Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   13 ,  No.   1 ,  Jan uar y   201 9 ,   pp.  1 9 9 ~ 2 04   I SS N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v1 3 .i 1 .pp 1 99 - 2 04          199       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   Colored  facial im age r esto ration b y s imi l arity enh an ce d  imp licative fuz zy ass oc i ation mem ory       Kwan g  B aek Ki m 1 ,   D oo He on   Song 2   1 Depa rtment of  Com pute r  Engi n ee ring ,   Sil la Uni ver sit y ,   Busan  4 6958,   Kore a   2 Depa rtment of  Com pute r  Gam es,   Yong - In  Song Dam   Coll ege,  Y ong - in  17145,   K ore a       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   Sep   1 2 , 201 8   Re vised N ov  9 , 2018   Accepte d Nov  19 , 201 8       Im age   restor at io n  ref ers   to  the  rec over y   of  an  under l y ing   imag e  from   an   observa ti on  tha t   has  bee n  cor ru pte d  b y   var ious  t y p es  of  noise .   In  a  digita l   fore nsic  softwar e,   such  image  r estora t ion  proc e ss   should  be  no ise - tolera nt ,   robust,   fast,   an d  sca la bl e.   In   thi s  pape r,   w e  apply   impli c at iv e  fuz z y   associa t i on  m e m ory   struct ur e   in  co lore d  f a ci a l  image   rest ora ti on  wi th  enha nc ed  sim il a rity   m ea sure  inv olve d  in   output   computar ion.  Th e  eff i cac y   i f   the   proposed  fuz z y   associative   m emor y   m odel   is  ver ified  b y   the   e xper iment   in  tha t  it   was  95%  succ essful  (w it h  ze ro  m ea n   square   err or)  out  of  20  te sted   images.   Ke yw or ds:   Faci al  i m age   Fu zzy  ass ociat ive m e m or y   Fu zzy  sim il arity   Im age r est or at i on   Me an  s qu a re e rror   Copyright   ©   201 9   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 :   Kw a ng Bae k Kim ,    Dep a rtm ent o f C om pu te r  E ng i neer i ng,   Sil la  U niv e rsit y,   Busan 4 6958,   Korea.   Em a il :   gb kim @sil la .ac.kr       1.   INTROD U CTION     Im age  resto rati on  proce ss  is  an  im po rtant   s te p  us ed   in   de no isi ng   that  re fer s   to  t he  rec ov e ry  of  a n  unde rly ing   im age  from   an  ob ser vatio n  that   has  bee n  co rrup te d  by  noise .  Ther e  a re  va rio us   source s  le t  the   dig it al   i m ages  to  be  c orrupt ed  by  po or   c on t rast  an d  noise .  T hese   s ources  i nclu de   i m age  trans m issi on ,   acqu isi ti on,  c o m pr ession,   qu antiz at ion ,  il lu m inati on   co nd it ion s,  m al fu nc ti on in g  inst rum ents,  il l  po s it ion s    and   m or e.  T he  ap plica ti on  area  of   s uch   im age  de no isi ng   i nclud e s  ge ner al   obj ect   rec ogniti on,     dig it al   entertai nm ent,  m edica l  i m age  under s ta nd in g  an d  re m ote   sensing   i m aging   [ 1]  an d  we  are  espe ci al ly  interest ed  i n  t he   resto rati on  of  c orrupted   fac ia l  i m age  for  dig it al   f or e ns ic   ap plica ti on s  [ 2].  Sim il arly ,  i m age   denoisin g  is  a n  inv e rse  pro blem   of   any  im ag e  corr up ti on p r ocess  a nd  ca n  be  viewe d  as  a  f il te ring  syst em   with  v isi ble  f uzzine ss  as  the   existe nce  of   f uzzine ss  in  t he  im age  sign al   a nd  c on ta m inate d  sign al   t hu s   m any  fu zzy   log ic   base d  a ppr oac hes have   sh ow n  th ei r  str eng t hs  i n  this  dom ai n  [3 ] .    