Traitement du Signal

Mohamed Siala
Ecole Supérieure des Communications de Tunis
Janvier 2019
Contenu du Cours

• Chapitre 1: Introduction Générale

• Chapitre 2: Analyse des Signaux Continus Déterministes
• Chapitre 3: Echantillonnage et Quantification
• Chapitre 4: Analyse des Signaux Discrets Déterministes
• Chapitre 5: Systèmes Linéaires Invariants (SLI)
• Chapitre 6: Filtrage des Processus Aléatoires

16/02/2019 2
 Volume Horaire
Chapitre/TP VH Cours VH TD

Chapitre 1: Introduction Générale 3h

TP1: Initiation à MATLAB et familiarisation avec les signaux
Chapitre 2: Analyse des signaux continus déterministes 3h 1,5 h
TP2: Numérisation d’un signal de parole
Chapitre 3: Echantillonnage et quantification 4,5 h 3h
TP3: Quantification de l’image
Chapitre 4: Analyse des signaux discrets déterministes 9h 3h
TP4: Analyse de Fourier sur un signal DTMF
Chapitre 5: Systèmes linéaires invariants (SLI) 6h 4,5 h
TP 5: Intercorrélation d’images pour vision panoramique
Chapitre 6: Processus aléatoires 3h 1,5 h
TP 6: Application du filtrage de signaux sous SIMULINK
16/02/2019 3
Chapitre 3: Echantillonnage
et Quantification
Plan du Chapitre 3

• Echantillonnage
• Quantification

16/02/2019 5
Echantillonnage

16/02/2019 6
Echantillonnage 1/2
Échantillonneur idéal
x(t ) x(nTe )
Signal Signal
analogique Te échantillonné

x(t ) x(nTe )

Te

Te 2Te nTe

Echantillonneur idéal

x(t ) → x(nTe ), n  : Signal échantillonné

Te : Période d'échantillonnage
f e = 1/ Te : Fréquence d'échantillonnage
16/02/2019 7
Echantillonnage 2/2

• L’échantillonnage consiste à prélever périodiquement des échantillons du

signal analogique:
xe (t ) =  x(nTe ) (t − nTe )
n

• Le signal échantillonné s’écrit aussi:

xe (t ) = x(t ) Te (t ) = x(t ) ШTe (t )

où
 T (t ) = ШT (t ) =   (t − nTe )
e e
n

est le peigne de Dirac de période Te.

16/02/2019 8
Transformée de Fourier du Signal Echantillonné 1/2

• La transformée de Fourier du signal échantillonné xe(t) est:

+ 
+ 
Xe( f ) =  xe (t )e − j 2 ft
dt =    x(nTe ) (t − nTe )  e − j 2 ft dt
− −
 n 
+
=  x(nTe )   (t − nTe )e − j 2 ft dt =  x(nTe )e − j 2 nTe f
−
n n

ce qui donne:

X e ( f ) =  x(nTe )e − j 2 nTe f
n

16/02/2019 9
Transformée de Fourier du Signal Echantillonné 2/2

• TFTD: Xe(f) est appelée Transformée de Fourier à Temps Discret

(TFTD) de la séquence d’échantillons x(nTe).
• Périodicité: Xe(f) est une fonction périodique de f de période fe = 1/Te.
• Série de Fourier: L’équation

X e ( f ) =  x(nTe )e − j 2 nTe f
n

peut être vue comme la décomposition en série de Fourier de la

fonction périodique Xe(f) avec x(nTe) comme coefficients de série de
Fourier.
•  On peut écrire: j 2
n
+1/2Te f 1 + f e /2
x(nTe ) = Te  X e ( f )e j 2 nTe f
df =  X e ( f )e fe
df
16/02/2019 −1/2Te fe − f e /2 10
Périodisation (Réplication) de Spectre 1/6

• On rappelle que la série de Fourier du peigne de Dirac est donnée

par: n
j 2 t
1
 Te (t ) = ШTe (t ) =
Te
en
Te
= f e  e j 2 nfet
n
• Ainsi:
n n
1 j 2 t 1 j 2 t
xe (t ) = x(t )
Te
e
n
Te
=
Te
 x(t )e
n
Te

• En utilisant la propriété de modulation (ou translation ou décalage en

fréquence), on obtient:
1  n
Xe( f ) = n X  f − T  = fe n X ( f − nfe )
Te  e 
16/02/2019 11
Périodisation (Réplication) de Spectre 2/6

• Une autre façon de retrouver le spectre du signal échantillonné, xe(t),

est d’utiliser le théorème de Plancherel:
Xe( f ) = ( xe (t )) = ( x(t ) Te (t )) = X ( f )  (Te (t ))
le fait que la transformée de Fourier d’un peigne de Dirac en temps
est aussi un peigne de Dirac en fréquence donné par:
1 +
 n 1
( Te (t )) =
Te
   f −  = 1/Te ( f )
n =−  Te  Te
et la propriété de translation:
 n  n
X ( f )   f −  = X  f − 
16/02/2019
 Te   Te 
12
Périodisation (Réplication) de Spectre 3/6

• Ainsi:
1 +
 n 1 +
 n 1 +
 n
Xe( f ) = X ( f )   f − =
n =−  Te  Te
 X ( f )   f −  =  Xf − 
Te n =−  Te  Te n =−  Te 
• En combinant les deux expressions alternatives de Xe(f), on obtient la
formule de sommation de Poisson:
1 +
 n
X e ( f ) =  x(nTe )e − j 2 nTe f
=  Xf − 
n Te n = −  Te 
•  Le spectre du signal échantillonné, Xe(f), est donc obtenu par
réplication (périodisation) du spectre du signal analogique original,
X(f), à des intervalles de la fréquence d’échantillonnage fe.
16/02/2019 13
Périodisation (Réplication) de Spectre 4/6
Premier cas:
 = f e − 2 f max  0
ou
f e  2 f max Répliques Répliques
spectrales Te X e ( f )
spectrales
Spectrale
original
X ( f + 2 fe ) X ( f + fe ) X ( f ) X ( f − fe ) X ( f − 2 fe )

