La décomposition modale empirique (Empirical Mode Decomposition – EMD) ou la Transformation de Hilbert Huang (HHT) est une nouvelle méthode d’analyse temps-fréquence qui est particulièrement adaptée pour des séries temporelles non-linéaires et non stationnaires. Nous avons obtenu comme résultat le fait que la méthode EMD correspond à un banc de filtre dyadique (ou quasi-dyadique) pour la turbulence pleinement développée. Pour caractériser les propriétés intermittentes d’une série temporelle invariante d’échelle, nous avons généralisé l’analyse spectrale de Hilbert-Huang classique à des moments d’ordre arbitraires, pour effectuer ce que nous avons appelé « analyse spectrale de Hilbert d’ordre arbitraire ». Ceci fournit un nouveau cadre pour analyser l’invariance d’échelle directement dans un espace amplitude-fréquence. Nous validons tout d’abord la méthode en analysant des séries temporelles de mouvement Brownien fractionnaire, et en analysant des séries temporelles multifractales synthétiques. Nous comparons les résultats obtenus avec la nouvelle méthode, à l’analyse classique utilisant les fonctions de structure : nous trouvons numériquement que la méthodologie utilisant l’approche de Hilbert fournit un estimateur plus précis pour le paramètre d’intermittence.Nous appliquons ensuite cette méthodologie Hilbert-Huang à une base de données de turbulence homogène et localement isotrope, pour caractériser les propriétés multifractales invariantes d’échelle de séries temporelles de vitesse. Finalement nous appliquons la nouvelle méthodologie à des données environnementales : des débits de rivière, et des données de turbulence marine dans la zone de surf. / Empirical Mode Decomposition (EMD), or Hilbert-Huang Transform (HHT) is a novel general time-frequency analysis method for nonstationary and nonlinear time series. To characterize the intermittent properties of a scaling time series, we generalize the classical Hilbert spectral analysis to arbitrary order q, performing what we denoted “arbitrary order Hilbert spectral analysis”. This provides a new frame to characterize scale invariance directly in an amplitude-frequency space, by taking a marginal integral of a joint pdf of instantaneous frequency and amplitude. We first validate the method by analyzing a simulated fractional Brownian motion time series, and by analyzing a synthesized multifractal nonstationary time series respectively for monoscaling and multifractal processes. Compared with the classical structure function approach, it is found numerically that the Hilbert-based methodology provides a more precise estimator for the intermittency parameter. We then apply this Hilbert-based methodology to an experimental homogeneous and nearly isotropy turbulent data to characterize the multifractal scaling properties of the velocity time series in fully developed turbulence. We obtain a scaling trend in the joint with a scaling exponent close to Kolmogorov value. We recover the structure function scaling exponent in amplitude-frequency space for the first time. We also perform the analysis on a temperature (passive scalar) time series with strong ramp-cliff structures. We finally apply the new approach to daily river flow discharge and surf zone marine turbulence to characterize the scale invariance under the Hilbert frame.

