超光谱图像可以有效的用于地物类型的像素级甚至亚像素级识别,具有极高的应用价值。然而它的高分辨率是以其较大的数据量为代价的,这给超光谱图像的传输和存储都带来较大的困难,因此研究高性能的压缩算法对超光谱图像的应用具有重要意义。本文提出了将稀疏化与稀疏分解相结合的有损压缩方案,并同时构建了稀疏化与基于提升小波变换的SPIHT编码相结合的近无损压缩方案作为对比方案。首先,图像稀疏性在图像中表现为图像含有的轮廓信息远多于细节信息。本文所采取的稀疏模型可有效稀疏化超光谱图像,测试数据表明稀疏化后图像的稀疏率(零像素点比例)由原来的低于0.6%提高到55%之上,图像稀疏性非常明显。另外,稀疏化的过程可以同时去除超光谱图像的谱间相关性,经计算可将其去除94%以上。其次,将稀疏化后的超光谱图像采用两种方案进行压缩编码。其中,稀疏分解方案是将信号稀疏分解的思想引入图像中,采用MP算法搜索最佳原子,对选出的原子采用定长量化的方法进行编码。而对比方案采用的是三层提升5/3小波变换和SPIHT编码相结合的方法。测试结果表明,稀疏分解方案在近无损压缩(PSNR>40dB)时性能不及SPIHT编码方案,但是在高倍压缩时优势很明显,在压缩比为102.40时恢复图像的PSNR平均为31.12dB。该性能优于多篇参考文献中的参考数据。最后,本文分析了两种算法性能差异的原因所在,论证了将两者结合进行基于感兴趣区域编码的可行性。即稀疏化后图像的感兴趣区域(占据整幅图像40%比例)采用SPIHT编码方案,保证其恢复图像PSNR在90dB以上;背景区域采用稀疏分解方案,保证其恢复图像PSNR在30dB以上。这样整幅图像的压缩比约为4.4。