Quantification scalaire des signaux

Sofia BEN JEBARA

Février 2018

1 Introduction
La Quantification Scalaire (QS) est la deuxième étape de la numérisation de signaux, elle permet de
transformer un signal continu en amplitudes en un signal discret en amplitude. Ce chapitre s’intéresse
à la fois aux fondements théoriques de la QS et son utilisation pratique pour la compression de la
parole en bande téléphonique. Il est organisé de la façon suivante : le paragraphe 2 présente des
définitions. Le paragraphe 3 porte sur la formulation mathématique de la distorsion apportée par
l’opération de quantification. Le paragraphe 4 décrit la méthode de recherche du quantifiacteur
optimal adapté à chaque signal. Le paragraphe 5 présente le concept de la quantification scalaire par
transformation non linéaire. Le paragraphe 6 présente le quantificateur MIC utilisé en téléphonie
pour la transmission de la parole à un débit de 64 Kbits/s. Le dernier paragraphe s’intéresse à la
réalisation pratique d’un tel quantificateur.

2 Définition
La Quantification scalaire (QS) est une règle de correspondance entre le nombre infini de valeurs
possibles et un nombre fini de valeurs. Ainsi, la QS est une application Q de R dans un ensemble Y
de taille N .
Q : R → Y
(1)
x → Q(x),
avec Y = {yi ∈ R/i = 1, .., N } est un ensemble fini.
La règle de correspondance entre x(n) et yi est décrite de la façon suivante

Q(x) = yi si xi−1 < x(n) ≤ xi . (2)

La figure (1) illustre une telle loi de correspondance. Y = {yi }i=1,..,N est appelé dictionnaire. Chaque
yi est appelé niveau de quantification. Chaque xi est appelé niveau de décision.

1
 Q(x)
6
y8

y7
y6
y5

-
x 1 x2 x3 x4 x5 x6 x7 x
y4

y3
y2

y1

Figure 1: Quantification scalaire.

Cas particulier : quantification scalaire uniforme

La QS uniforme est très utilisée dans la pratique. En effet, une fois le nombre de niveaux de
quantification est imposé, il est facile de déterminer tout le quantificateur. La QS non uniforme, par
contre, nécessite la recherche de tous les paramères selon un algorithme adéquat.
Supposons que le signal discret x(n) prend ses valeurs dans l’intervalle [−A, A]. Pour réaliser un
quantificateur uniforme de ce signal, il suffit de partitionner l’intervalle [−A, A] en N intervalles
2A
distincts de même largueur ∆ = et de définir le représentant yi de l’intervalle, par exemple, le
N
milieu de l’intervalle ]xi−1 , xi ] (voir figure (2)).

A − ∆/2 6

A − 3∆/2

-
−A −A + ∆ A−∆ A

−A − ∆/2

−A + ∆/2

Figure 2: Quantification scalaire uniforme.

2
3 Bruit de quantification
3.1 Définition de la distorsion
Pour caractériser la dégradation apportée par l’opération de quantification, on définit un critère
d’optimisation et on propose un modèle simple pour les signaux utilisés.
On suppose que x(n) est la réalisation d’un processus aléatoire X et que l’on cherche à minimiser
l’Erreur Quadratique Moyenne (EQM) appelée aussi distorsion moyenne :
4
D=E {d (x, Q(x))} , (3)

avec d (x, Q(x)) une mesure de distorsion. On utilise couramment la distance euclidienne

d (x, Q(x)) = (x − Q(x))2 . (4)

La distorsion moyenne s’écrit :

N Z
X xi
D= fX (x) (x − Q(x))2 dx. (5)
i=1 xi−1

Considérons le cas d’un signal borné et uniformément réparti dans l’intervalle [xmin , xmax ], c’est à
dire, décrit par l’expression :

1
si x ∈ [xmin , xmax ]

fX (x) = x − xmin (6)
 0 max ailleurs.
Dans le cas de la QS à N niveaux, le pas de quantification uniforme s’écrit :
xmax − xmin
∆= . (7)
N
La distorsion moyenne s’écrit :
∆2
D= . (8)
12
Les étapes de calcul menant à cette relation sont les suivantes :
N Z xi
1 X
D = (x − yi )2 dx
xmax − xmin i=1 xi−1
N
1 X xi
(x − yi )3 xi−1

