预测编码是八十年代发展起来的一种图像压缩编码方法.由于兼顾了图像序列之间的时空相关性,在采用运动补偿技术之后,帧间预测的准确度相当高,近年来在运动图像编码中得到了广泛的应用.该文主要研究帧间预测编码中的一种基于运动对象的图像运动估计算法.图像分割是运动补偿技术的基础,通过图像分割可以将图像划分为各个特征一致性的区域,作为图像匹配单元.如果划分不当,将增加匹配过程的复杂程度,并将造成重构图像的失真,所以我们讨论了几种常用的不同的图像分割方法,并在区域跟踪分割的理论基础上,根据生长点的提取及生长方法的不同对区域生长法做了一定的改进和完善,实验表明,它在分割精度、区域连贯性和信息完整性上都有优于其他几种分割方法之处,是后面做好图像匹配的关键.对于分割后的图像,我们提取出其中的运动部分,得到要匹配的运动区域,然后再用局部最小熵差匹配算法进行匹配,得到所需的重构图像.熵值反映的是图像的统计特性,利用熵值来进行图像匹配是一种适应性强且非常有效的图像匹配算法.它主要利用图像灰度的统计特性,求得各运动区域内的像素灰度分布,再在搜索区间内对各个待匹配区域进行最小熵差的匹配.因为之前较为精确的提取了图像中的运动部分,因此这里我们可以采用简化了的熵公式进行匹配计算,从而提高匹配效率.同时由于该算法不存在门限选取、参数确定等人为因素的影响,因此算法稳定性好,且能在一定程度上抵抗噪声和几何失真的影响.区域生长法与局部最小熵差匹配的有力结合,充分利用了前后帧运动信息的相关性,同时保证了匹配区域内运动矢量的一致性,提高了运动部分提取及运动矢量估计的精确性,兼顾了图像的匹配效率,重构图像主观和客观效果都较好.实验结果表明,基于区域生长与局部最小熵差匹配的帧间预测算法能够取得与全域搜索法和三步法相当的正确匹配率和信噪比,重构图像质量较好,而匹配效率却大大提高.同时,熵差匹配算法对具有一定噪声或旋转及形变的图像具有较好的匹配效果,这些都是传统的块匹配法所做不到的.