diff --git a/TD04/INF-TC1-td04.ipynb b/TD04/INF-TC1-td04.ipynb
index 53b24cf66ff63311d45a7633c7deef5085b7fa3c..845516a87abba6e2fc335b683921139852d2d825 100644
--- a/TD04/INF-TC1-td04.ipynb
+++ b/TD04/INF-TC1-td04.ipynb
@@ -2,7 +2,7 @@
"cells": [
{
"cell_type": "markdown",
- "id": "ee8e369b",
+ "id": "f6c54511",
"metadata": {},
"source": [
"NAME:"
@@ -62,9 +62,9 @@
"source": [
"## Objectif du TD\n",
"\n",
- "Ce TD vous fera manipuler des images en Python, et réaliser un algorithme de remplissage basé sur le contenu. Nous verrons en particulier la structure de données matricielle et les méthodes de parcours associées. Enfin ce TD sera une préparation au TD 5 qui fera l'objet d'un rendu à réaliser à partir des concepts abordés dans ce TD. \n",
+ "Ce TD vous fera manipuler des images en Python, et réaliser un algorithme de remplissage basé sur leur contenu (par exemple leur couleur). Nous verrons en particulier la structure de données matricielle et les méthodes de parcours associées. Enfin ce TD sera une préparation au TD 5 qui fera l'objet d'un rendu à réaliser à partir des concepts abordés dans ce TD. \n",
"\n",
- "IMPORTANT : Dans le cadre de ce TD, nous n'autorisons pas l'utilisation des modules [OpenCV](https://docs.opencv.org/4.x/) ou [NumPy](https://numpy.org/) (et concernant le module [Pillow](https://pillow.readthedocs.io/en/stable/) seules celles indiquées sont autorisées).\n"
+ "IMPORTANT : Dans le cadre de ce TD 4 (mais aussi le prchain TD 5), nous n'autorisons pas l'utilisation de [OpenCV](https://docs.opencv.org/4.x/), [NumPy](https://numpy.org/) ou tout autre module permettant la manipulation et le traitement d'imag. Sauf le module [Pillow](https://pillow.readthedocs.io/en/stable/) mais dont seules quelques fonctions seront autorisées (cela sera indiqué dans les questions)."
]
},
{
@@ -74,9 +74,9 @@
"source": [
"## Exercice 1 : Charger une image et dessiner\n",
"\n",
- "Une image en informatique est stockée sous forme d'une matrice de pixels qui contiennent les couleurs. Le model classique de couleurs est dit \"RGB\" (Red, Green, Blue) [(doc)](https://fr.wikipedia.org/wiki/Rouge-vert-bleu) où chaque pixel contient une information colorimétrique encodée sous forme de triplets `(r, g, b)` (red, green, blue). Les valeurs de couleur peuvent varier de 0 à 255 pour chaque composante de couleur. Par exemple le rouge est encodé en `(255, 0, 0)`, le gris en `(128, 128, 128)`, etc. Ces couleurs sont organisées en une matrice de dimension égale à celle de l'image, les couleurs sont indépendantes les unes des autres.\n",
+ "Une image en informatique est stockée sous forme de matrice de pixels qui contiennent les couleurs pour chaque cellule. Le modèle classique de couleurs est dit \"RGB\" (Red, Green, Blue) [(doc)](https://fr.wikipedia.org/wiki/Rouge-vert-bleu) où chaque pixel contient une information colorimétrique encodée sous forme de triplets `(r, g, b)` (red, green, blue). Les valeurs de couleur peuvent varier de 0 à 255 pour chacune de ces composantes. Par exemple le rouge <span style=\"display:inline-block;width:15px;height:15px;background-color:rgb(255,0,0);\"></span> est encodé en `(255, 0, 0)`, le gris <span style=\"display:inline-block;width:15px;height:15px;background-color:rgb(128,128,128);\"></span> en `(128, 128, 128)`, etc. Ces couleurs sont organisées en une matrice de dimension égale à celle de l'image. Les couleurs sont indépendantes les unes des autres.\n",
