Contributions à l'étude de la classification spectrale et applications

More documents

Recommendations

Info

114 Parallélisation de la classification spectrale Images Arthus1 Arthus1 Arthus1 Arthus2 Arthus2 Arthus2 nblimit 100 200 500 100 200 500 Nb Λ ≤ 10 255 706 3549 445 1161 4751 Nb 10 < Λ ≤ 10 2 550 1527 3716 455 1187 2760 Nb 10 2 < Λ ≤ 10 3 263 236 94 122 138 50 Nb 10 3 < Λ ≤ 10 4 4 6 6 4 3 7 Nb Λ > 10 4 1 1 0 1 3 0 Table 3.5 – Nombres de clusters suivant leur cardinal suivant leur cardinal peut être évalué. Pour nblimit = 50, 88 clusters avaient entre 10 et 100 points et 2 clusters comprenaient plus de 10 5 points, à savoir 136050 et 11671 points. Pour nblimit = 200, 1290 clusters ont entre 10 et 100 points et 2 clusters comprennent plus de 10 4 points, c’est-à-dire 22835 et 11176 points. En augmentant le nombre de clusters limite, le nombre de clusters final a augmenté et la restitution de l’image s’est affinée. Une étude doit être menée afin de déterminer une limite entre la compression des éléments essentiels d’une image et la restitution complète d’une image. De plus, l’influence de l’information géométrique doit être étudiée en particulier d’un point de vue théorique. 3.4.2 Boîte affinité 5D rectangulaire La même démarche que pour les images en niveaux de gris est adoptée pour les images couleurs. L’approche boîte 5D rectangulaire consiste donc à définir l’affinité entre deux pixels i et j par l’équation 1.1 où les données xi ∈ R 5 regroupant les coordonnées géométriques et les niveaux de couleurs en Rouge, Vert et Bleu. Deux photos de Yann Arthus Bertrand balayant différentes couleurs sont testées et représentées sur les figures 3.24 et 3.23 : – La première, de taille 407 × 316 pixels, représentée sur la figure 3.23 gauche, est un paysage de champs colorés près de Sarraud dans le Vaucluse. L’image contient donc des découpes géométriques mais aussi des arbres et des ombres qui joignent les différentes champs. – La seconde, de taille 480 × 323 pixels, représente le Geyser du grand Prismatic, dans le parc national de Yellowstone dans le Wyoming aux Etats-Unis. Cette photo présente sur la figure 3.24 gauche est complexe car de nombreux dégradés de couleurs sont présents et les formes de ce bassin thermal s’apparentent à celles d’un soleil donc de géométrie complexe. A nouveau, pour visualiser l’évolution des résultats du spectral clustering en fonction de nblimit, le résultat du spectral clustering est affiché sur la droite des figures 3.23 et 3.24 pour des valeurs de nblimit successivement égales à 100, 200 et 500. On constate qu’un peu moins de 7500 clusters sont nécessaires pour discerner des zones aux couleurs voire à la géométrie complexes. Le tableau3.5 indique le nombre de clusters Λ suivant leur cardinal et suivant la valeur du nblimit pour les 2 photos. A nouveau, on observe que plus nblimit augmente, plus les clusters comportant un très ensemble de données se décompose en clusters de cardinal plus petit. Ainsi l’image reste potentiellement compressible puisqu’elle réduit 256 3 couleurs en 7500 couleurs localisées. Concernant la performance de la stratégie parallèle avec recouvrement, l’augmentation du nblimit influe sur la durée totale de la méthode. Pour nblimit = 100, le temps total pour les figures 3.23 et 3.24 est respectivement égal à 2264.7s et 1405.53s. Pour nblimit = 500, ces temps sont égaux
3.4.2 Boîte affinité 5D rectangulaire 115 (a) nblimit=50 (b) nblimit=100 (c) nblimit=200 Figure 3.22 – Test sur un exemple de mahua
Page 1:
Institut National Polytechnique de
Page 4 and 5:
ii TABLE DES MATIÈRES 2.5.1 Expér
Page 7 and 8:
Table des figures 1.1 Illustration
Page 9:
TABLE DES FIGURES vii 4.8 Etude ave
Page 13 and 14:
Remerciements Je tiens tout d’abo
Page 15 and 16:
Introduction Les domaines des biolo
Page 17 and 18:
adéquates dans un cadre non superv
Page 19 and 20:
Chapitre 1 : Classification spectra
Page 21 and 22:
Chapitre 1 Classification spectrale
Page 23 and 24:
1.1.1 Algorithme de classification
Page 25 and 26:
1.1.2 Problème du choix du paramè
Page 27 and 28:
1.1.2 Problème du choix du paramè
Page 29 and 30:
1.2.2 Cas d’une distribution isot
Page 31 and 32:
1.3 Validations numériques 19 1.3
Page 33 and 34:
1.3.1 Mesures de qualité 21 (a) Sm
Page 35 and 36:
Page 37 and 38:
Page 39 and 40:
1.4 Méthodes de classification spe
Page 41 and 42:
1.4.2 Traitement d’images 29 une
Page 43 and 44:
1.4.2 Traitement d’images 31 (a)
Page 45 and 46:
Chapitre 2 Classification et élém
Page 47 and 48:
2.2 Présentation du résultat prin
Page 49 and 50:
Page 51 and 52:
Page 53 and 54:
2.3 Propriétés de classification
Page 55 and 56:
2.3.2 Classification via l’opéra
Page 57 and 58:
Page 59 and 60:
Page 61 and 62:
Page 63 and 64:
Page 65 and 66:
2.4.1 Eléments finis de Lagrange 5
Page 67 and 68:
2.4.2 Interprétation des élément
Page 69 and 70:
2.4.3 Propriété de classification
Page 71 and 72:
2.4.3 Propriété de classification
Page 73 and 74:
2.4.4 Condensation de masse 61 Le t
Page 75 and 76: 2.4.4 Condensation de masse 63 Eval
Page 77 and 78: 2.4.4 Condensation de masse 65 (a)
Page 79 and 80: 2.5.1 Expérimentations numériques
Page 81 and 82: 2.5.2 Choix du paramètre gaussien
Page 87 and 88: 2.5.3 Passage du discret au continu
Page 89 and 90: 2.5.4 Etape de normalisation 77 d
Page 91 and 92: 2.5.5 Cas limites de validité de l
Page 93: 2.5.5 Cas limites de validité de l
Page 96 and 97: 84 Parallélisation de la classific
Page 112 and 113: 100 Parallélisation de la classifi
Page 132 and 133: 120 Extraction de connaissances app
Page 167 and 168: Conclusion et perspectives Dans ce
Page 169 and 170: 4.9.4 Comparaison avec la méthode
Page 171 and 172: Bibliographie [1] P.D. Acton, L.S.
Page 173 and 174: BIBLIOGRAPHIE 161 [37] M. Ester, H.
Page 175 and 176: BIBLIOGRAPHIE 163 [75] R. Maroy, R.
Page 177:
BIBLIOGRAPHIE 165 [114] L. Yen, D.
show all

Contributions à l'étude de la classification spectrale et applications

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?