Organisation de journée
|
|
- Arthur Corbeil
- il y a 8 ans
- Total affichages :
Transcription
1 Organisation de journée Introduction et principes généraux - contexte et définition des besoins - rappels en théorie de l information Compression sans pertes - codage entropique - codage par plage - algorithme LZW (zip, GIF) Compression avec pertes - quantification scalaire et vectorielle - codage par transformation linéaire (JPEG) [- codage hiérarchique et multirésolution, (JPEG 2000)]
2 Introduction et principes généraux Contexte et définition des besoins «monde numérique» stockage et transmission d information sous forme binaire - efficacité : optimisation des capacités de stockage et de l utilisation de la bande passante compression ou codage source : suppression de la redondance suppression de l information «inutile» ou non perceptible - robustesse aux erreurs de transmission codage canal : ajout maîtrisé de redondance - sécurité / services augmentés : codage cryptographique, tatouage
3 Introduction et principes généraux Compression ou codage source Exemple: vidéo Haute Définition: x720 pixels - 24 bits / pixel (couleur) Hz débit source: 2 Gbits / s!!! (sans compter le son haute définition multi-voies ) - suppression de la redondance : compression sans perte on peut reconstruire le signal binaire initial exactement. - suppression de l information «inutile» ou non (peu) perceptible : compression avec pertes on ne peut pas reconstruire exactement le signal initial.
4 Quelques définitions Débit : ressource binaire (nombre de bits) utilisée pour coder une seconde de signal (pour les signaux temporels!) Taux de compression : rapport du débit sans compression et du débit avec compression ou rapport entre la place requise pour le stockage sans et avec compression. Complexité : degré de sophistication de l algorithme mesuré par la charge de calcul par unité de temps (MIPS) et par l occupation des mémoires du système Contrainte de temps-réel et retard algorithmique Qualité (pour compression avec pertes) : qualité perçue du signal restitué en regard du signal original Mesure des distorsions/dégradations ou «bruit de codage»
5 De la difficulté d évaluer la qualité Difficultés de trouver une mesure de qualité objective différentes formes de bruit différents effets Recherche d une mesure objective corrélée au système perceptif (difficile) Evaluation subjective par tests perceptifs sur signaux codés et originaux (fastidieux et cher)
6 De la difficulté d évaluer la qualité: critères numériques classiques Erreur Absolue Moyenne (EAM, ou MAE pour Mean Absolute Error) : MAE = M N ~ 1 f ( m,n) f ( m,n) M N m= 1 n= 1 Erreur Quadratique Moyenne (EQM, ou MSE pour Mean Square Error) : MSE = ( M N ~ 1 f ( m,n) f ( m,n) M N m= 1 n= 1 ) 2 Rapport Signal à Bruit (RSB, ou SNR pour Signal to Noise Ratio) : 1 f ( m,n ) M N SNR= 10 log ~ 1 ( ( ) ( ) ) f m, n f m, n M N M M N 2 m= 1 n= 1 N 2 m= 1 n= 1 Rapport Signal à Bruit de Crête (RSBC, ou PSNR pour Peak Signal to Noise Ratio) : PSNR= 10 log M N ~ 1 M N f ( m,n) f ( m,n) m= 1 n= 1 ( ) 2
7 Le trio infernal! (TM L. Girin) Confort de l utilisateur Qualité Débit Capacité du canal de transmission ou du support de stockage Complexité Temps réel Retard faible Puissance du microprocesseur Capacité des mémoires
8 Le trio infernal! (TM L. Girin) Un gain dans un domaine se paye dans l autre il faut trouver des compromis Un système est optimal - s il maximise les performances (qualité) pour un débit donné - ou s il minimise le débit pour un niveau de performances donné. Si débit et qualité sont fixés, on cherche à réduire la complexité. compression Les codeurs ont tendance à être de plus en plus complexes Optimisation à débit fixé Optimisation à qualité fixée Limite avec / sans perte qualité
9 Rappels en théorie de l information Définition de l entropie: H(i) = N,M x,y = 1 [ ] p(ix,y )log2 p(ix,y ) Exemples: source binaire p(ix,y=0)=1/2, p(ix,y=1)=1/2, H(i)=1 bit pour une image en niveau de gris quelconque: p(ix,y=0)=p(ix,y=1)= =p(ix,y=255)=1/256 H(i)=8 bits Nombre minimum théorique de bits/pixel nécessaire au codage sans perte. sans tenir compte de la redondance du signal!
10 Rappels en théorie de l information Théorème du codage sans bruit sans mémoire: H(i) lmoy(i) H(i)+ 1 en regroupant N symboles: Illustration: (H=0.88) 0 0 et p= et p= et p= et p= et p= et p= 0.09 lmoy(i) H(i) H(i)+ 1 N N lmoy/n=1 lmoy/n=0.9
11 Rappels en théorie de l information Mais on peut descendre sous l entropie Théorème du codage d une source sans bruit avec mémoire: 0 Ham(i) H sm(i) Exemple: S: Si on ne considère que 1 symbole à la fois: p(x=0)=p(x=1)=p(x=2)=p(x=3)=1/4 et H=2 Si on considère des mots de codes contenant 4 symboles: p(x=0123)=p(x=3210)=1/2 et H=1 Cas limite si on considère des mots de codes contenant 8 symboles: p(x= )=1 et H=0, le signal est déterministe!
