Département d'Automatique

Permanent URI for this collection

https://dspace.ummto.dz/handle/ummto/15

Browse

Browsing Département d'Automatique by Subject "Classification spectrale sous contraintes"

Now showing 1 - 1 of 1
  • Thumbnail Image
    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 Abderezak
    Les 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.