Suppression des artefacts JPEG pas Deep Learning embarqué sur Raspberry PI.
| dc.contributor.author | Aumar, Abderezak | |
| dc.contributor.author | Belhacel, Chemseddine | |
| dc.date.accessioned | 2026-06-07T09:18:24Z | |
| dc.date.available | 2026-06-07T09:18:24Z | |
| dc.date.issued | 2025-09-17 | |
| dc.description | 86 p: ill.; PDF | |
| dc.description.abstract | Ce mémoire traite de la problématique des artefacts visuels générés par la compression JPEG et de leur impact sur la qualité des images numériques. Après avoir étudié les principes de la compression et ses limites, nous avons exploré l’apport des modèles de deep learning, notamment les réseaux convolutifs, pour la restauration d’images dégradées. L’ARCNN (Artifacts Reduction Convolutional Neural Network) a été sélectionné et entraîné sur une base de données représentative afin de réduire efficacement le flou, les effets de blocs et les distorsions de couleurs. Les performances ont été évaluées à l’aide des métriques PSNR et SSIM, confirmant une nette amélioration par rapport aux méthodes classiques. Enfin, une implémentation sur Raspberry Pi 4 a été réalisée, démontrant la faisabilité d’une solution embarquée à faible coût et ouvrant la voie à des applications réelles en vision par ordinateur, sécurité et télémédecine. | |
| dc.identifier.citation | Electronique des systèmes embarqués | |
| dc.identifier.other | MAST.ELN.13-24 | |
| dc.identifier.uri | https://dspace.ummto.dz/handle/ummto/30220 | |
| dc.language.iso | fr | |
| dc.publisher | FGEI.UMMTO | |
| dc.subject | Apprentissage résiduel | |
| dc.subject | Fonction de perte | |
| dc.subject | Optimisation | |
| dc.subject | Résultats qualitatifs vs quantitatifs | |
| dc.subject | Vision par ordinateur. | |
| dc.title | Suppression des artefacts JPEG pas Deep Learning embarqué sur Raspberry PI. | |
| dc.type | Thesis |