In   this  pa per,  we  are  especia ll y  interest ed  in  the  resto rati on   of   co rru pted  fa ci al   i m age  fr om   ro ug h  i m ages  li ke  c asual  sm artphon e   ph otogra phs  a nd  im ages  from   cl os ed  ci rcu it   te le vision  (CCT V)   c a m era.    In   rece nt  ye ars ,  CC TV  has  be en  widely   us e d  fo r  recordi ng   rand om   scenes  that  are  easy   t o  identify   s us pe ct ed   crim inals  and   it   is  even   we ll   visible  at   night.  Digital   f or e ns ic   co ncerns  with  an  a uto m at ed  face  rec ogniti on  scenari o  th at   involves   com par in g  degrade d  facial   phot ogra phs  of  sub j ect s  a gainst  t heir  high - res olu ti on  counter par ts  [ 4 ].   Howe ver ,   pr ob le m   of te n  e ncou ntere d  in  forensi c  face  r ecognit ion  in volves  l ow - res ol ution  face  im ages  that  hav e  bee n  fa xed,  pri nte d,   or  hea vily   com pr esse d  [ 5].  T he refor e ,  it   is  nec essary  to  resto r e  the  dam aged   colo r   i m ages  fr om   CC TV  or  sm artphon e  t hat  ha s  been   a n  im po rta nt  subsyst em   of   any  de ve lop e d  dig it al  fo re ns ic  softwa re.   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,   Vo l.   13 , N o.   1 ,  Ja nu a ry 20 19   :   1 9 9   –   2 0 4   200   Wh il e previ ous  att e m pts o n  the syst e m atic i m age r est or at i on   from  d egr a ded  im age in  d igit al  f or e ns ic   so ft war e  a re  usual ly   com par ing   degra ded   i m ages  with  hi gh - re so l ute  saved   m od el s  of   ex - c onvicts  [ 4 - 5],    there  is   a  gro wing  us a ge  of  low  r esol ute  colo r  im ages  in  repo rting  s uspic io us   s ubj e ct   of  s uch  inc idents .     Th us ,  we  ne ed  fast  but  rob us t  aut oma ti c  facial   im age  de no isi ng / reconstr ucting  m et ho do l ogy  [ 2].     A  c on si der a ble   num ber   of  pra ct ic al   app li cat ion s   inclu ding  dig it al   al bu m ,  su r veill ances  vi de os   proces sing  an d  per s onal  au t he ntica ti on  i nvol ve  the  r est or at i on of  blurre d f aces [ 6].   W it h  that  pur po s e,  we  ta ke   associat ive  m e m or y  appro ac hes  as  our  e ngine  f or   im age  restor at io n.  Since  it   is  ai m ed  at   st or i ng  a nd  recall in g  as so ci at ion s   am on g  patte r ns  ( da ta )  [ 7].  Am on g  m any  m odel s  of  associat ive  m e m or y,  Fu zzy   Associ at ive  m e m or y  (F AM )  [8 ]   is  on e  of   th e  su ccessf ul  im ple m entat ion   of   suc h  structu res   us i ng  a   f uzzy  Hebbian   le arn i ng  r ule  in   te rm s  of  m ax - m in  or   m ax - pro duct   c om po sit ion s   f or  the   synthesis  of  it s  wei gh t  m at rix  W   bu t  it   al so   has  sim il ar  low  capaci ty   pro blem   [9 ] .  FAM s  po sses s  i m portant   adv a ntage s  inc lud in g  noise   tolera nce,  unli m it ed  storag e,   and   one  pas s   converge nce  though.  An   im portant   pro per ty ,  deci ding  FA M  perform ance,  is  t he  abili ty   to  captu re  co nte nt   of   each  patte r n,   an d  ass ocia ti on   of  patte rn s  [1 0].   Im plica t ive  Fu zzy   Associ at ive  Mem or ie s  (I F AM)  is  a  sing le - la ye r  feedfo r ward  f uzzy  neural   netw orks  e quipp e d  with  ne uron s   that  c om pu te   the  m axim um   of   a  t - nor m .  IF AM  ex hi bits  excell ent  t olera nce   with  re sp e ct   to   ei ther  po sit iv e  or   ne gative  no ise   with  optim al   abso lute  stora ge  ca pacit y  [11].  