Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   9 , No .   1 ,  J an ua ry   201 8 , p p.   1 52 ~ 156   IS S N:  25 02 - 4752 ,  DOI: 10 .11 591/ ijeecs . v9.i 1 .p p 152 - 156           152       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   Leaf Re cogniti on u sing Textur e Fe atures fo r Herbal  Plant  Identific atio n       Z aida h Ib r ah i m * 1 , Nur ba i ty Sabri 2 ,  Nu r  N ab il ah A bu M angsh or 3   1 Facul t y   of  Com pute r and  Ma them at ic a l  Sci ences ,   Univer si ti Te kn ologi   MA RA,  40 450  Shah  Alam,   Sela ngor    2,3 Facul t y   of  Co m pute r  and   Mat hemati c al Sci en c es,   Unive rsiti Tekno logi   MA RA, Cam pus Jasin,   Mela ka       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   A ug   2 2 , 201 7   Re vised  N ov   1 2 , 2 01 7   Accepte d  Dec  1 , 2 01 7       Thi s  re se arc h   i nvesti gates  th e   appl i cation  of   te xtu re   f eatur es  for  l ea f   re cognition  for  h erb al   p la nt  ide nt i fic a ti on.   Ma lay si a  is  ric h  with  h er bal   pla n ts  but  not  m an y   peopl e   ca n   identif y   th em  and   know  about   t hei r  uses .   Preserva ti on  of  the   knowledg e  of  th ese   her b  p la nts  is  importa nt  since   i t   ena bl es  the   g en era l  pub li c  to  g ai n  useful  know le dge  whi ch  th e y   ca n  app l y   whene ver   ne ce s sar y .   Leaf  image  is  chose n  for  pla nt  re cogni t io n  since   it   is  ava i la bl e  and   vis ibl e al l   th e  ti m e .   Unlike   flow ers  t hat   a re   no t  a lwa y s   av ai l able  or  roots  that  are   not  visibl e  and   n ot  e as y   to  obt ai n ,   l ea f  is  the  m ost  abunda n t   t y p e  of  dat a  ava i la bl e  in  bota ni cal  re fe re n ce   co lle ct ions.  A  compa ra ti v e  stud y   has  bee n   condu c te d  among  three   popula r   t ext ure   fe at ur es  th at   are  Histogram   of  Orie nte d   Gra die nts  (HO G),  Loc al   Bin ar y   Pattern  (LBP)  and  Speede d - U p   Robust  Feat ure s  (SU R F)  with  m ult ic la ss   Support  Vec tor  Mac hine   (SV M)  cl assifi er.   A  ne w  le af  dat ase t  has  bee n  constru ct ed  from   te n  di ffe re nt  her b   pla nts.  Exp eri m e nta l  re sul ts  using  the   new  constr uct ed  da ta se t  an d  Flavi a,   an   exi sting  da ta se t,   indi c at e  tha t  HO G  and  LBP  produc e  sim il ar  le af  r ec ogni ti on   per form anc e   and   they   ar e  b et t er t han  SU RF .   Ke yw or d s :   HOG   LBP   L eaf  recog niti on   M ulti cl a ss SVM   SU RF   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 :   Zai dah I br a hi m ,   Faculty  of Com pu te r  an d  Ma them a ti cal  Scie nces ,   Un i ver sit i Te knol og i M ARA ,   40450 S hah A l a m , S el ango r,   Em a il :  zai dah @tm sk .u itm .ed u.m y       1.   INTROD U CTION   Ma la ysi a  is  rich  with  he rb al   plants  that  are  no t  on ly   us e fu l  in  co ok i ng  bu t  al so   is  ben efici al   in   m edical .  This  us ef ul  knowle dg e  s houl d  be  le t  kn own  to  th e  public  so   tha t  they   can  gain  the  ben e fits.  