CN105451019A - 一种面向无线视频传感器网络的图像压缩传输方法 - Google Patents
一种面向无线视频传感器网络的图像压缩传输方法 Download PDFInfo
- Publication number
- CN105451019A CN105451019A CN201510827165.0A CN201510827165A CN105451019A CN 105451019 A CN105451019 A CN 105451019A CN 201510827165 A CN201510827165 A CN 201510827165A CN 105451019 A CN105451019 A CN 105451019A
- Authority
- CN
- China
- Prior art keywords
- area
- node
- block
- image
- sub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明提供一种面向无线视频传感器网络的图像压缩传输方法,从视频传感器节点采集图像,对每帧图像采用基于分块压缩感知的运动检测算法将其获取的图像分成感兴趣区域与背景区域;感兴趣区域被分成16×16的子块,通过Haar小波分解得到每个子块的稀疏矩阵,进一步将其转化为256×1的列向量;背景区域做相同操作,被处理的频率远低于感兴趣区域;压缩采样被用于每个稀疏块所对应的列向量,根据节点剩余能量自适应调整压缩采样率;每个稀疏块的测量值按特定的数据包格式打包,无线发送至接收端。本方法能根据节点剩余能量自适应地调整图像质量,平衡节点能量消耗,对无线传输过程中的数据包丢失具有鲁棒性。
Description
技术领域
本发明涉及无线传感器技术领域,具体地说是涉及一种面向无线视频传感器网络的图像压缩传输方法,适用于无线传感器网络智能视频感知、环境监测预警等应用领域。
背景技术
随着无线传感器网络技术、微处理器技术和CMOS成像技术的发展,具有图像感知与处理能力的无线视频传感器网络已被逐渐应用于视频监控、环境监测等众多领域。然而受能源供给、通信带宽、计算与存储能力的限制,视频传感器节点无法实时、准确地传输大量的图像数据。这严重制约了无线视频传感器网络的推广应用。因此,压缩传输成为了传感器网络图像通信的根本途径。
JPEG和JPEG2000图像压缩标准以及EZW、SPIHT、SPECK等嵌入式压缩编码方法主要侧重于压缩性能,致使其计算复杂度高、需要更多的存储空间,因此,这些方法在视频传感器节点中无法实现或者效率不高。分布式图像压缩策略通过并行计算将工作负载分摊到多个节点,降低了单个节点的计算开销和能耗,但分布式处理算法实现困难且节点间的信息交互不可避免地增加了通信开销。此外,上述方法的共同点在于需要采用纠错机制(例如,前向纠错、自动重发请求和多路径传输)减少在传输过程中丢包风险,这将导致额外的节点能耗。近年来,基于压缩感知(CS)的图像传输方法成为了研究热点。该类方法对数据丢包具有鲁棒性,计算相对简单,能有效减少传输数据、降低节点通信能耗。相关文献已就图像稀疏化方法、稀疏系数分块与排列以及测量矩阵构建等方面进行了研究,但为了提高图像恢复的质量,大多数方法都在压缩采样过程中引入了相对复杂的计算,导致节点负担增加。通过运动检测从图像中分离出有用信息进行压缩传输,能大大减少传输数据量降低网络带宽需求。但常用的帧差法、高斯混合背景建模等基于像素处理的方法计算复杂,而且其目标检测效果对动态背景非常敏感。
图像压缩算法的设计必须充分考虑节点能量状况,这对于平衡节点能耗、延长网络工作寿命至关重要。现有方法中绝大多数并没有考虑节点能量这一关键因素,个别涉及到通过节点剩余能量来确定图像数据包发送优先级的方法,也缺少基于能量的图像质量控制策略。
发明内容
本发明要解决的技术问题是:提供一种面向无线视频传感器网络的图像压缩传输方法,能根据节点剩余能量自动控制图像质量,平衡节点能量消耗。
本发明为解决上述技术问题所采取的技术方案为:一种面向无线视频传感器网络的图像压缩传输方法,其特征在于:它包括以下步骤:
S1、对从视频传感器节点采集的每帧图像做如下预处理:采用基于分块压缩感知的运动检测算法将图像分成感兴趣区域与背景区域;
S2、感兴趣区域被分成16×16的子块,通过Haar小波分解得到每个子块的稀疏矩阵,进一步将其转化为256×1的列向量;背景区域做相同操作,背景区域被处理的频率远低于感兴趣区域;
S3、压缩采样被用于每个稀疏块所对应的列向量,根据节点剩余能量自适应调整压缩采样率从而控制图像质量、平衡节点能耗,所述的压缩采样率按以下公式进行自适应调整:
对于感兴趣区域内的子块bi的压缩采样率MRi为
其中s是子块的稀疏性度量,为bi小波系数的绝对值和;是感兴趣区域内所有子块的稀疏性度量的平均值;MRroi是预设的感兴趣区域压缩采样率,根据节点剩余能量确定;
对于背景区域内的所有子块都采用相同的压缩采样率MRtiles,其值由节点剩余能量决定;
节点剩余能量与压缩采样率的关系为:
其中E0和Er分别为节点的初始能量和剩余能量;Eth为防止节点剩余能量的快速衰竭而引入的能量阈值;p和q为控制参数,且0<p<1,q>1;