"\n",
- "Dans ce TD nous allons utiliser un module Python appelé PIL (Pillow [doc](https://pillow.readthedocs.io/en/stable/)). Ce module permettra de créer et manipuler des images. Il est possible de l'initialiser avec le code ci-dessous en important le module correspondant. Une fois le module importé, vous pourrez charger une image dans une variable `px` dite d'accès de pixel `PixelAccess` [(doc)](https://pillow.readthedocs.io/en/stable/reference/PixelAccess.html). Le module Pillow est normalement installé, si ce n'est pas le cas, vous devez exécuter la commande suivante dans une fenêtre de terminal Anaconda (Menu Démarrer / Anaconda 64bit / Anaconda PowerShell Prompt) : `pip3 install Pillow`.\n",
+ "Dans ce TD nous allons utiliser un module Python appelé PIL (Pillow [doc](https://pillow.readthedocs.io/en/stable/)) pour créer et manipuler des images. Il est possible de l'initialiser avec le code ci-dessous. Une fois le module importé, vous pourrez charger une image dans une variable `px` dite d'accès de pixel `PixelAccess` [(doc)](https://pillow.readthedocs.io/en/stable/reference/PixelAccess.html). Le module Pillow est normalement installé, si ce n'est pas le cas, vous devez exécuter la commande suivante dans une fenêtre de terminal Anaconda (Menu Démarrer / Anaconda 64bit / Anaconda PowerShell Prompt) : `pip install Pillow`. Si vous l'installer dans un notebook même utilisez la commande `!pip install Pillow`.\n",
"\n",
"Pour tester si le module est présent sur votre ordinateur, charger une image comme suit :"
]
@@ -134,7 +134,7 @@
"id": "482f0b25-342e-403c-975b-65a42283e1cc",
"metadata": {},
"source": [
- "**Question 1.1 -** Ecrire une fonction de lecture d'une image donnée, qui renvoie la couleur d'un pixel à la position $(x, y)$. Inspirez vous du code précédent ou de la documentation Pillow [(doc)](https://pillow.readthedocs.io/en/stable/))."
+ "**Question 1.1 -** Ecrivez une fonction de lecture d'une image donnée, qui renvoie la couleur d'un pixel à la position $(x, y)$. Inspirez vous du code précédent ou de la documentation Pillow [(doc)](https://pillow.readthedocs.io/en/stable/)."
]
},
{
@@ -240,7 +240,7 @@
"id": "69c1f988-3e28-45a7-a6c2-e0a7075c19f6",
"metadata": {},
"source": [
- "**Question 1.2 -** Définissez une fonction d'écriture d'un pixel à une position $(x, y)$ dans une image avec une couleur donnée en argument sous forme de `tuple` $(r, g, b)$."
+ "**Question 1.2 -** Ecrivez une fonction de coloriage d'un pixel à une position $(x, y)$ dans une image avec une couleur donnée en argument sous forme de `tuple` $(r, g, b)$."
]
},
{
@@ -285,8 +285,8 @@
"outputs": [],
"source": [
"r, g, b = (0, 0, 0)\n",
- "setPixel(0, 0, (r, g, b), px2)\n",
- "assert getPixel(0, 0, px2) == (r, g, b)"
+ "setPixel(0, 0, (r, g, b), px2) # on écrit un pixel dans le coin en haut à gauche\n",
+ "assert getPixel(0, 0, px2) == (r, g, b) # on vérifie que la couleur a bien changé"
]
},
{
@@ -294,7 +294,7 @@
"id": "a46817a7-f6be-4f1b-b79f-0347669844cc",
"metadata": {},
"source": [
- "**Question 1.3 -** Écrire une fonction permettant de remplir une région de l'image avec une même couleur qui sera la moyenne des couleurs. Dans un premier temps définissez cette fonction de calcule de `moyenne` d'une région donnée."
