Int ern at i onal  Journ al of  El e ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   8 , No .   6 ,  Decem ber   201 8 , p p.   4593~ 4602   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v8 i 6 . pp4593 - 46 02          4593       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Hybrid  Mu ltilevel Thr esh oldin g and Imp roved H ar m ony  Search Alg or ith m for Se gment ation       Er w in 1 , S apar udin 2 , Wul andari S aputri 3   1,3 Depa rtment   of   Com pute r  Eng i nee ring ,   Univ ersity   of   Sriwijay a ,   Indone sia   2 Depa rtment of I nform at ic   Engi n ee ring ,   Univ ersity   of  Sriwij a y a ,   I ndonesia       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   A pr   9 , 2 01 8   Re vised  Ju l  12 ,  201 8   Accepte d  J ul  22 , 2 01 8       Thi s  pape r  pro poses  a  new  m et hod  for  image  segm ent a tion  is  h y brid   m ult il evel  thre s holdi ng  and  improved  har m on y   sea rch   al go rit hm .   Im prove d  har m on y   sea r ch  al gorit hm   which   is  a  m et hod  for  findi ng  ve ct or  s olut ions  b y   inc re asing  it s  accura c y .   The   pro posed  m et hod  looks  for  a  ran dom   ca ndida t e   soluti on,   th en  its   qual ity   is  ev aluate d  throug h  t he  Otsu  obje cti ve  func ti on .   Furthermore,   th e  oper a tor  conti nues  to  evol v e  t he  soluti on  c and ida t e  ci r cui t   unti l  the  opti m al  soluti on  is  foun d.   Th e  d at ase t  us ed  in   thi s  stud y   i s  the   r et in a   dat ase t,   tongu e,  le nna ,   baboon,  and  ca m era m a n.   The   exp eri m ent a l  result s   show   tha t  thi s  m et hod  produc e s  the   high  per f orm anc e  as  see n  from   pea k   signal - to - nois e  r at io   anal y s is  (PN SR ).   The   PN SR   result   for   re ti nal  imag e   ave rag ed  40. 34 2  dB  while   for   the   av era g e  to ngue  image  35 . 340  dB.   For   le nn a ,   baboon  a nd  ca m era m en  p roduc e  an  av erage  of  33. 781  dB ,   33. 499  dB,   and  34. 869  dB.   Furthermore,   the   proc ess  of  obje ct   r ec o gnit ion  an d   ide nti f icati on  is  expe c te d  to  us e  thi s  m et hod  t o  produc e  a  hig h  degr e e  of   ac cur acy .   Ke yw or d:   Im age seg m entat ion   Im pr ov e d  ha r m on y sea rch   Algorithm   Mult il evel thre sh ol ding     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 :   Erw i n ,    Dep a rtm ent o f C om pu te r  E ng i neer i ng,    Un i ver sit y o f S riwij ay a,   Jl. Ray a   Pale m bang - Pr a bum ulih K M. 32 In dral ay a O ga n Ili r  3066 2,   Pale m bang, I ndonesi a .   Em a il :  erw in@ un s ri.ac.i d       1.   INTROD U CTION     Segm entat ion   is  a  proc ess  in   im age  processi ng  that  process es  the  or i gin al   i m age  into  c onsti tuent  or   obj ect   area s.  T he  pu rpose  of   segm entat ion   is  to  sepa rate  a n  ob j ect   f ro m   the  w ho le   im a ge.   C urren tl y,  i m age  processi ng   ca n  be  app li e d  very   widely   in  var io us   f ie lds,  for  exam ple  in  t he  fiel ds   of   ast ron om y,  arch eolo gy,   and   e ven   bio m edical .  Im age  processi ng   on   bio m edici ne  ha s  been   widely   us ed ,  inclu ding  face  detect io n  [ 1],   iris  [ 2],  ear ,  a nd  to ngue .  Us ing   im age  pr oc essing  te ch ni qu e   s uch  as  l evel  set   a nd  r egio n  gro wing ,  an   ophth al m olo gi st  m ay   kn ow   t he  disease  t hro ugh  ey e  reti na  and   t he  te ch no l og y  ca n  kn ow  the  disease  in  t he  ey e  reti na  [ 3].  O ne   of   res earc h  co nducted  by  [ 4]  aim s  to  cl assif y  ty pes  of   dise ases  thr ough  th e  color   of   t he  tong ue   with a  su cces s  rate o f 91.9 9 %  accu racy.    Anothe r  resea r ch  on  tong ue  im age  segm en t at ion   was  do ne   by  [5 ]   with  70%   accu racy  and   [ 6]  us in g  act ive  co ntour   m od el   m et ho d  w hich   gi ves   75%  of  acc uracy .  Additi ona ll y,  [7 ]   com bin es  re gion - bas ed  an d  edg e - based  m e thods  in  segm enting  im ages.  Detect i on   a nd   cl assifi cat ion   of   t he  reti nal  c hanges  for  Diabeti c  Re ti no pat hy  m on it ori ng  we re   perform ed  by  [8 ] .  T his  rese arch   e xtract  re trospect ive  cha ng e s  in  lo ng it ud i nal  crack  a nd   ty r osi neto pathy  showi ng   97%  de te ct ion   rate  an d  99. 3%  cl assifi cat ion   rate.  Re seach  from   [9 ]   has   been co nducte d  to  au t om at ic   segm entat ion  a nd ide ntific at ion   of d ia betic s thro ugh reti nal  vessels.     The  m et ho d  us ed  for  se gm entat ion   is  Ga bor  wav el et   tra nsf or m at ion .  T herefo re,  t he  res ults  obta ined   that  tradit ion al   featur es  do  no t  detect   early   pr olife rati ve  reti nopathy.  For  the  cl assifi cat io n  m et ho d  us e d  is  the  wav el et   m et ho d  that  is  able  t o  gr oup  the  reti nal  blood   vess el s  in  accor da nc e  with  the  pr e sence  or   a bs e nc e  of   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.  8 , N o.   6 ,  Dece m ber  2 01 8   :   4593   -   4602   4594   proliferati ve  re ti no pat hy.  The   su ccess  rate  of  this  m et ho d  decr ease d  to  50%  f o r  the  ide ntific at ion   f rom   the  pr e vious  sta ge s.  Ba se d  on   t he   desc riptio n  a bove  it   is  nece ssary  to   opti m i ze  segm entat ion   process ,  in   orde r  t o  i m pr ove the  qu al it y of  seg m entat ion   res ults.   The  th res ho l d  m et ho d  is  on e  of   t he  m os t  widely   us e d  m et ho ds   of  im age  se gm ention  [10],[ 11] .  Segm entat ion   process  f or   tw o  segm en  of   im age  is  called  bilevel   thresholding  an d  m or e  than  tw o  segm en  is  cal le d  m ulti lev el   thres holdi ng.  