Transmisia datelor multimedia in retele de

calculatoare
Introducere
Ce este compresia?
Definitia 1: Compresia este stiinta reprezentarii datelor intr-o forma
compacta
Definitia 2: Compresia este procesul de minimizare a spaţiului ocupat
sau a timpului necesar transmiterii unei anumite cantităţi de informaţie
Analogie fizica: impachetarea unei valize

2
De ce compresie?
In lumea fizica
Insuficienta spatiului

In lumea digitala

Interbare: Capacitatea de stocare/transmitere creste exponential. Merita efortul?
Raspuns: Da, mai multa viteza.
Exemple:
 1 sec de audio CDDA:
 44100 samples x 2 channels x 16 bits/sample = 1,411,200 bits
 1 sec de audio HD:
 192,000 x 2 x 24/32 = 9,216,000/12,288,000 bits
 1 sec de video CCIR 601 = 20+ MB
 1 frame VGA (RGB):
 1024 x 768 x 24 = 18,874,368 bits

3
De ce compresie?
Alte exemple
HDTV:
 Panala 2,985 Mbps (1920 x 1080 x 24 x 60)
 Cablu HDMI 5-10 Gpbs

NHK’s 8K:
 7680x 4320 x 24 x 30 = 23,880 Gpbs (!)
 Compresie
 Audio 28Mbps  7-28Mbps
 Video 24Gbps  180-600 Mbps

4
De ce compresie?
Concluzie – fara compresie:
Multe aplicatii/servicii nu ar fi functionale
 Ex., streaming video
Alte servicii ar fi mult mai scumpe
 Ex. Telefonie analogica vs. digitala
De ce nu am tine datele compresate mereu?
Majoritatea formatelor de date sunt proiectate pentru
achizitie/consum nu si pentru stocare eficienta

5
Terminologie
original compresat decompresat

x Compresie y Decompresie x’

 Metodele de compresie pot fi împărţite în:

metode de compresie cu pierdere
metode de compresie fără pierdere

6
Terminologie
Factorul de compresie:|x|/|y|
 |x| reprezinta lungimea in biti a mesajului initial, iar |y|
reprezinta lungimea in biti a mesajului codificat
 Ex.: |x| = 65,536, |y| = 16384, compresie = 4:1
 sau, marimea datelor a fost redusa la (|x|-|y|)/|y| = 75%
Alte marimi ale codificarii
 Biti / esantion (bits per sample)
 Ex. ASCII: 8 bits/char, RGB: 24/48/72 bits/pixel
 Distorsiune (metode cu pierderi)
 Raportul dintre diferenta dintre x si x’ perceputa de om si diferenta
matematica dintre x si x’
7
Compresia cu pierdere
Metodele de compresie cu pierdere de informaţie sunt
folosite în special în transmisia semnalului audio şi video,
unde pierderea de informaţie nu este critica

Au ca rezultat o scădere a calităţii sunetului, respectiv

imaginii

8
Compresia fara pierdere
Exemplu:
prescurtările din viaţa de zi cu zi (abrevieri: prof., etc.,
CEC, ş.a.) - o formă primitivă a compresiei de date
Compresia de date fără pierdere este prezentă în special
în:
programele de arhivare
sistemele de transmisiune a datelor
A evoluat de-a lungul timpului pornind de la algoritmi
simpli (suprimarea zerourilor, codarea pe şiruri) şi
ajungând la algoritmii complecşi folosiţi în prezent
9
Compresia fara pierdere
In general, cantitatea de informaţie prelucrată (transmisă,
depozitată) conţine o anumită redundanţă care se
datorează:
distribuţiei caracterelor (unele caractere au o frecvenţă de
apariţie mult mai mare decât altele)
repetării consecutive a unor caractere
distribuţiei grupurilor de caractere (unele grupuri sunt mult
mai frecvente decât altele şi în plus există grupuri care nu
apar deloc)
distribuţiei poziţiei (unele caractere sau grupuri ocupă poziţii
preferenţiale, predictibile în anumite blocuri de date)
10
Avantajele compresiei
 Avantajele compresiei sunt:
reducerea spaţiului necesar depozitării unei cantităţi de
informaţie
scăderea timpului de transmitere a unor mesaje, ceea ce
duce la scăderea costului per mesaj şi posibiltatea creşterii
traficului într-o reţea de transmisiuni
 această scădere a timpului este efectul direct al micşorării
cantităţii de informaţie, dar şi efectul indirect al micşorării
pierderilor de timp datorate protocoalelor de comunicaţie
scăderea timpului de rulare a unui program datorită
timpului de acces la disc