− f e /2 f e /2
−2 f e − fe fe 2 fe
Intervalle
de NYQUIST  = f e − 2 f max
16/02/2019 14
Réplication (périodisation) de spectre causée par l’échantillonnage
Périodisation (Réplication) de Spectre 5/6
Deuxième cas:
 = f e − 2 f max  0
ou
f e  2 f max
Te X e ( f )

−2 f e − f e − f e /2 f e /2 fe 2 fe

Intervalle
de NYQUIST

16/02/2019 Repliement (ou recouvrement) de spectre causée par causé par le chevauchement des répliques 15
Périodisation (Réplication) de Spectre 6/6

•  Les répliques sont séparées l’une de l’autre par une distance  = fe

-2fmax, appelée bande de garde.
•  Les répliques ne se chevauchent pas si   0, ou de manière
équivalente fe  2fmax.
•  Les répliques se chevauchent si  < 0, ou de manière équivalente
fe < 2fmax, causant un repliement de spectre et une distorsion du
spectre original.
•  Si fe  2fmax, alors la portion de spectre du signal échantillonné,
TeXe(f), dans l’intervalle de NYQUIST [-fe/2, +fe/2] est identique au
spectre original X(f):
fe fe
16/02/2019
Te X e ( f ) = X ( f ), pour −  f  16
2 2
Théorème d’Echantillonnage de SHANNON 1/2

• Théorème d’échantillonnage de SHANNON: Un signal analogique x(t)

ne peut être reconstitué exactement à partir de ses échantillons
x(nTe) que si deux conditions sont vérifiées:
• Le signal x(t) doit être à bande limitée, de spectre en fréquence limité à des
fréquences inférieures à une fréquence maximale, fmax.
• La fréquence d’échantillonnage, fe, doit être au moins égale à deux fois la
fréquence maximale, fmax:
f e  2 f max
• La fréquence d’échantillonnage minimale, fe = 2fmax, permise par le
théorème d’échantillonnage, est appelée rythme de NYQUIST.

16/02/2019 17
Théorème d’Echantillonnage de SHANNON 2/2

• La quantité fe/2 est appelée fréquence de NYQUIST ou fréquence de

repliement.
• L’intervalle (de fréquences) de NYQUIST est défini par:
 fe fe 
 − 2 , + 2  = Intervalle de NYQUIST
 
• La fréquence de NYQUIST, fe/2, définit les fréquences de coupure des
filtres analogiques de préfiltrage et de postfiltrage requis pour les
opérations de traitement du signal (voir plus loin).

16/02/2019 18
Préfiltre Anti-Repliement 1/3

• La plupart des signaux ne sont pas limités en bande et doivent donc

être filtrés passe-bas avant échantillonnage.
• Pour échantillonner un signal à un rythme désiré fe et satisfaire les
conditions du théorème d’échantillonnage de SHANNON, le signal
doit être préfiltré par un filtre analogique passe-bas appelé préfiltre
d’anti-repliement.
• La sortie du préfiltre analogique possède une bande limitée à la
fréquence maximale fmax et peut être échantillonné au rythme désiré
fe.

16/02/2019 19
Préfiltre Anti-Repliement 2/3

Spectre en entrée Spectre préfiltré Spectre

répliqué
Préfiltre

− fe / 2 fe / 2 − fe + fe
xent (t ) Préfiltre x(t ) x(nTe )
analogique Echantillonneur
Signal passe-bas Signal limité Signal
analogique en bande échantillonné
Fréquence de coupure:
fe
Rythme de NYQUIST: fe
f max = f e / 2

Préfiltrage anti-repliement
16/02/2019 20
Préfiltre Anti-Repliement 3/3

• Le rythme fe doit être choisi suffisamment grand pour préserver les

composantes fréquentielles les plus significatifs du signal dans
l’intervalle de NYQUIST, [-fe/2, +fe/2], après l’opération de préfiltrage.
• Exemple: Dans les applications Hi-Fi audio numériques, on utilise un
rythme d’échantillonnage fe = 40 kHz  La pièce de musique à
numériser doit être préfilitrée pour contenir des fréquences jusqu’à
20 kHz  Le spectre résultant est plus qu’adéquat puisque l’oreille
humaine ne peut entendre des fréquences qu’en dessous de 20 kHz.

16/02/2019 21
 Reconstructeurs Analogiques 1/3

• La reconstruction analogique repose sur un filtrage passe-bas du

signal échantillonné.
• Exemple du reconstructeur en escalier ou échantillonneur-bloqueur:

xe (t ) xr (t )
xe (t ) xr (t )
Reconstructeur
Te Te
en escalier

Signal échantillonné Signal reconstruit

Reconstructeur en escalier
16/02/2019 22
Reconstructeurs Analogiques 2/3

• Tout remplissage des gaps entre échantillons résulte en une sorte de

reconstruction:
• Le remplissage des gaps résulte en une version plus lisse du signal
échantillonné.
•  Dans le domaine fréquentiel, les fréquences hautes dans le signal
échantillonné sont alors éliminées.
•  Un reconstructeur peut être vu comme un filtre analogique passe-bas:
xe (t ) Reconstructeur xr (t )
analogique
Signal h(t ) Signal
échantillonné reconstruit
16/02/2019 Reconstructeur analogique comme filtre passe-bas 23
Reconstructeurs Analogiques 3/3

• La relation entre le signal reconstruit xr(t) et le signal échantillonné

xe(t) est donnée par:
xr (t ) = xe (t )  h(t )
• Comme
xe (t ) =  x(nTe ) (t − nTe )
n
alors
xr (t ) =  x(nTe )h(t − nTe )
n
• Dans le domaine fréquentiel, on a:
X r ( f ) = X e ( f )H ( f )
16/02/2019 24
Reconstructeur Idéal 1/4

