近无损图像压缩技术是一种既能限制每个像素重建的误差又有较高的压缩率的技术。随着医学成像、卫星通信、遥感、指纹识别等技术的发展,近无损压缩技术受到越来越多的研究人员的重视。本文在现有的近无损图像压缩方法的基础上,用基于Context模型的预测修正方法,结合有较高量化增益的网格编码量化(TCQ)方法进行实验,取得较好的压缩结果。本文的主要内容可归纳为以下几点:1从条件信息熵的角度出发,在理论上分析了取得更好压缩效果的可能性。2从一般的均匀量化出发,简要地阐述了网格编码量化的原理。3把梯度预测以及误差修正与有较高量化增益的TCQ结合在一起构建了一个编码压缩系统,这个系统的设计思路如下:首先,用梯度自适应预测方法对图像进行预测。其次,对预测误差进行了基于上下文的修正。即每次完成对像素的预测后,记下当前像素预测上下文的纹理特征,以及预测误差。如果我们检测到:对于某一种特定的预测上下文纹理特征,总是出现预测误差偏大或者偏小,那么我们下次再遇到上下文符合此种模式的像素时就可以把像素的值预测得更低或者更高些,算法实现上是通过减去预测误差条件分布的均值的办法对误差进行修正,以进一步降低预测误差的熵,从而在同等重建误差的情况下,进一步提高压缩性能。最后对经过误差修正的预测误差进行网格编码量化再进行熵编码以获得最终压缩输出。与之前文献报告的一些方法相比,本文方法取得了令人满意的结果。