Be sides   that,  the  acce ss  to  this  knowle dg e  s hould   be   easy   and   fas t.  Thu s ,  the  de velo pm ent  of   Ma la ysi an  m e dicinal   herb  rec ogniti on  syst em   is  a  necessit y.  Be sides  Ma la ysi a  [ 1],  re searc he s  on  he rb al   pl ant  rec ogniti on  hav e   been co nducte d  in  o t her co un trie s su c h  as  C hin a   [ 2] , In done sia   [3]   a nd  Viet nam   [4 ] .   The  m os t  p opular  par t  of  th e  plant  t hat  ha s  bee n  us e d  f or  pla nt  rec ogni ti on   is  the   le af   beca us e  th e   le af  is  avail able  throu ghout  the  ye ar  an d  it   is  easi ly   visibl e.  Flow e rs  are  on ly   avail able  at   certai n  tim e   wh il e  the  r oots  a re  not  easi ly   acce ssible.  Be sides  that,  le af  is  the  m os t   abu nda nt  ty pe  of   data  avail able  in  bo t anical   ref e ren ce  c ollec ti on s  [ 4].   P rof essionals  who  are  w orkin g  to gethe r  with  bo ta ny  identify   pl ants  thr ough  le ave s   identific at ion   [ 5] .  But  m anu al   identific at ion   in  the  fiel d  is  qu it e  troubleso m e  and   so m et i m es  tim e  con su m ing .   This  is  bec aus e  the  kn ow le dge  f ro m   the  bota nist  is  re qu ired  for  the  pl ant  rec ogniti on.  T hus,  t o  ov erco m e   these  prob le m s,  he r bal p la nt iden ti ficat io n  th rou gh leaf  recogn it io n  a pp li ca ti on  is c riti cal .   A  rob us t  featu re  is  need e d  to   cl ea nly  disti ng uis h  am on g  the  dif fer e nt  le aves.  Lea ves  ha ve  va rio us   char act e risti cs  that  can   be   us e d  for  rec ogniti on  s uch  as  sh a pe,  col or  an d  t extu re.  Sh a pe   f eat ur e  has   be e n  us e d  in  [ 6]   w her e   the  le af ’s  s ha pe   co ntour,  the  conve xity   and  co ncav it y  pro per ti es  of   t he  arch es   are  m easur e d.   Hu  in var ia nt  m o m ents  that  represe nt  the  s hap e   of  the   le af  ha ve  bee n  util iz ed  in  [7 ] .   But  the  sh a pe   can  be   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       Leaf Rec ogniti on u si ng Text ure  Fea t ur es f or Her ba l  Pla nt   I den ti fi catio n  ( Za id ah  Ib r ahim )   153   aff ect ed   by  th e  age  of  the   pl ant  w her e   yo unge r  le aves   m ay   loo k  sli ghtl y  diff e re nt  com par ed  t o  t he  old e r  le aves  a nd  thi s  can   p rod uce   dif fer e nt  resul ts  for  the   sam e  plant .  Applyi ng   c olor  is   ve ry  chall en ging   sinc e   alm os t al l plan t l eaves  hav e  si m il ar co lors.    Textu re  featu r e  fo r  le af  rec ogniti on   has  be en  inve sti gated  in  [ 8]  with   ver y  good  re su lt s.   S cal e   Invar ia nt  Feat ur e  T ra ns f or m   (S I FT)  te xtur e  featu res  of  pl ant  le aves  have  bee n  util iz ed   in   [ 5]  but  ext racti ng   the  SIFT  featu re  is  a  bit  slo w.   S pee de d - U p  Ro bust  Feat ur es   (SURF )  t extu re  feat ur e  has  been  ap plied  in   [ 9]   bu t  t he  pe rfo r m ance  is  not  as  good  as  SI F T.  