01 Cours 17 09 Matin

Principes fondamentaux
Outils
Compression d’image et vidéo : Introduction
Marco Cagnazzo
Département Traitement du Signal et des Images

TELECOM ParisTech
17 septembre 2012
M. Cagnazzo Introduction 1/86

Principes fondamentaux Compression
Outils Critères
Plan
1 Principes fondamentaux
Compression
Critères d’évaluation de un algorithme de compression
2 Outils
Codage sans pertes
Quantification

Outils Critères
Acquisition des images et de la vidéo
Représentation des images et de la vidéo en numérique

Relation entre acquisition, représentation et perception
Espaces de couleur
Échantillonnage
Quantification

Outils Critères
L’oeil
Lumière transformée en impulsion nerveuse par les récepteurs (rétine)
Cônes (6÷7 millions, au centre de la rétine) : très sensibles aux
couleurs, une bonne résolution, demandent beaucoup de lumière
Bâtonnets (75÷150 millions) : sensibles à l’intensité lumineuse,
faible résolution, très sensibles à faible luminosité
180000
Blind spot Cônes
Nombre de récepteurs par mm2
Bâtonnets
135000
90000
45000
80 60 40 20 0 20 40 60 80
Degrees

Outils Critères
Perception de la lumière
Luminosité perçue : fonction logarithmique de
l’intensité
Dynamique des valeurs d’intensité : ≈ 1010
(100dB)
Le système visuel ne peut pas opérer sur cette
échelle simultanément
Changements de la sensibilité globale,
dynamique beaucoup plus limitée
Intensité lumineuse
Luminosité perçue : ce n’est pas une simple Intensité perçue
fonction de l’intensité

Outils Critères
Sensibilité aux fréquences spatiales
2
La sensibilité au
contrast est
% Constrast
l’habilité à discerner
6 différents niveaux
de luminosité
Maximum à environ
2-5 cycles par
25 degré
100
240 120 60 30 15
Pixels per cycle

Outils Critères
Perception de la couleur
445 nm 535 nm 575 nm

Spectre visible : 400÷700 nm
Cônes sensibles à différents
intervalles
Absorption
65% sensible au rouge
33% sensible au vert
2% sensible au bleu (mais très sensibles)
Sensation de la couleur :
correspond au tristimulus
400 450 500 550 600 650 700
Couleur obtenue comme
Wavelenght [nm]
combinaison des couleurs
primaires

Outils Critères
Représentation des images numériques

Espaces de couleurs
Espace RGB Espace HSV

Outils Critères

Images en niveaux de gris
Grille discrète, image N × M pixels

A chaque pixel (m, n), on associe un ordre de traitement k
Généralement, balayage ligne par ligne unilatéral :
k = (n − 1)M + m
On notera indifféremment fn,m ou fk
m M
n
fn,m = fk
N

Outils Critères

Images couleurs : Format RVB
Images en couleurs : trois composantes, chacune représentée

comme une image en niveaux de gris.

Outils Critères

Images couleurs : Format YUV
Images en couleurs : une composante de luminance et deux de

chrominance

Outils Critères
Échantillonnage de l’espace de couleur

Schémas d’échantillonnage
Le schéma est représenté comme un rapport entre trois

termes :
J :a:b
J Taille horizontale du bloc d’échantillonnage de
référence, normalement 4
a Nombre d’échantillons de chrominance dans
la première ligne de J pixels
b Nombre d’échantillons de chrominance
additionnels dans la deuxième ligne de J
pixels

Outils Critères
Échantillonnage de l’espace de couleur
4:1:1 4:2:0 4:2:2 4:4:4
YUV YUV YUV YUV
= = = =
Y Y Y Y
+ + + +
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
1 a=1 1 2 a=2 1 2 a=2 1 2 3 4 a=4

UV UV UV UV
2 b=1 b=0 1 2 b=2 1 2 3 4 b=4
1/4 horizontal resolution 1/2 horizontal resolution 1/2 horizontal resolution Full horizontal resolution
Full vertical resolution 1/2 vertical resolution Full vertical resolution Full vertical resolution

