CN102542259A - 一种近岸陆上水体的识别方法 - Google Patents
一种近岸陆上水体的识别方法 Download PDFInfo
- Publication number
- CN102542259A CN102542259A CN2011104516576A CN201110451657A CN102542259A CN 102542259 A CN102542259 A CN 102542259A CN 2011104516576 A CN2011104516576 A CN 2011104516576A CN 201110451657 A CN201110451657 A CN 201110451657A CN 102542259 A CN102542259 A CN 102542259A
- Authority
- CN
- China
- Prior art keywords
- water body
- land
- image
- information
- area
- 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
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种近岸陆上水体的识别方法，其特征在于：包括如下步骤：步骤一、将获得的遥感图像形成水体——非水体二值图像；步骤二、将面积小于阈值面积的水体对象去除；步骤三、采用图像退化技术实现入海河流与海洋水体的分离；步骤四、利用图像恢复技术对近海岸陆地上的水体信息进行恢复；步骤五、计算经步骤四恢复处理的二值图像中水体对象的面积、周长、面积周长比、主轴长度、长宽比这些性状特征，构建水体分类决策树，以决策树分类方法对水体信息进行分类，识别具体的水体类型。与现有技术相比，本发明的优点在于：有效提高了近岸陆上水体的识别精度。
Description
技术领域
本发明涉及遥感目标识别领域，特别是涉及一种近岸陆上水体的识别方法。
背景技术
近岸区域是陆地与海洋的结合部与过渡地带，这里的环境和生态系统受到来自陆地和海洋双重作用的影响。它们对于大范围内各种自然过程变化所引起的波动和人类活动的影响十分敏感，生态系统相当脆弱。随着海洋经济的迅猛发展以及海岸带开发力度的进一步增大，近岸区域的生态环境正不断遭到破坏，并呈逐渐加剧的趋势。近岸陆上的水体包括库塘、湖泊以及河流等，它们是近海岸带生态系统的重要组成部分，同时也是人类赖以生存和进行近海资源开发的基础。因此，及时获取近岸陆上的水体分布，实时监测近岸陆上水体信息的变化对近海岸带区域的生态环境保护以及近海岸带资源开发具有重大意义。
遥感是指不接触物体本身，用间接的手段来获取目标状态信息的方法，因其具有大面积同步数据获取、实时动态监测的独特优势，正逐渐成为环境监测的重要手段，因此，可利用遥感技术提取近岸陆上的水体信息。一般而言，从遥感影像中获取水体信息可以分为两个步骤进行，第一步是从遥感图像中提取水体，将水体与非水体分离；第二步是通过遍历水体信息得到每一个水体对象的形状特征，如周长、面积、形状指数等，然后根据这些形状特征对水体对象进行识别。然而，在近岸区域内，除库塘、以及湖泊等内陆水体外，还存在着海洋水体，而近海岸陆上地区往往都有入海河流存在，如果采用上述的一般方法会不可避免的将这些入海河流归入海洋中。
发明内容
本发明所要解决的技术问题是针对上述现有技术提供一种能识别近岸陆上水体、且能提高近岸陆上水体的识别效率的近岸陆上水体识别方法。
本发明解决上述技术问题所采用的技术方案为：该近岸陆上水体的识别方法，其特征在于：包括如下步骤
步骤一、利用水体在遥感图像中的光谱特征，将水体信息和非水体信息在获得的遥感图像中进行区分，将获得的遥感图像形成水体——非水体二值图像；
步骤二、在经过步骤一得到的水体——非水体二值图像基础上，获取水体对象的面积信息，设置水体对象的面积阈值为S1，将面积小于S1的水体对象去除；
步骤三、采用图像退化技术对所述步骤二中的获得的结果进行处理，将海洋信息用特定的数值进行标记，而其他水体用不同于海洋的数值进行标记，实现入海河流与海洋水体的分离；
步骤四、在所述步骤三的基础上，利用图像恢复技术对近海岸陆地上的水体信息进行恢复；
