Difference between revisions of "Information Theory/Entropy Coding According to Huffman"

From LNTwww
Line 101: Line 101:
  
 
 
 
 
==Darstellung des Huffman–Codes als Baumdiagramm==
+
==Representation of the Huffman code as a tree diagram==
 
<br>
 
<br>
Häufig wird zur Konstruktion des Huffman–Codes eine&nbsp;  '''Baumstruktur'''&nbsp; verwendet.&nbsp;  Für das bisher betrachtete Beispiel ist diese in der folgenden Grafik dargestellt:
+
A&nbsp;  '''tree structure'''&nbsp;   is often used to construct the Huffman code.&nbsp;  For the example considered so far, this is shown in the following diagram:
  
[[File:P_ID2418__Inf_T_2_3_S3_neu.png|frame|Baumdarstellung  der Huffman–Codierung für das&nbsp;  $\text{Beispiel 1}$]]
 
  
Man erkennt:
+
[[File:P_ID2418__Inf_T_2_3_S3_neu.png|frame|Tree representation of the Huffman coding for&nbsp;  $\text{example 1}$]]
*Bei jedem Schritt des Huffman–Algorithmus werden die beiden Zweige mit den jeweils kleinsten Wahrscheinlichkeiten zusammengefasst.  
+
 
*Der Knoten im ersten Schritt fasst die zwei Symbole&nbsp;  $\rm E$&nbsp;  und&nbsp;  $\rm F$&nbsp;  mit den aktuell kleinsten Wahrscheinlichkeiten zusammen.&nbsp;  Dieser neue Knoten ist mit&nbsp;  $p_{\rm E} + p_{\rm F} = 0.14$&nbsp; beschriftet.
+
It can be seen:
*Der vom Symbol mit der kleineren Wahrscheinlichkeit&nbsp;  $($hier&nbsp;  $\rm F)$&nbsp;  zum Summenknoten verlaufende Zweig ist blau eingezeichnet, der andere Zweig&nbsp;  $($für $\rm E)$&nbsp;  rot.
+
*At each step of the Huffman algorithm, the two branches with the smallest respective probabilities are combined.  
 +
*The node in the first step combines the two symbols&nbsp;  $\rm E$&nbsp;  and&nbsp;  $\rm F$&nbsp;  with the currently smallest probabilities.  This new node is labelled.&nbsp;  This new node is labelled&nbsp;  $p_{\rm E} + p_{\rm F} = 0.14$&nbsp; .
 +
*The branch running from the symbol with the smaller probability&nbsp;  $($here&nbsp;  $\rm F)$&nbsp;  to the sum node is drawn in blue, the other branch&nbsp;  $($for $\rm E)$&nbsp;  in red.
 
<br clear=all>
 
<br clear=all>
Nach fünf Schritten ist man bei der Baumwurzel&nbsp;  („Root”)&nbsp;  mit der Gesamtwahrscheinlichkeit&nbsp;  $1.00$&nbsp; angelangt.&nbsp;  Verfolgt man nun den Verlauf von der Wurzel&nbsp;  (in obiger Grafik mit gelber Füllung)&nbsp;  zu den einzelnen Symbolen zurück, so kann man aus den Farben der einzelnen Zweige die Symbolzuordnung ablesen.  
+
After five steps, we arrive at the root of the tree with the total probability of&nbsp;  $1.00$&nbsp;.&nbsp;  If you now trace the course from the root&nbsp;  (in the above graphic with yellow filling)&nbsp;  back to the individual symbols, you can read off the symbol assignment from the colours of the individual branches.
  
Mit den Zuordnungen „rot” &nbsp;  → &nbsp;  '''1''' und „blau” &nbsp;  → &nbsp;  '''0''' ergibt sich beispielsweise von der Wurzel zu Symbol
+
With the assignments „red” &nbsp;  → &nbsp;  '''1''' and „blue” &nbsp;  → &nbsp;  '''0''' for example, the following results from the root to the symbol
*$\rm A$:  &nbsp;  rot, rot &nbsp;  → &nbsp;  '''11''',
+
*$\rm A$:  &nbsp;  red, red &nbsp;  → &nbsp;  '''11''',
*$\rm B$:  &nbsp; blau, rot &nbsp;  → &nbsp;  '''01''',
+
*$\rm B$:  &nbsp; blue, red &nbsp;  → &nbsp;  '''01''',
*$\rm C$:  &nbsp; blau, blau &nbsp;  → &nbsp;  '''00''',
+
*$\rm C$:  &nbsp; blue, blue &nbsp;  → &nbsp;  '''00''',
*$\rm D$:  &nbsp; rot, blau, blau &nbsp;  → &nbsp;  '''100''',
+
*$\rm D$:  &nbsp; red, blue, blue &nbsp;  → &nbsp;  '''100''',
*$\rm E$:  &nbsp; rot, blau, rot, rot &nbsp;  → &nbsp;  '''1011''',
+
*$\rm E$:  &nbsp; red, blue, red, red &nbsp;  → &nbsp;  '''1011''',
*$\rm F$:  &nbsp; rot, blau, rot, blau &nbsp;  → &nbsp;  '''1010'''.
+
*$\rm F$:  &nbsp; red, blue, red, blue &nbsp;  → &nbsp;  '''1010'''.
  
  
Die (einheitliche) Zuordnung „rot” &nbsp;  → &nbsp;  '''0''' und „blau” &nbsp;  → &nbsp;  '''1''' würde ebenfalls zu einem optimalen präfixfreien Huffman–Code führen.
+
The (uniform) assignment „red” &nbsp;  → &nbsp;  '''0''' and „blue” &nbsp;  → &nbsp;  '''1''' would also lead to an optimal prefix-free Huffman code.
 
