Chapitre III Compression images et

vidéos

Exercice à faire
Voici une nouvelle chaîne. Essaie de la compresser en suivant les mêmes étapes :
GGGGGHHHIIIIIIJKKKK
1.Découpe les groupes.
[Link] le seuil de 3.
[Link]-moi le résultat compressé.

92
Chapitre III Compression images et
vidéos
La compression consiste à réduire la taille d’un fichier (image ou vidéo) tout en préservant au
mieux sa qualité.
Elle permet de gagner de l’espace de stockage et de faciliter l’envoi ou la diffusion via internet.
Compression d’images:
Objectif :
Réduire le poids d’une image (en Ko ou Mo) sans trop dégrader la qualité visuelle.
Compression de vidéos
Objectif :
Réduire le poids d’une vidéo pour la lecture en ligne, le stockage, ou le streaming.

93
Chapitre III Compression images et
vidéos
On désigne sous le terme d’image numérique toute image (dessin, icône, photographie …)
acquise, créée, traitée ou stockée sous forme binaire (suite de 0 et de 1)
Acquise par des dispositifs comme les scanners, les appareils photo ou caméscopes numériques,
les cartes d’acquisition vidéo (qui numérisent directement une source comme la télévision).
Créée directement par des programmes informatiques, via la souris, les tablettes graphiques ou
par la modélisation 3D (ce que l’on appelle par abus de langage les « images de synthèse »).
Traitée grâce à des outils informatiques. Il est facile de la modifier en taille, en couleur, d’ajouter
ou supprimer des éléments, d’appliquer des filtres variés, etc. Stockée sur un support
informatique (disquette, disque dur, CD-ROM, …)

94
Chapitre III Compression images et
vidéos
Représentations d’images

95
Chapitre III Compression images et
vidéos
Représentations d’images: image numérique
Notion de pixel (picture element)
C’est l’unité indivisible permettant de coder l’information relative à la luminosité en une certaine
position (les pixels sont carrés)

96
 Chapitre III Compression images et
vidéos
Représentations d’images: image numérique
Système de voisinage :
V = {V(s) / s ∊ S} est un système de voisinage
si - s ∉ V(s)
- s ∊ V(t) ⇔ t ∊ V(s)

97
Chapitre III Compression images et
vidéos
Représentations d’images: image numérique
Une image est un tableau de pixels: si le nombre de lignes vaut nl et le nombre
de colonnes vaut nc:

98
Chapitre III Compression images et
vidéos
Représentations d’images: image numérique
La résolution est donnée par le nombre de pixels: nlxnc qui correspond à la
finesse de la description spatiale de l’image (taille du pixel)

99
Chapitre III Compression images et
vidéos
Représentations d’images: image numérique

100
 Chapitre III Compression images et
vidéos
Représentations d’images: image numérique
2 défauts majeurs : le bruit et le flou
Le bruit
• Valeur pixel = mesure
• Toute mesure est bruitée (perturbation atmosphérique, défauts des capteurs,…)
• Différents types de bruit :
– Additif : mesure observée = mesure réelle + B
– Multiplicatif : mesure observée = mesure réelle x B
• Filtrage du bruit : peut être très complexe
• Évalué par la rapport signal / bruit (SNR)
Le flou
Problème de déconvolution

101
 Chapitre III Compression images et
vidéos
Types d’image

Image vectorielle:

C’est une image numérique composée d’objets géométriques individuels (segments de droite, polygones, arcs de
cercle, etc.) définis chacun par divers attributs de forme, de position, de couleur, etc. (définis de manière
mathématique).

Par exemple, une image vectorielle d’un cercle est définie par des attributs de types : position du centre, rayon…

Ces images sont utilisées pour réaliser des schémas ou des plans mais pas exclusivement.

102
 Chapitre III Compression images et
vidéos
Types d’image

Image vectorielle:

Les logiciels de dessin industriel fonctionnent suivant ce principe ; les principaux logiciels de traitement de texte ou de
PAO (Publication Assistée par Ordinateur) proposent également de tels outils (exemple : Illustrator, InDesign, Autocad,
…).

Les outils de 3D (comme 3DSMax, Maya…) fonctionnent eux aussi sur ce principe, et produisent des images vectorielles («
images de synthèse »). Les images vectorielles présentent 2 avantages : elles occupent peu de place en mémoire et
peuvent être redimensionnées sans perte d’informations et sans effet dit : d’escalier (crénelage).

103
Chapitre III Compression images et
vidéos
Types d’image

Image matricielle (Bitmap):

Une image matricielle est formée d’un assemblage de points nommés pixels.

Le nombre de pixels constituant l’image constitue se que l’on appelle la Définition de l’image.

Taille du pixel ou du point d’une image matricielle

Les pixels d’une image matricielle n’ont pas de taille prédéfinie. Ce sont les moyens de projection
(exemple : écran) ou d’impression (exemple : imprimante) qui en fixent leur dimension, leur taille.

104
Chapitre III Compression images et
vidéos
Types d’image

Image matricielle (Bitmap):

Plus la densité des pixels constituant l’image matricielle est élevée, plus le nombre d’informations est
grand, plus l’image est définie, mais aussi plus le poids de l’image est grand.