Wh il e  FA Ms   m igh t  be  us e d  as  a  powerfu l   too l  f or   im pl e m enting  f uzz y  ru le - based   s yst e m s,  the  insigh t  that  F A Ms  are  cl os el y  relat ed   to  m at he m at i cal   m or pholog y  has  le d  t o  the  dev el op m ent  of   ne w  f uzzy  m or phol og ic al   associat ive  m e m or y  m od el s  and   IF AM  is  a  good   e xam ple  of   them   wh ic h  is  al so   m a them a ti cal l y  s ound     [12 - 13] . Som e IF AM  m od el s  exh i bited t heir usef uln e ss in  im age r est orat ion p r ob le m s [ 14, 1 5].   In   t his  pa pe r,   we  propose  a   c olored  facial   im age  resto rati on  m echan ism   unde r  I FA M  s tructu re  with   e m ph asi zi ng  the  si m il arity  m easur e  of  the  patte rn s  bei ng   c on si der e d.  Pr evi ously ,  FA M  struct ure  was   su ccess fu ll y  a pp li ed   to   our   a pp li cat io n  do m ai n  with   gr ey   m od el   [16].  H ow e ve r,   t he  ge ner al   FA M  str uctu re   te nd s  t o  ha ve  t oo   m any  0’s  in   relat ion   with  t he  c onnecti on  stren gth   m at rix  and  the  t hr es hold  due  to  it s  m ax - C  op e rato r  usa ge .  This  F AM  c har act erist ic s  r esults  in  f re quent  incom plete   i m age  restor a ti on   in  real  w orl d  app li cat io ns .   T hu s ,  we  a d op t   IF AM   m od el   instea d  of  FA M   an d  le t  t he  m od el   work  directl y  from   the  col or e d  i m age f or  fast  scal abili ty  co nc ern s .       2.   IMAGE  RES TORA TI ON  WITH P ROP OSED IFA M   STRU T U RE   An   ass ociat ive   m e m or y  par ad igm   m a y  be  form ulate d  as  an  inp ut – outp ut  s yst e m   that  is  a ble  to  s tore  diff e re nt  patte rn s  pairs.   F A M  m od el s  are  cl assifi ed  into  tw o  cat eg or ie s – aut o - as s ociat ive  and   heter o - associat ive.   He te ro - a sso ci at iv e  FA M   m od el   has  sim il ar  struc ture  with  Bi directi on al  A ss oc ia ti ve  Mem ory   [17]   that  has   ty pica l  struct ur e   sho wn  as  Fig ur e   1.  I n  t his  sc hem e,  the   retrie ve d  patte r n  is   dif f eren t  from   the  input  patte rn not  on l y i n  co ntent  bu t possi bly al so  in ty pe  a nd form at .           Figure  1. Heter o - ass ociat ive  f uzzy ass ociat iv e m e m or y st ru ct ur e       In  this  pa per,  we  a dopt  a uto - associat ive  FAM   m od el   that  r et rieves  a   pre vi ou sly   st or e d  pa tt ern   wh ic h  m os t cl os el y resem bles the curr e nt p at te r n. F ig ure   2  s hows   a ty pical  stru ct ur e  of FAM m od el .       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       Colore d  faci al  image rest orati on b y  simil ar it y en hance d  im pl ic ative  fuzzy   as s ociatio n…   ( Kw ang  B aek K im )   201       Figure  2.  A uto - asso ci at ive fu zzy  asso ci at ive  m e m or y st ru ct ur e       The  gen e rali zed  F AM  ( GFAM)  [ 18] ,  ca n  be  desc ribe d  in  te rm s  of  the  fo ll ow i ng  relat io ns hi p  betwee n  a n  in put patt er n  x ∈   [ 0,   1] n   an d  t he  c orres pondin g o utput patt er n  y ∈   [ 0,   1] m   as s how n  i n form ul a ( 1) .       Y = ( W ° ) °   (1)     wh e re  Y   denot e  the  outp ut  a nd  W   de no t e  t he  c onnecti on  stren gth   m at rix  with  t hr es ho ld  θ.   Θ   is  def i ned  as  E quat ion ( 2).     