摘 要：壓縮感知通過稀疏采樣技術(shù)，可以在遠(yuǎn)程客戶端通過少量數(shù)據(jù)信息實現(xiàn)數(shù)據(jù)的重構(gòu)，這給壓縮感知和互聯(lián)網(wǎng)結(jié)合提供了理論基礎(chǔ)。針對傳統(tǒng)壓縮感知算法處理效率低和質(zhì)量差的缺點，將曲波變換和圖像分塊理論引入壓縮感知，提出一種基于傳感云和改進(jìn)壓縮感知的物聯(lián)網(wǎng)路數(shù)據(jù)處理架構(gòu)。結(jié)果表明，通過無噪圖像、加噪圖像和不同采樣頻率對重構(gòu)圖像質(zhì)量影響的研究發(fā)現(xiàn)，與SIDCT和PBDCT相比較，本文方法PB?DCT具有更強的抵抗噪聲的能力，極大地提高傳感網(wǎng)絡(luò)的數(shù)據(jù)處理和數(shù)據(jù)存儲能力。

關(guān)鍵詞：傳感云；壓縮感知；物聯(lián)網(wǎng)；曲波變換；無線傳感網(wǎng)絡(luò)中圖法分類號：TP391.1 文獻(xiàn)標(biāo)識碼：A 文章編號：1001-5922（2024）11-0163-04

Internet of things data processing based on sensorcloud and improved compressive sensing

CAO Jilei

（Henan Traffic Technician College，Zhumadian 463000，Henan China）

Abstract：Through sparse sampling，compressive sensing can reconstruct data through a small amount of data infor?mation on a remote client，which provides a theoretical basis for the combination of compressed sensing and the In?ternet. Aiming at the disadvantages of low efficiency and poor quality of traditional compressive sensing algorithm，the curved wave transform and image block theory were introduced into compressive sensing，and a data processingarchitecture for Internet of Things（IoT）based on sensor cloud and improved compressed sensing was proposed.The results showed that compared with SIDCT and PBDCT，the proposed method PBDCT had a stronger ability to re?sist noise，which greatly improves the data processing and data storage capabilities of the sensor network.

Key words：sensor cloud；compressive sensing；internet of things；curvelet transformation；wireless sensor network

隨著物聯(lián)網(wǎng)技術(shù)、大數(shù)據(jù)技術(shù)和云處理技術(shù)的發(fā)展，數(shù)據(jù)信息比如圖像、文本等呈現(xiàn)指數(shù)級增加，對數(shù)據(jù)處理和數(shù)據(jù)儲存能力構(gòu)成嚴(yán)峻挑戰(zhàn)。壓縮感知通過稀疏采樣技術(shù)，可以在遠(yuǎn)程客戶端通過少量數(shù)據(jù)信息實現(xiàn)數(shù)據(jù)的重構(gòu)，這給壓縮感知和互聯(lián)網(wǎng)結(jié)合提供了理論基礎(chǔ)。針對傳統(tǒng)壓縮感知算法處理效率低和質(zhì)量差的缺點，將曲波變換和圖像分塊理論引入壓縮感知，提出一種基于傳感云和改進(jìn)壓縮感知的物聯(lián)網(wǎng)路數(shù)據(jù)處理架構(gòu)，通過傳感云技術(shù)極大地提高傳感網(wǎng)絡(luò)的數(shù)據(jù)處理和數(shù)據(jù)存儲能力。

1 傳感云技術(shù)簡述

傳感云（Sensor Cloud）是無線傳感網(wǎng)絡(luò)（WSN）與云計算（Cloud Computing）融合的產(chǎn)物 [1-2] ，通過云端控制傳感網(wǎng)絡(luò)進(jìn)行信息采集，借助于云計算平臺實現(xiàn)信息處理和存儲，從而為不同類型的應(yīng)用提供靈活、可配置和開放的服務(wù)平臺，極大地提高傳感網(wǎng)絡(luò)的數(shù)據(jù)處理和數(shù)據(jù)存儲能力。

2 改進(jìn)壓縮感知

2. 1 圖像壓縮感知

根據(jù)壓縮感知相關(guān)理論，測量矩陣 ? 可以用傅立葉欠采算子 F U 表示， F?C N′N 為傅立葉變換， U為欠采矩陣，其矩陣尺寸大小為 M′N（MN） 。假設(shè)在變換域內(nèi)，信號 X 可以稀疏表示，那么約束最優(yōu)化能夠進(jìn)行信號重建 [4-5] ：

4. 2 不同方法對圖像重構(gòu)質(zhì)量的影響

選擇Lena圖像為研究對象，對比GPBDCT、PBDCT和SIDCT的圖像重構(gòu)效果，重構(gòu)效果如圖2和表1所示。

由表1可知，針對信噪比、相對 l 2 誤差和匹配度，GPBDCT圖像重構(gòu)效果優(yōu)于PBDCT和SIDCT。

4. 3 采樣頻率對圖像重構(gòu)質(zhì)量的影響

通過對比不同采樣頻率下，GPBDCT、PBDCT和SIDCT 3種方法的圖像的RLNE，對比結(jié)果見圖3。

圖3中，SIDCT和PBDCT的RLNE數(shù)值明顯高于GPBDCT。當(dāng)采樣頻率為0.15時，局部的RLNE高達(dá)0.101，隨著采樣頻率的增加，評價指標(biāo)RLNE呈下降趨勢 [16-20] 。從整體效果來看，與SIDCT和PBDCT相比，GPBDCT的RLNE低于二者，驗證了本文方法GPB?DCT具有更強的穩(wěn)定性和魯棒性。

