From eef4e82c11e48975ff50364b932a43d975fcc0d5 Mon Sep 17 00:00:00 2001
From: "orestis.malaspin" <orestis.malaspinas@hesge.ch>
Date: Thu, 4 Apr 2019 10:14:34 +0200
Subject: [PATCH] Update fourier.md

---
 tpFourier/fourier2019/fourier.md | 3 ++-
 1 file changed, 2 insertions(+), 1 deletion(-)

diff --git a/tpFourier/fourier2019/fourier.md b/tpFourier/fourier2019/fourier.md
index 5f9d94c..7f47d8c 100644
--- a/tpFourier/fourier2019/fourier.md
+++ b/tpFourier/fourier2019/fourier.md
@@ -126,7 +126,8 @@ la vitesse supérieure. Chargez l'image que vous trouvez sur `cyberlearn`.
 Normalement, il s'agit d'une image en niveaux de gris encodées sur 16 bits
 avec que du bruit dessus (on voit pas grand chose...).
 
-Calculez la transformée de Fourier discrète à deux dimensions de ce signal. Inspectez le signal (à l'aide de la fonction `plot_surface()` par exemple). Comme pour le signal uni-dimensionnel, filtrez les hautes fréquences (mettez les amplitudes à zéro) au delà d'une certaine fréquence[^2]. En deux dimensions, cela revient à
+Calculez la transformée de Fourier discrète à deux dimensions de ce signal. Inspectez le signal (à l'aide de la fonction `plot_surface()` qui se trouve dans `from mpl_toolkits.mplot3d`
+par exemple). Comme pour le signal uni-dimensionnel, filtrez les hautes fréquences (mettez les amplitudes à zéro) au delà d'une certaine fréquence[^2]. En deux dimensions, cela revient à
 mettre à zéro les $\hat{f}[k_1,k_2]$ $k_1>k_{1,\mathrm{min}}$ ou $k_2>k_{2,\mathrm{min}}$, où $k_{1,\mathrm{min}}$ et $k_{2,\mathrm{min}}$
 sont les fréquences à partir desquelles vous voulez filtrer.
 
-- 
GitLab