Sistem de compresie de date

sisteme de compresie fr pierderi

sisteme de compresie cu pierderi
raportul de compresie (raportul dintre dimensiunea datelor emise de
sursa [biti] si dimensiunea datelor comprimate [biti])

COMPRESIE FR PIERDERI
sistem de compresie fr pierderi
Sistemele de compresie fr pierderi conserv entropia sursei
Informaia de la o surs fr redundan nu poate fi comprimat
fr pierderi
Secvena X = (x
1
,x
2
, ... ,x
n
) reprezinta datele emise de surs,
simbolurile x
i
ce formeaz secvena aparin unui alfabet finit A.
Secvena binara B(X) = (b
1
, b
2
, ... , b
k
) se numete cuvntul de
cod, k reprezint lungimea secvenei B(X).
Raportul de compresie pentru un sistem de codare fr pierderi
este "r la 1", unde r este dat de
k
A n
r
| | log
2

(1.1)
unde |A| reprezint mrimea alfabetului.

Rata de compresie (bii de cod per dimensiune eantion date).

n
k
R (1.2)
Un sistem de compresie cu raport de compresie r mare este echivalent
cu un sistem de compresie cu rat de compresie R mic.
B( B )

EXEMPLUL 1.1
Considerm o surs de date care furnizeaz datele sub
forma unor imagini 4 4, reprezentate pe 4 culori R = rou, O =
orange, G = galben, V = verde: n figura 1.3 este reprezentat
o astfel de imagine
R R O G
R O O G
O O G V
G G G V
Fig. 1.3 Imagine 4x4 codat
Dac se scaneaz aceast imagine orizontal, asignnd
intensitile R 3 , O 2 , G 1 , V 0 , atunci imaginea poate
fi reprezentat sub forma urmtoarei secvene de date X = (3, 3, 2, 1,
3, 2, 2, 1, 2, 2, 1, 0, 1, 1, 1, 0).
Se comprim X utiliznd un codor definit de tabelul de codare
1.1.
tabel codare
3 001
2 01
1 1
0 000
Tab. 1.1. Tabel de codare a imaginii 4x4
Rezult urmtoarea secven comprimat:
B(X) =(0,0,1,0,0,1,0,1,1,0,0,1,0,1,0,1,1,0,1,0,1,1,0,0,0,1,1,1,0,0,0);
Raportul de compresie este (r la 1):
r =
Rata de compresie este
R =
bii de cod per dimensiune eantion date.
B( B )

COMPRESIE CU PIERDERI
sistem de compresie cu pierderi
nu se conserv entropia sursei, decodorul nu este n msur s
reconstruiasc perfect datele emise de surs.
Secvena X = (x
1
,x
2
, ... ,x
n
) reprezinta datele emise de surs.
Secventa

) x , ... , x , x ( X
n 2 1
reprezinta datele reconstruite.
Rata de compresie dat de
n
k
R .
Distorsiunea D definita in relatia
( )

n
1 i
i i
x x d
n
1
D ,
(1.3)
unde d reprezint o funcie distan.
Fie un sistem de compresie a datelor cu pierderi caracterizat de R
1
, D
1
, i un alt
sistem de compresie cu pierderi caracterizat de R
2
, D
2
; spunem c primul sistem
este mai bun dect al doilea sistem dac R
1
< R
2
i D
1
< D
2
.
Scopul proiectrii va fi atingerea celei mai mici valori pentru R cu D fixat, sau
cea mai mic valoare pentru D cu R fixat.
Pe langa metricile uzuale, in cazul compresiei de imagine se mai utilizeaza:
codor decodor
B( B )
cuantizor X
X

MSE (eroarea ptratic medie) :
( ) ( ) ( )

M
i
N
j
j i X j i X
N M
MSE
1 1
2
, ,

1
,
unde X(i,j) este imaginea original, de dimensiune MxN, iar ( ) j i X ,

reprezint
imaginea reconstruit.
PSNR (raportul semnal de vrf zgomot):

,
`

.
|

MSE
PSNR
D
1 2
log 20
10
,
unde D este numrul de bii pe care e reprezentat fiecare pixel al imaginii (pentru
imagini n tonuri de gri D = 8).
PSNR se msoar n decibeli i este cu att mai mare cu ct distorsiunea este mai mic.
Pentru descrierea performanelor algoritmilor de compresie de imagine se utilizeaz
curbe rat-distorsiune, ce reprezint calitatea reconstruciei la fiecare buget de bii
utilizat.