Le poids de l’image dépend de la quantité de pixels constituant l’image, c’est le pixel qui en informatique
a un poids. Plus le nombre de pixels de l’image matricielle est élevé, plus la place occupée en mémoire
(sur le disque dur, …) sera élevée, mais aussi la durée de traitement sera importante.

105
Chapitre III Compression images et
vidéos

106
 Chapitre III Compression images et
vidéos
Le nombre de pixels d’une image bitmap est sa définition. Les dimensions d’un pixel dans le système métrique
dépendent du support. Comme l’oeil humain ne distingue plus deux points à une certaine distance, les pixels sont
représentés avec une densité de 72 pixels par pouce (1 pouce=2,54 cm) ou 72 ppi (pixels per inch) ou dpi (dots
per inch) sur les écrans et usuellement de 300 dpi pour les impressions papiers. Cette densité de pixels par unité
de longueur s’appelle la résolution d’une image bitmap, elle mesure le rapport entre sa dimension informatique
(définition en pixels) et sa dimension réelle de sa représentation sur support physique (papier ou écran).
résolution = définition/ dimension

Ainsi une image de définition (Largeur, Hauteur) = (400 pixels, 300 pixels) s’affichera avec une largeur de (400/72)
×2, 54 ≈ 14, 1 cm et une hauteur de (300/72) ×2, 54 ≈ 10, 6 cm sur un écran avec une résolution de 72 dpi.

107
Chapitre III Compression images et
vidéos
Types d’image
Différence entre les deux types d’image:

108
Chapitre III Compression images et
vidéos
Types d’image
Différence entre les deux types d’image:

109
Chapitre III Compression images et
vidéos
Format RVB

110
Chapitre III Compression images et
vidéos
Format RVB

111
Chapitre III Compression images et
vidéos
Pourquoi faire la compression des images?

112
 Chapitre III Compression images et
vidéos
1. Qu’est-ce qu’une image numérique ?
A. Une image imprimée
B. Une image décrite par des données numériques
C. Une image dessinée à la main
D. Une photographie uniquement
2. La résolution d’une image s’exprime en :
A. Pixels
B. DPI ou PPP (points par pouce)
C. Mégapixels uniquement
D. Bytes
3. Une image de 1920 x 1080 a combien de pixels ?
A. 2073600
B. 1920
C. 1080
D. Impossible à déterminer

113
Chapitre III Compression images et
vidéos
4. Une image matricielle est composée de :
A. Formes géométriques
B. Pixels
C. Équations
D. Vecteurs
5. Une image vectorielle est constituée de :
A. Pixels colorés
B. Lignes de codes
C. Formes géométriques définies par des équations
D. Points uniquement
6. Quel format est typiquement utilisé pour les images vectorielles ?
A. JPEG
B. PNG
C. SVG
D. BMP

114
Chapitre III Compression images et
vidéos
7. Quel format est utilisé pour les images matricielles ?
A. SVG
B. JPEG
C. EPS
D. HTML
8. Si on agrandit une image vectorielle, elle :
A. Devient floue
B. Reste nette
C. Perd des couleurs
D. Est compressée
9. Si on agrandit une image matricielle, elle :
A. Gagne en qualité
B. Perd en netteté (pixellise)
C. Reste identique
D. Devient vectorielle

115
Chapitre III Compression images et
vidéos
Résolution, dimension et définition d’une image numérique
Contexte :
Un graphiste travaille avec une image destinée à l’impression. Il souhaite s’assurer que la
qualité est suffisante.
Données de l’image :
Largeur : 15 cm Hauteur : 10 cm
Résolution : 300 DPI (points par pouce)
Chaque pixel est codé sur 24 bits (couleur RVB)

116
 Chapitre III Compression images et
vidéos
Définition (en pixels) : Poids de l’image : 24 bits = 3 octets/pixel
Taille en octets = 2 095 386 × 3 = 6 286 158 octets
1 pouce = 2,54 cm
En Mo : 6 286 158 ÷ 1 048 576 ≈ 6 Mo
Largeur en pouces = 15 / 2,54 ≈ 5,91 Nouvelle définition à 150 DPI :
Largeur : 5,91 × 150 ≈ 886 px
Hauteur en pouces = 10 / 2,54 ≈ 3,94 Hauteur : 3,94 × 150 ≈ 591 px
Définition =
Largeur : 5,91 × 300 ≈ 1773 px Explication de "300 DPI" : DPI = "Dots Per Inch" (points par
pouce). Cela signifie que l’imprimante posera 300 points
Hauteur : 3,94 × 300 ≈ 1182 px d’encre par pouce linéaire.
Nombre total de pixels : 1773 × 1182 = 2 095 386 pixels Une résolution élevée comme 300 DPI est idéale pour une
impression de haute qualité, car elle assure une finesse des
détails.

117
 Chapitre III Compression images et
vidéos
Compression des images avec pertes:
Définition
La compression avec pertes est une technique qui réduit la taille d’un fichier image en
éliminant certaines informations, généralement invisibles à l'œil humain.

Elle est utilisée pour gagner de l’espace de stockage et accélérer la transmission des images.
Principe général
1. Identifier les informations redondantes ou moins importantes.
2. Les éliminer ou les approximer.
3. Réorganiser les données restantes dans un format plus compact.

