Compressio datorum, vel digestio fontana,[1][2] vel deminutio proportionis bit,[1] in ratione signorum digitalium digestionem implicat informationis per pauciora bit quam in prima repraesentatione.[3] Compressio aut cum aut sine damno esse potest. Compressio sine damno numerum bit minuit per redundantiam statisticam agnoscendam et delendam. Nulla informatio per compressionem sine damno amittitur. Compressio cum damnis numerum bit minuit per data non necessaria agnoscenda et delenda.[4] Ratio magnitudinis fasciculi datorum minuendae compressio datorum appellatur. In contextu transmissionis datorum, digestio fontana appellatur (digestio ad fontem datorum facta, antequam coacervatur vel transmittitur), contra digestionem canalis.[5]

Spectrogrammata acustica carminis in formis ambabus non compressa et varie damna.
Data per pixella 8 × 8 in forma JPEG compressa. Supra, tota imago; infra, pars.
Comparatio compressionis in formis JPEG et PNG.

Compressio utilis est quia usus opum minuit, sicut spatium recondendi et capacitas transmissionis. Quia data compressa decompressenda sunt ut adhibeantur, haec ratio addita impensas computationales vel alias per decompressionem imponit; hae autem res prandium liberum non sunt. Compressio datorum multiplicis temporis et spatii electioni subiecta est. Exempli gratia, consilium compressionis pro pelliculis magnetoscopicis pretiosum apparatum electronicum poscere potest ut pellicula exprimatur tam rapide ut videri possit cum decomprimitur, et optio pelliculae plene decomprimendae antequam videatur incommoda esse potest vel additum spatium recondendi poscere potest. Designatio consiliorum compressionis datorum electiones inter varias res implicat, inter quas gradus compressionis, summa distortionis introductae (per compressionem datorum amissorum), et opes computationales datorum comprimendorum et exprimendorum.[6]

Nexus interni

Notae recensere

  1. 1.0 1.1   Fons nominis Latini desideratur (addito fonte, hanc formulam remove)
  2. Graham 1994:34: "The broad objective of source coding is to exploit or remove 'inefficient' redundancy in the PCM [pulse-code modulation] source and thereby achieve a reduction in the overall source rate R.
  3. Mahdi, Mohammed, et Mohamed 2012.
  4. Pujar et Kadlaskar 2010.
  5. Salomon 2008.
  6. Tank 2011.

Bibliographia recensere

  • Graham, Wade. 1994. Signal coding and processing. Ed. 2a. Cantabrigiae: Cambridge University Press. ISBN 9780521423366.
  • Mahdi, O. A., M. A. Mohammed, et A. J. Mohamed. 2021. Implementing a Novel Approach an Convert Audio Compression to Text Coding via Hybrid Technique. International Journal of Computer Science Issues 9(6)3):53–59. PDF.
  • Pujar, J. H., et L. M. Kadlaskar. 2010. A New Lossless Method of Image Compression and Decompression Using Huffman Coding Techniques. Journal of Theoretical and Applied Information Technology 15(1):18–23. PDF.
  • Salomon, David. 2008. A Concise Introduction to Data Compression. Berolini: Springer. ISBN 9781848000728.
  • Tank, M. K. 2011. Implementation of Limpel-Ziv algorithm for lossless compression using VHDL. Thinkquest 2010: Proceedings of the First International Conference on Contours of Computing Technology, 275–283. Berolini: Springer.

Nexus externi recensere