S4、每个稀疏块的测量值按特定的数据包格式打包,无线发送至接收端。
按上述方法,所述的S1具体包括:
1.1、根据节点获取的前f帧图像建立运动检测的背景模型:
首先,每帧图像被划分为n×n的子图像块,每个子图像块被排列为N×1的列向量,N=n×n,其中n取2的整数次幂;其次,选取M×N的测量矩阵,通过随机降维映射得到每个子图像块M×1的测量值,再将该测量值还原为m×m的矩阵,其中M<<N,M=m×m,也就是将原来n×n的子图像块替换为m×m的测量值矩阵;依次对每帧图像的每个子图像块做相同处理,最后得到f帧由m×m的测量值矩阵组成的重构图像;对于重构图像中的每个像素,其背景模型表示为f帧重构图像中对应位置处像素值的集合;
1.2、对于待检测的图像帧,按照1.1得到其重构图像;重构图像中的每个像素分别与1.1中得到的该像素背景模型进行匹配,如果该像素值与背景模型中至少两个值的绝对差不超过阈值Th,则该像素被标记为背景,否则,该像素为前景;将重构图像中前景像素对应于原图像中的区域标记为感兴趣区域,其它为背景区域;
1.3、对于背景像素,其背景模型的更新基于某一概率随机地选择背景模型中的样本值,替换为当前像素值;对于前景像素,其背景模型保持不变。
按上述方法,所述的1.3当某个像素连续多帧被检测为前景时,将其重新标记为背景。
按上述方法,所述的接收端解包得到测量值,采用贪婪迭代算法恢复小波系数,通过Haar小波逆变换还原每个图像块,经块合并重构出原始图像。
按上述方法,所述的S4具体包括:
采用ZigBee技术传输压缩图像,每个数据包的最大载荷设定为70字节,其中包括最大长度为64字节的测量数据以及固定长度为6字节的附加信息;附加信息具体包括4个字节存储子块在图像中的位置信息,1个字节记录数据包的实际长度,半个字节标记该子块为感兴趣区域还是背景区域,半个字节指示子块的数据包序号。
按上述方法,所述的测量矩阵为矩阵元素为±1的伯努利随机矩阵。
本发明的有益效果为:
1、本方法通过基于分块压缩感知的运动检测算法提取感兴趣区域,采用小波变换完成图像稀疏化表示,对感兴趣区域与背景区域采用不同的压缩采样策略,能根据节点剩余能量自适应地调整图像质量,平衡节点能量消耗。
2、本发明的方法在保证图像质量的情况下能有效降低传感器节点的计算开销与通信能耗,同时对无线传输过程中的数据包丢失具有鲁棒性,适用于基于无线视频传感器网络的环境监测、安全监控等领域。
附图说明
图1为本发明一实施例的流程图。
图2为基于分块压缩感知的感兴趣区域提取的实验结果。
图3为自适应压缩采样与固定压缩采样时感兴趣区域图像恢复的结果。
图4为节点剩余能量与预设压缩采样率的关系曲线。
图5为不同剩余能量状态下图像恢复的结果。
图6为不同丢包率条件下图像恢复的结果。
具体实施方式
下面结合具体实例和附图对本发明做进一步说明。
一种面向无线视频传感器网络的图像压缩传输方法,如图1所示,它包括以下步骤:
S1、对从视频传感器节点采集的每帧图像做如下预处理:采用基于分块压缩感知的运动检测算法将其获取的图像分成感兴趣区域与背景区域。
具体包括:
1.1、根据节点获取的前f帧图像建立运动检测的背景模型:
首先,每帧图像被划分为n×n的子图像块,每个子图像块被排列为N×1的列向量,N=n×n,其中n取2的整数次幂,一般取8,16,32,具体跟根据实际应用来定;其次,选取M×N的测量矩阵,通过随机降维映射得到每个子图像块M×1的测量值,再将该测量值还原为m×m的矩阵,其中M<<N,M=m×m,也就是将原来n×n的子图像块替换为m×m的测量值矩阵;依次对每帧图像的每个子图像块做相同处理,最后得到f帧由m×m的测量值矩阵组成的重构图像;对于重构图像中的每个像素,其背景模型表示为f帧重构图像中对应位置处像素值的集合;
1.2、对于待检测的图像帧,按照1.1得到其重构图像;重构图像中的每个像素分别与1.1中得到的该像素背景模型进行匹配,如果该像素值与背景模型中至少两个值的绝对差不超过阈值Th,则该像素被标记为背景,否则,该像素为前景;将重构图像中前景像素对应于原图像中的区域标记为感兴趣区域,其它为背景区域;
1.3、对于背景像素,其背景模型的更新基于某一概率随机地选择背景模型中的样本值,替换为当前像素值;对于前景像素,其背景模型保持不变。为了克服运动过程中出现的鬼影,当某个像素连续多帧被检测为前景时,将其重新标记为背景。
S2、感兴趣区域被分成16×16的子块,通过Haar小波分解得到每个子块的稀疏矩阵,进一步将其转化为256×1的列向量;背景区域做相同操作,背景区域被处理的频率远低于感兴趣区域,特殊情况下可以不处理背景区域。
S3、压缩采样被用于每个稀疏块所对应的列向量,根据节点剩余能量自适应调整压缩采样率从而控制图像质量、平衡节点能耗,所述的压缩采样率按以下公式进行自适应调整:
对于感兴趣区域内的子块bi的压缩采样率MRi为
其中s是子块的稀疏性度量,为bi小波系数的绝对值和;是感兴趣区域内所有子块的稀疏性度量的平均值;MRroi是预设的感兴趣区域压缩采样率,根据节点剩余能量确定;
对于背景区域内的所有子块都采用相同的压缩采样率MRtiles,其值由节点剩余能量决定;
节点剩余能量与压缩采样率的关系为:
其中E0和Er分别为节点的初始能量和剩余能量;Eth为防止节点剩余能量的快速衰竭而引入的能量阈值;p和q为控制参数,且0<p<1,q>1;
S4、每个稀疏块的测量值按特定的数据包格式打包,无线发送至接收端。
测量值数据包格式与无线传输具体实现为:
采用ZigBee技术传输压缩图像,由于其物理层所支持的最大数据包长度为127字节,考虑到网络层、MAC层以及物理层头的开销,每个数据包的最大载荷设定为70字节,其中包括最大长度为64字节的测量数据以及固定长度为6字节的附加信息,具体来说,4个字节存储子块在图像中的位置信息,1个字节记录数据包的实际长度,半个字节(4bits)标记该子块为感兴趣区域还是背景区域,另外半个字节指示子块的数据包序号;
各子块的测量值按上述格式打包后插入到ZigBee数据包中逐个发送。
S5、所述的接收端解包得到测量值,采用贪婪迭代算法恢复小波系数,通过Haar小波逆变换还原每个图像块,经块合并重构出原始图像。
本实施例中,(1)选取视频传感器节点采集的前f帧图像,对于每帧图像做如下处理:首先,将图像分解为16×16(即n=16)的子图像块,每个子图像块排列为256×1(即N=256)的列向量。对于每个子图像块,16个测量值就能很好的描述该子图像块的特征信息、实现较好的目标提取效果。16×1的测量值可通过16×256的测量矩阵与子块对应的列向量相乘获得,再将其还原成4×4(即m=4)的测量值矩阵,也就是说,原图像的16×16的子图像块被替换成4×4的测量值矩阵。因此,一个包含图像有用信息的新的图像帧可以根据所有子图像块的测量值重建。例如,352×288的原始图像可以用88×72的重构图像来描述。接下来,通过f帧重构图像来建立每个像素的背景模型。像素(i,j)的背景模型初始化为f帧重构图像对应位置处像素值的集合,即
Μ(i,j)={I1(i,j),I2(i,j),…If(i,j)}
式中Is(i,j)s=1,…,f表示第s帧重构图像(i,j)处的像素值。f应该取较大的值以保证背景样本的多样性,本实例中,f=15。
待检测的图像帧按照上述步骤重构,对于每个像素,判断其与背景模型是否匹配来确定重构图像中哪些像素属于背景。具体方法是,对于像素(i,j),将其值I(i,j)与M(i,j)中的样本Is(i,j)依次比较,满足下列条件的像素被标记为背景像素
#{|I(i,j)-Is(i,j)|<Th,Is(i,j)∈Μ(i,j)}>τ
其中#{}表示统计次数,Th为绝对差阈值,τ为匹配的次数,其缺省值分别为Th=20,τ=2。显然,像素的分类过程非常简单,只涉及简单的减法运算。完成重构帧图像的像素分类后,可将前景像素在原始图像对应的区域标记为感兴趣区域。为了准确地提取出感兴趣区域,背景模型的更新至关重要。假设t时刻的背景模型为Mt={Mt(i,j)},如果某个像素(i,j)被标记为背景,其值I(i,j)将有可能以一定的概率1/δ被吸收到t+1时刻的背景模型Mt+1(i,j)中去。这意味着Mt(i,j)中的任意一个样本会以1/f的概率被选中并被I(i,j)以1/δ的概率替换。对于被标记为前景的像素,其背景模型保持不变。为了克服运动过程中出现的鬼影,当某个像素连续50帧被检测为前景时,可将其重新标记为背景。
图2是采用本发明方法进行图像帧重构与感兴趣区域提取的例图,图2(a)~(d)分别是原始图像、重构图像(显示大小与原始图像相同)、前景模板和检测到的感兴趣区域。从中可以看出,该方法对复杂背景扰动(如,水波和光照的变化)具有鲁棒性,在不需要任何形态学后处理的情况下能准确地提取出感兴趣区域。
(2)提取出图像的感兴趣区域有利于提高图像压缩的效率和目的性。对图像中的感兴趣区域与背景区域分别进行压缩采样与传输。由于背景区域含有大量冗余信息,而且视频感知任务主要关注的是感兴趣区域,因此,背景区域应该每隔几帧处理一次或者以更低的频率进行处理以降低计算成本和节点能耗。为了实现压缩采样,通过Haar小波变换(HWT)实现图像的稀疏化。HWT是最简单的小波变换,计算复杂度和动态内存需求低,同时具有很好的能量压缩与去相关性,适用于处理能力有限、内存较小的传感器节点。图像稀疏表示的过程是,感兴趣区域与背景区域按16×16分成子块,对每个子块采用3层Haar小波分解得到该图像块16×16的稀疏矩阵,再将其进一步转化为256×1的列向量。
(3)对于感兴趣区域内的每个子块,采用M×256的±1伯努利随机测量矩阵与该子块对应的256×1的列向量相乘得到M×1的测量(压缩采样率MR=M/256)。采用伯努利矩阵的优点在于其随机测量计算只使用加法运算而不涉及高斯矩阵随机映射中的浮点乘法运算。考虑到每个子块的空间特征信息不同,有的包含较多的边缘与纹理,有的相对平缓,这使得HWT后各块表现出的稀疏度也各不相同。通过Haar小波系数的绝对值和作为子块的稀疏性度量,对特征信息丰富的子块分配较多的测量,对相对平滑的子块分配较少的测量,这样可以尽可能保留各子块的细节信息,提高图像的恢复质量。对于感兴趣区域内的子块bi,其压缩采样率MRi为
其中s是bi小波系数的绝对值和,是感兴趣区域内所有子块的小波系数绝对值和的平均值,感兴趣区域预设的压缩采样率MRroi根据节点剩余能量确定。各子块的测量矩阵构建方法是,首先,找出所有子块压缩采样率MRi的最大值,即MRmax=max(MRi),其测量数为Mmax=MRmax×256;然后,构建一个Mmax×256的伯努利随机矩阵Φ;最后,子块bi的测量矩阵根据其测量数Mi=MRi×256从Φ中选取前面的Mi行构成。图3给出了自适应分配压缩采样率(左列)与各块采用固定的压缩采样率(右列)的对比结果,二者计算时间基本相同,但前者恢复的图像质量要优于后者。
背景区域通常占据图像的绝大部分区域,不是视觉感知任务关注的重点,可以采用较低的图像质量进行压缩。背景区域内各子块采用固定的压缩采样率MRtiles,其值也由节点剩余能量决定。类似地,背景区域子块的测量矩阵按上述感兴趣区域子块测量矩阵的方法构建。
根据节点剩余能量自动调整图像质量有助于平衡节点能耗、延长网络工作寿命。本实例中,p=0.5,q=2,Eth=0.2E0,因此,上述感兴趣区域与背景区域的预设压缩采样率分别为
图4给出了预设压缩采样率与节点剩余能量的关系曲线。从中可以看出,MRroi的选择侧重于图像质量,MRtiles的选择偏重于节约节点能量;当Er减少至Eth时,背景区域会被忽略不做处理,只对感兴趣区域进行压缩与传输;感兴趣区域与背景区域的预设压缩采样率都随着节点能量的减少而下降,这意味着能量下降时节点将自动降低图像质量,减小用于压缩采样的计算开销,传输更少的测量来防止节点剩余能量的过度消费。由于感兴趣区域内的处理频率远高于背景区域,因此,没有必要连续地调整MRroi,其值可以根据图中的阶梯线来选择。
(4)由压缩感知原理可知,每个压缩测量携带几乎相同的信息量,图像恢复的质量只取决于正确接收到的测量数而并非哪些测量被接受到,因此,基于子图像块的压缩测量的无线传输对数据丢包具有鲁棒性。由于子块测量数(M=MR×256)最大为256,设定测量数据的最大包长为64字节,每个子块的测量值最多拆分为4个数据包。实验测试表明,子块的数据包个数一般不超过3个,绝大部分为1~2个。为了接收端能正确接收数据包并重构出原始图像,每个数据包还增加了6字节的附加信息,其中4个字节存储子块在整幅图像中的位置,1个字节记录数据包的字节数,半个字节标记子块的属性(感兴趣区域或者背景区域),另外半个字节指示子块的数据包序号。因此,每个子块的最大载荷为70字节,将其插入到ZigBee数据包中逐个发送。
(5)接收端从数据包中分离出各块的测量值,采用正交匹配追踪算法(OMP)恢复出小波系数,再通过Haar小波逆变换还原出每个图像块,最后将这些子图像块按照附加信息中的位置信息合并重构出原始图像。值得一提的是,结合附加信息中数据包的实际长度与数据包序号可以确定子块测量值的传输是否存在数据包丢失的情况。如果存在数据丢包,用于恢复小波系数的测量矩阵可通过去除原测量矩阵中丢失测量对应的行重组得到。图5与图6分别为本发明方法在不同剩余能量状态下(Er/E0)以及不同丢包率(lpr)条件下图像压缩传输恢复的结果。图5的结果表明,本发明方法能根据节点剩余能量为感兴趣区域与背景区域自动分配不同的压缩采样率,压缩采样率随着剩余能量的下降而减小,能较好地兼顾图像质量与能量消耗。从图6中可以看出,本发明方法在传输过程中丢包导致的图像质量退化是有限的。即使在发生严重的数据包丢失时(lpr=0.5),感兴趣区域仍可以保证较好的图像恢复质量,同时背景区域图像也是可以识别的。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (6)
1.一种面向无线视频传感器网络的图像压缩传输方法,其特征在于:它包括以下步骤:
S1、对从视频传感器节点采集的每帧图像做如下预处理:采用基于分块压缩感知的运动检测算法将图像分成感兴趣区域与背景区域;
S2、感兴趣区域被分成16×16的子块,通过Haar小波分解得到每个子块的稀疏矩阵,进一步将其转化为256×1的列向量;背景区域做相同操作,背景区域被处理的频率远低于感兴趣区域;
S3、压缩采样被用于每个稀疏块所对应的列向量,根据节点剩余能量自适应调整压缩采样率从而控制图像质量、平衡节点能耗,所述的压缩采样率按以下公式进行自适应调整:
对于感兴趣区域内的子块bi的压缩采样率MRi为
其中s是子块的稀疏性度量,为bi小波系数的绝对值和;是感兴趣区域内所有子块的稀疏性度量的平均值;MRroi是预设的感兴趣区域压缩采样率,根据节点剩余能量确定;
对于背景区域内的所有子块都采用相同的压缩采样率MRtiles,其值由节点剩余能量决定;
节点剩余能量与压缩采样率的关系为:
其中E0和Er分别为节点的初始能量和剩余能量;Eth为防止节点剩余能量的快速衰竭而引入的能量阈值;p和q为控制参数,且0<p<1,q>1;
S4、每个稀疏块的测量值按特定的数据包格式打包,无线发送至接收端。
2.根据权利要求1所述的面向无线视频传感器网络的图像压缩传输方法,其特征在于:所述的S1具体包括:
1.1、根据节点获取的前f帧图像建立运动检测的背景模型:
首先,每帧图像被划分为n×n的子图像块,每个子图像块被排列为N×1的列向量,N=n×n,其中n取2的整数次幂;其次,选取M×N的测量矩阵,通过随机降维映射得到每个子图像块M×1的测量值,再将该测量值还原为m×m的矩阵,其中M<<N,M=m×m,也就是将原来n×n的子图像块替换为m×m的测量值矩阵;依次对每帧图像的每个子图像块做相同处理,最后得到f帧由m×m的测量值矩阵组成的重构图像;对于重构图像中的每个像素,其背景模型表示为f帧重构图像中对应位置处像素值的集合;
1.2、对于待检测的图像帧,按照1.1得到其重构图像;重构图像中的每个像素分别与1.1中得到的该像素背景模型进行匹配,如果该像素值与背景模型中至少两个值的绝对差不超过阈值Th,则该像素被标记为背景,否则,该像素为前景;将重构图像中前景像素对应于原图像中的区域标记为感兴趣区域,其它为背景区域;
1.3、对于背景像素,其背景模型的更新基于某一概率随机地选择背景模型中的样本值,替换为当前像素值;对于前景像素,其背景模型保持不变。
3.根据权利要求2所述的面向无线视频传感器网络的图像压缩传输方法,其特征在于:所述的1.3当某个像素连续多帧被检测为前景时,将其重新标记为背景。
4.根据权利要求1所述的面向无线视频传感器网络的图像压缩传输方法,其特征在于:所述的接收端解包得到测量值,采用贪婪迭代算法恢复小波系数,通过Haar小波逆变换还原每个图像块,经块合并重构出原始图像。
5.根据权利要求1所述的面向无线视频传感器网络的图像压缩传输方法,其特征在于:所述的S4具体包括:
采用ZigBee技术传输压缩图像,每个数据包的最大载荷设定为70字节,其中包括最大长度为64字节的测量数据以及固定长度为6字节的附加信息;附加信息具体包括4个字节存储子块在图像中的位置信息,1个字节记录数据包的实际长度,半个字节标记该子块为感兴趣区域还是背景区域,半个字节指示子块的数据包序号。
6.根据权利要求2所述的面向无线视频传感器网络的图像压缩传输方法,其特征在于:所述的测量矩阵为矩阵元素为±1的伯努利随机矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510827165.0A CN105451019B (zh) | 2015-11-25 | 2015-11-25 | 一种面向无线视频传感器网络的图像压缩传输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510827165.0A CN105451019B (zh) | 2015-11-25 | 2015-11-25 | 一种面向无线视频传感器网络的图像压缩传输方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105451019A true CN105451019A (zh) | 2016-03-30 |
CN105451019B CN105451019B (zh) | 2018-04-27 |
Family
ID=55560742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510827165.0A Expired - Fee Related CN105451019B (zh) | 2015-11-25 | 2015-11-25 | 一种面向无线视频传感器网络的图像压缩传输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105451019B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105898145A (zh) * | 2016-05-03 | 2016-08-24 | 深圳市金立通信设备有限公司 | 一种拍照方法及终端 |
CN105898222A (zh) * | 2016-04-26 | 2016-08-24 | 国家电网公司 | 一种图像采集方法及图像采集系统 |
CN106878317A (zh) * | 2017-02-28 | 2017-06-20 | 北京中电普华信息技术有限公司 | 一种视频编解码方法及视频监控系统 |
CN106901941A (zh) * | 2017-02-21 | 2017-06-30 | 哈尔滨医科大学 | 一种脊柱关节减压系统 |
CN107707917A (zh) * | 2017-08-09 | 2018-02-16 | 南京邮电大学 | 一种基于信息熵的视频自适应采样率设定方法 |
CN108009984A (zh) * | 2017-11-21 | 2018-05-08 | 中国地质大学(武汉) | 一种面向水环境监测的水面显著性区域的检测方法 |
CN108133025A (zh) * | 2017-12-28 | 2018-06-08 | 和芯星通(上海)科技有限公司 | 传感器数据的批处理方法及装置、电子设备及存储介质 |
CN108347612A (zh) * | 2018-01-30 | 2018-07-31 | 东华大学 | 一种基于视觉注意机制的监控视频压缩与重构方法 |
CN109167973A (zh) * | 2018-10-24 | 2019-01-08 | 国网江苏省电力有限公司盐城供电分公司 | 一种智能安全帽的图像传输方法及装置 |
CN109195164A (zh) * | 2018-09-27 | 2019-01-11 | 南京航空航天大学 | 无线传感器网络中基于扰动压缩感知的数据传输安全防护方法 |
CN110087078A (zh) * | 2019-05-10 | 2019-08-02 | 东华大学 | 一种面向图像组分块压缩感知的测量端观测效能调控方法 |
CN111435527A (zh) * | 2019-01-11 | 2020-07-21 | 北京京东尚科信息技术有限公司 | 页面图片显示方法、装置、存储介质及电子设备 |
CN111857515A (zh) * | 2020-07-24 | 2020-10-30 | 深圳市欢太科技有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN111882505A (zh) * | 2020-08-06 | 2020-11-03 | 鸣飞伟业技术有限公司 | 一种基于应急通信前端箱的应用系统 |
CN112509146A (zh) * | 2020-11-23 | 2021-03-16 | 歌尔光学科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN115393777A (zh) * | 2022-10-28 | 2022-11-25 | 国网山东省电力公司青岛供电公司 | 基于压缩感知的电力视频监控图像边缘计算方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090060362A1 (en) * | 2007-08-07 | 2009-03-05 | Oztan Harmanci | Image and video compression using sparse orthonormal transforms |
US20100246920A1 (en) * | 2009-03-31 | 2010-09-30 | Iowa State University Research Foundation, Inc. | Recursive sparse reconstruction |
CN101925091A (zh) * | 2010-07-29 | 2010-12-22 | 中国地质大学(武汉) | 一种基于非阈值的无线传感器网络节点数据压缩方法 |
WO2011069055A2 (en) * | 2009-12-04 | 2011-06-09 | Stc.Unm | System and methods of compressed sensing as applied to computer graphics and computer imaging |
US20110161514A1 (en) * | 2009-12-29 | 2011-06-30 | Nokia Corporation | Method and apparatus for delegating computationally intensive functions |
CN102938649A (zh) * | 2012-09-27 | 2013-02-20 | 江苏大学 | 基于压缩感知理论的电能质量数据自适应重构解压缩方法 |
CN103347268A (zh) * | 2013-06-05 | 2013-10-09 | 杭州电子科技大学 | 认知传感器网络中基于能量有效性观测的自适应压缩重构方法 |
CN103632385A (zh) * | 2013-12-05 | 2014-03-12 | 南京理工大学 | 基于空谱联合稀疏先验的卫星高光谱压缩感知重建方法 |
-
2015
- 2015-11-25 CN CN201510827165.0A patent/CN105451019B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090060362A1 (en) * | 2007-08-07 | 2009-03-05 | Oztan Harmanci | Image and video compression using sparse orthonormal transforms |
US20100246920A1 (en) * | 2009-03-31 | 2010-09-30 | Iowa State University Research Foundation, Inc. | Recursive sparse reconstruction |
WO2011069055A2 (en) * | 2009-12-04 | 2011-06-09 | Stc.Unm | System and methods of compressed sensing as applied to computer graphics and computer imaging |
US20110161514A1 (en) * | 2009-12-29 | 2011-06-30 | Nokia Corporation | Method and apparatus for delegating computationally intensive functions |
CN101925091A (zh) * | 2010-07-29 | 2010-12-22 | 中国地质大学(武汉) | 一种基于非阈值的无线传感器网络节点数据压缩方法 |
