Reconnaissance ue foimes

Application la ieconnaissance ue chiffies

manusciits

Ralispar:

M.KHALEDMESSAOUDI
messaoudi.khaled.dz@gmail.com

Reconnaissance de formes

Reconnaissance ue foimes Page 1

Table des matires
I. LOCALISATION/EXTRACTION DES CHIFFRES ................................................................................................ 3
II. PROFILS ET DISTANCE EUCLIDIENNE MINIMUM .......................................................................................... 5
1. EXTRACTION DES PROFILS GAUCHE ET DROIT...............................................................................................5
2. EXTRACTION DES CARACTERISTIQUES DE TYPE PROFIL ..........................................................................7
3. APPLICATION DE LA FONCTION CREEBASEAPPCARACPROFILS (D/2=10).........................................................8
4. CLASSIFIEUR PAR DISTANCE EUCLIDIENNE MINIMUM...................................................................................9
4.1 Calcul de la moyenne des points dune classe ....................................................................................... 9
4.2 Calcul des taux de reconnaissance top1, top2 et top3 et lerreur ........................................................ 10
4.3 Influence du nombre de mesures sur les performances du classifieur ............................................... 11
III. DENSITE ET K PLUS PROCHES VOISINS ......................................................................................................... 14
1. FONCTION DEXTRACTION DES DENSITES .......................................................................................... 14
2. FONCTION DE CREATION DE LA BASE DAPPRENTISSAGE (DENSITES).........................................................15
3. APPLICATION DE FONCTION CREEBASEAPPCARACDENSITES......................................................................16
4. CLASSIFIEUR K PLUS PROCHES VOISINS.......................................................................................................17
4.1 Calcul de la matrice des distances : ...................................................................................................... 17
4.2 Calcul de la matrice de probabilits : ................................................................................................... 17
4.3 Evaluation des performances du classifieur : ...................................................................................... 20
4.4 Test du classifieur Kppv pour K = 1, et n = 7, m = 3: .......................................................................... 21
4.5 Conclusion ............................................................................................................................................ 21
IV. COMBINAISON DES CLASSIFIEURS .................................................................................................................. 22
1. COMPARAISON DES RESULTATS....................................................................................................................24
2. REMARQUES ET CONCLUSION :.....................................................................................................................24
V. CONCLUSION GENERALE .................................................................................................................................... 25

Reconnaissance de formes

Reconnaissance ue foimes Page 2

Liste des figures :
Fig. 1 Schma fonctionnel de lapplication.................................................................................................3
Fig. 2 Localisation du premier chiffre 9 de la base dapprentissage.........................................................4
Fig. 3 Code de la fonction Extraitcc (fichier extraitcc.m)..........................................................................5
Fig. 4 Profils gauche et droit du premier chiffre 9.....................................................................................6
Fig. 5 Code de la fonction extraitProfils (fichier extraitProfils.m)...........................................................6
Fig. 6 Code de la fonction CreeBaseAppCaracProfils (fichier CreeBaseAppCaracProfils.m)..................7
Fig. 7 Matrice des profils Gauche et Droit concatns de limage dapprentissage.................................8
Fig. 8 Matrice des profils Gauche et Droit concatns de limage de test.................................................9
Fig. 9 Fonction de classification par distance euclidienne minimum......................................................11
Fig. 10 Influence du nombre de mesures J2 sur les performances du classifieur.................................12
Fig. 11 Influence du type de distance sur les performances du classifieur.............................................12
Fig. 12 Test de performances du premier classifieur.............................................................................13
Fig. 13 Code de la fonction extraitDensites()........................................................................................14
Fig. 14 Densit de pixels pour un dcoupage de 7*3................................................................................15
Fig. 15 Code de la fonction CreeBaseAppCaracDensites()...................................................................15
Fig. 16 Matrices de densits des bases apprentissage_5x5x200. Et test_5x5x100..................................16
Fig. 17 Code du classifieur Kppv..............................................................................................................19
Fig. 18 Performance du classifieur Kppv.................................................................................................20











Reconnaissance de formes

Reconnaissance ue foimes Page S

But du TP
Le but de ce TP est dapprhender les diffrentes tapes dun systme de reconnaissance
de formes depuis les prtraitements qui consistent localiser et extraire les formes
reconnaitre, jusqu la reconnaissance (combinaison des rsultats de reconnaissance des
diffrents classifieurs), appliques la reconnaissance de chiffres manuscrits sous MATLAB
(version 7.14.0.739).
Fig. 1 Schma fonctionnel de lapplication.
Donnes :
On dispose :
a) Dune image binaire app.bmp contenant 200 chiffres manuscrits (20 exemple par
classe). qui servira la cration de la base dapprentissage.

b) Dune image binaire test.bmp contenant 100 chiffres manuscrits (20 exemple par
classe). qui servira aux tests du systme de reconnaissance de formes ainsi
dvelopp.

c) De deux fichiers labelapp.mat et labeltest.mat contenant les tiquettes des formes
des images app.bmp et test.bmp respectivement.

I. Localisation/Extraction des chiffres
Cette tape consiste localiser la forme reconnaitre en effectuant un marquage de
composantes connexes (8 connexions), on attribue chaque ensemble de pixels (selon le nombre
de connexions) une tiquette diffrente, cette opration est assure par la fonction MATLAB
bwlabel qui prend en argument limage traiter et le nombre de connexions.
Reconnaissance de formes

Reconnaissance ue foimes Page 4

La fonction extraitcc() prend en argument limage traiter et retourne en sortie une
matrice de coordonnes des rectangles englobant, de dimension N*4 avec N est le nombre de
formes que contient limage dentre.

Fig. 2 Localisation du premier chiffre 9 de la base dapprentissage.
Syntaxes et utilisation des commandes bwlabel et find.
a) [L, Num] = bwlabel(BW, N)
L : est une matrice de mme dimension que BW, o Chaque lment aij prend la valeur de
ltiquette de lensemble de pixels dont il appartient, o N est le nombre de connections 4 ou 8 (par
dfaut 8)
Num reprsente le nombre de formes trouv dans limage binaire BW.

b) Ind = find(X >0, k, 'first')
- La fonction find retourne les k premiers resp. derniers (first, last) indices Ind de la matrice X
vrifiant la condition X>0.
- Ind = find(X >0), par dfaut renvoie tous les indices de la matrice X vrifiant la condition
X>0.
- Ind = find(X >0, k), par dfaut renvoie les k premiers indices de la matrice X vrifiant la
condition X>0.








