基于稀疏采樣的無線多媒體傳感網(wǎng)圖像壓縮算法

郭 劍，韓 崇，施金宏，薛浩天，孫力娟

(南京郵電大學(xué) a.計算機(jī)學(xué)院，b.江蘇省無線傳感網(wǎng)高技術(shù)研究重點(diǎn)實驗室，南京 210003)

無線多媒體傳感器網(wǎng)絡(luò)(WMSNs)是一種由大量低成本傳感器節(jié)點(diǎn)通過無線通信組成的自組織網(wǎng)絡(luò)系統(tǒng)。這些節(jié)點(diǎn)通常配備有麥克風(fēng)、攝像頭以及其他傳感器來收集多媒體數(shù)據(jù)[1]。隨著互補(bǔ)金屬氧化物半導(dǎo)體(CMOS)和低成本無線網(wǎng)絡(luò)技術(shù)的日益成熟，WMSNs現(xiàn)已被廣泛應(yīng)用于圖像采集、視頻監(jiān)控等領(lǐng)域[2]。由于WMSNs可以捕獲到更多維的數(shù)據(jù)，獲得的數(shù)據(jù)量更大，因此，處理和傳輸時所需的節(jié)點(diǎn)能耗也會隨之激增。然而，對于布置在惡劣自然環(huán)境中的WMSNs，其節(jié)點(diǎn)能量有限且難以進(jìn)行補(bǔ)充。一旦電池耗盡，節(jié)點(diǎn)將無法正常工作，有限的能源存量已經(jīng)成為限制WMSNs發(fā)展的瓶頸之一。因此，設(shè)計適合的壓縮方案來降低傳輸?shù)哪芎氖欠浅１匾腫3]。

為了延長節(jié)點(diǎn)的生存時間，相關(guān)研究者已經(jīng)提出許多壓縮算法來抑制傳輸?shù)臄?shù)據(jù)量。PHAMILA et al[4]設(shè)計了一種基于小波域的低比特率圖像壓縮方案；PAL et al[5]通過引入基于顏色濾波器陣列(CFA)的圖像壓縮方案來解決WMSNs的能源短缺問題；MAMMERI et al[6]提出了一系列低能耗的JPEG圖像傳輸方案。這些方案旨在通過分析圖像并丟棄其中的非必要元素來減少數(shù)據(jù)量，從而使能量消耗最小化。因此，分布式圖像壓縮算法作為一種低能耗的WMSNs壓縮方案，受到了廣泛的關(guān)注。WU et al[7]基于小波變換設(shè)計出一種用于資源受限的多跳無線網(wǎng)絡(luò)的低能耗分布式圖像壓縮方案；魯琴等[8]提出采用雙正交重疊變換[9]和JPEG2000方法的低能耗多點(diǎn)協(xié)作圖像壓縮方法；韓崇等[10]提出了基于奇異值分解(singular value decomposition，SVD)的壓縮和傳輸圖像的分布式圖像壓縮。上述相關(guān)研究成果已經(jīng)在數(shù)據(jù)壓縮方面取得了很好的成效，然而，這些方案在數(shù)據(jù)采集的編碼端依然包含有較復(fù)雜的計算工作，這樣就會導(dǎo)致有限供電的傳感器節(jié)點(diǎn)在圖像處理過程仍舊需要大量的能源消耗。因此，圖像數(shù)據(jù)處理部分能耗仍需要進(jìn)一步優(yōu)化。壓縮感知技術(shù)的興起，提供了另一種有效的圖像采集和壓縮方式[11]。ZHANG et al[12]提出了一種面向無線圖像傳感器網(wǎng)絡(luò)的隨機(jī)采樣分塊壓縮感知圖像壓縮算法。ZHANG et al[13]針對圖像恢復(fù)問題進(jìn)行研究，提出了基于低秩近似的多媒體傳感網(wǎng)壓縮感知方法。但這些算法并未考慮壓縮感知算法中采樣矩陣的優(yōu)化選擇問題，容易造成圖像恢復(fù)效果不足的問題。

基于上述分析，本文結(jié)合WMSNs的特點(diǎn)，考慮多傳感器節(jié)點(diǎn)的協(xié)作性，通過引入壓縮感知技術(shù)，實現(xiàn)圖像在傅里葉域上的分塊自適應(yīng)壓縮采樣與傳輸，通過對圖像采集時采樣矩陣的優(yōu)化設(shè)計，提出了一種基于傅里葉域稀疏采樣的分布式多媒體傳感網(wǎng)圖像壓縮算法。