• Pour une reconstruction parfaite ou idéale, Xr(f) doit être identique au

spectre original X(f).
• Si X(f) est limité en bande et ses répliques ne se chevauchent pas,
alors TeXe(f) concorde parfaitement avec X(f) dans l’intervalle de
NYQUIST: 1 f f
Xe( f ) = X ( f ), pour − e
 f + e

Te 2 2
• Le filtre de reconstruction idéal, H(f), est un filtre passe-bas idéal de
fréquence de coupure fe/2: T H( f ) e

Te , si f  f e / 2
H( f ) = 
16/02/2019 0, sinon − fe / 2 + fe / 2 25
Reconstructeur Idéal 2/4

• Le filtre H(f) permet d’extraire la réplique centrale et d’éliminer les

autres répliques:
Te X e ( f ) Constructeur idéal

X ( f + 2 fe ) X ( f + fe ) X(f ) X ( f − fe ) X ( f − 2 fe )

−2 f e − f e − f e /2 + f e /2 + fe +2 f e
Intervalle de
NYQUIST

16/02/2019
Reconstructeur idéal dans le domaine fréquentiel 26
 Reconstructeur Idéal 3/4

• Le reconstructeur idéal, H(f), de réponse impulsionnelle:

Reconstructeur
−1 sin( t / Te ) Reconstructeur en escalier
h(t ) = ( H ( f )) = idéal
 t / Te
sin( f et )  t 
= = sinc   = sinc( f et )
 f et  Te 
−3Te −2Te −Te +Te +2Te +3Te

permet de reconstruire parfaitement x(t) à partir de ses échantillons

x(nTe) (formule de Shannon-Whittaker):
 t − nTe   t 
x(t ) = xr (t ) =  x(nTe )h(t − nTe ) =  x(nTe ) sinc   =  x(nTe ) sinc  − n 
16/02/2019 n n  Te  n  Te 27
Reconstructeur Idéal 4/4

• Le reconstructeur idéal n’est pas réalisable: Sa réponse impulsionnelle

est non causale, avec une partie anti-causale infinie.
•  Des reconstructeurs alternatifs, tels que le reconstructeur en
escalier, sont utilisés en pratique.

16/02/2019 28
Reconstructeur en Escalier (Echantillonneur-Bloqueur)

• Le reconstructeur en escalier (échantillonneur-bloqueur d’ordre 0) est

le plus simple et le plus utilisé dans la pratique.
• La réponse impulsionnelle du reconstructeur en escalier est donnée
par:
1, si 0  t  Te
h(t ) = 
0, sinon
Te
• Sa fonction de transfert est donnée par:
sin( fTe ) − j fTe
H ( f ) = Te e = Te sinc( fTe )e − j fTe
 fTe
16/02/2019 29
Reconstructeur en Escalier (Echantillonneur-Bloqueur)
Reconstructeur Te
idéal

−2 f e − fe − f e /2 + f e /2 + f e +2 f e
Fonction de transfert (réponse fréquentielle) du reconstructeur en escalier
• La fonction de transfert (réponse fréquentielle) du reconstructeur en
escalier s’annule à des multiples entiers de fe, là où les répliques causées
par l’échantillonnage sont centrés.
•  Le reconstructeur n’élimine pas complètement les répliques spectrales
images comme le fait le reconstructeur idéal.

16/02/2019 30
Reconstructeur en Escalier (Echantillonneur-Bloqueur)
Reconstructeur idéal Reconstructeur en escalier

−2 f e − fe − f e /2 + f e /2 + fe +2 f e
Réplique centrale
partiellement atténuée Réplique survivantes

−2 f e − fe − f e /2 + f e /2 + fe +2 f e

Réponse fréquentielle du reconstructeur en escalier

16/02/2019 (effet de la multiplication Xr(f) = Xe(f)H(f)) 31
Postfiltre Anti-Images 1/5

• Les réplique spectrales survivantes peuvent être éliminées par un

postfiltre passe-bas additionnel, appelé postflitre anti-image, de
fréquence de coupure fe/2:

Postfiltre
Reconstructeur
en escalier
passe-bas
Signal Signal anti-image Signal
échantillonné analogique analogique
Coupure fe/2
Reconstructeur idéal

Postfiltre analogique anti-image

16/02/2019 32
Postfiltre Anti-Images 2/5

• Dans le domaine temporel, le postfiltre a pour effet d’arrondir les

coins du signal en sortie du reconstructeur en escalier, les rendant
plus lisses.
• Dans le domaine fréquentiel, le postfiltre a pour effet d’éliminer
autant que possible les répliques spectrales:
Postfiltre passe-bas Atténuation
anti-image Coupure aiguë
bande d’arrêt

−2 f e − fe − f e /2 + f e /2 + fe +2 f e

16/02/2019 Spectre après le postfiltre 33

Postfiltre Anti-Images 3/5

• Le rôle principal du postfiltre est d’éliminer les images spectrales à la

sortie du reconstructeur en escalier.
• Le reconstructeur en escalier n’est pas plat sur l’intervalle de NYQUIST
et tend à atténuer plus au voisinage de la fréquence de NYQUIST fe/2
(jusqu’à 3.9 dB).
•  Le postfiltre peut aussi être utilisé pour égaliser la réponse
fréquentielle du reconstructeur dans l’intervalle de NYQUIST.
• En pratique, l’atténuation dans l’intervalle de NYQUIST est égalisée
numériquement avant reconstruction analogique, en utilisant un filtre
numérique dont la réponse est Te/H(f) dans l’intervalle de NYQUIST.
16/02/2019 34
Postfiltre Anti-Images 4/5

x(nTe ) Egaliseur xEG (nTe ) Reconstructeur xr (t ) Postfiltre xPOST (t )

numérique en escalier anti-image
Signal H EG ( f ) Signal H( f ) Signal H POST ( f ) Signal
numérique numérique analogique analogique

