本文对分形图像压缩的理论基础和实现的关键技术进行了全面综述,介绍了具有代表性的各种新方法,阐明了各个方法的特点,最后简要总结了分形图像压缩的改进以及发展趋势。
配过程。它与时域的块匹配过程完全相同。但由于图像经过频域变换后，具有与时域不同的特点，因此在具体的实现方法上存在着一些差别。首先：图像在经过DCT变换后,能量集中到低频部分，特别是它的直流分量，占据了整幅图像能量的很大一部分，这就使得我们必须对它们单独处理，而不把它带入块匹配的过程中。在匹配过程中，均值分量也就不再需要。在DCT域分形编码中，我们是将这些直流分量直接作差分之后再进行量化、熵编码。这样做不仅减少了块匹配的误差，而且在解码时，在第一次迭代过程中，就可以得到直流分量，从而加快了解码的收敛速度。其次，图像块在经过DCT变换后，能量分布具有一定的规律，不同于在时域中的杂乱无章的分布，因此在块匹配过程中，旋转所带来的性能上的改进将变得非常小，与此同时，它却增加了所需的比特数，降低了压缩比。所以我们建议在DCT分形压缩的块匹配过程中，我们不采用旋转因子。
（3）经过块匹配之后，将阈块的位置信息和仿射变换的系数（这里只有收敛因子）进行熵编码，以进一步提高压缩比。编码算法可以选用哈夫曼编码或是算术编码。
为了加快编码速度，降低编码的复杂性，有人提出了选择性块匹配的编码方案，也就是对那些平坦块不去进行块匹配，而是把它的直流分量直接编码输出。感兴趣的读者可以参阅相关的文献介绍，在这里由于篇幅有限，就不多做介绍。
2.3基于遗传算法的分形图像编码
遗传算法是模仿生物界的进化过程而得出的一种随机优化方法，对非线性、多极值的问题尤其有效，它将问题的解编码表示成“染色体“，一群“染色体“组成初始种群，初始种群置于问题的“环境”中，根据自然竞争、优胜劣汰的原则，种群通过遗传、交叉、变异不断地进行演化，产生新的种群，这样经过若干代的进化，求得适合问题的最优解。 分形图像压缩中的值域块与定义域块的匹配是典型的多极值问题，由于遗传算法求解多极值问题的有效性，将其应用于块的匹配（也可称为虚拟码书的搜索），可以大大降低压缩编码的复杂度，同时很好的保持图像质量
括：
a 物种的染色体编码表示
b 种群的初始化
c 适宜函数的选取
d 选择策略
e 交叉策略
8[13]用于分形图像压缩中的遗传算法主要步骤包