CN102682306B - 用于sar图像的小波金字塔极化纹理基元特征提取方法 - Google Patents
用于sar图像的小波金字塔极化纹理基元特征提取方法 Download PDFInfo
- Publication number
- CN102682306B CN102682306B CN201210132419.3A CN201210132419A CN102682306B CN 102682306 B CN102682306 B CN 102682306B CN 201210132419 A CN201210132419 A CN 201210132419A CN 102682306 B CN102682306 B CN 102682306B
- Authority
- CN
- China
- Prior art keywords
- polarization
- small echo
- wavelet
- texture primitive
- sar image
- 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
- Radar Systems Or Details Thereof (AREA)
Abstract
一种用于SAR图像的小波金字塔极化纹理基元特征提取方法,包括生成小波极化方差特征、小波极化纹理基元特征以及运用金字塔模型描述小波极化纹理基元特征。小波极化方差特征是结合极化合成和离散小波框架,通过计算标准化小波系数的方差得到每个像素点的特征矢量;而小波极化纹理基元特征是对部分小波极化方差特征矢量聚类,生成纹理基元库,然后以图像中感兴趣点为中心,取图像块,将每个块包含的特征矢量与纹理基元库匹配,得到统计直方图,即小波极化纹理基元特征;最后运用金字塔模型在更精细的分辨率下描述小波极化纹理基元特征。运用支持向量机即可采用本发明所得基于金字塔表达的小波极化纹理基元特征对极化SAR图像分类。
Description
技术领域
本发明属于图像处理技术领域,特别涉及一种用于提取合成孔径雷达(Synthetic ApertureRadar,SAR)图像小波极化纹理基元特征的方法。
背景技术
极化是波的一个重要特性,它描述了垂直于波传播方向振动面内振动矢量的方向性。目前对电磁波极化状态的研究已成为了电磁场理论研究的一个重要方向,广泛应用于雷达、导航、制导和通信等各领域。
SAR是一种高分辨的微波遥感成像雷达,在军事和民用上都有广泛的用途,由于SAR成像环境的极端复杂性和特有的成像机理,使得SAR图像的信息表达相对于光学图像有很大差别,并受到相干斑噪声及顶底倒置、迎坡缩短、透视收缩等几何特征的影响,使得对SAR图像的处理比光学图像的处理困难得多。因此研究SAR图像的特征,更好地对SAR图像进行分析和解译是国际上研究的一个重要方向。针对SAR图像的极化特征,目前已提出了很多算法,下面列出一些常用的极化特征分解方法:
1)Pauli分解:将目标在线性(H,V)极化基下的极化散射矩阵分解为四种成分,即面、二面角、45°倾斜二面角和交叉极化子,在满足互易对称的条件下,可简化为前面三种成分,分别表示奇次散射、偶次散射、体散射机制;
2)Krogager分解:将圆极化基下的目标极化散射矩阵分解为球、二面体和螺旋体三种成分,分别对应于奇次散射、偶次散射和旋转体散射机制;
3)Freeman分解:将目标的协方差矩阵分解为三个分量之和,即表面散射、偶次散射以及体散射机制,每种散射机制都对应着一种物理模型,表面散射可采用一阶Bragg散射模型来描述,偶次散射分量对应着二面角反射器,体散射主要来自于植被树冠层的散射;
4)Cloude分解:又称为H-α分解,是一种基于二阶统计的平均参数提取算法,对相干矩阵的特征向量和特征值进行分析,把相干矩阵分解成不同类型的散射成分,将要识别的目标场景按H/α坐标区域分类,依据每个区域对应一种散射机制的原理对图像分类。
小波变换也被广泛应用于图像处理领域,小波分析的优越性就在于它的时频局部特性和多分辨率功能,应用于图像边缘信息提取和检测、图像去噪和编码以及数据压缩等方面。
在计算机视觉和图像处理领域,图像亮度按某种特定重复模式的变化称之为纹理,纹理是一种普遍存在的视觉现象,但由于其抽象性而没有统一的定义。纹理基元是构成自然图像的微观结构,是视觉感知初始阶段构成纹理的基本元素。纹理基元表现出一定的排列规则,它被定义为包含一些几何结构的图像基的微小模板,与物理结构做类比,把图像基比作质子,中子和电子,那么纹理基元就如同原子。虽然纹理基元在各种文献中仍然是一个很模糊的概念,但纹理基元的研究在很多问题中都有很重要的意义。
