Académique Documents
Professionnel Documents
Culture Documents
données
opération informatique
Un algorithme de compression sans perte restitue après décompression une suite de bits
strictement identique à l'originale. Les algorithmes de compression sans perte sont utilisés
pour les archives, les fichiers exécutables ou les textes.
Les formats de données tels que Zip, RAR, gzip, ADPCM, MP3 et JPEG utilisent des
algorithmes de compression de données.
Gagner 5 % en efficacité de compression par rapport aux grands algorithmes courants peut
typiquement multiplier par 100 le temps nécessaire à la compression[1].
Types de compression
L'information à compresser est vue comme la sortie d'une source de symboles qui produit
des textes finis selon certaines règles. Le but est de réduire la taille moyenne des textes
obtenus après la compression tout en ayant la possibilité de retrouver exactement le
message d'origine (on trouve aussi la dénomination codage de source en opposition au
codage de canal qui désigne le codage correcteur d'erreurs).
Il n'existe pas de technique de compression de données sans perte universelle, qui pourrait
compresser n'importe quel fichier : si une technique sans perte compresse au moins un
fichier, alors elle en « grossit » également au moins un autre.
Cette technique est fondée sur une idée simple : seul un sous-ensemble très faible de toutes
les images possibles (à savoir celles que l'on obtiendrait par exemple en tirant les valeurs de
chaque pixel par un générateur aléatoire) possède un caractère exploitable et informatif pour
l'œil. Ce sont donc ces images-là qu'on va s'attacher à coder de façon courte. Dans la
pratique, l'œil a besoin pour identifier des zones qu'il existe des corrélations entre pixels
voisins, c'est-à-dire qu'il existe des zones contiguës de couleurs voisines. Les programmes de
compression s'attachent à découvrir ces zones et à les coder de la façon aussi compacte
que possible. La norme JPEG 2000, par exemple, arrive généralement à coder des images
photographiques sur 1 bit par pixel sans perte visible de qualité sur un écran, soit une
compression d'un facteur 24 à 1.
Puisque l'œil ne perçoit pas nécessairement tous les détails d'une image, il est possible de
réduire la quantité de données de telle sorte que le résultat soit très ressemblant à l'original,
voire identique, pour l'œil humain. L'enjeu de la compression avec pertes est de réduire la
quantité de données d'un fichier tout en préservant la qualité perceptible et en évitant
l'apparition d'artefacts.
De même, seul un sous-ensemble très faible de sons possibles est exploitable par l'oreille,
qui a besoin de régularités engendrant elles-mêmes une redondance (coder avec fidélité un
bruit de souffle n'aurait pas grand intérêt). Un codage éliminant cette redondance et la
restituant à l'arrivée reste donc acceptable, même si le son restitué n'est pas en tout point
identique au son d'origine.
Techniques de compression
Techniques de compression
presque sans perte
Parmi les algorithmes de compression presque sans perte, on retrouve la plupart des
algorithmes de compression sans perte spécifiques à un type de données particulier. Par
exemple, JPEG-LS permet de compresser presque sans perte du Windows bitmap et
Monkey's Audio permet de compresser sans perte les données audio du wave PCM : il n'y a
pas de perte de qualité, l'image et le morceau de musique sont exactement ceux d'origine.
Les algorithmes tels que Lempel-Ziv ou le codage RLE consistent à remplacer des suites de
bits utilisées plusieurs fois dans un même fichier. Dans l'algorithme de codage de Huffman
plus la suite de bits est utilisée souvent, plus la suite qui la remplacera sera courte.
Les algorithmes tels que la transformée de Burrows-Wheeler sont utilisés avec un algorithme
de compression. De tels algorithmes modifient l'ordre des bits de manière à augmenter
l'efficacité de l'algorithme de compression, mais sans compresser par eux-mêmes.
Codage RLE
Compression CCITT
C'est une compression d'images utilisée par les télécopieurs (ou fax), standardisée par des
recommandations de l'Union internationale des télécommunications (anciennement appelée
CCITT). Elle est de type RLE (on code les suites horizontales de pixels blancs et de pixels
noirs) et peut-être bidirectionnelle (on déduit une ligne de la précédente). Il existe plusieurs
types de compressions (« groupes ») suivant l'algorithme utilisé et le nombre de couleurs du
document (monochrome, niveau de gris, couleur).
Deux compressions existent, celle du Groupe 3 (recommandation ITU T.4) et celle du Groupe
4 (recommandation ITU T.6), utilisées pour les fax :
Codage entropique
Codage de Huffman
L'idée qui préside au codage de Huffman est voisine de celle utilisée dans le code Morse :
coder ce qui est fréquent sur peu de place, et coder en revanche sur des séquences plus
longues ce qui revient rarement (entropie). En morse le « e », lettre très fréquente, est codé
par un simple point, le plus bref de tous les signes.
L'originalité de David A. Huffman est qu'il fournit un procédé d'agrégation objectif permettant
de constituer son code dès lors qu'on possède les statistiques d'utilisation de chaque
caractère.
Le Macintosh d'Apple codait les textes dans un système inspiré de Huffman : les 15 lettres
les plus fréquentes (dans la langue utilisée) étaient codées sur 4 bits, et la 16e combinaison
était un code d'échappement indiquant que la lettre était codée en ASCII sur les 8 bits
suivants. Ce système permettait une compression des textes voisine en moyenne de 30 % à
une époque où la mémoire était extrêmement chère par rapport aux prix actuels (compter un
facteur 1 000).
