Metode de Compresie Bazate Pe Dictionar - Codarea Lempel - Ziv
-
Upload
iurii-rusu -
Category
Documents
-
view
245 -
download
1
Transcript of Metode de Compresie Bazate Pe Dictionar - Codarea Lempel - Ziv
-
8/14/2019 Metode de Compresie Bazate Pe Dictionar - Codarea Lempel - Ziv
1/7
Metode de compresie bazate pe dictionar.
Codarea Lempel-Ziv
Cuprins
IntroducereIdeea compresiei bazate pe dictionar. Exemplu.Algoritmul Lempel-ZivAlgoritmul Lempel-Ziv-WelchImplementare si Exemple
Concluzii
Introducere
Folosit in compress -uncompress,gzip-gunzip din UNIX , sau WinZip din Windows.
Algoritmul de compresie este de tipul lungime variabila - lungime fixa. Exista sivariante lungime variabila-lungime variabila.
Textul se imparte in siruri (cuvinte) distincte. Acestea definesc un dictionar. Se
codifica pozitia sirului in dictionar.
Dictionarele pot fistatice sau adaptive.
Un dictionarstatic este construit si transmis odata cu textul comprimat si este folositca referintele citate intr-o lucrare stiintifica. Un dictionarstatic este construit inainteaefectuariii compresiei si ramane neschimbat pe toata durata acesteia.
Dictionarul static are avantajul ca poate fi ales (acordat) in vederea codarii,
inregistrarile care apar cu cea mai mare frecventa putand fi codate cu numarul cel mai
mic de biti, in conformitate cu regulile de codare entropica.
Dezavantajul folosirii unui dictionar static apare la compresia fisierelor mici, cand,
din cauza transmisiei/memorarii atat a dictionarului cat si a fisierului comprimat,raportul de compresie nu este foarte bun, de multe ori chiar subunitar. De aceea, cei
mai raspanditi sunt algoritmii de compresie bazati pe dictionare adaptive.
Un dictionaradaptiv consta in adaugarea unei abrevieri pe langa anumite grupe desimboluri, cand apar prima oara, si utilizarea in continuare doar a abrevierilor.
Cel mai folosit algoritm de compresie bazat pe dictionar este cel propus de Jacob Ziv
si Abraham Lempel, in doua variante: prima din 1977, cunoscuta sub numele de
LZ77, si a doua, din 1978, cunoscuta sub numele de LZ78.
1
-
8/14/2019 Metode de Compresie Bazate Pe Dictionar - Codarea Lempel - Ziv
2/7
Un exemplu: Fie mesajul Titlul acestui capitol este compresia datelor.
Fie conventia reprezentarii unui cuvant dintr-o carte prin doua atribute, sub forma:
(Numarul_paginii) / (numarul_cuvantului_din_pagina).
Mesajul codat dupa aceasta conventie-regula este
500/3 1/5 10/2 15/9 10/6 12/1
Cuvantul Titlul este inlocuit prin 500/3, ceea ce reprezinta al treilea cuvant de pepagina 500.
Cuvantul compresia este al 6 cuvant de pe pagina 10.
Marimea mesajului comprimat depinde de marimea dictionarului, deci de numarul de
pagini si de numarul de inregistrari pe pagina.
FieNP(numarul de pagini) siNR (numarul de inregistrari pe pagina) atunci numarulde biti pentru reprezentarea (codarea) unui cuvant din dictionar este
n = [log2(NP)] + [log2(NR)].
Intrucat trebuie considerat si marimea mesajului de la intrare, exprimat prin numarul
de simboluri,NS, rezulta un raport de compresie
[ ] [ ]{ } [ ] [ ]{ })NRlog()NPlog(NS)NRlog()NPlog(NS
)biti(RC+
=
+
=
88
Exemplu numeric: FieNP= 2200 pagini; sunt necesari log2(2200) = 11.03 -> 12 bitipentru a coda numarul paginii.
FieNR = 256. Pentru reprezentarea binara a unui cuant este nevoie de log2(256) = 8biti.
Un cuvant oarecare din dictionar este codat pe 20 (12+8) biti.
Mesajul comprimat va avea lungimea 20 biti * 6 cuvinte = 120 biti.
In reprezentarea ASCII, cele 6 cuvinte au 46 de caractere si necesita 46 * 8 = 368 biti.
