本发明涉及图像数据处理技术领域，具体涉及一种野生动物监测图像自适应压缩传输与恢复方法及装置。
背景技术：
野生动物监测系统有助于全面实时了解野生动物的栖息情况与种群信息，为野生动物保护提供可靠的数据支持。目前采用无线传感器网络作为监测载体已成为主要的监测方法。随着野生动物监测图像数据量的提升，会对无线传感器网络中数据的传输产生压力。因此传输监测图像时需要进行图像压缩。野生动物监测图像压缩传输方法有助于降低数据的传输量，提高传感器网络的生命周期，在满足全面、实时了解野生动物栖息状况、种群信息的同时，降低无关内容的编码比重，提高整体的压缩效率。而野生动物压缩图像可以通过本地端的恢复使其能够作为野生动物识别、分类的数据集，为后续野生动物保护的自动化与智能化提供数据支持。
目前图像压缩主要分为以多级树集合分裂算法(spiht)为基础和以jpeg2000为基础的方法。上述方法是基于全局的压缩，没有考虑目标区域与背景区域的分布式传输，会产生数据的冗余。因此划分图像区域重构的优先级，对目标区域优先编码，可以在低比特率的条件下，提高目标区域图像的恢复质量，而目标区域提取则是实现图像传输优先级划分的基础。野生动物监测图像易受环境影响，具有背景复杂，光照不均匀的特点，加剧了完成目标提取和掩模生成的困难。因此面向野生动物监测图像的压缩传输方法需要综合分析野生动物图像信息的特点，在降低数据传输量的基础上，保证目标区域的优先编码，同时使恢复图像的质量满足数据分析要求。
由此可知，现有的图像压缩算法均以对图像的整体压缩为主，在进行大规模远程数据传输的过程中会产生大量的数据冗余；并且在解码端进行图像重构时其效果也大打折扣，其重构结果对后期的数据分析也会产生不良影响。
技术实现要素：
本发明的发明目的在于：提供了一种野生动物监测图像自适应压缩传输与恢复方法，以实现在对原始图像进行压缩、降低数据量的同时，保证图像接收端可以获得清晰且具有实际应用价值的野生动物图像。
第一方面：一种野生动物监测图像自适应压缩传输与恢复方法，应用于无线传感器网络，所述无线传感器网络采用分簇汇聚的网络拓扑结构，所述方法包括：
获取待压缩传输的野生动物图像，然后基于目标区域进行提取以生成其对应的掩模图像；其中，所述野生动物图像来源于部署在监测区域内部的野生动物自动触发设备；所述目标区域为区别于所述野生动物图像中背景区域的具有野生动物部分的前景区域；
将生成的所述掩模图像，通过重要位平面位移和多级树集合分裂的方法对所述掩模图像进行压缩编码；
通过分布式传输机制对压缩编码后的图像数据进行分配及远程传输；
在解码端基于图像恢复模型实现对压缩编码后的图像进行恢复；其中，所述恢复模型是基于生成对抗网络实现的，所述生成对抗网络是基于改进压缩激励模块实现的。
作为本申请一种可选的实施方式，所述获取待压缩传输的野生动物图像，然后基于目标区域进行提取以生成其对应的掩模图像，具体包括：
图像颜色空间模型重构；
图像纹理参数提取；
根据所述纹理参数和重构后的颜色空间模型建立参数矩阵，并通过自适应算法进行像素数据的聚类，完成目标区域的分割；
最后对分割后的图像进行区域合并，并结合边缘检测确定最终的目标区域，并将其作为所述掩模图像。
作为本申请一种可选的实施方式，所述将生成的所述掩模图像，通过重要位平面位移和多级树集合分裂的方法对所述掩模图像进行压缩编码，具体包括：
将所述掩模图像进行分块，并划分为区域块和边缘块；
再根据掩模图像小波系数的最大值确定最高位平面，然后从最高位平面进行逐位编码；其中，目标区域系数中存在底层位平面，代表着小波系数的最低位信息，是不重要位平面即nsb；
最后基于多级树集合分裂算法进行图像编码。
作为本申请一种可选的实施方式，所述不重要位平面判别方式的过程如下：
首先设置不重要位平面的峰值信噪比t作为约束条件，然后逐一对各位平面计算目标区域的重构质量psnr，若psnr≥t，则说明已编码的位平面重构质量满足人眼主观视觉要求，该位平面以下的位平面记为不重要位平面，否则继续编码位平面。
