CN103327562B - 基于空间映射相关的无线多媒体传感器网络节点选择方法 - Google Patents

Abstract

基于空间映射相关的无线多媒体传感器网络图像压缩方法是一种用于无线多媒体传感器网络环境，采用基于空间映射相关的多节点协同图像采集与压缩技术，解决无线多媒体传感器网络中节点电源能量、通信能力、计算和存储能力受限问题。借用协作式处理方法，构建基于熵的分析框架去评估多个相关多媒体传感器节点的联合作用，同时综合考虑多媒体传感器节点之间的相关性、节点通信距离以及节点能量等因素，实现节点的最优化选择。其中对于多媒体传感器节点的重叠视野所观察到的图像的相关特性，设计了一个新的空间相关函数来描述；对于多个多媒体传感器节点联合熵的计算，采用层次聚类的方法。

Description

基于空间映射相关的无线多媒体传感器网络节点选择方法

技术领域

本发明是一种适用于无线多媒体传感器网络（Wireless Multi-media Sensor Networks，缩写为WMSNs）的节点选择方案，该方案基于空间映射相关原理，通过消除节点间数据的空间信息冗余，实现多节点协同图像数据采集，以解决无线多媒体传感器网络节点能量和存储受限问题，为无线多媒体传感器网络数据的高效传输奠定基础。本技术属于计算机网络领域。

背景技术

随着通信技术、嵌入式计算技术和传感器技术的飞速发展和日益成熟，具有感知能力、计算能力和通信能力的微型传感器开始出现，并且引起了人们的极大关注。目前，传感器网络研究的一个重要方向是在能量严重受限的微型节点上如何实现简单的环境数据采集、传输与处理。然而，随着监测环境的日趋复杂多变，人们迫切需要将信息量丰富的图像、音频、视频等媒体引入到以传感器网络为基础的环境监测活动中来，实现细粒度、精准信息的环境监测。由此，无线多媒体传感器网络（WMSNs）应运而生。

然而，由于发展较晚，无线多媒体传感器网络理论与技术还不成熟，与传统无线传感器相比，还面临一些新挑战，分析如下：（1）网络带宽问题：带宽资源是网络资源的一个重要方面。目前大多数无线多媒体传感器网络QoS路由协议都以最小可用带宽作为QoS度量。然而，无线传输媒介属于广播媒介，一个节点的带宽资源不仅要受到一跳邻居节点和两跳邻居节点的影响，且受到这些节点自身业务量变化的影响， 而且多媒体传感器网络的带宽又十分有限，因此如何合理利用有限带宽是多媒体同步的关键问题。（2）采集数据节点协同工作的问题：在无线多媒体传感器网络中，由于任务较为复杂，因此完成一项数据采集任务时，需要多个节点协同工作，控制信息会从汇聚节点发出，通过不同的路径到达各个协同工作的目的节点。因而如何正确选择传输节点与传输路径，在有限带宽内完成信息的传输至关重要。

由于未压缩的原始图像需要占用过多的带宽，很难被多跳无线网络支持，因

而亟待设计高效的图像压缩方法，以消除无线多媒体传感器节点数据的空间冗余信息，从而有效减少网络带宽，提高传输效率，延长无线多媒体传感器网络的生命周期。

发明内容

    技术问题：本发明的目的是设计一种基于空间映射相关的无线多媒体传感器网络节点选择方法，以实现图像数据的压缩。本方案采用协作处理方式，通过构建基于熵的分析框架以评估多个相关多媒体传感器节点的联合作用，解决无线多媒体传感器网络中节点电源能量、通信能力、计算和存储能力受限问题。通过使用本发明提出的方法可以有效消除多媒体传感器节点数据的空间信息冗余，为无线多媒体传感器网络数据的高效采集和传输奠定基础。

技术方案：本发明是一种改进的无线多媒体传感器节点选择方案。基于协作式处理方法，构建基于熵的分析框架以评估多个相关多媒体传感器节点的联合作用，同时综合考虑多媒体传感节点之间的相关性、节点通信距离以及节点能量等因素，实现节点的最优化选择。其中对于节点的重叠视野所观察到的图像的相关特性，我们设计了一个新的空间相关函数进行描述；对于多个节点的联合熵计算，我们采用层次聚类的方法；更进一步，我们基于熵权相关理论，对于影响联合熵的多个因素赋予不同权值，最终实现节点的优化选择。

