Fiche de révision : Introduction aux images numériques et leur codage

📋 Plan du Cours

1. Codage binaire en informatique
2. Poids des fichiers numériques
3. Unités de mesure en stockage
4. Calcul du poids d'une image
5. Résolution d'image et DPI
6. Codage des images bitmap
7. Quantification et profondeur de couleur
8. Dynamique d'une image bitmap
9. Types d'images numériques
10. Images bitmap vs vectorielles

📖 1. Codage binaire en informatique

🔑 Notions clés & Définitions

• Bit : unité de mesure en informatique correspondant à un chiffre binaire, pouvant prendre deux états (0 ou 1). (source)
• Codage sur n bits : représentation de données binaires permettant 2^n possibilités différentes. Par exemple, 8 bits offrent 256 possibilités. (source)
• Système de numération en base 2 : système numérique utilisant uniquement deux chiffres (0 et 1), utilisé par les ordinateurs pour coder l'information. (source)

📝 Points essentiels

• Le bit est la plus petite unité d'information en informatique, représentant un seul chiffre binaire (0 ou 1).
• La capacité de codage d’un ensemble de bits est déterminée par la formule 2^n, où n est le nombre de bits. Par exemple, un codage sur 1 bit donne 2 possibilités, un codage sur 2 bits donne 4 possibilités, et un codage sur 8 bits en offre 256.
• La base 2 est le système de numération utilisé par les ordinateurs, ce qui signifie que toutes les données sont représentées en combinaisons de 0 et 1.
• La quantification en photographie numérique correspond à la profondeur de couleur, c’est-à-dire le nombre de bits utilisés pour coder chaque nuance. Par exemple, 8 bits permettent 256 nuances, tandis que 16 bits permettent 65 536 nuances.
• La pixellisation d’une image bitmap apparaît lorsque l’on agrandit fortement l’image, rendant visible la grille de pixels codés en binaire.

💡 À retenir

Le codage binaire, basé sur le système en base 2, constitue le fondement du traitement et du stockage des données numériques, avec la capacité de représenter un nombre très élevé de possibilités selon le nombre de bits utilisés.

📖 2. Poids des fichiers numériques

🔑 Notions clés & Définitions

• Poids d’une image : La taille d’un fichier image, généralement exprimée en Mega Octets (Mo), dépend de plusieurs facteurs comme la taille, la résolution, la profondeur de couleur, et le taux de compression.
• Mega Octet (Mo) : Unité de mesure de la taille de fichier, équivalente à 1 048 576 octets.
• Facteurs influençant le poids : La taille (en pixels), la résolution (pixels par unité de longueur), la profondeur de couleur (nombre de bits par pixel), et le taux de compression (technique de réduction de taille).
• Ordinateurs gèrent les données par octets : Un octet correspond à 8 bits, ce qui permet de représenter 256 valeurs différentes (voir section 1).
• Exemples de poids de fichiers : Une icône, une image JPEG, une image RAW, un fichier PSD avec calques, ou un TIFF 16 bits, ont des poids variables en Mo selon leur contenu et paramètres (voir source).

📝 Points essentiels

• Le poids d’un fichier image s’exprime en Mo et augmente avec la taille, la résolution, la profondeur de couleur et la faible compression.
• La gestion des données par les ordinateurs se fait en octets, chaque octet étant composé de 8 bits, permettant de coder 256 valeurs (voir section 1).
• La taille d’un fichier image peut varier considérablement : par exemple, une icône est généralement très légère (en Ko), tandis qu’une image RAW haute résolution peut atteindre plusieurs dizaines de Mo.
• La formule de base pour calculer le poids d’une image numérique est :
  $\text{Poids} = \text{hauteur (pixels)} \times \text{largeur (pixels)} \times \text{nombre de bits par pixel} \div 8 \div 1024$ (pour convertir en Mo).
• Les formats comme JPEG, RAW, PSD, TIFF ont des poids différents en fonction de leur mode de compression et de leur profondeur de couleur (voir exemples dans le contenu source).

💡 À retenir

Le poids d’un fichier numérique dépend principalement de la taille, de la résolution, de la profondeur de couleur et du taux de compression, et il est exprimé en Mega Octets (Mo). La gestion des données par les ordinateurs repose sur des octets, composés de 8 bits, permettant de coder 256 valeurs différentes.