Raportul de compresie este 063120320 .
bitibiti)biti(RC == .
2
-
8/14/2019 Metode de Compresie Bazate Pe Dictionar - Codarea Lempel - Ziv
3/7
Algoritmul Lempel-Ziv
Schema de compresie trebuie sa imparta datele in sub-siruri, sa codeze sub-sirurile, si
sa fie posibila si operatia inversa.
Fie urmatorul sir de date:
001101100011010101001001001101000001010010110010110
1). Se imparte mesajul in subsiruri, astfel incat la fiecare definitie a unui subsir sa
nu existe repetitiii, deci el sa nu fi fost definit anterior.
1.1 La inceputul sirului se pune o virgula pentru a evidentia sirul de lungime zero.
1.2 Se pune apoi o virgula dupa primul zero, intrucat nu a mai aparut.
1.3. Al doilea bit este zero si se considera si al doilea simbol, obtinandu-se sirul 01.
Intrucat acesta este sir nou se pune virgula.
1.4 Urmeaza simbolul 1, care fiind caracter nou, atrage virgula dupa el.
1.5. Apoi apare un zero si doi de 1, ca sa fie un sir nou, s.a.m.d.
Rezultatul consta in urmatoarea lista de siruri, ce defineste dictionarulsau tabelul
,0,01,1,011,00,0110,10,101,001,0010,
01101,000,00101,001011,0010110
Tema pentru acasa
Mesaj = 110010101000111101010100101011101011
Dictionar = ,1,10,0,101,01,00,011,11,010,1010,0101,0111,01011
2). Determinarea numarului de biti pentru reprezentarea secventei astfel obtinute.
[ ] [ ] 41522 === logNlogk
3) C
odarea sirurilor, astfel obtinute. Se completeaza un tabel de forma de mai jos, in
care se definesc: sirul, numarul ce arata pozitia sirului, prefixul, numarul ce aratapozitia prefixului, si codulsirului. Codul sirului este obtinut considerand numarul cearata pozitia prefixului urmat de ultimul bit al sirului considerat.
3
-
8/14/2019 Metode de Compresie Bazate Pe Dictionar - Codarea Lempel - Ziv
4/7
Nr.
sirului Sirul
Codarea
pozitiei
sirului
Prefix
Codarea
pozitiei
prefixului
Sir
codat
1. 0 0001 empty 0 = 0000 0000+0 = 00000
2. 01 0010 0 1 = 0001 0001+1 = 00011
3. 1 0011 empty 0 = 0000 0000+1 = 00001
4. 011 0100 01 2 = 0010 00101
5. 00 0101 0 1 = 0001 00010
6. 0110 0110 011 4 = 0100 01000
7. 10 0111 1 3 = 0011 00110
8. 101 1000 10 7 = 0111 01111
9. 001 1001 00 5 = 0101 01011
10. 0010 1010 001 9 = 1001 10010
11. 01101 1011 0110 6 = 0110 01101
12. 000 1100 00 5 = 0101 01010
13. 00101 1101 0010 10 = 1010 10101
14. 001011 1110 00101 13 = 1101 11011
15. 0010110 1111 001011 14 = 1110 11100
Secventa comprimata este format prin concatenarea tuturor sirulor codate, aflate in
ultima coloana a tabelului de mai sus. Se obtine:
00000-00011-00001-00101-00010-01000-00110-01111
01011-10010-01001-01010-10101-11011-11100
4) Raportul de compresie este
61515
815.
*
*RC ==
Pentru fisiere cu secventa de lungime de milioane de simboluri se constata cu raport
de compresie de pana la 2, depinzand si de continutul fisierului.
4
-
8/14/2019 Metode de Compresie Bazate Pe Dictionar - Codarea Lempel - Ziv
5/7
Algoritmul Lempel-Ziv-Welch
ALGORITM DE CODARE LZW:
Date intiale: AlfabetulA; secventa de intrare in;
#1. Initializeaza dictionarul cu simbolurile alfabetului;#2. Initializeaza secventa comprimata: code =;#3. Citeste primul caracter de intrare, sirul prefix S: S= in(1);#4. CAT TIMP nu s-a parcurs toata secventa de intrare EXECUTA:
#4.1.Citeste urmatorul caracter de intrare:K = in(i+1).#4.2. DACA sirul SKeste in tabel (dictionar)
ATUNCI
#4.2.1. Asigneaza: S= SK;ALTFEL
#4.2.2. Memoreaza SKin dictionar;#4.2.3. Asigneaza: S = K;#4.2.4. Scrie: code = code + code(S);
END #4.2;
END #5;
END.
