Adaptability of computer vision and image processing algorithms to resource-constrained systems

Simple item page
dc.contributor.authorKhelifi, Ramzi
dc.contributor.authorNini, Brahim
dc.date.accessioned2025-03-02T17:20:22Z
dc.date.available2025-03-02T17:20:22Z
dc.date.issued2025
dc.description.abstractAdapting computer vision and image processing algorithms to resource-constrained systems is essential for enabling their deployment in diverse, real-world applications. Resource- constrained environments, such as embedded systems (ES), often face significant limitations in computational power, memory capacity, and energy availability. Extending hardware to address these limitations is often impractical due to cost and scalability concerns, making adaptability a more feasible and efficient solution. By adapting these algorithms, systems can overcome underlying limitations in physical resources, and power, enabling them to execute tasks effectively. Various domains are increasingly adopting embedded computer vision systems, which play a pivotal role in enabling advanced technologies such as autonomous vehicles and industrial automation. Their cost-effectiveness, compact size, and portability make them particularly well-suited for diverse implementations and operations. In real-time scenarios, these systems must process visual data with minimal latency, which is crucial for immediate decision-making. However, these solutions continue to face significant challenges related to computational efficiency, memory usage, and accuracy. This dissertation addresses these challenges by enhancing classification methodologies, specifically in Gray Level Co-occurrence Matrix (GLCM) feature extraction and Support Vector Machine (SVM) classifiers. To maintain a high level of accuracy while preserving performance, a smaller feature set is selected following a comprehensive complexity analysis and is further refined through Correlation-based Feature Selection (CFS). The proposed method achieves an overall classification accuracy of 84.76% with a feature set reduced by 79.2%, resulting in a 72.45% decrease in processing time, a 50% reduction in storage requirements, and up to a 77.8% decrease in memory demand during prediction. These improvements demonstrate the effectiveness of the proposed approach in improving the adaptability and capabilities of embedded vision systems (EVS), optimising their performance under the constraints of real-time limited-resource environments. L'adaptation des algorithmes de vision par ordinateur et de traitement d'images aux systèmes à ressources limitées est essentielle pour permettre leur déploiement dans diverses applications du monde réel. Les environnements à ressources limitées, tels que les systèmes embarqués, sont souvent confrontés à des limitations importantes en termes de puissance de calcul, de capacité mémoire et de disponibilité énergétique. atendre le matériel pour surmonter ces limitations est souvent impraticable en raison des coûts et des défis de scalabilité, rendant l'adaptabilité une solution plus pratique, viable et efficace. En adaptant ces algorithmes, les systèmes peuvent contourner les limitations sous-jacentes en ressources physiques et en énergie, leur permettant d’exécuter des tâches de manière efficace. Les systèmes de vision embarqués sont de plus en plus adoptés dans divers domaines, jouant un rôle clé dans la mise en luvre de technologies avancées telles que les véhicules autonomes et l’automatisation industrielle. Leur rapport coût- efficacité, leur taille compacte et leur portabilité les rendent particulièrement favorables à des implémentations et des opérations variées. Dans les scénarios en temps réel, ces systèmes doivent traiter les données visuelles avec une latence minimale, une exigence fondamentale pour une prise de décision immédiate. Cependant, ces solutions