步骤五、计算经步骤四恢复处理的二值图像中水体对象的面积、周长、面积周长比、主轴长度、长宽比这些性状特征，构建水体分类决策树，以决策树分类方法对水体信息进行分类，识别具体的水体类型。
作为改进，所述步骤五中，构建水体分类决策树的构建规则为：
(1)、利用水体对象的面积信息将水体对象划分为湖泊、大面积河流与库塘、小面积河流两大类；
(2)、在湖泊、大面积河流分类中，通过水体对象的形状指数区分湖泊和大面积河流；
(3)、在库塘、小面积河流分类中，通过水体对象的形状指数区分库塘和小面积河流；
然后，在决策树的每一节点上，设计分类器，完成近岸陆上水体类型的识别。
在所述步骤一中利用改进的归一化差异水体指数法提取遥感图像中的水体信息，计算遥感图像中的水体信息的改进水体指数值，设零为阈值，对改进水体指数值进行阈值分割，将水体信息和非水体信息在获得的遥感图像中进行区分以形成水体——非水体二值图像。
在所述步骤二中，水体对象的面积阈值S1是根据遥感图像的比例尺精度要求以及误差允许范围来决定的，S1＝M2P，式中的M为遥感图像比例尺的分母，P为误差允许范围；然后通过扫描线方法对水体——非水体二值图像中的水体像元进行连通性搜索，获取水体对象的面积信息，将面积小于门限值S1的水体对象去除。
在所述步骤三中，通过构建瓦片金字塔的方法进行图像退化，设待处理图像为瓦片金字塔的第零层，按每2×2个像元合成一个像元，该像元的值为对应四个像元的均值，该均值为整数的方法生成第一层，然后在第一层的基础上运用相同的方法构建第二层，如此重复，直至所构建的图像能忽略河流信息为止；将海洋信息用特定的数值进行标记，而其他水体用不同于海洋的数值进行标记。
在所述步骤四中，利用图像恢复技术对近海岸陆地上的水体信息进行恢复的具体方法为：设图像退化的层数为n，首先以第n层图像fn(i，j)为基础，结合第n-1层图像fn-1(l，k)，采用以下规则进行图像恢复，生成新的第n-1层图像f’n-1(l，k)：如果fn(i，j)为海洋标记，则f’n-1(l，k)标记为海洋；如果fn-1(l，k)为水体标记值，且fn(l/2，k/2)不是海洋标记值，则f’n-1(l，k)标记为其他陆上水体，其中2×i≤l≤2×i+1，2×j≤k≤2×j+1，采用上述规则进行图像恢复，生成新的第n-2层图像，如此循环，直到恢复到第一层图像。
与现有技术相比，本发明的优点在于：
(1)、有效提高了近岸陆上水体的识别精度，近岸陆上水体的精度提高主要体现在两个方面：一方面，近海岸区域由于海洋以及入海河流的普遍存在使得水体类型识别变得复杂，传统水体识别方法会不可避免的将入海河流归入海洋中，本发明提供的方法利用图像的退化与复原技术有效地实现了海洋和入海河流的分离；另一方面，本发明综合利用水体对象的面积、周长、形状指数等形状特征建立水体类型决策树，可以将水体细分为库塘、湖泊以及河流三种类型，有效提高了水体识别的精度；
(2)、实现计算机自动处理，减少人机交互，由于近岸陆上的水体类型较为复杂以及有海洋水体的存在，传统的识别方法往往需要人工干预；本发明提供的方法利用图像退化与恢复技术，实现入海河流的自动提取，通过构建水体类型决策树，实现近岸陆上水体的自动识别，大幅度减少了人工干预，提高了工作效率。
附图说明
图1为本发明实施例中近岸陆上水体识别方法的流程图；
图2为本发明实施例中近岸陆上水体分类决策树结构图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提供的近岸陆上水体的识别方法，其包括如下步骤
步骤一、利用水体在遥感图像中的光谱特征，将水体信息和非水体信息在获得的遥感图像中进行区分，利用改进的归一化差异水体指数法(简称MNDWI指数法)提取遥感图像中的水体信息，计算遥感图像中的水体信息的改进水体指数值，设零为阈值，对改进水体指数值进行阈值分割，将水体信息和非水体信息在获得的遥感图像中进行区分以形成水体——非水体二值图像；
步骤二、在经过步骤一得到的水体——非水体二值图像基础上，获取水体对象的面积信息，设置水体对象的面积阈值为S1，将面积小于S1的水体对象去除；在该步骤中，水体对象的面积阈值S1是根据遥感图像的比例尺精度要求以及误差允许范围来决定的，S1＝M2P，式中的M为遥感图像比例尺的分母，P为误差允许范围；然后通过扫描线方法对水体——非水体二值图像中的水体像元进行连通性搜索，获取水体对象的面积信息，将面积小于门限值S1的水体对象去除；