1 預(yù)備工作

1.1 壓縮感知框架

傳統(tǒng)圖像信號編解碼方式以奈奎斯特采樣定理為基礎(chǔ)，其采樣過程與壓縮過程是相對獨(dú)立的。在編碼端一般先對信號進(jìn)行獨(dú)立采樣，然后對采集到的信號數(shù)據(jù)進(jìn)行變換(如DCT變換、小波變換等)，變換后得到重要系數(shù)的幅度和位置信息，通過運(yùn)算找出其中的大量小值數(shù)據(jù)并丟棄，從而實現(xiàn)圖像信息的壓縮。但該解碼方式在圖像的壓縮編碼階段通常會涉及大量的矩陣運(yùn)算和數(shù)據(jù)統(tǒng)計，對系統(tǒng)的計算能力和存儲資源有一定的要求，不能直接應(yīng)用到能量供應(yīng)受限的WMSNs中。

壓縮感知不同于傳統(tǒng)編解碼方式，其最大的特點(diǎn)是以壓縮采樣的方式代替?zhèn)鹘y(tǒng)壓縮算法中涉及的復(fù)雜變換計算，這種采樣和壓縮同時進(jìn)行的過程被稱為壓縮編碼。理論上，只要原始信號是稀疏的，壓縮感知方法就可以用遠(yuǎn)低于奈奎斯特標(biāo)準(zhǔn)的速率進(jìn)行圖像采樣與處理[14]，同時保證恢復(fù)出的圖像具有較好的視覺質(zhì)量。

假設(shè)存在稀疏的原始圖像信號表示為s，其列向量長度為N.可以使用觀測矩陣Φ以壓縮采樣的方式對稀疏信號s直接進(jìn)行觀測采樣，得到的觀測值為y，其列向量長度為M，且M遠(yuǎn)小于N.它們之間的關(guān)系具體可以表述為：

y=Φs.

(1)

但是，實際情況下原始信號無法保證絕對是稀疏的，對于原始信號非稀疏的情況，可以通過稀疏變換的方式以稀疏系數(shù)來表示。假設(shè)存在非稀疏的自然圖像信號x，其稀疏系數(shù)可以表示為：

s=Ψx.

(2)

式中：Ψ表示信號的稀疏變換過程，被稱為稀疏矩陣。由于式(2)是一個欠定方程，無法直接對x進(jìn)行求解。此時可以將式(2)轉(zhuǎn)為一個約束條件，使s在最稀疏時可以獲得x的最優(yōu)解，具體可以表示為：

(3)

將上式中的觀測矩陣Φ和稀疏矩陣Ψ進(jìn)行組合，可以得到θ=ΦΨ，壓縮采樣過程可以重新表示為：

y=θx.

(4)

為了保證重建算法的收斂性，使得稀疏系數(shù)s可以被測量值有效恢復(fù)，式(4)中的矩陣θ應(yīng)當(dāng)滿足限制等距特征(restricted isometry property，RIP)，即對于任意稀疏矢量v，矩陣θ都能使如下不等式成立：

(5)

由此可見，壓縮感知系統(tǒng)的構(gòu)造需要三個重要條件：1) 稀疏表示，即利用稀疏矩陣或稀疏變換使原始圖像數(shù)據(jù)在變換域中僅有較少的非零系數(shù)，在本文中涉及的稀疏表示方法主要為傅里葉變換；2) 線性測量，即利用滿足RIP條件的測量矩陣從原始圖像數(shù)據(jù)中提取出測量值；3) 非線性重構(gòu)，利用少量稀疏測量值計算信號的稀疏表示系數(shù)。

1.2 傅里葉變換

在圖像處理領(lǐng)域，圖像的頻率是一種十分重要的要素，作為灰度在平面空間中梯度的表現(xiàn)，它能夠反映出圖像中灰度變化的劇烈程度。對于圖像而言，其在空間域中的表現(xiàn)方式為灰度分布函數(shù)。而在頻域中時，圖像則通過頻率分布函數(shù)來表示。在滿足一定條件的情況下，可以利用傅里葉變換與傅里葉反變換來實現(xiàn)在圖像在空間域與頻率間的互換。也就是說，傅里葉變換及其逆變換可以實現(xiàn)圖像灰度分布函數(shù)和頻率分布函數(shù)之間的相互轉(zhuǎn)換。

