Codage Source PDF

ESIEE : Signaux et
Télécommunications
Codage de source
03 octobre 2008 ESIEE – Pascale JARDIN 1/54

Introduction
Le codage de source ou compression des données sert à fournir une
représentation efficace des données (un taux de compression important) tout en
préservant l’information essentielle qu’elles portent. Il est employé pour le stockage
ou la transmission de ces données (on appelle données le résultat de la
numérisation de signaux comme ceux de parole ou d’images ou plus généralement
les données disponibles sur un fichier d’ordinateur) .
Le codage de source est d’autre part connecté à d’autres applications techniques
telles que la classification d’images, la reconnaissance vocale,...
Le bloc diagramme d’un système de compression est le suivant :
données données données

source codeur codées Décodeur
(suite
X binaire) reconstituées
B
La théorie de l’information développée par Shannon dans les années 1940-1950

fournit des idées fondamentales pour la conception d’un grand nombre de
techniques de codage de source. Une idée est que des messages numériques
peuvent être comprimés en associant les mots de code les plus courts aux
messages les plus probables et que le taux de compression (sans perte) maximum
que l’on peut atteindre peut être déterminé à partir d’une description statistique des
messages. Cette stratégie conduira à un codage à débit variable et à des techniques
de codage sans perte (ou codage entropique) c’est-à-dire telles que les données
reconstituées soient identiques aux données source.
Une autre idée est que les systèmes de codage sont plus performants lorsqu’ils
opèrent sur des vecteurs (ensemble d’échantillons) plutôt que des échantillons
individuels. Cette idée a été indirectement exploitée dans les années 70 lorsque l’on
a effectué des pré-traitements tels que la prédiction ou une transformation avant de
quantifier scalairement les échantillons. Elle a ensuite été pleinement utilisée dans
les années 80 avec les techniques de quantification vectorielle. Toutes ces
techniques (qui opèrent une quantification des données) font partie des techniques
de compression avec perte. Les données reconstruites ne coïncident pas avec les
données source mais sont (idéalement) perceptuellement non distinctes de celles-ci.
La plupart du temps le système obtenu pour ces techniques est à débit fixe.
ESIEE – Département signaux et télécommunications

comp2008.doc Pascale JARDIN Page 2 sur 54
Exemple :
On cherche à comprimer l’image 4x4 suivante où chaque pixel est caractérisé par
une couleur parmi 4 : R = « rouge », J = « jaune », B = « bleu », V = « vert » .
R R R R
R B R B
R B V B
R J J J
Codage sans perte

La méthode triviale pour transmettre cette information sous forme binaire est
d’associer un mot de code sur 2 bits à chaque couleur.
Ex : R = « 00 » B = « 01 » V = « 10 » J = « 11 »
l’image peut être codée sur 32 bits en parcourant les lignes de l’image de haut en
bas et de gauche à droite :
00 00 00 00, 00 01 00 01, 00 01 10 01, 00 11 11 11
Une méthode plus efficace tiendra compte des probabilités de chaque couleur en
opérant l’affectation de mots de taille différente à chaque couleur
R = « 1 » B = « 01 » J = « 001 » V = « 000 »
ce qui conduit à coder l’image sur 28 bits.
11111 01 1 01 1 01 000 01 1 001 001 001
Codage avec perte

Pour chaque sous bloc 2x2 de l’image on garde la couleur dominante, c’est-à-
dire :
R R
R J
ce qui donne après le codage « trivial »

00 00 00 11 8 bits
et après le codage « entropique »
1 1 1 001 6 bits
mais bien sur on ne peut pas revenir à l’image initiale avec ce codage.
Critères d’appréciation d’un codage :
Pour un codage sans perte ou cherchera à maximiser le taux de compression et à

minimiser la complexité de mise en œuvre et le retard introduit.
Pour les codages avec perte on cherchera aussi à maximiser le taux de
compression et à réduire la complexité mais aussi à avoir le moins de perte possible.

Cette « perte » sera appréciée de façon objective par des mesures de distorsion
ou de rapport signal sur bruit. Pour des signaux audio ou vidéo on évaluera la qualité
subjective des données reconstituées et on calculera des grandeurs objectives
tenant compte de nos capacités de perception (RSB perceptuel).
Codage et quantification :
Le codage consiste souvent (cas des codages avec perte) en deux opérations
successives.
La première opération est une opération de quantification qui consiste à
discrétiser l’amplitude des données (prises isolément ou en bloc, après
transformation prédiction ou non) sur un ensemble fini de valeurs {yi} i=1...L.
La deuxième opération qui est le codage proprement dit (c’est-à-dire la traduction
sous forme binaire d’un message de données) consiste à traduire en suite binaire
l’indice i du représentant yi choisi. Lorsque L = 2b on peut transmettre le résultat de la
quantification sur b bits.
Les techniques de codage sans pertes s’utilisent sur des données pouvant
prendre un nombre fini de valeurs possibles , en particulier sur des données
préalablement quantifiées. Ainsi le codage entropique, présenté dans la première
partie de ce cours sera généralement appliqué en pratique en aval d’un codage avec
perte (et quantification).

1. Codage entropique – codage sans
pertes
1.1 Introduction
Dans certains systèmes de communication, un débit fixe n’est pas toujours le plus
approprié car la source d’information présente une activité très variable (silences
dans un signal de parole, blancs dans un fac-simile). Un codage à débit variable qui
peut ajuster son débit pour s’adapter à l’activité locale (ou momentanée) de la source
est alors idéal mais généralement non directement utilisable sur un support de
transmission classique. Pour utiliser un tel support à débit fixe ,le débit moyen à long
terme doit être constant et des buffers sont nécessaires pour adapter dans les deux
sens le débit variable à court terme et le débit fixe à long terme.
Ces buffers ajoutent de la complexité au système et doivent résoudre les
problèmes d’underflow et overflow (pas assez ou trop de données pour le lien à débit
fixe).
Les systèmes de stockage sont intrinsèquement à taux variable de même que
certains systèmes de communication (par paquets).
1.2 Système de codage sans perte
Dans un système de compression sans perte, le décodeur est capable de

reconstruire exactement les données source.
Le bloc diagramme est le suivant :
codeur décodeur
X B(X) X̂
X représente le vecteur aléatoire de données source à comprimer ,c’est une

séquence de taille finie X=(X1,X2 ,… ,Xn )(n peut être arbitrairement grand).
Les échantillons Xi de X appartiennent à un alphabet fini A={a1,a2,…,aM)

( il y a déjà eu une quantification)
Exemples :
- Suite d’échantillons de chrominance et luminance des pixels d’une image
- texte (lettres de l’alphabet (26) et signes de ponctuation)
La sortie du codeur est représentée par la séquence binaire B(X)=(b1,b2,…,bk)
dont la longueur k est variable (en fonction des éléments de X et pas seulement en
fonction de n)

B(X) est le mot de code assigné à X. Étant donné que le système est sans perte
le codeur doit assigner des mots de code distincts à des vecteurs de données
distincts.
Le taux de compression est r=nlog2(M)/k où M est la taille de l’alphabet A.

La résolution est R=k/n (bits par échantillons)
Ces deux valeurs peuvent être variables mais de moyenne (statistique) constante.
1.3 Codage d’une source discrète sans mémoire
Pour une source sans mémoire les échantillons Xi du vecteur de données X à

coder correspondent à des variables aléatoires indépendantes et identiquement
distribuées (suite i.i.d.) .
Dans ce cas chaque échantillon Xi est codé (remplacé par un mot de code qui est
une suite binaire).
Le codeur fait correspondre à chaque symbole d’entrée x (réalisation d’une v.a. X
dont les valeurs possibles appartiennent à l’alphabet A) un mot de code binaire c(x)
de longueur l(x) (qui est en fait la longueur de c(x)).
Le décodeur opère la correspondance inverse et associe à des suites binaires b
des symboles y appartenant à A : d(b)=y de sorte que d(c(x))=x (codage sans
perte)
Le but du codage est de garder un nombre de bits transmis aussi faible que
possible c’est à dire que l’on cherche à minimiser la longueur moyenne du code :
−
l = E (l ( X )) = ∑ p (a )l (a )
a∈ A
1.3.1 Condition du préfixe :

D’autre part le code n’est utile que si on sait le décoder sans ambiguïté c’est à
dire si pour une suite binaire codée de longueur finie il n’y a qu’une séquence de
symboles d’entrée possible. Pour satisfaire cette condition sans introduire de
séparateurs entre les mots de code , le code doit satisfaire la condition dite du
préfixe qui stipule qu’aucun mot de code ne doit être le préfixe d’un autre mot
de code.
Exemples : {0,10,101,0101} n’est pas un code à préfixe

{0,10,110,111} est un code à préfixe
La condition du préfixe assure l’unicité du décodage du code
Les codes binaires à préfixe peuvent être représentés par un arbre binaire
tel qu’on le voit sur la figure suivante :
1 « 11 »
1 1 « 101 »
0
« 100 »
0
0 «0»

Les mots de code sont les suites de labels(‘0’ ou ‘1’) entre le nœud racine et les
nœuds terminaux (feuilles)de l’arbre
Par construction de l’arbre , aucun mot de code ne peut être le préfixe d’un autre
mot .
Un codage est l’opération d’assignation des différents mots de code aux différents
symboles de source ( éléments de A)
1.3.2 Inégalité de Kraft
La plus importante propriété des codes uniquement décodables (codes à préfixe)

est donnée par l’inégalité de Kraft :
Théorème 1: Une condition nécessaire et suffisante pour qu’un code
correspondant à la source d’alphabet A={a1,a2,…,aM) et constitué de mots de
code de longueur lk =l(ak) (k=1…M) soit uniquement décodable est que
M
∑2
k =1
−l k
≤1
Démonstration ⇒ :
Étant donnée une séquence d’entrée de K symboles X=(x1,x2,…,xK) de longueur
totale L = l(X) = l(x1)+l(x2)+…+l(xK),
Si on note N(L) le nombre total de séquences X de taille K qui sont codées par
une séquence binaire de longueur L
Si lmax représente la longueur maximale des mots de code : lmax = max (lk ;
k=1…M)
On a L<= Klmax = Lmax
Si le code est décodable de façon unique alors les N(L) séquences d’entrée
doivent générer des séquences binaires distinctes de longueur L
Puisqu’il y a 2L séquences binaires distinctes de longueur L nous devons avoir :
N(L)<=2L
M
− lk − l(a)
( ∑ 2 ) K
= ( ∑ 2 ) K
k =1 a∈ A
K
− ∑ l(ai )
= ∑ ∑ ... ∑ 2 i =1
a1∈ A a∈ A2 a K ∈ A
L
− L
max
= ∑ N (L )2
L =1
≤ L max
donc
M
∑2
k =1
−l k
≤ L1max
/K
= K 1 / K l max
1/ K
et puisque la borne est valable quelque soit K, on peut prendre la limite quand K
tend vers l’∞

ce qui donne :
M
∑2
k =1
−l k
≤1
Démonstration ⇐ :
On peut supposer sans perte de généralité que les longueurs des mots de code
sont ordonnées :
l1 ≤ l2 ≤ …≤ lM
Un mot de code de longueur l correspond à un trajet de l branches dans l’arbre
binaire commençant au noeud racine et se terminant à un nœud de profondeur l
Étant donné un ensemble de longueur lk satisfaisant l’inégalité de Kraft :
Considérons comme premier mot de code c1 une séquence binaire correspondant
à un trajet de l1 branches
Comme aucun mot de code ne peut avoir ce mot de code comme préfixe , on
coupe la branche après le nœud terminal correspondant
Prenons ensuite un trajet disponible de profondeur l2 .(Il y a 2l2-2l2-l1 possibilités) et
coupons la branche après le nœud correspondant.
Il reste pour le troisième mot de code 2l3 - 2 l3-l2 – 2l3-l1 possibilités
Pour le m ième mot de code on choisit un trajet parmi les n(m) possibilités
m −1 m −1
n(m) = 2 lm − ∑ 2 lm −lk = 2 lm (1 − ∑ 2 −lk )
k =1 k =1
si m≤M
M M M
n(m) = 2 lm (1 − ∑ 2 −lk + ∑ 2 −lk ) ≥ 2 lm ∑ 2 −lk d’après l’inégalité de Kraft
k =1 k =m k =m
et cette dernière quantité étant supérieure ou égale à 1 , il existe un mot de code

de la longueur lm souhaitée .
Ceci prouve que l’on peut trouver un code à préfixe étant donné un jeu de
longueurs obéissant à l‘inégalité de Kraft .
Cette inégalité fournit la base théorique pour calculer des bornes inférieure et
supérieure à la longueur moyenne d’un code uniquement décodable
1.3.3 Bornes pour la longueur moyenne d’un code

