Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   12 ,  No.   3 ,  Decem ber   201 8 , p p.   1 1 06 ~ 1 1 10   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v1 2 .i 3 .pp 1 1 06 - 1 1 10          1106       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   The  Eff ects  of Se gment ation Te ch niq ues in Digital  Image B ased  Identific atio n  of  Ethiopi an  Paper Cu rrency       So lo mo n W onda ya Gu angul   Depa rtment  o f  S ta ti st ic s ,   Coll ege of  Sci ence ,   Bah ir   Dar   Univer sit y       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   Dec   1 3 , 201 7   Re vised  Ma r 3 ,  2018   Accepte d  Aug   2 1 , 201 8       Paper   and  coi n  a re  the   two  m ost  comm on  cur ren ci es  in  al l  over   th e  world.   In  Et hiopia  al so  p ape r  and  co in  c urre nc y   ar e  use d  for  m edi um   o f  exc hang e.    Thi s  pap er  pr e sents  the  compara t ive   stud y   o f  segm ent ation   technique s   towar ds  Et hiopian  pape r  cur r en c y   cl assi fi ca t ion .   Otsu,  FC M  an d  K - m ea ns   segm ent at ion  te c hnique s  are   conside red   for  thi s  st ud y   and  BP NN   i s  used  for  cl assifi ca t ion  of  cur ren c ie s.  For  t he  class ifi cation ,   images  are   col l ec t ed  from   comm erc ia l  ban k  of  Et hiopi a  an d  Dashen  Bank;   for  our  dat a  set ,   a  tot a l  of   500  images  sampl es  were   col l ecte d.   From   the se  images,   91. 2%  ac cur acy   is   ac hi eve d  when  Otsu  segm ent at i on  is  used  on  BP NN   with  TANH   le arn ing  func ti on .   Ke yw or ds:   BPNN   FCM   K - m eans   Otsu     Copyright   ©   201 8  Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .     Al l   rights re serv ed.   Corres pond in g  Aut h or :   So lom on   Won daya G ua ngul ,   Dep a rtm ent o f St at ist ic s ,   Coll ege  of   Sci ence ,   Ba hir Da r  U ni ver sit y,   Em a il :  so lom o nw@ bdu. e du.e t       1.   INTROD U CTION     Currency  is  a  m edium   of   ex change  t hat  is  us e d  in  e ver y  act ivit y  of   hu m an  li fe.  Pape r  an d  c oin   a re   the  two  m os t  com m on   cur re nc ie s  in  al l  ov e r   the  w or l d.   I n  Ethio pia  al so   pa per   a nd  coi n  currency  is  us e d  f or  m edium   of   ex change ,   as  s ho wn  in  Fig ur e   1 .  C urre ntly   Ethiop ia n  c urre ncy  inclu des   c oin s   su c h  a s  one  ce nt,  five  ce nt,  te n  c ent,  twe nty - fi ve   cent,  fi fty   cent  an d  one  Bi r r  cent  a nd   pa pe r  cu rr e ncy  on e  Bi rr ,  fi ve  Bi r r,   te n  Bi rr ,  fifty   Bi rr   and   hundre d  B irr  [ 1].  D ue  to  highly   so phist ic at ed  de vices,  currency  no te s   counter fe it ing  is  the   m ajo r   pr ob le m   ar ound  t he  w or l d  a nd  it   is  ver y  dif ficult   t o  i den ti fy  t he  forg e d  note s  from   the  act ual  no te s .   W it h  the  help  of   c om pu te r  vi sion,  it   is  bette r  to  ide ntify  forg e d  note s  f r om   act ual  cur re ncy  note s  as  c om par ed  to hum an  ey es  [2 ] .         (a)   (b)     Figure   1.   Act ua l Et hiopian  pa per cu rr e ncy (a )  &  Fa ke  Ethi opia n pa per cu rrency  (b)   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Th e  Eff ect s o f  Segme nta ti on  Tech niques i n Digit al  Ima ge Base d…  ( Solo mon  W onday a Gua ngul )   1107   Currentl y,  co m pu te r  vision  is  gr ad ually   fin ding  ap plica ti on s  in  dif fe ren t  pro blem   do m ai ns   [3 ] .     A  te ch nolo gy  of   C om pu te r  visio n  ap plica ti on s  re qu ire s  diff e re nt  im ag e  pr e - processi ng  te ch niques  a m ong  these;   segm entat ion   te c hn i que  is  the  bac k bone   in  im age  proces sin g  fiel d.   