118
 Chapitre III Compression images et
vidéos
Compression des images avec pertes:
Le format JPEG (Joint Photographic Experts Group) est un format d’image compressée qui offre
une bonne compression pour une qualité très correcte.
Ces deux avantages en font l’un des formats d’image les plus répandus, particulièrement sur le
web où les problématiques de transfert et de stockage sont importantes.
Les spécifications de ce format ont commencés entre 1978 et 1980 mais c’est en 1991 que fut
déposée la norme JPEG et en 1992 qu’elle fut adoptée.
La paternité de ce format est communément attribuée à IBM mais celle-ci fut revendiquée par
Forgent en 2006 puis Global Patent Holdings en 2007.
Le format JPEG est représenté par les fichiers .jpeg ou .jpg et offre des taux de compressions
allant de 3 à 100 (autrement dit, le fichier est 3 à 100 fois plus petit que l’image d’origine

119
 Chapitre III Compression images et
vidéos
Compression des images avec pertes:
Le format JPEG
Son successeur existe déjà : il s’agit du format JPEG 2000.
Ce dernier offre une meilleure compression pour une qualité bien plus importante.
Cependant, le format JPEG 2000 est un format propriétaire ce qui freine sa diffusion.
Il n’est donc utilisé que dans un cadre professionnel restreint.

120
A titre d'exemple, l'illustration ci-dessous compare une même
image au format JPEG et au format JPEG2000. Les deux
images ont exactement la même taille.

121
 Chapitre III Compression images et
vidéos
Compression des images avec pertes:
Exemples concrets de compression avec pertes
Exemple 1 – Image JPEG compressée
•Une photo de 5 Mo en format BMP (bitmap, non compressée).
•Après compression JPEG : taille réduite à 500 Ko.
•➤ Visuellement : peu ou pas de différence à l’œil nu, mais les détails très fins ou les textures peuvent être lissés.
Exemple 2 – Enregistrement d’une image en qualité réduite
•En enregistrant une image dans Paint ou Photoshop, on peut choisir un taux de compression :
• 100 % : qualité maximale
• 70 % : bonne qualité, taille réduite
• 30 % : qualité médiocre, très légère

122
Chapitre III Compression images et
vidéos

123
 Chapitre III Compression images et
vidéos
Compression des images avec pertes:
Inconvénients de la compression avec pertes
•Perte d'information irréversible : une fois compressée, on ne peut pas récupérer l'image
originale.
•Si on compresse plusieurs fois la même image : effet de dégradation cumulative.
•Peut causer :
• Flou
• Effets de blocs
• Perte de textures fines

124
 Chapitre III Compression images et
vidéos
Processus de compression

125
 Chapitre III Compression images et
vidéos
Compression des images avec pertes:
La transformation en cosinus discrète (DCT) – utilisée dans JPEG
Principe
La DCT est une transformation mathématique qui convertit une image (ou une partie d’image)
du domaine spatial (pixels) vers le domaine fréquentiel.
L’idée est que :
•Les hautes fréquences contiennent l’essentiel de l’image (formes, couleurs globales),
•Les basses fréquences contiennent les détails fins (textures, bruit, contours nets).
L’œil humain est moins sensible aux hautes fréquences.
Donc : on peut supprimer ou simplifier les basses fréquences pour réduire la taille de l’image — c’est là que se fait la
perte.

126
 Chapitre III Compression images et
vidéos
Compression des images avec pertes:
La transformation en cosinus discrète (DCT) – utilisée dans JPEG
Étapes simplifiées de la méthode DCT (compression JPEG)
1. Division en blocs 8×8
•L’image est découpée en petits blocs de 8×8 pixels.
2. Application de la DCT
•Chaque bloc est transformé avec l’algorithme DCT → on obtient un tableau de coefficients de fréquence.
3. Quantification
•On divise chaque coefficient par un facteur de quantification (valeur plus grande pour les hautes fréquences).
•Puis on arrondit → C’est cette étape qui introduit la perte d'information.
Encodage
•Les blocs quantifiés sont ensuite compressés avec une méthode sans perte (comme Huffman ou RLE).

127
 Chapitre III Compression images et
vidéos
Compression des images avec pertes:
Rendu Visuel:
Prenons un bloc 8×8 pixels avec des variations douces de couleur → après DCT :
•Les valeurs les plus fortes sont concentrées en haut à gauche (basses fréquences).
•Les autres valeurs (détail) sont proches de 0 → donc facilement supprimées ou ignorées.

128
 Chapitre III Compression images et
vidéos
Compression des images avec pertes:
La transformation en cosinus discrète (DCT) – utilisée dans JPEG

Etape Fonction Compression?

DCT Passe du spatial au Non➔ il s’agit d’une
fréquentiel transformation
Quantification Supprime les détails peu Perte
visibles
Codage Haffman Compresse les données Sans perte
restantes

129
 Chapitre III Compression images et
vidéos
Compression des images avec pertes:
Situation de départ :
Imaginez qu’on a une image composée de milliers de petits carrés (pixels), chacun ayant une
couleur précise (valeurs entre 0 et 255).
Étape 1 – Découpage de l’image en petits blocs On coupe l’image en petits blocs de 8x8 pixels.