作为本申请一种可选的实施方式，所述分簇汇聚的网络拓扑结构包括源节点、目标节点、多个簇头节点以及各簇头节点对应的簇内节点，所述通过分布式传输机制对压缩编码后的图像数据进行分配及远程传输，具体包括：
源节点将传输任务的指令发送给簇头节点c1；
待源节点接收到簇头节点c1的反馈指令后，直接将目标区域完成编码，并传输至下一级的簇头节点c2；背景区域信息按照簇内节点数量对图像信息进行分块划分，并把分块信息分别传输至簇内其它节点进行压缩编码处理操作，然后将结果传输至下一级的簇头节点c2；
下一级的簇头节点c2对上一级传输数据进行整合后，将目标区域信息进行继续编码，然后分配至下一级簇头节点c3进行数据整合；而背景区域编码信息不做任何处理直接分配给下一级簇内节点继续进行压缩处理，直至将处理结果传输至下级的簇头c3；依此类推，进行逐级数据传输，直至满足所设定网络中的传输级和图像压缩比的要求；
最后把所有的编码信息一起传输至目标节点，待数据完成整合后传输至后台服务器进行图像数据的重构。
作为本申请一种可选的实施方式，所述图像恢复模型包括鉴别器和生成器，且均采用神经网络，并按以下步骤训练生成：
对所述鉴别器进行训练；
对所述生成器进行训练；
对所述鉴别器和生成器进行交替训练；其中，所述压缩激励模块分别嵌入到各鉴别器和生成器的卷积层中。
第二方面：一种野生动物监测图像自适应压缩传输与恢复装置，应用于无线传感器网络，所述无线传感器网络采用分簇汇聚的网络拓扑结构，包括：
采集装置，用于监测区域内野生动物图像的采集；
处理模块，用于：
获取待压缩传输的野生动物图像，然后基于目标区域进行提取以生成其对应的掩模图像；其中，所述目标区域为区别于所述野生动物图像中背景区域的具有野生动物部分的前景区域；
将生成的所述掩模图像，通过重要位平面位移和多级树集合分裂的方法对所述掩模图像进行压缩编码；
传输模块，用于通过分布式传输机制对压缩编码后的图像数据进行分配及远程传输；
解码模块，用于在解码端基于图像恢复模型实现对压缩编码后的图像进行恢复；其中，所述恢复模型是基于生成对抗网络实现的，所述生成对抗网络是基于改进压缩激励模块实现的。
作为本申请一种可选的实施方式，所述分布式传输机制是基于独立编码和联合解码的方式建立无线传感器网络分布式图像传输模型，分别对目标区域和背景区域进行数据分配传输；
传输时，首先将待传输图像内的像素点按照标记和未标记进行分类，然后对所有标记的像素点通过簇头节点进行编码传输，而未标记的像素点则按照簇内节点的能量进行划分，然后通过簇内节点传输。
作为本申请一种可选的实施方式，所述图像恢复模型包括鉴别器和生成器，且均采用神经网络，并按以下步骤训练生成：
对所述鉴别器进行训练；
对所述生成器进行训练；
对所述鉴别器和生成器进行交替训练；其中，所述压缩激励模块分别嵌入到各鉴别器和生成器的卷积层中。
第三方面：一种野生动物监测图像自适应压缩传输与恢复装置，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如第一方面所述的方法。
实施本发明实施例野生动物监测图像自适应压缩传输与恢复方法及装置，具有以下有益效果：
1.本发明在进行图像压缩传输之前，首先基于目标区域提取获得最有价值的前景区域，然后在压缩传输的过程中基于分布式传输机制，实现目标区域的优先编码传输，可以大幅度降低数据传输过程中的数据冗余，提高系统的传输效率。
2.本发明结合野生动物图像的特点，在保证完成数据压缩传输中降低数据冗余的同时，结合优化的图像恢复模型，保证在解码端可以完成超分辨率图像重建，使得恢复图像清晰，内容丰富，保证其具有实际应用价值，为后续的数据分析提供可靠的数据基础。
附图说明
图1是本发明实施例所提供的一种野生动物监测图像自适应压缩传输与恢复方法的流程图；
图2为本发明实施例所提供的一种各方法步骤的框架示意图；
