Automatisation du choix de l'analyse du plan ou de la page

main.py

@@ -1,12 +1,31 @@
 import os
-import cv2
+import subprocess
 from src.pipeline import ObjectDetectionPipeline
 from src.classifiers.bayesian import BayesianClassifier
 from collections import defaultdict
 
+# Définissez le mode d'analyse ici : "plan" ou "page"
+analysis_mode = "plan"
+
 if __name__ == "__main__":
-    # Chemin vers le modèle entraîné
+    # Configuration basée sur le mode
+    if analysis_mode == "plan":
+        dataset_path = "data/catalogueSymbol"
+        model_path = "models/bayesian_modelPLAN.pth"
+        image_path = "data/plan.png"
+    else:
+        dataset_path = "data/catalogue"
         model_path = "models/bayesian_modelPAGE.pth"
+        image_path = "data/page.png"
+
+    # Lancer l'entraînement via train.py
+    print(f"Lancement de l'entraînement pour le mode '{analysis_mode}'...")
+    try:
+        subprocess.run(["python", "train.py", dataset_path, model_path], check=True)
+        print(f"Entraînement terminé et modèle sauvegardé dans {model_path}")
+    except subprocess.CalledProcessError as e:
+        print(f"Erreur lors de l'exécution de train.py : {e}")
+        exit(1)
 
     # Chargement du modèle bayésien
     print(f"Chargement du modèle bayésien depuis {model_path}")
@@ -18,8 +37,7 @@ if __name__ == "__main__":
         print(f"Erreur lors du chargement du modèle : {e}")
         exit(1)
 
-    # Chemin de l'image de test
+    # Vérification de l'existence de l'image
-    image_path = "data/page.png"
     if not os.path.exists(image_path):
         print(f"L'image de test {image_path} n'existe pas.")
         exit(1)
@@ -33,6 +51,9 @@ if __name__ == "__main__":
     print("Initialisation de la pipeline...")
     pipeline = ObjectDetectionPipeline(image_path=image_path, model=bayesian_model, output_dir=output_dir)
 
+    # Définition du mode (plan ou page)
+    pipeline.set_mode(analysis_mode)
+
     # Chargement de l'image
     print("Chargement de l'image...")
     try:
@@ -45,6 +66,7 @@ if __name__ == "__main__":
     print("Détection et classification des objets...")
     try:
         class_counts, detected_objects = pipeline.detect_and_classify_objects()
+        print("Classes détectées :", class_counts)
     except Exception as e:
         print(f"Erreur lors de la détection/classification : {e}")
         exit(1)
@@ -53,42 +75,4 @@ if __name__ == "__main__":
     print("Sauvegarde et affichage des résultats...")
     pipeline.display_results(class_counts, detected_objects)
 
-    # Chargement des comptes réels manuels avec distinction entre minuscule et majuscule
-    true_counts_manual = {
-        'A_': 30, 'A': 30, 'B_': 4, 'B': 0, 'C_': 14, 'C': 14, 'D_': 17, 'D': 17,
-        'E_': 68, 'E': 69, 'F_': 2, 'F': 2, 'G_': 8, 'G': 8, 'H_': 9, 'H': 9,
-        'I_': 26, 'I': 25, 'J_': 1, 'J': 0, 'K_': 0, 'K': 0, 'L_': 20, 'L': 19,
-        'M_': 15, 'M': 15, 'N_': 30, 'N': 29, 'O_': 37, 'O': 37, 'P_': 23, 'P': 22,
-        'Q_': 5, 'Q': 4, 'R_': 28, 'R': 27, 'S_': 26, 'S': 25, 'T_': 38, 'T': 38,
-        'U_': 25, 'U': 25, 'V_': 7, 'V': 6, 'W_': 1, 'W': 0, 'X_': 2, 'X': 2,
-        'Y_': 6, 'Y': 5, 'Z_': 3, 'Z': 2,
-        '1': 8, '2': 11, '3': 2, '4': 1, '5': 2, '6': 1, '7': 1, '8': 3, '9': 3
-    }
-
-    # Chargement des résultats détectés depuis results.txt
-    results_path = "output/results.txt"
-    detected_counts = defaultdict(int)
-    if os.path.exists(results_path):
-        with open(results_path, "r") as f:
-            for line in f:
-                char, count = line.strip().split(":")
-                detected_counts[char.strip()] = int(count.strip())
-    else:
-        print(f"Le fichier {results_path} n'existe pas.")
-        exit(1)
-
-    # Calcul du pourcentage de précision
-    print("Calcul du pourcentage de précision...")
-    total_true = sum(true_counts_manual.values())
-    common_keys = set(true_counts_manual.keys()) & set(detected_counts.keys())
-
-    correctly_detected = sum(min(detected_counts[char], true_counts_manual[char]) for char in common_keys)
-    precision = (correctly_detected / total_true) * 100 if total_true > 0 else 0
-
-    # Afficher les résultats
-    print("\nRésultats de comparaison :")
-    for char in sorted(common_keys):
-        print(f"{char}: True={true_counts_manual[char]}, Detected={detected_counts[char]}")
-
-    print(f"\nPrécision globale : {precision:.2f}%")
     print(f"Les résultats ont été sauvegardés dans le dossier : {output_dir}")

src/classifiers/bayesian.py

@@ -12,6 +12,7 @@ class BayesianClassifier:
         self.feature_variances = {}
         self.class_priors = {}
         self.classes = []
+        self.mode = None  # Défini par le main.py ("plan" ou "page")
 
