Approximations multiéchelles - Laboratoire Jacques-Louis Lions ...
Approximations multiéchelles - Laboratoire Jacques-Louis Lions ...
Approximations multiéchelles - Laboratoire Jacques-Louis Lions ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Fig. 11 – Exemple d’arbre non graduel Λ et maillage adaptatif correspondant S(Λ).<br />
Fig. 12 – Arbre graduel minimal (par rapport à (54)) contenant Λ.<br />
intuitif en effet d’éviter, pour des raisons algorithmiques qui seront détaillées plus loin, d’avoir des mailles<br />
adjacentes et appartenant à des niveaux non consécutifs, mais cette condition dépend en fait de l’opérateur<br />
de prédiction utilisé.<br />
Définition 1 On dira qu’un arbre Λ est graduel si pour tout µ ∈ Λ, le stencil de prédiction Rµ appartient<br />
à R(Λ).<br />
Notons que dans le cas de l’opérateur de prédiction (28), correspondant au système de Haar, un arbre est<br />
toujours graduel. En revanche l’arbre de la figure 11 n’est pas graduel pour l’opérateur de prédiction (54)<br />
qui utilise trois mailles pour prédire les valeurs moyennes sur les deux descendants de la maille centrale. On<br />
montre sur la figure 12 un exemple d’arbre graduel pour cet opérateur, qui est le plus petit arbre graduel<br />
contenant l’arbre de la figure 11. Dans le cas de l’opérateur (54) la propriété de graduation prend une forme<br />
plus simple que la définition (1)<br />
(j, k) ∈ Λ ⇒ (j − 1, [k/2] + l) ∈ Λ, l = −1, 0, 1. (71)<br />
L’intérêt de la propriété de graduation est du au résultat suivant (voir [22] pour la preuve).<br />
Proposition 1 Si Λ est un arbre graduel, il existe un isomorphisme MΛ qui associe aux valeurs moyennes<br />
sur les cellules (uλ) λ∈S(Λ) d’une fonction u, les détails (dλ)λ∈Λ. Les opérateurs de décomposition et de reconstruction<br />
adaptative (i.e. MΛ et M −1<br />
Λ ) peuvent tous les deux être implémentés en O(#(Λ)) opérations.<br />
Remarque 2.4 Pour un arbre non graduel Λ on peut toujours montrer le résultat suivant : si u a tous<br />
ses détails dλ = 0 pour λ /∈ Λ, alors il existe un isomorphisme entre les valeurs moyennes (uλ) λ∈S(Λ) et les<br />
coefficients (dλ)λ∈Λ. Cependant la complexité de l’implémentation de cet isomorphisme est en O(#( ˜ Λ)) où<br />
˜Λ est le plus petit arbre graduel contenant Λ. Ceci est dû au fait que la reconstruction de uλ nécessite la<br />
connaissance de uγ pour γ ∈ Rλ.<br />
Dans la suite on considérera toujours la compression de données sur un arbre graduel, qu’on obtient par<br />
exemple en agrandissant l’ensemble des détails non seuillés : on définit Λε comme le plus petit arbre graduel<br />
26