Ots u  an d  Kapur   a re  two  cl assic al   m et ho ds   of   m ulti le vel  thres ho l ding.   Segm entat ion  us in g  m ult ilevel  t hr es ho l di ng   re quires  a  lon g  c om pu ta ti on   ti m e   and   in volves  a  la rg e  cal culat ion .  I n  or de r  to  so l ve  this  pro ble m ,  op tim iz ation   m et ho ds   sh oul d  be  ap plied  [ 12 ] .  S ever al   op ti m iz ation   m et ho ds   that  hav e  bee n  su c cessf ully   app li ed  in  m ulti le v el   thresholdi ng,  incl ud i ng   Gen et i c   Algorithm s  (G A )  an d  Par ti cl e  Sw arm   Op ti m iz ation   (P S O).  On e  i nteresti ng  exa m ple   of   m ult il evel  thres ho l ding  w it h  GA   is  sho wn   i n   [ 13] ,  [ 14] .  F ur the rm or e,  [ 15 ]   us in g  m ul ti le vel  thresh ol ding  a nd   I m pr ov e d  Diff e re ntial   Search   Algorith m   (I DSA)  to  the  se gm ent.  Im age  seg m entat ion   with  P SO - base d  m ul ti le vel   thres ho l ding  w as do ne by [ 16] - [18].    Har m on y  sear ch  al gorithm   (H S A )  is  an  op ti m iz ation   al gorithm   insp ired  by  the  im pr ov isa ti on   process  of   ja zz   m us ic ia ns ,  fro m   the  ph en ome non  of  ope ra  m us ic   that  consi sts  o f  va rio us  m us ic al   instru m ents  and  pr oduces  beau ti f ul  m el od ie s.  T he  al go rithm   was  intr oduce d  by  Ge e m   et   al .  [19]   [ 20 ] .  I n  pr e vi ou s   researc h,   m ult il evel  threshol ding  with  H S A  was  us ed  i n  segm enting  the  i m age  with  two  m et ho ds   of  thres ho l ding,  ie   Otsu ,  an d  K ap ur.  Mult il ev el   thresholding  with  Ots u  that  has  bee n  op ti m iz ed  us ing   H S A   sh ows  bette r  r esults  com par e d  to  Ka pur  [ 19] .  Im pr ove d  har m on y  searc h  al gorithm   (IHS A)   has  al s o  bee n  app li ed  i n  seg m entat ion   pro blem s  fo r  br ai n  im ages  [2 1].   The  stu dy  us e s  IH S A  a nd   c om b ines  it   wit h  f uzzy   cl us te rin g  al gorithm s.  Ho we ve r,   there  rem ai ns   a  weakness  in  the  stud y  is  sh ow n  with  th e  PSN R  value  that  is   no t  high e noug h.   Re search  on  re ti nal  i m age  segm entat ion   ha s  been   done  by   [2 2],  [23]  ai m ing   to  sim pli fy  or   c ha ng e   i m age  rep rese nt at ion   into  so m et hin g  t hat  is  easi er  to  analy ze.  [24]  who  ha ve  co nducte d  a  reti nal  i m age  stud y   by  pro posin g  a   com pu te rized  te chn iq ue  for  e xtracti ng  reti na l  vessels.  In   a dd it io n,   [25]  a nd   [ 26 ]   co nduc te d  a   reti nal  i m age  stud y  f or   cl as sific at ion   se gm entat ion   of  r et inal  disease  ty pes  us in g  diff e ren t  m et ho ds.  [ 27 ]   segm enting  the  r et inal  vessels  us in g  a  sin gle  or ie nted  m ask fil te r.     The  ex pe rim e ntal  resu lt s  show  th at   the  pro posed  m et ho d  ou t perf or m s   a  sing le   ori ented  m ask     filt er  [28] .  S eg m enting  the  ar ea  around  the  r et ina  by  us in g  adap ti ve  s uper pix al at io n  that  is  us ed  to  dete ct   the  disease  a rou nd  the   reti na  a rea.  E xperim e ntal  evaluati on  giv es  bette r   res ults   with  96%  acc ur acy   [29] .  C onduct ed  a  s tud y  to  i den ti f y  the  early   di agnosis  of   e pil eptic   diseases  of   glauc om a,  di abeti c  reti no pathy,   m acular  de ge ne rati on,  hype rtensive   reti no pa thy,  a nd  arter ioscle rosis.  T he re  a re  tw o  m et hods   of  do i ng  this   segm entat ion   by  us in g  the  m et ho d  of   e xt racti on   of   blood   vessel  ce nt erli ne  pix el s  and   it erati ve  r egio n  grow i ng.    This  reseac h  pro po se d  a   novel  m et ho d  t o  i m pr ove  seg m entat ion   perf or m ance  usi ng   m ultilevel   thres ho l ding  w it h  HSA   an d  I HSA.  This   pa pe r  int rod uces  a   ne w  m et ho d  of  hybr i d  m ulti l evel  th res ho l din g  a nd   i m pr oved  harm on y  search  al gorithm   (MT - IH S A ).   The  pa ram et ers  us ed  diff e r  f ro m   th e  HS A  that  li es  in  the  adjustm ent  of   pitch  ad justi ng   rate  (P AR )  a nd   ba ndwidt h  (B W)   [ 21 ] .  W her e  this  m et ho d  c om bin es  I HSA   m et ho d  a nd   t hresh old i ng   us i ng   Otsu.  This  researc h  is  ex pe ct ed  to  sho w  m or e  op ti m a l  resu lt s  of   PS N R  than   pr e vious  resea r ch.       2.   OTSU M ULT I LE VEL TH RESH OLDI N G FO R  I M A GE SEG MEN TATION   Im age  segm en ta ti on   is  a  pro cess  to  sepa rat e  the  i m age  to  the  fore groun d  an d  ba ck gro und  s o  it   is  easi er  to   analy ze  [ 30 ] .   The   proces s  of  im ag e  segm entat ion  is  ve ry  im po r ta nt,  the   hi gh e r  the   accu racy   le vel  gen e rated   a t  th e  segm entat ion  sta ge  t he  bette r  the   ob j ect   rec ogniti on  pr oce ss  [ 31 ] .   T hr es holdin g  is   kn own  as   a   non - li near   ope rati on   t hat  is  i m po rtant  in  im age  se gm entat i on  [ 32 ] .  The   ba sic   idea  of  t hresh old in g  is  t o  choose   an  opti m a l  gr ay - le vel  thr e sh ol d  val ue  to  sepa rate  obj ect s  a nd   ba ckgr ounds  ba sed  on  gray - le ve l   distrib ution [ 33] .   Ther e  ar e  two  ty pes  of   thres holdin g,   ie   glob al   and   local .  O tsu  is  a  glo bal  thres ho l ding  in tro du ce d  by  Otsu   i n  19 79   [ 34 ] .  T his  m et ho d  is  widely   use d  becau s e  it   include s  a  sim ple  an d  ef fecti ve  m et ho d.   Ot su   us es   the  m axi m u m   var ia nce  value   of  cl ass  dif fere nces  as   the  i m age  segm enting  crit eria.  