MVA_ImagePDE

Notes de cours et travaux pratiques pour le cours "EDPs numériques pour le traitement d'image"

Liens

Salle de cours : https://bbb2.imo.universite-paris-saclay.fr/b/jea-fhp-zcj

Ce dépôt : https://github.com/Mirebeau/MVA_ImagePDE

Notes de cours

Ces notes seront étendues au fur et a mesure du cours. Document : MVA.pdf

Travaux pratiques en langage Python

Note:

• Dans certains notebooks, pour exécuter sur CPU (et non GPU), il faut commenter la cellule de la section 0.1.
• Les notebooks nécessitent la librarie agd, qui s'installe via !pip install agd (notamment sur Google Colab).

TP1 : Techniques de différentiation automatique

• Enoncés

• Fichiers : Dense_Exo, Sparse_Exo: voir TP1/.
• Liens Colab : Dense_Exo, Sparse_Exo,

• Solutions :

• Fichiers : Dense, Sparse : voir TP1/
• Liens Colab : Dense, Sparse

TP2 : Diffusion anisotrope

• Enoncés

• Fichers : Algorithme de Selling, Diffusion anisotrope
• Liens Colab : Algorithme de Selling, Diffusion anisotrope

• Solutions

• Fichiers Algorithme de Selling, Diffusion anisotrope,

• Liens Colab Algorithme de Selling, Diffusion anisotrope

Environnement

Les travaux pratiques peuvent être exécutés soit:

• en ligne, en utilisant Google Colab. Utiliser les liens ci-dessus, et exécuter !pip install agd dans une cellule.
• hors ligne, en utilisant des notebooks jupyter

Installation pour l'utilisation hors ligne

Etapes préliminaires

• installer miniconda ou anaconda, en suivant les instructions
• creer un environnement conda dédié, par la commande du terminal

conda env create -f MVA_ImagePDE.yaml

A chaque TP, pour lancer les notebooks

cd MVA_ImagePDE
conda activate MVA_ImagePDE
jupyter notebook