CN110958722B - 云辅助下基于超分辨技术的无线图像传感器网络节能方法 - Google Patents
云辅助下基于超分辨技术的无线图像传感器网络节能方法 Download PDFInfo
- Publication number
- CN110958722B CN110958722B CN201911202021.0A CN201911202021A CN110958722B CN 110958722 B CN110958722 B CN 110958722B CN 201911202021 A CN201911202021 A CN 201911202021A CN 110958722 B CN110958722 B CN 110958722B
- Authority
- CN
- China
- Prior art keywords
- image
- node
- resolution
- transmission
- nodes
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/02—Topology update or discovery
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
云辅助下基于超分辨技术的无线图像传感器网络节能策略,具体包括如下步骤:含多雾节点、图像节点及传输节点的网络部署;与前述网络相匹配的路由构建及超分辨模型训练;雾节点与图像节点交互调整;图像节点与传输节点交互进行网络数据传输。本发明将图像超分辨算法融合到无线图像传感器网络节能策略中,构建基于感知云的无线图像传感器网络数据处理与传输体系:挖掘图像质量与分辨率之间的关系,在超分辨重建后的高分辨图像质量得到保证的前提下,建立机制动态调整图像感知分辨率,尽可能降低图像节点的感知分辨率,从而减少网内图像数据传输量;利用多雾节点,进一步构建低控制开销的数据传输模式。
Description
技术领域
本发明属于无线传感器网络领域,特别是涉及一种以图像作为数据采集以及传输对象的无线传感器网络整体节能方法,可用于环境受限情况下的监控、安防等任务,在尽量不牺牲图像质量的前提下提高网络整体生存时间。
背景技术
无线图像传感器网络采集数据的量大,对节点各方面要求比普通标量型传感器网络要高较多,传统的无线传感器网络技术对图像数据采集性能的提高已经遇到瓶颈,感知云能在一定程度上缓解无线图像传感器网络的资源受限问题,在环境图像监控数据获取、处理、分析上提供较优的用户体验。因此,利用感知云提升无线图像传感器网络监控性能是一个非常不错的选择。
数据传输一直是节点能量消耗的主体,图像节点的感知数据量较大,无线图像传感器网络往往需利用小波等各种图像压缩算法来减少网内数据量。不同于标量型数据处理,对图像数据的处理耗能不能被忽略,图像压缩所消耗的能量可与数据传输耗能比肩。图像超分辨技术是基于一幅或者多幅低分辨图像恢复重建出对应高分辨图像的技术。图像节点依靠简单的抽值下采样即可获得低分辨图像,从而减少数据量,且耗能极少。在图像超分辨技术协助下,图像节点可采集低分辨图像传送到云端,再由云端服务器超分辨重建后交由用户。
环境状况不同会导致同一感知分辨率下的图像质量存在差异。在固定的图像质量要求下,环境景色越简单、光线越充足时,能满足质量要求的图像感知分辨率越低;反之感知分辨率越高。当图像质量较优时,可更大幅度地降低分辨率来减少数据量,同时利用图像超分辨技术重构同等质量的高分辨图像。因此,在合理地调整图像感知分辨率使其满足超分辨重构图像质量需求的前提下减少网内图像数据量,延长网络整体生存时间。
在感知网的协助下,无线图像传感器网络中的数据汇聚到雾节点后传输到云端服务器,而用户指令利用云平台通过雾节点最终到达传感器节点。固定位置的单雾节点架构使得越靠近雾节点的传感器节点数据传输压力越大,容易造成耗能严重失衡,缩短网络生存期。多雾节点网络环境下由于数据传输的路径选择更多,使得网络中的数据传输耗能更加均衡,能延长网络生存期。相对于标量感知数据,图像的数据量大,因此无线图像传感器网络更需要均衡数据传输耗能,多雾节点架构及多路径数据传输更加适用。
发明内容
为了改善无线传感器网络资源受限问题,并减少图像数据处理耗能,提高网络生存期,本发明借助感知云与图像超分辨技术提出了一种云辅助下基于超分辨技术的无线图像传感器网络节能策略。
该策略构建基于感知云的无线图像传感器网络图像数据处理与传输体系,在云端利用图像超分辨算法重建高分辨图像,动态调整图像感知分辨率,在超分辨重构后的图像质量得到保证的前提下,尽可能降低图像感知分辨率,减少并均衡网内图像数据传输耗能。该策略具体包括如下步骤:
步骤1:网络部署
(1.1)部署云端服务器,用于训练图像超分辨模型、对网内数据进行处理分析、将结果交付给用户以及接收用户指令;
(1.2)在监控区域内部署无线图像传感器网络,网内节点为异构节点,按功能分为两类:图像节点与传输节点;图像节点按实际任务指定的位置部署,传输节点的部署依靠飞机等方式随机撒点方式进行;
(1.3)在监控区域外围的东南西北四个方向上分别部署有1个雾节点,共4个雾节点,负责收集网内数据并提交到云端服务器,以减少数据传输耗能并使得耗能全网范围内更加均衡。
步骤2:路由构建与超分辨模型训练
(2.1)路由构建
(2.1.1)雾节点维护自身唯一的FNID(FogNode-ID),并向网络广播路由构建报文RBM(Route Building Message);
(2.1.2)每个传输节点依据RBM报文维护一张路由表RT。