F uzzy  Loca l  Bi nar y  Patt er n  (LB P)   te xtu r e  featu res  are   bein g  us e d  in   [ 3].   Histogram   of   Or i ented  G rad ie nts  ( HOG)  ha s  pro duced   go od  perform ance  in   [10].  E ve n  t hough  m any  of   the  m et ho ds   pro duce  sat isfact or y  resu lt s,  the r e  is  sti ll   ro om  fo r  im pr ove m ent.  Since  diff e re nt  featur e s  can  pro duce  dif fer e nt  plant  rec og niti on   r esults,  the  identific at ion   of   a  good  featur e  or  feat ur es  is   crit ic al   fo r   pla nt  rec ogniti on.  Th us ,  a   com par at ive  stu dy  is  necessa ry  to  de te rm ine  the  s uitable   feat ur e   for  le a f   recog niti on   of   the  Ma la ysi a n  m edici nal  p la nt.  Th is  res earch  in vestig at es  three  popula r  te xture  fe at ur es   nam ely  SU RF ,  LBP  a nd   H OG.   A   m ulti c la ss  Suppo rt  Vecto r  Ma chi ne  ( SV M )  ha s   bee n  util iz ed   as  the  cl assifi er  of  th ese  featu res  f or  le af  rec ogniti on.  S VM  is  ch os e n  beca us e  i t  is  widely   us e d  f or  va rio us   obj e ct   recog niti on s  s uc h  as  waterm elo n  seeds   exte rior   qual it y  recogn it io n  [ 11] ,  re m ote  sensing   i m age  cl assifi cat ion  [12] an d b rain wave  r ec ogniti on [1 3].       2.   RESEA R CH MET HO D   Textu re   featu r es  pro vi des  m easur em ents  f or  vis ual  patte rn s   in  im ages.  T he   ide ntific at ion   of  s pecific   te xtu res   in  a n  i m age  is  achi eved  by  m od e li ng   te xt ur e  a s   two - dim ensio nal  gray - le vel   var ia ti ons  within  a  segm ented  regi on .  It  can  be  descr i bed   base d  on  c oar se nes s,  co ntrast,  dir ect ion s,  li nelik eness,   re gu la rit y  an d  rou ghness  [ 14 ] .  H O G  co unts  the   occ urre nce s  of  gra dient  ori entat ion  in  l oc al iz ed  re gions   of  an   im age  [15] .  Fig ure   1  il lustr at es the  HOG  a lgorit hm . Th e i m ple m entat ion  of HO G  al gorithm  is d escribe d  as  foll ows:   1.   Divid e  the im age in t o  sm al l reg io ns  call ed  c el ls;   2.   Com pu te  a h ist ogram  o f  gr a di ent d i recti ons for t he pixels  w it hin  the  cel l;   3.   Discreti ze eac h ce ll  into  a ngul ar  bin s acc ordi ng to  t he gra di ent orie ntati on;   4.   Group a djace nt cell s into bloc ks ;   5.   Norm al iz e the b loc k hist ogra m .   SU RF   [ 16]   is  achieved  by  rely ing   on  int egr al   im ages  and   Hess ia n  m at rix - base d  m easur e.  T he  i m ple m entat io n of SUR F is  de scribe d  as  foll ow s:   1.   Find im age in te rest points  u si ng d et e rm inant of Hessi an  m a trix;   2.   Find m ajo r  i nterest points  in sc al e sp ace;   3.   Find feat ur e  di recti on ;   4.   Gen e rate fe at ure  vectors.   LBP [ 17 ]  label s the  pix el s  of   an  im age b y t hresh old i ng the  neig hborh ood of  eac h pixel a nd conside r s   the  res ult  as  a  bin a ry  num ber.  Fig ur e   2  il lustrate s  a  sam ple  co m pu ta ti on   of  the  center  pix el   with  it s   neig hbori ng  pi xels  w hile  F igure  3  dem on strat es  t he  ge ner al   flo w  of  process   of  LBP.  