基于空间映射相关的无线多媒体传感器网络节点选择方案，包含在以下具体步骤中

初始场景设置：

步骤1) 设置观测区域及多媒体传感器节点：设置需要采用多媒体传感器网络监测的区域场景范围；初始化监测场景中无线多媒体传感器节点的数量、布撒位置坐标、主感知方向以及感知半径；

    步骤2） 由节点位置坐标计算传感方向和x轴的角度θ以及节点沿传感方向相对于目标区域中心的偏移距离r；

多媒体传感器节点相关性定义：

步骤3） 定义空间相关函数来描述通过多媒体传感器节点的重叠视野所观察到的图像的相关特性；

多节点的联合作用：

步骤4） 研究如何在一个多媒体传感器网络中以最少的节点获得尽可能多的数据信息，节点所感知的数据信息必须和所观测图像的相关特性有关，并且各节点之间感知的数据相关性越小，其将提供更多信息至汇聚节点；

步骤5） 基于步骤3中定义的节点相关性描述函数，构建出一个基于熵的框架以评估多节点提供的信息量；

基于相关性的节点选择：

步骤6）初始节点集合为空，首先选择汇聚节点作为起始点，并将其加入到初始选择节点集合中；

步骤7）考虑节点间相关性与通信距离，从起始点邻居节点开始，选择一个与起始点相关性最小的节点并将其加入至选择节点集合中，若遇到两个节点与起始点相关性相差不大的情况，则以两节点距离起始点的距离长短作为判断依据，选择距离较短者；

步骤8）将每一次新加入集合的节点作为新一轮操作的起始点，重复步骤7的操作，直至选择节点集合中所有的节点联合熵增加至失真函数允许范围内；若在一次操作中没有找到符合条件的传感器节点，则将此次操作的起始点从选择节点集合中删除并从上次操作的起始点开始，重新进行节点选择。

以上步骤中所涉及的一些关键操作定义如下：

    描述节点相关性的函数定义：

我们为监测区域设定一个基准坐标，其中原点是监测区域的中心，XOY平面是地平面。在一个场景中可选择七个参考点作为特征点或者关键点，对应为：O(0,0,0)^T，A(1,0,0) ^T，B(-1,0,0) ^T，C(0,1,0) ^T ，D(0,-1,0) ^T，E(0,0,1) ^T，F(0,0,-1) ^T。这些参考点形成在三维世界中沿着正交方向六个单位参考向量：                                                , , , , , 。示意图如附图1所示。

我们考虑当所有传感器节点放在地平面(XOY)和它们的传感方向也是地平面的情况下，一个传感器节点参考点的投影将会随着传感器节点位置和传感方向的改变而改变。通过相同参考点在不同传感器节点投影面上投影点的比较，来比较不同传感器节点的相关特性。

传感器模型：

如附图2所示，无线多媒体传感器网络中的节点具有方向感知特性，其特性是方向性传感和三维到二维的投影，在计算机视觉中可以用针孔相机模型进行模拟。如附图2所示，为一个场景点P在某节点像平面上的投影点，其中u和v可由P点在该节点坐标系中的坐标（x,y,z）及相机节点焦距f求得。

基于上述传感器模型，我们可以得到参考点A、B、C、D、E、F在任意相机节点投影平面上投影点的坐标。于是我们设计一个差距函数去显示不同相机之间参考向量的投影差距：

假设相机i和相机j是两个任意的在地平面的相机，可以观测目标区域，差距函数可由以下获得：

1）确定相机i和相机j的传感方向和位置。

2）基于上述传感器模型，计算A、B、C、D参考点及原点O在每个相机投影平面中的投影坐标，则我们可以得到两组规范化的投影向量。

4）为每一对归一化向量OA、OB、OC和OD计算距离。例如，如果OA在相机i中的投影是，在相机j中是，则距离为：

                       (1)

5) 相机i和相机j的图像的距离记为δ，定义为四个向量投影的平均距离。δ则为相机i、j的差距函数（视差）。设(di,ri,θi)和( dj,rj,θj)是相机i和相机j的位置参数，则δ为关于上述参数的函数。

当传感方向的差异增加时视差值也随之增加，大的视差值说明两幅图像存在很大差异，即图像相关性小。

在上述情况下，当两个相机的传感方向是正交时，最大的差距值是1，这时我们可以说两个相机是弱相关的。为方便进一步分析，我们限制差距值从0到1：

                                   (2)

为了统一视差与相机相关性之间的关系，我们定义一个相关函数，它是视差函数的补：

                                         (3)