图3为图2中构建颜色空间模型的详细流程图；
图4为本发明实施例所提供的一种搭建纹理参数滤波器的详细流程图；
图5为本发明实施例图像压缩传输基于不重要位平面nsb的位平面传输的详细流程图；
图6为本发明实施例图像压缩传输中多级树集合分裂编码方法节点分布图；
图7为本发明实施例中分布式传输机制的数据分配方法图；
图8为本发明实施例对抗网络的生成器结构图；
图9是本发明实施例所提供的一种野生动物监测图像自适应压缩传输与恢复装置的结构图；
图10是本发明实施例所提供的另一种野生动物监测图像自适应压缩传输与恢复装置的结构图。
具体实施方式
下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。
下面结合附图，对本发明作详细的说明。
参考图1至图8所示，一种野生动物监测图像自适应压缩传输与恢复方法，应用于无线传感器网络，所述无线传感器网络采用分簇汇聚的网络拓扑结构，其中，包括源节点、目标节点、多个簇头节点以及各自对应的簇内节点，在此不再赘述，所述方法包括：
s101，获取待压缩传输的野生动物图像，然后基于目标区域进行提取以生成其对应的掩模图像；其中，所述野生动物图像(即野生动物监测图像)来源于部署在监测区域内部的野生动物自动触发设备；所述目标区域为区别于所述野生动物图像中背景区域的具有野生动物部分的前景区域。
具体地，所述野生动物图像包括目标区域和背景区域；
所述提取主要指图像的颜色参数和纹理参数；所述目标区域为图像局部，在图像坐标空间中具有连续坐标的，前景像素的像素集合；在本发明中主要指区别于背景图像的具有野生动物部分的前景区域；所述目标区域提取采用的方法为自适应mean-shift算法，该算法主要是根据像素特点计算带宽并进行像素点聚类；所述掩模图像是在坐标空间中，由目标区域组成的，内部不存在背景区域的二值图像，在本发明中掩模图像基于灰度直方图估计和边缘检测生成的；该步骤具体为：
a1-1、图像颜色空间模型重构。具体为将输入的野生动物监测图像由rgb颜色空间转换为luv颜色空间，luv空间模型的色度通道uv保持不变，将亮度通道l与双边滤波器进行卷积获得亮度分量
a1-2、图像纹理参数提取。将输入的野生动物监测图像经由hermite滤波器提取纹理参数。
所述hermite滤波器是由高斯窗函数和hermite多项式相乘而得到的。优选的，为了提取有价值的纹理参数且降低计算量，对多项式的选择原则规定如下：
多项式系数之和应小于5；由于多项式hmn和hnm是互为转置的矩阵,因此可以任意选择一个作为卷积核；由于多项式h11无法提取任何纹理参数，因此不选择其作为卷积核。
需要说明的是，所述步骤a1-1和a1-2是并行的，没有先后顺序。
a1-3、目标区域的分割。根据步骤a1-1及a1-2所得的纹理参数和颜色参数组成参数矩阵(即根据所述纹理参数和重构后的颜色空间模型建立参数矩阵)，并将其设为输入矩阵，将输入矩阵采用自适应mean-shift算法进行像素数据的聚类，完成目标区域的分割。
所述自适应mean-shift算法是根据图像像素特点选择合适的带宽，完成对像素数据的聚类，即对不同的采样数据xi(i＝1,2,…n)采用不同的带宽h＝h(xi)，则可变带宽的核函数密度估计表示为：
其中，n为采样点的个数，k为核函数加权系数，并且关于原点对称，积分域积分为1。
其中，h(xi)经由下式得到：
其中，h0是图像中所有像素值与中值m的平均偏移量，即为，求所有像素点的像素值与像素中值的差值的平均值，r表示比例系数，f(xi)表示灰度级为xi的像素出现的概率，则
其中，n表示像素点的个数，(x，y)表示像素点的坐标，i(x，y)表示对应像素点的像素组，m表示整个图像的像素中值，该像素中值是指将整个图像像素点的像素值按从小到高的顺序排列，位于队列中间的像素点的像素值。
其中，m表示图像的灰度级个数。