Se gm entat ion   te chn i que  is  use d  t o  extract  the   re pr ese ntati ve  re gions  of  the   im age.  T o  ide ntify  these   fe at ur es  t he  give n  im age  has   to  be   par ti ti on e d  t h a t  are  vis ually   dif fer e nt  [ 4].   The re  is  no  par ti cula r  im a ge  se gm entat i on  te ch nique  that  is   appr opriat e to   al l im age p r oc essing  a reas [5 ] . Th ere fore,  th is researc h  pa pe r  f ocu se d on  t he  com par at ive  stud y   of  segm entat ion  te ch niques   towa r ds   Et hi op ia n  c urrenc y  recog niti on   syst em .  Th e  f ollow i ng  im age  segm entat ion  techn i qu e s ar e   pr ese nted  in  t hi s p a per :     1 . 1.       O tsu   Im ag e  Se gmen tation   Otsu   Im age  Segm entat ion   the  m os t  co m m on ly   us ed  te chn i qu e  to  par ti ti on  the  i m age  as  fo re gro un d  and  bac kgr ound.  Otsu ' s  m et h od  in vo l ves  it erati ng   t hro ugh  al l  the  possible   thres hold  valu es  an d  cal culat ing   a   m easur e  of  s pread  for  t he  pixe l  l evels  eac h  s ide  of  t he  t hr es ho l d,   i.e .  t he  pix el s  that  ei t her  fall s  in   f or e gro un d  or   bac kgr ound.   The  aim   is  to  fin d  the  thres hold  val ue  w here  the  su m   of   fo re gro und  an d  backgroun d  sp rea ds   is at  it s  m ini m um  [ 6].   Algorithm  steps:   1)   Com pu te  h ist ogram  an d p rob abi li ti es o f  eac h  inte ns it y l eve l.   2)   Set u p  init ia l cl ass proba bili ty  an d i niti al  class m eans.   3)   Step th r ough al l possi ble th res ho l ds  m axi m um   intensit y.   4)   Update  qi and  μi.   5)   Com pu te   betw een class  va riance.   6)   Desire d  th res hold c orres pond s to  t he  m axi m um  v al ue  of  be twee n  cl ass  v a r ia nce.     1 . 2 .      F C M  im ag e  se gmen tat ion   In   FCM ,  it   is  possible  f or  a  data  sam p le   to  belo ng   to  m ult iple  clu ste rs  at   the  sam e  tim e .     The  sim il arity  is  ind ic at ed   by   the  m e m ber shi p  val ue.   I n  F CM   a  data  sa m ple  is  assigne d  with  a  m e m ber s hip  value  based   on   it s  si m il arity  with  the  cl us te r  center .  The  m e m ber sh ip  va lues  are  betw een  0  to  1  a nd   m or e  the  si m il arity,  higher   the  m e m ber sh i p  value.  Defuzzi ficat io n  is  a ppli ed  at   the  e nd  of  t he   cl us te rin g  pr ocess  t o   decide  the  cl ust ering.  FCM   is  a  rep et it ive  alg ori th m   and   the  so luti on  is  achieve d  by  re pe ti ti vely  up da ti ng  the  cl us te r  ce nter  a nd m e m ber sh ip  value [ 7].     1 . 3 .      K - me an s  ima ge  se gme nt ati on   K - Me a ns   is  le ast - square  par t it ion ing   m et ho ds   that  div ide  a  colle ct ion   of  obj ect s  into  K   gr ou ps .  T he   al gorithm  it era te s o ver  t wo st eps:   1)   Com pu te  the  m ean of  eac h  c luster.   2)   Com pu te   the  di sta nce  of   eac h  po int  f r om   eac h  cl us te r  by  co m pu ti ng   it s  distance  from   the  corres pondin g  cl us te r  m ean. Assig n  eac h p oi nt to  the  cluste r  it  is n ea rest t o.   Iterate   over  t he   above  tw o  st eps  ti ll   th e  sum   of   square d  within  group  e rror s  ca nnot  be   lowered  a ny   m or e.  The  init ia l  assignm ent  of   po i nts  to  cl us te rs  ca n  be  done  rand om l y.  In   the  it erati on s,  the  al gorith m   trie s   to m ini m iz e  the su m , o ver  all  g r oups , of  t he  sq ua re d  withi n group errors,  wh ic h  are t he dist ances  of  th e p oi nts   to  the  re sp ect iv e  gro up   m eans.   