越大，相机间相关性越大，反之，越小，相机间相关性越小。

两个相机的联合熵：

熵的概念是用来衡量一个随机源的信息量。

假设每个相机可以捕获兴趣域的一幅图像，定义为图像A和图像B。A和B的联合熵等于图像A、B的熵之和再减去重叠图像的信息熵。

   定义I(A;B)为A、B间的互信息，模拟两幅图像的重叠视野。A和B越相关，互信息I(A;B)越大。 互信息的归一化形式，熵相关系数(ECC)定义为：                                                                          (4)

     熵相关系数(ECC)范围是0到1，这里0代表了源A和B是独立的，1代表了源A等于源B。ECC的值越大，两个源就越相关，于是可以用来替代ECC。

 所以，A和B的联合熵可以表示为H(A),H(B)和的一个函数：

                          (5)

多个节点的联合作用：（示意图见附图3）

如附图3所示，采用层次聚类的方法估算多个相机的联合熵：在{X1，X2,…，XN}中有N个单个元素，将其中两个元素合并，这两个元素的联合熵可以通过上述两个相机的联合熵计算方法来计算。把这两个元素看成一个元素，这组中元素的数量减少为N-1。重复这个过程，最后这N个单个传感器将会结合成一个单一元素。沿着合并过程计算合并传感器的联合熵，当联合过程结束时就可以得到联合熵H(X1，X2,…，XN)。其中一个簇和其他簇的相关系数可以通过最大/最小/平均相关系数从一个簇的任意成员到其他簇的任意成员中得到，这些可以称为单联/全联/平均连锁聚类法。

综合相关性与通信距离节点选择：

将节点间相关性作为主要考虑因素，同时考虑节点间通信传输距离，选择相关性最小且传输距离最短的节点。具体操作如下：

在起始点邻居节点中选择出与起始点相关性最小的节点，记最小相关性为rho,给出相关性允许偏差比例，记为k1%（值应尽可能小，用以选择出对于起始节点，邻居节点中相关性与最小相关性相差不大的节点），将与起始点相关性不大于% 的节点加入集合S1。

在起始点邻居节点中选择出与起始点距离最小的节点，记最小距离s，给出距离允许偏差比例，记为k2%（值应尽可能小，用以选择出对于起始节点，邻居节点中通信传输距离与最小距离相差不大的节点），将与起始点通信传输距离不大于 % 的节点加入集合S2。

在集合S1与集合S2中共有的节点中选择出与起始点相关性最小的节点（相关性优先考虑）。若集合S1与集合S2中没有共同的节点，则退而求其次，只考虑相关性情况，选择与起始点相关性最小的节点。

失真函数：

对于一个WMSN的兴趣域，我们假设N个相机可以观察这个兴趣域，定义他们的观测的图像为{X1，X2，…，XN}，这N个相机的联合熵H(X1，X2，…，XN)是这个兴趣域可以得到的最大信息量。如果这些传感器的子集可以定义为{Xi1，Xi2，…，Xi_M}，是已选择的去提供报告给汇聚节点的传感器，在汇聚节点中可以的到的信息是H(Xi1，Xi2，…，Xi_M)。

我们定义一个失真函数是减少的信息量和最大信息量的比值：

          (6)

需要强调的是此处提出的失真函数和已有的图像/视频质量指标不同。通常所用图像质量指标，像是如峰值信号的信噪比（PSNR）和最近开发的结构(SSIM)，旨在评估与普通图像相比一个失真图像的退化。这里失真是由有损压缩或者是传输损失造成的。然而，我们提出失真函数旨在估算多个图像的联合作用。失真是报告一个图像的子集到汇聚节点造成信息损失的百分比。

有益效果：采用基于空间映射相关的无线多媒体传感器网络图像压缩方法，对应方案有如下优点：

1. 方法简单、求解速度快

本方案采用基于熵的分析框架，通过构建空间相关性模型模拟多媒体传感器节点间的相关特性，实现节点的优化选择，具有运算速度快、计算复杂度小等优点，很好地解决了传统图像压缩算法效率低、计算繁杂、功耗、负载大的缺点。

2．较好的适应性

通过空间相关性模型模拟节点相关特性，只与节点位置及传感方向、偏移距离等相关参数有关而基于熵的分析框架又直接与相关特性有关，排除了区域场景，传感器类型等因素的影响，从而表现出较好的适应性。