Filtrage d’égalisation numérique avant conversion numérique/analogique

• La réponse fréquentielle de l’égaliseur numérique (périodique en

dehors de l’intervalle de NYQUIST, de période fe) est donnée par:
Te  fTe j fTe fe fe
H EG ( f ) = = e , for −  f  +
H ( f ) sin( fTe ) 2 2
16/02/2019 35
Postfiltre Anti-Images 5/5

• L’égaliseur numérique transforme la séquence x(nTe) en une séquence

égalisée xEG(nTe) qui alimente le reconstructeur en escalier, suivi du
postfiltre.
H EG ( f )

1 Réponse fréquentielle de l’égaliseur numérique

H( f )
Te

− fe − f e /2 + f e /2 + fe

• Le spectre final reconstruit à la sortie du postfiltre est:

X POST ( f ) = H POST ( f )( H ( f )( H EG ( f ) X e ( f ))) = X ( f )
Filtrage numérique
16/02/2019 36
Echantillonnage des Signaux Passe-Bande 1/5

• Soit x(t) un signal passe-bande, dont le contenu spectral est compris

entre fmin et fmax:
X(f )

f
− f max − f min f min f max
• Pour échantillonner correctement ce signal, on peut appliquer le
théorème d’échantillonnage de SHANNON  fe  2fmax.
• Comme le spectre est nul ailleurs qu’entre fmin et fmax, il est des fois
possible d’échantillonner x(t) à des fréquences fe inférieures à 2fmax,
tout en assurant la réversibilité de l’échantillonnage.

16/02/2019 37
Echantillonnage des Signaux Passe-Bande 2/5

• Si (fmax - fmin)/fmin > 1 (signal à bande relativement large), alors on ne

peut pas isoler une bande de largeur (fmax - fmin) à l’intérieur de la
bande [0, fmin]  Il faut échantillonner à une fréquence fe  2fmax.
• Si (fmax - fmin)/fmin  1 (signal à bande relativement étroitre), il est
possible d’échantillonner x(t) à des fréquences plus faibles que 2fmax.
•  Il faut choisir fe de telle façon qu’une fois périodisé, le spectre est
constitué de bandes disjointes.
•  Il faut choisir fe de telle façon que les translatés de la partie de X(f)
dans les fréquences négative de kfe et (k+1)fe soient de part et d’autre
de la partie de X(f) dans les fréquences positives, pour un entier k.
16/02/2019 38
Echantillonnage des Signaux Passe-Bande 3/5
X(f )
(k + 1) f e

kf e
f
− f max − f min f min f max

•  fe doit vérifier: − f min + kf e − f max + (k + 1) f e

− f min + kf e  f min et − f max + (k + 1) f e  f max
•  fe doit être choisie dans la plage:
2 f max 2 f min
 fe 
k +1 k
16/02/2019 39
Echantillonnage des Signaux Passe-Bande 4/5

•  k doit être tel que:

2 f max 2 f min

k +1 k

•  0  k  kmax où:
 f min 
kmax = 
 max
f − f min 

• La fréquence d’échantillonnage permise la plus faible est:

2 f max
fe =
kmax + 1
16/02/2019 40
Echantillonnage des Signaux Passe-Bande 5/5

Plages permises pour fe

kmax 2 f max 2f
 f e  min
kmax + 1 kmax
k 2 f max 2 f min
 fe 
k +1 k
0 2 f max  f e  

Fréquences fe d’échantillonnage permises

16/02/2019 41
Quantification

16/02/2019 42
Quantification 1/7

• Après échantillonnage, on obtient un signal à temps discret à

amplitudes continues.
• La quantification consiste à approximer les amplitudes continues par
des amplitudes discrètes.
• Quantification Scalaire (QS): Chaque échantillon est traité
individuellement.
• Quantification Vectorielle (QV): Quantification groupée d’un
ensemble d’échantillons.

16/02/2019 43
Quantification 2/7

• La quantification scalaire consiste à subdiviser la région, où le signal

échantillonné prend ses valeurs, en N intervalles (ou régions):
[ si −1 , si [, i = 1, 2, , N , s0  s1   sN
• Si x(nTe)  [si, si+1[, alors il est quantifié en
Q( x(nTe )) = ci
où ci  [si, si+1[ est appelé mot de code.

xmin = s0 s1 si si +1 sN −1 sN = xmax

c0 ci cN −1

16/02/2019 44
Quantification 3/7
Q: x → Q( x)  C = {c0 , c1 , , cN −1}

Q( x)
c7

c6

c
s0 s1 s2 s3 s4 c5
4 x
s5 s6 s7 s8
c3

c2
c
c10

16/02/2019 45
Quantification 4/7

• N est appelé nombre de niveaux du quantificateur.

• ci est appelé niveau de quantification, niveau de restitution, niveau
de reconstruction ou encore mot de code.
• C = {c0, c1, …, cN-1} est appelé dictionnaire ou ensemble de mots de
code.
• e = x(nTe) - Q(x(nTe)) est appelé erreur de quantification ou bruit de
quantification.
• {x: Q(x) = ci} est appelé région de décision sur ci.
• Le nombre moyen de bits par échantillon, R = log2(N), est appelé taux
de quantification.

16/02/2019 46
Quantification 5/7

Signal en
Echantillonneur Quantificateur Encodeur
Entrée

Canal Binaire
Fiable
Séquence Séquence
Analogique Symbole

Signal en Filtre Table de

Décodeur
Sortie Analogique Consultation

Opération de quantification dans la chaîne de numérisation et de transmission

16/02/2019 47
Quantification 6/7

• Le quantificateur est complètement spécifié par:

• L’ensemble des seuils de la partition: S = {si }0i  N
• L’ensemble des mots de code ou dictionnaire: C = {ci }0i  N −1
• N est généralement une puissance de 2 car la sortie du quantificateur
est codée en binaire.
• La quantification est une opération irréversible (non inversible).
• L’échantillon x(nTe) peut être vu comme une V.A. X de DDP pX(x).

