转自:http://www.cnblogs.com/xudong-bupt/p/3763814.html
具体分析见:http://blog.csdn.net/windroid/article/details/50570450
1.什么是BWT
压缩技术主要的工作方式就是找到重复的模式,进行紧密的编码。
BWT(Burrows–Wheeler_transform)将原来的文本转换为一个相似的文本,转换后使得相同的字符位置连续或者相邻,之后可以使用其他技术如:Move-to-front transform 和 游程编码 进行文本压缩。
2.BWT原理
2.1 BWT编码
(1)首先,BWT先对需要转换的文本块,进行循环右移,每次循环一位。可以知道长度为n的文本块,循环n次后重复,这样就得到看n个长度为n的字符串。如下图中的“Rotate Right”列。(其中‘#’作为标识符,不在文本块的字符集中,这样保证n个循环移位后的字符串均布相同。并且定义‘#‘小于字符集中的任意字符)。
(2)对循环移位后的n个字符串按照字典序排序。如下图中的“Sorted (M)”列。
(3)记录下“Sorted (M)”列中每个字符串的最后一个字符,组成了“L”列。(其中"F"列是“Sorted (M)”列中每个字符串的前缀)
这样,原来的字符串“banana#”就转换为了“annb#aa”。在某些情况下,使用L列进行压缩会有更好的效果。“L”列就是编码的结果。
2.2 BWT解码
因为进行的是循环移位,且是循环左移注意下面的性质:
1、L的第一个元素是Text中的最后一个元素
2、对于M中的每一行(第一行除外)第一个元素都是最后一个元素的下一个元素。
也就是说,对于文本块而言,同一行中F是L的下一个元素,L是F的前一个元素。
这样,就需要
(1)通过"F"列中的元素,找到他前面的字符,就是对应的同一行“L”列;
(2)通过“L”列中的元素,找到他在“F”列中的对应字符位置。但是“L”中有3个字符a,如何对应F中的3个a呢?因为L是F的前一个元素,多个具有相同前缀的字符串排序,去掉共同前缀后相对次序没有变化。所有遇到多个相同的字符,相对位置不变;
(3)转到(1),直到结束。
因为F列是已经排序的,可以从L列获得,所有只需要保存L列就可以。从L列中的字符获取在F列中的位置时,需要:
(1)前缀和数组,记录小于当前字符的字符数个数。
(2)count计数,计算L中从开始位置到当前字符位置等于该字符的字符数。(保证多个相同字符下"L"到“F”的相对位置不变)。
3.BWT文本块编码、解码实例
1 #include <iostream> 2 #include <string> 3 #include <algorithm> 4 #include <string.h> 5 using namespace std; 6 7 ///编码,生成last数组 8 int getLastArray(char *lastArray,const string &str){ ///子串排序 9 int len=str.size(); 10 string array[len]; 11 12 for(int i=0;i<len;i++){ 13 array[i] = str.substr(i); 14 } 15 sort(array,array+len); 16 for(int i=0;i<len;i++){ 17 lastArray[i] = str.at((2*len-array[i].size()-1)%len); 18 } 19 return 0; 20 } 21 22 int getCountPreSum(int *preSum,const string &str){ 23 memset(preSum,0,27*sizeof(int)); 24 for(int i=0;i<str.size();i++){ 25 if(str.at(i) == ‘#‘) 26 preSum[0]++; 27 else 28 preSum[str.at(i)-‘a‘+1]++; 29 } 30 31 for(int i=1;i<27;i++) 32 preSum[i] += preSum[i-1]; 33 return 0; 34 } 35 36 ///解码,使用last数组,恢复原来的文本块 37 int regainTextFromLastArray(char *lastArray,char *reGainStr,int *preSum){ 38 int len=strlen(lastArray); 39 int pos=0; 40 char c; 41 for(int i=len-1;i>=0;){ 42 reGainStr[i] = lastArray[pos]; 43 c = lastArray[pos]; 44 pos = preSum[c-‘a‘]+count(lastArray,lastArray+pos,c); 45 i--; 46 } 47 return 0; 48 } 49 50 int main (){ 51 string str("sdfsfdfdsdfgdfgfgfggfgdgfgd#"); 52 int preSum[27]; 53 int len=str.size(); 54 55 char *lastArray = new char[len+1]; 56 char *reGainStr = new char[len+1]; 57 lastArray[len]=‘\0‘; 58 reGainStr[len]=‘\0‘; 59 60 getCountPreSum(preSum,str); 61 getLastArray(lastArray,str); 62 regainTextFromLastArray(lastArray,reGainStr,preSum); 63 64 cout<<" str: "<<str<<endl; 65 cout<<"lastArray : "<<lastArray<<endl; 66 cout<<"reGainStr : "<<reGainStr<<endl; 67 68 delete lastArray; 69 delete reGainStr; 70 return 0; 71 }
代码执行输出:
参考:
http://en.wikipedia.org/wiki/Burrows%E2%80%93Wheeler_transform
http://emily2ly.iteye.com/blog/742869
额外阅读:
MTF(Move-to-front transform)数据转换