T he  ge ner al   i m ple m entat io n of LB P is e xpla ined  b el ow:   1.   Divid e  the e xa m ined  wi ndow  into  cel ls;   2.   Fo r  eac h pixel  in the cell ,  com par e the p i xe l t o  each  of its  ei gh t  neig hbor s;   3.   Pr od uce  a   vect or  of  bin a ry  nu m ber s  wh e re  if   the  ce nter  pixe l’s  val ue  is  gr ea te r  tha n  the   neig hbor’s   val ue;   change it  t o 0 a nd 1 ot herwise.     4.   Com pu te  the  hi stog ram  o f  the  f re quency  of e ach  nu m ber   oc currin g;   5.   Norm al iz e and  concat enate t he  h ist ogram  o f   al l cel ls.   SV M  w as  init ia ll y  dev el op e d  by  for  bin a ry  cl assifi cat ion   [ 18 ]   bu t  m ul ti cl ass  SV M  has  been  pro du ce d  to  cat er  m ulti cl ass  p roblem s.  A  com par ison   has  be en  co nducted  a m on g  f our  popu la r  ap proache s  f or   m ul ti cl ass  SV M  nam ely  one - agai ns t - al l  ( OAA),  one - ag ai ns t - one  (OA O) ,  decisi on  di rected  acy cl ic   gr a ph  (DDAG )  an d  adap ti ve  direc te d  acy cl ic   gr aph   (ADAG )  and   the  e xp e ri m ental   resu lt s  ind ic at e  that  OAO   pro vid es  the  be st  resu lt   [19].   Thu s ,  this  res earch  util iz es  t he  O AO   a ppr oa ch  for  m ulticlass  SV M  w he re  i t   consi sts  of  m ulti ple  bin ary,   li near  S VM  le ar ner s .  Cl assifi c at ion   is  pe rform ed  by  a   m ax - wi ns   vo ti ng  strat egy   wh e re  e ver y  cl assifi er  assig ns  the  instance  t o  on e of  the  tw o  cl asses.  A fter th at ,  the v ote  f or   t he  assig ne d  cl ass  is   increases  b y  on e  vote a nd th e cla ss w it h t he  m axi m u m  v otes d et erm ines the in sta nce cla ssific at ion .       Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vol .  9 ,  No.  1 ,  Jan ua ry   201 8   :    152   –   156   154       Figure  1. Dem on st rati on of  H OG alg or it hm  [ 15]           Figure  2. A  sa m ple  co m pu ta ti on   of the  inter est  points  for  LBP           Figure  3. A  d e m on strat ion   of  the g e ne ral fl ow  of   LBP       Figure  4  il lust rates  the  flo w  of   process  for  le af  recog niti on .  On ce  t he  im age  of   the  le af  has  bee n  captu red,  pre - processi ng   is  c onduct ed  on  the  im age  fo r  r esi zi ng   a nd   c onve rtin g  the  c olor  im age  into  gray - scal e  i m age.  T hen,  the  te xtu r e  featur es  are  extracte d  a nd   entere d  into  m ulti cl ass  SV M  fo r  le af  rec ogniti on.   The  t hr ee te xture feat ur es , na m el y HO G ,  S URF a nd LBP   are  bein g  e xtra ct ed  se par at el y.           Figure  4. Flo w  of  process  f or   le af r ec ogniti on       Flavia  dataset   [20]  co ns ist s  of  va rio us   ori en ta ti on s  of   le a f  i m ages  from   t hirty  three   di fferent  plant   sp eci fies.  Fi gu re  5  s hows  s om e  sa m ple  i m a ges  of  the  l ea ve s  that  hav e  be en  us e d  in  t his  exp e rim ent  where  40  sam ples f ro m  each  s pecies  ha ve been  used  for t rainin g  a nd  10 sam ples f or  te sti ng .    