| Titre : | Une nouvelle approche de segmentation des images couleur |
| Auteurs : | Hadjer Belhabouchia, Auteur ; Soumia Mohamed Djaouti, Directeur de thèse |
| Type de document : | texte manuscrit |
| Editeur : | Université mustapha stambouli de Mascara:Faculté des sciences exactes, 2023 |
| ISBN/ISSN/EAN : | SE02353T |
| Format : | 64P. / couv.ill. / 29cm |
| Accompagnement : | disque optique numérique (CD-ROM) |
| Langues: | Français |
| Résumé : |
Dans ce mémoire, nous nous sommes intéressés à la segmentation des images couleur basée sur une méthode améliorée d’un algorithme bio-inspiré qui est l'algorithme des lucioles. Les algorithmes bio-inspirés sont des algorithmes d’exploration robustes et convergent vers une solution satisfaisante, lorsque leurs paramètres (taille de la population, nombre d’itérations, coefficient d’absorbation,...) sont choisis d’une manière adéquate. Selon le problème à résoudre. Les algorithmes bio-inspirés ont fait leurs preuves concernant la résolution de certains problèmes d’optimisation complexes. Ils sont utilisés dans de nombreuses classes d'applications telles que la segmentation des images. L'algorithme des lucioles est une méthode d'optimisation bio-inspirée basée sur le comportement des lucioles. Il est utilisé pour rechercher les solutions optimales d'un problème donné. Cet algorithme présente beaucoup d’avantages comme il possède aussi des inconvénients. Dans notre travail, nous avons proposé une approche améliorée de cet algorithme pour la segmentation par classification des images couleur. La méthode proposée se déroule sur trois modifications pour éviter la convergence prématurée vers des minima locaux et pousser l’algorithme vers des zones prometteuses de solutions optimales. L’approche a été appliquée sur des images médicales réelles qui contiennent des maladies de la peau. Les expérimentations ont montré une supériorité dans la qualité des résultats en termes de mesure de performance. Comme perspectives, nous proposons l'hybridation de cette approche avec d'autres techniques d'optimisation locale ou d'apprentissage automatique et d’intégrer de nouvelles sources de données telles que le modèle numérique du terrain, les données radar, les textures, etc. |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| SE02353T | INF939 | Livre audio | Bibliothèque des Sciences Exactes | 7-Mémoires Master | Consultation sur place Exclu du prêt |
Aucun avis, veuillez vous identifier pour ajouter le vôtre !
Accueil
