CN117440135B - 基于北斗卫星通信的图像传输方法及系统 - Google Patents

基于北斗卫星通信的图像传输方法及系统 Download PDF

Info

Publication number
CN117440135B
CN117440135B CN202311756256.0A CN202311756256A CN117440135B CN 117440135 B CN117440135 B CN 117440135B CN 202311756256 A CN202311756256 A CN 202311756256A CN 117440135 B CN117440135 B CN 117440135B
Authority
CN
China
Prior art keywords
image
transmission
image processing
topological graph
initial
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
Application number
CN202311756256.0A
Other languages
English (en)
Other versions
CN117440135A (zh
Inventor
杨海卿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Yulong Mobile Internet Co ltd
Original Assignee
Shenzhen Yulong Mobile Internet Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Yulong Mobile Internet Co ltd filed Critical Shenzhen Yulong Mobile Internet Co ltd
Priority to CN202311756256.0A priority Critical patent/CN117440135B/zh
Publication of CN117440135A publication Critical patent/CN117440135A/zh
Application granted granted Critical
Publication of CN117440135B publication Critical patent/CN117440135B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/20—Adaptations for transmission via a GHz frequency band, e.g. via satellite
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/1851—Systems using a satellite or space-based relay
    • H04B7/18513—Transmission in a satellite or space-based system
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/1851—Systems using a satellite or space-based relay
    • H04B7/18519—Operations control, administration or maintenance
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N17/00—Diagnosis, testing or measuring for television systems or their details

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像传输领域，公开了一种基于北斗卫星通信的图像传输方法及系统，用于实现基于北斗卫星通信进行图像传输并提高图像传输的效率和传输质量。方法包括：基于北斗卫星网络确定第一初始图像传输拓扑图及第二初始图像传输拓扑图；生成初始图像信号并进行图像信号传输；进行图像还原和图像质量特征分析，得到多个图像质量特征并进行图像检测参数优化，得到第一目标图像传输拓扑图；将第一图像信号传输至M个第三图像处理节点，得到第二图像信号；进行图像信号分解和传输故障预测，得到多个故障预测特征，并进行拓扑关系优化，得到第二目标图像传输拓扑图；进行组合和全局传输参数优化，生成全局综合图像传输拓扑图。