11
Clasificarea algoritmilor de compresie fără pierderi
algoritmi statici - se bazează pe o statistică bine cunoscută a sursei şi dau
rezultate bune în cazul în care sursele au o statistică asemănătoare cu cea
presupusă
 in caz contrar, rezultatul poate fi o extensie în loc de o compresie
algoritmi semiadaptivi (sau în două treceri) - algoritmi care folosesc
statistica simbolurilor mesajului, statistică ce se obţine printr-o parcurgere
iniţială a întregului mesaj
 aceşti algoritmi oferă rezultate pentru orice tip de sursă, dar nu pot fi folosiţi într-
o transmisiune
algoritmi adaptivi - sunt de obicei cei mai potriviti pentru orice tip de sursă

 tehnicile adaptive au ca idee construirea unui "dicţionar de codare" al simbolurilor

mesajului, paralel cu codarea pentru compresie a mesajului; acest dicţionar se va
construi identic la recepţie, pe baza informaţiei recepţionate

12
Modelare si codificare
Cerinţele reconstrucţiei sunt cele ce impun dacă compresia este cu sau fără
pierderi, schema exactă depinzând de un număr de factori; cei mai importanţi
sunt impuşi de caracteristicile datelor destinate compresiei
 De exemplu, o tehnică de compresie poate fi eficientă pentru compresia unui text,
dar total ineficientă pentru imagini
 Fiecare aplicaţie prezintă particularităţi specifice
Dezvoltarea algoritmilor de compresie pentru o varietate de date cuprinde două
faze:
 prima fază se referă de obicei la modelare, când se încearcă extragerea informaţiei
despre orice redundanţă din date şi descrierea acesteia sub forma unui model
 a doua fază este codarea

Diferenţa dintre date şi model se numeşte secvenţă reziduală sau reziduu

13
Modelare si Codificare. Exemplul 1
Se considera secventa:
 Sn = 9, 11, 11, 11, 14, 13, 15, 17, 16, 17, 20, 21
 Codificare binara necesita 5 bits/sample
Se considera modelul:
 Ŝn = n + 8:
 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20
Reziduu
 en = Sn - Ŝn: 0, 1, 0, -1, 1, -1, 0, 1, -1, -1, 1, 1
 Ex. codificare: ‘00’ <=> -1, ‘01’ <=> 0, ‘10’ <=> 1
 2 bits/sample
Schema de compresie = model + reziduu
 Obs. Modelul trebuie sa fie codificat de asemenea (de obicei in cadrul algoritmului)

14
Modelare si Codificare. Exemplul 2
Se considera secventa:
 Sn = 27, 28, 29, 30, 30, 32, 31, 31, 29, 28, 27

Se considera modelul:

 Ŝ1 = 0; Ŝn = Sn-1 for n > 1
 0, 27, 28, 29, 30, 30, 32, 31, 31, 29, 28
Reziduul
 {en}= 27, 1, 1, 1, 0, 2, -1, 0, -2, -1, -1
 Poate fi codificat cu mult mai putini biti
Codificare predictiva
 Folosirea datelor precedente pentru a calcula date viitoare
 Foarte folositor pentru exploatarea redundantei temporale
 Ex. in audio si video

15
Codificare in lumea reala: Braille (1821)

“Be nice to others””

16
Codificare in lumea reala: Morse (1844)

Observati diferentele in lungimele codurilor

17
Codul Morse vs. Frecventa literelor

 In general, frecventa mare/mica => cod scurt/lung

 Acesta este ideea in spatele schemei de codificare ce exploateaza
redundanta statistica

18
Reprezentarea datelor
Date analogice (continue)
Reprezentate de numere reale
Observatie: nu pot fi stocate in calculatoare
Date digitale (discrete)
Valori intr-un set finit {a1, a2, …, an},
Toate datele sunt reprezentate ca siruri de simboluri din acest set
 Ex.: {a,b,c,d,r} => abc, car, bar, abracadabra, …
Folosim date digitale pentru a aproxima date analogice