Le rehaussement de la parole est un domaine du traitement du signal qui prend de plus en plus d'ampleur. En effet, dans un monde où la télécommunication connaît un véritable essor, les technologies se doivent d'être de plus en plus performantes afin de satisfaire au plus grand nombre. Les applications qui nécessitent un rehaussement de la parole sont très nombreuses, la plus évidente étant sans doute celle de la téléphonie mobile, où de nombreux bruits environnants peuvent gêner la qualité et l'intelligibilité du signal de parole transmis. Il existe à ce jour de nombreuses techniques de rehaussement de la parole. Celles-ci peuvent d'ores et déjà se décliner en deux catégories distinctes. En effet, certaines techniques utilisent plusieurs microphones et sont qualifiées de multi-capteur, tandis que d'autres techniques n'en utilisent qu'un seul et sont alors qualifiées de mono-capteur.Le présent sujet de recherche se situe dans la catégorie des techniques mono-capteurs qui utilisent principalement les propriétés statistiques de la parole et du bruit afin de réduire au mieux le signal de bruit. La Décomposition Modale Empirique, ou EMD, est une méthode de transformée de signaux qui est apparue récemment et qui suscite de plus en plus l'intérêt des chercheurs en rehaussement de la parole. L'EMD s'avère être une méthode de décomposition de signal très efficace car, contrairement aux transformées plus classiques, l'EMD est une transformée non linéaire et non stationnaire. Ses propriétés statistiques, en réponse au bruit blanc gaussien, ont permis de conclure sur le comportement de cette approche similaire à un banc de filtres quasi-dyadique. Les méthodes existantes de rehaussement de la parole basée sur la modélisation par EMD s'appuient toutes sur ce comportement dans leur démarche de réduction de bruit, et leur efficacité n'est validée que dans le cas de signaux de parole corrompus par du bruit blanc gaussien. Cependant, un algorithme de réduction de bruit n'est intéressant que s'il est efficace sur des bruits environnants de tous les jours. Ces travaux de recherche visent ainsi à déterminer les caractéristiques de l'EMD face à des signaux de parole corrompus par des bruits"réels", avant de comparer ces caractéristiques à ceux issues de signaux de parole corrompus par du bruit blanc gaussien. Les conclusions de cette étude sont finalement mises en pratiques dans le développement d'un système de réduction de bruit qui vise à séparer au mieux le bruit du signal de parole, et ce quel que soit le type de bruit rencontré.

Cette thèse dans le domaine du traitement des signaux non-stationnaires, appliqué aux bruits du cœur mesurés avec un stéthoscope numérique, vise à concevoir un outil automatisé et " intelligent ", permettant aux médecins de disposer d'une source d'information supplémentaire à celle du stéthoscope traditionnel. Une première étape dans l'analyse des signaux du cœur, consiste à localiser le premier et le deuxième son cardiaque (S1 et S2) afin de le segmenter en quatre parties : S1, systole, S2 et diastole. Plusieurs méthodes de localisation des sons cardiaques existent déjà dans la littérature. Une étude comparative entre les méthodes les plus pertinentes est réalisée et deux nouvelles méthodes basées sur la transformation temps-fréquence de Stockwell sont proposées. La première méthode, nommée SRBF, utilise des descripteurs issus du domaine temps-fréquence comme vecteur d'entré au réseau de neurones RBF qui génère l'enveloppe d'amplitude du signal cardiaque, la deuxième méthode, nommée SSE, calcule l'énergie de Shannon du spectre local obtenu par la transformée en S. Ensuite, une phase de détection des extrémités (onset, ending) est nécessaire. Une méthode d'extraction des signaux S1 et S2, basée sur la transformée en S optimisée, est discutée et comparée avec les différentes approches qui existent dans la littérature. Concernant la classification des signaux cardiaques, les méthodes décrites dans la littérature pour classifier S1 et S2, se basent sur des critères temporels (durée de systole et diastole) qui ne seront plus valables dans plusieurs cas pathologiques comme par exemple la tachycardie sévère. Un nouveau descripteur issu du domaine temps-fréquence est évalué et validé pour discriminer S1 de S2. Ensuite, une nouvelle méthode de génération des attributs, basée sur la décomposition modale empirique (EMD) est proposée.Des descripteurs non-linéaires sont également testés, dans le but de classifier des sons cardiaques normaux et sons pathologiques en présence des souffles systoliques. Des outils de traitement et de reconnaissance des signaux non-stationnaires basés sur des caractéristiques morphologique, temps-fréquences et non linéaire du signal, ont été explorés au cours de ce projet de thèse afin de proposer un module d'aide au diagnostic, qui ne nécessite pas d'information à priori sur le sujet traité, robuste vis à vis du bruit et applicable dans des conditions cliniques.