Conver ge nce  i s  reache d  w he n  the  obj ect ive   functi on  (i.e .,  the  resid ual  s um - of - sq ua res )  ca nnot  b e lo we red an y  m or e [ 8].   Yao  Y u  &  Xueso ng  Suo  co nducte d  a  stu dy  to  detect   sm oo th ness  of  bo t tl e  cap.  In  t his   pa per  the   auth or   hav e  use d  MATL AB  and   C  la ng uage  as  a  too l  for   i m age  segm e ntati on ,  e nhan ce m ent,  filt ering   a nd  oth e r processi ng  of sm oo thn e s s of ca p [9 ] .     On   researc h  [ 10 ] ,  the  a utho rs  pro posed  le tt uce  i m age  segm entat ion .    In   this  pa pe r   the  auth or s   des cri bed   the   tradit ion al   2 - D  m axi m u m   entr op y  al gori thm   has  so m e   fau lt s,  su c h  as  low  accu ra cy   of   segm entat ion ,  slow  sp e ed ,  a nd  poor  a nti - noi se  abili ty .  All  t he  st ud ie s   s howed  that  Im age  segm entat ion  is  the   basic  pa rts  in  com pu te r  visi on  processin g.  So   t his  re sea rc h  pap e r  f oc us e d  on   t he  perform ance  analy sis  of  segm entat ion  techn i qu e s to w ard s  to  cl assi ficat ion   of Ethi opia n pa per cu rrency .       2.   RESEA R CH MET HO D     In  this  st ud y,   scan ner   HP  sc an  j et   pro  4500  a nd  cam era  canon  EO S  600d  are   us e d  to   captu re  t he   i m age.  To   m ini m iz e  no ise s  li ke  li ghti ng  a nd  blurre d  im age  effe ct s  w hile   capt ur in g  t he  i m ages  scan ne rs  a re  eff ect ive .  T herefo re,   scan ne r  is  us e d  i n  this   stud y.   I n  orde r   to  ha ve  a   go od  dataset   f orm   al l  pe rsp ect iv e  ne w,  old   a nd  a per t ure  pa per  cu rr e nc ie s  for  both  a ct ual  an d  fak e   pap e r  c urre ncies  are  c onside r ed.   A  t otal  of  5  pa per  currency  no te s   ty pe  each  ha ving  10 0   are  consi der e d  f or   this  stud y.   O nce  the  im ages  are  col le ct ed ,  pr e - processi ng step s ar e  pe rfor m ed  to  achie ve  t he  goal o f  t he  st ud y t hro ugh  M ATL AB, 2 014.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   250 2 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   12 , N o.   3 ,  Dece m ber  2 01 8   :   1 1 0 6   –   1 1 10   1108   3.   IMAGE P ROCESSI NG S Y STE M   Pape r  curre nc ie s  are  scanned  with  a  sui ta ble  reso luti on   a nd   are  s tore d  as  a  bin ary  im age.    Be fore  bei ng   analy zed  i m age  unde r goes  s om e  pre - proce ssin g,   includi ng  re ha bili ta ti on ,  s m oo thing     and   norm al iz a ti on .  T he  pr e - processi ng   is  carried   out  in   order  to  im pr ove  the  qual it y   of   im age  t o  be     processe d  [ 11 ] .   Im age  pr oce ssing   a nd   patte rn   rec ogniti on  pe rfor m ed  by   analy zi ng   th e  i m age  of   Ethio pian   pap e r  cu rr e ncy   [12].  The  ph a se  of   act ivit ie s  fo r  i den ti ficat ion   of  pa pe r  currency  c on sis ts  of   the  f ollo wing   com po ne nts:    The  im age  is  a cqu i red   from   t he  scan ne r  w hich  is  us e d  as  in pu t  im age.  The   i m age  is  us ually   stored   i n  j pg,  ti ff   or   pn g  file   fo rm at .  In   t his  research   pap e r  80  X 80,  360  X  36 0  an d  512  X51 2  i m a ges  are  te ste d.   Eve n  though,   pre - pr ocessin g  is   slo w,   w hen  the  siz e  of  im age  in creases,   segm entat ion  bec ome   eff ect i ve.   For  that   reason,  the im ages a re  resized  to 51 2 X51 2 [13].    Pr e - proces sin g  are  th os e   o pe rati on s   that  a r e  norm al ly   req uire d  pri or  to   the  m ai n  data  a naly sis  an d  extracti on  of  inf or m at ion .  