Chapitre 2

Compression d’images
 Rappels:
• L’image est une matrice
de pixels
• La netteté des images
dépend de leur
résolution

Master 2 ESE Octobre 2022 2

 Pixels
• Une image numérique est composée d'un
ensemble de pixels (picture elements).

Master 2 ESE Octobre 2022 3

• Le pixel est le plus petit élément que l'on peut
trouver dans une image.
Chaque pixel possède ses caractéristiques
propres - couleurs, luminosité, brillance - qui
permettent de les différencier et de composer
les images.
• Par exemple…, après de nombreux zooms on
distingue très nettement les pixels.

Master 2 ESE Octobre 2022 4

 Matrice
• Les pixels (picture elements) sont juxtaposés en
lignes et en colonnes.

• Dans une image, chaque pixel est alors défini par

ses abscisse et ordonnée.
• Le stockage de l’image en mémoire est réalisé en
conservant les données attachées à chaque pixel
dans un tableau ou matrice (à chaque pixel
correspondra une case de la matrice).
Master 2 ESE Octobre 2022 5
 Définition d’une image
• Une image numérique se définit par sa
résolution, son nombre de couleurs
(profondeur) et son format.

Master 2 ESE Octobre 2022 6

 La résolution
• La résolution correspond au nombre de pixels qui
composent l'image pour une unité donnée (cm ou
pouce).
• Exprimée en ppp (pixels par pouce), ppi (pixels per
inch)
Exemple: Une image de 1x1cm scannée à 300 points
par centimètre fera 300x300 pixels.
• La résolution et les dimensions d’une image
déterminent la qualité de l’image ET la taille du
fichier.

Master 2 ESE Octobre 2022 7

 La profondeur
• La profondeur de couleurs est le nombre maximal de
couleurs que peut avoir une image. Ce nombre
maximal (modifiable) est toujours une puissance de 2.
Les profondeurs les plus utilisées sont 2, 16, 256,
65 536 et 16.777.216 couleurs.

• Exemples:
– une image en 2 couleurs - noir et blanc
– 16 couleurs – les tons de gris, ou en couleur où chaque pixel
à une palette de 16 couleurs
– 256 couleurs - les premiers jeux vidéos

Master 2 ESE Octobre 2022 8

 Le format d’image
• Le format d’image correspond à son mode d'enregistrement,
et à son mode de compression.

• De nombreux formats d’image : PSD,GIF, BMP, JPEG, TIFF etc.

Certains permettent de compresser l'image.

• Exemple: Une image de 10 cm sur 10, avec une résolution de

300 pixels par cm et en 16 millions de couleurs génère un
fichier de plus de 4000 kilo-octets (ko) en BMP et seulement
de 52 ko en JPEG.

• Les trois lettres à la fin du titre d’un fichier indiquent

généralement son format .psd .jpg .tif .doc

Master 2 ESE Octobre 2022 9

 La compression d’images
• Pourquoi?
• Réduire la taille du fichier informatique

• Mais la compression s'accompagne

généralement d'une perte de qualité de
l'image

Master 2 ESE Octobre 2022 10

POURQUOI EST-IL POSSIBLE DE COMPRIMER ?

•Redondance statistique des données

homogénéité des images
similitude entre images successives

•Redondance psychovisuelle
•limites du système visuel humain

•Un algorithme de compression (ou codage) doit exploiter au maximum la

redondance des données.

Master 2 ESE Octobre 2022 11

 Algorithmes de compression
Types d’algorithme
• Algorithmes sans perte (lossless)
 Reconstruction parfaite
 Basés sur la redondance statistique
 Faible rapport de compression

• Algorithmes avec perte (lossy)

 Image reconstruite différente de l’image originale
 Basés sur la quantification
 Redondance psychovisuelle : “visually lossless”
 Rapport de compression élevé

Master 2 ESE Octobre 2022 12

Compression sans pertes ou compactage
• Certaines applications nécessitent une compression
sans perte d'information (domaine médical). Dans
ce cas, l'opération de quantification n'interviendra
pas et seules les opérations réversibles de mapping
et de codage seront utilisées.

• Plusieurs méthodes sont employées parmi

lesquelles le codage à longueur variable, le codage
en plans de bits et le codage prédictif.
Master 2 ESE Octobre 2022 13
Codage à longueur variable:
La philosophie de base de cette méthode est la
réduction de la redondance de codage par
affectation de codes " longs " pour les items rares
et de codes " courts " pour les items fréquents.
.

