數據壓縮是保留相同或絕大部分數據前提下減小文件大小的過程。它的原理是消除不必要的數據或以更高效的格式重新組織數據。在進行數據壓縮時，你可以選擇使用有損方法或無損方法。有損方法會永久性地擦除掉一些數據，而無損方法則能保證持有全部的數據。使用哪類方法取決于你要讓你的文件保持多大的精準度。

本文會為你介紹6種不同的無損數據壓縮算法，以及4種基于深度學習的圖像/視頻壓縮算法。

六款無損數據壓縮算法

無損壓縮算法通常被用于歸檔或其他高保真目的。這些算法能夠讓你在確保文件可被完整恢復的同時減少文件大小。有很多種無損壓縮算法供你選擇。下面介紹6種常用的算法。

1.LZ77

LZ77算法發布于1977年。作為很多其他無損壓縮算法的基礎，它使用了“滑動窗口”的概念。在這個概念中，LZ77管理了一個字典。該字典使用三元組的方式：

偏移量（Offset）：短語起始處于文件開頭之間的距離

行程長度（Run length）：組成短語的字符數

偏離字符：表明新短語的標記符，匹配結束后，前向緩沖區中的第一個符號

當文件被解析時，字典會被實時更新以反映最新的壓縮數據和大小。舉個例子，如果一個文件包含字符串"abbadabba"，那么被壓縮到字典中的項就是"abb(0,1,'d')(0,3,'a')"。你可以看下下表的拆解過程：

這個例子中，被壓縮后的數據并不比初始數據小多少。但一般情況下，當文件很長時，這種壓縮效果就會顯現出來。

2. LZR

LZR由Michael Rodeh于1981年提出，它是在LZ77的基礎上發展而來。這個算法目標是成為LZ77的一個線性時間替換算法，但編碼后Udell指針可能指向文件的任意偏移量，意味著需要耗費可觀的內存，因此表現不如LZ77。

3.?LZSS

LZSS，全稱Lempel-Ziv-Storer-Szymanski，于1982年提出。它也是旨在提升LZ77的一個算法。它引入了一個方法能夠檢測是否真的減少了文件大小。如果未能起到壓縮效果，就保持原來的輸入格式。LZSS還移除了對偏離字符的使用，只使用<偏移量，長度>對。這個壓縮算法廣泛用于歸檔格式，如RAR以及網絡數據的壓縮。

4.?DEFLATE

DEFLATE算法于1993年提出。作者是Phil Katz。該算法結合了LZ77或LZSS預處理器與霍夫曼編碼?；舴蚵幋a是1952年提出的訴法。它是一種熵編碼，主要基于字符出現頻度分配編碼。

5. LZMA

LZMA算法，全稱是Lempel-Ziv Markov chain Algorithm（LZMA)，于1998年提出，是LZ77的改進版，旨在實現.7z格式的7-ZIp文件歸檔。它使用鏈式壓縮方法，在比特而非字節級別上應用修改后的LZ77算法。該壓縮算法的輸出稍后被算數編碼進行處理以便后續進一步壓縮。根據具體的實現不同，可能會引入其他的壓縮步驟。

6.?LZMA2

LZMA2算法于2009年提出，是LZMA的改良版。它提升了LZMA在多線程能力上的性能以及提升了處理不可壓縮類型數據的表現。

四種基于深度學習的圖像/視頻壓縮算法

除了上面介紹的靜態壓縮算法，還有基于深度學習的壓縮算法可供選擇。

1. 基于多層感知機的壓縮算法

多層感知機（Multi-Layer Perceptron，MLP）技術使用多層神經元來獲取、處理以及輸出數據。它能夠被應用到數據降維任務和數據壓縮。首個基于MLP的算法于1988年被提出，目前已經被應用到：

二進制編碼——標準的雙符號編碼

量化——限制從連續集到離散集的輸入

特定領域內的轉換——像素級的數據變更

MLP算法利用分解神經網絡上一步的輸出來確定最佳的二進制碼組合。后面，使用預測技術優化這個方法。預測技術能夠通過反向傳播基于相鄰數據來提升數據準確度。

2. DeepCoder -- 基于視頻壓縮的深度神經網絡

DeepCoder是一個基于卷積神經網絡（CNN）的框架，它是傳統視頻壓縮技術的替代。該模型為預測信號和殘留信號使用單獨的CNN。它使用標量量化技術和一個傳統的文件壓縮算法——霍夫曼編碼——將編碼特征映射到一個二進制流中。一般認為，該模型的性能要優于著名的H.264/AVC視頻編碼規范。

3. 基于CNN的壓縮算法

CNN是分層的神經網絡，通常用于圖像識別和特征檢測。當應用到壓縮時，這些神經網絡使用卷積操作來計算相鄰像素點之間的相關性。CNN展示出了比基于MLP算法更好的壓縮結果，提升了超分辨率下的性能以及減少了偽影。另外，基于CNN的壓縮還提升了JPEG圖像的品質，因為它減少了峰值信噪比（PSNR）和結構相似性（SSIM）。基于CNN的壓縮通過使用熵估計法還實現了HEVC的性能。

4. 基于生成式對抗網絡（GAN）的壓縮算法

GAN屬于神經網絡的一種，它使用兩個神經網絡彼此競爭的方式來產生更精確的分析和預測。最早基于GAN的壓縮算法于2017年被提出。這些算法的文件壓縮比例是其他常見方法（如JPEG、WebP等）的2.5倍。你可以使用基于GAN的方法通過并行化處理來實現實時壓縮。主要的原理是基于最相關的特征來壓縮圖片。當解碼的時候，算法基于這些特征來重建圖像。和基于CNN算法相比，基于GAN的壓縮算法通過消除對抗損失能夠產生更高品質的圖像。

總結

壓縮算法能夠幫助你優化文件大小。不同的算法有不同的結果。本文簡述了6種靜態的無損壓縮算法以及4種基于深度學習的壓縮算法。當然，如果這些算法都不適用于你的場景，你可以查看這篇文章來尋找適合你場景的算法。算法有很多，總有一款適合你！

編輯：黃飛

?