    
 
    
 
{{GraueBox|TEXT=
 
{{GraueBox|TEXT=
$\text{Beispiel 3:}$&nbsp;  
+
$\text{Example 3:}$&nbsp;  
Die folgende Grafik zeigt die Huffman–Codierung von&nbsp;  $49$&nbsp; Symbolen&nbsp; $q_ν ∈ \{$ $\rm A$,&nbsp; $\rm B$,&nbsp; $\rm C$,&nbsp; $\rm D$,&nbsp; $\rm E$,&nbsp; $\rm F$ $\}$&nbsp; mit der auf der letzten Seite hergeleiteten Zuordnung.
+
The following graph shows the Huffman coding of&nbsp;  $49$&nbsp; symbols&nbsp; $q_ν ∈ \{$ $\rm A$,&nbsp; $\rm B$,&nbsp; $\rm C$,&nbsp; $\rm D$,&nbsp; $\rm E$,&nbsp; $\rm F$ $\}$&nbsp;with the assignment derived on the last page.
[[File:Inf_T_2_3_S3b_version2.png|right|frame|Beispielfolgen bei Huffman–Codierung]]  
+
[[File:Inf_T_2_3_S3b_version2.png|right|frame|Example sequences for Huffman coding]]  
*Die binäre Codesymbolfolge weist die mittlere Codewortlänge&nbsp; $L_{\rm M} = 125/49 = 2.551$&nbsp; auf.&nbsp;  
+
*The binary code symbol sequence has the mean code word length&nbsp; $L_{\rm M} = 125/49 = 2.551$&nbsp; auf.&nbsp;  
*Die verschiedenen Farben dienen ausschließlich zur besseren Orientierung.
+
*The different colours serve only for better orientation.
 
<br clear=all>
 
<br clear=all>
Aufgrund der kurzen Quellensymbolfolge&nbsp; $(N = 49)$&nbsp; weichen die Auftrittshäufigkeiten&nbsp; $h_{\rm A}$, ... ,&nbsp; $h_{\rm F}$&nbsp; der simulierten Folgen (manchmal) signifikant von den gegebenen Wahrscheinlichkeiten&nbsp; $p_{\rm A}$, ... ,&nbsp; $p_{\rm F}$&nbsp; ab:
+
Due to the short source symbol sequence&nbsp; $(N = 49)$&nbsp;, the occurrence frequencies&nbsp; $h_{\rm A}$, ... ,&nbsp; $h_{\rm F}$&nbsp; of the simulated sequences (sometimes) deviate significantly from the given probabilities&nbsp; $p_{\rm A}$, ... ,&nbsp; $p_{\rm F}$&nbsp;:
  
 
:$$p_{\rm A} = 0.30 \hspace{0.05cm} \Rightarrow \hspace{0.05cm} h_{\rm A} = 16/49 \approx 0.326 \hspace{0.05cm},\hspace{0.4cm}p_{\rm B} = 0.24 \hspace{0.05cm} \Rightarrow \hspace{0.05cm} h_{\rm B} = 7/49 \approx 0.143 \hspace{0.05cm},$$
 
:$$p_{\rm A} = 0.30 \hspace{0.05cm} \Rightarrow \hspace{0.05cm} h_{\rm A} = 16/49 \approx 0.326 \hspace{0.05cm},\hspace{0.4cm}p_{\rm B} = 0.24 \hspace{0.05cm} \Rightarrow \hspace{0.05cm} h_{\rm B} = 7/49 \approx 0.143 \hspace{0.05cm},$$
Line 141: Line 142:
 
\hspace{0.05cm}.$$
 
\hspace{0.05cm}.$$
  
Damit ergibt sich ein etwas größerer Entropiewert:
+
This results in a slightly larger entropy value:
 
    
 
    
 
:$$H ({\rm bez\ddot{u}glich }\hspace{0.15cm}p_{\mu}) = 2.365 \ {\rm bit/Quellensymbol}\hspace{0.3cm}  
 
:$$H ({\rm bez\ddot{u}glich }\hspace{0.15cm}p_{\mu}) = 2.365 \ {\rm bit/Quellensymbol}\hspace{0.3cm}  
Line 148: Line 149:
 
\hspace{0.05cm}.$$
 
\hspace{0.05cm}.$$
  
Würde man den Huffman–Code mit diesen „neuen” Wahrscheinlichkeiten&nbsp; $h_{\rm A}$, ... , $h_{\rm F}$&nbsp; bilden, so ergäben sich folgende Zuordnungen:
+
If one were to form the Huffman code with these „new” probabilities&nbsp; $h_{\rm A}$, ... , $h_{\rm F}$&nbsp; the following assignments would result:
 
   
 
   
 
:&nbsp; &nbsp; &nbsp;$\boldsymbol{\rm A} \hspace{0.05cm} \rightarrow \hspace{0.15cm}$'''11'''$\hspace{0.05cm},\hspace{0.2cm}
 
:&nbsp; &nbsp; &nbsp;$\boldsymbol{\rm A} \hspace{0.05cm} \rightarrow \hspace{0.15cm}$'''11'''$\hspace{0.05cm},\hspace{0.2cm}
Line 157: Line 158:
 
\boldsymbol{\rm F} \hspace{0.05cm} \rightarrow \hspace{0.15cm}$'''011'''$\hspace{0.05cm}.$
 
\boldsymbol{\rm F} \hspace{0.05cm} \rightarrow \hspace{0.15cm}$'''011'''$\hspace{0.05cm}.$
  
Nun würden nur&nbsp; $\rm A$&nbsp; und&nbsp; $\rm C$&nbsp; mit zwei Bit dargestellt, die anderen vier Symbole durch jeweils drei Bit.  
+
Now only&nbsp; $\rm A$&nbsp; and&nbsp; $\rm C$&nbsp; would be represented by two bits, the other four symbols by three bits each.
*Die Codesymbolfolge hätte dann eine Länge von&nbsp; $(16 + 9) · 2 + (7 + 7 + 5 + 5) · 3 = 122$&nbsp; Bit, wäre also um drei Bit kürzer als nach der bisherigen Codierung.  
+
*The code symbol sequence would then have a length of&nbsp; $(16 + 9) · 2 + (7 + 7 + 5 + 5) · 3 = 122$&nbsp; bits, which would be three bits shorter than under the previous coding.
*Die mittlere Codewortlänge wäre dann&nbsp; $L_{\rm M} = 122/49 ≈ 2.49$&nbsp;  bit/Quellensymbol&nbsp; anstelle von&nbsp; $L_{\rm M}≈ 2.55$&nbsp;  bit/Quellensymbol.}}
+
*The average codeword length would then be&nbsp; $L_{\rm M} = 122/49 ≈ 2.49$&nbsp;  bit/source symbol&nbsp; instead of&nbsp; $L_{\rm M}≈ 2.55$&nbsp;  bit/source symbol.}}
  