+ "**Question 1.3 -** Écrivez une fonction permettant de remplir une région de l'image avec une même couleur qui sera la moyenne des couleurs. Dans un premier temps définissez cette fonction de calcule de `moyenne` d'une région donnée."
]
},
{
@@ -305,7 +305,7 @@
"deletable": false,
"nbgrader": {
"cell_type": "code",
- "checksum": "fce9eb7d9e6deb769e0e92d334080844",
+ "checksum": "5f67ffa8e50bd701245665acc710dc0c",
"grade": false,
"grade_id": "cell-f7def1afc171201e",
"locked": false,
@@ -317,7 +317,7 @@
},
"outputs": [],
"source": [
- "def moyenne(corner_x: int, corner_y: int, region_w: int, region_h, px: int) -> tuple:\n",
+ "def moyenne(corner_x: int, corner_y: int, region_w: int, region_h: int, px: int) -> tuple:\n",
" \"\"\"Compute the average color of a region\n",
" Args:\n",
" corner_x (int): top left corner x coordinate\n",
@@ -332,12 +332,24 @@
" raise NotImplementedError()"
]
},
+ {
+ "cell_type": "code",
+ "execution_count": null,
+ "id": "bcb59088-8939-429c-9c82-a989d78922d4",
+ "metadata": {
+ "tags": []
+ },
+ "outputs": [],
+ "source": [
+ "assert moyenne(0, 0, 1, 1, px2) == (0, 0, 0) # le coin en haut à gauche est noir"
+ ]
+ },
{
"cell_type": "markdown",
"id": "913c742d-04ba-4220-adce-861bf39d999d",
"metadata": {},
"source": [
- "Ensuite écrire la fonction `setRegion` qui permet de remplir une région donnée avec une couleur (par exemple la couleur moyenne de cette région."
+ "Ensuite écrivez la fonction `setRegion` qui permet de remplir une région donnée avec une couleur (par exemple la couleur moyenne de cette région."
]
},
{
@@ -374,18 +386,6 @@
" raise NotImplementedError()"
]
},
- {
- "cell_type": "code",
- "execution_count": null,
- "id": "02374e5a-e9d5-4689-88dd-b2d53738c13d",
- "metadata": {
- "tags": []
- },
- "outputs": [],
- "source": [
- "assert moyenne(0, 0, 1, 1, px2) == (0.0, 0.0, 0.0) # région noire"
- ]
- },
{
"cell_type": "markdown",
"id": "6e7ce82a-7fd9-4c4d-b76d-17f96da87cd5",
@@ -423,7 +423,7 @@
"id": "daa5c6f4-eabc-4f00-8d32-86d5695af06b",
"metadata": {},
"source": [
- "**Question 1.4 -** Ecrire une fonction de calcul de [distance Euclidienne](https://fr.wikipedia.org/wiki/Distance_(math%C3%A9matiques)) entre deux couleurs RGB (Red, Green, Blue) $C_1$ et $C_2$ comme suit :\n",
+ "**Question 1.4 -** Ecrivez une fonction de calcul de [distance Euclidienne](https://fr.wikipedia.org/wiki/Distance_(math%C3%A9matiques)) entre deux couleurs RGB (Red, Green, Blue) $C_1$ et $C_2$ comme suit :\n",
"\n",
"$d_{\\text{euclidienne}} = \\sqrt{(R_2 - R_1)^2 + (G_2 - G_1)^2 + (B_2 - B_1)^2}$\n",
"\n",
@@ -480,20 +480,20 @@
"id": "3e09490e-9955-4639-b149-53c16855e8df",
"metadata": {},
"source": [
- "**Question 1.5 -** Nous allons désormais travailler sur une méthode de remplissage de région basée sur son contenu, en utilisant un critère d'homogénéité des couleurs dans la région. Pour cela nous allons ré-utiliser les méthodes ci-dessus en particulier la distance Euclidenne, en utilisant l'algorithme dit de _flood fill_ [(doc)](https://en.wikipedia.org/wiki/Flood_fill) et qui fonctionne comme suit :\n",
+ "**Question 1.5 -** Nous allons désormais travailler sur une méthode de remplissage de région basée sur son contenu, en utilisant un critère d'homogénéité des couleurs dans la région. Pour cela nous allons ré-utiliser les méthodes ci-dessus en particulier la distance Euclidenne, mais également les piles vues précédemment. Nous utiliserons l'algorithme dit de _flood fill_ [(doc)](https://en.wikipedia.org/wiki/Flood_fill) et qui fonctionne comme suit :\n",
