1.2 Modeling and CodingWhile recons

1.2 Modeling and Coding
While reconstruction requirements may force the decision of whether a compression scheme
is to be lossy or lossless, the exact compression scheme we use will depend on a number of
different factors. Some of the most important factors are the characteristics of the data that
need to be compressed. A compression technique that will work well for the compression
of text may not work well for compressing images. Each application presents a different set
of challenges
There is a saying attributed to Bobby Knight, the basketball coach at Texas Tech
University: “If the only tool you have is a hammer, you approach every problem as if it were
a nail.” Our intention in this book is to provide you with a large number of tools that you
can use to solve the particular data compression problem. It should be remembered that data
compression, if it is a science at all, is an experimental science. The approach that works
best for a particular application will depend to a large extent on the redundancies inherent
in the data.
The development of data compression algorithms for a variety of data can be divided
into two phases. The first phase is usually referred to as modeling. In this phase we try to
extract information about any redundancy that exists in the data and describe the redundancy
in the form of a model. The second phase is called coding. A description of the model
and a “description” of how the data differ from the model are encoded, generally using a
binary alphabet. The difference between the data and the model is often referred to as the
residual. In the following three examples we will look at three different ways that data can
be modeled. We will then use the model to obtain compression.

Kết quả (Việt) 1:

1.2 lập mô hình và mã hóaTrong khi yêu cầu tái thiết có thể ép buộc các quyết định của cho dù một chương trình nénlà lossy hay lossless, các chương trình nén chính xác chúng tôi sử dụng sẽ phụ thuộc vào một sốCác yếu tố khác nhau. Một số trong những yếu tố quan trọng nhất là các đặc tính của dữ liệu màcần phải được nén. Một kỹ thuật nén sẽ làm việc tốt cho việc nénvăn bản có thể không làm việc tốt cho nén hình ảnh. Mỗi ứng dụng trình bày một bộ khác nhauthách thứcCó một nói rằng do Bobby Knight, huấn luyện viên bóng rổ tại Texas TechTrường đại học: "nếu công cụ duy nhất bạn có là một cái búa, bạn tiếp cận mọi vấn đề như thể nó làmột móng tay." Ý định của chúng tôi trong cuốn sách này là để cung cấp cho bạn một số lượng lớn các công cụ mà bạncó thể sử dụng để giải quyết vấn đề nén dữ liệu cụ thể. Nên nhớ rằng dữ liệunén, nếu nó là một khoa học ở tất cả, là một khoa học thực nghiệm. Cách tiếp cận đó làm việctốt nhất cho một ứng dụng cụ thể sẽ phụ thuộc đến một mức độ lớn vào dư thừa vốn cótrong dữ liệu.Việc phát triển các thuật toán nén dữ liệu cho một loạt các dữ liệu có thể được chiathành hai giai đoạn. Giai đoạn đầu thường được gọi là mô hình. Trong giai đoạn này, chúng tôi cố gắngtrích xuất các thông tin về bất kỳ sự thừa mà tồn tại trong dữ liệu và mô tả sự thừatrong hình thức của một mô hình. Giai đoạn thứ hai được gọi là mã hóa. Một mô tả về các mô hìnhvà "mô tả" làm thế nào các dữ liệu khác nhau từ các mô hình được mã hóa, thường bằng cách sử dụng mộtbảng chữ cái nhị phân. Sự khác biệt giữa các dữ liệu và các mô hình thường được gọi là cáccòn lại. Trong ba ví dụ sau đây, chúng tôi sẽ xem xét ba cách khác nhau mà dữ liệu có thểđược mô phỏng. Sau đó, chúng tôi sẽ sử dụng mô hình để có được nén.

Kết quả (Việt) 2:

1.2 Mô hình hóa và Mã hóa
Trong khi yêu cầu tái thiết có thể buộc các quyết định liệu một chương trình nén
là để được lossy hay lossless, các chương trình nén chính xác chúng ta sử dụng sẽ phụ thuộc vào một số
yếu tố khác nhau. Một số trong những yếu tố quan trọng nhất là các đặc tính của dữ liệu
cần phải được nén. Một kỹ thuật nén mà sẽ làm việc tốt cho nén
của văn bản có thể không làm việc tốt để nén hình ảnh. Mỗi ứng dụng trình bày một bộ khác nhau
của những thách thức
Có một câu nói do Bobby Knight, các huấn luyện viên bóng rổ tại Texas Tech
University: "Nếu các công cụ duy nhất bạn có là một cái búa, bạn tiếp cận mọi vấn đề như thể nó là
. Một cái đinh" ý định của chúng tôi trong cuốn sách này là để cung cấp cho bạn một số lượng lớn các công cụ mà bạn
có thể sử dụng để giải quyết các vấn đề nén dữ liệu cụ thể. Nên nhớ rằng dữ liệu
nén, nếu nó là một khoa học ở tất cả, là một môn khoa học thực nghiệm. Phương pháp mà làm việc
tốt nhất cho một ứng dụng cụ thể sẽ phụ thuộc phần lớn vào sự dư thừa vốn có
trong dữ liệu.
Sự phát triển của các thuật toán nén dữ liệu cho một loạt các dữ liệu có thể được chia
thành hai giai đoạn. Giai đoạn đầu tiên thường được gọi là mô hình. Trong giai đoạn này, chúng tôi cố gắng để
trích xuất thông tin về bất kỳ dư thừa tồn tại trong dữ liệu và mô tả sự dư thừa
trong các hình thức của một người mẫu. Giai đoạn thứ hai được gọi là mã hóa. Một mô tả của mô hình
và một "mô tả" về cách các dữ liệu khác nhau từ mô hình được mã hóa, thường sử dụng một
bảng chữ cái nhị phân. Sự khác biệt giữa dữ liệu và mô hình thường được gọi là
dư. Trong ví dụ sau, chúng tôi sẽ xem xét ba cách khác nhau mà dữ liệu có thể
được mô hình hóa. Sau đó chúng tôi sẽ sử dụng các mô hình để có được nén.