θ = ⋀ = , 0 ≤ ≤ 1   (2)     wh e re  y k   de note s the  outp ut of  k th   le ar ne d pa tt ern  ( m axim u m   p   patte rn s  av ai la ble).     In  E quat io n  (1),   t he  sym bo l  ◦ T   de no te s  t he  m ax - C  pr oduct   w her e   C  is  a   t - norm   that  sat isfie s  op e rato r   associat ivit y,  c omm uta ti vity ,  and  m on ot on e   non - decr easi ng  [11].  And   F or  A   ∈   [0,  1] mxp   and  B ∈ [ 0,  1] pxn     then  t he  m ax - C pr oduct C  =  A ◦  B is  d e fine d  as  E quat io n ( 3)      = ⋁ (  ,  )   ∀ = , … , , ∀ = 1 , … , = 1   (3)     Howe ver,  du ring  the  im age  r est or at io n  proc ess  with  t his  G FA M  str uctu re ,  the  r es ult  ou t pu t  obta ined   from   the  E qu at ion   (1)  fall s  int o  0’s  m or e  tha n  de sired  due  t o  the  m ax - C  operat or   c har act erist ic s  as  sho wn   i n  E quat ion ( 2). T hu s , we a dopt  I FA M st r uct ur e  w it h  c ol ore d p ixel co ntr ol as  sh ow n  in  E qu a ti on   (4).     W = ( Y °  ) , = ( °  ) ⋁   (4)     wh e re  x rgb   de note   the   col or  inf or m at ion   of  the  pix el .  I n  de ci din g  W,   we   ta ke  Mi n  op e rati on  an d  the  ou t pu t     Y  is c om pu te d by  Ma x o per at i on.   Ba sed  on  this  IF AM  st ru ct ure,  we  a dd   patte rn   sim il arity  t o  com pu te   the   final  outp ut.  I f  there  is  a   no ise  in  t he  in put patt er n, the  r est or at io n proc ess is ba sed  on  t he  sim il arity m easur e s how n  as  E quat io n ( 5).      simi larity =   ‖   ∧   ′ ‖ ‖ ′ ‖   (5)     w he re  S a nd S’ d e no te  t he  st ored  patte rn an d i nput p at te r n w it h  noise  in  r es pecti vely .   Th us , t he final   ou t pu t  Y   is c om pu te d  by E qu at ion   (6).     Y = ′ ∨ ∨   (6)     In   order   to  e va luate   the  corre ct ness  of  resto red   pix el ,  we  t ake  m ean  sq ua re  e rror   (MSE)   m easur e  as   sh ow n  in  E qu a ti on   (7).     MSE = ∑ ( − ̂ ) 2 = 1 − 2   (7)     wh e re  y 1   de no t es the  or i gin al   pix el  a nd  ̂   is t he  d e gr a de d pix el . Th e  d e gree  of freed om  is  n - 2.        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,   Vo l.   13 , N o.   1 ,  Ja nu a ry 20 19   :   1 9 9   –   2 0 4   202   3.   E X PERI MEN T   The  pro posed  m et ho d  was  i m ple m ented  in  C#  under   Vis ual  Stud i o  2017  en vironm ent  with  In te l   (R )   Du al   C or e (T M)  i3 - 5005 U  CPU  @  2.0  G Hz  a nd  4  GB   RAM  PC.   We  te ste d  20  fa ci al   i m ages  an d  s om e   su ccess fu l a nd  f ai le d  e xam ple s ar e  show n i n Fi gure   3  a nd Fi g ure   4 res pecti vely .                            (a)   O rigin al   Im age      (b)   Dam aged  i nput    (c )  Re st or e d res ult     Figure  3. S ucc essfu l   im age r est or at io n by th e pro posed   I F AM ( MS E =  0.0)         (a)   O rig inal  Im age   ( b) D am aged in pu t      (c)   Re store d  re su lt     Figure  4. Fail ed  im age r est or at ion   by the  pr op os e d IF AM  (MSE =  0.06)       As  s how n  in  Figure   3,  we  m ake  so m e  dam age  on   t he  ori gin al   im age  (F ig ure   3( a) )  and   m ake  the   inout  li ke  Fig ure   3(b )  that  is  an  extr em e  exa m ple  of   stst em at ic   delet ion   of   non - ne glisa ble  pa rt  of   t he  i m age.    The  pro posed   IF AM   was   s uc cessf ul  to  res tor e  t he  lo st  pa rt  as  s h own  i n  Fi gure   3( c )  whose   MSE  va lue  conve rg e rs  to   zero.  