K-moyennesLe partitionnement en k-moyennes (ou k-means en anglais) est une méthode de partitionnement de données et un problème d'optimisation combinatoire. Étant donnés des points et un entier k, le problème est de diviser les points en k groupes, souvent appelés clusters, de façon à minimiser une certaine fonction. On considère la distance d'un point à la moyenne des points de son cluster ; la fonction à minimiser est la somme des carrés de ces distances.
Regroupement hiérarchiqueDans le domaine de l'analyse et de la classification automatique de données, le regroupement hiérarchique est un partitionnement de données ou clustering, au moyen de diverses méthodes, dites « ascendantes » et « descendantes ». Les méthodes dites « descendantes » partent d’une solution générale vers une autre plus spécifique. Les méthodes de cette catégorie démarrent avec une seule classe contenant la totalité puis se divisent à chaque étape selon un critère jusqu’à l’obtention d’un ensemble de classes différentes.
Object co-segmentationIn computer vision, object co-segmentation is a special case of , which is defined as jointly segmenting semantically similar objects in multiple images or video frames. It is often challenging to extract segmentation masks of a target/object from a noisy collection of images or video frames, which involves object discovery coupled with . A noisy collection implies that the object/target is present sporadically in a set of images or the object/target disappears intermittently throughout the video of interest.
Adobe RGBAdobe RVB est un espace de couleur Rouge Vert Bleu (RVB) créé par Adobe Systems en 1998. Il a été conçu pour les graphistes dont le travail sur écran se destine à l'impression. Le codage de couleurs sRGB antérieur à Adobe RGB, englobe un peu moins de la moitié de la totalité des couleurs visibles, qui ont toutes une représentation dans l'espace CIE 1931. Son rapport avec cet espace se fonde sur les écrans d'ordinateurs à tube cathodique, hérités de ceux de la télévision en couleurs.
Medical image computingMedical image computing (MIC) is an interdisciplinary field at the intersection of computer science, information engineering, electrical engineering, physics, mathematics and medicine. This field develops computational and mathematical methods for solving problems pertaining to medical images and their use for biomedical research and clinical care. The main goal of MIC is to extract clinically relevant information or knowledge from medical images.
Espace de couleurvignette|Vue de côté de l'espace de couleurs CIE Lab*. Un espace de couleur ou espace chromatique est un concept de présentation des couleurs. On dispose les couleurs dans un espace à trois dimensions . Les trois nombres qui, ensemble, décrivent la couleur dans un système colorimétrique, s'assimilent à des coordonnées dans cet espace. La représentation des couleurs dans un espace chromatique ne tient pas compte de l'influence que des plages de couleur ont l'une sur l'autre .
Analyse d'imageL'analyse d'image est la reconnaissance des éléments et des informations contenus dans une . Elle peut être automatisée lorsque l'image est enregistrée sous forme numérique, au moyen d'outils informatiques. Les tâches relevant de l'analyse d'image sont multiples, depuis la lecture de codes-barres, jusqu'à la reconnaissance faciale. L'analyse d'image intervient également dans le domaine de l'art et du graphisme, pour l'interprétation des compositions et signifiants.
Diagramme de VoronoïEn mathématiques, un diagramme de Voronoï est un pavage (découpage) du plan en cellules (régions adjacentes) à partir d'un ensemble discret de points appelés « germes ». Chaque cellule enferme un seul germe, et forme l'ensemble des points du plan plus proches de ce germe que d'aucun autre. La cellule représente en quelque sorte la « zone d'influence » du germe. Le diagramme doit son nom au mathématicien russe Gueorgui Voronoï (1868-1908). Le découpage est aussi appelé décomposition de Voronoï, partition de Voronoï ou tessellation de Dirichlet.
Determining the number of clusters in a data setDetermining the number of clusters in a data set, a quantity often labelled k as in the k-means algorithm, is a frequent problem in data clustering, and is a distinct issue from the process of actually solving the clustering problem. For a certain class of clustering algorithms (in particular k-means, k-medoids and expectation–maximization algorithm), there is a parameter commonly referred to as k that specifies the number of clusters to detect.
YUV[[Fichier:Yuv.png|thumb|Exemple d'une plage U-V, où Y' = 0,5, représenté à l'intérieur de la gamme de couleurs R'G'B' ; en noir et blanc, seule Y est utilisée, toutes ces couleurs rendent donc le même gris.]] thumb|Décomposition d'une image en Y'UV. Le modèle YUV ou plus précisément Y'UV''' définit un espace colorimétrique en trois composantes. La première, Y', représente la luma'' (à ne pas confondre avec la luminance relative notée Y, le symbole prime de Y' indiquant une correction de gamma) et les deux autres, U et V, représentent la chrominance.
