Verlustfreie vs. verlustbehaftete Komprimierung: Der wesentliche Unterschied erklärt

Das Wesen der Komprimierung: Dieselbe Information mit weniger Daten ausdrücken

Bevor wir in die Unterscheidung zwischen verlustfreier und verlustbehafteter Komprimierung eintauchen, müssen wir verstehen, was Komprimierung tatsächlich bewirkt.

Im Kern geht es bei der Komprimierung darum, dieselbe Information mit weniger Daten auszudrücken. Jede Art von Daten — sei es Text, Bilder, Audio oder Video — enthält „Redundanz". Redundanz bezeichnet die Teile, die entfernt werden können, ohne die Bedeutung der Information zu verlieren. Die Aufgabe eines Komprimierungsalgorithmus besteht darin, diese Redundanz zu erkennen und zu beseitigen.

Betrachten wir ein einfaches Beispiel. Die Zeichenkette AAAAABBBCC belegt 10 Byte. Wir können jedoch dieselbe Information kompakter darstellen, indem wir „jedes Zeichen und wie oft es aufeinanderfolgend wiederholt wird" notieren, was 5A3B2C ergibt — nur 6 Byte. Die Datengröße sinkt um 40 %, doch die Bedeutung ist identisch. Dies ist die ursprünglichste Form der Komprimierung, bekannt als Run-Length Encoding (RLE).

Aus der Perspektive der Informationstheorie führte Claude Shannon das Konzept der „Informationsentropie" ein: Die minimale durchschnittliche Codelänge eines Datenstroms ist durch seine Entropie begrenzt. Kein verlustfreier Algorithmus kann diese theoretische Grenze durchbrechen. Das bedeutet, dass das erneute Komprimieren bereits komprimierter Daten kaum einen Nutzen bringt — die Redundanz wurde bereits beseitigt.

Das Verständnis dieses Wesens offenbart zwei grundlegend verschiedene technische Wege: Die verlustfreie Komprimierung strebt nach perfekter Treue, während die verlustbehaftete Komprimierung bewusst Details verwirft, die das menschliche Auge oder Ohr nicht leicht wahrnehmen kann, und sie gegen ein viel höheres Komprimierungsverhältnis eintauscht.

---

Verlustfreie Komprimierung: Jedes Bit wiederherstellen

Das zentrale Versprechen der verlustfreien Komprimierung besteht darin, dass die dekomprimierten Daten bytegenau identisch mit dem Original sind — nicht ein einziges Bit darf abweichen. Diese Algorithmen beseitigen nur „statistische Redundanz" und „strukturelle Redundanz", ohne jemals den semantischen Inhalt der Information anzutasten.

DEFLATE: Der am weitesten verbreitete verlustfreie Algorithmus

DEFLATE ist der Algorithmus, der ZIP, gzip, zlib und vielen anderen Tools zugrunde liegt. Er kombiniert elegant zwei klassische Techniken:

1. LZ77: Verwendet ein gleitendes Fenster, um in bereits verarbeiteten Daten nach wiederholten Teilzeichenketten zu suchen und diese durch „Distanz + Länge"-Zeiger zu ersetzen. Beispielsweise kann das Wort „Komprimierung", das in einer Textdatei wiederholt vorkommt, durch eine Rückreferenz auf sein erstes Auftreten ersetzt werden.
2. Huffman-Codierung: Wendet eine Codierung variabler Länge auf den von LZ77 erzeugten Symbolstrom an. Häufige Symbole erhalten kurze Codes; seltene Symbole erhalten lange Codes. Dadurch nähert sich die Codierung der Entropiegrenze an.

Die Stärken von DEFLATE sind seine Einfachheit, Geschwindigkeit und universelle Kompatibilität — nahezu jede Standardbibliothek von Programmiersprachen enthält eine Implementierung.

LZMA: Höhere Verhältnisse durch Kontextmodellierung

LZMA (Lempel-Ziv-Markov chain Algorithm) baut auf LZ77 mit einem wesentlich größeren gleitenden Fenster (bis zu mehreren GB), einem feineren Wahrscheinlichkeitsmodell und Range-Codierung auf. Im Vergleich zu DEFLATE erreicht LZMA in der Regel höhere Komprimierungsverhältnisse, auf Kosten einer langsameren Komprimierungsgeschwindigkeit und eines höheren Speicherbedarfs. Das 7z-Format basiert auf LZMA.