Reconnaissance de formes

Reconnaissance ue foimes Page S

f unct i on Out _Mat r i x = ext r ai t cc( I mage_i n)
[ Connex_Mat r i ce, Num_connex] = bwl abel ( ~I mage_i n, 4) ;
cl ear I mage_i n;
Out _Mat r i x = zer os( Num_connex, 4) ;
%%[ Xmi n Xmax Ymi n Ymax] l i mi t es du r ect angl e engl obant des i maget t es. . .
f or i = 1: Num_connex
%%%Recher che de coor donnes du r ect angl e engl obant
[ n, m] = f i nd( Connex_Mat r i ce == i ) ;
Out _Mat r i x( i , 1) = mi n( n) ; %l e mi n des or donnes ===> Ymi n
Out _Mat r i x( i , 2) = max( n) ; %l e max des or donnes ===> Ymax
Out _Mat r i x( i , 3) = mi n( m) ; %l e mi n des absci sses ===> Xmi n
Out _Mat r i x( i , 4) = max( m) ; %l e max des absci sses ===> Xmax
end
cl ear Connex_Mat r i ce;
end

Fig. 3 Code de la fonction Extraitcc (fichier extraitcc.m)
Explication de la fonction extraitcc()
- En premier lieu en fait ltiquetage de limage dentre inverse bwlabel(~Image_in,8) en
suite on dtermine pour chaque tiquette i son rectangle englobant, et ceci avec un
simple (find) [n,m] = find(Connex_Matrice == i) ; o n et m sont les vecteurs dindices des
lignes (resp. colonnes) de tous les pixels noirs de limagette i.

II. Profils et distance euclidienne minimum

1. Extraction des profils gauche et droit
Dans cette tape on va raliser une fonction extraitProfils() qui prendra en
entre limagette dont on souhaite extraire les profils gauches et droits et le nombre de sondes
(d/2), cette fonction retourne une matrice (2D) de dimension ((d/2)x2) contenant les mesures des
profils gauches et droits normalises c..d, chaque mesure est divise par la largeur de limagette.
Remarques :
a) La fonction rejette les imagettes qui nont pas des longueurs divisibles sur (d/2+1).
b) La fonction centre bien les sondes le long de la longueur de limagette en rajoutant la
valeur marge du programme ext r ai t Pr of i l s aux sondes non centres.
Exemple : Le premier chiffre de la base dapprentissage avec d = 7.
Reconnaissance de formes

Reconnaissance ue foimes Page 6

Fig. 4 Profils gauche et droit du premier chiffre 9.

f unct i on D = ext r ai t Pr of i l s( i maget t e_i n, d_pr of i l e )
%%Ext r act i on Pr of i l s Gauche & Dr oi t . . . .
%%Longeur et Lar geur de l ' i maget t . . .
[ Long_i maget t e, l ar g_i maget t e] = si ze( i maget t e_i n) ;
%%Nombr e de pi xel s ent r e 2 sondes conscut i ves. . .
l i gne_d = f l oor ( Long_i maget t e/ ( d_pr of i l e+1) ) ;
%%Cent r er l es Sondes sur l a l ongueur de l ' i maget t e . . .
mar ge = f l oor ( ( Long_i maget t e - l i gne_d*( d_pr of i l e+1) ) / 2) ;
D = zer os( d_pr of i l e, 2) ; %i ni t i al i sat i on de l a mat r i ce d
i f ( l i gne_d ~=0) %%t est er si Long_i maget t e est di vi si bl e sur ( d_pr of i l e+1)
%%si non une mat r i ce vi de est r envoye
f or i = 1 : d_pr of i l e
i ndex_noi r e = f i nd( i maget t e_i n( l i gne_d*i + mar ge, : ) == 0) ;
%%Di st ance Gauche nor mal i se. . .
D( i , 1) = ( i ndex_noi r e( 1) - 1) / l ar g_i maget t e ;
%%Di st ance Dr oi t e nor mal i se. . .
D( i , 2) = ( l ar g_i maget t e - i ndex_noi r e( end) ) / l ar g_i maget t e;
end
el se
D = [ ] ;
end
end

Fig. 5 Code de la fonction extraitProfils (fichier extraitProfils.m)
Explication de la fonction ext r ai t Pr of i l s( )
- Dtermination de la longueur et la largeur de limagette avec la commande size.
[Lang_imagette,larg_imagette] = size(imagette_in);

- Calcul du nombre de pixels entre deux sondes conscutives ligne_d =
floor(Lang_imagette/(d_profile+1));

- Dans le but de bien centrer les sondes, la marge restante ( Lang_imagette -
ligne_d*(d_profile+1)) est divise quitablement entre le haut et le bas.

- Recherche des pixels noirs de la ligne (ligne_d*i + marge) par index_noire =
find(imagette_in(ligne_d*i + marge,:) == 0); o index_noire(1) et
index_noire(end) reprsentent le premier (resp. le dernier) pixel noir de la ligne i.
Reconnaissance de formes

Reconnaissance ue foimes Page 7

2. Extraction des caractristiques de type profil

Cration de la fonction CreeBaseAppCaracProfils()

Cette fonction utilise les deux fonctions prcdentes extraitProfils() et extraitcc().
Elle prend en entre le nom du fichier de limage app.bmp, le nombre de sondes d/2 et le nom
du fichier dans lequel les rsultats seront stocks.

f unct i on Cr eeBaseAppCar acPr of i l s( i mage_Fi l e_Name, Resul t _f i l e_name, d_pr of i l )
i mg = i mr ead( i mage_Fi l e_Name) ; %%l ect ur e de l i mage
Connex = ext r ai t cc( i mg) ; %%ext r act i on de car act r i st i ques
Nb_i maget t e = l engt h( Connex( : , 1) ) ;
DATA = zer os( Nb_i maget t e, 2*d_pr of i l ) ;
f or i =1: Nb_i maget t e
%%ext r act i on des pr of i l s ( gauches et dr oi t s)
D = ext r ai t Pr of i l s( i mg( Connex( i , 1) : Connex( i , 2) , . . .
Connex( i , 3) : Connex( i , 4) ) , d_pr of i l ) ;
i f ~i sempt y( D)
DATA( i - si ze_change, : ) = [ D( : , 1) ' , D( : , 2) ' ] ;
el se
si ze_change = si ze_change+1;
end
end
%%Enr egi st r ement & t est exi st ence du Dossi er
cl ear i mg Connex
DATA = DATA( 1: Nb_i maget t e- si ze_change, : ) ;
Pat h_F = st r cat ( pwd, ' \ Resul t at \ ' ) ;
i f ~i sequal ( exi st ( Pat h_F, ' di r ' ) , 7)
mkdi r ( Pat h_F) ;
Pat h_F = st r cat ( pwd, ' \ Resul t at \ ' ) ;
end
Fi l e_name = st r cat ( Pat h_F, Resul t _f i l e_name, ' . mat ' ) ;
save( Fi l e_name, ' DATA' ) ;
end

Fig. 6 Code de la fonction CreeBaseAppCaracProfils (fichier CreeBaseAppCaracProfils.m).

