Erreur de quantification

En traitement du signal, la quantification est le procédé qui permet d'approximer un signal continu (ou à valeurs dans un ensemble discret de grande taille) par des valeurs d'un ensemble discret d'assez petite taille.

L'application la plus courante de la quantification est la conversion analogique-numérique mais elle doit le développement de sa théorie aux problèmes de quantification pour la compression de signaux audio ou image.

Le but de la quantification est, à partir d'une valeur d'entrée donnée d'un espace E, de déterminer la valeur la plus proche dans l'ensemble F d'arrivée. Dans le cas d'une conversion analogique-numérique, l'ensemble E est continu, on peut prendre et l'ensemble d'arrivée est discret, de taille finie. Cet ensemble est généralement appelé dictionnaire.

Sommaire 1 Quantification scalaire 1.1 Quantifieur scalaire uniforme 1.2 Quantifieur à zone morte 1.3 Autres quantifieurs scalaires non uniformes 2 Bruit de quantification 3 Pas de discrétisation 4 Quantifieur scalaire optimal 5 Voir aussi 6 Références

Quantification scalaire

On parle de quantification scalaire lorsque le dictionnaire est de dimension 1, c'est-à-dire ses valeurs sont des scalaires. La quantification scalaire est la forme la plus simple de quantification, le cas où le dictionnaire est un espace de dimension supérieure à 1 est appelé la quantification vectorielle.

Définition: Un quantifieur scalaire de taille N est une application Q de dans un ensemble discret fini F de dimension 1 et de taille n, , .

On notera

Un quantifieur peut se définir comme un ensemble d'intervalles de l'espace de départ, [t_k;t_{k + 1}], où les t_i sont appelés niveaux de décision. À chaque intervalle [t_k;t_{k + 1}], on fait correspondre une seule valeur de l'espace d'arrivée, r_k, appelée niveau de reconstruction. La forme typique d'un quantifieur est donc une fonction en escalier.

D'une manière générale, la largeur d'un intervalle n'est pas constante: . Cette largeur est appelée le pas de quantification.

En général, les niveaux de reconstruction ne sont pas non plus uniformément répartis: .

Quantifieur scalaire uniforme

C'est le type de quantifieur le plus simple, où les intervalles sont de longueur constante. Le pas de quantification est donc fixe: t_{k + 1} − t_k = q pour tout k.

Les niveaux de reconstructions sont aussi uniforméments répartis. Il est parfois appelé quantifieur scalaire symétrique.

Quantifieur à zone morte

C'est un type spécial de quantifieur, où l'intervalle autour de zéro est plus large. La zone morte ou dead-zone qualifie donc cet intervalle autour de zéro, qui permet à l'ensemble des valeurs de source considérées comme petites, d'être quantifiées à une seule même valeur (généralement zéro).

Ce type de quantifieur est donc non-uniforme (ou asymétrique). Toutefois, si l'ensemble des autres intervalles sont uniformes, on qualifie généralement ce type de quantifieur d'uniforme à zone morte.

Ce type de quantifieur est très utilisé en compression d'image, où suite à une transformation de l'image par ondelette ou DCT, il existe de très nombreuses valeurs autour de zéro, non-significatives, qui pénaliseraient la suite du processus de codage. Typiquement, les valeurs comprises dans la zone morte sont quantifiées à zéro, et ne sont donc pas considérées par le codage entropique. Il existe alors de très nombreux coefficients quantifiés à zéro, ce qui permet d'utiliser des méthodes comme le RLE.

Le standard JPEG 2000 utilise un quantifieur scalaire uniforme à zone morte.

Autres quantifieurs scalaires non uniformes

De manière générale, on peut répartir les niveaux de quantification de toutes les façon possibles.

Pour un signal de parole, dont la plupart des valeurs sont autour de zéro, on utilisera un quantifieur avec beaucoup de niveaux autour de zéro et peu de niveaux ailleurs.

Bruit de quantification

La quantification est une opération destructrice d'information. Elle introduit une erreur (ou un bruit) entre le signal quantifié et le signal source. Cette erreur est généralement mesurée par la distance suivante :

Cette erreur de quantification est aussi appelée distorsion. En pratique, on utilise plutôt l'espérance de la distorsion, en considérant l'ensemble du signal comme une suite de réalisations d'une variable aléatoire X. On obtient alors la distorsion moyenne par :

Si la distance d est celle définie plus haut, D est alors l'erreur quadratique moyenne

Pas de discrétisation

Un signal analogique peut avoir des variations infinitésimales. La quantification correspondant à des niveaux discrets, il en résulte une perte d'information, pour peu que l'on puisse mesurer des variation inférieures aux longueurs d'intervalle de quantification avec des moyens analogiques.

Le signal quantifié est en général un signal électrique, avec un convertisseur analogique-numérique — s'il est d'une autre nature, on le transforme en signal électrique, avec un transducteur. Appelons ΔV la l'amplitude maximale du signal en tension, et δV la plus petite variation du signal numérisé, le pas de discrétisation. Dans le cas d'une quantification uniforme, si l'on a N seuils, on a alors :

δV = ΔV/(N - 1).

En général, N est grand pour que la quantification soit « fine », on peut donc écrire :

δV ≃ ΔV/N.

En général, le signal numérisé est codé en base deux pour un stockage informatique (voir l'article Format de données). La variation minimale δV correspond alors au bit de poids faible ; δV est de fait fréquemment désigné par le sigle LSB, pour least significant bit. Si le signal est codé sur n bits, on a alors

N = 2ⁿ

et

δV(LSB) = ΔV/2ⁿ

Quantifieur scalaire optimal

Le quantifieur optimal est celui qui minimise la distorsion.

Le quantifieur scalaire uniforme est optimal si la source est uniforme. Les signaux audio ou image ne peuvent cependant être considérés comme des sources uniformes, ce qui a conduit à la recherche d'algorithmes permettant de générer un quantifieur optimal, pour tous types de sources. Ce quantifieur est donné par l'algorithme de Lloyd-Max, basé sur les conditions d'optimalités définies par Lloyd en 1957.

Voir aussi

• quantification
• quantification vectorielle
• compression d'image

Références

• M. Antonini and V. Ricordel. Chapitre Quantification, pages 45-72. Traité IC2. Hermès, Paris, janvier 2002.
• Quantization Robert M. Gray, David L. Neuhoff, IEEE Trans. on Inf. Theory, 1998
• Source Coding Theory, Robert M. Gray
• S. P. Lloyd, “Least squares quantization in PCM,” IEEE Trans. Inform. Theory, vol. IT-28, pp. 129-137, Mar. 1982

• Portail de l’électricité et de l’électronique