Pourquoi ? Car on peut compresser chaque petit bloc plus facilement que l’image
entière. C’est comme diviser un gros texte en paragraphes avant de résumer.

Étape 2 – Identifier ce qui est important (DCT simplifiée) On transforme chaque bloc pour
séparer l’essentiel (formes globales) des détails très fins (textures, bruit).
Imaginez que tu transformes une chanson en 2 pistes :
Les basses (importantes)
Les aigus (souvent du bruit ou des détails qu’on ne perçoit pas)
130
 Chapitre III Compression images et
vidéos
Compression des images avec pertes:
Étape 3 – Supprimer les détails moins utiles (Quantification)
On garde surtout les informations de base (formes, couleurs principales) et on jette ou simplifie
les détails moins visibles.
Un ciel bleu avec quelques nuages : on garde le bleu du ciel, mais on simplifie les
nuages (moins de pixels pour eux)

Étape 4 – Reconstitution approximative (Décompression)

Quand on affiche l’image compressée, on reconstruit une version qui ressemble beaucoup à
l’originale, mais certains détails fins ont disparu.
Image originale : 100% qualité, 5 Mo Image compressée : 80% qualité, 500 Ko
➔ Elle a quasiment le même aspect… mais elle est 10x plus légère.
131
 Chapitre III Compression images et
vidéos
Compression des images avec pertes:
Énoncé :
On a une image en niveaux de gris représentée par les 16 pixels suivants (valeurs de 0 à 255, 0 =
noir, 255 = blanc) :
Bloc original (4x4 pixels) :
1) Calcule la valeur moyenne des pixels du bloc.
[100, 102, 98, 101] 2) Crée une version compressée du bloc où tous les
[99, 103, 100, 102] pixels sont remplacés par la valeur moyenne (technique
très simple de compression).
[101, 100, 102, 99] 3) Quelle est la perte d’information ? Est-ce visible si on
affiche ce bloc seul ?
[100, 98, 103, 101]

132
 Chapitre III Compression images et
vidéos
Compression des images avec pertes:
Énoncé :
On a une image en niveaux de gris représentée par les 16 pixels suivants (valeurs de 0 à 255, 0 =
noir, 255 = blanc) :
1) Moyenne :
Bloc original (4x4 pixels) : Total = 100 + 102 + 98 + 101 + 99 + 103 + 100 + 102 + 101 + 100 + 102 + 99 + 100 + 98
[100, 102, 98, 101] + 103 + 101 = 1609
Moyenne = 1609 / 16 = 100.56 → arrondie à 101
[99, 103, 100, 102] 2)
[101, 100, 102, 99]
[100, 98, 103, 101]

133
Chapitre III Compression images et
vidéos

134
Chapitre III Compression images et
vidéos
Etape 1: Transformation de couleurs
Pourquoi changer d’espace de couleurs ?
•Le format RGB (Rouge, Vert, Bleu) est parfait pour l’affichage, mais peu optimal pour la
compression.
•L’œil humain est plus sensible à la luminosité (intensité) qu’aux détails chromatiques (couleurs).
•L’espace YCbCr sépare l'information de luminosité (Y) de l'information de couleur (Cb, Cr), ce
qui permet une meilleure compression perceptuelle.
Composant Description
Y Luminance (brightness)
Cb Chrominance bleue (Blue difference)
Cr Chrominance rouge (Red difference)

135
Chapitre III Compression images et
vidéos
Etape 1: Transformation de couleurs
Formules de conversion (approximatives) :
Pour passer de RGB vers YCbCr, on utilise généralement :
•Y=0.299R+0.587G+0.114B
•Cb=−0.1687R−0.3313G+0.5B+128
•Cr=0.5R−0.4187G−0.0813B+128
➔ Le décalage +128 permet de recentrer les composantes Cb et Cr autour de 128 pour pouvoir
les coder dans une plage [0,255].

136
Chapitre III Compression images et
vidéos
Etape 1: Transformation de couleurs
Avantage pour la compression
•Une fois convertie en YCbCr, l’image peut être sous-échantillonnée :
• Par exemple, on peut réduire la résolution de Cb et Cr, car l’œil humain ne perçoit pas bien les
détails fins des couleurs.
• Cela réduit considérablement la taille des données sans affecter la qualité perçue.

137
 Chapitre III Compression images et
vidéos
Etape 1: Transformation de couleurs
Explication:
Y (Luminance) :
• C’est l’intensité lumineuse de l’image.
• Elle ressemble à une image en niveaux de gris.
• Toutes les informations de forme et de structure du visage (contours, yeux, cheveux...) y sont visibles.
Cb et Cr (Chrominance) :
• Ce sont des composantes de couleur, mais elles ne contiennent pas de lumière.
• Individuellement, elles paraissent aussi en gris, car elles représentent des écarts de couleur par rapport à une base neutre.
• C’est pourquoi ton visage semble en noir et blanc quand on les regarde seules.
Quand voit-on les vraies couleurs ?
Les vraies couleurs apparaissent lorsqu’on combine Y, Cb, et Cr dans l’espace YCbCr complet (comme dans une télé ou une image JPEG
reconstituée).

