Die Bilddatenkompression ermöglicht die Komprimierung von Rohdaten eines digitalen Bildes auf einen kleineren Wert. JPEG-LS ist ein Standard zum Komprimieren von Bilddaten, welcher eine sehr hohe Kompressionrate bei möglichst geringer Komplexität des Algorithmus zum Ziel hat. Dabei werden die Residuals, die durch einen statischen Prädiktor als Prädiktionsfehler erzeugt werden, mittels Kontext-Modellierung für den nachfolgenden Entropie Kodierer (Golomb-Rice-Coder) optimiert. Der Golomb-Rice-Coder verwendet für die optimale Wahl der Kodewörter ebenfalls Kontextinformationen. Die Kontext-Modellierung im JPEG-LS erschwert die Parallelisierung des Algorithmus, da die Berechnung des Prädiktionsfehler eines Pixels in Abhängigkeit bereits aufgetretener Pixel geschieht. Diese Gegebenheit führte zu der Überlegung, die Kontext-Modellierung aus dem JPEG-LS Algorithmus zu entfernen. Das Entfernen hätte Auswirkungen auf die Kodiereffizienz des kontextabhängigen Golomb-Rice-Coders und die Güte des Prädiktionsfehlers, welche wichtige Kontextinformationen zur Kodierung bzw. Optimierung fehlen würden. Das Ersetzen des Golomb-Rice-Coders durch einen anderen Entropie-Kodierer soll Abhilfe schaffen. In dieser Arbeit wird der Datenkompressionsalgorithmus Prediction by Partial Matching (PPM) als Alternative für den Kontext-adaptiven Golomb-Rice-Coder im JPEG-LS Standard analysiert und auf Parallelisierbarkeit untersucht. Dazu wird der kontext-abhängige Golomb- Rice-Coder im JPEG-LS entfernt und durch den PPM ersetzt. Der PPM Algorithmus basiert auf Kontextmodellen und Prädiktion. Anschließend werden die Auswirkungen auf die Kompressionsrate analysiert. Zur besseren Analyse der Kompressionsraten und der Parallelisierbarkeit des PPM-Algorithmus wurde dieser in Matlab implementiert.