Cette thèse dans le domaine du traitement des signaux non-stationnaires, appliqué aux bruits du cœur mesurés avec un stéthoscope numérique, vise à concevoir un outil automatisé et « intelligent », permettant aux médecins de disposer d’une source d’information supplémentaire à celle du stéthoscope traditionnel. Une première étape dans l’analyse des signaux du cœur, consiste à localiser le premier et le deuxième son cardiaque (S1 et S2) afin de le segmenter en quatre parties : S1, systole, S2 et diastole. Plusieurs méthodes de localisation des sons cardiaques existent déjà dans la littérature. Une étude comparative entre les méthodes les plus pertinentes est réalisée et deux nouvelles méthodes basées sur la transformation temps-fréquence de Stockwell sont proposées. La première méthode, nommée SRBF, utilise des descripteurs issus du domaine temps-fréquence comme vecteur d’entré au réseau de neurones RBF qui génère l’enveloppe d’amplitude du signal cardiaque, la deuxième méthode, nommée SSE, calcule l’énergie de Shannon du spectre local obtenu par la transformée en S. Ensuite, une phase de détection des extrémités (onset, ending) est nécessaire. Une méthode d’extraction des signaux S1 et S2, basée sur la transformée en S optimisée, est discutée et comparée avec les différentes approches qui existent dans la littérature. Concernant la classification des signaux cardiaques, les méthodes décrites dans la littérature pour classifier S1 et S2, se basent sur des critères temporels (durée de systole et diastole) qui ne seront plus valables dans plusieurs cas pathologiques comme par exemple la tachycardie sévère. Un nouveau descripteur issu du domaine temps-fréquence est évalué et validé pour discriminer S1 de S2. Ensuite, une nouvelle méthode de génération des attributs, basée sur la décomposition modale empirique (EMD) est proposée.Des descripteurs non-linéaires sont également testés, dans le but de classifier des sons cardiaques normaux et sons pathologiques en présence des souffles systoliques. Des outils de traitement et de reconnaissance des signaux non-stationnaires basés sur des caractéristiques morphologique, temps-fréquences et non linéaire du signal, ont été explorés au cours de ce projet de thèse afin de proposer un module d’aide au diagnostic, qui ne nécessite pas d’information à priori sur le sujet traité, robuste vis à vis du bruit et applicable dans des conditions cliniques. / This thesis in the field of biomedical signal processing, applied to the heart sounds, aims to develop an automated and intelligent module, allowing medical doctors to have an additional source of information than the traditional stethoscope. A first step in the analysis of heart sounds is the segmentation process. The heart sounds segmentation process segments the PCG (PhonoCardioGram) signal into four parts: S1 (first heart sound), systole, S2 (second heart sound) and diastole. It can be considered one of the most important phases in the auto-analysis of PCG signals. The proposed segmentation module in this thesis can be divided into three main blocks: localization of heart sounds, boundaries detection of the localized heart sounds and classification block to distinguish between S1and S2. Several methods of heart sound localization exist in the literature. A comparative study between the most relevant methods is performed and two new localization methods of heart sounds are proposed in this study. Both of them are based on the S-transform, the first method uses Radial Basis Functions (RBF) neural network to extract the envelope of the heart sound signal after a feature extraction process that operates on the S-matrix. The second method named SSE calculates the Shannon Energy of the local spectrum calculated by the S-transform for each sample of the heart sound signal. The second block contains a novel approach for the boundaries detection of S1 and S2 (onset & ending). The energy concentrations of the S-transform of localized sounds are optimized by using a window width optimization algorithm. Then the SSE envelope is recalculated and a local adaptive threshold is applied to refine the estimated boundaries. For the classification block, most of the existing methods in the literature use the systole and diastole duration (systole regularity) as a criterion to discriminate between S1 and S2. These methods do not perform well for all types of heart sounds, especially in the presence of high heart rate or in the presence of arrhythmic pathologies. To deal with this problem, two feature extraction methods based on Singular Value Decomposition (SVD) technique are examined. The first method uses the S-Transform and the second method uses the Intrinsic Mode Functions (IMF) calculated by the Empirical Mode Decomposition (EMD) technique. The features are applied to a KNN classifier to estimate the performance of each feature extraction method. Nonlinear features are also tested in order to classify the normal and pathological heart sounds in the presence of systolic murmurs. Processing and recognition signal processing tools based on morphological, time-frequency and nonlinear signal features, were explored in this thesis in order to propose an auto-diagnosis module, robust against noise and applicable in clinical conditions.