Outils Critères
Quantification
Représentation des échantillons sur un ensemble discret

Quantification uniforme : arrondi
L = nombre de niveau
b = log2 L dynamique du quantificateur
Normalement b = 8 par composante
256 niveaux de gris (8 bpp)
16M couleurs (24 bpp)
High dynamics range : 32 à 64 bits par canal

Outils Critères
Résolution de la vidéo
Échantillonnage spatial et temporel
SECAM 384 × 576 50 Hz

PAL 450 × 576 50 Hz
NTSC 323 × 486 60 Hz
QCIF 144 × 176 N/A
CIF 288 × 352 N/A
4CIF 576 × 704 N/A
SD/PAL 720 × 576 50 Hz
HD 720p/i 1280 × 720 50/100 Hz
HD 1080p/i 1920 × 1080 50/100 Hz
2K 2048 × 1556 24 Hz
4K 4096 × 2160 24 Hz
UHD 7680 × 4320 60 Hz

Outils Critères
Représentation de la vidéo numérique
Séquence d’images numériques

On ajoute la dépendance du temps
Trois composantes dans le cas de vidéo couleur
Représentation RVB ou luminance/chrominance
Sous-échantillonnage des composantes couleur
n o
I : (n, m, T , c) → x ∈ 0, 1, . . . , 2b

Outils Critères
Compression : Motivations
Exemple 1 : Libraire de photos numériques
Images numérique : au déla des 10 Megapixel

Trois composantes couleur
Un octet par composant
Occupation mémoire : 30 Mo par photo
Publication sur le Web ?

Outils Critères
Compression : Motivations
Exemple 2 : Télévision
système analogique
⇒ bande de fréquence : 6 MHz
système numérique
1 composante de luminance 576 × 720
2 composantes de chrominance 288 × 360
quantification sur 8 bits
25 images par seconde
R ≈ 125 Mbps
⇒ bande de fréquence ?
2 heures de film > 100 Go

Outils Critères
Fondements de la compression
POURQUOI EST-IL POSSIBLE DE COMPRIMER ?
Redondance statistique des données

homogénéité des images
similitude entre images successives
Redondance psychovisuel
sensibilité aux baisses fréquences
effets de masquage
autres limites du système visuel humain
Un algorithme de compression (ou codage) doit exploiter
au maximum la redondance des données

Outils Critères
Types d’algorithme de compression
Algorithmes sans perte (lossless)

Reconstruction parfaite
Basés sur la redondance statistique
Faible rapport de compression
Algorithmes avec perte (lossy)
Image reconstruite 6= image originale
Basés sur la quantification
Redondance psychovisuel : “visually lossless”
Rapport de compression élevé

Outils Critères
Types d’algorithme de compression
Algorithmes symétriques
Même complexité au codeur et au décodeur
Pas de compensation de mouvement
Faible rapport de compression
Temps réel
Algorithmes asymétriques
Codeur beaucoup plus complexe du décodeur
Estimation/compensation du mouvement
Rapport de compression élevé
Usage “off line”, distribution sur supports de mémoire

Outils Critères
Débit
Rapport (taux) de compression

Bin Rin
T = Bout = Rout
Débit de codage
Bout
Image : R = NM [bpp]
Bout
Video, son : R = T [bps]
Codage d’image sans perte : T ≤ 3

Codage d’image avec perte : T ≈ 5 →?
Codage vidéo avec perte : T ≈ 20 →?