19
Seturi de simboluri
Alfabetul roman si semnele de punctuatie
ASCII - 256 simboluri
Braille, Morse
Binar- {0,1}
0 si 1 se numesc biti
Toate datele digitale pot fi reprezentate eficient cu biti
Ex.: {a, b, c, d}, reprezentare binara cu lungime fixa (2
bits/simbol):
Simbol a b c d
Binar 00 01 10 11
20
Surse de informaţie si codificare
Sursele de informatie pot fi analogice sau discrete
Majoritatea surselor de informatie din domeniul
calculatorelor si al aplicatiilor internet sunt discrete
Pentru a descrie o sursă discretă fără memorie (SDFM) sunt
necesare două mărimi:
 alfabetul sursei
 probabilităţile de furnizare a fiecărui simbol:

 s1 s 2 ... s N  N
S :    p(s k )  1
p p ... p  k 1
 1 2 N

21
Surse de informaţie si codificare
Dacă numărul de simboluri este finit, sursa se numeşte discretă
Dacă la un moment dat se emite sigur un simbol atunci sursa este
completă
Sursa este fără memorie dacă evenimentele sk sunt independente,
adică furnizarea unui simbol la un moment dat nu depinde de
simbolurile furnizate anterior
Totalitatea simbolurilor unei surse formează alfabetul sursei
Orice succesiune finită de simboluri, în particular un singur simbol,
se numeşte cuvânt
Totalitatea cuvintelor formate cu un anumit alfabet se numeşte
limbaj
22
Teoria informatiei
Dezvoltata formal de Claude Shannon la Bell Labs in 1940-1950
Explica limitele de codificare/transmisie folosind teoria
probabilitatilor
Informatia furnizata de un simbol A al unei surse de informatii
este:
 P(A) reprezinta probabilitaea de aparitie a simbolului A

1
i ( A)  log b   log b P A
P( A)

23
Surse de informaţie si codificare 6

Observatii 5

 P(A) mic => i(A) mare 4

 P(A) mare => i(A) mic 3

 log 2 x
Idee:
2

 Simbolurile cu probabilitate 0

mica (surpriza) contin mai 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

multa informatie
Daca A si B sunt 1 1
i ( AB )  log b  logb 
independente, atunci: P( AB ) P ( A) P( B)
i(AB) = i(A) + i(B) 1 1
 logb  logb  i ( A)  i ( B )
P ( A) P( B)

24
Exemplu: aruncarea monezii
Moneda ideala
Fie H si T rezultatele aruncarii
Daca P(H) = P(T) = 1/2, atunci
i(H) = i(T) = -1/log2(1/2) = 1 bit
Moneda masluita
Fie P(H) = 1/8, P(T) = 7/8
i(H) = 3 biti
i(T) = 0.193 biti
Obs. ca P(H) + P(T) = 1

25
Entropie
Entropia este informaţia medie pe simbol sau, altfel formulat, este
incertitudinea medie asupra simbolurilor sursei S, sau informatia medie
furnizata de un simbol
Unitatea de masura pentru entropie este biti/simbol

 Daca experimentul genereaza simboluri, atunci (pentru log2) H este numarul

mediu de simboluri binare necesare pentru codificare
 Shannon: “Nici un algoritm fara pierderi nu poate compresa mai bine de
atat”
N N
H ( S )   p( s i )i ( s i )    p( s i ) log( p( s i ))
i 1 i 1

26
Exemplul 1
Se considera secventa:
1 2 3 2 3 4 5 4 5 6 7 8 9 8 9 10
P(1) = P(6) = P(7) = p(10) = 1/16
P(2) = P(3) = P(4) = P(5) = P(8) = P(9) = 2/16
Presupunand ca secventa este iid (Independent &
Identically Distributed):

1 1 2 2
H  i 1 P(i ) log 2 P (i )  4
10
log 2    6 log 2    3.25 bits
16  16  16  16 