步骤三、采用图像退化技术对所述步骤二中的获得的结果进行处理，将海洋信息用特定的数值进行标记，而其他水体用不同于海洋的数值进行标记，实现入海河流与海洋水体的分离；在该步骤中，通过构建瓦片金字塔的方法进行图像退化，设待处理图像为瓦片金字塔的第零层，按每2×2个像元合成一个像元，该像元的值为对应四个像元的均值，该均值为整数的方法生成第一层，然后在第一层的基础上运用相同的方法构建第二层，如此重复，直至所构建的图像能忽略河流信息为止；将海洋信息用特定的数值进行标记，而其他水体用不同于海洋的数值进行标记；
步骤四、在所述步骤三的基础上，利用图像恢复技术对近海岸陆地上的水体信息进行恢复；在该步骤中，利用图像恢复技术对近海岸陆地上的水体信息进行恢复的具体方法为：设图像退化的层数为n，首先以第n层图像fn(i，j)为基础，结合第n-1层图像fn-1(l，k)，采用以下规则进行图像恢复，生成新的第n-1层图像f’n-1(l，k)：如果fn(i，j)为海洋标记，则f’n-1(l，k)标记为海洋；如果fn-1(l，k)为水体标记值，且fn(l/2，k/2)不是海洋标记值，则f’n-1(l，k)标记为其他陆上水体，其中2×i≤l≤2×i+1，2×j≤k≤2×j+1，采用上述规则进行图像恢复，生成新的第n-2层图像，如此循环，直到恢复到第一层图像；
步骤五、计算经步骤四恢复处理的二值图像中水体对象的面积、周长、面积周长比、主轴长度、长宽比这些性状特征，构建水体分类决策树，以决策树分类方法对水体信息进行分类，识别具体的水体类型；在该步骤中，构建水体分类决策树的构建规则为：
(1)、利用水体对象的面积信息将水体对象划分为湖泊、大面积河流与库塘、小面积河流两大类；
(2)、在湖泊、大面积河流分类中，通过水体对象的形状指数区分湖泊和大面积河流；
(3)、在库塘、小面积河流分类中，通过水体对象的形状指数区分库塘和小面积河流；
然后，在决策树的每一节点上，设计分类器，完成近岸陆上水体类型的识别。
以下是结合一幅成图比例尺为1∶500的遥感图像进行近岸陆上水体的识别方法：
第一步是提取遥感图像中水体信息，并对水体信息进行矢量化，得到水体的矢量图斑：读取TM遥感图像，获取图像宽度m为6942、图像高度n为7627、波段数为7等图像属性信息；TM影像中的第二波段为绿光波段，第五波段为中红外波段，在内存中创建行数为m列数为n波段数为1的临时影像文件IMGMNDWI，针对原始遥感图像中的每个像素P(x，y)计算其MNDWI值，即DNMNDWI＝(DN(x，y，2)-DN(x，y，5))/(DN(x，y，2)+DN(x，y，5))；以0为阈值，对DNMNDW计算结果进行阈值分割，并将分割结果写入临时影像文件IMGMNDWI，生成由像素值“0-1”构成的水体——非水体二值图像，其中“0”代表水体，“1”代表非水体。
第二步是在第一步的基础上，获取水体对象的面积信息，并去除面积较小的水体对象非水体噪音干扰：根据成图比例尺1∶500及误差允许范围5％，计算出面积门限值为125000m2，通过扫描线方法对第一步操作生成的水体——非水体二值图像中的像元值为“1”的进行连通性搜索，获取每个水体对象的面积信息，并将面积小于125000m2的水体对象中所包含像元赋值为“0”。
第三步是采用图像退化技术对第二步中获得的结果进行处理，实现入海河流与海洋水体的分离：通过构建瓦片金字塔的方法进行图像退化，设原图为瓦片金字塔的第零层，按每2×2个像元合成一个像元(该像元的值为对应四个像元的均值，该均值为整数)的方法生成第一层，然后在第一层的基础上运用相同的方法构建第二层，如此重复。当退化到第六层时，图像几乎不存在河流信息；将海洋信息用数值“100”进行标记。
第四步是在第三步处理的基础上，利用图像恢复技术，对陆地上的养殖水塘、湖泊、水库、河流等近海岸陆上水体信息进行恢复：首先以第三步构建的瓦片金字塔的最顶层即第六层f6(i，j)为基础，结合第五层图像f5(l，k)，采用以下规则进行图像恢复，生成新的第五层图像f’5(l，k)：顺序读取瓦片金字塔第6层的像元值，如果f6(i，j)的值为“100”，则将f’5(l，k)赋值为“100”；如果f5(l，k)的值为“0”，且f6(l/2，k/2)的值不为“100”，则将f’5(l，k)赋值为0，其中2×i≤l≤2×i+1，2×j≤k≤2×j+1；采用上述规则进行图像恢复，生成新的第四层图像，如此循环，直到恢复到第一层图像；