Description

基于北斗卫星通信的图像传输方法及系统
技术领域
本发明涉及图像传输领域，尤其涉及一种基于北斗卫星通信的图像传输方法及系统。
背景技术
随着北斗卫星系统在全球范围内的应用不断增加，人们对于在该网络下实现高效图像传输的需求也日益增长。这主要涉及到应急救援、环境监测、军事领域等众多领域。随着人工智能技术的发展，对图像进行实时智能处理的需求逐渐凸显。在卫星通信网络中，能够实现分布式智能处理的图像传输方法变得尤为重要。
在卫星通信环境中，发生传输故障，例如信号丢失或传输错误。如何通过对图像信号进行故障预测，并在发生故障时及时处理，是提高图像传输可靠性的技术问题。传统的图像传输系统在卫星通信网络中受到信号延迟、带宽限制等问题的制约，导致图像传输速度慢、实时性差等问题。
发明内容
本发明提供了一种基于北斗卫星通信的图像传输方法及系统，用于实现基于北斗卫星通信进行图像传输并提高图像传输的效率和传输质量。
本发明第一方面提供了一种基于北斗卫星通信的图像传输方法，所述基于北斗卫星通信的图像传输方法包括：基于预置的北斗卫星网络确定一个第一图像处理节点、N个第二图像处理节点以及M个第三图像处理节点，其中，N和M为大于1的正整数，N＜M；创建所述第一图像处理节点与所述N个第二图像处理节点对应的第一初始图像传输拓扑图，并创建所述N个第二图像处理节点与所述M个第三图像处理节点对应的第二初始图像传输拓扑图；通过所述第一图像处理节点对运动点目标进行图像检测，生成初始图像信号，并通过所述第一初始图像传输拓扑图对所述初始图像信号进行图像信号传输，得到每个第二图像处理节点的第一图像信号；对所述第一图像信号进行图像还原和图像质量特征分析，得到每个第二图像处理节点的多个图像质量特征，并根据所述多个图像质量特征对所述第一初始图像传输拓扑图进行图像检测参数优化，得到第一目标图像传输拓扑图；根据所述第二初始图像传输拓扑图，将所述N个第二图像处理节点中的第一图像信号传输至所述M个第三图像处理节点，得到每个第三图像处理节点的第二图像信号；对每个第二图像信号进行图像信号分解和传输故障预测，得到每个第三图像处理节点的多个故障预测特征，并根据所述多个故障预测特征对所述第二初始图像传输拓扑图进行拓扑关系优化，得到第二目标图像传输拓扑图；对所述第一目标图像传输拓扑图以及所述第二目标图像传输拓扑图进行组合和全局传输参数优化，生成全局综合图像传输拓扑图。
结合第一方面，在本发明第一方面的第一种实现方式中，所述创建所述第一图像处理节点与所述N个第二图像处理节点对应的第一初始图像传输拓扑图，并创建所述N个第二图像处理节点与所述M个第三图像处理节点对应的第二初始图像传输拓扑图，包括：对所述第一图像处理节点与所述N个第二图像处理节点进行节点连接关系分析，得到对应的第一节点连接方式；根据所述第一节点连接方式定义对应的N个第一图像传输通路，并根据所述N个第一图像传输通路生成所述第一图像处理节点与所述N个第二图像处理节点对应的第一初始图像传输拓扑图；对所述N个第二图像处理节点与所述M个第三图像处理节点进行节点连接关系分析，得到对应的第二节点连接方式；根据所述第二节点连接方式定义对应的N*M个第二图像传输通路，并根据所述N*M个第二图像传输通路生成所述N个第二图像处理节点与所述M个第三图像处理节点对应的第二初始图像传输拓扑图。
结合第一方面，在本发明第一方面的第二种实现方式中，所述通过所述第一图像处理节点对运动点目标进行图像检测，生成初始图像信号，并通过所述第一初始图像传输拓扑图对所述初始图像信号进行图像信号传输，得到每个第二图像处理节点的第一图像信号，包括：通过所述第一图像处理节点对运动点目标进行图像检测，得到多帧原始图像，并对所述多帧原始图像进行背景消除，得到多帧标准图像；对所述多帧标准图像进行运动点目标轨迹检测，得到所述运动点目标的连续检测图像，并对所述连续检测图像进行图像信号调制，生成初始图像信号；通过所述第一初始图像传输拓扑图中的N个第一图像传输通路，分别将所述初始图像信号传输至所述N个第二图像处理节点，并通过所述N个第二图像处理节点接收所述初始图像信号，得到每个第二图像处理节点的第一图像信号。
结合第一方面，在本发明第一方面的第三种实现方式中，所述对所述第一图像信号进行图像还原和图像质量特征分析，得到每个第二图像处理节点的多个图像质量特征，并根据所述多个图像质量特征对所述第一初始图像传输拓扑图进行图像检测参数优化，得到第一目标图像传输拓扑图，包括：对所述第一图像信号进行图像信号还原，得到每个第二图像处理节点的初始还原图像；对所述初始还原图像进行图像质量特征分析，得到每个第二图像处理节点的多个图像质量特征，所述图像质量特征包括局部特征、全局特征及颜色分布；对所述多个图像质量特征进行特征归一化处理，得到每个第二图像处理节点的多个归一化质量特征，并对所述多个归一化质量特征进行特征编码，得到每个第二图像处理节点的编码特征向量；将每个第二图像处理节点的编码特征向量输入预置的图像检测参数分析模型，所述图像检测参数分析模型包括：多个弱分类器以及全连接层，每个弱分类器包括：第一长短时记忆网络以及第二长短时记忆网络；通过所述多个弱分类器分别对每个第二图像处理节点的编码特征向量进行隐藏特征提取，得到每个弱分类器的目标特征向量，并通过所述全连接层对每个弱分类器的目标特征向量进行图像检测参数预测和加权处理，得到图像检测参数优化组合；根据所述图像检测参数优化组合对所述第一初始图像传输拓扑图进行图像检测参数优化，得到第一目标图像传输拓扑图。
结合第一方面，在本发明第一方面的第四种实现方式中，所述根据所述第二初始图像传输拓扑图，将所述N个第二图像处理节点中的第一图像信号传输至所述M个第三图像处理节点，得到每个第三图像处理节点的第二图像信号，包括：获取所述第二初始图像传输拓扑图中的N*M个第二图像传输通路，并对每个第二图像传输通路进行传输参数策略初始化；根据所述N*M个第二图像传输通路，将所述N个第二图像处理节点中的第一图像信号传输至所述M个第三图像处理节点；通过所述M个第三图像处理节点接收所述第一图像信号，并对所述第一图像信号进行卷积和池化操作，得到每个第三图像处理节点的特征图像信号；分别对所述特征图像信号进行反归一化处理，得到每个第三图像处理节点的第二图像信号。
结合第一方面，在本发明第一方面的第五种实现方式中，所述对每个第二图像信号进行图像信号分解和传输故障预测，得到每个第三图像处理节点的多个故障预测特征，并根据所述多个故障预测特征对所述第二初始图像传输拓扑图进行拓扑关系优化，得到第二目标图像传输拓扑图，包括：分别对每个第二图像信号进行变分模态分解，得到每个第二图像信号对应的多个本征模态分量；分别计算每个本征模态分量的多尺度有效模态分量排列熵，并计算所述多尺度有效模态分量排列熵的平均值作为信号特征向量，得到每个本征模态分量的信号特征向量；对每个本征模态分量的信号特征向量进行矩阵转换，得到信号特征矩阵，并将所述信号特征矩阵输入预置的支持向量机分类器进行传输故障预测，得到每个第三图像处理节点的多个故障预测特征；根据每个第三图像处理节点的多个故障预测特征，分别对所述第二初始图像传输拓扑图中的N*M个第二图像传输通路进行拓扑关系优化，得到第二目标图像传输拓扑图。
结合第一方面，在本发明第一方面的第六种实现方式中，所述对所述第一目标图像传输拓扑图以及所述第二目标图像传输拓扑图进行组合和全局传输参数优化，生成全局综合图像传输拓扑图，包括：对所述第一目标图像传输拓扑图以及所述第二目标图像传输拓扑图进行拓扑关系整合，得到初始综合图像传输拓扑图；通过预置的图论算法对所述初始综合图像传输拓扑图进行全局传输参数优化分析，生成第一全局传输参数优化组合；通过预置的遗传算法对所述第一全局传输参数优化组合进行群体初始化，得到多个第二全局传输参数优化组合；分别计算每个第二全局传输参数优化组合的适应度数据，并根据所述适应度数据对所述多个第二全局传输参数优化组合进行最优化分析，生成最优全局传输参数优化组合；根据所述最优全局传输参数优化组合，对所述初始综合图像传输拓扑图进行全局优化操作，生成全局综合图像传输拓扑图。