Reconnaissance de formes

Reconnaissance ue foimes Page 8

3. Application de la fonction CreeBaseAppCaracProfils (d/2=10)
cl c, cl ear al l ; cl ose al l
t i c
%I mage Appr ent i ssage
I mage_Fi l e_Name1 = ' . \ TP- RDF\ app. bmp' ;
%%I mage Test
I mage_Fi l e_Name2 = ' . \ TP- RDF\ t est . bmp' ;
%%Et i quet t es Appr ent i ssage
l abel _app_f i l e = ' l abel app' ;
%%Et i quet t es Test
l abel _t es_f i l e = ' l abel t est ' ;
%%Base Appr ent i ssage
Resul t _Fi l e_Name1 = ' baseapppr of i ' ;
%%Base Test
Resul t _Fi l e_Name2 = ' baset est pr of i l ' ;

Cr eeBaseAppCar acPr of i l s( I mage_Fi l e_Name1, Resul t _Fi l e_Name1, 10) ;
Cr eeBaseAppCar acPr of i l s( I mage_Fi l e_Name2, Resul t _Fi l e_Name2, 10) ;

di sp( ' Temps d' ' xecut i on' ) ;
di sp( ' ________________________________________________' ) ;
di sp( [ ' ' , num2st r ( f l oor ( t oc/ 60) ) , ' mi nut e( s) ' ] )
di sp( [ ' ' , num2st r ( t oc- f l oor ( t oc/ 60) *60) , ' seconde( s) ' ] )
di sp( ' ' ) ;

Fig. 7 Matrice des profils Gauche et Droit concatns de limage dapprentissage.

Reconnaissance de formes

Reconnaissance ue foimes Page 9

Fig. 8 Matrice des profils Gauche et Droit concatns de limage de test.
4. Classifieur par distance euclidienne minimum
Cette mthode consiste attribuer un point de R
d
reprsentant la forme reconnaitre
la classe dont la distance du point au centre de cette classe est minimale.

4.1 Calcul de la moyenne des points dune classe
Soit une classe w de N point P R
d
P = |x
1
, x
2
, x
3
, , x
d
]
Le centre (P
ccntc
) de la classe w est dfini comme suit :
P
ccntc
= |x
1
, x
2
, x
3
, , x
d
] A:cc x

=
1
N
x
(p
k
)

N
k=1
i = 1: J
La distance euclidienne dun point P
x
par rapport au centre (P
ccntc
) de la classe w est
donne par :
J(P
x
, P
ccntc
) = _(x

-x
(ccntc)
)
2
d
=1
2
= P
x
- P
ccntc

Transformation du vecteur de distance en un vecteur de probabilit :
P [
w

P
x
, =
c
-d(P
x
,P
ccntrcWi
)
c
-d(P
x
,P
ccntrcW]
)
]=9
]=0

La distance J(P
x
, P
ccntcw
) est minimale la probabilit P [
w

P
x
, est maximale.
Reconnaissance de formes

Reconnaissance ue foimes Page 1u

La matrice de probabilit H
m,p
(R) :
o
]
= P _
w
]
P

_ ] A:cc _
i = 1: m
] = 1: p

m Reprsente le nombre de formes de la base de test,
p Reprsente le nombre de classes (10).
4.2 Calcul des taux de reconnaissance top1, top2 et top3 et lerreur
Enfin aprs avoir calcul la matrice de probabilit H par la mthode prcdente, on trie
les vecteurs de probabilits H
,:
1
dans un ordre dcroissant associs chacune des formes
reconnaitre (dans la base de test).
On prend les trois premires probabilits du chaque vecteur H
,:
t
1
et on cherche les
classes associes ces trois probabilits dans le vecteur initial (H
,:
1
), puis on compare ces
classes la classe fournie par Icst. lobcl(i), en faisant ces trois comparaisons (dans lordre) on
dcide de la manire suivante :
- Si le 1
er
test est VRAI alors le top1 est incrment
- Si le 1er OU le 2
me
test est VRAI alors le top2 est incrment
- Si le 1
er
OU le 2
me
OU le 3
me
test est VRAI alors le top3 est incrment SI_NON
lerreur est incrmente.
Les calculs expliqus brivement en 4.1 et 4.2 sont assurs pas la fonction classificentreclasse(..)
suivante :

f unct i on f = cl assi f i cent r ecl asse( base_t est _f i l e, base_app_f i l e, . . .
l abel _app_f i l e, l abel _t es_f i l e)
%%Char gement de f i chi er s. . .
Test = l oad( st r cat ( ' . \ Resul t at \ ' , base_t est _f i l e) , ' DATA' ) ;
Base = l oad( st r cat ( ' . \ Resul t at \ ' , base_app_f i l e) , ' DATA' ) ;
l abel _ap = l oad( st r cat ( ' . \ Resul t at \ ' , l abel _app_f i l e) ) ;
l abel _t es = l oad( st r cat ( ' . \ Resul t at \ ' , l abel _t es_f i l e) ) ;
%%I ni t i al i zi ng. . .
d = l engt h( Base. DATA( 1, : ) ) ;
Wcent r e = zer os( 10, d) ;
Echan_t est = l engt h( Test . DATA) ;
PWx = zer os( Echan_t est , 10) ;
TOPCLASSI F1 = zer os( 4, 1) ;
%%Cal cul des Cent r es des Cl asses. . .
f or i = 0: 9
k = f i nd( l abel _ap. l abel == i ) ;
Wcent r e( i +1, : ) = mean( Base. DATA( k( 1: end) , : ) ) ;
end
%%Cal cul de l a Mat r i ce de pr obabi l i t Pwx. . .
f or k = 1: Echan_t est
f or i =1: 10
PWx( k, i ) = exp( - nor m( Test . DATA( k, : ) - Wcent r e( i , : ) , 2) ) ;
end
PWx( k, : ) = PWx( k, : ) / sum( PWx( k, : ) ) ;
Reconnaissance de formes