27
Exemplul 2
Consideram secventa
1 2 1 2 3 3 3 3 1 2 3 3 3 3 1 2 3 3 1 2
P(1) = P(2) = 1/4, P(3) = 1/2, H = 1.5 bits/simbol
Total biti: 20 x 1.5 = 30
Reconsideram secventa
(1 2) (1 2) (3 3) (3 3) (1 2) (3 3) (3 3) (1 2) (3 3) (1 2)
P(1 2) = 1/2, P(3 3) = 1/2
H = 1 bit/simbol x 10 simboluri = 10 biti
In teorie, se poate extrage o structura luand esantioane mai mari
In realitate, ne trebuie un model corect, pentru ca de obicei nu
este practic sa observam sursa prea mult timp
28
Modele
Un model bun pentru date conduce la algoritmi de compresie
eficienţi
Pentru a dezvolta algoritmi care efectuează operaţii matematice
asupra datelor, acestea trebuie modelate matematic
Modele fizice
 Dacă se cunoaşte ceva despre mecanismul de generare a datelor, se
poate folosi această informaţie pentru construirea modelului
 Exemplu: în aplicaţiile referitoare la vorbire, cunoaşterea
mecanismului de producere a vorbirii poate fi folosit la construirea
unui model matematic pentru procesul vorbirii eşantionate

29
Modele
Modele probabilistice
Cel mai simplu model statistic pentru sursă este de a
presupune că fiecare mesaj furnizat de sursă este independent
de celelalte şi fiecare se produce cu aceeaşi probabilitate
 Acesta este numit model de ignoranţă si ar putea fi util când nu se
cunoaşte nimic despre sursă
Următorul pas în creşterea complexităţii modelului este de a
păstra presupunerea asupra independenţei, dar de a înlătura
presupunerea de probabilitate egală pentru mesaje
 În acest caz se alocă fiecărui mesaj o probabilitate în funcţie de
frecvenţa de furnizare a mesajului respectiv

30
Modele
Modele probabilistice (cont)
Pentru o sursă care generează mesaje dintr-un alfabet

S = {s ,..., s }
1 M

se poate folosi modelul de probabilitate

 Cu acest model se poate calcula entropia sursei şi pot fi construite

coduri eficiente pentru reprezentarea mesajelor din S, adică se poate
folosi un număr mediu minim de biţi pentru fiecare mesaj
 Dacă se renunţă la presupunerea de independenţă, se pune problema
găsirii unui mod de a descrie dependenţa datelor, aşa cum este în cazul
modelelor Markov
31
Modele
Model de surse compuse
În multe aplicaţii nu este potrivit a se folosi un singur
model pentru a descrie sursa, caz în care se poate defini o
sursă compusă, care poate fi văzută ca o combinaţie de
diverse surse, din care una este activă la un moment dat
Fiecare din acestea este descrisă de un model propriu

Source 1

Source 2
…

Source n
32
Modele
Model Markov
 Unul dintre cele mai răspândite moduri de reprezentare a
dependenţei între date este folosirea modelului Markov
 Pentru modelarea datelor, în compresia fără pierderi se foloseşte
un model particular numit lanţ Markov discret
 Fie {xn} secvenţa observată; aceasta secvenţă este un model
Markov de ordin k, dacă:
P xn xn 1 ,  , xn  k   P xn xn 1 ,  , xn  k , 

adică simbolul xn depinde numai de ultimele k mesaje xn-1, ..., xn-k

33
Modele
Multimile {xi-1, …, xi-k}, i=n, n-1,…, reprezinta starile
procesului
Dacă mărimea alfabetului sursei este l, numărul de stări
este lk
Cel mai des folosit model Markov este cel de ordinul 1,
pentru care:

P xn xn 1   P xn xn 1 ,  , xn  k , 

34
Modele
Folosirea modelului Markov nu necesită prezumţia de
liniaritate
Exemplu: fie o imagine binară, care are numai două feluri
de pixeli - albi şi negri
 Se ştie că apariţia unui pixel alb la observarea următoare depinde
în oarecare măsură dacă pixelul curent este alb sau negru
 Prin urmare, se poate modela succesiunea de pixeli cu un lanţ
Markov

35
Modele
 Se defines doua stari: Sb & Sw P(b|b)
P(w|w) P(b|w)
pentru valoarea pixelului curent
 Se defines probabilitatile: Sw Sb
 P(Sb) = prob. ca pixelul sa fie P(w|b)

negru
 P(Sw) = prob. ca pixelul sa fie
alb
Probabilitatile de tranzitie sunt:
H S w    Pb / wlogb / w  Pw / wlogw / w
H Sb    P w / b logb / w  P b / b logb / b 
Pw / w  1  P b / w, Pb / b   1  P w / b 

P(b|b), P(b|w)
H  PS b H Sb   P S w H S w 
P(w|b), P(w|w)