"\n",
- "1. Charger une image et initialiser deux listes vides : une liste de pixels à visiter et une liste de pixels déjà visités\n",
- "2. Définir un pixel de départ $p_{(x, y)}$ et le rajouter dans la liste de pixels à visiter\n",
- "3. Extraire un pixel $p_{(i, j)}$ de la liste des pixels à visiter, il constituera la couleur $c_{(i, j)}$ de la région homogène et le rajouter dans une troisième liste de pixels homogènes à colorier avec cette couleur \n",
- "4. Tant que la liste de pixels homogènes n'est pas vide, extraire un pixel de cette liste :\n",
+ "1. Chargez une image et initialiser deux listes vides : une liste de pixels à visiter et une liste de pixels déjà visités\n",
+ "2. Définissez un pixel de départ $p_{(x, y)}$ et le rajouter dans la liste de pixels à visiter\n",
+ "3. Récupérez un pixel $p_{(i, j)}$ de la liste des pixels à visiter, il constituera la couleur $c_{(i, j)}$ de la région homogène et le rajouter dans une troisième liste de pixels homogènes à colorier avec cette couleur \n",
+ "4. Tant que la liste de pixels homogènes n'est pas vide, récupérez un pixel de cette liste :\n",
" \n",
- " - Colorier le pixel avec la couleur $c_{(i, j)}$ et le rajouter dans la liste des pixels visités\n",
- " - Explorer les 4 voisins autour du pixel (haut, bas, gauche, droite) et pour chaque voisin :\n",
+ " - Coloriez le pixel avec la couleur $c_{(i, j)}$ et le rajouter dans la liste des pixels visités\n",
+ " - Explorez les 4 voisins autour du pixel (haut, bas, gauche, droite) et pour chaque voisin :\n",
" - Si la couleur du voisin est en dessous d'un seuil d'homogénéité alors l'inclure dans la liste de pixels homogènes\n",
- " - Sinon rajouter le pixel dans la liste de pixels à visiter\n",
- " - Répéter cela tant que la liste de pixels homogènes n'est pas vide\n",
+ " - Sinon rajoutez le pixel dans la liste de pixels à visiter\n",
+ " - Répétez cela tant que la liste de pixels homogènes n'est pas vide\n",
"\n",
- "5. Répéter cela tant que la liste des pixels non visités n'est pas vide\n",
+ "5. Répétez cela tant que la liste des pixels non visités n'est pas vide\n",
"\n",
"Le résultat attendu est une image remplie coloriée avec un nombre de couleur inférieur au nombre initial de couleurs."
]
@@ -586,7 +586,9 @@
"cell_type": "code",
"execution_count": null,
"id": "40510314",
- "metadata": {},
+ "metadata": {
+ "tags": []
+ },
"outputs": [],
"source": [
"im = Image.new('RGB', (100, 100)) \n",
@@ -604,10 +606,10 @@
"start_x, start_y = 0, 0\n",
"\n",
"visited, not_visited, colors = floodFill(W, H, start_x, start_y, seuil, px, px2)\n",
- "print(\"nombre de noeuds coloriés\", len(visited))\n",
- "print(\"nombre de noeuds non visités\", len(not_visited))\n",
- "print(f\"nombre de couleurs utilisées {len(colors)}\")\n",
- "display(im2)"
+ "print(\"nombre de noeuds coloriés\", len(visited)) # 10000\n",
+ "print(\"nombre de noeuds non visités\", len(not_visited)) # 10000 (tous visités)\n",
+ "print(f\"nombre de couleurs utilisées {len(colors)}\") # 0 (aucun oubli)\n",
+ "display(im2) # 2 couleurs utilisées (noir et blanc)"
]
},
{
@@ -617,7 +619,7 @@
"source": [
"## Pour aller plus loin\n",
"\n",
- "- Tester le remplissage dans 8 directions (en prenant en compte les diagonales) au moyen dans la fonction d'exploration de voisinage des pixels."
