在近些年来,随着科技的发展,图像出现了井喷式的增长,而且图像质量也在不断增高,对存储空间和传输网络造成了巨大压力。传统图像编码例如JPEG、JPEG2000等方法主要是通过利用图像内像素间的冗余和人眼的分辨率有限来对图像进行压缩。但是在数量巨大的图像中存在着较多的相似图像。因此,为了利用图像间的相关性以达到更高的图像压缩比,出现了面向群体图像的压缩编码方法。但因为群体图像编码是对整个图像集整体进行编码,面对图像的添加和删除缺少了传统图像编码的灵活性,需要对图像集进行相应的管理,从而保证相应的用户体验,节省存储空间。本文首先介绍了本文研究的背景及意义,然后介绍了群体图像编码框架群体图像编码的关键技术包括生成图像集的编码结构、计算参考图像和目标图像间的变换模型、对变换模型进行筛选、变换图像的产生和HEVC(High Efficiency Video Coding)的关键技术。其中生成编码结构需要计算两两图像间的距离、对图像进行聚类分组和获取图像集的编码结构三个步骤。之后,引用了词包模型用于最优插入图像集选取,阐述了基于词包模型的最优插入图像集选取方法的实现过程,包括图像的SIFT特征提取,通过k-means聚类建立视觉词典,利用视觉词典生成每个图像集的视觉直方图,计算插入图像的视觉直方图,通过插入图像和图像间的视觉直方图进行相似性度量。最后,本文对现有的针对图像插入的编码结构调整方法进行了优缺点分析,并提出了新的针对图像插入的编码结构调整方法和图像集合并的编码结构调整方法。其中,新的针对图像集插入的编码结构调整方法,对原图像集树形图中的图像进行逐层分支查找,在满足深度限制条件下为插入图像选取与其相似度最高的参考图像;图像集合并的编码结构调整方法,利用非主图像集的根节点和主图像集中图像的关系对图像集进行合并。通过使用多个图像集对本文中的方法进行测试,实验结果表明:基于词包模型的最优插入图像集选取方法,可以为插入图像选择出同主观判断相同的相似度最高的图像集;利用本文提出的新的针对图像插入的编码结构调整方法,其生成的编码结构代价小于现有的基于根节点的编码结构调整方法,并且应用该编码结构对插入图像进行编码,其编码效率优于现有的基于根节点的编码结构调整方法;图像集合并编码结构调整方法可以在复杂度不高的情况下对图像集进行合并,合并后图像集不仅更方便于检索,而且编码效率优于未进行合并的图像集编码效率。