Compression 01 Quantification

Introduction
QS optimale
QS prédictive
Quantification Scalaire et Prédictive
Marco Cagnazzo
Département Traitement du Signal et des Images

TELECOM ParisTech
7 Décembre 2012
M. Cagnazzo Quantification Scalaire et Prédictive 1/64

Introduction
QS optimale
QS prédictive
Plan
1 Introduction
Définitions
Quantification uniforme
2 Quantification scalaire optimale

Quantification optimale en HR
Algorithme de Lloyd-Max
3 Quantification scalaire prédictive

Gain de prédiction

Introduction
Définitions
QS optimale
QS prédictive
Plan
1 Introduction
Définitions


Gain de prédiction

Introduction
Définitions
QS optimale
QS prédictive
Définitions
Q : x ∈ R → y ∈ C = {xb1 , xb2 , . . . xbL } ⊂ R
C : Dictionnaire, c’est un sous-ensemble discret de R

xbi : niveau de quantification, niveau de restitution,
codeword, mot de code
e = x − Q(x) : Bruit de quantification

Θi = x : Q(x) = xbi : Régions de décision
Un quantificateur scalaire (QS) est complètement défini pas les
régions et les niveaux

Introduction
Définitions
QS optimale
QS prédictive
Définition : Quantification scalaire (QS)
Q : x ∈ R → y ∈ C = {xb1 , xb2 , . . . xbL } ⊂ R
xb7
xb6
xb5
t0 t1 t2 t3 t4
t5 t6 t7 t8
xb4
xb3
xb2
xb1

Introduction
Définitions
QS optimale
QS prédictive
Exemple 1
x(n)
0.5
−0.5
−1
0 5 10 15 20 25 30

Introduction
Définitions
QS optimale
QS prédictive
Exemple 1
x(n)
0.5
−0.5
−1
0 5 10 15 20 25 30

Introduction
Définitions
QS optimale
QS prédictive
Exemple 1
x(n)
y(n)=Q[x(n)]
1
0.5
−0.5
−1
0 5 10 15 20 25 30

Introduction
Définitions
QS optimale
QS prédictive
Exemple 1
y(n)=Q[x(n)]
e(n)=x(n)−y(n)
1
0.5
−0.5
−1
0 5 10 15 20 25 30

Introduction
Définitions
QS optimale
QS prédictive
Exemple 2
x(n)
y(n)=Q[x(n)]
1
0.5
−0.5
−1
0 5 10 15 20 25 30

Introduction
Définitions
QS optimale
QS prédictive
Exemple 2
y(n)=Q[x(n)]
e(n)=x(n)−y(n)
1
0.5
−0.5
−1
0 5 10 15 20 25 30

Introduction
Définitions
QS optimale
QS prédictive
Définitions : Quantificateur régulier
Typiquement on considère un QS régulier :

1) Θi = (t i−1 , t i ), avec t ℓ ∈ R̄
2) xbi ∈ Θi
t0 t i−1 ti tL
xbi
Θi

Introduction
Définitions
QS optimale
QS prédictive
Quantificateur régulier
Dans la suite on considérera uniquement des quantificateurs

réguliers
Pour un quantificateur régulier :
t 0 < xb1 < t 1 < xb2 < t 2 < . . . < xbL < t L
Si le signal d’entrée est non-limité, t 0 = −∞ et t L = +∞

Les t i sont appelés seuils de décision
On définit ∆i la longueur de Θi
Les ensembles T = {t i } et C = {xbi } définissent
complètement un QS régulier

Introduction
Définitions
QS optimale
QS prédictive
Quantification d’un signal discret
Typiquement on quantifie une suite (un signal discret) avec

un QS régulier
Les signaux d’intérêt ont une dynamique limitée [−A, A]
Dans ce cas, t 0 = −A et t L = +A, toutes les régions sont
finies, et l’erreur maximum est bornée
La quantification consiste donc à associer à chaque
échantillon d’entrée x(n) un indice i(n), qui détermine la
région de décision, c.-à.-d. le mot de code xbi(n)