Avant de préciser ces bornes, examinons une proposition utile pour leur calcul.
Proposition :
Étant données deux distributions de probabilité p et q pour un alphabet commun
A (p(i) = proba (X = ai)) alors on définit la distance de Kullback - Leibler ou l’entropie
relative entre les distributions p et q par :
M
p (i )
D( p // q ) = ∑ p (i ) log 2
i =1 q (i )
On montre que cette quantité est positive ou nulle et s’interprète comme une
mesure de distance entre les deux distributions.

Démonstration :
On utilise : ∀x > 0 log 2 x ≤ ( x − 1) log 2 e
q (i )
en choisissant x =
p (i )
q (i )  q (i ) 
log 2 ≤ − 1 log 2 e
p (i )  p (i ) 
p (i )  q (i ) 
⇔ log 2 ≥ 1 −  log 2 e
q (i )  p (i ) 
⇒ D( p // q ) ≥ ∑ p (i ) log 2 e − ∑ q (i ) log 2 e
⇔ D( p // q ) ≥ 0
L’inégalité de Kraft et la proposition précédente sur la distance de Kullback

permettent de démontrer les théorèmes suivants :
Théorème 2 : Étant donné un code uniquement décodable opérant sur une

source X qui peut prendre ses valeurs dans l’alphabet fini A avec la
distribution de probabilité p alors la longueur moyenne de ce code vérifie :
ℓ ≥ H (X ) où H(X) est l’entropie de la source X
Démonstration :
Le code uniquement décodable vérifie l’inégalité de Kraft.
M
∑ k =1
2− ℓk < 1
On crée une nouvelle distribution de probabilité de la forme

 
q (i ) = a 2 − ℓi  avec a ≥ 1 pour avoir ∑ q (i ) = 1
 i 
La proposition dit que :

p (i )
∑ p(i) log 2 a 2−ℓi ≥ 0
⇔ H ( X ) ≤ −∑ p (i ) log 2 a + ℓ
⇔ H(X ) ≤ ℓ
Théorème 3 : Il existe un code uniquement décodable pour la source X de

loi p tel que la longueur moyenne du code vérifie
ℓ < H ( X ) +1
Démonstration :

Prenons la longueur ℓ k comme l’entier satisfaisant
2− ℓ k < pk < 2− ℓ k +1
alors −ℓ k ≤ log 2 pk < ℓ k + 1

⇔ − log 2 pk ≤ ℓ k < − log 2 pk + 1
( lk est le plus petit entier supérieur ou égal à − log 2 pk et le code obtenu de la

sorte s’appelle code de Shannon).
ℓ = ∑ ℓ k pk vérifie alors de façon évidente

k
H ( X ) ≤ ℓ < H ( X ) +1
par ailleurs
M M
∑k =1
2− ℓ k ≤ ∑ 2log 2 pk = 1
k =1
L’inégalité de Kraft est donc vérifiée, on peut donc effectivement construire ce

code.
Remarque : Ce sont ces deux inégalités : H ( X ) ≤ ℓ < H ( X ) + 1
(bornes pour la longueur moyenne des mots d’un code) qui sont à l’origine du
terme «codage entropique » pour le codage sans perte uniquement décodable.
Exemple :codage d’un texte en français :

Les 26 lettres de l’alphabet plus l’espace ¤ utilisées pour un texte écrit (sans
accents ni points de ponctuation) n’ont pas la même probabilité d’apparition :
P(‘e’)>..>P(‘a’)>…>P(‘w’)>…
On peut calculer ces probabilités par la mesure des statistiques d’utilisation de
chaque lettre sur une grande base de données .
Lorsqu’on connaît l’entropie H(<log2(27)) on sait que le meilleur code possible
pour ces lettres aura une longueur moyenne supérieure ou égale à H
1.3.4 Algorithme de Huffmann.

Cet algorithme consiste à construire progressivement l’arbre binaire
correspondant à un code à préfixe en partant des nœuds terminaux.
On part des listes {a1... aM } et leur probabilité {p1... pM }

On sélectionne les deux symboles les moins probables, on crée deux branches
dans l’arbre et on les étiquette par les deux symboles 0 et 1.

On actualise les deux listes en rassemblant les deux symboles utilisés en un
nouveau symbole et en lui associant comme probabilité la somme des deux
probabilités sélectionnées.
On recommence les deux étapes précédentes tant qu’il reste plus d’un symbole
dans la liste.
On montre que cet algorithme est optimal. Pour aucun autre code uniquement
décodable la longueur moyenne des mots de code n’est inférieure à celle obtenue
pour cet algorithme .
Exemple :
Symboles a1 a2 a3 a4 a5 a6
Probabilités 0,35 0,25 0,2 0,11 0,05 0,04
H(X) = 2,25
ℓ = 2, 29 a1
a2
0.6
a3
0.4 a4
a5
0.2
0.09 a6
Cet algorithme est utilisé dans la norme MPEG de codage audio et vidéo (pour
coder les coefficients de la DCT (Discrete Cosinus Transform) ).
1.4 Généralisation - codage entropique vectoriel

La double inégalité H ( X ) ≤ ℓ < H ( X ) + 1 est trop imprécise car H(X) est
généralement faible. On peut diminuer cette imprécision en appliquant les résultats
précédents à une source « étendue » c’est-à-dire en formant des vecteurs aléatoires
XN groupant N variables aléatoires X N = ( X (0) , X (1) ,..., X ( N −1) )
L’entropie de la source est alors
H ( X N ) = −∑ p X (a N ) log 2 ( p X (a N ))
N N
aN
aN est une notation pour représenter un N-uplet de valeurs prises dans l’alphabet
A.
Il y a MN possibilités pour la valeur de aN.
Les probabilités sont généralement difficiles à établir sauf dans le cas où les X(i)
sont indépendantes (source i.i.d.), auquel cas :

p X (a N ) = Π N p X (a) et H ( X N ) = NH ( X )
N a de a
Si on associe un mot de code à chaque groupe de N symboles aN, alors on a

montré qu’il existe un code dont la longueur moyenne vérifie
H (X N ) ≤ ℓN < H (X N ) +1
 
 avec ℓ N = ∑ p X (a N )ℓ(a N ) 
 aN
N

ℓN
Le nombre de bits moyen par symbole ℓ = vérifie alors :
N
H (X N ) H(X N ) +1
≤ℓ<
N N
soit pour une source i.i.d.

1
H(X ) ≤ ℓ < H(X ) +
N
Exemple : Supposons une source ne pouvant prendre que deux valeurs a1 et a2
de probabilité p1 = 0,3 et p2 = 0,7
si on code cette source on aura
a1
a2 et ℓ =1
si on forme des groupes de 2 valeurs

a1a1 a1a2 a2a1 a2a2
0,09 0,21 0,21 0,49
a2a2
a2a1
a1a2
a1a1
ℓ 2 = 0, 49 + 0, 21.2 + 0,3.3
ℓ = 0, 905

1.5 Codage arithmétique
Principe : une séquence S=(s1,…,sN) de N symboles (à valeurs dans un alphabet
fini A) est traduite par un intervalle de [0,1[ dont la longueur est égale à la probabilité
de la séquence. Cet intervalle est codé par un nombre en binaire dont la longueur
(en nombre de bits) est égale à log 2 (1 / p (S )) (   signifie entier juste supérieur à).
On montre que, pour une source i.i.d, ce codage est optimal (équivalent à un code
de Huffman déterminé pour une source N-étendue).
1.5.1 Notations
Alphabet de la source : A = {a1a2 ...aM }
Séquence : S = {s1s2 ...sN } .
On suppose la source i.i.d de distribution de probabilité : pm = p ( sn = am ) pour
m=1 :M.
m −1
On définit la distribution cumulée : c m = ∑ p i pour m=1 :M+1 avec c1 = 0 et
i =1
cM +1 = 1 .
1.5.2 Algorithme de codage

Il consiste à créer une succession d’intervalles emboîtés de la forme
φ k (S ) = α k , l k où αk désigne la borne inférieure de l’intervalle et lk sa longueur.
- Conditions initiales :
φ 0 (S ) = 0,1
- Pour k=1 :N (tant qu’il reste des symboles sk à transmettre
o On détermine m tel que sk = am
o φ k (S ) = α k , l k = α k −1 + c m l k −1 , p m l k −1
remarque : on montre aisément que les intervalles successifs sont emboîtés les
uns dans les autres.
On code φ N (S ) = α N , l N par un nombre (écrit en binaire) qui appartient à
l’intervalle. Ce nombre (la valeur du codage) peut s’écrire :
v = b1 2−1 + b2 2−2 + ... + bNB 2− NB . La précision de ce nombre 2−NB doit être inférieure
N
ou égale à la longueur de l’intervalle l N = ∏ p (s k ) = p (S ) .
k =1
D’où le nombre de bits du code associé à la séquence S : NB = log 2 (1 / p (S ))

1.5.3 Algorithme de décodage
Il se fait uniquement à partir de la valeur v du code reçu. On représente la
séquence décodée comme Sˆ (v ) = {sˆ1 (v ) sˆ2 (v)...sˆN (v)} .
- pour k=1 :N
o sˆk (ν ) = {am : cm ≤ ν < cm +1} : on détermine le symbole dont l’intervalle contient
la valeur v
ν − cm
o ν= : on « annule » la contribution du symbole sˆk (v) à la définition
pm
de v . On dilate l’intervalle [cm cm+1[ en [0 1[
Remarque : Le décodeur doit connaître le nombre de symboles N à décoder sans

quoi il continue à décoder…
1.5.4 Exemple
La source émet les symboles B (blanc) et N (noir) avec les probabilités
respectives 3/4 et 1/4. On considère la séquence : BBNBN
La figure suivante représente la progression des intervalles φ k (S ) = α k , l k lors du
codage.
9/16
1 NN NNN
NNB
NBN BBNNN
N BBNN
NB NBB BBNNB 135/256
BNN
3/4 BN l5=27/1024
BNB BBNBN
B α5=513/1024
BBN l3=9/64 BBNB
BB BBNBB
BBB
0
α3=27/64
Figure : Progression de l’intervalle φk ( S ) = αk , lk pour coder une séquence de 5 symboles dans
l’alphabet A={N,B} de probabilité p1=3/4, p2=1/4
Le code est un nombre binaire appartenant à l’intervalle [513/1024 135/256[ . Le

nombre de bits est donné par NB = log 2 (1 / l 5 ) = log 2 (1024 / 27 ) = 6 .
Un code possible est ‘1 0 0 0 0 1’ de valeur v = 33 / 64 .

