CN102445712A - 面向岩矿的特征窗口加权相关光谱匹配方法 - Google Patents
面向岩矿的特征窗口加权相关光谱匹配方法 Download PDFInfo
- Publication number
- CN102445712A CN102445712A CN2011103714546A CN201110371454A CN102445712A CN 102445712 A CN102445712 A CN 102445712A CN 2011103714546 A CN2011103714546 A CN 2011103714546A CN 201110371454 A CN201110371454 A CN 201110371454A CN 102445712 A CN102445712 A CN 102445712A
- Authority
- CN
- China
- Prior art keywords
- correlation coefficient
- rock
- correlation
- comprehensive
- matching method
- 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.)
- Granted
Links
- 239000011435 rock Substances 0.000 title claims abstract description 39
- 230000003595 spectral effect Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000001228 spectrum Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 230000035945 sensitivity Effects 0.000 claims abstract description 11
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000002310 reflectometry Methods 0.000 abstract 4
- 238000003786 synthesis reaction Methods 0.000 abstract 2
- 238000004458 analytical method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000003672 processing method Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 206010061274 Malocclusion Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种面向岩矿的特征窗口加权相关光谱匹配方法，包括以下步骤：（1）假设自然环境引起的误差为随机的正态分布，将遥感影像以每个波段为基准，在反射率范围内，将每个波段的反射率按照正态分布规律扩展到0到1区间，形成矩阵数据集X；（2）将标准光谱曲线以每个波段为基准，在反射率范围内，将每个波段的反射率按照正态分布规律扩展到0到1区间，形成矩阵数据集Y；（3）在全波长范围内，依据标准光谱曲线对岩矿进行敏感性区间划分，形成特征窗口，并设置预定的权重系数；（4）计算特征窗口相关系数r，并与步骤（3）中的权重系数结合，得到综合相关系数K综合；（5）利用综合相关系数K综合作为识别岩矿类型的最终依据。
Description
技术领域
本发明涉及一种岩矿类型的识别方法，具体地说，是高光谱遥感领域的一种面向岩矿的特征窗口加权相关光谱匹配方法。
背景技术
当前，基于高光谱遥感数据，利用光谱匹配技术进行岩矿信息提取以达到识别岩矿类型的方法主要有：光谱角分类法、光谱曲线拟合方法、混合调制匹配滤波等。这些方法的技术核心都是利用实验室测量得到的样本光谱或者从图像上选取的样本光谱，与遥感影像上拟判定的地物光谱进行对比判定。但是，由于遥感数据是遥感传感器在自然环境状态下接收的地物对太阳光反射和辐射的能量信息，而自然环境因素对太阳辐射影响因素（云雾、温度、湿度）复杂多变，目前的技术水平尚不能精确地消除这些因素引起的误差。即使是当前主流技术对这些误差使用全球普适模型（如：6S大气校正模型）进行消除处理，也存在全球统一模型缺乏区域和时间上的针对性问题，因此，其应用结果的精度和准确度仍然欠佳。
发明内容
本发明的目的在于提供一种面向岩矿的特征窗口加权相关光谱匹配方法，解决现有技术中光谱匹配方法受自然环境因素影响大、针对性弱等问题。
为了实现上述目的，本发明采用的技术方案如下：
面向岩矿的特征窗口加权相关光谱匹配方法，包括以下步骤：
（1）假设自然环境引起的误差为随机的正态分布，将高光谱的遥感影像中每个象元的光谱曲线进行正态扩展计算，即以每个波段为基准，在反射率范围内，将每个波段的反射率按照正态分布规律扩展到0到1区间，形成矩阵数据集X；
（2）将标准光谱曲线以每个波段为基准，在反射率范围内，将每个波段的反射率按照正态分布规律扩展到0到1区间，形成矩阵数据集Y；
