FONDAMENTI DI INFORMATICA Prof. PIER LUCA MONTESSORO Facoltà di Ingegneria Università degli Studi di Udine Tecniche di compressione senza perdita 2000 Pier Luca Montessoro (si veda la nota di copyright alla slide n. 2) 1
Nota di Copyright Questo insieme di trasparenze (detto nel seguito slide) è protetto dalle leggi sul copyright e dalle disposizioni dei trattati internazionali. Il titolo ed i copyright relativi alle slides (ivi inclusi, ma non limitatamente, ogni immagine, fotografia, animazione, video, audio, musica e testo) sono di proprietà dell autore prof. Pier Luca Montessoro, Università degli Studi di Udine. Le slide possono essere riprodotte ed utilizzate liberamente dagli istituti di ricerca, scolastici ed universitari afferenti al Ministero della Pubblica Istruzione e al Ministero dell Università e Ricerca Scientifica e Tecnologica, per scopi istituzionali, non a fine di lucro. In tal caso non è richiesta alcuna autorizzazione. Ogni altro utilizzo o riproduzione (ivi incluse, ma non limitatamente, le riproduzioni su supporti magnetici, su reti di calcolatori e stampe) in toto o in parte è vietata, se non esplicitamente autorizzata per iscritto, a priori, da parte dell autore. L informazione contenuta in queste slide è ritenuta essere accurata alla data della pubblicazione. Essa è fornita per scopi meramente didattici e non per essere utilizzata in progetti di impianti, prodotti, reti, ecc. In ogni caso essa è soggetta a cambiamenti senza preavviso. L autore non assume alcuna responsabilità per il contenuto di queste slide (ivi incluse, ma non limitatamente, la correttezza, completezza, applicabilità, aggiornamento dell informazione). In ogni caso non può essere dichiarata conformità all informazione contenuta in queste slide. In ogni caso questa nota di copyright e il suo richiamo in calce ad ogni slide non devono mai essere rimossi e devono essere riportati anche in utilizzi parziali. 2000 Pier Luca Montessoro (si veda la nota di copyright alla slide n. 2) 2
Run Length Encoding Comprime sequenze di byte uguali Due versioni: con uso di carattere riservato senza uso di carattere riservato 2000 Pier Luca Montessoro (si veda la nota di copyright alla slide n. 2) 3
Run Length Encoding Facendo uso di un carattere riservato si può sostituire una sequenza di byte uguali con il carattere riservato seguito da uno solo dei byte ripetuti più un contatore del numero di ripetizioni 2000 Pier Luca Montessoro (si veda la nota di copyright alla slide n. 2) 4
Run Length Encoding ecco ******** 8 asterischi 65 63 63 6F 20 2A 2A 2A 2A 2A 2A 2A 2A 20 38 20 61 73 74 65 72 69 73 63 68 69 codici ASCII 65 63 63 6F 20 1A 2A 8 20 38 20 61 73 74 65 72 69 73 63 68 69 carattere riservato (SUB) numero di ripetizioni codice ASCII del carattere da ripetere 2000 Pier Luca Montessoro (si veda la nota di copyright alla slide n. 2) 5
Run Length Encoding Senza usare un carattere riservato si può accorciare una sequenza di byte uguali interrompendola dopo un numero predefinito di ripetizioni (es. 3) e sostituendo ai caratteri rimanenti il numero che rappresenta la lunghezza totale della sequenza 2000 Pier Luca Montessoro (si veda la nota di copyright alla slide n. 2) 6
Run Length Encoding ecco ******** 8 asterischi 65 63 63 6F 20 2A 2A 2A 2A 2A 2A 2A 2A 20 38 20 61 73 74 65 72 69 73 63 68 69 codici ASCII 65 63 63 6F 20 2A 2A 2A 8 20 38 20 61 73 74 65 72 69 73 63 68 69 prima parte della sequenza lunghezza totale della sequenza 2000 Pier Luca Montessoro (si veda la nota di copyright alla slide n. 2) 7
Run Length Encoding A VOLTE LA LUNGHEZZA AUMENTA... ecco *** 3 asterischi codici ASCII 65 63 63 6F 20 2A 2A 2A 20 33 20 61 73 74 65 72 69 73 63 68 69 65 63 63 6F 20 2A 2A 2A 3 20 33 20 61 73 74 65 72 69 73 63 68 69 prima parte della sequenza lunghezza totale della sequenza 2000 Pier Luca Montessoro (si veda la nota di copyright alla slide n. 2) 8
Codifica entropica Si associano codici binari più corti ai simboli (elementi di informazione) più probabili NOTA: la codifica dell informazione vista finora (numeri, testi) è finalizzata alla semplicità dell elaborazione, non alla minimizzazione della lunghezza del codice 2000 Pier Luca Montessoro (si veda la nota di copyright alla slide n. 2) 9
Definizioni Alfabeto A = { α 1,..., α M } Probabilità dove P = { p p j P[ α ] j M 1,..., p M }, p j = 1 j= 1 0 2000 Pier Luca Montessoro (si veda la nota di copyright alla slide n. 2) 10
Informazione del simbolo isolato α j Definizioni i( α j ) log 2 1 p j Si definisce entropia della sorgente di simboli X = {A, P} la sua informazione media H ( X ) = Proprietà: E[ i( α)] = j= 1 2000 Pier Luca Montessoro (si veda la nota di copyright alla slide n. 2) 11 M 0 H ( X ) log 2 p j log (1/ p j M 2 )