Le décodage s’opère suivant le schéma donné Figure suivante :
1
N
1
(B)N 1 1 1(BBNB)N
v v v (BB)N v (BBN)B v
B 0 0
(B)B
(BB)B
0 0 0
Figure : Progression de la valeur du code et des symboles décodés durant le décodage du code ‘1 0 0 0 0 1’
sur 5 symboles pour l’alphabet A={N,B} de probabilité p1=3/4, p2=1/4
1.5.5 Optimalité du code :

Précisons qu’il faut ajouter une entête à la séquence codée qui devra comporter :
- Le nombre de symboles à décoder
- La liste des probabilités des symboles ou celle des probabilités cumulées.
- Le fait que log 2 (1 / p (S )) = log 2 (1 / p (S )) + e avec ε < 1
Considérons une entête de E bits. Remarquons que E peut être limité à ε < 1 si on
transmet plusieurs séquences de mêmes caractéristiques.
On obtient pour une séquence de N symboles : NB = log 2 (1/ p ( S )) + E
N
Le nombre de bits par symbole vaut donc : l = NB / N = −∑ log 2 ( p (s k )) + E / N .
k =1
La moyenne statistique de cette quantité vaut donc :

l = H ( X ) + E / N . Cette longueur moyenne tend vers l’entropie H(X) de la source
à transmettre lorsque N tend vers l’infini. Si l’entête se limite à ε < 1 , on obtient
l < H ( X ) + 1 / N qui est la limite attendue pour un code optimal opérant sur une
source N-étendue.
1.5.6 Utilisation du codage arithmétique

Ce codage est en particulier utilisé dans les normes nouvelles pour le codage
d’images en particulier pour la norme JPEG2000 (codage d’images fixes) et
H264/AVC (codage video). Ces deux normes utilisent une version adaptative de
l’algorithme, l’algorithme CABAC (codage arithmétique binaire adaptatif selon le
contexte).

1.6 Conclusions sur le codage entropique –
Introduction aux autres méthodes de codage (avec
pertes)
On a vu que le codage dit entropique permettait un codage sans perte ( Xˆ = X )
mais :
d’une part ce codage n’est possible que dans le cas d’une source discrète et cela
signifie qu’en pratique on l’utilisera soit sur des données discrètes par nature
(instructions de programme ...) soit après quantification de données
« naturellement » continues,
d’autre part le taux de compression R réalisé n’est généralement pas suffisant
pour la plupart des applications audio ou vidéo (typiquement 1≤R<3)
Par ailleurs pour ces dernières applications, la reconstruction exacte du signal de
départ n’est pas indispensable et les critères subjectifs (qualité perceptible du son ou
de l’image) seront les plus importants pour valider ou non les différentes techniques.
Nous allons donc maintenant décrire plusieurs méthodes de codage avec pertes.
La première d’entre elles, la quantification scalaire (chapitre 2) opère une
quantification (discrétisation en amplitude) de chaque échantillon du signal à coder.
Les valeurs quantifiées peuvent être dans le cas le plus simple (celui des
convertisseurs analogique-numérique) réparties uniformément sur un intervalle
borné : c’est la quantification uniforme, ou bien réparties de façon à minimiser la
distorsion introduite par la quantification. Cette première technique n’utilise pas la
corrélation qui existe entre les points successifs d’un signal ou les pixels proches
d’une image.
Une façon de prendre en compte cette corrélation entre échantillons est d’opérer
une transformée orthogonale (idéalement la Transformée de Karhunen Loeve) sur un
vecteur constitué d’échantillons successifs avant quantification (le décodeur
effectuera la transformée inverse).Ce sera le codage par transformée (chapitre 3).
Nous étudierons ensuite la quantification prédictive (chapitre 4) qui permet
d’extraire la corrélation existant entre les échantillons avant de les quantifier.
Enfin, on peut directement chercher à quantifier de façon optimale un vecteur
formé d’échantillons successifs ou (non exclusif) un vecteur issu d’une transformation
préalable (prédiction, transformée de Fourier). C’est la quantification vectorielle
(chapitre 5).
Nous signalerons dans chaque cas les applications des différentes techniques
pour les signaux de parole ou audio.

2. Quantification scalaire
2.1 Introduction - définition

On définit un quantificateur scalaire à L niveaux comme l’application Q :
Q: R C = {y1,..., y2}
x Q(x)
C est l’ensemble des valeurs possibles de sortie du quantificateur, il est aussi

appelé dictionnaire (ce terme sera plutôt utilisé en quantification vectorielle).
Les valeurs yi sont appelées valeurs de quantification ou représentants.
Dans la pratique, L, le nombre de représentants est fini et est égal à 2b de telle sorte
qu’on peut, lors du codage, spécifier une valeur de sorte yi par son numéro i ou b bits
(b sera la résolution du codeur).
On peut supposer sans perte de généralité que
y1 < y2 < ... < yL
Remarque :
Dans le cas d’un codage entropique utilisé après une quantification scalaire, on peut
associer des chaînes binaires (mot de code) de tailles différentes aux L valeurs yi en
fonction de leur probabilité. On obtiendra alors une longueur moyenne des mots
inférieure ou égale à b.
On associe à un quantificateur sur L représentants yi une partition des valeurs de

départ en cellules ou intervalles
Ri = {x ∈ ℜ / Q( x) = yi }
∪R i = ℜ et Ri ∩ R j = 0 ∀i ≠ j
Une cellule qui n’est pas bornée est appelée cellule de saturation ou surcharge
(overload).
Une cellule bornée est une cellule de granulation.
Le quantificateur est dit régulier si lorsque deux valeurs d’entrée a et b sont
quantifiées par la même valeur y n’importe quelle valeur comprise entre a et b est
aussi quantifiée par y.
Chaque cellule Ri est de la forme (xi-1, xi) avec yi ∈ (xi-1, xi).
Le quantificateur peut être représenté suivant le schéma :
x1 x2 xL-1
yY1
1 y2 yL
x0 = - ∞ et xL = + ∞ si toute valeur d’entrée est admissible. Si les

valeurs d’entrée sont bornées x0 et xL représentent les bornes de variation de x.

2.2 Mesure des performances d’un quantificateur
Quand une valeur d’entrée est quantifiée Q(x) = y, on introduit une erreur, l’erreur de
quantification e = x - Q(x). Cette grandeur est bien sûr aléatoire puisque x l’est.
Pour mesurer la performance du quantificateur on évalue généralement la distorsion
moyenne comme l’erreur quadratique moyenne (EQM) (MSE en anglais) apportée
par le quantificateur.
(
D = E ( X − Q( X ))
2
)
L
= ∑ ∫ (x − y )
2
i f x ( x)dx
i =1 Ri
Pour un quantificateur régulier
L xi
D=∑ ∫ (x − y )
2
i f x ( x)dx
i =1 xi −1
L’utilisation de ce critère est simple et motivée par son sens immédiat de puissance
moyenne d’un signal d’erreur.
Pourtant on sait par ailleurs que ce critère ne correspond pas à une mesure
subjective de qualité (dans le domaine audio en particulier). Un critère relatif de type
E( X 2 )
Rsb = 10 log sera plus adéquat (mais non idéal car la qualité perçue
D
auditivement dépend aussi du spectre).
Si on quantifie un signal temporel xn réalisation d’un signal aléatoire Xn, la quantité D

est à priori dépendante de l’instant n.
Si le signal est stationnaire f X n ( x) = f X ( x) et D est constante.
Si en plus le signal peut être considéré comme ergodique, on peut évaluer D par
1 N
lim ∑ ( x n − Q( x n ) )
2
N →∞ N
n =1
On peut distinguer deux types d’erreur de quantification :

l’erreur de granulation qui est l’erreur pour une entrée x appartenant à l’une des
cellules bornées R2 ... RL-1
l’erreur de saturation lorsque x<y1 (x0) ou x>yL (xL)
l’erreur de granulation est relativement petite et intervient pour presque toutes les
valeurs d’entrée
l’erreur de saturation est rare mais peut avoir une très grande amplitude.

2.3 Quantification uniforme
Un quantificateur uniforme est un quantificateur régulier pour lequel les points

frontières xi sont également espacés et les représentants yi sont au milieu des
intervalles Ri. L’écart entre les frontières des cellules ou les représentants s’appelle
le pas de quantification.
On a donc: yi - yi-1 = xi - xi-1 = ∆=pas de quantification
et yi = xi −1+ xi pour i = 1, ... L
2
On a xL - x0 = L ∆
Remarque : En général on quantifie des signaux de moyenne nulle

et on considère -x0 = + xL = A
2A 2A
on a alors ∆= = b (pour une résolution b)
L 2
Le bruit de quantification s’écrit :

∞
∫ (x − y )
L xi x0
D=∑ ∫ (x − y ) f X ( x)dx + ∫ (x − y ) f X ( x)dx +

2 2 2
i 1 L f X ( x)dx
i =1 x i −1 −∞ xL
Les deux derniers termes représentent le bruit de saturation (le premier terme est le
bruit de granulation).
2.3.1 Facteur de charge
On définit le facteur de charge Γ du quantificateur par :
A x − x0
Γ= ou bien si l’intervalle [x0 xL] n’est pas symétrique : Γ = L ou
σX σX σX
Ce facteur permet d’évaluer le risque de saturation

∞ ∞
proba-de-saturation = 2 ∫ f X ( x)dx = 2 ∫ f X ( x)dx
A Γσ X
exemple : pour X gaussien et Γ = 2 la probabilité de saturation = 0,045
Si on prend un facteur de charge Γ assez grand (≥ 4) la probabilité de saturation est

très faible et la distorsion associée négligeable.

