Mjukvarurealiserad bildtelefoni - Umeå universitet

Förlustfri komprimering
De flesta typer av förlustfri komprimering (lossless compression) baserar sig på ansatsen att finna
ett mer effektivt sätt att representera informationen (till skillnad mot dataförstörande som väljer
bort information efter en given strategi). Den maximala kompressionsnivån som kan uppnås av en
förlustfri komprimering definieras av datamängdens inneboende entropi (energiinnehåll), vilken i
runda ordalag definierar hur mycket information det egentligen finns i en datamängd och ger därigenom
även indirekt ett mått på den mest effektiva representationens storlek. Vi skall här översiktligt
gå igenom ett antal exempel på förlustfri kompression, vilka alla har förenklats en smula
för läsarens intuitiva förståelses skull. De finns med här för att erbjuda läsaren en introduktion till
komprimering och en bättre bild av hur olika tekniker för komprimering är uppbyggda.
Run–Length Encoding
Run–Length Encoding (hädanefter kallad RLE) är en av de enklaste varianterna av komprimering
och baserar sig på antagandet att det i data finns återkommande sekvenser av samma värde (så
kallade run–lengths). Dessa sekvenser kodas efter identifierandet i termer av tecken bestående av
värdet och längden på sekvensen. RLE kan (och görs ofta) även med fördel appliceras på tvådimensionella
datastrukturer och uppnår oftast sin högsta effektivitet på datamängder med enkel
struktur. Ett vanligt förekommande exempel på sådana datamängder är text eller bilder med lågt
färgdjup (lågt antal distinkta färger i bilden), varför RLE återfinns inom ett flertal standarder för
telefax och liknande tillämpningar.
Predictive coding
Predictive coding kan ses som en utökning av RLE då denna variant fokuserar på att identifiera
strukturer av vanligt förekommande data och kodar sedan informationen i termer av avvikelser
från denna förutsägelse. Härledningsmässigt gäller dock inte detta släktskap då predictive coding
egentligen baseras på statistiska analyser av tillämpningsmässigt data. Predictive coding finner
sina tillämpningar främst inom överföringstillämpningar där det finns utförlig kunskap om vanligt
förekommande datastrukturer i data, snarare än möjlighet att analysera det data som genereras i sin
helhet.
Dictionary based coding
En till Predictive coding närbesläktad ansats är Dictionary based coding, vilken liksom den förstnämnda
baseras på statistisk analys av data. Här fokuseras dock på att identifiera strukturer i data
vilka lagras i speciella uppslagstabeller. Informationen kodas sedan om i termer av index in i dessa
tabeller istället för som tidigare i termer av sekvensstorlekar. Rent generellt lämpar sig dessa algoritmer
bättre för lagringstillämpningar snarare än överföringstillämpningar eftersom ett effektivt
identifierande och uppbyggande av dessa tabeller baserar sig på en överblick över den fullständiga
datamängden. Detta ställer i sin tur krav på tillgängligheten av data som inte alltid uppfylls av
överföringstillämpningar, vilka oftast börjar överföra data innan allt data är genererat. Naturligt
följer effekten att dessa algoritmer tenderar att ignorera kunskap om datakällan och istället fokusera
på de strukturer som finns i tillgängligt data. Därmed har dessa algoritmer en generalitet som
gör att de kan appliceras på godtyckligt data och de återfinns därför ofta i tillämpningar för kompression
av godtyckliga datafiler (såsom verktygen pkzip och UNIX compress). Värt att notera är
även att dessa algoritmer når en hög effektivitet vid kompression av homogena bilder (vilka exempelvis
kan ha mycket bakgrund i sig) och därför även återfinns i många komprimeringsbaserade
filformat för grafik, såsom GIF (Graphics Interchange Format).
24