دانلود ترجمه مقاله پردازش و انتقال طرح و تصویر مبتنی بر مخلوط گاوسی عمومی (اسپرینگر 2015) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

پردازش و انتقال طرح و تصویر مبتنی بر مخلوط گاوسی عمومی با شبکه های فرصت طلب برای شبکه های حسگر بی سیم

Image processing and transmission scheme based on generalized Gaussian mixture with opportunistic networking for wireless sensor networks

چکیده
1- مقدمه
2- کار های مربوطه
3- انتقال تصاویر بر اساس شبکه سازی های فرصت طلبانه
4- پردازش تصویر بر اساس مدل ترکیب گاوسی
5- پردازش تصویر تطبیقی و طرح انتقال
6- نتایج آزمایش ها و ارزیابی ها
7- جمع بندی

چکیده

برای تضمین الزام های کیفیت سرویس (QoS) ، و سرویس های حذف نویز از تصویر در شبکه های سنسور بی سیم (WSN ها) ، بر اساس تکنولوژی های شبکه های فرصت طلب و الگوریتم های ترکیب گاوسی عمومی، یک پردازش تصویر تطبیقی و طرح انتقال در این مقاله ارائه شده است. بر اساس ماتریس های ثبت وضعیت زمان واقعی، طرح های بهینه سازی چند هدفه با ضریب های متعادل کننده و طرح های همکاری فرصت طلبانه در ارزیابی انرژی و توانایی محاسبه در این مقاله بررسی شده است. سپس، الگوریتم های ترکیب گاوسی در این مقاله مورد استفاده قرار گرفته است تا بتوان داده های تصویر را کاهش داده و تداخل نویز را از محیط های WSN کاهش داد. در نهایت، نتایج شبیه سازی ها نشان می دهد که طرح پیشنهاد شده دارای نتایج ظرفیت پشتیبانی QoS بهتری می باشد مانند ویژگی های قابلیت اعتماد، عملکرد زمان واقعی و کارایی های انرژی همراه با صحت رمز نگاری تصاویر شامل بیشترین مقدار سیگنال به نویز.

7- جمع بندی

پردازش تصویر و انتقال در WSN ها به صورت گسترده مورد تحقیق قرار گرفته است و در کاربرد های مختلف شامل نظارت بر جریان ترافیک، شناسایی پلاک خودرو و غیره مورد استفاده قرار گرفته است. برای جمع آوری، پردازش و انتقال تصویر های بزرگ داده ها، ما انتقال داده ها را با شبکه سازی های فرصت طلبانه بررسی کردیم که سنسور های رله بهینه را مبتنی بر وضعیت زمان واقعی از انرژی باقی مانده و توانایی محاسباتی، انتخاب می کند. سپس، ما پردازش تصویر را با الگوریتم های ترکیب گاوسی عمومی بررسی می کنیم که می تواند داده های تصویر بزرگ را به صورت موثر فشرده کند و نویز تداخل داده های تصویر که در شبکه ایجاد می شود را حذف می کند. در کار ما، ما پردازش تصویر تطبیقی و طرح های انتقال را بر اساس ترکیب تکنولوژی های بالا ایجاد کردیم که با نام GGMON شناخته می شود. هدف ما با استفاده از این طرح بهبود عملکرد QoS انتقال تصویر در WSN ها و حفظ کیفیت بالای تصویر در گره های دریافت کننده می باشد. نتایج آزمایش ها بر اساس تحلیل های ریاضی و شبیه سازی ها نشان می دهد که طرح پیشنهاد شده می تواند عملکرد بهتری برای پردازش تصویر و انتقال در WSN ها ایجاد کند.

Abstract

For satisfying the quality of service (QoS) requirements and image denoising services in wireless sensor network (WSN) applications, based on opportunistic networking technology and generalized Gaussian mixture algorithm, an adaptive image processing and transmission scheme is proposed in this paper. According to the real-time state record matrix, the multi-objective optimization scheme with equalizer coefficients and the opportunistic cooperative scheme in view of energy and computing ability are studied, respectively. Then, the generalized Gaussian mixture algorithm is used to reduce the image data and eliminate the noise interference from the WSN environment. Finally, Simulation results show that the proposed scheme has better QoS support capability results such as reliability, real-time performance, and energy efficiency, as well as the image decoding accuracy including peak signal to noise ratio.

7- Conclusions

Image processing and transmission in WSNs has been extensively researched and developed in various application services, including traffic flow monitoring system, vehicle license plate recognition, etc. For gathering, processing, and transporting the image big data, we study the image transmission with opportunistic networking technology, which select the optimal relay sensors based on the real-time status including remaining energy and computing ability. Then, we research the image processing with generalized Gaussian mixture algorithm, which could compress the big image data effectively and eliminate the interference noise of image data caused in network transmission progress. In our work, we have proposed the adaptive image processing and transmission scheme based on the combination of the above technology, called GGMON. It aims to improve the QoS performance of image transmission in WSNs while maintaining the high quality of image at receiving sensor. Experimental results on mathematical analysis and simulation show that the proposed scheme could obtain the better performance for image processing and transmission in WSNs.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

پردازش و انتقال طرح و تصویر مبتنی بر مخلوط گاوسی عمومی با شبکه های فرصت طلب برای شبکه های حسگر بی سیم

Image processing and transmission scheme based on generalized Gaussian mixture with opportunistic networking for wireless sensor networks