图像压缩作为图像处理领域相关研究内容之一,如何对包含庞大数据量的图像进行有效压缩具有重要研究意义。本文主要针对字典学习在图像压缩领域中的一些不足进行深入研究,主要工作概括如下:1.考虑到聚能量字典学习算法在去噪能力和算法复杂度方面存在局限性,研究了一种基于去噪自编码深度极限学习机和近似K奇异值分解的图像压缩算法。由于聚能量字典学习算法中存在去噪能力不足的问题,该算法利用去噪自编码深度极限学习机获取数据的高级特征表示,并通过近似K奇异值分解得到去噪字典,从而提高算法的整体去噪能力。此外,基于去噪自编码深度极限学习机,结合近似K奇异值分解,能够进一步降低传统聚能量字典学习算法复杂度。仿真结果表明改进算法在去噪能力和复杂度方面优于聚能量字典学习算法。2.针对目前张量信号处理中向量化会影响数据结构问题,研究了一种基于字典降维的图像压缩算法。利用稀疏分解获取输入张量图像的各维度字典矩阵与稀疏系数张量,同时对张量图像进行Tucker分解得到核心系数张量和因子矩阵。在此基础上通过稀疏系数张量和核心系数张量的近似关系建立一种特殊的张量稀疏表示形式,并引入聚能量字典学习算法对稀疏表示中字典降维以实现张量压缩。仿真结果表明算法在对高光谱图像压缩时,在保留原始数据信息和去噪能力方面优于其他算法。