本發明涉及物聯網數據處理領域，特別是涉及一種基于邊緣計算的物聯網數據處理方法。

背景技術：

1、隨著物聯網技術的快速發展，圖像處理在物聯網設備中的應用越來越廣泛，尤其是在智能安防、工業監控和自動駕駛等領域，物聯網設備的部署極為密集。傳統的圖像處理方法大多依賴于云計算，將圖像數據傳輸至云端進行處理分析。所述方法雖然具備強大的計算能力，但面臨著延遲大、帶寬消耗高以及對網絡穩定性依賴強等問題。此外，海量的物聯網設備產生的數據量龐大，傳輸數據到云端不僅占用了寶貴的帶寬，還可能導致實時性差，無法滿足諸如實時監控、快速響應等任務的要求。特別是在資源受限的邊緣計算環境中，如何高效地進行圖像處理成為了亟待解決的問題。

2、傳統的全圖像處理技術雖然在云計算環境下得到了很好的發展，但在邊緣計算場景下卻面臨許多挑戰：首先，計算復雜度高，處理整個圖像需要大量的算力和存儲資源，不適合在計算能力有限的邊緣設備上使用；其次，由于帶寬受限，傳輸全圖像數據到云端進行分析并返回結果，會導致響應時間過長，無法滿足實時性的要求；此外，傳統的圖像處理算法通常在識別復雜圖像特征時效率較低，難以適應局部關鍵區域的動態變化。因此，如何在不損失處理精度的前提下，減少處理和傳輸的負荷，成為急需解決的一大難題。

技術實現思路

1、本發明提供一種基于邊緣計算的物聯網數據處理方法，以解決傳統的全圖像處理方法計算復雜度高，處理整個圖像需要大量的算力和存儲資源，不適合在計算能力有限的邊緣設備上使用；由于帶寬受限，傳輸全圖像數據到云端進行分析并返回結果，會導致響應時間過長，無法滿足實時性的要求；通常在識別復雜圖像特征時效率較低，難以適應局部關鍵區域的動態變化的問題。

2、本發明的一種基于邊緣計算的物聯網數據處理方法，具體包括以下技術方案：

3、一種基于邊緣計算的物聯網數據處理方法，包括以下步驟：

4、s1：獲取原始圖像數據并進行預處理，得到預處理后的圖像數據；對預處理后的圖像數據進行分割，得到局部區域，并提取特征向量，得到局部區域的特征向量；基于局部區域的特征向量，通過自適應特征選擇算法計算局部區域的重要性權重，并對局部區域進行篩選處理，得到關鍵局部區域，同時得到關鍵局部區域的特征向量和關鍵局部區域的重要性權重；

5、s2：通過空間頻域分析算法，對預處理后的圖像數據進行處理，得到關鍵頻域特征；基于關鍵頻域特征、關鍵局部區域的特征向量和關鍵局部區域的重要性權重，進行圖像分類，得到圖像的分類結果。

6、優選的，所述s1，具體包括：

7、在自適應特征選擇算法的實現過程中，基于局部區域的特征向量計算特征分散度，具體公式如下：

8、

9、其中，dl是第l個局部區域的特征分散度；l是局部區域的索引變量；d是局部區域的特征向量的維度；i是特征分量的索引變量；fli是第l個局部區域的第i個特征分量；是第l個局部區域的特征均值；γ是用于調整特征分散度中非線性項的權重參數。

10、優選的，所述s1，具體包括：

11、在自適應特征選擇算法的實現過程中，基于局部區域內圖像數據的像素值，計算紋理復雜度。

12、優選的，所述s1，具體包括：

13、綜合特征分散度和紋理復雜度，計算局部區域的重要性權重；將局部區域的重要性權重與預設的重要性閾值進行對比，篩選關鍵局部區域；當局部區域的重要性權重大于重要性閾值時，所述局部區域為關鍵局部區域。

14、優選的，所述s2，具體包括：

15、在空間頻域分析算法的實現過程中，對預處理后的圖像數據進行二維傅里葉變換，將預處理后的圖像數據從時域轉換為頻域，得到頻域分量。

16、優選的，所述s2，具體包括：

17、對頻域分量的實部和虛部進行平方和操作，再進行開方操作，得到頻域分量的幅度值；基于預設的幅度閾值，對頻域分量進行篩選，保留幅度值大于幅度閾值的頻率分量，作為關鍵頻域分量，并從關鍵頻域分量中提取關鍵頻域特征。