12
13 Compression sans perte: codage entropique Principe : utiliser des codes à longueur variable (VLC) pour coder les symboles les plus fréquents avec peu de bits, au prix d un nombre plus élevé de bits pour les symboles les moins fréquents. Décodage Le décodeur doit savoir séparer les différents symboles. synchronisation utilisation de codes préfixés: chaque code n est le début d aucun autre Construction du code: Codage de Shannon Fano, Huffman,
14 Compression sans perte: codage entropique Codage de Huffman (résultat non unique): Symb. N1 000 N2 001 N3 010 N4 011 N5 100 N6 101 N7 110 N8 111 Proba. 0,30 0,18 0,15 0,10 0,10 0,07 0,05 0,05 0, ,20 0, , ,17 0, Lmoy=2,79 Huffman Exploite la redondance statistique, mais pas la redondance spatiale (ou temporelle) utilisation pour coder des paires / triplets de valeurs. S utilise sur les valeurs initiales ou après transformation (présent dans tous les codecs)
15 Compression sans perte: codage par plage Run Length Encoding (RLE) Principe: coder le nombre de fois ou apparaît un symbole. Exemple: S: : codage: nombre de répétition sur 3 bits suivi de la valeur codée: effet néfaste en l absence de plages uniformes intéressant dans le cas binaire («stack filters») - s applique au signal initial ou après une transformation - dans le cas bi-dimensionnel: choix du parcours.
16 Compression sans perte: algo. LZW Algorithme Lempel Ziv Welch Principe: coder des chaînes de caractères qui se répètent. Les chaînes sont stockées dans une mémoire (table de traduction) et sont codées par l adresse correspondante. Chaque nouvelle chaîne «apprise» est codée à la première adresse disponible Codes de longueur constante = + la chaîne est longue, meilleure est la compression Base des formats.zip,.gif. Particulièrement efficace pour les images synthétiques (logos, plans, schémas ). Meilleur que JPEG sur ce type d image : pas de perte et meilleur taux! Point-clef: apprentissage dynamique des chaînes de caractère qui se répètent apprentissage identique par le codeur et le décodeur.
17 Compression avec perte: méthodes par quantification Principe général Définition : conversion de la valeur s du signal prélevé (pouvant prendre éventuellement une infinité de valeurs) en la valeur la plus proche parmi un ensemble fini de N valeurs prototypes si d un dictionnaire au sens d une certaine distance (ou distorsion) Justification : capacité finie des éléments des systèmes numériques Les prototypes sont sensés représenter correctement les valeurs du signal partition de l espace de ces valeurs
18 Compression avec perte: méthodes par quantification Principe général Q s trouver le plus proche voisin s1 s2 sn i Q-1 inspection dans le dictionnaire s1 s2 s N Codage : remplacer une donnée par l index du prototype associé (rang dans le dictionnaire) Décodage : remplacer un index par le prototype associé (dictionnaire préalablement transmis au décodeur) Complexité codage >> décodage sq
19 Compression avec perte: méthodes par quantification Attention! La quantification est une opération non-linéaire! (x+y)q xq + yq La quantification est une opération irréversible! codage avec pertes/bruit! C est là que l essentiel du gain est souvent réalisé mais c est aussi le prix à payer!
20 Compression avec perte: méthodes par quantification Quantification scalaire Scalaire = échantillon par échantillon Résolution b = log2n si b entier on peut coder de manière unique (inversible) chaque prototype par un mot binaire de b bits b = nombre de bits/échantillon débit fixe d = bfe (en bits/s) si b est non entier, les codes ont généralement une longueur variable (ceci peut être vrai aussi si b entier) débit variable valeur moyenne N ne doit pas être trop grand!
21 Compression avec perte: méthodes par quantification Quantification scalaire: Bruit/erreur de quantification Définition : q = sq s Critère de performance = minimisation de la distorsion moyenne D, s considéré comme un processus aléatoire D = d ( s, sq ) ps ( s )ds Cas particulier : d = erreur quadratique, D = puissance moyenne de q ( ) D = σ q2 = s sq 2 ps ( s )ds Avantages : simplicité, résultats analytiques, sens physique Inconvénients : pas forcément corrélée avec perception mais fondement pour mesures «perceptives» plus élaborées En pratique, moyennage sur M échantillons
22 Compression avec perte: méthodes par quantification Rapport signal sur bruit (RSB) Définition : rapport des puissances du signal et du bruit de quantification RSBdB = 10 log10 σ s2 σ 2 q
23 Compression avec perte: méthodes par quantification Haute résolution Définition : cas N très grand + prototypes «bien placés» distorsion moyenne D faible Hypothèse utile pour dériver des mesures de performances et guider l élaboration d un quantificateur Exemples d approximations utiles sous HR : s et q sont non corrélés la DDP marginale de q est uniforme le processus q(n) est blanc (séquence non-corrélée) Attention! hypothèses pas toujours vraies (non-linéarité de la quantification)
24 Compression avec perte: méthodes par quantification Quantification scalaire uniforme QS la plus simple et très largement employée notamment dans les CAN, en amont de tout traitement numérique (y compris compression) Uniforme : les valeurs quantifiées possibles sont équi-réparties sur une échelle linéaire Partition de l intervalle de variation de s en N = 2b cellules Pas de quantification = 2A/N Prototypes = centres des cellules indexés de 1 à N
25 Compression avec perte: méthodes par quantification Quantification scalaire uniforme s8 N=8 b=3 s7 s6 -A s5 A s3 s2 Zone linéaire s1 2A s
26 Compression avec perte: méthodes par quantification Quantification scalaire uniforme: bruits Bruit de dépassement : bruit occasionné par la troncature du signal si celui-ci sort de la zone linéaire Perceptuellement différent et «en compétiton» avec le bruit de quantification granulaire (zone linéaire) lorsque la dynamique de s varie Compromis nécessaire = dimensionner A et en fonction de la DDP de s, ou régler le niveau de s... Facteur d échelle (typiquement entre 2 et 4) : γ = A σs
27 Compression avec perte: méthodes par quantification Quantification scalaire uniforme: calcul du bruit de quantification Hypothèses : haute résolution ps(s) suffisamment lisse constante dans chaque cellule bruit de dépassement négligé q est uniformément réparti entre /2 et + / A 2 2 2b σ q = q dq = = /2 /2