Master 2 ESE Octobre 2022 14

 15

Algorithme de Huffman :

Le codage de Huffman est un code appartenant à la famille des

codages à longueur variable

L’algorithme de Huffman est certainement le plus utilisé en

raison de sa gratuité, sa simplicité et son efficacité.

Un grand nombre de normes de compression d’images le

préconisent. C’est le cas de JPEG et MPEG en particulier.

L’algorithme de Huffmann a été décrit pour la première fois en

1952. L’algorithme crée des codes de longueurs variables en
fonction des probabilités fournies par un modèle.

Master 2 ESE Octobre 2022

Les symboles sont d’abord triés et classés en fonction de leur
fréquence (occurrence). Un graphe est alors construit de la
manière suivante :

A partir des deux symboles présentant la fréquence la plus faible,

un nœud est créé. Il lui est affecté un poids égal à la somme des
fréquences des deux symboles.

Le nœud créé remplace désormais les deux symboles dans la

suite du processus. A ces derniers sont affectés respectivement
les chiffres binaires 0 pour le plus fréquent et 1 pour le plus rare,
(ou l’inverse, il s’agit d’une convention totalement arbitraire).

La même démarche est reprise en considérant les deux symboles

ou nœuds de poids le plus faible. Elle est renouvelée tant qu’il
reste plus d’un nœud libre.
Master 2 ESE Octobre 2022 16
 17

Exemple :
Soit un message de 36 caractères, composé des caractères A, B, C,
D et E qui apparaissent selon les fréquences suivantes :
Symboles : A B C D E
Fréquences : 7 6 5 14 4
Le graphe ci-dessous fait apparaître les symboles depuis le plus
fréquent (D) jusqu’au moins fréquent (E).
Les symboles C et E fusionnent vers un même nœud de poids 5+4=9

Master 2 ESE Octobre 2022

 18
Puis les symboles ou nœuds de poids les plus faibles sont à nouveau
considérés : il s’agit ici de 2 symboles à nouveau : A et B
Le processus est renouvelé avec le nœud de poids 9 et celui de
poids 13.

Il reste enfin à fusionner le nœud de poids 22 et le symbole restant,

de poids 14 :
Master 2 ESE Octobre 2022
La deuxième phase de l’algorithme consiste à « redescendre » ce graphe binaire,
en affectant à la branche conduisant au poids le plus faible, la valeur 0 par
exemple, et 1 à l’autre. On obtient :

Master 2 ESE Octobre 2022 19

Le codage obtenu est donc :
D (occurrence =14) : 0
A (occurrence =7) : 111
B (occurrence =6) : 110
C (occurrence =5) : 101
E (occurrence =4) : 100

Le symbole le plus fréquent a obtenu le code le plus court, les autres

ont, dans cet exemple, des longueurs équivalentes.
Quelle est la longueur moyenne de code ? 1 bit pour D qui apparaît 14
fois dans le message, 3 bits pour les autres qui apparaissent 22 fois en
tout.

lm = (1*14 + 3*7+3*6+3*5+ 3*4)/36=80/36=2.22

Master 2 ESE Octobre 2022 20

Algorithme de Shannon-Fano (ou de Fano) :

L’algorithme de Shannon-Fano est le suivant :

1) on classe les symboles par ordre de probabilités décroissantes;

2) on partage l’ensemble des symboles en deux sous-ensembles,

les 2 sous-ensembles doivent être de probabilités aussi proches
que possible;

3) on attribue à chaque sous-ensemble l’état 0 ou 1;

4) on re-partage chaque sous-ensemble en deux sous-ensembles

de probabilités aussi proches que possible, on attribue à chaque
nouveau sous-ensemble l’état 0 ou 1, etc.
L’algorithme est arrêté lorsque l’on atteint des sous-ensembles ne
comportant qu’un symbole.
Master 2 ESE Octobre 2022 21
Prenons le même exemple :

Symboles : A B C D E
Fréquences : 7 6 5 14 4
Une fois ordonnée par fréquences décroissantes,
la liste de symboles est partagée en 2 ensembles
de probabilités les plus proches (sommes des
probabilités des symboles les composant) :

Master 2 ESE Octobre 2022 22

Les autres découpages possibles présentent des disparités supérieures.
Chaque sous-ensemble est décomposé selon le même principe. On aboutit à :

