import matplotlib.pyplot as plt from matplotlib.pyplot import imread, imshow import math import numpy as np import os def afficher_matrice_confusion(matrice_confusion, normaliser=False, afficher_valeurs=False, titre="Matrice de confusion", taille_figure=(16, 14), cmap='Blues'): # Conversion en numpy array si nécessaire cm = np.array(matrice_confusion) # Normalisation si demandée if normaliser: cm = cm.astype('float') / cm.sum(axis=1, keepdims=True) fmt = '.2f' else: fmt = 'd' # Création de la figure fig, ax = plt.subplots(figsize=taille_figure) # Affichage de la matrice im = ax.imshow(cm, interpolation='nearest', cmap=cmap) ax.figure.colorbar(im, ax=ax) # Configuration des axes ax.set(xticks=np.arange(cm.shape[1]), yticks=np.arange(cm.shape[0]), xticklabels=list(symboles_confusion[0]), yticklabels=list(symboles_confusion[0]), title=titre, ylabel='Caractère réel', xlabel='Caractère prédit') # Rotation des labels pour meilleure lisibilité plt.setp(ax.get_xticklabels(), rotation=90, ha="right", rotation_mode="anchor") # Ajustement de la taille de police pour 79 caractères ax.tick_params(axis='both', which='major', labelsize=7) # Affichage optionnel des valeurs (déconseillé pour 79x79) if afficher_valeurs: thresh = cm.max() / 2. for i in range(cm.shape[0]): for j in range(cm.shape[1]): ax.text(j, i, format(cm[i, j], fmt), ha="center", va="center", color="white" if cm[i, j] > thresh else "black", fontsize=4) # Ajustement de la mise en page avec plus de marge fig.tight_layout(pad=2.0) # Ajustement manuel des marges pour éviter la coupure plt.subplots_adjust(left=0.08, right=0.95, top=0.96, bottom=0.08) plt.show() # Listes de symboles categories = ["majuscules", "minuscules", "chiffres", "special"] symboles = [ "ABCDEFGHIJKLMNOPQRSTUVWXYZ", "abcdefghijklmnopqrstuvwxyz", "0123456789", ".:,;'(!?)éèàçùêûâ", ] symboles_confusion = ["ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789.:,;'(!?)éèàçùêûâ"] # Images à lire : les images sont lues dans le répertoire # On lit 3 images du caractère "K" # 2 images du caractère "P" # 1 image du caractère "?" liste_images_à_lire = ["Open Sans Light_majuscules18_10.png", "Segoe UI Semilight_majuscules18_10.png", "Pavanam_majuscules18_10.png", "Sarabun ExtraLight_majuscules18_15.png", "Microsoft Yi Baiti_majuscules18_15.png", "Segoe UI Semilight_special18_7.png"] def lire_symbole_fichier(nomFichier: str) -> str: car = nomFichier.split('_') num = car[2].split('.')[0] var = car[1][:len(car[1])-2] ind = categories.index(var) return symboles[ind][int(num)] def liste_fichiers_repertoire(repertoire): liste_fichiers = [] for nom_fichier in os.listdir(repertoire): liste_fichiers.append(nom_fichier) return liste_fichiers # Question 2 def lire_donnees_ref(dossier, fichiers_car_ref): # Initialise le dictionnaire vide caract_ref = {} # Itération sur les fichiers for fichier in fichiers_car_ref: # Récupère le symbole symbole_fichier = lire_symbole_fichier(fichier) # Récupère l'array de l'image img = imread(dossier + "\\" + fichier) # Enregistre l'information dans le dictionnaire if symbole_fichier in caract_ref: caract_ref[symbole_fichier].append(img) else: caract_ref[symbole_fichier] = [img] return caract_ref # Question 3 : Sans numpy def distance(im1, im2): n_l, n_c = im1.shape # Nombre de lignes / colonnes # Initialise la distance = 0 d = 0 # Calcul de la distance for i in range(n_l): for j in range(n_c): d = d + (im1[i][j] - im2[i][j])**2 return math.sqrt(d) # Question 4 : Avec numpy def distance_np(im1, im2): return np.linalg.norm(im1-im2) # Question 5 : def calcul_distances(carac_ref, caract_test): # Initialise le dictionnaire des distances distances = {key:[] for key in carac_ref.keys()} # Itère sur les différents caractères stockés # dans le dictionnaire des tableaux catégorisé "carac_ref" for caractere in carac_ref: for arr in carac_ref[caractere]: dist = distance_np(arr, caract_test) distances[caractere].append(dist) return distances # Question 7 : algorithme Kvoisins à compléter def Kvoisins(distances:dict, K:int ) -> list : voisins = [(float("inf"),"") for k in range (K)] for lettre in distances: d = distances[lettre] for j in range (len(d)): if d[j] < voisins[-1][0]: k = len(voisins)-1 while k > 0 and d[j] < voisins[k-1][0]: voisins[k] = voisins[k-1] k=k-1 voisins[k] = [d[j], lettre] return