第五步是综合利用近海岸陆上水体的几何特征，构建水体类型识别决策树(如说明书附图2所示)，设置面积指数S为100km2，将水体分为大于100km2和小于100km2两大类；设置形状指数I1为0.18，用于区分湖泊与面积较大的河流；设置形状指数I2为0.13，用于区分库塘和细小河流。通过扫描线遍历图像的方法可以提取水体对象的面积、周长、以及形状指数等信息，在此基础上以决策树分类方法将水体对象进行分类，识别出具体的水体类型，参见图2所示。
Claims (6)
1.一种近岸陆上水体的识别方法，其特征在于：包括如下步骤
步骤一、利用水体在遥感图像中的光谱特征，将水体信息和非水体信息在获得的遥感图像中进行区分，将获得的遥感图像形成水体——非水体二值图像；
步骤二、在经过步骤一得到的水体——非水体二值图像基础上，获取水体对象的面积信息，设置水体对象的面积阈值为S1，将面积小于S1的水体对象去除；
步骤三、采用图像退化技术对所述步骤二中的获得的结果进行处理，将海洋信息用特定的数值进行标记，而其他水体用不同于海洋的数值进行标记，实现入海河流与海洋水体的分离；
步骤四、在所述步骤三的基础上，利用图像恢复技术对近海岸陆地上的水体信息进行恢复；
步骤五、计算经步骤四恢复处理的二值图像中水体对象的面积、周长、面积周长比、主轴长度、长宽比这些性状特征，构建水体分类决策树，以决策树分类方法对水体信息进行分类，识别具体的水体类型。
2.根据权利要求1所述的近岸陆上水体的识别方法，其特征在于：所述步骤五中，构建水体分类决策树的构建规则为：
(1)、利用水体对象的面积信息将水体对象划分为湖泊、大面积河流与库塘、小面积河流两大类；
(2)、在湖泊、大面积河流分类中，通过水体对象的形状指数区分湖泊和大面积河流；
(3)、在库塘、小面积河流分类中，通过水体对象的形状指数区分库塘和小面积河流；
然后，在决策树的每一节点上，设计分类器，完成近岸陆上水体类型的识别。
3.根据权利要求1所述的近岸陆上水体的识别方法，其特征在于：在所述步骤一中利用改进的归一化差异水体指数法提取遥感图像中的水体信息，计算遥感图像中的水体信息的改进水体指数值，设零为阈值，对改进水体指数值进行阈值分割，将水体信息和非水体信息在获得的遥感图像中进行区分以形成水体——非水体二值图像。
4.根据权利要求1所述的近岸陆上水体的识别方法，其特征在于：在所述步骤二中，水体对象的面积阈值S1是根据遥感图像的比例尺精度要求以及误差允许范围来决定的，S1＝M2P，式中的M为遥感图像比例尺的分母，P为误差允许范围；然后通过扫描线方法对水体——非水体二值图像中的水体像元进行连通性搜索，获取水体对象的面积信息，将面积小于门限值S1的水体对象去除。
5.根据权利要求1所述的近岸陆上水体的识别方法，其特征在于：在所述步骤三中，通过构建瓦片金字塔的方法进行图像退化，设待处理图像为瓦片金字塔的第零层，按每2×2个像元合成一个像元，该像元的值为对应四个像元的均值，该均值为整数的方法生成第一层，然后在第一层的基础上运用相同的方法构建第二层，如此重复，直至所构建的图像能忽略河流信息为止；将海洋信息用特定的数值进行标记，而其他水体用不同于海洋的数值进行标记。
6.根据权利要求1所述的近岸陆上水体的识别方法，其特征在于：在所述步骤四中，利用图像恢复技术对近海岸陆地上的水体信息进行恢复的具体方法为：设图像退化的层数为n，首先以第n层图像fn(i，j)为基础，结合第n-1层图像fn-1(l，k)，采用以下规则进行图像恢复，生成新的第n-1层图像f’n-1(l，k)：如果fn(i，j)为海洋标记，则f’n-1(l，k)标记为海洋；如果fn-1(l，k)为水体标记值，且fn(l/2，k/2)不是海洋标记值，则f’n-1(l，k)标记为其他陆上水体，其中2×i≤l≤2×i+1，2×j≤k≤2×j+1，采用上述规则进行图像恢复，生成新的第n-2层图像，如此循环，直到恢复到第一层图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201110451657 CN102542259B (zh) | 2011-12-29 | 2011-12-29 | 一种近岸陆上水体的识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201110451657 CN102542259B (zh) | 2011-12-29 | 2011-12-29 | 一种近岸陆上水体的识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102542259A true CN102542259A (zh) | 2012-07-04 |