T he  aim   of   i m a ge  pre - process ing   is  to  sup press  undesire d  distor ti ons  or   enh a nce   so m e i m age f eat ur es t hat are  im po rtant for  fu rther p r ocessin g or analy sis [ 1 4].    Im age  segm entat ion   is  a n  im portant  c om ponen t  of  im age  processi ng  te chn i qu e   that  det erm ines  the   accuracy  of  th e  syst e m .  I m age  segm entat ion   is  def ine d  as  the  pa rtit ion in g  of   an  im age  into  none  ov e rla pp i ng,  const it uen t  re gi on s  t hat  are  hom og en ous  wi th  re s pect  to  s om e  char act erist ic   su ch  a s  inte ns it y  or   te xtu re   [15].  FCM , K - Me an s and  Otsu se gm entat ion   ( Fig ur e  2)   te ch niqu es are c onside r ed  in  this  pa per.           Figure  2 .   Ots u Segm entat ion       4.   RESU LT S   The  w ord  network   i n  the  te r m   ' arti fici al   ne ur al   net wor k'   ref er s  to  t he  inter – c onnecti ons   betwee n  th e   neur on s   in  the   diff e re nt  la ye rs  of  each   syst em .  A  syst e m   has  three  la ye rs .   The  first  la ye r   has  i nput  ne ur on s ,  wh ic h  se nd  data  via  sy nap se s  to  the  seco nd  l ay er  of  neur ons,  a nd  the n  via  m or e  synapses   to  the   thir d  la ye r  of  ou t pu t  ne uro ns.  More  com plex  syst e m s  will  hav e  m or e  la ye rs  of   neur on s  with  so m e  havi ng   inc reased  l ay ers  of   in put  ne uro ns   an d  ou t pu t neur on s .  The  s ynapses  st or e pa ram et ers  cal led   "wei gh ts"   th at   m anipu la te   the  data  in the calc ulati on s   [ 16] .    The  m os t  popula r  neural  net w ork  m od el   is  t he  r nu lt il ay er  per ce ptr on   (M LP),   w hich  is  an  exte ns io n  of   t he  si ng le   l ay er  pe rcep t ron  propose d  by   Rose nb la tt .  Mult il ay er  perce ptr on s ,  in   ge ner al ,   are  fee dfo rw a r d  netw ork, ha ving  disti nct in pu t , output, a nd  hid de n  la ye rs .   In   t his  pap e r,  MLP  ne ural   ne twork   with   ba ck  pro pag at io n  is  us e d  f or  c la ssifyi ng   Et hio pia n  pape r   currencies  t o  t heir  c orres pondin g  cl ass.  I n  this  ex per im ent,  the  ne ural   ne twork  is  te ste d  by  SIGMO I D  a nd  TANH  act ivat ion   f unct ion s .   The  perform ances  of  the  cl assi fier  wer e   te ste d  by  AN N  ( A rtific ia l  Neu ral   Netw ork) u si ng th ree  diff e re nt tech niques  of se gm entat ion . In order  to  tra in the classi fie r s,  70%  we re  use d  f or  m od el   trai nin g  and  30%  wer e   us e d  f or  pe rfo rm ance  te sti ng .     As  s how n  in   Fi gure   3   a nd   4 ,   the  res ult  in d ic at ed   that  ther e  was   91. 2%  achie ve d  us in g  BPN N  with  ots u  s egm entat ion .  The  ai m   of  th e  resea rch  paper  is  t o  identify   the  effe ct s  of   segm entat ion   te chn i ques  in  cl assifi cat ion   of  Ethio pian  pa per   c urre ncies.  I n  this  pa per,     BPNN  are   use d  a nd  the   accu racy  of  t he   sys tem   is  pr ese nted,   a nd  the   re sul ts  of   B PNN  w it h  TA N H  act ivati on   functi on  wer e  discusse d an d hope fu l  res ults we re  ob ta ine d.       Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Th e  Eff ect s o f  Segme nta ti on  Tech niques i n Digit al  Ima ge Base d…  ( Solo mon  W onday a Gua ngul )   1109       Figure  3.   Re su l ts of se gm entation  tec hn i ques           Figure  4.   Proto ty pe        ACKN OWLE DGE MENTS     We  gr eat ly  ack nowled ge  Ba hi r   D ar  U niv e rsity .       REFERE NCE S    [1]     Jegna w Fent ahu n,   “ Autom at ic recognit ion   of Eth i opia n  p ape r   cur r ency ” ,   The sis,   Addis Ababa   Un iv ersity ,   2014.   [2]     Ze wde  Dinku  a nd  Kum udha  Rai m ond, ”  Counte r fei t  Curr ency   Id ent ifica ti on  S y s t em  -   A  Case  Stud y   on  Et hiop ian  Birr  Note ”,  Addi s Ababa   Univ ersity ,   2009.   [3]     W il li am K.   Pratt:  Digital   image   p roc essing,   PIK S  Scie nti f ic i nside ,   John W il e y ,   4th   Edition, 2007.   [4]     Arti  T ane j a, Pri ya  Ran ja n   ,   Am it   Ujjl a y a n  “ A Perf orm anc e  Stud y   o f  Im age   Segm en ta ti on   T ec hniqu e s”,   IE EE,  2015 .   [5]     Abrham   Deba su  Men gistu,  Seff i  Gebe y e hu  Me ngistu  ,   Dagna c hew  Mele sew  Alema y ehu,  “ Im age   Anal y sis  for  Et hiopian  Coff e e  Plan t  Dise ase s  Ide nti f ic a ti on” ,   I JBB ,   2016.   [6]     Ta   Yang  Goh,  Shafriz a  NishaB asa h,   Hani za Ya zi d,   Muham m adJuha iri Azi z  Safa r,   Fathi nu l  S y a hirAhm ad  Saad ,   “ Perform anc e   an aly s is of   image t hre sholding: Otsu t e chni que ”  Sc i enc eDir ect, 201 7.   [7]     Mahipa l  Singh  Choudhr y ,   Rajiv   Kapoor,   “ Perfo rm anc e  Anal y sis   of  Fuzz y   C - Me ans  Cluste ring  Methods  for  MRI  Im age   Segm ent a ti on” ,   Sci enceDi rec t ,   2016 .   [8]     Nam ei rak pamD hana ch andr a ,   Khum ant hemM angl em,  Yam bem  JinaCha nu,   “ Im age   Segm ent a ti o n  Us ing   K   - m ea ns  Cluste ring   Algor it hm   and  Subtr a ct iv e  Clust eri ng   Algorit hm ”,   Sc i enc eDir ect, 201 6.   [9]     Yao  Yu,  Xuesong  Suo,  “ Det ec t ion  S y stem   of  Bott le   Ca p  Sm oothne ss  Based  on  Im age   Proce ss ing” ,   TE LKOM NIK A ,   T elec om m unic at ion   Com puti ng   Elec tron ic s  and Control ,   2016.   [10]     Jun  Sun  Jun  Su n,   Yan  W ang  Yan  W ang,   Xiaoh ong  W u  Xiaohong  W u,   Xiaodong  Zha ng,   Hong yan  Gao,   “ A  New   Im age   Segm entati on  Algo rit h m   and  Its  Ap pli c at ion   in  L et tu ce   Obj ec t   Segm ent at ion ” ,   TE LKOM NIK A,   Te l ec om m unic ation  Com puti ng  El e ct roni cs  and   Control ,   2016.   86 87 88 89 90 91 92 FCM K-m eans Ot su Se r i es1 Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   250 2 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   12 , N o.   3 ,  Dece m ber  2 01 8   :   1 1 0 6   –   1 1 10   1110   [11]     Li li k  Sum ar y an ti ,   Aina  Mus dholifah  ,   Sri Ha rt ati,   “ Digit al   Im age   Based  Ide nt ifi c ation  of  Rice  Vari ety   Us ing  Im age  Proce ss ing  and   Neura l  N et work ”,   TELKO MN I KA   Indone sian  J ourna l  of   E le c trica l   Engi n ee r ing,  2015.   [12]     Kom al   Vora,   Am i  Shah,   Ja y   Mehta,  “ A  Revi ew   Paper   on  Curre nc y   Rec ogn it ion   S y stem”,   Inte rn at ion al   Journal   o f   Com pute r  Appli ca t ions,  2015 .     [13]     Megha   Th akur ,   Am rit   Kaur,   “ Vari ous  fak e  cur r e nc y   detec ti on  t e chni ques” ,   Int er nat ion al   Journa l  for  Technol ogi c al   Resea rc h   in   Eng ine er ing, 2014.   [14]     Ehsani   AR,  Sh afr y   MR,  Noro uzi   A.  “ Digital   Denta l   X - Ra y  Im age   Segm ent at ion   and  Fe a ture   Ex tracti on ” ,   Indone sian  Jour nal   of   E le c tri c al  Engi ne eri ng  and   Com pute r  Sci en ce ,   2013.   [15]     Muham m adSar f raz , ”  An   Intelli g ent   Pap er  Curr en c y   Re cogni t ion  S y stem”,   Proce d ia   Com pute r   Sci enc e ,   2015   [16]     Subhadip  Basu  ,   Nibar an  Das,  Ram  Sarka r, ”  An  MLP  base d  App roa ch  for  Rec og nit ion  of  Handwrit te n  ‘B angla ’   Num era ls”,   In te r nat ion al   Conf erence   on   Artif ic i al  Inte lligen ce,  200 5.     Evaluation Warning : The document was created with Spire.PDF for Python.