4. 4 加噪聲對比分析

為了分析抵抗GPBDCT噪聲的能力，選擇圖4（a）為研究對象，加入標(biāo)準(zhǔn)差為25的高斯噪聲后的圖像如圖（b）所示，SIDCT、PBDCT和GPBDCT圖像重建結(jié)果圖4（c）～圖4（e）和表2所示。

5 結(jié)語

針對傳統(tǒng)壓縮感知算法處理效率低和質(zhì)量差的缺點，將曲波變換和圖像分塊理論引入壓縮感知，提出一種基于傳感云和改進(jìn)壓縮感知的物聯(lián)網(wǎng)路數(shù)據(jù)處理架構(gòu)。通過無噪圖像、加噪圖像和不同采樣頻率對重構(gòu)圖像質(zhì)量影響的研究發(fā)現(xiàn)，與SIDCT和PB?DCT相比較，本文方法GPBDCT具有更強的抵抗噪聲的能力，極大地提高傳感網(wǎng)絡(luò)的數(shù)據(jù)處理和數(shù)據(jù)存儲能力。

【參考文獻(xiàn)】

[1] 劉半藤，陳友榮，楊海波，等. 一種多傳感器云融合技術(shù)的亞面表缺陷深度檢測算法研究[J]. 傳感技術(shù)學(xué)報，2017，30（12）：1900-1905.

[2] 王玉賢. 大規(guī)模光纖激光傳感云數(shù)據(jù)的有效存儲方法改進(jìn)[J]. 激光雜志，2017，38（1）：148-152.

[3] 劉建華，李明祿，李大志，等. 工業(yè)無線傳感云中面向移動機器人的自適應(yīng)信任演化機制[J].電信科學(xué)，2017，33（6）：86-96.

[4] 陳木生. 結(jié)合NSCT和壓縮感知的紅外與可見光圖像融合

[J]. 中國圖象圖形學(xué)報，2016，21（1）：39-44.

[5] 周燕，曾凡智. 基于二維壓縮感知和分層特征的圖像檢索算法[J]. 電子學(xué)報，2016，44（2）：453-460.

[6] 劉金龍，熊承義，高志榮，等. 結(jié)合全變差與自適應(yīng)低秩正則化的圖像壓縮感知重構(gòu)[J]. 計算機應(yīng)用，2016，36（1）：233-237.

[7] ZHAN Z ，CAI J F，GUO D，et al. Fast multi-class diction?aries learning with geometrical Directions in MRI Recon?struction[J]. IEEE transactions on bio-medical engineer?ing，2015，63（9）：1850-1861.

[8] LAI Z，CHEN Z，YE J，et al. Image reconstruction of com?pressed sensing MRI using graph-based redundant wavelettransform[J]. Medical Image Analysis，2016，27：93-104.

[9] 沈燕飛，朱珍民，張勇東，等. 基于秩極小化的壓縮感知圖像恢復(fù)算法[J]. 電子學(xué)報，2016，44（3）：572-579.

[10] 翁天陽，莊宇，于瑋，等. 基于HPS和FPGA的圖像壓縮感知編解碼系統(tǒng)[J]. 電子技術(shù)應(yīng)用，2017，43（5）：90-93.

[11] 劉繼承，陳佳偉. 基于改進(jìn)StOMP算法圖像壓縮感知重構(gòu)[J]. 計算機應(yīng)用研究，2016，33（9）：2869-2872.

[12] 呂偉杰，陳霞，劉紅珍. 基于壓縮感知的圖像自適應(yīng)子空間追蹤算法[J]. 計算機工程與應(yīng)用，2016，52（3）：220-223.

[13] 盧良鋒，謝志軍，葉宏武. 基于RGB特征與深度特征融合的物體識別算法[J]. 計算機工程，2016，42（5）：186-193.

[14] 李珣，李林鵬，ALEXANDER L，等. 基于改進(jìn)雙流卷積遞歸神經(jīng)網(wǎng)絡(luò)的RGB-D物體識別方法[J]. 光電工程，2021，48（2）：24-33.

[15] 查晶晶. 基于 Kinect 視頻的圖像增晰與檢測算法研究[J]. 太原學(xué)院學(xué)報（自然科學(xué)版）. 2022，40（3）：65-70.

[16] 趙小明，楊軼嬌，張石清. 面向深度學(xué)習(xí)的多模態(tài)情感識別研究進(jìn)展[J]. 計算機科學(xué)與探索，2022，16（7）：1479-1503.

[17] 張文婭，張鵬，高祥斌. 磨齒機機械手電力變壓器運行狀態(tài)檢測研究[J]. 機械設(shè)計與制造，2020（12）：259-262.

[18] 梁宗保，柴潔，納守勇，等. 基于深度學(xué)習(xí)的橋梁健康監(jiān)測數(shù)據(jù)有效性分析[J]. 重慶交通大學(xué)學(xué)報（自然科學(xué)版），2021，40（3）：78-83.

[19] 苗振林，金國忠，楊靖瑋，等. 基于變壓器紅外圖像的高溫區(qū)域識別方法[J]. 粘接. 2022，49（12）：125-128.

[20] 徐衛(wèi)曉，譚繼文，井陸陽，等. 基于深度學(xué)習(xí)和多傳感器的數(shù)控機床銑刀磨損狀態(tài)信號監(jiān)測方法研究[J]. 機床與液壓，2020，48（9）：66-69.