a1-4、结合边缘检测确定目标区域。对输入的野生动物监测图像的灰度图像进行直方图估计，根据不同像素点间的数量关系确定合适的监测图像分割类别m，将经步骤a1-3自适应mean-shift分割后的图像进行区域合并，合并后的数目为m；对灰度图像进行边缘检测，将边缘监测结果与合并结果叠加，确定目标区域(即目标区域提取)，作为所述掩模图像。
s102，将生成的所述掩模图像，通过重要位平面位移和多级树集合分裂的方法对所述掩模图像进行压缩编码。
具体地，包括如下步骤：
a2-1、掩模编码。根据前述步骤s101提取得到的图像目标区域，将目标区域生成对应的掩模图像即二值图像。将掩模图像进行分块，并划分为两大类：区域块和边缘块。所述区域块是指全0和全1的分块，对应的符号是“0”和“511”；所述边缘块是指同时包含0和1的分块，其符号是“1”到“510”。代表边缘信息的边缘块符号在符号序列中占据的比例很小，符号序列中绝大部分由区域符号块组成，连续性强。针对区域块符号出现概率大且连续的特点，对区域块符号进行游程编码。
a2-2、位平面传输。进行位平面编码，所述位平面编码是指根据掩模图像小波系数的最大值确定最高位平面，然后从最高位平面进行逐位编码；目标区域中存在底层位平面，代表着小波系数的最低位信息，是不重要位平面即nsb。所述不重要位平面是指对目标区域恢复的质量信息进行完善，对主观质量评价不敏感的位平面。
优选的，所述不重要位平面判别方式的过程如下：
首先设置不重要位平面的峰值信噪比t作为约束条件，然后逐一对各位平面计算目标区域的重构质量psnr，若psnr≥t，则说明已编码的位平面重构质量满足人眼主观视觉要求，该位平面以下的位平面记为不重要位平面，否则继续编码位平面。
也就是说，当位平面第x层结束时，如果图像的恢复质量psnr大于t，则对于每个小波系数的幅值a，当丢失了位平面n以下的比特信息后失真幅度为a1。
则可以得到小波系数矩阵的均方误差mse：
根据mse可以估计重建图像的质量psnr：
若此时的psnr≥t，则将位平面n以下的位平面划分为不重要的位平面nsb。
a2-3、基于多级树集合分裂算法进行编码(即压缩图像)。分别使用d(i，j)、o(i，j)和l(i，j)分别表示节点(i，j)的所有子孙坐标集、子坐标集以及除子节点外的子孙坐标集，其中d(i，j)＝o(i，j)+l(i，j)。除最低频的节点外，每个节点在相邻的高频子带中都有四个系数与之对应。
所述多级树集合分裂编码分别定义了三个表示系数或者集合，分别是lip、lsp、lis，其中lip表示不重要系数节点，lsp表示重要系数节点，lis表示不重要子集。
优选的，所述多级树集合分裂的编码过程如下：
a2-3-1、初始化阈值和有序表。
a2-3-2、扫描lip。判断lip中的节点是否属于重要节点，其方法如下：
若节点系数xi，j大于当前阈值t，则将其划归为重要节点，并添加到lsp且从lip中删除该节点；否则，则将其划归为不重要节点，并在lip中保持不变。
a2-3-3、扫描lis。判断lis中的集合类型，若其归属于d(i，j)，则判断其子节点中是否包含重要节点，如果子节点包含重要节点，则将该节点添加到lsp中，若全部都是不重要节点，将其添加到lip中。如果d(i，j)中的非0的子孙节点l(i，j)还包含重要节点，则将d(i，j)划分为o(i，j)和l(i，j)，并将l(i，j)分成四个集合，分别判断重要性，并分别添加到lsp或者lip中；若归属于l(i，j)，判断子孙节点中是否含有重要节点，若包含重要节点，将该子孙节点划为集合d(i，j)，并添加到lsp，同时从lip中删除。
a2-3-4、扫描lsp。若其中的节点(i，j)不是在步骤a2-3-2和a2-3-3扫描过程中新添加的，则输出当前阈值下的比特位信息。
a2-3-5、调整阈值，并重复步骤a2-3-2至a2-3-4。
s103，通过分布式传输机制对压缩编码后的图像数据进行分配及远程传输。
具体地，如图7所示，包括如下步骤：