+ "- Testez le remplissage dans 8 directions (en prenant en compte les diagonales) au moyen dans la fonction d'exploration de voisinage des pixels."
]
},
{
@@ -637,7 +639,7 @@
"id": "057fa44d-2c9f-423c-af12-16731b401884",
"metadata": {},
"source": [
- "**Question 2.1 -** Écrire une fonction de conversion d'image en niveaux de gris (soit la moyenne des triplets `(r,g,b)` ou en utilisant la formule suivante : \n",
+ "**Question 2.1 -** Écrivez une fonction de conversion d'image en niveaux de gris (soit la moyenne des triplets `(r,g,b)` ou en utilisant la formule suivante : \n",
"\n",
"$ C_{gray} = (0.3 \\times R) + (0.59 \\times G) + (0.11 \\times B)$"
]
@@ -997,14 +999,6 @@
"import os\n",
"print(os.getcwd())"
]
- },
- {
- "cell_type": "code",
- "execution_count": null,
- "id": "8b1eb930",
- "metadata": {},
- "outputs": [],
- "source": []
}
],
"metadata": {
diff --git a/TD05/INF-TC1-td05.ipynb b/TD05/INF-TC1-td05.ipynb
index e6b78cc60a0d8a303926d5a5f880b91621c67cac..74fa3542e9d4474e21ebe2d2b58cb793ab189df4 100644
--- a/TD05/INF-TC1-td05.ipynb
+++ b/TD05/INF-TC1-td05.ipynb
@@ -2,7 +2,7 @@
"cells": [
{
"cell_type": "markdown",
- "id": "4b2f9189",
+ "id": "a5825ff3",
"metadata": {},
"source": [
"NAME:"
@@ -13,7 +13,7 @@
"id": "b97bad7e-82ff-44a7-9779-13c139085623",
"metadata": {},
"source": [
- "# INF TC1 - TD5 (2h) - Devoir à rendre #1"
+ "# INF TC1 - TD5 (2h + 2h AUTONOMIE) - Devoir à rendre #1"
]
},
{
@@ -29,7 +29,7 @@
"id": "dd8d4905-55f9-4957-8008-a963cc6de061",
"metadata": {},
"source": [
- "Vous serez évalué sur le rendu de ce TD qui sera à déposer sur Moodle **deux (2) semaines** après les séances d'autonomie et de TD. Le rendu sera à réaliser sous forme de **notebook** qui contient votre code et images."
+ "Vous serez évalué sur le rendu de ce TD qui sera à déposer sur Moodle **deux (2) semaines** après la séance d'autonomie #1. Le rendu sera à réaliser sous forme de **notebook** qui contient votre code et images."