（3）在全波长范围内，依据标准光谱曲线对岩矿进行敏感性区间划分，形成特征窗口，并设置预定的权重系数；
（4）计算特征窗口相关系数r，并与步骤（3）中的权重系数结合，得到综合相关系数K综合；
（5）利用综合相关系数K综合作为识别岩矿类型的最终依据。
进一步地，所述步骤（1）执行之前，还通过全球普适模型先对遥感影像进行自然环境因素误差的错略消除处理。
再进一步地，所述步骤（2）执行之前，还包括以下操作：将标准光谱曲线进行重采样，使其与遥感影像的光谱曲线进行匹配比较时数量保持一致。
准确地说，所述步骤（3）中敏感性区间是指对电磁波具有反射或吸收能力的光谱区间。
再进一步地，所述步骤（4）中特征窗口相关系数r的计算方法如下：将步骤（1）得到的矩阵数据集X与步骤（2）得到的矩阵数据集Y进行相关性计算，得到全窗口相关系数r。
而所述综合相关系数K综合的计算方法如下：
K综合=K1r1 +K2r2 +K3r3+…. Knrn
其中，Kn、rn分别为特征窗口n的权重系数和相关系数，且K1+K2+K3+…+Kn=1。
更进一步地，所述步骤（5）具体是指：综合相关系数K综合越大，则遥感影像的光谱与标准光谱越接近，两者的匹配度越高，地物类型越相似。
与现有技术相比，本发明具有以下有益效果：
（1）本发明以假定自然环境因素引起的误差为随机误差、具有正态分布规律为基础，通过对遥感影像采用大气校正的方式进行误差处理，从而提高了匹配分析时的准确率；
（2）本发明利用岩矿对电磁波的吸收和发射特征对岩矿的诊断意义，来对岩矿进行敏感性区间划分，并设定权重系数，从而提高了岩矿分析的科学性，使岩矿分析的结果更加合理、准确；
（3）本发明顾及了电磁波由于自然环境因素影响的不稳定和不确定性，具有更强的针对性；
（4）本发明大大提高了对自然环境因素引起误差的消除能力，进而提高了遥感影像的光谱与标准光谱的匹配精度和准确度。
附图说明
图1为本发明的流程示意图。
图2为本发明中遥感影像中的任一点的光谱曲线示意图。
图3为图2中以a点为顶点的正态分布曲线图。
图4为本发明-实施例中综合相关系数大于0.7时的匹配影像。
图5为本发明-实施例中综合相关系数大于0.8时的匹配影像。
图6为本发明-实施例中综合相关系数大于0.9时的匹配影像。
图7为采用市场商业软件匹配方法对实施例所述砾岩进行识别的匹配影像。
具体实施方式
下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。
实施例
本发明中，自然环境因素主要指温度、温度、水汽、大气。而本发明的基本思想在于，先用全球统一模型对遥感影像进行自然环境因素误差的错略消除处理，此时，自然环境因素对岩矿电磁波的影响误差依然存在，本文称这些误差为残存误差；假定这些残存误差的量化指标具有随机性，并具有正态分布特征；然后在全波长范围内，依据实验室测量的岩矿光谱来划分出特征区间，并按照区间敏感程度进行权重分配，然后计算出特征窗口相关系数，最终得到识别岩矿类型的参考依据。
按照上述思想，如图1所示，本发明的详细步骤和实现过程如下：
一、遥感影像的自然环境因素误差的错略消除处理
对高光谱的遥感影像进行大气校正，即通过全球普适模型对遥感影像进行自然环境因素误差的错略消除处理，将遥感影像的DN（Digital Number）值转换为地表反射率或地表辐射亮度，定标到表观反射率。在本领域中，采用全球普适模型进行误差处理属于十分成熟的技术，在此不再赘述。
二、假设自然环境引起的误差为随机的正态分布，以每个波段为基准，在反射率范围内，将每个波段的反射率按照正态分布规律扩展到0到1区间；再将高光谱的遥感影像中每个象元进行正态扩展计算，得到相应的矩阵数据集X。所述反射率范围为0～1。
正态分布：
如图2所示，正态分布的顶点为遥感影像中的地物表观反射率值，即A曲线中的任意一点，因为是标准正态分布，故
为0。图2中，三个矩形带状为三个窗口。由于遥感影像上存在多个象元，因此，进行正态扩展之后，可得到多个矩阵数据集，即每一个象元对应一个矩阵数据集。图3为某点的正态分布曲线图。
残差随机性假设的科学性分析：岩矿波谱是岩矿组分和结构的电磁波综合响应，但是，由于大气、水汽、温度、湿度等自然环境因素的影响，遥感技术获取的岩矿电磁波数据会不同程度地受到影响和改变。由于这些自然环境因素的定量指标在遥感数据处理时很难获取，加上对其影响规律的掌握还处于研究阶段，致使其变化规律在当前技术条件下无法定量地描述和表达。因此，在利用全球普适模型消除处理后，再假定其残存误差随机性是一种比较科学的处理方法。
三、先将标准光谱曲线进行重采样，使其与遥感影像的光谱曲线进行匹配比较时数量上保持一致；再将重采样后的标准光谱曲线的反射率按照正态分布规律扩展到0到1区间，得到一个矩阵数据集Y。
四、在全波长范围内，依据标准光谱曲线对岩矿进行敏感性区间划分，并设置预定的权重系数。其中，敏感性区间是指对电磁波具有反射或吸收能力的光谱区间。
特征区间划分的科学性分析：岩矿组分是岩矿类型和类别确定的重要依据，组分的电磁波响应是岩矿成分的原子或离子基团振动吸收和发射的结果，所以岩矿的电磁波吸收和发射特征具有诊断岩矿的意义。这些特征有规律地分布在某个波长位置和波长范围内，因此在岩矿的整个电磁波影响曲线范围内，不同波长位置的响应敏感性不同，对岩矿的信息提取和识别的贡献也就不同，近红外、短红外范围的吸收反射特征位置贡献最大，颜色表现的波长范围次之，有大气、水汽、温度、湿度影响大的波长位置贡献较小。所以依据实验室测量的岩矿光谱数据划分出特征区间，并按区间敏感程度进行权重分配是一种科学的处理方法。