By   ta king  the   int ensity   le vel  (L)   of  th e  gr ay scal e  or   RGB  i m age,  the  pro ba bili ty   distrib ution   of   the  intensit y  va lue  of   the  im age  can   be  cal culat e d  a s fo ll ow s   E qu a ti on   1   [19]:     ℎ = ℎ  , ∑ ℎ = 1 ,  = 1                 (1)     wh e re;  i= inten sit y l evel (0 ≤  i  ≤  L - 1)   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Hyb ri d  M ulti le vel  Th res holdi ng an d Impr ov ed Ha r m ony  Se ar c h  ….   ( Erw in )   4595   c = com po ne nt  of the im age,  de pendin g o n gra ysc al e o r  R G B   NP = the  num ber   of   pix el s  in  t he  i m age   ℎ = histo gr am  ( th e num ber  of  pix el s  c orrespo ndin g  to  the i nte ns it y l evel in c )   ℎ = pro bab il it y of distrib utio n   The  sim plest b il evel segm entat ion  ca n be  de fine d  as  f ollows  Eq uatio n 2 :     1 = ℎ 1 0 ( ℎ ) , … ℎ ℎ 0 ( ℎ ) , 2 = ℎ ℎ + 1 1 ( ℎ ) , … ℎ 1 ( ℎ )             (2)     Wh e re  ( ℎ )   an d  1 ( ℎ )   is  the d ist ri bu ti on proba bili ty  f or  C 1   an d  C 2  w he re :     0 ( ℎ ) = ∑ ℎ ,   1 ( ℎ ) = ∑ ℎ = ℎ + 1   ℎ = 1       0 = ∑  ℎ 0 ( ℎ ) ,   1 = ∑  ℎ 1 ( ℎ ) = ℎ + 1   ℎ = 1                 Otsu   Va riance  betwee n  cl asse s c an  b e  calc ul at ed  by  f ollow i ng E qu at io ns   3 an d 4 as  foll ows:     2 = 1 + 2 ,                   (3)     1 = 0 ( 0 + ) 2 , 2 = 1 ( 1 + 1 ) 2             (4)     Wh e re  = 0 + 1 1   an d   0 + 1 = 1   .   The follo wing  is an  obj ect ive   functi on  based  on the  value   of 1   an d  2 :     (  ) = ma x ( 2 (  ) )                 (5)     W it h  0 ≤ ℎ ≤ − 1 , = 1 , 2 , . . . , ,   w her e   ℎ = ℎ 1 , ℎ 2 , … , ℎ − 1   is a vect or co ntainin g  se ver al  t hresh olds  and the n  the   va riance is c om pu te d  a s E qu at i on 6 as:     2 = ∑ = 1 ,                   (6)       3.   IMP ROVED   HARM ONY  SEARCH  A L GORIT HM     HSA  is  a  new   m et aheu risti c  op ti m iz er  intro du ce d  by  Z ong  Woo  Geem ,  Jo on g  H oon  Ki m ,   and   G.V.   Lo gan at han   i n  2001,  this  m eth od  yi el de d  ve ry  good  re su lt s   in  the  fiel d  of  op ti m iz ation   [ 32 ] .  HSA  is  in sp ire d  by  i m pr ovise d  j azz  m us ic ia ns ,  f ro m   the  pheno m enon  of  op e ra  m us ic   and   pro duces  be autiful  m el od ie s.  T he   adv a ntage s  of  HSA  com par e d  to  ot her   op ti m iz at ion   te chni qu es  ar e:   HSA  is  a  m et aheu risti c  al gorith m   and   do e s  no t  re qu i r e  co nf i gurati on   val ues  base d  on  de te rm inant  va riables,   H S A  us es   stoc has ti c  rando m   searches ,  HSA  does  not   require  de riva ti ve  inform at io n,   ha s  seve ral  par am et ers,   an d  can  be   easi ly   ado pt e d  in  a   wide  range  of opti m iz at ion  pr ob le m s.  The  ste ps  i n  the  HSA  pr oc ess are  as  fo ll ow s   [ 21] :     a.   Mi ni m al iz e  ( )   subj ect  t o    ∈ = 1,2, .. .,N   wh e re;  ( ) = obj ect ive fu nction   = colle ct ion   of  decisi on  var ia bl es    N = total  of  deci sion va riables   = colle ct ion   of  pro bab il it y ran ge fo r  eac h dec isi on   var ia bles   In  this  ste p,   t he   HSA  pa ram e te rs  are   s pecifi ed.   HSA  pa ra m et ers  co ns ist   of  the  num ber   of  s olu ti on  vecto rs  in  harm on y  m e m or y  (H M)   cal le d  ha rm on y  m e m or y  siz e  (H MS ),   har m on y  m e mo ry  c on si der at i on   rate   (H MC R),   pitc h  a dju sti ng  rat e  (PAR) ,  a nd  te rm inati on   crit eria  cal le d  a  num ber   of  im pr ov isa ti ons  ( NI) .   He re   are the  p a ram e te rs  in t he HS A  [ 33]   :   HMS: tota l  vec tors  sim ultaneo us ly  in Harm on y M e m or y (HM ).   Values  v a r y from  1  to 1000.   HMCR : t he  le vel or  per ce nta ge of  H S A val ues  ta ken f ro m  H M, t he value  v a ries f ro m  0 . 7  to  0.99   PA R:  poi nter  a t t he  le vel  or pe rcen ta ge of  th e close  value , t he value  va ries  f r om  0 .1  -   0.5   Nu m ber   of NI:  ind ic at es t he  it erati on num ber in the  opti m izati on  alg ori thm .   b.   Har m on y M em or y  (H M )  I niti al iz at ion   At  this  sta ge,  the  HM  m at r ix  is  fill ed  wi th  HMS   w hic h  is  th e  s olu ti on   vect or  ra ndom iz ed  by   Eq uation 7 .     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.  8 , N o.   6 ,  Dece m ber  2 01 8   :   4593   -   4602   4596    = [         1 1                       2 1   ⋯           − 1 1                         1 1 2                       2 2 ⋯           − 1         2                 2 ⋮                     ⋮   ⋯                       ⋮                                   ⋮ 1  − 1         2  − 1     ⋯         − 1  − 1          − 1 1                    2        ⋯           − 1                     ]                   (7)     c.   Im pr ov isa ti on  of N e w Harm on y   Im pr ov is at io n  is  pr oc essed  t o  obta in  ne w  har m on y.  T he   new   vector   ha rm on ie s  can  be  obta ine d  unde r  the  foll owin g ru le s:   a)   Choose  one  of  the v al ues of H SA   Har m on y  ( HMCR )   b)   Sele ct  o ne  val ue  closest to  HS A  m e m or y (to ne  a dju stm ent)   c)   Sele ct  a r a ndom  v al ue  from  a r a ng e  of  poss ible val ues (ra ndom iz at ion )   I n  m e m or y  co nsi der at io ns ,   fir st  dete rm ine  the  val ue   of   the   var ia ble  ( 1 1 )   f or  a   new  vecto r  ta ke n  from   on e   of  the   valu es  in   the   pr e de fine d  HM  rang e  ( ′ 1 1 − ′ 1  ) .  T he  value   of  t he  oth e r  det erm inant  var ia bles  is  picke d  in  th e  s a m e  way.  HMCR   (0   to  1)   is  the  ste p  of  sel e ct ing   a  ra ndom  value  f r om   a  po s sible  ra nge  value .   