CN102024262B - 利用流形谱聚类进行图像分割的方法 - Google Patents
利用流形谱聚类进行图像分割的方法 Download PDFInfo
- Publication number
- CN102024262B CN102024262B CN201110001586XA CN201110001586A CN102024262B CN 102024262 B CN102024262 B CN 102024262B CN 201110001586X A CN201110001586X A CN 201110001586XA CN 201110001586 A CN201110001586 A CN 201110001586A CN 102024262 B CN102024262 B CN 102024262B
- Authority
- CN
- China
- Prior art keywords
- matrix
- image
- shape
- stream shape
- segmentation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种利用流形谱聚类进行图像分割的方法,主要解决现有方法的存储规模大、计算效率和分割精度低的问题。实现步骤为:(1)输入一幅图像,提取输入图像的颜色和纹理特征,并利用分水岭算法获得输入图像的流形集;(2)计算流形特征集,构造距离矩阵,由弗洛伊德算法得流行距离矩阵;(3)计算相似度矩阵,进而构造度矩阵以及归一化拉普拉斯矩阵;(4)特征分解归一化拉普拉斯矩阵,进而构造谱矩阵;(5)对谱矩阵进行归一化,得到归一化谱矩阵,由k均值算法得流形集的标签向量,输出分割结果。本发明存储规模小、计算效率和分割精度高,可应用于医学图像检测病灶区、精密零件表面缺陷检测、卫星拍摄的地形地貌照片的处理。
Description
技术领域
本发明属于图像处理领域,涉及一种图像分割方法,具体地说是一种基于谱聚类的图像分割的方法,可用于目标检测与跟踪及对卫星拍摄地形地貌照片的处理。
背景技术
数字图像处理技术是一个跨学科的领域。随着计算机科学技术的不断发展,图像处理和分析逐渐形成了自己的科学体系,图像分割是一种重要的图像处理技术,可应用于医学图像检测病灶区、精密零件表面缺陷检测、处理卫星拍摄的地形地貌照片等。图像分割是从图像处理到图像分析的关键步骤,可以说,图像分割结果的好坏直接影响对图像的理解。为后续工作有效进行而将图像划分为若干个有意义区域的技术称为图像分割,也就是将图像中具有特殊涵义的不同区域区分开来,这些区域是互相不交叉的,每一个区域都满足特定区域的一致性,在分割结果中:1)每个区域的像素有着相同的特征;2)不同子区域具有不同的特征,并且它们没有公共特征;3)分割的所有子区域的并集就是原来的图像;4)各个子集是连通的区域。
图像分割的方法和种类有很多,常见的分割技术:阈值分割技术,微分算子边缘检测,区域增长技术,聚类分割技术。基于图论的谱聚类图像分割方法是近年来国际上分割领域的研究热点。
基于图论的谱聚类图像分割,是将图像映射为带权无向图,把像素点视作节点,利用最小剪切准则得到图像的最佳分割。该方法本质上将图像分割问题转化为最优化问题。Shi和Malik在2000年根据谱图理论建立了2-way划分的Normailized-Cut(Ncut)的目标函数,设计了用于图像分割的算法,由此发展出一系列算法,如Ng和Weiss提出的k-way划分的Ncut算法;Meila和Shi提出的Normalized Cut与随机游动关系的算法;Zha和Dhillon提出的基于二分图的算法等。在这些经典的算法中都采用高斯相似函数计算相似度矩阵W,当数据量变大时,即数据点个数n很大时,相似度矩阵W为n*n的矩阵,存储和特征分解都很困难,尤其对于一副图像更大,同时高斯相似函数中存在人为手动设置尺度参数的问题。为了解决此问题Fowlkes et al.提出了基于Nystrom逼近的谱聚类应用于图像分割,此方法首先随机选择l(l=n)个样本点,计算一个小的相似度矩阵S其大小为l*l,对其进行特征分解,然后采用Nystrom方法逼近原始相似度矩阵W。这个方法虽然克服了数据量大的问题,但是依旧存在一些问题:1)随机选择样本点使得它结果不稳定;2)它依旧采用了高斯相似函数计算相似度,必须人为手动设置尺度参数;3)计算样本点和图像中剩余的像素点之间的相似度时时间很长,使得分割效率较低。
