无线视觉传感器网络中mac感知和功率感知图像聚合方案

摘要

传统的无线传感器网络(WSNs)向汇聚节点传输标量数据(如温度和辐照)。一种新的无线视觉传感器网络(WVSN)可以传输图像数据，在感知、检测和监测环境方面比WSN更有前景，以提高我们日常活动的网络、物理和社会背景的意识。然而，图像数据比标量数据大得多，这使得图像传输在电池有限的WVSN中成为一个挑战性的问题。本文研究了WVSN中高效能量的图像聚合方案。图像聚合是消除由不同数据源节点捕获的图像冗余部分的一种可能方法。因此，通过图像聚合方案可以降低传输功率。但是，图像聚合需要图像处理，这会增加节点处理能力。除了来自节点处理的额外能量消耗外，还有来自图像聚合的mac感知重传能量损失。在本文中，我们首先提出了在WVSN中捕获这三个因素(图像传输、图像处理和MAC重传)的数学模型。基于数学模型和真实WVSN传感器节点(即Meerkats节点)进行数值计算，优化图像传输、图像处理和MAC重传之间的能耗权衡。

1.介绍

1．1．动机

无线传感器网络（WSN）是一种盛开的技术，可以探测和收集温度，大气压和辐射的环境信息，以提供普遍的传感，计算和通信能力。除了从环境中收集这些标量数据（例如，温度）外，WSN上的较新趋势是用相机部署传感器节点以捕获并将图像数据捕获回宿节点。由于传感器技术的快速进步和装备传感器的消费电子设备（例如，智能手机）的快速进展，传感器节点可以发送捕获的图像以提供更丰富的感测和监控信息。这种基于相机的传感器网络被称为无线视觉传感器网络（WVSN）。WVSN由微小的相机传感器节点，嵌入式处理器和无线收发器组成[1］.

WVSN与传统的WSN有三个不同之处。

(1)数据源节点的新定义:在传统的WSN中，当事件发生时，事件感知范围内的节点感知事件，成为数据源节点，将感知到的数据发送回sink。然而，在WVSN中，除了传感范围外，还需要考虑一个重要的判据——视场(FoV)。FoV来源于相机从某个方向捕捉事件的图像。也就是说，如果FoV不覆盖事件，则在传感范围内的传感器节点无法捕捉到事件的图像。在图1，我们举一个例子来说明FoV的思想。在图1(一)，每个传感器节点(即节点，，，,)在事件的感知范围内将感知到的数据，然后将感知到的数据传回sink。在图1 (b)，我们可以观察到即使是节点和是在传感范围内，FoV为这两个摄像头传感器不覆盖事件，因此节点和不是数据源节点。在本例中，只有节点， ,是可以捕获事件映像并将其发送回接收器的数据源节点。

(2)系统资源消耗:图像数据比标量数据大得多，传输时需要更大的带宽。无线WVSN中带宽和频谱资源是有限的，因此在无线WVSN中传输图像是一个具有挑战性的问题。为了不消耗如此多的系统资源，一种可能的方法是减少捕获的映像的大小。现有的图像压缩或其他复杂的图像处理可以通过有损或无损的方法减小图像大小。然而，微型摄像机传感器节点的处理能力有限，难以执行复杂的图像处理任务。因此，在系统资源(带宽、频谱和处理功率)消耗和减少传输所需的图像大小之间需要进行权衡。

(3)节电设计:由于传感器节点大部分由电池供电，在耗尽的传感器节点不太可能更换电池，节电设计对于延长WSN和WVSN的寿命至关重要。在无线传感器网络中，数据聚合方案[2]它不仅可以组合来自不同来源的数据以消除冗余，还可以最小化传输的总数。这使得数据聚合成为一种有前途的节能数据传输解决方案。在传统的无线传感器网络中，传感数据是一个标量值，因此可以方便地组合或计算来自多个源的数据，从而可以忽略数据聚合节点上的数据处理能力。然而，在WVSN中，感测的数据是图像，它需要复杂的图像处理技术来执行图像聚合，从而在节点处理时产生显著的功耗。因此，在WVSN中，除了图像传输的功率外，还应仔细考虑图像处理的功率，以便进行节能设计。