That  r esult  is  act ually   par tl y  helped   by  the  s ymm et rici t y  of   the  facial   im age.     Howe ver, f ace   recog niti on   fro m  su ch  ki nd of  p a rtly  tor n p hoto gr a ph  occur s in  t he  real  w orl d  a ppli cat ion .   In   Fi gure   4,   t hough,  we  ha ve  the  only   fail ed  restor at io n  case  from   ou r  e xp e rim ent.  In   that  case,     there  exists  no n - ne glisable   siz e  of   m os ai c   ar ea  in  the  dam a ged   in put  (F ig ur e   4( b)).   I n  suc h  a  case,  the  pi xel  in   the  m os ai c  area  on ly   ha d  the   aver a ge d  col or  inf orm atio n  thu s  it   wa s  not   su f fici ent  f or   IF AM ’s  Ma x - Mi n  op e rati on  to  re store  the  lost  inf or m at ion .  Th us ,  that  la ck  of   inform ation   re su lt s  in  the  fail ed  case  as  sh own  in   Figure   4(c)  where  MSE  is  0. 06.  Sti ll ,  in  our  exp e rim ent,  M SE  co nv e rg e s  to  zer o  in  the  re st  19   s yst em a tical ly   or  ta ndom ly   da m aged   phot ogra phs.   For  t he   rec ord,  the   a ver a ge  M SE  usi ng  the   grey   m od e  IFAM  [ 16 ]   was   0.21 on t he  sa m e set of  e xam ples th us  t he pr opos e d  m et ho d sh ows a  big i m pr ov em ent.   Othe r  tha n  tha t  on e  cas e,  the   eff ic acy   of  th e  pro po se d  m et ho d  ca n  be  dem on strat ed   as   show n  i n  Figure   5  t hat  directl y  com par es   the   res ult  with   the  pr e vious  gre y  GFAM  st ruct ur e  us e d  i n  [ 16 ] .     On e  can  clea rl y see  that the  prop os ed  m et ho d  s uccess fu ll y  resto res  the  pre viously  f ai le d  no ise .         (a)   G ray GFA M [16]     (b)  P rop os e d     Figure  5. Com par i ng Facial  im age r est orat ion wit h p re vious  gr ey  m od e  I FA M  [16]   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       Colore d  faci al  image rest orati on b y  simil ar it y en hance d  im pl ic ative  fuzzy   as s ociatio n…   ( Kw ang  B aek K im )   203   The  reas on  of  f ai lure  by  the   pr evio us   at te m pt  sh ow n  i n  Fi g ure   5(a)   is  that  as   m entioned   i n  S ect ion   2,  E quat ion  ( 1)  c onve rg es   to  ze r o  m or e  of te n  w hen  the  obj e ct   was  t o o  sm alle r  c om par ed  with  the   bac kgr ou nd  in   the  process  of   Ma x - Mi n  operati on.  The  pro posed  sim il a rity   enh a nced   IF AM  overc om es  that  pr obl e m   as   sh ow n  in  Fi gur e   5(b ).         4.   CONCL US I O N     In  this  paper,   we  e xten d  t he   IFAM  m od el   wir h   e nh a nce d  sim il arit y  m e asur e   to  t he  c olored   facial   i m age  resto rati on   case s.  Vari ou s  ty pe s  of  FA M  m od el s  hav e   bee n  wi dely   ap plied  i n  m any  eng i ne erin g  app li cat io ns   i n  the   la st  tw o  decad e s  an d  the re  a re  di ff ere nt  m od el s  to  a dap t  t he   ap plica ti on   areas’   char act e risti cs  for  ta sk s  s uc h  as  est i m ation ,  pr e dicti on   a nd   infer e nce.  W hat  we  are  i nterested  in  us in g  t his   associat ive  m em iry   m od el   is   to  de velo p  a  su bsy ste m   in  a  dig it al   f oren sic   syst e m   with  a n  a uto m at e d  face   recog niti on   s c enar i o  that  i nvol ves  c om par ing   de gr a d e d  facial   phot ogr aphs  of   sub j ec ts  against  t hei r  high - reso l ution   c ou nter par ts  f ro m   casual  sm artph one  photogra ph s  a nd  cl os e d  ci rcu it   te le vision   (CCT V)   c a m era.  