Introduction
Définitions
QS optimale
QS prédictive
Quantification comme codage/décodage
x(n) i(n) xb (n)

E D
Θi C
Ce que le codeur envoie c’est les i(n)

Le “décodage” associe à i(n) le mot de code xbi(n)
Souvent (avec abus de langage) on appel quantification
l’application x → i et quantification inverse le décodage
i → xbi

Introduction
Définitions
QS optimale
QS prédictive
Débit d’un QS
Le débit d’un QS est le nombre de bit nécessaire pour

représenter les indices i(n)
Par définition, R = log2 L
Cela correspond à un codeur à longueur fixe et à un
nombre de niveaux que soit une puissance entière de 2
On verra dans le cours de codage sans pertes qu’il est
souvent possible de réduire ce coût de codage

Introduction
Définitions
QS optimale
QS prédictive
Distorsion
On définit la distorsion ponctuelle comme l’erreur

quadratique :
2
d [x(n), xb(n)] = |e(n)|2 = x(n) − xb(n)
Si on considère tout le signal x(·) de durée N, on utilise

comme distorsion l’erreur quadratique moyenne :
N−1
1 X
D= d [x(n), xb(n)]
N
n=0

Introduction
Définitions
QS optimale
QS prédictive
Distorsion : cas aléatoire
Souvent on utilise des modèles aléatoires centrés pour les

signaux. Dans ce cas, l’EQM associé à la QS du
processus aléatoire X est :
n o n o
D = E |X (n) − Q(X (n))|2 = E |E (n)|2
La distorsion est donc la puissance du processus aléatoire

E (n) = X (n) − Q(X (n))
2
On indiquera la distorsion d’un QS comme σQ

Introduction
Définitions
QS optimale
QS prédictive
Distorsion : modèles pour le signal de bruit
E (n)
Un modèle commun pour
la quantification est le X (n) b (n)
X
modèle additif
Le bruit de quantification est donc vu comme un bruit

additif
E (n) et X (n) sont modelés comme incorrelés
E (n) est modelé comme uniforme
E est un processus blanc (corrélation impulsionnelle)

Introduction
Définitions
QS optimale
QS prédictive
Courbe débit/distorsion d’un QS
Souvent on caractérise un QS par rapport au

nombre de niveaux L
Le débit croit avec L : R = log2 L
Pour tout les cas d’intérêt, la distorsion décroit
avec L, mais la relation explicite entre D et L
est plus difficile à déterminer
En général, un QS est donc caractérisé par une courbe
paramétrique R(L), D(L)
Il est intéressant de trouver la relation explicite entre D et R :
c’est la courbe débit/distorsion D = D(R)

Introduction
Définitions
QS optimale
QS prédictive
Un QS uniforme (QU) est caractérisé par :

Régions de décision d’amplitude fixe : ∀i, t i = t i−1 + ∆
Les niveaux de restitution sont les centres des régions :
i i−1
xbi = t +t2
Le QU est simple, minimise l’erreur maximale et est optimale
pour des v.a. uniformes.
On a encore :
∆i = ∆ = 2A/L

Introduction
Définitions
QS optimale
QS prédictive
Quantification uniforme : calcul de la distorsion

h i
b )2
2 = E (X − X
Hypothèse : X ∼ U (−A, A). Trouver σQ

Introduction
Définitions
QS optimale
QS prédictive

h i
b )2
2 = E (X − X
h i Z A
2
σQ b )2
=E (X − X = pX (u)[u − Q(u)]2 du
−A

Introduction
Définitions
QS optimale
QS prédictive

h i
b )2
2 = E (X − X
h i Z A
2
σQ b )2
=E (X − X = pX (u)[u − Q(u)]2 du
−A
L Z
X L Z x i +∆/2
1 1 X b
... = [u − xbi )]2 du = [u − xbi )]2 du
Θi 2A 2A xbi −∆/2
i=1 i=1
L Z ∆/2
X
1 1 ∆3 ∆2
= t 2 dt = L =
2A −∆/2 2A 12 12
i=1
En effet le bruit de quantification dans ce cas est une v.a.