         # Initialize HOG descriptor with standard parameters
         self.hog = cv2.HOGDescriptor(
@@ -22,61 +23,51 @@ class BayesianClassifier:
             _nbins=9
         )
 
+    def set_mode(self, mode):
+        """
+        Configure le mode d'analyse (plan ou page) et ajuste les classes autorisées.
+        """
+        self.mode = mode
+        if mode == "plan":
+            self.classes = ['Figure1', 'Figure2', 'Figure3', 'Figure4', 'Figure5', 'Figure6']
+        elif mode == "page":
+            self.classes = ['2', 'd', 'I', 'n', 'o', 'u']
+        else:
+            raise ValueError(f"Mode inconnu : {mode}")
+
     def extract_features(self, image):
+        """
+        Extrait des caractéristiques d'une image (via HOG et normalisation).
+        """
         try:
-            # Convert image to grayscale
             if len(image.shape) == 3 and image.shape[2] == 3:
                 gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
             else:
                 gray_image = image
 
-            # Apply adaptive thresholding
+            resized_image = cv2.resize(gray_image, (28, 28))
-            binary_image = cv2.adaptiveThreshold(
+            hog_features = self.hog.compute(resized_image)
-                gray_image, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY_INV, 11, 2
-            )
 
-            # Find contours
+            features = hog_features.flatten()
-            contours, _ = cv2.findContours(binary_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
+            norm = np.linalg.norm(features)
-            if not contours:
+            return features / norm if norm > 1e-6 else features
-                print("No contours found.")
-                return np.array([])
-
-            features = []
-            for contour in contours:
-                if cv2.contourArea(contour) < 22:
-                    continue
-
-                x, y, w, h = cv2.boundingRect(contour)
-                letter_image = gray_image[y:y + h, x:x + w]
-                letter_image = cv2.resize(letter_image, (28, 28))
-
-                # Compute HOG features
-                hog_features = self.hog.compute(letter_image)
-                features.append(hog_features.flatten())
-
-            features = np.array(features)
-            if features.size == 0:
-                print("No features extracted.")
-                return np.array([])
-
-            norms = np.linalg.norm(features, axis=1, keepdims=True)
-            features = features / np.where(norms > 1e-6, norms, 1)
-
-            return features
         except Exception as e:
             print(f"Error in extract_features: {e}")
             return np.array([])
 
     def train(self, dataset_path):
+        """
+        Entraîne le modèle bayésien sur un dataset structuré en sous-dossiers par classe.
+        """
         class_features = defaultdict(list)
         total_images = 0
 
         for class_name in os.listdir(dataset_path):
+            if class_name not in self.classes:
+                continue
+
             class_folder_path = os.path.join(dataset_path, class_name)
             if os.path.isdir(class_folder_path):
-                if class_name not in self.classes:
-                    self.classes.append(class_name)
-
                 for img_name in os.listdir(class_folder_path):
                     img_path = os.path.join(class_folder_path, img_name)
                     if os.path.isfile(img_path):
@@ -85,11 +76,8 @@ class BayesianClassifier:
                             if image is not None:
                                 features = self.extract_features(image)
                                 if features.size > 0:
-                                    for feature in features:
+                                    class_features[class_name].append(features)
-                                        class_features[class_name].append(feature)
                                     total_images += 1
-                                else:
-                                    print(f"No features extracted for {img_path}")
                             else:
                                 print(f"Failed to load image: {img_path}")
                         except Exception as e:
@@ -105,6 +93,9 @@ class BayesianClassifier:
         print("Training completed for classes:", self.classes)
 
     def save_model(self, model_path):
+        """
+        Sauvegarde le modèle entraîné dans un fichier.
+        """
         model_data = {
             "feature_means": self.feature_means,
             "feature_variances": self.feature_variances,
@@ -117,8 +108,11 @@ class BayesianClassifier:
         print(f"Model saved to {model_path}")
 
     def load_model(self, model_path):
+        """
+        Charge un modèle existant depuis un fichier.
+        """
         if os.path.exists(model_path):
-            model_data = torch.load(model_path, weights_only=False)
+            model_data = torch.load(model_path)
             self.feature_means = model_data["feature_means"]
             self.feature_variances = model_data["feature_variances"]
             self.class_priors = model_data["class_priors"]
@@ -127,7 +121,10 @@ class BayesianClassifier:
         else:
             print(f"No model found at {model_path}.")
 