3．可优化特性

方案可以通过相关模型、条件及参数的调整以及与其他方法的结合使用，应用于更广泛的领域。同时方案的一些应用方法可以深度发掘，提高方案的全面性与实用性即方案在应用价值上具有很大的上升潜力。如：可以适当调整选择算法，将多跳传输方式改为单跳传输方式或者两者一起考虑；在节点选择方面，综合考虑相关特性以及传输距离，在一定的判别依据下，寻找出相关性最小且传输距离最短的相机节点以及增加合适的能量模型。

附图说明

图1是空间映射相关计算中的参考点选取图，

图2 是图像成像模型图，

图3 是层次聚类的方法对多个相机联合熵的估算图，

图 4 是方案流程图。

具体实施方式

基于空间映射相关的无线多媒体传感器网络图像压缩方法实现方案的核心设

计思想为：将协作式处理方法应用于无线多媒体传感器网络的图像压缩中，针对多媒体图像压缩的需要，构建基于熵的分析框架去评估多个相关多媒体传感器节点的联合作用，同时综合考虑多媒体传感器节点之间的相关性、节点通信距离以及节点能量等因素，实现节点的最优化选择。其中对于多媒体传感器节点的重叠视野所观察到的图像的相关特性，我们设计了一个新的空间相关函数来描述；对于多个多媒体传感器节点联合熵的计算，我们采用层次聚类的方法；与此同时，我们借用熵权的概念，给影响联合熵的几个因素赋予不同的权值，最终实现节点的优化选择。

因此，方案首先通过设置初始场景，并构建基于熵的分析框架去评估多个相关多媒体传感器节点的联合作用，同时综合考虑多媒体传感器节点之间的相关性、节点通信距离以及节点能量等因素，实现节点的最优化选择。

具体步骤包括：

初始场景设置：

步骤1) 设置观测区域及多媒体传感器节点：设置需要采用多媒体传感器网络监测的区域场景范围；初始化监测场景中无线多媒体传感器节点的数量、布撒位置坐标、主感知方向以及感知半径；

    步骤2） 由节点位置坐标计算传感方向和x轴的角度θ以及节点沿传感方向相对于目标区域中心的偏移距离r。

多媒体传感器节点相关性定义：

步骤3） 定义空间相关函数来描述通过多媒体传感器节点的重叠视野所观察到的图像的相关特性。

多节点的联合作用：

步骤4） 研究如何在一个多媒体传感器网络中以最少的节点获得尽可能多的数据信息。节点所感知的数据信息必须和所观测图像的相关特性有关，并且各节点之间感知的数据相关性越小，其将提供更多信息至汇聚节点。

步骤5） 基于步骤3中定义的节点相关性描述函数，构建出一个基于熵的框架以评估多节点提供的信息量。

多跳无线传感网环境下基于相关性的节点选择：

步骤6）初始节点集合为空，首先选择汇聚节点作为起始点，并将其加入到初始选择节点集合中。

步骤7）综合考虑节点间相关性与通信距离，从起始点邻居节点开始，选择一个与起始点相关性最小的节点并将其加入至选择节点集合中，若遇到两个节点与起始点相关性相差不大的情况，则以两节点距离起始点的距离长短作为判断依据，优先选择距离较短者。

步骤8）将每一次新加入集合的节点作为新一轮操作的起始点，重复步骤7的操作，直至选择节点集合中所有的节点联合熵增加至失真函数允许范围内。 若在一次操作中没有找到符合条件的传感器节点，则将此次操作的起始点从选择节点集合中删除并从上次操作的起始点开始，重新进行节点选择。

Claims (1)

1.一种基于空间映射相关的无线多媒体传感器网络节点选择方法，其特征在于该方法包含以下的具体步骤：

初始场景设置：

步骤1)设置观测区域及多媒体传感器节点：设置需要采用多媒体传感器网络监测的区域场景范围；初始化监测场景中无线多媒体传感器节点的数量、布撒位置坐标、主感知方向以及感知半径；

步骤2)由节点位置坐标计算传感方向和x轴的角度θ以及节点沿传感方向相对于目标区域中心的偏移距离r；

多媒体传感器节点相关性定义：

步骤3)定义空间相关函数来描述通过多媒体传感器节点的重叠视野所观察到的图像的相关特性；其中，步骤3)包括步骤31)至步骤33):

步骤31)为监测区域设定一个基准坐标，其中原点是监测区域的中心，XOY平面是地平面，选择七个参考点作为特征点或者关键点，分别为O(0,0,0)^T、A(1,0,0)^T、B(-1,0,0)^T、C(0,1,0)^T、D(0,-1,0)^T、E(0,0,1)^T、F(0,0,-1)^T，这些参考点在三维中形成沿着正交方向的六个单位参考向量；