2.3.2 Calcul du bruit de granulation
L
 ∆ ∆
D gran = ∑ ∫ (x − y )
i =1
i
2
f X ( x)dx avec Ri =  y i − , yi + 
 2 2
Ri
on pose x − yi = x − Q( x) = q erreur de granulation.
Calculons la distorsion sur l’intervalle Ri
∫
Ri
q 2 f X ( x)dx = ∫
Ri
f X ( x)dx ∫ q 2 f X / R i ( x)dx
∞
= p( x ∈ Ri ) ∫ q 2 f X / R i ( x)dx
∞
 ∆ ∆
f X / Ri ( x)dx = proba  x < X < x + dx / y i − < X < y i + 
 2 2
 ∆ ∆
= proba  x − y i < Q < x − y i + dx / y i − < X < y i + 
 2 2
= f Q / Ri (q )dq
donc
∆
L 2
D gran = ∑ p( x ∈ Ri ) ∫ q 2 f Q / Ri (q)dq
i =1 ∆
−
2
1
On fait généralement la supposition que f Q / Ri (q ) = . C’est-à-dire que le bruit de
∆
 ∆ ∆
granulation suit une loi uniforme sur  − ,  (quelque soit l’intervalle Ri). Ceci n’est
 2 2
vraiment justifié que si X suit une loi uniforme ou si ∆ est très faible (hypothèse de
haute résolution).
En prenant cette hypothèse :

∆
1 2
∆2
D gran =
∆ ∫ ∆
q 2 dq =
12
−
2
Si on exprime cette quantité en fonction de Γ et b

1
D gran = σ x2 Γ 2 2 − 2b
3

La distorsion liée à l’erreur de granulation est proportionnelle :
• au facteur de charge(au carré) : lorsqu’ on limite les risques de saturation on
augmente l’erreur de granulation.
• à la variance du signal
• à 2-2b : quand on augmente la résolution on diminue la distorsion
2.3.3 Rapport signal sur bruit

σ x2
RSB gran = 10 log
D gran
RSB gran = 6,02b + 4,77 − 20 log Γ
Le rapport signal sur bruit décroît lorsque le facteur de charge croît (en négligeant la
distorsion de saturation) : (pour Γ = 4 20 log Γ = 12 dB)
Par ailleurs le RSBgran augmente de 6 dB pour une augmentation de 1 bit dans la

résolution du quantificateur.
A
Remarque 1 :Si le signal x suit une loi uniforme : σx = ⇒Γ= 3
3
RSB = 6,02 b
La quantification uniforme est alors parfaitement adaptée.
Remarque 2 :Si le facteur de charge n’est pas suffisamment grand, on ne peut plus
négliger le bruit de saturation.
Si on trace le RSB (en tenant compte de la saturation) en fonction de β = 1/Γ, on

obtient une courbe qui a l’allure suivante :
RSB
1/Γ
On peut aussi voir cette courbe comme l’évolution du RSB avec la puissance
d’entrée du signal σx pour un quantificateur donné (avec yi fixés).
On voit alors que le quantificateur fonctionne de manière optimum pour une
puissance donnée du signal d’entrée et qu’il se comporte moins bien lorsqu’on
s’écarte de cette valeur. En d’autres termes, les performances d’un quantificateur
sont très sensibles au niveau du signal d’entrée.
Des signaux tels que la parole ou la musique sont non stationnaires et leur
puissance à court terme varie fortement dans le temps (la dynamique de σ est
d’environ 30 dB pour la parole et 60 dB ou plus pour la musique). Le nombre de bits

de résolution requis pour ce type de signaux dépend du RSB minimum que l’on veut
obtenir.
Par exemple, pour une qualité téléphonique, il faut 12 bits pour que le RSB soit
supérieur à 25 dB pour des signaux de puissance égale à celle où commence la
saturation -30 dB.
2.4 Conception d’un quantificateur scalaire optimal.
On suppose que l’on cherche à quantifier de façon optimale sur L niveaux une
réalisation d’un processus aléatoire stationnaire de loi fX (x) connue (ou estimable).
Intuitivement, la longueur des intervalles [xi-1, xi] sera d’autant plus petite que fX (x)
sera importante sur ces intervalles.
On rappelle que la distorsion est donnée par :

L L xi
D=∑ ∫ (x − yi ) f X ( x)dx = ∑ ∫ (x − yi )2 f X ( x)dx

2
i =1 x∈Ri i =1 xi −1
Pour définir un quantificateur il faut trouver la partition {R1 ...RL} et les représentants
(y1...yL) qui minimisent D.
Ce problème n’admet pas de solution simple. Il n’existe que deux conditions
nécessaires d’optimalité. Si on connaît les représentants, on peut trouver la meilleure
partition et si on se donne la partition on peut déduire les représentants.
2.4.1 Conditions d’optimalité
1) Etant donné le dictionnaire {y1...yL}, on cherche les xi (c’est à dire la partition {Ri })
tels que
∂D
=0
∂x i
∂  xi xi +1

⇔ 
 x∫
( x − y ) 2
f ( x ) dx + ∫x ( x − y i +1 ) f ( x ) dx =0

∂x i
i X X
 i −1 i 
⇔ ( x i − y i ) f X ( x i ) − ( x i − y i + 1 ) f X ( xi ) = 0
2 2
⇔ x i − y i = −( x i − y i + 1 )
yi + y i + 1
⇔ xi = la frontière est en milieu des représentants.
2
Ceci correspond à la règle du plus proche voisin (PPV).

{
Ri = x / ( x − yi ) ≤ (x − y j ) ∀j ∈ {1...L}
2 2
}

2) Etant donnée une partition {Ri} on cherche les représentants yi qui minimisent D.
∂D
=0
∂y i
∂
xi
⇔ ∫ (x − y ) f X ( x)dx = 0
2
∂y i
i
xi −1
xi
⇔ ∫
xi −1
2( x − yi ) f X ( x)dx = 0
xi
∫ xf X ( x)dx
yi =
xi −1
⇔ xi
∫
xi −1
f X ( x)dx
xi +∞
or ∫
xi −1
xf X ( x)dx = ∫
x∈ R i
f X ( x)dx ∫ xf X / R i ( x)dx
−∞
+∞
⇔ yi = ∫
−∞
xf X / R i ( x)dx
= E ( X / X ∈ Ri ) valeur moyenne de x dans l’intervalle ]xi-1, xi]

yi est le centroïde de la classe Ri (la moyenne des éléments de cette classe)
2.4.2 Algorithme de Lloyd - Max
Dans la pratique on ne connaît généralement pas fX(x). Pour construire le

quantificateur, on utilise une base d’apprentissage composée d’un grand nombre N
>> L d’échantillons représentatifs de la source que l’on veut quantifier.
L’algorithme de Lloyd Max est un algorithme itératif qui vérifie alternativement les
deux conditions d’optimalité .
1) On initialise le dictionnaire (y1,..., y2) de façon aléatoire (ou uniforme)
2) Connaissant le dictionnaire, on classe tous les échantillons de la base en leur

attribuant le numéro de leur plus proche représentant. (On détermine ainsi
implicitement les Ri).
Ri = { xn / Q(xn) = yi }
3) A partir de ces classes on calcule de nouveaux représentants qui sont les

moyennes des échantillons appartenant à une classe.

4) On calcule la distorsion moyenne associée à cette base et on arrête l’algorithme si
la distorsion ne décroît plus de manière significative sinon on reprend les deux
étapes précédentes.
On ne tend pas forcément vers le minimum global mais simplement vers un minimum
local par cette technique.
Exemple :
Soit x un échantillon d’un signal dont la densité de probabilité est la somme
pondérée de deux densités gaussiennes d’écart type unité et de moyennes
respectives –3 et 4. La densité de probabilité de X est représentée sur la figure
suivante ainsi que le quantificateur (obtenu par l’algorithme de Lloyd Max).
2.4.3 Quantification haute résolution (b >=8) - cas général
Si on se place dans le cas : L grand, fX(x) est raisonnablement « lisse », la distorsion

donnée par :
L xi
D= ∑ ∫
i =1
( x − y i ) 2 f X ( x)dx peut être approximée en considérant
xi −1

f X ( x) = f X ( y i ) sur [xi −1 , xi ]
xi + x i − 1
yi =
2
x + xi −1 
xi 2
L

D = ∑ f X ( yi ) ∫ x − i  dx
i =1 xi −1  2 
∆i
L 2
= ∑ f X ( yi ) ∫ y 2 dy avec ∆ i = xi − xi −1
i =1 ∆
− i
2
L
∆3i
D= ∑
i =1 12
f X ( yi )
(Si on considère Pi = proba ( x ∈ [xi −1 , xi ]) = f X ( y i )∆ i

on peut encore écrire
L
∆2  ∆2 
D = ∑ Pi i = E   )
i =1 12  12 
Notons α i3 = f X ( y i )∆3i
L L +∞
∑ αi = ∑ ( f X ( yi )) ∆ i ≈ ∫ f X ( x)1 / 3 dx = cste
1/ 3
comme
i =1 i =1 −∞
On cherche à minimiser D = ∑
i
α i3 sous la contrainte ∑ i
α i = cste
∂
→ (∑ α 3
)
− λ ∑ α i = 0 ⇔ 3α i2 = λ ⇔ α i = α
αi
i
Ce qui implique
f X ( y1 )∆31 = ....... = f X ( y 2 )∆3L
Ce qui signifie que l’intervalle ∆ sera d’autant plus petit que la probabilité d’avoir
une donnée dans cet intervalle sera grande. (∆i = cste pour une loi uniforme) .
D’autre part tous les intervalles auront la même contribution à la distorsion qui s’écrit
Lα 3 +∞
D= avec α = ∫ ( f X (x) ) dx
1 1/ 3
12 L −∞
D= 1 2
12L
[∫ ( f (x)) dx]
X
1/ 3 3
démonstration non rigoureuse

Pour une source gaussienne centrée de variance σ X2
1 / 2σ X2
f X ( x) = e−x
2
2πσ X2
3 3
  
( ) 
x2 x2
−
 2Π σ X
1/ 2
− dx
( )
dx 2
1  1 6σ  1 3 1 3 σ
2

∫ ∫
D =
2
e = e 2
( )
X X
(2 Π σ )   2Π σ 2π 3σ 
2 1 2 2 1/6
12 L 2 12 L
 X
6
  X X

D=
1
12 L2
[ 3(2πσ ) ] 2 1/ 3
X
3
D = 3 Π σ X2 2
− 2b
2
Pour d’autres lois on aura :

D = Cσ X2 2 −2b avec C une cste qui dépend de la loi de X.
La distorsion est proportionnelle :

• à la variance du signal
• à 2-2b : quand on augmente la résolution on diminue la distorsion
2.5 Quantification logarithmique
2.5.1 Principe
Pour le quantificateur uniforme
∆2
On a vu que D gran = avec ∆ cst.
12
σ2
⇒ RSB =10log 12 dépend de σ
∆2
L’idée est de rendre le pas de quantification adapté à la puissance du signal pour

avoir un RSB à peu près constant pour une large gamme de puissance du signal
d’entrée.
∆i xi − xi −1
Il faut alors : = ≈ cste.
yi yi
On peut alors réaliser ceci en trois étapes, à savoir :

1) Une transformation non linéaire sur x : G

2) Une quantification uniforme sur le résultat : ∆ = G ( xi ) − G ( xi −1 )
3) La transformation inverse sur le résultat quantifié : G-1.
G Q unif G-1
Dans l’hypothèse haute résolution :
G ( xi ) − G ( xi −1 ) ∆
G ' ( yi ) ≅ =
xi − xi −1 ∆i
∆ 1 α
→ G' ( yi ) = =
cste yi y i
⇒ G ( x) = α log x
2.5.2 Norme G711 (de l’Union Internationale des