根据前面的讨论，WVSN的设计问题比WSN更具挑战性。由于捕获和传输的图像数据与标量数据完全不同，现有的WSN算法无法适用于WVSN。在图2，给出一个示例说明数据聚合和图像聚合的区别。在图2(一个)，平均温度被发送到汇聚节点。节点之后接收到两个温度值后，先计算平均值(即30)，然后发送给sink节点。使用此数据聚合，节点只需要发送一个副本而不是两个温度值的副本，这可以节省节点的能量消耗．在图2 (b)，在Node上捕获的图像和节点发送回汇聚节点。在节点，它有两个选择;一种是将这两张图像发送给汇聚节点另一种是将这两张图像合并然后发送给汇聚节点。在第一种方法中，Node需要传输两幅图像。在第二种方法中，Node需要对两幅图像进行图像处理，将合并后的两幅图像发送给汇聚节点。与图中计算的平均温度值相比2(一个)，中继节点的图像处理计算量更大。因此，节点处理功耗对于执行图像处理是不可忽略的。换句话说，最节能的节点方案取决于传输较小的图像尺寸所节省的功耗和执行图像处理任务所消耗的额外功耗之间的权衡。

如图所示2 (b)，图像聚合就是去除接收图像的冗余部分(即，)以获得较小尺寸的组合图像。在现有的图像/视觉处理文献中，有一些研究工作提出了图像比较方法，将图像进行组合，以消除图像中的冗余部分[3.- - - - - -5］.虽然图像/视觉处理技术超出了本文的讨论范围，但为了在本文中清晰地定义“图像聚合”，我们将展示这些方法的基本思想。在[3.]，他们提出了基于特征的图像比较方法来比较不同的图像，然后从每幅图像中使用一组局部角点特征找到相似的图像对。在[4，5]，提出了其他称为斑点状特征检测器的局部特征，它在图像比较中是有效的。这些特征可以用于原始图像的特征角点检测。通过成功地识别这些特征，图像之间的相似度由它们所拥有的匹配特征对的数量来衡量。

在WVSN中，当事件发生时，地理位置相近的邻近传感器将感知事件并捕捉图像。可以预料，在图像中有许多共同的子区域;甚至传感器也能从不同的方向或角度捕捉图像。在[6，它指出，如果两幅图像来自同一平面场景，但角度不同，那么两个图像平面可以通过单应变换联系起来。具体来说，如果两个图像平面通过单应变换相关联，则对应的匹配特征点也通过同一个单应变换相关联。根据[6]，图像之间的相似性可以通过匹配图像特征的个数和单应变换后匹配图像特征的个数来度量。换句话说，当图像视场相同但角度不同时，经过单应变换后，图像的特征应该是相同的。例如，在Figure中1 (b)、节点和用不同的角度拍摄相同的视场;两幅图像经过单应变换后的图像特征是相同的。

基于前面对图像比较的视觉/图像处理技术已有文献的讨论，我们定义图像聚合过程如下。如果在中继节点或汇聚节点上进行图像聚合以组合多幅图像，则被聚合节点应首先计算这些图像的图像特征，然后利用这些图像特征进行图像比较方法[[3.- - - - - -6]以消除图像的冗余(或常见)部分。例如，在Figure中2 (b)、节点必须从图像中计算图像特征和．然后采用图像比较方法，如[3.- - - - - -6，冗余部分(即，)，以便识别该节点可以发送合并后的图像(即，)，其大小小于汇聚节点。更具体地说，图像聚合是一幅没有冗余部分的组合图像，冗余部分是指所捕获图像的重叠FoV。

注意，在前面的讨论中，我们只讨论了中继节点的功耗．当考虑数据源节点(即节点和在图2)，除了传输图像所消耗的能量外，重传所消耗的额外能量也应加以解决。在无线网络中，由于隐藏节点问题，当多个发射机将数据发送到同一台接收机时，接收端就会发生数据冲突。当发生碰撞时，将需要从发射机重新发送，以确保图像能正确接收到[7］.这将导致额外的功耗。因此，在进行图像聚合时，除了节点处理和图像传输功耗外，还需要考虑重传带来的额外能量消耗。因此，为了捕获WVSN中的能量消耗，需要仔细考虑三个因素(图像传输、节点处理和重传)的相互作用。在本文中，我们首次提出了考虑这三个因素的数学模型，并通过数值结果来验证它们，以确定能源高效的图像聚合方案。