28 Compression avec perte: méthodes par quantification Quantification scalaire uniforme: calcul du RSB σ s2 3 2b RSBdB = 10 log10 = 10 log10 2 = 6,02b + 4,77 20 log10 γ σ q2 γ2 On augmente le RSB de 6dB à chaque fois qu on rajoute 1 bit pour la quantification. γ RSB mais attention au bruit de dépassement! En pratique, il faut tenir compte de la dynamique de s et garantir une valeur minimale de RSB pour une dynamique faible. Exemple : données audio sur 16 bits, RSB 96 db
29 Compression avec perte: méthodes par quantification Quantification scalaire non uniforme Premier exemple non immédiat mais encore simple d application du grand principe de la compression (élimination de la redondance du signal) Principe : tenir compte de la répartition statistique des valeurs de s : pour les signaux utiles réels (parole/musique/images), certaines amplitudes sont plus fréquentes (probables) que d autres pour diminuer D, on alloue plus de précision sur ces amplitudes : le quantificateur doit être bien adapté à ps(x)
30 Compression avec perte: méthodes par quantification Quantification scalaire non uniforme: conséquence sur le quantificateur Cellules de longueur variable (d autant plus petites que ps(s) est grande) Prototypes pas forcément au centre des cellules N=8 b=3 s8 s7 T(s) s6 s5 i s s3 s2 s1
31 Compression avec perte: méthodes par quantification Quantification scalaire non uniforme: schéma équivalent Quantification uniforme s T Q sq T-1 T = transformation non-linéaire Exemple : standard US en téléphonie fixe (G.711) Fe = 8 khz, b = 8 bits, d = 64 kbits/s µ = 255 réglé pour optimiser le RSB T(x) approximée par des segments linéaires ln (1 + µ x / V ) T ( x) = V sgn ( x) x V ln (1 + µ )
32 Compression avec perte: méthodes par quantification Quantification scalaire non uniforme: calcul du bruit de quantification Hypothèses : haute résolution ps(s) suffisamment lisse constante dans chaque cellule = pi bruit de dépassement négligé σ q2 = ( s sq ) 2 N ps ( s )ds = ( s si ) 2 ps ( s)ds i = 1s Ci 1 N 2 2 N 3 σ q pi ( s si ) ds = pi i 12 i = 1 i = 1 s Ci
33 Compression avec perte: méthodes par quantification Quantification scalaire non uniforme: minimisation du bruit de quantification N pi i = 1 i= 1 σ q2 = / 3 2b σ s 1 / 3 2b 2 2b p ( s ) ds 2 = f ( x ) dx 2 = h σ S S s σ q minimale si pi i = constante 3 f S ( x) = σ s ps (σ s x) DDP de X = S / σ s 2 2 si i = constante, on retrouve q h ne dépend que de ps(s) h = 3π / 2 Cas gaussien centré : Problème majeur : pas de méthode analytique d élaboration du quantificateur si ps(s) inconnue! σ = / 12
34 Compression avec perte: méthodes par quantification Quantification scalaire non uniforme: obtention du dictionnaire Deux conditions nécessaires d optimalité permettent de déterminer efficacement prototypes et partition (b fixée) Idée : séparer encodeur et décodeur : Pour un décodeur (= {prototypes}) donné, le meilleur encodeur (= partition) donné par la condition des plus proches voisins : { ( ) Cellule i = s : ( s si ) 2 s s j 2 j {1...N } } Pour un encodeur donné, le meilleur décodeur est donné par la condition des centroïdes (barycentres) : si = sps ( s )ds s Ci ps ( s)ds s Ci + = sp S s Ci ( s ) ds = E [ S S Cellule i ]
35 Compression avec perte: méthodes par quantification Quantification scalaire non uniforme: obtention du dictionnaire Pour (1), la connaissance de la partition est inutile (distance + convention pour point équidistant de 2 prototypes) (1) et (2) nécessaires mais non suffisantes pour garantir l optimalité globale du quantificateur Démonstrations (1) triviale (2) dériver par rapport à si Généralisation à d autres distances : (1) Cellule i = s : d ( s, s ) i { (2) d ( s, s j ) j {1...N } si = arg min E [ d ( S, x) S Cellule i ] x }
36 Compression avec perte: méthodes par quantification Quantification scalaire non uniforme: obtention du dictionnaire Algorithme de Lloyd-Max: Dans la pratique, utilisation d une large base de données empiriques itérations successives entre les deux conditions d optimalité = Algorithme de Lloyd-Max (1) affectation des données aux centroïdes plus proches voisins nouvelle partition (2) calcul des moyennes des échantillons de chaque classe nouveaux centroïdes (3) calcul de D qui diminue à chaque itération. On arrête quand elle n évolue plus ou que la diminution relative est inférieure à un seuil faible
37 Compression avec perte: méthodes par quantification Quantification scalaire non uniforme: obtention du dictionnaire Algorithme de Lloyd-Max: «Mise en forme» du quantificateur selon ps(s) sans estimation explicite de ps(s)! Echantillon de données de taille M>>N pour bien représenter ps(s) Attention aux données situées exactement sur la frontière entre deux cellules : il faut changer leur affectation Minimum local pour D et pas forcément global quantificateur pas forcément optimal mais performant en pratique : très efficace / nombreuses applications
38 Compression avec perte: méthodes par quantification Techniques adaptatives Principe : régler automatiquement le quantificateur en fonction des variations à moyen terme des statistiques de s(t) (localement stationnaire) Exemple : adaptation en gain = réglage automatique de A, en fonction du niveau des échantillons passés de s en essayant de garder γ à sa valeur optimale Généralisation du principe à tout bloc d un codeur
39 Compression avec perte: méthodes par quantification Quantification vectorielle
40 Compression avec perte: méthodes par quantification Quantification vectorielle: algo de Linde Buzo Gray (LBG) 1. On part d'abord d'un dictionnaire composé d'un seul vecteur V0 qui minimise la distorsion moyenne. C'est le centre de gravité de l'ensemble d'apprentissage. 2. On génère ensuite à partir de V0 deux vecteurs V11 et V21 définis par V11 = V0 + e et V21 = V0 -e 3. En fonction de V11 et V21 on crée deux classes de vecteurs à partir de la base d'apprentissage en fonction de leur distances vis à vis de V11 et V21. On calcule ensuite les centres de gravité de ces deux classes pour mettre à jour V11 et V21. On itère ce processus tant que la décroissance de la distorsion moyenne reste importante. 4. On partage à nouveau ces 2 vecteurs en 2 et on itère l'étape précédente sur les nouveaux vecteurs. 5. On arrête l'algorithme lorsque l'on a atteint le nombre de vecteurs désiré.