  
 
{{BlaueBox|TEXT=
 
{{BlaueBox|TEXT=
$\text{Fazit:}$&nbsp;  
+
$\text{Conclusion:}$&nbsp;  
Dieses Beispiel lässt sich wie folgt interpretieren:
+
This example can be interpreted as follows:
*Die Huffman–Codierung lebt von der (genauen) Kenntnis der Symbolwahrscheinlichkeiten.&nbsp; Sind diese sowohl dem Sender als auch dem Empfänger bekannt, so ist die mittlere Codewortlänge&nbsp; $L_{\rm M}$&nbsp; oft nur unwesentlich größer als die Quellenentropie&nbsp; $H$.
+
*Huffman coding thrives on the (exact) knowledge of the symbol probabilities.&nbsp; If these are known to both the sender and the receiver, the average codeword length&nbsp; $L_{\rm M}$&nbsp; is often only insignificantly larger than the source entropy&nbsp; $H$.
*Insbesondere bei kleinen Dateien kann es zu Abweichungen zwischen den (erwarteten) Symbolwahrscheinlichkeiten&nbsp; $p_μ$&nbsp; und den (tatsächlichen) Häufigkeiten&nbsp; $h_μ$&nbsp; kommen.&nbsp; Besser wäre es hier, für jede Datei einen eigenen Huffman–Code zu generieren, der auf den tatsächlichen Gegebenheiten&nbsp; $(h_μ)$&nbsp; basiert.
+
*Especially with small files, there may be deviations between the (expected) symbol probabilities&nbsp; $p_μ$&nbsp; and the (actual) frequencies&nbsp; $h_μ$&nbsp;.&nbsp; It would be better here to generate a separate Huffman code for each file based on the actual circumstances&nbsp; $(h_μ)$&nbsp; basiert.
*In diesem Fall muss aber dem Decoder auch der spezifische Huffman–Code mitgeteilt werden.&nbsp; Dies führt zu einem gewissen Overhead, der nur wieder bei längeren Dateien vernachlässigt werden kann.&nbsp; Bei kleinen Dateien lohnt sich dieser Aufwand nicht.}}
+
*In this case, however, the specific Huffman code must also be communicated to the decoder.&nbsp; This leads to a certain overhead, which again can only be neglected for longer files.&nbsp; With small files, this effort is not worthwhile.}}
 
 
 
 
  
==Einfluss von Übertragungsfehlern auf die Decodierung ==
+
==Influence of transmission errors on decoding==
 
<br>
 
<br>
Der Huffman–Code ist aufgrund der Eigenschaft „präfixfrei” verlustlos.  
+
The Huffman code is lossless due to the property „prefix-free”.  
*Das bedeutet: &nbsp; Aus der binären Codesymbolfolge lässt sich die Quellensymbolfolge vollständig rekonstruieren.  
+
*This means that the source symbol sequence can be completely reconstructed from the binary code symbol sequence.
*Kommt es aber bei der Übertragung zu einem Fehler&nbsp; $($aus einer&nbsp; '''0'''&nbsp; wird eine&nbsp; '''1'''&nbsp; bzw. aus einer&nbsp; '''1'''&nbsp; eine&nbsp; '''0'''$)$,&nbsp; so stimmt natürlich auch die Sinkensymbolfolge&nbsp; $〈v_ν〉$&nbsp; nicht mit der Quellensymbolfolge&nbsp; $〈q_ν〉$&nbsp; überein.
+
*However, if an error occurs during transmission&nbsp; $($a&nbsp; '''0'''&nbsp; becomes a&nbsp; '''1'''&nbsp; or a&nbsp; '''1'''&nbsp; becomes a&nbsp; '''0'''$)$,&nbsp;, the sink symbol sequence&nbsp; $〈v_ν〉$&nbsp; naturally also does not match the source symbol sequence&nbsp; $〈q_ν〉$&nbsp;.
  
  
Die beiden folgenden Beispiele zeigen, dass ein einziger Übertragungsfehler manchmal eine Vielzahl von Fehlern hinsichtlich des Ursprungstextes zur Folge haben kann.
+
The following two examples show that a single transcription error can sometimes result in a multitude of errors regarding the source text.
  
 
{{GraueBox|TEXT=
 
{{GraueBox|TEXT=
$\text{Beispiel 4:}$&nbsp;  
+
$\text{Example 4:}$&nbsp;  
Wir betrachten die gleiche Quellensymbolfolge und den gleichen Huffman–Code wie auf der vorherigen Seite.  
+
We consider the same source symbol sequence and the same Huffman code as on the previous page.  
  
[[File:P_ID2420__Inf_T_2_3_S4b_neu.png|frame|Zum Einfluss von Übertragungsfehlern bei Huffman–Codierung]]
+
[[File:P_ID2420__Inf_T_2_3_S4b_neu.png|frame|On the influence of transmission errors in Huffman coding]]
  
*Die obere Grafik zeigt, dass bei fehlerfreier Übertragung aus der codierten Binärfolge&nbsp; '''111011'''...&nbsp; wieder die ursprüngliche Quellenfolge&nbsp; $\rm AEBFCC$...&nbsp; rekonstruiert werden kann.
+
*The upper diagram shows that with error-free transmission, the original source sequence&nbsp; '''111011'''...&nbsp; can be reconstructed from the coded binary sequence&nbsp; $\rm AEBFCC$...&nbsp; can be reconstructed.
*Wird aber zum Beispiel das Bit 6 verfälscht&nbsp; $($von&nbsp; '''1'''&nbsp; auf&nbsp; '''0''', rote Markierung in der mittlere Grafik$)$, so wird aus dem Quellensymbol&nbsp; $q_2 = \rm E$&nbsp; das Sinkensymbol&nbsp; $v_2 =\rm F$.
+
*However, if for example bit 6 is falsified&nbsp; $($from&nbsp; '''1'''&nbsp; to&nbsp; '''0''', red marking in the middle graphic$)$, the source symbol&nbsp; $q_2 = \rm E$&nbsp; becomes the sink symbol&nbsp; $v_2 =\rm F$.
*Eine Verfälschung von Bit 13&nbsp; $($von&nbsp; '''0'''&nbsp; auf&nbsp;  '''1''', rote Markierung in der unteren Grafik$)$&nbsp; führt sogar zu einer Verfälschung von vier Quellensymbolen: &nbsp; $\rm CCEC$&nbsp;  →&nbsp;  $\rm DBBD$.}}
+
*A falsification of bit 13&nbsp; $($from&nbsp; '''0'''&nbsp; to&nbsp;  '''1''', red marking in the lower graphic$)$&nbsp; even leads to a falsification of four source symbols: &nbsp; $\rm CCEC$&nbsp;  →&nbsp;  $\rm DBBD$.}}
  