📖 3. Unités de mesure en stockage

🔑 Notions clés & Définitions

• Octet : unité de mesure standard en informatique, correspondant à 8 bits, permettant de représenter 256 valeurs différentes. (source : pages 2-3)
• Kilo-octet (Ko) : unité de stockage équivalente à 1024 octets. Utilisée pour mesurer la taille de petits fichiers ou données. (source : pages 2-3)
• Mégaoctet (Mo) : unité de stockage équivalente à 1024 Ko, soit 1 048 576 octets. Fréquemment utilisée pour la taille de fichiers multimédia. (source : pages 2-3)
• Gigaoctet (Go) : unité de stockage équivalente à 1024 Mo, soit environ un milliard d’octets. Couramment utilisée pour désigner la capacité des disques durs. (source : pages 2-3)
• Téraoctet (To) : unité équivalente à 1024 Go, soit environ mille milliards d’octets. Utilisée pour de très grandes capacités de stockage, comme les serveurs ou disques durs externes. (source : pages 2-3)
• Pétaoctet (Po) : unité équivalente à 1024 To, soit environ mille milliards de milliards d’octets. Employée pour le stockage massif de données à l’échelle mondiale. (source : pages 2-3)

📝 Points essentiels

• Chaque unité de stockage est 1024 fois plus grande que la précédente, ce qui permet une progression exponentielle adaptée à la gestion de volumes croissants de données.
• 1 Go = 1024 Mo, 1 To = 1024 Go, et ainsi de suite, facilitant la conversion et la compréhension des capacités de stockage.
• La différence entre kilobit (1000 bits) et kilo-octet (1024 octets) est fondamentale : le kilobit (kb) est une unité de débit ou de vitesse, tandis que le kilo-octet (Ko) mesure la taille de fichiers ou de données.
• 1 To représente mille milliards d’octets, ce qui permet d’évaluer la capacité de stockage de disques durs modernes (ex : 6 To).

💡 À retenir

Les unités de stockage en informatique évoluent par puissances de 1024, permettant d’adapter la mesure à l’augmentation constante des volumes de données numériques. La distinction entre bits et octets est essentielle pour comprendre la capacité et la vitesse de transfert des données.

📖 4. Calcul du poids d'une image

🔑 Notions clés & Définitions

• Poids d’une image : quantité de données qu’elle occupe, généralement exprimée en Mega Octets (Mo). Il dépend de la taille en pixels, du nombre de bits par pixel, et du taux de compression (voir section 2).
• Calcul du poids : formule fondamentale : hauteur x largeur (en pixels) x nombre de bits par pixel. Elle permet d’estimer la taille d’un fichier image numérique.
• Pixel : unité de base d’une image numérique, représentant un point de couleur. Un pixel en 8 bits (3 couches RVB) occupe 3 octets, en 16 bits (3 couches RVB) occupe 6 octets.
• Taille d’une image : définition en pixels, pouces ou centimètres, permettant d’évaluer sa dimension physique ou numérique. La taille en pixels correspond au nombre total de points composant l’image.
• Unité de mesure : 1 octet = 8 bits, unité standard en informatique pour mesurer la quantité de données (voir section 2).

📝 Points essentiels

• Le poids d’une image se calcule en multipliant la hauteur par la largeur en pixels par le nombre de bits par pixel. Par exemple, une image de 3000 x 2000 pixels en 8 bits par pixel (3 couches RVB) aura un poids estimé de :
  3000 x 2000 x 8 bits = 48 000 000 bits, soit 6 Mo (car 1 octet = 8 bits, donc 48 000 000 bits / 8 = 6 000 000 octets = 6 Mo).
• Un pixel représente 3 octets en 8 bits (3 couches RVB), ce qui signifie que chaque pixel nécessite 24 bits pour la couleur (8 bits par couche). En 16 bits, chaque pixel occupe 6 octets (48 bits).
• La taille d’une image peut être exprimée en pixels, pouces ou centimètres, en fonction de la résolution ou des dimensions physiques. La définition en pixels est essentielle pour le calcul du poids.
• La formule de calcul est fondamentale pour estimer la capacité de stockage nécessaire ou la vitesse de transfert d’une image numérique.

💡 À retenir

Le poids d’une image numérique est déterminé par sa taille en pixels et la profondeur de couleur, calculée par la formule hauteur x largeur x bits par pixel, ce qui permet d’évaluer précisément la capacité de stockage requise.