假設(shè)存在一張圖像，其在空間域上的灰度分布函數(shù)為f(x,y)，那么可以利用二維連續(xù)傅里葉變換將圖片變換至頻域表示：

(6)

式中：F(u,v)是圖像的頻率分布函數(shù)，u、v表示頻率變量，分別對應(yīng)著x軸與y軸；d為積分。

同時，利用二維連續(xù)傅里葉反變換也可以進(jìn)行圖像頻率分布函數(shù)到灰度分布函數(shù)的變換：

(7)

在實際應(yīng)用中，由于圖像由大量灰度像素點(diǎn)組合表示，并非絕對連續(xù)，這種情況下可以使用二維離散傅里葉變換：

二維離散傅里葉的反變換過程可以表示為：

(9)

圖1是利用傅里葉變換對測試圖像進(jìn)行傅里葉域上稀疏表示的效果圖。通過對圖像在傅里葉域上數(shù)據(jù)分布的特征進(jìn)行分析可以發(fā)現(xiàn)，傅里葉域圖像的中心部分聚集有大量的低頻數(shù)據(jù)，這些數(shù)據(jù)構(gòu)成了一塊較為集中的低頻區(qū)域，僅有少部分高頻數(shù)據(jù)分布在圖像中心周圍。整體來看，傅里葉域上數(shù)據(jù)稀疏且圍繞中心分布。圖像在傅里葉域上的這一數(shù)據(jù)分布特征，使得基于傅里葉域的圖像壓縮采樣成為可能。

圖1 圖像在傅里葉域上的稀疏表示Fig.1 Sparse representation of image in Fourier domain

1.3 稀疏采樣

壓縮感知通過稀疏變化的方式將原始圖像映射到稀疏域中，使其在稀疏域中擁有盡可能少的非零元素，從而達(dá)到使圖像信息稀疏化的目的。其中，傅里葉變換便是有效實現(xiàn)圖像信息稀疏表達(dá)的手段之一。由圖像在傅里葉變換域中的數(shù)據(jù)分布特征可知，其數(shù)據(jù)分布具有稀疏性，且大量低頻信息集中在圖像中心位置，這就為圖像的壓縮收集提供了方便。通過設(shè)計適合的觀測矩陣對目標(biāo)圖像在傅里葉變換域進(jìn)行掩膜采樣，便可以實現(xiàn)圖像的壓縮。

完整的傅里葉域圖像稀疏采樣及重建流程如圖2所示。對于非稀疏的原始圖像信號x，可以利用稀疏變換(本文使用快速傅里葉變換)將其轉(zhuǎn)換為稀

圖2 傅里葉域圖像稀疏采樣及重建流程Fig.2 Sparse sampling and reconstruction of image in Fourier domain

疏信號s，然后可以使用設(shè)計好的觀測矩陣Φ對稀疏信號s進(jìn)行稀疏采樣，得到觀測值y.最后，利用圖像重建算法可以將觀測值y恢復(fù)成完整的重建圖像信號x′.

傅里葉域稀疏采樣所用觀測矩陣根據(jù)不同的采樣模式設(shè)計而成，每種采樣模式都對應(yīng)有專門的觀測矩陣。隨機(jī)笛卡爾采樣和隨機(jī)點(diǎn)采樣方便簡單且具有很強(qiáng)的隨機(jī)性，這兩種采樣模式的觀測矩陣十分容易滿足與稀疏矩陣之間的RIP條件；螺旋采樣模式一般以阿基米德螺旋(Archimedean spiral)作為采樣軌跡，該方法對于動態(tài)場景具有較好的成像效果；星型采樣和雙星型采樣相比其他采樣模式，更加注重對原始圖像在傅里葉域中心位置聚集的大量低頻數(shù)據(jù)進(jìn)行采集，其在傅里葉域中心區(qū)域的采樣面積遠(yuǎn)大于周邊其他區(qū)域?？紤]到一般情況下自然圖像其傅里葉域上的數(shù)據(jù)分布也是聚集在圖像中心，所以這兩種采樣模式對于一般自然圖像的采樣效果略高于其他模式。特別是雙星型采樣模式，其中心位置的采樣密度更高，在低采樣度的情況下，雙星型采樣有更大可能采集到稀疏數(shù)據(jù)，所以這種采樣方式在低采樣率情況下會有更好的效果。

