From 456f1234a29a9a2777a92633a13c1f31861c470d Mon Sep 17 00:00:00 2001 From: =?UTF-8?q?Laure=CE=B7t?= Date: Thu, 29 Jun 2023 22:52:24 +0200 Subject: [PATCH] replace some remote images by local ones --- julia/notebook.jl | 1001 +++++++++++++++++++++++++-------------------- 1 file changed, 558 insertions(+), 443 deletions(-) diff --git a/julia/notebook.jl b/julia/notebook.jl index 923dce9..611ec14 100644 --- a/julia/notebook.jl +++ b/julia/notebook.jl @@ -1,5 +1,5 @@ ### A Pluto.jl notebook ### -# v0.19.17 +# v0.19.26 using Markdown using InteractiveUtils @@ -780,7 +780,7 @@ En reformulant le problème, on minimise la somme: ``` | | | | :---------------------------------: | :--------------------------------: | -| $(Resource("https://fainsil.users.inpt.fr/content/TAV/TP3/exo1app.png")) | $(Resource("https://fainsil.users.inpt.fr/content/TAV/TP3/exo1mv.png")) | +| $(Resource("content/TP3/exo1app.png")) | $(Resource("content/TP3/exo1mv.png")) | """ @@ -832,7 +832,7 @@ O_{n_\text{app}} = | | | | :---------------------------------: | :--------------------------------: | -| $(Resource("https://fainsil.users.inpt.fr/content/TAV/TP3/exo2app.png")) | $(Resource("https://fainsil.users.inpt.fr/content/TAV/TP3/exo2mc.png")) | +| $(Resource("content/TP3/exo2app.png")) | $(Resource("content/TP3/exo2mc.png")) | """ @@ -870,13 +870,13 @@ html""" - + - + - + @@ -925,13 +925,13 @@ td { - + - + - + @@ -943,21 +943,21 @@ Voici deux autres exemples, avec cette fois-ci un plus grand nombre d'ellipses: EM - + - + @@ -978,7 +978,7 @@ Notre objectif dans ce TP est de procéder à la segmentation d'une image par cl Notre image (B&W) fil rouge sera celle-ci: -![50%](https://fainsil.users.inpt.fr/content/TAV/TP4/image_BW.png) +![50%](content/TP4/image_BW.png) Cette image comporte 4 classes simples (gaussiennes, avec bruit) qu'il nous faudra retrouver. """ @@ -989,15 +989,15 @@ md""" Si l'on dispose d'un expert, il est simple de lui demander d'échantillonner manuellement l'image pour que l'on puisse ainsi procéder derrière à une classification et à une segmentation. -![50%](https://fainsil.users.inpt.fr/content/TAV/TP4/expert_BW.png) +![50%](content/TP4/expert_BW.png) Une première méthode naïve serait de procéder par maximimsation de la vraisemblance, mais cette méthode, en plus d'être stochastique, ne fournis pas des résultats très satisfaisants (~90%). -![50%](https://fainsil.users.inpt.fr/content/TAV/TP4/exo1mv.png) +![50%](content/TP4/exo1mv.png) Une amélioration consiste alors à utiliser le résultat précédent comme base à un recuit simulé. -![50%](https://fainsil.users.inpt.fr/content/TAV/TP4/exo1.webp) +![50%](content/TP4/exo1.webp) On remarque que cette approche améliore grandement notre estimation, il est possible d'obtenir de très bons résultats (>99.9%) si l'on tweak bien les paramètres de nos itérations. """ @@ -1008,7 +1008,7 @@ md""" Si on n'a pas d'expert, ou si on veut faire des économies, on peut essayer d'inférer les classes de notre image à partir de son histogramme. -![50%](https://fainsil.users.inpt.fr/content/TAV/TP4/exo2hist4N_2B_0.99A.png) +![50%](content/TP4/exo2hist4N_2B_0.99A.png) En effet, on remarque facilement sur l'histogramme de notre image 4 pics (4 gaussiennes) qui correspondent à nos 4 classes. @@ -1016,11 +1016,11 @@ Pour déterminer les paramètres de ces gaussiennes on procède par estimation Voici l'image correspondante à cet histogramme: -![50%](https://fainsil.users.inpt.fr/content/TAV/TP4/exo2mv.png) +![50%](content/TP4/exo2mv.png) On obtient un histogramme satisfaisant, qui implique une bonne segmentation de notre image, mais comme précédemment, on peut soumettre ce résultat au recuit simulé pour améliorer notre segmentation. -![50%](https://fainsil.users.inpt.fr/content/TAV/TP4/recuit_MAP_4N_2B_0.99A.webp) +![50%](content/TP4/recuit_MAP_4N_2B_0.99A.webp) """ # ╔═╡ 05ee0bd3-320d-4d8c-993e-f2e587d78dd8 @@ -1030,16 +1030,16 @@ md""" Si l'on souhaite classifier une image en couleur et non en dégradé de gris, on applique la même logique que précédemment mais en