Académique Documents
Professionnel Documents
Culture Documents
ECHANTILLONNAGE
&
QUANTIFICATION
Les signaux naturels tels que la parole, l’audio, la température, … sont analogiques. On préfère
convertir les signaux analogiques en numériques pour des raisons de simplicité de souplesse de
précision de stockage. La télévision, par exemple, que ce soit terrestre ou satellitaire, a débuté
en analogique pour terminer aujourd’hui en numérique, avec une meilleure qualité de l’image
et du son, une diffusion de plusieurs chaînes (une vingtaine) sur une seule fréquence, ce qui a
augmenté le nombre de chaînes et a en même temps libéré le spectre pour d’autres usages.
Pour numériser un signal on doit tout d’abord, l’échantillonner, ensuite le quantifier et en fin le
coder. Ce chapitre illustrera toutes ces étapes. L’échantillonnage est une phase importante de la
numérisation.
IV-1 ECHANTILLONNAGE
IV-1-1 Définition
L’échantillonnage d’un signal analogique s(t), consiste à prélever à tous les instants nTe, les
valeurs instantanées s(nTe), pour créer un autre signal se(t) représenté par un ensemble de
valeurs discrets : nul partout sauf aux instants Te, 2Te…nTe (n ∈ ℤ). La figure (IV.1) représente
le signal analogique et sa version échantillonné.
Te : la période d’échantillonnage, est l’intervalle de temps entre deux échantillons consécutifs.
1
Fe = : la fréquence d’échantillonnage, c’est le nombre d’échantillons qu’on prélève en une
Te
seconde.
Avec Matlab par exemple, le signal temporel est discrétisé, on prend l’amplitude à des instants
bien réguliers et non pas à tout instant. La figure (IV.2) donne l’exemple d’un signal sinusoïdal
tracé à l’aide de Matlab.
Echantillonnage & quantification
se(t)
s(t)
0 0
s(Te)
s(6Te)
0 0 Te 2Te 3Te 4Te 5Te 6Te 7Te 8Te
t t
s(t) = sin(t)
1
0.5
0
-0.5
-1
-pi -pi/2 0 pi/2 pi
Exercice 1 :
On considère un signal sinusoïdal de fréquence f = 100 Hz, échantillonné à la fréquence Fe =
500 Hz. Combien a-t-on de points sur une période ?
Réponse :
La figure (IV.3) montre que pour une période T = 0.01 s, nous avons N = 5 points.
1
s(t)
0.5 se(t)
0
-0.5
-1
0 0,002=Te 0,004 0,006 0,008 0,01=T
t
L’échantillonnage provoque une perte d’information, parce que l’on ne prend que des
échantillons à des instants bien définis.
s(t) se(t)
Fe
1- Analyse temporelle
s(t) se(t)
+∞
se (t) = s(t) × δTe (t) = s(t) ∑ δ(t − nTe ) = ∑ s(nTe ) δ(t − nTe ) (IV.1)
n=−∞ n=−∞
On obtient une suite d’impulsions de Dirac dont l’allure suit le signal s(t) comme il est illustré
sur la figure (IV.6c).
L’échantillonnage ne doit pas détériorer le signal, il doit permettre le restituer, c’est pourquoi
il est important d’avoir des impulsions suffisamment proches les uns des autres.
2- Analyse fréquentielle
Nous allons calculer la transformée de Fourier du signal échantillonné. Soit S(f) la transformée
de Fourier de s(t). Le spectre de s(t) représenté sur la figure (IV.7a) est à support borné
[-fmax , +fmax].
Nous savons que la transformée de Fourier d’un produit de deux signaux est égale au produit
de convolution des transformées de Fourier de ces deux signaux :
+∞ +∞
1 n 1 1
𝒯ℱ[δT𝑒 (t)] = ∑ δ (f − ) = ∑ δ(f − nFe ) = δ 1 (f)
Te Te Te Te Te
n=−∞ n=−∞
Par suite
+∞ +∞
1 1
𝒯ℱ [se (t)] = S(f) ∗ ∑ δ(f − nFe ) = ∑ S(f − nFe ) (IV.2)
Te Te
n=−∞ n=−∞
1
Te(t)
0.5 (a)
0
0 1 2 3 4 5
t -3
x 10
Signal sinusoidal
5
s(t)
0 (b)
-5
0 1 2 3 4 5
t x 10
-3
5
Te
0 (c)
-5
e
0 1 2 3 4 5
t -3
x 10
L’expression (IV.2) montre que le spectre Se(f) est un spectre infini, périodique de période Fe
et qu’il est constitué du spectre original S(f) décalé de nFe (fig.IV.7b).