At  this  sta ge ,  HM  co ns ide rat ion s ,  to ne  ad ju st m ents,  or   ra ndom   sel ect ion   are  ap plied  al t ern at el y  f or   ea ch  ne w  har m on y  vecto r variable.   d.   Update  HM   In   this  ste p,  if  the  new   har m on y  vecto r  is  be tt er  than  the  ex ist ing   har m on y   in  HM  rather   than  ba se d  on  the  val ue  of  the   ob j ect ive   f un ct io n,  the  new  ha rm on y  can  e nter  HM,   an d  t he  worst   ha rm on y  will   no t  be   include d  i n H M.   e.   Check  for t erm inati on  c rite ria   If   the   te rm inatio n  c ri te ria  are  m et   ( m axi m u m   NI )  of   t he  c om pu ta ti on   process  will   be  s topped .  I f  no t ,   rep eat   ste ps   3  and   4.   T he  m a in  dif fer e nce  be tween  HS A  a nd   IHSA  is  on   the  PA R  an d  B W   ad j ust m en t  path.  IH S A  im pr ov e s  the  perform a nce  of  HSA  al gorithm s  and   el i m inate s  weak  po ints .  This  m et hod  us es  PAR   a nd   B W  in  step  3 (i m pr ov isa ti on).  Pseudoc ode  for origi nal IHS A  al go rithm :     1.  In it ia li ze pa ram et ers  HMS, HMC R,  ,    ,    ,    , and N I.     2.  In it ia li ze HM a nd cal culat e f(x ) of   e ach  har m on y  ve ct or .     3.   Im pr ov ise  n e w  h a rm on y.     for  it erati on  ≤ nu m ber   of v a ri able     PA R =     +  ( − )    x g n     c = in(   /     ) / NI     BW =       x  e xp(c  x gn)            f or(all  v a ria ble)                  i f  ra nd( ) ≤  HMCR      ′ =   (j = 1, 2, . .., H MS) ( c hoose   va lue from  H M)                           if  rand()  ≤  P AR                                 ′ = ′   ± rand ()   x  B W                           en dif                           el s e                      (cho ose  a r a ndom  v a lue of  var ia ble)     ′ =     +  rand()  x (   -     )                        e nd i f                  e ndf or     endf or           4.U pdat e  HM.     if(n e w sol ution ≤  w or st s olu ti on)     re place t he w orst ha rm on y i n HM with   the  new  har m on y   end i f   S   5. C hec k st opping c rite ria. If  NI is com plete d,  te rm ina te  co m pu ta ti on; othe rw ise   go  back to  Step  3.       4.   PROP OSE D MET HO D: H YBRID  M ULTIL EVEL  TH RESH OLDI N G AN D  I MP R OVED  HARM ONY  SEARCH  A L GORIT HM  (MT - I HS A)   This  m et ho d  is   a  hybri d  betw een  tw o  strat if ie d  thres holdi ng  m et ho ds   by  Otsu   a nd  I HSA,  wh ic h  is  MT - I HSA.  T he   pro posed   m e thod  is  to   sear ch  r an dom l y  i n  the   histo gra m   as  a  cand id at e,  then   eval ua te   it s  Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Hyb ri d  M ulti le vel  Th res holdi ng an d Impr ov ed Ha r m ony  Se ar c h  ….   ( Erw in )   4597   qu al it y  by  us ing  the  obj ect i ve  f unct io n  by   Otsu .   F ur th erm or e,  I HSA   operato rs  will   evo l ve  on   c and i dat e   strings  un ti l t he  m os t op ti m a l  so l ution i s fo und.  Pse ud ocod e f or  MT - I HSA alg ori thm  :     1.   Ob ta in  h ist ogr a m s.     2.   Ca lc ulate  the proba bili ty  d ist ribu ti on.     3.   In it ia li ze the IHS A param et e rs: H MS , HM CR ,  ,    ,    ,    , a nd  NI .     4.   In it ia li ze a Ha r m on y M e m or y (H M ).   Step  5   Ca lc ulate  O tsu  v a riance.     6.   Evaluate  obj ec ti ve  f un ct io n      7.   Im pr ov ise  a  ne w harm on y.     8   Update the  HM     9.   If  NI is c om ple te d  or t he  sto p crit eria i s sati sf ie d,  the n j um p  to Step  10, ot he rw ise   go  back to Ste p 6.     10. Sele ct  the  har m on y t hat h a s the  b est  obj ect iv e f unc ti on   value.     11   Apply t he best  thres ho l ds   valu es to t he  im age.       5.   RESU LT   A N D DIS CUSS I ON    The  dataset   use d  in  this  e xp erim ent  con sist ed  of  tw o  dat aset s,  the  reti na l  dataset   ob ta ined  from   STruct ured   A na ly sis  of   t he  R et ina  (S ta re)  w it h  45 0  reti na  i m ages  an d  to ngue   dataset   obt ai ned  f ro m   biom et ric   researc h  cente r  (BRC )  with   12   jp g  f or m at   the  i m age  of   the  to ngue .   In   ad diti on,  le nn a,  babo on,  an d  ca m era m an  i m ages a re also  used  for  te sti ng  the prop os e d m et ho d. T he  pa ram et ers  and   values use d  i n t he  MT - IH S A  pr es ente d  in  Ta ble  1  c on sist   of   NI,  H MS,  HMCR ,  P AR  Mi n,   P AR  Ma x,   B W   Mi n,  an d  B W   Ma x.  The   value   of the  p a ram et ers  us ing  [19],  nam ely:       Table  1.   Param et ers  use d i n  M T - I HSA   Para m eters   Valu es   NI   2 ,00 0   HMS   5   HMCR   0 .9   PAR Min   0 .01   PAR Max   0 .99   BW  Min   0 .00 1   BW  Max   0 .1       Table 2  is t he  r esult of  im age  segm entat ion  usi ng  MT - IHSA  w it h  thres ho l d  value  5,  a h ist ogram  o f  5  ty pes  of  the  im age  s hows  a   ve ry  sig nificant  di ff ere nce.  I n  th e  or i gin al   im age,  the  resu lt in g  histo gr am   sti ll  has   red,  gree n,   blue   (RGB ).   F or  the  gr ay scal e  i m age,  the  res ul ti ng   histo gra m   has  a  gr ay   c olor,  bu t  t he  re su lt ing  colo r  st il l  has  a  ve ry  hi gh  col or  so  it   is  sti ll   diff ic ult  to  disti nguish  bet wee n  foregr ound  a nd  bac kgr ound .  T he   third  histo gra m   is  the  res ulti ng   histo gr am   for  im age  i m ple m entat ion   of   the  MT - IHSA .   The   col or s   pr oduce d  after  goi ng   t hroug h  the  MT - I HSA  pr ocess  ha ve  ve ry  fe w  c olor  com ponent s.  Be cause  the   colo rs  with  ap plie d  MT - I HSA c olors a pp li ed  are   m or e li kely  to  bin a ry.   Table  2  s hows   the  res ults  of   the  ap plica ti on  of   se gm entat i on   us in g  m ultilevel  thres ho l di ng .  