16/02/2019 48
Quantification 7/7

• Le coût de l’approximation de X par Q(X) est mesuré par la distorsion d(X,

Q(X)).
• En traitements de l’image et de la parole, on utilise souvent la distance
euclidienne comme mesure de distorsion:
d ( X , Q( X )) = ( X − Q( X )) 2

• Le quantificateur entraîne une distorsion moyenne (ou erreur quadratique

moyenne, EQM):
D = E  d ( X , Q( X ))  = E ( X − Q( X )) 2 

• Pour N donné et une source X avec une DDP pX(x) donnée, le QS optimal
permet de minimiser la distorsion moyenne D.
16/02/2019 49
Illustration de l’Opération de Quantification
N=5 N=5

N=5

Quantification Signal quantifié et erreur de quantification

N = 13 N = 13

N = 13
Signal original échantillonné

16/02/2019 50
Illustration de l’Effet de la Quantification sur un Signal
Monodimensionnel
Signal non quantifié Quantification à 32 niveaux

Quantification à 16 niveaux Quantification à 8 niveaux

16/02/2019
Versions quantifiées d’un signal analogique 51
Illustration de l’Effet de la Quantification sur un Signal
Bidimensionnel
256 niveaux 128 niveaux 64 niveaux 32 niveaux

16 niveaux 8 niveaux 4 niveaux 2 niveaux

16/02/2019 52
Effet de la quantification scalaire sur une image en noir et blanc
 Illustration de l’Effet de la Quantification sur un Signal
Bidimensionnel
Image originale, 24 bpp, 256 niveaux 21 bpp, 128 niveaux 18 bpp, 64 niveaux 15 bpp, 32 niveaux

12 bpp, 16 niveaux 9 bpp, 8 niveaux 6 bpp, 4 niveaux 3 bpp, 2 niveaux

16/02/2019 Effet de la quantification scalaire sur une image en couleur 53

Quantification Uniforme

16/02/2019 54
Quantificateur Uniforme 1/2

• Un quantificateur est dit uniforme si ses intervalles de quantification

ont la même taille et les mots de code se trouvent au milieu de ces
intervalles (Les intervalles externes peuvent faire exception).
Q( x) Q( x)
+4
+7/2
+3
+5/2
+2
+3/2
+
+/2
+ +2 +3 −7/2−5/2 −3/2 −/2
x x
−3 −2 − −/2 +/2 +3/2 +5/2+7/2
−
−3/2
−2
−5/2
−3
−7/2
−4
Version « Midrise » Version « Midtread »
16/02/2019 Quantificateurs uniformes 55
Quantificateur Uniforme 2/2

Bruit de
quantification Bruit de
granulaire quantification
e = x − Q( x) de surcharge

+/2
−3 −2 − + +2 +3 x
−/2

Bruit de
quantification
de surcharge

Bruit de quantification du quantificateur uniforme de type « Midrise »

16/02/2019 56
Quantification Uniforme d’une Source Uniforme 1/3

• On considère une source X uniforme sur [xmin, xmax]:

 1
 , si xmin  x  xmax
p X ( x) =  xmax − xmin
0,
 sinon

• Un quantificateur est dit uniforme si ses intervalles de quantification

ont la même taille et les mots de code se trouvent au milieu de ces
intervalles:
 xmax − xmin
 si +1 − si =  = N
, avec s0 = xmin et sN = xmax

c = si + si +1
16/02/2019  i 2 57
 Quantification Uniforme d’une Source Uniforme 2/3

• La distorsion d’un quantificateur uniforme d’une source uniforme est

donnée par:
−
2
1 1  x x   2

 
xmax N −1 si +1
D =  E2 =  ( x − Q( x)) 2 p X ( x)dx = ( x − ci ) 2 dx =  max min  =
xmin xmax − xmin i =0 si 12  N  12
puisque
xmax − xmin si + si +1  1
si = xmin + i = xmin + i et ci = = xmin +  i +  
N 2  2
e = x − Q( x)
+/2
xmin −3 −2 − + +2 +3 x
xmax
−/2
16/02/2019 58
Quantification Uniforme d’une Source Uniforme 3/3

• On montrera dans la suite que le quantificateur uniforme est optimal

pour une source uniforme.
• Pour une source uniforme entre xmin = - xmax et xmax, le Rapport Signal
sur Bruit (RSB) (ou Signal-to-Noise Ratio, SNR) de quantification est:

 
 
 E[ X ] 
2
 X2
  (2 x ) 2
12 
SNR [dB] = 10 log10  2 
= 10 log10  2 
= 10 log max

 E [ E ]  
 E
10
 12  max  
2 x
2

   
  N  
= 10 log10 ( N 2 ) = 10 log10 (22 R ) 6 R dB
16/02/2019 59
 Quantification Uniforme d’une Source non Uniforme 1/2
Q( x)
+7 /2

+5/2

+3/2

+/2
+ +2 +3
−3 −2 − −/2
x Exemple N = 8
−3/2

−5/2

−7/2

• Dans le cas d’une source non uniforme, de DDP pX(x), la distorsion

causée par un quantificateur uniforme est donnée par:
− ( N − 2)  /2 (2 i + 2 − N )  /2
( x + ( N − 1) / 2) px ( x)dx +  i =1
N −2
 =
2
E
2
 ( x + ( N − 2i − 1) / 2) 2 p X ( x)dx
− (2 i − N )  /2
+
+ ( x − ( N − 1) / 2) 2 p X ( x)dx
+ ( N − 2)  /2
16/02/2019 60
Quantification Uniforme d’une Source non Uniforme 2/2

• Le pas de quantification optimal, , peut être obtenu pour une DDP

spécifique en résolvant numériquement l’équation:
 E2 − ( N − 2)  /2
= ( N − 1)  ( x + ( N − 1) / 2) px ( x)dx
 −

(2 i + 2 − N )  /2
+  i =1 ( N − 2i − 1) 
N −2
( x + ( N − 2i − 1) / 2) p X ( x)dx
(2 i − N )  /2
+
− ( N − 1)  ( x − ( N − 1) / 2) px ( x)dx = 0
+ ( N − 2)  /2

