二十一世纪,一个随处都充满信息的时代,一个信息大爆炸的时代。在互联网成为人们生活不可或缺的今天,信息数据量每年都飞速膨胀着,存储介质的发展已经跟不上海量数据的迅猛增长,有限的网络带宽无法满足人们对数据传输效率的要求,数据的压缩自然而然的成为今天研究的重要课题之一。图像数据是信息数据中的重要组成成员,对图像信息存储和传输在生活中也越来越频繁,对图像数据的压缩编码技术也就逐渐成为了当下研究热点。图像压缩就是除去图像数据中的冗余,用更少的数据来表示同一图像,从而实现更高效的图像存储和传输。图像的冗余有:心理视觉冗余、像素间的冗余和编码的冗余。去除心理视觉冗余就是通过忽略视觉无法识别的次要信息,利用这种原理可以进行有损压缩。消除像素间的冗余则是通过图像变换去除像素间的冗余数据。编码冗余则通过适当的编码技术用尽可能少的数据表示更多的图像信息。图像无损压缩的思路是通过图像变换去除像素间的冗余,并采用适当的编码对变换后的图像进行编码。作为一种图像处理工具,小波变换能很好地去除像素间的冗余。传统的小波变换将图像分解成无理数像素值,不适合无损压缩,而整数提升小波变换则将图像分解成整数像素值,因此是无损压缩中取出像素间相关性的最好选择。为此,本文以(5,3)小波为例分析了二维整数提升小波的分解和回复算法。通过分解算法发现,它将图像分解成一个低频和三个高频子图,低频子图反映图像的概貌,而高频子图反映图像的细节,高频像素是通过其与相邻像素去相关性得到的。由于每个像素周围有八个相邻像素,而二维整数提升小波只是将其中三个相邻像素去相关性,所以去相关性并不充分。同时,通过对红黑小波的分解和回复算法分析,发现红黑小波也是通过相邻像素间的灰度值运算来去相关性的,同样存在着去相关性不充分。在此基础上,本文提出了一种新的分解算法。该算法将图像分为若干个33方块,中心像素作为低频像素,周围的像素通过与中心像素去相关性得到八个高频像素,这样图像就分解成一个低频子图和八个高频子图,从而达到充分去相关性的目的。通过对比分析(5,3)整数提升小波、红黑小波和新方法的分解回复算法,发现新方法的算法复杂度最小。同时,新方法分解后的图像高低频像素之比大于其它小波变换,其压缩比应该更高。合适的编码算法可以使编码后的数据更少。小波变换后图像的低频像素少,高频像素多,同时,低频像素的灰度值变化范围大,而绝大部分高频像素的灰度值小,为此,通过分析几种无损压缩编码算法,选择Huffman编码作为小波变换后的编码算法。为了评价本文算法的性能,本文选择Haar小波、(5,3)小波、红黑小波以及本文算法,分别对不同类型的图像进行分解变换,并采用Huffman编码进行编码。实验数据显示,新算法的应用对各种图像的压缩比高于其它几种小波,这和理论分析相符。由此可见,本文提出的新算法是一种较好的图像无损压缩算法。