Outils Critères
Qualité et distorsion
La qualité d’une image numérique est établie en utilisant des critères
Les critères objectifs sont fonctions mathématiques de :

fn,m : image d’origine ; et
efn,m : image reconstruite après compression
Critères objectifs non perceptuels

Erreur quadratique moyenne (MSE) :
PN PM
D = N1M n=1 m=1 (fn,m − efn,m )2
2552
Rapport signal sur bruit crête : PSNR = 10 log10 D
Critères objectifs perceptuels

On utilise des modèles de perception
Le plus commune est le SSIM (Structural SIMilarity) index

Outils Critères
Qualité et distorsion
Les Critères subjectifs sont basés sur l’évaluation de la

qualité des image faite par des humaines
Difficulté de créer un bon modèle du SVH
Analyse statistique des résultats
Évaluations longues, difficiles et coûteuses
En conclusion, souvent on se limite à utiliser les critères
objectifs non perceptuels :
Simplicité
Interprétation géométrique (norme euclidienne)
Optimisation analytique
Relation avec la qualité perçue ?

Outils Critères
Perception des erreurs

Erreur distribuée, bruit blanc σ = 4
MSE: 16 SSIM: 0.906

Outils Critères

Bruit concentré sur 100 × 100 pixels
MSE: 16 SSIM: 0.972

Outils Critères

Bruit concentré sur les contours (estimation par filtre de Sobel)
MSE: 16 SSIM: 0.987

Outils Critères

Bruit sur les hautes fréquences spatiales
MSE: 16 SSIM: 0.882

Outils Critères

Sous-échantillonnement dans l’espace des couleurs
MSE: 21.27 SSIM: —

Outils Critères
Effets spatiaux
Intensité lumineuse
Intensité perçue

Outils Critères
Perception de la vidéo
Sensibilité aux fréquences spatio-temporelles (ralenti)

Masquage spatiale (comme dans les images)
Masquage temporel
Sensitiviy
Scene
Change

Outils Critères
Perception et qualité : bilan
Modèles perceptuels nécessaires pour des bons

performances de compression
Système d’audition relativement bien compris, et exploité
dans les codeurs audio
Système de perception visuel encore loin d’être
parfaitement compris
Manque de mesures perceptuelles de qualité
complètement fiables
Tout de même, les meilleures performances de
compression ne peuvent pas être atteintes si on tient pas
en compte l’aspect psychovisuel

Outils Critères
Complexité, retard et robustesse
La complexité d’un algorithme de codage peut être limitée

par :
contraintes liées à l’application (temps réel)
limités du matériel (hardware)
coût économique
Le retard est normalement mesuré au codeur
Lié à la complexité
Influencé par l’ordre de codage
Robustesse: sensibilité de l’algorithme de
compression/reconstruction à des petites altérations du
code comprimé (erreurs de transmission)

Outils Critères
Critères de performance : Bilan
Besoins contradictoire :
⇓ Débit
⇑ Qualité
⇓ Complexité
⇑ Robustesse
⇓ Retard

Principes fondamentaux Codage sans pertes
Outils Quantification
Plan
1 Principes fondamentaux
Compression
Critères d’évaluation de un algorithme de compression
2 Outils
Codage sans pertes
Quantification

Codage sans pertes

Introduction
La compression sans perte est basée sur les statistiques des

données
Mots de code courts pour les symboles probables
Mots de code longs pour les symboles peu probables
Définitions :
Alphabet : X = {x1 , x2 , . . . , xN } ensemble des symboles à coder
{0, 1, . . . , 255} dans le cas de valeurs de
luminance
alphabet français dans le cas d’un texte
Code : application entre X et {0, 1}∗ , l’ensemble des
chaînes de bits de longueur finie.
Codes à longueur fixe
Codes à longueur variable

Choix du code
Code : C : xi ∈ X → ci ∈ {0, 1}∗

Codes à longueur fixe.
Tout mot de code a la même longueur
Si on a N = 256 symboles, il nous faut log N = 8 bits pour
coder chaque symbole
Dans le cas d’un texte, N = 26, il nous faut log N = 5 bpS
(bit par symbole)
Codes à longueur variable
ℓi : longueur du mode de code ci
On peut comprimer sans pertes si :
Condition de décodabilité : condition du préfixe
Les symboles ne sont pas équiprobables

