近年来，随着更大面阵的图像传感器（包括红外和可见光）的应用，图像生成设备的输出数据率越来越高，而数据存取及传输信道带宽相对较窄，这两者的矛盾越来越尖锐。如何实时对高输出数据率的图像进行压缩始终是当前图像压缩领域研究的难点也是重点。目前已研究出的一些压缩方法，都存在不同程度的局限性，如DPCM压缩率不高；矢量量化（VQ）的计算复杂度随着维数的上升而急剧增加；而JPEG是迄今广为使用的国际压缩标准，但在量化误差较大时会产生方块效应。20世纪80年代在傅里叶变换基础上发展起来的小波变换，有效实现了信号、图像的空频转换，图像经过小波分解后可以去除相关特性，实现能量的重新分配，使近似信息集中在低频区域，细节信息反映在高频区域。根据小波系数的这一特点，很容易实现图像数据的压缩。JPEG-2000图像压缩标准、MPEG-4视频压缩标准已经将小波变换列入其中。
图像的小波变换就是以原始图像为初始值，不断将上一级图像分解为4个子带的过程，每次得到的4个子带图像，分别代表频率平面上不同的区域，它们分别含有上一级图像中的低频和垂直、水平及对角线方向的边缘信息。其中，子带HLn表示了水平方向的高频、垂直方向的低频成分，子带LHn表示了水平方向的低频、垂直方向的高频成分，而子带HHn则表示了水平和垂直方向的高频成分。从多分辨率分析出发，一般每次只对上一级的低频子图像进行再分解。图像小波变换示意如图1所示。
2 EZW算法
在图像的小波系数矩阵中，用"零树"来描述这种依频率特性递减的数据分布特性。在"零树"中，通过区分零树根（ZTR）、孤零（IZ）、正重要系数（POS）和负重要系数（NEG）这几种不同性质小波系数的方法，来实现变换编码的过程。
嵌入式小波零树编码EZW（Embedded Zero tree Wavelet）算法，就是利用零树的一种高效的小波图像压缩算法。实际中采用零树与逐次逼近量化技术SAQ（Successive ApproximatiON Quantization）相结合，构成EZW编码算法。其主要步骤如下：
对图像小波变换的研究表明，一些较小的高频系数几乎应该不再包含图像信息，可以对这些信息进行噪声抑制，而不会对图像的重构质量有大的影响。所以当逐次逼近的阈值落入这一相关区域时，可以停止对小波系数的扫描。量化编码前将这一部分系数作为噪声进行滤波处理，这也是对原算法可以进行改进的地方。
基于以上分析，提出EZW的改进算法如下：
（1）图像小波系数的重新排列。为便于将图像小波系数转化到信号处理领域，并通过对信号的噪声分离来求得原图像中的噪声冗余，需要对代表原图像的小波系数矩阵进行矢量排列，使其转化为一个新的信号向量C.具体方法是：首先对最低子频带LLn的小波系数矩阵按列排列成一个一个新的列向量c1,然后按照HLn,LHn,HHn,…，HL1,LH1,HH1的顺序依次生成列向量c2,c3,c4,…，c3n-1,c3n,c3n+1,最后令C=[c1;c2;c3;c4;c3n-1;c3n;c3n+1],则生成信号向量C.
（2）信号分解。将信号C进行小波分解，进而将其分离为近似信息与噪声细节。令C=S+U,其中S为近似信息，U为噪声细节，则WTC=WTU+WTS.WTC为小波变换算子；WTU对应小波基中低通滤波部分，其还原的为近似信息；WTS对应小波基中低通滤波部分，其还原的为噪声细节。此处的噪声细节不能直接从信号C中直接去除，而是应该利用其参数作为下一步阈值处理的依据。
（6）主扫描。
（7）副扫描。
对于（6）、（7）中的扫描问题，保持原算法（2）、（3）中的扫描及逐次逼近量化方式。另外，考虑图像小波系数
