Clustering par K-means, segmentation d'image - Historique des versions

Paul Aubry : /* Algorithme pour l'image */

2021-05-13T14:53:22Z

Algorithme pour l'image

← Version précédente		Version du 13 mai 2021 à 14:53
Ligne 34 :		Ligne 34 :

	On réitère les actions vus précédemment mais cette fois-ci avec les nouveaux centres.		On réitère les actions vus précédemment mais cette fois-ci avec les nouveaux centres.

	Dès que l'on obtient des centres "stable", on peut modifier l'image.		Dès que l'on obtient des centres "stable", on peut modifier l'image.
	</td>		</td>

Paul Aubry : /* Algorithme pour l'image */

2021-05-13T14:49:18Z

Algorithme pour l'image

← Version précédente		Version du 13 mai 2021 à 14:49
Ligne 16 :		Ligne 16 :
	= Algorithme pour l'image=		= Algorithme pour l'image=

			<table>
⚫	[[Fichier:algorigramme.png\|vignette\|right\|Algorigramme du Clustering par K-means]]
			<tr>

			<td>
	Nous allons voir ici, comment procéder de manière théorique, pour réaliser un clustering.		Nous allons voir ici, comment procéder de manière théorique, pour réaliser un clustering.
	Tout d'abord, nous devons choisir '''k''' points aléatoirement, qui seront les centroïdes, et un coefficient '''λ''' qui nous permettra de calculer les distances.		Tout d'abord, nous devons choisir '''k''' points aléatoirement, qui seront les centroïdes, et un coefficient '''λ''' qui nous permettra de calculer les distances.
Ligne 34 :		Ligne 35 :
	On réitère les actions vus précédemment mais cette fois-ci avec les nouveaux centres.		On réitère les actions vus précédemment mais cette fois-ci avec les nouveaux centres.
	Dès que l'on obtient des centres "stable", on peut modifier l'image.		Dès que l'on obtient des centres "stable", on peut modifier l'image.
			</td>

		⚫	<td>[[Fichier:algorigramme.png\|vignette\|right\|Algorigramme du Clustering par K-means]]</td>
			</tr>
			</table>

	= Réalisation grâce à Python =		= Réalisation grâce à Python =

Paul Aubry : /* Algorithme pour l'image */

2021-05-13T14:46:51Z

Algorithme pour l'image

← Version précédente		Version du 13 mai 2021 à 14:46
Ligne 19 :		Ligne 19 :

	Nous allons voir ici, comment procéder de manière théorique, pour réaliser un clustering.		Nous allons voir ici, comment procéder de manière théorique, pour réaliser un clustering.
	Tout d'abord, nous devons choisir '''k''' points aléatoirement, qui seront les centroïdes, et un coefficient '''λ''' qui nous permettra de calculer les distances.~~<br>~~		Tout d'abord, nous devons choisir '''k''' points aléatoirement, qui seront les centroïdes, et un coefficient '''λ''' qui nous permettra de calculer les distances.
⚫	Ensuite, nous allons affecter chaque point de l'image à un cluster. Pour cela, il faut calculer la distance entre le point, et chaque k. La distance la plus courte nous permettra de déterminer quel cluster choisir.~~<br>~~

		⚫	Ensuite, nous allons affecter chaque point de l'image à un cluster. Pour cela, il faut calculer la distance entre le point, et chaque k. La distance la plus courte nous permettra de déterminer quel cluster choisir.
⚫	Un point est représenté de la manière suivante : [ x , y , r , g , b ] .~~<br>~~

		⚫	Un point est représenté de la manière suivante : [ x , y , r , g , b ] .
	Avec x et y les coordonnées et r, g, b les composantes de couleurs.		Avec x et y les coordonnées et r, g, b les composantes de couleurs.

Ligne 29 :		Ligne 30 :
	<math>d = \lambda (x_1 - x_2)^2 + \lambda (y_1 - y_2)^2 + (r_1 - r_2)^2 + (g_1 - g_2)^2 + (b_1 - b_2)^2 </math>		<math>d = \lambda (x_1 - x_2)^2 + \lambda (y_1 - y_2)^2 + (r_1 - r_2)^2 + (g_1 - g_2)^2 + (b_1 - b_2)^2 </math>

	Lorsque les clusters sont définis, on calcul la moyenne de chaque cluster, afin de récupérer de nouveaux centres.~~<br>~~		Lorsque les clusters sont définis, on calcul la moyenne de chaque cluster, afin de récupérer de nouveaux centres.

