TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol. 13, No. 2, Februa ry 20 15, pp. 314 ~ 320   DOI: 10.115 9 1 /telkomni ka. v 13i2.700 1          314     Re cei v ed  No vem ber 8, 20 14; Re vised Janua ry 2, 20 1 5 ; Acce pted Janua ry 2 0 , 20 15   Filtering Based Illumination Normalization Techniques  for Face Recognition      Sasan Kara mizadeh* 1 , Shahidan M abdullah 2 , Sey e d Mohammad Cher ag hi 3 ,                           Mazd akZam ani 4   1, 2,  4 Advanced  Informatics Schoo l (AIS), Universiti T e knolo g i Mal a ysia, 54 100 Ku al a Lum pur, Mala ys ia   3 Mala ysia-J ap a n  Internatio na l Institute of  T e chno log y , U n ive r siti T e knologi  Mala ysi a ,   541 00 Ku ala L u mpur, Mal a ysi a   *Corres p o ndi n g  author, e-ma i l : Ksasan2 @liv e.utm.m y       A b st r a ct   T he  mai n  ch all eng e ex peri e n c ed by  the  pre s ent  face r e co gniti on tec hni q ues a nd s m oot h filter s   are th e d i fficult y in  man agi ng   illu min a tion. Th e d i fferenc es i n  face  i m a ges   that are  cre a te d by  il lu mi natio n   are n o rmal l y b i gg er co mp are d  to the d i ffere nces i n  inter- p e rson th at is u t ili z e d t o  differ entiate  ide n titi es.  How e ver, face  recog n iti on  ov er il lu mi natio has  mor e  us es  in  a l o t of a p p licatio ns th at d eal w i th s ubj ec ts  that are not co oper ative w her e the hig hest potenti a l of the  face rec ogn iti on as a no n-in trusive bi ometric   feature can  be  executed a n d  utili z e d. A lot  of w o rk has been p u t in to th e researc h  an d deve l op ment  of  illu min a tion  an d face rec o g n i t ion i n  the  pre s ent era  an d a  lot of critica l   meth ods  hav e  bee n intr oduc ed.   Neverth e less,  there ar e so me c onc erns  w i th face  rec ogn ition  an d i llu mi nati on th at requ ire furt he r   consi derati ons  w h ich  incl ud e  the  defic ienc i e s i n  co mp re h end ing  the  su b-spac es i n   ill umin ation  p i ctures,   prob le ms w i th intractabi lity in face mod e ll in g and co mplic ate d  mec h a n is ms  of face surface  reflections.      Ke y w ords : ill u m i nati on, face recog n itio n,  techni ques, strate gies, filters         Copy right  ©  2015 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  Face  recognit i on usin g different illumin a t ion is  a critical challe nge f o r appli c ation s  use d   in real time.  Many illumination filtering techni ques are used and  introduc ed  by researchers to  manag e th e i s sue  at h and . Neve rthele s s, the  pr esen app roa c h e are  b o th archaic  an d do not  inclu de th cruci a analysi s  of  pe rform ance of  illum i nation filte r in g techniq u e s   [1, 2]. F a ce  recognitio n  tech niqu es  at pre s ent i n clude a  gr o u p  of functio nalities th at ca rry out t h e   norm a lization  of illuminati on an d thu s , handl e the  main  challe n ge with th e f a ce  re co gnition  s y s t em  [3].      2. Filtering of Illumination  normalization Face recognition   We h a ve expl ained  som e  o f  the filtering  of  illumination  norm a lizatio n face  re co gn ition  in  this pap er.     2.1. Single Scale Re tinex  or (SSR) alg o rithm   Whe n  the SSR scale lo wers, it improves  the lo cal cont radi cti on and  offers a bette robu st comp ression  rang e. However, it has  som e  drawb a cks su ch as the the  halo artifa ct. On  the cont rary, whe n  the SSR scale  rises, the feat ures of the color  con s tan c y would imp r ove  at  the same tim e . Neve rthele ss, it i s  n o t a b le to   cont ra ct the ro bu st scale  of an  im age  well  eno ugh  by not taking  into con s ide r ation the  ch ara c teri stics  of the image  [4], since the  image s’ rati o of  comp re ssed robu st scale s  varies [5].   Single-S c ale Retinex   The SSR form is defined  according to (1),     R(x , y ) = lo gI(x ,y )-log( F(x . y ) * I (x ,y )),  (1)     Whe r e R(x, y) is the Retinex output; I (x,  y)  is th e image inte nsity; ‘*’ reflects the  operation of convolution; a nd F(x,  y) is a  Gaussia n  function ality.  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Filtering Ba se d Illum i nation Norm alizatio Tech niqu es for Face … (Sasan Ka ram i zad e h)  315 F(x, y) = K •e-(x2+ y 2), integral (int eg ral (F (x , y ) , dx , Dy=1,         (2)                           Figure1. Illust ration o r iginal  images a r e i n  the uppe r rows, Images  pro c e s sed by  SSR - the  reflec tion func tionalities  are in the lower rows      2.2. Multi Scale Retin ex  or (MSR) alg orithm   The  algo rithm  for  Multi S c al e Retinex o r   MSR  i s   exten ded f r om  the  algorith m of  the SSR  as  su gge sted  [6].The th eory of retin e x h a s th assum p tion that  the  pe rception  of  col o r is  strict ly  depe ndent o n  the human  vision syste m ’s neu ral st ructu r e. Ref e ren c e [7, 8] introdu ced t h retinex m ode l for li ghtne ss  com putatio n. In o r de r t o  imp r ove th e ima g e s   with conditio n of  compl e x lighti ngs, the  theo ry of retin e x, whi c i s  de riv ed from  the  system of hu m an visu al, ha s   been  utilized  for improvem ents in im age  contrastin g. Referen c e [7,  9] first intro d u ce d the theo ry  of retin e x. Used  La nd’ s t heory  to  cre a te the SS R [8] and  MS R [6]. In  gen e ral, th e MS R i s   su ccessful in  improving lo cal c ontra stin g and comp ression of a robu st rang e. In rece nt times,  resea r che s  h a ve introdu ce d method s to enha nce t he MSR ba sed o n  the co rre cti on of colo r [1 0],  natural im pre ssi on s [11], and halo effe ct [12].          Figure 2. Show origi nal ima ges a r e in th e  upper  ro ws, Image s  proce s sed by MSR – the  reflectio n  fun c tionalitie s are in the lowe r rows      2.3. Homomorphic Filteri ng-ba sed  No rmalization (HOM O) Algo rithm  Homo morphi c filtering o r  HOM O  is a p opula r  tech ni que for n o rm alizatio n wh e r eby the  image i nput i s  firstly ch an ged into  the  necessa ry  lo garithm  and   after that into  the do main  for  freque ncy [2 0]. After that, the comp onent s of hi gh freq uen cy are focused on a n the   comp one nts  of lower freq uen cy are d e crea sed.  Fi nally, the image is  chan ged ba ck to the   spatio n dom a i n utilizing th e  inverse Fou r i e r tra n sfo r ma tion and h e n c e retri e ving th e expone ntia outcom e  [21].          Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 13, No. 2, Februa ry 2015 :  314 – 320   316     Figure 3. Illustration ori g ina l  images a r e i n   the uppe r rows, Images  pro c e s sed by  HOMO - the  reflectio n  fun c tionalitie s are in the lowe r rows      The component of illumination is located clos e to the cent ral two-dim e nsional Fourier  that cha nge the image’ s l ogarith m . Ho wever, the  co mpone nt of reflectan c e i s   situated fu rth e r in  the outer  re gion of the  Fouri e spe c t r um’ s  tw o di mensi on. In  gene ral, the  illumination  a n d   comp one nt of reflectan c are not di re ctly s eparate d  in Fourie r’s  spa c e [14]. An approprai ate   divide for the   comp one nts i s  d epe nde nt  on the  suit abl e pa ram e ters of filter  of the  homo m orphi c.  Normally, the parameters are  adjusted accordingly by utiliz i ng  the experiences of  the  researcher. Adelmann [14] in his research utiliz ed homomorphi c filtering  with various parameter  setting s and  the most  suitable setting  wa s ch osen  f o r mo re p r o c essing  wo rks. Refere nce [15]  cho s e  a  static g r ou p of va lues for th e h o momo rphi para m eters  a c cordi ng to  th eir exp e rie n ces  in utilizi ng the algorithm  f o r l o oking for the  homom orphi c filteri ng.  According to [16], there  are   variou s value s  for thi s   kind  of filter wh ere they  have t e sted th e pa rameters a nd t he mo st suita b le  is sele cted. Method for sele cting pa rameters  in  al l the techniq ues  dep end   on thei r data s et.  Neverth e le ss,  [17] sugge st ed that a sel e cti on meth od  for ch oo sing t he hom omorphic p a ra met e r   sho u ld  be m a de a c cording   to the gl obal   contrast  facto r s (G CF ) [1 8], whi c h i s   not  relia nt o n  a n databa se s.     2.4. Isotropi c Diffusion-b ased Normal ization  Algor ithm  The al gorithm known as the isotropi c diffu sion-based normali z at ion  or IS  utilizes  isotro pic  sm o o thenin g  of th e image  to ca lculate th e fu nction ality of the lumina nce. It reflects t h e   simplified  r-variant  of the   techni que  of  anisotr opi di ffusion-ba sed  normali zatio n  a s   sug g e s ted  by Brajovic a nd Gro s s [19] The al gorithm for  anisotropic diffusion (AD)  i s  popular for the feature of illumination  invariant  rem o val of the fa ce im age. Th e functio n  of t he alg o rithm f o r the  ani sotropic  diffusio n  is  depe ndent o n  the con d u c tion function a lity and measur e of disco n tinuity [20].  Neverth e le ss,  in   the conve n tio nal algo rithm  of the anisot r opi c di ffusio n , the discont inuity measu r ement no rma l ly  take s on the i n -ho m og eneit y  or spa c e g r adient [21, 35 ].  In the model  kno w as th e  Lambe rtian  convex   surfa c e, the fa ce i m age i s  reflected a s   reveale d  belo w   I( x,  y)   =   R ( x,  y)   L( x,  y)        ( 3   Acco rdi ng to  (3 ),  R(x, y) is u s ually t he  re fle c tion  of the  sce n e  an d L  (x,  y) u s ually  represent s the illumination. Thus, the normali zation  of illumination for veri fying the face can be  achi eved by.  Cal c ulation t he illumi nation L(x, y).  The L(x,  y) cannot be calcul ated from the I(x, y)   because of t he ill- posed  position.  It is comm only assumed that  R(x,  y) differs  quicker than  the   L(x, y). The r efore, in m o st of the app roca he s, R( x, y) is  retrieve d by co nsi d e r ing th e varia n ce   betwe en the i m age s’s I(x, y) logarithm  and its sm oot henin g  versi o n that is the approximatio n of  L(x, y). The logarith m ic fu nction ality gets rid of  the n o ise s  an d ca use s  the me asu r em ent to be   easily do ne.  This cl assifi cation i s  kno w n a s  the g eneri c  q uotie nt image. Th e fundam ent a l   diagram of the method for  gene ric q uot i ent image is  revealed in Fi gure 4.   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Filtering Ba se d Illum i nation Norm alizatio Tech niqu es for Face … (Sasan Ka ram i zad eh)  317     Figure 4. Basic diag ram of  gene ric q uoti ent image me thod       The mai n  hi ghlight of g eneri c  q uotie nt image i s  on the m e thod to  cal c u l ate the   illumination L  (x, y) using i m age I (x, y).          Figure 5. Illustration ori g ina l  images a r e i n   the uppe r rows, Images  pro c e s sed by  Isotropi Diffusio n -b ased - the refle c tion function a lities are in th e lowe r ro ws.      2.5. Adap tiv e  Non - Loc al Means  Bas e d  Techniqu e  for Normalization   The te chni qu e kno w as the Aad aptive  No n-L o cal  Mean s b a se d no rmali z ati on  (ANL wa s intro d u c ed by  ˇ  Stru c an d Pave ˇ si ˇ c [22, 34].  This te chni que utilizes t he algo rithm  for  adaptive no n-local me an de-n o isi ng to  measure t he function ality of luminan ce  and to cal c ul ate   the refle c tan c e after that. T he Adaptive  Non  Lo cal M ean s Filter  wi th a Mixture  of Wavelet i s   just  like the NLM filtering ho wev e r, the smo o thenin g   param eter is ad apte d  locally a s  e x presse d in:        ( 4 )     Whe r eby th distan ce  is  m easure d  fro m  a vo lum e  R  that is in putte d a s  the  su btractio n   of the origin al noisy volu me u and th e low pa ss filtered volum e   ( ) . It was di scovere d   experim entall y  that the distan ce  minim a lly requi red  in this situ ation is a bout t he sa me a s   s2  becau se of th e rem o ved in formation  of low fr equ ency  and the  ap plying of the mi nimal op erato r   [23, 24].  This ap proa ch is simpl e  a nd ha s two critical  advanta ges. It lets the same p a tch e s with a  simila stru ct ure  to b e  di scovered  b u t wi th a va ried  m ean l e vel  co mpen sating  f o r th e inte nsit y in   the homog en eity that normally exists in the  data [25, 26]. However, the n o ise vari an ce’s  overe s timatio n  will  be mi nimal in  situ ations t hat h a ve with  uni que p a tch e s in the  se arch   databa se [34 ]. Therefore, the adapt ive  filtering will e s tabli s h the  para m eter h 2  similar to th e   minimal di sta n ce  cal c ulatio n as ref e rred  to in Equation  (4).     2  min(d(R i , R j ))  ia ndR  )     Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 13, No. 2, Februa ry 2015 :  314 – 320   318     Figure 6: Illustration ori g ina l  images a r e i n   the uppe r rows, Images  pro c e s sed by  ANL- the  reflec tion func tionalities  are in the lower row      3. Comparis ons   Table 1 demonst r ates  pros and cons of illu mination filters.  In Table 1 different  techni que s are comp ared i n  term of perf o rma n ce and  accuracy.       Table 1. Advantage a nd di sadva n taag e of  illumination  filters in face  Recognitio n   ALG O RITHM   ADVANTAG E   DISADVANTA GE  REFERENCE   SSR  1. The scale of a n  SSR increases, its  color reliability f e atures improve.   1.Includes halo artifacts  2. SSRs  have differentd yn amic  range compression. Characteristics  according tothe  scale.  3.The SSR do es not rungo od tona execution     [5,27]   MSR  1. Works  effectively  w i thimages that  are gra y scale.    1.Histogram equ alization isut ilize to improve the co lorof the images.    This  ma y r esult  i n   a  change  in   the color   scale causing   the  artifacts and having  animbalance  in   the  color  ofthe i m ages.  [28,28]   HOM O   1.The feat ures cause the linkw ith  the  low  f r equenc y of  the image  w i th  illumination and the  high frequenc  w i t h   reflection.  1. Discrete feature in attractive  aspects bet w eencontiguo us    discrete  scalest hat ma y  n ot be  found at theo utp ut.  [16,31]   I S O T RO PI 1.Is able to prese r ve edges ofimag e   and is able to red u cenoise at the same  time.  1.It is insensit ive  toorientation and   sy mm etric,resulting in blurred  edges.  [21,32]   Adaptive  non-local  1. The applications that  includesegmentation, Relaxomet r y,  ortractog raph y m i ght make useof the  improved data th at iscreatedafter     appl y i ng  theproposed  filte r ing.    1. This technique does notreduce  the difficulty  of th ealgorithm  significantly  while onl y   decreasing slightly    t he  accurac y  offiltering.     [26,33]         Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Filtering Ba se d Illum i nation Norm alizatio Tech niqu es for Face … (Sasan Ka ram i zad eh)  319 4. Conclusio n   Given the  cri t ical challen g e  in face re c ognition, researche r s hav e used a n  e x tensive  manne r of illumination va riation s  in the work s of pattern reco gnition and  comp uter vision.  Several te ch nique were  portrayed th at tolera te and/or comp ensated the  variation s  in  the  image cau s e d  by chang es of illumination. Neverthel e ss, gai ning ill umination in f a ce recogniti on   is still  a hu ge  chall enge  tha t  need conti nuou s effo rt  a nd attention.  This  study h a d  ca rri ed o u an   extensive survey and inclu ded techniq u e s that have rece ntly introd uce d     Referen ces   [1]  Manso o r, Naf e es, AKM Muz a hid u l Isl a m, a n d  M. Ab dur Ra zzak.  Multi p le  descri p tion  di sc r e te  c o si ne   transform- bas e d  imag e cod i ng  using D C  coef fici ent rel o catio n  and AC c oefficient i n terpo l at ion Jour na l   of Electronic I m a g i ng.  20 13; 22(2): 02 30 30- 023 03 0.  [2]  X T an, B T r ig gs. Enh anc ed  loc a l te xt ure  feature  se ts fo r fa ce re cogn i t i o n  un de r diffi cu l t  l i g h t i ng  cond itions. Ima ge Process i ng,   IEEE Transactions  o n . 201 0; 19(6): 16 35- 16 50.   [ 3 ]   S   K a r a m i z a d e h ,   S M   A b d u l l a h ,  M  Z a m a n i .  A n   O v e r v i e w   o f   H o l i s t i c    F a c e  R e c o g n i t i o n .   IJRCCT.   201 3; 2(9): 738 -741.    [4]  Z U  Rahma n , DJ Jobson, GA W oode ll. Multi- scale reti ne x fo r color ima ge e nha nceme n t. 1003- 100 6.   [5]  CY Jang, J H y un, S Cho, HS  Kim, YH Kim.  Adaptiv e Sel e c t ion of W e ig hts in Multi-sca le  Retin e x usin g   Illum i nation and Object Edges . IPCV. 2012.  [6]  DJ Jobson, ZU Rahman, GA  Woodell. A multisca ler e tinex  for bridging th e gap bet w een color images   and the  huma n  observati on of  scenes . Im age Processing, IEEE Transactions  on. 19 97; 6( 7): 965-9 76.    [7]  JA F r ankle, JJ McCan n . Method an d ap parat us  for lightn e ss  imagi ng. Goog le Patents. 19 8 3 [8]  F  Ciurea, B F u nt, “T uning reti ne x par ameter s,” Journal   of Electron ic Imagi ng, vo l. 13, n o . 1, pp. 58-6 4 ,   200 4.   [9] IR  T e rol-Villal obos.  Mu ltisca le i m a ge  enh ance m ent an d  seg m e n tation  base d  on  morph o lo gic a l   conn ected c o n t rast map p i ngs . MICAI 2004: Advanc es in A r tificial Intel l i g e n ce. Spri nger.  200 4; 66 2 - 671.   [10]  DH Cho i , IH Jang, MH Kim, NC Kim.  Color  ima ge e nha nc ement bas ed o n  sing le-sca le  retinex w i th a   JND-bas ed n o n lin ear filter . Illumination.  20 07 ; 1 :  1 .   [11]  M Herscovitz, O Yadid-Pecht.  A modifi ed  Multi Scal e R e tinex a l g o rith m w i th an i m prove d  glo b a l   impressi on of b r ightn e ss for w i de dyn a mic  rang e pictur es . Machin e Visi on an d Ap plic ations. 2 004 ;   15(4): 22 0-2 2 8 .     [12]  B Sun, W  Chen, H Li, W   T ao, J Li.  Modified l u min ance b a se d ada ptive MS R . 116-1 20.   [1 3 ]  H G   Ad el ma nn Butterw orth e quati ons  for h o m o m orp h ic fi lterin g of  i m a g e s . Comp uters i n  Bi olo g y   an d   Medici ne. 19 98 ; 28(2): 169-1 8 1 .   [14]  K Delac, M Grgic, T Kos.  Sub-image  ho mo morph i c filterin g techn i qu e for i m pr ovin g facia l  identific atio n   und er difficult il lu min a tio n  con d itio ns . 21-23.   [15]  CN F an, F Y  Z hang.  Ho momorp hic filter ing b a se d ill u m i nati on nor mali z a ti on  meth od for fac e   recog n itio n . Pa ttern Recog n iti on Letters. 20 1 1 ; 32(10): 1 468 -147 9.   [16]  K Baek, Y Cha ng, D Kim, Y Ki m, B Lee, H C hun g, Y Han,  H Hah n F a ce regi on d e tectio n usin g DC T   and h o m o m orp h ic filter . 7-12.    [17] K  Matkovi ć , L  Neum ann, A N euma nn, T  Psi k , W  Purgathofer.  Global c ont rast factor-a n e w  appro a c h   to ima ge co ntrast . 159-16 7.   [18]  R Gross, V Br ajovic.   An  i m a ge  pre p rocess i ng  alg o rith m fo r ill u m in atio in varia n t face  re cogn ition.  10- 18.   [19]  H W ang, SZ  Li, Y W ang.  F a ce recog n itio n u nder vary ing l i ghtin con d itio ns usin g self q uotie nt imag e .   819- 824.   [20]  W  Li,  T  Kuang, W  Gong.  Anisotrop i c d i ffusion a l g o rit h base d  on  w eber local  descri p tor for   illu min a tion i n v a ria n t face veri fication . Mach i ne Visi on a nd  Appl icatio ns. 2 014; 25( 4): 997 -100 6.   [21]  V Štruc, N Paveši ć . Illumi nati on inv a ria n t face recog n itio b y  n on-l o cal sm oothi ng: Spri ng er. 2009.    [22]  Karamiz ade h, Sasan, Sh ahi d an M Abd u ll ah , Maz dak Z a mani, Atab akKh erikh ah. Patter n  Reco gniti o n   T e chniques:  Studies o n  Appro p riate C l a ssifica tio n s. Advanc ed Com puter an d Co mmunicati o n   Engi neer in g T e chno log y Spri nger Intern atio nal Pu blis hi ng . 201 5; 791- 799.   [23]  JV Manj ón, P  Cou pé, L M a rtí Bonmatí, DL  Collins, M  Robles. Adaptive  non  l o cal  mea n s  den ois i ng  of   MR ima ges  w i t h  sp atial l y  var y ing  no ise  lev e l s Journ a of M agn etic R e so n ance  Imagi ng . 201 0;  3 1 (1):   192- 203.   [24]  N W i est-Daes slé, S Prima, P Coup é, SP Morrisse y, C  Barill ot. Ricia n  noise r e mova l b y   no n-loc a l   means filteri n g  for lo w  si gna l - to-nois e  ratio MRI:  applicati o ns to DT -MRI.  Medical Imag e Comp uti n g   and C o mput er-Assisted Interv entio n–MICCAI .   Springer.  20 0 8 : 171-1 79.    [25]  L Yan g , R Parton, G Ball, Z  Qiu, AH Green a w a y I Dav i s, W  Lu. An ada p t ive non- loc a means filter for   den oisi ng l i ve- c ell im ages  an d improv ing  pa rticle detecti on.   Journa l of structural bi olo g y . 201 0; 172( 3) :   233- 243.   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 13, No. 2, Februa ry 2015 :  314 – 320   320 [26]  L W u , P Z hou, X Xu.  An Illu mi nati on Invari ant F a ce Reco gniti on Sche me to Combi n in g Nor m al i z e d   Structural Des c riptor w i th Sin g le Sca l e Reti n e x . Biometric R e cog n itio n. Spr i ng er. 201 3; 34 -42.   [27]  Q Meng, D Bian, M G uo, F Lu, D Liu. Improve d  multi - scale  retin e x  alg o rithm for medic a l ima g e   enh anc ement. Information En gin eeri ng a nd  Appl icatio ns.  Sprin ger . 20 12; 930- 937.   [28]  L Yong, YP  Xia n Multi-di mens ion a l multi-sc al e imag e en han cement al gorit hm . V3- 165-V 3 -168.    [29]  Manso o r, Nafees, F a touNd i a y e, S hah in A k ter Cho w d hur y, M Abdur R a zzak.  Multip l e  descri p tio n   imag e co din g : A low  co mpl e x i ty appr oac h fo r lossy n e tw orks T E NCON 2 008- 200 8 IEE E  Reg i on  1 0   Confer ence. IE EE. 2008; 1-5.   [30]  AK Sao, B Yegna nara y a n a . On t he use of phas e of the F ouri e r trans for m  for face recogn ition  und e r   variati ons in i l l u min a tion.  Sig nal, i m a ge a n d  video pr ocessi ng . 201 0; 4(3): 353- 358   [31]  W GE,  Gj Li,  Yq CHENG, C X U E, M ZHU.  F a ce ima ge il lu min a tio n  pro c essin g  base d  on improve d   Retin e x . Opt. Precisio n Eng. 2 010; 18( 4): 101 1-10 20.   [32]  T   T a sdizen. Pri n cip a l comp on ents for  non-l o cal mea n s ima ge de no isin g. 1728- 173 1.   [33]  Karamiz ade h,  Sasan, S h a h id an M A b d u ll ah , M ehran  Ha li mi, Jafar Sh a y an, Mo hamma d jav a d R aj abi .   Advanta ge a n d  Draw back of Supp or t Vector Machi ne F uncti ona lity [34]  Qiang, So ng, Z hang H a i-F e ng. Re se arch  on App licati o n  of Sinterin g Basicit y   of Base d on Vari o u s   Intelli gent A l g o rithms.  T E LK OMNIKA Indo nesi an J ourn a l   of Electric al  Engi neer in g.  2 014; 12(1 1 ):   772 8-77 37.   [35]  Adha ni, Gita, AgusBu on o, AkhmadF a q ih.  Optimiza tio n  of Support Vect or Regress i o n  usin g Genetic   Algorit hm a n d  Particle  S w ar m Optimizatio n  for R a infa ll  Predicti on  in  Dr y   Seas on.  TE L K OM N I KA  Indon esi an Jou r nal of Electric al Eng i ne eri ng.  2014; 1 2 (11):  791 2-79 19.     Evaluation Warning : The document was created with Spire.PDF for Python.