-    def predict(self, image):
+    def predict(self, image, threshold=-65000):
+        """
+        Prédit la classe d'une image en utilisant le modèle bayésien.
+        """
         try:
             features = self.extract_features(image)
             if features.size == 0:
@@ -144,12 +141,21 @@ class BayesianClassifier:
                 posterior = likelihood + np.log(prior)
                 posteriors[class_name] = posterior
 
-            return max(posteriors, key=posteriors.get)
+            max_class = max(posteriors, key=posteriors.get)
+            max_posterior = posteriors[max_class]
+
+            print(f"Class: {max_class}, Posterior: {max_posterior}")
+            if max_posterior < threshold:
+                return None
+            return max_class
         except Exception as e:
             print(f"Error in prediction: {e}")
             return None
 
     def visualize(self):
+        """
+        Visualise les moyennes des caractéristiques par classe.
+        """
         if not self.classes:
             print("No classes to visualize.")
             return

src/pipeline.py

@@ -5,15 +5,9 @@ from collections import defaultdict
 
 
 class ObjectDetectionPipeline:
-    def __init__(self, image_path, model=None, output_dir="output", min_contour_area=50, binary_threshold=127):
+    def __init__(self, image_path, model=None, output_dir="output", min_contour_area=20, binary_threshold=None):
         """
-        Initialisation de la pipeline de détection d'objets.
+        Initialise le pipeline de détection et classification d'objets.
-
-        :param image_path: Chemin de l'image à traiter
-        :param model: Modèle de classification à utiliser
-        :param output_dir: Dossier où les résultats seront sauvegardés
-        :param min_contour_area: Aire minimale des contours à prendre en compte
-        :param binary_threshold: Seuil de binarisation pour les canaux
         """
         self.image_path = image_path
         self.image = None
@@ -22,23 +16,45 @@ class ObjectDetectionPipeline:
         self.output_dir = output_dir
         self.min_contour_area = min_contour_area
         self.binary_threshold = binary_threshold
+        self.mode = None  # Défini par le main.py ("plan" ou "page")
 
         if not os.path.exists(self.output_dir):
             os.makedirs(self.output_dir)
 
+    def set_mode(self, mode):
+        """
+        Configure le mode d'analyse (plan ou page).
+        """
+        self.mode = mode
+        if self.mode == "plan":
+            self.annotated_output_path = os.path.join(self.output_dir, "annotated_plan.jpg")
+            self.detection_threshold = -395000  # Seuil pour le mode plan
+        elif self.mode == "page":
+            self.annotated_output_path = os.path.join(self.output_dir, "annotated_page.jpg")
+            self.detection_threshold = -65000  # Seuil pour le mode page
+        else:
+            raise ValueError(f"Mode inconnu : {mode}")
+
     def load_image(self):
-        """Charge l'image spécifiée."""
+        """
+        Charge l'image spécifiée.
+        """
         self.image = cv2.imread(self.image_path)
         if self.image is None:
-            raise FileNotFoundError(f"L'image {self.image_path} est introuvable.")
+            raise FileNotFoundError(f"Image {self.image_path} non trouvée.")
         return self.image
 
     def preprocess_image(self):
-        """Prétraite l'image pour la préparer à l'inférence."""
+        """
+        Prétraite l'image pour la détection.
+        """
         channels = cv2.split(self.image)
         binary_images = []
 
         for channel in channels:
+            if self.binary_threshold is None:
+                _, binary_channel = cv2.threshold(channel, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
+            else:
                 _, binary_channel = cv2.threshold(channel, self.binary_threshold, 255, cv2.THRESH_BINARY_INV)
             binary_images.append(binary_channel)
 
@@ -48,7 +64,9 @@ class ObjectDetectionPipeline:
         return binary_image
 
     def detect_and_classify_objects(self):
-        """Détecte et classe les objets présents dans l'image."""
+        """
+        Détecte et classe les objets dans l'image.
+        """
         if self.model is None:
             raise ValueError("Aucun modèle de classification fourni.")
 