Reconnaissance ue foimes Page 11

%Tr i e du vect eur de pr oba PWx( k, : )
D = sor t ( PWx( k, : ) , ' Descend' ) ;
%sl ect i on des 3 pr emi r es pr oba ( l es pl us gr andes)
D = D( 1: 3) ;
%r cupr at i on de l a cl ass du poi nt Pk en ut i l i sant son t i quet t e ( l abt est )
El ement = l abel _t es. l abel ( k) ;
i f ( El ement == f i nd( PWx( k, : ) == D( 1) , 1, ' f i r st ' ) - 1)
TOPCLASSI F1( 3, 1) = TOPCLASSI F1( 3, 1) + 1;
end
i f ( ( El ement == f i nd( PWx( k, : ) == D( 1) , 1, ' f i r st ' ) - 1) | | . . .
( El ement == f i nd( PWx( k, : ) == D( 2) ) - 1) )
TOPCLASSI F1( 2, 1) = TOPCLASSI F1( 2, 1) + 1;
end
i f ( ( El ement == f i nd( PWx( k, : ) == D( 1) , 1, ' f i r st ' ) - 1) | | . . .
( El ement == f i nd( PWx( k, : ) == D( 2) , 1, ' f i r st ' ) - 1) | | . . .
( El ement == f i nd( PWx( k, : ) == D( 3) , 1, ' f i r st ' ) - 1) )
TOPCLASSI F1( 1, 1) = TOPCLASSI F1( 1, 1) + 1;
el se
TOPCLASSI F1( 4, 1) = TOPCLASSI F1( 4, 1) + 1;
end
%pause
end

%%Test d exi st ence Dossi er Resul at a. . .
i f ~i sequal ( exi st ( ' . \ Resul t at ' , ' di r ' ) , 7)
mkdi r ( Resul t at ) ;
el se
del et e( ' . \ Resul t at \ Pr obaWx. mat ' ) ;
save( ' . \ Resul t at \ Pr obaWx' , ' PWx' ) ;
end
di sp( ' Wcent r e ' )
di sp( Wcent r e)
di sp( ' P( W/ X) ' )
di sp( [ PWx, sum( PWx' ) ' ] )
di sp( ' Taux de Reconnai ssance : TOP. . . 1. 2. 3' ) ;
di sp( [ ' Taux de Reconnai ssance TOP1: ' , num2st r ( TOPCLASSI F1( 3) ) , ' %' ] )
di sp( [ ' Taux de Reconnai ssance TOP2: ' , num2st r ( TOPCLASSI F1( 2) ) , ' %' ] )
di sp( [ ' Taux de Reconnai ssance TOP3: ' , num2st r ( TOPCLASSI F1( 1) ) , ' %' ] )
di sp( [ ' Taux d' ' er r eur : ' , num2st r ( TOPCLASSI F1( 4) ) , ' %' ] )
f = TOPCLASSI F1( 3) ;
end
Fig. 9 Fonction de classification par distance euclidienne minimum.
4.3 Influence du nombre de mesures sur les performances du classifieur
Dans cette partie on va tudier linfluence du nombre de mesures (d/2) sur les performances
du classifieur, cela revient tudier le comportement de la fonction tup1 = [
d
2
. Par une simple
boucle sur les distances, pour notre exemple on choisit
d
2
= {S,4, ,2S]
Reconnaissance de formes

Reconnaissance ue foimes Page 12

Fig. 10 Influence du nombre de mesures
d
2
sur les performances du classifieur.
Le taux de reconnaissance est proportionnel au nombre de mesures jusqu un seuil
critique
d
2
= 9 => 8S%, partir de ce seuil, le taux de reconnaissance ne samliore pas.
4.4 Influence du type de distance choisi (horizontale, verticale)
Jusqu prsent, les distances prises sont horizontales, pour voir leffet des distances
verticales il suffit juste de transposer limagette lappel de la fonction extraitProfils(..).
Exemple avec
d
2
= 7

Fig. 11 Influence du type de distance sur les performances du classifieur.
Pour ce cas prcis le top1 = 53%, pour le mme
d
2
en utilisant la distance horizontale le top1
= 80%, et cela est vident vue que limagette est de forme rectangulaire, la distance relative entre
deux sondes successives prise sur la hauteur de limagette est plus grande que celle prise sur la
largeur, ce qui augmentera la probabilit de confusion lors de la dcision (plus les sondes se
rapprochent plus la confusion est grande).
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Series1 74 67 79 74 80 77 83 78 81 81 80 79 77 81 72 74 72 73 74 74 39 42 37
Tauxdereconnaissanceentop1
Reconnaissance de formes

Reconnaissance ue foimes Page 1S

4.5 Test du premier classifieur
Tout le travail ralis, permet enfin de tester le classifieur avec un nombre de mesures
optimal
d
2
= 9, pris partir de la figure 1u.

Fig. 12 Test de performances du premier classifieur

4.6 Conclusion

Pour cette premire approche, la mesure des performances de ce premier classifieur

offre un bon taux de reconnaissance qui est limit par le nombre de sondes d/2 et par la taille de
la base dapprentissage.

Reconnaissance de formes

Reconnaissance ue foimes Page 14

III. Densit et K plus proches voisins
Dans cette deuxime mthode de reconnaissance on va utiliser des caractristiques
bases sur les densits de pixels noirs calcules dans les diffrentes zones de limagette. En
dcoupant le rectangle englobant (horizontalement par n et verticalement par m) en n*m zones
gales. La densit de pixels noirs par zone est divis par la surface de la zone (S = n*m) afin de
normaliser les mesures entre les imagettes.
1. Fonction dextraction de densits
Cette fonction prend en entre limagette dont on souhaite extraire les densits
(i maget t e_i n) et le nombre de zones suivant la verticale (n_l i gne) et suivant lhorizontale
(m_col onne), lalgorithme est expliqu par les commentaires du code suivant :