| CN102542259B CN102542259B (zh) | 2013-08-07 |
Family
ID=46349114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 201110451657 Expired - Fee Related CN102542259B (zh) | 2011-12-29 | 2011-12-29 | 一种近岸陆上水体的识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102542259B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408750A (zh) * | 2014-10-30 | 2015-03-11 | 中国科学院深圳先进技术研究院 | 一种计算海水陆地比例的方法及系统 |
| CN105488488A (zh) * | 2015-12-10 | 2016-04-13 | 中国科学院遥感与数字地球研究所 | 城市黑臭水体遥感识别方法及装置 |
| CN106067030A (zh) * | 2016-05-26 | 2016-11-02 | 广西师范学院 | 一种河流特征分类数据的处理方法 |
| CN106485239A (zh) * | 2016-11-02 | 2017-03-08 | 郑州航空工业管理学院 | 一种利用单类支持向量机检测河流目标的方法 |
| CN113408467A (zh) * | 2021-07-01 | 2021-09-17 | 中国科学院东北地理与农业生态研究所 | 基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101968874A (zh) * | 2010-09-06 | 2011-02-09 | 北京师范大学 | 湖泊沼泽化程度的表层-水体植被重要值辨识技术 |
| CN102073879A (zh) * | 2010-12-02 | 2011-05-25 | 南京大学 | 基于半监督学习的海岸海洋遥感影像特征地类的识别方法 |
-
2011
- 2011-12-29 CN CN 201110451657 patent/CN102542259B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101968874A (zh) * | 2010-09-06 | 2011-02-09 | 北京师范大学 | 湖泊沼泽化程度的表层-水体植被重要值辨识技术 |
| CN102073879A (zh) * | 2010-12-02 | 2011-05-25 | 南京大学 | 基于半监督学习的海岸海洋遥感影像特征地类的识别方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408750A (zh) * | 2014-10-30 | 2015-03-11 | 中国科学院深圳先进技术研究院 | 一种计算海水陆地比例的方法及系统 |
| CN105488488A (zh) * | 2015-12-10 | 2016-04-13 | 中国科学院遥感与数字地球研究所 | 城市黑臭水体遥感识别方法及装置 |
| CN105488488B (zh) * | 2015-12-10 | 2018-12-21 | 中国科学院遥感与数字地球研究所 | 城市黑臭水体遥感识别方法及装置 |
| CN106067030A (zh) * | 2016-05-26 | 2016-11-02 | 广西师范学院 | 一种河流特征分类数据的处理方法 |
| CN106485239A (zh) * | 2016-11-02 | 2017-03-08 | 郑州航空工业管理学院 | 一种利用单类支持向量机检测河流目标的方法 |
