Browsing by Author "BOUCHEHAM ,Bachir"

Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    Classification d’Images dans le contexte de l’Image Mining : Une étude comparative selon plusieurs critères
    (Faculté des Sciences, 2024) HARBI ,Wissal; NEDJAR ,Soumaya; BOUCHEHAM ,Bachir
    Ce mémoire explore la tâche de classification de l’image dans le cadre de l’image mining. Cette dernière est un sous domaine du data mining. En effet, le Data mining se présente sous 3 formes : Le mining des données structurées, le mining du multimédia et enfin le Big Data. Le data mining (en français : fouille de données), est un processus d’extraction de connaissances utiles à partir de grandes quantités de données. Il vise à identifier des patterns, des tendances et des anomalies dans les données pour prendre des décisions éclairées. Dans le détail, il existe plusieurs types de Data mining : Le mining des données structurées dans les bases de données, le Mining du multimédia qui rassemble : Le mining de la vidéo, le mining du texte, le mining de l’audio, le mining du web, le mining des réseaux sociaux, le mining des times series, l’image mining et enfin, le Big Data. Les objectifs essentiels de ce mémoire sont axés autour des concepts suivants : Image Mining : L’Image Mining, ou fouille de l’image, est un domaine du Data Mining qui s’intéresse à l’analyse et à l’extraction de connaissances à partir d’images numériques. Il utilise des techniques de traitement d’image, de caractérisation des images, des techniques d’appariement des images et d’apprentissage automatique pour identifier des objets, des textures, des formes et des relations spatiales dans les images. Classification de l’image : La classification de l’image est une tâche fondamentale de l’Image Mining qui consiste à assigner une classe ou une étiquette à une image donnée parmi un ensemble de classes prédéfinies. Cette tâche est réalisée grâce à un classifieur. Elle est utilisée dans de nombreuses applications, telles que la reconnaissance d’objets, la détection d’anomalies, la recherche d’images par le contenu et l’analyse médicale basée image. Techniques de classification d’images : Il existe de nombreuses techniques de classification d’images, chacune avec ses propres avantages et inconvénients. Parmi les techniques les plus populaires, nous avons : les ré- 2 seaux de neurones artificiels, les arbres de décision, les Support Vector Machines (SVM) et pour finiK-Nearest Neighborr, le classifieur K-Nearest Neighbors (KNN) qui classe une image x en fonction de la classe des k images les plus proches d’elle dans l’espace des caractéristiques. Étude comparative des classifieurs d’images : L’étude comparative, réalisée dans le cadre de ce mémoire, analyse les performances de plusieurs classifieurs (17 classifieurs) d’images populaires sur différentes organisations des deux dataset utilisées Kimia (base médicale) et Wang (base générale), en utilisant différentes distances, différents espaces de couleur, différents descripteurs de l’image pour le classifieur KNN (K-Nearest Neighbor). Nous avons également utilisé un classifieur qui relève du Deep Learning (Les réseaux de neurones convolutifs : CNN). Les résultats essentiels tirés de cette étude sont : 1. Nous avons constaté que tous les paramètres utilisés ont une influence sur les résultats obtenus sur les deux Dataset : la distance, l’espace de couleur, L’attributs, le classifieur et arrangement des datasets utilsées. 2. Les résultats obtenus montrent que Les CNN sont beaucoup plus efficaces dans le cas d’images riches en concepts (base Wang) que dans les images pauvres en concepts (base Kimia). 3. Certaines images se prêtent beaucoup plus facilement à être classifiées que certaines sur la base de leur richesse et leur pauvreté en concepts.
