ(2^{-j}t - k)}. Tout signal se décompose : f(t) = Σ_k a_{j0,k} φ_{j0,k}(t) + Σ_{j>=j0} Σ_k d_{j,k} ψ_{j,k}(t). Les coefficients d sont obtenus par l’algorithme rapide de Mallat à l’aide d’un filtrage en cascade. À chaque niveau, le signal passe à travers une paire de filtres — passe-bas (moyenne) et passe-haut (détail) — suivie d’une décimation. Ceci est dual à un banc de filtres miroirs en quadrature. La condition d’orthogonalité de la base d’ondelettes exige que les filtres satisfassent certaines relations. L’analyse est flexible : on peut adapter la forme de l’ondelette au type de données.
Les empreintes digitales numériques et les codes-barres sont compressés par ondelettes. Les appareils qui recherchent des défauts dans les pièces d’avion utilisent les ondelettes pour entendre l’écho des fissures.
La vision humaine ressemble en partie à l’analyse par ondelettes : nous distinguons à la fois la forme générale d’une chaise dans la pénombre et une inscription fine sur son pied — le cerveau traite l’image à plusieurs échelles simultanément.
| W | variable | Wavelet transform coefficient — wavelet transform coefficient |
| s | variable | Scale parameter — scale parameter |
| τ | variable | Translation parameter — translation parameter second |
| x | variable | Input signal — signal |
| t | variable | Time variable — temps second |
| ψ* | variable | Complex conjugate of wavelet function — wavelet function |
| ∫ | opérateur | Integration over time — opérateur intégral |
