continuent de faire face à des défis importants liés à l’efficacité computationnelle, à l’utilisation de la mémoire et à la précision. Cette thèse aborde ces défis en améliorant les méthodologies de classification, notamment dans l'extraction de caractéristiques à l'aide de la matrice de cooccurrence des niveaux de gris (Gray Level Co- occurrence Matrix, GLCM) et les classificateurs à vecteurs de support (Support Vector Machine, SVM). Pour maintenir un niveau élevé de précision tout en préservant les performances, un ensemble de caractéristiques réduit est sélectionné à l'issue d'une analyse approfondie de la complexité et ensuite est affiné par une méthode de sélection de caractéristiques basée sur la corrélation (Correlation-based Feature Selection, CFS). La méthode proposée atteint une précision globale de classification de 84,76% avec un ensemble de caractéristiques réduit de 79,2%, entraînant une diminution de 72,45% du temps de traitement, une réduction de 50% des besoins en stockage et une diminution allant jusqu'à 77,8% de la demande en mémoire pendant la phase de prédiction. Ces améliorations démontrent l'efficacité de l'approche proposée pour renforcer l'adaptabilité et les capacités des systèmes de vision embarqués (Embedded Vision Systems, EVS), en optimisant leurs performances sous les contraintes des environnements à ressources limitées soumis aux exigences du temps réel. يعد تكييف خوارزميات الرؤية الحاسوبية وخوارزميات معالجة الصور للتشغيل على الأنظمة محدودة الموارد أمرًا ضروريًا لتمكين نشرها في تطبيقات متنوعة في العالم الحقيقي. غالبًا ما تواجه البيئات المحدودة الموارد مثل الأنظمة المدمجة قيودًا كبيرة في القدرة الحاسوبية وسعة الذاكرة وتوافر الطاقة. وغالبًا ما يكون توسيع نطاق الأجهزة لمعالجة هذه القيود غير عملي بسبب مخاوف تتعلق بالتكلفة وقابلية التوسع، مما يجعل خيار التكييف حلاً أكثر جدوى وفعالية. من خلال تكييف هذه الخوارزميات، يمكن للأنظمة التغلب على القيود المتأصلة في الموارد المادية والطاقة، مما يمكنها من تنفيذ المهام بفعالية. يتم اعتماد أنظمة الرؤية الحاسوبية المدمجة بشكل متزايد في مختلف المجالات، حيث تلعب دوراً محورياً في تمكين التقنيات المتقدمة مثل المركبات ذاتية القيادة والتشغيل الالي الصناعي. كما أنتكلفتها الاقتصادية وحجمها الصغير وقابليتها للنقل تجعلها مناسبة بشكل خاص للتطبيقات والعمليات المتنوعة. في سيناريوهات الوقت الحقيقي، يجب أن تعالج هذه الأنظمة البيانات المرئية بأقل قدر من التأخير في الوصول إلى البيانات، وهو أمر بالغ الأهمية لاتخاذ القرارات الفورية. ومع ذلك، لا تزال هذه الحلول تواجه تحديات كبيرة تتعلق بالكفاءة الحسابية واستخدام الذاكرة والدقة. تعالج الأطروحة هذه التحديات من خلال تعزيز منهجيات التصنيف، وتحديداً في استخراج ميزات مصفوفة التكرار المشترك للمستوى الرمادي (GLCM) ومصنفات آلة دعم المتجهات(SVM). من أجل الابقاء على مستوى عالٍ من الدقة مع الحفاظ على الأداء، يتم اختيار مجموعة ميزات أصغر بعد إجراء تحليل شامل للتعقيد ويتم تنقيحها بشكل أكبر من خلال اختيار الميزات القائمة على الارتباط (CFS) وتحقق الطريقة المقترحة دقة تصنيف إجمالية تبلغ 84.76% مع مجموعة ميزات مخفضة بنسبة 79.2%، مما يؤدي إلى انخفاض بنسبة 72.45% في وقت المعالجة وانخفاض بنسبة 50% في متطلبات التخزين وانخفاض يصل إلى 77.8% في الطلب على الذاكرة أثناء التنبؤ. تُظهر هذه التحسينات فعالية المنهجية المقترحة في تحسين قدرة أنظمة الرؤية المدمجة (EVS) على التكيف وتحسين أدائها في ظل قيود بيئات الوقت الحقيقي محدودة الموارد.
dc.identifier.urihttp://dspace.univ-oeb.dz:4000/handle/123456789/21126
dc.language.isoen
dc.publisherUniversity of Oum El Bouaghi
dc.subjectAdaptability of algorithms; embedded computer vision; limited resource systems; machine learning; pattern classification; real-time image processing
dc.titleAdaptability of computer vision and image processing algorithms to resource-constrained systems
dc.typeThesis
Files
Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
Final Thesis (Updated According to Recommendations) 23 02 2025.pdf
Size:
2.82 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
قسم الإعلام الالي