f unct i on Densi t e = ext r ai t Densi t es( i maget t e_i n, n_l i gne, m_col onne)
%%Ext r act i on Densi t s [ pi xel s i maget t e] . . .
%%Cal cul de nombr e de pi xel par Zone et l a mar ge
[ l i gne, col onne] = si ze( i maget t e_i n) ; %%r cupr er l a t ai l l e de l i maget t e
l i gne_pi xel = f l oor ( l i gne/ n_l i gne) ; %%l ongueur de l a zone
col onne_pi xel = f l oor ( col onne/ m_col onne) ; %%l ar geur de l a zone
Ymar gi n = f l oor ( ( l i gne- l i gne_pi xel *n_l i gne) / 2) ; %%mar ge ver t i cal e
Xmar gi n = f l oor ( ( col onne- col onne_pi xel *m_col onne) / 2) ; %%mar ge hor i zont al e
%%i ni t i al i ser l a mat r i ce de densi t
Densi t e = zer os( n_l i gne, m_col onne) ;
%%Debut de 1. . . except i on pour i &j = 1
begi n_y = 0;
i f ( l i gne_pi xel ~=0 && col onne_pi xel ~=0 )
f or i = 1: n_l i gne
bebi n_x= 0;
f or j = 1: m_col onne
zone = i maget t e_i n( ( ( i - 1) *l i gne_pi xel +Ymar gi n) *begi n_y. . .
+ Ymar gi n*( 1- begi n_y) + 1 : i *l i gne_pi xel +Ymar gi n, . . .
( ( j - 1) *col onne_pi xel +Xmar gi n) *bebi n_x. . .
+ Xmar gi n*( 1- bebi n_x) + 1 : j *col onne_pi xel +Xmar gi n) ;
Densi t e( i , j ) = l engt h( f i nd( zone==0) ) / ( l engt h( zone( : , 1) ) *l engt h( zone( 1, : ) ) ) ;
bebi n_x = 1;
end
begi n_y = 1;
end
el se %%Si l i maget t e n est pas di vi si bl e sur n_l i gne ou m_col onne
Densi t e = [ ] ;
end
end

Fig. 13 Code de la fonction extraitDensites().




Reconnaissance de formes

Reconnaissance ue foimes Page 1S

Exemple n = 7 et m = 3 ;

Fig. 14 Densit de pixels pour un dcoupage de 7*3
2. Fonction de cration de la base dapprentissage (densits)
Cette fonction est semblable celle quon vu dans (II.2) quelques dtails prs comme :
lutilisation de fonction extraitDensites au lieu de extraitProfils

f unct i on Cr eeBaseAppCar acDensi t es( i mage_Fi l e_Name, Resul t _f i l e_name, n_l i gne, m_col onne)
i mg = i mr ead( i mage_Fi l e_Name) ;
Connex = ext r ai t cc( i mg) ;
Nb_i maget t e = l engt h( Connex( : , 1) ) ;
si ze_change = 0;
Fi nal _Si ze = 0;
Resul t = zer os( n_l i gne, m_col onne, Nb_i maget t e) ;
f or i =1: Nb_i maget t e
Densi t e = ext r ai t Densi t es( i mg( Connex( i , 1) : Connex( i , 2) , . . .
Connex( i , 3) : Connex( i , 4) ) , n_l i gne, m_col onne) ;
%%t est i maget t e r ej et e par l e dcoupage ext r ai t Densi t es >> _out put = [ ] . . .
i f ~i sempt y( Densi t e)
Resul t ( : , : , i - si ze_change) = Densi t e;
Fi nal _Si ze = i - si ze_change;
el se
si ze_change = si ze_change + 1; %%Decr ement er
end
end
%%Enr egi st r ement et Vr i f . de Dossi er . . .
cl ear i mg Connex
Pat h_F = st r cat ( pwd, ' \ Resul t at \ ' ) ;
i f ~i sequal ( exi st ( Pat h_F, ' di r ' ) , 7)
mkdi r ( Pat h_F) ;
Pat h_F = st r cat ( pwd, ' \ Resul t at \ ' ) ;
end
DATA = Resul t ( : , : , 1: Fi nal _Si ze) ;
cl ear Resul t ;
Fi l e_name = st r cat ( Pat h_F, Resul t _f i l e_name, ' . mat ' ) ;
save( Fi l e_name, ' DATA' ) ;
end

Fig. 15 Code de la fonction CreeBaseAppCaracDensites().
Reconnaissance de formes

Reconnaissance ue foimes Page 16

3. Application de fonction CreeBaseAppCaracDensites
On applique la fonction CreeBaseAppCaracDensites() limage dapprentissage et de
test avec n = m = d = 5.

cl c, cl ear al l ; cl ose al l
t i c
d = 5;
Kppv = 1;
t i c
%%I mage Appr ent i ssage
I mage_Fi l e_Name1 = ' . \ TP- RDF\ app. bmp' ;
%%%I mage Test
I mage_Fi l e_Name2 = ' . \ TP- RDF\ t est . bmp' ;
%%%Et i quet t es Appr ent i ssage
l abel _f i l e = ' l abel app' ;
%%%Et i quet t es Test
l abel _t es_f i l e = ' l abel t est ' ;
Resul t _Fi l e_Name3 = ' baseappdensi t es' ;
Resul t _Fi l e_Name4 = ' baset est densi t es' ;
Cr eeBaseAppCar acDensi t es( I mage_Fi l e_Name1, Resul t _Fi l e_Name3, d, d) ;
Cr eeBaseAppCar acDensi t es( I mage_Fi l e_Name2, Resul t _Fi l e_Name4, d, d) ;
%%
di sp( ' Temps d' ' xecut i on' ) ;
di sp( ' ________________________________________________' ) ;
di sp( [ ' ' , num2st r ( f l oor ( t oc/ 60) ) , ' mi nut e( s) ' ] )
di sp( [ ' ' , num2st r ( t oc- f l oor ( t oc/ 60) *60) , ' seconde( s) ' ] )
di sp( ' ' ) ;


Base dapprentissage Base de test
Fig. 16 Matrices de densits des bases apprentissage_5x5x200. Et test_5x5x100.
Reconnaissance de formes

Reconnaissance ue foimes Page 17

4. Classifieur K plus proches voisins
Le principe de cette mthode est le suivant :
Calculer la distance entre le point classer reprsentant la forme reconnaitre et tous
les points de la base dapprentissage et affecter ce point la classe la plus reprsente parmi ses
K plus proches voisins.
4.1 Calcul de la matrice des distances :
Chaque forme est reprsente par son vecteur caractristique P
c
R
(nm)
o n et m
reprsentent le nombre de zones par ligne (resp. par colonne) de la forme. Soient N et M le
nombre de points de la base dapprentissage et de test respectivement. Les lments de la matrice
des distances
M,N
(R) sont :
o
]
= [P

- P
]
[ A:cc _
i = 1: H
] = 1: N

4.2 Calcul de la matrice de probabilits :
On calcule pour chaque forme de la base de test son vecteur de probabilits apriori
dappartenance chacunes des p classes avec la relation suivante :
P [
w