]
},
{
@@ -121,10 +121,10 @@
"\n",
"Le but de ce devoir est de **déterminer automatiquement une palette de couleurs optimale** pour une image donnée. Cette palette devra valider les contraintes suivantes : \n",
"\n",
- "1. avoir une taille réduite par rapport au nombre initial de couleurs de l'image\n",
- "2. être la plus représentative possible des couleurs initiales. \n",
+ "1. utiliser moins de couleurs que le nombre disponible dans l'image donnée;\n",
+ "2. être la plus représentative possible des couleurs de l'image donnée. \n",
"\n",
- "Comme nous l'avons vu dans le TD 4, les couleurs peuvent être encodée sur 8 bits par composantes rouge, verte et bleue (soit 256 valeurs possibles par composante) ainsi potentiellement utiliser $256 \\times 256 \\times 256 = 16 777 216$ couleurs. En réalité, beaucoup moins sont utilisées et surtout perceptibles par l'humain. Réduire le nombre de couleur ou réaliser une \"_quantification de couleurs_\" est une tâche fréquente et c'est une fonctionnalité classique des outils éditeurs d'images (Photoshop, Gimp, etc.) implémentée aussi dans le module Pillow de Python. A noter que cette réduction s'effectue avec perte de couleurs et doit être réalisée avec les bons paramètres (nombre et choix des couleurs) ce qui est votre objectif. \n",
+ "Comme nous l'avons vu dans le TD 4, les couleurs peuvent être encodée par composantes rouge, verte et bleue (soit 256 valeurs possibles par composante, autrement dit sur 8 bits) ainsi potentiellement utiliser $256 \\times 256 \\times 256 = 16 777 216$ couleurs. En réalité, beaucoup moins sont nécessaires et surtout perceptibles par l'humain. Réduire le nombre de couleurs ou réaliser une \"_quantification de couleurs_\" est une tâche fréquente et c'est une fonctionnalité classique des outils éditeurs d'images (Photoshop, Gimp, etc.) implémentée aussi dans le module Pillow de Python. A noter que cette réduction s'effectue avec perte de couleurs et doit être réalisée avec les bons paramètres (nombre et choix des couleurs) ce qui est votre objectif. \n",
"\n",
"La figure ci-dessous illustre le problème à résoudre : étant donnée une image en entrée, proposer une liste de couleurs (que l'on appellera la palette), afin de re-colorier une image en sortie.\n",
"\n",
@@ -133,7 +133,7 @@
" <tr>\n",
" <td>\n",
" <img src=\"figures/color-rainbow.png\" alt=\"Image originale\" style=\"height:5cm;\">\n",
- " <p>Image originale</p>\n",
+ " <p>Image donnée</p>\n",
" </td>\n",
" <td>\n",
" <img src=\"figures/rainbow-palette-8.png\" alt=\"Palette de 8 couleurs représentatives\" style=\"height:5cm;\">\n",
@@ -141,7 +141,7 @@
" </td>\n",
" <td>\n",
" <img src=\"figures/rainbow-recoloriee.png\" alt=\"Image originale recoloriée avec la palette\" style=\"height:5cm;\">\n",
- " <p>Image originale recoloriée avec la palette</p>\n",
+ " <p>Image donnée recoloriée avec la palette</p>\n",
" </td>\n",
" </tr>\n",
"</table>\n",
@@ -157,9 +157,9 @@
"\n",
"Voici des étapes de travail suggérées :\n",
"\n",
- "1. Prendre en main une image de votre choix (pas trop grande) en la chargeant avec PIL. Lister les couleurs présentes, identifier celles qui sont uniques et leur fréquence. Vous pouvez pour cela utiliser [Matplotlib](https://matplotlib.org/stable/gallery/index.html).\n",
+ "1. Prenez une image de votre choix (pas trop grande) en la chargeant avec PIL. Lister les couleurs présentes, identifier celles qui sont uniques et leur fréquence.\n",
"\n",
- "2. Proposer une méthode (naïve pour commencer) de choix d'une palette de $k$ couleurs. Affichez là sous forme d'image (exemple de d'image au milieu de la figure du dessus) avec une nouvelle image PIL. Utilisez également des images simples où le résultat attendu est connu comme mour les images ci-dessous :\n",
+ "2. Proposez une méthode (naïve pour commencer) de choix d'une palette de $k$ couleurs. Affichez là sous forme d'image (exemple de d'image au milieu de la figure du dessus) avec une nouvelle image PIL. Utilisez également des images simples où le résultat attendu est connu comme pour les images ci-dessous :\n",