138
Chapitre III Compression images et
vidéos
Etape 1: Transformation de couleurs

Composante Rôle Apparence visuelle

Y (Luminance) Donne la luminosité, les formes Grayscale (niveau de gris)
Mesure combien l'image tire vers Grayscale aussi, mais représente
Cb (Chrominance bleue)
le bleu la colorimétrie bleue
Mesure combien l'image tire vers Grayscale aussi, mais pour la
Cr (Chrominance rouge)
le rouge colorimétrie rouge

139
 Chapitre III Compression images et
vidéos
Etape 2: Sous échantillonnage
Notation des formats YCbCr :
Le format est souvent noté J:a:b, comme 4:4:4, 4:2:2, 4:2:0. Voici ce que ça signifie :
J = taille horizontale de référence, souvent 4 pixels (par convention) a = nombre d’échantillons
de chrominance sur la ligne du haut b = nombre d’échantillons de chrominance sur la ligne du
bas
Format Y (luminance) Cb & Cr (chrominance) Signification
Qualité maximale, aucune
4:4:4 Pas de réduction Même taille que Y
compression
Moins de couleur à
4:2:2 Plein échantillon 2x moins horizontalement
l’horizontale
Réduction maximale des
4:2:0 Plein échantillon 2x moins horizontalement et verticalement
couleurs
140
 Chapitre III Compression images et
vidéos
Etape 2: Sous échantillonnage
Exemple pratique
Imaginons un bloc de 16 pixels (4x4) :
• En 4:4:4 :
• Y : 16 valeurs
• Cb : 16 valeurs
• Cr : 16 valeurs

• En 4:2:2 : (horizontale)
• Y : 16 valeurs
• Cb : 8 valeurs
• Cr : 8 valeurs

• En 4:2:0 : (horizontale+verticale)
• Y : 16 valeurs
• Cb : 4 valeurs
• Cr : 4 valeurs

On garde toute la structure de l’image (Y), mais on compresse fortement la couleur, en divisant l’information par 2 ou 4.

141
 Chapitre III Compression images et
vidéos
Calcul du format 4:4:4 (Pas de partage)Ici, chaque pixel possède sa propre information de couleur. Calcul :
1 (Y) + 1 (Cb) + 1 (Cr) par pixel.
Pour 16 pixels : 16 x 1 = 16 valeurs de chaque.
Calcul du format 4:2:2 (Partage Horizontal)
On décide que deux pixels voisins sur une ligne partagent la même couleur. On divise donc le nombre de colonnes de couleur par 2.
Ligne 1 : 4 pixels Y mais seulement 2 échantillons de couleur.
Ligne 2 : 4 pixels Y mais seulement 2 échantillons de couleur.
(Idem pour les lignes 3 et 4).
Total : 2 (échantillons) x 4 (lignes) = 8 valeurs de Cb et 8 de Cr.
Calcul du format 4:2:0 (Partage Horizontal + Vertical) C'est le plus efficace.
On forme des carrés de 2 x 2 pixels (4 pixels au total). Ces 4 pixels vont "piocher" dans un seul échantillon de couleur commun.
Bloc 1 (en haut à gauche) : 4 pixels Y partagent 1 Cb et 1 Cr.
Bloc 2 (en haut à droite) : 4 pixels Y partagent 1 Cb et 1 Cr.
Bloc 3 (en bas à gauche) : 4 pixels Y partagent 1 Cb et 1 Cr.
Bloc 4 (en bas à droite) : 4 pixels Y partagent 1 Cb et 1 Cr.
Total : Il n'y a que 4 "zones" de couleur pour tout le bloc de 16 pixels. Soit 4 valeurs de Cb et 4 de Cr.

142
143
144
145
146
Chapitre III Compression images et
vidéos
Etape 2: Sous échantillonnage
Le sous-échantillonnage consiste à réduire la résolution des composantes Cb et Cr, tout en
gardant la luminance Y intacte.
Effet sur l’image
•En 4:4:4 : couleurs nettes
•En 4:2:2 : perte subtile de couleur latérale
•En 4:2:0 : les couleurs deviennent un peu plus floues, surtout autour des bords
Mais l’image reste visuellement acceptable, surtout pour l’œil humain !

147
Chapitre III Compression images et
vidéos
Etape 3: Découpage en blocs de pixels
L’objectif de cette étape est de préparer l’image pour la transformation en domaine fréquentiel
(via la DCT – Discrete Cosine Transform). Cela ne se fait pas sur l’image entière, mais bloc par
bloc, pour optimiser la compression locale.
Comment ça fonctionne ?
Après la conversion en YCbCr et éventuellement le sous-échantillonnage, chaque composante (Y,
Cb, Cr) est découpée en blocs de 8×8 pixels.
Pour chaque composante :
•On prend des blocs de 8 lignes et 8 colonnes, soit 64 pixels.
•Si la largeur ou la hauteur de l’image n’est pas un multiple de 8, on complète (padding) avec des
pixels copiés ou interpolés.