Codifica entropica L entropia misura l uniformità (o la non uniformità) della distribuzione dei simboli generati dalla sorgente È possibile assegnare ai simboli codici di lunghezza differente Esempio: codici a prefisso (nessuna parola di codice è prefisso ad un altra parola di codice) A 0, B 10, C 100, D 101 2000 Pier Luca Montessoro (si veda la nota di copyright alla slide n. 2) 12
Codifica entropica I codici a prefisso vengono decodificati mediante alberi binari Esempio: A 0, B 10, C 100, D 101 0 1 0 0 1 A B C D 2000 Pier Luca Montessoro (si veda la nota di copyright alla slide n. 2) 13
Codifica entropica La probabilità di un simbolo può anche essere funzione del contesto, cioè dei simboli che lo hanno preceduto Esempio: nell alfabeto comune la probabilità della lettera u è quasi 1 dopo una q È possibile introdurre codifiche con memoria, basate sulla probabilità condizionata dal contesto 2000 Pier Luca Montessoro (si veda la nota di copyright alla slide n. 2) 14
Codifica di Huffman Viene costruito un albero binario in cui ogni diramazione rappresenta l aggiunta un bit a 1 o a 0 della parola di codice Il grado di sbilanciamento dell albero è funzione della frequenza relativa di ricorrenza dei dati 2000 Pier Luca Montessoro (si veda la nota di copyright alla slide n. 2) 15
Esempio Probabilità dell alfabeto P={0.25, 0.25, 0.2, 0.15, 0.15} P=0.55 0 1 0 0 1 P=0.3 P=1.0 P=0.45 α 1 α 4 α 5 α 2 α 3 α 1 00 α 2 10 α 3 11 1 0 2000 Pier Luca Montessoro (si veda la nota di copyright alla slide n. 2) 16 1 α 4 010 α 5 011 Entropia H(X) = 2.2855 bit/simbolo Nota: sono necessari arrotondamenti per ottenere un numero intero di bit
MNP 5: codifica adattativa statistica basata sulla frequenza dei caratteri Cambia la codifica binaria di ogni byte utilizzando un numero di bit minore, uguale o maggiore a 8 a seconda della frequenza con cui il carattere compare È adattativa perché calcola dinamicamente la frequenza statistica dei caratteri durante la compressione 2000 Pier Luca Montessoro (si veda la nota di copyright alla slide n. 2) 17
MNP 5 byte in ingresso header body 00000000 000 0 00000001 000 1 00000010 001 0 00000011 001 1 00000100 010 00 00000101 010 01 00000110 010 10 00000111 010 11 00001000 011 000 00001001 011 001 00100000 101 00000 11111100 111 1111100 11111101 111 1111101 11111110 111 1111110 11111111 111 11111110 2000 Pier Luca Montessoro (si veda la nota di copyright alla slide n. 2) 18
00000101 MNP5: compressione compressione 01001 A aggiorna il contatore contatori header body restituisce la nuova codifica C se il contatore di un byte indica una frequenza maggiore di uno a codifica più corta, verranno scambiati con effetto dalla prossima occorrenza 2000 Pier Luca Montessoro (si veda la nota di copyright alla slide n. 2) 19 B
MNP5: versione più sofisticata Si utilizzano 256 tabelle La tabella da usare viene selezionata in base al carattere precedente In questo modo il calcolo della frequenza statistica è più accurato Esempio: la lettera u dopo una q ha probabilità estremamente elevata, mentre in altri casi è molto bassa 2000 Pier Luca Montessoro (si veda la nota di copyright alla slide n. 2) 20
Codifica a dizionario Idea di base: Ziv-Lemper Successivamente modificata da Welch Algoritmo LZW Utilizzato in numerosi software comuni (es. WinZip) 2000 Pier Luca Montessoro (si veda la nota di copyright alla slide n. 2) 21
Codifica a dizionario L idea di base è suddividere i dati di ingresso in sottosequenze che, se già incontrate nella sequenza di dati di ingresso, vengono codificate mediante il puntatore alla posizione corrispondente 2000 Pier Luca Montessoro (si veda la nota di copyright alla slide n. 2) 22
Algoritmo di Lempel-Ziv-Welch (LZW) Sostituisce stringhe (sequenze) di caratteri con un singolo codice binario I codici hanno lunghezza predefinita maggiore di 8 bit (es. 12 bit): i primi 256 valori sono assegnati ai caratteri ASCII i restanti valori vengono assegnati dall algoritmo alle stringhe 2000 Pier Luca Montessoro (si veda la nota di copyright alla slide n. 2) 23
Algoritmo di Lempel-Ziv-Welch (LZW) STRING = get input character WHILE there are still input characters DO CHARACTER = get input character IF STRING+CHARACTER is in the string table then STRING = STRING+character ELSE output the code for STRING add STRING+CHARACTER to the string table STRING = CHARACTER END of IF END of WHILE output the code for STRING 2000 Pier Luca Montessoro (si veda la nota di copyright alla slide n. 2) 24
Algoritmo di Lempel-Ziv-Welch (LZW) L algoritmo inserisce nuove stringhe nella tabella fino ad esaurimento dei valori disponibili per i codici Quando la tabella è piena controlla se l efficienza diminuisce: in tal caso, svuota la tabella e ricomincia In alternativa si potrebbero eliminare le stringhe poco usate (complicato da gestire) 2000 Pier Luca Montessoro (si veda la nota di copyright alla slide n. 2) 25