uniforme en (−∆/2, ∆/2)

Introduction
Définitions
QS optimale
QS prédictive
Quantification uniforme : courbe D(R)
∆2 4A2 A2
D= = = =σX2 2−2R
12 12L2 3 · 22R
On peut mesurer la qualité par le rapport signal sur bruit :

E X2 σ2
SNR = 10 log10 = 10 log10 2 X−2R
D σX 2
= 10 log10 22R ≈ 6R

Introduction
Définitions
QS optimale
QS prédictive
Quantification uniforme en haute résolution
Hypothèse : L → +∞, X v.a. quelconque

En HR, pour tout Θi on approxime pX comme constante.

Donc le bruit de quantification en Θi est U − ∆ ∆
2, 2

Pour la probabilité totale, E ∼ U − ∆ ∆
2, 2
Donc :
∆2 A2 −2R
D= = 2
12 3

Introduction
Définitions
QS optimale
QS prédictive
Quantification uniforme en haute résolution
On peut écrire :

E X2 σX2 2R γ2
SNR = 10 log10 = 10 log10 2 ≈ 6R − 10 log10
D A2 /3 3
2
Xmax A2
où on a définit γ 2 = σX2
= σx2
rapport entre puissance de crête
et puissance moyenne (facteur de charge)
On trouve encore :
A2 −2R γ 2 2 −2R
D= 2 = σ 2 = KX σX2 2−2R
3 3 X
Le facteur de charge est donc un paramètre unique qui
caractérise les performance de la QU en HR.

Introduction
Définitions
QS optimale
QS prédictive
Quantification scalaire : exemple sur image couleurs

Image Originale, 24 bpp

Introduction
Définitions
QS optimale
QS prédictive

Débit 21 bpp PSNR 47.19 dB TC 1.143

Introduction
Définitions
QS optimale
QS prédictive


Introduction
Définitions
QS optimale
QS prédictive


Introduction
Définitions
QS optimale
QS prédictive


Introduction
Définitions
QS optimale
QS prédictive


Introduction
Définitions
QS optimale
QS prédictive


Introduction
Définitions
QS optimale
QS prédictive


Introduction
QS optimale
QS prédictive
Plan
1 Introduction
Définitions


Gain de prédiction

Introduction
QS optimale
QS prédictive
Quantification optimale
Pour une densité de probabilité pX (x) donnée, déterminer le

quantificateur qui minimise la distorsion pour un débit donné.
Problème équivalent à déterminer les seuils t i et les niveaux xbi .
Solutions :
Solution analytique en haute résolution: D = hX σx2 2−2R
Si l’hypothèse de haute résolution n’est pas satisfaite, on
peut atteindre un minimum local de la distorsion avec
l’algorithme de Max-Lloyd

Introduction
QS optimale
QS prédictive
Quantification optimale en haute résolution
En hypothèse de haute résolution (L → +∞),
∀x ∈ Θi = (t i−1 , t i ), pX (x) ≈ pX (xbi )

∀i ∈ {1, . . . , L}, ∆(i) → 0
t i−1 + t i
∀i ∈ {1, . . . , L}, xbi =
2
On définit ∆(i) = t i − t i−1 et P(i) = Prob{X ∈ Θi }
En HR, P(i) = pX (xbi )∆(i)