Exemplul 1 - Fie alfabetul { }b,aA = si mesajul bbaabbaaaabaaabbaabbaabin = .Rezultatele:
Dictionarul = 'a' 'b' 'ab' 'bb' 'ba' 'aa' 'abb' 'baa' 'aba' 'abba' 'aaa'
'aab' 'baab' 'bba'
code = '1' '2' '2' '1' '3' '5' '3' '7' '6' '6' '8' '4'
Presupunand ca se cunoaste alfabetul si dictionarul, atat la emisie cat si la receptie, ar
rezulta un raport de compresie
533
52
184
413
823.
*
*RC ===
Exemplul2 - Fie { }c,b,aA = si mesajul aaaaaaaababcbababin = . Se obtin rezultatele:
D = 'a' 'b' 'c' 'ab' 'ba' 'abc' 'cb' 'bab' 'baba' 'aa' 'aaa' 'aaaa'
code = '1' '2' '4' '3' '5' '8' '1' '10' '11'
61252
136
413
817
.*
*RC ===
5
-
8/14/2019 Metode de Compresie Bazate Pe Dictionar - Codarea Lempel - Ziv
6/7
Exemplul 3 (Tema pentru acasa): Fie alfabetul { }BT,D,E,W,/,=A si mesajulE/WEB/WET/WED/WE/WE=in . Rezultatele:
Dictionarul= '/' 'W' 'E' 'D' 'T' 'B' '/W' 'WE' 'ED' 'D/' '/WE' 'E/''/WEE' 'E/W' 'WEB' 'B/' '/WET'
code = '1' '2' '3' '4' '7' '3' '11' '12' '8' '6' '11'
CONCLUZII
Rezultatele compresiei depind mult de tipul datelor de comprimat. In tabelul de mai
jos se prezinta rezultatele obtinute pentru diferite continute ale fisierelor
Adaptive Huffman
(compactsub Unix)Lempel-Ziv
(compress sub UNIX)
LaTeX file 66% 44%
Speech file 65% 64%
Image file 94% 88%
Aceasta metoda de compresie se foloseste la o serie de formaturi de imagine, cumsunt GIF si TIFF, in standardul V.24bis al modemurilor si in standardul PostScript
Level 2.
LZW scrie datele compresate sub forma de octeti si nu ca si cuvinte, ceea ce face ca
datele comprimate sa fie independente de platforma.
Cand se comprima fisiere text, LZW initializeaza primele 256 intrari ale dictionarului
cu codul ASCII ca fiind fraze (siruri de lungime 1). Mai departe, toate subsirurile
sunt construite pe baza simbolurilor individuale, definite anterior.
Pentru secvente de intrare foarte mari lungimea dictionarului poate creste foarte mult.
De aceea, in practica, dimensiunea dictionarului este limitata la 4096 cuvinte, ceea ce
corespunde la o reprezentare a indexului (codul cuvintelor sir din dictionar) de 12
biti.
Anexa 2 Codul Matlab pentru codarea LZW (Lempel-Ziv-Welch)
6
-
8/14/2019 Metode de Compresie Bazate Pe Dictionar - Codarea Lempel - Ziv
7/7
% ALGORITM DE CODARE LZW:
% varianta cea mai simpla in care se cunoaste alfabetul;
clc; clear;% se considera initializat dictionarul cu ASCII de la 0-255;A = 'ab' ; % alfabetulin = 'abbaabbaababbaaaabaabba'; % secventa de intrare;for i=1:length(A), D(i) = {A(i)}; end; % initializare dictionar:
% initializari:i=1;
gata = 0;
code=[];
% citeste primul caracter:S = in(i);
i=i+1;
while ~gata,
nou = 0;
while ~nou & (i length(in), gata = 1; end;
end; % while gata
% Rezultate:
code-corect = '1-2-2-1-3-5-3-7-6-6-8-4-1';
dictionar-corect = 'a-b-ab-bb-ba-aa-abb-baa-aba-abba-aaa-aab-baab-bba';
7