EXEMPLUL 1.2
Se efectueaz o compresie, cu pierderi, a imaginii 4 4 din
exemplul 1.2. Se cuantizeaz X = (3, 3, 2, 1, 3, 2, 2, 1, 2, 2, 1, 0,
1, 1, 1, 0) i se obine X

= (3, 3, 2, 1, 3, 2, 2, 1, 2, 2, 1, 1, 1, 1, 1,
1). Cuantizorul parcurge secvena eantion cu eantion, lsnd
nemodificate eantioanele cu valori 3, 2, 1 i convertind 0 n 1;
alfabetul este redus astfel de la {0, 1, 2, 3} la {1, 2, 3}. Pentru
codare se folosete codorul definit de tabelul de codare 1.2
tabel codare
3 001
2 01
1 1
Tab. 1.2 Tabel de codare cu pierderi
Rezult urmtoarea secven compresat:
B( X

) = (0, 0, 1, 0, 0, 1, 0, 1, 1, 0, 0, 1, 0, 1, 0, 1, 1, 0, 1, 0, 1, 1, 1,
1, 1, 1, 1).
Rata de compresie este
R =
bii de cod per dimensiune eantion date

Distorsiunea este:
D=

Imaginea reconstruit este reprezentat n figura 1.5.
R R O G
R O O G
O O G G
G G G G
FUNCTIA RATA-DISTORSIUNE
Considerand distorsiunea D definita de relatia:

( ) ( ) ( )

1
0
,
M
j
j X j
dx x y P x f y x d D
1. Pentru R fixat gaseste
( ) x y P
j care minimizeaza
( ) { y x d E ,
cu
constrangerea ( ) R Y X I ;
2. Pentru D fixat gaseste
( ) x y P
j care minimizeaza
( ) Y X I ;
cu
constrangerea ( ) { D Y X d E ,
Revine la:
( )
( ) {
( ) Y X I D R
D Y X d E x y P
j
; min
, : ) (

( ) ( ) ( ) { y x d E x y P D
j
,
Funcia rata-distorsiune R(D) este definit n funcie de minimizarea
transinformaiei, asigurnd creterea eficienei ntregului sistem de transmisie.
Exemplu: Functia rata-distorsiune pentru o sursa gaussiana
Se evalueaz R(D) pentru o surs de numere pseudo-aleatoare fr
memorie care genereaz eantioane distribuite dup o densitate gaussian de
medie 0 i dispersie
2
.
Fie f(x) funcia densitate de probabilitate gaussian
]
]
]

,
`

.
|

2
2
2
exp
2
1
) (

x
x f

a) consideram cazul
2
< D

( ) ( ) ( )
) ( ) (
) ( ) (
;
Y X H X H
Y Y X H X H
Y X H X H Y X I



se doreste maximizarea lui H(X-Y). Facand notatia: H(Z)=H(X-Y), H(Z)
este maxima daca Z este gaussian, si presupunand ca Z are dispersia D atunci
{
2
) ( Y X E D
) 2 ( log
2
1
) (
2
eD Z H
Cum X este gaussian:
) 2 ( log
2
1
) (
2
2
e X H
( ) ) 2 ( log
2
1
) 2 ( log
2
1
;
2
2
2
eD e Y X I
b) consideram cazul
2
D
{ D X E
2 2
) 0 (
Y=0; ( ) ( ) 0 0 ; ; X I Y X I
Combinand a) si b) rezulta:
funcia rat-distorsiune este data de:

'

0
log
2
1
) (
2
2
D
D R

Se noteaz cu D(R) inversa funciei R(D) si se numeste functia distorsiune-rata:
R
R D
2 2
2 ) (


Pentru o rat de compresie R fixat, sursa fr memorie gaussian este sursa
fr memorie care conduce la cea mai proast distorsiune. Fie D*(R) funcia
distorsiune-rat n decibeli pentru o surs non-gaussian fr memorie, i fie
D(R) este funcia rat-distorsiune exprimat n dB pentru o surs gaussian fr
memorie, atunci