Introduction
QS optimale
QS prédictive

2 :
Distorsion σQ
L
X Z ti
2
σQ = pX (xbi ) (u − xbi )2 du
i=1 t i−1
Comme
Z ti Z ∆(i)/2
∆(i)3
bi 2
(u − x ) du = u 2 du =
t i−1 −∆(i)/2 12
On a
L
2 1 X
σQ = P(i)∆(i)2
12
i=1
Le problème devient donc : rechercher les amplitudes des
2 = 1 E{∆2 }
intervalles qui minimisent σQ 12
Introduction
QS optimale
QS prédictive
2 = 1 PL 2
Minimisation de σQ 12 i=1 P(i)∆(i)
Posons α3 (i) = pX (xbi )∆3 (i) = P(i)∆(i)2 .
L
X L
X Z
1 1
α(i) = [pX (xbi )] 3 ∆(i) ≈ [pX (u)] 3 du = cste
i=1 i=1 R
Donc on doit minimiser la somme de cubes de L nombres

positifs ayant somme constante.
Solution : α(1) = α(2) = · · · = α(L)

Introduction
QS optimale
QS prédictive

Tous les α3 (i) ont la même valeur : α3 (i) = α3
Donc
L
2 1 X 3 L 3
σQ = α (i) = α
12 12
i=1
Mais comme
L Z
1X 1 1
α= α(i) = [pX (u)] 3 du
L L R
i=1
Alors
Z 3
2 1 1
σQ = [pX (u)] du 3
12L2 R
C’est la formule de Bennett
Introduction
QS optimale
QS prédictive
X
Soit U = σX
1
Si U ∼ pU (u), alors X ∼ σX pU ( σuX )
Calculer la distorsion de quantification optimale de X en fonction
de pU et σX

Introduction
QS optimale
QS prédictive
X
Soit U = σX
1
Si U ∼ pU (u), alors X ∼ σX pU ( σuX )
Calculer la distorsion de quantification optimale de X en fonction
de pU et σX
Z Z Z
1 1 1/3 x 2/3 1/3
[pX (x )] dx
3 = 1/3
pU dx = σX pU (t)dt
R σX R σX R
x dx
Avec t = σX et dt = σX .
Donc :
Z 3
1 1/3
2
σQ = 2−2R σX2 pU (t)dt
12 R

Introduction
QS optimale
QS prédictive
2 = c σ 2 2−2R avec
Donc σQ X X
Z 3
1 1/3
cX = pU (t)dt
12 R
cX est appelé facteur de forme, car il dépend seulement de la

forme de la PDF de X (c.-à.-d. de pU ) et pas de sa variance
Facteurs de forme pour PDF communes :

Uniforme Gaussienne
√
3
cX 1 2 π ≈ 2.72

Introduction
QS optimale
QS prédictive
Pour le quantificateur optimale, α(1) = α(2) = · · · = α(L)

Donc : pX (xb1 )∆3 (1) = pX (xb2 )∆3 (2) = · · · = pX (xbL )∆3 (L).
Mais si X est uniforme, pX (xb1 )=pX (xb2 )= · · · pX (xbL ) et donc :
∆(1) = ∆(2) = · · · = ∆(L)
Le quantificateur optimale pour une v.a. uniforme est le QU
Pour les autres v.a.,

1/3
pX (xbi )∆(i) = α ⇒ ∆(i) ∝ pX (xbi )−1/3

Introduction
QS optimale
QS prédictive

Variable uniforme
1 2
Pour une v.a. uniforme, pX = 2A Rect−A,A (x), σX2 = A3
√ 1
Alors pour U = 3X /A on a pU (t) = 2√ 3
Rect−√3,√3 (t) et :

Introduction
QS optimale
QS prédictive

Variable uniforme
1 2
Pour une v.a. uniforme, pX = 2A Rect−A,A (x), σX2 = A3
√ 1
Alors pour U = 3X /A on a pU (t) = 2√ 3
Rect−√3,√3 (t) et :
Z 3 "Z √ 1/3 #3
3
1/3 1
pU (t)dt = √ √ dt
R − 3 2 3
"Z √ #3
1 3
1 √ 3
= √ · √ dt = √ 2 3 = 12
2 3 − 3 2 3
cX = 1
D = σX2 2−2R
SNR = 6R