本发明第二方面提供了一种基于北斗卫星通信的图像传输系统，所述基于北斗卫星通信的图像传输系统包括：确定模块，用于基于预置的北斗卫星网络确定一个第一图像处理节点、N个第二图像处理节点以及M个第三图像处理节点，其中，N和M为大于1的正整数，N＜M；创建模块，用于创建所述第一图像处理节点与所述N个第二图像处理节点对应的第一初始图像传输拓扑图，并创建所述N个第二图像处理节点与所述M个第三图像处理节点对应的第二初始图像传输拓扑图；检测模块，用于通过所述第一图像处理节点对运动点目标进行图像检测，生成初始图像信号，并通过所述第一初始图像传输拓扑图对所述初始图像信号进行图像信号传输，得到每个第二图像处理节点的第一图像信号；参数优化模块，用于对所述第一图像信号进行图像还原和图像质量特征分析，得到每个第二图像处理节点的多个图像质量特征，并根据所述多个图像质量特征对所述第一初始图像传输拓扑图进行图像检测参数优化，得到第一目标图像传输拓扑图；传输模块，用于根据所述第二初始图像传输拓扑图，将所述N个第二图像处理节点中的第一图像信号传输至所述M个第三图像处理节点，得到每个第三图像处理节点的第二图像信号；关系优化模块，用于对每个第二图像信号进行图像信号分解和传输故障预测，得到每个第三图像处理节点的多个故障预测特征，并根据所述多个故障预测特征对所述第二初始图像传输拓扑图进行拓扑关系优化，得到第二目标图像传输拓扑图；全局优化模块，用于对所述第一目标图像传输拓扑图以及所述第二目标图像传输拓扑图进行组合和全局传输参数优化，生成全局综合图像传输拓扑图。
本发明第三方面提供了一种基于北斗卫星通信的图像传输设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于北斗卫星通信的图像传输设备执行上述的基于北斗卫星通信的图像传输方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于北斗卫星通信的图像传输方法。
本发明提供的技术方案中，基于北斗卫星网络确定第一初始图像传输拓扑图及第二初始图像传输拓扑图；生成初始图像信号并进行图像信号传输；进行图像还原和图像质量特征分析，得到多个图像质量特征并进行图像检测参数优化，得到第一目标图像传输拓扑图；将第一图像信号传输至M个第三图像处理节点，得到第二图像信号；进行图像信号分解和传输故障预测，得到多个故障预测特征，并进行拓扑关系优化，得到第二目标图像传输拓扑图；进行组合和全局传输参数优化，生成全局综合图像传输拓扑图，本发明通过在北斗卫星网络上建立智能分布式图像处理节点，能够实时处理图像数据，并通过优化的传输拓扑图实现高效的图像传输，确保图像数据的实时性。采用多帧图像进行背景估计，有效消除图像中的背景信息，提高目标检测的准确性，使得传输的图像更集中于关键信息。结合时序的运动特征，实现对目标的运动轨迹追踪，进一步优化图像传输拓扑，确保传输的图像更加准确和完整。引入动态路由优化算法，根据实时的卫星网络拓扑和传输负荷情况，动态选择最优的传输路径，提高传输速度，并有效应对网络拓扑变化和故障情况。引入自适应通信协议，通过监测网络状况实时调整通信参数，保障通信的稳定性和可靠性。结合预测性传输技术，提前预测网络状态的变化，并调整传输策略，确保图像传输的实时性和稳定性，降低故障风险。采用多层次的故障预测方法，通过对图像信号进行变分模态分解和多尺度特征提取，利用支持向量机进行故障预测，提高了系统对传输故障的识别和处理能力。通过对传输拓扑图进行组合和全局传输参数优化，生成全局综合图像传输拓扑图，使整个图像传输系统更加高效、稳定，进而实现了基于北斗卫星通信进行图像传输，并提高了图像传输的效率和传输质量。
附图说明
图1为本发明实施例中基于北斗卫星通信的图像传输方法的一个实施例示意图；
图2为本发明实施例中图像信号传输的流程图；
图3为本发明实施例中图像检测参数优化的流程图；
图4为本发明实施例中将N个第二图像处理节点中的第一图像信号传输至M个第三图像处理节点的流程图；
图5为本发明实施例中基于北斗卫星通信的图像传输系统的一个实施例示意图；
图6为本发明实施例中基于北斗卫星通信的图像传输设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于北斗卫星通信的图像传输方法及系统，用于实现基于北斗卫星通信进行图像传输并提高图像传输的效率和传输质量。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于北斗卫星通信的图像传输方法的一个实施例包括：
S101、基于预置的北斗卫星网络确定一个第一图像处理节点、N个第二图像处理节点以及M个第三图像处理节点，其中，N和M为大于1的正整数，N＜M；
可以理解的是，本发明的执行主体可以为基于北斗卫星通信的图像传输系统，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，定义一个合适的系统架构，其中包括北斗卫星网络、图像处理节点和相应的通信基础设施。这一系统应该考虑到应用需求，例如图像传输的范围、带宽要求和数据处理能力。在北斗卫星网络中预置适当数量的图像处理节点。这些节点可以是地面站或数据中心，负责接收、处理和存储传输的图像数据。确定第一图像处理节点，通常这将是一个中央控制节点，用于协调整个系统的操作。第一图像处理节点将接收来自北斗卫星网络的图像数据，然后将其分发给其他图像处理节点。根据需求和应用场景，选择N个第二图像处理节点，这些节点将用于初步处理接收到的图像数据。这可以包括图像解码、去噪、压缩和其他必要的处理步骤。确保这些节点在地理上分布广泛，以覆盖所需的区域。选择M个第三图像处理节点，它们将负责进一步的图像处理、分析和存储。这些节点通常位于集中的数据中心，以确保高性能计算和存储资源。确保N是小于M的正整数，以满足N＜M的条件。建立通信连接，以确保第一图像处理节点能够与第二图像处理节点和第三图像处理节点进行数据传输。这可以通过卫星通信、互联网或其他适当的通信技术来实现。根据特定应用场景和需求，设计和实施图像传输和处理算法，确保图像能够从第一图像处理节点传输到第二和第三图像处理节点，并最终得到所需的处理结果。
S102、创建第一图像处理节点与N个第二图像处理节点对应的第一初始图像传输拓扑图，并创建N个第二图像处理节点与M个第三图像处理节点对应的第二初始图像传输拓扑图；
具体的，系统进行节点连接关系分析，以确定第一图像处理节点与N个第二图像处理节点之间的连接方式。这可以根据地理位置、通信需求等因素来确定。例如，如果第一图像处理节点位于城市A，而N个第二图像处理节点分布在城市B、C和D，那么系统确定如何建立连接以传输图像数据。根据第一节点连接方式，系统定义N个第一图像传输通路，这些通路将用于传输图像数据从第一图像处理节点到N个第二图像处理节点。这包括卫星通信链路、互联网连接或其他通信方法。这些通路的选择取决于系统的要求和可用资源。根据这些N个第一图像传输通路，系统生成第一初始图像传输拓扑图。这个拓扑图将明确显示第一图像处理节点与N个第二图像处理节点之间的连接关系，以确保图像数据的传输路径。系统进行第二层的节点连接关系分析，以确定N个第二图像处理节点与M个第三图像处理节点之间的连接方式。这涉及到第二图像处理节点的位置和分布，以及与第三图像处理节点的连接需求。继而，根据第二节点连接方式，系统定义N*M个第二图像传输通路，用于传输图像数据从N个第二图像处理节点到M个第三图像处理节点。这需要更多的通信链路和资源，以确保数据可以在不同的地理位置之间传输。根据这些N*M个第二图像传输通路，系统生成第二初始图像传输拓扑图。这个拓扑图将清楚地显示N个第二图像处理节点与M个第三图像处理节点之间的连接方式，以确保图像数据可以在各个节点之间高效传输。
S103、通过第一图像处理节点对运动点目标进行图像检测，生成初始图像信号，并通过第一初始图像传输拓扑图对初始图像信号进行图像信号传输，得到每个第二图像处理节点的第一图像信号；
需要说明的是，通过第一图像处理节点对运动点目标进行图像检测。这可以通过监控摄像头、卫星图像或其他图像源来获取多帧原始图像。在这些原始图像中，系统执行背景消除操作，以去除不相关的图像内容，保留运动点目标的信息，从而得到多帧标准图像。对多帧标准图像进行运动点目标轨迹检测，这可以通过计算运动点目标在不同帧之间的位置变化来实现。这将产生连续检测图像，其中包含了运动点目标的轨迹信息。对连续检测图像进行图像信号调制，将这些图像转换为数字信号以进行传输。图像信号调制通常包括采样、压缩和编码等步骤，以确保图像数据的有效传输。通过第一初始图像传输拓扑图中的N个第一图像传输通路，将初始图像信号分别传输到N个第二图像处理节点。这些传输通路可以是卫星链路、互联网连接或其他通信渠道。每个第二图像处理节点接收相应的初始图像信号，然后进行后续的处理和分析。这些节点将得到初始图像信号，并可以进一步处理图像以满足特定的应用需求。
S104、对第一图像信号进行图像还原和图像质量特征分析，得到每个第二图像处理节点的多个图像质量特征，并根据多个图像质量特征对第一初始图像传输拓扑图进行图像检测参数优化，得到第一目标图像传输拓扑图；