Echantillonner le signal s(t) dans le domaine temporel, revient donc à périodiser son spectre
1
S(f) dans le domaine fréquentiel tous les Fe. Fe = T est la fréquence d’échantillonnage qui
e
correspond au nombre d’échantillons prélevés par seconde (fig.IV.7b).
A partir du spectre du signal échantillonné Se(f) de la figure (IV.8), il est possible de reconstruire
le signal original s(t) en extrayant une période de Se(f), en f = 0, à l’aide d’un filtre passe-bas
F
de fréquence de coupure 2e et d’amplitude Te, pour compenser la modification de l’amplitude
introduite par le peigne de Dirac. La figure (IV.9) représente le système d’échantillonnage et
de reconstruction.
S(f)
(a)
0
-fmax 0 +fmax
f
Spectre du signal échantillonné
1/Te
Se(f)
(b)
0
-2Fe -Fe -fmax 0 +fmax +Fe +2Fe
Fig.IV.7 (a) Spectres du signal analogique s(t), (b) spectre du signal échantillonné se(t)
Te Filtre
Se(f)
1/Te Fe Fe
−
2 2
0
-2Fe -Fe -fmax 0 +fmax +Fe +2Fe
s(t) se(t) ~
~ s(t)
Fig.IV.9 Système
d’échantillonnage et de
+∞ reconstruction
δTe (t) = ∑ δ(t − nTe )
n=−∞
A la sortie du filtre on a :
f
S(f) = Se (f). Te rect( )
Fe
f f
s(t) = 𝒯ℱ −1 [Se (f). Te rect ( )] = 𝒯ℱ −1 [ Se (f)] ∗ 𝒯ℱ −1 [Te rect ( )]
Fe Fe
f
= se (t) ∗ 𝒯ℱ −1 [Te rect (F )]
e
Or,
1 f
𝒯ℱ[sinc(Ft)] = rect ( )
F F
Alors
C’est la formule d’interpolation de Shannon. Elle exprime que le signal s(t) peut être reconstitué
à partir de la connaissance des valeurs de s(t) aux instants t = nT e. La formule suppose avoir
une infinité d’échantillons, c’est pourquoi elle n’est pas utilisable en pratique pour reconstruire
le signal s(t).
π
Exemple 1 : On considère le signal défini par s(t) = sin( 4 t). Appliquons la formule
d’interpolation de Shannon en se limitant aux huit premiers termes : n = 0…7, avec Te = 1 s.
Pour appliquer la relation (IV.3), cherchons tout d’abord les échantillons s(nT e) :
π π
s(nTe ) = sin ( nTe ) = sin ( n)
4 4
si n = 1
π
s1 (t) = sin ( ). sinc(t − 1)
4
si n = 2
π
s2 (t) = sin ( ). sinc(t − 2)
2
…
7π
s7 (t) = sin ( ). sinc(t − 7)
4
Le signal s(t) reconstruit à partir des huit premiers échantillons est représenté sur la figure
(IV.10c). Il est un peu décalé du signal original en pointillé sur la figure (IV.10c) parce qu’il
faut additionner une infinité d’échantillons comme le montre la relation (IV.3).
1 1.5
t
s1 (t) =
√2
sinc(t - 1) s(t) = ∑7n=0 s(nTe) sinc(Te - n)
2
0.5
1
0
0.5
-0.5
0 5 10
(a) 0
1 -0.5
0
-1
π
-1 s(t) = sin ( t)
4
0 5 10 -1.5
0 2 4 6 8
(b) (c)
a) La figure (IV.11) montre que si Fe - fmax > fmax, c’est à dire Fe > 2fmax, le spectre Se(f) contient
le spectre original S(f) sans déformation. Le spectre autour de F e ne vient pas perturber le
spectre autour de zéro, il n’y a pas de chevauchement. On peut récupérer S(f) et donc le signal
F
original s(t) par un filtrage passe-bas de fréquence de coupure 2e .