a3-1、源节点s将传输任务的指令发送给簇头节点c1，并要求其合理分配簇内其它节点。待源节点s接收到反馈指令后，直接将目标区域完成编码，并传输至下一级的簇头节点c2。背景区域信息按照簇内节点数量对图像信息进行分块划分，并把分块信息分别传输至簇内其它节点进行压缩编码处理操作，然后将结果传输至下一级的簇头节点c2。
a3-2、下一级的簇头节点c2对上一级传输数据进行整合后，将目标区域信息进行继续编码，然后分配指下一级簇头节点c3进行数据整合。而背景区域编码信息不做任何处理直接分配给下一级簇内节点继续进行压缩处理，直至将处理结果传输至下级的簇头c3。下一级的数据传输过程和步骤a3-2相同，直至满足所设定网络中的传输级和图像压缩比的要求；
最后把所有的编码信息一起传输至目标节点d，待数据完成整合后传输至后台服务器进行数据的重构。
也就是说，所述分布式传输机制主要指的是基于独立编码和联合解码的方式建立无线传感器网络分布式图像传输模型，分别对目标区域和背景区域进行数据分配传输；
具体包括，首先将待传输图像内的像素点按照标记和未标记进行分类，其中，目标区域的像素点为标记，背景区域的像素点为未标记；然后对所有标记的像素点通过簇头节点进行编码传输，而未标记的像素点则按照簇内节点的能量进行划分，然后通过簇内节点传输，在此过程中簇头节点不会参与背景区域数据的编码任务，以保证目标区域最大限度的被传输至目标节点。
s104，在解码端基于图像恢复模型实现对压缩编码后的图像进行恢复；其中，所述恢复模型是基于生成对抗网络实现的，所述生成对抗网络是基于改进压缩激励模块实现的。
具体地，所述图像恢复模型包括鉴别器和生成器，且均采用神经网络，详细过程如下：
a4-1、鉴别器训练。将噪声数据输入初始化的生成器中并生成为假样本，与真实样本一齐输入鉴别器，此时鉴别器模型就是一个二分类模型。
优选的，所述图像恢复模型以生成对抗网络为主体，将改进的挤压激励模块(即se模块)嵌入到生成对抗网络中，达到调整特征参数权重，优化网络性能的目的。
se模块通过明确建模通道间的相互依赖性来自适应的重新校准通道方式的特征响应，从而提高网络的参数质量。为了解决通道依赖性问题，使用全局池特征图挤压到信道描述符中，如下式所示：
其中，zc是指第c个特征图uc对应的挤压特征，uc(i，j)表示高度为i，宽度为j的像素值，而h、w分别是uc的高度和宽度。然后为了充分利用挤压操作后的特征信息，将挤压特征反馈到一个全连接的3层神经网络，其输入、输出尺寸相同。为了提高se激励模块中的网络性能，对其引用的函数进行改进，改进后的函数如下式：
s＝{k1×σ(g(z，w))+k2×σ(z)}×2
＝{k1×σ(w2δ(w1z))+k2×σ(z)}×2
其中，s＝[s1，s2，s3…sc]为原始特征图的比例向量，所述原始特征图即为前文所述的压缩后的掩模图像；而σ，δ分别表示sigmod函数和relu函数。w1，w2分别表示输入层、输出层的权重。k1，k2为比例系数，k1，k2≥0，且k1+k2＝1。
a4-2、生成器训练。根据鉴别器反馈的结果对生成器参数进行优化，同时固定鉴别器的参数，使生成的样本接近于真实样本，如图8为超分辨对抗网络的生成器结构图。
解码端基于生成对抗网络实现图像恢复，相关的生成对抗网络包括生成器和鉴别器，通过对抗的方式，学习数据的生成模型，达到自我优化的目的，在模型训练中，生成器用于将接收到的数据生成图像，鉴别器判断该图像是否为生成器生成的数据集，在训练过程中，生成器和鉴别器不断进行自我提高和优化，分别提高生成逼真图像和鉴别真实图像的能力，直到鉴别器无法区分生成图像的真假，此时用生成器生成的图像则可以生成更真实的图像，然后用训练好的生成器去实现超分辨率图像重建。
生成器以生成对抗网络gan为基本框架，将改进的挤压激励模块嵌入到生成器中，本发明将单分辨率网络模型作为生成器，移除原始的批归一化层，嵌入改进的挤压激励模块，可以提升网络参数质量。
