Messaoudi, FatimaBatouche, Mohamed2018-01-172018-01-172014http://hdl.handle.net/123456789/605Le travail présenté dans ce mémoire décrit une nouvelle approche d'auto-organisation émergente inspirée des colonies des insectes et des animaux pour la segmentation par clustering d'image. Cette approche est une hybridation purement swarm, elle se base sur une population de fourmis artificielles simples capables de s'auto-organiser pour faire émerger une segmentation optimale. Le comportement proposé commence par le comportement de tri collectif des fourmis comme proposé initialement par Lumer et Faieta [Lumer, 1994]. Les pixels de l'image sont initialement placés d'une façon aléatoire sur une grille représentant l'environnement des fourmis. Selon une fonction de similarité locale, les fourmis vont déplacer les pixels d'une case à une autre dans le but d'obtenir des classes homogènes et bien séparées. Ce modèle de base est rectifié avec des comportements supplémentaires inspirés de comportement de déplacement collectif des oiseaux et pour contrôler les emplacements prochains relatifs d'une fourmi et le comportement de homing des araignées pour gérer les mouvements des fourmis lorsque des situations conflictuelles surviennent. Pour la possibilité de prévoir l'émergence négative. Cette prévision s'appuie sur l'injection des fourmis préventives qu'offre une meilleure adaptabilité. Notre algorithme est alors basé sur le travail actuel de [Hamdi, 2008] et [Scheidler, 2010]. L'approche proposée, appelée SwarmClust, offert un bon domaine dans lequel à quantifier l'impact de la diversité au niveau macroscopique d'une population. SwarmClust surpasse les méthodes de classification basées fourmis précédentes et résout tous ses inconvénients par l'introduction de techniques d'essaims simples et sans la nécessité de la configuration des paramètres complexes et l'information préalable sur la partition et de la distribution de classes. La méthode testée sur des images réelles a montré son efficacité et sa capacité à extraire un nombre correct de classes avec une partition de bonne qualité en comparaison à l'algorithme classique KmeansfrSegmentation par clustering : imageOther