一般而言,图像或数据压缩是一种优化问题,其目的是在满足一定质量约束条件下,给出这些图像或数据最短的描述。分形图像压缩因为其非常高的压缩比成为了目前非常流行的技术之一。本论文的分形图像压缩算法基于分形自相似自仿射理论及核心理论——迭代函数系统(IFS)理论。其基本思想是对一幅原图像寻找一个有效的IFS,它由一组压缩仿射变换组成,而利用该IFS可以以任意大小重构出与原始图像十分相似的图像。 然而,IFS的求解属于NP-hard问题,在复杂的约束条件下,并要在庞大的搜索空间中寻求最优解,传统的搜索方法几乎是不可能的。本论文把擅长解决这类难题的遗传算法应用于分形图像压缩中,提出了一种较为有效的基于遗传算法的分形二值图像压缩方法。遗传算法,模拟自然界演化过程,通过保持一个潜在解的种群进行多个方向搜索。种群的进化繁殖遵从优胜劣汰,从而在可扩展的搜索空间中将搜索引向潜在的最优解。 本论文首先介绍了迭代函数系统和遗传算法的基本理论,然后具体阐述了基于遗传算法和迭代函数系统的二值图像压缩的基本思想和实现方法,包括染色体编码、染色体评估、选择策略选取、遗传算子设计、解码图像重构和算法实现。本文提出了可变长的染色体编码及可扩展的搜索空间等解决方案。同时,设计了多目标适应值函数,并设计了多种杂交算子与变异算子,使得算法的性能及效率有了极大的提高。实验结果表明,该算法有较强的搜索能力,能找到近似最优的IFS解,其解码图像近似于原图像,并有较高的图像质量。 研究表明,遗传算法具有内在的并行性,正是这一点决定了它具有大规模并行求解的可能性。本文根据现有的并行遗传算法的框架,实现了一种基于分布式环境的简单分布式遗传算法,随即,本文又阐述了一种基于分布式系统的并行遗传算法的设想。实现这一设想将是本人下一步的工作重点。 最后本文对全文做了总结,并讨论了有待进一步研究的内容。