一种基于无人机的图像传输方法及装置与流程
本发明涉及无人机技术领域，尤其涉及一种基于无人机的图像传输方法及装置。
背景技术
随着现代科技的迅速发展，无人机越来越受到人们的关注，而且使用价值也越来越受到广泛的认可。无人机图像传输技术是决定其性能的最关键的技术之一。现有的图传技术会延时，图像会出现麻点，或是卡顿等现象，这些都严重地影响了无人机的使用价值。
技术实现要素：
本发明的主要目的在于提出一种基于无人机的图像传输方法及装置，通过小波神经网络对图像进行去噪，而后对图像进行基于turbo码和jpeg2000图像压缩码的联合信源信道编解码；有效的解决图像方块、模糊不清、马赛克等现象；克服了信道传输带宽的限制，提高了图像的抗干扰能力，降低了图像传输延时，降低了失真度。
为实现上述目的，本发明提供的一种基于无人机的图像传输方法，包括：
采用小波神经网络对待传输的图像进行去噪处理；
通过jpeg2000方式对去噪后的所述图像进行压缩；
采用turbo码对压缩后的所述图像进行编码，并传输所述图像；
采用turbo码对传输后的所述图像进行解码；
通过jpeg2000方式对解码后的所述图像进行解压缩。
优选的，所述采用小波神经网络对待传输的图像进行去噪处理包括：
采用中值滤波法去除所述图像的噪声点；获取所述图像任意像素点的特征值；
利用均方差误差函数对每个像素点进行网络参数优化；
采用共轭梯度法优化小波神经网络；
采用自适应搜索方法确定小波基个数。
优选的，所述通过jpeg2000方式对去噪后的所述图像进行压缩包括：
对去噪后的所述图像进行预处理；并进行正向分量变换和正向小波变换；
量化所述图像，并进行熵编码；
分层组织压缩位流，并打包为压缩图像。
优选的，所述通过jpeg2000方式对解码后的所述图像进行解压缩包括：
接收压缩码流，并对所述压缩码流解包处理；
进行熵解码和反量化处理，重构小波系数；
进行反向小波变换和反向分量变换，重构图像数据。
优选的，所述turbo码的编码结构分为：并行级联卷积码pccc、串行级联卷积码sccc和混合级联卷积码hccc，采用串行级联卷积码sccc对压缩后的所述图像进行编码；采用并行级联卷积码pccc和混合级联卷积码hccc对传输后的所述图像进行解码。
作为本发明的另一方面，提供的一种基于无人机的图像传输装置，包括：
去噪模块，用于采用小波神经网络对待传输的图像进行去噪处理；
压缩模块，用于通过jpeg2000方式对去噪后的所述图像进行压缩；
编码传输模块，用于采用turbo码对压缩后的所述图像进行编码，并传输所述图像；
解码模块，用于采用turbo码对传输后的所述图像进行解码；
解压缩模块，用于通过jpeg2000方式对解码后的所述图像进行解压缩。
优选的，所述去噪模块包括：
滤波单元，用于采用中值滤波法去除所述图像的噪声点；获取所述图像任意像素点的特征值；
网络参数优化单元，用于利用均方差误差函数对每个像素点进行网络参数优化；
小波优化单元，用于采用共轭梯度法优化小波神经网络；
自适应单元，用于采用自适应搜索方法确定小波基个数。
优选的，所述压缩模块包括：
预处理单元，用于对去噪后的所述图像进行预处理；并进行正向分量变换和正向小波变换；
量化编码单元，用于量化所述图像，并进行熵编码；
打包单元，用于分层组织压缩位流，并打包为压缩图像。
优选的，所述解压缩模块包括：
接收单元，用于接收压缩码流，并对所述压缩码流解包处理；
小波重构单元，用于进行熵解码和反量化处理，重构小波系数；
图像重构单元，用于进行反向小波变换和反向分量变换，重构图像数据。
优选的，所述turbo码的编码结构分为：并行级联卷积码pccc、串行级联卷积码sccc和混合级联卷积码hccc，采用串行级联卷积码sccc对压缩后的所述图像进行编码；采用并行级联卷积码pccc和混合级联卷积码hccc对传输后的所述图像进行解码。
本发明提出的一种基于无人机的图像传输方法及装置，该方法包括：采用小波神经网络对待传输的图像进行去噪处理；通过jpeg2000方式对去噪后的所述图像进行压缩；采用turbo码对压缩后的所述图像进行编码，并传输所述图像；采用turbo码对传输后的所述图像进行解码；通过jpeg2000方式对解码后的所述图像进行解压缩；通过小波神经网络对图像进行去噪，而后对图像进行基于turbo码和jpeg2000图像压缩码的联合信源信道编解码；有效的解决图像方块、模糊不清、马赛克等现象；克服了信道传输带宽的限制，提高了图像的抗干扰能力，降低了图像传输延时，降低了失真度。
附图说明
图1为本发明实施例一提供的一种基于无人机的图像传输方法的流程图；