具体的，对第一图像信号进行图像信号还原。解码和处理初始图像信号，以还原原始图像的质量和内容，从而得到每个第二图像处理节点的初始还原图像。对这些初始还原图像进行图像质量特征分析。目的是评估图像的质量和特征，以便后续的优化。图像质量特征可以包括局部特征（如锐度、对比度）、全局特征（如亮度、色调）以及颜色分布等。对这些多个图像质量特征进行特征归一化处理，以确保它们在不同图像之间具有可比性。这将得到每个第二图像处理节点的多个归一化质量特征。这些归一化质量特征将被编码为特征向量。每个第二图像处理节点将生成一个编码特征向量，用于后续的分析和优化。将这些编码特征向量输入一个预置的图像检测参数分析模型，该模型包括多个弱分类器和全连接层。每个弱分类器包括第一长短时记忆网络和第二长短时记忆网络。通过多个弱分类器，对每个第二图像处理节点的编码特征向量进行隐藏特征提取，以获得每个弱分类器的目标特征向量。这些目标特征向量随后经过全连接层，进行图像检测参数的预测和加权处理，最终得到图像检测参数的优化组合。根据这个图像检测参数优化组合，对第一初始图像传输拓扑图进行参数优化，以确保图像数据在传输过程中质量良好。这包括调整传输通路、带宽分配、图像质量优化等，得到第一目标图像传输拓扑图。
S105、根据第二初始图像传输拓扑图，将N个第二图像处理节点中的第一图像信号传输至M个第三图像处理节点，得到每个第三图像处理节点的第二图像信号；
具体的，系统获取第二初始图像传输拓扑图的N*M个第二图像传输通路。这些通路定义了图像数据从第二图像处理节点传输到第三图像处理节点的路径。每个通路具有不同的特性和参数。进行传输参数策略初始化。这一步骤包括为每个第二图像传输通路定义传输参数，如传输速度、带宽分配和纠错编码等。这些参数将影响数据传输的效率和可靠性。根据这些N*M个第二图像传输通路，将第一图像信号从N个第二图像处理节点传输至M个第三图像处理节点。使用北斗卫星通信网络来传输数据，以确保跨越广阔地理区域的可达性。通过M个第三图像处理节点接收第一图像信号，并进行卷积和池化操作。这些操作有助于提取图像的特征，以便后续的分析和处理。卷积操作可以捕捉图像中的不同特征，而池化操作有助于减少数据量并提高处理效率。针对每个第三图像处理节点的特征图像信号进行反归一化处理，得到每个第三图像处理节点的第二图像信号。将特征图像信号还原为原始图像信号，以便进行后续的分析和应用。反归一化过程考虑了传输参数和通路特性，以最大程度地还原原始图像的质量。例如，假设从卫星获取地质图像，并将其传输至地面处理中心进行分析。通过北斗卫星通信网络，第一图像信号从不同卫星传输至地面处理中心的第三图像处理节点。在地面处理中心，进行卷积和池化操作以提取地质特征，然后对图像进行反归一化处理以还原原始地质图像。这有助于地质学家分析地下结构和矿产资源，以做出决策。这个方法可以提高勘测的效率和准确性。
S106、对每个第二图像信号进行图像信号分解和传输故障预测，得到每个第三图像处理节点的多个故障预测特征，并根据多个故障预测特征对第二初始图像传输拓扑图进行拓扑关系优化，得到第二目标图像传输拓扑图；
具体的，对每个第二图像信号进行变分模态分解。目的是将每个图像信号分解为多个本征模态分量，以捕捉信号的不同频率和特性。变分模态分解是一种信号处理技术，可将信号分解为本征模态。每个本征模态分量需要计算多尺度有效模态分量排列熵。这是为了评估每个本征模态分量的复杂性和特征。多尺度有效模态分量排列熵可以帮助了解每个分量的信息量和规律性。计算多尺度有效模态分量排列熵的平均值将作为信号特征向量。对每个本征模态分量的信号特征向量进行矩阵转换，以创建信号特征矩阵。这个矩阵包含了每个本征模态分量的特征信息，可用于后续的传输故障预测。将信号特征矩阵输入预置的支持向量机（SVM）分类器进行传输故障预测。SVM是一种机器学习算法，用于分类和预测。它将信号特征矩阵作为输入，学习如何预测传输故障的性，并为每个第三图像处理节点生成多个故障预测特征。根据每个第三图像处理节点的多个故障预测特征，对第二初始图像传输拓扑图中的N*M个第二图像传输通路进行拓扑关系优化。根据故障预测信息，调整通路的优先级和配置，以确保图像传输的稳定性和可靠性。
S107、对第一目标图像传输拓扑图以及第二目标图像传输拓扑图进行组合和全局传输参数优化，生成全局综合图像传输拓扑图。
具体的，对第一目标图像传输拓扑图和第二目标图像传输拓扑图进行拓扑关系整合。将两个图像传输拓扑图合并成一个初始综合图像传输拓扑图。这个综合图像传输拓扑图包含了来自不同源的图像数据传输路径。利用预置的图论算法对初始综合图像传输拓扑图进行全局传输参数优化分析。图论算法可以帮助优化传输路径，以提高传输效率和质量。这些参数包括传输速度、数据压缩比率和带宽分配等。通过预置的遗传算法对第一全局传输参数优化组合进行群体初始化。遗传算法是一种启发式优化算法，可用于搜索最佳参数组合。它创建多个的参数组合，并在每一代中根据适应度评估选择最佳组合。分别计算每个第二全局传输参数优化组合的适应度数据。适应度数据反映了每个组合在传输过程中的性能。这包括传输速度、数据完整性和质量等。根据适应度数据对多个第二全局传输参数优化组合进行最优化分析，以生成最优全局传输参数优化组合。这个最优组合具有最佳的传输性能和效率。根据最优全局传输参数优化组合，对初始综合图像传输拓扑图进行全局优化操作。调整传输路径，以确保图像数据以最佳方式传输到目的地。全局综合图像传输拓扑图代表了最佳的传输方案。
本发明实施例中，通过在北斗卫星网络上建立智能分布式图像处理节点，能够实时处理图像数据，并通过优化的传输拓扑图实现高效的图像传输，确保图像数据的实时性。采用多帧图像进行背景估计，有效消除图像中的背景信息，提高目标检测的准确性，使得传输的图像更集中于关键信息。结合时序的运动特征，实现对目标的运动轨迹追踪，进一步优化图像传输拓扑，确保传输的图像更加准确和完整。引入动态路由优化算法，根据实时的卫星网络拓扑和传输负荷情况，动态选择最优的传输路径，提高传输速度，并有效应对网络拓扑变化和故障情况。引入自适应通信协议，通过监测网络状况实时调整通信参数，保障通信的稳定性和可靠性。结合预测性传输技术，提前预测网络状态的变化，并调整传输策略，确保图像传输的实时性和稳定性，降低故障风险。采用多层次的故障预测方法，通过对图像信号进行变分模态分解和多尺度特征提取，利用支持向量机进行故障预测，提高了系统对传输故障的识别和处理能力。通过对传输拓扑图进行组合和全局传输参数优化，生成全局综合图像传输拓扑图，使整个图像传输系统更加高效、稳定，进而实现了基于北斗卫星通信进行图像传输，并提高了图像传输的效率和传输质量。
在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：
（1）对第一图像处理节点与N个第二图像处理节点进行节点连接关系分析，得到对应的第一节点连接方式；
（2）根据第一节点连接方式定义对应的N个第一图像传输通路，并根据N个第一图像传输通路生成第一图像处理节点与N个第二图像处理节点对应的第一初始图像传输拓扑图；
（3）对N个第二图像处理节点与M个第三图像处理节点进行节点连接关系分析，得到对应的第二节点连接方式；
（4）根据第二节点连接方式定义对应的N*M个第二图像传输通路，并根据N*M个第二图像传输通路生成N个第二图像处理节点与M个第三图像处理节点对应的第二初始图像传输拓扑图。
具体的，对第一图像处理节点与N个第二图像处理节点进行节点连接关系分析。目的是确定每个第二图像处理节点如何连接到第一图像处理节点，以建立图像传输通路。节点连接方式可以包括串行连接、并行连接或混合连接，具体取决于系统的需求。例如，其中第一图像处理节点负责采集图像数据，而N个第二图像处理节点负责处理和分析这些数据。连接方式可以是串行的，其中第一节点将图像数据传输到第一个第二节点，然后从第一个第二节点传输到第二个第二节点，以此类推。这种连接方式适用于需要按顺序处理数据的情况。根据第一节点连接方式定义对应的N个第一图像传输通路。传输通路是指从第一图像处理节点到每个第二图像处理节点的数据传输路径。每个通路可以具有不同的参数，如带宽、延迟和容量，以满足不同处理节点的需求。例如，第一图像处理节点负责采集图像，第一节点连接方式是串行的。则第一个第一图像传输通路将有一个特定的带宽和延迟参数，以确保图像能够按顺序传输到第一个第二图像处理节点。重复上述步骤，对N个第二图像处理节点与M个第三图像处理节点进行节点连接关系分析。这将产生第二节点连接方式，确定第二图像传输通路的连接方式。这些通路将连接第二图像处理节点与第三图像处理节点，以便图像数据从第二处理节点传输到第三处理节点。例如，N个第二图像处理节点负责对采集的图像进行分析，然后将结果传输到M个第三图像处理节点以进行进一步处理。第二节点连接方式和第二图像传输通路将被设计为适应这种数据流动的方式。根据定义的连接方式和传输通路，生成第一初始图像传输拓扑图和第二初始图像传输拓扑图。这些拓扑图将显示图像数据从第一图像处理节点传输到N个第二图像处理节点，然后再传输到M个第三图像处理节点的路径和连接方式。