P
x
, =
k

K
A:cc i = 1: p
O k

est le nombre de voisins appartenant la classe w

et K le nombre de voisins.
La matrice de probabilit H
M,p
(R) :
o
]
= P _
w
]
P

_ ] A:cc _
i = 1: H
] = 1: p

Calcul des taux de reconnaissance en top1, top2 et top3 et derreur
Dans ce cas il faut avoir au minimum un K >= 6,
Algorithme :
- On constitue un vecteur de probabilits I
p
partir du classement descendant des
probabilits non nulles de la ligne i de M,
- Initialisation dune variable erreur = 0
Si I
p
(1) cst uniquc alors top1 est incrment
Si I
p
(2) cst uniquc alors top2 est incrment
Si I
p
(S) cst uniquc alors top3 est incrment
Reconnaissance de formes

Reconnaissance ue foimes Page 18

Si aucun des tops (1,2 et 3) nest incrment alors lerreur est incrmente

f unct i on cl assi f i eKppv( base_app_f i l e, base_t est _f i l e, l abel _app_f i l e, l abel _t es_f i l e, Kppv)
%%Char gement de f i chi er s. . .
Test = l oad( st r cat ( ' . \ Resul t at \ ' , base_t est _f i l e) , ' DATA' ) ;
Base = l oad( st r cat ( ' . \ Resul t at \ ' , base_app_f i l e) , ' DATA' ) ;
l abel _app = l oad( st r cat ( ' . \ Resul t at \ ' , l abel _app_f i l e) ) ;
l abel _t es = l oad( st r cat ( ' . \ Resul t at \ ' , l abel _t es_f i l e) ) ;
%%I ni t i al i zi ng. . .
N_app = l engt h( Base. DATA) ;
N_t est = l engt h( Test . DATA) ;
Di st = zer os( N_t est , N_app) ;
PwxKppv = zer os( N_t est , 10) ;
TOPCLASSI F2 = zer os( 4, 1) ;
f or i =1: N_t est
f or j =1: N_app
Di st ( i , j ) = sqr t ( sum( sum( ( Test . DATA( : , : , i ) - Base. DATA( : , : , j ) ) . ^2) ) ) ;
end
%%%Tr i e du vect eur
Tr i e = sor t ( Di st ( i , : ) ) ;
%%Sel ect i on des Kppv l es pl us pr oche
Xkppv = Tr i e( 1: Kppv) ;
i ndex = f i nd( Di st ( i , : ) <= Xkppv( Kppv) , Kppv, ' f i r st ' ) ;
%%Pr oba d' appar t enance a chacune des Cl asses / / / 10
f or s = 1: 10
r = l abel _app. l abel ( i ndex) ;
PwxKppv( i , s) = l engt h( f i nd( r == s- 1) ) / Kppv;
end
%%cal cul du t aux de r econnai ssance TOP- 1. 2
i nd = f i nd( PwxKppv( i , : ) >0) ;

Cl assi f i e = sor t ( PwxKppv( i , i nd) , ' Descend' ) ;
El ement = l abel _t es. l abel ( i ) ;

accept e = 0;

i f ( l engt h( f i nd( Cl assi f i e == Cl assi f i e( 1) ) ) ==1)
%%%%TOP 1
i f ( El ement == f i nd( PwxKppv( i , : ) == Cl assi f i e( 1) ) - 1 )
TOPCLASSI F2( 1) = TOPCLASSI F2( 1) + 1;
accept e = 1;
end
MAX1 = Cl assi f i e( 1) ;
Cl assi f i e( 1) = 0;
end

i f ( l engt h( Cl assi f i e) >=2 && l engt h( f i nd( Cl assi f i e == Cl assi f i e( 2) ) ) ==1 )
%%%TOP2
i f ( El ement == f i nd( PwxKppv( i , : ) == Cl assi f i e( 2) ) - 1 | | . . .
El ement == f i nd( PwxKppv( i , : ) == MAX1) - 1 )
TOPCLASSI F2( 2) = TOPCLASSI F2( 2) + 1;
accept e = 1;
end
MAX2 = Cl assi f i e( 2) ;
Cl assi f i e( 2) = 0;
end

i f ( ( l engt h( Cl assi f i e) >=3 && l engt h( f i nd( Cl assi f i e == Cl assi f i e( 3) ) ) ==1) )
%%TOP3
i f ( Cl assi f i e( 1) +Cl assi f i e( 2) ==0)
i f ( El ement == f i nd( PwxKppv( i , : ) == Cl assi f i e( 3) ) - 1 . . .
Reconnaissance de formes

Reconnaissance ue foimes Page 19

| | El ement == f i nd( PwxKppv( i , : ) == MAX2) - 1 . . .
| | El ement == f i nd( PwxKppv( i , : ) == MAX1) - 1 )
TOPCLASSI F2( 3) = TOPCLASSI F2( 3) + 1;
accept e = 1;
end
el se
i f ( El ement == f i nd( PwxKppv( i , : ) == Cl assi f i e( 3) ) )
TOPCLASSI F2( 3) = TOPCLASSI F2( 3) + 1;
accept e = 1;
end
end
end

i f ( accept e==0)
%%%%r ej et
TOPCLASSI F2( 4) = TOPCLASSI F2( 4) +1;
End

end
%%%% Test exi st ence Dossi er Resul t a. . .
i f ~i sequal ( exi st ( ' . \ Resul t at ' , ' di r ' ) , 7)
mkdi r ( Resul t at ) ;
el se
save( ' . \ Resul t at \ Pr obaWxKppv' , ' PwxKppv' ) ;
end
di sp( ' P( W/ X) ' )
di sp( [ PwxKppv, sum( PwxKppv' ) ' ] )
di sp( [ ' Taux de Reconnai ssance TOP1: ' , num2st r ( TOPCLASSI F2( 1) ) , ' %' ] )
di sp( [ ' Taux de Reconnai ssance TOP2: ' , num2st r ( TOPCLASSI F2( 2) ) , ' %' ] )
di sp( [ ' Taux de Reconnai ssance TOP3: ' , num2st r ( TOPCLASSI F2( 3) ) , ' %' ] )
di sp( [ ' Taux d' ' Er r eur : ' , num2st r ( TOPCLASSI F2( 4) ) , ' %' ] )
end

Fig. 17 Code du classifieur Kppv

Reconnaissance de formes

Reconnaissance ue foimes Page 2u

4.3 Evaluation des performances du classifieur :
La variation du taux de reconnaissance (top1) en fonction de la distance d = m = n, et
du nombre de proches K, revient tracer la fonction relle deux variables tup1 = (d, K).

Fig. 18 Performances du classifieur Kppv.