CN102938649A (zh) * | 2012-09-27 | 2013-02-20 | 江苏大学 | 基于压缩感知理论的电能质量数据自适应重构解压缩方法 |
CN103347268A (zh) * | 2013-06-05 | 2013-10-09 | 杭州电子科技大学 | 认知传感器网络中基于能量有效性观测的自适应压缩重构方法 |
CN103632385A (zh) * | 2013-12-05 | 2014-03-12 | 南京理工大学 | 基于空谱联合稀疏先验的卫星高光谱压缩感知重建方法 |
Non-Patent Citations (4)
Title |
---|
I. F. AKYILDIZ ETAL: "Wireless multimedia sensor networks: A survey", 《IEEE WIRELESS COMMUNICATIONS 》 * |
N. KIMURA ETAL: "A survey on data compression in wireless sensor networks", 《INFORMATION TECHNOLOGY: CODING AND COMPUTING, 2005. ITCC 2005. INTERNATIONAL CONFERENCE ON》 * |
S. PUDLEWSKI ETAL: "Compressed-Sensing-Enabled Video Streaming for Wireless Multimedia Sensor Networks", 《IEEE TRANSACTIONS ON MOBILE COMPUTING 》 * |
孙力娟 等: "面向多媒体传感器网络的视频压缩新算法", 《中国图象图形学报》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105898222A (zh) * | 2016-04-26 | 2016-08-24 | 国家电网公司 | 一种图像采集方法及图像采集系统 |
CN105898222B (zh) * | 2016-04-26 | 2018-12-18 | 国家电网公司 | 一种图像采集方法及图像采集系统 |
CN105898145A (zh) * | 2016-05-03 | 2016-08-24 | 深圳市金立通信设备有限公司 | 一种拍照方法及终端 |
CN106901941A (zh) * | 2017-02-21 | 2017-06-30 | 哈尔滨医科大学 | 一种脊柱关节减压系统 |
CN106878317A (zh) * | 2017-02-28 | 2017-06-20 | 北京中电普华信息技术有限公司 | 一种视频编解码方法及视频监控系统 |
CN107707917B (zh) * | 2017-08-09 | 2019-10-29 | 南京邮电大学 | 一种基于信息熵的视频自适应采样率设定方法 |
CN107707917A (zh) * | 2017-08-09 | 2018-02-16 | 南京邮电大学 | 一种基于信息熵的视频自适应采样率设定方法 |
CN108009984A (zh) * | 2017-11-21 | 2018-05-08 | 中国地质大学(武汉) | 一种面向水环境监测的水面显著性区域的检测方法 |
CN108009984B (zh) * | 2017-11-21 | 2020-07-07 | 中国地质大学(武汉) | 一种面向水环境监测的水面显著性区域的检测方法 |
CN108133025A (zh) * | 2017-12-28 | 2018-06-08 | 和芯星通(上海)科技有限公司 | 传感器数据的批处理方法及装置、电子设备及存储介质 |
CN108133025B (zh) * | 2017-12-28 | 2020-12-08 | 和芯星通(上海)科技有限公司 | 传感器数据的批处理方法及装置、电子设备及存储介质 |
CN108347612B (zh) * | 2018-01-30 | 2020-09-15 | 东华大学 | 一种基于视觉注意机制的监控视频压缩与重构方法 |
CN108347612A (zh) * | 2018-01-30 | 2018-07-31 | 东华大学 | 一种基于视觉注意机制的监控视频压缩与重构方法 |
CN109195164A (zh) * | 2018-09-27 | 2019-01-11 | 南京航空航天大学 | 无线传感器网络中基于扰动压缩感知的数据传输安全防护方法 |
CN109167973A (zh) * | 2018-10-24 | 2019-01-08 | 国网江苏省电力有限公司盐城供电分公司 | 一种智能安全帽的图像传输方法及装置 |
CN111435527A (zh) * | 2019-01-11 | 2020-07-21 | 北京京东尚科信息技术有限公司 | 页面图片显示方法、装置、存储介质及电子设备 |
CN110087078A (zh) * | 2019-05-10 | 2019-08-02 | 东华大学 | 一种面向图像组分块压缩感知的测量端观测效能调控方法 |