41 Compression avec perte: méthodes par quantification Quantification vectorielle: algo de Linde Buzo Gray (LBG) V0 (1): On part d'abord d'un dictionnaire composé d'un seul vecteur V0 qui minimise la distorsion moyenne. C'est le centre de gravité de l'ensemble d'apprentissage.
42 Compression avec perte: méthodes par quantification Quantification vectorielle: algo de Linde Buzo Gray (LBG) V11 V12 -e +e (2): On génère ensuite à partir de V0 deux vecteurs V11 et V21 définis par V11 = V0 + e et V21 = V0 -e
43 Compression avec perte: méthodes par quantification Quantification vectorielle: algo de Linde Buzo Gray (LBG) V11 V12 V11 V12 (3) 3. On crée deux classes de vecteurs à partir de la base d'apprentissage en fonction de leur distances vis à vis de V11 et V21. On calcule ensuite les centres de gravité de ces deux classes pour mettre à jour V11 et V21. On itère ce processus tant que la décroissance de la distorsion moyenne reste importante.
44 Compression avec perte: méthodes par quantification Quantification vectorielle: algo de Linde Buzo Gray (LBG) V21 V22V23 V24 V23 V21 V22 V23 V21 V24 V24 V22 4. On partage à nouveau ces 2 vecteurs en 2 et on itère l'étape précédente sur les nouveaux vecteurs.
45 Compression avec perte: méthodes par quantification Quantification vectorielle: algo de Linde Buzo Gray (LBG) V35 V23 V21 V31 V24 V22 V32 V36 V34 V37 V33 5. On arrête l'algorithme lorsque l'on a atteint le nombre de vecteurs désiré. V38
46 Compression avec perte: méthodes par quantification Quantification scalaire vs quantification vectorielle QV QS
47 Compression avec perte: méthodes par quantification Quantification scalaire vs quantification vectorielle QV TL + QS
48
49 Compression avec perte: codage par transformation linéaire (JPEG) JPEG: généralités Principal standard utilisé en compression d images naturelles JPEG= «Joint Photographic Expert Group»: voté comme standard international en 1992 Permet de compresser les images couleurs ou en niveau de gris dans plusieurs domaines: images naturelles, satellites, médicales
50 Compression avec perte: codage par transformation linéaire (JPEG) Création d un standard Avantages d une norme: compatibilité pérennité d un produit qui s appuie sur un standard (argument commercial) Etapes nécessaires à la création d un standard: Définition des besoins réels: Définitions des fonctionnalités Création d un comité ouvert à tous le monde: entreprises, laboratoires Propositions de solutions (Conditions souvent requises: pas de brevet) Evaluation des solutions proposées Sélection de la «meilleure» solution Description du standard: En compression, on ne décrit souvent que la partie décodage du standard Le codeur n est pas normalisé: possibilité de créer un codeur plus performant que les autres (s il existe des degrés de libertés )
51 Compression avec perte: codage par transformation linéaire (JPEG) Création d un standard Pour JPEG: 1986: applications aux images fixes couleurs, avec ou sans perte 1987: Trois techniques proposées: DCT; DPCM, Progressive BTC 1988: sélection d une méthode basée DCT : simulations, testes, documentation 1991: brouillon de description du Standard 1992: standard international
52 Compression avec perte: codage par transformation linéaire (JPEG) Transformations linéaires Définitions: Systèmes séparables: T ( u,v,) = T ( u,v) = x= N y = M I( x,y) H (u,v,x,y) x= 1 y = 1 x= N y = M I( x, y) H ( u,x)h ( y,v) x= 1 y = 1 c l y= M T ( u,v) = I ( x, y) Hc( u, x) Hl ( v, y) x= 1 y = 1 x= N Illustration: lissage par un masque moyenneur de taille 5x5 H(x,y,u,v) = 1/9 si -3<x-u<3 et -3<y-v<3 = 0 sinon H(x,y,u,v)=Hc(x,u) Hv (y,v) On passe de n2 opérations à 2n
53 Compression avec perte: codage par transformation linéaire (JPEG) Transformations linéaires orthogonales Formulation matricielle d une transformation linéaire: Tdeplié=A.Ideplié Transformation orthogonale: At A= Id A 1= At Propriétés utiles en compression: EQM(T,T )=EQM(I,I ) Intérêt: si on le code que les N premiers coefficients d une transformée: 2 1 EQM = elimt(i, j) Nbelim Nb
54 Compression avec perte: codage par transformation linéaire (JPEG) Transformée de Fourier discrète 2D Transformation: T ( u,v) = x= N 1 y = M 1 x= 0 avec w= e 2iπ / N y= 0 Transformation inverse: I ( x,y ) = 12 N I(x,y) wxu wyv u = N 1 v= M 1 T(u,v)w xu u= 0 w yv v= 0 Transformation orthogonale Décomposition en fréquences spatiales de l image Image originale 5% du spectre Image reconstruite
55 Compression avec perte: codage par transformation linéaire (JPEG) Inconvénients de la TF2D Coefficients transformés complexes Création de hautes fréquences artificielles
56 Compression avec perte: codage par transformation linéaire (JPEG) Vers la transformée en cosinus discrète Plus de hautes fréquences artificielles