Remarques :
- On remarque que le top1 est maximum pour un Kppv = 1, cela est vident car on a
choisi le tout plus proche.
- On remarque que le top1 est maximum pour une distance d = 6.
- Pour une meilleure reconnaissance on doit prendre n m, ceci est d au fait que
limagette est rectangulaire langueur largeur.
- On na pas pu faire varier n, m et Kppv car ceci coute beaucoup de temps et la
reprsentation sur un espace 3D est impossible.
- Le maximum atteint par le top1 est 93% avec Kppv = 1, et n = 7, m = 3





Reconnaissance de formes

Reconnaissance ue foimes Page 21

4.4 Test du classifieur Kppv pour K = 1, et n = 7, m = 3:

4.5 Conclusion
Daprs limage 3D Fig. 18, le taux de reconnaissance en top1 est proportionnel au
nombre de caractristiques d jusqu un seuil, et inversement proportionnel aux nombres de
voisins considrs K.
Cette mthode est limite toujours comme toutes les autres mthodes par la taille de la
base dapprentissage.

























Reconnaissance de formes

Reconnaissance ue foimes Page 22

IV. Combinaison des classifieurs
On dispose maintenant des dcisions prises indpendamment par chacun des classifieurs
P1 et P2, dans cette partie on va combiner ces dcisions avec des oprateurs de type mesure, qui
sont la somme et le produit :
Ps [
w

P
x
, =
P
1
[
w

P
x
, + P
2
[
w

P
x
,
P
1
_
w
]
P
x
_ ] + P
2
_
w
]
P
x
_ ]
]=9
]=0

Pp [
w

P
x
, =
P
1
[
w

P
x
, P
2
[
w

P
x
,
P
1
_
w
]
P
x
_ ] P
2
_
w
]
P
x
_ ]
]=9
]=0

Les algorithmes de calcul des tops 1, 2 et 3 sont les mme utiliss prcdemment.
- Pour loperateur somme on utilise celui du premier classifieur,
- Pour loperateur produit on utilise celui du deuxime classifieur.

f unct i on Combi n_Cl assi f i eur ( PWx_Fi l e, PWxKpppv_Fi l e, l abel _t es_f i l e)
Wx = l oad( st r cat ( ' . \ Resul t at \ ' , PWx_Fi l e) ) ;
WxKppv = l oad( st r cat ( ' . \ Resul t at \ ' , PWxKpppv_Fi l e) ) ;
Test _l abel = l oad( st r cat ( ' . \ Resul t at \ ' , l abel _t es_f i l e) ) ;
N = l engt h( Wx. PWx) ;
Wsomme = zer os( N, 10) ;
Wpr od = zer os( N, 10) ;
TOPCLASSI F1 = zer os( 4, 1) ;
TOPCLASSI F2 = zer os( 4, 1) ;
f or i =1: N
f or k = 1: 10
Wsomme( i , k) = Wx. PWx( i , k) + WxKppv. PwxKppv( i , k) ;
Wpr od( i , k) = Wx. PWx( i , k) *WxKppv. PwxKppv( i , k) ;
end
Wsomme( i , : ) = Wsomme( i , : ) / sum( Wx. PWx( i , : ) + WxKppv. PwxKppv( i , : ) ) ;
Wpr od( i , : ) = Wpr od( i , : ) / sum( Wx. PWx( i , : ) . *WxKppv. PwxKppv( i , : ) ) ;
%%l es t ops de l a somme des pr oba. . .
D = sor t ( Wsomme( i , : ) , ' descend' ) ;
D = D( 1: 3) ;
El ement = Test _l abel . l abel ( i ) ;
%%%%TOP 1
i f ( El ement == ( f i nd( Wsomme( i , : ) == D( 1) , 1, ' f i r st ' ) - 1) )
TOPCLASSI F1( 3, 1) = TOPCLASSI F1( 3, 1) + 1;
end
%%%%TOP 2
i f ( ( El ement == f i nd( Wsomme( i , : ) == D( 1) , 1, ' f i r st ' ) - 1) | | . . .
( El ement == f i nd( Wsomme( i , : ) == D( 2) , 1, ' f i r st ' ) - 1) )
TOPCLASSI F1( 2, 1) = TOPCLASSI F1( 2, 1) + 1;
end
%%%%TOP 3
i f ( ( El ement == f i nd( Wsomme( i , : ) == D( 1) , 1, ' f i r st ' ) - 1) | | . . .
( El ement == f i nd( Wsomme( i , : ) == D( 2) , 1, ' f i r st ' ) - 1) | | . . .
Reconnaissance de formes

Reconnaissance ue foimes Page 2S

( El ement == f i nd( Wsomme( i , : ) == D( 3) , 1, ' f i r st ' ) - 1) )
TOPCLASSI F1( 1, 1) = TOPCLASSI F1( 1, 1) + 1;
el se
TOPCLASSI F1( 4, 1) = TOPCLASSI F1( 4, 1) +1;
end
%%
%%l es t ops du pr odui t des pr oba. . .
Cl assi f i e = sor t ( Wpr od( i , Wpr od( i , : ) >0) , ' Descend' ) ;
accept ePr od = 0;
i f ( l engt h( f i nd( Cl assi f i e == Cl assi f i e( 1) ) ) ==1)
%%%%TOP 1
i f ( El ement == f i nd( Wpr od( i , : ) == max( Cl assi f i e) ) - 1 )
TOPCLASSI F2( 1) = TOPCLASSI F2( 1) + 1;
accept ePr od = 1;
end
MAX1 = Cl assi f i e( 1) ;
Cl assi f i e( 1) = 0;
end
i f ( l engt h( Cl assi f i e) >=2 && l engt h( f i nd( Cl assi f i e == Cl assi f i e( 2) ) ) ==1)
%%%TOP2
i f ( El ement == f i nd( Wpr od( i , : ) == max( Cl assi f i e) ) - 1| | . . .
El ement == f i nd( Wpr od( i , : ) == MAX1) - 1 )
TOPCLASSI F2( 2) = TOPCLASSI F2( 2) + 1;
accept ePr od = 1;
end
MAX2 = Cl assi f i e( 2) ;
Cl assi f i e( 2) = 0;
end