Introduction
QS optimale
QS prédictive

Variable gaussienne
2
√1 e 2
−t
pU (t) =
2π

Introduction
QS optimale
QS prédictive

Variable gaussienne
2
√1 e 2
−t
pU (t) =
2π
Z 3 "Z #3
1/3 1 2
− t6
pU (t)dt = e dt
R R (2π)1/6
"Z √ #3
1 2π3 − t 2 √ 3 √
=√ √ e 2·3 dt = (2π)−1/2 2π3 = 6π 3
2π R 2π3
√
3
cX = π
2
D = cX σX2 2−2R
SNR = 6R − 4.35dB

Introduction
QS optimale
QS prédictive
Quantification optimale non-HR
Les hypothèses d’haute résolution ne sont pas toujours

respectées
Les cas plus intéressants sont au contraire ceux où le
débit disponible est faible
On dispose pas de formules pour la quantification
optimale à faible débit
En revanche, on peut trouver des conditions nécessaires
et pour avoir un QO
Ces conditions permettent de déterminer un algorithme de
quantification (algorithme de Lloyd-Max)

Introduction
QS optimale
QS prédictive
Formulation du problème
Un quantificateur régulier est caractérisé par l’ensemble

des seuils T = {t 0 , t 1 , t 2 , . . . , t L } et l’ensemble des niveau
C = {xb1 , xb2 , . . . , xbL }
L’optimisation devrait se faire conjointement sur C et T
Par contre on a des conditions nécessaires d’optimalité:
Pour C étant donné T ; et
pour T étant donné C.

Introduction
QS optimale
QS prédictive
Condition du plus proche voisin
Les niveaux sont donnés, on doit choisir les seuils

L’objectif est de minimiser la distorsion :
Θi = {x ∈ R : ∀j 6= i, d (x, xbi ) ≤ d (x, xbj )}
Cette équation est appelée règle du plus proche voisin

Introduction
QS optimale
QS prédictive
Condition du plus proche voisin
Les niveaux sont donnés, on doit choisir les seuils

L’objectif est de minimiser la distorsion :
Θi = {x ∈ R : ∀j 6= i, d (x, xbi ) ≤ d (x, xbj )}
Cette équation est appelée règle du plus proche voisin

Cela se traduit, pour les seuils :
xbi + xbi+1
ti =
2

Introduction
QS optimale
QS prédictive
Condition du centroïd
Les seuils sont donnés, il faut optimiser le dictionnaire

On doit minimiser la distorsion
h i Z h i
2
D(C) = E (X − Q(X )) = pX (x) (x − Q(x))2 dx
R
L Z
X t i+1
= pX (x)(x − xbi )2 dx
i=1 ti
On impose
∂D
=0
∂ xbi

Introduction
QS optimale
QS prédictive
Condition du centroïd
On trouve :
Z t i+1
∂D ∂
= pX (x)(x − xbi )2 dx
∂ xbi ∂ xbi t i
Z t i+1 Z t i+1
=2 xpX (x)dx − 2xbi pX (x)dx = 0
ti ti
R t i+1
i xpX (x)dx
xbi = Rt t i+1 = E[X |X ∈ Θi ]
ti pX (x)dx
C’est la condition du centroïd

Introduction
QS optimale
QS prédictive
Quantification optimale
1 initialiser les régions (p.e. uniforme)
2 trouver les meilleures régions pour le dictionnaire donné
xbi + xbi+1
ti = , i ∈ {1, . . . , L − 1}
2
3 trouver le meilleur dictionnaire pour les régions données
R
Θ xpX (x)dx
xbi = E [X |X ∈ Θi ] = R i
Θi pX (x)dx
4 boucler en 2 jusqu’à la convergence