步骤32)构建一个差距函数去显示不同节点之间参考向量的投影差距，具体的，假设节点i和节点j是两个任意的在地平面的节点，可观测目标区域，差距函数可通过如下方式获得：确定节点i和节点j的传感方向和位置；基于传感器模型，计算A、B、C、D参考点及原点O在每个节点投影平面中的投影坐标，得到两组规范化的投影向量；为每一对归一化向量OA、OB、OC和OD计算距离，如果OA在节点i中的投影是(u_i,v_i)^T，在节点j中是(u_j,v_j)^T，则OA的距离为依此类推为向量OB、OC和OD计算距离；节点i和节点j的图像的距离δ定义为四个向量投影的平均距离，即δ为节点i、j的差距函数，也称视差函数，当传感方向的差异增加时视差值也随之增加，大的视差值说明两幅图像存在很大差异，即图像相关性小，当两个节点的传感方向是正交时，最大的差距值是1，即两个节点是弱相关的，限制差距值从0到1，其中δ＝min(δ,1)；

步骤33)为统一视差与节点相关性之间的关系，定义一个相关函数ρ，其是视差函数的补，即ρ＝1-δ，ρ越大，节点间相关性越大，反之，ρ越小，节点间相关性越小；

多节点的联合作用：

步骤4)研究如何在一个多媒体传感器网络中以最少的节点获得尽可能多的数据信息，节点所感知的数据信息必须和所观测图像的相关特性有关，并且各节点之间感知的数据相关性越小，其将提供越多信息至汇聚节点；

步骤5)基于步骤3)中定义的空间相关函数，构建出一个基于熵的框架以评估多节点提供的信息量；其中，步骤5)具体包括：假设每个节点可捕获兴趣域的一幅图像，定义为图像A和图像B，A和B的联合熵等于图像A、B的熵之和再减去重叠图像的信息熵；定义I(A；B)为A、B间的互信息，即重叠图像的信息熵，模拟两幅图像的重叠视野，A和B越相关，互信息I(A；B)越大，互信息的归一化形式，即熵相关系数ECC定义为H(A)和H(B)分别为图像A和图像B的熵，ECC的取值范围是0到1，0代表图像A和图像B是独立的，1代表图像A等于图像B，ECC的值越大，两个图像就越相关，于是可用ρ来替代ECC，因此，A和B的联合熵H(A,B)可表示为H(A)、H(B)和ρ的一个函数,即对于多个节点的联合熵，采用层次聚类的方法估算：在N个节点观测的图像{X₁,X₂,…,X_N}中有N个元素，将其中两个元素合并，这两个元素的联合熵可通过如上两个节点的联合熵计算方法来计算，把这两个元素看成一个元素，这组中元素的数量减少为N-1，重复这个过程，最后这N个传感器将会结合成一个单一元素，沿着合并过程计算合并传感器的联合熵，当联合过程结束时就可得到联合熵H(X₁,X₂,…,X_N)；

基于相关性的节点选择：

步骤6)初始节点集合为空，首先选择汇聚节点作为起始点，并将其加入到初始选择节点集合中；

步骤7)考虑节点间相关性与通信距离，从起始点邻居节点开始，选择一个与起始点相关性最小的节点并将其加入至选择节点集合中，若遇到两个节点与起始点相关性相差不大的情况，则以两节点距离起始点的距离长短作为判断依据，选择距离较短者；

步骤8)将每一次新加入集合的节点作为新一轮操作的起始点，重复步骤7)的操作，直至选择节点集合中所有的节点联合熵增加至失真函数允许范围内；若在一次操作中没有找到符合条件的传感器节点，则将此次操作的起始点从选择节点集合中删除并从上次操作的起始点开始，重新进行节点选择；

其中，失真函数D是减少的信息量和最大信息量的比值：

$D=\frac{H(X_1,X_2,...,X_N)-H(X_{i1},X_{i2},...,X_{iM})}{H(X_1,X_2,...,X_N)}$

其中，N个节点的联合熵H(X₁,X₂,…,X_N)是兴趣域可得到的最大信息量，选择用于提供报告给汇聚节点的传感器的子集{X_i1,X_i2,…,X_iM}的联合熵H(X_i1,X_i2,…,X_iM)是汇聚节点可得到的信息量。