基于SPIHT的图像压缩技术是当前图像编码领域的重要研究课题，其主要优势在于能够提供较好的压缩性能和图像质量。SPIHT（Set Partitioning in Hierarchical Trees）算法，即集合划分的分层树算法，是一种有效的无损和有损图像压缩算法。在SPIHT算法中，LIS（List of Insignificant Sets）和LIP（List of Insignificant Pixels）是核心概念，它们的编码效率直接关系到整个算法的性能。
优化LIS和LIP编码，可以显著提升SPIHT算法的压缩效率。LIS包含了尚未决定显著性的系数集合，而LIP则包含尚未决定显著性的像素。优化方案主要包括两个方面：首先是对LIS的编码进行优化，其次是优化LIP的编码。
针对LIS编码的优化，该研究提出的方案是通过比较LIS中的最大系数MinLIS与当前阈值T来判断所有系数的重要性。如果MinLIS小于当前阈值T，则意味着LIS中不存在显著系数，应将其移除；否则，按照传统SPIHT算法对LIS进行编码。通过这种优化，可以有效地减少在编码过程中对LIS中不包含显著系数集合的处理时间，从而提高算法效率。
对于LIP编码的优化，提出了引入一个标志位L来代表已经编码的显著系数的数量，从而在完成所有显著系数的编码后停止扫描LIP。首先计算LIP中显著系数的总数S，然后继续对LIP中的系数进行编码，直到L等于S为止。这种优化方案能够确保只对LIP中需要的系数进行编码，减少不必要的迭代，从而提升编码效率。
在实验中，使用bior4.4小波滤波器，并且没有使用熵编码的条件下对优化的SPIHT（MSPIHT）算法进行了评估。实验结果表明，MSPIHT算法在各个比特率下均比传统SPIHT算法获得了更好的视觉质量和更高的PSNR（峰值信噪比）增益。此外，在不同的比特率下，MSPIHT算法相较于传统SPIHT算法显著减少了输出零位的数量。
此外，文章还提到了这项研究得到了中国国家自然科学基金（No.***）和中国大学优秀教师基金（CSC）的资助。该研究在2017年数据压缩会议上发表，并提供了DOI（数字对象标识符）以方便读者查找和引用。
文章的重要性和贡献在于，它不仅提供了一种在特定的图像压缩算法中优化两个关键列表的策略，而且还给出了实验数据证明了优化后的算法在性能上的提升。研究结果对图像压缩领域的科研人员和工程师来说，具有相当的参考价值，能够帮助他们更好地理解和应用SPIHT算法，以及如何在实际应用中提高算法的性能。