57 Compression avec perte: codage par transformation linéaire (JPEG) Transformée en cosinus discrète Définition N 1 M 1 Avec [ ] [ T ( u,v) = 2 C( u) C( v) I(x,y)cos π u( 2x+ 1) cos π v( 2y+ 1) N 2N 2N x= 0 y = 0 Blocs de bases (8x8) C( 0)= 1 et α 0 C( α ) = 1 2 ]
58 Compression avec perte: codage par transformation linéaire (JPEG) Illustration DFT (module) DCT Troncature Troncature IDFT IDCT
59 Compression avec perte: codage par transformation linéaire (JPEG) Illustration Bloc B de taille 8x8 Im(DFT(B)) Bloc miroir BM Re(DFT(B)) DCT(B)
60 Compression avec perte: codage par transformation linéaire (JPEG) Chaîne de codage et décodage
61 Compression avec perte: codage par transformation linéaire (JPEG) Quantification des coefficients DCT DCT Exemple de table de quantification:
62 Compression avec perte: codage par transformation linéaire (JPEG) Parcours des blocs DCT Principe du Zig-Zag scan: avoir le maximum de zeros qui se suivent pour pouvoir appliquer le RLE Sens de parcours:
63 Compression avec perte: codage par transformation linéaire (JPEG) Codage des coefficients DC Codage différentiel: le coefficient DC est égale à la somme des pixels présents dans un blocs 8x8: il a donc une valeur importante (intensité moyenne) le coefficient DC d un bloc est corrélé avec le coefficient DC du bloc précédent On choisit donc de coder Diff=DC(k)-DC(k-1): «Differential Pulse Code Modulation= DPCM»
64 Compression avec perte: codage par transformation linéaire (JPEG) Codage des coefficients DC & AC Codage Entropique des coefficients DC codes à longueur variables représentés par le nombre de bits minimums nécessaires pour coder le coeff: nbmin 0 0-1,1 1-3,-2,2,3 2-7,-6,-5,-4,4,5,6,7 3 on transmet le code de Huffman de nbmin puis la valeur à coder des coefficients AC on transmet le code de Huffman qui représente la paire (nb de zéros à passer, taille du coeff AC) puis la valeur à coder
65 Compression avec perte: codage par transformation linéaire (JPEG) Exemple de table de codage Valeur à Coder EOB Amplitude Code de Huffman Run/taille 0/5 0/5 0/4 0/4 3/2 0/2 1/2 0/2 5/2 0/1 0/0 Nb bits total
66 Compression avec perte: codage par transformation linéaire (JPEG) Fonctionnement de l algorithme JPEG Deux paramètres de sélections (au choix): 1. facteur de qualité: compris entre 0% et 100% (valeur standard: 75%) Agit sur la qualité de l image reconstruite = matrice de quantification 2. taux de compression ou débits Agit sur la taille de l image compressée
67 Compression avec perte: codage par transformation linéaire (JPEG) Autres modes de JPEG Plusieurs modes: Mode sans pertes fonctionne par prédiction et codage de la prédiction Programme de Compression Taux Lena football F-18 flowers lossless JPEG optimal lossless JPEG compress (LZW) gzip (Lempel-Ziv) gzip -9 (optimal Lempel-Ziv) pack (Huffman coding) Mode progressif Objectif: transmettre d abord l information importante de l image puis les détails Solutions adoptées: Transmettre d abord les coefficients BF puis les HF Transmettre d abord les bits de poids forts puis les bits de poids faible
68 Compression avec perte: codage par transformation linéaire (JPEG) Structure du fichier JPEG A Frame = image, a scan=passage sur une composante de l image (par exemple rouge), segment=groupe de blocks,"block" =group de 8x8 pixels. Frame header (entête d image): dimensions de l image nombre de composantes facteur d échantillonnage pour chaque composante table de quantification pour chaque composante Scan header tables de Huffman Misc. (can occur between headers) tables de quantidication, tables de huffman, commentaires Application Data
Quantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailCompression et Transmission des Signaux. Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette
Compression et Transmission des Signaux Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette 1 De Shannon à Mac Donalds Mac Donalds 1955 Claude Elwood Shannon 1916 2001 Monsieur X 1951 2 Où
Plus en détailChaine de transmission
Chaine de transmission Chaine de transmission 1. analogiques à l origine 2. convertis en signaux binaires Échantillonnage + quantification + codage 3. brassage des signaux binaires Multiplexage 4. séparation
Plus en détailTD : Codage des images
TD : Codage des images Les navigateurs Web (Netscape, IE, Mozilla ) prennent en charge les contenus textuels (au format HTML) ainsi que les images fixes (GIF, JPG, PNG) ou animée (GIF animée). Comment
Plus en détailCodage hiérarchique et multirésolution (JPEG 2000) Codage Vidéo. Représentation de la couleur. Codage canal et codes correcteurs d erreur