a4-3、交替训练。与上一次生成样本相比，生成器训练完成后所生成的样本更逼近于真实样本，重复步骤a4-1至a4-2进行交替训练。
优选的，生成器中的批归一化层bn会将特征标准化，忽略特征间的绝对差异，同时降低原网络的范围柔性，因此本发明将单分辨率网络模型edsr作为生成器，并移除bn层，进而提升网络性能；同时为进一步提升网络参数质量，本专利方法将改进的se模块嵌入到生成器卷积层；同样，为进一步提高鉴别器的准确性，本发明在鉴别器中的卷积层中嵌入改进的se模块；采用特征融合的方式将最后三个卷积层的特征融合在一起，从而更好的利用图像的低频特征，提高鉴别器的性能；最后，对融合特征进行全局池化，经全连接后由sigmoid激活函数来完成真假样本的鉴别。
通过生成器实现恢复图像，鉴别器判断出为高分辨率图像时，输出恢复后的重建图像，进而保证图像接收端可以获得清晰且具有实际应用价值的野生动物图像。
本发明首先基于目标区域提取生成野生动物图像的掩模图像，然后通过重要位平面位移和多级树集合分裂的方法对所述掩模图像进行压缩编码，然后通过分布式传输机制进行图像数据的分配及远程传输，最后在解码端基于图像恢复模型实现压缩图像的恢复；
与现有技术相比，具有以下效果：
1.本发明在进行图像压缩传输之前，首先基于目标区域提取获得最有价值的前景区域，然后划分图像区域重构的优先级，在压缩传输的过程中基于分布式传输机制，实现目标区域的优先编码传输，可以大幅度降低数据传输过程中的数据冗余，提高系统的传输效率。
2.本发明结合野生动物图像的特点，在保证完成数据压缩传输中降低数据冗余的同时，结合优化的图像重建模型，保证在解码端可以完成超分辨率图像重建，使得恢复图像清晰，内容丰富，保证其具有实际应用价值，为后续的数据分析提供可靠的数据基础。
基于相同的发明构思，参照图9所示，本发明实施例还提供了一种野生动物监测图像自适应压缩传输与恢复装置，应用于无线传感器网络，所述无线传感器网络采用分簇汇聚的网络拓扑结构，包括：
采集装置，用于监测区域内野生动物图像的采集；其中，所述野生动物图像来源于部署在监测区域内部的野生动物自动触发设备。
处理模块，用于获取待压缩传输的野生动物图像，然后基于目标区域进行提取以生成其对应的掩模图像；其中，所述目标区域为区别于所述野生动物图像中背景区域的具有野生动物部分的前景区域；
其中，所述提取主要指图像的颜色参数和纹理参数；所述目标区域为图像局部，在图像坐标空间中具有连续坐标的，前景像素的像素集合，在本发明中主要指区别于背景图像的具有野生动物部分的前景区域；所述目标区域提取采用的方法为自适应mean-shift算法，该算法主要是根据像素特点计算带宽并进行像素点聚类；所述掩模图像是在坐标空间中，由目标区域组成的，内部不存在背景区域的二值图像，在本发明中掩模图像基于灰度直方图估计和边缘检测生成的。
将生成的所述掩模图像，通过重要位平面位移和多级树集合分裂的方法对所述掩模图像进行压缩编码；
其中，所述位平面可描述为将十进制数值转化为二进制数值，位置编号为i(从左至右)的二进制数值所在的位平面记为第i层位平面；所述位平面位移是基于目标区域位平面重要性划分实现的。所述多级树集合分裂主要用于图像的压缩编码。
优选的，所述图像压缩编码的过程为将提取得到的目标区域生成的掩模图像，通过对掩模采用位平面位移的方法进行形状编码；对位平面进行扩展，扩大小波系数的位平面数目，然后以不同方式调整目标区域和背景系数在位平面的分布，实现目标区域优先编码的目的。
传输模块，用于通过分布式传输机制对压缩编码后的图像数据进行分配及远程传输；
其中，所述分布式传输机制主要指的是基于独立编码和联合解码的方式建立无线传感器网络分布式图像传输模型，分别对目标区域和背景区域进行数据分配传输。
具体的，首先将监测图像内的像素点按照标记和未标记进行分类，然后对所有标记的像素点通过簇头节点进行编码传输，而未标记的像素点则按照簇内节点的能量进行划分，然后通过簇内节点传输，在此过程中簇头节点不会参与背景区域数据的编码任务，以保证目标区域最大限度的被传输至目标节点。