148
Chapitre III Compression images et
vidéos
Etape 3: Découpage en blocs de pixels
Exemple concret :
Imaginons que la composante Y d’une image fasse 16×16 pixels (après sous-échantillonnage ou non) :
•On va obtenir :
• 4 blocs de 8×8 (car 16 / 8 = 2, donc 2 blocs en largeur × 2 blocs en hauteur = 4 blocs)
•Et on applique la DCT bloc par bloc.
Pour les composantes Cb et Cr, le nombre de blocs dépend du sous-échantillonnage :
•En 4:4:4 → même taille que Y → même nombre de blocs
•En 4:2:2 → la largeur est divisée par 2
•En 4:2:0 → largeur ET hauteur divisées par 2

149
Chapitre III Compression images et
vidéos
Etape 3: Découpage en blocs de pixels
Pourquoi 8×8 ?
•Ce compromis est un excellent équilibre entre :
• Qualité de compression
• Temps de traitement
• Complexité calculatoire

•Les blocs plus petits ne compressent pas bien, les blocs plus grands nécessitent plus de calculs et
peuvent produire des artefacts visibles (comme le blocage JPEG).

150
Chapitre III Compression images et
vidéos
Etape 3: Découpage en blocs de pixels
Pourquoi 8×8 ?
Efficacité mathématique avec la DCT
JPEG repose sur la Discrete Cosine Transform (DCT), qui permet de transformer un bloc d'image
du domaine spatial vers le domaine fréquentiel.
•La DCT 2D sur des blocs 8×8 a été très bien étudiée et optimisée.
•Elle donne une bonne séparation entre basse fréquence (les détails globaux) et hautes
fréquences (les petits détails, souvent du bruit).
•Cela permet de supprimer intelligemment les hautes fréquences pour compresser sans trop de
perte de qualité.

151
Chapitre III Compression images et
vidéos
Etape 3: Découpage en blocs de pixels

Taille de bloc Avantages Inconvénients

Mauvaise compression, faible
4×4 Très rapide, peu de calculs
séparation fréquence
Bon compromis : qualité, vitesse,
8×8 Standardisé, très utilisé
compression
Artefacts visibles (effet de bloc),
16×16 Meilleure compression globale
coûteux en calcul

152
Chapitre III Compression images et
vidéos
Etape 3: Découpage en blocs de pixels
Standardisation et compatibilité matérielle
•En 1992, lors de la normalisation JPEG, les processeurs de l’époque n’étaient pas très rapides.
•Le 8×8 était une taille facile à coder en assembly et optimisable matériellement (multiples de 2,
4, 8).
•Cela reste vrai aujourd’hui : de nombreux codecs JPEG sont optimisés en matériel pour 8×8.
Effet visuel sur l’œil humain
•L’œil est moins sensible aux hautes fréquences chromatiques : la DCT permet de reconstruire
surtout les basses fréquences, qui suffisent à donner une bonne perception visuelle.
•Des blocs plus grands créeraient des effets de bloc (blocage) visibles, surtout à faible qualité.

153
Chapitre III Compression images et
vidéos

154
 Chapitre III Compression images et
vidéos
Transformation en cosinus discrète (DCT)

Objectif :

Passer du domaine spatial (valeurs des pixels) au domaine fréquentiel (composantes de fréquence). Cela permet :

• De concentrer l’information dans quelques coefficients

• De séparer les basses fréquences (détails importants) des hautes fréquences (bruit, détails fins)

Formule 2D de la DCT (pour un bloc 8×8) :

Le coefficient DC (en haut à gauche) : C'est la moyenne du bloc. C'est l'information la plus importante (la luminosité globale).
Les coefficients AC (le reste) : Plus on descend vers la droite, plus on représente des détails fins (hautes fréquences).

155
 Chapitre III Compression images et
vidéos
Transformation en cosinus discrète (DCT)

156
Chapitre III Compression images et
vidéos
Transformation en cosinus discrète (DCT)
Pourquoi le "Cosinus" ?

Le cosinus est utilisé car il permet de représenter n'importe quel signal (image) comme une
superposition d'ondes.
Basses fréquences (u, v proches de 0) : Représentent les variations lentes (dégradés, zones
uniformes).
Hautes fréquences (u, v proches de 7) : Représentent les changements brusques (contours, détails
très fins, bruit).

Le coefficient DC (F(0,0)) : C'est simplement la moyenne de luminosité du bloc.

Si vous multipliez tous les pixels par le cosinus de 0 (qui vaut 1), la somme devient la moyenne.

157
 Chapitre III Compression images et
vidéos
Exemple:
0 1 2 3 4 5 6 7

0 10 12 10 8 5 2 0 0
Calcul du coefficient DC (u=0, v=0)
1 12 14 12 10 6 3 1 0
Le coefficient DC représente la valeur moyenne du bloc. C'est l'énergie
2 10 12 10 8 5 2 0 0 dominante.
3 8 10 8 6 4 1 0 0

4 5 6 5 4 2 0 0 0

5 2 3 2 1 0 0 0 0

6 0 1 0 0 0 0 0 0

7 0 0 0 0 0 0 0 0

158
 Chapitre III Compression images et
vidéos
Exemple:
0 1 2 3 4 5 6 7

0 10 12 10 8 5 2 0 0
47
1 12 14 12 10 6 3 1 0 Calcul du premier coefficient AC horizontal (u=1, v=0)
58
Ce coefficient mesure la variation d'intensité horizontale (fréquence
47 2 10 12 10 8 5 2 0 0
spatiale).
31
3 8 10 8 6 4 1 0 0
22
8 4 5 6 5 4 2 0 0 0