1．2．文献调查

由于CMOS技术的进步，低功耗摄像头可以安装在传感器节点上。传感器节点不仅可以探测和感知标量数据，还可以从环境中采集视觉数据。与无线传感器网络相比，VSN开辟了一个新的传感功能和应用时代。通过这种可视化数据捕获功能，VSN可以提供更多的监控环境信息，这使得VSN成为安全监控、环境监控和野生动物观察的一个有前途的解决方案。在VSN中，与WSN一样，大多数传感器节点都是由电池驱动的，对传感器节点更换或补充电池非常困难。节能传输一直是无线传感器网络研究的热点问题，很多研究工作都提出了节能算法和解决方案[8在传感器网络。然而，由于VSN的传感操作特殊，捕获数据量大，这些传统的WSN节能方案并不适用于VSN。VSN中的能量高效传输策略需要同时解决两个交叉学科(WSN和图像处理)领域的问题。

从图像处理的角度来看，图像压缩(例如JPEG或JPEG 2000) [9)是一种常用的缩小图像尺寸以降低传输功率的方法。在[10，他们为JPEG方案的每个阶段开发了一个能量消耗模型，该模型可用于评估VSN中的JPEG能量消耗。除了图像压缩，最近的工作提出了邻近传感器节点分布式源编码方案来处理FoV重叠问题[11］.在视场重叠的数据源传感器节点上采用分布式源编码方案，对图像重叠区域仅进行一次传输，以节省传输功率。分布式源编码方案要求数据源节点(编码器)之间同步，汇聚节点(解码器)利用时间相关信息对接收到的数据包进行解码[12，13］.

从WSN的角度来看，数据聚合路由一直是一个活跃的研究课题，大量的工作提出了新的高效的数据聚合路由启发式算法[8］.但是，如上节所述，由于FoV与传统的传感范围不同，图像比标量数据大得多、复杂得多，这些WSN中的数据聚合启发式并不适用于VSN。可以预见，图像处理比传统的标量数据聚合更耗能。最近在WVSN网络中的大部分工作都假设图像聚合与WSN中的数据聚合一样，可以节约能源[14，15］.然而，对于[16，他们发现获取和处理图像的处理时间比传输压缩图像的时间长2.5倍。在[14[作者，作者研究了如何将捕获的图像传送到移动宿节点。他们假设中间节点处的图像聚合组合捕获图像的重叠部分可以节省传输能量。在此假设下，提出了多径路由协议以将图像的各个部分路由到移动宿节点。基于传输任务是最能耗的假设，在[15，他们找到了最佳的压缩比，以在减少传输时间、返回客观足够的图像质量和压缩时间之间进行权衡。在[17，他们还研究了VSN图像分割和压缩的时机。时间选择是将数据发送到中心站而不进行进一步处理，或者是在数据源节点本地进行处理，然后发送处理后的结果。他们得出结论，分割后发送压缩图像将是最节能的方案。

尽管这些最近的作品[14- - - - - -17在WVSN网络中解决了图像传输和图像处理之间的相互作用，不考虑MAC重传功率损失，因此不适用于真实的WVSN网络。针对无线传感器网络中mac感知的数据聚合路由问题进行了研究。在[7，研究了无线传感器网络中使用载波感知多址/碰撞避免(CSMA/CA) MAC协议进行数据聚合和重传的能量消耗权衡问题。在[18，他们提出了一个MAC Anycasting协议来实现空间收敛，随机等待协议来实现时间收敛。这些空间收敛性和时间收敛性最大限度地发挥了无结构(即没有预先构造的网络结构)无线传感器网络中数据聚合的优势。据我们所知，目前还没有关于WVSN网络中MAC重传问题的文献。在本文中，我们首次考虑图像传输、图像处理和MAC重传之间的相互影响，来确定WVSN网络中高效的图像聚合方案。

本文的其余部分组织如下。节2，我们提出了图像聚合方案的数学模型，以捕获图像传输、图像处理和MAC重传的功耗。节3.，基于数学模型和真实WVSN传感器节点进行数值计算，确定不同网络设置下的最佳图像聚合策略。最后,部分4本文总结道。

2.WVSN图像传输的数学模型

WVSN模型为一个图，其中传感器被表示为节点，连接两个节点的弧线表示一个传感器在另一个传感器的传输半径内。节2.1，我们将研究节点处理和中继节点的传输功耗。节2.2，除中继节点的功耗外，我们还将研究数据源节点的重传功耗。

2.1. 图像聚合功耗模型（不包括重传功耗）

在给出一般的图像汇聚功耗模型之前，为了更清楚地了解节点处理与图像汇聚之间的权衡，没有考虑重传的功耗。我们首先考虑图中图像聚合的情况2 (b)．在这种情况下，节点接收两幅图像，然后将合并后的图像发送给汇聚节点。节点的功耗包括图像处理能力和图像传输能力。注意Node的总功耗还包括图像接收功率。无论是否使用图像聚合，图像接收功率都是相同的。因此，下面的模型中没有包含图像接收功率，我们可以重点研究图像聚合对图像处理功率和图像传输功率的权衡。