📖 5. Résolution d'image et DPI

🔑 Notions clés & Définitions

• Résolution d’une image : Nombre de pixels par unité de longueur dans une image. Plus la résolution est élevée, plus les détails sont représentés.
• DPI (dots per inch) : Unité de mesure de la résolution d’image, exprimant le nombre de pixels par pouce. Elle indique la densité de points dans une impression ou une numérisation.
• 1 inch = 2,54 cm : Conversion utilisée pour exprimer la résolution en DPI.
• Exemples de DPI : A4 = 300 DPI, A3 = 240 DPI, A2 = 180 DPI, A5 = 6000 DPI.
• Point à retenir : Une résolution élevée permet d’obtenir plus de détails dans l’image, essentielle pour la qualité d’impression ou de numérisation.

📝 Points essentiels

• La résolution d’image se mesure en pixels par pouce (PPP) ou DPI, ce qui correspond au nombre de pixels contenus dans une unité de longueur.
• La résolution élevée, comme 300 DPI pour un format A4, permet d’obtenir une image avec plus de détails, notamment lors de l’impression.
• La conversion entre unités est fondamentale : 1 inch = 2,54 cm, permettant d’adapter la résolution selon le format ou le support.
• Des exemples concrets illustrent que pour un format A4, la résolution recommandée est de 300 DPI, tandis qu’un format A5 peut atteindre 6000 DPI pour une précision extrême.
• La résolution influence directement la qualité visuelle et la quantité de détails visibles dans l’image.

💡 À retenir

La résolution d’une image, mesurée en DPI, détermine la finesse des détails visibles ; une résolution plus élevée permet une meilleure qualité d’image, notamment lors de l’impression ou de la numérisation.

📖 6. Codage des images bitmap

🔑 Notions clés & Définitions

• Images bitmap : images pixellisées composées de pixels, chaque pixel étant une unité de l’image codée en binaire. La matrice de pixels forme l’image, chaque point ayant des coordonnées x et y (voir section 9).
• Codage d’une image bitmap au trait sur 1 bit : méthode où chaque pixel ne peut prendre que deux états, noir ou blanc, codés par un seul bit (voir section 9).
• Codage en niveaux de gris sur 8 bits : chaque pixel peut prendre 256 niveaux de gris, allant de noir (0) à blanc (255), avec une valeur intermédiaire pour le gris (voir section 9).
• Codage couleur RVB sur 8 bits par couche : chaque pixel comporte 3 couches (Rouge, Vert, Bleu), chacune codée sur 8 bits, permettant d’obtenir 16,7 millions de couleurs différentes (voir section 9).
• Chaque pixel comporte 3 couches : dans une image couleur RVB, chaque pixel est représenté par trois valeurs (Rouge, Vert, Bleu), chacune codée sur 8 bits, ce qui donne la richesse chromatique de l’image (voir section 9).

📝 Points essentiels

• Les images bitmap sont des images matricielles où chaque pixel est une unité codée en binaire, formant une grille de points. La pixellisation devient visible lors de l’agrandissement de l’image, phénomène appelé pixellisation (voir section 9).
• Le codage d’une image au trait (noir/blanc) utilise 1 bit par pixel, permettant deux états possibles. Pour une image en niveaux de gris, chaque pixel est codé sur 8 bits, offrant 256 nuances (voir section 9).
• La couleur RVB est représentée par trois couches, chacune codée sur 8 bits, permettant de générer une large palette de couleurs, soit 16,7 millions de couleurs par pixel (voir section 9).
• La lecture de ces paramètres se retrouve dans l’outil de gestion d’images ou logiciels de retouche (voir section 9).

💡 À retenir

Les images bitmap sont constituées de pixels codés en binaire, avec des possibilités de codage en noir et blanc, niveaux de gris ou couleur RVB, ce qui détermine leur qualité, leur poids et leur utilisation.

📖 7. Quantification et profondeur de couleur

🔑 Notions clés & Définitions

• Quantification : nombre de bits utilisés pour coder les nuances de couleur dans une image numérique. Elle détermine la précision avec laquelle les couleurs et nuances sont représentées.
• Profondeur de couleur : capacité d’un fichier à représenter différentes nuances de couleur, liée directement à la quantification. Par exemple, un fichier RAW avec 16 bits offre une quantification plus élevée que 8 bits.
• Formats RAW et TIFF : formats d’image qui offrent une quantification plus élevée (16 bits), permettant une meilleure précision dans la représentation des nuances de couleur.
• Augmentation du nombre de bits : processus qui permet un codage plus précis des nuances, améliorant la qualité d’image et la finesse des détails.
• AUTEUR (date) : « La quantification représente le nombre de bits (unités de stockage) utilisés par l’ordinateur pour rendre les nuances de couleurs » (source).

