分形图像压缩方法是近十几年发展起来的一种新型图像压缩算法,其思想主要来源于分形图像可以用迭代函数系(Iterated Function System,IFS)生成。现实生活中的图像都存在某种自相似性,只要能够找到表示编码图像的一组仿射变换,原始图像用仿射变换得到的不动点来表示,便实现了原始图像的压缩。分形图像压缩文件中存储的是仿射变换参数的量化值而不是图像本身的像素值,从而实现图像数据的高倍压缩。本文针对分形图像压缩算法压缩比较低、编码时间过长等问题,做了以下几方面的工作:首先,利用自然图像中像素灰度值的空间相关性和进化算法的全局搜索能力,在前人研究的基础上,实现了一种基于图像的空间相关性和模拟退火混合遗传算法的分形图像压缩。该算法将搜索空间限制在值域块的8邻域及其扩展块,降低了值域块的搜索空间;并且当相似度误差不能满足应用需求时,采用混合遗传算法在全局范围内寻找最优解,保证了重建图像的质量。实验结果表明,该压缩方法重建图像信噪比略有下降,但编码时间和压缩比均得到了改进。其次,以传统的基于方差的分形压缩算法为基础,研究了一种基于方差和混合神经网络的快速分形编码方法。该方法根据图像块的统计特性,对于方差小于给定阈值的值域块使用仿射变换编码,大于阈值的值域块使用混合神经网络进行编码。改进方法不仅解决了灰度变化较大的子块匹配误差大的问题,而且克服了BP算法收敛速度慢和易局部收敛的缺陷。实验结果证明了方法的有效性。最后,在无搜索分形图像压缩编码研究基础上,改进了邻域搜索算法,实现了一种基于渐进/分割搜索策略的分形图像压缩方法。方法首先在值域块的5邻域内搜索,并在最优解的方向进行扩展,当匹配结果没有改进时,则将值域块块进行四叉树分割,即分为大小、形状相同的四个子块,继续执行匹配搜索。实验结果证明了方法的有效性。