发明内容
本发明的目的在于克服上述已有技术的不足,提出一种利用流形谱聚类进行图像分割的方法,使得分割的结果稳定,并且不需要人为设置尺度参数,提高分割的效率。
为实现上述目的,本发明将流形距离测度的思想引入谱聚类图像分割方法中,其具体步骤包括如下:
1)输入一幅图像,在Luv颜色空间中获得该图像的颜色特征FC={fL,fu,fv},并提取图像的十维小波纹理特征FW={f1,f2,...,f10},采用特征融合的方法将颜色特征与小波纹理特征进行融合,得到图像的融合特征F=aFC+bFW,其中F的每一行表示一个像素点的特征,fL、fu、fv分别表示Luv颜色空间的亮度分量L、色度坐标分量u和色度坐标分量v的特征,fi表示小波纹理特征FW第i维特征i=1,2...10,a和b分别表示颜色特征和纹理特征所占的比例,且a+b=1;
2)采用分水岭算法将该输入图像预分割为流形集将各流形所包含的所有像素点特征的平均值分别作为各流形的流形特征,得到流形特征集其中流形mi为分水岭算法预分割输入图像所得的第i个区域,i=1,2,...,n,n表示流形集M的大小,mfi为第i个流形mi的流形特征;
3)计算每个流形特征mfi与其他流形特征之间的欧氏距离,依据每个流形特征mfi的所有欧氏距离寻找到流形mi的k个近邻流形,构造一个大小为n*n的距离矩阵:d=[dij]n*n当第j个流形mj是mi的k个近邻中的一个时,dij等于mfi与mfj之间的欧氏距离,否则为-1表示不连通,且dii=0,其中i,j=1,2,...,n,k的取值范围为5到9之间的整数,依据不同的图像人为选择不同的值,dij表示距离矩阵d的第i行第j列元素,dii表示距离矩阵d的第i行第i列元素;
4)使用弗洛伊德算法根据距离矩阵d计算各个流形之间的最短路径,得到大小为n*n的流形距离矩阵:D=[Dij]n*n,其中Dij为第i个流形mi与第j个流形mj之间的最短路径,其中Dij表示流形距离矩阵D中第i行第j列元素;
7)对归一化拉普拉斯矩阵L进行特征分解,并取该L的前K个最大的特征值对应的特征向量构造谱矩阵:V={v1,v2,...,vK},其中K为人为设定的图像分类数,vi为L的第i个特征向量i=1,2,...K;
8)计算归一化谱矩阵Y=[Yij]n*n,其中第i行第j列的元素Vij为谱矩阵V的第i行第i列的元素;
10)将图像中有相同标签的流形分配同一种颜色,输出分割后的图像。
本发明与现有基于Nystrom逼近的谱聚类应用于图像分割方法相比具有如下优点:
1.本发明采用分水岭算法预分割图像得到流形集,比Nystrom随机选择样本点稳定,因此本发明能够得到稳定的分割结果。
2.本发明采用了流形距离度量两个流形之间的距离,根据流行距离计算相似度矩阵,不需要人为设置尺度参数。
3.本发明的相似度矩阵是一个稀疏矩阵,特征分解时耗费的时间短,因此本发明的分割效率高。
附图说明
图1是本发明的流程图;
图2是本发明仿真试验中使用的原始测试图像sea、airplane和fox;
图3是现有基于Nystrom逼近谱聚类方法和本发明在三幅测试图像上的分割结果。
具体实施方式
参照图1,本发明的实现步骤包括如下:
步骤1,提取输入图像的融合特征。
(1.1)输入一幅图像,提取该图像在Luv颜色空间的颜色特征,所有像素点的颜色特征构成一个大小为N*3的矩阵FC={fL,fu,fv},其每一行代表一个像素的颜色特征,N表示该图像的像素点数,fL、fu、fv分别表示Luv颜色空间的亮度分量L、色度坐标分量u和色度坐标分量v的特征;
(1.2)采用三层小波分解,在每个像素点上获得10维的纹理特征,所有像素点的纹理特征构成一个大小为N*10的矩阵FW={f1,f2,...,f10},其每一行代表一个像素点的纹理特征,fi表示第i维纹理特征i=1,2...10;
(1.3)计算输入图像的融合特征:F=aFC+bFW,融合特征F的大小为N*13,其每一行代表一个像素点的融合特征,a和b分别表示颜色特征和纹理特征所占的比例,且a+b=1,仿真实验中a=0.6,b=0.4。
步骤2,预分割输入图像得到流形集。
(2.1)采用分水岭算法预分割输入图像,得到每个像素点的标签,标签范围从1到n,寻找具有相同标签的像素点,并把有相同标签的像素点合并为一个区域,给每个过分割区域制定一个标号mi,i=1,2,...,n,获得输入图像的流形集n表示流形集M的大小。本步骤也可以采用均值飘逸算法获得输入图像的流形集,分水岭算法参见文献:Roerdink,J.,Meijster,A.:The watershed transform:Definitions,algorithms andparallelization strategies.Fundamental Informaticae 41(2000)187-228;