解码模块，用于在解码端基于图像恢复模型实现对压缩编码后的图像进行恢复；其中，所述恢复模型是基于生成对抗网络实现的，所述生成对抗网络是基于改进压缩激励模块实现的。
其中，所述图像恢复模型包括鉴别器和生成器，且均采用神经网络，并按以下步骤训练生成：
对所述鉴别器进行训练；
对所述生成器进行训练；
对所述鉴别器和生成器进行交替训练；其中，所述压缩激励模块分别嵌入到各鉴别器和生成器的卷积层中。通过将改进的压缩激励模块(se模块)嵌入到网络中，并对损失函数进行优化，达到调整特征参数权重，优化网络性能的目的，实现了野生动物监测图像的恢复。
需要说明的是，装置实施例中，各模块具体的功能实现步骤和工作流程，与前文方法实施例多记载的相同，可参照前文的记载，在此不再赘述。
可选地，本发明实施例还提供了另一种野生动物监测图像自适应压缩传输与恢复装置。如图10所示，可以包括：一个或多个处理器101、一个或多个输入设备102、一个或多个输出设备103和存储器104，上述处理器101、输入设备102、输出设备103和存储器104通过总线105相互连接。存储器104用于存储计算机程序，所述计算机程序包括程序指令，所述处理器101被配置用于调用所述程序指令执行上述野生动物监测图像自适应压缩传输与恢复方法实施例部分的方法。
应当理解，在本发明实施例中，所称处理器101可以是中央处理单元(centralprocessingunit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备102可以包括键盘等，输出设备103可以包括显示器(lcd等)、扬声器等。
该存储器104可以包括只读存储器和随机存取存储器，并向处理器101提供指令和数据。存储器104的一部分还可以包括非易失性随机存取存储器。例如，存储器104还可以存储设备类型的信息。
具体实现中，本发明实施例中所描述的处理器101、输入设备102、输出设备103可执行本发明实施例提供的一种野生动物监测图像自适应压缩传输与恢复方法实施例中所描述的实现方式，在此不再赘述。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
1.一种野生动物监测图像自适应压缩传输与恢复方法，应用于无线传感器网络，所述无线传感器网络采用分簇汇聚的网络拓扑结构，其特征在于，所述方法包括：
获取待压缩传输的野生动物图像，然后基于目标区域进行提取以生成其对应的掩模图像；其中，所述野生动物图像来源于部署在监测区域内部的野生动物自动触发设备；所述目标区域为区别于所述野生动物图像中背景区域的具有野生动物部分的前景区域；
将生成的所述掩模图像，通过重要位平面位移和多级树集合分裂的方法对所述掩模图像进行压缩编码；
通过分布式传输机制对压缩编码后的图像数据进行分配及远程传输；
在解码端基于图像恢复模型实现对压缩编码后的图像进行恢复；其中，所述恢复模型是基于生成对抗网络实现的，所述生成对抗网络是基于改进压缩激励模块实现的。
2.根据权利要求1所述的野生动物监测图像自适应压缩传输与恢复方法，其特征在于，所述获取待压缩传输的野生动物图像，然后基于目标区域进行提取以生成其对应的掩模图像，具体包括：
图像颜色空间模型重构；
图像纹理参数提取；
根据所述纹理参数和重构后的颜色空间模型建立参数矩阵，并通过自适应算法进行像素数据的聚类，完成目标区域的分割；
最后对分割后的图像进行区域合并，并结合边缘检测确定最终的目标区域，并将其作为所述掩模图像。
3.根据权利要求2所述的野生动物监测图像自适应压缩传输与恢复方法，其特征在于，所述将生成的所述掩模图像，通过重要位平面位移和多级树集合分裂的方法对所述掩模图像进行压缩编码，具体包括：
将所述掩模图像进行分块，并划分为区域块和边缘块；