=
3 (xmax − xmin ) i=1
N
"  3 # xi
1 X xi + xi−1
= x−
3 (xmax − xmin ) i=1 2
xi−1
N  3
2 X xi − xi−1
=
3 (xmax − xmin ) i=1 2
3
2 ∆
= N
3N2 ∆ 8
∆
=
12

3
Dans le cas d’un signal appartenant à l’intervalle [−A, A] et quantifié sur N = 2B niveaux, la
distorsion s’écrit :
 2  2
∆2 1 2A 1 A
D= = = . (9)
12 12 2B 3 2B
Le Rapport Signal à Bruit (RSB) est défini par :

4E {x(n)2 }
RSB = . (10)
D
La puissance duZ signal s’écrit :
∞
4
E {x(n)2 } = x2 fX (x)dx
−∞Z
A
1
= x2 dx
2A −A
 A
1 x3
=
2A 3 −A
1 2
= A.
3
Le RSB s’écrit ainsi :

RSB = 2−2B . (11)

Les performances du quantificateur ne dépendent alors que du nombre de niveaux de quantification
choisi.
Le RSB en dB s’écrit :

4
RSBdB =10 log10 (RSB) = 6.02 B dB . (12)
⇓
Le fait de rajouter un bit revient donc à augmenter le RSB de 6 dB.

4 Optimisation du quantificateur
4.1 Recherche du quantificateur
Dans la pratique, les signaux traités ne sont pas uniformément répartis dans un intervalle [−A, A]. Le
but de ce paragraphe est de rechercher le quantificateur optimal connaissant la densité de probabilité
du signal à quantifier. On cherche donc à déterminer les N niveaux de quantification {yi }i=1,..,N et
les N + 1 niveaux de décision {xi }i=1,..,N +1 .
Le problème d’optimisation devient un problème de recherche de minimum de la fonction D =
XN Z xi
fX (x) (x − yi )2 à 2N +1 paramètres inconnus ({xi , yi }). Les conditions nécessaires d’extrémalité
i=1 xi−1
deviennent alors :
∂D


 = 0 ∀ i = 1, .., N + 1
∂xi . (13)
∂D

 = 0 ∀ i = 1, .., N
∂yi
On obient alors

4
 2 2

Z ixi− yi ) − (xi − yi+1 ) = 0
 (x
. (14)
 fX (x) (x − yi ) dx = 0
xi−1

Mathématiquement, ceci se traduit par

yi + yi+1

 xi = R 2

 ∀ i = 1, .., N + 1
xi
x
xfX (x)dx (15)
 yi = R i−1
 xi ∀ i = 1, .., N
 f (x)dx
xi−1 X

Il apparaı̂t que

• Chaque seuil de décision xi est la demi-somme de 2 niveaux de quantification adjacents yi et

yi+1 .

• Chaque niveau de quantification yi est le centre de masse (centroide) de l’intervalle [xi−1 , xi ]

relativement à la densité de probabilité de la source X.

4.2 Algorithme de LLoyd-Max

Cet algorithme a été développé par Lloyd en 1957 et par Max en 1960. Cependant, les résultats de
Lloyd n’ont pas été publiés en 1957 (rapport interne). Pour cette raison, l’algorithme a pris le nom
Lloyd-Max.
Dans la pratique, on ne connaı̂t pas la densité de probabilité fX (x). Pour construire un quantificateur,
on utilise une base d’apprentissage constituée d’un grand nombre d’échantillons représentant la source
et on applique l’algorithme itératif dont les étapes sont les suivantes.

1. On initialise les niveaux de décision en procédant par exemple à un tirage aléatoire.

2. Connaissant les niveaux de décision, on recherche le plus proche voisin de chaque échantillon
de la base d’apprentissage. On étiquette ainsi chaque échantillon par un numéro.

3. On calcule les niveaux de quantification par un calcul de centroide.

4. On calcule la distorsion moyenne associée à ce quantificateur

5. On remet à jour des niveaux de décision.

6. On arrête l’algorithme si la distorsion est inférieure à un seuil préalablement défini, sinon, on

reprend à partir de l’étape 2.