16/02/2019 61
Quantification non Uniforme

16/02/2019 62
Motivation 1/2
p X ( x) Q( x)

x
−3 −2 − + +2 +3

e( x ) = x − Q ( x ) x
−3 −2 − + +2 +3

x
−3 −2 − + +2 +3

Erreurs égales
Mais non équiprobables
Rappel sur le Quantificateur Uniforme « Midrise »
16/02/2019 63
 Motivation 2/2
p X ( x) Q( x)

x
s0 = − s1 s2 s3 s5 s6 s7 s8 = +
s4

e( x ) = x − Q ( x ) s1 s2 s3 s s5 s6 s7
x
4

s1 s2 s3 s5 s6 s7
s4

Plus probables
Quantificateur non Uniforme « Midrise »
Moins probables
Au lieu d’effectuer une quantification uniforme, on voudrait rendre les
16/02/2019 64
erreurs petites dans la région où le signal est le plus probable
 Illustration de l’Intérêt de la Quantification non Uniforme

Quantification sur 4 niveaux

Quantification

Image originale Histogramme de l’image Image quantifiée Image quantifiée

uniformément non uniformément

16/02/2019 65
Quantificateur Optimal

• Le quantificateur scalaire optimal minimise la distorsion:

D =  E2 = E ( X − Q(X)) 2 

• Formulation du problème d’optimisation de la quantification:

• Etant donnés:
• N: le nombre d’intervalles ou de niveaux de reconstruction.
• pX(x): la DDP de la variable aléatoire X.
• Trouver:
• S = {si, i = 0,1,…, N}: les seuils de décision.
• C = {ci, i = 0, 1, …, N-1}: les niveaux de reconstruction.
• Tels que:
• D: Distorsion, minimisée.

16/02/2019 66
 Quantificateur Optimal

• Conditions nécessaires d’optimalité:

 D
 s = 0, i = 1, 2, , N − 1.
 i

 D = 0, i = 0,1, , N − 1.
 ci
avec

( x − Q( x)) p X ( x)dx =  i =0
xmax N −1 si +1
D = D( s0, s1 , , sN , c0 , c1 , , cN −1 ) =  2
 ( x − ci ) 2 p X ( x)dx
xmin si

• Remarque:
s0 = xmin et sN = xmax
16/02/2019 67
 Quantificateur Optimal

• Minimisation de la distorsion, D, par rapport aux seuils si, i = 1, 2, …,

N-1:
D 
=
si si ( si

si −1
( x − ci −1 ) p X ( x)dx + 
2
si
si +1
)
( x − ci ) 2 p X ( x)dx = ( si − ci −1 ) 2 p X ( si ) − ( si − ci ) 2 p X ( si )

= ( ( si − ci −1 ) 2 − ( si − ci ) 2 ) p X ( si ) = −(ci − ci −1 )(ci −1 + ci − 2si ) p X ( si ) = 0

• Par hypothèse, pX(x) ≠ 0 et si-1 ≠ si. Donc:

ci −1 + ci
si = , i = 1, 2, , N −1
2
• Il s’agit d’un minimum, puisque:
2 D
= 2(ci − ci −1 ) p X ( si )  0
16/02/2019 si2
68
Quantificateur Optimal

• Les seuils optimaux peuvent être obtenus en utilisant la condition du

plus proche voisin:
• Les niveaux de reconstruction sont donnés et on doit choisir les seuils
optimaux.
• L’objectif est de minimiser la distorsion en choisissant comme intervalle de
décision pour ci l’ensemble:
{x  : j  i, d (ci , x)  d (c j , x)}

• Cette équation est appelée condition du plus proche voisin.

• Elle se traduit pour les seuils par (demi-somme des niveaux adjacents):
ci −1 + ci
si = , i = 1, 2, , N − 1
2
16/02/2019 69
Quantificateur Optimal

• Minimisation de la distorsion, D, par rapport aux niveaux ci, i = 0, 1, 2,

…, N-1:
D 
=
ci ci ( si
si +1
2
)
( x − ci ) p X ( x)dx = −2 
si
si +1
( x − ci ) p X ( x)dx = 0

• Ceci donne la condition du centroïde (ou centre de masse):

si +1

ci =

si
xp X ( x)dx
= E  X X  i -ème intervalle de quantification 
si +1
si
p X ( x)dx

• Il s’agit d’un minimum, puisque:

2 D si +1
= 2 p X ( x)dx  0
16/02/2019 ci2 si 70
Quantificateur Optimal

• Système non linéaire à résoudre :

 ci −1 + ci
 i s = , i = 1, 2, , N − 1.
2
 si +1
 
ci = si
xp X ( x)dx
, i = 0,1, , N − 1.
 si +1

 si pX ( x)dx
• L’optimisation devrait se faire conjointement sur C et S.
• Or, on a des conditions nécessaires d’optimalité:
• Pour C étant donné S.
• Pour S étant donné C.
16/02/2019 71
Quantificateur Optimal

• Une solution explicite n’existe que pour des DDP simples: Cas d’une
source uniforme (voir plus loin).
• Une solution approchée peut être trouvée numériquement via
l’algorithme de Lloyd-Max [Lloyd, 1957] [Max, 1960] (commande
« lloyds » dans MATLAB).

16/02/2019 72
Optimalité du Quantificateur Uniforme pour une Source
Uniforme
• Pour une source uniforme, la DDP est donnée par:
 1
 , si xmin  x  xmax
x −
p X ( x) =  max min
x
0,
 sinon
• Ainsi: si +1

ci =

si
xp X ( x)dx
=
si + si +1
, i = 0,1, , N − 1.
si +1
si
p X ( x)dx 2

• On a donc:
ci − si = si +1 − ci , i = 0,1, , N − 1 (Condition du centroïde)
si − ci −1 = ci − si , i = 1, 2, , N − 1 (Condition du plus proche voisin)

•  Le quantificateur uniforme est optimal pour une source uniforme.