Die entscheidende Verbesserung bei LZMA besteht darin, dass es sich nicht auf eine statische Wahrscheinlichkeitstabelle verlässt. Stattdessen sagt es die Wahrscheinlichkeit des nächsten Symbols dynamisch auf Basis des Kontexts voraus. Diese „Kontextmodellierung" bringt die Codierung viel näher an die theoretische Entropiegrenze.

PNG-Filterung: Vorverarbeitung von Bilddaten

PNG ist ein verlustfreies Bildformat, wendet aber DEFLATE nicht direkt auf rohe Pixelwerte an. Vor der Komprimierung wendet PNG einen „Filter" auf jede Pixelzeile an, um die Daten für DEFLATE günstiger zu machen.

Ein gängiger Filter speichert die Differenz zwischen jedem Pixel und seinem linken, oberen oder oberen linken Nachbarn. Da natürliche Bilder lokal ähnliche Pixel aufweisen, tendieren diese Differenzen dazu, sich um null zu gruppieren. Diese transformierten Daten weisen eine höhere Redundanz auf, wodurch DEFLATE sie deutlich effektiver komprimieren kann.

Dies erklärt auch, warum ZIP JPEG-Bilder nicht effektiv komprimieren kann: JPEG ist bereits durch DCT und Entropiecodierung hoch komprimiert, sodass kaum statistische Redundanz bleibt, die DEFLATE ausnutzen könnte. Das Ausführen von ZIP auf einem JPEG fügt typischerweise einige Byte an Header-Overhead hinzu, ohne eine Größenreduktion zu bewirken.

---

Verlustbehaftete Komprimierung: Der Handel unterhalb der Wahrnehmungsschwelle

Die zentrale Idee der verlustbehafteten Komprimierung besteht darin, dass die menschliche Wahrnehmung Grenzen hat. Wenn die verworfenen Details unterhalb der Wahrnehmungsschwelle liegen, ist der visuelle oder auditive Unterschied vernachlässigbar — die Datenreduktion kann jedoch enorm sein.

DCT: Das mathematische Fundament von JPEG

Die diskrete Cosinustransformation (DCT) ist das Herzstück der JPEG-Bildkomprimierung. Ihre Aufgabe besteht darin, ein Bild aus dem „Ortsbereich" in den „Frequenzbereich" umzuwandeln.

Im Ortsbereich wird ein Bild durch Pixel-Helligkeitswerte dargestellt. Im Frequenzbereich wird das Bild in eine Summe von Cosinuswellen-Komponenten unterschiedlicher Frequenzen zerlegt: Niederfrequente Komponenten stellen große gleichmäßige Flächen dar, während hochfrequente Komponenten Kanten und feine Details repräsentieren.

Die DCT selbst ist reversibel und verliert keine Information. Der tatsächliche „Verlust" entsteht im nächsten Schritt — der Quantisierung.

Quantisierung: Die Quelle des Verlusts

Die Quantisierung bildet hochpräzise DCT-Koeffizienten auf eine begrenzte Menge diskreter Werte ab. In der Praxis wird jeder Koeffizient durch einen Wert aus einer Quantisierungstabelle geteilt und dann auf eine ganze Zahl gerundet. Da das menschliche Auge für hochfrequente Details weniger empfindlich ist, wendet die Quantisierungstabelle größere Divisoren auf hochfrequente Koeffizienten an, wodurch viele davon null werden.

Dieser Schritt verursacht einen irreversiblen Informationsverlust — sobald ein Koeffizient auf null gerundet wurde, kann er nicht wiederhergestellt werden. Aber er schafft auch eine enorme Komprimierungsmöglichkeit: lange Nullfolgen können sehr effizient mit Run-Length Encoding codiert werden.

Die Gestaltung der Quantisierungstabelle ist eine Kunst: Größere Divisoren ergeben eine höhere Komprimierung, aber einen sichtbareren Qualitätsverlust. Genau das steuert der JPEG-Qualitätsparameter (z. B. quality=80) — er skaliert die Quantisierungstabelle nach oben oder unten.