在推导模型之前，我们首先给出公式中使用的符号，如表所示1．

在图2 (b)，捕获的节点图像大小和节点是和．然后为节点接收图像大小是．如果节点进行图像聚合，合并后的图像大小为. 在这种情况下，节点的图像处理能力是，．以及Node的传输电源是．让表示节点的功耗在图像聚合方案中: 如果我们不在Node上执行图像聚合在图2 (b)，节点上没有图像处理．因此，节点上的图像处理能力是零。另外，节点的传输功率是．让表示节点的功耗无图像聚合方案: 两幅图像合并后的图像大小不应大于两幅图像之和，这是很简单的。因此, 然后我们有 从(4)，我们只能确定图像聚合方案的传输功率优于非图像聚合方案。然而，我们不能得出这样的结论因为有一个非零的图像处理功耗在．换句话说，在图中2，图像聚合方案只有在 接下来我们将(5)考虑在数字发射机3(一个)和3 (b)．

在图3 (b)，总接收图像的大小为传输聚合图像的大小为．然后是节点的图像处理能力是，．节点的传输功率是．让表示节点的功耗在图像聚合方案中: 如果节点不执行图像聚合(例如，Figure3(一个))，然后是Node的图像处理能力为零，节点是．让表示节点的功耗无图像聚合方案: 图像聚合方案比非图像聚合方案只在 基于(8)，只有当传输较小聚合图像的增益大于图像处理所消耗的额外能量时，图像聚合方案才是更好的选择。

2．2．通用图像聚合能耗模型

节2.1我们只考虑中继节点的节点处理能力和传输功率。．我们不考虑数据源节点的传输功率．为了全面了解WVSN中的功耗，我们需要考虑数据源节点上的功耗。数据源节点的功耗不仅包括传输图像包的传输功率，还包括碰撞导致的MAC层重传功率。

重发功率分析如下。首先，我们假设每个传感器节点都配备了兼容CSMA/CA的收发器。我们研究了基于竞争的CSMA/CA协议分布式协调函数(DCF)。对于DCF，每次成功传输的周转时间是从RTS到争用窗口。当发送方要向接收方发送数据时，首先会发出RTS包，向接收方请求发送许可。如果允许，接收方将发送CTS回给发送方，然后数据就可以传输了。成功接收数据后，接收端将发送一个ACK给发送端。由于这种RTS和CTS机制，隐藏节点问题将被规避。需要注意的是，根据CSMA/CA协议，RTS和CTS之间的时间间隔不大于短帧间隔时间(short interframe spacing, SIFS)。在这一轮传输结束后，经过一个DIFS周期，所有的传感器节点将争夺信道。 In order not to interrupt each round of transmission, the DIFS period is larger than the SIFS period. Letting the propagation delay from the sender to the receiver be，然后周转时间是．那么总的竞争周期是(即时战略游戏+SIFS+)用于发送RTS帧。其他传感器节点听到RTS或CTS数据包将不会传输，以防止在此争用期间发生冲突。

在给出考虑WVSN重传功率的数学模型之前，我们首先给出公式中使用的表示法，如表所示2．

根据[19]，我们推导了发送方的平均重传时间。我们假设每个传输符合几何分布，每个传感器节点以一定速率生成服从泊松分布的图像包，．图像从发送端成功传输到接收端取决于其传输半径覆盖接收端的传感器节点的数量。通过考虑传感器节点通信半径下的接收端冲突，隐式地考虑了隐藏终端问题。