  • Thumbnail Image
    Item
    Image Classification as an Image Mining Task : A Machine Learning Approach
    (Faculty of Sciences, 2025) KIFADJI ,Taissir El Amel; BOUCHEHAM ,Bachir
    In today’s digital world, the volume of data textual, visual, and audio has increased exponentially, significantly transforming the way information is processed and analyzed across domains. This massive growth has driven researchers to explore advanced methods for extracting useful knowledge, giving rise to the field of Data Mining. Initially focused on structured data from relational databases, data mining has evolved to handle complex data types such as images, videos, and data from social networks, ushering in the Big Data era. Big Data is characterized by five key properties: volume, variety, velocity, veracity, and value each requiring tailored techniques for effective processing. This thesis focuses on image classification, a core task within the specialized field of Image Mining, which itself extends traditional data mining techniques to visual content. Image mining involves extracting meaningful patterns from large image collections by analyzing their visual characteristics and semantic content. These patterns can then be used for various tasks, such as classification, similarity detection, and anomaly identification. To address the image classification problem, this research explores two primary approaches: • Machine learning, using classifiers such as K-Nearest Neighbors (KNN), Support Vector Machines (SVM), Naive Bayes, Decision Trees, and Random Forests. • Deep learning, particularly Convolutional Neural Networks (CNNs), which automatically learn hierarchical representations from image data. A comparative study was conducted using two datasets with distinct characteristics: • Corel-1K, a general-purpose dataset of 1,000 images grouped into 10 semantic categories, • KimiaPath960, a medical dataset composed of digital pathology images. The experiments tested the performance of the classifiers in terms of accuracy and execution time using five feature extraction techniques: Local Binary Patterns (LBP), Haralick descriptors, HSV histograms, Color Moments, and Fourier Descriptors. The key findings are: 1. The choice of classifier, feature type, color space, and dataset structure all significantly influence classification performance. 4 2. CNNs were more effective on semantically rich images (Corel-1K) than on semantically poor ones (KimiaPath960). 3. Certain images are inherently easier to classify due to the richness or simplicity of their visual and semantic content. This research contributes to a deeper understanding of how intelligent systems can extract and classify visual data effectively using both classical and deep learning-based techniques.
  • Thumbnail Image
    Item
    Recherche de l'Image par le Contenu Visuel : Une Approche par Apprentissage Profond (CNN)
    (Faculté des Sciences, 2022) Bourzam, Nassim; Bougdah, IssamEddine; BOUCHEHAM ,Bachir
    Avec l'avènement des endoscopes médicaux, des satellites d'observation de la Terre et des téléphones personnels, la recherche d'images basée sur le contenu (CBIR) a attiré une attention considérable, déclenchée par sa large application, par exemple, l'analyse d'images médicales, la télédétection et la ré-identification de personnes. Cependant, la construction d'une extraction de caractéristiques efficace est toujours reconnue comme un problème difficile. Dans le deepn learning pour la recherche de l’image par le contenu, l’utilisation de ces techniques ont permis des progrès significatifs dans les domaines de traitement d'images pertinentes avec des résultats généralement pas toujours satisfaisants aux attentes des utilisateurs. Pour s'attaquer à cette problématique, nous proposons des solutions basées sur la VGG-16, cette méthode tentant de modéliser des données avec architectures complexes combinant différentes transformations non linéaires. Le VGG-16 est un réseau neuronal convolutif et également connu sous le nom de ConvNet, qui est une sorte de réseau neuronal artificiel utilisé comme algorithme pour mesurer le contraste de détection et de classification d'objets locaux d'une image. Il fut proposé par Karen Simonyan et Andrew Zisserman du Visual Géométrie Groupe Lab de l'Université d'Oxford en 2014, et a connu des succès notables dans divers domaines d’imagerie. Suite à celà, les créateurs de ce modèle ont évalué les réseaux et augmenté la profondeur en utilisant une architecture avec de très petits filtres de convolution (3 × 3), ce qui a montré une amélioration significative par rapport aux configurations de l'art antérieur. Ils ont poussé la profondeur à 16-19 couches de poids, ce qui en fait environ - 138 paramètres entraînables. VGG est basé sur la notion d'un réseau beaucoup plus profond avec des filtres plus petits. Aussi, VGG 16 est une architecture à 16 couches avec des couches convolutifs, une couche de regroupement, quelques couches convolutionnelles supplémentaires, une couche de regroupement, plusieurs couches de conversion supplémentaires, etc... Le résultat final est obtenu par VGG-16 sur la base Corel-10K. Nous comptons aussi étendre nos prospections de mesures de distance et mesures de similarité, montrent que le descripteur proposé est efficace, robuste et pratique en termes d'application CBIR