Documente Academic
Documente Profesional
Documente Cultură
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
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
A − ∆/2 6
A − 3∆/2
-
−A −A + ∆ A−∆ A
−A − ∆/2
−A + ∆/2
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
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 :
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
Il apparaı̂t que
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.