📝 Points essentiels

• La quantification est directement liée à la profondeur de couleur, qui détermine la finesse de la représentation des nuances dans une image.
• Plus le nombre de bits est élevé, plus le codage des nuances est précis, ce qui permet de représenter un plus grand nombre de nuances : par exemple, 8 bits = 256 nuances par couleur, 16 bits = 65 536 nuances.
• Les formats RAW et TIFF offrent une quantification supérieure (16 bits), ce qui est avantageux pour la retouche et la post-production, car ils permettent de conserver plus d’informations dans l’image.
• L’augmentation du nombre de bits permet un codage plus précis, mais entraîne également une augmentation de la taille des fichiers, ce qui impacte le stockage et le traitement.
• La quantification est essentielle pour la qualité d’image, notamment dans la photographie professionnelle et la retouche numérique, car elle influence la dynamique et la fidélité des couleurs.

💡 À retenir

La quantification, en augmentant le nombre de bits, permet un codage plus précis des nuances de couleur, améliorant la qualité et la flexibilité lors de la retouche d’image.

📖 8. Dynamique d'une image bitmap

🔑 Notions clés & Définitions

• Dynamique d’une image : capacité d’une image numérique à restituer les vraies échelles d’intensités lumineuses du monde réel, en reproduisant fidèlement la gamme de luminosités perçues par l’œil humain (voir page 10).
• Capacité à restituer les échelles d’intensité lumineuse réelles : aptitude d’une image à représenter précisément la plage de luminosités allant des ombres profondes aux hautes lumières, permettant une reproduction fidèle de la scène originale (voir page 10).
• Codage 8 bits : système de quantification permettant de représenter 256 nuances de luminosité, suffisant pour l’œil humain qui distingue environ une centaine de valeurs (voir page 10).
• Codage 12-14 bits : niveaux de quantification plus élevés utilisés en retouche pour disposer de plus de nuances, offrant une plus grande souplesse dans le traitement de l’image (voir page 10).
• Histogramme : graphique représentant la répartition des pixels selon leur luminosité, avec l’axe horizontal indiquant les valeurs de luminosité et l’axe vertical le nombre ou la proportion de pixels correspondants (voir page 6).

📝 Points essentiels

• La dynamique d’une image est essentielle pour une reproduction fidèle des intensités lumineuses, permettant de restituer la gamme réelle de luminosités observée dans la scène (voir page 10).
• La capacité à représenter cette gamme dépend du codage : un codage en 8 bits offre une quantification de 256 nuances, ce qui est généralement suffisant pour l’œil humain, qui distingue environ une centaine de valeurs (voir page 10).
• Pour des travaux de retouche ou d’étalonnage précis, on utilise des codages en 12 ou 14 bits, qui offrent respectivement 4096 ou plus de nuances, permettant une meilleure gestion des plages lumineuses sans perte d’information (voir page 10).
• La répartition des pixels selon leur luminosité est visualisée dans l’histogramme, qui permet d’évaluer si une image est sous-exposée, bien exposée ou surexposée, en analysant la courbe en peigne (voir page 6).
• La quantification sur 8 bits est adaptée pour l’enregistrement final, tandis que pour la post-production, une quantification plus élevée (12 ou 14 bits) est privilégiée pour préserver la dynamique et éviter la perte d’informations (voir page 10).

💡 À retenir

La dynamique d’une image bitmap reflète sa capacité à restituer fidèlement la gamme d’intensités lumineuses du réel, et le choix du codage en bits détermine la richesse des nuances disponibles pour la reproduction et la retouche.

📖 9. Types d'images numériques

🔑 Notions clés & Définitions

• Images bitmap : images pixellisées constituées d’une matrice de pixels, chaque pixel ayant des coordonnées x, y et étant codé sur un certain nombre de bits. La pixellisation devient visible lors d’un agrandissement (voir "Pixellisation"). AUTEUR (date) : "images matricielles" (voir section 10).
• Pixellisation : apparition visible des pixels dans une image lors d’un agrandissement, phénomène caractéristique des images bitmap.
• Images vectorielles : images composées de données géométriques représentées par des formules mathématiques (ex : cercle défini par centre et rayon). Elles permettent des transformations sans perte de qualité et ont un poids faible (voir "données géométriques"). AUTEUR (date) : "images vectorielles" (voir section 10).