Be fore   app ly in g  the  MT - I HSA  first   the  histogram   value  of  the  or iginal  i m age  is   ta ken   in  orde r   to  see  the  colo r  pix el   values  co ntain ed  in   the  or i gin al   im age.  The n  do  the  gr ay s cal e  process  t o  reduce  t he  pixe ls  con ta i ned  in  RG B   colo r.   T he  histogram   ob ta ined  from   the  gr ay scal e  ha s  few e r  pix el   values .  T hen  the  ap plic at ion   of  segm entat ion   usi ng   MT - I HSA .  The  pi xels  ob ta ined  are  ver y   low.   Ba ck gro und  an d  f oreg r ound  are  com plete l y  separ at e d.   Althou gh   t he  r esu lt ing   pi xels  ar e  ver y  l ow ,   th e  resu lt in g  im age  qu al it y  is  ver y  good  an d  is  see n  m or e cle arly  usi ng MT - IH S A .   The  th re shold  value  s pecified   in  this  te sti ng   process  is  th = 2,3,4, 5.   P SN R  i s  the  value  of   com par iso n  betwee n  t he  m axim u m   pix el   value   of  t he  im age u sin g  the m ean  squa re  e r ror  (MSE) .  MS E  is  the   a ver a ge   er r or   value  be twee n  the  segm ented  i m age  and   the  or i gin al   i m age.  The  great er  th e  PSN R  res ults  sh ow  bette r  i m age   qu al it y.  PSN R   is  exp resse d  in  decibels  (d B ).   The  value  of  PSN R  can  be  cat egorized  we ll   if  > = 30   dB,  it   can   be fo rm ulate d  as foll ows  with  Equati on  8  a nd  root m ean squar e  er ror (RM SE) value  w it h Eq uatio n 9:       = 20  10 ( 255  )                 (8)      = √ ∑ ∑ ( 0 ( , ) − ℎ ( , ) )  = 1  = 1                     (9)     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.  8 , N o.   6 ,  Dece m ber  2 01 8   :   4593   -   4602   4598   wh e re;  0 = or igi na l im age   ℎ = segm ented  im age   row x c ol = Tot al  a m ou nt  of i m age row s  and  co lum ns   Anothe r  goal   of   usi ng  PSNR   is  to  evalua te   the  si m il arity  between   the   segm ented  i m age  and   the   or i gin al   im age.  Com par iso n  of  PNSR   re su l ts  us in g  reti nal   i m age  an d  t ongue  im age  in   Table  3.  P NSR   on  a  reti nal im age i s great er t han  with P NS R  of t ongue im age.    In  T a ble  3,  th e  resu lt s  of   th e  app li cat io n  of   se gm entat ion   on  reti nal  im age  and   t on gu e  ha ve  be en   ob ta ine d.   PS N R  gen e rated  a bove  30   dB.  T hat  is,  the  res ul t  of   segm entat ion   is  do ne  s uc cessf ully   becau se  it   has  e xceed e d  30   dB.  The  bi gg e r  the   PNS R  gets,  the  bet te r   the  pix el   ge ts.  Segm entat ion   perf or m ed  on  the   tongu e  im age r ecei ves  a l ow e r  PS NR  value  than that   of the  reti nal im age.       Table  2.  Res ults o f  Im age S e gm entat ion  a nd  Histo gr am  w it h  MT - I HSA  w it h  Th res ho l d Value  5         Table  3.  C om par iso n of PS N R Value  and  S egm entat ion  T hr es hold Res ul ts wit h  MT - I H SA   Using Ret ina  I m age and  T on gu e  I m age   I m ag e   th   PNSR   i m ag e   PNSR   Retin a I m ag e   Ton g u e I m ag e   Retin a I m ag e   Ton g u e I m ag e   1   2   4 3 .36   3 5 .55 8   7   3 5 .57 8   3 4 .88   3   4 5 .12 1   3 6 .07 4   3 9 .68   3 5 .61 7   4   4 5 .12 1   3 7 .19 8   4 0 .34 9   3 6 .06 1   5   4 8 .13 1   3 8 .01 5   4 1 .14 1   3 7 .17 3   2   2   4 1 .14 1   3 3 .74 5   8   3 9 .68   3 1 .99 2   3   4 2 .11   3 4 .76 1   4 2 .11   3 4 .85 7   4   4 3 .36   3 5 .48 2   4 5 .12 1   3 6 .42 6   5   4 5 .12 1   3 6 .01 3   4 8 .13 1   3 6 .42 6   3   2   4 0 .34 9   3 4 .67 4   9   3 8 .58 8   3 2 .03 7   3   3 9 .68   3 5 .46 8   3 9 .68   3 4 .27 9   4   4 2 .11   3 6 .03 5   4 0 .34 9   3 5 .28 8   5   4 0 .34 9   3 7 .13 8   3 9 .68   3 5 .93 6   4   2   4 1 .14 1   3 4 .76   10   3 9 .09   3 1 .59 5   3   4 2 .11   3 5 .65 7   3 7 .33 9   3 2 .90 8   4   4 3 .36   3 6 .37 7   3 8 .13 1   3 5 .30 6   5   4 5 .12 1   3 7 .30 7   3 9 .68   3 5 .92 6   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Hyb ri d  M ulti le vel  Th res holdi ng an d Impr ov ed Ha r m ony  Se ar c h  ….   ( Erw in )   4599   Table  3.  C om par iso n of PS N R Value  and  S egm entat ion  T hr es hold Res ul ts wit h  MT - I H SA   Using Ret ina  I m age and  T on gu e  I m age   I m ag e   th   PNSR   i m ag e   PNSR   Retin a I m ag e   Ton g u e I m ag e   Retin a I m ag e   Ton g u e I m ag e   5   2   3 3 .07 9   3 5 .10 9   11   3 8 .13 1   3 3 .11 5   3   3 4 .51 4   3 6 .01 2   3 8 .13 1   3 4 .59 4   4   3 6 .99 1   3 6 .80 6   3 9 .68   3 5 .65 3   5   3 7 .33 9   3 7 .63 5   4 1 .14 1   3 6 .08 2   6   2   3 9 .1   3 3 .67 3   12   3 3 .98 1   3 4 .41 9   3   4 0 .34 9   3 3 .82 2   3 4 .70 7   3 5 .03 2   4   4 1 .14 1   3 4 .81 4   3 6 .67   3 6 .03 2   5   4 2 .11   3 5 .56   3 7 .33 9   3 6 .98 1       Segm entat ion   from   [28]   is  usi ng  sin gle  or i ented   m ask  filt er,  the   res ult  of  the  segm entat ion   has   increase d  bu t  the  res ulti ng   weig ht  has   no t  been   m axim iz ed.   T he  disadv a ntage   of   t his  m et ho d  is   wh e n  processi ng   th e  resu lt s,  th e  tim e  is  done  lo ng   enou gh   s o  that   the  process  is  slow e r.   As  f or   the  process  of  MT - IH S A,  pr ocess   data  is  proces sed  faster   an d  the  res ults  ob t ai ned   excee ds   30  dB .  T he  ne xt  m et ho d  us e d  f or   segm entat ion   is  by  us i ng  the   Gabor   wa velet   transfor m at i on.  But  f or   t he   resu lt s  obta ined  t hat  tradit ion al   featur e s  do  not   detect   early   prolife rati ve  reti nopathy.   Pe rce ntage  of  s ucce ss  is  on ly   50% .  