"\n",
" <div style=\"text-align:center;\">\n",
" <table>\n",
@@ -176,24 +176,24 @@
" </table>\n",
" </div>\n",
" \n",
- "3. Re-colorier une image avec une palette de $k$ couleurs, et afficher le résultat sous forme d'image PIL. Pour re-colorier chaque pixel, prendre la couleur la plus proche dans la palette en utilisant une fonction de distance (Euclidienne par exemple).\n",
+ "3. Re-coloriez une image avec une palette de $k$ couleurs, et affichez le résultat sous forme d'image PIL. Pour re-colorier chaque pixel, prendre la couleur la plus proche dans la palette en utilisant une fonction de distance (Euclidienne par exemple..).\n",
"\n",
- "4. Proposer une méthode de validation de votre approche. Par exemple afficher la différence entre l'image originale et celle re-coloriée. Calculer un score global d'erreur.\n",
+ "4. Proposez une méthode de validation de votre approche. Par exemple affichez la différence entre l'image originale et celle re-coloriée. Calculez un score global d'erreur.\n",
"\n",
- "5. Améliorer le choix des $k$ couleurs afin de minimiser l'erreur entre l'image originale et re-coloriée. Une piste possible est de trier les couleurs dans une liste, diviser cette liste en $k$ intervals de couleurs et prendre la couleur du milieu de chaque interval. D'autres méthodes plus avancées peuvent être explorées !\n",
+ "5. Améliorez le choix des $k$ couleurs afin de minimiser l'erreur entre l'image originale et re-coloriée. Une piste possible est de trier les couleurs dans une liste, diviser cette liste en $k$ intervals de couleurs et prendre la couleur du milieu de chaque interval. D'autres méthodes plus avancées peuvent être explorées !\n",
"\n",
- "6. Tester sur plusieurs images de votre choix ou générées automatiquement avec un nombre et une distribution connue de couleurs. Comparer les performances de vos techniques avec d'autres méthodes (cette fois vous pouvez utiliser un éditeur de texte ou la fonction _quantize_ de PIL [(doc)](https://pillow.readthedocs.io/en/stable/reference/Image.html).\n",
+ "6. Testez votre palette sur plusieurs images de votre choix ou générées automatiquement avec un nombre et une distribution connue de couleurs. Comparer les performances de vos techniques avec d'autres méthodes (cette fois vous pouvez utiliser un éditeur de texte ou la fonction _quantize_ de PIL [(doc)](https://pillow.readthedocs.io/en/stable/reference/Image.html).\n",
"\n",
- "7. Utiliser un pré-traitement des images (flou gaussien, etc) afin de lisser les couleurs est une piste afin de choisir de meilleurs couleurs représentatives. Proposez une quantification de cette amélioration (ou de déterioration éventuelle).\n",
+ "7. Utilisez un pré-traitement des images (flou gaussien, etc) afin de lisser les couleurs. Cela est une piste afin de choisir de meilleurs couleurs représentatives. Proposez une comparaison de cette amélioration (ou de déterioration éventuelle) avec les autres méthodes.\n",
"\n",
- "7. Proposer une méthode d'amélioration de calcul de la distance entre deux couleurs, vous pouvez vous baser sur d'autres espaces de couleur [(doc)](https://fr.wikipedia.org/wiki/Espace_de_couleur). Cette partie est difficile, les espaces de couleurs possibles sont complexes à comprendre.\n",
+ "8. Proposez une méthode d'amélioration de calcul de la distance entre deux couleurs, vous pouvez vous baser sur d'autres espaces de couleur [(doc)](https://fr.wikipedia.org/wiki/Espace_de_couleur). Cette partie est difficile, les espaces de couleurs possibles sont complexes à comprendre.\n",
"\n",
- "8. Optimiser les étapes précédentes (complexité, espace nécessaire, structures de données, etc.).\n",
+ "9. Optimisez les étapes précédentes (complexité, espace nécessaire, structures de données, etc.) et justifiez vos choix.\n",
"\n",
"\n",
"### Bonus\n",
"\n",
- "10. Créer une palette représentative à partir de plusieurs images."
+ "10. Créez une palette représentative à partir de plusieurs images."
]
}
],