步骤3,计算距离矩阵。
(3.1)把流形特征集MF中每一行看做一个点,依据欧式距离公式:计算每一个点与剩下n-1点的欧氏距离,构成大小为n*n的距离矩阵d=[dij]n*n,且dii=0,其中dij表示距离矩阵d的第i行第j列元素,dii表示距离矩阵d的第i行第i列元素,i,j=1,2,...,n;
(3.2)在距离矩阵d的每一行中寻找前k个非零最小值,把当前行剩下的n-k-1个非零元素用-1替代,k的取值范围为5到9之间的整数,依据不同的图像人为选择不同的值,在仿真实验中k=7。
步骤4,计算流形距离矩阵。
使用弗洛伊德算法在距离矩阵d中计算各个流形之间的最短路径,得到大小为n*n的流形距离矩阵D=[Dij]n*n,流形距离矩阵D的每一行有k个非零元素,有n-k个-1,其中Dij表示流形距离矩阵D中第i行第j列元素。本步骤也可以采用迪克斯特拉算法获得流行距离矩阵D,弗洛伊德算法参见文献:R.W.Floyd,“Algorithm 97:Shortest Path,”Commun.ACM,vol.5,p.345,1962。
步骤5,计算相似度矩阵。
构造一个大小为n*n相似度矩阵:W=[Wij]n*n,其中Wij表示第i行第j列的元素,相似度矩阵W的对角线元素为0,且当Dij=-1时Wij等于0。
步骤6,计算度矩阵和归一化拉普拉斯矩阵。
步骤7,构造谱矩阵。
对归一化拉普拉斯矩阵L进行特征分解,取该L的前K个最大的特征值对应的特征向量组成谱矩阵:V={v1,v2,...,vK},vi为该L的第i个特征向量i=1,2,...K,K为人为设置的输入图像的分割类别数。
步骤8,计算归一化谱矩阵。
步骤9,获得标签向量。
把步骤8所得的归一化谱矩阵Y的每一行看做一个数据点,则共有n个数据点,将这n个数据点作为k均值聚类算法的输入,得到这n个数据点的标签向量其中ci表示第i个数据点被聚为第ci类,及第i个流形mi被分割到第ci类,ci∈{1,2,...K},i=1,2,...,n,k均值聚类算法参见文献:G.P.Babu and M.N.Murty,”Simulated annealingfor selecting initialseeds in the k-means algorithm,”Ind.J.Pure Appl.Math,vol.25pp.85-94,1994。
步骤10,输出分割后的图像。
将图像中相同标签的流形分割为同一类,每类分配不同的颜色,得到分割图像,输出分割后的图像。
本发明的效果可以通过以下实验进一步说明:
1.仿真条件:
在CPU为pentium(R)4、3.00GHZ、内存1G、WINDOWS XP系统,Matlab7.1平台上进行了仿真。
2.仿真内容:
本发明在Berkeley segmentation database上验证其效果。选择了图2中的三幅图像用作测试,并与现有的基于Nystrom逼近的谱聚类方法进行了对比。三幅测试图像分别是图2(a)所示的sea图像、图2(b)所示的airplane图像和图2(c)所示的fox的图像,在所有实验中令k=7,在sea图像中K=3,在airplane图像中K=2,在fox的图像K=3。
对图2(a)所示的sea图像利用本发明和基于Nystrom逼近的谱聚类方法进行图像分割,结果分别如图3(a)和图3(b),从如图3(a)可见,本发明分割后的天空与海面的分界线清晰,海面平滑,人的轮廓明显,帆船的帆清晰可见,更接近图2(a)所示的sea图像的目标意义;从图3(b)可见现有基于Nystrom逼近的谱聚类方法分割的天空和海面的分界线已经失真,海面存在很多噪声,人的轮廓很模糊,帆船的帆已经被分割为两部分,失去了图2(a)所示的sea图像的目标意义。
对图2(b)所示的airplane图像利用本发明和基于Nystrom逼近的谱聚类方法进行图像分割,结果分别如图3(c)和图3(d),从图3(c)可见,本发明分割后的飞机轮廓清晰,机身的星形与机尾的字母也被分割出来,天空和飞机明显是两类,无交叠区域,更具图2(b)所示的airplane图像的分割意义;从图3(d)可见,现有基于Nystrom逼近的谱聚类方法分割的飞机的轮廓已经失真,机身的星形也被分割到机体,机尾的字母也被分割到了机身,天空中的一部分被分割为与飞机同一类,失去了图2(b)所示的airplane图像的分割意义。