Information et entropie
Le symbole xi a une probabilité pi d’apparaître

P
Longueur moyenne du code : L = pi ℓi
L’information associé à xi est I(xi ) = − log pi
I(xi ) ≥ 0
Si pi = 1, I = 0
Si deux symboles sont indépendants, I(xi , xj ) = I(xi ) + I(xj )
Entropie de la source : information moyenne des symboles
X
H(X ) = − pi log pi
i
Théorème de Shannon: le code optimale (c’est-à-dire,

minimum L) a
L ≥ H(X )

Codage entropique
Théorème de Shannon:
Taux de codage code optimale ≥ Entropie de la source (1)
du coup le nom Codage Entropique.
La relation devient strictement une identité stricte si les

probabilités sont dyadiques (puissances négatives de deux)
La relation est pratiquement une identité pour un nombre
important de symboles de l’alphabet.
Donc l’entropie est une excellente approximation du taux de codage

optimale. Dans la suite la (1) est considérée comme une identité.

Exemple : Compression d’un texte français
Technique Code à longueur fixe

Entropie de la source 3.999 bpS
Taux de codage (L) 5 bpS
Rapport de compression 1
Chaque lettre est représentée sur 5 bits

Aucune compression est obtenue

Codage de Huffman
Huffman a découvert comment construire le code optimum

pour n’importe quelle source.
Exemple :
Symbole Probabilité
A 0.4
B 0.2
C 0.15
D 0.15
E 0.05
F 0.05
6 symboles, 3 bits par symboles sans codage.

Codage de Huffman
A A
40% 40%
B B
20% 20%
C C
15% 15%
D D
15% 15% 0
25%
E E
5% 0 5% 0 1
10% 10%
F 1 F 1
5% 5%

Codage de Huffman
A
40%
0
B
20% 0 100%
35%
C 1 0 1
15%
60%
D
15% 0 1
25%
E
5% 0 1
10%
F 1
5%

Codage de Huffman
Code de Huffman
Symbole Probabilité Code

A 0.4 0
B 0.2 100
C 0.15 101
D 0.15 110
E 0.05 1110
F 0.05 1111
L = 0.4 · 1 + 0.2 · 3 + 0.15 · 3 + 0.15 · 3 + 0.05 · 4 + 0.05 · 4

= 2.3 bits/symbole


Technique Huffman
Entropie de la source 3.999 bpS
Taux de codage (L) 4.040 bpS
Rapport de compression 1.25
20
18
Distribution des
16
lettres dans un
14
texte français
12
% Freq
10
0
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z

Codage de Huffman
Comment améliorer les performances ?

Codage par blocs :
1 L’entropie d’un bloc de K symboles n’est jamais supérieure
à KH(X )
2 La distribution du bloc tend à être dyadique si K est grand
Codage par contextes : l’entropie d’un symbole donnés
ses K − 1 voisins est largement inférieure à H(X )
Les meilleures performances sont obtenues quand on
code l’entier message de K symboles comme un symbole
d’un alphabet de taille N K
1
H(X K ) → H(X ) ≤ H(X )
K


K=1 Entropie des lettres 3.999 bpS 3.999 bpl 4.040
K=2 Entropie des digrams 7.440 bpS 3.720 bpl 3.734
K=3 Entropie des trigrams 9.452 bpS 3.151 bpl 3.211
A
B
C 3
D
E
F
bpS : bits par symbole
G
H
2.5
bpl : bits par lettre
J
I
2
Les trigrams plus communs :
K
L
M
N
O
P
1.5 ait ent les
Q
R
1.59% 1.25% 0.94%
1
S
T lle des ant
U
V
W
0.5
0.78% 0.72% 0.70%
X
Y
que our ien
Z
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
0
0.67% 0.63% 0.60%
Distribution des digrams dans un texte
français