在一具体实施例中，如图2所示，执行步骤S103的过程可以具体包括如下步骤：
S201、通过第一图像处理节点对运动点目标进行图像检测，得到多帧原始图像，并对多帧原始图像进行背景消除，得到多帧标准图像；
S202、对多帧标准图像进行运动点目标轨迹检测，得到运动点目标的连续检测图像，并对连续检测图像进行图像信号调制，生成初始图像信号；
S203、通过第一初始图像传输拓扑图中的N个第一图像传输通路，分别将初始图像信号传输至N个第二图像处理节点，并通过N个第二图像处理节点接收初始图像信号，得到每个第二图像处理节点的第一图像信号。
具体的，通过第一图像处理节点对运动点目标进行图像检测，得到多帧原始图像。这可以包括使用图像处理算法，如目标检测或运动跟踪算法，来分析原始图像，识别其中的运动点目标，并生成多帧原始图像。这些原始图像包含了检测到的目标。例如，可以使用背景差分或运动检测算法来识别出移动的目标，然后生成多帧原始图像。对这些多帧原始图像进行背景消除，以获得多帧标准图像。背景消除过程旨在去除图像中的背景信息，保留目标对象的图像信息。这可以通过将当前图像与先前帧的图像进行比较来实现，以识别出发生变化的部分。对多帧标准图像进行运动点目标轨迹检测。这一步骤有助于确定目标的运动轨迹，即目标在多帧图像中的位置随时间的变化。这可以通过在多帧图像之间进行特征匹配或跟踪来实现。连续检测图像将包括目标在不同帧之间的位置信息，这是监测目标移动的关键。这些连续检测图像被调制成初始图像信号。图像信号调制可以包括对图像数据进行编码和压缩，以便传输。通过第一初始图像传输拓扑图中的N个第一图像传输通路，初始图像信号被传输至N个第二图像处理节点。每个传输通路具有不同的参数，以满足数据传输的要求，如带宽和延迟。每个第二图像处理节点接收初始图像信号，并对其进行处理。这些处理节点进一步分析图像，提取有用的信息，或者进行其他后续处理操作。这些操作将生成每个第二图像处理节点的第一图像信号。
在一具体实施例中，如图3所示，执行步骤S104的过程可以具体包括如下步骤：
S301、对第一图像信号进行图像信号还原，得到每个第二图像处理节点的初始还原图像；
S302、对初始还原图像进行图像质量特征分析，得到每个第二图像处理节点的多个图像质量特征，图像质量特征包括局部特征、全局特征及颜色分布；
S303、对多个图像质量特征进行特征归一化处理，得到每个第二图像处理节点的多个归一化质量特征，并对多个归一化质量特征进行特征编码，得到每个第二图像处理节点的编码特征向量；
S304、将每个第二图像处理节点的编码特征向量输入预置的图像检测参数分析模型，图像检测参数分析模型包括：多个弱分类器以及全连接层，每个弱分类器包括：第一长短时记忆网络以及第二长短时记忆网络；
S305、通过多个弱分类器分别对每个第二图像处理节点的编码特征向量进行隐藏特征提取，得到每个弱分类器的目标特征向量，并通过全连接层对每个弱分类器的目标特征向量进行图像检测参数预测和加权处理，得到图像检测参数优化组合；
S306、根据图像检测参数优化组合对第一初始图像传输拓扑图进行图像检测参数优化，得到第一目标图像传输拓扑图。
具体的，对第一图像信号进行图像信号还原，得到每个第二图像处理节点的初始还原图像。这可以包括去噪、增强和解码等图像处理步骤，以还原初始图像。对初始还原图像进行图像质量特征分析。目的是评估图像的质量，包括局部特征（如图像的清晰度和对比度）、全局特征（如整体亮度和曝光）以及颜色分布（如颜色平衡和饱和度）。图像质量特征的分析有助于了解图像的特点和质量。对多个图像质量特征进行特征归一化处理。将不同特征的值范围标准化为相似的尺度，以便进行后续分析和比较。特征归一化可以确保不同特征对后续处理的影响相对均衡。对归一化质量特征进行特征编码，得到每个第二图像处理节点的编码特征向量。编码特征向量通常包括多个数值特征，这些特征代表了图像的各个方面。将每个第二图像处理节点的编码特征向量输入到预置的图像检测参数分析模型中。该模型通常包括多个弱分类器以及全连接层。每个弱分类器可以是一种机器学习算法，如长短时记忆网络（LSTM）等，用于提取目标特征。通过多个弱分类器，对每个第二图像处理节点的编码特征向量进行隐藏特征提取，得到每个弱分类器的目标特征向量。这些目标特征向量包含了有关图像内容和质量的信息。通过全连接层对每个弱分类器的目标特征向量进行图像检测参数预测和加权处理。这一步骤有助于确定图像的特定参数，如识别目标对象的置信度或其他检测参数。根据图像检测参数优化组合对第一初始图像传输拓扑图进行图像检测参数优化，得到第一目标图像传输拓扑图。这可以包括调整传输通路、改善图像质量或优化图像传输的其他相关参数，以确保最终的目标图像传输满足要求。
在一具体实施例中，如图4所示，执行步骤S105的过程可以具体包括如下步骤：
S401、获取第二初始图像传输拓扑图中的N*M个第二图像传输通路，并对每个第二图像传输通路进行传输参数策略初始化；
S402、根据N*M个第二图像传输通路，将N个第二图像处理节点中的第一图像信号传输至M个第三图像处理节点；
S403、通过M个第三图像处理节点接收第一图像信号，并对第一图像信号进行卷积和池化操作，得到每个第三图像处理节点的特征图像信号；
S404、分别对特征图像信号进行反归一化处理，得到每个第三图像处理节点的第二图像信号。
具体的，系统获取第二初始图像传输拓扑图中的N*M个第二图像传输通路，并对每个通路进行传输参数策略初始化。这些参数策略包括通信频率、信号传输功率、误码率容忍度等，这些参数可以根据系统的需求进行配置。根据N*M个第二图像传输通路，将N个第二图像处理节点中的第一图像信号传输至M个第三图像处理节点。这可以涉及使用北斗卫星通信网络或其他通信网络来传输图像信号，以确保数据在节点之间的可靠传输。一旦第一图像信号到达M个第三图像处理节点，这些节点将执行卷积和池化操作。卷积是一种图像处理技术，用于检测图像中的特征和模式。池化操作则用于减小图像数据的维度，以降低处理复杂性和减少数据量。这些操作可以有助于提取有关图像内容的重要信息。对特征图像信号进行反归一化处理。这一步是为了将处理后的特征图像信号还原为其原始数据范围，以便进行后续处理或分析。反归一化可以确保数据保持在适当的尺度和范围内。最终，每个第三图像处理节点将生成第二图像信号。这些第二图像信号包含了有关特定图像特征或模式的信息，有助于进一步的图像处理或分析。例如，考虑一个环境监测系统，其中N个第二图像处理节点分布在不同地理位置，每个节点负责采集图像数据并将其传输给M个中央处理节点。中央处理节点执行卷积和池化操作，以提取有关环境的特征，例如温度、湿度或污染级别。通过反归一化处理，系统将确保数据处于正确的尺度，以便进行进一步的环境分析和监测。这有助于实现全面的环境监测和数据分析。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）分别对每个第二图像信号进行变分模态分解，得到每个第二图像信号对应的多个本征模态分量；
（2）分别计算每个本征模态分量的多尺度有效模态分量排列熵，并计算多尺度有效模态分量排列熵的平均值作为信号特征向量，得到每个本征模态分量的信号特征向量；
（3）对每个本征模态分量的信号特征向量进行矩阵转换，得到信号特征矩阵，并将信号特征矩阵输入预置的支持向量机分类器进行传输故障预测，得到每个第三图像处理节点的多个故障预测特征；
（4）根据每个第三图像处理节点的多个故障预测特征，分别对第二初始图像传输拓扑图中的N*M个第二图像传输通路进行拓扑关系优化，得到第二目标图像传输拓扑图。
具体的，分别对每个第二图像信号进行变分模态分解，这是一种信号处理方法，将每个图像信号分解成多个本征模态分量。本征模态分量代表了图像中不同的模式和特征。对每个本征模态分量计算多尺度有效模态分量排列熵。这是一种用于度量信号复杂性和模式排列的统计指标。计算多尺度排列熵可以帮助提取有关信号的关键特征。将每个本征模态分量的多尺度有效模态分量排列熵计算结果取平均值，得到每个本征模态分量的信号特征向量。这个特征向量代表了每个图像信号的独特特征。对每个本征模态分量的信号特征向量进行矩阵转换。这个矩阵转换可以用于将特征向量映射到更适合支持向量机分类器的特征空间中，以便进行传输故障预测。将每个图像处理节点的信号特征矩阵输入预置的支持向量机分类器。支持向量机是一种机器学习算法，用于分类和预测。通过训练支持向量机，它可以预测每个第三图像处理节点的故障情况，生成多个故障预测特征。根据每个第三图像处理节点的多个故障预测特征，进行拓扑关系优化。这可以涉及调整第二初始图像传输拓扑图中的N*M个第二图像传输通路，以优化图像传输，以确保最佳的故障预测性能。例如，考虑一个环境监测系统，其中N个第二图像处理节点收集图像数据，并通过传输至M个中央处理节点进行分析。通过上述过程，每个第三图像处理节点可以对收到的图像数据进行故障预测，以确保传输通路的可靠性。通过拓扑关系优化，系统在不同情况下自动调整传输通路，以适应不同的环境条件，从而提高了系统的稳定性和可用性。