Rouge-vert-bleuvignette|Cellules lumineuses rouge, vert, bleu d'un écran vidéo, en gros plan. Rouge-vert-bleu (RVB, ou RGB pour l'anglais red-green-blue) désigne un système de traitement optique, d'affichage électronique ou d'un codage de signal vidéo analogique ou un codage informatique des couleurs. Pour restituer la perception humaine colorée d'une image, différentes méthodes existent, en peinture, en imprimerie, en projection photographique, vidéo ou en affichage électronique et notamment, grâce au principe de la trichromie.
Mean shiftMean shift is a non-parametric feature-space mathematical analysis technique for locating the maxima of a density function, a so-called mode-seeking algorithm. Application domains include cluster analysis in computer vision and . The mean shift procedure is usually credited to work by Fukunaga and Hostetler in 1975. It is, however, reminiscent of earlier work by Schnell in 1964. Mean shift is a procedure for locating the maxima—the modes—of a density function given discrete data sampled from that function.
Méthode d'OtsuEn vision par ordinateur et , la méthode d'Otsu est utilisée pour effectuer un automatique à partir de la forme de l', ou la réduction d'une image à niveaux de gris en une image binaire. L'algorithme suppose alors que l'image à binariser ne contient que deux classes de pixels, (c'est-à-dire le premier plan et l'arrière-plan) puis calcule le seuil optimal qui sépare ces deux classes afin que leur variance intra-classe soit minimale. L'extension de la méthode originale pour faire du seuillage à plusieurs niveaux est appelée Multi Otsu method.
Couleurvignette|Peinture de Claude Monet. La couleur est la perception visuelle de l'aspect d'une surface ou d'une lumière, basée, sans lui être rigoureusement liée, sur la répartition spectrale de la lumière, qui stimule des cellules nerveuses spécialisées situées sur la rétine nommées cônes. Le système nerveux transmet et traite l'influx jusqu'au cortex visuel.
Centroidal Voronoi tessellationIn geometry, a centroidal Voronoi tessellation (CVT) is a special type of Voronoi tessellation in which the generating point of each Voronoi cell is also its centroid (center of mass). It can be viewed as an optimal partition corresponding to an optimal distribution of generators. A number of algorithms can be used to generate centroidal Voronoi tessellations, including Lloyd's algorithm for K-means clustering or Quasi-Newton methods like BFGS.
Segmentation (marketing)vignette|Celle ci parle du tranche d'âge des enfants qui pourront fréquenter les différentes market qui existent La segmentation d'un marché consiste à le découper analytiquement en sous-marchés homogènes. Cette analyse se pratique en particulier mais pas uniquement dans le domaine du marketing. La segmentation dite « de ciblage », ou de détermination des couples produit-marché, vise à qualifier et à quantifier la relation qui peut exister entre le produit et son marché.
Segmentation d'imageLa segmentation d'image est une opération de s consistant à détecter et rassembler les pixels suivant des critères, notamment d'intensité ou spatiaux, l'image apparaissant ainsi formée de régions uniformes. La segmentation peut par exemple montrer les objets en les distinguant du fond avec netteté. Dans les cas où les critères divisent les pixels en deux ensembles, le traitement est une binarisation. Des algorithmes sont écrits comme substitut aux connaissances de haut niveau que l'homme mobilise dans son identification des objets et structures.
Color quantizationIn computer graphics, color quantization or color image quantization is applied to color spaces; it is a process that reduces the number of distinct colors used in an , usually with the intention that the new image should be as visually similar as possible to the original image. Computer algorithms to perform color quantization on bitmaps have been studied since the 1970s. Color quantization is critical for displaying images with many colors on devices that can only display a limited number of colors, usually due to memory limitations, and enables efficient compression of certain types of images.
Single-linkage clusteringIn statistics, single-linkage clustering is one of several methods of hierarchical clustering. It is based on grouping clusters in bottom-up fashion (agglomerative clustering), at each step combining two clusters that contain the closest pair of elements not yet belonging to the same cluster as each other. This method tends to produce long thin clusters in which nearby elements of the same cluster have small distances, but elements at opposite ends of a cluster may be much farther from each other than two elements of other clusters.
Clustering high-dimensional dataClustering high-dimensional data is the cluster analysis of data with anywhere from a few dozen to many thousands of dimensions. Such high-dimensional spaces of data are often encountered in areas such as medicine, where DNA microarray technology can produce many measurements at once, and the clustering of text documents, where, if a word-frequency vector is used, the number of dimensions equals the size of the vocabulary.