	On réitère les actions vus précédemment mais cette fois-ci avec les nouveaux centres.~~<br>~~		On réitère les actions vus précédemment mais cette fois-ci avec les nouveaux centres.
	Dès que l'on obtient des centres "stable", on peut modifier l'image.~~<br>~~		Dès que l'on obtient des centres "stable", on peut modifier l'image.

	= Réalisation grâce à Python =		= Réalisation grâce à Python =

Paul Aubry : /* Introduction : Clustering par k-means */

2021-05-13T14:46:12Z

Introduction : Clustering par k-means

← Version précédente		Version du 13 mai 2021 à 14:46
Ligne 8 :		Ligne 8 :
	= Introduction : Clustering par k-means =		= Introduction : Clustering par k-means =

	Le clustering ou algorithme des k moyennes a pour but de regrouper des populations en communautés disposant de critères communs proches, jusqu'à avoir des communautés homogènes qu'on appellera cluster et qui ont pour représentant un centroïde.~~<br>~~		Le clustering ou algorithme des k moyennes a pour but de regrouper des populations en communautés disposant de critères communs proches, jusqu'à avoir des communautés homogènes qu'on appellera cluster et qui ont pour représentant un centroïde.

	Pour déterminer ces clusters, on regroupera les différents éléments en fonction d'une distance. Cette notion de distance est différente en fonction des domaines d'applications.~~<br>~~		Pour déterminer ces clusters, on regroupera les différents éléments en fonction d'une distance. Cette notion de distance est différente en fonction des domaines d'applications.
⚫	Le clustering par k-means peut être utilisé pour faire de la segmentation de clientèle, du clustering en Data Mining ou encore sur des images.~~<br>~~

		⚫	Le clustering par k-means peut être utilisé pour faire de la segmentation de clientèle, du clustering en Data Mining ou encore sur des images.

	= Algorithme pour l'image=		= Algorithme pour l'image=

Paul Aubry : /* Réalisation grâce à Python */

2021-05-13T14:45:49Z

Réalisation grâce à Python

@@ Ligne 77 : / Ligne 77 : @@
     image.close()
 </pre>
 = Résultats =

Paul Aubry : /* Résultats */

2021-05-13T14:27:30Z

Résultats

← Version précédente		Version du 13 mai 2021 à 14:27
Ligne 92 :		Ligne 92 :

	<tr>		<tr>
	<td>Quand le coefficient est égale à zéro, le traitement se fait juste sur les couleurs de l'image.</td>		<td>Quand le coefficient est égale à zéro, le traitement se fait juste sur les couleurs de l'image. Le programme fait une moyenne des couleurs.</td>
	<td>[[Fichier: 16-0Kowloon-small-329x216.png\|vignette\|right\|Image modifiée : k=16, coeff = 0 ]]</td>		<td>[[Fichier: 16-0Kowloon-small-329x216.png\|vignette\|right\|Image modifiée : k=16, coeff = 0 ]]</td>
	</tr>		</tr>

Paul Aubry : /* Résultats */

2021-05-13T14:26:30Z

Résultats

← Version précédente		Version du 13 mai 2021 à 14:26
Ligne 87 :		Ligne 87 :

	<tr>		<tr>
	<td>J'ai pu obtenir ces résultats après deux minutes environ. On constate que les détails sont les mêmes, et on obtient des couleurs différentes. Plus le coefficient est petit, plus l'image est sombre~~. Quand le coefficient est égale à zéro, le traitement se fait juste sur les couleurs de l'image~~.</td>		<td>J'ai pu obtenir ces résultats après deux minutes environ. On constate que les détails sont les mêmes, et on obtient des couleurs différentes. Plus le coefficient est petit, plus l'image est sombre.</td>
	<td>[[Fichier: 10-0.7Kowloon-small-329x216.png\|vignette\|right\|Image modifiée : k=10, coeff = 0,7 ]]</td>		<td>[[Fichier: 10-0.7Kowloon-small-329x216.png\|vignette\|right\|Image modifiée : k=10, coeff = 0,7 ]]</td>
	</tr>		</tr>