Le défaut du codage Huffman est qu'il doit connaître la fréquence des caractères utilisés
dans un fichier avant de choisir les codes optimaux. Et il doit donc lire tout le fichier avant de
comprimer. Une autre conséquence est que pour décompresser il faut connaître les codes et
donc la table, qui est ajoutée devant le fichier, aussi bien pour transmettre que stocker, ce qui
diminue la compression, surtout pour les petits fichiers. Ce problème est éliminé par le
codage Huffman adaptatif, qui modifie sa table au fil des choses. Et peut donc démarrer avec
une table de base. En principe, il commence avec les caractères à même probabilité.
Code Baudot
Table de caractère du code Baudot
Ainsi, on écrira :
( bits)
( bits)
Sans compression, c'est-à-dire en codant chaque caractère sur 6 bits, ces chaînes de
caractères auraient le même poids de bits.
Ici on remarque qu'en utilisant le code Baudot le premier texte a été compressé de manière
bénéfique contrairement au second. En effet, alors que la première chaîne était prévisible, la
seconde ne l'était clairement pas.
Le code Baudot joue donc sur la probabilité de la répartition des caractères au sein d'un texte
intelligible.
Codage arithmétique
Elle donne de moins bons taux de compression que d'autres algorithmes (PPM, CM), mais a
le double avantage d'être rapide et asymétrique (c'est-à-dire que l'algorithme de
décompression est différent de celui de compression, ce qui peut être exploité pour avoir un
algorithme de compression performant et un algorithme de décompression rapide).
LZ77 est notamment la base d'algorithmes répandus comme Deflate (ZIP, gzip) ou LZMA (7-
Zip, xz)
La compression Lempel-Ziv-Welch est dite de type dictionnaire. Elle est basée sur le fait que
des motifs se retrouvent plus souvent que d'autres et qu'on peut donc les remplacer par un
index dans un dictionnaire. Le dictionnaire est construit dynamiquement d'après les motifs
rencontrés.
Actuellement, les meilleurs taux de compression sont obtenus par des algorithmes liant
pondération de contextes et codage arithmétique, comme PAQ.
Transformée de Burrows-Wheeler
(BWT)
Techniques de compression
avec pertes
Cette section est vide, insuffisamment
détaillée ou incomplète. Votre aide est la
bienvenue ! Comment faire ?
La compression avec pertes ne s'applique que sur des données perceptuelles (audio, image,
vidéo), et s'appuie sur les caractéristiques du système visuel ou du système auditif humain
pour ses stratégies de réduction de l'information. Les techniques sont donc spécifiques à
chaque média. Ces techniques ne sont pas utilisées seules mais sont combinées pour
fournir un système de compression performant.
Sous-échantillonnage
Quantification
Article détaillé : Quantification (signal).
La quantification est l'étape la plus importante dans la réduction de l'information. C'est sur la
quantification que l'on joue lorsque l'on souhaite atteindre un débit cible, généralement en
utilisant un modèle débit-distorsion.
Lors d'un codage par transformation (ondelettes ou DCT par exemple), la quantification
s'applique sur les coefficients dans l'espace transformé, en réduisant leur précision.
Taux de compression
Considérons un
algorithme de
compression sans pertes
.
Considérons l'ensemble
de tous les flux de
taille :
(avec la fonction
de calcul de taille d'un
flux).
L'algorithme étant sans
pertes, il y a une bijection
entre les flux d'origine
et les flux
compressés .
En effet, si
l'algorithme n'était
pas bijectif, alors il
existerait deux flux
et ayant le
même flux
compressé .
À la décompression,
il n'est pas possible
de savoir s'il faut
restituer le flux ou
: ceci réclamerait
au minimum un bit
pour être codé.
Donc, soit
l'algorithme est
soit avec pertes
(impossible par
exemple de restituer
le flux ), soit les
deux flux et
n'ont pas la même
image compressée
, car l'algorithme
produira deux flux
compressés
différents d'au
moins un bit.
En conséquence, un
algorithme sans
pertes ne peut être
qu'une bijection de
vers ,
c'est-à-dire
qu'aucune image ne
possède deux
antécédents
distincts :
.
De plus,
.
Prenons l'hypothèse
que tout flux compressé
est plus petit que le flux
d'origine :
En prenant comme
unité de taille l'octet
( valeurs
distinctes), le
nombre total de
fichiers distincts de
taille est
.
Le nombre total de
fichiers de taille au
plus égale à
est
, ce qui correspond à
une série
géométrique : la
valeur recherchée
est donc
[4].
On constate de
façon triviale que
: donc, il y a
strictement moins
de fichiers de taille
à que de
fichiers de taille .
Or, l'algorithme
est bijectif : donc,
. Or, l'inégalité
précédente donne
.
Donc, quelle que soit la taille de flux utilisée ou la nature des
données, il existera toujours au moins un flux compressé plus
grand que son original, donc un flux non-compressible.
À noter qu'en prenant le cas extrême d'un flux d'un seul octet,
le raisonnement est trivial (le flux compressé ne peut faire
zéro octet de longueur), mais ne permet pas de généraliser la
démonstration à toutes les tailles de fichier possibles, ni d'être
indépendant de la nature des données du flux.
Bases de données et
compression
Certaines bases de données permettent de compresser les données des tables et des index
sans pour autant obliger de décompresser les données afin de les exploiter en lecture
séquentielles (scan) comme en accès par recherche (seek).
C'est le cas en particulier de Microsoft SQL Server qui permet de compresser en mode "ROW"
(élimination des espaces vides), comme en mode "PAGE" (dictionnaire partiel).
Notes et références
1. Algorithme zopfli :
https://code.google.com/p/zopfli/ [a
rchive].
Voir aussi
Bibliographie
Articles connexes
Liens externes
Portail de l’informatique
Ce document provient de
« https://fr.wikipedia.org/w/index.php?
title=Compression_de_données&oldid=20969624
3 ».