再根据掩模图像小波系数的最大值确定最高位平面，然后从最高位平面进行逐位编码；其中，目标区域系数中存在底层位平面，代表着小波系数的最低位信息，是不重要位平面即nsb；
最后基于多级树集合分裂算法进行图像编码。
4.根据权利要求3所述的野生动物监测图像自适应压缩传输与恢复方法，其特征在于，所述不重要位平面判别方式的过程如下：
首先设置不重要位平面的峰值信噪比t作为约束条件，然后逐一对各位平面计算目标区域的重构质量psnr，若psnr≥t，则说明已编码的位平面重构质量满足人眼主观视觉要求，该位平面以下的位平面记为不重要位平面，否则继续编码位平面。
5.根据权利要求1所述的野生动物监测图像自适应压缩传输与恢复方法，其特征在于，所述分簇汇聚的网络拓扑结构包括源节点、目标节点、多个簇头节点以及各簇头节点对应的簇内节点，所述通过分布式传输机制对压缩编码后的图像数据进行分配及远程传输，具体包括：
源节点将传输任务的指令发送给簇头节点c1；
待源节点接收到簇头节点c1的反馈指令后，直接将目标区域完成编码，并传输至下一级的簇头节点c2；背景区域信息按照簇内节点数量对图像信息进行分块划分，并把分块信息分别传输至簇内其它节点进行压缩编码处理操作，然后将结果传输至下一级的簇头节点c2；
下一级的簇头节点c2对上一级传输数据进行整合后，将目标区域信息进行继续编码，然后分配至下一级簇头节点c3进行数据整合；而背景区域编码信息不做任何处理直接分配给下一级簇内节点继续进行压缩处理，直至将处理结果传输至下级的簇头c3；依此类推，进行逐级数据传输，直至满足所设定网络中的传输级和图像压缩比的要求；
最后把所有的编码信息一起传输至目标节点，待数据完成整合后传输至后台服务器进行图像数据的重构。
6.根据权利要求5所述的野生动物监测图像自适应压缩传输与恢复方法，其特征在于，所述图像恢复模型包括鉴别器和生成器，且均采用神经网络，并按以下步骤训练生成：
对所述鉴别器进行训练；
对所述生成器进行训练；
对所述鉴别器和生成器进行交替训练；其中，所述压缩激励模块分别嵌入到各鉴别器和生成器的卷积层中。
7.一种野生动物监测图像自适应压缩传输与恢复装置，应用于无线传感器网络，所述无线传感器网络采用分簇汇聚的网络拓扑结构，其特征在于，包括：
采集装置，用于监测区域内野生动物图像的采集；
处理模块，用于：
获取待压缩传输的野生动物图像，然后基于目标区域进行提取以生成其对应的掩模图像；其中，所述目标区域为区别于所述野生动物图像中背景区域的具有野生动物部分的前景区域；
将生成的所述掩模图像，通过重要位平面位移和多级树集合分裂的方法对所述掩模图像进行压缩编码；
传输模块，用于通过分布式传输机制对压缩编码后的图像数据进行分配及远程传输；
解码模块，用于在解码端基于图像恢复模型实现对压缩编码后的图像进行恢复；其中，所述恢复模型是基于生成对抗网络实现的，所述生成对抗网络是基于改进压缩激励模块实现的。
8.根据权利要求7所述的野生动物监测图像自适应压缩传输与恢复装置，其特征在于，所述分布式传输机制是基于独立编码和联合解码的方式建立无线传感器网络分布式图像传输模型，分别对目标区域和背景区域进行数据分配传输；
传输时，首先将待传输图像内的像素点按照标记和未标记进行分类，然后对所有标记的像素点通过簇头节点进行编码传输，而未标记的像素点则按照簇内节点的能量进行划分，然后通过簇内节点传输。
9.根据权利要求7所述的野生动物监测图像自适应压缩传输与恢复装置，其特征在于，所述图像恢复模型包括鉴别器和生成器，且均采用神经网络，并按以下步骤训练生成：
对所述鉴别器进行训练；
对所述生成器进行训练；
对所述鉴别器和生成器进行交替训练；其中，所述压缩激励模块分别嵌入到各鉴别器和生成器的卷积层中。
10.一种野生动物监测图像自适应压缩传输与恢复装置，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-6任一项所述的方法。
技术总结