Te Filtre
Se(f)
1/Te Fe Fe
−
2 2
0
-2Fe -Fe -fmax 0 +fmax +Fe +2Fe
b) Si Fe - fmax = fmax, comme le montre la figure (IV12), alors Fe = 2fmax, les spectres sont
contigus, juxtaposés. Le spectre autour de Fe ne vient pas perturber le spectre autour de zéro, il
n’y a pas de chevauchement mais on est à la limite. Théoriquement on peut récupérer le signal
Fe
original s(t) par un filtrage passe-bas de fréquence de coupure .
2
Te Filtre
Fe Fe
Se(f)
1/Te −
2 2
0,5
0
-Fe - fmax -fmax 0 fmax Fe + fmax
c) La figure (IV.13a) représente le cas où Fe - fmax < fmax, d’où Fe < 2fmax, . Le spectre autour de
Fe vient perturber le spectre autour de zéro, les spectres se chevauchent, on ne peut pas obtenir
S(f) à partir de Se(f) et la récupération complète du signal s(t) n’est plus possible (fig.IV. 13b).
C’est le repliement de spectre ou recouvrement spectral ou aliaising. On dit qu’on est en sous-
échantillonnage.
1/Te
Se(t)
Repliement
de spectre
0
-10 -2Fe -Fe 0 Fe 2Fe 10
1/Te
Se(f)
0
-2Fe -Fe 0 Fe 2Fe
(b)
La figure (IV.14) montre que le repliement de spectre produit un signal différent du signal
analogique de départ.
2- Théorème d’échantillonnage
Fe ≥ 2fmax (VI.4)
Te Filtre
Se(f)
1/Te (a)
0
-2Fe -Fe -Fe/2 0 Fe/2 Fe 2Fe
signal reconstitué
(b)
0
-Fe/2 0 Fe/2
j
S(f) = 2 [δ(f + 3) − δ(f − 3]
1
Le peigne de Dirac de période Te = F = 0.125 s est :
e
+∞ +∞
se (t) = s(t) × δTe (t) = s(t) ∑ δ(t − nTe ) = ∑ s(nTe ) δ(t − nTe )
n=−∞ n=−∞
On prélève donc un point tous les Te = 0.125 s. Pour une durée de 3 périodes, nous aurons alors :
3T
N = T = 8 points représentés sur la figure (IV.15e)
e
+∞
j
Se (f) = ∑ [{δ(f − n 8 ) ∗ δ(f + 3)} − {δ(f − n 8 ) ∗ δ(f − 3)}]
2Te
n=−∞
Finalement
j
Se (f) = [δ(f − n 8 + 3) − δ(f − n 8 − 3]
2Te
La figure (IV.15f) donne le spectre du signal échantillonné qui est un spectre périodique de
période Fe = 8 Hz.
s(t) S(f)
1 0.5
(a) 0 0 (b)
-1 -0.5
0 0.5 1 -15 -9 -3 0 3 9 15
Te(t) 1/Te 1/Te(f)
1 8
(c) 0.5 (d)
4
0 0
0 0,25 0,5 0,75 1 -16 -8 0 8 16
se(t) Se(f)
1 4
(e) 0 0 (f)
-1 -4
0 0,25 0,5 0,75 1 -13 -3 0 3 13
F
En appliquant un filtre passe-bas de fréquence de coupure 2e , comme il est illustré sur la figure
(IV.16a), on peut reconstituer le signal continu original (Fig.IV.16b) caractérisé par la raie
spectrale à f = 3 Hz. Le spectre du signal reconstitué est donc :
j
S(f) = [δ(f + 3) − δ(f − 3]
2
s(t) = sin(2π3t)
4
Filtre
0 (a)
-4
-13 -11 -5 -3 0 3 5 11 13
Signal reconstitué
0.5
0 (b)
-0.5
-15 -9 -3 0 3 9 15
j
S(f) = 2 [δ(f + 5) − δ(f − 5]
+∞
j
Se (f) = ∑ [{δ(f − n 8 ) ∗ δ(f + 5)} − {δ(f − n 8 ) ∗ δ(f − 5)}]
2Te
n=−∞
Finalement
j
Se (f) = [δ(f − n 8 + 5) − δ(f − n 8 − 5]
2Te
s(t) S(f)
1 0.5
(a) 0 0 (b)
-1 -0.5
0 0.5 1 -15 -10 -5 0 5 10 15
Te(t) 1/Te 1Te(f)
1 8
(c) 0.5 4 (d)
0 0
0 0.25 0.5 0.75 1 -16 -8 0 8 16
se(t) Se(f)
1 4
(e) 0 0 (f)
-1 -4
0 0.25 0,5 0.75 1 -13 -3 0 3 13
Se(f)
4 Filtre
0 (a)
-4
-15 -13 -11 -5 -3 0 3 5 11 13 15
Signal reconstitué
0.5
0 (b)
-0.5
-15 -12 -9 -6 -3 0 3 6 9 12 15