@@ -65,9 +83,10 @@ class ObjectDetectionPipeline:
             x, y, w, h = cv2.boundingRect(contour)
             letter_image = self.image[y:y + h, x:x + w]
 
-            predicted_class = self.model.predict(letter_image)
+            # Prédit la classe de l'objet détecté
+            predicted_class = self.model.predict(letter_image, threshold=self.detection_threshold)
             if predicted_class is None:
-                print("Skipping object with invalid prediction.")
+                print("Objet ignoré en raison d'une faible ressemblance.")
                 continue
 
             class_counts[predicted_class] += 1
@@ -76,33 +95,34 @@ class ObjectDetectionPipeline:
         return dict(sorted(class_counts.items())), detected_objects
 
     def save_results(self, class_counts, detected_objects):
-        """Sauvegarde les résultats de détection et classification."""
+        """
-        # Sauvegarder l'image binaire
+        Sauvegarde les résultats de la détection et de la classification.
+        """
         binary_output_path = os.path.join(self.output_dir, "binary_image.jpg")
         cv2.imwrite(binary_output_path, self.binary_image)
 
-        # Sauvegarder l'image annotée
         annotated_image = self.image.copy()
         for (x, y, w, h, predicted_class) in detected_objects:
             cv2.rectangle(annotated_image, (x, y), (x + w, y + h), (0, 255, 0), 2)
             cv2.putText(annotated_image, str(predicted_class), (x, y - 10),
                         cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
-        annotated_output_path = os.path.join(self.output_dir, "annotated_page.jpg")
-        cv2.imwrite(annotated_output_path, annotated_image)
 
-        # Sauvegarder les classes et leurs occurrences
+        cv2.imwrite(self.annotated_output_path, annotated_image)
+
         results_text_path = os.path.join(self.output_dir, "results.txt")
         with open(results_text_path, "w") as f:
             for class_name, count in class_counts.items():
                 f.write(f"{class_name}: {count}\n")
 
     def display_results(self, class_counts, detected_objects):
-        """Affiche et sauvegarde les résultats."""
+        """
+        Affiche et sauvegarde les résultats.
+        """
         self.save_results(class_counts, detected_objects)
 
         plt.figure(figsize=(10, 5))
         plt.bar(class_counts.keys(), class_counts.values())
         plt.xlabel("Classes")
-        plt.ylabel("Nombre d'objets")
+        plt.ylabel("Nombre d'objets détectés")
         plt.title("Distribution des classes détectées")
         plt.show()

train.py

@@ -1,40 +1,44 @@
-import os
+from main import analysis_mode
-from collections import defaultdict
+
-import numpy as np
+if analysis_mode == "plan":
-import cv2
+    dataset_path = "data/catalogueSymbol"
+    allowed_classes = ['Figure1', 'Figure2', 'Figure3', 'Figure4', 'Figure5', 'Figure6']
+    model_path = "models/bayesian_modelPLAN.pth"
+else:
+    dataset_path = "data/catalogue"
+    allowed_classes = ['2', 'd', 'I', 'n', 'o', 'u']
+    model_path = "models/bayesian_modelPAGE.pth"
 
 from src.classifiers.bayesian import BayesianClassifier
+from collections import defaultdict
+import os
+import cv2
+import numpy as np
 
-if __name__ == "__main__":
+# Initialisation
-    # Chemin vers le dataset d'entraînement
-    dataset_path = "data/catalogue"
-
-    # Initialisation du classifieur Bayésien
 bayesian_model = BayesianClassifier()
 
 print("Début de l'entraînement...")
-
-    # Dictionnaire pour stocker les caractéristiques par classe
 class_features = defaultdict(list)
 total_images = 0
 
 # Parcours des classes dans le dataset
 for class_name in os.listdir(dataset_path):
+    if class_name not in allowed_classes:
+        continue
+
     class_folder_path = os.path.join(dataset_path, class_name)
     if not os.path.isdir(class_folder_path):
-            continue  # Ignorer les fichiers qui ne sont pas des dossiers
+        continue
 
-        # Ajouter la classe au modèle si elle n'existe pas déjà
     if class_name not in bayesian_model.classes:
         bayesian_model.classes.append(class_name)
 
-        # Parcours des images dans le dossier de la classe
     for image_name in os.listdir(class_folder_path):
         image_path = os.path.join(class_folder_path, image_name)
         image = cv2.imread(image_path)
 
         if image is not None:
-                # Extraire les caractéristiques de l'image
             features = bayesian_model.extract_features(image)
             for feature in features:
                 class_features[class_name].append(feature)
@@ -45,12 +49,9 @@ if __name__ == "__main__":
     if class_name in class_features:
         features = np.array(class_features[class_name])
         bayesian_model.feature_means[class_name] = np.mean(features, axis=0)
-            bayesian_model.feature_variances[class_name] = np.var(features, axis=0) + 1e-6  # Éviter la division par zéro
+        bayesian_model.feature_variances[class_name] = np.var(features, axis=0) + 1e-6
         bayesian_model.class_priors[class_name] = len(features) / total_images
 
 print("Entraînement terminé.")
-
-    # Sauvegarde du modèle entraîné
-    model_path = "models/bayesian_modelPAGE.pth"
 bayesian_model.save_model(model_path)
 print(f"Modèle sauvegardé dans : {model_path}")