文献标识码： A
文章编号： 0258-7998(2012)12-0134-03
无线多媒体传感器网络WMSNs(Wireless Multimedia sensor Networks)，具有移动性强、放置灵活、传输比特率较低的特点[1],可以有效解决煤矿井下有线监控系统的问题。但是高能耗是目前制约WMSNs发展主要因素之一[2]。
目前的图像传感器节点中常用的图像编码算法有JPEG和JPEG200。卡耐基梅隆大学的研究人员开发了CMUcam系列视觉传感器，CMUcam3采用软件JPEG压缩并兼容802.15.4接口[3]，具有一个CIF分辨率(352×288)的RGB彩色传感器。这种常用的编码算法都在数据采集端按照奈奎斯特采样定理进行数据采集，造成了存储空间及节点能量的浪费。
近几年来，由 DONOHO D、CANDES E等人提出了编码简单、解码复杂的压缩感知理论[4]。本文利用压缩感知理论，并结合WMSNs节点的能耗分布特点，对“无线传输”和“信号处理”的能耗进行折中处理[5]，实现了降低节点能耗的目的。
1 能耗模型分析
通常WSNs节点的能量大部分消耗在无线数据收发过程中，分布呈“聚集”状态，可以忽略数据采集和处理能耗。而WMSNs节点因为要采集图像、音频、视频等大数据量的多媒体信息，大大增加了数据采集和处理的能耗，能耗分布呈“均匀”状态。因此需要结合WMSNs节点的能耗分布特点，对“无线传输”和“信号处理”的能耗进行折中处理， 以适用于WMSNs节点的图像压缩方法。如图1所示。
传感器节点的能耗模型包括传感器、处理器以及无线收发器的能耗模型。结合图1的节能点能耗分布和参考文献[6]可将节点能耗表示为：
3 仿真与分析
采用压缩感知理论代替传统的JPEG图像压缩方法，在相同的PSNR条件下，虽然降低了图像处理的复杂度，但也同时增加了数据的传输量。记Em为处理器能耗和通信传输能耗的总和，即Em=Eact+ETx。采用256×256的煤矿井下图像，通过Matlab仿真,结合上述的能耗模型来验证相比于JPEG, 压缩感知理论是否可以降低整个节点的能耗。
(1) 处理器能耗
JPEG中熵编码过程占据了整个压缩的大部分时间。基于CS理论的压缩方式对变换后的系数进行了稀疏采样，减少了熵编码的源数据量，从而大大节省了压缩时间，降低了处理器能耗。根据实验选用的平台，?琢=0.45，VDD=１．３ Ｖ, f=400 MHz。JPEG算法与CS算法的处理器能耗及与PSNR之间关系的Matlab仿真结果如图3所示。
(2) 通信模块能耗
多媒体节点的传输功耗与传输数据量有关，而图像的压缩比决定了传输的数据量。根据式(2)，选取图像传感器节点和路由节点的距离d=100 m进行仿真，结果如图4所示。
从图5中可以看出采用基于CS理论的压缩方式可以实现WMSNs节点节能的效果。且恢复的图像质量越好，则节能效果越明显。PSNR=29时，在处理和传输上，基于CS理论的压缩方式可降低能耗约50%。 本文结合图像传感器节点的能耗来源与分布特点，为降低图像处理算法复杂度，提出一种基于CS理论的低复杂度的压缩算法,实现了降低整个WMSNs节点能耗的目的，对于WMSNs在煤矿井下的推广应用具有重要意义。
参考文献
[1] 涂晓军,文金朝．基于LDMCIC的井下多媒体传感器网络图像传输[J]．煤矿安全，2010(8)：94-97.
[2] 鲁琴，杜列波，左震．无线多媒体传感网节点能耗问题评述[J]．传感器与微系统，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.无线传感器网络节点能耗建模与仿真[D].哈尔滨：哈尔滨工业大学，2010.
[7] HEINZELMAN W B. Application-specific protocol archit ectures for wireless networks[D]. Massachusetts Institute of Technology, 2000．