基于树状稀疏模型的视觉传感器网络图像数据重构

doi:10.3969/j.issn.1000-0801.2013.02.011

电信科学 ›› 2013, Vol. 29 ›› Issue (2): 64-69.doi: 10.3969/j.issn.1000-0801.2013.02.011

基于树状稀疏模型的视觉传感器网络图像数据重构

胡敏¹,黄旭伟¹,龙丹²,沈才樑¹

¹ 浙江工业职业技术学院绍兴 312000
² 浙江大学杭州 315580

出版日期:2013-02-15 发布日期:2017-02-22
基金资助:
国家自然科学基金资助项目;国家自然科学基金资助项目;国家自然科学基金子课题资助项目

Image Reconstruction Algorithm Based on Tree Sparsity Model for Visual Sensor Network

Min Hu¹,Xuwei Huang¹,Dan Long²,Cailiang Shen¹

¹ Zhejiang Industry Polytechnic Co11ege，Shaoxing 312000，China
² Zhejiang University，Hangzhou 315580，China

Online:2013-02-15 Published:2017-02-22

摘要/Abstract

摘要：

针对现有压缩感知算法无法有效利用视觉传感器网络中图像数据相关性的问题，提出一种基于树状稀疏模型的视觉传感器网络数据压缩感知算法。在分析图像数据小波域稀疏特性的基础上，构建了一种视觉传感器网络图像数据的树状稀疏模型，进而针对此模型设计一种新的压缩感知重构算法。理论分析和实验结果表明，相比于传统图像数据压缩感知算法，该算法可有效利用图像数据相关性减少准确重构图像数据所需的测量值，降低视觉传感器网络数据传输能耗。

关键词: 视觉传感器网络, 压缩感知, 树状稀疏性, 数据重构

Abstract:

A tree sparsity mode1 based image compressed sensing（CS）algorithm was proposed to efficiently explore the correlation in visua1 sensor networks（VSN）data. Based on the analysis of wavelet sparsity，a tree sparsity mode1 for VSN image was established and a new CS recovery algorithm for this mode1 was proposed. Analysis and experimenta1 results demonstrate that the proposed algorithm can significantly reduce the measurement for the accurate recovery，and subsequently 1ower energy consumption of data traffic in VSN.

Key words: visua1 sensor network, compressed sensing, tree sparsity, data reconstruction

胡敏,黄旭伟,龙丹,沈才樑. 基于树状稀疏模型的视觉传感器网络图像数据重构[J]. 电信科学, 2013, 29(2): 64-69.

Min Hu,Xuwei Huang,Dan Long,Cailiang Shen. Image Reconstruction Algorithm Based on Tree Sparsity Model for Visual Sensor Network[J]. Telecommunications Science, 2013, 29(2): 64-69.

图/表 5

参考文献 13

1	Misra S ， Reisslein M ， Xue G . A survey of multimedia streaming in wireless sensor networks. IEEE Communications Surveys and Tutorials， 2008（10）： 18～39
2	Charfi Y ， Wakamiya N ， Murata M . Cha11enging issues in visua1 sensor networks. Technica1 Report，Advanced Network Architecture Laboratory，Osaka University， 2007
3	Donoho D . Compressed sensing. IEEE Transactions on Information Theory， 2006，52（4）： 1289～1306
4	Candes E ， Romberg J ， Tao T . Robust uncertainty principles：exact signa1 reconstruction from highly incomplete frequency information. IEEE Transactions on Information Theory， 2006，52（4）： 489～509
5	石光明，刘丹华，高大化等. 压缩感知理论及其研究进展. 电子学报， 2009，37（5）： 1070～1081
6	Chen S ， Donoho D ， Saunders M . Atomic decomposition by basis pursuit. SIAM Journa1 on Scientific Computing， 1999，20（1）： 33～61
7	Kim S ， Koh K ， Lustig M ， et al. An interior-point method for 1arge-scale 11 regularized 1east squares. IEEE Journa1 of Selected Topics in Signa1 Processing， 2007，1（4）： 606～617
8	Tropp J ， Gi11bert A . Signa1 recovery from random measurements via orthogona1 matching pursuit. IEEE Transactions on Information Theory， 2007，53（12）： 4655～4666
9	Donoho D L ， Tsaig Y ， Drori I ， et al. Sparse solution of underdetermined 1inear equations by stage-wise orthogona1 matching pursuit. Technica1 Report， Mar 2006
10	Dai W ， Milenkovic O . Subspace pursuit for compressive sensing：closing the gap between performance and complexity. IEEE Transactions on Information Theory， 2009，55（5）： 2230～2249
11	Neede11 D ， Tropp J . CoSaMP：iterative signa1 recovery from incomplete and inaccurate samples. Applied and Computationa1 Harmonic Analysis， 2009，26（3）： 301～321
12	Blumensath T ， Davies M . Sampling theorems for signals from the union of finite-dimensiona1 1inear subspaces. IEEE Transactions on Information Theory， 2009，55（4）： 1872～1882
13	Brown G ， Shubert B . On random binary trees. Mathematics of Operations Research， 1984，9（1）： 43～65

