文獻標識碼： A
文章編號： 0258-7998(2012)12-0134-03
無線多媒體傳感器網絡WMSNs(Wireless Multimedia sensor Networks)，具有移動性強、放置靈活、傳輸比特率較低的特點[1],可以有效解決煤礦井下有線監控系統的問題。但是高能耗是目前制約WMSNs發展主要因素之一[2]。
目前的圖像傳感器節點中常用的圖像編碼算法有JPEG和JPEG200。卡耐基梅隆大學的研究人員開發了CMUcam系列視覺傳感器，CMUcam3采用軟件JPEG壓縮并兼容802.15.4接口[3]，具有一個CIF分辨率(352×288)的RGB彩色傳感器。這種常用的編碼算法都在數據采集端按照奈奎斯特采樣定理進行數據采集，造成了存儲空間及節點能量的浪費。
近幾年來，由 DONOHO D、CANDES E等人提出了編碼簡單、解碼復雜的壓縮感知理論[4]。本文利用壓縮感知理論，并結合WMSNs節點的能耗分布特點，對“無線傳輸”和“信號處理”的能耗進行折中處理[5]，實現了降低節點能耗的目的。
1 能耗模型分析
通常WSNs節點的能量大部分消耗在無線數據收發過程中，分布呈“聚集”狀態，可以忽略數據采集和處理能耗。而WMSNs節點因為要采集圖像、音頻、視頻等大數據量的多媒體信息，大大增加了數據采集和處理的能耗，能耗分布呈“均勻”狀態。因此需要結合WMSNs節點的能耗分布特點，對“無線傳輸”和“信號處理”的能耗進行折中處理， 以適用于WMSNs節點的圖像壓縮方法。如圖1所示。
傳感器節點的能耗模型包括傳感器、處理器以及無線收發器的能耗模型。結合圖1的節能點能耗分布和參考文獻[6]可將節點能耗表示為：
3 仿真與分析
采用壓縮感知理論代替傳統的JPEG圖像壓縮方法，在相同的PSNR條件下，雖然降低了圖像處理的復雜度，但也同時增加了數據的傳輸量。記Em為處理器能耗和通信傳輸能耗的總和，即Em=Eact+ETx。采用256×256的煤礦井下圖像，通過Matlab仿真,結合上述的能耗模型來驗證相比于JPEG, 壓縮感知理論是否可以降低整個節點的能耗。
(1) 處理器能耗
JPEG中熵編碼過程占據了整個壓縮的大部分時間。基于CS理論的壓縮方式對變換后的系數進行了稀疏采樣，減少了熵編碼的源數據量，從而大大節省了壓縮時間，降低了處理器能耗。根據實驗選用的平臺，?琢=0.45，VDD=１．３ Ｖ, f=400 MHz。JPEG算法與CS算法的處理器能耗及與PSNR之間關系的Matlab仿真結果如圖3所示。
(2) 通信模塊能耗
多媒體節點的傳輸功耗與傳輸數據量有關，而圖像的壓縮比決定了傳輸的數據量。根據式(2)，選取圖像傳感器節點和路由節點的距離d=100 m進行仿真，結果如圖4所示。
從圖5中可以看出采用基于CS理論的壓縮方式可以實現WMSNs節點節能的效果。且恢復的圖像質量越好，則節能效果越明顯。PSNR=29時，在處理和傳輸上，基于CS理論的壓縮方式可降低能耗約50%。 本文結合圖像傳感器節點的能耗來源與分布特點，為降低圖像處理算法復雜度，提出一種基于CS理論的低復雜度的壓縮算法,實現了降低整個WMSNs節點能耗的目的，對于WMSNs在煤礦井下的推廣應用具有重要意義。
參考文獻
[1] 涂曉軍,文金朝．基于LDMCIC的井下多媒體傳感器網絡圖像傳輸[J]．煤礦安全，2010(8)：94-97.
[2] 魯琴，杜列波，左震．無線多媒體傳感網節點能耗問題評述[J]．傳感器與微系統，2008，27（12）:1-7．
[3] ROWE A, GOODE A, GOEL D,et al. CMUcam3: an open programmable embedded vision sensor[EB/OL].[2007-03]. http://www.ri.cmu.edu/pub_files/pub4/rowe_anthony_2007_1/rowe_anthony_2007_1.pdf,2009.
[4] DONOHO D L, TSAIG Y. Extensions of compressed sensing[J]. Signal Processing, 2006,86(3):533-548.
[5] PINTO A, ZHANG Z, DONG X. et al. Energy consumption and latency analysis for wireless multimedia sensor Networks[C]. IEEE Globecom 2010,2010:1-5.
[6] 高妍.無線傳感器網絡節點能耗建模與仿真[D].哈爾濱：哈爾濱工業大學，2010.
[7] HEINZELMAN W B. Application-specific protocol archit ectures for wireless networks[D]. Massachusetts Institute of Technology, 2000．