图2为图1中步骤s10的方法流程图；
图3为图1中步骤s20的方法流程图；
图4为图1中步骤s40的方法流程图；
图5为本发明实施例二提供的一种基于无人机的图像传输装置的示范性结构框图；
图6为图5中去噪模块的示范性结构框图；
图7为图5中压缩模块的示范性结构框图；
图8为图5中解压缩模块的示范性结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例一
如图1所示，在本实施例中，一种基于无人机的图像传输方法，包括：
s10、采用小波神经网络对待传输的图像进行去噪处理；
s20、通过jpeg2000方式对去噪后的所述图像进行压缩；
s30、采用turbo码对压缩后的所述图像进行编码，并传输所述图像；
s40、采用turbo码对传输后的所述图像进行解码；
s50、通过jpeg2000方式对解码后的所述图像进行解压缩。
在本实施例中，通过小波神经网络对图像进行去噪，而后对图像进行基于turbo码和jpeg2000图像压缩码的联合信源信道编解码；有效的解决图像方块、模糊不清、马赛克等现象；克服了信道传输带宽的限制，提高了图像的抗干扰能力，降低了图像传输延时，降低了失真度。
在本实施例中，小波神经网络(waveletneuralnetwork,wnn)是基于小波分析理论而建立起的一种分层的，多分辨率的新型人工神经网络，有机地融合了小波分析良好时-频域特性和神经网络的自适应优点。
在本实施例中，jpeg2000是一种最新的图像压缩方式，它具有更优越的编码质量。turbo码是一种具有伪随机特性的长码，turbo码巧妙地将两个简单分量码通过伪随机交织器并行级联来构造具有伪随机特性的长码，并通过在两个软入/软出(siso)译码器之间进行多次迭代实现了伪随机译码。他的性能远远超过了其他的编码方式，得到了广泛的关注和发展，并对当今的编码理论和研究方法产生了深远的影响，信道编码学也随之进入了一个新的阶段。
如图2所示，在本实施例中，所述步骤s10包括：
s11、采用中值滤波法去除所述图像的噪声点；获取所述图像任意像素点的特征值；
在本实施例中，中值滤波器是某种形式的含有奇数像素点的二维滑动窗口，将窗口内的像素点按照灰度值的大小进行排序，若某点的灰度值与窗口中值相差超过t，则该点为噪声点，其灰度值用窗口中值替代；否则为非噪声点，仍然保留原灰度值。一幅m×n的灰度图像，任意像素点(x,y)的特征值gx，y定义为：
s12、利用均方差误差函数对每个像素点进行网络参数优化；
在本实施例中，一幅m×n的灰度图像，其学习样本总数为m×n。对于某个特征点gx，y，相应的网络输出为：
其中wk，bk，ak分别为权重参数，小波基平移参数和伸缩参数，h(x)为小波函数，k为小波基函数个数。
采用高斯推导式小波函数：h(x，y)＝-xexp(-x2/2)
利用均方差误差函数进行网络参数优化：
其中dx，y为期望输出。若像素点为噪声点，则dx，y＝1，否则为0。
s13、采用共轭梯度法优化小波神经网络；
令g′x，y＝(gx，y-bk)/ak,则e的梯度为：
由此构成列向量g(w)和w，当网络处于第i次迭代时，
其中s(w)为权值参数的搜索方向，
s14、采用自适应搜索方法确定小波基个数。
在本实施例中，首先确定一个初始小波基个数，然后进行网络学习。如果满足网络收敛条件，则停止迭代并完成网络学习；如果达到最大迭代次数而网络仍未收敛，则小波基个数增加1，再进行网络学习。
如图3所示，在本实施例中，所述步骤s20包括：
s21、对去噪后的所述图像进行预处理；并进行正向分量变换和正向小波变换；
s22、量化所述图像，并进行熵编码；
s23、分层组织压缩位流，并打包为压缩图像。
在本实施例中，首先对原始图像进行扩充，将高度和宽度扩充为2的整数次幂，填充的部分置数为零，然后再进行编解码。
如图4所示，在本实施例中，所述步骤s40包括：
s41、接收压缩码流，并对所述压缩码流解包处理；
s42、进行熵解码和反量化处理，重构小波系数；
s43、进行反向小波变换和反向分量变换，重构图像数据。
在本实施例中，所述turbo码的编码结构分为：并行级联卷积码pccc(parallelconcatenatedconvolutionalcode)、串行级联卷积码sccc(serialconcatenatedcovolutionalcode)和混合级联卷积码hccc(hybridconcatenatedconvolutionalcode)，采用串行级联卷积码sccc对压缩后的所述图像进行编码；采用并行级联卷积码pccc和混合级联卷积码hccc对传输后的所述图像进行解码。