L’objectif de cette thèse est d’analyser le comportement de la décomposition modale empirique (EMD) et sa version multivariée (MEMD) dans le cas de processus stochastiques : bruit Gaussien fractionnaire (fGn) et processus symétrique alpha stable (SαS). Le fGn est un bruit large bande généralisant le cas du bruit blanc Gaussien et qui trouve des applications dans de nombreux domaines tels que le trafic internet, l’économie ou le climat. Par ailleurs, la nature «impulsive» d’un certain nombre de signaux (craquement des glaces, bruit des crevettes claqueuses, potentiel de champ local en neurosciences,…) est indéniable et le modèle Gaussien ne convient pas pour leur modélisation. La distribution SαS est une solution pour modéliser cette classe de signaux non-Gaussiens. L’EMD est un outil bien adapté au traitement et à l’analyse de ces signaux réels qui sont, en général, de nature complexe (non stationnaire,non linéaire). En effet, cette technique, pilotée par les données, permet la décomposition d’un signal en une somme réduite de composantes oscillantes, extraites de manière itérative, appelées modes empiriques ou IMFs (Intrinsic Mode Functions). Ainsi, nous avons montré que le MEMD s’organise spontanément en une structure de banc de filtres presque dyadiques. L'auto-similarité en termes de représentation spectrale des modes a aussi été établie. En outre, un estimateur de l’exposant de Hurst, caractérisant le fGn, a été construit et ses performances ont été comparées, en particulier à celles de l’approche ondelettes. Cette propriété de banc de filtres du MEMD a été vérifiée sur des données d'hydrodynamique navale (écoulement turbulent) et leur auto-similarité a été mise en évidence. De plus, l’estimation du coefficient de Hurst a mis en avant l’aspect longue dépendance (corrélation positive) des données. Enfin, l’aspect banc de filtres de l’EMD a été exploité à des fins de filtrage dans le domaine temporel en utilisant une mesure de similarité entre les densités de probabilités des modes extraits et celle du signal d’entrée. Pour éviter le problème du mode mixing de l'EMD standard, une approche de débruitage dans le domaine fréquentiel par une reconstruction complète des IMFs préalablement seuillées a été menée. L’ensemble des résultats a été validé par des simulations intensives (Monte Carlo) et sur des signaux réels. / The main contribution of this thesis is aimed towards understanding the behaviour of the empirical modes decomposition (EMD) and its extended versions in stochastic situations.