Télécommunications) : codage MIC (PCM) à 64 kbits/s.
Le signal de parole est échantillonné à 8 kHz

Il est quantifié sur 8 bits suivant la loi A : (A = 87,56)
Ax x 1
G ( x) = sgn( x) pour ≤
1 + ln A x max A
x
1 + ln A
x max 1 x
G ( x) = x max pour < ≤1
1 + ln A A x max
Cette transformation est approximée par une courbe à 8 segments et le signal est
préalablement quantifié sur 12 bits (-2048 2047) .
1 bit de signe
3 bits pour le segment
4bits pour la valeur dans le segment

3. Allocation optimale des bits et
codage par transformée
3.1 Allocation optimale des bits

On se pose le problème d’allocation de ressources dans les termes suivants :
On dispose d’un nombre fini de bits à répartir sur un ensemble de paramètres à
coder (une trame de parole, la matrice des pixels d’une image) et on recherche la
meilleure répartition (celle qui donnera la meilleure qualité objective ou subjective).
Dans les codeurs traditionnels chaque échantillon est quantifié avec le même
nombre de bits puisque le plus souvent ces échantillons ont tous la même
« importance » (la même variance).
Nous allons résoudre le problème d’allocation optimale des bits sur des échantillons
ou paramètres de variances différentes puis nous verrons comment il est possible de
transformer un vecteur d’échantillons de même variance pour obtenir un vecteur de
paramètres de variances différentes sur lesquels on peut faire une allocation
optimale des bits.
3.1.1 Position du problème
Supposons que nous ayons un ensemble de k v.a. X1, X2, …, Xk de moyenne nulle
et de variance σ i2 = E ( X i2 ) i = 1,..., k
Si on considère la densité de probabilité des Xi connue, on peut concevoir un
quantificateur optimal pour chaque Xi pour n’importe quel nombre de niveaux de
quantification Li. Il est souvent souhaitable d’avoir Li = 2bi pour pouvoir coder Xi sur bi
= log2Li bits.
Il suffit en fait d’avoir :
ΠLi = 2b pour coder sur b bits les k v.a. conjointement.
Supposons que l’on note W i (bi) la distorsion (au sens de l’erreur de quantification
quadratique moyenne) obtenue en quantifiant de façon optimale Xi sur bi bits.
La distorsion totale s’écrit donc :
k
D = ∑ Wi (bi )
i =1
Le problème d’allocation peut se formuler ainsi :
Trouver les bi i = 1, 2, … k qui minimisent
k
D(b) = ∑ Wi (bi ) b = (b1 , b2 ,..., bk )
i =1
k
sous la contrainte : ∑
i =1
bi ≤ B (B : nombre de bits disponibles)

Il n’est pas évident de trouver un algorithme exact qui résolve ce problème dans le
cas général :
On peut faire la recherche sur toutes les combinaisons possibles (avec les bi entiers
et satisfaisant ∑ bi ≤ B ) mais le nombre de calculs à effectuer est prohibitif et il est
difficile de disposer des distorsions W i (bi) pour toutes les valeurs de bi testées.
En revanche, en faisant l’hypothèse de haute résolution, on peut obtenir une solution

exacte, optimale (mais avec des bi non forcément entiers).
3.1.2 Allocation optimale dans l’hypothèse haute résolution
Dans ce cas Wi (bi ) = hiσ i2 2 −2bi avec hi une constante qui dépend de la densité de
Xi
probabilité fi(x) de la variable normalisée
σi
3
1  +∞ 
 ∫−∞ ( f i ( x) )3 dx 
1
hi =
12  
3Π
On rappelle que pour une loi gaussienne hg =
2
Remarque : La formule Wi (bi ) = hiσ i2 2 −2bi n’est à priori pas correcte pour bi faible
(1 bit ou 2 bits) mais se révèle satisfaisante pour des valeurs plus
élevées (4 bits 16 bits).
Le problème de minimisation de D = ∑ hiσ i2 2 −2bi sous la contrainte

i
∑bi = B est
résolue en utilisant la méthode des multiplicateurs de Lagrange :

On annule la dérivée par rapport à bi de D + λ ∑ bi
i
Développement :
hiσ i2 (− 2 log 2 )2 −2bi + λ = 0
On calcule λ en écrivant la contrainte: ∑ bi = B

Après quelques lignes de calculs on obtient :
σ i2
bi =
1
( )
log 2 2 2 B
1/ k hi
2 (Πhi )1/ k ρ2

B 1 hi 1 σ i2
bi = + log 2 + log 2 2
k 2 H 2 ρ
⇔ avec ρ 2 = moyenne géométrique des σ i2
et H = moyenne géométrique des hi
La distorsion totale vaut alors :

2 −2 B / k H ρ
k 2
D = ∑ hiσ i 2
i =1 hi σ i2
B
−2
⇔ D=kH ρ 2 2 k
Chaque quantificateur a la même contribution à la distorsion D, cette contribution

B
−2
est : H ρ 2 2 k
Ce résultat est équivalent à celui qu’on obtiendrait pour un ensemble de k v.a. de

B
même variance ρ2, de même loi de constante H, quantifiées chacune sur b = bits .
k
1 h 1 σ2
L’équation bi = b + log 2 i + log 2 i2 montre qu’il faut allouer plus de bits aux
2 H 2 ρ
composantes de plus grande puissance (variance).
Remarque :cette solution « optimale » présente certains inconvénients :

∑ bi = B est entier mais les bi ne le sont pas forcément, certains bi peuvent même
être négatifs.
En pratique, on traite ces cas en remplaçant les valeurs négatives par des zéros et
les bi > 0 par leur valeur entière la plus proche mais on peut alors perdre ∑ bi = B .
Une alternative peut être trouvée en optimisant localement la distorsion en testant les
jeux de bi entiers satisfaisant ∑ bi = B autour de la valeur optimale.
On peut aussi employer une technique d’allocation autre qui impose la contrainte bi
entier.
Exposons maintenant un algorithme simple qui correspond à cet objectif.
3.1.3 Allocation de bits (bi entier) par l’algorithme du « Greedy »
Cet algorithme n’est pas optimal mais il alloue les bits par incrément (1 bit à chaque
itération) d’une façon très satisfaisante (il est utilisé dans le codeur MPEG).
L’algorithme du Greedy est ainsi nommé car il agit à court terme, cherchant à obtenir
une satisfaction (la réduction de la distorsion) immédiate sans considérations pour
l’effet à long terme (distorsion finale globale) de ce choix.

Algorithme du Greedy
On note :
bi(m) le nombre total de bits alloués au ième quantificateur après l’itération
m (quand m bits ont été partagés entre les Xi).
Wi(m) : la « demande » associée au ième quantificateur (la distorsion pour
ce quantificateur après l’itération m).
étape 0 : bi(0) = 0 ∀i
m= 0 Wi(0) = E(Xi2)
étape 1 : on trouve l’indice j qui maximise la demande

j = arg max W i(m)
étape 2 : on alloue un bit au jième quantificateur

bj (m+1) = bj(m) + 1
bi (m+1) = bi(m) ∀i ≠ j)
les demandes sont actualisées
Wj(m+1) = Wj(m) / θ
Avec 1,4 < θ < 2,3 (θ = 2 dans le cas haute résolution)
étape 3 : si m < B-1

m = m+1 et on reprend l’étape 1.

3.2 Codage par Transformée
3.2.1 Principe.
Supposons que l’on ait un bloc d’échantillons successifs (vecteur) d’un processus
aléatoire stationnaire à coder avec un nombre fixé de bits.
Appelons X ce vecteur aléatoire X = (X1, X2, …, Xk)T
Ces échantillons qui d’après l’hypothèse de stationnarité ont la même variance
peuvent présenter une corrélation importante. Cette corrélation entraîne une certaine
redondance qui est conservée dans les échantillons quantifiés.
L’idée du codage par transformée est qu’en opérant une transformation linéaire sur X
on peut obtenir un nouveau vecteur Y dont les composantes sont moins corrélées
que celles de X et que l’information peut y être plus compacte, c’est-à-dire
concentrée sur quelques composantes, au lieu d’être uniformément répartie sur
toutes les composantes. On espère alors quantifier ces composantes de façon plus
efficace que pour X.
On effectuera au moment du codage la transformée Y=TX.

On quantifiera scalairement les composantes du vecteur transformé Y afin d’obtenir
le vecteur Yˆ (quantifié).
Au décodage le vecteur X̂ sera obtenu par transformation inverse du vecteur
Yˆ (quantifié) .
Le principe du codage par Transformée est résumé dans le schéma suivant:
Y1 → [Q1 ] → Yˆ1 Xˆ 1
Y2 → [Q2 ]→
X1
X X2
⋮ → (T) → Y ⋮ Yˆ Yˆ2
⋮ → (T )
−1 → Xˆ Xˆ 2
⋮
Xk Yk → [ Qk ]→ Yˆk Xˆ k
Il y a aussi une raison « subjective » pour utiliser une transformée qui est de se
référer aux outils perceptifs humains qui interviennent pour la vue ou d’audition.
L’oreille en particulier, opère au niveau de la membrane basilaire (dans l’oreille
interne) une transformation du signal temporel acoustique en influx nerveux répartis
suivant une échelle fréquentielle sur les fibres nerveuses du nerf auditif. Ces fibres
se comportent, en première approximation et partiellement, comme un banc de filtres
dont les fréquences centrales sont disposées sur une échelle pseudo-logarithmique.
Les transformées basées sur la transformée de Fourier ou la transformée en Cosinus

sont très largement utilisées dans les applications de codage audio ou image. Elles
permettent de différencier les RSB dans différentes bandes de fréquence et d’allouer
de façon optimale les bits disponibles dans le domaine transformé (fréquentiel dans
ce cas).

3.2.2 Transformées orthogonales.
La mesure de la distorsion pour un codage par transformée est :
( )
k
Dtc = ∑ E ( X i − Xˆ i ) 2
i =1
(
= E ( X − Xˆ ) T ( X − Xˆ ) )
Notons que X̂ est obtenu par T −1Yˆ et que l’erreur de reconstruction X − Xˆ dépend à
la fois de l’erreur de quantification Y − Yˆ et de T −1 qui risque d’accentuer les erreurs
(si le déterminant de T −1 est supérieur à 1).
On impose donc à la transformation T d’être orthogonale c’est-à-dire telle que
T T = T −1 pour que la norme d’un vecteur soit préservée par la transformation.
3.2.2.1 Propriétés pour les transformations orthogonales
a) E ( X T X ) = E (Y T TT T Y ) = E (Y T Y ) norme conservée
( ) (
b) E ( X − Xˆ ) T ( X − Xˆ ) = E (Y − Yˆ ) T (Y − Yˆ ) ) distorsion conservée
c) RY = E(YY T )=TE(XX T )T T =TRX T T
et puisque det(T) = 1 det(RX)=det(RY)
d) Si on appelle ViT les lignes de T

T T = (V1V2 …Vk )
TT T = I ⇔ Vi T V j = δ ij les vecteurs Vi sont orthogonaux
Y = TX ⇔ Yi = Vi X ∀i = 1… k T
distorsion sur Yi
⇒ σ Yi2 = E (Yi 2 ) = ViT R X Vi
3.2.3 Transformation optimale- Transformée de Karhunen Loeve
On veut trouver la transformation orthogonale T (les Vi) telle que

( )
k
Dtc =∑ E (Yi −Yˆi)2 soit minimale avec les contraintes :
i =1
- Vi tVi = 1 pour i = 1...k

- E ( X T X ) = E (Y T Y )
⇔ ∑ σ Y2i = kσ X2
i
On peut résoudre ce problème en faisant l’hypothèse de la haute résolution.