1.4 圖像重建

在確定了圖像信號的稀疏方法和采樣模式后，便可以對圖像在稀疏變換域上進(jìn)行壓縮采樣。對于自然圖像信號x，可以利用觀測矩陣Φ對x進(jìn)行采樣得到測量值為y，對稀疏信號x的重構(gòu)過程可以根據(jù)式(3)的方法表述為L0范數(shù)最小化問題：

(10)

式中：L0范數(shù)指矩陣中非0的元素個數(shù)，通過對L0范數(shù)的計算可以有效反映出矩陣的稀疏程度。假設(shè)存在有矩陣C，它的L0范數(shù)可以通過式(11)來表示。

(11)

然而，L0范數(shù)最小化問題是一個NP-hard問題，計算過程復(fù)雜且計算量大，在數(shù)據(jù)維度較大時，計算效率低下?？梢詫υ搯栴}進(jìn)行凸優(yōu)化，利用L1范數(shù)來代替L0范數(shù)，通過求解基追蹤問題來獲取L0最小化問題的近似解[13]。

2 基于稀疏采樣的圖像壓縮算法

2.1 觀測矩陣序列的構(gòu)建

傳統(tǒng)圖像壓縮方法一般通過對圖像數(shù)據(jù)的計算和分析，找出圖像信息中的冗余數(shù)據(jù)，通過丟棄冗余信息的方式達(dá)到壓縮圖像的目的。然而，求出冗余信息的計算過程往往具有一定的復(fù)雜性，對于能量、計算、存儲性能受限的無線多媒體傳感器網(wǎng)絡(luò)節(jié)點(diǎn)而言負(fù)擔(dān)較大。壓縮感知方法則與傳統(tǒng)圖像壓縮方式不同，它可以利用構(gòu)筑好的觀測矩陣對原始圖像進(jìn)行直接壓縮采樣，其采樣過程實現(xiàn)了對圖像信息的壓縮，因此對于節(jié)點(diǎn)計算性能的要求大大降低。根據(jù)圖像在稀疏變換域上的數(shù)據(jù)分布，設(shè)計合適的觀測矩陣，不但可以降低節(jié)點(diǎn)的數(shù)據(jù)處理能耗，還可以有效保證重建圖像的視覺質(zhì)量。

經(jīng)過傅里葉變換的圖像，其中心部分聚集有大量的低頻數(shù)據(jù)，這些數(shù)據(jù)使圖像成分變得易于采樣，也使基于傅里葉域的壓縮采樣成為可能。本文針對這一特性，結(jié)合了星型采樣模式和雙星型采樣模式，設(shè)計觀測矩陣構(gòu)筑方法。通過生成一組觀測矩陣序列(其中包含了各個采樣率的觀測矩陣)，可以很好地滿足不同采樣度下的采樣需求。采樣矩陣一般情況下使用星型采樣模式，以均勻分布的采樣軌跡進(jìn)行采樣，可以適應(yīng)于任意自然圖像。在低采樣率的情況下，使用雙星型采樣模式進(jìn)行采樣，從而保證圖像的重構(gòu)效果。

2.2 傅里葉域稀疏采樣的圖像壓縮方法

對于尺寸較大的圖像，分塊處理是最常用的圖像處理手段。對大尺寸圖像進(jìn)行塊狀分割并分發(fā)給各個節(jié)點(diǎn)進(jìn)行處理，不僅可以利用并行處理大幅減少單幅圖像所花費(fèi)的時間，而且還能夠有效降低單個節(jié)點(diǎn)的數(shù)據(jù)處理能耗。就觀測矩陣構(gòu)筑方面而言，采用分塊處理可以有效減小觀測矩陣，從而降低WMSNs節(jié)點(diǎn)的存儲空間成本。本文提出的分布式自適應(yīng)圖像壓縮方法將對采集到的原始圖像進(jìn)行塊狀分割，并以分布式多點(diǎn)協(xié)作的方式在傅里葉域?qū)ζ溥M(jìn)行稀疏采樣。