Introduction
QS optimale
QS prédictive
Algorithme de Lloyd-Max pour les données
On a pas toujours les distributions de probabilités des signaux,

souvent on a seulement un ensemble de M observations
L’algorithme de Lloyd-Max se modifie comme il suit :
1 Soit X = {u1 , u2 , . . . uM } l’ensemble des données à
quantifier
2 Initialisation (k =0) avec un dictionnaire quelconque (p.e.
uniforme) : C (k ) = {xb0i }i=1,...L
3 Règle du plus proche voisin :
Wki = {um ∈ X : ∀j 6= ikum − xbki k ≤ kum − xbkj k}

1
P
4 Règle du centroïd : xbki +1 = |Wki | um ∈Wki um
5 Boucler en 3 jusqu’à convergence

Introduction
QS optimale
QS prédictive
Convergenze de l’algorithme de Lloyd-Max
Rien n’assure la convergence à l’optimum global

Le résultat depend de l’initialisation
En tout cas, à chaque itération la distorsion n’augmente
pas
Critère d’arrêt :
Soit D (k ) la distorsion du k -ème quantificateur
Une condition d’arrêt typique est :
D (k ) − D (k +1)
≤ǫ
D (k )

Introduction
QS optimale
QS prédictive
Initialisation de LM
Initialisation uniforme : xbn − A0 + n∆∀n = 1, . . . , L

Initialisation aléatoire : les mots de code sont distribués
comme le signal d’entrée ou comme un signal qui optimise
les performances RD
Pruning
Pairwise nearest neighbours

Introduction
QS optimale
QS prédictive

Introduction
QS optimale
QS prédictive
Bilan de la quantification scalaire
D(R), QU et v.a. uniforme : D = σX2 2−2R

D(R), QU et v.a. non uniforme en HR : D = KX σX2 2−2R
2 = c σ 2 2−2R
D(R), QO et v.a. non uniforme en HR : σQ X X
cX est une constante qui dépend de la distribution de X
(facteur de forme)
cX = 1√ dans le cas uniforme
cX = 23 π dans le cas gaussien
À faible resolution, LM produit un QNU localement optimale

Introduction
QS optimale Gain de prédiction
QS prédictive
Plan
1 Introduction
Définitions


Gain de prédiction

Introduction
QS prédictive
Codage prédictive
Principes
La seule quantification est peu efficace pour la

compression
Modèle soujacent trop simple : échantillons indépendants
et tous également importants
Idée : exploiter la corrélation entre échantillon par une
prédiction
Réduction de la variance

Introduction
QS prédictive
Schéma de codage
Schéma en boucle ouverte
L’échantillon X (n) est lié au échantillons passés (et futurs)

On utilise les voisins de X (n) pour le prédire
Si on fait un bonne prédiction, Xb (n) ≈ X (n)
x(n) y(n) yb(n) xb(n)
Q
v(n) v(n)
Comment on fait la prédiction ?

Qu’est-ce qu’on gagne ?

Introduction
QS prédictive
Gain de prédiction
Erreur sur la prédiction = erreur sur le signal :
q(n) = y(n) − yb(n) = x(n) − v(n) − xb(n) + v(n) = q̄(n)
Donc l’objectif de la QS prédictive devient celui de minimiser la

distorsion de y
Gain de codage :
σX2 σ2 σ2
SNRp = 10 log10 = 10 log10 X2 + 10 log10 Y = GP + GQ
D σY D
La prédiction doit produire un signal d’erreur dont la variance

est inférieure à la variance du signal d’origine

Introduction
QS prédictive
Exemple
X (n) ∼ N (0, σ 2 ) E [X (n)X (m)] = σ 2 ρ|n−m|

V (n) = X (n − 1) ρ : GP > 0 ?