O f  al l  the   m e thods  descr i bed,  we c an  see  the c om par ison  that   MT - I HSA is a n  e xcell e nt m eth od  f or  s egm entat ion   proce ss .   Figure  1  is   th e  res ult  of  t he   segm entat ion  com par iso n  by   us in g  t he  m ulti   thres holdi ng  ha rm on y  search  al go rith m   (MT - HSA)  perform ed  by  [19]   with  the  MT - I HSA  pro po s ed  m et ho d  us in g  le nn a ,  ba boon,   and  cam era m e n  im ages.  Re su lt s  from   MT - HSA,  P NS R   values  obta ine d  belo w  30   dB .  The   pi xel  values   ob ta ine d  do   not  m at ch  the  def a ult  value  of   30   dB.  T his   m eans  that  t he  im ple m entat ion   us i ng   MT - HSA   segm entat ion   is  no t  ap propria te   and   is  sti ll  below   the  ave ra ge.   H oweve r,   f or   se gm entat io n  res ults  us ing  MT - IH S A,   t he  seg m entat ion   obta ined  ex ceeds  t he  30  dB  li m it.  Segm entat ion  with  the  ap plica ti on   of  MT - I HSA   sh o ws  go od qu al it y and  s ucce ss b eca us e  the  pix el s  pro du ce d  a re e xcell ent  and also  ex cee d 30 dB .   To  com par e  it   us in g  othe r  m e thods  pe rfor m ed  by  [35]   u sin g  the  m e tho d  of   T ongue  Color,  Textu re ,   and   Ge om et ry   Feat ur es (CT G F) ,  [19]   with  Mult il evel  Thresh old in g  harm on y  search  a lgorit hm   (MT - HSA)   m et ho d,  a nd  [36]   wit h  M ul ti le vel  Thr es ho l ding  Firefl y  Algorithm   m et ho d  (MT - FA )  a nd   Mul ti le vel   Thr e sholdi ng S ocial  Sp i der Al gorithm  ( MT - S SA )  are  prese nt ed  as  Fig ur e  2.           Figure   1. Dia gra m   PSN R   c omparis on   MT - HS A  a nd  MT - I H SA       So   the   com par iso n  of  P NSR   resu lt s  between   t he  propose d  m et ho d  ( MT - I HSA)  wi th  MT - HSA ,   Color,  Te xture ,  an d  Geo m et ry  (CTGF),  MT - FA  an d  MT - S SA   m et ho ds   re su lt ed  in  t he  hi gh est   P NS R  s cor e .  In c reasin g  the   value  of  P N SR  sh ows  tha t  the  resu lt s  of  i m age  segm entat ion   with  the  pro posed  m et hod  pro du ce  the  be st segm entat ion   qu al it y com par ed  w it h ot her m e tho ds.   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.  8 , N o.   6 ,  Dece m ber  2 01 8   :   4593   -   4602   4600       Figure  2. Dia gra m  PS NR c omparis on of  c omparis on of t he PNSR  val ue of  seg m entat ion   m et ho d o f  MT - IH S A, M T - HSA, CT GF, MT - FA ,  MT - S SA  with MT - I HSA       6.   CONCL US I O N   In   this  stu dy,  we  pro pose  a  new   m et ho d  of  m ult il evel  threshold  hybri d  with  i m pr ove d  ha rm on y  search  al gorithm .  This  m eth od  is  a  hy bri d  betwee n  th e  IH S A  al go rithm   and   the  obj ect ive  func ti on   of   m ul ti le vel  t hr e sh ol ding  us in g  the  Otsu  m et ho d.  T he  i nd ic a tor  us e d  i n  this   stu dy  to  e val ua te   the  perfor m ance   of   MT - IHSA  i s  PSN R.  T he  r esults  of   MT - I HSA  experim e nts  i m ple m ent ed  on  the  reti na   i m age  are  hi gh e r  than  the  im age   of   the  tongu e  i m age,  bu t  for  the  resu lt s  obta in ed,   the  im a ge  of   the  to ngue  pro du ce s  ex cel le nt   segm entat ion   com par ed  t o  t he  reti nal  im a ge.   Like wise,  for  th e  im age  of  Le na,   ba boon,  a nd  cam era m an,  PN SR  pro du c ed  after  a pply ing   MT - I HSA   increase d.   P r evio us ly   for  t he  im age  of   Len na,   babo on,  a nd   ca m era m en  app l ie d  us i ng   M T - H SA   with  P NS R  res ult  below   30dB.  T he   com par ison   of  segm entat ion  us ing  oth e r  m et ho d  yi el ds   the  PNS R  value  us in g  the  highest  M T - I HSA.  T he  l evel  of  il lum in at ion   of  a n  ob je ct   is   ver y  in flue ntial   fo r  segm entat ion   s o  that  th e  resu lt s  ob ta i ned   m or e  c le a rly .  For  the  to ngue  im age  resu lt s   sh owe d bett er  PSN R  res ults than  pre vious st ud ie s  h i gh e r  th an 30 dB .   The  PN SR   res ult  f or   reti nal  i m age  ave rag e d  40, 342  dB  w hi le   fo r   the  ave r age  to ngue   im age  35.34 0  dB.  F or  le nna ,  ba boon  a nd  ca m era m an  produce  a ve rag e   PNSR   33. 78 1  dB,  33.49 9  dB  a nd  34. 869  dB   resp ect ively .  F ur t her m or e,  t he   process   of  ob j ect   rec ogniti on  a nd  ide ntific at ion   is  e xpect ed  to   us e   this  m et ho d  to pr oduce a  h i gh d e gree  of  ac cur acy       ACKN OWLE DGE MENTS     This  pa per   is  pa rtly   su pport ed   by  Direk t or at   Ri set   d an  Peng abd ia n  Ma sya r akat,  Dire ktora t  Jend eral   Penguata n  Ri s et   da n  Pe nge m ban gan ,   Ke m enterian  Ri s et ,  Tek nolo gi  dan  Pe nd i dik a n  Ti nggi  Ind onesi a  a nd   Re ct or   of Univ ersit y of Sri wija ya .       REFERE NCE S    [1]   M.  Fachr urroz i,  Erwin,   Sap aru din,   and   Mardi ana ,   “ Multi - obj ec t  f ace  re cogn it ion  using  Con te nt  B ase d  Im a ge  Ret ri eva l  (CBIR ), ”  in  2017  Inte r nati onal  Confe r enc e  on  Elec trical  Engi ne ering  and  Computer  S ci en ce   ( ICECOS) ,  2017,   pp .   193 – 1 97.   [2]   M.  Fachr urroz i  and  M.  Mujta h i d,   “ Iris  Im age   Rec ogni ti on  Base d  on  Inde pend en t  Com ponent   Anal y s is  and  Supp ort  Vec tor  Ma chi n e,”  Tel komnik a ,   v ol.   13 ,   no .   2 ,   pp .   597 – 603,   2015 .   [3]   Y.  Qian  Zh ao,   X .   Hong  W ang,   X .   Fang  W ang,   an d  F.  Y.  Shih,  “ R et in al   vessels  se gm ent at ion  b ase d  on  le ve l  set  an d   reg ion  growing , ”  Pa tt ern   Recog nit . ,   vol .   4 7,   no.   7,   pp .   2437 – 244 6,   2014 .   [4]   D.  Zha ng,   H .   Z hang,   and  B .   