SAR图像也是一种纹理图像,其处理方法一般是基于极化目标特征分解和统计估计的,而传统的纹理基元的分析方法是基于滤波的,考虑到充分运用SAR图像的极化特征,并且小波变换也是一种滤波过程,因此将极化特征与小波分析和纹理基元的方法结合起来很有必要。但本领域尚未有相关技术出现。
发明内容
本发明的目的在于针对极化SAR图像分类问题,提出一种新的基于金字塔表达的小波极化纹理基元的特征,可以高效地识别纹理模式,获得高精度的分类结果。
本发明的技术方案为一种用于SAR图像的小波金字塔极化纹理基元特征提取方法,其特征在于,包括以下步骤,
步骤2,对步骤1所得的极化特征图进行小波分解,提取极化SAR图像中每个像素点的小波极化特征矢量,小波分解尺度的个数记为J;最后运用滑动窗以极化SAR图像中每个像素点为中心,根据滑动窗内所有像素点的小波极化特征矢量,提取极化SAR图像中每个像素点的小波极化方差特征矢量;
其中,是第i-1次分解低通滤波的近似系数,是第i次分解x、y方向上高通滤波的细节系数的平方和, 分别是第i次分解x、y方向上高通滤波的细节系数,是通过整数因子m扩展的离散三阶B-spline函数;i的取值为1,2,...J;
提取极化SAR图像中每个像素点的小波极化方差特征矢量V时,小波极化方差特征矢量V中元素根据以下计算公式得到,
步骤3,从极化SAR图像中随机选取每种类别像素点的20%作为训练样本点,对所有训练样本点的小波极化方差特征矢量运用K-means方法聚类,得到K个聚类中心mj(j=1,2...K),所有训练样本的聚类中心构成纹理基元库;
步骤4,以极化SAR图像中感兴趣点为中心取图像块,计算图像块中每个像素点的小波极化方差特征矢量到步骤3所得纹理基元库中每个聚类中心的欧式距离,统计在每个聚类中心出现最小欧氏距离的数目,得到统计直方图,作为感兴趣点的小波极化纹理基元特征;
步骤5,用金字塔模型描述小波极化纹理基元特征,计算金字塔模型中每层每个子块的小波极化纹理基元特征均值,得到基于金字塔表达的小波极化纹理基元特征。
而且,步骤5所述金字塔模型采用三层的金字塔模型。
本发明通过结合极化合成和离散小波框架以及纹理基元,提出了一种新的用于极化SAR图像的基于金字塔表达的小波极化纹理基元特征提取方法。从目标的极化散射矩阵中只可以获得四种基本极化组合下的单通道SAR图像,通过极化合成就可获得在任意极化方式下雷达的接收功率图像,因而能够提供更多的目标信息。小波极化纹理基元特征不仅融合了SAR图像的极化特征,还包含了图像的空间和统计特性,提高了SAR图像的分类精度。
附图说明
图1是本发明实施例的流程图;
图2是本发明实施例中生成小波极化方差特征矢量的流程图;
图3是本发明实施例中生成小波极化纹理基元特征的流程图;
图4是本发明实施例中三层金字塔模型示意图;
图5是运用金字塔表达前后的小波极化纹理基元特征对比图。
具体实施方式
针对极化SAR图像的特点,结合了极化特征、多分辨率信息以及统计特性,充分运用图像纹理信息,提出了描述SAR图像纹理的一种方法。以下结合附图和实施例详细说明本发明技术方案。
如图1,本发明实施例的流程包括:利用极化合成的原理,将原始协方差矩阵转换到不同极化基下,得到极化合成协方差矩阵;结合小波变换,运用离散小波框架对转换后的协方差矩阵进行小波分析,对小波系数进行一系列处理得到小波极化方差特征;选取SAR图像中部分像素点作为训练样本,对训练样本的小波极化方差特征矢量聚类,生成纹理基元库,然后对图像中感兴趣点为中心取图像块,每个图像块中的特征矢量与纹理基元库匹配,得到统计直方图,即小波极化纹理基元特征;最后用金字塔模型更细致地描述小波极化纹理基元特征。
本发明实施例可采用计算机软件技术实现自动流程运行,以下分步骤详细说明本发明实施例流程:
实施例计算小波极化方差信息时,结合了极化合成和离散小波框架,并对变换后的小波系数进行标准化处理,求标准化的小波系数方差,作为描述SAR图像纹理的一种特征。图2是具体的提取小波极化方差特征流程图,极化SAR图像的原始协方差矩阵在水平垂直基(H,V)下表示为C,考虑线性极化基下的极化合成,(H,V)基下的协方差矩阵通过酉阵转换到由方向角表示的新的线性极化基下
其中
通过公式计算出了原始协方差矩阵C经极化合成变换后的极化合成协方差矩阵 的取值范围为0-180°,实施例每间隔4°抽样,每个对应一个极化合成协方差矩阵如图2中所示极化合成协方差矩阵C(0)、C(4)…C(180),总共为46个。
选取交叉极化框架下的生成极化特征图,极化特征图的数目由的个数决定,于是得到了46幅不同角度下的极化特征图如图2中所示极化特征图C22(0)、C22(4)…C22(180)。每幅极化特征图包含了一个方向角下的全部极化特征。