传输节点每收到一个RBM后,如果路由表为空,则增加一条路由并转发该RBM报文;如果已存在到该雾节点的路由,则进行更新使该路由取较短路径,并转发该RBM报文;利用RBM报文的不断转发,最终完成基于多雾节点的全路由构建。
(2.2)超分辨模型训练
(2.2.1)云端服务器获取低分辨与高分辨图像对构建训练集;
(2.2.2)利用机器学习方法在训练集上训练监控区域2倍超分辨模型;
(2.2.3)将训练好的超分辨模型通过雾节点传输给各图像节点。
步骤3:雾节点与图像节点交互调整
(3.1)雾节点图像质量控制
(3.1.1)初始化图像质量相关参数;
(3.1.2)一旦接收到来自某个图像节点INi采集的图像Ir×c的部分数据块,则做如下操作:
(3.1.2.1)根据INi的管辖信息将数据块转交给其它雾节点或从其它雾节点收集
Ir×c的其它数据块;
(3.1.2.2)云端服务器将图像超分辨重建后发送给用户且将用户反馈的质量评价信息发回给雾节点;
(3.1.2.3)雾节点对图像节点进行质量差评计数器的累计,当差评计数器达到预设的阈值,则利用IQIM(Image Quality Improvement Message)报文通知相关图像节点调整图像感知分辨率;
(3.1.2.4)若用户通过云端修改图像节点客观质量评价指标阈值(ObjectiveQuality Assessment Threshold)时,雾节点负责转发更新后的客观质量评价指标阈值(简写为OQA_Threshold)给相关图像节点。
(3.2)图像节点感知分辨率自适应调整
(3.2.1)图像节点感知参数初始化;
(3.2.2)对图像节点每次感知的图像,在其经超分辨重建后并满足图像质量要求的前提下,获得需传输低分辨图像的最小感知尺寸,图像节点根据该尺寸采集相应分辨率的图像并更新相关参数。
步骤4:图像节点与传输节点交互进行网络数据传输
图像节点根据响应其传输请求的传输节点数将图像数据进行分割并编号,并将分割后的图像块给相应传输节点传输;获得数据转发权的传输节点将获得的图像数据块转发至雾节点;
(4.1)图像节点数据传输
(4.1.1)收集与该图像节点相邻传输节点信息并进行初始化;
(4.1.2)一旦图像节点的图像数据准备好,则执行如下操作:
(4.1.2.1)构造DTRQ(Data Transmission ReQuest)报文,并向邻居传输节点广播该报文;
(4.1.2.2)接收来自于邻居传输节点数据传输响应DTRS(Data TransmissionReSponse)报文;
(4.1.2.3)向根据DTRS选中的传输节点发送数据传输确认报文TA(TransmissionAcknowledgement),随后发送图像数据块。
(4.2)传输节点数据传输
(4.2.1)收到图像节点DTRQ报文的传输节点竞争,竞争获胜的传输节点发送DTRS至图像节点;
(4.2.2)根据是否收到图像节点传来的TA报文,传输节点分别进行处理。
本发明设计了一种云辅助下基于超分辨技术的无线图像传感器网络节能策略,相比现有其它无线图像传感器网络节能策略,具有以下优点:
第一、将图像超分辨算法引入到无线图像传感器网络节能策略中,挖掘图像质量与分辨率之间的关系,在超分辨重建后的高分辨图像质量得到保证的前提下,动态调整图像感知分辨率,尽可能降低图像节点的感知分辨率进而减少网内图像数据处理与传输耗能。
第二、构建感知云辅助下的无线图像传感器网络图像数据传输体系。首先在感知云上部署超分辨模型,保证模型训练速度与图像超分辨重建速度;接着设计基于多个雾节点的图像数据传输方案,根据图像节点邻居情况将感知图像进行动态分割并传输,均衡数据传输耗能。
附图说明
图1为本发明一种云辅助下基于超分辨率技术的无线图像传感器网络节能方法的整体框架示意图。
图2为本发明的步骤1网络部署示意图。
图3为不同节点部署与图像数据传输方式下随网络大小变化的网络生存期示意图。
图4为不同节点部署与图像数据传输方式下随传输节点密度变化的网络生存期示意图。
图5为不同节点部署与图像数据传输方式下随网络大小变化的传输节点最大最小耗能比示意图(第5000轮)。
图6为不同节点部署与图像数据传输方式下随传输节点密度变化的传输节点最大最小耗能比示意图(第5000轮)。
图7为不同RAF下随网络大小变化的网络生存期示意图。
图8为不同RAF、不同节点密度下的网络生存期示意图。
图9为不同RAF、不同时刻的重建图像质量示意图。
具体实施方式
以下结合附图对本发明的实施例及效果做详细描述。
请参阅图1,本发明策略首先利用云系统部署多雾节点的无线图像传感器网络,然后构建与前述网络相匹配的节能路由,同时借助图像超分辨技术在保证图像质量的前提下节省图像数据量,再利用均衡数据传输方案实现网络内图像数据的高效获取,从而降低网络数据处理与传输耗能、延长网络生存期。该策略的实施步骤如下:
步骤1:网络部署
(1.1)部署云端服务器,用于训练图像超分辨模型、对网内数据进行处理分析、将结果交付给用户以及接收用户指令;
(1.2)在监控区域内部署无线图像传感器网络,网内节点为异构节点,按功能分为两类:图像节点与传输节点;图像节点按实际任务指定的位置部署,传输节点的部署依靠飞机等方式随机撒点方式进行;
(1.3)在监控区域外围的东南西北四个方向上分别部署有1个雾节点,共4个雾节点,负责收集网内数据并提交到云端服务器,以减少数据传输耗能并使得耗能全网范围内更加均衡。
步骤2:路由构建与超分辨模型训练
(2.1)路由构建