Zh ang,   “ Tongue   C olor  Anal y s is  for  Medic a l  Appli ca t ion, ”  Tongue   Image  Anal . ,   v ol.  2013,   pp .   207 – 2 23,   2017 .   [5]   H.  Murat  et   a l. ,   “ Feat ure   Ext r act ion  and  Anal y sis   on  {CT}  Im age  of  Xinji ang  Lo c al   Li v er  H y datid   b y   Us ing  Gra y - Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Hyb ri d  M ulti le vel  Th res holdi ng an d Impr ov ed Ha r m ony  Se ar c h  ….   ( Erw in )   4601   sca le Histogra m s,”   Sc i.  & a mp; T ec hnol .   Re v . ,   vol .   30 ,   no .   6 ,   pp .   6 6 – 70,   2010 .   [6]   Sapar udin,   Erwi n,   and  M.  Fachr urroz i,   “ Tongue   Segm ent at ion  U sing  Acti ve  Contour  Model, ”  in  IAE S  Inte rnat io nal  Confe renc e  on   E le c tric al   Engi n e ering,   Comput er  Scienc e  and   Inf orm ati cs  IOP Pu bli shing ,   2017,   p p.   1 – 6.   [7]   K.  W u  and  D.  Zha ng,   “ Robust  tongue   segm en ta ti on   b y   fusing   reg ion - b ase d  a nd  edge - b ase d  a pproa che s, ”  Ex p ert   Syst.   Appl. ,   vol.  42,   no .   21 ,   pp .   8 027 – 8038,   2015 .   [8]   H.  Nara sim ha - I y er  et   al . ,   “ Robust  Dete c ti on  an d  Cla ss ifi cation  of  Longi tudi n al   Change s  in  Col or  Ret inal  Fundus   Im age s for  Moni tori ng  Di abe t ic  Ret inopath y , ”  I E EE   Tr ans.  B iomed.   Eng. ,   vo l. 53 ,   no .   6 ,   pp .   1084 – 1098,   2006 .   [9]   H.  F.  Jeli nek,   M.  J.  Cree ,   J.  J.  G.  Le andr o,   J.  V.  B.   Soare s,  R.   M.  Cesar ,   and  a  Lu cki e ,   “ Autom at ed  segm ent at ion  o f   ret in al   blood  v e ss el s  and  ide nt if ic a ti on  of  pro li f era t ive   di abetic   ret inop at h y . , ”  J.  Opt.   Soc .   Am.   A.   Opt .   Image  S ci.   Vi s. ,   vol .   24 ,   no .   5,   pp .   14 48 – 145 6,   2007 .   [10]   D.  Zhou  and  H.  Zhou,   “ Minim isat ion  of  local  wi thi n - class   var ia n ce   for  image  seg m ent at ion , ”  IET   Image  Proce ss . ,  vol.   10 ,   no .   2 ,   pp .   608 – 615 ,   2016 .   [11]   X.  Zhe ng ,   H .   Ye ,   and   Y.  Ta ng ,   “ I m age   bi - l eve l   th resholdi ng  b ase d   on  gra y   level - lo ca l   var i ance  hist ogra m , ”  Ent ropy ,  vol.   19 ,   no .   5 ,   pp .   1 – 8 ,   2017 .   [12]   K.  Chen,  Y.  Zh ou,   Z .   Zha ng ,   M .   Dai ,   Y.   Chao ,   and  J.  Shi ,   “ Mul ti le v el  Im age   Se gm ent at ion   Base d  on  an   Im prove d   Firefly   Algor it h m , ”  Math .   Probl.   Eng . ,   vol .   2016 ,   pp .   1 – 12 ,   2016 .   [13]   S.  Manika n dan ,   K.  Ramar,   M.   W il lj uice  Iruth a y araja n ,   and  K.  G.  Sriniva sa gan,   “ Multi l evel  thre sholding  f or   segm ent at ion  of  m edi ca l  br ai n  i m age s  using  rea l   code d  genetic   a lgori thm,”   M eas.   J.   Int .   Me as.  C onfe d. ,   vol.   47 ,   no.   1,   pp .   558 – 568 ,   2014.   [14]   S.  Kotte ,   P.  Raje sh  Kum ar,   and  S.  K.  Inj et i ,   “ An  e ffic i ent   app roa c h  for  opti m al   m ult ilevel  thre shol ding  select ion  fo r   gra y   sca le i m ages   base d  on   improved  diff ere n ti a l  s ea rch   a lgori thm, ”  A in  Shams   Eng .   J . ,   2015.   [15]   M.  H.  Moza ffa ri   and  W . - S.  Le e,  “ Converge nt  he te roge n eous  par t ic l e  sw arm  opti m isat ion  al gori t hm   for  m ult il ev el   image  thr esholding segm ent ation , ”  I ET  Image   Pr oce ss . ,   vol. 11, n o.   8 ,   pp .   605 – 61 9,   2017 .   [16]   D.  Mishra,   I .   B ose,   U.  Chandr a  De,   and  B.   P rad han,  “ A  m ul ti le v el   image  th resholdi ng  usin g  par ticle  sw arm  opti m iz ation, ”  I nt.   J. E ng .   Te chn ol. ,   vol .   6 ,   no .   2 ,   pp.   1204 – 1211 ,   2014.   [17]   Y.  Li u,   C.   Mu,  W .   Kou,  and  J.  Li u,   “ Modifie d  par ticle   sw arm  opti m iz ation - base d  m ult il evel  thres holdi ng  for  image   segm ent at ion , ”   S oft   Comput . ,   vol. 19, no. 5, pp. 13 11 – 1327,   2015 .   [1 8]   H.  Mar y am,  A.  Mus ta pha,   and   J.  Younes,  “ A  m ult il evel  thre s holdi ng  m et hod   for  image  segm ent at ion  base d   on  m ult iobj ectiv e  p art i cl e   sw arm opt imiza t ion,”  I EEE ,   pp .   0 – 5 ,   2017 .   [19]   D.  Oliva ,   E.   Cue vas,   G.  Paja res,   D.  Za ldi v ar,   and   M.  Pere z - ci sner os,  “ Multi le vel   Thre sholding  Se gm ent at ion  Base d  on  Harm on y   Sea rch   Optimiz at ion , ”  J. A pp l. Mat h. ,   vol .   2013 ,   2013 .   [20]   Z.   W .   Ge em,  J.   H.  Kim ,   and   G.  Loga n at han ,   “ A  New  Heuri stic   Optimiz at io n  Algorit hm  :  Harm ony   Sear c h, ”   Simulat ion ,   vol .   76,   no .   2 ,   pp .   60 – 68,   2001 .   [21 ]   M.  Mahda vi,   M .   Fesangha r y ,   an d  E.   Dam angi r ,   “ An  improved  h armon y   sea r ch  a lgori thm  for  solving  opti m izati o n  proble m s,”   Appl .   Math. Comput. ,   vol.   188 ,   no .   2 ,   p p.   1567 – 1579 ,   2 007.   [22]   B.   Shuai,   Z .   Z uo,   B.   W ang,   G.  W ang,   and  S.  Mem ber ,   “ S ce ne  Segm ent a t ion  w it h  DA G - Rec urre n t  Neur al   Networks,”   vo l.  8828,   no .   c ,   201 7.   [23]   Z.   Yang ,   Y.  Sh ufa n,   G.   Li,  an d  D.  W ei fen g ,   “ Segm ent at ion  of  MRI  Brai n  I m age s  with  an  Im prove d  Harm on y   Sear chi ng   Algor it hm , ”  Bi omed   R es.   Int . ,   vol .   201 6,   2016 .   [24]   J.  Dash  and  N.   Bhoi,   “ A  Thr es holdi ng  Based   Te chn ique   to  E xtra c t  Re ti na l  B lood  Vess el s  fro m   Fundus   Im ag es, ”   Fut ur.  Comput .   I nformatic s J . ,   20 17.   [25]   C.   Zhu  et   al . ,   “ Ret inal  vessel  segm ent ation  in  col our  fundus  images  using  Ext reme  Learni ng  Mac hine,”   Com put.  