在一具体实施例中，执行步骤S107的过程可以具体包括如下步骤：
（1）对第一目标图像传输拓扑图以及第二目标图像传输拓扑图进行拓扑关系整合，得到初始综合图像传输拓扑图；
（2）通过预置的图论算法对初始综合图像传输拓扑图进行全局传输参数优化分析，生成第一全局传输参数优化组合；
（3）通过预置的遗传算法对第一全局传输参数优化组合进行群体初始化，得到多个第二全局传输参数优化组合；
（4）分别计算每个第二全局传输参数优化组合的适应度数据，并根据适应度数据对多个第二全局传输参数优化组合进行最优化分析，生成最优全局传输参数优化组合；
（5）根据最优全局传输参数优化组合，对初始综合图像传输拓扑图进行全局优化操作，生成全局综合图像传输拓扑图。
具体的，对第一目标图像传输拓扑图以及第二目标图像传输拓扑图进行拓扑关系整合，以形成一个初始综合图像传输拓扑图。这个过程涉及到确定两个拓扑图之间的连接方式，确保数据能够在它们之间传输。利用图论算法对初始综合图像传输拓扑图进行全局传输参数优化分析。图论算法是用于解决图形结构中的问题的数学算法。在这个步骤中，算法将优化数据传输的路径，以确保数据能够以最有效的方式从第一图像处理节点传输到第三图像处理节点，同时最小化传输延迟和资源占用。这包括确定数据包的传输路径、传输速率、传输优先级等参数。采用遗传算法对第一全局传输参数优化组合进行群体初始化。遗传算法是一种启发式算法，它模拟了自然选择的过程，用于优化问题。遗传算法用于生成多个不同的传输参数组合，以便后续的评估和选择。对多个第二全局传输参数优化组合进行适应度评估。每个参数组合都会被评估其在特定传输任务中的性能。适应度评估可以基于多个因素，包括传输速度、带宽利用率、数据完整性等。评估的结果将帮助确定哪个参数组合最优。进行最优化分析，以确定哪个第二全局传输参数优化组合在特定情况下表现最好。最优参数组合将被选择用于全局传输参数的优化。
上面对本发明实施例中基于北斗卫星通信的图像传输方法进行了描述，下面对本发明实施例中基于北斗卫星通信的图像传输系统进行描述，请参阅图5，本发明实施例中基于北斗卫星通信的图像传输系统一个实施例包括：
确定模块501，用于基于预置的北斗卫星网络确定一个第一图像处理节点、N个第二图像处理节点以及M个第三图像处理节点，其中，N和M为大于1的正整数，N＜M；
创建模块502，用于创建所述第一图像处理节点与所述N个第二图像处理节点对应的第一初始图像传输拓扑图，并创建所述N个第二图像处理节点与所述M个第三图像处理节点对应的第二初始图像传输拓扑图；
检测模块503，用于通过所述第一图像处理节点对运动点目标进行图像检测，生成初始图像信号，并通过所述第一初始图像传输拓扑图对所述初始图像信号进行图像信号传输，得到每个第二图像处理节点的第一图像信号；
参数优化模块504，用于对所述第一图像信号进行图像还原和图像质量特征分析，得到每个第二图像处理节点的多个图像质量特征，并根据所述多个图像质量特征对所述第一初始图像传输拓扑图进行图像检测参数优化，得到第一目标图像传输拓扑图；
传输模块505，用于根据所述第二初始图像传输拓扑图，将所述N个第二图像处理节点中的第一图像信号传输至所述M个第三图像处理节点，得到每个第三图像处理节点的第二图像信号；
关系优化模块506，用于对每个第二图像信号进行图像信号分解和传输故障预测，得到每个第三图像处理节点的多个故障预测特征，并根据所述多个故障预测特征对所述第二初始图像传输拓扑图进行拓扑关系优化，得到第二目标图像传输拓扑图；
全局优化模块507，用于对所述第一目标图像传输拓扑图以及所述第二目标图像传输拓扑图进行组合和全局传输参数优化，生成全局综合图像传输拓扑图。
通过上述各个组成部分的协同合作，通过在北斗卫星网络上建立智能分布式图像处理节点，能够实时处理图像数据，并通过优化的传输拓扑图实现高效的图像传输，确保图像数据的实时性。采用多帧图像进行背景估计，有效消除图像中的背景信息，提高目标检测的准确性，使得传输的图像更集中于关键信息。结合时序的运动特征，实现对目标的运动轨迹追踪，进一步优化图像传输拓扑，确保传输的图像更加准确和完整。引入动态路由优化算法，根据实时的卫星网络拓扑和传输负荷情况，动态选择最优的传输路径，提高传输速度，并有效应对网络拓扑变化和故障情况。引入自适应通信协议，通过监测网络状况实时调整通信参数，保障通信的稳定性和可靠性。结合预测性传输技术，提前预测网络状态的变化，并调整传输策略，确保图像传输的实时性和稳定性，降低故障风险。采用多层次的故障预测方法，通过对图像信号进行变分模态分解和多尺度特征提取，利用支持向量机进行故障预测，提高了系统对传输故障的识别和处理能力。通过对传输拓扑图进行组合和全局传输参数优化，生成全局综合图像传输拓扑图，使整个图像传输系统更加高效、稳定，进而实现了基于北斗卫星通信进行图像传输，并提高了图像传输的效率和传输质量。
上面图5从模块化功能实体的角度对本发明实施例中的基于北斗卫星通信的图像传输系统进行详细描述，下面从硬件处理的角度对本发明实施例中基于北斗卫星通信的图像传输设备进行详细描述。
图6是本发明实施例提供的一种基于北斗卫星通信的图像传输设备的结构示意图，该基于北斗卫星通信的图像传输设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对基于北斗卫星通信的图像传输设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在基于北斗卫星通信的图像传输设备600上执行存储介质630中的一系列指令操作。
基于北斗卫星通信的图像传输设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的基于北斗卫星通信的图像传输设备结构并不构成对基于北斗卫星通信的图像传输设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种基于北斗卫星通信的图像传输设备，所述基于北斗卫星通信的图像传输设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于北斗卫星通信的图像传输方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于北斗卫星通信的图像传输方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于北斗卫星通信的图像传输方法，其特征在于，所述基于北斗卫星通信的图像传输方法包括：
基于预置的北斗卫星网络确定一个第一图像处理节点、N个第二图像处理节点以及M个第三图像处理节点，其中，N和M为大于1的正整数，N＜M；
创建所述第一图像处理节点与所述N个第二图像处理节点对应的第一初始图像传输拓扑图，并创建所述N个第二图像处理节点与所述M个第三图像处理节点对应的第二初始图像传输拓扑图；
通过所述第一图像处理节点对运动点目标进行图像检测，生成初始图像信号，并通过所述第一初始图像传输拓扑图对所述初始图像信号进行图像信号传输，得到每个第二图像处理节点的第一图像信号；
对所述第一图像信号进行图像还原和图像质量特征分析，得到每个第二图像处理节点的多个图像质量特征，并根据所述多个图像质量特征对所述第一初始图像传输拓扑图进行图像检测参数优化，得到第一目标图像传输拓扑图；
根据所述第二初始图像传输拓扑图，将所述N个第二图像处理节点中的第一图像信号传输至所述M个第三图像处理节点，得到每个第三图像处理节点的第二图像信号；
对每个第二图像信号进行图像信号分解和传输故障预测，得到每个第三图像处理节点的多个故障预测特征，并根据所述多个故障预测特征对所述第二初始图像传输拓扑图进行拓扑关系优化，得到第二目标图像传输拓扑图；具体包括：分别对每个第二图像信号进行变分模态分解，得到每个第二图像信号对应的多个本征模态分量；分别计算每个本征模态分量的多尺度有效模态分量排列熵，并计算所述多尺度有效模态分量排列熵的平均值作为信号特征向量，得到每个本征模态分量的信号特征向量；对每个本征模态分量的信号特征向量进行矩阵转换，得到信号特征矩阵，并将所述信号特征矩阵输入预置的支持向量机分类器进行传输故障预测，得到每个第三图像处理节点的多个故障预测特征；根据每个第三图像处理节点的多个故障预测特征，分别对所述第二初始图像传输拓扑图中的N*M个第二图像传输通路进行拓扑关系优化，得到第二目标图像传输拓扑图；