(2.1.1)雾节点维护自身唯一的FNID(FogNode-ID),并向网络广播路由构建报文RBM(Route Building Message);RBM报文由三元组<Type,S,F,Dis>构成,其中Type为报文类别,S为报文的源雾节点,F为该报文当前直接转发节点,Dis为S到F的跳数;
(2.1.1.1)初始化RBM报文为<Type=RBM,S=FNID,F=FNID,Dis=0>;
(2.1.1.2)雾节点向邻居广播RBM报文;
(2.1.2)每个传输节点依据RBM报文维护一张路由表RT;传输节点每收到一个RBM后,如果路由表为空,则增加一条路由;如果已存在到该雾节点的路由,则适当更新使该路由取较短路径;利用RBM报文的不断转发,最终完成基于多雾节点的全路由构建;
RT表由三元组<Des,Dis,NHL>构成,其中Des是目的雾节点的FNID,Dis是该传输
节点距离Des的跳数,NHL(NextHopList)是下一跳节点列表;
(2.1.2.1)初始时,所有传输节点的路由表为空;
(2.1.2.2)对任意一个传输节点Ni,若接收到一个RBM报文,则执行下述操作:
(2.1.2.2.1)如果RT为空;
(2.1.2.2.1.1)RT中增加路由r=<RBM.S,RBM.Dis+1,{RBM.F}>;即将RBM报文中的S成员、Dis成员加1、F成员赋值给RT表中的一个三元组记录;
(2.1.2.2.1.2)RBM.F=Ni,RBM.Dis=r.Dis;
(2.1.2.2.1.3)转发该RBM;
(2.1.2.2.2)如果RT不空且存在一条记录rec满足rec.Des==RBM.S,则执行如下操作:
(2.1.2.2.2.1)如果rec.Dis>RBM.Dis+1,执行如下操作:
(2.1.2.2.2.1.1)rec.NHL.clear();%clear()函数将调用对象清空,即清空记录r的下一跳列表NHL;
(2.1.2.2.2.1.2)rec.NHL.add(RBM.F);%add()函数将输入参数添加到调用对象中,即将RBM报文中的F成员添加到rec记录的NHL域中;
(2.1.2.2.2.1.3)rec.Dis=RBM.Dis+1;
(2.1.2.2.2.1.4)RBM.F=Ni;
(2.1.2.2.2.1.5)RBM.Dis=rec.Dis;
(2.1.2.2.2.1.6)转发该RBM;
(2.1.2.2.2.2)如果rec.Dis==RBM.Dis+1,执行如下操作:
(2.1.2.2.2.2.1)如果RBM.F不在rec.NHL中,则rec.NHL.add(RBM.F);
(2.1.2.2.3)如果RT不空且不存在一条记录rec满足rec.Des==RBM.S,执行如下操作:
(2.1.2.2.3.1)dmin=min{d|d=rec.Dis,rec是RT中的记录};
(2.1.2.2.3.2)如果RBM.Dis+1<=dmin+a,执行如下操作:
%a用于控制多雾节点下路由的数量,a∈{d|0≤d≤Dismax/2,d∈N},其中Dismax是两个对向FN之间的跳数
(2.1.2.2.3.2.1)RT中增加路由<RBM.S,RBM.Dis+1,{RBM.F}>;
(2.1.2.2.3.2.2)如果RBM.Dis+1!=dmin+a,则更新并转发该RBM。
(2.2)超分辨模型训练
(2.2.1)云端服务器获取低分辨与高分辨图像对构建训练集D;
(2.2.2)利用机器学习方法在D上训练监控区域2倍超分辨模型;
(2.2.3)将训练好的超分辨模型通过雾节点传输给各图像节点。
步骤3:雾节点与图像节点交互调整
(3.1)雾节点图像质量控制
(3.1.1)雾节点初始化图像质量相关参数;具体过程如下:
(3.1.1.1)QIN[INN,1]=zeros(INN,1),其中zeros(x,y)函数返回尺寸为x×y的零矩阵,INN为雾节点管辖的图像节点数;
(3.1.1.2)该雾节点发送图像客观质量评价阈值OQA_Threshold到管辖的每个图像节点;
(3.1.2)一旦接收到来自某个图像节点INi采集图像Ir×c的部分数据块,则做如下操作:
(3.1.2.1)根据INi的管辖信息将数据块转交给其它雾节点或从其它雾节点收集Ir×c的其它数据块;具体过程为:
(3.1.2.1.1)如果INi为该雾节点管辖图像节点且图像Ir×c不完整,则从其它雾节点收集Ir×c的其它数据块;
(3.1.2.1.2)否则将数据块转交给INi的管辖雾节点;
(3.1.2.2)云端服务器将图像超分辨重建后发送给用户且将用户反馈的质量评价信息发回给雾节点;具体过程为:
(3.1.2.2.1)如果该雾节点获得了完整的Ir×c,则发送Ir×c到云端服务器;
%云端服务器基于训练好的超分辨模型完成n次2倍超分辨(n由步骤(3.2.2.1.2.3.3)得到),获得对应的超分辨图像ISp,收集用户ISp对的主观质量评价并发送给雾节点;
(3.1.2.2.2)接收来自云端服务器关于ISp的用户主观质量评价;
(3.1.2.3)雾节点对图像节点进行质量差评计数器的累计,当差评计数器达到预设的一定阈值,则利用IQIM(Image Quality Improvement Message)报文通知相关图像节点调整图像感知分辨率,该报文由<Type,S>构成,其中Type为报文类别,S为报文的源雾节点。具体过程如下:
(3.1.2.3.1)如果ISp的用户主观质量评价为差,执行如下操作:
(3.1.2.3.1.1)QIN(i)=QIN(i)+1;
(3.1.2.3.1.2)如果QIN(i)>QIN_Threshold,执行如下操作:
(3.1.2.3.1.2.1)给图像节点INi发送IQIM报文;