Introduction
QS prédictive
Exemple
X (n) ∼ N (0, σ 2 ) E [X (n)X (m)] = σ 2 ρ|n−m|

V (n) = X (n − 1) ρ : GP > 0 ?
Y (n) = X (n) − X (n − 1) v.a. Gaussienne centrée

h i
σY2 = E (X (n) − X (n − 1))2 = 2σ 2 − 2σ 2 ρ
σX2 σ2
GP = 10 log10 = 10 log10
σY2 2(1 − ρ)σ 2
1
GP > 0 ⇔ ρ >
2

Introduction
QS prédictive
Prédicteurs
On s’intéressera aux prédicteurs linéaires : simples et
optimaux dans le cas Gaussien
P
X
v(n) = − ai x(n − i) Filtre de prédiction à P paramètres
i=1
P
X
y(n) = x(n) − v(n) = ai (xn − 1) Erreur de prédiction
i=0
Avec a0 = 1.
On peut donc voir y comme filtrage de x avec le filtre de
fonction de transfert :
A(z) = 1 + a1 z −1 + . . . + aP z −P
Filtre optimale : minimisation de σY2
Introduction
QS prédictive
Modèle AR du signal
Y (z)
Si Y (z) = A(z)X (z), X (z) = A(z)
On montre que, si la prédiction est optimale, Y (z) est du
bruit blanc de puissance σY2
σY2
Dans ce cas, la DSP de X est SX (f ) = |A(f )|2
Le modèle sous-jacente pour X est celui d’un signal
auto-regressif :
Y (z)
X (z) = ⇔
1 + a1 z −1 + . . . + aP z −P
x(n) + a1 x(n − 1) + . . . + aP x(n − P) = y(n)
x(n) est donc le filtrage AR de y(n)

Introduction
QS prédictive
Choix du prédicteur
Problème :
Trouver le vecteur (filtre linéaire) a qui minimise :
" #2 
n o  XP 
2 2
σY = E Y (n) = E X (n) + ai X (n − i)
 
i=1

Introduction
QS prédictive
n o P
X P X
X P
σY2 = E X 2 (n) + 2 ai E{X (n)X (n − i)} + ai aj E{X (n − i)X (n − j)}
i=1 i=1 j=1
= σX2 t t
+ 2r a + a RX a
avec :
 
rX (0) rX (1) ... rX (P − 1)
 rX (1) rX (2) ... rX (P − 2)
r = [rX (1) . . . rX (P)] RX =  
 ... ... ... ... 
rX (P − 1) rX (P − 2) ... rX (0)
rX (k ) = E{X (n)X (n − k )}

Introduction
QS prédictive
Minimisation de la variance de Y :
∂σY2
= 2r + 2RX a = 0
∂a
On a donc :
aopt = −R−1
X r σY2 = σX2 + r t aopt
L’autocorrélation rX peut généralement être estimé avec :
1 X
b
rX (k) = N − 1 − k X (n)(X (n + k)
N
n=0

Introduction
QS prédictive
Gain de prédiction
Gain de prédiction : rapport entre la puissance de l’erreur

sans et avec prédiction.
cσX2 2−2R σX2

GP (P) = 10 log10 = 10 log10 2
cσY2 2−2R σY
σX2 σX2 rX (0)
2
= 2 t opt
= PP opt
σY σX + r a rX (0) + i=1 ai rX (i)
Quand i croît, les rX (i) sont normalement de plus en plus

petits (la corrélation entre des échantillons éloignés est de
plus en plus petite)

Introduction
QS prédictive
Gain de prédiction
σX2 σX2
On peut montrer que : σY2
= [det R P ]1/P
Valeur asymptotique du gain de prédiction
σX2
GP = limP→+∞ [det R P ]1/P
Cette valeur est liée au dégrée de corrélation du signal
On peut montrer que :
R 1/2 PN−1
−1/2 SX (f )df
1 k
N k =0 SX N
GP = R ≈ N1
1/2
exp −1/2 ln SX (f )df ΠkN−1
=0 SX
k
N
Rapport entre moyennes arithmétiques et géométriques

Introduction
QS prédictive
Schéma de codage
Schéma prédictif (DPCM) complet (boucle fermée)
Encodeur : Décodeur :
X (n) V (n) b (n)
V b (n)
V b (n)
X
Q
b (n)
V
Y (n) b (n) Y (n) b (n)
X X
P P
Y (n)