Also ,  we  nee d  a  fast,  rob us t,  and   scal a ble  m et hod  to  do  it .  IF AM  m od el s  are  stron gly  noise   tolerant   but  have   zero - co nver ge nce  prob le m   in  Mi n - Ma x  op erati on.  Ou t  si m il arity  enh a nc ed  I FA M   str uc ture  was  desi gn e d  t o   avo i d  t hat  zer o - c onve rg e nce   pro blem   and   the  pr opos e d  m et ho d  was   hi gh ly   s uccess ful   (19  out  of   20  te st e d  cases o r 9 5%  s uccess  rate) i n exp e rim ent.       REFERE NCE S    [1]   R.   Yan,   et   a l . ,   “ Nonloca l  hi era r c hic a l  dic t iona r y   le arn ing  using  wave l et s  for  image  denoi sing, ”  IE EE   Tr ansacti ons  on  Image Proce s sing ,   vol .   22 ,   no .   12,   pp.   4689 - 46 98,   2013 .   [2]   K.  B.   Kim   and  D.  H.  Song,  “ Faci a l  Im age   Deno ising  from   Degra ded  Roug h  Cas ual   Photographs   using  Hopfiel d  Neura l  N et work, ”  Int ernati onal   I nformation  Institute  ( Tokyo) .   Info rm ati on ,   vol .   20 ,   no.   4ª,  pp .   2513 - 2518,   2017 .   [3]   I.   Irum ,   et   al . ,   “ A  Revi ew  of  Ima ge  Denoising  Methods, ”  Jour nal  of  Engi ne eri ng  Sci ence  &   T ec hnolog y  Review ,   vol.   8 ,   no .   5 ,   pp .   41 - 48,   2015 .   [4]   T.   Bourl ai ,   et   al . ,   “ Restori ng  deg rad ed  fa ce   images:  A  ca se  stud y  in  m at chi ng  f ax ed,   prin te d ,   and  sca nned  photos .  IEE E   Tr ansacti o ns on  Informatio n  Forensic s and   Sec urit y ,   vol. 6,  no.   2 ,   pp .   371 - 3 84,   2011 .   [5]   A.  K.  Jain,   et   al . ,   “ Face   m at c hing  and  ret ri e val   in  fore nsics   appl icati ons.  I EE E  multi med i a ,   vol.   19,   no.   1,     pp.   2 - 10 ,   2012 .   [6]   F.  Xin ,  et   al . ,   “ F ac e  image  r estor at ion  base d  on  st at isti cal  prior  an d  image  blur  m ea sure, ”  In  Mul tim edi a  and  Ex po,   2003.   ICME'03 .   Proce ed ings.  20 03   Inte rnat ional   Confe renc e  on .   I EE E ,   vol .   3 ,   no .   III - 297,   2003   Jul .   [7]   B.   Kos ko,   “ Ada pti ve   bidi r ec t ion al   associa t ive m emories, ”   Appl. O pt . ,   vol. 26, no. 23, pp. 4947 - 49 60,   1987 .   [8]   B.   Kos ko,   Neur al  net works  and   fuzzy  systems:  a  dynamic al   systems  approach  t o  machine   int e lligence ,   Pren ti c e   Hall .   1992.   [9]   P.  Sus sner  and  M.  E.  Val le,  Fu zz y  ass oci ati v e  memor ie s  and  t hei r  rela ti onship   to  math emati ca l  mor phology ,   I n   Skow ron  A,  Pedr y c z  W ,   Krein ovic h  V.  Edi tor s   Handbook  of  Granul ar  Com puti ng,   New  York.  John  W il e y   &   Son s. ,   pp.   1 - 41,   2008.   [10]   T.   H.  Nong  and  T.   K.  Dang ,   “ Im proving  learni ng   rule   for  fuz z y   a ss oci at iv e  m emor y   with  combina ti on  of  con te nt   and  associ at ion , ”  Neurocomput i ng ,   vol .   149 ,   pp .   59 - 64,   2015 .   [11]   P.  Sus sner  and  M.  E.  Valle,  “ Im pli ca ti v e  fu zzy  associa t ive  m emories, ”  IE EE   T rans act ions  on  Fuzzy  Syste ms ,   vol.  14,   no .   6 ,   pp .   79 3 - 807,   2006 .   [12]   M.  E.   Valle  and  P.  Sus sner,   “ A   g ene ra l  fra m ework  for  fuz z y   m or phologi c al   assoc ia ti v e  m emories.”  Fuzzy  sets  and  syst ems ,   vol .   15 9,   no .   7 ,   pp .   747 - 768,   2008 .   [13]   M.  Vajgl   and  I.  