(3.1.2.3.1.2.2)QIN(i)=QIN(i)/2;
(3.1.2.3.2)如果ISp的用户主观质量评价不等于差,执行如下操作:
(3.1.2.3.2.1)如果QIN(i)!=0,则QIN(i)=QIN(i)-1;
(3.1.2.4)若用户通过云端修改图像节点客观质量评价指标(Objective QualityAssessment)阈值OQA_Threshold时,雾节点负责转发更新后的OQA_Threshold给相
关图像节点;具体过程如下:
(3.1.2.4.1)如果该雾节点接收到用户修改图像节点INj的客观评价指标阈值指令,则发送新的OQA_Threshold到INj并置QIN[j]=0;
(3.2)图像节点感知分辨率自适应调整
(3.2.1)图像节点感知参数初始化,即
R=R_Max,%初始值R_Max由用户指定
C=C_Max,%初始值C_Max由用户指定
RAF=RAF_Initial,%初始值RAF_Initial由用户指定
OQA=OQA_Initial,%初始值OQA_Initial由用户指定
Count=0,
Count_Threshold=Count_Initial,%初始值Count_Initial由用户指定
Count_Threshod_Thr=Count_Threshod_Thr_Initial,%初始值Count_Threshod_Thr_Initial由用户指定
其中R和C分别为图像节点采集图像的行数和列数,RAF(Resolution AdjustmentFactor)是分辨率调整因子,其值为2的整数次幂,初始值为RAF_Initial;Count是一个分辨率调整迫切度计数器,用来表明图像节点需要重新计算图像感知分辨率的紧迫程度,它的值越大,表明越需要重新挑选图像感知分辨率,当Count达到Count_Threshold之时,表明节点必须重新计算图像的采集分辨率;Count_Threshod_Thr为Count_Threshod的阈值,用来限制Count_Threshod的增长,使得RAF的调整间隔时间不会过长;OQA是图像节点所持有的客观质量评价指标,其初始值为OQA_Initial;
(3.2.2)对图像节点每次感知的图像,在其经超分辨重建后满足图像质量要求的前提下,获得需传输低分辨图像的最小感知尺寸,图像节点根据该尺寸采集相应分辨率的图像并更新相关参数;具体过程如下:
(3.2.2.1)在图像节点每次需要感知或采集图像时,做如下操作:
(3.2.2.1.1)Count=Count+1;
(3.2.2.1.2)如果该图像节点接收到客观评价指标阈值OQA_Threshold并且
OQA!=OQA_Threshold,则OQA=OQA_Threshold;
(3.2.2.1.3)如果该图像节点接收到IQIM报文或OQA发生更新或Count==Count_Threshold;
(3.2.2.1.3.1)采集分辨率为R_Max×C_Max的图像Imax;
(3.2.2.1.3.2)RAF_temp=RAF;
%下面开始调整RAF,RAF_temp用来记录调整过程中的RAF;
(3.2.2.1.3.3)BZ1=0,BZ2=0;
%BZ1用来标识RAF_temp的变化方向为翻倍;
%BZ2用来表示RAF_temp的变化方向为减倍;
(3.2.2.1.3.4)如果RAF_temp>=1并且RAF_temp<=min(R_Max,C_Max),则循环执行如下操作:
(3.2.2.1.3.4.1)R=R_Max/RAF_temp;
C=C_Max/RAF_temp;
(3.2.2.1.3.4.2)采集分辨率为R×C的图像Itrans;
(3.2.2.1.3.4.3)n=log2(RAF_temp);
(3.2.2.1.3.4.4)基于训练好的超分辨模型完成n次2倍超分辨,获得
对应的超分辨图像ISp;
(3.2.2.1.3.4.5)利用Imax和ISp计算相应的客观评价指标OQAtemp;
(3.2.2.1.3.4.6)如果OQAtemp优于OQA,则执行如下操作:
(3.2.2.1.3.4.6.1)如果BZ2==1,则发送图像Itrans到雾节点,并跳出(3.2.2.1.3.4)所定义的循环;
(3.2.2.1.3.4.6.2)如果RAF_temp×2<min(R_Max,C_Max),则
RAF_temp=RAF_temp×2,BZ1=1;
(3.2.2.1.3.4.6.3)若(3.2.2.1.3.4.6.1)和(3.2.2.1.3.4.6.2)的条件均不满足,则发送图像Itrans到雾节点,并跳出(3.2.2.1.3.4)所定义的循环;
(3.2.2.1.3.4.7)如果OQAtemp等于或低于OQA,则RAF_temp=
RAF_temp/2,并执行如下操作:
(3.2.2.1.3.4.7.1)如果BZ1==1,则R=R_Max/RAF_temp,C=
C_Max/RAF_temp,采集分辨率为R×C的图像Itrans到雾节点,并跳出(3.2.2.1.3.4)所定义的循环;
(3.2.2.1.3.4.7.2)BZ2=1;
(3.2.2.1.3.5)如果RAF==RAF_temp并且Count==Count_Threshold,则执行如下操作:
(3.2.2.1.3.5.1)如果Count_Threshold小于Count_Threshod_Thr,则Count_Threshold赋值为Count_Threshold×2;否则,Count_Threshold
赋值为Count_Threshold+1;
