bi

ar
i-L
zir

IT
ja
D
S.

EN
La Quantification scalaire prédictive
 La Quantification scalaire prédictive

Introduction

bi
ar
-L
• Lorsque le signal à quantifier est corrélé, il est avantageux de le

i
zir
décorréler avant de le quantifier.

IT
• Avantages :
ja
I réduction de la distorsion due à la quantification
D

I réduction du débit
S.

EN
• La décorrélation peut se faire avec la prédiction linéaire du signal

Sonia Djaziri-Larbi — Dépt.TIC — ENIT Compression de données 1D-2D 34 / 72

 La Quantification scalaire prédictive Rappels prédiction linéaire

Prédiction linéaire

bi
• Exprimer x (n) comme une combinaison linéaire pondérée par les

ar
coefficients ai de ses valeurs passées :

-L
PP
x̂ (n) = i=1 ai x (n − i)

i
• Erreur de prédiction :
zir PP
e(n) = x (n) − x̂ (n) = x (n) − i=1 ai x (n − i)

IT
ja
D

• Si x (n) est un processus autorégressif (AR) et si P est bien l’ordre du

modèle AR, alors e(n) est un signal blanc
S.

⇒ décorrélation totale. EN
• sinon, si x (n) n’est que partiellement AR et/ou P n’est pas le bon
ordre du modèle, alors e(n) est un signal coloré (corrélé), mais moins
que x (n)
⇒ décorrélation partielle.
Sonia Djaziri-Larbi — Dépt.TIC — ENIT Compression de données 1D-2D 35 / 72
 La Quantification scalaire prédictive Rappels prédiction linéaire

Comment déterminer les coefficients de prédiction ai ?

bi
Minimiser l’EQM : σe2 = E [(e(n))2 ] par rapport aux ai

ar
Formulation matricielle du problème :

i -L
   
x (n − 1) zir a1 ∂σe2 ∂e(n)
 ..   ..  = 2E [e(n) ]=0
x= .
, a = 
. 
 ∂a ∂a
t
⇒ E [(x (n) − a x)x] = 0

IT
ja
  
x (n − P) aP
⇒ E [x (n)x] = E [at xx] = E [xxt a]
D

et ⇒ rx = Rx a
⇒ aopt = R−1
S.

E [(e(n))2 ] = E [(x (n) − at x)2 ] x rx


rx (1)
 
rx (0)
EN ··· rx (P − 1)

 .
..
  .. .. .. 
avec rx = 

 et Rx = 
  . . .


rx (P) rx (P − 1) ··· rx (0)

Sonia Djaziri-Larbi — Dépt.TIC — ENIT Compression de données 1D-2D 36 / 72

 La Quantification scalaire prédictive Rappels prédiction linéaire

Comment déterminer les coefficients de prédiction ai ?

bi
ar
I Equations normales, de Wiener-Hopf ou de Yule-Walker : rx = Rx aopt

-L
• Rx est la matrice d’autocorrélation de x (de Toeplitz et symétrique),

i
• aopt est le vecteur des paramètres AR optimaux, pour un ordre P donné.
zir

IT
ja
I Calcul de la puissance de l’erreur de prédiction minimale σe2 (P) :
D

σe2 (P) = E [(x (n) − atopt x)2 ] = E [(x (n)2 − 2x (n)xt aopt + atopt xxt aopt ]
= rx (0) − 2E [x (n)xt aopt ] + atopt rx
S.

=
=
rx (0) − rxt aopt
PP
rx (0) − i=1 aiopt rx (i)
EN
Sonia Djaziri-Larbi — Dépt.TIC — ENIT Compression de données 1D-2D 37 / 72
 La Quantification scalaire prédictive Rappels prédiction linéaire

Estimation de l’enveloppe spectrale par AR(P)

bi
ar
PP
I L’équation aux différences du modèle : e(n) = x (n) − i=1 ai x (n − i)

-L
PP −i
I TZ : E (z) = (1 − i=1 ai z )X (z) = (1 − A(z))X (z)

i
zir 1
1. Filtre blanchisseur : 1 − A(z) 2. Filtre de synthèse : H(z) = 1−A(z)

IT
ja
D
S.

I Si e(n) blanc ⇒ Se (f ) = σe2 ⇒ Sx (f ) =

EN
I Filtrage d’un PA : Se (f ) = |1 − A(f )|2 Sx (f ) et Sx (f ) = |H(f )|2 Se (f )

σe2
= PP
σe2
|1 − A(f )|2
|1 − i=1 ai e j2πf |2

Sonia Djaziri-Larbi — Dépt.TIC — ENIT Compression de données 1D-2D 38 / 72

 La Quantification scalaire prédictive Rappels prédiction linéaire

Choix de l’ordre P du filtre H(f )

bi
ar
i -L
zir

IT
ja
D
S.

EN
Un bon choix de P ⇒ Une meilleure approximation de la DSP du signal
Sonia Djaziri-Larbi — Dépt.TIC — ENIT Compression de données 1D-2D 39 / 72
 La Quantification scalaire prédictive Rappels prédiction linéaire

Analyse d’un signal quasi-harmonique (voisé) par prédiction linéaire

bi
ar
i -L
zir

IT
ja
D
S.