Master 2 ESE Octobre 2022 23

Chaque sous-ensemble ne contient qu’un symbole. Le processus est alors arrêté et le24
codage est effectué en partant du sommet de la hiérarchie obtenue, en choisissant
0 pour la probabilité la plus forte par exemple :

Le codage obtenu est donc :

D (occurrence =14) : 00
A (occurrence =7) : 01
B (occurrence =6) : 11
C (occurrence =5) : 100
E (occurrence =4) : 101
Master 2 ESE Octobre 2022
Les symboles les plus fréquents ont là encore obtenu les 25
codes les plus courts.
Quelle est la longueur moyenne de code ? 2 bits pour D, A
et B qui apparaissent au total 27 fois dans le message, 3
bits pour les 2 autres qui apparaissent 9 fois en tout.

lm = (2*27 + 3*9)/36=81/36=2.25

Le résultat est très proche de celui obtenu par Huffman.

Le décodage pourra se faire sans ambiguïté. Il faut toutefois

fournir la table de correspondance entre les codes obtenus
et les symboles de départ : on parle de dictionnaire.

Master 2 ESE Octobre 2022

Peut-on parler de compression ? Le taux de compression
peut se définir comme le rapport entre la taille du
message dans son code d’origine, et la taille du message
après re-codage.

Pour effectuer la comparaison, on peut considérer que les

symboles sont des caractères, codés généralement sur 1
octet (8 bits). Mais sur cet exemple ne faisant appel qu’à 5
caractères différents, il est plus juste de considérer qu’un
codage à taille fixe nécessiterait 3 bits pour chaque
symbole, soit 3*36 = 108 bits pour le message complet.
Le taux de compression obtenu est donc de 108/80 = 1.35
Master 2 ESE Octobre 2022 26
 27

Si on considère qu’il faudrait ajouter le dictionnaire pour

retrouver le format d’origine, la compression risque ici de
ne pas être valable ! Elle devient intéressante pour des
messages longs (la taille du dictionnaire devient
négligeable) et des grandes disparités dans les
occurrences.

Master 2 ESE Octobre 2022

 28

Dans la pratique, les algorithmes de codage entropique

ne sont pas utilisés directement sur les valeurs des
pixels de l’image, mais sur des grandeurs obtenues
après transformation des valeurs des pixels.

Master 2 ESE Octobre 2022

 29
Codages par longueur de plages
La solution adoptée dans la méthode appelée RLE (Run Length
Encoding) ou RLC (Run Length Coding) consiste à créer une
extension en changeant le support d’information.

On forme, en lisant l’image ligne par ligne, des couples {longueur de

plage, intensité}, où la longueur de plage est le nombre de pixels
consécutifs ayant la valeur intensité.

C’est une méthode très simple si l’image comporte de nombreuses

« plages » de valeurs identiques : il est alors avantageux de coder la
longueur (le nombre de symboles identiques) et la valeur de chaque
plage.

Master 2 ESE Octobre 2022

Exemple 1 : soit la suite suivante, correspondant à des niveaux de gris
prélevés dans une ligne d’image :
11, 11, 15, 16, 16, 16, 16, 25, 25, 25, 31, 31, 31, 31, 31, 8
Le codage par plage d’un tel signal donne la suite des paires de
nombres suivantes : (2, 11), (1, 15), (4, 16), (3, 25), (5, 31), (1, 8)
fournissant un nouveau codage de la ligne :
2 11 1 15 4 16 3 25 5 31 1 8

Master 2 ESE Octobre 2022 30

Méthodes à base de dictionnaires 31

Les codages par dictionnaire sont fondés sur la

constitution d’une suite de motifs, apparaissant dans le
flux du message.

Ces motifs remplissent un dictionnaire, où ils sont

indexés, et lorsque les motifs réapparaissent, ils sont
simplement codés par leur index dans ce dictionnaire

Master 2 ESE Octobre 2022

 32

Exemple :
Soit la chaîne d’entrée utilisant 3 caractères :
abacbacbababaaaaaaa
La table des chaînes préfixes correspondantes est la
suivante :
a : 1 b : 2 c : 3 (symboles élémentaires), puis :
ab : 4 ba : 5 ac : 6 cb : 7 bac : 8 cba : 9 aba : 10
abaa : 11 aa : 12 aaa : 13 aaaa : 14
La chaîne codée devient donc :
1 2 1 3 5 7 4 10 1 12 13, liste qui sera codée en
binaire.

