Performance of Image Reconstruction Techniques for Efficient Multimedia Transmission of Multi-Copter

멀티콥터의 효율적 멀티미디어 전송을 위한 이미지 복원 기법의 성능

  • 황유민 (광운대학교 전파공학과 유비쿼터스 통신 연구실) ;
  • 이선의 (광운대학교 전파공학과 유비쿼터스 통신 연구실) ;
  • 이상운 (남서울대학교 멀티미디어학과 이동멀티미디어 연구실) ;
  • 김진영 (광운대학교 전파공학과 유비쿼터스 통신 연구실)
  • Received : 2014.11.17
  • Accepted : 2014.12.19
  • Published : 2014.12.31

Abstract

This paper considers two reconstruction schemes of structured-sparse signals, turbo inference and Markov chain Monte Carlo (MCMC) inference, in compressed sensing(CS) technique that is recently getting an important issue for an efficient video wireless transmission system using multi-copter as an unmanned aerial vehicle. Proposed reconstruction algorithms are setting importance on reduction of image data sizes, fast reconstruction speed and errorless reconstruction. As a result of experimentation with twenty kinds of images, we can find turbo reconstruction algorithm based on loopy belief propagation(BP) has more excellent performances than MCMC algorithm based on Gibbs sampling as aspects of average reconstruction computation time, normalized mean squared error(NMSE) values.

본 논문에서는 무인항공기인 방송용 멀티콥터를 이용한 Full-HD급 이상 화질의 이미지를 효율적으로 전송하기 위해 이미지 압축 센싱 기법을 적용하고, Sparse 신호의 효율적 복원을 위해 Turbo 알고리즘과 Markov chain Monte Carlo (MCMC) 알고리즘의 복원 성능을 모의실험을 통해 비교 분석하였다. 제안된 복원 기법은 압축 센싱에 기반하여 데이터 용량을 줄이고 빠르고 오류 없는 원신호 복원에 중점을 두었다. 다수의 이미지 파일로 모의실험을 진행한 결과 Loopy belief propagation(BP) 기반의 Turbo 복원 알고리즘이 Gibbs sampling기반 알고리즘을 수행하는 MCMC 알고리즘 보다 평균 복원 연산 시간, NMSE 값에서 우수하여 보다 효율적인 복원 방법으로 생각된다.

Keywords

References

  1. D. L. Donoho, "Compressed sensing,"IEEE Trans. Inf. Theory, vol. 52, no. 4, pp. 1289-1306, Apr. 2006. https://doi.org/10.1109/TIT.2006.871582
  2. D. L. Donoho and J. Tanner, "Precise undersampling theorems,"IEEE Signal Process. Mag., vol. 98, no. 6, pp. 913-924, June. 2010.
  3. I. F. Akyildiz, W. Y. Lee, M. C. Vuran and S. Mohanty, "NeXt generation/dynamic spectrum access/cognitive radio wireless networks," Computer Networks, vol. 50, no. 13, pp. 2127-2159, 2006. https://doi.org/10.1016/j.comnet.2006.05.001
  4. D. Cabric, S. Mishra, R. Brodersen, "Implementation issues in spectrum sensing for cognitive radios," in Proc. of Asilomar Conf. on Signals, Systems and Computers, vol. 1, pp. 772-776, 2004.
  5. Zhu Han, H. Li and W. Yin, Compressive sensing for wireless networks, Cambridge, 2013.
  6. H. N. Lee, S. J. Park and S. C. Park, "Introduction of Compressed Sensing," Journal of the Institute of Electronics Engineers of Korea (J. IEEK), vol. 38 no. 1, pp. 19-30, Jan. 2011.
  7. P. Schniter, "Turbo reconstruction of structured sparse signals," in Proc. Conference on Information Sciences and Systems, Mar. 2010.
  8. L. He and L. Carin, "Exploiting structure in wavelet-based Bayesian compressive sensing," IEEE Trans. Signal Process., vol. 57, no. 9, pp. 3488-3497, Sep. 2009. https://doi.org/10.1109/TSP.2009.2022003
  9. J. Pearl, Probabilistic Reasoning in Intelligent Systems. San Mateo, CA: Morgan Kaufman, 1988.
  10. G. F. Cooper, "The computational complexity of probabilistic inference using Bayesian belief networks," Artificial Intelligence, vol. 42, 1990.
  11. D. L. Donoho, A. Maleki, and A. Montanari, "Message passing algorithms for compressed sensing," in Proc. National Academy of Sciences, vol. 106, pp. 18914-18919, Nov. 2009.
  12. D. Guo, D. Baron, and S. Shamai, "A single-letter characterization of optimal noisy compressed sensing," in Proc. Allerton Conf. Commun. Control Comput., (Monticello, IL), Oct. 2009.
  13. C. P. Robert and G. Casella, Monte Carlo Statistical Methods, 2nd ed. New York: Springer, 2004.