Aller au contenu
Encyclopédie informatique Édition 2026

La vidéo numérique et ses formats

Partie 2 sur 4

Niveau de lecture :

3La vidéo numérique : définition, couleur et débit

La vidéo numérique consiste à afficher une succession d’images numériques. Puisque chaque image est un tableau de points dont la couleur est écrite en nombres, on peut calculer précisément la quantité d’information qu’il faut traiter chaque seconde. Ce calcul est la clé pour comprendre pourquoi il faut compresser.

3.1Les définitions courantes

La définition est le nombre de points de l’image, comptés en largeur puis en hauteur. Le format d’image (ou rapport d’aspect) est le rapport entre la largeur et la hauteur : 4/3 (écrit 4:3) pour les anciens téléviseurs, 16/9 pour les écrans modernes.

Tableau 2. Quelques définitions usuelles.
Nom courantPoints (largeur x hauteur)Usage
Définition standard (SD)720 x 576 (Europe)DVD, ancienne télévision numérique
Haute définition (HD)1 280 x 720télévision, vidéos en ligne
Full HD1 920 x 1 080Blu-ray, télévision, plateformes de streaming
Ultra HD, dite « 4K »3 840 x 2 160télévisions récentes, plateformes de streaming
8K7 680 x 4 320usages très limités

On donne parfois une définition de 640 x 480 pour la télévision américaine. Ce chiffre est celui d’un écran d’ordinateur de l’époque, avec des points carrés ; la télévision numérique américaine de définition standard utilise en réalité 720 x 480, avec des points légèrement allongés. Le piège est courant : les vidéos de définition standard ont des points qui ne sont pas carrés, et le lecteur les étire à l’affichage pour retrouver la bonne proportion.

3.2Le débit d’une vidéo non compressée

Le débit est la quantité de données qu’il faut transférer par seconde pour afficher une vidéo. Il se calcule en multipliant la taille d’une image par le nombre d’images par seconde. Prenons une image de 640 x 480 points en « couleurs vraies » (24 bits, soit 3 octets par point : un octet pour le rouge, un pour le vert, un pour le bleu) :

640 x 480 x 3 octets = 921 600 octets, soit environ 0,9 Mo par image ; à 30 images par seconde, cela fait environ 27 Mo par seconde, plus de 1,5 Go par minute. Le raisonnement est toujours le bon, mais les chiffres ont changé d’échelle. Pour une vidéo Full HD à 25 images par seconde :

1 920 x 1 080 x 3 octets = 6 220 800 octets par image ; multiplié par 25, cela fait environ 155 Mo par seconde, soit environ 1 240 mégabits par seconde (Mbit/s). Un « bit » est une unité d’information qui vaut 0 ou 1 ; un octet en contient huit, d’où la multiplication par 8 pour passer des octets aux bits. Une minute de cette vidéo non compressée occuperait plus de 9 Go, un film de deux heures plus d’un téraoctet (mille gigaoctets). En 4K, ces chiffres sont multipliés par quatre.

Aucun réseau ni aucun disque grand public ne se prête à de tels débits : les connexions domestiques les plus rapides plafonnent à quelques gigabits par seconde, partagés entre tous les appareils. La compression n’est donc pas un luxe, mais une condition d’existence de la vidéo numérique telle que nous la connaissons.

3.3Luminance, chrominance et sous-échantillonnage

L’œil humain est plus sensible aux variations de luminosité qu’aux variations de couleur. Les ingénieurs en ont tiré une première économie, la plus ancienne et la plus simple : au lieu de coder le rouge, le vert et le bleu de chaque point, on code d’une part la luminance (Y) de chaque point, d’autre part deux informations de couleur (Cb et Cr, les « différences de couleur »), que l’on peut ensuite se permettre de décrire avec moins de précision. C’est le sous-échantillonnage de la chrominance, que l’on appelle aussi « décimation » et que l’on définit parfois de façon incomplète (en parlant de « groupe de 4x4 points », alors que la méthode travaille sur des blocs de 4 points de large sur 2 de haut).