Master 2 ESE Octobre 2022

 Compression avec pertes
• Les techniques de compression avec pertes se
décomposent généralement en deux ou trois
phases :
 une phase de décorrélation du signal original
(élimination d’une part de l’information
redondante);
 éventuellement une phase de quantification
(élimination d’une part d’information non
redondante mais jugée non indispensable);
 enfin une phase de compression proprement
dite (application d’un codage entropique sur le
signal décorrélé et quantifié).
Master 2 ESE Octobre 2022 33
 Méthodes irréversibles : motivation

• Compression sans perte : taux de compression

faible (R2.5)
• L ’œil est peu sensible à certaines modifications
de l ’image.
Compression avec perte : introduction d ’une
distorsion dans l ’image codée.

ex : JPEG : R20 pour une distorsion quasi-invisible.

Master 2 ESE Octobre 2022 34
 Caractéristiques du système visuel humain (SVH)
• Caractéristiques du SVH
– perception de la luminance : l ’œil est plus sensible aux faibles
intensités.

– sélectivité spatio-fréquentielle : l ’acuité varie suivant l ’orientation et

la fréquence spatiale
• acuité forte aux basses et moyennes fréquences, faible aux hautes fréquences

– sensibilité au contraste : l ’œil est plus sensible aux contrastes qu’à la

luminance absolue.

– Effet de masquage : la présence de signaux de forte amplitude peut

masquer la présence des signaux voisins plus faibles.

• Prise en compte des caractéristiques du SVH : suppression des

informations auxquelles l ’œil est peu sensible -> compression

Master 2 ESE Octobre 2022 35

 Mesure de la distorsion
• Mesure de la distorsion très complexe sur les images
– sensibilité de l ’œil variable suivant les fréquences spatiales.

• Mesure simplifiée : EQM (Erreur Quadratique

Moyenne) est aussi appelée MSE (mean square error)
1 N
EQM    x'i  xi 2
N i 1

• Rapport Signal à Bruit (SNR : Signal to Noise Ratio)(en

dB)  N 
  xi 2

 i 1 
SNR  10 log 10  N 
   xi  x'i  
2

Master 2 ESE Octobre 2022  i 1  36

• Rapport Signal à Bruit Crête (PSNR : Peak
Signal to Noise Ratio)(en dB)

 
 2

 N .xMax 
PSNR  10. log 10  N 
   xi  x'i  
2

 i 1 

Master 2 ESE Octobre 2022 37

 Distorsion : ordres de grandeur
Exemple : image JPEG, niveaux de gris

Qualité visuelle REQM PSNR (dB) Bits/pixel Taux de

(EQM) compression
Pas de distorsion 2.6 40 1.5 5.3
visible
Excellente 3.2 38 1 8

Moyenne 3.8 36.5 0.75 10.7

Médiocre 4.7 34.7 0.5 16

mauvaise 7.3 31 0.25 32

Master 2 ESE Octobre 2022 38

Exemple : distorsion après codage JPEG

Master 2 ESE Octobre 2022 39

Dans les méthodes de compression avec
distorsion appliquées à des images, on
peut trouver:
- des techniques de quantification (scalaire ou
vectorielle),
- des techniques de prédiction,

- des méthodes de transformation,

- des méthodes fractales…

Master 2 ESE Octobre 2022 40
 Algorithmes de compression avec pertes

 La compression de type JPEG (JFIF, TIF-JPEG) : pour

images en 24 bits, excellente compression mais effet de
mosaïque pouvant être visible, taux contrôlable par facteur
de qualité, relativement rapide.

 La compression fractale (FIF : Fractal Image Format) :

pour images de 8 à 24 bits, taille ajustable sans effet de
pixellisation, mais présentant un effet de flou aux plus forts
taux de compression, très lent en compression,
décompression rapide et progressive.

Master 2 ESE Octobre 2022 41

 La compression par ondelettes (WI : Wavelet
Image, JPEG2000) : excellente qualité,
réglable, flou à fort taux de compression,
pour images de 8 à 24 bits, rapide, taux
contrôlable par facteur de qualité. Technique
en progression.

Master 2 ESE Octobre 2022 42

Exemple: Approches par transformation

Master 2 ESE Octobre 2022 43

 Norme JPEG
Après une longue période de recherche et de
développement, avec la participation d’une
très grande communauté scientifique, le JPEG
est devenu un standard international en 1993.