16/02/2019 73
Algorithme de Lloyd-Max

• 1. Initialiser les régions (quantification uniforme par exemple).

• 2. Trouver les meilleures régions pour le dictionnaire donné:
ci(−k1) + ci( k )
si( k +1) = , i = 1, 2, , N − 1.
2
• 3. Trouver le meilleur dictionnaire (ou meilleurs mots de codes) pour les
régions données:
si(+k1+1)

ci( k +1) =
 si( k +1)
xp X ( x)dx
, i = 0,1, , N − 1.
si(+k1+1)
si( k +1)
p X ( x)dx

• 4. Boucler en 2. jusqu’à la convergence.

16/02/2019 74
Algorithme de Lloyd-Max
si +1

ci −1 + ci
=
 xp X ( x)dx
si =
si
ci si +1
2
si
p X ( x)dx

• Convergence de l’algorithme de Lloyd-Max:

• La convergence à l’optimum global n’est pas garantie.
• Le résultat final dépend de l’initialisation.
• A chaque itération, la distorsion n’augmente jamais.
• Critère d’arrêt:
• Soit D(k) la distorsion du k-ème quantificateur, obtenu à la k-ème itération.
• Une condition typique d’arrêt est:
D ( k ) − D ( k +1)
(k )

16/02/2019 D 75
Algorithme de Lloyd-Max pour les Données

• On ne dispose pas toujours de la DDP des signaux, mais seulement d’un

ensemble de M observations.
• L’algorithme de Lloyd-Max se modifie comme suit:
• Soit {d1, d2, …, dM} l’ensemble des données à quantifier.
• 1. Initialisation avec un dictionnaire quelconque (par exemple uniforme).
• 2. Condition du proche voisin:

( k +1)
wi = {d m j  i, d m − ci( k )  d m − c (jk ) }, i = 1, 2,, N − 1.
• 3. Condition du centroïde:
1
c( k +1)
i = ( k +1)
w
 d m , i = 0,1, , N − 1.
i d m wi( k +1)

• 4. Boucler en 2. jusqu’à convergence.

16/02/2019 76
Utilisation de l’Algorithme de Lloyd-Max: V.A. Gaussienne
1/2
• X est une V.A. gaussienne centrée de variance unité.
• Conception d’un quantificateur scalaire, de 4 niveaux de
quantification, offrant une distorsion minimale, D*.
• Quantificateur optimal obtenu avec l’algorithme de Lloyd-Max:
• Seuils: -0.98, 0 et +0.98
• Niveaux: -1.51, -0.45, 0.45 et 1.51 Seuils
Niveaux de
• D* = 0.12, soit 9.30 dB reconstruction
p X ( x)

16/02/2019 77
 Utilisation de l’Algorithme de Lloyd-Max: V.A. Gaussienne
2/2
• Convergence:
Initialisation 1: Initialisation 2:
Seuils de décision: -3, 0, +3 Seuils de décision: -1/2, 0, +1/2
quantification

quantification
Fonction de

Fonction de
Nombre d’Itérations Nombre d’Itérations

Nombre d’Itérations Nombre d’Itérations

16/02/2019 78
Utilisation de l’Algorithme de Lloyd-Max: V.A. Laplacienne
1/2
• X est une V.A. laplacienne centrée de variance unité.
• Conception d’un quantificateur scalaire, de 4 niveaux de
quantification, offrant une distorsion minimale, D*.
• Quantificateur optimal obtenu avec l’algorithme de Lloyd-Max:
• Seuils: -1.13, 0 et +1.13
• Niveaux: -1.83, -0.42, 0.42 et 1.83 Seuils
Niveaux de
• D* = 0.18, soit 7.54 dB reconstruction
p X ( x)

16/02/2019 79
 Utilisation de l’Algorithme de Lloyd-Max: V.A. Laplacienne
2/2
• Convergence:
Initialisation 1: Initialisation 2:
Seuils de décision: -3, 0, +3 Seuils de décision: -1/2, 0, +1/2
quantification

quantification
Fonction de

Fonction de
Nombre d’Itérations

Nombre d’Itérations Nombre d’Itérations

16/02/2019 Nombre d’Itérations Nombre d’Itérations 80

 Utilisation de l’Algorithme de Lloyd-Max: Récapitulatif

Gaussienne Laplacienne
Niveaux si ci si ci

16/02/2019 81
Convergence Potentielle de l’Algorithme de Lloyd-Max Vers des
Minimas Locaux
• On considère un quantificateur avec N = 2 et une V.A. X de DDP:
p X ( x)

x
s0 = − c0
s1
c1 s2 = +
x
• Le seuil et les niveaux satisfont les conditions nécessaires d’optimalité et ne
peuvent être améliorés localement.
• Le pic le plus à droite est plus probable que les deux autres pics  La distorsion
aurait pu être réduite si la région de gauche avait couvert les deux pics de gauche.
16/02/2019 82
Quantification par Compression-Expansion

Quantification Expansion Sortie

Entrée Compression
uniforme

Quantification non uniforme

Quantificateur
Compresseur uniforme Expanseur

• Au lieu de rendre le pas de quantification petit pour les intervalles dont les
entrées sont les plus probables, rendre ces intervalles larges et utiliser un
quantificateur uniforme  Equivalent au quantificateur non uniforme.

16/02/2019 83
Quantification par Compression-Expansion

Compresseur Quantificateur uniforme Expanseur

16/02/2019 84
Quantificateur non uniforme
Quantification Logarithmique pour les Systèmes Téléphoniques
1/2
• La loi  est utilisée en Amérique du Nord et au Japon pour
comprimer la voix avant quantification uniforme.

ln 1 +  ( x / xmax ) 
C ( x) = xmax sgn( x)
ln(1 +  )

• La valeur standard de  est 255.

•  = 0 pour la quantification uniforme.

