Cristei, Maria2019-09-032019-09-032018CRISTEI, M. Procesarea imaginilor digitale cu implementarea algoritmilor învăţării nesupervizate. Seria Științe exacte și economice: Matematică. Informatică. Fizică. Economie. Revistă științifică. 2018, nr.7 (117), pp. 25-32. ISSN 1857-2073.1857-2073http://studiamsu.eu/nr-7-117-2018/https://msuir.usm.md/handle/123456789/2167Lucrarea de faţă prezintă elaborarea unei aplicaţii informatice de procesare a imaginilor bazată pe algoritmi de analiză, de segmentare în baza modelului de culori, cu implementarea metodei de învăţare automată nesupervizată K-means şi a algoritmului de detectare a contururilor Canny, în vederea îmbunătăţirii calităţii imaginilor de înaltă rezoluţie şi extragerii datelor relevante pentru utilizarea ulterioară a acestora în analiza automată sau pentru interpretarea prin afişare. Utilizarea aplicaţiei elaborate la prelucrarea şi analiza imaginilor biomedicale (tomografii computerizate, radiografii, rezonanţă magnetică, ultrasunete şi altele) face posibilă îmbunătăţirea contrastului, codarea intensităţii (nivelurilor de gri) imaginilor monocrome în culori, detectarea contururilor şi recunoaşterea formelor specifice, contribuind astfel la determinarea mai uşoară a unor anomalii. De asemenea, acestea pot fi utilizate pentru monitorizarea pacienţilor şi pentru descoperirea/ identificarea de boli şi tumori, îmbunătăţind astfel actul medical.This paper presents the development of an image processing application using color modeling algorithms with the implementation of the unattended K-means automated learning method and the Canny contour detection algorithm for the improvement of high-resolution images and extracting data relevant to their subsequent analysis or display interpretation. The use of the application developed in biomedical imaging processing and analysis (computational tomography, radiography, magnetic resonance, ultrasound, etc.) provides contrast enhancement, encoding the intensity (in gray scale) of monochrome images in color, contours determination and recognition of specific forms, contributing to the easier determination of anomalies. They can also be used to monitor patients and discover / identify diseases and tumors, thus improving medical performance.rosegmentareînvăţare automatăînvăţare nesupervizatăalgoritmmodelsegmentationmachine learningunsupervised learningcolor modelArticle