IML

IML/TP3/Kmoyennes.m

 function [C,clusters,JwIter] = Kmoyennes(X,K,CO)
 C=CO;
+iter=1;
 MaxIter=15;%fixer un nb max d'iter
 JwIter=zeros(MaxIter,1);
-iter=1;
 while iter <= MaxIter
-    [cluster,Jw]=affectation(X,C,K) %phase d'affectation
-    JwIter(iter)=Jw
-    C=nouveaux_centres(X,clusters)% calcul des nvx centres des clusters
+    [clusters,Jw]=affectation(X,C,K); %phase d'affectation
+    JwIter(iter)=Jw;
+    C=nouveaux_centres(X,clusters);% calcul des nvx centres des clusters
+    iter=iter+1;
+    fprintf('iteration no %d',iter)
 end
 end
 

IML/TP3/Kmoyennes.m~

-function [C,clusters,JwIter] = Kmoyennes(X,K,CO)
-MaxIter=15;%fixer un nb max d'iter
-JwIter=zeros(MaxIter,1);
-iter=1;
-while iter <= MaxIter
-    [cluster]
-end
-

IML/TP3/TP3.m

 %% 1 CHA
+%% george
+clear all
+data_george=importdata('george.dat');
+data_george=mydownsampling(data_george,6);
+figure, plot(data_george(:,1),data_george(:,2), 'ro', 'markersize', 8, 'markerfacecolor', 'r')
+% Calcul de la matrice de distance
+M = distance(data_george);
+% for i=1:length(M)
+% 	M(i,i) = inf;
+% end
+ 
+level_max = aggclust(M,'complete');
 
+% Affichage du dendogramme 
+figure
+dendro(level_max);
+title('Clustering avec distance max', 'fontsize', 24)
+K=6; % nombre de clusters voulus 
+% recuperation des indices des points de chaque cluster
+N = size(data_george, 1);
+clusters_george=level_max(N-K+1).cluster;
 
