Apprentissage profond et super-pixels pour une approche sémantique de compression d’image
| dc.contributor.author | LEMNADJLIA, Saida | |
| dc.date.accessioned | 2026-04-12T21:14:57Z | |
| dc.date.available | 2026-04-12T21:14:57Z | |
| dc.date.issued | 2025 | |
| dc.description.abstract | La compression d’image joue un rôle crucial dans de nombreux domaines liés à l’imagerie numérique, notamment pour le stockage, la transmission rapide sur les réseaux et l’optimisation des ressources dans des contextes contraints (tels que les appareils mobiles, les systèmes embarqués ou le cloud). Face à l’augmentation constante de la résolution et du volume des images générées, il devient indispensable de développer des techniques de compression à la fois efficaces et intelligentes. Cette thèse propose une approche innovante de compression d’image fondée sur une combinaison de super-pixels et d’apprentissage profond, dans une optique sémantique. Contrairement aux méthodes classiques comme JPEG, qui exploitent principalement des redondances statistiques, cette approche cherche à comprendre le contenu visuel pour adapter dynamiquement le taux de compression. L’idée repose sur le constat que toutes les régions d’une image n’ont pas la même valeur sémantique. Ainsi, les zones contenant des objets importants (comme les visages ou objets spécifiques) méritent une compression avec perte minimale, tandis que les arrière-plans ou les zones moins informatives peuvent être compressés davantage sans altérer la perception globale. La méthode commence par une segmentation en super-pixels, permettant de regrouper les pixels similaires tout en respectant les contours des objets. Ensuite, un réseau de neurones profond analyse ces super-pixels pour en estimer l’importance sémantique. Cette estimation sert de guide pour ajuster le taux de compression localement. Les résultats expérimentaux démontrent que cette stratégie permet de réduire significativement le débit binaire tout en maintenant une qualité visuelle élevée, notamment sur les régions sémantiquement importantes. Des mesures objectives (PSNR, MSE, SS) et des évaluations subjectives confirment les performances de la méthode. En intégrant l’intelligence artificielle à la compression, cette approche ouvre la voie à des systèmes adaptatifs et conscients du contenu, adaptés à des usages variés comme la télémédecine, la vidéosurveillance, ou les véhicules autonomes, où la qualité des informations transmises est aussi cruciale que leur volume. | |
| dc.format | ||
| dc.identifier.uri | https://dspace.univ-annaba.dz//handle/123456789/4657 | |
| dc.language.iso | fr | |
| dc.publisher | Université Badji Mokhtar Annaba | |
| dc.subject | compression; jpeg; facteur de qualité; compression sémantique; apprentissage profond; cnn; super pixel; rol | |
| dc.title | Apprentissage profond et super-pixels pour une approche sémantique de compression d’image | |
| dc.type | Thesis |