自適應(yīng)圖像壓縮根據(jù)圖像不同區(qū)域的構(gòu)成復(fù)雜度來分別匹配不同的采樣率，從而盡可能提高圖像的整體質(zhì)量，常用的衡量圖像構(gòu)成復(fù)雜度的標(biāo)準(zhǔn)包括方差、圖像邊緣算子等。其中，方差作為圖像變化劇烈程度的直觀表現(xiàn)，在一定程度上可以反映出圖像構(gòu)成的復(fù)雜度。同時，和其他衡量方法相比，方差更容易計算且計算能耗非常低，因此圖像壓縮方法將各個塊狀圖像各自的方差值作為衡量其信息復(fù)雜度的標(biāo)準(zhǔn)，并以此為基準(zhǔn)實現(xiàn)圖像的分塊自適應(yīng)壓縮。算法描述如下。

算法1：圖像分塊自適應(yīng)壓縮采樣算法

Input：原始圖像矩陣P，平均采樣率R，分塊大小p,q.

Output：塊狀圖像的壓縮數(shù)據(jù)D，觀測矩陣編號n.

(1) [h,w]=size [P];

(2)a=h/p,b=w/q,s=0,t=0;

(3) fori=1 toa

(4) forj=1 tob

(5)t=t+1; ∥對原始圖像進(jìn)行塊分割

(6)G{t}=P((i-1)×p+1:i×p,(j-1)×q+1:j×q);

(7)v(t)=var(G{t}(:)); ∥求矩陣方差值

(8)s=s+v(t);

(9) end for

(10) end for

(11)d=0.35+R×0.65; ∥設(shè)置基礎(chǔ)采樣率

(12) fori=1 tot

(13)r=d+16×v(t)×(1-d)/s; ∥計算自適應(yīng)采樣度

(14)n(i)=round(r×100); ∥匹配觀測矩陣編號

(15) end for

(16)D=Compressive sampling (G,n)

(17) 輸出壓縮數(shù)據(jù)D和對應(yīng)的觀測矩陣編號n.

假設(shè)原始圖像大小h×w，并按照p×q大小進(jìn)行塊狀分割。在壓縮端執(zhí)行的圖像分塊自適應(yīng)壓縮采樣過程可利用算法1進(jìn)行詳細(xì)表述。其中，算法1步驟(16)涉及的壓縮采樣過程由多個普通節(jié)點(diǎn)協(xié)作完成，其處理過程為：普通協(xié)作節(jié)點(diǎn)從原始灰度圖像分割出的塊狀圖像矩陣G{t}，觀測矩陣編號n(t)；載入觀測矩陣序列，對塊狀圖像G{t}進(jìn)行快速傅里葉變換，得到矩陣F=fftshift(fft(G{t}))；從觀測矩陣序列中提取觀測矩陣W=M{n(t)}；在傅里葉變換域上對塊狀圖像壓縮采樣B=F×W；提取并保存塊狀圖像的壓縮數(shù)據(jù)D{t}=B(find(W!=0))；輸出壓縮數(shù)據(jù)D{t}和對應(yīng)的觀測矩陣編號n(t).

對塊狀圖像進(jìn)行自適應(yīng)壓縮采樣后，整體圖像的實際采樣率為：

(12)

2.3 圖像重建方法

在網(wǎng)絡(luò)處于工作狀態(tài)期間，基站或匯聚節(jié)點(diǎn)與傳感器簇頭節(jié)點(diǎn)進(jìn)行通信并接收來自簇頭節(jié)點(diǎn)壓縮后的圖像數(shù)據(jù)?；净騾R聚節(jié)點(diǎn)會首先根據(jù)接收到的觀測矩陣編號，從觀測矩陣序列中提取相應(yīng)的觀測矩陣，然后根據(jù)觀測矩陣將壓縮數(shù)據(jù)恢復(fù)到欠采樣圖像矩陣狀態(tài)。最后，利用非線性共軛梯度迭代將欠采樣的觀測矩陣進(jìn)行恢復(fù)。

3 實驗與結(jié)果分析

通過仿真實驗對本文提出的稀疏采樣多媒體傳感網(wǎng)圖像壓縮算法進(jìn)行圖像重建多模式評估和圖像恢復(fù)質(zhì)量的對比分析。在現(xiàn)有公開數(shù)字圖像上，首先進(jìn)行自適應(yīng)和非自適應(yīng)采樣模式的圖像質(zhì)量分析，隨后與現(xiàn)有分布式圖像壓縮算法進(jìn)行對比實驗和分析，驗證了本文提出算法的有效性。