五、计算特征窗口相关系数r，并与步骤四中的权重系数结合，得到综合相关系数K综合。
特征窗口相关系数r的计算方法为：将步骤二得到的矩阵数据集X与步骤三得到的矩阵数据集Y进行相关性计算，得到全窗口相关系数r。计算公式如下：
式中，X为步骤二中求得的N个矩阵之一，Y为步骤三中求得的矩阵；Xi表示遥感影像中第i个象元进行正态扩展得到的矩阵，Yi表示第i个标准光谱曲线的反射率进行正态分布扩展得到的矩阵；N为自然数。
而综合相关系数K综合则可通过下列公式计算：
K综合=K1r1 +K2r2 +K3r3+…. Knrn
其中，Kn、rn分别为特征窗口n的权重系数和相关系数，且K1+K2+K3+…+Kn=1。
六、利用综合相关系数K综合确定待识别的岩矿类型。
具体的方法为：K综合值越大，则遥感影像的光谱与标准光谱越接近，两者的匹配度越高，地物类型越相似。
如此通过匹配度的比较即可实现对岩矿的识别，且按照上述方法可有效地减小自然环境因素对最终识别准确率的影响，从而提高匹配的精度和准确率。
试验选取青藏高原东昆仑地区，将野外采集砾岩的光谱曲线作为标准光谱曲线，从高光谱影像中提取砾岩分布，近红外、短波红外区域的吸收和反射特征范围设定为Ⅰ级，权重系数预设为0.7；可见光范围设定为Ⅱ级，权重系数预设为0.2；环境因素影响敏感区域范围设定为Ⅲ级，权重系数预设为0.1，按照上述步骤， 处理出最后结果，如图4～图6；而采用常规的商业软件匹配方法对前述砾岩进行匹配，得到的匹配影像如图7，从图示结果可以看出，采用本发明提取信息更加全面，准确率更高，而商业化软件提供的方法存在明显漏分区域H。
按照上述方法，便可很好地实现本发明。
Claims (7)
1.面向岩矿的特征窗口加权相关光谱匹配方法，其特征在于，包括以下步骤：
（1）假设自然环境引起的误差为随机的正态分布，将高光谱的遥感影像以每个波段为基准，在反射率范围内，将每个波段的反射率按照正态分布规律扩展到0到1区间，形成矩阵数据集X；
（2）将标准光谱曲线以每个波段为基准，在反射率范围内，将每个波段的反射率按照正态分布规律扩展到0到1区间，形成矩阵数据集Y；
（3）在全波长范围内，依据标准光谱曲线对岩矿进行敏感性区间划分，形成特征窗口，并设置预定的权重系数；
（4）计算特征窗口相关系数r，并与步骤（3）中的权重系数结合，得到综合相关系数K综合；
（5）利用综合相关系数K综合作为识别岩矿类型的最终依据。
2.根据权利要求1所述的面向岩矿的特征窗口加权相关光谱匹配方法，其特征在于，所述步骤（1）执行之前，还通过全球普适模型先对遥感影像进行自然环境因素误差的错略消除处理。
3.根据权利要求1或2所述的面向岩矿的特征窗口加权相关光谱匹配方法，其特征在于，所述步骤（2）在执行之前，还包括以下操作：
将标准光谱曲线进行重采样，使其与遥感影像的光谱曲线进行匹配比较时数量保持一致。
4.根据权利要求3所述的面向岩矿的特征窗口加权相关光谱匹配方法，其特征在于，所述步骤（3）中敏感性区间是指对电磁波具有反射或吸收能力的光谱区间。
5.根据权利要求4所述的面向岩矿的特征窗口加权相关光谱匹配方法，其特征在于，所述步骤（4）中特征窗口相关系数r的计算方法如下：
将步骤（1）得到的矩阵数据集X与步骤（2）得到的矩阵数据集Y进行相关性计算，得到特征窗口相关系数r。
6.根据权利要求5所述的面向岩矿的特征窗口加权相关光谱匹配方法，其特征在于，所述综合相关系数K综合的计算方法如下：
K综合=K1r1 +K2r2 +K3r3+…. Knrn
其中，Kn、rn分别为特征窗口n的权重系数和相关系数，且K1+K2+K3+…+Kn=1。
7.根据权利要求6所述的面向岩矿的特征窗口加权相关光谱匹配方法，其特征在于，所述步骤（5）具体是指：综合相关系数K综合越大，则遥感影像的光谱与标准光谱越接近，两者的匹配度越高，地物类型越相似。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201110371454 CN102445712B (zh) | 2011-11-22 | 2011-11-22 | 面向岩矿的特征窗口加权相关光谱匹配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201110371454 CN102445712B (zh) | 2011-11-22 | 2011-11-22 | 面向岩矿的特征窗口加权相关光谱匹配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102445712A true CN102445712A (zh) | 2012-05-09 |
| CN102445712B CN102445712B (zh) | 2013-05-01 |
Family
ID=46008392