i f ( l engt h( Cl assi f i e) >=3 && l engt h( f i nd( Cl assi f i e == Cl assi f i e( 3) ) ) ==1)
%%%TOP3
i f ( Cl assi f i e( 2) +Cl assi f i e( 1) ==0)
i f ( El ement == f i nd( Wpr od( i , : ) == max( Cl assi f i e) ) - 1 | | . . .
El ement == f i nd( Wpr od( i , : ) == MAX2) - 1 | | . . .
El ement == f i nd( Wpr od( i , : ) == MAX1) - 1 )
TOPCLASSI F2( 3) = TOPCLASSI F2( 3) + 1;
accept ePr od = 1;
end
el se
i f ( El ement == f i nd( Wpr od( i , : ) == max( Cl assi f i e) ) - 1 )
TOPCLASSI F2( 3) = TOPCLASSI F2( 3) + 1;
accept ePr od = 1;
end
end
end
i f ( accept ePr od==0)
%%%%Rej et e
TOPCLASSI F2( 4) = TOPCLASSI F2( 4) +1;
end
%%
end
di sp( ' Wx Cl assi f i eur N1 : ' ) ;
di sp( [ Wx. PWx, sum( Wx. PWx' ) ' ] ) ;
di sp( ' Wx Cl assi f i eur N2 : ' ) ;
di sp( [ WxKppv. PwxKppv, sum( WxKppv. PwxKppv' ) ' ] ) ;
di sp( ' Wx [ P1 + P2 ] ' ) ;
di sp( [ Wsomme, sum( Wsomme' ) ' ] ) ;
di sp( ' Wx [ P1xP2 ] ' ) ;
di sp( [ Wpr od, sum( Wpr od' ) ' ] ) ;
di sp( ' ________________________________________________________' ) ;
di sp( ' ' ) ;
di sp( ' Les Taux de Reco P1+P2 : ' )
di sp( [ ' Taux de Reconnai ssance en TOP1 : ' , num2st r ( TOPCLASSI F1( 3) ) ] )
Reconnaissance de formes

Reconnaissance ue foimes Page 24

di sp( [ ' Taux de Reconnai ssance en TOP2 : ' , num2st r ( TOPCLASSI F1( 2) ) ] )
di sp( [ ' Taux de Reconnai ssance en TOP3 : ' , num2st r ( TOPCLASSI F1( 1) ) ] )
di sp( [ ' Taux d' ' er r eur : ' , num2st r ( TOPCLASSI F1( 4) ) ] )
di sp( ' ' ) ;
di sp( ' Les Taux de Reco P1xP2 : ' )
di sp( [ ' Taux de Reconnai ssance TOP1: ' , num2st r ( TOPCLASSI F2( 1) ) , ' %' ] )
di sp( [ ' Taux de Reconnai ssance TOP2: ' , num2st r ( TOPCLASSI F2( 2) ) , ' %' ] )
di sp( [ ' Taux de Reconnai ssance TOP3: ' , num2st r ( TOPCLASSI F2( 3) ) , ' %' ] )
di sp( [ ' Taux d' ' Er r eur : ' , num2st r ( TOPCLASSI F2( 4) ) , ' %' ] )
di sp( ' ' ) ;
di sp( ' ________________________________________________________' ) ;
end


1. Comparaison des rsultats
P1 et P2 reprsentent respectivement le premier et le deuxime classifieur.

K = 9 (P1 et P2 ont des performances proches)

Rsultat du P1

Rsultat du P2

Rsultat du (P1+P2)

Rsultat du (P1*P2)


K = 1 (P2 plus performant que P1)

Rsultat du P1

Rsultat du P2

Rsultat du (P1+P2)

Rsultat du (P1*P2)

2. Remarques et conclusion :

Reconnaissance de formes

Reconnaissance ue foimes Page 2S

- On remarque bien quen combinant deux classifieurs de performances proches, les
classifieurs rsultants sont nettement plus performants que le plus performant des
deux classifieurs du dpart, ils sont amliors en top1, top2, top3 et en taux derreur.
On peut dire que P1 remdie aux limites du classifieur P2 et inversement.
- En combinant deux classifieurs disjoints, les classifieurs rsultants auront des
performances proches que le plus performant des classifieurs du dpart.
- On remarque aussi que dans les deux cas le classifieur (P1+P2) est plus performant
que (P1*P2). On peut dire que pour notre cas de figure la combinaison la plus adapt
est la somme de P1 et P2.




















V. Conclusion gnrale
Reconnaissance de formes

Reconnaissance ue foimes Page 26

Bans ce piojet, jai ialis un systeme complet ue ieconnaissance ue chiffies
manusciits, en utilisant ueux appioches uiffientes, la piemieie en se basant sui
lextiaction ue piofils gauches et uioits et la uistance eucliuienne comme mthoue ue
ucision, la seconue consiste extiaiie les uensits en ucoupant les iectangles englobant
en plusieuis zones et lutilisation ue la mthoues ues K plus pioche voisins comme
mthoue ue ucision.
Les peifoimances obtenues vaiient globalement en fonction ues mthoues
uextiaction et notamment ue ucision utilises, en effet poui la piemieie mthoue
uextiaction , les peifoimances uu classifieui augmente en pienant plus ue sonues jusqu
un ceitain seuil, paitii uuquel les peifoimances ucioissent, ue mme poui la ueuxieme
mthoues uextiaction(uensits), les peifoimances uu classifieui augmente en fonction uu
nombies ue zones ucoupes, jusqu un ceitain seuil, o on constate une ugiauation ue
peifoimances, ceci est u au fait que linfoimation est uispeis sui un plus gianu nombies
ue zones ce qui engenuieia pai consquent une peite uinfoimation et ues confusions.
0n iemaique aussi que le seconu classifieui est plus peifoimant que le piemiei,
cai uans la piemieie mthoue le systeme a tenuance ieconnaitie ues foimes ue test plus
pioches la foime caiactiise pai le vecteui moyen (centie ue la classe), tanuis que uans
la seconue mthoue, on affecte la foime test la classe iepisente pai la foime la plus
pioche la foime test, ue plus la mthoue uextiaction pai ucoupage en zones est plus
caiactiisant ues foimes.
Poui une meilleuie peifoimance la combinaison ues ueux classifieuis est ialise,
cette amlioiation est base sui ues opiateuis ue type mesuies (somme et piouuit), cest
constatei que le piemiei opiateui (somme) est le plus auapt uans notie cas poui la
combinaison ues classifieuis. Bans le cas o les ueux classifieuis sont ue peifoimances
pioches, la combinaison ue ces ueinieis peimet uobtenii un classifieui isultant plus
peifoimant en T0P1, T0P2, T0PS et en taux ueiieui. Bans le cas contiaiie, le classifieui
isultant est ielativement ue mme peifoimance que le plus peifoimant ues ueux.