TP - Décision bayésienne

Auteur

Objectifs

L’objectif de ce TP est de programmer la décision bayésienne dans le cas de données indépendantes pour segmenter une image.

Table des matières

Introduction

Téléchargez et décompressez le fichier zip disponible en suivant ce lien. Vous disposez ainsi de 2 fichiers Python et 2 répertoires, formant le squelette du programme :

  • Le répertoire sources contient des images N&B pour les tests (lapin et cible).
  • Le répertoire results est vide ; il sera rempli par les résultats générés par vos algorithmes.
  • Le programme principal du TP : LabSession_BayDec.py.
  • Le fichier func.py contient les fonctions auxquelles le programme principal fera appel. Certaines fonctions sont vides : à vous de les programmer selon les indications données ci-dessous.

Pour être en mesure de calculer des taux d’erreur de la décision bayésienne, nous allons bruiter nous-même une image N&B. La comparaison entre l’image originale et l’image segmentée par vos soins nous donnera des indications sur la qualité de segmentation.

To Do:

  • Examinez le programme principal pour en comprendre les différentes étapes.

Bruitage d’une image Noir et Blanc

To Do:

  • Complétez la fonction Bruitage(..) du fichier _func.py permettant d’ajouter du bruit à l’image à traiter.
  • Testez votre programme (en commentant éventuellement les parties du programme principal que vous n’avez pas encore programmées).
  • Jouez avec les paramètres du bruit et observez l’impact sur les images du répertoire results.

Segmentation de l’image bruitee

To Do:

  • Complétez la fonction BayesianClassif(…) du fichier func.py permettant de classer l’image bruitée
  • Exécutez le programme et observez le résultats de l’image classer dans le répertoire results.

Calcul des taux d’erreur

To Do:

  • Complétez la fonction errorRateComputing(…) du fichier _func.py permettant de calculer:

    • le taux d’erreur global (eRate)
    • le taux d’erreur par classe (eRateTab)

  • Exécutez le programme complet et observez évoluer les taux d’erreur en fonction des paramètres de bruit.