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 201110371454 Expired - Fee Related CN102445712B (zh) | 2011-11-22 | 2011-11-22 | 面向岩矿的特征窗口加权相关光谱匹配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102445712B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107132205A (zh) * | 2017-06-12 | 2017-09-05 | 华中科技大学 | 一种基于全波段特征增强的光谱匹配方法及系统 |
| CN107664623A (zh) * | 2017-09-22 | 2018-02-06 | 武汉轻工大学 | 一种物质光谱特征提取的方法 |
| CN109444071A (zh) * | 2018-12-14 | 2019-03-08 | 江苏东交工程检测股份有限公司 | 基于分波段的沥青红外光谱质量检测方法和装置 |
| CN111695608A (zh) * | 2020-05-27 | 2020-09-22 | 电子科技大学 | 一种在保留原样本分布特征的数据扩大方法 |
| CN112834451A (zh) * | 2021-01-12 | 2021-05-25 | 深圳网联光仪科技有限公司 | 基于红外光谱的样品识别方法、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007098123A2 (en) * | 2006-02-16 | 2007-08-30 | Clean Earth Technologies, Llc | Method for spectral data classification and detection in diverse lighting conditions |
| US20090210194A1 (en) * | 2008-02-18 | 2009-08-20 | Ritter Garry L | Efficient spectral matching, particularly for multicomponent spectra |
| CN101853503A (zh) * | 2010-04-26 | 2010-10-06 | 华中科技大学 | 一种谱线拐点多尺度寻优分段方法及其应用 |
| CN101950361A (zh) * | 2010-09-06 | 2011-01-19 | 中国科学院遥感应用研究所 | 一种基于光谱匹配度的遥感影像专题信息自适应提取方法 |
| CN102073882A (zh) * | 2011-01-27 | 2011-05-25 | 武汉大学 | 高光谱遥感影像的dna计算光谱匹配分类方法 |
| CN102222238A (zh) * | 2011-05-17 | 2011-10-19 | 中国科学院遥感应用研究所 | 一种高空间分辨率遥感影像自然色产品自动模拟方法 |
-
2011
- 2011-11-22 CN CN 201110371454 patent/CN102445712B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007098123A2 (en) * | 2006-02-16 | 2007-08-30 | Clean Earth Technologies, Llc | Method for spectral data classification and detection in diverse lighting conditions |
| US20090210194A1 (en) * | 2008-02-18 | 2009-08-20 | Ritter Garry L | Efficient spectral matching, particularly for multicomponent spectra |
| CN101853503A (zh) * | 2010-04-26 | 2010-10-06 | 华中科技大学 | 一种谱线拐点多尺度寻优分段方法及其应用 |
| CN101950361A (zh) * | 2010-09-06 | 2011-01-19 | 中国科学院遥感应用研究所 | 一种基于光谱匹配度的遥感影像专题信息自适应提取方法 |
| CN102073882A (zh) * | 2011-01-27 | 2011-05-25 | 武汉大学 | 高光谱遥感影像的dna计算光谱匹配分类方法 |
| CN102222238A (zh) * | 2011-05-17 | 2011-10-19 | 中国科学院遥感应用研究所 | 一种高空间分辨率遥感影像自然色产品自动模拟方法 |
Non-Patent Citations (3)
| Title |
|---|
| 方圣辉等: "动态调整权重的光谱匹配测度法分类的研究", 《武汉大学学报(信息科学版)》 * |
| 王润生等: "成像光谱矿物识别方法与识别模型评述", 《国土资源遥感》 * |