36
Exemplu
Fie PS w   30 / 31 PSb   1 / 31
Pw / w  0.99 Pb / w  0.01 Pb / b   0.7 Pw / b   0.3

Pentru modelul iid (Independently and Identically Distributed):

H iid  0.8 log 0.8  0.2 log 0.2  0.206

Pentru modelul Markov:

H Sb   0.3 log 0.3  0.7 log 0.7  0.881

H S w   0.01log 0.01  0.99 log 0.99  0.081
30 1
H Markov  0.081  0.881  0.107
31 31
37
Folosirea modelelor Markov in compresia textelor
Modelele Markov sunt utile în compresia textelor, deoarece
probabiltatea de apariţie a unei litere este influenţată de
precedentele
Exemplu: fie cuvântul “ornitoring”:
 Se presupune că s-a procesat deja ornitorin şi urmează a se coda
următoarea literă
 Dacă nu se ţine seama de context şi se tratează litera ca o
surpriză, probabilitatea să apară litera g este relativ scăzută
 Dacă se foloseşte un model Markov de ordinul Ι, probabilitatea să
urmeze g creşte considerabil
 Cu creşterea ordinului modelului Markov (de la “n” la “in”, la
“rin” ş.a.m.d.) probabilitatea literei g devine mai mare, ceea ce
conduce la o entropie scăzută
38
Coduri unic decodificabile
Codificarea sursei S, prin alfabetul X, inseamnă găsirea unei corespondenţe
biunivoce (S,X) între cuvintele de cod {ci | i=1,2,...,N} şi simbolurile sursei S
Fiecare cuvânt de cod este o succesiune finită de litere din alfabetul codului
Probabilitatea unui cuvânt de cod este dată de probabilitatea simbolului care
trebuie transmis
Definiţie: Un cod se numeşte unic decodabil dacă fiecărei succesiuni de cuvinte
de cod îi corespunde o singură succesiune de mesaje (simboluri) ale sursei.
Definiţie: Dacă un cuvânt de cod ci este format din succesiunea xi1xi2xim, atunci
succesiunea xi1...xik, km se numeşte prefix al cuvântului respectiv
Dacă nici un cuvânt de cod nu este prefix pentru alt cuvânt de cod se spune că
acel cod are proprietatea de prefix.

39
Coduri unic decodificabile
Exemple
 Alfabet = {a1, a2, a3, a4}

 P(a1) = 1/2, P(a2) = 1/4, P(a3) = P(a4) = 1/8

 H = 1.75 bits

 n(ai) = lungime(cuvant cod(ai)), i=1..4

 Lungime medie l = i=1..4P(ai) n(ai)

Coduri posibile:

Probabilitate Cod 1 Cod 2 Cod 3 Cod 4

a1 0.500 0 0 0 0
a2 0.250 0 1 10 01
a3 0.125 1 00 110 011
a4 0.125 10 11 111 0111
l 1.125 1.250 1.750 1.875

40
Coduri unic decodificabile
Probabilitate Cod 1 Cod 2 Cod 3 Cod 4
a1 0.500 0 0 0 0
a2 0.250 0 1 10 01
a3 0.125 1 00 110 011
a4 0.125 10 11 111 0111
l 1.125 1.250 1.750 1.875

 Cod 1
 Coduri identice pentru a1 si a2==> decode(‘00’) = ???
 Cod 2
 Coduri unice dar ambigue: decode( ‘00’/’11’) = ???
 Cod 3
 Unic decodificabil, instantaneu
 Code 4
 Unic decodificabil, aproape instantaneu

41
Coduri unic decodificabile
Decodificare unica:
 Pentru orice secventa de cuvinte cod exista o unica decodificare
pentru ea
Unica != instantanee
Ex.:
 a1  0
 a2  01
 a3  11
decode(0111111111) = a1a3… or a2a3… ?
 Nu se stie pana la sfarsitul secventei
 0111111111  01111111a  011111a a  0111a a a 
3 3 3 3 3 3

01a3a3a3a3  a2a3a3a3a3a3
42
Test de Decodificare Unica
Prefix si sufix
 Fie a = a1…ak, b = b1…bn coduri binare si k < n
 Daca a1…ak = b1…bk atunci a este prefix al lui b si
 bk+1…bn este sufix (dangling suffix) al lui a: ds(a, b)

