高空间分辨率遥感图像包含丰富的地物信息，允许观察者在更大尺度上精确观测感兴趣目标的细节特征，但是针对高空间分辨率遥感图像的压缩却存在复杂度高与效率低下等问题。本项目对这些问题开展了深入研究，提出基于方向提升小波与视觉关注模型的高空间分辨率遥感图像分级压缩方法。创新性成果包括：1、提出基于快速方向预测的提升小波变换，包括三方面创新：梯度方向预测模型、自适应四叉树分割模型与像素混合差值预测。新算法不仅获得了优于传统提升小波与自适应方向提升框架（ADL）的图像压缩效果，而且具有远低于ADL的计算复杂度。2、结合视觉关注理论，提出了一种基于频域分析的可见光高空间分辨率遥感图像感兴趣区域提取模型，设计了一种基于空间降维、离散矩变换与区域增长的高空间分辨率遥感图像多目标检测机制，构建了基于自适应半径搜索的图像多目标自动检测算法，上述模型与算法更好地实现了高空间分辨率遥感图像感兴趣目标的自动检测与高效提取。3、提出基于递归平移不变与迭代的广义交叉验证模型（RTI-IGCV），构建了基于RTI-IGCV的高空间分辨率遥感图像分级压缩算法。4、充分利用遥感图像的多光谱信息，提出一种基于局部颜色熵的遥感图像显著目标检测模型。5、基于高斯差分函数与整数小波构建了新的视觉关注模型，将该模型与优化阈值编码策略相结合，实现了高空间分辨率遥感图像分级压缩。本项目科学意义在于：1、为解决高空间分辨率遥感图像的压缩低效问题提供了一条有效途径，为缓解海量遥感数据与有限存储、传输资源间的矛盾提供了重要理论依据与技术保障；2、首次将快速方向提升小波、感兴趣目标提取与感兴趣区编码有机结合，为面向目标的遥感图像压缩提供了新的理论与方法。本项目研究成果对今后的遥感图像压缩具有重要应用价值。