EN
Sonia Djaziri-Larbi — Dépt.TIC — ENIT Compression de données 1D-2D 40 / 72
 La Quantification scalaire prédictive Rappels prédiction linéaire

Analyse d’un signal quasi-harmonique (voisé) par prédiction linéaire

bi
ar
-L
• Le prédicteur ne capte que l’enveloppe spectrale

i
zir
• L’enveloppe spectrale du signal résiduel e(n)(sortie du filtre

IT
ja
blanchisseur) est plate mais la structure harmonique est préservée.
D

• Le signal résiduel tend vers un train d’impulsions.

S.

EN
Sonia Djaziri-Larbi — Dépt.TIC — ENIT Compression de données 1D-2D 41 / 72
 La Quantification scalaire prédictive Rappels prédiction linéaire

Analyse d’un signal non voisé par prédiction linéaire

bi
ar
i -L
zir

IT
ja
D
S.

EN
Sonia Djaziri-Larbi — Dépt.TIC — ENIT Compression de données 1D-2D 42 / 72
 La Quantification scalaire prédictive Rappels prédiction linéaire

Analyse d’un signal non voisé par prédiction linéaire

bi
ar
-L
• Le prédicteur ne capte que l’enveloppe spectrale

i
zir
• L’enveloppe spectrale du signal résiduel e(n)(sortie du filtre

IT
ja
blanchisseur) est plus plate que celle du signal original.
D

• Le signal résiduel tend vers un bruit blanc.

S.

EN
Sonia Djaziri-Larbi — Dépt.TIC — ENIT Compression de données 1D-2D 43 / 72
 La Quantification scalaire prédictive Rappels prédiction linéaire

Mesure de la platitude spectrale (spectral flatness)

Moyenne géométrique divisée par la moyenne arithmétique

bi
Cas S(k) discret (TFD) :

ar
qQ  P 
N N−1 1 N−1
k=0 S(k)
exp ln(S (k))

-L
N k=0 x fe
ν = 1 PN−1 = PN−1 , k≡k
k=0 Sx (k)
1
k=0 Sx (k)
N

i
N zir N
Cas S(f ) continue (TFtd) :
R 

IT
1/2
ja
exp −1/2 ln(Sx (f ))df
ν= , f fréq. réduite
D

R 1/2
S (f )df
−1/2 x
S.

EN
• plus un signal est blanc, plus ν sera proche de 1,
• un signal sinusoı̈dal a un ν qui tend vers 0.

Sonia Djaziri-Larbi — Dépt.TIC — ENIT Compression de données 1D-2D 44 / 72

 La Quantification scalaire prédictive Quantificateur prédictif : premiers pas

Principe : décorréler avant de quantifier

bi
ar
i -L
zir
filtre prédicteur : A(z) = Pi=1 ai z −P
P
I

IT
ja
I filtre blanchisseur : 1 − A(z)
D

l’erreur de prédiction : e(n) = x (n) − xp (n) = x (n) − Pi=1 ai x (n − i)

P
I
erreur de Q : q(n) = e(n) − ê(n)
S.

I
I
EN
erreur de reconstruction : q̄(n) = x (n) − x̂ (n)

l’erreur de Q = l’erreur de reconstruction :

q(n) = q̄(n).

Sonia Djaziri-Larbi — Dépt.TIC — ENIT Compression de données 1D-2D 45 / 72

 La Quantification scalaire prédictive Quantificateur prédictif : premiers pas

RSB quantification scalaire vs. prédictive

bi
RSB Quantification scalaire (rappel)

ar
E [e(n)2 ] σe2 22R

-L
= =
E [(e(n) − ê(n))2 ] σq2 c

i
RSB Quantification scalaire predictive :
zir
E [x (n)2 ] σx2 σx2 σe2 σx2 22R
σq̄2 = σq2

IT
ja
= = = , car
E [(x (n) − x̂ (n))2 ] σq̄2 σe2 σq2 σe2 c
D

|{z}
Gp
S.

σx2 −2R
EN
⇒ σq2 = σq̄2 = c
Gp
2

Gain de prédiction Gp ⇒ la prédiction améliore le RSB de quantification :

Gp augmente ⇒ σq2 diminue

Sonia Djaziri-Larbi — Dépt.TIC — ENIT Compression de données 1D-2D 46 / 72

 La Quantification scalaire prédictive Quantificateur prédictif en boucle fermée

Quantification prédictive en boucle fermée

bi
ar
I Il n’est pas raisonnable de transmettre le signal prédit xp (n) au décodeur
⇒ on code et on transmet les coefficients de prédiction ai :

-L
I Schéma en boucle fermée ⇒ le codeur contient une partie du décodeur

i
zir
Erreur de quantification :

IT
ja
q(n) = e(n) − ê(n),
or e(n) = x (n) − xp (n)
D

et ê(n) = x̂ (n) − xp (n)

S.

EN ⇓

q(n) = x (n) − x̂ (n) = q̄(n)

d’où on a toujours :
q(n) = q̄(n)

Sonia Djaziri-Larbi — Dépt.TIC — ENIT Compression de données 1D-2D 47 / 72

 La Quantification scalaire prédictive Quantificateur prédictif en boucle fermée

Quantification par prédiction arrière (backward prediction)

bi
On fait encore mieux : on ne transmet que l’erreur de prédiction et on

ar
calcule les coefficients de prédiction au décodeur : prédiction arrière

i -L
zir

IT
ja
D
S.

EN
Prédiction avant (forward) : A(z) est calculé avec x (n)
Prédiction arrière (backward) : A(z) est calculé avec x̂ (n)

Sonia Djaziri-Larbi — Dépt.TIC — ENIT Compression de données 1D-2D 48 / 72