	<tr>		<tr>
			<td>Quand le coefficient est égale à zéro, le traitement se fait juste sur les couleurs de l'image.</td>
	<td></td>
	<td>[[Fichier: 16-0Kowloon-small-329x216.png\|vignette\|right\|Image modifiée : k=16, coeff = 0 ]]</td>		<td>[[Fichier: 16-0Kowloon-small-329x216.png\|vignette\|right\|Image modifiée : k=16, coeff = 0 ]]</td>
	</tr>		</tr>

Paul Aubry : /* Résultats */

2021-05-13T14:25:51Z

Résultats

← Version précédente		Version du 13 mai 2021 à 14:25
Ligne 87 :		Ligne 87 :

	<tr>		<tr>
			<td>J'ai pu obtenir ces résultats après deux minutes environ. On constate que les détails sont les mêmes, et on obtient des couleurs différentes. Plus le coefficient est petit, plus l'image est sombre. Quand le coefficient est égale à zéro, le traitement se fait juste sur les couleurs de l'image.</td>
	<td></td>
	<td>[[Fichier: 10-0.7Kowloon-small-329x216.png\|vignette\|right\|Image modifiée : k=10, coeff = 0,7 ]]</td>		<td>[[Fichier: 10-0.7Kowloon-small-329x216.png\|vignette\|right\|Image modifiée : k=10, coeff = 0,7 ]]</td>
	</tr>		</tr>

Paul Aubry : /* Résultats */

2021-05-13T14:19:23Z

Résultats

← Version précédente		Version du 13 mai 2021 à 14:19
Ligne 104 :		Ligne 104 :
	</tr>		</tr>
	</table>		</table>

			Pour une image de cette taille, une heure de traitement a été nécessaire. On remarque que les formes principales sont les mêmes, ainsi que les couleurs. Au niveau du ciel et du lac, on peut apercevoir que l'image a été traitée.

Paul Aubry : /* Résultats */

2021-05-13T14:09:36Z

Résultats

← Version précédente		Version du 13 mai 2021 à 14:09
Ligne 87 :		Ligne 87 :

	<tr>		<tr>
			<td></td>
	<td>[[Fichier: 10-0.7Kowloon-small-329x216.png\|vignette\|right\|Image modifiée : k=10, coeff = 0,7 ]]</td>		<td>[[Fichier: 10-0.7Kowloon-small-329x216.png\|vignette\|right\|Image modifiée : k=10, coeff = 0,7 ]]</td>
			</tr>

			<tr>
			<td></td>
	<td>[[Fichier: 16-0Kowloon-small-329x216.png\|vignette\|right\|Image modifiée : k=16, coeff = 0 ]]</td>		<td>[[Fichier: 16-0Kowloon-small-329x216.png\|vignette\|right\|Image modifiée : k=16, coeff = 0 ]]</td>
	</tr>		</tr>
	</table>		</table>


	<table>		<table>

Clustering par K-means, segmentation d'image - Historique des versions

Paul Aubry : /* Algorithme pour l'image */

Paul Aubry : /* Algorithme pour l'image */

Paul Aubry : /* Algorithme pour l'image */

Paul Aubry : /* Introduction : Clustering par k-means */

Paul Aubry : /* Réalisation grâce à Python */

Paul Aubry : /* Résultats */

Paul Aubry : /* Résultats */

Paul Aubry : /* Résultats */

Paul Aubry : /* Résultats */

Paul Aubry : /* Résultats */

Paul Aubry : /* Algorithme pour l'image */

Paul Aubry : /* Algorithme pour l'image */

Paul Aubry : /* Algorithme pour l'image */

Paul Aubry : /* Introduction : Clustering par k-means */

Paul Aubry : /* Réalisation grâce à Python */

Paul Aubry : /* Résultats */

Paul Aubry : /* Résultats */

Paul Aubry : /* Résultats */

Paul Aubry : /* Résultats */

Paul Aubry : /* Résultats */