18、優選的，所述s2，具體包括：

19、基于關鍵頻域特征、關鍵局部區域的特征向量和關鍵局部區域的重要性權重，通過最大后驗概率分類器，采用改進的分類決策公式，進行圖像分類，得到圖像的分類結果；基于圖像的分類結果，觸發邊緣計算設備的動作和決策行為，并將圖像的分類結果上傳至云端，進行分析、存儲。

20、優選的，所述s2，具體包括：

21、所述改進的分類決策的具體公式如下：

22、

23、其中，r是圖像的分類結果；k是關鍵頻域分量的總數；是第k個關鍵頻域特征的權重，表示預處理后的圖像數據中的第k個關鍵頻域分量的關鍵頻域特征對圖像分類的貢獻度；表示在關鍵頻域特征下，圖像屬于類別c的概率；λ1是調節指數變換的正則化參數；ψ是平衡參數；是關鍵局部區域的總數；是關鍵局部區域的索引變量；是第個關鍵局部區域的重要性權重；是在第個關鍵局部區域的特征向量下，圖像屬于類別c的概率；λ2是調節指數變換的正則化參數；類別c是在最大后驗概率分類器訓練過程中預先定義的類別標簽。

24、本發明的技術方案的有益效果是：

25、1、通過引入自適應特征選擇算法，解決傳統的全圖像處理方法在邊緣計算場景下，計算資源有限，計算復雜度高的問題；本發明通過將圖像劃分為多個局部區域，并對各局部區域提取特征向量，基于對特征分散度和紋理復雜度的綜合評估，篩選出關鍵局部區域并進行重點處理，顯著減少了不必要的全圖像計算，從而有效降低了邊緣設備的計算負荷，提升了處理效率。

26、2、本發明采用了空間頻域分析算法，將圖像從時域轉換為頻域，并提取關鍵頻域特征，通過二維傅里葉變換和幅度閾值篩選，保留了關鍵頻域分量，進一步減少了需要傳輸和處理的數據量，不僅降低數據傳輸的帶寬消耗，還大幅提升圖像處理的實時性，適應了物聯網設備在邊緣計算場景中的快速響應需求。

27、3、本發明采用了改進的分類決策公式，在圖像識別時引入了指數運算，提高最大后驗概率分類器對極端概率值的敏感度，增加了最大后驗概率分類器的穩定性和準確性，通過將篩選出的關鍵局部區域和關鍵頻域特征共同輸入最大后驗概率分類器，進一步優化了圖像分類效果，并有效地減少了邊緣設備的計算資源占用。

技術特征：

1.一種基于邊緣計算的物聯網數據處理方法，其特征在于，包括以下步驟：

2.根據權利要求1所述的一種基于邊緣計算的物聯網數據處理方法，其特征在于，所述s1，具體包括：

3.根據權利要求2所述的一種基于邊緣計算的物聯網數據處理方法，其特征在于，所述s1，具體包括：

4.根據權利要求3所述的一種基于邊緣計算的物聯網數據處理方法，其特征在于，所述s1，具體包括：

5.根據權利要求1所述的一種基于邊緣計算的物聯網數據處理方法，其特征在于，所述s2，具體包括：

6.根據權利要求5所述的一種基于邊緣計算的物聯網數據處理方法，其特征在于，所述s2，具體包括：

7.根據權利要求6所述的一種基于邊緣計算的物聯網數據處理方法，其特征在于，所述s2，具體包括：

8.根據權利要求7所述的一種基于邊緣計算的物聯網數據處理方法，其特征在于，所述s2，具體包括：

技術總結
本發明涉及物聯網數據處理領域，特別是涉及一種基于邊緣計算的物聯網數據處理方法。內容包括：獲取原始圖像數據并進行預處理，對預處理后的圖像數據進行分割，得到局部區域；提取局部區域的特征向量，通過自適應特征選擇算法對局部區域進行篩選處理，得到關鍵局部區域；通過空間頻域分析算法，對預處理后的圖像數據進行處理，得到關鍵頻域特征；基于關鍵頻域特征和關鍵局部區域，進行圖像分類。解決了傳統的全圖像處理方法計算復雜度高，處理整個圖像需要大量的算力和存儲資源；由于帶寬受限，導致響應時間過長，無法滿足實時性的要求；通常在識別復雜圖像特征時效率較低，難以適應局部關鍵區域的動態變化的問題。

技術研發人員：朱佳媛
受保護的技術使用者：海識（煙臺）信息科技有限公司
技術研發日：
技術公布日：2025/4/28