Algoritm
 Fie C = {cn} setul tuturor cuvintelor cod
Pentru toate perechile (ci, cj) in C repeta:
Daca ds(ci, cj)  C // sufixul NU este cuvant cod
C = C U ds(ci, cj)
Altfel // sufixul este cuvant cod
return NOT_UNIQUE
pana cand nu mai exista perechi unice
return UNIQUE

43
Coduri Prefix
Cod prefix:
Niciun cuvant cod nu este prefix al altuia
Arborii binari = decodificatori de prefix:
symbol code repeat
0 1 curr = root
a 00 c repeat
b 01 0 1 if get_bit(input) =
c 1 a b 1
curr = curr.right
else
curr = curr.left
until is_leaf(curr)
output curr.symbol
until eof(input)
44
Decodificarea coduril prefix. Exemplu

simbol cod 0 1
a 0
a 0 1
b 10
b 0 1
c 110
d 1110 c 0 1
r 1111 d r

abracadabra = 010111101100111001011110

45
Exemplu decodificare
0 1

a 0 1

b 0 1

c 0 1

d r

Input = 010111101100111001011110
Output = -----------

46
Exemplu decodificare
0 1

a 0 1

b 0 1

c 0 1

d r

Input = 010111101100111001011110
Output = a----------

47
Exemplu decodificare
0 1

a 0 1

b 0 1

c 0 1

d r

Input = -10111101100111001011110
Output = a----------

48
Exemplu decodificare
0 1

a 0 1

b 0 1

c 0 1

d r

Input = -10111101100111001011110
Output = a----------

49
Exemplu decodificare
0 1

a 0 1

b 0 1

c 0 1

d r

Input = --0111101100111001011110
Output = ab---------

50
Exemplu decodificare
0 1

a 0 1

b 0 1

c 0 1

d r

Input = ---111101100111001011110
Output = ab---------

51
Exemplu decodificare
0 1

a 0 1

b 0 1

c 0 1

d r

Input = ---111101100111001011110
Output = ab---------

52
Exemplu decodificare
0 1

a 0 1

b 0 1

c 0 1

d r

Input = ----11101100111001011110
Output = ab---------

53
Exemplu decodificare
0 1

a 0 1

b 0 1

c 0 1

d r

Input = -----1101100111001011110
Output = ab---------

54
Exemplu decodificare
0 1

a 0 1

b 0 1

c 0 1

d r

Input = ------101100111001011110
Output = abr--------

55
Exemplu decodificare
0 1

a 0 1

b 0 1

c 0 1

d r

Input = -------01100111001011110
Output = abr--------

56
Exemplu decodificare
0 1

a 0 1

b 0 1

c 0 1

d r

Input = -------01100111001011110
Output = abra-------

57
Exemplu decodificare
0 1

a 0 1

b 0 1

c 0 1

d r

Input = --------1100111001011110
Output = abra-------

58
Exemplu decodificare
0 1

a 0 1

b 0 1

c 0 1

d r

Input = --------1100111001011110
Output = abra-------

59
Exemplu decodificare
0 1

a 0 1

b 0 1

c 0 1

d r

Input = ---------100111001011110
Output = abra-------

60
Exemplu decodificare
0 1

a 0 1

b 0 1

c 0 1

d r

Input = ----------00111001011110
Output = abrac------

61
Exemplu decodificare
0 1

a 0 1

b 0 1

c 0 1

d r

Input = -----------0111001011110
Output = abrac------

62
Exemplu decodificare
0 1

a 0 1

b 0 1

c 0 1

d r

Input = -----------0111001011110
Output = abraca-----

63
Exemplu decodificare
0 1

a 0 1
0 1 Si tot asa…
b
c 0 1

d r

Input = ------------111001011110
Output = abraca-----

64
Concluzii
In compresia datelor un rol important il are teoria codarii si teoria
informatiei
 Compresia se refera la micsorarea redundantei mesajului de transmis
Compresia de poate face:
 cu pierdere de informatie, asa cum este cazul surselor continue (analogice)
discretizate, reprezentate numeric in calculator
 fara pierdere de informatie, asa cum este in cazul textelor

Ca masura a compresiei se foloseste - cel mai des – marimea numita

raportul de compresie, ca raport intre marimea fisierului comprimat si
marimea fisireului initial, necomprimat
 Un criteriu complet al calitatii compresiei trebuie sa considere insa si
complexitatea algoritmilor de codare/decodare

65