) ( ) (
*
R D R D
Fig. 3 Functia rata-distorsiune pentru o sursa gaussiana

CLASIFICAREA METODELOR DE COMPRESIE

Criterii de clasificare a metodelor de compresie
- dupa modul in care se realizeaza reconstructia datelor emise de
surs (compresie fara pierderi (lossless)/cu pierderi (lossy))
dup natura semnalelor asociate informaiei ce trebuie comprimat
Tehnicile de compresie urmresc n principal:
reducerea redundanei sursei primare
scderea energiei necesare transmiterii semnalului prin reducerea
dimensiunilor spaiului n care poate fi reprezentat semnalul, in
spaiul primar sau spaii rezultate prin transformri ortogonale ale
spaiului primar;
reducerea corelaiei ntre simboluri.
Eficiena cu care sursa genereaz informaia depinde de:
probabilitatea cu care sunt emise simbolurile generate de surs;
corelaia existent ntre simbolurile generate de sursele cu memorie
redundana natural a sursei de informaie
COMPRESIA ENTROPIC
1 INTRODUCERE
Criterii de clasificare a metodelor de compresie entropic
Dup constructia arborilor de codare-decodare:
a) metode statice
b) metode dinamice
Dupa modul in care reduce redundana natural a mesajului iniial:
a) metode bazate pe frecvena de apariie a unei forme
b) metode bazate pe apariia grupat a aceleiai forme

1.1 Definitii
Prin procesul de codare a datelor se trece de la reprezentarea oferit de
alfabetul sursei X (constituit din simbolurile x
1
, ..., x
M
) la o reprezentare printr-
un alt alfabet Y.
Uzual, alfabetul Y este format din dou simboluri 0 sau 1. n acest fel fiecrui
simbol i se asociaz o secven finit de bii numit cuvnt de cod.
Codurile realizeaz o coresponden ntre mesajele sursei (secvene de
simboluri) i cuvintele de cod (secvene de bii).
Codurile pot fi clasificate n:
i) bloc-bloc (stabilesc o coresponden ntre mesaje ale sursei de lungime
fixat i cuvinte de cod de lungime fixat);
ii) bloc-variabile;
iii) variabile-bloc;
iv) variabile-variabile (stabilesc o coresponden ntre mesaje ale sursei de
lungime variabil i cuvinte de cod variabile);

EXEMPLUL 1.3
Se consider
X = { a, b, c, d, e, f, g, h, spaiu }
Y = { 0, 1}
Simboluri Cuvinte de cod
a 000
b 001
c 010
d 011
e 100
f 101
g 110
Spaiu 111
Tab. 2.1 Tabel de codare bloc-bloc
Codul din tabelul 2.1 este un cod bloc-bloc
EXEMPLUL 1.4
Se consider
X = { a, b, c, d, e, f, g, h, spaiu }
Y = { 0, 1}
Simboluri Cuvinte de cod
aa 0
bbb 1
cccc 10
ddddd 11
eeeeee 100
fffffff 101
gggggggg 110
spaiu 111
Tab. 2.2. Tabel de codare variabile-variabile
Se observ c pentru un mesaj :
aa_bbb_cccc_ddddd_eeeeee_fffffffgggggggg (40 simboluri in total)
se obine o lungime cod de 30 fa de o lungime de cod de 120 dac codarea s-
ar fi fcut conform tabelului 2.1 .
Un cod este distinct dac fiecare cuvnt de cod se poate discerne
n raport cu celelalte.
Un cod distinct este unic decodabil dac fiecare cuvnt de cod este
identificabil cnd se afl imersat ntr-o secven de cuvinte de cod.
Condiii suficiente care s asigure aceast proprietate sunt:
(a) utilizarea cuvintelor de cod de aceeai lungime (bloc)
(b) utilizarea unui semn distinct ntre cuvinte (separator)
Exist ns i coduri care nu necesit utilizarea unui mijloc suplimentar pentru
a asigura proprietatea de unic decodabil. Aceste coduri se numesc separabile.
Exemplul 1.5
n tabelul de mai jos sunt prezentate patru coduri separabile
mesaj A B C D
s
0
00 0 0 0
s
1
01 10 01 10
s
2
10 110 011 110
s
3
11 1110 0111 111
Un cod unic decodabil (UD) este un cod prefix dac are proprietatea
de prefix: nici un cuvnt de cod s nu fie prefixul altui cuvnt de cod.
Codurile prefix sunt decodabile instantaneu, in acest caz decodarea
este posibil imediat ce s-a primit ultimul bit al cuvntului de cod fr a
mai fi necesar recepionarea altor bii.

