| Titre : | Classification des images de documents |
| Auteurs : | Mohamed Salim Farhi, Auteur ; Sabrina Benameur, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2017 |
| Format : | 1 vol. (35 p.) / 30 cm |
| Langues: | Français |
| Mots-clés: | Images de documents,Indexation,Descripteur d’image,Classification,KNN |
| Résumé : |
Les développements actuels, en matière de technologie liée à l’information numérique, ont permis l’acquisition et le stockage d’une quantité importante d’information, ce qui a engendré la nécessité d'élaborer des systèmes permettant la gestion de ces données (plus particulièrement les bases de données images). La classification d’images par le contenu tente de répondre à ces besoins en se basant sur des caractéristiques de bas niveaux comme la couleur, la texture et la forme. C’est un domaine très actif dont les premières recherches s’étaient focalisées sur le stockage et l’étude des descripteurs pertinents pour la recherche et la classification L’architecture retenue dans ces systèmes repose sur le stockage des images dans un seul emplacement et la recherche se fait en balayant cet ensemble mais face à de grand volume de données cette architecture est devenue désuète. Actuellement, l'idée est d'utiliser une architecture à plusieurs classes où chaque classe contient un ensemble d’images similaires afin d’améliorer les performances en termes de qualité des résultats et du temps de réponse. Nous présentons dans ce travail une méthode de classification d’image de document par l’algorithme KNN (kppv), cette méthode est basée sur le calcul des descripteurs des images, ensuite classer les descripteurs dans un tableau. La méthode implémentée permet de faire une comparaison entre les descripteurs des classes de la base d’apprentissage et les descripteurs calculer de chaque image à classer. En appliquant le principe de la méthode KNN nous avons tout d’abord trié les k plus proche voisin ensuite choisir la classe majoritaire. |
| Sommaire : |
Liste des figures Liste des tableaux Travaux antérieurs Introduction générale…………………………………………………………….…. 1 Chapitre 1 :La dématérialisation de documents 1 Introduction…………………….…………………………………….…….3 2.Dématérialisation………………….…………………………………….…3 3 Principe: . . . . …………………………….………………………………3 4.Les scanners………………………………………………………………………..5 5.Gestion et analyse du contenu des documents ……………………………………5 6.Étapes d’analyse du contenu………………………………………………………6 6.1/ Constitution:…………………………………….…………….……6 6.2/ Lecture……………………………………………………………...6 6.3/ Classification:……………………………………………………….6 6.4/ Interprétation……………………………………………………….6 7 Terminologie : image, document, feuille, page ……………………………..….…6 8.Dégradations dans les images de documents…………………………..……..……7 9.Exemples d’applications à dimension industrielle …………………………………7 9.1 Le traitement de courriers ……………………………………………..8 9.2 Machine de traitement du courier………………………………………8 9.3La classification de factures ……………………………………………8 Conclusion………………………………………………………………………………9 Chapitre 2 : Classification des images 1 Introduction…………………………………………………….…10 2 Classification ………………………………………………………….10 3 Classification des images…………………………………………….…11 3.1 La classification supervisée………………………………….……11 3.2 La classification non supervisée…………………………….…….12 3.3 paramétriques……………………………………………….……..12 3.4 non-paramétriques………………………….……………………..12 4 Méthodes de classification 4.1 La méthode K-means…………………………….……………….…12 4.2 la methode SVM……………………………………………..…..….12 4.3 Méthode des k plus proches voisins (kpp)……………………………13 4.4 Réseaux de neurones………………………………………………….13 4.5 Les réseaux bayésiens ………………………………………………..14 5 Étude comparative…………………………………………………………….14 6 classification des images de documents: 6.1 Analyse d’images de documents ………………..…………….………..16 6.2 Indexation d’images de documents……………………………………..16 6.3 Analyse et reconnaissance du contenu des documents …………………16 6.4 Détection et description de points d’intérêt ……………………………..16 7: La méthode de classification KPPv (KNN)………………………..…………17 7.1 : Algorithme des K-ppv……………………………………..…………..17 7.2 : Quelle distance…………………………………………..…………….17 7.3 : Principe…………………………………………………..……………18 8 : Avantages et inconvénients: 8.1 : Avantages………………………………………………………………19 8.2 :inconvénients:………………………………………………..…………19 9 Algorithme des K-plus proches voisins………………………………….……20 Conclusion ………………………………………………………….…………..21 Chapitre 3 : Conception et Implémentation 1 Introduction …………………………………………………………………………23 2.Conception globale…………………………………………………………………..23 3.Conception détaillée ………………………………………………………………….25 3.1 Initialisation de la classe …………………………………………………..25 3.2 Calcul de descripteur …….. ……………………………………………25 3.3 Module de classification …………………………………………..……..25 4 Implémentation …………………………………………………………………….26 4.1 Environnement du travail …………………………………………….…………..26 4.2 Le langage de programmation …………………………………………….……..26 4.3 Détails de l'implémentation ……………………………………………………...27 4.3.1 La structure de données (initialisation)………………………………..27 4.3.2 Algorithme général. ……………………………………………...…..27 4.3.3 Algorithme classification ……………………………………………28 4.3.4 Découpage de l’image………..…………………………………........28 4.3.5 Le calcule de descripteur ……………………………………………29 4.3.6 Calcul de distance ……………………………………………………29 5 Description et résultats de notre système 5.1 Description de l’interface……………………………………….30 7.2 Exemple de classification d’image…………..…………………31 Conclusion …………………………………………………………………………34 Conclusion Générale ……………………………………………………………….35 Bibliographipe |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/275 | Mémoire master | bibliothèque sciences exactes | Consultable |
