BWT (Burrows–Wheeler_transform)数据转换算法

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：