Repliement
1
0 (c)
-1
0 0.125 0.25 0.375 0.5 0.625 0.75 0.875 1
Fig.IV.18 (a) Spectre du signal échantillonné avec le filtre passe-bas, (b) spectre du signal
reconstitué
(c) signal reconstitué temporel
F
L’application du filtre passe-bas de fréquence de coupure 2e , comme il est illustré sur la figure
(IV.18a), produit un autre signal (Fig.IV.18b) dont le spectre est :
j
S(f) = − [δ(f + 3) − δ(f − 3]
2
Le spectre du signal restitué correspond certes à une sinusoïde de même amplitude mais déphasé
et de fréquence plus basse f = 3 Hz. Le signal temporel est :
s(t) = -sin(2π3t)
représenté en trait plein sur la figure (IV.18c), différent du signal original de 5 Hz en pointillé
sur la figure (IV.18c). On n’a pas pu reconstituer le signal original parce que la condition du
théorème d’échantillonnage n’a pas été respectée. En effet :
0.2
|S(f)|
0.1
0
-19 -17 -15 -13 -11 -9 -7 -5 -3 -1 0 1 3 5 7 9 11 13 15 17 19
f
signal échantillonné
s(t) se(t)
0.6
0.4
(a)
0.2
0
0 0.5 1 1.5 2
t
Spectre avec Fe = 13.5 Hz
0.2
|Se(f)|
(b)
0.1
0
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
f
Fig.IV.20 (a) signal échantillonné (b) spectre du signal échantillonné à Fe = 13.5 Hz
Nous avons vu dans le chapitre II, qu’un signal périodique peut être décomposé en une somme
de signaux sinusoïdaux de fréquence nf0 avec n ∈ ℕ∗ :
+∞
Fe 13.5
fmax = = = 6.75 Hz
2 2
Or, le spectre est infini, nous avons des fréquences au-delà de 6.75 Hz, par exemple : 7, 11,
13…qui sont la cause de l'apparition de fréquences parasites.
F
Lorsqu’un signal est replié, les fréquences qui sont supérieures à la fréquence 2e sont ramenées
et représentées à l’intérieur du domaine fréquentielle affiché. C’est le cas de la fréquence 0.5
F
Hz qui apparait à la place de la fréquence 13 * 1 = 13 Hz > 2e = 6.75 Hz, ou bien la fréquence
Fe
2 Hz qui apparait à la place de la fréquence 25 * 1 = 25 Hz > = 6.75 Hz.
2
En général, les raies apparentes se situent en ±kFe ± nf0 avec k est un entier et n est un entier
impair.
Le tableau (IV.2) représente certaines fréquences apparentes de la figure (IV.20b)
n 7 9 11 13 15 17 19 21 23 25
13.5 – nf0 6.5 4.5 2.5 0.5 -1.5 -3.5 -5.5 -7.5 -9.5 -11.5
±kFe±nf0
-13.5 + nf0 -6.5 -4.5 -2.5 -0.5 1.5 3.5 5.5 7.5 9.5 11.5
2*13.5 – nf0 20 18 16 14 12 10 8 6 4 2
-2*13.5 + nf0 -20 -18 -16 -14 -12 -10 -8 -6 -4 -2
Si le signal est échantillonné à la fréquence Fe = 1000 Hz, on voit que les raies parasites ont
disparues sur la figure (IV21) parce que la fréquence d’échantillonnage est très grande et le
F
repliement ne concerne que les fréquences supérieures à la fréquence 2e = 500 Hz.
0.2
|Se(f)|
0.1
0
-5 -3 -1 0 1 3 5
f
Les signaux périodiques ont un spectre non borné, dans ce cas il y aura toujours repliement, car
nous ne connaissons pas la valeur de fmax, fréquence maximale contenue dans ces signaux pour
bien choisir Fe afin de respecter la condition de Shannon.
C’est le genre de problème que l’on rencontre avec les oscilloscopes numériques.