对所述第一目标图像传输拓扑图以及所述第二目标图像传输拓扑图进行组合和全局传输参数优化，生成全局综合图像传输拓扑图。
2.根据权利要求1所述的基于北斗卫星通信的图像传输方法，其特征在于，所述创建所述第一图像处理节点与所述N个第二图像处理节点对应的第一初始图像传输拓扑图，并创建所述N个第二图像处理节点与所述M个第三图像处理节点对应的第二初始图像传输拓扑图，包括：
对所述第一图像处理节点与所述N个第二图像处理节点进行节点连接关系分析，得到对应的第一节点连接方式；
根据所述第一节点连接方式定义对应的N个第一图像传输通路，并根据所述N个第一图像传输通路生成所述第一图像处理节点与所述N个第二图像处理节点对应的第一初始图像传输拓扑图；
对所述N个第二图像处理节点与所述M个第三图像处理节点进行节点连接关系分析，得到对应的第二节点连接方式；
根据所述第二节点连接方式定义对应的N*M个第二图像传输通路，并根据所述N*M个第二图像传输通路生成所述N个第二图像处理节点与所述M个第三图像处理节点对应的第二初始图像传输拓扑图。
3.根据权利要求2所述的基于北斗卫星通信的图像传输方法，其特征在于，所述通过所述第一图像处理节点对运动点目标进行图像检测，生成初始图像信号，并通过所述第一初始图像传输拓扑图对所述初始图像信号进行图像信号传输，得到每个第二图像处理节点的第一图像信号，包括：
通过所述第一图像处理节点对运动点目标进行图像检测，得到多帧原始图像，并对所述多帧原始图像进行背景消除，得到多帧标准图像；
对所述多帧标准图像进行运动点目标轨迹检测，得到所述运动点目标的连续检测图像，并对所述连续检测图像进行图像信号调制，生成初始图像信号；
通过所述第一初始图像传输拓扑图中的N个第一图像传输通路，分别将所述初始图像信号传输至所述N个第二图像处理节点，并通过所述N个第二图像处理节点接收所述初始图像信号，得到每个第二图像处理节点的第一图像信号。
4.根据权利要求3所述的基于北斗卫星通信的图像传输方法，其特征在于，所述对所述第一图像信号进行图像还原和图像质量特征分析，得到每个第二图像处理节点的多个图像质量特征，并根据所述多个图像质量特征对所述第一初始图像传输拓扑图进行图像检测参数优化，得到第一目标图像传输拓扑图，包括：
对所述第一图像信号进行图像信号还原，得到每个第二图像处理节点的初始还原图像；
对所述初始还原图像进行图像质量特征分析，得到每个第二图像处理节点的多个图像质量特征，所述图像质量特征包括局部特征、全局特征及颜色分布；
对所述多个图像质量特征进行特征归一化处理，得到每个第二图像处理节点的多个归一化质量特征，并对所述多个归一化质量特征进行特征编码，得到每个第二图像处理节点的编码特征向量；
将每个第二图像处理节点的编码特征向量输入预置的图像检测参数分析模型，所述图像检测参数分析模型包括：多个弱分类器以及全连接层，每个弱分类器包括：第一长短时记忆网络以及第二长短时记忆网络；
通过所述多个弱分类器分别对每个第二图像处理节点的编码特征向量进行隐藏特征提取，得到每个弱分类器的目标特征向量，并通过所述全连接层对每个弱分类器的目标特征向量进行图像检测参数预测和加权处理，得到图像检测参数优化组合；
根据所述图像检测参数优化组合对所述第一初始图像传输拓扑图进行图像检测参数优化，得到第一目标图像传输拓扑图。
5.根据权利要求2所述的基于北斗卫星通信的图像传输方法，其特征在于，所述根据所述第二初始图像传输拓扑图，将所述N个第二图像处理节点中的第一图像信号传输至所述M个第三图像处理节点，得到每个第三图像处理节点的第二图像信号，包括：
获取所述第二初始图像传输拓扑图中的N*M个第二图像传输通路，并对每个第二图像传输通路进行传输参数策略初始化；
根据所述N*M个第二图像传输通路，将所述N个第二图像处理节点中的第一图像信号传输至所述M个第三图像处理节点；
通过所述M个第三图像处理节点接收所述第一图像信号，并对所述第一图像信号进行卷积和池化操作，得到每个第三图像处理节点的特征图像信号；
分别对所述特征图像信号进行反归一化处理，得到每个第三图像处理节点的第二图像信号。
6.根据权利要求1所述的基于北斗卫星通信的图像传输方法，其特征在于，所述对所述第一目标图像传输拓扑图以及所述第二目标图像传输拓扑图进行组合和全局传输参数优化，生成全局综合图像传输拓扑图，包括：
对所述第一目标图像传输拓扑图以及所述第二目标图像传输拓扑图进行拓扑关系整合，得到初始综合图像传输拓扑图；
通过预置的图论算法对所述初始综合图像传输拓扑图进行全局传输参数优化分析，生成第一全局传输参数优化组合；
通过预置的遗传算法对所述第一全局传输参数优化组合进行群体初始化，得到多个第二全局传输参数优化组合；
分别计算每个第二全局传输参数优化组合的适应度数据，并根据所述适应度数据对所述多个第二全局传输参数优化组合进行最优化分析，生成最优全局传输参数优化组合；
根据所述最优全局传输参数优化组合，对所述初始综合图像传输拓扑图进行全局优化操作，生成全局综合图像传输拓扑图。
7.一种基于北斗卫星通信的图像传输系统，其特征在于，所述基于北斗卫星通信的图像传输系统包括：
确定模块，用于基于预置的北斗卫星网络确定一个第一图像处理节点、N个第二图像处理节点以及M个第三图像处理节点，其中，N和M为大于1的正整数，N＜M；
创建模块，用于创建所述第一图像处理节点与所述N个第二图像处理节点对应的第一初始图像传输拓扑图，并创建所述N个第二图像处理节点与所述M个第三图像处理节点对应的第二初始图像传输拓扑图；
检测模块，用于通过所述第一图像处理节点对运动点目标进行图像检测，生成初始图像信号，并通过所述第一初始图像传输拓扑图对所述初始图像信号进行图像信号传输，得到每个第二图像处理节点的第一图像信号；
参数优化模块，用于对所述第一图像信号进行图像还原和图像质量特征分析，得到每个第二图像处理节点的多个图像质量特征，并根据所述多个图像质量特征对所述第一初始图像传输拓扑图进行图像检测参数优化，得到第一目标图像传输拓扑图；
传输模块，用于根据所述第二初始图像传输拓扑图，将所述N个第二图像处理节点中的第一图像信号传输至所述M个第三图像处理节点，得到每个第三图像处理节点的第二图像信号；
关系优化模块，用于对每个第二图像信号进行图像信号分解和传输故障预测，得到每个第三图像处理节点的多个故障预测特征，并根据所述多个故障预测特征对所述第二初始图像传输拓扑图进行拓扑关系优化，得到第二目标图像传输拓扑图；具体包括：分别对每个第二图像信号进行变分模态分解，得到每个第二图像信号对应的多个本征模态分量；分别计算每个本征模态分量的多尺度有效模态分量排列熵，并计算所述多尺度有效模态分量排列熵的平均值作为信号特征向量，得到每个本征模态分量的信号特征向量；对每个本征模态分量的信号特征向量进行矩阵转换，得到信号特征矩阵，并将所述信号特征矩阵输入预置的支持向量机分类器进行传输故障预测，得到每个第三图像处理节点的多个故障预测特征；根据每个第三图像处理节点的多个故障预测特征，分别对所述第二初始图像传输拓扑图中的N*M个第二图像传输通路进行拓扑关系优化，得到第二目标图像传输拓扑图；
全局优化模块，用于对所述第一目标图像传输拓扑图以及所述第二目标图像传输拓扑图进行组合和全局传输参数优化，生成全局综合图像传输拓扑图。
8.一种基于北斗卫星通信的图像传输设备，其特征在于，所述基于北斗卫星通信的图像传输设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于北斗卫星通信的图像传输设备执行如权利要求1-6中任一项所述的基于北斗卫星通信的图像传输方法。
9.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-6中任一项所述的基于北斗卫星通信的图像传输方法。
CN202311756256.0A 2023-12-20 2023-12-20 基于北斗卫星通信的图像传输方法及系统 Active CN117440135B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311756256.0A CN117440135B (zh) 2023-12-20 2023-12-20 基于北斗卫星通信的图像传输方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311756256.0A CN117440135B (zh) 2023-12-20 2023-12-20 基于北斗卫星通信的图像传输方法及系统

