Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

Université Sultan Moulay Slimane Ecole Nationale des Sciences Appliquées de Kho

Université Sultan Moulay Slimane Ecole Nationale des Sciences Appliquées de Khouribga Projet de fin d’études Pour l’obtention du diplôme Master Big Data et aide à la décision PRÉSENTÉ PAR : AKHSSASSI Sana Réseau Adversarial Génératif pour la Translation d’Image à image : application à la translation de contour-dessin réel Encadré par : Mr Noureddine ABOUTABIT Soutenu le 27 Juin 2022, Devant le jury composé de : Mr. ABOUTABIT Noureddine : ENSAK - Encadrant Mr. DARGHAM Abdelmajid : ENSAK - Rapporteur Mr. EL HADFI Youssef : ENSAK - Président et Examinateur Dédicaces : Je dédie ce travail : A mon cher père et ma chère mère, Votre confiance, votre soutien, votre amour et votre compréhension m’ont éclairé mon chemin et c’est grâce à vous que j’ai pu être la personne que je suis aujour- d’hui. A mon frère et mes sœurs, Aucune dédicace aussi parfaite ne pourra exprimer mon amour et ma gratitude envers vous... A ceux qui se dévouent sans cesse pour m’éclaircir la voie et les immenses horizons du savoir et dont la vocation mérite largement mon respect. A tous qui ont contribué de près ou du loin à l’élaboration de ce modeste travail. Remerciements : Il m’est agréable de m’acquitter d’une dette de reconnaissance auprès de toutes les personnes, dont l’intervention au cours de ce projet, a favorisé son aboutissement. Je souhaite tout d’abord exprimer ma profonde gratitude à Monsieur ABOUTABIT Noured- dine pour tout le temps qu’il m’a consacré, ses efforts, son soutien, ses instructions et précieuses directives qui ont permis le bon déroulement et la mise en œuvre de ce modeste travail. Je remercier aussi l’ensemble du corps professoral de l’ENSA Khouribga qui ont participé à ma formation sans aucun égoïsme et qui ont partagé avec moi leurs connaissances et leurs expé- riences Que les membres du jury Mr. EL HADFI Youssef et Mr. DARGHAM Abdelmajid trouvent ici l’expression de ma reconnaissance pour avoir accepté d’évaluer mon travail. Que tous ceux et celles qui ont contribué de près ou de loin à l’accomplissement de ce travail trouvent l’expression de mes remerciements les plus chaleureux. Résumé : Les réseaux adversaires génératifs ont trouvé un large éventail d’applications. L’une des appli- cations les plus importantes est la translation d’image à image, ce qui amène à faire une appli- cation pour la translation contour-réel visant à détecter les bords pour la segmentation d’images. Le processus de division d’une image numérique en régions ou en ensembles de pixels est ap- pelé segmentation d’image. Un bord est la limite entre deux régions homogènes. La détection des bords fait référence au processus d’identification et de localisation de discontinuités nettes dans une image. Dans ce travail, l’objectif principal est de comparer des méthodes de détection des contours standard largement utilisées dans le traitement d’images, telles que les détecteurs des contours de Canny et de Sobel, avec la méthode d’apprentissage automatique GAN expérimentées sur une grande ensemble de données de chaussures dans des situations d’images silencieuses et bruyantes, les résultats obtenus démontrent les performances bénéfiques du détecteur des contours proposé. Abstract : Generative adversarial networks have found a wide range of applications. One of the most im- portant applications is image-to-image translation, which leads to an application for contour-real translation aimed at detecting edges for image segmentation. The process of dividing a digital image into regions or sets of pixels is called image segmentation. An edge is the boundary between two homogeneous regions. Edge detection refers to the process of identifying and locating sharp discontinuities in an image. In this work, the main objective is to compare standard edge detec- tion methods widely used in image processing, such as the Canny and Sobel edge detectors, with the GAN machine learning method experimented on a large footwear dataset in silent and noisy image situations, the results obtained demonstrate the beneficial performance of the proposed edge detector. Table des matières Dédicaces I Remerciements II Résumé III Introduction générale 1 1 Contexte Générale 3 1.1 Traitement d’image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.3 Contour . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.3.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.3.2 Types de contours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.4 détection des contours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4.2 Utilité de détection de contour . . . . . . . . . . . . . . . . . . . . . . . . 7 1.4.3 Opérateurs de détection de contours . . . . . . . . . . . . . . . . . . . . . 8 1.5 Translation d’image à image utilisant GAN . . . . . . . . . . . . . . . . . . . . . 12 1.5.1 Le problème de la translation image à image . . . . . . . . . . . . . . . . 12 1.5.2 Introduction aux GANs . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.5.3 Types de GANs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.5.4 Applications de GANs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.5.5 GAN Pix2Pix pour la translation d’image à image . . . . . . . . . . . . . 18 2 Etat de l’art 20 2.1 Approche classique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.2 Approche fractionelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.3 Approche basé sur le modèle binaire local LBP . . . . . . . . . . . . . . . . . . . 23 2.4 Approche maching learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.5 Translation d’image à image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3 Méthodologie 27 3.1 GAN pour la détection de contour . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.1.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.1.2 Architecture utilisée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.1.3 Modèle de générateur U-Net . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.1.4 Modèle de discriminateur PatchGAN . . . . . . uploads/Geographie/ pfesana-akhssassi.pdf