Zwischenbildvorhersage: Der Schlüssel zur Videokomprimierung

Die Videokomprimierung geht einen Schritt über Standbilder hinaus. Aufeinanderfolgende Bilder in einem Video ändern sich oft nur wenig (beispielsweise ein statischer Hintergrund mit einer sich bewegenden Person), sodass es nicht nötig ist, jedes Bild vollständig zu speichern.

Die Zwischenbildvorhersage nutzt „Bewegungsschätzung", um die Verschiebung zwischen dem aktuellen Bild und einem Referenzbild zu finden und speichert nur „Bewegungsvektoren" und „Residuen". Diese Beseitigung zeitlicher Redundanz ermöglicht es Videokomprimierungsverhältnissen, Hunderte oder sogar Tausende zu eins zu erreichen — weit über das hinaus, was die Einzelbild-Komprimierung erreichen kann.

---

Verlustfrei vs. verlustbehaftet: Vergleichsdiagramm

Das folgende Flussdiagramm veranschaulicht die Kernzweige und typischen Anwendungen der beiden Komprimierungsfamilien:

---

Diagramm zum DCT-Prinzip

Das folgende Diagramm vereinfacht, wie die DCT einen 8x8-Pixelblock aus dem Ortsbereich in den Frequenzbereich umwandelt und dann durch Quantisierung die niedrigen Frequenzen bewahrt, während die hohen Frequenzen verworfen werden:

---

Codebeispiele

Verlustfreie Komprimierung mit zlib

import zlib

# Ursprüngliche Textdaten mit starker Wiederholung
original = b"compression compression compression " * 50

# Komprimieren
compressed = zlib.compress(original, level=9)
print(f"Ursprüngliche Größe: {len(original)} Byte")
print(f"Komprimierte Größe: {len(compressed)} Byte")
print(f"Verhältnis: {len(original) / len(compressed):.2f}x")

# Dekomprimieren und prüfen, ob die Daten identisch sind
decompressed = zlib.decompress(compressed)
assert decompressed == original, "Daten stimmen nicht überein!"
print("Prüfung bestanden: die dekomprimierten Daten sind mit dem Original identisch")

Beim Ausführen dieses Codes sehen Sie typischerweise ein Komprimierungsverhältnis von über 10x, und die dekomprimierten Daten sind bytegenau identisch mit dem Original. Das bedeutet „verlustfrei".

Verlustbehaftete Komprimierung mit PIL

from PIL import Image
import io

# Ein Testbild erstellen, das reich an hochfrequenten Details ist
img = Image.new("RGB", (512, 512))
pixels = img.load()
for x in range(512):
    for y in range(512):
        # Ein Muster mit hochfrequenten Details erzeugen
        pixels[x, y] = ((x * 7) % 256, (y * 5) % 256, ((x + y) * 3) % 256)

# Als verlustfreies PNG speichern
img.save("test_lossless.png")
png_size = len(open("test_lossless.png", "rb").read())
print(f"PNG-Größe (verlustfrei): {png_size} Byte")

# Als verlustbehaftetes JPEG mit Qualität 20 speichern, um den Effekt zu verstärken
buffer = io.BytesIO()
img.save(buffer, format="JPEG", quality=20)
jpeg_size = buffer.tell()
print(f"JPEG-Größe (verlustbehaftet): {jpeg_size} Byte")
print(f"Verhältnis: {png_size / jpeg_size:.2f}x")

# Das JPEG neu laden und die Pixelunterschiede vergleichen
buffer.seek(0)
img_jpeg = Image.open(buffer)
diff_count = sum(
    1 for x in range(512) for y in range(512)
    if img.getpixel((x, y)) != img_jpeg.getpixel((x, y))
)
print(f"Geänderte Pixel: {diff_count} / {512 * 512}")
print("Fazit: Die JPEG-Komprimierung verändert Pixelwerte irreversibel")

Dieser Code veranschaulicht das Markenzeichen der verlustbehafteten Komprimierung: eine kleinere Datei, aber mit irreversibel veränderten Pixelwerten.