Le travail de thèse traite de l'analyse des signaux et des images par décomposition modale empirique (EMD) et par modèles AM-FM. Dans la première partie de cette thèse, nous apportons des cadres théoriques à l'EMD 1D et 2D. Nous approchons localement les enveloppes supérieures et inférieures, dans le processus de tamisage de l'EMD, par des opérateurs continus. Par suite, nous formulons différemment la moyenne locale et prouvons que les itérations du tamisage 1D et 2D peuvent être approchées par des équations aux dérivées partielles (EDP) bien posées. Nous apportons des justifications théoriques et proposons des caractérisations analytiques des modes empiriques 1D et 2D. Ce travail a permis d'éclaircir de nombreux points et notions relatifs à l'EMD, et définis en 1D comme en 2D, que de manière très intuitive ou sur la base de simulations numériques contrôlées. Nous apportons de la sorte des contributions théoriques à l'EMD 1D et 2D, initialement définie par un algorithme et dont la principale limite est le manque de cadre théorique. Enfin, nous proposons de nouveaux algorithmes EMD 1D et 2D, et résolvons numériquement les EDP proposées en 1D et 2D. Nous illustrons nos approches par EDP sur de nombreux signaux et images. Dans la seconde partie, nous étudions les modèles AM-FM pour l'analyse d'images. Ces modèles se basent sur une décomposition des images en composantes regroupant les niveaux de gris des parties texturées (AM), d'une part, et une partie contenant la géométrie de l'image (FM), d'autre part. Nous proposons d'abord une amélioration de la démodulation d'images large bande. Dans un deuxième temps, nous explorons la démodulation d'images avec les opérateurs de Teager-Kaiser d'ordres supérieurs (HODEO 2D), en proposant de meilleurs algorithmes de démodulation, basés sur les HODEO 2D. Nous proposons ensuite une application à la segmentation d'images sonar et illustrons nos approches sur de nombreuses images. Les résultats sont comparés à ceux obtenus avec l'algorithme DESA (Discrete Energy Separation Algorithm) et l'approche par image analytique.

Dans cette thèse, il est question d'une étude sur les méthodes d'analyse temps fréquence, temps échelle et plus particulièrement sur la décomposition modale empirique en faisant d'abord un parcours sur les méthodes traditionnelles, de l'analyse de Fourier à la transformée en ondelettes, notamment la représentation multi-résolution. Le besoin d'une précision sur les mesures aussi bien dans l'espace temporel que dans l'espace fréquentiel a toujours été une préoccupation majeure. En fait, la transformation de Fourier ne permet pas de concilier la description fréquentielle et la localisation dans le temps. La transformée de Fourier à court terme (TFCT) et ses dérivées - notamment le spectrogramme - ont depuis longtemps été les méthodes temps-fréquence les plus utilisées dans les applications pratiques. Il faut cependant reconnaître que malgré ses nombreux aspects séduisants, ces techniques sont naturellement limitées par le fait qu'elles se sont montrées inefficaces pour l'analyse de signaux non-stationnaires. La transformée en ondelettes a connu un grand succès ces dernières décennies avec le nombre important de ses applications en traitement du signal et de l'image. Malgré son efficacité dans la représentation et la manipulation des signaux, même non-stationnaires, une connaissance a priori sur le signal à décomposer est nécessaire pour un choix d'ondelette adéquat à chaque type de signal. La décomposition modale empirique - EMD pour Empirical Mode Decomposition - est une méthode de décomposition de signaux non-stationnaires ou issus de systèmes non linéaires, en une somme de modes, chaque mode étant localisé en fréquence. Cette décomposition est associée à une transformation de Hilbert-Huang (HHT) dans le but d'extraire localement une fréquence instantanée et une amplitude instantanée. Elle s'apparente à la décomposition en ondelettes avec l'avantage supplémentaire que constitue son auto-adaptabilité. Dans la suite de ces travaux, nous avons introduit une nouvelle méthode de décomposition basée sur une décomposition spectrale d'un opérateur d'interpolation basé sur les équations aux dérivées partielles. La nouvelle méthode appelée Décomposition Spectrale Intrinsèque, - SID, pour Spectrale Intrinsic Decomposition - est auto-adaptative et est plus générale que le principe de base de la Décomposition Modale Empirique. La méthode SID permet de produire un dictionnaire de Fonction Mode Spectrale Propre, en - anglais Spectral Proper Mode Function (SPMF) - qui sont