Codage hiérarchique et multirésolution (JPEG 000) Codage Vidéo Représentation de la couleur Codage canal et codes correcteurs d erreur Format vectoriel (SVG - Scalable Vector Graphics) Organisation de
Plus en détailTransmission de données. A) Principaux éléments intervenant dans la transmission
Page 1 / 7 A) Principaux éléments intervenant dans la transmission A.1 Equipement voisins Ordinateur ou terminal Ordinateur ou terminal Canal de transmission ETTD ETTD ETTD : Equipement Terminal de Traitement
Plus en détailFormats d images. 1 Introduction
Formats d images 1 Introduction Lorsque nous utilisons un ordinateur ou un smartphone l écran constitue un élément principal de l interaction avec la machine. Les images sont donc au cœur de l utilisation
Plus en détailSystèmes de communications numériques 2
Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes CNRS SUPÉLEC UPS SUPÉLEC, Plateau de Moulon, 91192 Gif-sur-Yvette ciuciu@lss.supelec.fr Université
Plus en détailISO/CEI 11172-3 NORME INTERNATIONALE
NORME INTERNATIONALE ISO/CEI 11172-3 Première édition 1993-08-01 Technologies de l information - Codage de l image animée et du son associé pour les supports de stockage numérique jusqu à environ Ii5 Mbit/s
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailTechnique de codage des formes d'ondes
Technique de codage des formes d'ondes Contenu Introduction Conditions préalables Conditions requises Composants utilisés Conventions Modulation par impulsions et codage Filtrage Échantillon Numérisez
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailExpérience 3 Formats de signalisation binaire
Expérience 3 Formats de signalisation binaire Introduction Procédures Effectuez les commandes suivantes: >> xhost nat >> rlogin nat >> setenv DISPLAY machine:0 >> setenv MATLABPATH /gel/usr/telecom/comm_tbx
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailApproche par marquage pour l évaluation de la qualité d image dans les applications multimédias
UNIVERSITÉ DU QUÉBEC EN OUTAOUAIS Département d informatique et d ingénierie Approche par marquage pour l évaluation de la qualité d image dans les applications multimédias MÉMOIRE (INF6021) pour l obtention
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailINTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE
INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE Le schéma synoptique ci-dessous décrit les différentes étapes du traitement numérique
Plus en détailChapitre 13 Numérisation de l information
DERNIÈRE IMPRESSION LE 2 septembre 2013 à 17:33 Chapitre 13 Numérisation de l information Table des matières 1 Transmission des informations 2 2 La numérisation 2 2.1 L échantillonage..............................
Plus en détailI. TRANSMISSION DE DONNEES
TD I. TRANSMISSION DE DONNEES 1. QU'EST-CE QU'UN CANAL DE TRANSMISSION? 1.1 Rappels Une ligne de transmission est une liaison entre les deux machines. On désigne généralement par le terme émetteur la machine
Plus en détailUE 503 L3 MIAGE. Initiation Réseau et Programmation Web La couche physique. A. Belaïd
UE 503 L3 MIAGE Initiation Réseau et Programmation Web La couche physique A. Belaïd abelaid@loria.fr http://www.loria.fr/~abelaid/ Année Universitaire 2011/2012 2 Le Modèle OSI La couche physique ou le
Plus en détailUniversité de La Rochelle. Réseaux TD n 6
Réseaux TD n 6 Rappels : Théorème de Nyquist (ligne non bruitée) : Dmax = 2H log 2 V Théorème de Shannon (ligne bruitée) : C = H log 2 (1+ S/B) Relation entre débit binaire et rapidité de modulation :
Plus en détailLe concept cellulaire
Le concept cellulaire X. Lagrange Télécom Bretagne 21 Mars 2014 X. Lagrange (Télécom Bretagne) Le concept cellulaire 21/03/14 1 / 57 Introduction : Objectif du cours Soit un opérateur qui dispose d une
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en détailLES CARACTERISTIQUES DES SUPPORTS DE TRANSMISSION
LES CARACTERISTIQUES DES SUPPORTS DE TRANSMISSION LES CARACTERISTIQUES DES SUPPORTS DE TRANSMISSION ) Caractéristiques techniques des supports. L infrastructure d un réseau, la qualité de service offerte,
Plus en détailChapitre 18 : Transmettre et stocker de l information
Chapitre 18 : Transmettre et stocker de l information Connaissances et compétences : - Identifier les éléments d une chaîne de transmission d informations. - Recueillir et exploiter des informations concernant
Plus en détailMesure agnostique de la qualité des images.
Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire
Plus en détailCommunications numériques
Communications numériques 1. Modulation numérique (a) message numérique/signal numérique (b) transmission binaire/m-aire en bande de base (c) modulation sur fréquence porteuse (d) paramètres, limite fondamentale
Plus en détailChapitre 2 : communications numériques.
