从上述编码过程来看， SPIHT 算法存在以下几方面缺陷：
(1) 编码过程中需要占用大量内存资源。
(2) 由于采用快速小波变换， 需要对图像数据进
行卷积处理， 计算复杂， 严重降低了编码速度。
(3) 对所有频域进行同等重要的编码， 没有充分利用小波变换的特点,以及人的视觉系统对不同频域图像敏感度不同的特性。
(4) 不利于并行算法优化。
4.1.3  优化截断点的嵌入块编码算法（EBCOT）
优化截断点的嵌入块编码算法（EBCOT） 也是以EZW 算法为基础经改进获得的更为优秀的算法，此算法的主要思想是将嵌入码块编码方法和码块位流的最佳截断方法结合运用， 使重构图像的失真最小。算法分为第一层独立块编码和第二层码流组装两部分。首先将小波分解后得到的每个子带分为相对独立的码块， 接着使用优化的分层截断算法对这些码块进行编码， 产生压缩码流。相比较而言，EBCOT 算法的复杂度较EZW 和SPIHT 都有所提高，其压缩性能比SPIHT 略高， 但此编码方法仍然存在着编码时间冗长的问题。
3种编码算法的共性： 由于它们都是基于小波变换理论， 所以存在着一些共性， 如小波算法压缩图像和解压缩图像的流程相同， 都存在着编码时间不同程度冗长的问题； 另外EZW 和SPIHT 都是是嵌入式比特流， 最初是针对灰度图像提出的， 并没有规定彩色图像色度分量的处理方法。
4.2  小波包、多小波图像压缩
1992 年， Coifman 和Wickerhauser 提出了小波包概念的计算方法。该算法首先用小波包变换对纹理丰富的图像进行完全分解， 并用一种与后续编码器相关联的成本函数(Cost Function) 进行最佳小波包基搜索； 然后依据图像内容， 自适应确定小波包系数的扫描次序； 再对小波包变换后的最低频子带进行DPCM 无失真编码， 对高频子带实施矢量量化编码； 最后对所形成的二进制符号流进一步实施自适应算术编码。该算法的优点是可以对信号的高频部分做更加细致的刻画， 对信号的分析能力更强。仿真结果表明， 压缩效果不仅明显优于EG 算法与SPIHT 算法(特别是纹理图像)， 与SPIHT 算法相比，峰值信噪比提高了0.5~2 dB， 可用于对指纹、遥感等图像的压缩。
4.3  小波变换与其他压缩方法的结合
4.3.1  与数学形态学技术结合
数学形态学的应用可以简化图像数据， 保持它们的基本形状特征， 并除去不相干的结构， 其算法具有并行实现的结构。数学形态学有膨胀、腐蚀、开运算和闭运算4 种基本运算。
1999 年， Servettto 提出了一种小波数据形态表示图像编码MRWD （Morphological representation ofwavelet data) 方法。MRWD 利用数学形态学和小波系数的统计特性， 直接在子带内生成形状不规则的重要系数束， 从而将小波系数分为4 个集合， 然后再对集合束进行编码。2006 年， J.N.Ellinas 和M.S.Sangriotis 提出了小波变换和数学形态学结合的立体图像编码算法， 此算法在处理立体图像时复杂度低，无论从PSNR 还是从视觉上效果都很好。在今后的研究中，与数学形态学的融合算法将得到进一步发展。
4.3.2  与分形压缩技术结合
分形图像压缩不同于基于信源编码理论的编码方法， 它将图像数据的冗余理解为图像块之间的相似性。分形图像压缩利用了图像的自相似性， 而事实上， 自然图像的自相似性不强， 从而限制了分形图像压缩的应用范围。但图像经小波变换后， 其不同分辨率子带之间在相同方向具有较强的相似性的特点， 这为小波变换与分形压缩技术的结合提供了可能，也成为目前及今后一段时间的发展趋势。目前出现的关于小波分形相结合压缩算法主要有： 1998年， Davis 提出了小波子树自量化方法， 其主要思想是将传统空域内的分形压缩转化为小波域内小波子树的自量化编码， 从而将传统的分形压缩归入到小波编码的研究范畴。2002 年， Taekon Kim 等人提出零树小波分形混合图像编码， 该算法是分形压缩技术与EZW 算法的结合， 与EWZ 相比， 此算法在保证图像质量的前提下， 进一步提高了压缩比。 小波分析图像压缩算法的研究(6):http://www.youerw.com/tongxin/lunwen_8521.html