论文部分内容阅读
无线多媒体传感器网络(Wireless Multimedia Sensor Networks,WMSN)是一种具有计算能力、存储能力和通信能力的分布式感知网络,通常部署在无人值守的环境中,可以自主完成监测任务,在交通、军事、工业领域得到广泛应用。其主要的信息载体是音频、视频以及静态图像等多媒体信息。因为WMSN具有信息丰富、数据量大等特点,传统的信息处理技术难以完成对其进行传输和存储任务。压缩感知(Compressed Sensing,CS)是一种全新的压缩采样方式,能够由少量测量值精确重构出原信号,其突破了Nyquist采样定理受信号带宽的约束,采样速率仅仅依赖于信号的结构和内容。CS理论在WMSN中的应用在一定程度上缓解了WMSN的压力。同时,在CS理论的基础上,分块压缩感知(Block Compressed Sensing,BCS)进一步解决了计算复杂度和存储空间占用等问题,而信息重构又是BCS的最关键部分。据此,本文在BCS的框架下,深入分析了WMSN视频监测图像的特点,提出了一种WMSN视频图像重构模型。主要研究工作如下:首先,通过深入分析WMSN单帧静态图像的纹理结构特点,并根据每个图像块的复杂程度,提出了一种基于图像块能量的自适应采样方法;以此为基础,在解码端,引入了排列加权矩阵,以构建原始图像的观测矩阵,并提出了一种改进的迭代收缩阈值(Iterative Shrinkage Thresholding,IST)重构算法。其次,通过深入分析WMSN视频图像的冗余特点,结合视频图像在像素域和变换域的统计信息特征,提出了一种基于图像块统计信息的自适应采样方法,并在平滑投影Landweber(Smoothed Projected Landweber,SPL)算法的基础上,提出了一种改进的半迭代SPL重构算法。最后,在深入分析WMSN视频图像的冗余特征及变换特征的基础上,重点研究了双树复数小波变换(Double Tree Complex Wavelet Transform,DT-CWT)方法以及图像的非局部相似性特点,并将所得图像的结构稀疏性正则项和非局部相似性正则项相结合,构建了一种新的WMSN视频图像重构模型;以此模型为基础,并根据WMSN视频图像边缘、纹理等结构信息,提出了一种改进的迭代硬阈值(Iterative Hard Thresholding,IHT)算法。仿真实验结果表明,该方法能够精确重构出原始WMSN视频图像。