Perfil j eva,  “ Autoassociative   Fu zzy   Im pli c at iv e  Mem ory   on  the   Plat form   of  Fuzz y   Preorde r , ”  In  IFSA - EUSFLAT ,   vol. 30, pp. 159 8 - 1603,   2015 .   [14]   M.  E.   Valle  and   A.  C.   de  Souza,   “ On  the   rec all  ca pab il i t y   of  r ec urre n t  exponentia l  fu zzy   associative   m emorie s  base d  on  sim ilar ity   m ea sures , ”   M athware  and  So f t  Computing   Ma gazine ,   vo l. 22,  pp.   33 - 39 ,   2015 .   [15]   G.  Ta n aka   and  K.  Aihar a ,   “ Com ple x - val ued  m ult istate  associa t ive   m emor y   wi t h  nonli ne ar  m ultile v el   func ti ons  for  gr ay - le v el i m age re constru ct io n, ”   IEEE  Tr ansactions   on  Neural  N et works ,   vo l. 20, no. 9, pp. 1463 - 1473,   2009 .   [16]   J.  H.  Le e  and  D.  H.  Song,  “ A  F ast  Scal ab le   Im a ge  Restora t ion  b ase d  on  Fuzz y   As socia ti ve  Me m ory   Stru ct ure , ”   Inte rnational   Inf orm ati on  Instit ut e  ( Tokyo ) .   Information ,   vo l. 20,  no.   1B,   pp.   543 - 548,   2017 .   [17]   D.  H.  Song ,  et   a l . ,   “ Act ivi t y   ce n te red   d esign  of  sm art   phone  user  int erf ace:   L ea r ning  app  ex ec ut i on  pat t ern s  with   neur al ne twork   m odel , ”   Inte rnat ional   Journal  of   Smar t  Hom e ,   vol .   8 ,   no .   2 ,   pp .   10 1 - 106,   2014 .   [18]   D.  Chung  and   T .   L ee,  “ On  fuz z y   associative  m e m ory   with   m ult i ple - rul e  storag e  ca pa ci t y , ”   IE EE  Tr ansacti ons  on  Fuzzy  Syste ms ,   v ol.   4 ,   pp .   375 - 38 4,   1996 .               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,   Vo l.   13 , N o.   1 ,  Ja nu a ry 20 19   :   1 9 9   –   2 0 4   204   BIOGR AP HI ES OF  A UTH ORS        Kw ang  Bae k   Kim   rec ei v ed  his   M.S.  and  Ph. D.  degr e es  from   the   Depa rtm ent   of  Com puter  Scie nc e,  Pus an  Nati ona l  Univer sit y ,   Busan ,   Kor ea ,   in   1993  an d  1999,   resp ec t ivel y .   From   1997  to  the   pre s ent ,   he  is  a  profe ss or  a t  the  Depa r tment  of  Com pute r   Engi ne eri ng ,   S il la  Univer si t y ,   Korea .   He  is  cu rre ntly   an  associ at e  ed it or  for  Journal  of  Inte l li g enc e  and  Inform at ion  S y st ems  and  Th e  Journal   of  Inform at ion   and  Com m unicati on  Conv erg e nce   Engi ne eri ng .   His  rese arch   int er ests  include   fuz z y   cl ust eri ng   and  fuz z y   cont r ol  s y st em,  da ta   m ini ng,   image   p roc essing,   and  bioi nform at i cs.         Doo  Heon  Song   rec e ive d  his  B. S.  degr ee   in  St atistic s  &   Com pute r  Scie n ce   from   Seoul  Nati ona l   Univer sit y ,   Kor e a  and  M.S.   degr ee   in   Com pute r  Scie nc e  from   th e  Korea   Adv anced  Instit u te   of  Scie nc e  and  Tec hnolog y   in  1983 .   He  rec e ive d  hi s  Ph.D.  Cert ifi c at e  in  Com pute r   Scie nce   from  the   Univer sit y   o f  Cal ifornia  at   I rvi ne  in  1994.   He  has  bee n  a  profe ss or  at   the  Depa rtment  of  Com pute r  Gam es,   SongD am Col le ge ,   Korea ,   sinc e  1997.   He  has  serve d  as  an  associate   editor  for  Journal  of  Multi m edi a  Signal   Proce ss ing  and  Inform at ion  Hiding   and  The   Journal   of  Inform at ion   and  Com m unic at ion  Converge n c e  Engi ne eri ng .   His re sea rch   top ics   inc lude   ar ti fi cial  intelligence,  vide o  g ame  desi gn  & cul tur e .       Evaluation Warning : The document was created with Spire.PDF for Python.