在CSMA/CA协议中，当发送端想要向接收端发送数据包时，它将首先发出RTS控制帧，然后等待接收端的CTS帧来确定信道是否空闲[19］.如果没有其他发射器在该争用周期内发送分组，则该传输成功。然后我们派生节点的平均重传时间将数据传输到节点(表示为）： 前一个重传函数的意义是成功传输概率的几何分布的平均值，即在传输半径覆盖接收节点的任何节点上不发生数据传输在…之间即时战略游戏+SIFS+ 2）.使用我们可以计算出传输覆盖传感器节点的传感器节点总数或传感器节点传输半径覆盖的传感器节点的总数．我们在图中举例说明2 (b)和2(c)计算重传次数的值。对于任何一个节点，,然后 基于(10)时，可以计算考虑MAC层重传的总功耗。需要注意的是，重发功耗来自于接收者之间的冲突，所以如果发送到接收者的数据只来自于一个发送者，那么就不存在重发功耗。因此,在数据3(一个)和3 (b)，因为有向节点传输图像数据的发射器，节点处可能会发生碰撞导致数据源节点上的重新传输。然而,在图3 (c)，由于接收器接收来自一个发射机的传输，因此不会因碰撞而造成重发功率损失。在(11)，我们展示了汇聚在节点上的数据源节点的MAC重传功耗： 在(11)，即MAC重传功率等于发送RTS帧的功率乘以重传次数。用(10)和(11)，我们有 注意，图中没有MAC重传功耗3 (c)由于每个数据源节点将图像传输到不同的中继节点。因此，在考虑总功耗时，仅图3(一个)和3 (b)需要处理(12).在下面，我们推导出图中“非聚集”方案的总功耗3(一个)和图中的“聚合”方案3 (b)和图中的“个人接力”方案3 (c)，每一个都表示为， ,，分别 在(15)，由于每个数据源节点将图像传输给单个中继节点，因此不消耗MAC重传功耗。此外，在(14)和(15）.在下一节中，我们将验证哪种方案是最节能的方案。

3.数值结果

我们假设一个传感器网络以事件驱动模式运行。当事件发生时，能够捕获该事件图像的图像传感器节点(即FoV覆盖该事件的图像节点)成为数据源节点，将图像发回sink节点。在实验中，CSMA/CA参数的设置(即即时战略游戏，CTS，)是基于[7］.

在第一组实验中，我们研究了三种图像聚合路由方案的总功耗比较，如图所示3.．相对于“单独继电器”方案，功耗是标准化的。因此，“相对功耗”=/(个人中继方案的功耗)，其中为其他方案的功耗。例如，如果“非聚合”方案的功耗是“个体中继”方案的1.5倍，那么“非聚合”方案的相对功耗是1.5倍。

图像传输的功耗值(即，)及图像处理(即)是实验中非常重要的参数。我们模拟了图像传输和图像处理之间的五种不同功率比(即，)，范围为0.55 ~ 4.55，步长为1，以检验三种图像聚合方案的解质量。我们表示这样的比率比．具体来说，我们在实验中固定图像传输的值，改变图像处理的值(即5个不同的值)。从(13）（15)，在这三种图像聚合方案中，图像处理能力只存在于“聚合”方案中。可以预期，“个体中继”和“非聚合”的功耗在不同情况下保持相同比率。另一方面，“聚合”方案相对于不同的方案有不同的相对功耗比率。“Aggregation1.55”表示当率是1.55。注意，我们没有在图中绘制“Aggregation4.55”，因为“Aggregation4.55”的值与“Aggregation3.55”的值太接近了。

从数据4，5，6，7，8,9，我们展示了相对于聚合程度的性能比较。聚合意味着数据源节点捕获的图像大小相同，可以聚合并在一个副本中传送给汇聚节点。因此，其他()%每个数据源节点捕获的图像的大小不同。例如，假设图像大小为48 KB，则当有三个数据源节点和20%的聚合时，通过使用聚合方案，传输到接收器节点的总图像大小为．图像的总大小是．需要注意的是，通过使用其他两种方案(即Nonaggregation和Individual)，传输到汇聚节点的图像总大小为．因此，在高度聚合的情况下，我们可以预期“聚合”方案的传输图像尺寸较小。

从图4图9，有三个重要的观察结果。

(1)“聚合”方案在较高时表现较好比率。从图4图9，我们可以观察到“聚合”的价值低于“聚合”“当．换句话说，通过增加相比之下，从图像传输中节省的能量比从图像处理中节省的能量更大，从而降低了总能量消耗。此外，我们可以看到“Aggregation0.55”和“Aggregation1.05”之间有很大的差距。在Aggregation0.55处，图像处理功率大于图像传输功率。在这种情况下，执行图像聚合不是一个好的选择，特别是在聚合程度较低的情况下。当聚合度小于40%时，“non - aggregation”的功耗甚至低于“Aggregation0.55”。另一方面，当当比值大于1时，建议进行图像聚合以降低总功耗，特别是在聚合程度较高时。