(3.2.2.1.3.6)如果RAF==RAF_temp并且Count==Count_Threshold不能同时成立,则Count_Threshold赋值为random(1,Count_Initial),其中函数random(x,y)返回[x,y]内的一个随机整数
(3.2.2.1.3.7)RAF=RAF_temp,Count=0;
(3.2.2.1.4)如果(3.2.2.1.3)中的条件不满足,则执行如下操作:
(3.2.2.1.4.1)R=R_Max/RAF,C=C_Max/RAF;
(3.2.2.1.4.2)采集分辨率为R×C的图像Itrans到雾节点。
步骤4:图像节点与传输节点交互进行网络数据传输
图像节点根据响应其传输请求的传输节点数将图像数据进行分割并编号,并将分割后的图像块给相应传输节点传输。获得数据转发权的传输节点将获得的图像数据块转发至雾节点;
(4.1)图像节点数据传输
(4.1.1)收集与该图像节点相邻传输节点信息并进行初始化,具体过程为:
(4.1.1.1)收集邻居传输节点到各个雾节点的Dis;
(4.1.1.2)确定邻居传输节点其邻域内节点到各个雾节点的最小距离Dismin,并告知邻居传输节点;
(4.1.2)一旦图像节点的图像数据准备好,则执行如下操作:
(4.1.2.1)构造DTRQ(Data Transmission ReQuest)报文,并向邻居传输节点广播该报文;
(4.1.2.2)接收来自于邻居传输节点数据传输响应DTRS(Data TransmissionReSponse)报文;
(4.1.2.3)向根据DTRS选中的传输节点发送数据传输确认报文TA(TransmissionAcknowledgement),随后发送图像数据块。具体过程如下:
(4.1.2.3.1)对具有相同Des、不同Dis的DTRS,剔除Dis较大的DTRS,得到用于传输图像数据的节点集合,不妨记为TransSet;
(4.1.2.3.2)对TransSet中的传输节点发送数据传输确认;
(4.1.2.3.3)将所需传输的图像数据划分为|TransSet|份并编号;
(4.1.2.3.4)向TransSet中的每个传输节点发送分割后的一份图像数据;
(4.2)传输节点数据传输
(4.2.1)收到图像节点DTRQ报文的传输节点竞争,竞争获胜的传输节点发送DTRS至图像节点;具体过程如下:
(4.2.1.1)如果某个传输节点TNi接收到一个DTRQ,则执行如下操作:
(4.2.1.1.1)根据路由表RT获得本节点到相应雾节点之间的距离(若到相应雾节点没有路由,则相应Dis为-1),不妨记为{<FNii,Disii>|1≤ii≤4,ii∈Z};
(4.2.1.1.2)以ii为循环变量,ii从1到4执行如下操作:
(4.2.1.1.2.1)如果Disii≠-1,则根据下式计算DTRS发送等待延迟Δtii,并启动一个定时器Timerii;
其中,Dis为该传输节点到雾节点的跳数,Dismin为图像节点邻域内的传输节点到雾节点的最小跳数,TE为该传输节点初始总能量,RE为该传输节点剩余能量,T为该传输节点响应数据传输请求的时间段;
(4.2.1.1.3)循环执行如下操作:
(4.2.1.1.3.1)如果Timerii发生超时,执行如下操作:
(4.2.1.1.3.1.1)取消其余的Timers;
(4.2.1.1.3.1.2)基于DTRQ.randN、自身ID、FNii、Disii构建DTRSii报文,并在邻域内广播;
(4.2.1.1.3.1.3)对来自图像节点DTRQ.INID的图像数据启用到雾节点FNii的路由;
(4.2.1.1.3.1.4)跳出(4.2.1.1.3)所定义的循环;
(4.2.1.1.3.2)如果该传输节点接收到一个DTRSjj报文,执行如下操作:
(4.2.1.1.3.2.1)取消Timerjj;
(4.2.1.1.3.2.2)如果所有{Timerii|1≤ii≤4,ii∈Z}均被取消,则跳出(4.2.1.1.3)所定义的循环;
(4.2.2)根据是否收到图像节点传来的TA报文,传输节点分别进行处理;具体过程如下:
(4.2.2.1)如果接收到图像节点DTRQ.INID的数据传输确认TA报文,则接收图像节点DTRQ.INID的图像数据块后将已启动路由的目的雾节点信息封装在数据报文中,并转发;
(4.2.2.2)若未接收到图像节点DTRQ.INID的数据传输确认TA报文,则执行如下操作:
(4.2.2.2.1)如果该传输节点已启动针对图像节点DTRQ.INID的数据路由,则删除相关启动路由;
(4.2.2.2.2)按报文所携带的Des转发数据,其中下一跳可为NHL中所记录的任意节点。
本发明的效果可通过以下仿真实验进一步说明。
(1)仿真条件
本发明的实验是在CPU为Intel I5-7500 3.40GHz,内存为16G,操作系统为Linux,仿真平台为Matlab 2016的计算机上进行。
设置监控区域为正方形,区域四边中心处部署雾节点,假设数据收集过程划分为轮,每轮次内所有图像节点采集并发送一次数据,并采用与期刊文献《An application-specific protocol architecture for wireless microsensor networks》相同的数据传输能量消耗模型。超分辨模型采用期刊文献《Fast single image super-resolutionusing sparse Gaussian process regression》公开的基于稀疏高斯过程回归的单帧图像超分辨方法。主要的实验参数见下表1:
表1实验主要参数
(2)仿真内容
实验一,保持传输节点密度不变,变化网络区域大小,实验对比了1个雾节点不分块图像数据传输(1FN-1)、1个雾节点分块图像数据传输(1FN-2)、2-4个雾节点分块图像数据传输(2/3/4FN)时的网络生存期,结果如图3所示。
由图3可知传输节点密度不变、网络大小变化时,1个1FN-1方案的网络生存期最短;1FN-2方案由于利用了多路径传输,其网络生存期比1FN-1方案长,但不多;随着雾节点个数的增加,使得图像数据分块传输的路径数增加,导致各传输节点的数据传输耗能更均衡化,网络生存期增长,其中4FN方案的网络生存期最长。
实验二,为考查传输节点密度对本发明策略的影响,保持网络监控区域大小为300×300,变化传输节点密度,实验对比了1FN-1、1FN-2、2FN、3FN和4FN方案的网络生存期,结果如图4所示。
由图4可知,随着传输节点密度的增大,各方案网络生存期均延长,其中4FN方案的网络生存期最长。这是因为传输节点密度的增大使得图像数据传输的路径增多,且多雾节点的存在使得数据不再朝向一个方向传输,而且本发明图像分块传输方案可在同一方向上建立多条尽可能不相交的传输路径(1FN-2比1FN-1的网络生存期长),进一步均衡了传输节点负载。
实验三,为了进一步考查本发明多雾节点部署以及与之配套的多路径图像数据分块传输方案的耗能均衡性,实验分别变化网络和传输节点密度大小,统计了在第5000轮图像采集并传输成时1FN-1、1FN-2、2FN、3FN和4FN方案传输节点最大最小耗能比情况,如图5和图6所示。
图5表明,随着网络范围的扩大,耗能不均衡性加大,这是因为图像节点数将随着网络范围的增大而增多,热点节点所负责传输的数据量增加。1FN-1方案的传输节点最大最小耗能比最大,随着雾节点数的增加,传输节点最大最小耗能比依次减少,4FN方案的最大最小耗能比最小。
图6表明随着传输节点密度的增大,传输节点最大最小耗能比减小较少,雾节点数为4时的传输节点最大最小耗能比仍然最小。原因如下:图像节点密度没有变,在相同大小的网络下,传输节点密度的增加将减轻各节点的数据传输负担,导致最大最小耗能比随着传输节点密度的增大而逐渐减小。
实验四,保持节点密度不变,变化监控区域大小,采用4个雾节点部署监控网络,实验比较不采用超分辨技术(RAF=1)、固定RAF(RAF=2/4/8)、动态RAF(Adjustable RAF)这5种方案下的网络生存期,结果如图7所示。
图7表明随着网络的增大,各方案的网络生存期均缩短,RAF=1方案的网络生存期最短,RAF=8方案的网络生存期最长,本发明所提Adjustable RAF方案的网络生存期比RAF=4长但比RAF=2短。这都是因为网络的增大导致图像节点数增多,从而数据传输负担加重;同时RAF=8方案的图像感知分辨率最低,RAF=1方案的图像感知分辨率最高;在保证图像重建质量的前提下,Adjustable RAF方案的平均图像感知分辨率介于RAF=4方案和RAF=2方案之间。
实验五,保持网络大小不变,(图像节点密度,传输节点密度)分别取(0.0010个/m2,0.015个/m2)、(0.0011个/m2,0.017个/m2)、(0.0012个/m2,0.019个/m2)、(0.0013个/m2,0.021个/m2)、(0.0014个/m2,0.023个/m2)和(0.0015个/m2,0.025个/m2),依次记为Scale 1/2/3/4/5/6,实验比较RAF=1/2/4/8和Adjustable RAF的网络生存期,结果如图8所示。
图8表明,图像节点和传输节点密度的协同增长可使得网络生存期变化不大,但是各方案的网络生存期长短情况与前面保持一致,本发明动态RAF所获得的网络生存期接近于RAF=2方案。
虽然Adjustable RAF方案在网络生存期上不是最优,但也获得了较长的网络生存期。
实验六,超分辨重建图像质量评价分为客观质量评价与主观质量评价。本发明策略中的客观质量评价指标OQA设定为PSNR,其阈值OQA_Threshold设置为30,实验比较不同数据传输轮次下方案RAF=2/4/8和Adjustable RAF的图像质量PSNR值,结果如图9所示。
图9表明Adjustable RAF的图像客观质量评价稍逊于RAF=2方案,远优于RAF=8方案。但在生存期上,Adjustable RAF的网络生存期比RAF=2方案长较多,接近于RAF=4方案。
实验七,实验请50人对所获图像质量做主观评价。评价采用10分制,超分辨重建图像质量越好,分值越大,反之分值越小。对不同实验场景下所有评价者的所有图像评分取平均值,结果如表2所示。
表2重建图像主观质量评价结果
表2表明,RAF=1方案的用户图像主观评价是最优的(但它所导致的网络生存期最短)。固定图像感知分辨率时,用户主观评价随着感知分辨率的降低而下降(但网络生存期提升),RAF=8方案的用户主观评价最糟(尽管其网络生存期最长)。本发明利用超分辨技术得到高分辨率图像,通过调整RAF以在保证图像超分辨重建质量的前提下尽量降低图像感知分辨率,因此图像节点采集的低分辨图像在云端图像超分辨重建后得到的图像主观评价较优。与此同时,相比直接传输高分辨率图片,本发明能显著提升网络生存期。
Claims (1)
1.云辅助下基于超分辨技术的无线图像传感器网络节能方法,其特征在于该方法具体包括如下步骤:
步骤1:网络部署
(1.1)部署云端服务器,用于训练图像超分辨模型、对网内数据进行处理分析、将结果交付给用户以及接收用户指令;