L’oscilloscope numérique n’affiche pas directement le signal mesuré comme l’oscilloscope
analogique. Le signal passe à travers un convertisseur analogique/numérique CAN, pour être
ensuite visualisé à l’écran. C’est pourquoi la fréquence d’échantillonnage est aussi importante
que la bande passante.
2- Filtre anti-repliement
Nous avons vu dans le paragraphe précédent que le repliement de spectre se produit toujours
lorsque le signal périodique contient des harmoniques dont les fréquences se trouvent au-delà
F
de la moitié de la fréquence d'échantillonnage 2e . Il est donc indispensable de filtrer le signal
analogique pour éliminer ces harmoniques afin d'éviter ce repliement de spectre. C’est le filtre
anti-repliement. Le filtre anti-repliement parfait est un filtre passe-bas idéal de fréquence de
F
coupure 2e placé avant l’échantillonneur comme le montre le schéma suivant :
L’oreille humaine entend les sons de fréquences comprises entre 20 Hz (grave) et 20 kHz
(aigu). Avant d’échantillonner un signal audio, on va placer en amont un filtre qui a pour but
d’éliminer toutes les fréquences supérieures à 20 kHz pour ne garder que les fréquences que
l’oreille est capable d’entendre.
L’échantillonnage idéal est théorique. Il n’est donc pas réalisé avec une impulsion infiniment
brève, mais au contraire avec une impulsion de largeur finie assimilable à une fonction porte.
On utilise un train de créneaux étroits dont la durée de chaque créneau est τ.
p(t)
1
0.5
0
-2Te -Te 10 1 Te 2Te
− t
τ τ
+∞ +∞
t t − nTe
pτ (t) = rect( ) ∗ ∑ δ(t − nTe ) = ∑ rect ( )
τ τ
n=−∞ n=−∞
Le spectre est :
+∞ +∞
t t
Pτ (f) = 𝒯ℱ[pτ (t)] = 𝒯ℱ [rect( ) ∗ ∑ δ(t − nTe )] = 𝒯ℱ [rect( )] × 𝒯ℱ [ ∑ δ(t − nTe )]
τ τ
n=−∞ n=−∞
+∞ +∞
1
Pτ (f) = τsinc(τf) × ∑ δ(f − nFe ) = τFe ∑ sinc(τnFe ) δ(f − nFe )
Te
n=−∞ n=−∞
P(f)
0
0 1 1
f Te τ
Fig.IV.24 Spectre du train d’impulsion rectangulaire
IV-2 QUANTIFICATION
La quantification est l’étape qui suit l’échantillonnage lors de la numérisation d’un signal. Nous
avons vu que l’échantillonnage est la discrétisation de l’axe des temps, c’est l’axe des abscisses.
Il faut maintenant discrétiser l’axe des amplitudes qui est l’axe des ordonnées, c’est la
quantification (Fig.IV.25).
signal analogique
Signal échantillonné
IV-2-1 Définition
Quantifier une valeur x réelle, (point noir sur la figure (IV.26), appartenant à un sous intervalle
[xn ,xn+1] d’un intervalle [-xmax ,+xmax], consiste à remplacer cette valeur x par la valeur Q(x)=xn
choisie dans un ensemble fini de valeurs possibles, suivant une certaine loi, par exemple par
défaut, par excès, ou autres...La loi choisie pour la figure (IV.26) est le milieu de l’intervalle
représenté par les étoiles.
Pour attribuer un nombre à cette valeur réelle, il faut subdiviser l’intervalle [-xmax ,+xmax] en L
sous intervalles de taille :
2xmax
q=
L
x Q Q(x) = xn
xn xn+1 xn+3
-xmax xn-1 xn+2 +xmax
Fig.IV.26 Quantification
q q
Fig.IV.27 Quantification
Sur la figure (IV.27), on constate que la valeur -1.25 appartient au sous intervalle [-1.5 , -0.75],
elle va être remplacée par la valeur -1.125 qui est le milieu de cet intervalle. De la même
manière :
000
CAN 111
010
Après l’échantillonnage, une deuxième opération consiste à attribuer à chacun des échantillons
s(nTe) se trouvant dans un sous intervalle [Sn , Sn+1], une valeur approchée sn = Q(s(nTe)),
choisie dans un ensemble fini de valeurs possibles, c’est la quantification. La troisième
opération est le codage qui consiste à coder en binaire sur un nombre fini de bits chaque niveau
quantifié. Chaque bit pouvant prendre deux valeurs (0 ou 1). Un convertisseur à n bits possède
donc 2n niveaux de quantification (2n niveaux de tension répartis de -smax à smax).