Limites du code de Huffman
De l’exemple précédent, on comprend qu’on voudrait aller

jusqu’à la limite K =longueur du message.
C’est pratiquement impossible avec Huffman
Difficile et coûteux de connaître les probabilités
Complexité exponentielle du code avec la taille du bloc
Le dictionnaire devrait comprendre tout les possibles
messages de K symboles:
Tous les possibles textes
Toutes les possibles images
...
Le codage arithmétique résout le problème

Codage sans pertes

Codage arithmétique
Le codage arithmétique permets de faire un codage par

blocs ou par contextes avec complexité linéaire
Idée : ne pas chercher le code pour n’importe chaîne de n
symboles, mais uniquement pour la chaîne à coder
Le codeur arithmétique n’est pas optimal, mais
asymptotiquement optimal
Faible complexité de codage/décodage (opérations
arithmétiques, dont le nom)
Le codage arithmétique est le plus commun, mais dans
des systèmes très simples on peut trouver Huffman

Codage arithmétique: exemple

Symbole A B C D E F
Probabilité 0.4 0.2 0.15 0.15 0.05 0.05
Séquence à coder : ADFCD
A B C D E F
0 0.4 0.6 0.75 0.9 0.95 1


Symbole A B C D E F
Probabilité 0.4 0.2 0.15 0.15 0.05 0.05
A B C D E F
0 0.4 0.6 0.75 0.9 0.95 1


Symbole A B C D E F
Probabilité 0.4 0.2 0.15 0.15 0.05 0.05
A B C D E F
0 0.4 0.6 0.75 0.9 0.95 1
0 0.24 0.3 0.4


Symbole A B C D E F
Probabilité 0.4 0.2 0.15 0.15 0.05 0.05
A B C D E F
0 0.4 0.6 0.75 0.9 0.95 1
0 0.24 0.3 0.4
0.297
0.24 0.3


Symbole A B C D E F
Probabilité 0.4 0.2 0.15 0.15 0.05 0.05
A B C D E F
0 0.4 0.6 0.75 0.9 0.95 1
0 0.24 0.3 0.4
0.297
0.24 0.3
0.297 0.29925 0.2997 0.3


Symbole A B C D E F
Probabilité 0.4 0.2 0.15 0.15 0.05 0.05
A B C D E F
0 0.4 0.6 0.75 0.9 0.95 1
0 0.24 0.3 0.4
0.297
0.24 0.3
0.297 0.29925 0.2997 0.3

Codage par blocs
Pour chaque nouveau symbole, 2 multiplications et 2

addition
Codage de la suite de symboles : centre de l’interval
sélectionné, avec précision inférieure à la demi-taille de
l’interval.
Problème : estimation de P(X K ), en principe avec
K =longueur totale du message
Exemple précédent
Q : Symboles supposés indépendants,
P(X K ) = Ki=1 p(xi )
Apprentissage des statistiques au cours du codage
(adaptivité)

Codage sans pertes

Codage avec dictionnaire
Dictionnaire des suites de données communes construit

au fur et à mesure
Capable de s’adapter à des signaux non-stationnaires
Pas besoin d’initialization (codage universel)
À la base des algorithmes populaires de compression sans
perte (zip, gzip, bzip, etc.)

Quantification scalaire : Définition
Q : x ∈ R → y ∈ C = {x̂1 , x̂2 , . . . x̂L } ⊂ R
x̂7
x̂6
x̂5
d0 d1 d2 d3 d4
d5 d6 d7 d8
x̂4
x̂3
x̂2
x̂1

Quantification scalaire : Définition
Q : x ∈ R → y ∈ C = {x̂1 , x̂2 , . . . x̂L }

C : Dictionnaire
R = log2 L : Débit
E = X − Q(X ) : Bruit de quantification

D = E (X − Q(X )) = E E 2 : Distorsion
2
Θi = {x : Q(x) = x̂i } : Régions.