(2)“聚合”方案在聚合程度越高时表现越好:聚合程度越高时，“聚合”方案所聚合的图像大小越小。这样就可以降低传输功率来传输聚合图像。请注意，无论聚合程度如何，图像处理能力几乎是相同的。“聚合”方案在聚合程度越高时性能越好。在图4，当聚合为0%时(即数据源节点捕获的图像均不相同)，“aggregation”方案相对于“Individual relay”方案只能实现90%的功耗。在图9，在100%聚合时(即从数据源节点捕获的所有图像都相同)，“聚合”方案相对于“个人中继”方案可实现60%的功耗。

(3)增加数据源节点数量也会增加复用增益和MAC重传功耗。从图4图9，我们可以看到，“非聚合”和“聚合”方案相对于数据源节点数量有一个非常有趣的“U”形相对功耗。从直观上看，增加数据源节点的数量会增加从多幅图像聚合到单个中继节点的多路复用增益。因此，我们可以预期，当数据源节点数量增加时，“非聚合”和“聚合”方案的相对功耗将持续下降。但是我们可以观察到，这两种方案的相对功耗都是先减小后增大的。增加的原因是MAC重传功耗增加。注意，随着数据源节点数量的增加，中继节点的碰撞概率也会增加，从而增加了重传功耗。从图4图9，我们观察到在7个数据源节点之前，复用增益将主导MAC重传功耗。但在7个数据源节点后，MAC重传功耗将主导复用增益，相对功耗开始增加。这就给出了“non - Aggregation”和“Aggregation”相对于数据源节点数量的“U”形相对功耗。

在第一组实验中，功耗实验是基于推导出的数学模型进行的。在第二组实验中，为了得到WVSN中图像处理和传输的实际功耗，我们使用Meerkats节点板上绘制的增量电荷[16，如表所示3.. 猫鼬节点中使用的电池电压为7.4伏。由于能耗等于充电消耗量乘以蓄电池电压，因此，表的第三列3.等于Table3.乘以狐獴电池电压(即7.4伏)。在第一组实验中，我们可以观察到，在大多数情况下，“非聚合”和“聚合”方案的性能优于“个体中继”方案。在第二组实验中，我们将只讨论“非聚合”和“聚合”方案之间的比较。由于这两种方案的MAC重传功耗相同，所以在接下来的实验中，我们只研究这两种方案的图像传输和图像处理功耗比较。

在接下来的实验中，“聚合””意味着数据源节点捕获的图像大小相同，可以聚合并在一个副本中传送给汇聚节点。因此，其他(100 -)，每个数据源节点捕获的图像的百分比是不同的，应该分别传输给汇聚节点。在图10，有两个重要的观察结果。（1）聚合降低了能量消耗。我们可以观察到，随着同幅图像百分比的增加，聚合方案可以不断降低能耗。在图10其中，Aggregation5方案能耗最大，Aggregation100方案能耗最小。这是因为在Aggregation100中，每个数据源节点捕获的图像是相同的，因此只向汇聚节点传输一份图像副本。（2）非聚合方案在同一张图像的比例大于10%时消耗更多的能量。在图10，我们可以观察到Aggregation5方案比Non-aggregation方案消耗更多的能量。非聚合方案消耗的能量几乎与Aggregation10方案相同。当同幅图像的比例大于10%时，聚合方案比非聚合方案更节能。在接下来的实验中，我们研究了能量相对于距离的比较。我们假设衰减系数为2。因此，传输功率消耗与传输半径的2次方成正比。允许表中使用的传输半径3.是，然后是传输半径，则传输能耗将为乔丹。例如，传输半径为，能源消耗将是乔丹。需要注意的是，改变发射器和接收器之间的距离并不影响节点上的图像处理，因此表中为步骤1和步骤2的能量消耗3.是相同的。只改变表中第3步的传输功率。回想一下，在第一组实验中，我们模拟了聚合的性能比率。增加Meerkats节点的传输半径相当于增加比率我们试图验证图像聚合的结论是否与在第一组实验中，比值对真实的狐獴节点仍然有效。

为了比较数据汇总的效率，我们设计了一个相对的能源消耗指标: 如果REI大于1，则表示聚合模式比非聚合模式消耗更多的能量。另一方面，聚合当REI小于1时，非聚集方案比非聚集方案更节能。