实施例二
如图5所示，在本实施例中，一种基于无人机的图像传输装置，包括：
去噪模块10，用于采用小波神经网络对待传输的图像进行去噪处理；
压缩模块20，用于通过jpeg2000方式对去噪后的所述图像进行压缩；
编码传输模块30，用于采用turbo码对压缩后的所述图像进行编码，并传输所述图像；
解码模块40，用于采用turbo码对传输后的所述图像进行解码；
解压缩模块50，用于通过jpeg2000方式对解码后的所述图像进行解压缩。
在本实施例中，通过小波神经网络对图像进行去噪，而后对图像进行基于turbo码和jpeg2000图像压缩码的联合信源信道编解码；有效的解决图像方块、模糊不清、马赛克等现象；克服了信道传输带宽的限制，提高了图像的抗干扰能力，降低了图像传输延时，降低了失真度。
在本实施例中，小波神经网络(waveletneuralnetwork,wnn)是基于小波分析理论而建立起的一种分层的，多分辨率的新型人工神经网络，有机地融合了小波分析良好时-频域特性和神经网络的自适应优点。
在本实施例中，jpeg2000是一种最新的图像压缩方式，它具有更优越的编码质量。turbo码是一种具有伪随机特性的长码，turbo码巧妙地将两个简单分量码通过伪随机交织器并行级联来构造具有伪随机特性的长码，并通过在两个软入/软出(siso)译码器之间进行多次迭代实现了伪随机译码。他的性能远远超过了其他的编码方式，得到了广泛的关注和发展，并对当今的编码理论和研究方法产生了深远的影响，信道编码学也随之进入了一个新的阶段。
如图6所示，在本实施例中，所述去噪模块包括：
滤波单元11，用于采用中值滤波法去除所述图像的噪声点；获取所述图像任意像素点的特征值；
在本实施例中，中值滤波器是某种形式的含有奇数像素点的二维滑动窗口，将窗口内的像素点按照灰度值的大小进行排序，若某点的灰度值与窗口中值相差超过t，则该点为噪声点，其灰度值用窗口中值替代；否则为非噪声点，仍然保留原灰度值。一幅m×n的灰度图像，任意像素点(x,y)的特征值gx，y定义为：
网络参数优化单元12，用于利用均方差误差函数对每个像素点进行网络参数优化；
在本实施例中，一幅m×n的灰度图像，其学习样本总数为m×n。对于某个特征点gx，y，相应的网络输出为：
其中wk，bk，ak分别为权重参数，小波基平移参数和伸缩参数，h(x)为小波函数，k为小波基函数个数。
采用高斯推导式小波函数：h(x，y)=-xexp(-x2/2)
利用均方差误差函数进行网络参数优化：
其中dx，y为期望输出。若像素点为噪声点，则dx，y＝1，否则为0。
小波优化单元13，用于采用共轭梯度法优化小波神经网络；
令g′x，y=(gx，y-bk)/ak,则e的梯度为：
由此构成列向量g(w)和w，当网络处于第i次迭代时，
其中s(w)为权值参数的搜索方向，
自适应单元14，用于采用自适应搜索方法确定小波基个数。
在本实施例中，首先确定一个初始小波基个数，然后进行网络学习。如果满足网络收敛条件，则停止迭代并完成网络学习；如果达到最大迭代次数而网络仍未收敛，则小波基个数增加1，再进行网络学习。
如图7所示，在本实施例中，所述压缩模块包括：
预处理单元21，用于对去噪后的所述图像进行预处理；并进行正向分量变换和正向小波变换；
量化编码单元22，用于量化所述图像，并进行熵编码；
打包单元23，用于分层组织压缩位流，并打包为压缩图像。
在本实施例中，首先对原始图像进行扩充，将高度和宽度扩充为2的整数次幂，填充的部分置数为零，然后再进行编解码。
如图8所示，在本实施例中，所述解压缩模块包括：
接收单元41，用于接收压缩码流，并对所述压缩码流解包处理；
小波重构单元42，用于进行熵解码和反量化处理，重构小波系数；
图像重构单元43，用于进行反向小波变换和反向分量变换，重构图像数据。
在本实施例中，所述turbo码的编码结构分为：并行级联卷积码pccc(parallelconcatenatedconvolutionalcode)、串行级联卷积码sccc(serialconcatenatedcovolutionalcode)和混合级联卷积码hccc(hybridconcatenatedconvolutionalcode)，采用串行级联卷积码sccc对压缩后的所述图像进行编码；采用并行级联卷积码pccc和混合级联卷积码hccc对传输后的所述图像进行解码。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
- 还没有人留言评论。精彩留言会获得点赞！