融合压缩感知与低秩理论的无线传感器网络图像获取关键技术的研究

With the continuous improvement on the strategic position of the Internet of Things, Wireless Sensor Networks ushered in a new upsurge of research. Image acquisition is an important application in WSN, and its key technology research has important theoretical significance. This project presents an innovation of extending the compressed sensing and low-rank theory to image acquisition and image restoration in WSN, which intends to solve the problem of image acquisition based on WSN and break through the bottleneck including heavy computation burden in the node of WSN, high energy consumption, and low reconstruction quality of image. Firstly, the sparse sampling method is used to obtain the image information in the node of WSN to reduce the power consumption of the nodes. Secondly, the image reconstruction model is constructed based on the two-dimensional matrix and the three-dimensional tensor form in the sink to utilize the spatial correlation in the image. This paper studies the low rank matrix decomposition and nuclear norm optimization, Tucker decomposition and minimization of trace norm method to improve the accuracy of image reconstruction. Afterwards, the multidimensional tensor model is constructed by introducing time parameter to utilize the spatiotemporal correlation of multiple images, and the joint low-rank constraints and sparse or group sparse constraints can improve the accuracy of reconstruction further. Then, introducing the nonlocal self-similarity of the image and studying the high efficiency image enhancement algorithm to greatly improve the image quality. Finally, verify the effectiveness of the image acquisition system on the WSN platform in our research group.

无线传感器网络随着物联网战略地位的不断提升迎来了一场新的研究热潮，图像获取作为WSN中的重要应用，对其关键技术研究具有重要的理论意义。本课题创新地将压缩感知及低秩理论应用于WSN图像获取及恢复技术中，拟解决在WSN中图像获取的难题，突破WSN中节点运算量大、功耗高、图像重建质量差的瓶颈。首先，研究稀疏采样方式获取WSN前端节点的图像信息，以降低节点功耗；其次，在基站中利用图像空间相关性，分别基于二维矩阵、三维张量形式，构建WSN中图像重构模型，研究低秩矩阵分解及核范数优化、Tucker分解及迹范数最小化求解方法，提升图像重构准确性；之后，利用多幅图像时空相关性，构建引入时间参量的多维张量模型，研究联合低秩约束及稀疏或组稀疏约束，进一步提高重构准确性；然后，引入图像的非局部自相关性，研究高效图像增强算法，极大提升图像质量；最后，在课题组已有WSN硬件平台上验证该图像获取系统的有效性。

图像获取作为WSN中的重要应用，对其关键技术研究具有重要战略意义。随着社会发展，传统的WSN图像采集、传输压缩方式难以满足人们日益增长的获取和使用图像信息的需求，难以满足WSN低功耗、低成本、高性能、高鲁棒性的要求，因此本课题围绕新颖的WSN图像获取关键技术展开研究，主要取得了五方面的重要研究成果：（1）针对节点能耗大、能量受限等问题，采取融合压缩感知与低秩理论的稀疏采样技术，采样与压缩合二为一，提出了自适应聚类采样模型和基于全变分与低秩正则的WSN数据采集新模式，大幅度降低节点功耗，延长节点使用寿命；（2）充分挖掘图像数据本质特性和高维数据复杂本质结构，利用图像的空间相关性，分别基于二维矩阵、三维张量形式，构建WSN中图像重构模型，研究了低秩矩阵分解及核范数优化、Tucker分解及迹范数最小化求解方法，实现高压缩率图像的精确重构；（3）利用多幅图像时空相关性，引入时间参量，构建了基于多维张量的实时图像恢复模型，研究联合低秩约束及稀疏或组稀疏约束，提出了基于多尺度组稀疏、自适应组稀疏、截断核范数最小化组稀疏的压缩感知图像重构模型，进一步提高重构准确性；（4）引入深度学习技术，充分利用图像的稀疏性，更好地设计采样网络及重构网络，通过自适应地调整网络权重，更精准学习实际图像的结构信息，提出了基于多尺度残差网络、基于卷积生成对抗网络和变分自动编码器的深度压缩图像重构模型，实现图像高质量重构；（5）面向图像的超分辨率重建问题，提出了一种基于剪切波变换的深度残差卷积神经网络，对一般自然图像数据集和遥感图像数据集的广泛评估表明，所提方案在低参量下大幅提升了图像成像质量。.课题研发期间发表高水平论文30篇，申请发明专利12项，授权发明专利2项；培养博士生9名，硕士生4名，其中1篇硕士论文获天津市优秀学位论文。.本课题的研究有助于推动压缩感知、低秩理论与深度学习技术应用于WSN中的步伐，释放了WSN的应用潜力，可带动相关产业发展。