Exemplul 1. 6
Exemplu de cod prefix:
Exemplul 1.7
Exemplu de cod care este unic decodabil dar care nu are proprietatea de
prefix:
1.2 Alcatuirea unui Cod
Un criteriu convenabil de apreciere a unui cod este lungimea medie a unui
cuvnt de cod. O codare eficient (compresie) urmrete minimizarea lungimii medii
) (C l
a
a cuvintelor de cod.

C w s
a
w l s p C l
) , (
) ( ) ( ) (
(2.4)
Lungimea cuvntului de cod w, notat
) (w l
este numrul de litere (numr de bii)
care l formeaz, iar p(s) este probabilitatea de aparitie a simbolului.
Se spune despre un cod prefix C ca este un cod prefix optimal daca ) (C l
a
este
minima (pentru distributia de probabilitati data).
Exemplul 1.8
Fie S={s
1
, s
2
, s
3
, s
4
} cu p(s
1
)=1/2, p(s
2
)=1/4, p(s
3
)=p(s
4
)=1/8. Entropia sursei
are in acest caz valoarea: H(S)=1,75 biti
In tabelul de mai jos se prezinta trei posibilitati de codare si lungimile medii
corespunzatoare fiecarui cod:
Simbol Ex 1:Cod fara proprietatea UD Ex.2:Cod prefix Ex 3: Cod UD
s
1
0 0 0
s
2
1 10 01
s
3
00 110 011
s
4
11 111 0111
n 1,25 1,75 1,875
Observatii:
- Pentru codul fara proprietatea UD se obtine cel mai bun ) (C l
a
insa
codul este inutilizabil nefiind unic decodabil
- In cazul celor doua coduri UD (corespunzatoare Ex.2 si Ex. 3 din
tabel) cel mai bun rezultat (codul cu lungimea medie minima) se
obtine in cazul codului prefix.
Codurile prefix se pot reprezenta grafic asociind pentru fiecare cuvnt
de cod un nod frunz dintr-un arbore binar.
Pentru codul prefix {(s
1
, 0), (s
2
, 10), (s
3
, 110), (s
4
, 111)} se poate construi
urmatorul arbore binar de codare:
Exemplul 1.9
O condiie necesar i suficient ca un cod s fie cod prefix este dat
de teorema urmtoare:
TEOREMA 1 Inegalitatea lui Kraft- -McMillan
Pentru orice cod unic decodabil C,
rdcin
0
1
s1
0
1
0
1
s
2
s3
s4 ordin 1
ordin 2
( )
1 2
,
) (

M
C w s
w l
unde l(w)

este lungimea cuvantului de cod w.
Pentru orice set de lungimi de cuvinte de cod l cu
1 2

L l
l
exista un cod prefix C de aceeasi dimensiune astfel incat l(w
i
)=l
i
cu i=1... L
Dac
) (
2
i
w l
i
p

, i=1, 2, ..., M se obine
) (C l
a
=
Observaie:
n general ) (C l
a
H(S) i se urmrete ca ) (C l
a
s fie ct mai
aproape de H(S).
LEMA 1
Pentru orice sursa de informatie S de entropie H(S) si cod unic decodabil C
asociat este adevarata relatia:
) (C l
a
H(S)n
Demonstratie:
0 2 log )
) (
2
)(log ( ) 2 log
) (
1
)(log (
)) (
) (
1
)(log ( ) ( ) (
) (
1
log ) ( ) ( ) (
) (
) (
) (

S s
s l
S s
s l
s l
S s
S s S s S s
a
s p
s p
s p
s p
s l
s p
s p s l s p
s p
s p C l S H
demonstratia se bazeaza pe inegalitatea lui Jensen: fie f(x) concava atunci
) ) ( ( ) (