Figure  6  s how s  so m e  sam ple   i m ages  f ro m   the  new  dataset   that  co ns ist s  of  le aves   f ro m   10  di ff e ren t   Ma la ysi an  herb  plants  wh e re   20  sam ples  from   each  sp eci es  ha ve  been   use d  for  trai ni ng  w hile  5  sam ples  f or  te sti ng . Fo r bo t h datase ts, th e  i m ages w ere  in  v a rio us   or ie ntati on s a nd size s.       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       Leaf Rec ogniti on u si ng Text ure  Fea t ur es f or Her ba l  Pla nt   I den ti fi catio n  ( Za id ah  Ib r ahim )   155       Figure  5. Sam ple i m ages o f  th e lea ves fr om  Flavia  dataset  [20 ]       Figure  6. Sam ple i m ages   of th e lea ves fr om  n ew  const ru ct e d dat aset       3.   RESU LT S   A ND  DI SCUS S ION   Table  1  il lustra te s  the  recog niti on   acc ur acy   r esults  of   t he  t hree  te xt ur e   feat ur es   wit h  m ulticlass  SVM   cl assifi er  us in g  new   co ns tr uct ed  dataset   w hile  Table  2  sho ws  the  res ults  for  Flavia   data set .  The  rec ogniti on  accuracy  is  c om pu te d  by  div i ding  the   co rr ec tl y  reco gniz ed   le af  of  the   te sti ng  im ages  with  the   total   num ber   of  te ste d  i m ages.  The  re su lt s  of  t hese  e xp e rim e nts  are  c onsta nt   fo r  both  datas et s.  By   loo ki ng  at   these  two  ta bles,  we  ca n  c le arly   see  that  H O G  and  LBP  pro duce  sim il ar  cl a ssific at ion   res ul ts  fo r   both   dat aset s  an d  thei r  resu lt s  are  m uch   bette r  tha n  SU RF .  Since  HOG  a nd  LBP   de script or s   ope rate  on  local iz ed  cel ls,   the  m et ho ds  uphol d  inv a riance  t o  ge om et ric  and   phot om et ric  transfor m at ion s  a nd  r obus t  t o  m onotonic  gr ay - scal e  cha ng es   cause d,   for  in sta nce,  by  il lu m inati on   var ia ti ons. As   a res ult, they  pe rfor m  b et te r  t han S URF.       Table  1.  Res ults o f  m ulti cl ass  SV M  for new   const ru ct e d dat aset   Multiclas s Clas sif ier   Accurac y  ( %)   HOG   99   LBP   99   SURF   74       Table  2.  Res ults o f  m u lt ic la ss  SV M  for  Fla vi a d at aset   Multiclas s Clas sif ier   Accurac y  ( %)   HOG   97   LBP   97   SURF   63       4.   CONCL US I O N   This  pa per   e va luate d  thr ee  te xture  featu res  f or   le af  recog niti on ,  nam ely  HO G ,  LBP  an d  SU RF.  O ne   of   the  im po rta nt  cha racteri sti c  for  scene  i m ages  su c h  as   herb  pla nts  is  tolerant  to  il lum inati on   ch ang e s.   Ex per im ental   resu lt s  on  t hese   featu res  e xtra ct ed  f ro m   le af  i m ages  in  a  ne w  c on st ru ct e d  dataset s  an d  Flavia,   existi ng   datase ts  con cl ude  th at   HOG  a nd  LBP  are  b et te r  tha n  S URF.   SU RF  is  sensi ti ve  to  r otati on  a nd  il lu m inati on   changes  w her ea s  H OG   a nd  L BP  are  no t.  