(1.2)在监控区域内部署无线图像传感器网络,网内节点为异构节点,按功能分为两类:图像节点与传输节点;图像节点按实际任务指定的位置部署,传输节点的部署依靠随机撒点方式进行;
(1.3)在监控区域外围的东南西北四个方向上分别部署有1个雾节点,共4个雾节点,负责收集网内数据并提交到云端服务器;
步骤2:路由构建与超分辨模型训练
(2.1)路由构建
(2.1.1)雾节点维护自身唯一的雾节点标识FNID,并向网络广播路由构建报文RBM;
(2.1.2)每个传输节点依据RBM维护一张路由表RT,维护方式如下:
传输节点每收到一个RBM后,如果路由表为空,则增加一条路由并转发该RBM;如果已存在到该雾节点的路由,则进行更新使该路由取较短路径,并转发该RBM;利用RBM的不断转发,最终完成基于多雾节点的全路由构建;
(2.2)超分辨模型训练
(2.2.1)云端服务器获取低分辨与高分辨图像对构建训练集;
(2.2.2)利用机器学习方法在训练集上训练监控区域2倍超分辨模型;
(2.2.3)将训练好的超分辨模型通过雾节点传输给各图像节点;
步骤3:雾节点与图像节点交互调整
(3.1)雾节点图像质量控制
(3.1.1)初始化图像质量相关参数;
(3.1.2)一旦接收到来自某个图像节点INi采集的图像Ir×c的部分数据块,则做如下操作:
(3.1.2.1)根据INi的管辖信息将数据块转交给其它雾节点或从其它雾节点收集Ir×c的其它数据块;
(3.1.2.2)云端服务器将图像超分辨重建后发送给用户且将用户反馈的质量评价信息发回给雾节点;
(3.1.2.3)雾节点对图像节点进行质量差评计数器的累计,当差评计数器达到预设的阈值,则利用IQIM(Image Quality Improvement Message)报文通知相关图像节点调整图像感知分辨率;
(3.1.2.4)若用户通过云端修改图像节点客观质量评价指标阈值,则雾节点负责转发更新后的客观质量评价指标阈值给相关图像节点;
(3.2)图像节点感知分辨率自适应调整
(3.2.1)图像节点感知参数初始化;
(3.2.2)对图像节点每次感知的图像,在其经超分辨重建后并满足图像质量要求的前提下,获得需传输低分辨图像的最小感知尺寸,图像节点根据该尺寸采集相应分辨率的图像并更新相关参数;
步骤4:图像节点与传输节点交互进行网络数据传输
图像节点根据响应其传输请求的传输节点数将图像数据进行分割并编号,并将分割后的图像块给相应传输节点传输;获得数据转发权的传输节点将获得的图像数据块转发至雾节点;
(4.1)图像节点数据传输
(4.1.1)收集与该图像节点相邻传输节点信息并进行初始化;
(4.1.2)一旦图像节点的图像数据准备好,则执行如下操作:
(4.1.2.1)构造数据传输请求DTRQ报文,并向邻居传输节点广播该报文;
(4.1.2.2)接收来自于邻居传输节点数据传输响应DTRS报文;
(4.1.2.3)向根据DTRS选中的传输节点发送数据传输确认报文TA,随后发送图像数据块;
(4.2)传输节点数据传输
(4.2.1)收到图像节点数据传输请求DTRQ报文的传输节点竞争,竞争获胜的传输节点发送DTRS至图像节点;
(4.2.2)根据是否收到图像节点传来的TA报文,传输节点分别进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911202021.0A CN110958722B (zh) | 2019-11-29 | 2019-11-29 | 云辅助下基于超分辨技术的无线图像传感器网络节能方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911202021.0A CN110958722B (zh) | 2019-11-29 | 2019-11-29 | 云辅助下基于超分辨技术的无线图像传感器网络节能方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110958722A CN110958722A (zh) | 2020-04-03 |
CN110958722B true CN110958722B (zh) | 2023-05-09 |
Family
ID=69978946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911202021.0A Active CN110958722B (zh) | 2019-11-29 | 2019-11-29 | 云辅助下基于超分辨技术的无线图像传感器网络节能方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110958722B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101360051A (zh) * | 2008-07-11 | 2009-02-04 | 西安电子科技大学 | 一种能量高效的无线传感器网络路由方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136055B (zh) * | 2018-02-02 | 2023-07-14 | 腾讯科技(深圳)有限公司 | 图像的超分辨率方法和装置、存储介质、电子装置 |
US20190347772A1 (en) * | 2018-04-19 | 2019-11-14 | Subtle Medical, Inc. | Systems and methods for improving magnetic resonance imaging using deep learning |