Me d.   Imaging  G raph. ,   vol .   55 ,   p p.   68 – 77 ,   2017 .   [26]   J.  H.  Ta n ,   U.  R.   Acha r y a ,   S.  V.  Bhanda r y ,   K .   C.   Chua,   and  S .   Si vapr asa d,   “ Segm ent at ion  of  op t ic   disc ,   fove a  an d  ret in al   v asc ul at u re  using  a  sing le  convol uti on al neural  n et work, ”  J. Comput.   S ci. ,   v ol.   20 ,   pp .   70 – 79 ,   2017 .   [27]   F.  Kasm in,   A.  Abdulla h,   and  A.  S.  Prabuwono,  “ Ret inal  Blo od  Vess el   Segme ntation  Us ing  Ensemble  of  Single   Orien te d   Mask F il te rs , ”   IJE C E  In t.   J. E l ectr.  Com put.   Eng. ,   vo l. 7, no. 3, p. 1414, 2 017.   [28]   N.  Singh  and  R.   Gill,  “ Ret inal  Area   Segm ent ation  using  A daptive  Superpixala t ion  and  it s  Cla s sific a ti on  using  RBF N,”   IJE C E  I nt.   J. E l ectr.  Co mput.   Eng . ,   vol .   6,   no .   6 ,   p .   2674 ,   2016.   [29]   R.   Akhava n  and   K.  Faez ,   “ Two  novel   retina l  blo od  vessel  segm ent at ion  al gori th m s,”   IJE CE  Int.   J.   Elec tr .   Comput.   Eng. ,   vol .   4 ,   no .   3,   pp .   398 – 410 ,   2014.   [30]   R.   Dass   and   S. D evi ,   “ Im age Se gm ent at ion   Tech nique s,”   IJ ECT ,   vol.   3 ,   no .   1 ,   pp .   66 – 70,   2012 .   [31]   R.   C.   Gonza le s  a nd  R.   E. Wood,  Digit al Im age P roce ss ing .   Prent i ce   Ha ll,  2005 .   [32]   D.  Manja rre s  et   al. ,   “ A  surve y   o n  appl icati ons  of   the   har m on y   se arc h  al gor it hm , ”   Eng.   Appl .   Arti f .   Inte l l. ,   vol.   26,   no.   8 ,   pp .   1818 – 1831,   2013 .   [33]   M. - A.  Al - Betar and  A. - T .   Khade r,   “ A ha rm on y   s ea rch   al gor it hm   for  unive rsit y   co urse  ti m et ab li ng , ”  Ann .   Oper. Re s . ,  vol.   194 ,   no .   1 ,   p p.   3 – 31 ,   2012 .   [3 4]   M.  H.  J.   Val a  a nd  A.  B axi ,   “ A  rev i ew  on  Otsu   image  s egment at ion   al gor it hm , ”  Int .   J.  Ad v.  R es.   Comput .   En g.   Technol . ,   vo l. 2,  no.   2 ,   pp .   387 – 3 89,   2013 .   [35]   B.   Zh ang,   B .   V.  K.  V.  Kum ar,   and  D.  Zhang,  “ Dete c ti ng  Diabe t es  Mellit us  and  Non - Prolife r at iv e  Dia b eti c   Ret inopath y   usin g  Tongue Col or   ,   T ext ur e , and  G eometr y   Fea tures , ”  no .   c ,   20 13.   [36]   R.   Singh,  P.  Ag arwa l,   M .   Kash y ap,   and  M .   Bhatt ac har y a ,   “ Kapur   ’  s  And  Otsu  ’  s   Based  Optimal  Multi le v el   Im ag e  Thre sholding   Us ing  Soci al   Spid e r  and  Fir efly   A lg orit hm , ”  no .   v ,   p p.   2220 – 2224 ,   2 016.         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.  8 , N o.   6 ,  Dece m ber  2 01 8   :   4593   -   4602   4602   BIOGR AP H I ES   OF  A UTH ORS        Erwin   was  bor n  in  Pale m bang ,   Indone sian,   in   1971.   He  rec ei ved  the   Bac h elor  degr ee   in   Mathe m at i cs  fro m   the   Univer sit y   of  Sriwi jay a ,   Indone sian,  in  1 994,   and  the   M. Sc.   degr ee s  in   Actua r i al   from   the   Bandung  Instit ute   of  Technol og y   (IT B) ,   Band ung,   Indone sian,  in  2002.   He  is   stud y ing   Ph.D.  d egr ee s  in  Inform at i cs  Engi n ee rin g  at Unive rsit y   o f  Sriwijay a .   In  1 994,   he   joi n ed,  Univer sit y   of  Sr iwij a y a ,   as  a  Lectu rer .   Since   De ce m ber   2006,   he   has  bee n  with  the   Depa rtment   of  Inform at ic s  Engi ne eri ng,   U nive rsit y   of  Sri wijay a ,   where   he  was  an  As sistant   Profess or,   bec ame  an  As sociate   Profess or   in  2011.   Sinc e   2012,   h e  has  bee n  with   th e  Depa rtment  of  Com pute r  Enginee ring ,   Univer sit y   of  Sriwij a ya  His  cur r ent   r ese arc h   intere sts   inc lud e  imag e  proc essing,   and computer  vision .   Erwin, S. Si. ,   M . Si.  is  a  m ember of IAENG a nd  I EE E .         Sapar udin   was  b orn  in  Pangka l  P ina ng,   Indone sia n,   in  1969 .   He   r ec e ive d  the   B achel or  d egr ee  in   m at hemathi c  ed uca t ion  from   the   Univer sit y   of  Sriwijay a ,   Indone sian,   in  1993,   an d  the   M.T ec h .   degr ee s in  infor m at ic s  from   the Ba ndung  Instit u t e  of  Te chno log y  (IT B),   Bandung ,   Indone si an,  in  2000  and  Ph.D.   degr ee s  in  co m pute r  scie n ce   from   the   Malays ia n  Univer sit y   of  Te chno lo g y   (UTM),  Johor  Bahru,   Mal a y s ian,  in  2012.   In  1995,   he  jo ine d ,   Univer sit y   of  Sriwijay a ,   as  a   Le c ture r .   Since   Dec ember  2006,   he  has  bee n  with  the   Depa rtme nt   of  Inform at ics   Engi nee ring ,   Univer sit y   of  Sri wijay a ,   wher e  h e  was  an  As sista nt  Profess or,   be c ame  an  As sociat e  Profess or  in  2011,   and  a  Profess or  in  2017.   His  cur ren t  rese arc h  in te rests  i ncl ude  image  p roc essing,   and   computer   vision.  Drs .   Sapar udin,   M.T . ,   P h. D.  is  a   m ember  of   Instit ute   of  Advanc e d  Engi nee r ing  and  Sci ence  (IA ES)  and  I EEE.         W ula ndar i  Sapu t ri   was  born  in  P al embang,  Indon esia n,   in  1996 .   S he  is  studen t  at   Depa rtment  of  Com pute r  Enginee ring ,   Fa cul t y  of  Com pute r  S ci en ce,  Univer si t y   of  Sriwij a y a ,   Indone sia .   In   2017,   she  joi n e d  the  La bor at or y   of   Im age  Proce ss ing,   Univ er sit y   of  Sriwij a ya,   as  As sistant   Le c ture r .   Her  cur ren t  rese ar ch   int ere sts  inc lu de  art ifici al   intell ig ence,   patter n  rec ognit ion ,   computer   vision ,   and im age   pr oc essing.       Evaluation Warning : The document was created with Spire.PDF for Python.