i
i i
i
i i
x p f x f p
cu p
i
probabilitati. Ultima linie se bazeaza pe
teorema Kraft- -McMillan
LEMA 2
Pentru orice sursa de informatie S de entropie H(S) si cod prefix optimal C
asociat este adevarata relatia: n
1 ) ( ) ( + S H C l
a
TEOREMA 2.
Daca C este un cod prefix optimal pentru probabilitatile {
n
p p ,.....,
1
atunci
j i
p p >
implica
) ( ) (
j i
c l c l
.
1.1 ELEMENTE DE TEORIA INFORMATIEI
Notiuni de teoria probabilitatilor
Probabilitatea evenimentui A verifica urmatoarele axiome.
(i)
P A ( ) 0
(ii)
P S ( ) 1
unde S - evenimentul sigur
(iii) Pentru evenimentele mutual exclusive
) ( ) ( ) ( B P A P B A P B A +
Corolare
(i)
P( ) 0
unde - evenimentul imposibil
(ii) P A P A ( ) ( ) 1 1 unde
A
- multimea complementara
multimii A fata de S
(iii)
P A B P A P B P A B P A P B ( ) ( ) ( ) ( ) ( ) ( ) + +
Probabilitatea conditionata
Probabilitatea conditionata a evenimentui A fata de B este
( )
P A B
P A B
P B
P B

>
( )
( )
( ) daca 0
sau:
( )
P A B P A B P B P B ( ) ( ) ( ) > 0
sau
( )
P A B P B A P A P A ( ) ( ) ( ) > 0
se poate scrie:
( )
( )
P A B
P B A P A
P B

( )
( )
Regula de inlantuire poate fi generalizata
( ) ( ) ( )
P A A A P A A A P A A A P A A P A
n n n n n
( ) ( ) ( ) ( )


1 2 2 3 1
Evenimente independente
Evenimentele A si B sunt denumite evenimente independente daca si
numai daca
P A B P A P B ( ) ( ) ( )
Se observa ca pentru doua evenimente independente ( )
P A B P A ( )
si
( )
P B A P B ( )

Proprietatile evenimentelor independente
(i)
P A B P A P B P A P B ( ) ( ) ( ) ( ) ( ) +
(ii) P A B P A P B ( ) ( ) ( )
Informatie. Entropie informationala
Cantitatea de informatie se defineste ca fiind
I m
p
k
k
( ) log
1
Entropia informaionala (Continutul mediu de informatie)

n
i
i i n
p p p p p H
1
2 , 1
log ) ,..., (
Proprietatile entropiei
a) Folosind conventia
p p log
2
0
pentru
p 0
, entropia este
pozitiva, simetrica si continua.
b) Oricare ar fi probabilitatile
p p p
n 1 2
, , ,
H p p p H
n n n
n
( , , , ) , , ,
1 2
1 1 1

|
.

`
,

Proprietatea arata ca entropia este maxima pentru evenimente

echiprobabile. Valoarea maxima a entropiei este
n H
2 max
log
.
c) Fie campul de evenimente
X
x x x x
p p p p
n n
n n

|
.

`
,

1 2 1
1 2 1

Se considera ca evenimentul
x
n
se descompune in
m
evenimente
disjuncte
x y y y
n m

1 2

cu probabilitatile
q q q
m 1 2
, , ,

satisfacand o relatie de tipul
q p
j
j
m
n

1
.
Se formeaza astfel un camp de evenimente
( ) X Y
x x y y
p p q q
n m
n m
,
|
.

`
,

1 1 1
1 1 1


Entropia acestui camp este
H p p q q H p p
n m n
( , , , ) ( , )
1 1 1 1

Prin impartirea unui eveniment in mai multe evenimente, entropia nu
poate sa scada.
Entropia legilor compuse
Fie doua campuri de evenimente caracterizate prin repartitiile:
A
a a
p p
n
n

|
.

`
,

1
1

si B
b b
q q
m
m

|
.

`
,

1
1

,
p k n p
k k
k
n
>

0 1 2 1
1
, , , ,
si
q l m q
l l
l
m
>

0 1 2 1
1
, , , ,
Cazul 1: evenimentele din cele doua campuri sunt statistic
independente; experimentul cumulat
( , ) A B
ale carui evenimente sunt
constituite din aparitia simultana a unui eveniment
a
k
din A si
b
l
din B, are
probabilitatile:

kl k l
p q
cu

kl
l
m
k
n
k
k
n
l
l
m
p q



1 1 1 1
1 1 1
Entropia experimentului cumulat este
) ( ) ( ) , ( B H A H B A H +
Deci entropia experimentului compus, daca evenimentele din cele doua
experimente sunt statistic independente, este egala cu suma entropiilor.
Cazul 2: probabilitatea de aparitie a evenimentelor
m
b b , ,
1

este
conditionata de aparitia evenimentelor
a a
n 1
, ,
.
Se considera ca aparitia evenimentului
a
k
din A determina pentru
evenimentele din B o repartitie de forma
b b b
q q q
m
k k km
1 2
1 2

|
.

