随着互联网的发展以及相机和手机的普及,每天都有大量的图片上传到各大社交平台,图片数目呈几何增长的趋势。再加上设备的更新换代,图像的尺寸越来越大,对设备存储空间的要求也越来越大。传统的图像编码方法如JPEG、JPEG 2000等均是通过去除图像内部的冗余信息来对单张图像进行压缩,却没有考虑到图像之间的冗余信息。为了充分利用图像间的相似信息,进一步提高图像编码效率,本文提出了一种基于回归模型的相似图像编码算法。与现有的基于局部特征的图像集编码算法不同,本文的目的是对单张图像进行独立编码。对每一张待编码图像,会从庞大的数据库中搜索与其最为相似的若干张参考图像,然后模仿基于局部特征的图像集编码的“三步预测法”,对参考图像进行几何变换和光度变换,最后使用HEVC帧间预测的方法对该图像序列进行编码。本文做了如下几方面的工作:首先,设计了一种参考图像数据库的构建方案,并使用基于深度学习的图像搜索技术来确定待编码图像的参考图像;然后提出了基于岭回归的图像几何变换方法,使用Affine-SIFT特征代替传统的SIFT特征,对参考图像和待编码图像进行特征提取、匹配,再使用岭回归拟合最佳参数,得到图像的仿射变换矩阵。另一方面,使用卷积神经网络(CNN)对图像进行分层几何变换,先对参考图像进行仿射变换,在此基础上继续对图像进行TPS变换。最后,对传统的参考图像光度变换模型进行改进,不再将参考图像与待编码图像的光度看作是线性关系,使用支持向量回归(SVR),通过引入核函数,实现了非线性的光度变换,使得参考图像与待编码图像之间的光度差异更小。通过对6个图像数据集进行实验仿真,实验结果表明:本文基于回归模型的相似图像编码算法可以有效提高图像的编码效率。在6个图像数据集中,在相同的比特率下:基于岭回归几何变换的相似图像编码和HEVC帧内编码相比,PSNR约提升了0.1dB~2.1dB;基于CNN几何变换的相似图像编码和HEVC帧内编码相比,PSNR约提升了0.3dB~1.7dB;基于SVR光度变换的相似图像编码和使用传统线性光度变换的相似图像编码相比,PSNR约提升了0.1dB~0.3dB。