| 黄光玉等: "高光谱遥感矿物识别方法研究", 《资源环境与工程》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107132205A (zh) * | 2017-06-12 | 2017-09-05 | 华中科技大学 | 一种基于全波段特征增强的光谱匹配方法及系统 |
| CN107132205B (zh) * | 2017-06-12 | 2019-08-09 | 华中科技大学 | 一种基于全波段特征增强的光谱匹配方法及系统 |
| CN107664623A (zh) * | 2017-09-22 | 2018-02-06 | 武汉轻工大学 | 一种物质光谱特征提取的方法 |
| CN109444071A (zh) * | 2018-12-14 | 2019-03-08 | 江苏东交工程检测股份有限公司 | 基于分波段的沥青红外光谱质量检测方法和装置 |
| CN111695608A (zh) * | 2020-05-27 | 2020-09-22 | 电子科技大学 | 一种在保留原样本分布特征的数据扩大方法 |
| CN111695608B (zh) * | 2020-05-27 | 2022-07-29 | 电子科技大学 | 一种在保留原样本分布特征的数据扩大方法 |
| CN112834451A (zh) * | 2021-01-12 | 2021-05-25 | 深圳网联光仪科技有限公司 | 基于红外光谱的样品识别方法、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102445712B (zh) | 2013-05-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102445712B (zh) | 面向岩矿的特征窗口加权相关光谱匹配方法 | |
| CN103712955B (zh) | 一种基于神经网络二次优化的二类水体大气校正方法 | |
| CN107368617B (zh) | 基于Lowtran7大气软件的地空探测红外成像系统作用距离计算方法 | |
| CN108009392B (zh) | 一种浓密植被地表的遥感反射率模型构建及标定应用方法 | |
| CN114740180A (zh) | 基于多源遥感数据的土壤有机碳估算方法及装置 | |
| CN103984862A (zh) | 一种多元遥感信息协同的积雪参数反演方法 | |
| CN104820250A (zh) | 一种极轨气象卫星virr海洋上云检测的处理方法 | |
| CN108520127A (zh) | 一种树种叶面积指数的高光谱反演方法 | |
| CN103902839A (zh) | 卫星遥感产品支持的单通道法地表温度反演方法 | |
| CN103197305A (zh) | 基于支持向量机识别的沙尘型气溶胶反演方法 | |
| CN107884412B (zh) | 一种针叶树木芯的年轮信息检测装置及方法 | |
| CN103208118A (zh) | 一种高光谱遥感影像端元提取方法 | |
| CN102707336A (zh) | 一种利用A-Train系列卫星数据协同反演云相态和云参量的新方法 | |
| Lou et al. | Identifying overcast, partly cloudy and clear skies by illuminance fluctuations | |
| CN108761456A (zh) | 一种作物的叶面积指数反演方法 | |
| CN108802853A (zh) | 一种云相态识别方法 | |
| CN112557325A (zh) | 一种果树果品品质近地面遥感监测装置和方法 | |
| CN108876172A (zh) | 一种基于改进型modis植被供水指数的地表土壤含水量评估方法 | |
| CN107391794A (zh) | 一种台风连续立体风场反演方法 | |
| CN118965185A (zh) | 基于高光谱影像的土壤质地分类方法及装置 | |
| CN108132096B (zh) | 一种基于激光雷达的林窗太阳辐射监测方法 | |
| CN111199092A (zh) | 太阳辐射遥感估算方法、系统及数据处理装置 | |
| KR20180129443A (ko) | 생장이 종료된 식생의 구조적 특징을 반영한 눈 알베도 결정 장치 및 그 방법 | |
| CN117114235A (zh) | 一种河流生态输水后植被要素的动态变化评价方法 | |
| Krasnopolsky et al. | Development of neural network convection parameterizations for climate and NWP models using Cloud Resolving Model simulations |
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 | ||
| C17 | Cessation of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130501 Termination date: 20131122 |