从图11图13，我们有三个重要的观察结果。（1）随着传输半径的增大，REI变小。当传输半径增大时，传输功率增大。在这种情况下，如果没有聚合，非聚合方案必须比聚合方案传输更多的图像副本因此，非聚合模式将比其他聚合模式消耗更多的能量计划。因此，当传输半径变大时，REI会变小。（2）聚合降低REI。我们可以观察到，随着同幅图像百分比的增加，聚合方案会不断降低REI。从图11图13， Aggregation10方案的REI最大，Aggregation100方案的REI最小。此外，我们观察到Aggregation100相对于不断增加的传输半径有最陡的斜率。换句话说，在大的传输半径下，聚合百分比越高，节能效果越好。（3）随着聚合节点的数量增加，REI变小。随着聚合节点的数量增加，减少重复图像的传输节能增加。考虑聚合100计划传输半径;我们在图中有0.72 rei，0.55 rei和0.5 rei11，12,13,分别。基于前面三个观察结果，它们与第一组实验是一致的。即在较高的汇聚度和较大的传输半径(即较大的传输半径)下，应鼓励图像聚合以降低总功耗率)。如前所述，REI随着聚合节点数量的增加而变小。事实上，REI并不总是随着总数的增加而不断减少。换句话说，REI将饱和到一个最小值。要问的一个重要问题是饱和REI的值是多少?另一个重要的问题是，与饱和REI相对应的聚集节点的数量是多少?在图14和表4，当传输半径固定为时，我们将回答上述两个问题．

在表4，当REI值不为下一个聚集节点数减少0.1%时，则称REI值已饱和，对应的聚集节点数记为聚合节点数的阈值．也就是说，当REI值达到饱和时，增加聚集节点数量对降低能耗没有太大帮助(最多为0.1%)。这些结果可以帮助确定不同聚合程度下的聚合节点数量，以实现最小能耗。

在本文中，到目前为止，我们只研究了单跳图像聚合的能量消耗，而没有研究多跳图像聚合策略（即网络级）。然而，计算结果将为我们提供一些关于节能多跳图像策略的想法。在WVSN中，当事件发生时，可以覆盖事件的传感器的FoV将成为数据源节点，并将图像发送回接收器。可以预期，沿着返回接收器的路径，聚合节点（或映像）的数量将变小。因此，对于到接收器的路由路径上的中继节点，它离接收器越近，它将从下游聚合节点接收的图像数量越少。此外，还可以预期，来自接收图像的冗余图像部分的百分比将沿着返回到接收器的路由路径减少。换句话说，对于到接收器的路由路径上的中继节点，它离接收器越近，接收图像的数量和来自接收图像的冗余图像部分的百分比将越小。根据计算结果，当接收到的图像中冗余图像部分的百分比较高且聚合节点的数量较多时，应鼓励图像聚合，我们可以得出结论，当中继节点靠近接收器时，不应鼓励图像聚合。另一方面，当中继节点靠近数据源节点时，应鼓励图像聚合。因此，即使本文没有考虑多跳路由问题，本文的结果也为WVSN中节能图像路由方案的设计提供了很好的指导。

4.结论

在传感器节点上安装摄像头，能够捕获和传输图像数据，为WVSN的环境监测和安全监控开辟了新的应用。然而，在功率有限的WVSN网络中，利用WVSN传输图像是一个具有挑战性的问题。通过聚合来自多个数据源节点的图像，可以将相同部分的图像组合在一起，以节省图像传输功率。这种图像处理需要额外的节点能量消耗，危及图像传输的节电优势。此外，将来自多个数据源节点的图像聚合到相同的中继节点会导致MAC层重传功率损失。因此，高效的图像聚合方案需要解决这三个因素之间的相互作用。在本文中，我们首先提出了一个数学模型来捕捉从图像传输、图像处理和MAC重传中所消耗的能量。然后基于数学模型和真实的WVSN传感器节点(Meerkats节点)进行数值计算，确定最佳的图像聚合策略。从数学模型和实际WVSN传感器节点的数值结果都表明，在较高的汇聚程度和较大的传输半径(即较大的传输半径)下，应鼓励图像聚合以降低总功耗率)。增加数据源节点的数量也会增加将多个图像聚合到单个中继节点的多路复用增益。这说明图像聚合有助于降低大量数据源节点的总功耗。但是，随着更多的数据源节点聚集在单个节点上，MAC重传功率损失也会增加。从数值结果来看，为了在复用增益和MAC重传功率损失之间取得最佳权衡，数据源节点数不应超过7个。这些结果不仅能在图像传输、图像处理和MAC重传之间找到最优的图像聚合策略，而且有助于WVSN路由决策，使总功耗最小化。