On a alors
k
Dtc =∑ hiσ Y2i 2−2bi
i =1
k
=∑ hiViT RXVi2−2bi
i =1
On annule la dérivée par rapport aux Vi du critère à minimiser avec contraintes :
k
 
∑i =1
hiViT RXVi2−2bi −λ ∑ ViT RXVi −kσ X2  −∑ µi(Vi TVi −1)
 i  i
d’où : hi R X Vi 2 −2 bi
= λR X Vi + µ iVi
 µi 
⇔ R X Vi = λ iVi avec λi =  
h
 i 2 − 2 bi
− λ 
On trouve que les Vi (colonnes de T) doivent être les vecteurs propres de la matrice
de covariance RX.
On a alors :
Ry=TRXTT=diag( λi )
Les composantes Yi sont décorrélées

Leur variance σ Y2i est égale à la valeur propre λi .
Cette transformation optimale qui décorrèle les composantes est la transformée de

Karhunen Loeve.
La transformée TKL optimale est donc formée de lignes qui sont les vecteurs propres
(transposés) de la matrice de covariance du signal X.
Pour trouver ensuite la meilleure allocation de bits dans le domaine transformé on est
k
ramené au problème de minimisation de : ∑
i =1
hi λi 2 − 2bi qui a comme solution :
B 1 h 1 λi
bi = + log 2 i + log 2
k 2 H 2 Π λi ( )
i
1/ k
2B
−
avec la distorsion : DTKL = kH (Π λi )1 / k 2 k
On pourra, pour avoir une solution entière et ne pas faire l’hypothèse haute
résolution, utiliser l’algorithme du Greedy en partant des conditions initiales W i = λi.
3.2.4 Gain de performance par le codage par transformée
Si on se place dans le cas d’un vecteur X composé de k échantillons d’un processus

gaussien faiblement stationnaire :
E ( X i2 ) = σ X2

On peut comparer les distorsions obtenues en quantifiant scalairement les
B
composantes de X avec bits chacune et en quantifiant les composantes de Y sur
k
bi bits (Σbi = B)
DQ− X =k hg 2−2B / kσ X2
1/ k − 2B / k
DTKL =k hg (Π λi) 2
Le gain de codage est donc
∑ λi
σ 2
k
G KL = X
=
( Π λi ) 1 / k ( Π λi ) 1 / k
Le gain est donc le rapport entre la moyenne arithmétique et la moyenne
géométrique des valeurs propres de la matrice de covariance.
Le gain est d’autant plus important que les valeurs propres sont dispersées
 λ max 
 grand 
 λ min 
ce qui est lié à des fortes corrélations dans le vecteur de départ X.
En pratique il arrive que certaines composantes de Y aient une variance λi

suffisamment faible pour qu’on puisse ne pas leur allouer de bits du tout.
La Transformée a alors concentré l’information sur un nombre réduit de
composantes.
3.2.5 Autres transformées
Les transformées de Fourier (TFD) et transformée en cosinus (DCT) sont souvent

mises en œuvre en pratique à la place de la transformée de Karhunen Loeve (TKL)
car celle-ci présente une grande complexité de calcul pour des signaux qui ne sont
pas véritablement stationnaires et pour lesquels il faut actualiser la matrice de
covariance et donc la matrice de transformation régulièrement.
La DCT est principalement utilisée dans les normes de codage d’images (JPEG et
MPEG) et n’est pas présentée dans le cadre de ce cours.
Montrons simplement ici que la Transformée de Fourier approxime la TKL pour un

signal stationnaire continu. Soit x(t) un signal stationnaire et X(f) sa TF(aléatoire elle
aussi).
rxx(τ)=E(x(t)x(t +τ)) le signal est à priori corrélé avec lui−même
RXX (υ)=E(X(f)X *(f +υ))
(
=E ∫ x(t) e
− j2πft
dt∫ x(u) e )
+ j2π(f +υ)u
du
− j2πf(t −u) j2πυu
=∫∫rXX (t −u) e e dt du
=PXX (f)δ(υ)
X(f) et X *(f +υ) sont décorrélés pour υ ≠ 0

3.3 Application : Codage MPEG audio
3.3.1 Principe : codeur en sous-bandes avec allocation optimale

des bits dans chaque sous bande.
Le schéma de principe du codeur est le suivant :
Estimation spectrale – psycho-acoustique B
y0(m) ↑ 32 F0(z)
H0(z) ↓ 32 Allocation
optimale des
xn y1(m)
bits ↑ 32 F1(z)
H1(z) ↓ 32 +
C
y31(m) ↑ 32 F31(z)
H31(z) ↓ 32
codeur A décodeur D
La norme MPEG audio est séparé en 3 niveaux de compression appelés couches I

II III
La norme est compatible avec le MIC, le CD, le DAT… et admet donc plusieurs
fréquences d’échantillonnage possibles (16 KHz, 22.05 KHz, 32 KHz, 44.1 KHz, 48
KHz).
La couche I (succinctement décrite ci-après) permet un codage transparent (qualité
non dégradée) à 192 kbps.
En sortie du codeur les données sont organisées en trames. Le débit est compris
entre 8 kbps et 448 kbps.
Le principe du codeur MPEG est d’allouer dynamiquement (tous les 12 échantillons

Y(m)) les bits sur les composantes de Y(m) en fonction de critères perceptifs. On ne
code que les composantes audibles du signal sonore (on maximise le rapport signal
sur masque).

Description succincte des différents blocs du schéma.
Bloc A :
Le signal est filtré par un banc de 32 filtres qui sont des versions décalées (en
fréquence) d’un filtre FIR passe bas à 512 coefficients qui coupe à Fe/64. La
sortie de ces filtres peut être alors décimée par 32 c’est-à-dire échantillonnée
à la fréquence de Nyquist (2 fois la largeur de bande du filtre).
L’ensemble de ces deux opérations (filtrage, décimation) peut s’effectuer par

Transformée Y = T X
T est le produit d’une matrice de DCT avec une matrice diagonale qui
correspond à la pondération du signal par une courbe de type sinc (prototype
passe-bas du banc de filtre).
X est un vecteur de 512 échantillons du signal d’entrée. On l’acquiert par bloc

de 32 points.
Bloc B :
On effectue une TF du signal
On tient compte du seuil d’audition des différentes fréquences pour
éventuellement supprimer des composantes non audibles (50 Hz à 30 dB, 10
kHz à 15 dB…)
On calcule l’effet de masquage provoqué par les composantes de forte
amplitude. L’effet de masque est l’élévation du seuil d’audition en présence
d’un son (masquant) pour des fréquences voisines de celle de ce son.
On supprime les composantes masquées.
Les opérations réalisées par ce bloc sont représentées ci-après :
freq
freq
freq

Bloc C :
On alloue les bits disponibles de façon à avoir dans chaque sous bande un
bruit de quantification de niveau inférieur au seuil de masquage.
On minimise le rapport bruit sur masque global

M
σ Y2 (m) 2 −2b ( m )
∑ σ masqu
2
m =1 e ( m)
par une procédure itérative du type « algorithme du Greedy ».

Le codage a lieu dans les M = 32 bandes tous les 12 échantillons ce qui
donne un nombre de bits disponibles de 12 x 32 x débit / Fe (auxquels on a
retranché les bits d’entête , de contrôle de parité, …).

4. Quantification prédictive
La notion de redondance est liée à celle de prédictibilité. Lorsque le signal est
redondant il est possible de prédire un échantillon à partir des échantillons passés.
L’idée du codage prédictif est alors de ne quantifier et coder que la partie non
prédictible du signal.
4.1 Quantification d’une différence
Avant d’utiliser la prédiction nous allons établir un résultat trivial mais important.
Supposons que l’on retranche une séquence Un au processus d’entrée Xn, et que la
différence En soit quantifiée et que l’on construise X̂ n en rajoutant Un à Ê n .
xn en Q ên x̂ n
+ +
un
On a évidemment : q n = en − eˆn erreur de quantification

= q n = x n − xˆ n erreur de reconstruction
On a intérêt à effectuer cette opération si Un est bien choisi, en particulier si Un est tel
que En = Xn – Un correspond à un processus En = Xn – Un de variance inférieure à
celle de Xn (pour un même RSB on pourra diminuer la résolution b).
~
Un moyen de réaliser ceci est de choisir Un comme prédiction X n de X n .

4.2 Quantification prédictive
Pour une réalisation xn on considère :

P
xn = −∑ ai xn − i
~ est la prédiction linéaire de xn en fonction des P échantillons passés.
i =1
On a alors :
P
en = xn − ~
xn = xn + ∑ ax
i =1
i n −i l’erreur de prédiction.
On cherche à déterminer les coefficients ai qui maximisent le rapport signal sur bruit
(en linéaire).
E ( X n2 ) E ( X n2 ) E ( X n2 ) E ( E n2 )
RSBlin = = =
(
E ( X n − Xˆ n ) 2 ) (
E ( E n − Eˆ n ) 2 ) (
E ( E n2 ) E ( E n − Eˆ n ) 2 )
E ( X n2 )
= .RSBquant ( En )
E ( E n2 )
σ X2
= RSBquant ( E
σ E2 n)
Le second terme dépend du type de quantification de l’erreur de prédiction. Pour une

2 2b
quantification optimale haute résolution b on obtient .
C
Comme la puissance du signal σ X2 est imposée on peut maximiser le RSB total
en minimisant σ E2 la puissance moyenne de l’erreur de prédiction.
σ X2
On aura alors maximisé le gain de prédiction G P = .
σ E2
Nous rappelons ci-après les équations de la prédiction linéaire (la minimisation de la
variance de l’erreur de prédiction) et l’algorithme de Levinson pour mettre en œuvre
le calcul des coefficients de prédiction.