Trois réglages sont courants, notés par trois nombres :

  • 4:4:4 : aucune réduction, chaque point a sa luminance et sa couleur. C’est le réglage des images de studio et de certains jeux vidéo.
  • 4:2:2 : la couleur est décrite une fois sur deux en largeur. C’est celui des caméras professionnelles.
  • 4:2:0 : la couleur est décrite une fois sur deux en largeur et une fois sur deux en hauteur, soit un seul couple de couleurs pour chaque carré de quatre points. C’est le réglage des DVD, des Blu-ray, de la télévision et de presque toutes les vidéos en ligne.

Avec le réglage 4:2:0, chaque point ne « coûte » plus 24 bits mais 12 : on réduit de moitié la quantité de données avant même toute compression, sans différence visible dans la plupart des scènes. La vidéo Full HD de notre exemple tombe ainsi à environ 620 Mbit/s. C’est encore bien trop. Il faut donc une vraie compression.

DÉBITS EN MÉGABITS PAR SECONDE (ÉCHELLE LOGARITHMIQUE : CHAQUE GRADE VAUT DIX FOIS PLUS) image brute 1080p, 25 images/s 1 240 Mbit/s la même, en 4:2:0 620 Mbit/s Blu-ray (maximum pour la vidéo) 40 Mbit/s DVD (maximum, tout compris) 9,8 Mbit/s streaming HD (ordre de grandeur) 6 à 7 Mbit/s Calcul de la ligne 1 : 1920 x 1080 points x 3 octets x 25 images = environ 155 Mo par seconde, soit 1 240 Mbit/s. Le 4:2:0 garde la couleur d’un point sur quatre : la moitié des données, sans différence visible pour la plupart des scènes.
Figure 1. Du débit brut au débit diffusé : la compression divise le flux par plus de cent. La longueur des barres suit une échelle logarithmique.

Cette figure donne les ordres de grandeur. Les valeurs du DVD (9,8 Mbit/s au maximum, son compris) et du Blu-ray (jusqu’à 40 Mbit/s pour la vidéo) sont celles de leurs spécifications ; celle du streaming correspond aux indications publiques des grandes plateformes, qui annoncent une consommation allant jusqu’à environ 3 Go par heure en haute définition, soit moins de 7 Mbit/s en moyenne.

Pour s’exercer

Exercice 1 : le débit brut d’une vidéo en haute définition

Calculez le débit brut, en mégaoctets puis en mégabits par seconde, d’une vidéo de 1 280 x 720 points, en 24 bits par point, à 25 images par seconde.

Voir la réponse

Une image occupe 1 280 x 720 x 3 = 2 764 800 octets. Multiplié par 25, cela fait 69 120 000 octets par seconde, soit environ 69 Mo/s. En bits : 69,12 x 8 = environ 553 Mbit/s. On retrouve le constat de la partie 3 : même en simple haute définition, le flux brut est hors de portée d’un réseau domestique, d’où la compression.

Exercice 2 : la taille d’un film

Un film dure 1 h 45 min. Vous l’encodez en vidéo à 4 Mbit/s et en son à 192 kbit/s. Quelle est la taille approximative du fichier ?

Voir la réponse

La durée vaut 105 minutes = 6 300 secondes. Le débit total est 4 + 0,192 = 4,192 Mbit/s. La taille est 4,192 x 6 300 = environ 26 410 mégabits, soit environ 3 300 Mo, un peu plus de 3 Go. Le conteneur ajoute un petit supplément, négligeable ici (moins de 1 %).

Exercice 3 : conteneur ou codec ?

Classez : MKV, H.264, AAC, MP4, AV1, Opus, WebM, MPEG-2. Lesquels sont des conteneurs ? Lesquels compressent l’image ? Lesquels compressent le son ?