Chapitre 2 : communications numériques. 1) généralités sur les communications numériques. A) production d'un signal numérique : transformation d'un signal analogique en une suite d'éléments binaires notés
Plus en détailNumérisation du signal
Chapitre 12 Sciences Physiques - BTS Numérisation du signal 1 Analogique - Numérique. 1.1 Définitions. Signal analogique : un signal analogique s a (t)est un signal continu dont la valeur varie en fonction
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailInterception des signaux issus de communications MIMO
Interception des signaux issus de communications MIMO par Vincent Choqueuse Laboratoire E 3 I 2, EA 3876, ENSIETA Laboratoire LabSTICC, UMR CNRS 3192, UBO 26 novembre 2008 Interception des signaux issus
Plus en détailnote technique 1RWLRQVVXUODFRPSUHVVLRQ GHVGRQQpHVGDQV OHVDSSOLFDWLRQVPXOWLPpGLDV Direction de l'ingénierie éducative
CENTRE NATIONAL DE DOCUMENTATION PÉDAGOGIQUE 1RWLRQVVXUODFRPSUHVVLRQ GHVGRQQpHVGDQV OHVDSSOLFDWLRQVPXOWLPpGLDV Gérard PUIMATTO Service de l informatique éducative L'exploitation de technologies multimédias
Plus en détailChapitre 22 : (Cours) Numérisation, transmission, et stockage de l information
Chapitre 22 : (Cours) Numérisation, transmission, et stockage de l information I. Nature du signal I.1. Définition Un signal est la représentation physique d une information (température, pression, absorbance,
Plus en détailSystèmes de transmission
Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un
Plus en détailChapitre I La fonction transmission
Chapitre I La fonction transmission 1. Terminologies 1.1 Mode guidé / non guidé Le signal est le vecteur de l information à transmettre. La transmission s effectue entre un émetteur et un récepteur reliés
Plus en détailEtudier l influence de différents paramètres sur un phénomène physique Communiquer et argumenter en utilisant un vocabulaire scientifique adapté
Compétences travaillées : Mettre en œuvre un protocole expérimental Etudier l influence de différents paramètres sur un phénomène physique Communiquer et argumenter en utilisant un vocabulaire scientifique
Plus en détailLA COUCHE PHYSIQUE EST LA COUCHE par laquelle l information est effectivemnt transmise.
M Informatique Réseaux Cours bis Couche Physique Notes de Cours LA COUCHE PHYSIQUE EST LA COUCHE par laquelle l information est effectivemnt transmise. Les technologies utilisées sont celles du traitement
Plus en détailLes techniques de multiplexage
Les techniques de multiplexage 1 Le multiplexage et démultiplexage En effet, à partir du moment où plusieurs utilisateurs se partagent un seul support de transmission, il est nécessaire de définir le principe
Plus en détailLa couche physique de l ADSL (voie descendante)
La couche physique de l ADSL (voie descendante) Philippe Ciblat École Nationale Supérieure des Télécommunications, Paris, France Problématique qq kilomètres CENTRAL câble de 0,4mm Objectifs initiaux :
Plus en détailÉtude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test
11 juillet 2003 Étude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test Mariane Comte Plan 2 Introduction et objectif
Plus en détailLES DIFFÉRENTS FORMATS AUDIO NUMÉRIQUES
LES DIFFÉRENTS FORMATS AUDIO NUMÉRIQUES Compétences mises en jeu durant l'activité : Compétences générales : S'impliquer, être autonome. Compétence(s) spécifique(s) : Reconnaître des signaux de nature
Plus en détailTP Modulation Démodulation BPSK
I- INTRODUCTION : TP Modulation Démodulation BPSK La modulation BPSK est une modulation de phase (Phase Shift Keying = saut discret de phase) par signal numérique binaire (Binary). La phase d une porteuse
Plus en détailInternet et Multimédia Exercices: flux multimédia
Internet et Multimédia Exercices: flux multimédia P. Bakowski bako@ieee.org Applications et flux multi-média média applications transport P. Bakowski 2 Applications et flux multi-média média applications
Plus en détailLivrable 2.1 Rapport d analyse et de restructuration de code monothread des modules P, T, Q et F de l encodage MPEG-4 AVC
Groupe des Ecoles des Télécommunications Institut National des Télécommunications Département ARTEMIS Advanced Research & TEchniques for Multidimensional Imaging Systems Livrable 2.1 Rapport d analyse
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailChapitre 2 : Systèmes radio mobiles et concepts cellulaires
Chapitre 2 : Systèmes radio mobiles et concepts cellulaires Systèmes cellulaires Réseaux cellulaires analogiques de 1ère génération : AMPS (USA), NMT(Scandinavie), TACS (RU)... Réseaux numériques de 2ème
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailTraitement bas-niveau
Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.
Plus en détailBandes Critiques et Masquage
Bandes Critiques et Masquage A. Almeida Licence Pro Acoustique et Vibrations Octobre 2012 Au Menu Au programme 1 Observations du masquage 5 Application du masquage 2 Conséquences du Masquage 3 Interprétation
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailIntroduction à MATLAB R
Introduction à MATLAB R Romain Tavenard 10 septembre 2009 MATLAB R est un environnement de calcul numérique propriétaire orienté vers le calcul matriciel. Il se compose d un langage de programmation, d
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailCompatibilité Électromagnétique
Compatibilité Électromagnétique notions générales et applications à l électronique de puissance Ir. Stéphane COETS 18 mai 2005 Journée d étude en Électronique de Puissance 1 Plan de l exposé La Compatibilité
Plus en détailTechnique de compression des images médicales 4D
Technique de compression des images médicales 4D Leila Belhadef 1 et Zoulikha Mekkakia 1 1 Département d Informatique, USTO-MB, BP 1505 El Mnaouer, Oran, Algérie l.belhadef@gmail.com, mekkakia@univ-usto.dz
Plus en détailComme chaque ligne de cache a 1024 bits. Le nombre de lignes de cache contenu dans chaque ensemble est:
Travaux Pratiques 3. IFT 1002/IFT 1005. Structure Interne des Ordinateurs. Département d'informatique et de génie logiciel. Université Laval. Hiver 2012. Prof : Bui Minh Duc. Tous les exercices sont indépendants.