Langue

Compression 01 Quantification

Transféré par

Informations du document

Description :

Titre original

Copyright

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Description :

Droits d'auteur :

Compression 01 Quantification

Titre original :

Transféré par

Description :

Droits d'auteur :

Introduction

Quantification Scalaire et Prédictive

Département Traitement du Signal et des Images

M. Cagnazzo Quantification Scalaire et Prédictive 1/64

2 Quantification scalaire optimale

3 Quantification scalaire prédictive

M. Cagnazzo Quantification Scalaire et Prédictive 2/64

2 Quantification scalaire optimale

3 Quantification scalaire prédictive

M. Cagnazzo Quantification Scalaire et Prédictive 3/64

Q : x ∈ R → y ∈ C = {xb1 , xb2 , . . . xbL } ⊂ R

C : Dictionnaire, c’est un sous-ensemble discret de R

M. Cagnazzo Quantification Scalaire et Prédictive 4/64

Définition : Quantification scalaire (QS)

Q : x ∈ R → y ∈ C = {xb1 , xb2 , . . . xbL } ⊂ R

M. Cagnazzo Quantification Scalaire et Prédictive 5/64

M. Cagnazzo Quantification Scalaire et Prédictive 6/64

M. Cagnazzo Quantification Scalaire et Prédictive 6/64

M. Cagnazzo Quantification Scalaire et Prédictive 6/64

M. Cagnazzo Quantification Scalaire et Prédictive 6/64

M. Cagnazzo Quantification Scalaire et Prédictive 7/64

M. Cagnazzo Quantification Scalaire et Prédictive 7/64

Définitions : Quantificateur régulier

Typiquement on considère un QS régulier :

M. Cagnazzo Quantification Scalaire et Prédictive 8/64

Dans la suite on considérera uniquement des quantificateurs

Si le signal d’entrée est non-limité, t 0 = −∞ et t L = +∞

M. Cagnazzo Quantification Scalaire et Prédictive 9/64

Quantification d’un signal discret

Typiquement on quantifie une suite (un signal discret) avec

M. Cagnazzo Quantification Scalaire et Prédictive 10/64

Quantification comme codage/décodage

x(n) i(n) xb (n)

Ce que le codeur envoie c’est les i(n)

M. Cagnazzo Quantification Scalaire et Prédictive 11/64

Le débit d’un QS est le nombre de bit nécessaire pour

M. Cagnazzo Quantification Scalaire et Prédictive 12/64

On définit la distorsion ponctuelle comme l’erreur

Si on considère tout le signal x(·) de durée N, on utilise

M. Cagnazzo Quantification Scalaire et Prédictive 13/64

Distorsion : cas aléatoire

Souvent on utilise des modèles aléatoires centrés pour les

La distorsion est donc la puissance du processus aléatoire

M. Cagnazzo Quantification Scalaire et Prédictive 14/64

Distorsion : modèles pour le signal de bruit

Le bruit de quantification est donc vu comme un bruit

M. Cagnazzo Quantification Scalaire et Prédictive 15/64

Courbe débit/distorsion d’un QS

Souvent on caractérise un QS par rapport au

M. Cagnazzo Quantification Scalaire et Prédictive 16/64

Un QS uniforme (QU) est caractérisé par :

M. Cagnazzo Quantification Scalaire et Prédictive 17/64

Quantification uniforme : calcul de la distorsion

M. Cagnazzo Quantification Scalaire et Prédictive 18/64

Quantification uniforme : calcul de la distorsion

M. Cagnazzo Quantification Scalaire et Prédictive 18/64

Quantification uniforme : calcul de la distorsion

En effet le bruit de quantification dans ce cas est une v.a.

M. Cagnazzo Quantification Scalaire et Prédictive 18/64

Quantification uniforme : courbe D(R)

M. Cagnazzo Quantification Scalaire et Prédictive 19/64