voisins # Question 9 : algorithme du vote majoritaire def symbole_majoritaire(voisins): majoritaires = {} for dist,symbole in voisins: if symbole in majoritaires: majoritaires[symbole] = majoritaires[symbole] + 1 else: majoritaires[symbole] = 1 max_ = max(majoritaires.values()) index_max = list(majoritaires.values()).index(max_) return list(majoritaires.keys())[index_max] # Question 11: algorithme pour lire les symbole "test_mot" def Lire_test_mot(repertoire): symboles_numpy = {} i = 0 for nom_fichier in os.listdir(repertoire): # Lecture de l'image en array img = imread(repertoire + "\\" + nom_fichier) # Récupère la catégorie et l'index du symmbole cat = nom_fichier.split("_")[1] indx_symbole = nom_fichier.split("_")[2].split(".")[0] # Sauvegarde dans le dictionnaire car = symboles[categories.index(cat)][int(indx_symbole)] symboles_numpy[i] = (img, car) i = i + 1 return symboles_numpy # Question 12 : KNN pour retrouver le mot def KNN_test(symboles_numpy, k, base): liste_fichiers = liste_fichiers_repertoire(base) caract_ref = lire_donnees_ref(base,liste_fichiers) mot = [] for symbole in symboles_numpy: distances = calcul_distances(caract_ref, symboles_numpy[symbole][0]) voisins = Kvoisins(distances,k) mot.append(symbole_majoritaire(voisins)) return mot # Question 14: Matrice de confusion def Matrice_confusion(k,base): # Création de la matrice matrice = np.zeros(shape=(79,79), dtype=np.int16) # Base d'apprentissage liste_fichiers = liste_fichiers_repertoire(base) caract_ref = lire_donnees_ref(base,liste_fichiers) # Construction du dictionnaire symboles_numpy symboles_numpy = Lire_test_mot("test_confusion") # Recherche des n premiers symboles for i,symbole in enumerate(symboles_confusion[0]): # Récupère l'index du symbole numpy correspondant # au symbole issu de la liste de confusion liste_symboles = [symboles_numpy[i][1] for i in range(79)] index_symbole = liste_symboles.index(symbole) # Applique KNN distances = calcul_distances(caract_ref, symboles_numpy[index_symbole][0]) voisins = Kvoisins(distances,k) resultat = symbole_majoritaire(voisins) # Complète la matrice colonne = symboles_confusion[0].index(resultat) matrice[i][colonne] = matrice [i][colonne] + 1 return matrice # Question 16 : Taux de réussite def Taux_de_reussite(matrice): # Calcul de la trace trace = 0 for i in range(matrice.shape[0]): trace = trace + matrice[i,i] # Calcule de la norme norme = 0 for i in range(matrice.shape[0]): for j in range(matrice.shape[0]): norme = norme + matrice[i,j] return float(trace/norme) # Test Question 2 print("\nTest lecture des fichiers images : on lit 3 images différentes du caractère 'K'") caract_ref = lire_donnees_ref("base_11x79",liste_images_à_lire) print(caract_ref.keys()) print(len(caract_ref['K'])) imshow(caract_ref['K'][0], cmap="gray", vmin=0, vmax=1) #plt.show() # Tests Question 3 et 4 print("\nTests des calculs de distances") caract_test = lire_donnees_ref("base_référence",["Zurich Light BT_majuscules18_10.png"]) print(distance(caract_ref['K'][0],caract_ref['K'][0])) print(distance(caract_test['K'][0],caract_ref['K'][0])) print(distance(caract_test['K'][0],caract_ref['K'][1])) print(distance(caract_test['K'][0],caract_ref['K'][2])) print(distance_np(caract_ref['K'][0],caract_ref['K'][0])) print(distance_np(caract_test['K'][0],caract_ref['K'][0])) print(distance_np(caract_test['K'][0],caract_ref['K'][1])) print(distance_np(caract_test['K'][0],caract_ref['K'][2])) # Tests Question 5 print("\nTest question 5") distances = calcul_distances(caract_ref,caract_test['K'][0]) print(distances) # Test Question 7 print("\nTest question 7") print(Kvoisins(distances,6)) # Test Question 9 print("\nTest question 9") voisins = Kvoisins(distances,5) symbole = symbole_majoritaire(voisins) print(symbole) # Test Question 11 symboles_numpy = Lire_test_mot("test_mot") # Tests Question 12 print("\nTest question 12") print(KNN_test(symboles_numpy,1,"base_référence")) print(KNN_test(symboles_numpy,4,"base_11x79")) # Test question 14 print("\nTest question 14") matrice = Matrice_confusion(1,"base_référence") afficher_matrice_confusion(matrice) matrice = Matrice_confusion(4,"base_11x79") afficher_matrice_confusion(matrice) # Test question 16 print("\nTest question 16") acc = Taux_de_reussite(matrice) print(acc)