3.1 不同采樣模式下圖像重建質(zhì)量分析

圖像重建質(zhì)量的高低是衡量WMSNs圖像壓縮算法的重要指標(biāo)之一，本節(jié)將通過實驗證明本文所提出的分塊自適應(yīng)圖像壓縮算法完全可以滿足實際應(yīng)用場景下的圖像質(zhì)量要求。首先，按照以下三種不同的稀疏采樣模式對尺寸為512×512的灰度圖像進(jìn)行壓縮處理。

模式一：整幀直接壓縮方法，即不進(jìn)行分塊，直接對整幀圖像進(jìn)行壓縮。

模式二：分塊直接壓縮方法，先對整幀圖像進(jìn)行分塊處理，然后分別對各個圖像塊進(jìn)行直接壓縮，各塊圖像的采樣率均與模式一相同。

模式三：采用本文提出的用分塊自適應(yīng)壓縮方法，先對整幀圖像進(jìn)行分塊處理，然后根據(jù)每塊圖像各自的方差進(jìn)行自適應(yīng)采樣率分配。各塊圖像的采樣率雖各不相同，但整個圖像的總體采樣率與模式一和模式二保持一致。

為了保證測試結(jié)果具有普遍性，分別以Lena、Peppers、Baboon三幅圖像作為測試樣本，在不同綜合采樣率下對算法的重構(gòu)效果進(jìn)行了統(tǒng)計，具體結(jié)果如表1所示。

表1 不同采樣模式下重建圖像的PSNR值Table 1 PSNR values of reconstructed images in different sampling modes dB

通過表1的實驗對比結(jié)果可以看出，使用本文提出的分布式分塊自適應(yīng)壓縮采樣模式重建出的圖像PSNR更高，表明本文提出的算法模式具有明顯的優(yōu)勢。

3.2 與現(xiàn)有其他分布式圖像壓縮算法對比

將本文提出的算法與BSC-SPL[11]、STD-BCS-SPL[12]和SVD[10]算法進(jìn)行相同采樣率或壓縮率的圖像恢復(fù)質(zhì)量對比分析。對比結(jié)果如圖3-5所示，分別在lena、Barbara 2、Boat圖像上的實驗對比結(jié)果。

圖3 Lena圖像重建后的PSNR對比結(jié)果Fig.3 PSNR comparison of the results of recovered Lena image

圖4 Barbara2圖像重建后的PSNR對比結(jié)果Fig.4 PSNR comparison of the results of recovered Barbara2 image

從圖3-圖5的對比中可以看出，本文提出的基于傅里葉域稀疏采樣的分布式多媒體傳感網(wǎng)圖像壓縮算法，通過自適應(yīng)地選擇觀測矩陣，在圖像壓縮采集和恢復(fù)性能上具有一定的穩(wěn)定性；另外雖然有些情況下SVD算法與本文算法比較相近，但是SVD算法需要進(jìn)行矩陣分解，其編碼端復(fù)雜度要高很多，因此本文提出的采集壓縮算法要更適合于多媒體傳感網(wǎng)應(yīng)用場合。

圖5 Boat圖像重建后的PSNR對比結(jié)果Fig.5 PSNR comparison of the results of recovered Boat image

4 結(jié)束語

有限的能量供應(yīng)是無線多媒體傳感網(wǎng)被大規(guī)模推廣應(yīng)用的瓶頸之一。本文針對無線多媒體傳感器網(wǎng)絡(luò)的低能耗圖像壓縮和傳輸問題，綜合了分布式處理思想和稀疏采樣理論，提出了一種基于傅里葉域稀疏采樣的的分布式圖像壓縮方案。該方案通過將圖像轉(zhuǎn)換到傅里葉域進(jìn)行分塊自適應(yīng)壓縮采樣與傳輸，通過對公開圖片數(shù)據(jù)集和現(xiàn)有算法的對比，驗證了本文提出算法的有效性。本文中提出的圖像壓縮方法遵循“輕編碼，重解碼”的理念，可以使用不同類型的節(jié)點(diǎn)來分?jǐn)倛D像處理工作，符合WMSNs的設(shè)計特征。