As imagens capturadas pelos sensores serão codificadas por DWT, fragmentadas e transmitidas ao sink da rede. Como pacotes podem ser perdidos devido à utilização de alguma das otimizações que serão propostas, pode-se empregar algum mecanismo para avaliar a qualidade das imagens reconstruídas no destino. Uma métrica bastante comum para essa avaliação é o PSNR, um valor numérico que pode indicar, indiretamente, a qualidade das imagens.
Quando uma imagem é reconstruída com a mesma qualidade (sem perdas) que a ima- gem original, o PSNR é indefinido. Caso contrário, o PSNR é um valor numérico que indiretamente indica a perda de qualidade relativa à imagem original, onde a qualidade é melhor para maiores valores de PSNR.
O cálculo do PSNR é apresentado na equação 3.28. A variável MSE (Mean Squared Error) representa indiretamente as perdas da imagem, considerando uma imagem original i e uma imagem reconstruída v, ambas com m x n pixels. Consideramos que as funções i(a,b) e v(a,b)retornam o valor correspondente do pixel na posição (a,b) da imagem, 0 ≤ a≤ me 0 ≤ b ≤ n. Também definimos q como sendo o número de bits necessários para representar um pixel. PSNR = 10 log10(2 q−1)2 MSE MSE = 1 m.n m−1
∑
a=0 n−1∑
b=0 (i(a, b) − v(a, b))2 (3.28) A Figura 3.2 apresenta uma imagem original i em escala de cinza, com q = 8 bits.Figura 3.2: Imagem original.
Para efeito de ilustração, simulamos algumas perdas na imagem da Figura 3.2, resul- tando em três imagens diferentes. Para cada imagem foi calculado o PSNR correspon- dente, como apresentado na Figura 3.3.
(a) PSNR = 25,26 dB (b) PSNR = 23,71 dB (c) PSNR = 22,62 dB
Figura 3.3: Imagens reconstruídas, assumindo perdas.
Embora tenhamos considerado o PSNR como métrica básica de avaliação da quali- dade das imagens reconstruídas, outras métricas podem vir a ser utilizadas, a exemplo de SSIM (Structural SIMilarity) e NQM (Noise Quality Measure). O PSNR não é uma mé- trica precisa de qualidade, uma vez que imagens com pior PSNR podem apresentar uma qualidade visual melhor que imagens com melhor relação sinal/ruído. Contudo, como nosso objetivo é apenas estimar a perda de qualidade como um todo, relativa ao nosso modelo de priorização, adotamos o PSNR como ferramenta básica para esse fim.
Relevância de dados e de
monitoramento
O desempenho das redes de sensores visuais sem fio para transmissão de imagens pode ser consideravelmente aprimorado quando otimizações são adotadas, endereçando características como eficiência energética, confiabilidade, controle de fluxo, roteamento e transmissão em tempo real. Nesse contexto, alguns trabalhos recentes na literatura têm investigado otimizações explorando codificações multimídia, onde a relevância da recons- trução dos dados recebidos no destino é utilizada para priorização de pacotes [Costa & Guedes 2011b]. Em particular, otimizações baseadas na transmissão de imagens codifica- das por codecs progressivos e por transformada wavelet têm sido propostas, influenciando diretamente nosso trabalho.
Nesta tese consideramos a relevância dos dados, DR (Data Relevance), como a re- levância resultante da codificação de imagens por DWT. Além desse tipo de relevância, a relevância de monitoramento dos sensores fontes, SR (Sensing Relevance), será explo- rada como um parâmetro inovador para otimizações de rede. De fato, a relevância de cada sensor fonte para a aplicação é uma função direta dos requisitos de monitoramento da aplicação (alvos ou cenas a serem monitoradas), ao invés das características da rede implantada, como ocorre com redes de sensores tradicionais. Assim, obtém-se um novo paradigma de priorização, já que uma mesma rede pode ter sensores com diferentes rele- vâncias de acordo com os requisitos de monitoramento da aplicação. Dessa forma, pacotes oriundos de diferentes sensores podem possuir diferentes prioridades para a rede, uma vez que dados provenientes das fontes mais relevantes serão potencialmente mais relevantes para a aplicação.
