Extraction des caractéristiquesdiscriminantes basées sur LBP pour laclassification des textures
Des informations générales:
Le niveau |
MASTER |
Titre |
Extraction des caractéristiquesdiscriminantes basées sur LBP pour laclassification des textures |
SPECIALITE |
Génie informatique |
Page de garde:
Sommaire:
CHAPITRE 1
1.1 INTRODUCTION.
1.2 DEFINITIONS PRELIMINAIRES
1.2.1 Notion d’image
1.2.1.1 Définition d’une image
1.2.1.2 Images en niveaux de gris.
1.2.1.3 Images en couleur
1.2.1.4 Images de dentelle
1.2.2 Caractéristiques d’une image
1.2.2.1 Pixels
1.2.2.2 Dimension
1.2.2.3 Résolution.
1.2.2.4 Bruit
1.2.2.5 Histogramme.
1.2.2.6 Modes colorimétriques
1.2.3 Prétraitement d’une image
1.2.3.1 Génération des caractéristiques
1.2.3.2 Normalisation des données
1.2.3.3 Fusion d’information
1.3 NOTION DE TEXTURE
1.3.1 Définition de texture.
1.3.1.1 Familles de texture.
1.3.1.2 CONCLUSION
CHAPITRE 2
2.1 INTRODUCTION
2.2 SYSTEMES DE RECONNAISSANCE DE FORME
2.2.1 Extraction des caractéristiques
2.2.2 Descripteurs de texture
2.2.3 Méthodes d’extraction des caractéristiques.
2.2.3.1 Motif binaire local ‘LBP’
2.2.3.2 Histogramme de gradient orienté ‘HOG’
2.3 CLASSIFICATION AUTOMATIQUE
2.3.1 Classification supervisée.
2.3.1.1 Séparateurs à vaste marge ‘SVM’
2.3.1.2 K-plus proche voisins ‘k-NN’
2.3.1.3 Réseaux bayésiens naïf
2.3.1.4 Réseaux de neurones.
2.3.1.5 Arbre de décision
2.3.1.6 Apprentissage en profondeur.
2.3.2 Classification non supervisée
2.3.2.1 K-means
2.4CONCLUSION.
CHAPITRE 3.
3.1 INTRODUCTION.
3.2 ENVIRONNEMENTS DE TRAVAIL.
3.2.1 Environnement PyCharm
3.2.2 Environnement Pythone.
3.2.3 Environnement Qt designer
3.3 METHODE PROPOSEE POUR LA CLASSIFICATION DES TEXTURES
3.3.1 Descripteur LBP
3.3.2 Descripteur LCV
3.3.3 Corrélation.
3.3.3.1 Le descripteur LCV.
3.3.3.2 Algorithme LCV
3.4 EXPERIENCE ET RESULTATS
3.4.1 Base de données
3.4.2 Résultats obtenus.
3.5 CONCLUSION.
1.1 INTRODUCTION.
1.2 DEFINITIONS PRELIMINAIRES
1.2.1 Notion d’image
1.2.1.1 Définition d’une image
1.2.1.2 Images en niveaux de gris.
1.2.1.3 Images en couleur
1.2.1.4 Images de dentelle
1.2.2 Caractéristiques d’une image
1.2.2.1 Pixels
1.2.2.2 Dimension
1.2.2.3 Résolution.
1.2.2.4 Bruit
1.2.2.5 Histogramme.
1.2.2.6 Modes colorimétriques
1.2.3 Prétraitement d’une image
1.2.3.1 Génération des caractéristiques
1.2.3.2 Normalisation des données
1.2.3.3 Fusion d’information
1.3 NOTION DE TEXTURE
1.3.1 Définition de texture.
1.3.1.1 Familles de texture.
1.3.1.2 CONCLUSION
CHAPITRE 2
2.1 INTRODUCTION
2.2 SYSTEMES DE RECONNAISSANCE DE FORME
2.2.1 Extraction des caractéristiques
2.2.2 Descripteurs de texture
2.2.3 Méthodes d’extraction des caractéristiques.
2.2.3.1 Motif binaire local ‘LBP’
2.2.3.2 Histogramme de gradient orienté ‘HOG’
2.3 CLASSIFICATION AUTOMATIQUE
2.3.1 Classification supervisée.
2.3.1.1 Séparateurs à vaste marge ‘SVM’
2.3.1.2 K-plus proche voisins ‘k-NN’
2.3.1.3 Réseaux bayésiens naïf
2.3.1.4 Réseaux de neurones.
2.3.1.5 Arbre de décision
2.3.1.6 Apprentissage en profondeur.
2.3.2 Classification non supervisée
2.3.2.1 K-means
2.4CONCLUSION.
CHAPITRE 3.
3.1 INTRODUCTION.
3.2 ENVIRONNEMENTS DE TRAVAIL.
3.2.1 Environnement PyCharm
3.2.2 Environnement Pythone.
3.2.3 Environnement Qt designer
3.3 METHODE PROPOSEE POUR LA CLASSIFICATION DES TEXTURES
3.3.1 Descripteur LBP
3.3.2 Descripteur LCV
3.3.3 Corrélation.
3.3.3.1 Le descripteur LCV.
3.3.3.2 Algorithme LCV
3.4 EXPERIENCE ET RESULTATS
3.4.1 Base de données
3.4.2 Résultats obtenus.
3.5 CONCLUSION.
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.