随着医疗数字化进程的加快,医学影像资料数量成爆炸式增长,使其存储空间和获取速度面临很大的挑战。在信号处理领域,人们对于基于信号稀疏表达的研究越来越感兴趣。信号稀疏表达不是基于固定的有数字模型的变换,而是通过训练集产生过完备字典,通过稀疏编码来将信号分解成为一些字典原子的线性组合,从而获得信号更为简洁的表示方式。本文主要工作是在研究影像归档和通信系统(PACS)及医学数字成像与通讯标准(DICOM)的基础上,获取研究的图像数据进行压缩处理以及将算法实际应用到系统的探索。在信号的稀疏表示上,从字典学习和稀疏表达两个方面进行了研究:字典学习主要研究的是最有方向算法(MOD)、K-奇异值分解(K-SVD)、递推最小二乘字典学习算法(ILS-DLA)和递归最小二乘的字典学习算法(RLS-DLA);稀疏表达主要研究了基追踪(BP)、匹配追踪算法(MP)和正交匹配追踪(OMP)。在研究信号的稀疏表示后,利用主流的字典学习算法对获取的图像数据进行压缩和解压缩。在压缩和解压缩的过程中,分析使用不同原子尺度的字典对于生成字典的影响以及其字典对压缩效果的影响。在上述研究的基础上,提出一种改进的基于K-SVD的图像压缩算法,该算法主要使用较小尺度原子的字典进行图像的压缩和解压缩,并且在解压缩前保存图像的边缘信息,在解压缩后,使用边缘信息对解压缩后的图像进行修复,该算法比传统的压缩算法能够获得更高的峰值信噪比(PSNR)。最后,本文对提出的算法加入PACS系统进行了初步探索,使用Demo程序对算法进行了评估,结果表明:算法能够获得较高压缩比,并且在主观和客观上能达到较高的图像质量,但是算法的时间复杂度较高,需要后续改进降低算法的时间复杂度。