对图2(c)所示的fox图像利用本发明和基于Nystrom逼近的谱聚类方法进行图像分割,结果如图3(e)和图3(f),从图3(e)可见,本发明分割后的树林与雪地的分界线清晰,树林区域平滑,雪地无噪声,狼的轮廓细节明显可见,更接近图2(c)所示的fox图像的目标意义;从图3(f)可见现有基于Nystrom逼近的谱聚类方法分割的树林与雪地的分界线模糊,树林的一部分与狼被分割为同一类,雪地中存在噪声,失去了图2(c)所示的fox图像的目标意义。
Claims (4)
1.一种利用流形谱聚类进行图像分割的方法,包括如下步骤:
1)输入一幅图像,在Luv颜色空间中获得该图像的颜色特征FC={fL,fu,fv},并提取图像的十维小波纹理特征FW={f1,f2,...,f10},采用特征融合的方法将颜色特征与小波纹理特征进行融合,得到图像的融合特征F=aFC+bFW,其中F的每一行表示一个像素点的融合特征,fL、fu、fv分别表示Luv颜色空间的亮度分量L、色度坐标分量u和色度坐标分量v的特征,fi表示小波纹理特征FW第i维特征i=1,2...10,a和b分别表示颜色特征和纹理特征所占的比例,且a+b=1;
2)采用分水岭算法将该输入图像预分割为流形集将各流形所包含的所有像素点融合特征的平均值分别作为各流形的流形特征,得到流形特征集其中流形mi为分水岭算法预分割输入图像所得的第i个区域,i=1,2,...,n,n表示流形集M的大小,mfi为第i个流形mi的流形特征;
3)计算每个流形特征mfi与其他流形特征之间的欧氏距离,依据每个流形特征mfi的所有欧氏距离寻找到流形mi的k个近邻流形,构造一个大小为n*n的距离矩阵:d=[dij]n*n当第j个流形mj是mi的k个近邻中的一个时,dij等于mfi与mfj之间的欧氏距离,否则为-1表示不连通,且dii=0,其中i,j=1,2,...,n,k的取值范围为5到9之间的整数,依据不同的图像人为选择不同的值,dij表示距离矩阵d的第i行第j列元素,dii表示距离矩阵d的第i行第i列元素;
4)使用弗洛伊德算法根据距离矩阵d计算各个流形之间的最短路径,得到大小为n*n的流形距离矩阵:D=[Dij]n*n,其中Dij为第i个流形mi与第j个流形mj之间的最短路径,其中Dij表示流形距离矩阵D中第i行第j列元素;
5)构造大小为n*n相似度矩阵:W=[Wij]n*n,其中第i行第j列的元素
6)计算度矩阵A=[Aij]n*n,其中第i行第i列的元素其它元素为0,并计算归一化拉普拉斯矩阵L=A-1/2WA-1/2;
7)对归一化拉普拉斯矩阵L进行特征分解,并取该L的前K个最大的特征值对应的特征向量构造谱矩阵:V={v1,v2,...,vK},其中K为人为设定的图像分类数,vi为L的第i个特征向量i=1,2,...K;
10)将图像中有相同标签的流形分配同一种颜色,输出分割后的图像。
2.根据权利要求书1所述的利用流形谱聚类进行图像分割的方法,其特征在于步骤1)所述的采用特征融合的方法将颜色特征与小波纹理特征进行融合,是利用F=aFC+bFW,计算输入图像的融合特征F,其中设置a=0.6,b=0.4。
4.根据权利要求书1所述的利用流形谱聚类进行图像分割的方法,其特征在于步骤3)所述的依据每个流形特征mfi的所有欧氏距离寻找到流形mi的k个近邻流形,按如下步骤进行:
(3a)把流形特征集MF中每一行看作一个点,依据欧式距离
(3b)从距离矩阵d的每一行寻找前k个非零最小值,将这k个非零最小值所对应的距离矩阵d中列的标签值作为当前行标签i对应流形mi的k个近邻流形,其中设置k=7,i=1,2,...n。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110001586XA CN102024262B (zh) | 2011-01-06 | 2011-01-06 | 利用流形谱聚类进行图像分割的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110001586XA CN102024262B (zh) | 2011-01-06 | 2011-01-06 | 利用流形谱聚类进行图像分割的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102024262A CN102024262A (zh) | 2011-04-20 |