CN110087078B (zh) * | 2019-05-10 | 2023-06-02 | 东华大学 | 一种面向图像组分块压缩感知的测量端观测效能调控方法 |
CN111857515A (zh) * | 2020-07-24 | 2020-10-30 | 深圳市欢太科技有限公司 | 图像处理方法、装置、存储介质及电子设备 |
WO2022016981A1 (zh) * | 2020-07-24 | 2022-01-27 | 深圳市欢太科技有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN111857515B (zh) * | 2020-07-24 | 2024-03-19 | 深圳市欢太科技有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN111882505A (zh) * | 2020-08-06 | 2020-11-03 | 鸣飞伟业技术有限公司 | 一种基于应急通信前端箱的应用系统 |
CN111882505B (zh) * | 2020-08-06 | 2023-10-20 | 鸣飞伟业技术有限公司 | 一种基于应急通信前端箱的应用系统 |
CN112509146A (zh) * | 2020-11-23 | 2021-03-16 | 歌尔光学科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN112509146B (zh) * | 2020-11-23 | 2023-06-20 | 歌尔科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN115393777A (zh) * | 2022-10-28 | 2022-11-25 | 国网山东省电力公司青岛供电公司 | 基于压缩感知的电力视频监控图像边缘计算方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105451019B (zh) | 2018-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105451019A (zh) | 一种面向无线视频传感器网络的图像压缩传输方法 | |
CN102938841B (zh) | 在承载图像中隐藏信息、图像质量评价及信息传输方法 | |
CN107197260A (zh) | 基于卷积神经网络的视频编码后置滤波方法 | |
WO2017000465A1 (zh) | 矿井无线分布式视频编码中的关键帧实时选取方法 | |
CN102123278B (zh) | 基于分布式压缩感知技术的信源编解码的方法 | |
CN110827198B (zh) | 基于压缩感知和超分辨率重构的多相机全景图像构建方法 | |
CN106960416A (zh) | 一种内容复杂性自适应的视频卫星压缩图像超分辨率方法 | |
CN107027025B (zh) | 一种基于宏像素块自适应预测的光场图像压缩方法 | |
CN104715496B (zh) | 云环境下基于三维点云模型的图像预测方法、系统及装置 | |
CN103414892A (zh) | 一种大容量抗压缩的图像信息隐藏方法 | |
CN106375766A (zh) | 一种光场图像压缩方法 | |
CN102611893B (zh) | 基于直方图匹配和sad判决的dmvc边信息融合方法 | |
CN103313061A (zh) | 一种自适应背景更新的视频压缩传输方法及系统 | |
CN106507107B (zh) | 数据的处理方法和装置 | |
CN105163122B (zh) | 一种基于图像块相似性的图像压缩及解压缩方法 | |
CN106056638B (zh) | 一种自适应纹理对比度的低复杂度压缩感知图像编码方法 | |
CN104363460A (zh) | 一种基于三维自组织映射的立体图像编码方法 | |
CN103763564A (zh) | 基于边缘无损压缩的深度图编码方法 | |
CN102740081B (zh) | 一种基于分布式编码技术的多视点视频传输差错控制方法 | |
CN104065969A (zh) | 一种大容量抗大压缩的图像信息隐藏方法 | |
Barathy | Two-level data aggregation for WMSNs employing a novel VBEAO and HOSVD | |
CN102438142B (zh) | 一种基于深空背景的自适应图像压缩方法 | |
Khosravi et al. | Modified data aggregation for aerial ViSAR sensor networks in transform domain | |
CN103985096A (zh) | 基于离线训练的高光谱图像回归预测压缩方法 | |
CN104320661B (zh) | 基于差分熵和结构相似性的图像编码质量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180427 Termination date: 20181125 |