  
 
{{GraueBox|TEXT=
 
{{GraueBox|TEXT=
$\text{Beispiel 5:}$&nbsp;  
+
$\text{Example 5:}$&nbsp;  
Eine zweite Nachrichtenquelle mit Symbolumfang&nbsp; $M = 6$&nbsp; sei durch folgende Symbolwahrscheinlichkeiten gekennzeichnet:
+
Let a second message source with symbol range&nbsp; $M = 6$&nbsp; be characterised by the following symbol probabilities:
 
   
 
   
 
:$$p_{\rm A} = 0.50 \hspace{0.05cm},\hspace{0.2cm}p_{\rm B} = 0.19 \hspace{0.05cm},\hspace{0.2cm}p_{\rm C} = 0.11 \hspace{0.05cm},\hspace{0.2cm}
 
:$$p_{\rm A} = 0.50 \hspace{0.05cm},\hspace{0.2cm}p_{\rm B} = 0.19 \hspace{0.05cm},\hspace{0.2cm}p_{\rm C} = 0.11 \hspace{0.05cm},\hspace{0.2cm}
Line 198: Line 199:
 
\hspace{0.05cm}.$$
 
\hspace{0.05cm}.$$
  
Hier führt der Huffman–Algorithmus zu folgender Zuordnung:
+
Here the Huffman algorithm leads to the following assignment:
  
 
:&nbsp; &nbsp; &nbsp;$\boldsymbol{\rm A} \hspace{0.05cm} \rightarrow \hspace{0.15cm}$'''0'''$\hspace{0.05cm},\hspace{0.2cm}
 
:&nbsp; &nbsp; &nbsp;$\boldsymbol{\rm A} \hspace{0.05cm} \rightarrow \hspace{0.15cm}$'''0'''$\hspace{0.05cm},\hspace{0.2cm}
Line 207: Line 208:
 
\boldsymbol{\rm F} \hspace{0.05cm} \rightarrow \hspace{0.15cm}$'''1100'''$\hspace{0.05cm}.$
 
\boldsymbol{\rm F} \hspace{0.05cm} \rightarrow \hspace{0.15cm}$'''1100'''$\hspace{0.05cm}.$
 
   
 
   
Die Quellensymbolfolge&nbsp; $\rm ADABD$...&nbsp; (siehe Grafik) wird somit durch die Codesymbolfolge&nbsp; '''0'100'0'111'100' '''...&nbsp; dargestellt.&nbsp; Die Hochkommata dienen hierbei lediglich der Orientierung für den Leser.
+
The source symbol sequence&nbsp; $\rm ADABD$...&nbsp; (see diagram) is thus represented by the code symbol sequence&nbsp; '''0'100'0'111'100' '''...&nbsp;.&nbsp; The inverted commas are only for the reader's orientation.
  
[[File:P_ID2423__Inf_T_2_3_S4c_neu.png|center|frame|Zur Fehlerfortpflanzung der Huffman–Codierung]]
+
[[File:P_ID2423__Inf_T_2_3_S4c_neu.png|center|frame|On the error propagation of the Huffman coding]]
  
Bei der Übertragung wird nun das erste Bit verfälscht:&nbsp; Anstelle von&nbsp; '''01000111100'''...&nbsp; empfängt man somit&nbsp; '''11000111100'''...  
+
During transmission, the first bit is distorted:&nbsp; Instead of&nbsp; '''01000111100'''...&nbsp; one receives&nbsp; '''11000111100'''...  
*Aus den beiden ersten Quellensymbolen&nbsp; $\rm AD$&nbsp; →&nbsp; '''0100'''&nbsp; wird  nach der Decodierung das Sinkensymbol&nbsp; $\rm F$&nbsp; →&nbsp; '''1100'''.  
+
*After decoding, the first two source symbols&nbsp; $\rm AD$&nbsp; →&nbsp; '''0100'''&nbsp; become the sink symbol&nbsp; $\rm F$&nbsp; →&nbsp; '''1100'''.  
*Die weiteren Symbole werden dann wieder richtig detektiert, aber nun nicht mehr beginnend bei der Position&nbsp; $ν = 3$, sondern bei&nbsp; $ν = 2$.
+
*The further symbols are then detected correctly again, but now no longer starting at the position&nbsp; $ν = 3$, sondern bei&nbsp; $ν = 2$.
  
  
Je nach Anwendung sind die Auswirkungen unterschiedlich:
+
Depending on the application, the effects are different:
*Handelt es sich bei der Quelle um einen natürlichen Text und bei der Sinke um einen Menschen, so bleibt der Großteil des Textes für den Leser verständlich.
+
*If the source is a natural text and the sinker is a human, most of the text remains comprehensible to the reader.
*Ist die Sinke jedoch ein Automat, der sukzessive alle&nbsp; $v_ν$&nbsp; mit den entsprechenden&nbsp; $q_ν$&nbsp; vergleicht, so ergibt sich eine Verfälschungshäufigkeit von deutlich über&nbsp; $50\%$.
+
*f, however, the sink is an automaton that successively compares all&nbsp; $v_ν$&nbsp; with the corresponding&nbsp; $q_ν$&nbsp; , the result is a distortion frequency of well over&nbsp; $50\%$.
*Nur die blauen Symbole der Sinkensymbolfolge&nbsp; $〈v_ν〉$&nbsp; stimmen dann (zufällig) mit den  Quellensymbolen&nbsp; $q_ν$&nbsp; überein, während rote Symbole auf Fehler hinweisen.}}
+
*Only the blue symbols of the sink symbol sequence&nbsp; $〈v_ν〉$&nbsp; then (coincidentally) match the source symbols&nbsp; $q_ν$&nbsp; while red symbols indicate errors.}}
  
  