Voir la réponse

Conteneurs : MKV, MP4, WebM. Codecs d’image : H.264, AV1, MPEG-2. Codecs de son : AAC, Opus. Remarque : MPEG-2 désigne aussi un système de transport ; ici on le prend au sens du codec d’image, comme dans le DVD. Un fichier « .mp4 » peut donc contenir du H.264 et de l’AAC, et un fichier « .webm » de l’AV1 et de l’Opus.

Exercice 4 : la durée d’un groupe d’images

Un groupe d’images comporte 12 images, à 25 images par seconde. Combien de temps dure-t-il ? Quelle conséquence sur le délai pour afficher une image quand on change de chaîne ?

Voir la réponse

12 / 25 = 0,48 seconde. Le récepteur doit attendre la prochaine image I pour reconstituer une image complète : il attend donc, en moyenne, environ un quart de seconde, au pire presque une demi-seconde (en plus du temps de réception du signal). Un groupe plus long compresse mieux, mais allonge ce délai et ralentit la reprise après une erreur : c’est le compromis à arbitrer.

Exercice 5 : le sous-échantillonnage

Une image de 1 920 x 1 080 points est en 24 bits par point. Quelle est sa taille en mégaoctets ? Quelle est sa taille après passage au réglage 4:2:0 (12 bits par point en moyenne) ? Quel gain obtient-on ?

Voir la réponse

En 24 bits : 1 920 x 1 080 x 3 = 6 220 800 octets, soit environ 6,2 Mo. En 4:2:0 : 1 920 x 1 080 x 1,5 = 3 110 400 octets, soit environ 3,1 Mo. Le gain est de moitié, sans avoir appliqué aucun codec. Justification : la luminance est conservée pour chaque point (1 octet) et les deux couleurs sont partagées par quatre points (2 octets / 4 = 0,5 octet par point), soit 1,5 octet par point.

4Compresser une vidéo : le principe

On appelle codec (de compression et décompression) tout algorithme qui réduit le flux d’une vidéo avant l’enregistrement ou l’envoi, puis le reconstitue à l’affichage. Un codec peut être « sans perte » (la vidéo décompressée est identique à l’originale, mais le gain est modeste) ou « avec perte » (on supprime des détails que l’œil remarque peu, et le gain peut dépasser cent pour un). Toute la vidéo grand public repose sur la seconde famille. Pour les notions générales de compression, voir la compression des données.

4.1Première idée : compresser chaque image (le M-JPEG)

La première idée est d’appliquer à chaque image d’une séquence une méthode de compression d’image comme le JPEG (le format de compression des photos). C’est le Motion JPEG (noté M-JPEG ou MJPEG, à ne pas confondre avec le MPEG, qui est tout autre chose). Comme chaque image est codée indépendamment des autres, on peut accéder directement à n’importe quelle image et découper la vidéo à l’endroit voulu : c’est pourquoi le M-JPEG a longtemps servi dans les studios de montage numérique, avec des débits de 8 à 10 Mbit/s. Son défaut est qu’il ne profite pas du fait qu’une image ressemble beaucoup à la précédente. Les caméras de surveillance et les petites caméras de téléphone d’autrefois l’utilisaient encore, au prix de fichiers volumineux.

4.2Deuxième idée : ne décrire que ce qui change

Dans la plupart des séquences, la majorité de la scène est fixe ou change très peu d’une image à l’autre : le décor ne bouge pas quand seules les lèvres d’un acteur remuent. C’est la redondance temporelle. À côté d’elle, la redondance spatiale désigne le fait que, dans une même image, des points voisins se ressemblent (un ciel bleu, un mur). Les codecs modernes exploitent les deux :

  • pour la redondance spatiale, on découpe l’image en petits blocs et on décrit chacun avec peu de nombres, en supprimant les détails les plus fins (c’est le principe du JPEG) ;
  • pour la redondance temporelle, on cherche pour chaque bloc le bloc de l’image précédente qui lui ressemble le plus, et on ne code que le déplacement (le « vecteur de mouvement ») et la petite différence restante.

