Модификации различных этапов.

Преобразование Шиндлера (список Шиндлера)

Следует отметить еще одно преобразование, основанное на сортировке блока данных - преобразование Шиндлера (ST) [5]. Отличие от BWT заключается в том, что строки матрицы перестановок упорядочиваются не по всей длине, а только по указанному количеству первых символов. Число таких символов называется порядком преобразования Шиндлера. В случае, если эти символы одинаковы у двух или более строк, они упорядочиваются в соответствии с номером позиции, в которой эти строки встречаются в исходной последовательности.

Distance Coding (кодирование расстояний).

Стоит упоминания метод, который все чаще используется как альтернатива MTF. По крайней мере, на большинстве файлов архиваторы, его использующие, имеют преимущество по сравнению с работающими в традиционной манере. Пока описание этого метода нигде официально не опубликовано, подробно он разобран в статье В. Юкина “Преобразования Барроуза-Уилера или алгоритм сжатия без потерь при помощи сортировки блока данных” (см. www. compression. ru). Используют его всего три архиватора - DC, YBS и SBC.

Рассмотрим кодирование строки "рдакраааабб" из прошлого примера. Первый шаг заключается в том, чтобы определить первое вхождение каждого символа. Для этого к началу строки мы по очереди приписываем все символы алфавита (при декодировании мы можем проделать тоже самое). А также воспользуемся символом конца строки, означающим окончание кодирования определенного символа. Обозначим его как '%'. Получается "абдкррдакраааабб%".

Находим число - расстояние от первого символа этой последовательности, 'а' до следующего такого же. Оно равно 6 - это число других символов между ними. Но нам заранее известно, что после 'а' идут символы 'б','д','к' и 'р'. А поскольку наша задача выяснить номер позиции, в которой потенциально может оказаться символ 'а' при декодировании, эти символы мы можем не считать. Таким образом, получаем число 2.

Аналогично кодируем еще несколько символов по очереди, подсчитывая число точек, символизирующих незанятые позиции, в строке известных символов.

Run Length Encoding (RLE).

Как видно из названия, суть этого кодирования - в замене части последовательности одинаковых символов на число, показывающее количество замененных символов.

Например, мы можем включать RLE в случае, когда количество одинаковых символов превышает 4. Тогда строка "abbbbbbbbccddddd" будет записана в виде "abbbb4ccddddl".

RLE может пригодиться тогда, когда в данных есть длинные повторы одинаковых символов. Такие повторы могут возникнуть в двух случаях - в исходных данных и после преобразования Барроуза-Уилера. В первом случае, особенно если повторов особенно много, RLE нам может заметно помочь ускорить сортировку матрицы перестановок ценой небольшого ухудшения сжатия. Аналогично, тот же эффект может иметь применение RLE и во втором случае. Правда, как было показано в предыдущем параграфе, использование DC делает RLE ненужным.

1-2 coding (OTC).

Альтернатива метода Хаффмена на третьем этапе. Это один из широко используемых способов кодирования длинных повторов. Обычно он применяется после MTF. Этот метод нашел свое применение в Bzip2, Imp.

Как известно, после MTF-преобразования мы получаем последовательность, в которой при удачном раскладе присутствует большое количество нулей, соответствующих нулевому рангу MTF.

Если кодировать каждый код MTF-0, то во-первых, это накладно по времени и, во-вторых, может заметно ухудшить сжатие из-за погрешностей статистического кодера.

Элегантный выход был найден в отведении под MTF-0 не одного, а двух символов (назовем их zl и z2). Таким образом, у нас в MTF-алфавите получилось не 256, а 257 символов. Эти zl и z2 можно использовать для кодирования числа идущих подряд MTF-0:

1   - zl

2   - z2

3   - zlzl

4   - zlz2

5   - z2zl

6   - z2z2

7   - zlzlzl

8   - zlzlz2

9   - zlz2zl

10 - zlz2z2

11 - z2zlzl

Как вы помните, наша строка "абракадабра" после двух преобразований выглядела как {4,3,2,4,3,2,0,0,0,4,0}. Подвергнем ее еще одному - и получим {4,3,2,4,3,2,zl,zl,4,zl}.

Структурная модель.

Было замечено, что данные, полученные после преобразования Барроуза-Уилера, состоят из так называемых "хороших фрагментов" (которые соответствуют часто встречаемым сочетаниям символов), разделенных "плохими фрагментами". Одна из главных задач при сжатии заключается в своевременном обнаружении границ фрагментов. То есть, в быстрой адаптации к смене фрагмента одного типа другим.

Еще одно наблюдение связано со статистикой MTF-рангов, полученных на типичных данных. Как уже упоминалось, для большинства текстов количество нулей превышает половину всех значений. Количество остальных рангов в среднем убывает по мере увеличения ранга и, соответственно, увеличивается погрешность при появлении конкретного значения и сглаживается разница между соседними рангами. Кроме того, появление нескольких больших рангов подряд в файле, подвергнутом BWT и MTF, может служить признаком "плохого фрагмента".

Одна из довольно эффективных моделей, призванных воспользоваться этой информацией, была описана Петером Фенвиком. Все MTF-ранги были поделены на группы:

При обработке очередного ранга первым делом кодируется номер группы, а затем, в случае необходимости - номер ранга внутри группы.

Описанная модель получила довольно широкое распространение и используется в ряде современных архиваторах.