承认

本研究由台湾国家科学委员会资助。NSC 100-2221-E-128-002和NSC 101-2410-H-128-005-MY2。

参考

1. S. Soro和W. Heinzelman，“视觉传感器网络的调查”，多媒体的发展， vol. 2009, Article ID 640386, 21页，2009。浏览：出版商的网站|谷歌学者
2. H. H. Yen，“基于优化的信道约束数据聚合路由算法在多无线传感器网络中的应用”，传感器，第9卷，第5期。6, pp. 4766-4788, 2009。浏览：出版商的网站|谷歌学者
3. y呗,基于特征的图像比较及其在无线视觉传感器网络中的应用[博士论文]，田纳西大学，2011。
4. D. G. Lowe，“来自比例不变关键点的独特图像特征”，国际计算机视觉杂志，第60卷，第2期2，页91-110,2004。浏览：出版商的网站|谷歌学者
5. H. Bay，A.ESS，T. Tuytelaars和L. Van Goole，“加速强大的功能（冲浪），”计算机视觉与图像理解号，第110卷。3，页346-359,2008。浏览：出版商的网站|谷歌学者
6. h·s·m·考克塞特，介绍几何， John Wiley & Sons，纽约，纽约，美国，第二版，1969。
7. F. Y. S. Lin, H. H. Yen, and S. P. Lin，“无线传感器网络中一种新型的节能MAC感知数据聚合路由”，传感器，第9卷，第5期。3, pp. 1518-1533, 2009浏览：出版商的网站|谷歌学者
8. H. H. Yen, F. Y. S. Lin, and S. P. Lin，“无线传感器网络的高效数据中心路由”，《通讯汇刊》，第88卷，第4470-4480页，2005。浏览：谷歌学者
9. A. Skordas, C. Chirstopoulos和T. Ebrahimi，《JPEG 2000静止图像压缩标准》IEEE信号处理杂志第18卷第2期5，页36-58,2001。浏览：出版商的网站|谷歌学者
10. A.Mammeri、A.Khoumsi、D.Ziou和B.Hadjou，“为JPEG建模并使其适应VSN的能量需求”，年第17届计算机通信与网络国际会议论文集，第806-811页，2008年8月。浏览：出版商的网站|谷歌学者
11. R. Wagner, R. Nowak，和R. Baraniuk，“使用对应分析和超分辨率的传感器网络的分布式图像压缩”IEEE图像处理国际会议论文集，第1卷，597-600页，2003年9月。浏览：谷歌学者
12. B. Girod, A. Aaron, S. Raneand，和D. rebollo - mondero，“分布式源代码编码”，IEEE论文集，卷。93，没有。1，pp。71-83,2005。浏览：出版商的网站|谷歌学者
13. “传感器网络的分布式信源编码，”IEEE信号处理杂志第21卷第2期5，页80 - 94,2004。浏览：出版商的网站|谷歌学者
14. 周桂英、雷家善和林英英，“视觉传感器网络的高效按需图像传送”，《信号处理进展》， 2007年，第95076号，11页，2007年。浏览：出版商的网站|谷歌学者
15. L. Ferrigno, S. Marano, V. Paciello，和A. Pietrosanto，“平衡无线图像传感器网络的计算和传输功耗”IEEE虚拟环境、人机接口和测量系统国际会议论文集，第61-66页，2005年6月。浏览：出版商的网站|谷歌学者
16. C. B. Margi, R. Manduchi，和K. Obraczka，“视觉传感器网络的能源消耗权衡”，在第24届巴西计算机网络研讨会论文集，2006年6月。浏览：谷歌学者
17. K.Khursheed，M.Imran，M.O'Nils和N.Lawal，“基于无线摄像机的传感器节点的本地和中央处理探索”，年国际信号和电子系统会议记录(ICSES’10)，页147-150,2010年9月。浏览：谷歌学者
18. K.W.Fan、S.Liu和P.Sinha，“关于传感器网络中无结构数据聚合的潜力”，年第25届IEEE计算机通信国际会议论文集(INFOCOM '06)，第1-12页，西班牙巴塞罗那，2006年4月。浏览：出版商的网站|谷歌学者
19. 谢淑涛、蔡永义、陈杰，“MR²IEEE 802.11 ad hoc无线网络的多速率和多范围路由协议，"无线网络，第9卷，第5期。2，页165-177,2003。浏览：出版商的网站|谷歌学者

版权

版权所有©2013 Chen Yui-Liang and Hong-Hsu Yen。这是一篇发布在知识共享署名许可协议，允许在任何媒介中不受限制地使用、分发和复制，前提是原作被正确引用。