+% trace des clusters obtenus
+plotclusters(clusters_george, data_george, K);
+title('Clustering avec distance max', 'fontsize', 24)
+
+%% ds2 
+data_dot=importdata('ds2.dat');
+data_dot=mydownsampling(data_dot,6);
+figure, plot(data_dot(:,1),data_dot(:,2), 'ro', 'markersize', 8, 'markerfacecolor', 'r')
+% Calcul de la matrice de distance
+M = distance(data_dot);
+% for i=1:length(M)
+% 	M(i,i) = inf;
+% end
+ 
+level_max = aggclust(M, 'complete');
+
+% Affichage du dendogramme 
+figure
+dendro(level_max);
+title('Clustering avec distance max', 'fontsize', 24)
+K=2; % nombre de clusters voulus 
+% recuperation des indices des points de chaque cluster
+N = size(data_dot, 1);
+clusters_dot=level_max(N-K+1).cluster;
+
+% trace des clusters obtenus
+plotclusters(clusters_dot, data_dot, K);
+title('Clustering avec distance max', 'fontsize', 24)
 %% 2 CODAGE
+% ========================================================
+% Utilisation de AGGCLUST
+% ========================================================
+
+close all;
+
+%%% les donnees
+vmu1 = [0 0]';
+vmu2 = [3 3]';
+SIGMA = eye(2);
+
+n = 50; % nombre de points par cluster
+
+% generation de donnees aleatoires suivant lois gaussiennes
+X1 =  mvnrnd(vmu1,SIGMA,n);   % classe 1
+X2 =  mvnrnd(vmu2,SIGMA,n);    % classe 2
+
+figure, plot(X1(:,1), X1(:,2), 'ro', 'markersize', 8, 'markerfacecolor', 'r')
+hold on
+plot(X2(:,1), X2(:,2), 'bv', 'markersize', 8, 'markerfacecolor', 'b')
+title('La verite vraie','fontsize', 14)
+
+% on concatene les donnees (on suppose qu'on ne sait pas quel 
+% point est du cluster 1 ou 2
+X = [X1; X2];
+%clear X1 X2;
+M = distance(X)
+%% 4) Methode des K-Means
+%% points pris au hasard
+close all
+K=2;
+N = size(X,1);
+permu = randperm(N);
+C0 = data_dot(permu(1:K),:);
+
+
+[C, clusters, JwIter] = Kmoyennes(X, K, C0)
+% trace des clusters obtenus
+figure(9)
+subplot(2,1,1)
+plotclusters(clusters, X, K);       
+title('Clustering avec K-means', 'fontsize', 14)
+subplot(2,1,2)
+plot(X1(:,1), X1(:,2), 'ro', 'markersize', 8, 'markerfacecolor', 'r')
+hold on
+plot(X2(:,1), X2(:,2), 'bv', 'markersize', 8, 'markerfacecolor', 'b')
+title('La verite vraie','fontsize', 14)
+ %% George.dat
+close all
+K=6;
+N = size(data_george,1);
+permu = randperm(N);
+C0 = data_george(permu(1:K),:);
+[C, clusters_george_2, JwIter] = Kmoyennes(data_george, K, C0)
+figure(8)
+plot(JwIter)
+title('Decroissance de la fonction cout cas George', 'fontsize', 18)   
+%% ds2.dat
+close all
+K=2;
+N = size(data_dot,1);
+permu = randperm(N);
+C0 = data_dot(permu(1:K),:);
+
+[C, clusters_ds2_2, JwIter] = Kmoyennes(data_dot, K, C0)
+
+figure(8)
+plot(JwIter)
+title('Decroissance de la fonction cout cas ds2', 'fontsize', 18)   
+
+%% trace des clusters obtenus
+close all
+Kg=6
+Kd=2
+figure(7)
+subplot(3,1,2)
+plotclusters(clusters_george_2, data_george, Kg);       
+title('Clustering "george" avec K-means', 'fontsize', 16)   
+subplot(3,1,3)
+plotclusters(clusters_george, data_george, Kg);       
+title('Clustering "george" avec CHA', 'fontsize', 16)
+subplot(3,1,1)
+plot(data_george(:,1),data_george(:,2), 'ro', 'markersize', 8, 'markerfacecolor', 'r')
+figure(8)
+subplot(3,1,2)
+plotclusters(clusters_ds2_2, data_dot, Kd);       
+title('Clustering "ds2" avec K-means', 'fontsize', 16)   
+subplot(3,1,3)
+plotclusters(clusters_dot, data_dot, Kd);       
+title('Clustering "ds2" avec CHA', 'fontsize', 16) 
+subplot(3,1,1)
+plot(data_dot(:,1),data_dot(:,2), 'ro', 'markersize', 8, 'markerfacecolor', 'r')
+
+%% 3
+%% TP Birds
+clear all
+close all
+clc
+
+% Charger image : c'est une matrice 3D 128 x 128 x 3
+bird = double(imread('databirdie/bird_small.tiff'));
+
+% dimensions
+[Nlig, Ncol, d] = size(bird);
+
+% transformer la matrice 3D en 2D avec chaque ligne repr?sentant les canaux
+% RGB de chaque pixel ij de l'image
+X = reshape(bird, Nlig*Ncol, d);
+
+
+% ---------------- A COMPLETER AVEC VOTRE KMEANS ------------
+
+K = 32;
+N = size(X,1);
+permu = randperm(N);
+C0 = X(permu(1:K),:);
+[C, clusters_ds2_2, JwIter] = Kmoyennes(X, K, C0)
+
+% ----------------------------------------------------------
+
+% --------------- AFFICHAGE -------------------------
+% --------- On suppose que les centres trouves sont dans la matrice Centres
+Centres = round(C);
+nbclusters=K
+% afichage des centres des clusters
+figure; hold on
+for k=1:nbclusters
+   col = (1/255).*Centres(k,:);
+   rectangle('Position', [k, 0, 1, 1], 'FaceColor', col, 'EdgeColor', col);
+end
+axis off
+
+
+return
+
+%%
+% chargement de la grande image
+large_image = double(imread('databirdie/bird_large.tiff'));
+figure,
+imshow(uint8(large_image));
+title('Image initiale', 'fontsize', 16)
+
+
+% on remplace directement dans l'image la valeur rgb du pixel par le centre
+% le plus proche (pour sauver de place memorire)
+[Nlig, Ncol, d] = size(large_image);
+for i = 1:Nlig
+    for j = 1:Ncol
+        
+        r = large_image(i,j,1); g = large_image(i,j,2); b = large_image(i,j,3);
+        x = [r, g, b]; % on recupere les valeurs RGB du pixel ij
+        
+        % ---------------- A COMPLETER  ------------
+        [clusters, Jw] = affectation(x, Centres, K);
+        large_image(i,j,:) = Centres(clusters,:);
 
+    end 
+end
+% on affiche l'image apres encodage avec Kmeans 
+figure
+imshow(uint8(large_image));
+title('Encodage de l''image via Kmeans', 'fontsize', 16)

IML/TP3/affectation.m

 function [clusters,Jw] = affectation(X,C,K)
+%X est la matrice des donnees, C la matrice des barycentres, K le nombre de
+%clusters
 N=size(X,1);
 Jw=0;
 for i=1:1:N % nb de points
     for k=1:1:K% nb de clusters
-        distance(k)=sqrt((X(i,:)-C(k,:))^2);
+        distance(k)=norm(X(i,:) - C(k,:),2);
     end
     [val,indice]=min(distance); %affecte l'indice du cluster
     clusters(i) = indice;