Be sides  that,  si nc e  HOG  a nd  L BP  desc riptors   op e rate   on   l ocali zed  ce ll s,  the  m et ho ds  uphold  in var i ance  to  ge om et ric  and   photom et ric  transf or m at ion s.  Th us ,   t hey  are  ver y  s uitable   for  scene  i m ages  li ke  leaf   recog niti on  fo r  herb  pla nt   identific at ion.  Fu tu re  w ork   is  to   perform  a co m par at ive  stu dy  on the e ff ic ie nc y per form ance of th ese  f eat ures  for  m ob il e app li cat io n.       ACKN OWLE DGE MENTS   The  a utho rs  grat efu ll y  ack n owle dge  t he  help  of  U niv e rsiti   Tek nolo gi  M ARA   f or  s ponsori ng  thi s   researc h u nd e r Le sta ri grant  600 - IRMI/M yR A 5/3/LES TA RI (0 60 / 2017).       REFERE NCE S   [1]     Saini n,   M .   S. ,   a nd  Alfre d,   R.   ( 2 014).   F eat ure  S el e ct ion   for  Mal aysian  Me d ic ina l  Pl an t  Leaf   Sha pe  Ide n ti f ic at ion   and  Classifi ca ti o n .   Int ern a ti ona l Confere nc e  on   C om puta ti ona l  Sci enc e   and   T ec hno log y .   1 - 6.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vol .  9 ,  No.  1 ,  Jan ua ry   201 8   :    152   –   156   156   [2]     Xu,  H.,   Li,  F.,   Xue,   F.,   and  Sh en,   L .   (2010).   A ppli cation  of  Pa tt ern  Recogni ti o n  to  the   HNMR  Spec tra  of  Chin ese   Me dicinal  Herb s  for  Cold - hot  Nature  Distingui s h .   6th  Int ern a ti o nal   Confer ence  on  Natur al   Com puta ti on   (ICNC).  3278 - 3281.   [3]     Herdi y eni,  Y. ,   Ginanj ar ,   A.   R. ,   Anggoro,  M . R. L.,  Douad y ,   S.  and  Zuhud,   E. A.M.   (2015).  Me dLeaf:Mob ile   Bi odivers it y  In f orm ati cs  Tool  for  Mapping  a nd  Ide ntifyi ng   Indone sian  Me dic inal  Pl an ts .   7 th  Int ern atio nal   Confer ence  of   Soft  Com puti ng  a nd  Pattern  R ec o gnit ion (S oCP aR).   5 - 9.   [4]     Le ,   T . ,   Tr an,   D.  and  Hoang,   V.  (2014).   Ful l y  aut omatic   le af - base d  plant   ide ntification,   applicat io n  for  Vi et namese  medic ina l  plan t  search .   Proce edings   of  the   Fif th  S y m posi um   on  Inform at ion  and   Com m unic at ion  Te chno log y .   146 - 154.   [5]     Pri y ank ara,  H.  A.  C.   and  W it hana ge ,   D.  K.  (2015).   Computer  Assisted  Pl ant  Ide nti f ic a ti on  Sy stem  for  Android .  IEE E   Moratuwa   Engi ne eri ng  R ese arc h .   148 - 153 .   [6]     W ang,   B. ,   Bro wn,  D.,   Gao ,   Y.  and  La   Sal le,  J.   (2013).   Mobi l e  Pl an t  Leaf  Id ent ification  Us i ng  Smar t  Phones .  Inte rna ti ona l  Co nfe re nc e  on   Im a ge  Proce ss ing   (I CIP).4417 - 4421.   [7]     Luki c ,   M.,   Tub a,   E .   and  Tub a,  M.  (2017).   Lea f  Re c ognit ion  Algor it hm  using  Support  Ve ct or  Mac hine   wi th  Hu  Moment s  and  Local  B inary  P at te rns .   IEEE  15t h  Inte rna ti ona l  S y m posium   on  Applie d  Mac h in e  Intelli g ence  a nd  Inform at ic s.   485 - 490.   [8]     Jam il ,   N.,   Hus sin,  N.A.C.,  Nordin,   S.,   Aw ang,  K.:   Aut omatic  plant   ide ntifi ca ti on:  is  shape  the   ke y  f eat ure?   Proce dia Com put.   