semblables à des atomes dans les représentations parcimonieuses / In this thesis, it is about a study on the time-frequency, time-scale analysis methods and more particularly on Empirical Mode Decomposition (EMD), by first a course on traditional methods from Fourier analysis to wavelets, including the multiresolution representation. The need for precision measurements both in time space and in frequency space has always been a major preoccupation. In fact, the Fourier transformation does not reconcile the frequency description and location in time. The Short-Term Fourier Transform (STFT) and its derivatives - including the spectrogram - have long been the most used in practical applications. It must be recognized that despite its many attractive aspects, these technics are naturally limited by the fact that they were ineffective for non-stationary signals analysis. The wavelet transform has been very successful in recent decades with the large number of its applications in signal and image processing. Despite its effectiveness in the representation and manipulation of signals, even non-stationary, a priori knowledge about the signal to be decomposed is necessary for an appropriate wavelet choice for each type of signal. The empirical mode decomposition (EMD) is a decomposition method of non-stationary or from non-linear systems signals, in an amount of modes, each mode being localized in frequency. This decomposition is associated with a Hilbert-Huang transformation (HHT) to locally extract instantaneous amplitude and instantaneous frequency. It is similar to the wavelet decomposition with the added benefit that constitutes its auto-adaptability. In the remainder of this work, we introduced a new decomposition method based on a spectral decomposition of an interpolation intrinsic operator. The new method called Spectral Decomposition Intrinsic (SID) is auto-adaptive and is more general than the basic principle of Empirical Mode Decomposition. The SID method can produce a dictionary of Spectral Proper Mode Functions (SPMF) that are similar to atoms in sparse representations

Les superpositions d'ondes modulées en amplitude et en fréquence (modes AM--FM) sont couramment utilisées pour modéliser de nombreux signaux du monde réel : cela inclut des signaux audio (musique, parole), médicaux (ECG), ou diverses séries temporelles (températures, consommation électrique). L'objectif de ce travail est l'analyse et la compréhension fine de tels signaux, dits "multicomposantes" car ils contiennent plusieurs modes. Les méthodes mises en oeuvre vont permettre de les représenter efficacement, d'identifier les différents modes puis de les démoduler (c'est-à-dire déterminer leur amplitude et fréquence instantanée), et enfin de les reconstruire. On se place pour cela dans le cadre bien établi de l'analyse temps-fréquence (avec la transformée de Fourier à court terme) ou temps-échelle (transformée en ondelettes continue). On s'intéressera également à une méthode plus algorithmique et moins fondée mathématiquement, basée sur la notion de symétrie des enveloppes des modes : la décomposition modale empirique. La première contribution de la thèse propose une alternative au processus dit ''de tamisage'' dans la décomposition modale empirique, dont la convergence et la stabilité ne sont pas garanties. Á la place, une étape d'optimisation sous contraintes ainsi qu'une meilleure détection des extrema locaux du mode haute fréquence garantissent l'existence mathématique du mode, tout en donnant de bons résultats empiriques. La deuxième contribution concerne l'analyse des signaux multicomposantes par la transformée de Fourier à court terme et à la transformée en ondelettes continues, en exploitant leur structure particulière ''en ridge'' dans le plan temps-fréquence. Plus précisément, nous proposons une nouvelle méthode de reconstruction des modes par intégration locale, adaptée à la modulation fréquentielle, avec des garanties théoriques. Cette technique donne lieu à une nouvelle méthode de débruitage des signaux multicomposantes. La troisième contribution concerne l'amélioration de la qualité de la représentation au moyen de la ''réallocation'' et du ''synchrosqueezing''. Nous prolongeons le synchrosqueezing à la transformée de Fourier à court terme, et en proposons deux extensions inversibles et adaptées à des modulations fréquentielles importantes, que nous comparons aux méthodes originelles. Une généralisation du synchrosqueezing à la dimension 2 est enfin proposée, qui utilise le cadre de la transformée en ondelettes monogène.

