Huffman压缩算法

霍夫曼和自适应的霍夫曼是编码的例子，它利用符号概率的统计偏斜，将其编码为尽可能少的位。（还有其他类型的编码，如算术、范围和不对称数字系统。

Lempel-Ziv 是建模的一个例子，它采用在压缩的特定类型的数据中发现的冗余，在此例文本中，并将其转换为一系列适合编码的符号。Lempel-Ziv 的工作假设是，文本中不会重复不同长度的字符串，这是自然语言的案例。

这种假设根本不适用于音频或图像文件，因为冗余的形式非常不同。在数据上执行转换，以按频率将组件分离出来，作为建模的一部分。此外，人类消费的音频和图像数据也可以接受损失压缩，根据数据在频率域中的落差，数据可以被丢弃或丢弃，并利用其他方法利用心理声学或心理视觉有效冗余。

完成此类建模后，可以应用类似的编码将生成的符号编码为最小尺寸的位流。

压缩包括建模，这在很大程度上取决于要压缩的数据类型，以及数据的消费者在损失压缩的情况下，其次是编码，将生成的信息压缩成压缩位流。

代码已更新以使用unique_ptr和命名空间。注：我试图实现匿名命名空间内的命名空间的命名空间，但它不允许将文件分成.cpp和.h.任何批评当前代码是受欢迎的。随意使用麻省理工学院协议中规定的代码。

#include"Huffman.h"
#include<fstream>
#include<sstream>
#include<algorithm>
#include<cstdlib>


/*----------------SHARED_FUNCTIONS_START----------------*/
Huffman::inner::smartNode Huffman::inner::makeTree(std::deque<smartNode>& nodeData) {
    while (nodeData.size() > 1) {
        std::sort(nodeData.begin(), nodeData.end(), functor());
        smartNode leftSon{ std::move(nodeData.back()) };
        nodeData.pop_back();
        smartNode rightSon{ std::move(nodeData.back()) };
        nodeData.pop_back();
        smartNode parent = std::make_unique<node>(std::move(leftSon), std::move(rightSon));
        nodeData.emplace_back(std::move(parent));
    }//end of while loop
    return std::move(nodeData.front());
}

void Huffman::inner::readFile(const std::string& filePath, std::string& fileContent) {
    std::ifstream inFile(filePath, std::ios::binary);
    if (inFile.is_open()) {
        auto const start_pos{ inFile.tellg() };
        inFile.ignore(std::numeric_limits<std::streamsize>::max());
        std::streamsize char_count{ inFile.gcount() };
        inFile.seekg(start_pos);
        fileContent = std::string(static_cast<std::size_t>(char_count), '0');
        inFile.read(&fileContent[0], static_cast<std::streamsize> (fileContent.size()));
        inFile.close();
    }//end of if
    else {
        std::cout << "Unable to open file\n";
        std::exit(EXIT_FAILURE);
    }//end of else
}

std::deque<Huffman