Évaluation de un quantificateur : courbe D(R)

Quantification scalaire regulière
Typiquement,
1) Θi = (di−1 , di )
2) x̂i ∈ Θi
d0 di−1 di dL
x̂i
Θi

Quantification uniforme
Simple
Minimise l’erreur maximale
Optimale pour v.a. uniforme
Courbe D(R) pour une v.a. uniforme :
D = σX2 2−2R
Courbe D(R) pour une v.a. non uniforme en haute résolution :
D = KX σX2 2−2R

Quantification optimale
Pour une densité de probabilité fX (x) donnée, déterminer le

quantificateur qui minimise la distorsion pour un débit donné.
Problème équivalent à déterminer les seuils di et les niveaux x̂i .
Solutions :
Solution analytique en haute résolution: D = hX σx2 2−2R
Si l’hypothèse de haute résolution est fausse, on peut
atteindre un minimum local de la distorsion avec
l’algorithme de Max-Lloyd

Quantification optimale
Algorithme de Max-Lloyd
Algorithme de Max-Lloyd
1 initialiser les régions (p.e. uniforme)
2 trouver les meilleures régions pour le dictionnaire donné
x̂i + x̂i+1
di = , i ∈ {1, . . . , L − 1}
2
3 trouver le meilleur dictionnaire pour les régions données
R
Θ xfX (x)dx
x̂i = E [X |X ∈ Θi ] = R i
Θi fX (x)dx
4 boucler en 2 jusqu’à la convergence

Exemple de quantification
Image Originale, 24 bpp

Exemple de codage
Débit 21 bpp PSNR 47.19 dB TC 1.143

Exemple de codage

Exemple de codage

Exemple de codage

Exemple de codage

Exemple de codage

Exemple de codage

Quantification
Conclusion
Quantification : au centre de la compression avec perte

Opération non réversible
Centrale dans le compromis débit-distorsion
Approximations à haute résolution:
D ∼ 2−2R
D ∼ σ2
La seule quantification est insuffisante à assurer des
bonnes performances de compression

Quantification vectorielle (QV)

Introduction
La quantification est normalement utilisée sur séquences

d’échantillons
Idée : quantifier conjointement plusieurs échantillons (un
vecteur)
L’espace R N est donc partitionné en régions de décision
À chaque région on fait correspondre un représentant (un
vecteur)

Exemple: signal corrélé

Signal AR(2)
1 1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
−0.2 −0.2
−0.4 −0.4
−0.6 −0.6
−0.8 −0.8
−1 −1
0 20 40 60 80 100 120 140 160 180 200 −1 −0.5 0 0.5 1

Quantification vectorielle
Introduction
Généralisation de la QS à l’espace R N
La QS est un cas particulier de la QV
Les régions de décisions sont délimité par des hyperplans
orthogonaux aux axes
Les représentants sont alignés parallèlement aux axes
Gains potentiels de la QV
Gain géométrique : forme arbitraire des régions de décision
et position arbitraire des représentants
Gain de corrélation : on exploite directement la corrélation
du signal

Propriétés de la VQ
La VQ permet des amélioration par rapport à la SQ :

on peut exploiter la corrélation entre échantillons
on supprime la contrainte de cellules hypercubiques
on supprime la contrainte de débits entiers

Définition
Définition de la quantification scalaire :
Q : x ∈ R → y ∈ C = {x̂1 , x̂2 , . . . x̂L } ⊂ R
Définition de la quantification vectorielle :
Q : x ∈ RK → y ∈ C = {b x L } ⊂ RK
b2 , . . . b
x1 , x

VQ comme codage et décodage
On peut la voir comme suite de deux opérations :

Codage : Association entre x et l’index i (la région Θi )
Décodage : Association entre l’index i (la région Θi et le
mot de code y = b
xi
x i y
E D
{Θi } C = {b
xi }i

Quantificateur régulier
Régions convexes
b
xi ∈ Θi

Algorithme de Lloyd généralisé
Problème : comment trouver la meilleur VQ pour une source

donnée ?
Solution : Algorithme de Lloyd généralisé (ou BLG)
Dictionnaire d’initialization C0
k =1
Boucle sur k (condition d’arrêt)
Définir les cellules pour le dictionnaire Ck −1 (nearest
neighbor)
Trouver le dictionnaire Ck par rapport aux cellules (centroid
condition)
k ←k +1

Limites et applications de la VQ
VQ : la technique de compression ultime ?