CN102024262B true CN102024262B (zh) | 2012-07-04 |
Family
ID=43865525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110001586XA Expired - Fee Related CN102024262B (zh) | 2011-01-06 | 2011-01-06 | 利用流形谱聚类进行图像分割的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102024262B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254326A (zh) * | 2011-07-22 | 2011-11-23 | 西安电子科技大学 | 利用核传递进行图像分割的方法 |
CN103425666B (zh) * | 2012-05-16 | 2016-12-14 | 富士通株式会社 | 信息处理装置和信息处理方法 |
CN102737381B (zh) * | 2012-06-13 | 2014-10-29 | 西安电子科技大学 | 基于混合二分图聚类集成的图像分割方法 |
CN102930539B (zh) * | 2012-10-25 | 2015-08-26 | 江苏物联网研究发展中心 | 基于动态图匹配的目标跟踪方法 |
EP3028256A4 (en) | 2013-07-31 | 2016-10-19 | Microsoft Technology Licensing Llc | GEODETIC RELIEF USING PRELIMINARY REARPLANS |
CN103514445B (zh) * | 2013-10-15 | 2016-09-14 | 武汉科技大学 | 基于多流形学习的带钢表面缺陷识别方法 |
CN106127224A (zh) * | 2016-06-13 | 2016-11-16 | 西安电子科技大学 | 基于快速拍卖图的半监督极化sar分类方法 |
CN106384369A (zh) * | 2016-08-31 | 2017-02-08 | 上海交通大学 | 一种数据导向的颜色流形获取方法 |
CN106485277B (zh) * | 2016-10-11 | 2019-06-11 | 哈尔滨工业大学 | 一种基于多连接决策流形对准的高分辨率多时相遥感图像分类方法 |
CN106503754B (zh) * | 2016-11-16 | 2019-06-11 | 哈尔滨工业大学 | 基于空谱特征保持全局几何结构的多时相高光谱图像分类方法 |
CN108414905A (zh) * | 2018-04-08 | 2018-08-17 | 国网上海市电力公司 | 基于流形距离近邻传播聚类的变压器局部放电识别方法 |
CN109559320B (zh) * | 2018-09-18 | 2022-11-18 | 华东理工大学 | 基于空洞卷积深度神经网络实现视觉slam语义建图功能的方法及系统 |
CN109598755B (zh) * | 2018-11-13 | 2020-11-03 | 中国科学院计算技术研究所 | 基于双目视觉的危化品泄漏检测方法 |
CN111583502B (zh) * | 2020-05-08 | 2022-06-03 | 辽宁科技大学 | 基于深度卷积神经网络的人民币冠字号多标签识别方法 |
CN117451113B (zh) * | 2023-12-22 | 2024-03-26 | 中国电建集团华东勘测设计研究院有限公司 | 基于光纤传感的自升式平台桩腿结构健康监测系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100557626C (zh) * | 2008-06-27 | 2009-11-04 | 西安电子科技大学 | 基于免疫谱聚类的图像分割方法 |
CN101625725A (zh) * | 2008-07-11 | 2010-01-13 | 西安电子科技大学 | 基于流形距离的人工免疫无监督图像分类方法 |
CN101673398B (zh) * | 2009-10-16 | 2011-08-24 | 西安电子科技大学 | 基于免疫稀疏谱聚类的图像分割方法 |
