Browsing by Author "Salmi Abderezak"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
Item Classification automatique de données basées la théorie des graphes application à la segmentation d'images couleurs(Université Mouloud Mammeri, 2011) Younsi Merzouk; Salmi Abderezak; Hammouche KamalRésumé Nous avons présenté dans ce travail une méthode de classification automatique de données appelée classification spectrale (spectral clustering) basée sur la théorie spectrale des graphes et des coupes de graphes. Elle comprend essentiellement trois étapes: (1) prétraitement : à partir de la base de données, construire la matrice de similarité qui peut être identifiée à un graphe : les noeuds du graphe sont les données et le poids des arêtes formées entre chaque paire de noeuds représente alors la mesure de similarité locale entre deux observations, (2) décomposition : analyser les valeurs et vecteurs propres (spectre) de la matrice de similarité, (3) groupement : extraire les k premiers vecteurs propres (vecteurs dominants) associés aux k plus petites valeurs propres de la matrice de similarité (k étant le nombre de classes à construire fixé à priori par l’utilisateur). Ces vecteurs propres constituent un espace de dimension réduite dans lequel les données transformées seront linéairement séparables. Dans le cadre de notre application, nous avons appliqué la méthode de classification spectrale dans un premier temps sur des données artificielles afin dévaluer ses résultats, ensuite, cette méthode est appliquée à la segmentation des images couleurs par classification non supervisée des pixels. Les différents résultats obtenus sont évalués à base de la matrice de confusion dans le cas des données artificielles, et le critère d’évaluation de Borsotti dans le cas de la segmentation d’images couleurs. Mots clés : Méthode de k-Means, théorie des graphes, spectral clustering, matrices laplaciennes, valeurs propres et vecteurs propres, segmentation d’images couleurs.Item Segmentation d’images couleur texturées basée sur la sélection d’attributs et la classification spectrale semi-supervisées sous contraintes(FGEI-UMMTO, 2023-11-20) Salmi AbderezakLes méthodes de segmentation par apprentissage automatique impliquent des techniques de caractérisation et de sélection d'attributs, ainsi qu'une technique de classification. Dans un contexte semi-supervisé, les méthodes de sélection d'attributs et de classification exploitent une petite quantité d'informations a priori donnée sous la forme de pixels prototypes ou de contraintes par paires, indiquant si deux pixels appartiennent à la même classe (must-link) ou non (cannot-link). L'apprentissage semi-supervisé sous contraintes suscite actuellement un vif intérêt car il permet de guider le processus de segmentation et d'améliorer ses performances sans nécessiter une grande base d'apprentissage comme dans le cas de l'apprentissage supervisé ou profond. C'est dans ce contexte semi-supervisé que nous proposons, dans cette thèse, une méthode de segmentation d'images couleur texturées qui combine à la fois la sélection d'attributs et la classification semi-supervisées sous contraintes. Elle consiste à caractériser chaque pixel de l'image par un ensemble d'attributs de texture couleur. Une nouvelle méthode de sélection d'attributs de type filtre, basée sur un score de contraintes, est développée afin de choisir les attributs les plus pertinents. Ce score offre l'avantage d'évaluer la pertinence d'un sous-ensemble d'attributs à la fois et de déterminer automatiquement le nombre optimal d'attributs. Ces attributs sont finalement utilisés pour regrouper l'ensemble des pixels en classes via la méthode de classification spectrale sous contraintes. Des tests expérimentaux nous ont permis, d'une part, de valider le score de contraintes proposé en le comparant à d'autres scores de contraintes sur plusieurs bases de données. D'autre part, les résultats de segmentation obtenus sur des bases d'images texturées couleur ou en niveaux de gris, naturelles ou artificielles, médicales ou satellitaires attestent que la méthode de segmentation proposée est plus performante que les méthodes classiques, qu'elles soient supervisées, semi-supervisées, ou non supervisées, et reste compétitive avec les méthodes par apprentissage profond, malgré le peu d'information de supervision.