La Décomposition Modale Empirique (EMD), est une méthode de décomposition multi-résolution de signaux en fonctions Modes Intrinsèques (IMF) et cela, de manière auto-adaptative. En la couplant avec la transformée de Hilbert, elle devient une méthode d'analyse Temps-Fréquence , la transformée de Hilbert-Huang, permettant d'étudier bon nombre de classes de signaux. Malgré ces nombreuses applications, l'une des plus importantes limites de l'EMD est son manque de formalisme mathématique. A la place d'une interpolation par splines cubiques utilisée dans l'EMD classique, nous avons estimé l'enveloppe moyenne par une solution d'un système d'EDP. Par une méthode variationnelle, nous avons établi un cadre théorique pour prouver les résultats de convergence, d'existence de modes et la propriété de presque orthogonalité de l'EMD. La comparaison avec des bancs de filtres itératifs et les ondelettes, montre l'aspect multi-résolution de l'EMD. Deux nouvelles applications en traitement du signal et de l'image sont présentées : l'extraction des intermittences et mode mixing et la restauration par shrinkage par EMD. Enfin le modèle peut servir de base pour l'étude de l'unicité de la décomposition.

La nécessaire représentation en échelle du monde nous amène à expliquer pourquoi la théorie des ondelettes en constitue le formalisme le mieux adapté. Ses performances sont comparées à d'autres outils : la méthode des étendues normalisées (R/S) et la méthode par décomposition empirique modale (EMD).La grande diversité des bases analysantes de la théorie des ondelettes nous conduit à proposer une approche à caractère morphologique de l'analyse. L'exposé est organisé en trois parties.Le premier chapitre est dédié aux éléments constitutifs de la théorie des ondelettes. Un lien surprenant est établi entre la notion de récurrence et l'analyse en échelle (polynômes de Daubechies) via le triangle de Pascal. Une expression analytique générale des coefficients des filtres de Daubechies à partir des racines des polynômes est ensuite proposée.Le deuxième chapitre constitue le premier domaine d'application. Il concerne les plasmas de bord des réacteurs de fusion de type tokamak. Nous exposons comment, pour la première fois sur des signaux expérimentaux, le coefficient de Hurst a pu être mesuré à partir d'un estimateur des moindres carrés à ondelettes. Nous détaillons ensuite, à partir de processus de type mouvement brownien fractionnaire (fBm), la manière dont nous avons établi un modèle (de synthèse) original reproduisant parfaitement la statistique mixte fBm et fGn qui caractérise un plasma de bord. Enfin, nous explicitons les raisons nous ayant amené à constater l'absence de lien existant entre des valeurs élevées du coefficient d'Hurst et de supposées longues corrélations.Le troisième chapitre est relatif au second domaine d'application. Il a été l'occasion de mettre en évidence comment le bien-fondé d'une approche morphologique couplée à une analyse en échelle nous ont permis d'extraire l'information relative à la taille, dans un écho rétrodiffusé d'une cible immergée et insonifiée par une onde ultrasonore / The necessary scale-based representation of the world leads us to explain why the wavelet theory is the best suited formalism. Its performances are compared to other tools: R/S analysis and empirical modal decomposition method (EMD). The great diversity of analyzing bases of wavelet theory leads us to propose a morphological approach of the analysis. The study is organized into three parts. The first chapter is dedicated to the constituent elements of wavelet theory. Then we will show the surprising link existing between recurrence concept and scale analysis (Daubechies polynomials) by using Pascal's triangle. A general analytical expression of Daubechies' filter coefficients is then proposed from the polynomial roots. The second chapter is the first application domain. It involves edge plasmas of tokamak fusion reactors. We will describe how, for the first time on experimental signals, the Hurst coefficient has been measured by a wavelet-based estimator. We will detail from fbm-like processes (fractional Brownian motion), how we have established an original model perfectly reproducing fBm and fGn joint statistics that characterizes magnetized plasmas. Finally, we will point out the reasons that show the lack of link between high values of the Hurst coefficient and possible long correlations. The third chapter is dedicated to the second application domain which is relative to the backscattered echo analysis of an immersed target insonified by an ultrasonic plane wave. We will explain how a morphological approach associated to a scale analysis can extract the diameter information