---

Vergleichstabelle

Dimension	Verlustfreie Komprimierung	Verlustbehaftete Komprimierung
Kernprinzip	Beseitigt statistische und strukturelle Redundanz	Verwirft Information unterhalb der Wahrnehmungsschwelle
Treue	100 % reversibel, nach Dekomprimierung identisch	Irreversibel, unwiederbringlicher Verlust
Typische Algorithmen	DEFLATE, LZMA, Brotli, Zstandard	DCT+Quantisierung, Wavelet, MDCT
Schlüsseltechniken	LZ77, Huffman-Codierung, Range-Codierung	Transformationscodierung, Quantisierung, Vorhersage
Typische Anwendungen	ZIP, GZIP, 7Z, PNG, FLAC	JPEG, WebP, H.264, MP3, AAC
Am besten geeignet für	Text, Quellcode, Archive, medizinische Bildgebung	Fotos, Video, Musik, Streaming
Typisches Verhältnis	Üblicherweise 2x bis 5x	Üblicherweise 10x bis 100x oder höher
Nicht geeignet für	Bereits komprimierte Daten (z. B. JPEG-Dateien)	Daten, die exakte Reproduktion erfordern (z. B. Rechtstexte)

---

FAQ

F1: Warum kann ZIP ein JPEG-Bild nicht komprimieren?

Zum Zeitpunkt der Erstellung eines JPEG hat dieser bereits DCT, Quantisierung und Entropiecodierung durchlaufen. Die statistische Redundanz in den Daten wurde nahezu vollständig beseitigt. DEFLATE kann keine ausnutzbaren Wiederholungsmuster finden, sodass das Ausführen von ZIP auf einem JPEG die Größe nicht nur nicht reduziert, sondern sogar einige Byte an Header-Overhead hinzufügen kann.

F2: Ist PNG für dasselbe Bild immer größer als JPEG?

Nicht unbedingt. Bei Bildern mit großen einfarbigen Flächen oder einer begrenzten Palette (wie Logos, Icons oder Screenshots) ist die Filter-plus-DEFLATE-Kombination von PNG oft kleiner als JPEG und erhält perfekte Qualität. Bei farbreichen natürlichen Fotografien erreicht die DCT-plus-Quantisierung-Kombination von JPEG jedoch typischerweise Komprimierungsverhältnisse von über 10x, wodurch sie deutlich kleiner als PNG wird.

F3: Kann man dieselbe Datei wiederholt mit einem verlustfreien Algorithmus komprimieren?

Nein. Jeder Durchlauf verlustfreier Komprimierung bringt die Daten näher an ihre Entropiegrenze. Nach dem ersten Durchlauf ist die Redundanz weitgehend beseitigt, und ein zweiter Durchlauf hat fast nichts mehr auszunutzen — er kann aufgrund hinzugefügter Metadaten sogar leicht anwachsen. Deshalb ist das „Komprimieren einer bereits komprimierten Datei" vergeblich.

---

Zusammenfassung

Verlustfreie und verlustbehaftete Komprimierung sind keine gegnerischen Lager, sondern optimale Entscheidungen, die für unterschiedliche Informationseigenschaften getroffen werden:

• Die verlustfreie Komprimierung dient Daten, bei denen „kein einziges Bit falsch sein darf" — Text, Code, Archive. Sie nutzt Techniken wie LZ77 und Huffman-Codierung, um statistische Redundanz zu beseitigen und gleichzeitig eine perfekte Rekonstruktion zu garantieren.
• Die verlustbehaftete Komprimierung dient Details, „die Auge und Ohr nicht wahrnehmen können" — Fotos, Video, Musik. Sie nutzt DCT, Quantisierung und Zwischenbildvorhersage, um Kompromisse unterhalb der Wahrnehmungsschwelle einzugehen, und tauscht einen kontrollierten Informationsverlust gegen Verbesserungen des Komprimierungsverhältnisses um eine Größenordnung.

Den grundlegenden Unterschied zwischen diesen beiden Wegen zu verstehen, ist der Eckpfeiler zur Beherrschung der gesamten Komprimierungstechnologie. In den folgenden Artikeln werden wir uns in die spezifischen Algorithmusimplementierungen entlang jedes Wegs vertiefen und die Eleganz der Komprimierung Zeile für Zeile verstehen.

Weiterführende Lektüre:

• Vollständiger Leitfaden zur Dateikomprimierung: Prinzipien und Methoden der PDF/Bild/Video/Dokument-Komprimierung
• PDF-Komprimierungsprinzipien und -methoden: Wie Sie die PDF-Größe effektiv reduzieren
• Leitfaden zur Bildkomprimierung: Vergleich und Auswahl der Formate JPG/PNG/WebP