IML/TP3/affectation.m~

-function [clusters,Jw] = affectation(X,C,K)
-%AFFECTATION Summary of this function goes here
-%   Detailed explanation goes here
-N=size(X,1);
-Jw=0;
-for i=1:1:N
-    for k
-
-
-
-
-
-clusters(i) = indice;
-Jw = Jw+val;
-end
-

IML/TP3/nouveaux_centres.m

-function C = nouveaux_centres(X,clusters)
+function [ C ] = nouveaux_centres(X,clusters)
     label_clusters = unique(clusters);%donne la liste des diff clusters
     K=length(label_clusters);
     d=size(X,2);%nb colones
-    C=zeros(k,d);%init mat c 
-    for k=1:K
+    C=zeros(K,d);%init mat c 
+    for k=1:1:K
         index=find(clusters==label_clusters(k));
         C(k,:)=mean(X(index,:));
     end

IML/TP3/plotclusters.m

 
 function eff_clusters = plotclusters(clusters, X, K)
 
-% cluster : rsultat de clustering
+% cluster : r?sultat de clustering
 % X : donnees
 % K nombre de clusters voulus
 
@@ -15,7 +15,7 @@ symbole = 'ovpsh>xd<+';
 
 eff_clusters = zeros(K,1);
 
-figure;
+%figure;
 
 for i=1:K
     if iscell(clusters)
@@ -30,4 +30,4 @@ for i=1:K
     hold on ;
 end;
 
-title('Rsultat clustering','fontsize', 14)
\ No newline at end of file
+title('R?sultat clustering','fontsize', 14)
\ No newline at end of file

IML/TP3/scriptcha_etud.m

@@ -27,8 +27,7 @@ title('La verite vraie','fontsize', 14)
 X = [X1; X2];
 
 % Calcul de la matrice de distance
-M = distance(X);
-
+M = distance(X)
 
 %% ========== CHA ===========
 % -------- ultra-metrique : diametre maximal -------
@@ -40,7 +39,7 @@ figure
 dendro(level_max);
 title('Clustering avec distance max', 'fontsize', 24)
 
-K=2; % nombre de clusters voulus
+K=4; % nombre de clusters voulus 
 % recuperation des indices des points de chaque cluster
 N = size(X, 1);
 clusters=level_max(N-K+1).cluster;

TIM/TIM_TP1.m

+%% TIM TP1 Introduction au traitement d'images
+clear all
+close all
+%% Lecture fichier
+img=imread('lena_gray.tif')
+%% Q1
+figure(1)
+imagesc(img),colormap(gray),title('Image Orginiale')
+%% Q2
+pixel=img(50,100)
+[n p]=size(img)
+quart_haut_droit=img(1:floor(n/4),1:floor(p/4));
+figure(2)
+imagesc(quart_haut_droit)
+title('Quart haut droit de l''image')
+%% Q3
+figure(3)
+imagesc(img')
+title('Image Transposee');
+%% Q4
+figure(4)
+image_retournee=imrotate(img,90);
+imagesc(image_retournee)
+title('Image retournee a 90 degrees (sens trigo)')
+%On observe que la transpos?e est une symetrie axiale a l'image obtenue par
+%imrotate tourne l'image a 90 degr? dans le sens trigonometrique
+%% 2 Creation et visualisation d'images 
+%% Q1
+N=256
+IMAX=255
+I=randi(IMAX,N);
+for i=1:N
+    for j=1:N
+        I(i,j)=j;
+    end
+end
+figure(5)
+subplot(2,1,1)
+image(I)
+title('affichage avec image')
+subplot(2,1,2)
+imagesc(I)
+title('affichage avec imagesc')
+% il semble que imagesc distribue les couleurs de maniere repartie sur
+% l'ensemble de la matrice.
+% tandis qu'image tend a applatir l'image sur les premieres couleurs et
+% affiche la suite.
+%% Q2
+figure(7)
+imagesc(I),colormap(gray),title('Image I')
+
+%% Q3 Calcul sur les images 
+img=imread('lena_color.tif');
+img2=double(img);
+%%
+figure(8)
+for i=1:3
+subplot(1,3,i)
+imagesc(img2(:,:,i))
+end
+%%
+img_gray=rgb2gray(double(img2));
+%%
+figure(9)
+imagesc(img_gray)
+%%
+alpha=0.2989
+beta=0.5870
+delta=0.114
+I_gray=alpha*img(:,:,1)+beta*img(:,:,3)+delta*img(:,:,3);
+figure(10)
+imagesc(I_gray)
+%% 4 Histogramme 
+figure(12);
+rice = imread('rice.tif');
+values = unique(rice);
+for i=1:size(values)
+   occurs(i) = length(find(rice == values(i))); 
+end
+
+bar(values, occurs);
+figure(9);
+imhist(rice);
+
+% les r?sultats sont identiques
+mostPresentedValue = values(occurs == max(occurs));
+
+cameraman = imread('cameraman.tif');
+
+
+
+