Sc i. 76, 436 – 4 42  (2015).   [9]     Ngu y e n ,   Q.  K.,   Le ,   T .   L.   and  Pham ,   N.  H.  (201 3).   Leaf  based  plant   ide nt if i cat io n  system  for  an droid  using  su rf   fe atures  in   com binat ion  w it h  ba g  of  words   model  and  sup erv ise d  le arning .   Int er nat ion al   Conf erence   on   Android   Te chno logi es  for   Com m unic at ion s (ATC).   40 4 - 40 7.   [10]     Xiao,   X.   Y.,   H u,   R. ,   Zh ang,   S .   and  W ang,   X .   (2010).   HOG - based  Approach  for  Leaf  Classif ic ati on . Ad vance d   Inte lligen t  Comp uti ng  Theori es  a nd  Application .   Springer  Ber li n/ Heide lb erg .   149 - 155.   [11]     Chen,   X.,   W ang ,   L.,  Chen,   W .   and  Gao,   Y.  (2 013).   Detect ion  o f  Wate rm el on  See ds  Ex t erior  Qualit y  based  o n   Mac hine V ision .   TE LKOM NIK A ,   Vol .   11 ,   No.   6,   2991  –   2996 .   [12]     Yang,   N. ,   L i,   S. ,   L iu,   J.   and  Ful ingBi an .   (2014).  Sensit i vi t y  of   S upport  Vect or  Mac hine  Classif ic ati on   to  Vario us  Tr aini ng  Fe a tures .   T EL KO MN IKA   Indone sian   J ourna l  of   E le c trica l   Engi n ee r ing.  Vol.   12 ,   No.   1,   2 86  –   291 .   [13]     Zha ng,   Z.,  Li,  Y.  and  Peng,   X.   (2016).   Brain  Wav e  R ec ogni tion  of  Word  Imaginati on  based  on  Support  Ve ctor   Mac hine s .   T ELK OM NI KA .   Vol.   14 ,   No .   3A,   27 7  –   281 .   [14]     Ta m ura ,   H.,   Mo ri,   S.,   Yam awa k i,   T.   (1 978) .   Tex tural  fe atures  co rr esponding  to  vi sual  perc eption .   IEE E  Tra ns  on  S y stems ,   Man  a nd  C y b ern e ti cs .   8,   460 – 472 .   [15]     Dala l ,   N.  and  Tr iggs,  B.   (2005).   Histogram s  of  o rient ed  gradien t s  for  human  det ec ti on .   IEEE  Com pute r  Vision  and   Patt ern   Rec ogn ition (CVPR).  886 - 893.   [16]     H.  Ba y ,   From   W ide - base li ne   Poi nt  and   Li n e  Corr esponde nce s  to 3D ,   Ph.D. The si s,  ET H   Zurich, 2 006.   [17]     He,   D.  C .   and   W ang,   L.  (1990 ),   Tex ture  Unit ,   Text ure  Sp ec tr um  and  Text ure   Anal ysis .   IEEE   Tra nsa ct ions  o n   Geosci ence and Rem ote   Sensing.   vol. 28, 509  -   5 12.   [18]     Corte s,  C .   and  V apni k,   V.  (1 995) .   Support - ve ct or   net work.  M ac hi ne  L ea rn ing. vol.  20 ,   273 – 297 .   [19]     Hs u,   C.   W .   and  Li n,   C.   J.  (2 002).   A  comparison  of  methods  for  multi cl ass   suppor t  ve ct or  machine s .   IE E E   Tra nsac ti ons on   Neura l  N et work s,  vol. 13 ,   no .   2 ,   415 - 4 25.   [20]     W u,   S.  G.,   Bao ,   F.  S.,   Xu,  E .   Y. ,   W ang,   Y.  X.,   Ch ang,   Y.  F. and  Xiang,   Q.   L.   (2 00 7).   A  Leaf Re cog nit ion  A lgorit hm  for  Pl ant  cl ass if ic at ion  Us ing  Probabil isti c  N eural  Net work .   IEE E  7 th  Int e rna ti on al   S y m p osium   on  Sign al   Proce ss ing  and   I nform at ion  T ec h nol og y .   11 - 16 .     Evaluation Warning : The document was created with Spire.PDF for Python.