CN109949219B (zh) * | 2019-01-12 | 2021-03-26 | 深圳先进技术研究院 | 一种超分辨率图像的重构方法、装置及设备 |
-
2019
- 2019-11-29 CN CN201911202021.0A patent/CN110958722B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101360051A (zh) * | 2008-07-11 | 2009-02-04 | 西安电子科技大学 | 一种能量高效的无线传感器网络路由方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110958722A (zh) | 2020-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen-Xiao et al. | Research on load balance method in SDN | |
Al-Kharasani et al. | An adaptive relay selection scheme for enhancing network stability in VANETs | |
Mohanty et al. | Energy efficient structure-free data aggregation and delivery in WSN | |
CN106550348B (zh) | 一种在无线局域网络中实现漫游的方法、无线接入点及服务器 | |
CN104883304B (zh) | 用于部分纠缠量子对桥接通信网络的路由方法 | |
Mohanakrishnan et al. | MCTRP: an energy efficient tree routing protocol for vehicular ad hoc network using genetic whale optimization algorithm | |
Ahmadi et al. | A hybrid algorithm for preserving energy and delay routing in mobile ad-hoc networks | |
Bravo-Torres et al. | Optimizing reactive routing over virtual nodes in VANETs | |
CN105284150B (zh) | 业务分流方法、控制网元、网关路由器及用户面实体 | |
Lal et al. | Bandwidth-aware routing and admission control for efficient video streaming over MANETs | |
CN112188495B (zh) | 超密集网络下基于联邦学习的缓存污染攻击检测方法 | |
CN108173903B (zh) | 自治系统协作缓存策略在ccn中的应用方法 | |
CN106851769A (zh) | 生成路由信息及确定传输路径的方法、装置 | |
CN105474692B (zh) | 切换控制方法、装置及无线通信网络 | |
CN111132236B (zh) | 基于改进olsr协议的多无人机自组织网络mpr节点选择方法 | |
Voicu et al. | Multiple path infrastructure-less networks a cooperative approach | |
CN110958722B (zh) | 云辅助下基于超分辨技术的无线图像传感器网络节能方法 | |
Aloqaily et al. | Trustworthy cooperative UAV-based data management in densely crowded environments | |
CN111683384B (zh) | 运用人工智能实现通讯链路动态加权的网络优化方法 | |
CN108768852A (zh) | 一种车联网中基于多副本拥塞避免的机会路由算法 | |
CN107743302A (zh) | 无线传感器网络中基于压缩感知的速率分配和路由联合优化算法 | |
KR101758326B1 (ko) | 네트워크에서의 부하 분산 방법 | |
Long et al. | Research on applying hierachical clustered based routing technique using artificial intelligence algorithms for quality of service of service based routing | |
Al-Hadhrami et al. | Power aware routing algorithms (PARA) in wireless mesh networks for emergency management | |
Kettouche et al. | Disjoint multipath RPL for QoE/QoS provision in the Internet of Multimedia Things |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |