Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri n g (IJ E C E)   Vo l.   11 ,  No.   1 ,  Febr uar y   2021 , pp.  872 ~ 878   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v11 i 1 . pp 872 - 878          872       Journ al h om e page :  http: // ij ece.i aesc or e.c om   Developi ng digit al signal  clu ster in g method  usin g  l oc al bina ry  pattern   histogr am       Ra s had  J.   R asr as 1 ,  Bi lal Z ahran 2 ,  M utaz  Rasmi  Ab u  S ar a 3 ,  Z iad  AlQadi 4   1, 2,4 Depa rtment   o f  Com pute r Engi nee ring ,   Al - B al q a  Appli ed  Univ e rsit y ,   Jordan   3 Depa rtment of  Com pute r  Sc ie n ce ,   T ai bah   Univ ersity ,   Saudi   Ara bia       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Feb  25, 202 0   Re vised  A ug 9, 20 20   Accepte d  Aug 17 , 202 0       In  thi s  pape r  we   pre sente d  a  n e w  appr oac h  to  m ani pula t e  a  di git al   sign al   in   orde r  to  cre a te   a   fea ture s  arr a y ,   which  ca n  be  used  as  a  signat ure   to  ret riev e   the   signal.  Ea ch   digi ta l  signa l  i s  associa te d  wit h  the   loc al   bin a r y   patter n   (LBP)  histogra m ;  thi s  histogra m   will   be  ca lc ul at ed  base d  on  L BP   oper at or ,   the n  k - m ea ns  clus te ring  was  used  to  gene rate  th e  req uire d  f e at ur es  for  ea ch  digi tal  signa l.  The   propose d  m et hod  was  implemente d ,   te sted  and     the   obta in ed  e xper imental  result s  were   ana l y z ed.   Th e  result s  show ed    the   fle x ibi l ity   a nd  ac cur a c y   of   the   proposed  m et hod.   Althou g  diffe ren t   par amete rs  of  t he  digi t al   sign al   w ere   ch anged  during  implementa ti on ,     the   r esult s obt ained  show ed the   r obustness of  the  proposed  m et ho d.   Ke yw or d s :   Feat ur e  ex tr act ion   K - m eans clust erin g   Local  bin a ry pa tt ern  (LB P)   This   is an  open   acc ess arti cl e   un der  the  CC  B Y - SA   l ic ense .     Corres pond in g  Aut h or :   Ra sh ad  J. R asr as ,    Dep a rtm ent o f C om pu te r  E ng i neer i ng,   Al - Ba lqa  A pp l ie d  U niv e rsity ,    Amm an,  J orda n .   Em a il :  rash ad.r asras@ ba u. e du.jo       1.   INTROD U CTION     Digital   sign al s   su ch  a s  di gital   color   im ages  and   dig it al   wav e  si gnal s  are  us e d  us ual ly   in  var io us   com pu te r  a pp li cat ion s  s uc h  as   com pu te r  sec uri ty   and  o t her s .   Be cause o f   th e  big  siz e  of  t he   wa ve  file   it   is   ver y  diff ic ult  to  us e   thr   w hole   file   f or   retriev al   or  rec ogniti on   pur poses;  here  t he  im po rtan ce  of  e xtracti ng  file  featur e s  a pp ea rs  [1 ] .  Digital   wav e   sig nal  usual ly   represe nted  by  m on o  or  ste re o.  Mo no   desc ribes   a  s yst e m   wh e re  al l  the  aud i o  sig nals  are  m ixed  toge ther  a nd   r ou t ed  th rou gh   a  sing le   a ud i o  c hannel.  Ste reo  sound   syst e m s  hav e  tw o  i nd e pe nd e nt   aud io  c ha nn e ls,  an d  the  sig nals  are  reprod uced   by  tw o  c hannels  s e par a te d  by   so m e  distance  [2 ] .  T he  am plitu de   val ues  of   each  c olu m n  are  ra nges  f r om  - 1  t o  + 1  an d  t hey  are  t he  res ults  of   sam pling  and  quanti zat io n of  t he vo ic e  sig nal. F ig ure   1  s h ows s o m e sa m ples of a  giv e n w ave  file .   Wh il e  Fi gure s   2  a nd  3  sh ow  t he  wav e   of  the   voic e  sig nal .  On e   of  the   m os t  us e d  a pp li ca ti on s  relat ed   to  di gital   wav e   sign al s   proce s sing   is  voic e  re trie val  an d  rec ogniti on.  Mo st  of  these  a ppli cat ion s  us e  t he  natu re   of   th e  di gital   wav e  file   to  ge ner at e  so m e  featur es  f or   the  f il e  by  m ean  of   cal culat ing   som e  par am e te rs  su ch  a s   crest  facto r,   dy nam ic   ran ge,   m ean  of   t he  norm al iz ed  data  (sigm a),  an d  s ta nd a rd   de viati on   of  the  norm al iz ed  data  (Mu ),   t he se  par am et ers  can  be   easi ly   c al culat ed  an d  us e d  as  a  fea tures   for  di gital   wav e  si gn al   [1 - 3] .   Ca lc ulati ng   th ese  sta ti sti cal   par am et ers  requires  unde rsta nd i ng   di gital   vo ic e  cha racteri sti cs  and   natu r e,  an d  so m e  tim e  the y  do   no t  giv e  a n  acce pta ble  re cogniti on   rati o  if  we  us e  the m   to  recog nize   the  voic e  eve n  if  they   giv e  sta ble  a nd  fixe d  feat ur e s  f or   each   wa ve  file .  Th ese  featur e s  will   re m ai n  the  sam e  eve n  if   we   c hang e   sam pling  f re qu ency, am plit ude or  ph ase  s hifting  a s s how n  i n  Ta bles  1  a nd  2.     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C o m p  En g     IS S N: 20 88 - 8708       Develo ping  digi tal signal cl us te ring   meth od  us in g  l oca l  binary  patt ern   his tog r am   ( Rash ad J.  R as r as )   873       Figure  1 .   Sam ples o f  a stere o wav e  f il e           Figure  2.   V oic e w a ve  si gn al  i n  ti m e d om ai n       Figure  3 .   V oic e w a ve  si gn al  i n fr e qu e ncy  dom ai n       Table  1.   Stat ist ic al  f eat ur es   W av e f ile   Featu res   Sig m a   Mu   Peak  ( cr est) f acto r   (dB )   Dy n a m i c r an g e ( d B)   Co w   0 .39 5 3 3   - 0 .00 0 2 6 7 8 6   8 .06 0 9   8 4 .28 8 1   Do g   0 .16 5 6   - 6 .59 7 e - 005   1 5 .61 8 8   4 9 .89 0 6   Du ck   0 .07 6 1 1 8   0 .00 0 2 3 2 7 6   2 2 .37 0 3   4 9 .07 2 4   Do lp h in   0 .17 1 9 7   - 0 .00 1 6 6   1 5 .29 0 5   4 6 .22 9   Ho rse   0 .41 3 7 9   0 .00 2 6 4 2 6   7 .66 4 5   4 2 .14 3 9       Table  2.   Stat ist ic al  f eat ur es  fo r  the  sam e file  w it h varyin g  s a m pling   fr e que ncy   Co w wave f ile  sa m p l in g   f requ en cy   Featu res   Sig m a   Mu   Peak  ( cr est) f acto r   (dB )   Dy n a m i c r an g e ( d B)   1 1 0 2 5   0 .39 5 3 3   - 0 .00 0 2 6 7 8 6   8 .06 0 9   8 4 .28 8 1   1 5 0 0 0   0 .39 5 3 3   - 0 .00 0 2 6 7 8 6   8 .06 0 9   8 4 .28 8 1   2 0 0 0 0   0 .39 5 3 3   - 0 .00 0 2 6 7 8 6   8 .06 0 9   8 4 .28 8 1   1000   0 .39 5 3 3   - 0 .00 0 2 6 7 8 6   8 .06 0 9   8 4 .28 8 1   2000   0 .39 5 3 3   - 0 .00 0 2 6 7 8 6   8 .06 0 9   8 4 .28 8 1       To  overc om e  t he  a bove   m ent ion e d  disad va nt ages,  we   can   extract  th e  vo i ce  sig nal  feat ures  base d  on   local   bin a ry  pa tt ern   (LBP ).   H ere  we  ca n  cal culat e  LBP  his togram   to  be  use d  as  a n  in pu t   data  set   to  ge ner at e  the  dig it al   file   featu res .  LB P  and   it s  va riants  su c h  as  com plete d  no i se - in var ia nt  local - struct ur e  pa tt ern   (CNLP)  [ 4],  a nd  dom inant  L BP  ( DLBP )  [5]   has  bee n  favor a bly  ap plied   to  a   wi de  vari et y  of   a ppli cat ion s ,   su c h  as  te xtur e  cl assifi cat ion  [6 - 13] ,  face  a naly sis  [14 - 16 ] ,  sp eech  r eco gn it io n  [ 9,   10 ]   and   oth e rs  [ 17,  19 ] .    T h e   L B P   e n c o d e s   t h e   c o - o c c u r r e n c e   o f   n e i g h b o r i n g   p i x e l   c o m p a r i s o n s   w i t h i n   a   l o c a l   a r e a .   I t   i s   c o m p u t a t i o n a l l y   e f f i c i e n t ,   s i m p l e ,   a n d   r o b u s t   a g a i n s t   s o m e   p a r a m e t e r s   c h a n g e s .   A   c l u s t e r   r e f e r s   t o   a   coll ect ion   of   data   p oin ts  com bin ed  toge ther  beca us e  of   certai n  sim il arit ie s.  A  ce ntr oid   is  the  l ocati on   r ep res enting  the  ce nt er  of    the  cl us te r.   K - m eans  al gorith m   identifie s  k  num ber   of  c entr oid s,   an d  then   al locat es  ever y  data  po i nt  t o    the n ea rest cl ust er, wh il e  kee ping the   cent roi ds  as sm al l as po s sible  [20 - 25] .       Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  11 , No .  1 ,  Febr uar y   2021  :    872   -   878   874   2.   PROP OSE D MET HO D   The pr opose d  m et ho d  ca n be   i m ple m ented  by  ap plyi g  t he f ollow i ng 2 pha ses:   Ph ase  1 : LB P  histo gr am  calc ulati on .   This  ph a se ca n be im ple m ented per form ing   the foll owin g  s te ps :   a.   Get the  dig it al   wav e  f i le .   b.   Re sh ape  the  w ave  file  into o ne  row ar ray.   c.   Fo r  eac h value  in the r ow cal cula te  LBP  oper at or  as  s how n  i n  Fi gure  4             Figure  4.   LBP  histo gr am  calc ulati on       d.   Add o ne  to   the   re petit ion   of L BP operat or v a lue.   Figure   5  s hows  the calc ulate d LB P h ist ogram  of the  duc k w ave  file .   Ph ase  2 :  K - m eans cl us te rin g   Cl us te rin g  m e ans  gro upin g  the  data  val ues   in  the  input  data  file   into  cl us te rs  ( gro ups)  [20 - 25] ,     each  cl us te r  wi ll   hav e   a  ce nte r  (c entr oid),   se t  of  val ues  w hich  a re  belo ng  t o  a nd  within  a   cl us te r  s u m (sum   of   the  va lues  bel ong  to   the  cl us t er) ,   one   or  m or e  of  these   pa r a m et ers  can  be   us e d  t o  f orm   t he  data  file   fea tures.  Figure   6  s hows  how a  data in put set   was gr ou ped into  2 cl us t ers:   To per f or m  the clusterin g p ha se w e  h a ve  t o  a pp ly  the  foll ow ing   ste ps :   1 )   Get the  LBP  histogram  o f  the   dig it al  voice si gn al .   2)   In it ia li ze the num ber  of clu ste rs  a nd the ce nt ro id  of eac h  cl us te r.   3)   Wh il e th ere a r e a ch a nges i n t he  cal culat ed   centr oid s  do th e f ollow i ng :   a)   Ca lc ulate  the dist ances b et we en  eac h data se t value a n d  cl ust er cen t ro i d,   wh ic h  is e qual   to absol ute  value o f  the  d e fer e nce  betwee n  the  cente r  a nd the  d at a it em  v al ue .   b)   Sele ct  the  valu e n ea rest cluste r,  t he  m ini m u m  d ist ance the  m ini m u m  clust er  nu m ber .   c)   Find the  ne w  c entr oid s  by a ve rag i ng the  valu es w it hi n   the  clusters .   Wor ked exam ple:   The  f ollo wing   exam ple  sh ows  ho w  to  group  the  i nput   data  into  2  c lusters  with  th e  fo ll owin g  centr oid s i niti al  v al ues  Tab le s  3  a nd  4 :   c1  = 16   c2  = 22           Figure  5.   LBP  histo gr am  o f d uck w a ve fil e       Figure  6.   G rou ping in put data   set  into  2 cl us t ers       Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C o m p  En g     IS S N: 20 88 - 8708       Develo ping  digi tal signal cl us te ring   meth od  us in g  l oca l  binary  patt ern   his tog r am   ( Rash ad J.  R as r as )   875   Table  3.   Wor ke d  e xam ple p a sses 1 an d 2   Pass  1   Pass  2   Data   D1   D2   Near est  clu ster   New c en t roid s   Data   D1   D2   Near est  clu ster   New c en t roid s   15   1   7   1                     1 5 .33   3 6 .25   15   0 .33   2 1 .25   1   1 8 .56   4 5 .9   15   1   7   1   15   0 .33   2 1 .25   1   16   0   6   1   16   0 .67   2 0 .25   1   19   3   3   2   19   3 .67   1 7 .25   1   19   3   3   2   19   3 .67   1 7 .25   1   20   4   2   2   20   4 .67   1 6 .25   1   20   4   2   2   20   4 .67   1 6 .25   1   21   9   1   2   21   5 .67   1 5 .25   1   22   6   0   2   22   6 .67   1 4 .25   1   28   12   6   2   28   1 2 .67   8 .25   2   35   19   13   2   35   1 9 .67   1 .25   2   40   24   18   2   40   2 4 .67   3 .75   2   41   25   19   2   41   2 5 .67   4 .75   2   42   26   20   2   42   2 6 .67   5 .75   2   43   27   21   2   43   2 7 .67   6 .75   2   44   28   22   2   44   2 8 .67   7 .75   2   60   44   38   2   60   4 4 .67   2 3 .75   2   61   45   39   2   61   4 5 .67   2 4 .75   2   65   49   43   2   65   4 9 .67   2 8 .75   2       Table  4.   Wor ke d  e xam p le  p a sses 3 an d 4   Pass  3   Pass  4   Data   D1   D2   Near est  clu ster   New c en t roid s   Data   D1   D2   Near est  clu ster   New c en t roid s   15   3 .56   3 0 .9   1   1 9 .50   4 7 .89   15   4 .50   3 2 .89   1   1 9 .50   4 7 .89   No  chan g es, so   sto p   15   3 .56   3 0 .9   1   15   4 .50   3 2 .89   1   16   2 .56   2 9 .9   1   16   3 .50   3 1 .89   1   19   0 .44   2 6 .9   1   19   0 .50   2 8 .89   1   19   0 .44   2 6 .9   1   19   0 .50   2 8 .89   1   20   1 .44   2 5 .9   1   20   0 .50   2 7 .89   1   20   1 .44   2 5 .9   1   20   0 .50   2 7 .89   1   21   2 .44   2 4 .9   1   21   1 .50   2 6 .89   1   22   3 .44   2 3 .9   1   22   2 .50   2 5 .89   1   28   9 .44   1 7 .9   1   28   8 .50   1 9 .89   1   35   1 6 .44   1 0 .9   2   35   1 5 .50   1 2 .89   2   40   2 1 .44   5 .9   2   40   2 0 .50   7 .89   2   41   2 2 .44   4 .9   2   41   2 1 .50   6 .89   2   42   2 3 .44   3 .9   2   42   2 2 .50   5 .89   2   43   2 4 .44   2 .9   2   43   2 3 .50   4 .89   2   44   2 5 .44   1 .9   2   44   2 4 .50   3 .89   2   60   4 1 .44   1 4 .1   2   60   4 0 .50   1 2 .11   2   61   4 2 .44   1 5 .1   2   61   4 1 .50   13 .11   2   65   4 6 .44   1 9 .1   2   65   4 5 .50   1 7 .11   2       The  cal c ulate d param et ers  are:     Ce ntro i ds : C 1= 19.50, C 2=  47.89   W it hin  cl us te r   su m s: W CS 1= 195,  WSC2 = 431   Nu m ber   of poi nts: N um ber  of  points i n  cl us t er  1=10, N um ber   of   points i n cl us te r 2=9       3.   RESU LT S   A NA L YS I S   The  pr opos e d m et ho d was im plem ented  us in g  va rio us  d i gital  w ave f il es.  Each tim e  a L BP h ist ogram   was  cal culat ed   and   us ed  for  c lusterin g,   the  m ai n  adv a ntag es  of   the  pro posed  m et ho d  is  a  flexibili ty ,  her e  w e   can  us e  the  c e ntr oid s,   or  within  cl us te rs  s um s,  or   cl us te r  po i nts  to  c reat e  wa ve  file   fea tures,  al so   it   is   easy   to  adjust  the  nu m ber   of   cl us te rs  to  e xp a nd  the  num ber   of  el e m ents  in  the  featur e s  ar ra y.   The  e xp e ri m ental  resu lt s  s howe d  that  the  obta ined  featu res  f or   eac h  w ave  file   are  uniq ue ,  thu s  t hey  can   be  us e d  as  a  key  or   s i g n a t u r e   t o   r e t r i e v e   o r   r e c o g n i z e   t h e   w a v e   f i l e ,   a n d   T a b l e   5   s h o w s   t h e   c a l c u l a t e d   f e a t u r e s   f o r   s o m e   w a v e   f i l e   s a m p l e s .   The  pro posed   m et ho d  was   te ste d  us in g  t he  sam e  wav e  file   but  wit h  diff e ren t  sam pling  fr e qu e ncies,   T able  6  sh ows  that  the   fe at ur es  f or   t he  wa ve  file   re m ai n  the  sam e.  Also   the  pro po se d  m et h od   was  te ste d  us ing    the  s a m e   w a v e   f i l e   b u t   w i t h   d i f f e r e n t   a m p l i t u d e s ,   T a b l e   7   s h o w s   t h a t   t h e   f e a t u r e s   f o r   t h e   w a v e   f i l e   r e m a i n   t h e   s a m e .         Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  11 , No .  1 ,  Febr uar y   2021  :    872   -   878   876   Table   5.   Wa ve fil e featu res   W av e f ile   Featu res ( C en troid s)   C1   C2   C3   C4   Co w   243   183   93   8   Do g   227   164   102   60   Du ck   231   176   112   71   Do lp h in   218   158   73   32   Ho rse   237   167   79   7   Do n k ey   229   177   121   66   Eleph an t   255   249   114   15   Sp o ck   234   131   66   10       Table  6.   Wa ve fil e featu res w hen v a ryi ng sa m pl ing   fr e quen cy   W av e f ile cow  sa m p lin g   f requ en cy   Featu res ( C en troid s)   C1   C2   C3   C4   1000   243   183   93   8   1500   243   183   93   8   2000   243   183   93   8   2500   243   183   93   8   3000   243   183   93   8   1 0 0 0 0   243   183   93   8   1 2 0 0 0   243   183   93   8   1 4 0 0 0   243   183   93   8       Table   7.   Wa ve fil e featu res w h en  v a ryi ng a m pl it ud e   W av e f ile cow  A m p litu d e   Featu res ( C en troid s)   C1   C2   C3   C4   Origin al   243   183   93   8   Ad d ed  by  0 .03   243   183   93   8   Su b tracted by 0.01   243   183   93   8   Multip lied  by  1 .2   243   183   93   8   Multip lied  by  0 .2   243   183   93   8   Div id ed  by  1 .2   243   183   93   8   Div id ed  by  0 . 8   243   183   93   8       4.   CONCL US I O N   A  flexi ble,  fi xed,  an d  acc ur at e  m et ho d  of   wa ve  fil e  featur es  e xt racti o n  was  pro posed  a nd   i m el e m ented.   The  pro posed  m et ho d  reli es  on   LBP  hist ogram .  More  than  one  par am eter   can  be  use d  to  fo rm   the  file   featu re s,  an d  num ber  of   data  it e m s  in  the  feat ur e  arr ay   can  be  e asi ly   adj us ta ble.  It  was  s how n  that     the  gen e rated  f eat ur es  f or   a ny  wav e  file   are  un i qu e ,  an d  th ey   can  be  us e d  as  a  sign at ur e  to  recog nize  the  file .  The  si gn at ur e  is robust a gaini st t he  c hange  of sam pling   fr e quency a nd the  fi le  a m plit ud e.       REFERE NCE S     [1]   I.   Gu y on,   et al . ,   “ Feat ure   Ext ra ctio n,   Founda ti ons   and  Appl icati on s ,”   Springer ,   20 06.   [2]   Ross ing,   Thomas,  F.  Ric h ard   Moore,   an d  Paul  A.  W hee le r ,   “ T he  Scie n ce   of  S ound, ”   3rd  ed.   S an  Franc isco ,   C A:  Addi son - We sle y   Dev el op ers P res s ,   2002.   [3]   A.  Al - Qaisi,   S.  A.  Khawat reh ,   A.  Shara dqah ,   Z .   A.  Alqadi,  "W ave   Fil e  Feat ur e s  Ext racti on  usi ng  Reduc ed  LB P,"   Inte rnational   Jo urnal  of El e ct ri c al  and  Comput er  Engi n ee ring   ( IJE CE) ,   vol .   8 ,   no .   5,   pp.   2780 - 278 7,   2018 .   [4]   N.  Shrivasta va  a nd  V.  T y agi,  “ Noise - inva ri ant   struct ure   pa tt ern   for  image  te xt ure   cl assifi ca t io n  and  ret rie v al, ”   Mult imedi a   Tool s  and  Ap pl ic at io ns ,   vol. 75, no. 1 8,   pp .   10887 - 10 906,   2016 .   [5]   S.  Li ao,   M.  W .   K.  La w,  and  A.   C.   S.  Chung,   “Dom ina nt  loc al   bina r y   patter ns  for  te xtu re  cl ass ifi c at ion , ”  I E EE  Tr ansacti ons on   Image  Proc ess ing ,   vol .   18 ,   no .   5 ,   pp.   1107 - 1118 ,   2009.   [6]   T.   Oj al a ,   M.   Pie ti käi n en,  and  T.   Mäe npää,  “ Mult ire soluti on   gra y - sca le  and  ro ta t io n  inva ri ant   te x tu re  c la ss ifi c at ion   with  local  bin ar y   pa tterns,”   I EEE  Tr ansacti o ns  on  Pat te rn  Analysis  and  Mac hi ne  Intelli g ence ,   vol.   24,   no .   7,     pp.   971 - 987 ,   20 02.   [7]   Z.   Guo,   L. Z h an g,   and  D .   Zh ang, “A   complet ed m odel ing  of  lo cal  bina r y   patter n  oper at or   for  t exture  class ifi c at ion , ”   IEE E   Tr ansacti o ns on  Image Proce ss ing ,   vo l. 19,  no.   6 ,   pp .   1657 - 1663,   2010 .   [8]   Z.   Guo,  L.   Zha n g,   and  D.   Zha ng ,   “ Rota ti on  inv ariant   t ext ure   class ifi cation   using  L BP   var ia nc e  (LB PV )  with  global   m at chi ng, ”  Pat t e rn R ec ogn it ion ,   vol.   43 ,   no .   3 ,   pp .   706 - 719 ,   2010 .   [9]   G.  Zha o   and  M.   Piet ikäinen ,   “ D y namic  t ext ure   re cogni ti o n   using  l oca l  b ina r y   patte rns  with  an  appl i ca t ion  to  f acia l   expr essions,”  IE EE   Tr ansacti ons   on  Pa tt ern   Analysis and  Ma chi n e  Int el l ige n ce ,   v ol.   29 ,   no .   6 ,   pp .   915 - 928,   2007 .   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C o m p  En g     IS S N: 20 88 - 8708       Develo ping  digi tal signal cl us te ring   meth od  us in g  l oca l  binary  patt ern   his tog r am   ( Rash ad J.  R as r as )   877   [10]   G.  Zha o,   M.  Ba rna rd,   and  M.  Pi et ik äi nen ,   “ Li pr ea ding  with  lo cal  spati ot emporal   desc ript ors, ”  IE EE   Tr ansacti ons   on  Multimedia ,   vol.   11 ,   no .   7 ,   pp .   1254 - 1265 ,   20 09.   [11]   G.  Zha o ,   T .   Ahonen,   J.  Ma ta s,  and  M.  Pietikä i nen,   “ Rotation - i nvar ia n t  image  and  vide o  d esc r ipt ion  with   loca l   bina r y   p at t ern   f e at ure s, ”  I EE E   Tr ansacti ons on  I mage  Proce ss in g ,   vo l .   21 ,   no .   4 ,   pp.   1465 - 1477 ,   2012.   [12]   T.   Oj al a ,   M .   Pie ti käi n en,  and   D.  Harwood,  “ A  co m par at ive  stud y   of  te x ture   m e asure s  with  cl assifi ca t ion  base d   o n   fea tur ed  d istri bu ti ons,”   Pattern  R ec ogni ti on ,  vol .   29,   no .   1 ,   pp .   51 - 59,   1996 .   [13]   G.  K y lbe rg   and   I.  M.  Sintorn ,   “ Eva lua t ion  of   noise  robustness   for  lo cal  bin ar y   p atter n   desc ri ptors  in  te xtur e   cl assifi ca t ion,”  EURA SIP   Journ al  on  Image   and   Vi deo   Proce ss in g ,   vol .   2013 ,   no .   17.   2013 .   [14]   X.  Ta n  and  B.   T riggs,   “ Enha nc e d  loc a l  te x ture   f ea tur e  sets  for  f a ce   re cognition  u nder   d ifficult   li g hti ng  cond it ions, ”  IEE E   Tr ansacti o ns on  Image Proce ss ing ,   vo l. 19,  no.   6 ,   pp .   1635 - 1650,   2010 .   [15]   H.  Ta ng ,   B .   Yin,   Y.  Sun,  and  Y.  Hu,  “ 3D  fac e   re cogni ti on   using  l oca l  b ina r y   patte rns,”   Signa l  Pro ce ss ing ,   vo l.   9 3 ,   no.   8 ,   pp .   2190 - 2198,   2013 .   [16]   T.   Aho nen,   A.   Hadid,   and  M.  Piet ikäinen ,   “ Face   Descri p ti on   with  Lo ca l   Bina r y   Pattern s :  Applic ation  to    Face   R e c o g n i t i o n ,”  i n   I E E E   T r a n s a c t i o n s   o n   P a t t e r n   A n a l y s i s   a n d   M a c h i n e   I n t e l l i g e n c e ,   v o l .   2 8 ,   n o .   1 2 ,   p p .   2 0 3 7 - 2 0 4 1 ,   2006.   [17]   Saji da  P. ,   Nade e m   N.  and  Jherna   D.,   "Revi ew  on  Loc a l  Bina r y   P at t ern   (LBP)  Text ure   Descri tor  and  Its  Vari an ts, "   Inte rnational   Jo urnal  of  Adv an c ed  R ese arch  ( IJ AR ) ,   vol .   5 ,   no .   5,   pp .   708 - 717 ,   2017.     [18]   Y.  Y in,   X.  W an g,   D.  Xu,  F .   Li u ,   Y.  W ang,  and  W .   W u,   “ Robust  visu al   d et e ct ion - le arn ing - tracki n g   fra m ework  fo r   aut onom ous  ae ri al   r efu eling  of   UA Vs , ”  IEE E   Tr ansacti ons  on  I nstrum ent ati on  and  Me asur eme nt ,   vo l.  65,   no .   3,   pp.   510 - 521 ,   20 16.   [19]   B.   Z ahr an ,   J.   Al - Azz eh ,   Z .   Alq a d i  and   Mohd - As hra f  Al  Zoghoul,  " A  Modifie d   L bp  Method  To  Ext ra ct   Fe at ur es   F r o m   C o l o r   I m a g e s , "   J o u r n a l   o f   T h e o r e t i c a l   a n d   A p p l i e d   I n f o r m a t i o n   T e c h n o l o g y , v o l .   9 6 ,   n o .   1 0 ,   p p .   3 0 1 4 - 3 0 2 4 ,   2 0 1 8 .   [20]   Madhuri  A.   Tayal ,   M.   M.   Raghu wanshi,   “ Revie w  on  Vari ous  Cluste r ing  Method s  for  the   I m age   Data , ”   Journal  of  Eme rging Trend s in  Computing   and  Informat ion Sci en ce s ,   v ol. 2 ,   pp.   34 - 38 ,   2011 .   [21]   H.  Ta r iq,   S.   Bu rne y ,   "K - Mea ns   Cluste r  Ana l y s is  for  Im age   Se gm ent at ion , ”   In t ernati onal  J ournal  of  Comput e r   Appl ic a ti ons ,   vo l.   96 ,   no .   4 ,  pp .   1 - 8,   2014 .   [22]   D.  Sa'adi l la h  Ma y l awa t i,   T .   Pria t na,   H.  Sugil ar,   M.  Ali  Ramdhan i, "   Data   sc ie n ce   for  digi tal  cu lt ur e  improvem ent   i n   highe r  educat ion   using  K - m ea ns   cl uster ing  and  text  ana l y t ic s,"   Int ernati onal  Jour nal  of  El e ct rica l   and   Computer  Engi ne ering  ( IJ ECE ) ,   vol .   10 ,   n o.   5,   pp .   4569 - 4 580,   2020 .   [23]   A.  Abdul - huss ia n  Hass an,   W .   M d  Shah,   M.  Fairu z  Iskanda r  Oth m an,   and  H.  Hass an,   " Eva lu at e  t he  per form anc e  of  K - Mea ns  and  the   fuz z y   C - Me ans  al gorit hm s  to  form at ion  b al an ce d  c luste rs   in  wire le ss   sensor  net works , "   Inte rnational   Jo urnal  of El e ct ri c al  and  Comput er  Engi n ee ring   ( IJE CE) ,  vol .   10 ,   n o.   2 ,   pp .   1515 - 1 523 ,   2020 .   [24]   E.   Che rra t ,   R.   Alaoui,  and  H .   B ouza hir ,   "Im proving  of  Fingerpr int   Segm ent a ti o n  Im age s  Based   on  K - m ea ns  an d  DBS CAN   Clust eri ng, ”   Int ernational  Journal  o f   El e ct ri cal   and   Computer  Eng ine ering  ( IJE C E ) ,   v ol .   9 ,   n o.   4,     pp.   2425 - 2432 ,   2019 .   [25]   I.   Qa y s   Abduljaleel,   and  A.  Ha m ee d  Khaleel ,   "H idi ng  te x t  in  s pee ch  sign al   usi ng  K - m ea ns,  L SB   te chn ique s  an d   cha ot ic   m a p s , "   I n t e r n a t i o n a l   J o u r n a l   o f   E l e c t r i c a l   a n d   C o m p u t e r   E n g i n e e r i n g   ( I J E C E ) ,  v o l .   1 0 ,   n o .   6 ,   p p .   5 7 2 6 - 5 7 3 5 ,  2 0 2 0 .       BIOGR AP H I ES   OF  A UTH ORS       Ras ha d  J.   Rasr as   rec ei v ed  th e  PhD   degr ee   from   Nati onal   Te chn ic a l  Univ ersity   (Kharkov  Pol y t ec hni c  Insti tut e)  in  2001,   wi th  rese arc h  in  au tomate d  int e ll ig e nt  cont rol  s y st e m s.  His   rese arc h  int er est  in cl ude s  image  proc essing,   m ac hin e  le arn ing,   and  a dvanc ed   computer   a rch i te c ture.     He   works   as  an   associa ti v e  profe ss or  at   Com p ute r  Engi n ee rin g  depa rtment,   Al - Bal qa  Appli ed   Univer sit y .         Bil al  Z ahran   r ec e ive d  the   B . Sc  degr e e  in   E le c tri c al   &  E lectr oni c  Eng .   fr om   Middle   Ea s t  Te chn ic a l  Unive rsit y ,   Turk e y ,   in  1996 ,   the  M.Sc  degr ee   in  Com m unic a ti ons  Eng .   from   Univer sit y   of  Jordan,   Jorda n,   in  1999 ,       and the   PhD   degr e e  i n  Com pute r  Info rm at ion  S y st em (CIS) fr om   Arab   Aca dem y   for  B anki ng  and   Fina nci a l  Scie n ce s,   Jordan,   in  2009 .   He  is  cur r ent l y  working  as  an  As socia te   Pr ofe ss or  at   depa rtmen t  of  Com pute r  Engi nee r ing,   Facu lty   of  Engi ne ering  Te chnol o g y ,   Al - Bal qa  Appl i ed  Univer sit y ,   Jordan.   His  re sea rch   in te r ests  inc lud e  artifi c ia l  in telli g enc e,   opti m iz ation  and   digi t al signa l   pr oce ss ing  fi el ds.   Email :   za h ran b @bau. edu . jo ,   /   z ahr anb@ y ahoo . c om       Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  11 , No .  1 ,  Febr uar y   2021  :    872   -   878   878     Muta z   Ra smi  Ab u   Sara   rec eived  the   B. Sc  from   Saint   Pete rsburg  El ec tr otechn ic a l  Univer sit y   i n   2004.   He  r ece ive d  th e  Mast er  of  Sc ie nc e   (Data b ase   S ystems )  from   S ai nt  Pe te rsburg  El e ct rot ec hni cal   Univer sit y   in  2 006.   After   work ing  as  progra m m er  at   BiSoft  Com pan y   in  Sain t   Pete rsburg.  He  r ec e ive d  th e  Phd  in  Saint   Pete rsb urg  El ectrot ec hn ic a l  Univer sit y   f rom   2007)  with   Resea rch   and  Deve lopment  of   Inte gr at ed   Dat aba se  C irc ui t  C om ponent s  for  CAD   Schemati c .     His  rese arc h  i nte rest  inc lud es   Data bas e  S y s te m s,  Alg orit h m s  and  Data  Struct ure s  an d  Optimiza ti o n.   He  works   as  assistant   prof essor fro m   2011  ti l l  now  at   Ta ib ah  Univ er sit y .         Z iad  AlQadi   is  cur ren t l y   workin g  as  a  Profess or  at   Com pute r  En gine er ing  Depa rt m ent ,   Facult y   o f  Engi ne eri ng  Tec hnolog y ,   Al - Balqa  Applie d  Uni ver sit y .   He  is  th e  Hea d  of  Comput er  engi n ee r in g   depa rtment .   His  rese arc h   in te rest s inc lud e  Signa l proce ss ing,   par a l le l   proc essing ,   i m age   proc essing     Evaluation Warning : The document was created with Spire.PDF for Python.