CN101710422B (zh) * | 2009-12-11 | 2011-08-24 | 西安电子科技大学 | 基于全局流形原型聚类算法与分水岭算法的图像分割方法 |
-
2011
- 2011-01-06 CN CN201110001586XA patent/CN102024262B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102024262A (zh) | 2011-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102024262B (zh) | 利用流形谱聚类进行图像分割的方法 | |
CN101526944B (zh) | 图像检索比对方法 | |
WO2017190542A1 (zh) | 一种基于分块的vca端元提取方法 | |
CN107025440A (zh) | 一种基于新型卷积神经网络的遥感图像道路提取方法 | |
CN109615008B (zh) | 基于堆叠宽度学习的高光谱图像分类方法和系统 | |
CN102122386B (zh) | 基于字典迁移聚类的sar图像分割方法 | |
CN109064502A (zh) | 基于深度学习和人工设计特征相结合的多源图像配准方法 | |
WO2018076138A1 (zh) | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 | |
Cai et al. | MHA-Net: Multipath Hybrid Attention Network for building footprint extraction from high-resolution remote sensing imagery | |
CN103488968A (zh) | 遥感图像的混合像素物质构成精细化分解装置及方法 | |
CN102254326A (zh) | 利用核传递进行图像分割的方法 | |
CN106294705A (zh) | 一种批量遥感影像预处理方法 | |
CN109584284B (zh) | 一种分层决策的滨海湿地地物样本提取方法 | |
CN104376334B (zh) | 一种多尺度特征融合的行人比对方法 | |
CN105138987A (zh) | 一种基于聚合通道特征和运动估计的车辆检测方法 | |
CN106780450A (zh) | 一种基于低秩多尺度融合的图像显著性检测方法 | |
CN107506792A (zh) | 一种半监督的显著对象检测方法 | |
CN104112138A (zh) | 物体颜色分类方法及装置 | |
CN109712143A (zh) | 一种基于超像素多特征融合的快速图像分割方法 | |
CN106875407A (zh) | 一种结合形态学和标记控制的无人机影像林冠分割方法 | |
Guo et al. | Dual graph U-Nets for hyperspectral image classification | |
Seydi et al. | New framework for hyperspectral change detection based on multi-level spectral unmixing | |
Meng et al. | Residual dense asymmetric convolutional neural network for hyperspectral image classification | |
CN105513042A (zh) | 一种基于多层分析和分层推理的显著性检测方法 | |
Liu et al. | TSCMDL: Multimodal deep learning framework for classifying tree species using fusion of 2-D and 3-D features |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120704 Termination date: 20180106 |
|
CF01 | Termination of patent right due to non-payment of annual fee |