Publications (2)

Publication Number Publication Date
CN117440135A CN117440135A (zh) 2024-01-23
CN117440135B true CN117440135B (zh) 2024-03-08

Family

ID=89558605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311756256.0A Active CN117440135B (zh) 2023-12-20 2023-12-20 基于北斗卫星通信的图像传输方法及系统

Country Status (1)

Country Link
CN (1) CN117440135B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114283343A (zh) * 2021-12-20 2022-04-05 北京百度网讯科技有限公司 基于遥感卫星图像的地图更新方法、训练方法和设备
CN116545495A (zh) * 2023-02-27 2023-08-04 中国科学院计算技术研究所 一种应用于卫星网络的拓扑预测模型训练方法及预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114283343A (zh) * 2021-12-20 2022-04-05 北京百度网讯科技有限公司 基于遥感卫星图像的地图更新方法、训练方法和设备
CN116545495A (zh) * 2023-02-27 2023-08-04 中国科学院计算技术研究所 一种应用于卫星网络的拓扑预测模型训练方法及预测方法

Also Published As

Publication number Publication date
CN117440135A (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
CN112181666B (zh) 一种基于边缘智能的设备评估和联邦学习重要性聚合方法
US10560530B2 (en) Data analyses using compressive sensing for internet of things (IoT) networks
CN112637806B (zh) 基于深度强化学习的变电站监测系统及其资源调度方法
CN114219354A (zh) 一种基于联邦学习资源分配优化方法及系统
Gündüz et al. Timely and massive communication in 6G: Pragmatics, learning, and inference
Huang et al. Distributed consensus of multi-agent systems over general directed networks with limited bandwidth communication
CN117440135B (zh) 基于北斗卫星通信的图像传输方法及系统
Li et al. An Analysis of Capacity-Distortion Trade-Offs in Memoryless ISAC Systems
Arunraja et al. Distributed similarity based clustering and compressed forwarding for wireless sensor networks
CN112187534B (zh) 一种工业物联网中基于多跳传输的任务卸载方法
CN117746172A (zh) 基于域差异感知蒸馏的异构模型聚合方法及系统
Baldvinsson Rare Event Learning In URLLC Wireless Networking Environment Using GANs
Henarejos et al. Traffic congestion prediction in satellite broadband communications
Ribouh et al. SEECAD: Semantic End-to-End Communication for Autonomous Driving
CN113115072A (zh) 一种基于端云协同的视频目标检测跟踪调度方法及系统
Fitzek et al. Communications and control
US20240348703A1 (en) Methods and devices for managing communication of artificial intelligence data between devices
EP4422090A1 (en) Method and system for updating parameters of neural networks in an optical fiber network
CN118072150A (zh) 云边语义协同的分割模型推理方法
Chen et al. Adaptive Reconstruction Offloading for Digital Twin-assisted Intelligent Transportation Systems
Won et al. Improving Network Performance in Semantic Communications: A Survey
WO2024125770A1 (en) Transmission channel representation
Yang Home-School Collaborative Smart System Based on Video Transmission and Information Compression
An et al. Channel-Aware Throughput Maximization for Cooperative Data Fusion in CAV
Tao et al. End-to-End Semantic Information Transmission

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