Revision as of 19:39, 27 March 2021

The Huffman algorithm


We now assume that the source symbols  $q_\nu$  originate from an alphabet  $\{q_μ\} = \{$ $\rm A$,  $\rm B$ ,  $\rm C$ , ...$\}$  with the symbol range  $M$  and are statistically independent of each other.  For example, for the symbol range  $M = 8$:

$$\{ \hspace{0.05cm}q_{\mu} \} = \{ \boldsymbol{\rm A} \hspace{0.05cm},\hspace{0.05cm} \boldsymbol{\rm B}\hspace{0.05cm},\hspace{0.05cm} \boldsymbol{\rm C}\hspace{0.05cm},\hspace{0.05cm} \boldsymbol{\rm D}\hspace{0.05cm},\hspace{0.05cm} \boldsymbol{\rm E}\hspace{0.05cm},\hspace{0.05cm} \boldsymbol{\rm F}\hspace{0.05cm},\hspace{0.05cm} \boldsymbol{\rm G}\hspace{0.05cm},\hspace{0.05cm} \boldsymbol{\rm H}\hspace{0.05cm} \}\hspace{0.05cm}.$$
In 1952 - i.e. shortly after Shannon's groundbreaking publications David A. Huffman  gave an algorithm for the construction of optimal prefix-free codes.

This  Huffman Algorithm  is to be given here without derivation and proof, whereby we restrict ourselves to binary codes.  That is:   for the code symbols, let  $c_ν ∈ \{$01$\}$ always hold.

Here is the „recipe”:

  1.   Order the symbols according to decreasing probabilities of occurrence.
  2.   Combine the two most improbable symbols into a new symbol.
  3.   Repeat  (1)  and  (2), until only two (combined) symbols remain.
  4.   Code the more probable set of symbols with  1  and the other set with  0.
  5.   In the opposite direction  (i.e. from bottom to top) , add  1  or  0 to the respective binary codes of the split subsets according to the probabilities.


$\text{Example 1:}$  Without limiting the generality, we assume that the  $M = 6$ symbols  $\rm A$, ... , $\rm F$  are already ordered according to their probabilities:

$$p_{\rm A} = 0.30 \hspace{0.05cm},\hspace{0.2cm}p_{\rm B} = 0.24 \hspace{0.05cm},\hspace{0.2cm}p_{\rm C} = 0.20 \hspace{0.05cm},\hspace{0.2cm} p_{\rm D} = 0.12 \hspace{0.05cm},\hspace{0.2cm}p_{\rm E} = 0.10 \hspace{0.05cm},\hspace{0.2cm}p_{\rm F} = 0.04 \hspace{0.05cm}.$$

By pairwise combination and subsequent sorting, the following symbol combinations are obtained in five steps
(resulting probabilities in brackets):

1.   $\rm A$  (0.30), $\rm B$  (0.24), $\rm C$  (0.20), $\rm EF$  (0.14), $\rm D$  (0.12),
2.   $\rm A$  (0.30), $\rm EFD$  (0.26), $\rm B$  (0.24), $\rm C$  (0.20),
3.   $\rm BC$  (0.44), $\rm A$  (0.30), $\rm EFD$  (0.26),
4.   $\rm AEFD$  (0.56), $\rm BC$  (0.44),
5.   Root  $\rm AEFDBC$  (1.00).

Backwards – i.e. according to steps  (5)  to  (1)  – the assignment to binary symbols then takes place.  
An  x  indicates that bits still have to be added in the next steps:

5.   $\rm AEFD$   →   1x,     $\rm BC$   →   0x,
4.   $\underline{\rm A}$   →   11,     $\rm EFD$   →   10x,
3.   $\underline{\rm B}$   →   01,     $\underline{\rm C}$   →   00,
2.   $\rm EF$   →   101x,     $\underline{\rm D}$   →   100,
1.   $\underline{\rm E}$   →   1011,     $\underline{\rm F}$   →   1010.

The underlines mark the final binary coding..


On the term „entropy coding”


We continue to assume the probabilities and assignments of the last example:

$$p_{\rm A} = 0.30 \hspace{0.05cm},\hspace{0.2cm}p_{\rm B} = 0.24 \hspace{0.05cm},\hspace{0.2cm}p_{\rm C} = 0.20 \hspace{0.05cm},\hspace{0.2cm} p_{\rm D} = 0.12 \hspace{0.05cm},\hspace{0.2cm}p_{\rm E} = 0.10 \hspace{0.05cm},\hspace{0.2cm}p_{\rm F} = 0.04 \hspace{0.05cm};$$
$$\boldsymbol{\rm A} \hspace{0.05cm} \rightarrow \hspace{0.05cm} \boldsymbol{\rm 11} \hspace{0.05cm},\hspace{0.2cm} \boldsymbol{\rm B} \hspace{0.05cm} \rightarrow \hspace{0.05cm} \boldsymbol{\rm 01} \hspace{0.05cm},\hspace{0.2cm} \boldsymbol{\rm C} \hspace{0.05cm} \rightarrow \hspace{0.05cm} \boldsymbol{\rm 00} \hspace{0.05cm},\hspace{0.2cm} \boldsymbol{\rm D} \hspace{0.05cm} \rightarrow \hspace{0.05cm} \boldsymbol{\rm 100} \hspace{0.05cm},\hspace{0.2cm} \boldsymbol{\rm E} \hspace{0.05cm} \rightarrow \hspace{0.05cm} \boldsymbol{\rm 1011} \hspace{0.05cm},\hspace{0.2cm} \boldsymbol{\rm F} \hspace{0.05cm} \rightarrow \hspace{0.05cm} \boldsymbol{\rm 1010} \hspace{0.05cm}.$$

Thus, of the six source symbols, three are coded with two bits each, one with three bits and two symbols  $(\rm E$  and  $\rm F)$  with four bits each.

The average codeword length thus results in

$$L_{\rm M} = (0.30 \hspace{-0.05cm}+ \hspace{-0.05cm}0.24 \hspace{-0.05cm}+ \hspace{-0.05cm} 0.20) \cdot 2 + 0.12 \cdot 3 + (0.10 \hspace{-0.05cm}+ \hspace{-0.05cm} 0.04 ) \cdot 4 = 2.4 \,{\rm bit/source symbol} \hspace{0.05cm}.$$

From the comparison with the source entropy  $H = 2.365 \ \rm bit/source symbol$  bit/source symbol one can see the efficiency of the Huffman coding.

$\text{Merke:}$  Note: There is no prefix-free  $($⇒   immediately decodable$)$  code that leads to a smaller mean codeword length  $L_{\rm M}$  than the Huffman code by exploiting the occurrence probabilities alone. .  In this sense, the Huffman code is optimal..


$\text{Example 2:}$  If the symbol probabilities were

$$p_{\rm A} = p_{\rm B} = p_{\rm C} = 1/4 \hspace{0.05cm},\hspace{0.2cm} p_{\rm D} = 1/8 \hspace{0.05cm},\hspace{0.2cm}p_{\rm E} = p_{\rm F} = 1/16 \hspace{0.05cm},$$

then the same would apply to the entropy and to the mean codeword length:

$$H = 3 \cdot 1/4 \cdot {\rm log_2}\hspace{0.1cm}(4) + 1/8 \cdot {\rm log_2}\hspace{0.1cm}(8) + 2 \cdot 1/16 \cdot {\rm log_2}\hspace{0.1cm}(16) = 2.375 \,{\rm bit/source symbol}\hspace{0.05cm},$$
$$L_{\rm M} = 3 \cdot 1/4 \cdot 2 + 1/8 \cdot 3 + 2 \cdot 1/16 \cdot 4 = 2.375 \,{\rm bit/source symbol} \hspace{0.05cm}.$$


This property  $L_{\rm M} = H +\varepsilon$  with  $\varepsilon \to 0$  at suitable occurrence probabilities explains the term   entropy coding:

In this form of source coding, one tries to adapt the length  $L_μ$  of the binary sequence  (consisting of zeros and ones)  for the symbol  $q_μ$  according to the entropy calculation to its occurrence probability  $p_μ$  as follows:

$$L_{\mu} = {\rm log}_2\hspace{0.1cm}(1/p_{\mu} ) \hspace{0.05cm}.$$

Of course, this does not always succeed, but only if all occurrence probabilities  $p_μ$  can be represented in the form  $2^{–k}$  with  $k = 1, \ 2, \ 3,$ ...

  • In this special case - and only in this case - the mean codeword length  $L_{\rm M}$  coincides exactly with the source entropy  $H$    $(\varepsilon = 0$,  see $\text{example 2})$.
  • According to the  source encoding theorem  there is no (decodable) code that gets by with fewer binary characters per source symbol on average.


Representation of the Huffman code as a tree diagram


tree structure  is often used to construct the Huffman code.  For the example considered so far, this is shown in the following diagram:


Tree representation of the Huffman coding for  $\text{example 1}$

It can be seen:

  • At each step of the Huffman algorithm, the two branches with the smallest respective probabilities are combined.
  • The node in the first step combines the two symbols  $\rm E$  and  $\rm F$  with the currently smallest probabilities. This new node is labelled.  This new node is labelled  $p_{\rm E} + p_{\rm F} = 0.14$  .
  • The branch running from the symbol with the smaller probability  $($here  $\rm F)$  to the sum node is drawn in blue, the other branch  $($for $\rm E)$  in red.


After five steps, we arrive at the root of the tree with the total probability of  $1.00$ .  If you now trace the course from the root  (in the above graphic with yellow filling)  back to the individual symbols, you can read off the symbol assignment from the colours of the individual branches.

With the assignments „red”   →   1 and „blue”   →   0 for example, the following results from the root to the symbol

  • $\rm A$:   red, red   →   11,
  • $\rm B$:   blue, red   →   01,
  • $\rm C$:   blue, blue   →   00,
  • $\rm D$:   red, blue, blue   →   100,
  • $\rm E$:   red, blue, red, red   →   1011,
  • $\rm F$:   red, blue, red, blue   →   1010.


The (uniform) assignment „red”   →   0 and „blue”   →   1 would also lead to an optimal prefix-free Huffman code.

$\text{Example 3:}$  The following graph shows the Huffman coding of  $49$  symbols  $q_ν ∈ \{$ $\rm A$,  $\rm B$,  $\rm C$,  $\rm D$,  $\rm E$,  $\rm F$ $\}$ with the assignment derived on the last page.

Example sequences for Huffman coding
  • The binary code symbol sequence has the mean code word length  $L_{\rm M} = 125/49 = 2.551$  auf. 
  • The different colours serve only for better orientation.


Due to the short source symbol sequence  $(N = 49)$ , the occurrence frequencies  $h_{\rm A}$, ... ,  $h_{\rm F}$  of the simulated sequences (sometimes) deviate significantly from the given probabilities  $p_{\rm A}$, ... ,  $p_{\rm F}$ :

$$p_{\rm A} = 0.30 \hspace{0.05cm} \Rightarrow \hspace{0.05cm} h_{\rm A} = 16/49 \approx 0.326 \hspace{0.05cm},\hspace{0.4cm}p_{\rm B} = 0.24 \hspace{0.05cm} \Rightarrow \hspace{0.05cm} h_{\rm B} = 7/49 \approx 0.143 \hspace{0.05cm},$$
$$p_{\rm C} =0.24 \hspace{0.05cm} \Rightarrow \hspace{0.05cm} h_{\rm C}= 9/49 \approx 0.184 \hspace{0.05cm},\hspace{0.6cm}p_{\rm D} = 0.12 \hspace{0.05cm} \Rightarrow \hspace{0.05cm} h_{\rm D} = 7/49 \approx 0.143 \hspace{0.05cm},$$
$$p_{\rm E}=0.10 \hspace{0.05cm} \Rightarrow \hspace{0.05cm} h_{\rm E} = 5/49 \approx 0.102 \hspace{0.05cm},\hspace{0.6cm}p_{\rm F} = 0.04 \hspace{0.05cm} \Rightarrow \hspace{0.05cm} h_{\rm E} = 5/49 \approx 0.102 \hspace{0.05cm}.$$

This results in a slightly larger entropy value:

$$H ({\rm bez\ddot{u}glich }\hspace{0.15cm}p_{\mu}) = 2.365 \ {\rm bit/Quellensymbol}\hspace{0.3cm} \Rightarrow \hspace{0.3cm} H ({\rm bez\ddot{u}glich }\hspace{0.15cm}h_{\mu}) = 2.451 \ {\rm bit/Quellensymbol} \hspace{0.05cm}.$$

If one were to form the Huffman code with these „new” probabilities  $h_{\rm A}$, ... , $h_{\rm F}$  the following assignments would result:

     $\boldsymbol{\rm A} \hspace{0.05cm} \rightarrow \hspace{0.15cm}$11$\hspace{0.05cm},\hspace{0.2cm} \boldsymbol{\rm B} \hspace{0.05cm} \rightarrow \hspace{0.15cm}$100$\hspace{0.05cm},\hspace{0.2cm} \boldsymbol{\rm C} \hspace{0.05cm} \rightarrow \hspace{0.15cm}$00$\hspace{0.05cm},\hspace{0.2cm} \boldsymbol{\rm D} \hspace{0.05cm} \rightarrow \hspace{0.15cm}$101$\hspace{0.05cm},\hspace{0.2cm} \boldsymbol{\rm E} \hspace{0.05cm} \rightarrow \hspace{0.15cm}$010$\hspace{0.05cm},\hspace{0.2cm} \boldsymbol{\rm F} \hspace{0.05cm} \rightarrow \hspace{0.15cm}$011$\hspace{0.05cm}.$

Now only  $\rm A$  and  $\rm C$  would be represented by two bits, the other four symbols by three bits each.

  • The code symbol sequence would then have a length of  $(16 + 9) · 2 + (7 + 7 + 5 + 5) · 3 = 122$  bits, which would be three bits shorter than under the previous coding.
  • The average codeword length would then be  $L_{\rm M} = 122/49 ≈ 2.49$  bit/source symbol  instead of  $L_{\rm M}≈ 2.55$  bit/source symbol.


$\text{Conclusion:}$  This example can be interpreted as follows:

  • Huffman coding thrives on the (exact) knowledge of the symbol probabilities.  If these are known to both the sender and the receiver, the average codeword length  $L_{\rm M}$  is often only insignificantly larger than the source entropy  $H$.
  • Especially with small files, there may be deviations between the (expected) symbol probabilities  $p_μ$  and the (actual) frequencies  $h_μ$ .  It would be better here to generate a separate Huffman code for each file based on the actual circumstances  $(h_μ)$  basiert.
  • In this case, however, the specific Huffman code must also be communicated to the decoder.  This leads to a certain overhead, which again can only be neglected for longer files.  With small files, this effort is not worthwhile.


Influence of transmission errors on decoding


The Huffman code is lossless due to the property „prefix-free”.

  • This means that the source symbol sequence can be completely reconstructed from the binary code symbol sequence.
  • However, if an error occurs during transmission  $($a  0  becomes a  1  or a  1  becomes a  0$)$, , the sink symbol sequence  $〈v_ν〉$  naturally also does not match the source symbol sequence  $〈q_ν〉$ .


The following two examples show that a single transcription error can sometimes result in a multitude of errors regarding the source text.

$\text{Example 4:}$  We consider the same source symbol sequence and the same Huffman code as on the previous page.

On the influence of transmission errors in Huffman coding
  • The upper diagram shows that with error-free transmission, the original source sequence  111011...  can be reconstructed from the coded binary sequence  $\rm AEBFCC$...  can be reconstructed.
  • However, if for example bit 6 is falsified  $($from  1  to  0, red marking in the middle graphic$)$, the source symbol  $q_2 = \rm E$  becomes the sink symbol  $v_2 =\rm F$.
  • A falsification of bit 13  $($from  0  to  1, red marking in the lower graphic$)$  even leads to a falsification of four source symbols:   $\rm CCEC$  →  $\rm DBBD$.


$\text{Example 5:}$  Let a second message source with symbol range  $M = 6$  be characterised by the following symbol probabilities:

$$p_{\rm A} = 0.50 \hspace{0.05cm},\hspace{0.2cm}p_{\rm B} = 0.19 \hspace{0.05cm},\hspace{0.2cm}p_{\rm C} = 0.11 \hspace{0.05cm},\hspace{0.2cm} p_{\rm D} = 0.09 \hspace{0.05cm},\hspace{0.2cm}p_{\rm E} = 0.06 \hspace{0.05cm},\hspace{0.2cm}p_{\rm F} = 0.05 \hspace{0.05cm}.$$

Here the Huffman algorithm leads to the following assignment:

     $\boldsymbol{\rm A} \hspace{0.05cm} \rightarrow \hspace{0.15cm}$0$\hspace{0.05cm},\hspace{0.2cm} \boldsymbol{\rm B} \hspace{0.05cm} \rightarrow \hspace{0.15cm}$111$\hspace{0.05cm},\hspace{0.2cm} \boldsymbol{\rm C} \hspace{0.05cm} \rightarrow \hspace{0.15cm}$101$\hspace{0.05cm},\hspace{0.2cm} \boldsymbol{\rm D} \hspace{0.05cm} \rightarrow \hspace{0.15cm}$100$\hspace{0.05cm},\hspace{0.2cm} \boldsymbol{\rm E} \hspace{0.05cm} \rightarrow \hspace{0.15cm}$1101$\hspace{0.05cm},\hspace{0.2cm} \boldsymbol{\rm F} \hspace{0.05cm} \rightarrow \hspace{0.15cm}$1100$\hspace{0.05cm}.$

The source symbol sequence  $\rm ADABD$...  (see diagram) is thus represented by the code symbol sequence  0'100'0'111'100' ... .  The inverted commas are only for the reader's orientation.

On the error propagation of the Huffman coding

During transmission, the first bit is distorted:  Instead of  01000111100...  one receives  11000111100...

  • After decoding, the first two source symbols  $\rm AD$  →  0100  become the sink symbol  $\rm F$  →  1100.
  • The further symbols are then detected correctly again, but now no longer starting at the position  $ν = 3$, sondern bei  $ν = 2$.


Depending on the application, the effects are different:

  • If the source is a natural text and the sinker is a human, most of the text remains comprehensible to the reader.
  • f, however, the sink is an automaton that successively compares all  $v_ν$  with the corresponding  $q_ν$  , the result is a distortion frequency of well over  $50\%$.
  • Only the blue symbols of the sink symbol sequence  $〈v_ν〉$  then (coincidentally) match the source symbols  $q_ν$  while red symbols indicate errors.


