欢迎进入IT技术社区论坛，与200万技术人员互动交流 >>进入
1 引言随着社会的发展和医疗技术的进步，人们对身体健康的关心程度越来越高。医学影像已经不再是仅供医生参考的信息而成为诊断疾病的重要依据。在网络传输条件下的图像压缩编码成为建立数字化医院的关键技术。
目前，二维图像的压缩标准有JPEG、GIF及采用了小波变换的JPEG2000等。医学图像具有特殊性，它一般不允许丢失有用的细节信息。传统的DCT（Discrete Cosine Transform，离散余弦变换）和第一代小波在图像变换后会产生浮点数，因而必须对变换后的数据进行量化处理，这样就会产生不同程度的失真。可见，量化器的设计是决定图像保真度的关键环节。由于第二代小波采用提升方法能够实现整数变换，因而能够实现图像的无损压缩，显然，它是一种很适于医学图像的压缩方法。
2 SPIHT算法
基于分层树的集合划分算法（Set Partitioning inHierarchical Trees，SPIHT）改进了内嵌零树编码算法（EZW）。在对图像进行小波变换后，它更有效地利用了不同尺度子带重要系数间的相似性。它呈现出良好的特性：不依赖傅立叶变换而在空间域中构造小波；较高的PSNR（Peak Signal Noise Ratio，峰值信噪比）保证了良好的重现图像质量；整数运算利于实现实时快速编解码和网络传输；图像码流的逐渐呈现便于用户上网检索感兴趣的图像。
SPIHT算法对图像信息采用如下的编码步骤。
首先，定义三个队列：不显著性系数队列LIP，显著性系数队列LSP和不显著性集合队列LIS。
设，O（i，j）表示节点（i，j）的直接节点的集合；D（i，j）表示节点（i，j）的子节点集合；L（i，j）表示子节点中排除直接节点后的集合。
在队列中，每个元素由一个坐标唯一识别，它在LIP和LSP中代表孤立系数（无子节点的根节点），在LIS中代表第一类元素的D（i，j）或者第二类元素的L（i，j）。
对某个阈值T进行显著性测试。将大于T的元素移入LSP，并在LIP队列中移除该元素。对LIS也进行同样的测试，将显著的元素移入LSP，其他的再进行树的分裂。
用类C＋＋语言描述的SPIHT算法如下：
第一步，阈值T和三个