📝 Points essentiels

• Les images bitmap sont des images matricielles où chaque pixel est codé sur plusieurs bits, ce qui permet de représenter des images avec une grande précision de nuances (ex : 8 bits = 256 niveaux). La pixellisation apparaît lors de l’agrandissement, rendant visible chaque pixel.
• La pixellisation est un phénomène inévitable pour les images bitmap, mais elle peut être évitée en utilisant des images vectorielles pour des transformations géométriques.
• Les images vectorielles sont définies par des formules mathématiques, ce qui leur confère la capacité de modification sans perte qualitative et un poids généralement faible. Seules certains logiciels comme Flash ou Illustrator permettent leur création.
• La distinction entre bitmap et vectoriel repose sur leur structure : matrice de pixels pour bitmap, données géométriques pour vectoriel.

💡 À retenir

Les images bitmap sont constituées de pixels et deviennent floues à l’agrandissement, tandis que les images vectorielles, basées sur des formules mathématiques, peuvent être agrandies ou modifiées sans perte de qualité.

📖 10. Images bitmap vs vectorielles

🔑 Notions clés & Définitions

• Images vectorielles : images composées d’éléments géométriques (cercles, rectangles, traits) définis par des formules mathématiques (ex : un cercle défini par un centre et un rayon). **(voir concepts exclusifs)

• Représentation par formules mathématiques : méthode de définition des éléments géométriques par des équations ou paramètres, permettant une modification sans perte de qualité. **(voir concepts exclusifs)

• Logiciels spécialisés pour création vectorielle : outils comme Flash et Illustrator d’Adobe, conçus pour créer, modifier et gérer des images vectorielles. (voir concepts exclusifs)

• Fichiers vectoriels : fichiers contenant des données géométriques représentées par des formules mathématiques, généralement de poids faible, permettant des transformations sans perte de qualité. (voir concepts exclusifs)

📝 Points essentiels

• Les images vectorielles sont constituées d’éléments géométriques (cercles, rectangles, traits) définis par des formules mathématiques, ce qui permet leur modification sans dégradation (transformation sans perte) (voir concepts exclusifs).

• La représentation par formules mathématiques offre une flexibilité pour éditer les éléments géométriques, notamment avec des logiciels comme Flash ou Illustrator. Ces logiciels permettent de créer et de manipuler ces images vectorielles efficacement (voir concepts exclusifs).

• Les fichiers vectoriels ont un poids généralement faible, car ils ne stockent que des données géométriques et non une matrice de pixels, ce qui facilite leur stockage et leur traitement. (voir concepts exclusifs)

• La nature mathématique des éléments permet d’agrandir ou de réduire une image vectorielle sans perte de qualité, contrairement aux images bitmap. (voir concepts exclusifs)

💡 À retenir

Les images vectorielles, composées d’éléments géométriques définis par des formules mathématiques, offrent une grande flexibilité de modification et un faible poids, idéales pour des créations graphiques évolutives.

📅 Repères chronologiques

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre kilo-octet (Ko) et kilobit (kb), qui ne représentent pas la même chose.
2. Croire que le poids d’une image dépend uniquement de ses dimensions en pixels.
3. Oublier que 8 bits = 1 octet, ce qui influence le calcul du poids.
4. Confondre la profondeur de couleur (bits par pixel) et la quantité de couleurs affichables.
5. Négliger l’impact du taux de compression sur le poids final du fichier.
6. Confondre la capacité de stockage (exprimée en Mo, Go) et la vitesse de transfert (bits par seconde).
7. Confondre la résolution en DPI/DPI (DPI = dots per inch) et la résolution en pixels.

✅ Checklist Examen

• Connaître la définition de PERROUX sur la croissance et ses implications en économie numérique.
• Maîtriser la représentation binaire des données, notamment la signification de 1 bit, 2 bits, 8 bits, et leur capacité de codage (2^n).
• Savoir calculer le poids d’un fichier image à partir de sa résolution, profondeur de couleur et compression.
• Comprendre la différence entre les unités de stockage : octet, Ko, Mo, Go, To.
• Connaître la formule pour estimer la taille d’une image numérique.
• Identifier les facteurs influençant le poids d’un fichier (résolution, profondeur de couleur, compression).
• Différencier images bitmap et images vectorielles, ainsi que leurs usages.
• Savoir ce qu’est la pixellisation et ses effets lors de l’agrandissement.
• Connaître les principaux formats d’images (JPEG, RAW, TIFF, PSD) et leur impact sur la taille.
• Comprendre la relation entre résolution d’image, DPI et qualité d’impression.
• Maîtriser la différence entre la dynamique d’une image bitmap et la profondeur de couleur.
• Vérifier la maîtrise du vocabulaire : pixel, octet, compression, résolution, profondeur de couleur, DPI.