Master 2 ESE Octobre 2022 44

 JPEG ( Joint Photographic Experts Group)

Cette méthode de compression est beaucoup plus

efficace sur les images photographiques
(comportant de nombreux pixels de couleurs
différentes) et non sur des images géométriques,
car sur ces dernières, les différences de nuances
dues à la compression sont très visibles.

Master 2 ESE Octobre 2022 45

Principe de Compression JPEG:

Cet algorithme est de type “Lossy” car il y a perte

d’information : en effet, cette technique profite des
imperfections de la perception de l'oeil humain. L'oeil
perçoit mieux les contrastes sur les faibles que sur les
fortes intensités; cette propriété a des conséquences sur le
nombre de niveaux qui servent à coder l'image; celui-ci
pourra être plus faible pour les faibles intensités.

Ex : Sur une zone de l'image fortement éclaircie, les valeurs

du signal vidéo pourront être codées sur 5 bits (32 niveaux)
au lieu de 8 bits (256 niveaux).
Master 2 ESE Octobre 2022 46
L'oeil est plus sensible à l'intensité lumineuse qu'à la couleur;
Ce qui va permettre de numériser la composante couleur de
l'image (chrominance), avec moins d'échantillons sans
dégradation apparente. Rapport de 1 à 2 par rapport à la
luminance.

L'oeil enfin, agit comme un intégrateur sur les hautes

fréquences spatiales des images. Ainsi, on peut directement
éliminer certaines informations correspondant aux hautes
fréquences de l'image, ce qui a pour effet de créer des portions
d'images plus uniformes, et donc favoriser les opérations
d'élimination de redondance.

Master 2 ESE Octobre 2022 47

Algorithme JPEG

L’image est décomposée en blocs de 8x8 pixels codés en

Chrominance-luminance auxquels on applique une
transformation en cosinus discret (DCT) qui permet de repérer
le niveau des détails. Un processus de quantification permet
ensuite de supprimer les détails non significatifs. Un codage
RLE réduit les zéros consécutifs puis un codage de Huffman
assure une compression de l’ensemble.

Le taux de compression pourra être choisi selon la définition

désirée, il est élevé car il s’agit d’une compression avec pertes.

Master 2 ESE Octobre 2022 48

Algorithme JPEG

Master 2 ESE Octobre 2022 49

Algorithme JPEG : ETAPE 1 : Segmentation
Découpage en blocs : Le format JPEG, comme le font généralement les
algorithmes de compression à perte, commence par découper l’image
en blocs carrés de 64 (8 × 8).

Master 2 ESE Octobre 2022 50

Algorithme JPEG : ETAPE 2 : Transformation des
couleurs.

JPEG est capable de coder les couleurs sous n’importe

quel format, toutefois les meilleurs taux de compression
sont obtenus avec des codages de couleur de type
luminance/chrominance tels que YUV, YCbCr car l’œil est
assez sensible à la luminance mais peu à la chrominance.

Master 2 ESE Octobre 2022 51

Algorithme JPEG : ETAPE 3 : Sous-échantillonnage

Master 2 ESE Octobre 2022 52

Algorithme JPEG : ETAPE 3 : Sous-échantillonnage

La façon la plus simple d’exploiter la faible sensibilité de

l'œil à la chrominance est simplement de sous-
échantillonner les signaux de chrominance.

Master 2 ESE Octobre 2022 53

Algorithme JPEG : ETAPE 4 : La transformée DCT

(Discrete Cosine Transform, en français transformée en

cosinus discrète), est une transformation numérique qui
est appliquée à chaque bloc.
Cette transformée est une variante de la transformée de
Fourier.
Cette méthode permet de décrire chaque bloc en une
carte de fréquences et en amplitudes plutôt qu'en pixels
et couleurs.
La valeur d’une fréquence reflète l’importance et la
rapidité d’un changement.