| CN113408467A (zh) * | 2021-07-01 | 2021-09-17 | 中国科学院东北地理与农业生态研究所 | 基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法 |
| CN113408467B (zh) * | 2021-07-01 | 2022-04-29 | 中国科学院东北地理与农业生态研究所 | 基于Sentinel-2卫星影像和云平台的滨海养殖池智能提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102542259B (zh) | 2013-08-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102542259B (zh) | 一种近岸陆上水体的识别方法 | |
| CN109035224B (zh) | 一种基于多波束点云的海底管道检测与三维重建方法 | |
| CN102013102B (zh) | 一种图像中的粘连细胞分割方法 | |
| CN110930357B (zh) | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 | |
| CN107092871B (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
| CN110472636A (zh) | 基于深度学习的水尺e字形刻度识别方法 | |
| CN110458201A (zh) | 一种遥感影像面向对象分类方法及分类装置 | |
| CN102750696A (zh) | 一种基于仿射不变特征与海岸线约束的海岸带遥感影像自动配准方法 | |
| CN103942809A (zh) | 检测岩石图像中节理裂隙的方法 | |
| CN103778627A (zh) | 一种基于sar图像的海域溢油检测方法 | |
| CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
| CN109543498B (zh) | 一种基于多任务网络的车道线检测方法 | |
| CN107563296B (zh) | 基岩海岸岸线的提取方法及系统 | |
| CN113538559A (zh) | 一种基于高光谱遥感影像的近海养殖筏提取指数的提取方法 | |
| CN114743103A (zh) | 基于Deeplabv3+网络模型的海岛礁遥感影像地质分类方法 | |
| CN113989673A (zh) | 基于国产高分数据和深度学习模型的海岸线自动提取方法 | |
| CN102592140A (zh) | 一种蓝藻水华状态监测方法 | |
| CN104794723A (zh) | 一种基于概率的遥感影像建筑物位置检测方法 | |
| Zhang et al. | Recognition and detection of wolfberry in the natural background based on improved YOLOv5 network | |
| CN105374024B (zh) | 高分辨率卫星影像水上桥梁提取的方法 | |
| CN114565853B (zh) | 光谱特征和空间卷积协同下的近岸海域养殖塘区提取方法 | |
| CN101719273A (zh) | 基于一维信息熵冶金板带表面缺陷在线自适应提取方法 | |
| CN116452604A (zh) | 一种复杂变电站场景分割方法、设备及存储介质 | |
| CN104504702A (zh) | 基于方格搜索法的水泥刻槽路面裂缝识别方法 | |
| CN114266795A (zh) | 一种基于金字塔池化u型网络的遥感图像海陆分割方法 |
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: 20130807 Termination date: 20151229 |
|
| EXPY | Termination of patent right or utility model |