Le pas de quantification ou LSB (Least Significant Bit, le bit de poids faible) appelé aussi
quantum est la plus petite valeur de tension que peut détecter le convertisseur CAN. Il peut
s’exprimer en fonction des valeurs extrêmes ±smax par :
smax − smin
q=
2n
q exprimé en Volt.
n est le nombre de bit avec lequel la tension est numérisée.
Si le pas est constant, on parle de quantification uniforme ou linéaire (Fig.IV.29).
q q q q
Tableau IV.3.
IV-2-3 Exemple
Numérisons le signal analogique de la figure (IV.31).
Signal analogique
+Smax
smax smax
q= =
22 4
+Smax
3smax Q(s(nTe))
s4max q
2
smax
4
0
Te 10Te 20Te 30Te 40Te 50Te 60Te
s𝑚𝑎𝑥 s𝑚𝑎𝑥
smax ⁄4 ⁄4
Le premier échantillon vaut volts, il correspond au = s𝑚𝑎𝑥 = 1er code, en binaire
4 q ⁄4
sur 2 bits on obtient 01.
3A 3A⁄ 3A⁄
4 4
Le dernier échantillon vaut volts, il correspond au = A⁄ = 3ème code, en binaire sur 2
4 q 4
bits on obtient 11… et ainsi de suite. A la fin le signal numérique est :
+Smax
0
Te 10Te 20Te 30Te 40Te 50Te 60Te
Exemple 6 :
La quantification par arrondi consiste à choisir la valeur la plus proche de la valeur donnée.
Toutes les valeurs des échantillons qui vérifient la relation :
1 1
(n − ) q ≤ s(nTe ) ≤ (n + ) q
2 2
seront arrondies à :
Q(s(nTe )) = nq
La figure (IV.34) montre que la caractéristique de quantification par arrondi est une suite
d’escalier centré de hauteur q.
Signal quantifié par arrondi Caractéristique de la quantification par arrondi
10
3q
5 2q
Q(s(nTe))
q
0 0
-q
-5 -2q
-3q
-10
0 1 2 3 4 5 -5q/2 -q/2 0 q/2 5q/2
-3
x 10 s(nTe)
La troncature d’un nombre est sa partie entière. C’est le nombre entier qui est immédiatement
inférieur ou égal au nombre réel en question.
Exemple 7 :
La quantification par troncature consiste à choisir la valeur qui est immédiatement inférieur à
la valeur en question. Toutes les valeurs des échantillons qui vérifient la relation :
nq ≤ s(nTe ) ≤ (n + 1)q
on leur associe :
1
Q(s(nTe )) = nq ou (n + ) q
2
La figure (IV.35) montre que la caractéristique de quantification par troncature est aussi une
suite d’escalier de hauteur q.
q
0 0
-q
-5 -2q
-3q
-10
-10
0 1 2 3 4 5 -10 -3q -2q -q 0 q 2q 3q 10
-3
x 10 s(nTe)
Sur les graphiques ci-dessus, l’erreur par troncature est à valeur moyenne égale à q/2, alors que
l’erreur par arrondi est à valeur moyenne nulle.
q q/2
q/2 0
0 -q/2
t0 t0
2
1 qt 2 q2
e = ∫ ( ) dt =
t0 t0 3
0
On peut constater que la valeur efficace du bruit est deux fois plus petite que celle de la
troncature, c’est pourquoi la plupart des quantificateurs procèdent par arrondi.
5 5
X: 0.00304
Y: 0.6115 X: 0.00307
Y: 0.1546
0 0
-5 -5
0 1 2 3 4 5 0 1 2 3 4 5
-3 -3
x 10 x 10
La figure (IV.37) montre que la sinusoïde quantifiée à 5 bits est bien plus proche de la sinusoïde
initiale que celle quantifiée à 3 bits. Le bruit de quantification qui représente l’écart entre la
courbe bleu et le courbe rouge est beaucoup plus faible pour n = 5 bits que pour n = 3 bits. Plus
n est élevé, plus q est petit, meilleure est donc la précision
La quantification est plus précise pour n = 5 bits que pour n = 3 bits, la qualité du signal
numérisée est meilleure.