Master 2 ESE Octobre 2022 54

 I.3. JPEG ( Joint Photographic Experts Group)
Algorithme JPEG : ETAPE 4 : La transformée DCT

En particulier, le coefficient d’ordre (0,0), appelé aussi coefficient

DC, représente la composante continue, c’est-à-dire la luminance
moyenne du bloc. Plus l’ordre du coefficient augmente, plus il
exprime une variation spatiale de haute fréquence, dans le sens
horizontal ou vertical de l’image. Il est évident que, pour la
plupart des blocs, tant la luminance que la chrominance seront
plus ou moins constantes, ce qui se traduira par : - des
coefficients de la DCT de valeur importante, pour les ordres
faibles (basses fréquences), - des coefficients peu significatifs
pour les ordres élevés. En sorte, On traduit le bloc de pixels en 64
coefficients d’éloignement par rapport à la moyenne.

Note : la DCT est une opération réversible, si tous les coefficients

sont conservés Master 2 ESE Octobre 2022 55
Algorithme JPEG : ETAPE 4 : La transformée DCT

La transformée DCT s’exprime mathématiquement par :

Et la transformée DCT inverse s’exprime par :

Dans les deux cas, la constante C vaut :

Master 2 ESE Octobre 2022 56

Algorithme JPEG : ETAPE 4 : La transformée DCT

Master 2 ESE Octobre 2022 57

Algorithme JPEG : ETAPE 4 : La transformée DCT
Matrice (bloc de pixels) de base :

Matrice d’origine.

Master 2 ESE Octobre 2022 58

Algorithme JPEG : ETAPE 4 : La transformée DCT
En effectuant la transformée DCT on obtient la matrice
des fréquences suivante :

Équation 5 : Matrice transformée DCT.

Master 2 ESE Octobre 2022 59
Algorithme JPEG : ETAPE 4 : La transformée DCT

Master 2 ESE Octobre 2022 60

Algorithme JPEG : ETAPE 4 : La transformée DCT
En effectuant la transformée DCT on obtient la matrice
des fréquences suivante :

Matrice transformée DCT.

Master 2 ESE Octobre 2022 61
Algorithme JPEG : ETAPE 5 : La quantification

La quantification est l’étape dans laquelle on perd réellement des

informations (et donc de la qualité visuelle), mais c'est celle qui
fait gagner beaucoup de place (contrairement à la DCT, qui ne
compresse pas).
La DCT a retourné, pour chaque bloc, une matrice de 8×8
nombres. La quantification consiste à diviser cette matrice par
une autre, appelée matrice de quantification, et qui contient 8×8
coefficients savamment choisis par le codeur.
Le but est ici d’atténuer les hautes fréquences (les valeurs de
coefficients faibles), c’est-à-dire celles auxquelles l’œil humain est
très peu sensible. Ces fréquences ont des amplitudes faibles, et
elles sont encore plus atténuées par la quantification (les
coefficients sont même ramenés à 0).
Master 2 ESE Octobre 2022 62
Algorithme JPEG : ETAPE 5 : La quantification

Une photo de fleur compressée en JPEG, avec des

compressions de plus enMaster
plus fortes, de gauche à droite.63
2 ESE Octobre 2022
Algorithme JPEG : ETAPE 5 : La quantification

Matrice quantifiée : F*(i,j)= F(i,j) / Q(i,j) 

Considérons la matrice de quantification suivante :

Master 2 ESE Octobre 2022 64

Algorithme JPEG : ETAPE 5 : La quantification

Ce qui donne comme matrice des fréquences quantifiée :

Matrice quantifiée.

Master 2 ESE Octobre 2022 65

Algorithme JPEG : ETAPE 6 : Codage, compression RLE et
Huffman

Viennent enfin deux encodages sans perte, qui

réduisent encore le bitrate :

• Un codage RLE qui code plutôt les séquences de zéros;

• Un codage de type Huffman, qui accorde aux

symboles les plus fréquents les codes les plus courts.

Master 2 ESE Octobre 2022 66

Algorithme JPEG : ETAPE 6 : Codage, compression RLE et
Huffman

Le codage s’effectue en zigzag comme le montre la figure

suivante et se termine par un caractère de fin :

Ordre de codageMaster
défini par la norme JPEG.
2 ESE Octobre 2022 67
Algorithme JPEG : ETAPE 6 : Codage, compression RLE et
Huffman

Lorsqu’on regarde l’exemple présenté à la section

précédente, la matrice quantifiée possède des 0 et -1
non en séquence. Le codage de Huffman a pour but
d’attribuer un code de petite taille à une valeur
fréquente dans la matrice. Il permet une compression
statistique des données.

Ce codage nous délivre deux tables (quantification et

huffman) qui sont enregistrées dans le fichier final.
Master 2 ESE Octobre 2022 68