Plus en détailEnregistrement et transformation du son. S. Natkin Novembre 2001
Enregistrement et transformation du son S. Natkin Novembre 2001 1 Éléments d acoustique 2 Dynamique de la puissance sonore 3 Acoustique géométrique: effets de diffusion et de diffraction des ondes sonores
Plus en détailTP: Représentation des signaux binaires. 1 Simulation d un message binaire - Codage en ligne
Objectifs : Ce TP est relatif aux différentes méthodes de codage d une information binaire, et à la transmission en bande de base de cette information. Les grandes lignes de ce TP sont l étude des méthodes
Plus en détailProjet d informatique M1BI : Compression et décompression de texte. 1 Généralités sur la compression/décompression de texte
Projet d informatique M1BI : Compression et décompression de texte Le but de ce projet est de coder un programme réalisant de la compression et décompression de texte. On se proposera de coder deux algorithmes
Plus en détailThéorie et codage de l information
Théorie et codage de l information Les codes linéaires - Chapitre 6 - Principe Définition d un code linéaire Soient p un nombre premier et s est un entier positif. Il existe un unique corps de taille q
Plus en détailTS 35 Numériser. Activité introductive - Exercice et démarche expérimentale en fin d activité Notions et contenus du programme de Terminale S
FICHE Fiche à destination des enseignants TS 35 Numériser Type d'activité Activité introductive - Exercice et démarche expérimentale en fin d activité Notions et contenus du programme de Terminale S Compétences
Plus en détailCHAPITRE V. Théorie de l échantillonnage et de la quantification
CHAPITRE V Théorie de l échantillonnage et de la quantification Olivier FRANÇAIS, SOMMAIRE I INTRODUCTION... 3 II THÉORIE DE L ÉCHANTILLONNAGE... 3 II. ACQUISITION DES SIGNAUX... 3 II. MODÉLISATION DE
Plus en détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailDan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailJ AUVRAY Systèmes Electroniques TRANSMISSION DES SIGNAUX NUMERIQUES : SIGNAUX EN BANDE DE BASE
RANSMISSION DES SIGNAUX NUMERIQUES : SIGNAUX EN BANDE DE BASE Un message numérique est une suite de nombres que l on considérera dans un premier temps comme indépendants.ils sont codés le plus souvent
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en détailSIGNAUX NUMERIQUES ET MODULATIONS NUMERIQUES
SIGNAUX NUMERIQUES ET MODULATIONS NUMERIQUES ----------------------------------------------------------------------------------------------------------------- LES SIGNAUX NUMERIQUES Un signal numérique
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailOptimisation de la compression fractale D images basée sur les réseaux de neurones
Optimisation de la compression fractale D images basée sur les réseaux de neurones D r BOUKELIF Aoued Communication Networks,Architectures and Mutimedia laboratory University of S.B.A aoued@hotmail.com
Plus en détailChap17 - CORRECTİON DES EXERCİCES
Chap17 - CORRECTİON DES EXERCİCES n 3 p528 Le signal a est numérique : il n y a que deux valeurs possibles pour la tension. Le signal b n est pas numérique : il y a alternance entre des signaux divers
Plus en détailTP SIN Traitement d image
TP SIN Traitement d image Pré requis (l élève doit savoir): - Utiliser un ordinateur Objectif terminale : L élève doit être capable de reconnaître un format d image et d expliquer les différents types
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailRégler les paramètres de mesure en choisissant un intervalle de mesure 10µs et 200 mesures.
TP Conversion analogique numérique Les machines numériques qui nous entourent ne peuvent, du fait de leur structure, que gérer des objets s composés de 0 et de. Une des étapes fondamentale de l'interaction
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailTELEVISION NUMERIQUE
REPUBLIQUE DU CAMEROUN Paix - Travail Patrie --------------------- UNIVERSITE DE YAOUNDE I ---------------------- ECOLE NATIONALE SUPERIEURE POLYTECHNIQUE ---------------------- REPUBLIC OF CAMEROUN Peace
Plus en détailLes algorithmes de base du graphisme
Les algorithmes de base du graphisme Table des matières 1 Traçage 2 1.1 Segments de droites......................... 2 1.1.1 Algorithmes simples.................... 3 1.1.2 Algorithmes de Bresenham (1965).............
Plus en détailAnalyse d images. Edmond.Boyer@imag.fr. Edmond Boyer UFRIMA 1
Analyse d images Edmond.Boyer@imag.fr Edmond Boyer UFRIMA 1 1 Généralités Analyse d images (Image Analysis) : utiliser un ordinateur pour interpréter le monde extérieur au travers d images. Images Objets
Plus en détailDEVANT L UNIVERSITE DE RENNES 1
N o d ordre: 3063 THÈSE présentée DEVANT L UNIVERSITE DE RENNES 1 pour obtenir le grade de : DOCTEUR DE L UNIVERSITE DE RENNES 1 Mention Informatique par Nathalie CAMMAS Équipe d accueil : France Télécom
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailData Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le
Plus en détailMultimedia. Systèmes, Communications et Applications. Ahmed MEHAOUA
Multimedia Systèmes, Communications et Applications Ahmed MEHAOUA Professeur - Laboratoire CRIP5 Ahmed.mehaoua@math-info.univ-paris5.fr Plan 1. Multimedia : principes et définitions 2. Algorithmes et normes
Plus en détailM1 Informatique, Réseaux Cours 9 : Réseaux pour le multimédia
M1 Informatique, Réseaux Cours 9 : Réseaux pour le multimédia Olivier Togni Université de Bourgogne, IEM/LE2I Bureau G206 olivier.togni@u-bourgogne.fr 24 mars 2015 2 de 24 M1 Informatique, Réseaux Cours
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailChapitre 2 : Techniques de transmission
Chapitre 2 : Techniques de transmission /home/kouna/d01/adp/bcousin/repr/cours/2.fm - 14 Janvier 1998 20:09 Plan. Introduction. Phénomènes caractéristiques. Les éléments de la transmission. La modulation.
Plus en détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailLES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
Plus en détailUtilisation d informations visuelles dynamiques en asservissement visuel Armel Crétual IRISA, projet TEMIS puis VISTA L asservissement visuel géométrique Principe : Réalisation d une tâche robotique par
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détail