dimension plus élevée (ici en dimension 3, puisque notre image colorée contient 3 canaux de couleur, le rouge, le vert et le bleu). image à segmenter: -![50%](https://fainsil.users.inpt.fr/content/TAV/TP4/cellules.jpg) +![50%](content/TP4/cellules.jpg) selection de l'expert: -![50%](https://fainsil.users.inpt.fr/content/TAV/TP4/exo3expert.png) +![50%](content/TP4/exo3expert.png) maximum de vraisemblance: -![50%](https://fainsil.users.inpt.fr/content/TAV/TP4/exo3mv.png) +![50%](content/TP4/exo3mv.png) recuit simulé: -![50%](https://fainsil.users.inpt.fr/content/TAV/TP4/recuit_exo3.webp) +![50%](content/TP4/recuit_exo3.webp) """ # ╔═╡ c89378e2-424e-4a46-8c95-7fe97faafddd @@ -1053,15 +1053,15 @@ md""" Si notre expert ne va pas très bien, s'il est bourré, ou juste nul, il se peut que son échantillonnage des classes soit mauvais. -![50%](https://fainsil.users.inpt.fr/content/TAV/TP4/expert_BWbad.png) +![50%](content/TP4/expert_BWbad.png) Dans ce cas comme on peut s'en douter notre vraisemblance est horrible. -![50%](https://fainsil.users.inpt.fr/content/TAV/TP4/exo1mvbad.png) +![50%](content/TP4/exo1mvbad.png) Le recuit peut tout de même améliorer cet échantillonnage, mais cette segmentation reste mauvaise. -![50%](https://fainsil.users.inpt.fr/content/TAV/TP4/exo1bad.webp) +![50%](content/TP4/exo1bad.webp) """ # ╔═╡ 49747114-1019-4478-984a-759887bd9b72 @@ -1083,13 +1083,13 @@ html""" - + - + - + @@ -1117,13 +1117,13 @@ html""" - + - + - + @@ -1152,13 +1152,13 @@ html""" - + - + - + @@ -1186,7 +1186,7 @@ Voici à gauche des flamants roses pour référence et à droite l'image des fla - + @@ -1202,7 +1202,7 @@ Une première méthode consiste à tirer à chaque itération un nouveau cercle Voici le résultat de 1000 itérations: -![](https://fainsil.users.inpt.fr/content/TAV/TP5/exercice0.webp) +![](content/TP5/exercice0.webp) On observe très clairement un problème, les flamants roses défient les lois de la physique et occupent le même espace. """ @@ -1217,7 +1217,7 @@ $\forall i \neq j, ||C_i - C_j|| \geq \sqrt2 R$ On obtient ainsi un résultat plus cohérent. -![](https://fainsil.users.inpt.fr/content/TAV/TP5/exercice1.webp) +![](content/TP5/exercice1.webp) """ # ╔═╡ b133aaf9-9943-4ef7-a7ce-11daea4a3692 @@ -1228,7 +1228,7 @@ Jusqu'à maintenant notre dénombrement/détection nécessitait l'entrée $N$ (p Après environ 400 itérations, on converge vers un résultat satisfaisant. -![](https://fainsil.users.inpt.fr/content/TAV/TP5/exercice2.webp) +![](content/TP5/exercice2.webp) On observe bien que l'énergie globale de notre recuit diminue au cours du temps, et que le nombre de flamants $N$ converge vers ~150. """ @@ -1241,7 +1241,7 @@ Comme vous l'avez peut-être remarqué, un flamant rose ressemble peu à un cerc Voici le résultat que l'on obtient: -![](https://fainsil.users.inpt.fr/content/TAV/TP5/exercice3.webp) +![](content/TP5/exercice3.webp) On observe globalement que les ellipses collent mieux aux taches blanches de l'image, cependant puisqu'une ellipse comporte bien plus de paramètres qu'un cercle, le nombre d'itérations pour obtenir un résultat satisfaisant est bien plus grand. """ @@ -1273,26 +1273,26 @@ html""" - + - + - + - + - + - + @@ -1324,26 +1324,26 @@ html""" - + - + - + - + - + - + @@ -1372,26 +1372,26 @@ html""" - + - + - + - + - + - + @@ -1404,13 +1404,13 @@ html""" - + - + - + @@ -1447,13 +1447,13 @@ On souhaite obtenir ce type de résultats: - + - + - + @@ -1470,35 +1470,35 @@ On obtient alors: - + - + - + - + - + - + - + - + - + @@ -1516,18 +1516,18 @@ Un résultat intéressant que l'on peut obtenir est la décoloration partielle d
- + - +
- + - +
@@ -1558,19 +1558,19 @@ html""" Isolation des lignes horizontales - + Isolation des lignes verticales - + Isolation des lignes diagonales - + @@ -1596,12 +1596,12 @@ html"""
- +
- +
@@ -1638,12 +1638,12 @@ html"""
- +
- +
@@ -1668,17 +1668,17 @@ html"""
- +
- +
- +
@@ -1698,17 +1698,17 @@ html"""
- +
- +
- +
@@ -1770,24 +1770,24 @@ html""" - + - + - + - + - + - + @@ -1810,10 +1810,10 @@ html"""
- + - +
@@ -1879,37 +1879,37 @@ html"""
007
-