4.3 Rappels concernant la prédiction linéaire
4.3.1 Equations normales (ou de Yule Walker ou de Wiener Hopf)
On les obtient en minimisant la variance de l’erreur de prédiction

 P

σ E 2 = E ( E n2 ) = E  ( X n + ∑ ai X n −i ) 2 
 i =1 
a1 X n −1
En utilisant les notations vectorielles a = ⋮ et X (n) = ⋮
ap X n− P
( ) (
On a : σ E 2 = E ( X (n)) 2 + a E X (n) X (n) a + 2a E ( X (n) X (n) )
T T
) T
Qui s’écrit encore :

(
σ E 2 = σ X 2 1 + a T ΓX ( P ) a + 2 a T ρ X ( P ) )
 1 ρ1 ⋯ ρ P −1 
  ρ1
 ρ 1 ⋮ 
avec ΓX ( P ) =  1
⋮ ⋱ ⋮  , ρ X ( P) = ⋮
  ρP
ρ ⋯ ⋯ 1 
 P −1 
E ( X n X n −i )
et ρi = coefficient d’autocorrélation normalisé
σX 2
∂σ E 2
d’où =0
∂a
⇔ Γ X ( P)a = − ρ X ( P) Cette équation matricielle est l’équation de Wiener Hopf.
Les coefficients ai optimaux sont obtenus par l’inversion de la matrice

d’autocorrélation.
On a alors la variance σ E 2 maximale.
σE 2
− min
(
= σ X 2 1 + a ρ X ( P)
T
)
 P

σE 2
− min
= σ X 2 1 + ∑ a i ρ i 
 i =1 

4.3.2 Algorithme de Levinson (rappels)
C’est un algorithme récursif sur l’ordre du modèle réclamant Ο( p 2 ) opérations (au

lieu de Ο( p 3 ) avec des méthodes classiques).
Si on rassemble les deux équations précédentes le système global de détermination
des coefficients de prédiction à l’ordre m et de la variance de l’erreur de prédiction
résultante s’écrit :
1 σ 2 ( m)
σ X2 Γ X (m + 1) = E ➀
a ( m) Ο
L’algorithme repose sur l’exploitation de la forme de Γ X qui est une matrice de

Toeplitz (les diagonales sont formées d’éléments identiques).
Pour une matrice de cette forme, il est équivalent d’inverser les lignes (multiplication
 0…1 
à gauche par J = ⋰  ) et d’inverser les colonnes (multiplication à droite par J).
1 0
 
On a donc si le système ➀ est vérifié :

σ X 2 Γ X (m+1)1J a(m)=σ
0
E 2 (m)
➁
Pour passer de l’ordre m à l’ordre m+1 on cherche a(m+1) et σ E 2 (m + 1) tels que

1 σ 2 (m + 1)
σ X Γ X (m + 2) = E
a(m + 1) ο
2
  1ρ 1 ⋯ ρ m+1 

  ρ
Γ
 X ( m + 1) ρ m +1 
 1 
Si on observe que  =  
ρ1 
⋮
 ⋮ Γ X (m + 1) 
 
 ρ ⋯ρ 1   
 m+1 1   ρ m +1 
On voit qu’il est astucieux d’écrire la solution sous la forme :
1 0
1 = a(m)+ km+1 J a(m)
a(m+1) 0 1
et de chercher le coefficient km+1qui convienne.

1
En effet, si on applique Γ X (m + 2) à ainsi défini
a (m + 1)

σ E ( m)
2 δ (m + 1)σ X2
1
σ X2 Γ X (m + 2) =0 + k m +1 0
a (m + 1) m
σ E ( m)
( ρ m+1 + ∑ a i (m) ρ m +1−i )σ X2
2
i =1

δ ( m +1)σ 2X
on a alors la condition :
σ X2 δ (m + 1) + k m +1σ E 2 (m) = 0
 m

 ρ m +1 + ∑ a i (m) ρ m+1−i σ X2
δ (m + 1)σ X2
= − 
i =1
⇔ k m +1 = −
σ E ( m)
2 σ E 2 (m)
et le résultat :
σ E 2 (m + 1) = σ E 2 (m) + k m+1δ / σ X2
σ E (m + 1) = σ E (m)(1 − k m+1 2 )
2 2
L’algorithme de Levinson est donc le suivant :
a1 (1) = k1 = − ρ 1
σ E2 (1) = (1 − k12 )σ X2
puis pour m = 2 à P
m
δ m+1 = ρ m +1 + ∑ ai (m) ρ m+1−i
i =1
σ X2
k m +1 = −δ ( m+1)
σ E ( m) 2
• pour i = 1 … m
ai(m +1) =ai(m) +km+1am(m+)1−i
• a m( m++11) = k m+1
• σ E2 (m+1)=σ 2 E (m)(1−km2 +1)

σ X2
4.3.3 Calcul du gain de prédiction : = G P ( P)
σ E2 ( P)
D’après la dernière relation de l’algorithme de Levinson et l’initialisation σE2(0)= σX2

P
σ E (P)=σ X2 ∏ (1−km2 )
2
m =1
Le gain de prédiction est donc égal à :
1
GP ( P) = P
∏
m =1
(1 − k m2 )
Ce gain est d’autant plus imprtant que les coefficients de réflexion km sont de module
proche de l’unité.
Mise en œuvre :
on applique le critère des moindres carrés sur l’intervalle des N points connus
x0 … xN-1
La forme des équations est alors identique à celle obtenue précédemment en
remplaçant
N −1
∑xx n n −i
ρi par ρˆ i = n =i
N −1
∑x
n =0
2
n
4.4 Quantification scalaire prédictive en boucle

ouverte
Le schéma de quantification d’une différence entre le signal xn et sa prédiction ~

xn
est le suivant :
xn en ên ên x̂ n
+ Q +
~
xn
1-A(z) 1-A(z)

Si on ne transmet pas ~
x n on a un cumul de l’erreur de quantification.
En effet si on appelle qn = ên – en cette erreur

Eˆ (z) E(z) Q(z)
Xˆ(z)= = +
A(z) A(z) A(z)
Q(z)
Xˆ(z)= X(z)+
A(z)
si rn= x̂ n - xn est l’erreur de reconstruction
P
Q(z)
R(z)= ⇔ rn = q n − ∑ a i rn −i
A(z) i =1
Ceci n’est évidemment pas acceptable, et la solution de transmettre ~ x n ne l’est pas

non plus car elle fait perdre tout le bénéfice du gain de prédiction.
Il faut donc réaliser cette quantification prédictive en boucle fermée c’est-à-dire en
incorporant le décodeur dans le codeur.
4.5 Quantification prédictive en boucle fermée

Le nouveau schéma est le suivant :
xn + en ên ên +
x̂ n
Q
x̂ n
1-A(z) + 1-A(z)
C’est-à-dire que l’on fait agir le prédicteur 1-A(z) sur le signal reconstruit x̂ n
On a bien alors :
Eˆ (z)= E(z)+Q(z)= X(z)−(1− A(z))Xˆ(z)+Q(z)
= X(z)− Xˆ(z)+ A(z)Xˆ(z)+Q(z)
⇔ Xˆ(z)= X(z)+Q(z) il n’y a plus de cumul des erreurs.
Ce nouveau schéma pose tout de même quelques problèmes :

• Le en n’est pas le résiduel décrit précédemment puisque la prédiction est
appliquée sur x̂ n et sera à priori un peu moins performante que lorsqu’elle est
faite sur xn.
• Il faut résoudre le problème du calcul de A(z).
Il y a deux solutions en pratique pour aborder ce second problème :

• Soit on calcule A(z) à partir de xn (prédiction forward) comme précédemment :
On effectue le calcul des ρ̂i i=0...P et on applique l’algorithme de Levinson.
− Il faut alors transmettre les coefficients du filtre A(z)
− le gain de prédiction est un peu inférieur au gain théorique
− Il y a un retard de N points (~ 20 ms) introduit dans le codage-décodage
• Soit on calcule A(z) à partir de x̂ n (prédiction backward) mais ceci ne peut se faire
que de façon adaptative (puisqu’on a besoin de A(z) pour construire x̂ n ).
− Il n’est alors pas nécessaire de transmettre A(z)
− Il n’y a pas de retard introduit
− Le calcul de A(z) est plus complexe à mettre en œuvre et le gain de
prédiction est plus faible que pour la prédiction forward.
4.5.1 Codeur ADPCM (32 kbps)
Ce schéma de quantification prédictive avec prédiction backward est au cœur du
codeur MICDA (ADPCM) à 32 kbps (norme G 721 de l’UIT-T).
Ce codeur présente quelques particularités supplémentaires :
Le filtre 1/A(z) est remplacé par un filtre ARMA B(z)/A(z) qui est calculé par un
algorithme du gradient simplifié
Le pas de quantification est adaptatif lui aussi, c’est-à-dire que pour conserver un
RSB constant on fait varier le pas de quantification ∆ comme l’écart type à court
terme du signal.
4.5.2 Codeurs de type RELP (Residual Excited Linear Prediction)

Le principe de ces codeurs repose sur une prédiction forward mais le résiduel en n’est
pas directement quantifié pour être transmis. On sous-échantillonne l’information en avant
de la quantifier pour avoir un débit plus faible en transmission. Le décodeur doit bien sûr
sur-échantillonner l’excitation transmise avant de la filtrer par 1/A(z).
Ce type de codeur permet des débits de l’ordre de 12 à 16 kbps.
La norme IUT-T du codeur GSM plein débit repose sur une structure de codage de type
RELP.
4.5.3 Codeurs de type CELP
Ces codeurs sont eux aussi basés sur la prédiction linéaire (codeur prédictif) et une
prédiction généralement forward mais l’information du filtre et l’information du
résiduel sont quantifiées vectoriellement avant d’être transmises. Le chapître suivant
décrit la technique de Quantification vectorielle.

5. Quantification vectorielle
Le principe est de grouper plusieurs échantillons dans un vecteur et de quantifier
l’ensemble. Cette technique permet de prendre directement en compte la corrélation
contenue dans le signal (contrairement aux techniques de quantification par
transformée ou prédictive qui procèdent en deux étapes : décorrélation puis
quantification).
Définitions :
• On appelle quantificateur vectoriel de dimension N et de taille L une application :

ℜ N → C = {y1 , y 2 ,…, y L } ⊂ ℜ N

 x → Q( x) = yi
• L’espace ℜ N est partitionné en L classes
Ri = {x / Q( x) = y i }
• C est le dictionnaire, les yi sont des représentants
• Il faut définir une mesure de distorsion liée à l’erreur de quantification x - Q(x)
d ( x, Q( x)) = ( x − Q( x) ) ( x − Q( x) )
1 T
N
On choisit habituellement :
1
= x − Q( x)
2
N
(distance euclidienne)
ou bien plus généralement une distance pondérée :
d ( x, Q ( x ) ) = ( x − Q ( x ) ) W ( x − Q ( x ) )
1 T
• On choisit généralement
L = 2bN b représente la résolution ou nombre de bits par échantillon
b peut ne pas être entier, il suffit que bN le soit.
5.1 Performances d’un quantificateur vectoriel
Le critère habituellement utilisé est la distorsion moyenne

D = E (d ( X , Q( X )) ) = ∫ d ( x, Q( x) ) f X ( x)dx
ℜN
L
=∑ ∫ d ( x, y i ) f X ( x)dx
x∈Ri
i =1

Exemple en dimension 2 :
x2k 1
pour x avec xn = A cos 2Πnf 0 + Wn f0 =
x 2 k +1 20
et Wn un bruit blanc tel que le RSB soit égal à 20 dB
Etudions la quantification sur 6 bits (3 bits par échantillon)
Dans le cas scalaire : on quantifie chacune des composantes de x sur 3 bits

Les représentants utilisés sont notés par ‘+’
Dans le cas vectoriel : on quantifie globalement x sur 6 bits , les représentants sont
notés par ‘o’
Il est évident qu’on obtiendra une distorsion moyenne plus faible dans ce dernier cas.