1 5 2 3 2 1 0 0 0 0
0
6 0 1 0 0 0 0 0 0

7 0 0 0 0 0 0 0 0

159
 Chapitre III Compression images et
vidéos Calcul du premier coefficient AC horizontal (u=1, v=0)
Ce coefficient mesure la variation d'intensité horizontale (fréquence
spatiale).
Exemple:
0 1 2 3 4 5 6 7

0 10 12 10 8 5 2 0 0
47
1 12 14 12 10 6 3 1 0
58
47 2 10 12 10 8 5 2 0 0
31
3 8 10 8 6 4 1 0 0
22
8 4 5 6 5 4 2 0 0 0

1 5 2 3 2 1 0 0 0 0
0
6 0 1 0 0 0 0 0 0

7 0 0 0 0 0 0 0 0

160
Chapitre III Compression images et
vidéos
u\v 0 1 2 3 4 5 6 7

0 21,13 23,95 4,21 -3,10 -1,12 0,50 0,21 -0,15

1 18,45 12,10 2,15 -1,20 -0,80 0,32 0,10 -0,05

2 5,20 3,15 0,80 -0,40 -0,20 0,10 0,05 0,00

3 -1,10 -0,85 -0,30 0,15 0,08 -0,02 0,00 0,00

4 -0,50 -0,40 -0,15 0,08 0,05 -0,01 0,00 0,00

5 0,20 0,15 0,05 -0,02 -0,01 0,00 0,00 0,00

6 0,10 0,08 0,02 0,00 0,00 0,00 0,00 0,00

7 -0,05 -0,03 0,00 0,00 0,00 0,00 0,00 0,00

161
 Chapitre III Compression images et
vidéos
Quantification
Objectif :
Réduire la précision des coefficients DCT pour compresser l'information, en éliminant ceux que
l'œil humain ne perçoit pas bien (les hautes fréquences).
Méthode :
On divise chaque coefficient F(u,v) par une valeur dans une matrice de quantification Q(u,v),
puis on arrondit :

162
 Chapitre III Compression images et
vidéos
Quantification
matrice de quantification Q(u,v)
Il n'existe pas une seule matrice Q, mais des standards. La plus utilisée (recommandée par le
JPEG) pour la luminance est celle-ci :
16 11 10 16 24 40 51 61

12 12 14 19 26 58 60 55

14 13 16 24 40 57 69 56

14 17 22 29 51 87 80 62

18 22 37 56 68 109 103 77

24 35 55 64 81 104 113 92

49 64 78 87 103 121 120 101

72 92 95 98 112 100 103 99

163
 Chapitre III Compression images et
vidéos
Quantification Le mécanisme de calcul
Pour chaque case (u, v) de votre bloc DCT :
16 11 10 16 24 40 51 61 Vous prenez le coefficient F(u, v) calculé précédemment.
12 12 14 19 26 58 60 55
Vous le divisez par le nombre correspondant Q(u, v) dans la
matrice Q.
14 13 16 24 40 57 69 56 Vous arrondissez le résultat à l'entier le plus proche.
14 17 22 29 51 87 80 62
Exemple concret :
Prenons votre coefficient DC : F(0, 0) = 21,13.
18 22 37 56 68 109 103 77 La première valeur de la matrice Q est Q(0, 0) = 16.
24 35 55 64 81 104 113 92 Calcul :
QF(0, 0) = round (21,13 / 16) = round (1,32) = 1.*
49 64 78 87 103 121 120 101
Prenons un coefficient de haute fréquence, par exemple en bas
72 92 95 98 112 100 103 99 à droite :
F(7, 7) env 0,00.
La valeur Q(7, 7) = [Link] : QF(7, 7) = round(0,00 / 99) = 0.

164
 Chapitre III Compression images et
vidéos
Codage
Objectif :
Une fois les coefficients DCT quantifiés, on applique un codage entropique pour compresser
davantage les données. Cela se fait en deux sous-étapes :
Ordre en zig-zag : transforme la matrice 8×8 en un vecteur
Codage RLE + Huffman : encode le vecteur de manière compacte
Parcours en Zig-Zag
Pourquoi ?
Le zig-zag permet de regrouper d’abord les coefficients de basse fréquence (importants) et de placer
les hautes fréquences (souvent nulles) à la fin du vecteur, ce qui favorise le codage RLE (run-length
encoding).

165
Chapitre III Compression images et
vidéos
Codage

166
 Chapitre III Compression images et
vidéos
Codage
QF =
[[52, 3, 0, 0, 0, 0, 0, 0],
[2, 1, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0], [52, 3, 2, 1, 0, 0, 0, 0, 0, ...] # 64 éléments
[0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0]]

167
 Chapitre III Compression images et
vidéos
Codage
Codage RLE + Huffman
Étape 1 : RLE (Run-Length Encoding)
•On encode les séquences de zéros de manière compacte.
Format JPEG :
Chaque coefficient AC est codé en (nombre de zéros, taille) + valeur binaire
Le DC (F[0]) est codé en valeur différentielle.