[1]	阿克弘, 胡晓东. 基于GAN数据重构的电信用户流失预测方法[J]. 电信科学, 2023, 39(3): 135-142.
[2]	陈超杰, 谢伟, 何林巍, 田强, 贺润平, 王哲斐. 针对输电线路周边工程机械的防撞在线预警方法[J]. 电信科学, 2022, 38(5): 95-103.
[3]	于玄, 耿烜. 一种降低复杂度的压缩感知水声信道估计方法[J]. 电信科学, 2021, 37(3): 114-124.
[4]	王博伟,谭劲. 基于两次分段弱选择的压缩感知子空间追踪算法[J]. 电信科学, 2020, 36(5): 83-92.
[5]	李坤,张静,李潇,金石. 人工智能辅助的信道估计最新研究进展[J]. 电信科学, 2020, 36(10): 46-55.
[6]	李娜娜,李有明,余明宸,卢倩倩. 水声通信中基于正则化阈值迭代的脉冲噪声抑制方法[J]. 电信科学, 2019, 35(3): 76-83.
[7]	虞晓韩,董克明,李霞,陈超. 一种基于El Gamal加密算法的压缩数据收集方法[J]. 电信科学, 2019, 35(12): 67-78.
[8]	周颖,杨丽花,杨龙祥,倪梦. 基于卡尔曼预测与压缩感知的WSN中高能效数据收集方法[J]. 电信科学, 2019, 35(1): 74-80.
[9]	骆楷,黄俊伟,周朋光,徐浩,吴灿. 正交空间调制的低复杂度检测算法[J]. 电信科学, 2017, 33(5): 75-81.
[10]	郑寒冰,余翔,王维维. 基于混合遗传算法的导频优化[J]. 电信科学, 2016, 32(9): 75-81.
[11]	马国玉,艾渤,胡显安,蒋笑冰. 5G过载零星传输系统中的多用户检测技术性能分析[J]. 电信科学, 2016, 32(8): 39-45.
[12]	陈恩庆,高新利,向小强,王忠勇. 基于压缩感知的MIMO NC-OFDM系统信道估计算法[J]. 电信科学, 2016, 32(2): 41-46.
[13]	闫玉芝,李有明,周桂莉,吴耀辉. 基于加权一致优化的宽带分布式协作压缩频谱感知算法[J]. 电信科学, 2016, 32(11): 71-76.
[14]	何业慎,梁琨. 一种压缩感知电力线信道估计机制[J]. 电信科学, 2016, 32(11): 77-81.
[15]	余明宸,李有明,付彩梅,周桂莉. 基于硬阈值迭代的电力线载波通信脉冲噪声抑制方法[J]. 电信科学, 2016, 32(11): 101-106.

基于树状稀疏模型的视觉传感器网络图像数据重构

Image Reconstruction Algorithm Based on Tree Sparsity Model for Visual Sensor Network

在线阅读

PDF下载

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 13

相关文章 15

Metrics

推荐阅读 0