图像经过小波变换后,能量与基本特征主要集中在小波系数的低频子带,而对这一部分小波系数的压缩往往是小波图像压缩编码的难点,但这并不表示不能压缩.该论文实验分析结果表明,低频子带小波系数相邻行间具有一定的相关性,而一般的预测编码方法并不能很好地利用这一相关性;同时,RBF神经网络具有非线性函数逼近功能.基于以上两点,该论文提出一种新的图像预测编码方法-基于RBF小波网络的图像预测编码.该编码方法很好地利用了图像低频子带小波系数相邻行间的相关性和RBF神经网络的非线性函数逼近特性,达到了去冗余数据、压缩图像的目的.由于提升小波与双正交小波所具有的特性对图像小波变换编码来说是非常重要的,所以该论文构造了提升方式双正交小波基,并利用此小波基对待编码图像进行小波分解.构造RBF神经网络是基于RBF小波网络的图像预测编码方法的关键,该论文提出了两种方式构造该网络:一种方式是自建RBF神经网络并优化其初始网络结构;另一种方式是做程序接口,实现在VC环境中调用MATLAB神经网络工具箱函数,完成RBF神经网络的构造.通过利用两种方式构造的RBF神经网络对图像进行编码实验的性能比较,该论文决定采用接口方式构造RBF神经网络.该论文进行了大量图像编码实验,实验结果表明RBF神经网络具有很强的预测功能和泛化功能,该论文提出的基于RBF小波网络的图像预测编码取得了大大高于DPCM编码、EZW编码和Huffman编码的压缩比.因此,基于RBF小波网络的图像预测编码是一种非常有效的图像压缩编码方法.