关于Huffman 压缩

关于Huffman 压缩

0.原理
  Huffman编码是一种可变长编码方式，是由美国数学家David Huffman创立的，是二叉树的一种特殊转化形式。编码的原理是：将使用次数多的代码转换成长度较短的代码，而使用次数少的可以使用较长的编码，并且保 持编码的唯一可解性。Huffman算法的最根本的原则是：累计的(字符的统计数字*字符的编码长度)为最小，也就是权值(字符的统计数字*字符的编码长 度)的和最小。

1.Huffman树

Huffman树是二叉树的一种特殊转化形式。以下是构件Huffman树的例子：
比如有以下数据， ABFACGCAHGBBAACECDFGFAAEABBB
先进行统计A(8) B(6) C(4) D(1) E(2) F(3) G(3) H(1)  括号里面的是统计次数

生成Huffman树：每次取最小的那两个节点(node)合并成一个节点(node)，并且将累计数值相加作为新的接点的累计数值，最顶层的是根节点(root)  注：列表中最小节点的是指包括合并了的节点在内的所有节点，已经合并的节点不在列表中

运算的过程如下：
1:D+H(2)
2:DE+H(4)
3:F+G(6)
4:C+DEH(8)
5:B+FG(12)
6:A+CDEH(16)
7:ACDEH+BFG(28)

那么转化为Huffman树就是

        Huffman树            层数

          Root         
        ┌┴------┐
      ACDEH  BFG              1
      ┌┴---┐ ┌┴┐
    CDEH  A B  FG            2
    ┌┴--┐       ┌┴┐
  DEH   C       F  G          3
  ┌┴-┐
  DH  E                      4
┌┴┐
D    H                        5

取左面是1 右面是0 则有。
注：层数就是位数或者说是代码长度，权值=代码长度*该字的统计次数。

  代码          位数      权值
  A = 10          2        16
  B = 01          2        12
  C = 110        3        12
  D = 11111      5          5
  E = 1110        4          8
  F = 001        3          9
  G = 000        2          6
  H = 11110      5          5

可以看出Huffman代码是唯一可解的(uniquely decodable)，如果你读到110就一定是C ，不会有任何一个编码是以110开始的。

 

如果不使用Huffman算法，而使用普通的编码，结果是什么呢？

        Huffman树            层数

          Root
        ┌┴┐
      ABCD    EFGH            1
  ┌┴┐      ┌┴┐
  AB  CD    EF  GH        2
┌┴┐┌┴┐┌┴┐ ┌┴┐
A  B C  D E  F G  H      3

取左面是1 右面是0 则有

  代码          位数      权值
  A = 111        3        24
  B = 110        3        18
  C = 101        3        12
  D = 100        3          3
  E = 011        3          6
  F = 010        3          9
  G = 001        3          9
  H = 000        3          3

利用Huffman编码得到的权值累计是 73，如果利用普通定长编码的话，则要用84字符长度。从这个比较，你可以看出，Huffman是怎么进行压缩的。

2.编码和解码
编码：将ABCDEFGH用Huffman树产生的编码对应着写到文件中，并且保留原始的Huffman树，主要是 编码段的信息。一般要编码256个元素的话需要511个单位来储存Huffman树，每个Huffman树都必须有以下的结 构：code,char,left,right,probability(出现次数)，通常情况是利用一个数组结构。因为在解码的时候只需要用到 code，所以只需要记录每个元素的编码就可以了。

解码：利用文件中保存的Huffman编码，一一对应，解读编码，把可变长编码转换为定长编码。

3.发展
由于Huffman编码需要扫描两次，第一次是统计数字，第二次是编码写文件，大大影响了速度，因此有人发明了enhanced Huffman aglorithm。这种算法只扫描一遍文件，动态产生Huffman树，即每读n个字节就重新编码一次Huffman树，以达到提高速度的目的。在解码 的过程中使用动态还原技术。