Ecole Nationale Supérieure Polytechnique de

Douala
Sciences de l’ingénieur NIV3

Filiere : SDIA
INTRODUCTION A PYTHON

PROJET INTRODUCTION A PYTHON : RECONNAISSANCE D'IMAGES

Groupe IV :

Noms des participants Matricule

EKWELLE ADJEBA WILFRIED 21G00569
KOUONANG KEPONNOUO LAREINNE 21G00624
MAGNE SIGNE MURIELLE SHARANE 23G00855
KOUNSIBE DALIWA GISELE 23G00851
NJITCHOUA ELISE SIMON 21G00593
TOWA TCHAPTCHIE EMMANUELS FILS 21G00586

Encadré par : Dr NOULAPEU NGAFFO ARMELE

Année Académique : 2023-2024

 Ecole Nationale Supérieure Polytechnique de
Douala
Sciences de l’ingénieur NIV3

Filiere : SDIA
INTRODUCTION A PYTHON

TRIEUR DE FICHIERS EN PYTHON

Problème : Trier des milliers d’images stockées sur un vieux disque dur retrouvé après le départ à la
retraite d’une des journalistes.
Solution : Implémenter en Python un trieur intelligent de fichiers
Architecture du module :

image_sorting_gr_04.py

Sort_images.py Check_accuracy.py

find_category

create_repertory

distance_euclidienne get_k_nearest_images

knn_image get_max_class

fill_feature certitude

fill_prediction

✓ Sort_images.py :

1. Find_category :
Paramètres : label
Cette fonction permet de
déterminer les categories qui
vont nous servir de référence
pour la classification.
Return : dict_label le
dictionnaire ayant pour clé la
catégorie et pour valeur le nom
de l’image.
 Ecole Nationale Supérieure Polytechnique de
Douala
Sciences de l’ingénieur NIV3

Filiere : SDIA
INTRODUCTION A PYTHON

2. Create_repertory :
Paramètres : path, unsorted,
dict_label
Cette fonction permet de créer
le répertoire « sorted » qui va
contenir les sous dossiers avec
pour nom les categories et
calculer les vecteurs features
des images.
Return : dict_image_feat le
dictionnaire ayant pour clé la
catégorie et pour valeur le
vecteur feature de l’image.

3. Distance_euclidienne :
Paramètres : v1, v2
Cette fonction calcule la distance
euclidienne entre 2 vecteurs features.
Return : euclide

4. Knn_image :
Paramètres : k, dict_distance
Cette fonction permet de
déterminer la classe et la
certitude de l’image à partir
des distances euclidiennes.
❖ Get_k_nearest_images :
Paramètres : k, dict_distance
Elle determine les k plus
proches distances.
Return : data une liste
contenant les k plus petites
distances et l’occurrence de
chaque classe pour ces
distances.
 Ecole Nationale Supérieure Polytechnique de
Douala
Sciences de l’ingénieur NIV3

Filiere : SDIA
INTRODUCTION A PYTHON

❖ Get_max_class :
Paramètres : data
Elle determine la classe
majoritaire en prenant celle
avec la plus grande occurrence.
Return : class_feat la classe de
l’image dont on cherche la
catégorie.

❖ Certitude_model :
Paramètres : data, k, class_feat
Elle determine la certitude avec la
quelle l’on est sûr de
l’appartenance de l’image a la
classe.
Return : p la certitude

5. Fill_feature :
Paramètres : img,
dict_image_feat
Cette fonction va permettre de
calculer la distance
euclidienne entre la feature de
img et chaque vecteur de
features de dict_image_feat,
de déterminer sa classe et de
mettre à jour dict_image_feat
par cette nouvelle feature dans
la classe qui a été déterminé.
Return : class_image qui est
une liste contenant la classe de
l’image prédite et la certitude
sur cette classe.
 Ecole Nationale Supérieure Polytechnique de
Douala
Sciences de l’ingénieur NIV3

Filiere : SDIA
INTRODUCTION A PYTHON

6. Fill_prediction :
Paramètres : path, name, category
Cette fonction crée un fichier
prediction.txt et y ajoute le nom
ainsi que la prédiction de classe
faite.

Sort_images :
On appelle ainsi
chaque fonction à
l’intérieur de la
fonction Sort_images
et on affiche l’image,
sa catégorie et la
certitude que cette
image appartienne à
cette classe.

✓ Check_accuracy.py

Check_accuracy :
Paramètres : path
Cette fonction permet de calculer
le taux de généralisation du
modèle.
Return : accuracy qui est le taux
de généralisation défini