Limite principale : complexité

Codage : calculer mini x − xbi 2
images : corrélation entre pixels lointains, complexité trop
importante
Versions sous-optimales de la VQ : compromis entre
complexité et performance
La VQ est utilisée dans la compression audio

Quantification scalaire
Exemple de codage

Exemple de codage
Débit 9.0 bpp PSNR 37.59 TC 2.667

Exemple de codage

Exemple de codage

Exemple de codage

Exemple de codage

Exemple de codage

Exemple de codage

Exemples de dictionnaires
N = 4, L ∈ {4, 16, 64}

Quantification : bilan
Simple
Modèles débit-distorsion
Allocation des ressources
Seule est peu efficace (transformée, prediction)
Complexe
Théoriquement optimale
Difficile à utiliser en pratique
Difficile à utiliser conjointement à autres techniques

01 Cours 17 09 Matin

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

01 Cours 17 09 Matin

Transféré par

Droits d'auteur :

Formats disponibles

Principes fondamentaux

Compression d’image et vidéo : Introduction

Département Traitement du Signal et des Images

M. Cagnazzo Introduction 1/86

M. Cagnazzo Introduction 2/86

Acquisition des images et de la vidéo

Représentation des images et de la vidéo en numérique

M. Cagnazzo Introduction 3/86

M. Cagnazzo Introduction 4/86

M. Cagnazzo Introduction 5/86

Sensibilité aux fréquences spatiales

M. Cagnazzo Introduction 6/86

445 nm 535 nm 575 nm

M. Cagnazzo Introduction 7/86

Représentation des images numériques

Espace RGB Espace HSV

M. Cagnazzo Introduction 8/86

Représentation des images numériques

Grille discrète, image N × M pixels

M. Cagnazzo Introduction 9/86

Représentation des images numériques

Images en couleurs : trois composantes, chacune représentée

M. Cagnazzo Introduction 10/86

Représentation des images numériques

Images en couleurs : une composante de luminance et deux de

M. Cagnazzo Introduction 11/86

Échantillonnage de l’espace de couleur

Le schéma est représenté comme un rapport entre trois

M. Cagnazzo Introduction 12/86

Échantillonnage de l’espace de couleur

4:1:1 4:2:0 4:2:2 4:4:4

YUV YUV YUV YUV

1 a=1 1 2 a=2 1 2 a=2 1 2 3 4 a=4

M. Cagnazzo Introduction 13/86

Représentation des échantillons sur un ensemble discret

M. Cagnazzo Introduction 14/86

SECAM 384 × 576 50 Hz

M. Cagnazzo Introduction 15/86

Représentation de la vidéo numérique

Séquence d’images numériques

M. Cagnazzo Introduction 16/86

Images numérique : au déla des 10 Megapixel

M. Cagnazzo Introduction 17/86

M. Cagnazzo Introduction 18/86

POURQUOI EST-IL POSSIBLE DE COMPRIMER ?

Redondance statistique des données

M. Cagnazzo Introduction 19/86

Types d’algorithme de compression

Algorithmes sans perte (lossless)

M. Cagnazzo Introduction 20/86

Types d’algorithme de compression

M. Cagnazzo Introduction 21/86

Rapport (taux) de compression

Codage d’image sans perte : T ≤ 3

M. Cagnazzo Introduction 22/86

La qualité d’une image numérique est établie en utilisant des critères

Les critères objectifs sont fonctions mathématiques de :

Critères objectifs non perceptuels

Critères objectifs perceptuels

M. Cagnazzo Introduction 23/86

Les Critères subjectifs sont basés sur l’évaluation de la

M. Cagnazzo Introduction 24/86

Perception des erreurs