168
 Chapitre III Compression images et
vidéos
Codage
Codage RLE + Huffman
Exemple :
Vecteur zig-zag :
[52, 3, 2, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, ...]
DC
AC
Après avoir appliqué la DCT (Transformée en Cosinus Discrète) sur un bloc 8×8, on obtient une matrice
de coefficients fréquentiels :
•Le coefficient en haut à gauche (position 0,0) s’appelle le DC
•Tous les autres coefficients (1 à 63) s’appellent les AC

169
 Chapitre III Compression images et
Codage
vidéos
Codage RLE + Huffman [52, 3, 2, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, ...]
Encodage RLE (zéros,
Index Valeur Nb zéros précédents Remarques
taille(valeur))

0 52 – DC = 52 Coefficient DC (position 0,0)

1 3 0 (0,2): 3 AC
2 2 0 (0,2): 2 AC
3 1 0 (0,2): 1 AC

4 0 – début d'une série de zéros

5 0 –
6 0 –
7 0 –
8 0 –
9 0 –
10 0 –
11-23 0 13 zéros au total (0,0) EOB (End Of Block)

170
 Chapitre III Compression images et
Codage
vidéos
Codage RLE + Huffman [52, 3, 2, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, ...]
Résultat final du codage :
•DC = 52
•AC :
• (0,2): 3
• (0,2): 2
• (0,2): 1
• (0,0) : End of Block

171
Chapitre III Compression images et
vidéos
Codage
Exercice d’application:
On vous donne le vecteur suivant (déjà transformé en zig-zag et quantifié) :
[48, 5, 0, 0, -2, 0, 0, 0, 3, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0]
Questions
[Link] le coefficient DC et les coefficients AC
[Link] la taille binaire de chaque valeur AC non nulle
3.Réalisez le codage RLE du vecteur AC (en ignorant le DC)
[Link] le résultat final complet sous la forme :

172
 Chapitre III Compression images et
vidéos
Codage
Exercice d’application:
Index : 0 1 2 3 4 5 6 7 8 9 10 ...
Valeur : [48, 5, 0, 0, -2, 0, 0, 0, 3, 0, 0, ..., 0]
DC = 48
AC = [5, 0, 0, -2, 0, 0, 0, 3, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0]
Taille binaire des valeurs non nulles :
Valeur Valeur absolue Taille binaire Bits nécessaires
5 5 101 3 bits
-2 2 10 2 bits
3 3 11 2 bits
1 1 1 1 bit
173
 Chapitre III Compression images et
vidéos
Codage
Exercice d’application:
Codage RLE

On va maintenant parcourir les AC un par un et compter les zéros avant chaque valeur ≠ 0 :

Index (AC) Valeur Nb zéros avant Encodage RLE

1 5 0 (0,3): 5
4 -2 2 (2,2): -2
8 3 3 (3,2): 3
16 1 7 (7,1): 1
17–23 0 fin de bloc (0,0)

174
 Chapitre III Compression images et
vidéos
Codage
Exercice d’application:
Résultat final

DC = 48

AC =

(0,3): 5

(2,2): -2

(3,2): 3

(7,1): 1

(0,0) // End of Block

175
Chapitre III Compression images et
vidéos
I. Exercice
(Espace RGB)Soit un bloc de deux pixels adjacents horizontalement (représentant le début d'une ligne dans un bloc 8 x 8).
Pixel 1 (P1) : R=150, G=100, B=80
Pixel 2 (P2) : R=160, G=110, B=90
Transformez P1 et P2 dans l'espace YCbCr en utilisant les formules standards (arrondir à l'unité) :
Y = 0.299R + 0.587G + 0.114B
Cb = -0.1687R - 0.3313G + 0.5B + 128
Cr = 0.5R - 0.4187G - 0.0813B + 128
Pour P1 (150, 100, 80) :Y1 = (0.299 x150) + (0.587x 100) + (0.114 x 80) = 44.85 + 58.7 + 9.12 = 112.67 =113
Cb1 = (-0.1687 x 150) - (0.3313 x 100) + (0.5 x 80) + 128 = -25.3 - 33.13 + 40 + 128 = 109.57 = 110
Cr1 = (0.5 x 150) - (0.4187 x 100) - (0.0813 x 80) + 128 = 75 - 41.87 - 6.5 + 128 = 154.63 = 155
Pour P2 (160, 110, 90) :$Y_2 = (0.299 x 160) + (0.587 x 110) + (0.114 x 90) = 47.84 + 64.57 + 10.26 = 122.67 = 123
Cb2 = -27 - 36.44 + 45 + 128 = 109.56 = 110
Cr2 = 80 - 46.05 - 7.31 + 128 = 154.64 =155

176
Chapitre III Compression images et
vidéos
I. Exercice
Sous-échantillonnage :
Appliquez un sous-échantillonnage 4:2:2 sur ces deux pixels.
Quelles sont les nouvelles valeurs ?
Dans le format 4:2:2, on conserve toute la luminance, mais on réduit la chrominance horizontalement
(une valeur de couleur pour deux pixels).
Valeurs conservées : Y1 = 113 et Y2 = 123.
Moyenne de chrominance :
Cbfinal = (110 + 110) / 2 = 110
Crfinal = (155 + 155) / 2 = 155
Résultat : Pour deux pixels originaux (6 valeurs), nous n'en stockons plus que 4 (Y1, Y2, Cb, Cr).

177
Chapitre III Compression images et
vidéos
Pixel Composante Y Composante Cb Composante Cr

P1 113 110 155

P2 123 110 155

110 155

178