Unindo os conceitos de relevância dos dados e relevância de monitoramento, um novo paradigma de QoS é definido, permitindo o desenvolvimento de otimizações inovadoras. Como vislumbramos a necessidade de diferentes otimizações para obter eficiência ener-
gética mantendo um qualidade "aceitável" de monitoramento da aplicação, a utilização desse novo paradigma de QoS baseado na relevância dos dados e do monitoramento vi- sual permite que modificações na operação da rede estejam sempre em conformidade com os requisitos da aplicação.
Nossa definição de relevância, que será mapeada para uma prioridade de pacote, PP (Packet Priority), é baseada em um parâmetro local (relevância de dados codificados por DWT) e um parâmetro global (relevância de monitoramento visual). Com essas informa- ções, a rede poderá oferecer serviços otimizados/personalizados, garantindo desde efici- ência energética na transmissão direta de imagens até operações mais eficientes de recu- peração de erros, controle de fluxo e roteamento. Como em muitos casos, as aplicações podem apresentar algum tipo de restrição de acordo com a natureza do monitoramento a ser realizado (por exemplo, em tempo real), as fontes podem também indicar uma classe de tráfego, TC (Traffic Class), que irá também compor o PP de cada pacote. Essa aborda- gem é inovadora para priorização de pacotes, pois não temos conhecimento de trabalhos acadêmicos com esse foco.
O PP de cada pacote será um campo de 1 byte contendo os campos DR, SR e TC. A partir das informações contidas nesse byte, inúmeras otimizações podem ser propos- tas. De fato, iremos propor cinco diferentes otimizações baseadas nessas informações, utilizando de forma diferente cada um desses elementos de priorização.
Neste capítulo serão fundamentados os conceitos de relevância de dados, relevância de monitoramento e classe de tráfego, embasando as otimizações que serão apresentadas no Capítulo 5.
4.1
Relevância de dados
Algumas técnicas de codificação podem gerar dados com diferentes relevâncias para a reconstrução da mídia original no destino final da comunicação. Essa característica pode ser explorada para otimizações na rede, diretamente beneficiando comunicações em redes de sensores visuais sem fio para transmissão de imagens.
Nesta tese definimos a relevância de dados como um parâmetro de priorização re- lativo a significância dos dados para a reconstrução das informações transmitidas (ima- gens). Essa relevância é definida como um número binário com 3 bits de tamanho, sendo referenciada como DR (Data Relevance). O DR será dinamicamente calculado por cada sensor ativo, representando exclusivamente a sua situação em termos de monitoramento e codificação, sem qualquer relação com outros sensores. Cada bloco de dados irá possuir um DR, relacionado com a codificação das imagens transmitidas, sendo a relevância dos
dados diretamente proporcional ao valor do DR que os representam. Nesse contexto, pa- cotes devem transmitir dados exclusivamente de um único bloco. Assim, cada pacote terá um único valor de DR.
Consideramos que todas as imagens transmitidas serão sempre codificadas por uma DWT, sendo as subbandas geradas diretamente mapeadas para um valor de DR. De fato, consideramos duas opções de codificação: 2D DWT de 1 nível e 2D DWT de 2 níveis. Essa escolha permite a geração de até 7 subbandas, garantindo diferentes níveis de re- levância sem aumentar excessivamente a complexidade de processamento, caso mais re- soluções DWT fossem consideradas. A aplicação de monitoramento irá definir que co- dificação será aplicada, porém assumimos como codificação padrão a DWT de 2 níveis (2-level 2D DWT). A Figura 4.1 apresenta um esquema de definição para os valores de DR, onde há duas opções de acordo com a codificação empregada. Adicionalmente, defi- nidos que uma imagem bruta (não codificada) ou mesmo dados escalares são representa- dos por DR=0. Por fim, o cabeçalho de cada imagem (o(i)), contendo informações como o esquema de cores adotado e o tamanho da imagem, deve ser sempre transmitido com a maior relevância, DR=7, uma vez que o cabeçalho da imagem é altamente relevante para a reconstrução da imagem no destino final.
Imagem original
DR = 0HL
(1)LH
(1)HH
(1)LL
(1) DR = 3 DR = 2 DR = 1 DR = 2 LL(2) HH(2)HL
(1)LH
(1)HH
(1) HL(2) LH(2) DR = 3 DR = 7 DR = 6 DR = 1 DR = 2 DR = 5 DR = 4Figura 4.1: Valores para DR de acordo com as subbandas DWT.
A Tabela 4.1 apresenta o mesmo mapeamento da Figura 4.1, porém de forma analítica.