16/02/2019 85
 Quantification Logarithmique pour les Systèmes Téléphoniques
2/2
• La loi A est utilisée en Europe pour comprimer la voix avant
quantification uniforme.
 A ( x / xmax ) x 1
 xmax sgn( x), si 0  
 1 + ln( A) xmax A
C ( x) = 
 1 + ln  A ( x / xmax )  1 x
 xmax sgn( x), si  1
 1 + ln( A) A xmax
• La valeur standard de A est 87,6.
• A = 1 pour la quantification uniforme.

16/02/2019 86
Quantification Optimale à Haute Résolution 1/6

• Lorsque N →  (ou R = log2(N) → ), on a approximativement:

D =  i =0 p X (ci ) 
N −1 si +1
( x − ci ) 2 dx
si
et
si +1 + ( i )/2  (i ) 3


si
( x − ci ) 2 dx = 
− ( i )/2
x 2 dx =
12
avec (i) = si+1 - si.
• Donc
(i )3 1 1
D =  i =0 =  i =0 PX (i )(i ) = E   2 
N −1 N −1 2
p X (ci )
12 12 12
avec PX(i) = Pr( si  X < si+1) = pX(ci) (i).

16/02/2019 87
Quantification Optimale à Haute Résolution 2/6

• On cherche les longueurs des intervalles qui minimisent la distorsion D.

• Pour minimiser la distorsion, on pose:

 (i ) = p X (ci )(i )3 = PX (i )(i ) 2
3

• On a:

  (i ) =  i =0  p X (ci )  (i ) =   p X ( x)  dx = cste

N −1 N −1 1/3 1/3
i =0

• On doit minimiser la somme des cubes de N nombres positifs ayant une

somme constante.
•   (0) =  (1) = =  ( N − 1)

16/02/2019 88
Quantification Optimale à Haute Résolution 3/6

•  Les  (i)3 ont la même valeur:

 (i )3 =  3
• Donc:
1 N 3

N −1 3
D= i =0
 (i ) = 
12 12
• Comme:
1 1
 i=0  (i) = N  pX ( x) dx
N −1
= 
1/3

N
alors (Formule de BENNETT):
1 
2   X
p ( x)  dx 
3
D=
1/3

12 N 
16/02/2019 89
Quantification Optimale à Haute Résolution 4/6

X
• On pose: U =
X
1  u 
• Si U pU (u ), alors X pU  
X X 

• Comme
1/3
1   x 
 p ( x)  dx =    dx =  X   pU (u )  du
1/3 2/3 1/3
 pU 
X
 1/3
X  X 
alors:
1 
 pU (u )  du 
3
 
−2 R
D=2 2 1/3

12  
X
16/02/2019 90
Quantification Optimale à Haute Résolution 5/6

• Ainsi:
D = c X  X2 2−2 R
avec
1 
 pU (u )  du 
3
cX = 
1/3

12  

• cX est appelé facteur de forme, car il ne dépend que de la forme de la

DDP de X, et pas de sa variance.
• Facteur de forme pour une DDP uniforme: cX = 1
3
• Facteur de forme pour une DDP gaussienne: cX =   2, 72
2

16/02/2019 91
Quantification Optimale à Haute Résolution 6/6

• Pour le quantificateur optimal:  (0) =  (1) = =  ( N − 1)

• Donc:
p X (c0 )(0)3 = p X (c1 )(1)3 = = p X (cN −1 )( N − 1)3

• Si X est une V.A. uniforme, alors: p X (c0 ) = p X (c1 ) = = p X (cN −1 )

et donc: (0) = (1) = = ( N − 1)
 Le quantificateur uniforme est optimal pour une V.A. uniforme.
• Pour les autres V.A.:

 pX (c0 ) (i) =   (i )   p X (c0 ) 

1/3 −1/3

16/02/2019 92
Quantification avec Compression-Expansion en Haute
Résolution 1/4
• But: Trouver la fonction de compression C(x) qui donne des
C (s )
performances robustes. xmax C (s )
i +1
i

• Hypothèses:

Uniforme
• Entrées bornées: 𝑥 ≤ 𝑥𝑚𝑎𝑥 .
• Débit, R, (ou N) assez grand.

dC ( x) C (ci +1 ) − C (ci ) 2 xmax / N


= C (ci ) = = − xmax (i )
xmax
dx x =ci (i ) (i ) si si +1

2 xmax
(i ) =
NC (ci )
− xmax
16/02/2019 93
Quantification avec Compression-Expansion en Haute
Résolution 2/4
• On a vu, pour les hautes résolutions, que:
(i )3
D =  i =0 p X (ci )  ( x − ci ) 2 dx =  i =0
N −1 si +1 N −1
p X (ci )
si 12
2
N −1  2 xmax 
2
1 xmax p X (ci )
=  i =0  
N −1
 p X (ci )(i ) = (i )
 i =0
C (ci )
2 2
12  NC ( ci 
) 3 N
A approximer par une intégrale
• On obtient (Intégrale de BENNETT):
2
xmax + xmax p X ( x)
D=
3N 2 − xmax
C ( x)
2
dx

16/02/2019 94
Quantification avec Compression-Expansion en Haute
Résolution 3/4
• Peut-on choisir C(x) pour rendre la distorsion, D, indépendante de la
forme de pX(x)?
Pente de C(x):
• Si on prend: xmax • Toujours positive
C ( x) = • → 0 quand |x| → 
 x • →àx=0
avec  une constante, alors:
2 + xmax  2 X2
D=
3N 2 
− xmax
x 2 p X ( x)dx =
3N 2

•  En choisissant C(x) ainsi, on rend le SNR indépendant de la DDP de

X:  2
E  X  3N
2
SNR = = 2
16/02/2019
D  95
Quantification avec Compression-Expansion en Haute
Résolution 4/4
• La forme de C(x), impaire, qui a la bonne dérivée est
sgn( x) ln ( x )
xmax
C ( x) =

C ( x)
Problème: Les petites Problème: Non inversible
valeurs de |x| donnent lieu
à de grandes valeurs de C(x)

x
Problèmes réglés: Connecter
linéairement les deux fonctions log(.)

16/02/2019 96