Cette méthode gagne beaucoup moins sur une scène d’action, où tout bouge, que sur un dialogue filmé en plan fixe. C’est toujours vrai : à qualité égale, une scène agitée, une caméra à l’épaule ou de la pluie demandent plus de débit qu’un paysage immobile. C’est ce qui explique que le débit d’une vidéo en ligne varie d’une seconde à l’autre.

4.3Les images I, P, B et le groupe d’images

Pour décrire « ce qui change », il faut savoir par rapport à quelle image on se place. Les codecs de la famille MPEG distinguent donc trois sortes d’images, que la figure 2 résume.

  • Les images I (intra, « codées de l’intérieur ») sont compressées seules, comme une photo, sans regarder les voisines. Elles sont les plus lourdes, mais elles assurent la cohésion de la vidéo : on peut démarrer la lecture à cet endroit, et une erreur de transmission s’y arrête. Une image de ce type revient une à deux fois par seconde.
  • Les images P (prédites) sont décrites par rapport à l’image I ou P précédente : l’encodeur cherche, bloc par bloc, ce qui est resté identique ou s’est déplacé. Elles obligent le décodeur à garder en mémoire l’image précédente.
  • Les images B (bidirectionnelles) sont décrites par rapport à une image passée et à une image future. Elles compressent encore mieux, mais exigent de connaître l’image à venir : on doit donc envoyer les images dans un ordre différent de l’ordre d’affichage, et garder trois images en mémoire.
UN GROUPE D’IMAGES (GOP) : TROIS SORTES D’IMAGES I 1 B 2 B 3 P 4 B 5 B 6 P 7 B 8 B 9 P 10 B 11 B 12 I 13 chaque P est décrite par rapport à l’image I ou P précédente une B s’appuie sur une image avant ET une image après I : image complète point d’entrée du groupe P : différences avec une image passée B : différences avec passé et futur Pour décoder une B, il faut déjà avoir reçu l’image future : l’ordre dans le fichier n’est donc pas l’ordre d’affichage. Le groupe de 12 images ci-dessus est un exemple classique ; les codecs récents choisissent des groupes plus souples.
Figure 2. Un groupe d’images (GOP) typique : le motif I B B P B B P B B P B B I.

Les images sont regroupées en séquences répétées appelées groupes d’images (en anglais Group Of Pictures, d’où le sigle GOP). Le modèle classique est IBBPBBPBBPBBI, soit une image I toutes les douze images (un peu moins d’une demi-seconde en 25 images par seconde). C’est un exemple pédagogique : selon les usages, le groupe est plus long (pour gagner en compression) ou plus court (pour pouvoir sauter plus vite à un endroit de la vidéo ou changer de chaîne plus vite à la télévision). C’est aussi pourquoi, quand on avance dans une vidéo en ligne en cliquant sur la barre de progression, la lecture reprend à l’image I la plus proche.

Il existe enfin les images D, de très basse qualité mais très rapides à décoder, utilisées pour l’avance rapide à l’époque du MPEG-1. Elles n’ont pas été reprises par les normes suivantes : les décodeurs actuels sont assez puissants pour décoder les images normales à vitesse accélérée.

Un dernier point : la recherche des meilleurs blocs, appelée recherche de macroblocs (des carrés de 16 x 16 points dans le MPEG-1 et le MPEG-2), est ce qui prend le plus de temps à l’encodage. Un encodeur « rapide » cherche peu et compresse moins bien ; un encodeur « lent » cherche plus et obtient un fichier plus petit à qualité égale. Les codecs plus récents utilisent des blocs de taille variable, plus grands ou plus petits selon l’image, ce qui explique en partie leurs progrès.