`
,
cu
q
kl
l
m

1
1
Experimentul compus care reflect realizarea evenimentului b
1
condiionat de
apariia evenimentului a
k
este n acest caz caracterizat de probabilitatea:

kl k l k l k k kl
p a b p a p b a p q ( , ) ( ) ( )
Campul obtinut este un camp complet de evenimente, deoarece
p q p q
k kl
l
m
k
k
n
kl
l
m
k
n



1 1 1 1
1
p(x/y) y)log p(x,
H(A/y) ) ( } / {
Y y X x
Y y
y p B A H

Entropia experimentului cumulat este
H A B H A H B A ( , ) ( ) ( ) +
H A B H B H AB ( , ) ( ) ( ) +
0 2 + H B A H B H A B H A H B H A B ( ) ( ) ( , ) ( ) ( ) ( , )
Se constata ca entropia campului conjugat in cazul in care evenimentele
din cele doua campuri nu sunt statistic independente este mai mica decat suma
entropiilor. Relatia se poate generaliza pentru n campuri
A A
n 1
, ,
H A A H A H A
n n
( , , ) ( ) ( )
1 1
+ +
egalitatea fiind adevarata doar pentru campuri de evenimente statistic
independente.
Se defineste cantitatea de informatie mutuala continuta in A relativ la
B, ca fiind expresia
I A B H A H AB H B H B A ( , ) ( ) ( ) ( ) ( )
Relatia arata ca incertitudinea asupra lui A nu poate decat sa se reduca
prin cunoasterea realizarilor lui B.
I A B H A H B H A B ( , ) ( ) ( ) ( , ) +
Entropia unei legi continue
Fie o variabil aleatoare X avnd o lege de densitate de probabilitate ( ) x p :
( ) ( ) dx x p dx x X x p +
Mrimea:
( ) ( ) ( )

+

dx x p x p X H log
va fi definit entropie de lege continu de distribuie a probabilitii.
Astfel, pentru o lege de distribuie gaussian, presupus centrat:
( )
2
2
2
2
1

x
e x p

se calculeaza
( ) dx e
x
e X H
x
]
]
]

log
2
2 log
2
1
2
2
2
2
2

i rezult:
( ) ( ) e X H 2 log
Observatii :
Entropia continu poate fi negativa.
Entropia continu, in cazul unei variabile continue, centrate, de ordinul 2 (de
variant finit
2

) este mrginit. Se demonstreaz c

( ) ( ) e X H 2 log
, cu
alte cuvinte entropia este maxim dac variabila aleatoare e gaussian.
Fie dou variabile aleatoare X i Y continue, avnd urmtoarele densiti de
probabilitate:
( ) ( ) ( ) ( )

+

+

dx y x p y p dy y x p x p
Y X
, ; ,
( )
( )
( )
( )
( )
( ) x p
y x p
x y p
y p
y x p
y x p
X
X Y
Y
Y X
,
/ ;
,
/
/ /

Pe baza acestor probabiliti se definesc:
Entropia conjunct:
) , ( Y X H
( ) ( ) ( )


2
, log , ,
R
dxdy y x p y x p Y X H
Entropiile
) ( X H
i
) (Y H
:
( ) ( ) ( )
( ) ( ) ( )

+

+



dy y p y p Y H
dx x p x p X H
Y Y
X X
log
log
Entropiile condiionate:
( ) ( ) ( )
( ) ( ) ( )




2
2
/ log , /
/ log , /
/
/
R
X Y
R
Y X
dxdy x y p y x p X Y H
dxdy y x p y x p Y X H
Informaia mutual:
( ) ( )
( )
( ) ( )

dxdy
y p x p
y x p
y x p Y X I
Y X
,
log , ,
n cazul variabilelor independente, ca i n cazul discret:
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) 0 , , /
, / , ,

+
Y X I Y H X Y H
X H Y X H Y H X H Y X H
De asemenea:
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) Y X H Y H X H
Y X H X H X Y H Y H Y X I
,
/ / ,
+