Anwendung der Huffman–Codierung auf  $k$–Tupel


Der Huffman–Algorithmus in seiner Grundform liefert dann unbefriedigende Ergebnisse, wenn

  • eine Binärquelle  $(M = 2)$  vorliegt, zum Beispiel mit dem Symbolvorrat  $\{$ $\rm X$,  $\rm Y$ $\}$,
  • es statistische Bindungen zwischen den Symbolen der Eingangsfolge gibt,
  • die Wahrscheinlichkeit des häufigsten Symbols deutlich größer ist als  $50\%$.


Abhilfe schafft man in diesen Anwendungsfällen,

  • in dem man mehrere Symbole zusammenfasst, und
  • den Huffman–Algorithmus auf einen neuen Symbolvorrat  $\{$ $\rm A$,  $\rm B$, $\rm C$,  $\rm D$, ... $\}$  anwendet.


Bildet man  $k$–Tupel, so steigt der Symbolumfang von  $M$  auf  $M\hspace{-0.01cm}′ = M^k$.

Wir wollen im folgenden Beispiel die Vorgehensweise anhand einer Binärquelle verdeutlichen.  Weitere Beispiele finden Sie in


$\text{Beispiel 6:}$  Gegeben sei eine gedächtnislose Binärquelle $(M = 2)$ mit den Symbolen  $\{$ $\rm X$,  $\rm Y$ $\}$:

  • Die Symbolwahrscheinlichkeiten seien  $p_{\rm X} = 0.8$  und  $p_{\rm Y} = 0.2$.
  • Damit ergibt sich die Quellenentropie zu  $H = 0.722$  bit/Quellensymbol.
  • Wir betrachten die Symbolfolge  $\{\rm XXXYXXXXXXXXYYXXXXXYYXXYXYXXYX\ \text{...} \}$  mit nur wenigen  $\rm Y$–Symbolen an den Positionen 4, 13, 14, ...


Der Huffman–Algorithmus kann auf diese Quelle direkt nicht angewendet werden, das heißt, man benötigt ohne weitere Maßnahme für jedes binäre Quellensymbol auch ein Bit. Aber:

  • Fasst man jeweils zwei binäre Symbole zu einem Zweiertupel  $(k = 2)$  entsprechend   $\rm XX$   →   $\rm A$,   $\rm XY$   →   $\rm B$,   $\rm YX$   →   $\rm C$,   $\rm YY$   →   $\rm D$   zusammen, so kann man „Huffman” auf die resultierende Folge  →   $\rm ABAACADAABCBBAC$ ...  →   mit $M\hspace{-0.01cm}′ = 4$  →   anwenden. Wegen
$$p_{\rm A}= 0.8^2 = 0.64 \hspace{0.05cm}, \hspace{0.2cm}p_{\rm B}= 0.8 \cdot 0.2 = 0.16 = p_{\rm C} \hspace{0.05cm}, \hspace{0.2cm} p_{\rm D}= 0.2^2 = 0.04$$
erhält man   $\rm A$   →   1,   $\rm B$   →   00,   $\rm C$   →   011,   $\rm D$   →   010   sowie
$$L_{\rm M}\hspace{0.03cm}' = 0.64 \cdot 1 + 0.16 \cdot 2 + 0.16 \cdot 3 + 0.04 \cdot 3 =1.56\,{\rm bit/Zweiertupel} $$
$$\Rightarrow\hspace{0.3cm}L_{\rm M} = {L_{\rm M}\hspace{0.03cm}'}/{2} = 0.78\ {\rm bit/Quellensymbol}\hspace{0.05cm}.$$
  • Nun bilden wir Dreiertupel  $(k = 3)$  →   entsprechend
      $\rm XXX$   →   $\rm A$,   $\rm XXY$   →   $\rm B$,   $\rm XYX$   →   $\rm C$,   $\rm XYY$   →   $\rm D$,   $\rm YXX$   →   $\rm E$,   $\rm YXY$   →   $\rm F$,   $\rm YYX$   →   $\rm G$,   $\rm YYY$   →   $\rm H$.
Für die oben angegebene Eingangsfolge kommt man zur äquivalenten Folge  $\rm AEBAGADBCC$ ...  (basierend auf dem neuen Symbolumfang $M\hspace{-0.01cm}′ = 8$) und zu folgenden Wahrscheinlichkeiten:
$$p_{\rm A}= 0.8^3 = 0.512 \hspace{0.05cm}, \hspace{0.5cm}p_{\rm B}= p_{\rm C}= p_{\rm E} = 0.8^2 \cdot 0.2 = 0.128\hspace{0.05cm},\hspace{0.5cm} p_{\rm D}= p_{\rm F}= p_{\rm G} = 0.8 \cdot 0.2^2 = 0.032 \hspace{0.05cm}, \hspace{0.5cm}p_{\rm H}= 0.2^3 = 0.008\hspace{0.05cm}.$$
Die Huffman–Codierung lautet somit:
      $\rm A$   →   1,   $\rm B$   →   011,   $\rm C$   →   010,   $\rm D$   →   00011,   $\rm E$   →   001,   $\rm F$   →   00010,   $\rm G$   →   00001,   $\rm H$   →   00000.
Damit erhält man für die mittlere Codewortlänge:
$$L_{\rm M}\hspace{0.03cm}' = 0.512 \cdot 1 + 3 \cdot 0.128 \cdot 3 + (3 \cdot 0.032 + 0.008) \cdot 5 =2.184 \,{\rm bit/Dreiertupel} $$
$$\Rightarrow\hspace{0.3cm}L_{\rm M} = {L_{\rm M}\hspace{0.03cm}'}/{3} = 0.728\ {\rm bit/Quellensymbol}\hspace{0.05cm}.$$
In diesem Beispiel wird also bereits mit  $k = 3$  die Quellenentropie  $H = 0.722$  bit/Quellensymbol nahezu erreicht.


Aufgaben zum Kapitel


Aufgabe 2.6: Zur Huffman-Codierung

Aufgabe 2.6Z: Nochmals zum Huffman–Code

Aufgabe 2.7: Huffman-Anwendung für binäre Zweiertupel

Aufgabe 2.7Z: Huffman-Codierung für Zweiertupel einer Ternärquelle

Aufgabe 2.8: Huffman-Anwendung bei einer Markovquelle

Aufgabe 2.9: Huffman-Decodierung nach Fehlern