5.2 Quantificateur vectoriel « optimal »
On cherche à trouver le dictionnaire et les classes associées de façon à minimiser la

distorsion moyenne D. Comme dans le cas scalaire on ne peut pas résoudre ce
problème globalement mais on conserve les deux conditions nécessaires
d’optimalité.
1. Etant donné un dictionnaire C = {y1, …, yL} la meilleure partition est celle qui
vérifie
Ri = {x / d ( x, y i ) ≤ d ( x, y j )∀}
C’est la règle du plus proche voisin.
La partition est appelée partition de Voronoï
On appelle Ri une cellule de Voronoï (ou région de Voronoï).
2. Etant donnée une partition, les meilleurs représentants sont les centroïdes des
cellules de Voronoï
∫R xf X ( x)dx = E ( X / X ∈ R )
yi = i i
∫ f X ( x)dx
Ri
L’algorithme de Lloyd – Max généralisé construit un dictionnaire de Q.V de manière

itérative en vérifiant tour à tour les deux conditions d’optimalité C1 et C2 sur une base
d’apprentissage (on l’appelle aussi l’algorithme des K-moyennes (K-means)).
• Dictionnaire initial : C(0) aléatoire

• A l’étape m :dico C(m) (m)
→C1→ classes Ri (m) →C2→ dico C(m+1)
Distorsion D yi(m+1) = x R (m)
i
(centroïde de Ri(m))
On arrête lorsque la distorsion n’évolue plus de façon significative :

D(m) −D(m+1) < seuil pré-fixé
D(m)
5.3 Algorithme de Linde Buzo Gray (LBG)
Cet algorithme permet :

- De résoudre le problème du choix du dictionnaire initial
- De construire des dictionnaires de taille2k (k = 1 bN) qui se prêteront à
une quantification vectorielle arborescente (par choix successifs entre 2
représentants)
- D ‘accélérer la construction du dictionnaire (qui ne se fait qu’une fois pour
une base d’apprentissage donnée) mais aussi la quantification (si on utilise
la structure arborescente des dictionnaires successifs).

1. Le dictionnaire initial est formé d’un seul vecteur y1(0) qui est le centroïde de toute
la base
2. On éclate ce vecteur en deux y1(1) = y1(0) +ε y(1) (0)
2 = y1 −ε et on calcule les
classes R1((1) R2(1) associées à ces vecteurs avec la règle du plus proche voisin. On
calcule de nouveaux représentants y1(1) et y 2(1) comme centroïdes de ces classes.
On recommence jusqu’à stabilisation de la distorsion (algorithme des
2_moyennes).
3. On éclate les vecteurs stabilisés en 2
y1(1) ± ε ' y 2(1) ± ε " → y1( 2 ) y 2( 2) y 3( 2 ) y 4( 2)
On applique l’algorithme des 4_moyennes sur ces vecteurs.
4. A l’étape k on éclate les 2k-1 vecteurs en 2 et on applique l’algorithme des
k_moyennes.
5. On s’arrête pour k = bN
Exemple : étape 2 et 4 de l’algorithme LBG pour la sinusoïde bruitée
5.4 Quantification vectorielle de type forme-gain
L’idée est de séparer dans deux dictionnaires distincts ce qui est caractéristique de la
forme, le contenu spectral du vecteur et ce qui est caractéristique du gain, l’énergie
du vecteur.
x1
Soit : x ⋮ le vecteur à quantifier
xN

y11 y L1
On considère un dictionnaire de formes y1 ⋮ ⋯ y L ⋮
y1N y LN
et un dictionnaire de gains g1 … gM
et Q(x) = gi yj doit à priori être recherché de manière exhaustive (en parcourant
l’ensemble des valeurs (i, j)). Le principe de la Q.V forme gain est de quantifier x en
deux étapes (au prix d’une performance éventuellement moindre). On recherche
d’abord parmi toutes les formes yj la plus proche de celle de x puis on quantifie le
gain.
d ( x, Q( x)) = ( x − g i y j ) T ( x − g i y j )
Si on dérive par rapport à g i : ( x − g i y j ) T y j = 0

xT y j
⇔ gi = 2
yj
on a alors :
d min ( x, Q( x)) = ( x − g i y j ) T x
= x T x − g i y Tj x
( y Tj x) 2
= x x−
T
2
yj
( y Tj x) 2
- la forme yj qui minimise dmin est celle qui maximise
y Tj y j
y Tj
c’est-à-dire celle qui maximise .x = x cos φ j
yj
(celle qui présente l’angle φj minimum avec x)
xT y j
- le gain est alors donné par : gi = 2
yj
5.5 Principe du codeur CELP (Code Excited Linear

Predictive Coder)
Ces codeurs sont utilisés dans la transmission faible et moyen débit de la parole :
norme GSM demi débit, norme UMTS…

L’idée est d’utiliser
- un filtre prédictif qui décorrèle (à court terme) les échantillons et fournit une
erreur de prédiction (ou résiduel)
- une quantification vectorielle (de type forme-gain) pour coder ce résiduel.
On peut schématiser cette idée comme suit :
Règle du
x e Plus i,j Consultation des gjêi
A(z) dictionnaires 1/A(z) x̂
Proche
Voisin
ĝj
• Excitation ê1 • Excitation ê1 • ĝ1
• Excitation ê2 • Excitation ê2 • ĝ2
• … • … • …
• Excitation êL • Excitation êL • ĝJ
En réalité on n’utilise pas ce schéma car :

- c’est un schéma en boucle ouverte
- le plus proche voisin gjêi de e n’engendre pas forcément le plus proche
voisin x̂ de x .
On modifie donc la structure du codeur ainsi : x

ĝj
• Excitation ê1
• Excitation ê2
Règle du
• … 1/A(z) Plus x̂ i,j
• Excitation êL Proche
Voisin
et le décodeur reste inchangé.

Introduction ..........................................................................................................2
1. Codage entropique – codage sans pertes 5

1.1 Introduction................................................................................................5
1.2 Système de codage sans perte ................................................................5
1.3 Codage d’une source discrète sans mémoire ........................................6
1.4 Généralisation - codage entropique vectoriel.......................................11
1.5 Codage arithmétique...............................................................................13
1.6 Conclusions sur le codage entropique – Introduction aux autres
méthodes de codage (avec pertes)...................................................................16
2. Quantification scalaire 17
2.1 Introduction - définition ..........................................................................17
2.2 Mesure des performances d’un quantificateur .....................................18
2.3 Quantification uniforme ..........................................................................19
2.4 Conception d’un quantificateur scalaire optimal..................................22
2.5 Quantification logarithmique..................................................................26
3. Allocation optimale des bits et codage par transformée

28
3.1 Allocation optimale des bits ...................................................................28
3.2 Codage par Transformée ........................................................................32
3.3 Application : Codage MPEG audio.........................................................36
4. Quantification prédictive 39
4.1 Quantification d’une différence..............................................................39
4.2 Quantification prédictive.........................................................................40
4.3 Rappels concernant la prédiction linéaire.............................................41
4.4 Quantification scalaire prédictive en boucle ouverte...........................44
4.5 Quantification prédictive en boucle fermée ..........................................45
5. Quantification vectorielle 47
5.1 Performances d’un quantificateur vectoriel..........................................47
5.2 Quantificateur vectoriel « optimal ».......................................................49
5.3 Algorithme de Linde Buzo Gray (LBG) ..................................................49
5.4 Quantification vectorielle de type forme-gain.......................................50

5.5 Principe du codeur CELP (Code Excited Linear Predictive Coder) ....51


Codage Source PDF

Transféré par

Droits d'auteur :

Formats disponibles

Codage Source PDF

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

Codage Source PDF

Transféré par

Droits d'auteur :

Formats disponibles

ESIEE : Signaux et

03 octobre 2008 ESIEE – Pascale JARDIN 1/54

Le bloc diagramme d’un système de compression est le suivant :

données données données

La théorie de l’information développée par Shannon dans les années 1940-1950

ESIEE – Département signaux et télécommunications

Codage sans perte

Codage avec perte

ce qui donne après le codage « trivial »

Critères d’appréciation d’un codage :

Pour un codage sans perte ou cherchera à maximiser le taux de compression et à

ESIEE – Département signaux et télécommunications

ESIEE – Département signaux et télécommunications

1.2 Système de codage sans perte

Dans un système de compression sans perte, le décodeur est capable de

X représente le vecteur aléatoire de données source à comprimer ,c’est une

Les échantillons Xi de X appartiennent à un alphabet fini A={a1,a2,…,aM)

ESIEE – Département signaux et télécommunications

Le taux de compression est r=nlog2(M)/k où M est la taille de l’alphabet A.

1.3 Codage d’une source discrète sans mémoire

Pour une source sans mémoire les échantillons Xi du vecteur de données X à

1.3.1 Condition du préfixe :

Exemples : {0,10,101,0101} n’est pas un code à préfixe

ESIEE – Département signaux et télécommunications

1.3.2 Inégalité de Kraft

La plus importante propriété des codes uniquement décodables (codes à préfixe)

ESIEE – Département signaux et télécommunications

et cette dernière quantité étant supérieure ou égale à 1 , il existe un mot de code

1.3.3 Bornes pour la longueur moyenne d’un code

ESIEE – Département signaux et télécommunications

L’inégalité de Kraft et la proposition précédente sur la distance de Kullback

Théorème 2 : Étant donné un code uniquement décodable opérant sur une

ℓ ≥ H (X ) où H(X) est l’entropie de la source X

On crée une nouvelle distribution de probabilité de la forme

La proposition dit que :

Théorème 3 : Il existe un code uniquement décodable pour la source X de

ESIEE – Département signaux et télécommunications

alors −ℓ k ≤ log 2 pk < ℓ k + 1

( lk est le plus petit entier supérieur ou égal à − log 2 pk et le code obtenu de la

ℓ = ∑ ℓ k pk vérifie alors de façon évidente

L’inégalité de Kraft est donc vérifiée, on peut donc effectivement construire ce

Remarque : Ce sont ces deux inégalités : H ( X ) ≤ ℓ < H ( X ) + 1

Exemple :codage d’un texte en français :

1.3.4 Algorithme de Huffmann.

On part des listes {a1... aM } et leur probabilité {p1... pM }

ESIEE – Département signaux et télécommunications

1.4 Généralisation - codage entropique vectoriel

ESIEE – Département signaux et télécommunications

Si on associe un mot de code à chaque groupe de N symboles aN, alors on a

soit pour une source i.i.d.

si on forme des groupes de 2 valeurs

0,09 0,21 0,21 0,49

ESIEE – Département signaux et télécommunications

1.5.2 Algorithme de codage

D’où le nombre de bits du code associé à la séquence S : NB = log 2 (1 / p (S ))

ESIEE – Département signaux et télécommunications

Remarque : Le décodeur doit connaître le nombre de symboles N à décoder sans

Le code est un nombre binaire appartenant à l’intervalle [513/1024 135/256[ . Le

ESIEE – Département signaux et télécommunications