Chapitre 3 : Compression et Quantification des données

Introduction : Ce cours a été dédié à l’étude des méthodes fondamentale de

compression des données. ‘‘ 1D (parole), 2D (image fixe).’’
On rappelle que le rôle de compression consiste à réduire la quantité
d’information nécessaire pour représenter les signaux numériques.
Dans la chaine de transmission numérique, l’étape de compression se situe de
codeur source. Elle joue un rôle très important dans les applications multimédia.

On distingue deux approches de compression :

1- Compression sans perte ( LossLess Compression).

Le signal reconstitruit après (décompression) est identique au signal d’origine.

Ces méthodes se limite à supprimer la redondance de l’information, la
compression reste limitée, (exemple codeur de Hoffman) .
Exemple : Compression de texte exécutable telque le Win zip, ZIP, gzip

2- Compression avec perte (Lossy Compression).

En plus de supprimer la redondance ,ces méthodes supprime des informations
jugées non pertinentes dans le but d’atteindre des taux e compression plus
importantes.
Le signal reconstruit après décompression n’est qu’une approximation du signal
d’origine, (son-image-vidéo….).
Exemple : Jpeg- MPEG – MP3….).

3- Quantifications des données.

Au cours du traitement et de la transmission numérique des signaux , toutes les

données sont représentés sur un certains nombres de bits donc avec une
précision finie. Les données doivent être ainsi compliquées.
Le plus simple est de les quantifier une par une .C’est le quantification scalaire
( QS).

La quantification vectorielle (QV) consiste à regrouper les données à quantifier

en vecteurs et quantifie vecteur par vecteur. On exploite ainsi la corrélation qui
existe au sein du signal , ce qui permet d’atteindre de meilleur performance en
terme de débit distorsion.
3-1 Quantification Scalaire (QS).
Soit X : paramètre à quantifier (modélisé par une variable aléatoire continue).
Par exemple X peut représenter l’amplitude d’un signal de parole
échantillonnée.

X (t) x[n] € IR

On note [ ] le support de x ( IR).

On note (x) La densité de probabilité de la variable aléatoire x.

On appelle b la résolution de quantification (nombres de bits/échantillon) ou

(Niveau de quantification de x).

N= (b= ) : nombre de niveau de quantification.

Pour définir un quantificateur, il faut partitionner l’intervalle [ ]en
intervalles distincts , …………… et on note :
Pour i = 1,2…………..N ; = [ ].

, ……………… sont les seuils de quantifications.

Avec = ; =

Définir un représentant par intervalle qu’on notera .

……………………………………………. Sont les représentants ou niveaux de

quantification.
La quantification est l’application suivante :

: [ ] ( ); i 1 N
 X ( X) = ssi x = [ ].

Exemple: x= 2bits N= 4. . . . .

x€ donc Q(x)= .

x€ donc Q(x)= .
.

Procédure de codage : Le codeur reçoit la valeur x à son entrée et détermine

l’intervalle qui contient cette valeur et délivre l’indice de cet intervalle
codée sur b bits.

b bits représentant l’indice i de

L’intervalle
Quantificateur
X

Détermine
X€

Procédure de décodage : Le décodeur lit l’indice i et délivre le représentant

qui lui correspond.
 i
xxxxx……..
Dé quantificateur

L’ensemble des est appelé dictionnaire.

La quantification doit connaitre ;
0 i<N 0< i N

L’opération de quantification introduit des dégradations irréversibles par rapport

au signal d’origine, ces dégradations se traduire par un bruit ou erreur de
quantification e = X – Q (X) avec : X : signal d’origine.
Q(X) signal quantifié.

On caractérise cette dégradation due à la quantification par le rapport Signal sur

bruit ( RSB) en dB définie comme étant :

RSB= 10 ( ) ou : variance de signal x.

: Variance de quantification e.

3-2 : Quantification Scalaire Uniforme (QSU).

La quantification scalaire uniforme consiste à partitionner [ ,] en

N= intervalles différentes i ; 0 de même largeur

- = Pour i = 0………..N.
 est appelé pas de quantification.

Chaque représentant de l’intervalle est le milieu de cet intervalle.

3-3 : Quantification logarithmique.

Principe : Il s’agit d’allouer plus de précision ( Plus de représentant ) dans les

gammes de valeur du signal ou l’on est le plus sensible à l’erreur, elle est
appliqué dans le codage de parole de téléphonie numérique pour allouer plus de
précision au faible amplitudes du signal de parole.

• Faible amplitudes Plus de précision Petit pas de

quantification (plus de représentant).

• Forte Amplitude moins de précision Grande

pas de quantification (moins de représentant).

3-4 : Quantification Scalaire Optimale.

3-4-1 Principe : Adapter les seuils et les représentants aux statistiques du signal
à quantifier, ces statistiques est supposées connue à priori :
Quantificateur optimale au sens de la minimisation de l’erreur quadratique
moyenne (C’est le critère EQMM ou MMSE).

Distorsion (mesurée par l’EQMM). : D.

D= E ( ) = E( =

D=
❖ Déterminer des optimaux qui minimise D.

Pour i=1……………...N,

= 0.

<=> ( ) = 0.

<=> =

<=> =

❖ Déterminer des 1< i <N-1 qui minimise D.

( = , = )
Pour i= 1………………N

<=> ( + = 0.

<=> ( ) - ( )=0

Or

<=> - = -

<=>
=

Rappel :

= <=> =( )

Car ( - ) <0
.

Quantificateur Optimal au sens EQMM est décrit par les équations

suivantes :

= pour i =1……N (dictionnaire Optimale). I

= pour i =1 ….N-1 avec = ; = (Partition

Optimale). II

Quelques Propriétés du Quantificateur Optimale.

1- E( x ) = E( Q(x)) : Le Signal et le signal quantifié ont la même moyenne c. a

.d : L’erreur de quantification est centrée.

2- E[Q(x) (x-Q(x) ] =0 : Le signal quantifiée Q(x) et l’erreur de quantification e

e
Sont non corrélés.

3- E( )=E ( X- = - OU : variance de signal x.

: variance de Q(X) .