郑秋梅，赵 敏，王风华，赵景智

(中国石油大学计算机与通信工程学院，山东青岛 266580)

高压缩比和高保真性一直是图像压缩追求的目标。从20世纪五六十年代的预测编码、哈夫曼编码到七八十年代的变换编码和矢量量化编码，再到八十年代末的小波变换理论、分形理论［1］等都在追求这一目标。分形压缩算法以其高压缩比、任意尺度下的重构和快速解码等优越性成为当前研究热点;但基本分形算法需要庞大的匹配搜索运算，导致编码时间过长。目前主要通过缩小搜索匹配范围来提高编码速度，其中主要方法是对定义域块和值域块进行分类［2-3］，把全局匹配搜索改为类内搜索匹配(分类搜索)。当前的分类搜索多以图像灰度值、纹理等单一特征作为分类依据［4］，这样虽能在一定程度上缩小搜索范围，但编码时间仍不理想。笔者结合不规则区域分割压缩算法的思想，首次将脉冲耦合神经网络(pulse coupled neural network，PCNN)分割算法引入分形压缩，并且在分形压缩过程中，根据PCNN分割后所得二值图像的灰度值和原图像的灰度值两个特征联合分类，从而进一步缩小搜索匹配范围。

1 分形图像压缩的编码算法

20世纪80年代末，Barnsley［5］提出了基于迭代函数系统(iterated function system，IFS)的分形图像压缩理论。其基本思想是利用数据的自相似或自仿射特征，构造相应的IFS，然后记录其中相关参数，并最终用这些参数作为图像的编码进行存储和传输，从而只需少量数据就可恢复与原图像相近的图像，达到压缩图像数据的目的。……