步骤2,对步骤1所得的极化特征图进行小波分解,提取极化SAR图像中每个像素点的小波极化特征矢量,小波分解尺度的个数记为J;最后运用滑动窗以极化SAR图像中每个像素点为中心,根据滑动窗内所有像素点的小波极化特征矢量,提取极化SAR图像中每个像素点的小波极化方差特征矢量;
其中,是第i-1次分解低通滤波的近似系数,是第i次分解x、y方向上高通滤波的细节系数的平方和, 分别是第i次分解x、y方向上高通滤波的细节系数,是通过整数因子m扩展的离散三阶B-spline函数;i的取值为1,2,...J;
实施例对每个给定的方向角得到的极化特征图运用离散小波框架进行小波分析,得到相应的细节系数。利用以上公式,首先用细节系数除以上一层小波分解的近似系数得到标准化系数,用来减小SAR图像相干斑噪声的影响;然后平方标准化系数;最后将平方后的系数卷积三阶B-spline函数计算局部能量,提取局部纹理特征,即小波极化特征矢量f。一般取m=2J,在本发明实施例中J=4,因此m=16。三阶B-spline函数为现有技术,不予赘述。
如图2中所示,对极化特征图C22(0)进行上述处理得到元素f1,0…f4,0;对极化特征图C22(4)进行上述处理得到元素f1,4…f4,4,…对极化特征图C22(180)进行上述处理得到元素f1,180…f4,180。
求得图像所有像素点的小波极化特征矢量后,运用滑动窗以每个像素点为中心求滑动窗内所有像素点的方差作为该像素点的小波极化方差特征,计算每个小波变换尺度和方向角下的小波极化方差作为小波极化方差特征矢的元素,即小波极化方差特征矢量为
如图2中所示,根据小波极化特征矢量f中的元素f1,0…f4,0计算得到相应的小波极化方差V1,0…V4,0;根据元素f1,4…f4,4计算得到相应的小波极化方差V1,4…V4,4,…根据元素f1,180…f4,180计算得到相应的小波极化方差V1,180…V4,180。
步骤3,从极化SAR图像中随机选取每种类别像素点的20%作为训练样本点,对所有训练样本点的小波极化方差特征矢量运用K-means方法聚类,得到K个聚类中心mj(j=1,2...K),所有训练样本的聚类中心构成纹理基元库。
实施例计算标准化的小波极化方差后,结合纹理基元的方法,选取图像中部分像素点作为训练样本,对训练样本的全部小波极化方差特征矢量聚类,生成纹理基元库。图3是生成小波极化纹理基元特征的流程图。上述图2描述了小波极化方差信息的生成过程,将每个像素点对应的小波极化方差信息串接在一起,就形成了184维的小波极化方差特征矢量,即每个像素点用184维的矢量表示,然后对小波极化方差特征矢量聚类。随机选取图像中每种类别像素点的20%作为训练样本,如图3所示,对图像中训练样本的小波极化方差特征矢量Vtrain运用K-means聚类算法得到聚类中心mj(j=1,2...K),K为聚类中心的个数,本实施例中K取值为300,所有训练样本的聚类中心就构成了纹理基元库。
步骤4,以极化SAR图像中感兴趣点为中心取图像块(patch),计算图像块中每个像素点的小波极化方差特征矢量到步骤3所得纹理基元库中每个聚类中心的欧式距离,统计在每个聚类中心出现最小欧氏距离的数目,得到统计直方图,作为感兴趣点的小波极化纹理基元特征。
实施例生成的纹理基元库包含了图像中所有类别的信息,然后以图像中每个感兴趣点为中心取图像块。在本实施例中,图像块的大小与前面计算小波极化方差信息时的滑动窗大小可保持一致(并非必须一致),将图像块中包含的小波极化方差特征矢量与纹理基元库匹配,即计算图像块中每个像素点的小波极化方差特征矢量与纹理基元库中每个聚类中心的欧式距离,统计在每个聚类中心出现最小距离的小波极化方差特征矢量的个数,得到统计直方图,即该像素点的纹理基元特征。本实施例中聚类中心的个数K=300,特征维数为聚类中心的个数K,因此本实施例的小波极化纹理基元特征维数为300。这种统计直方图包含了小波极化信息,所以称这种结合了小波极化方差信息的纹理基元特征为小波极化纹理基元特征。
步骤5,用金字塔模型描述小波极化纹理基元特征,计算金字塔模型中每层每个子块的小波极化纹理基元特征均值,得到基于金字塔表达的小波极化纹理基元特征。
在金字塔模型中,图像分为L层,第i(1≤i≤L)层的图像块个数为2i-1×2i-1,分别计算每个图像块的均值,然后将各个图像块的均值特征串接成矢量,因此总的特征矢量维数为(4L-1)/3,假设输入的小波极化纹理基元特征矢量维数为D维,经过L层金字塔分层处理后的特征矢量维数为D×(4L-1)/3。
实施例运用三层金字塔模型来描述小波极化纹理基元特征。图4是3层金字塔模型,对第一层的图像块(1个)求均值,对第二层的图像块(4个)分别求均值,对第三层的图像块(16个)分别求均值,然后将所得各均值一起串接成矢量。本实施例中L=3,因此通过金字塔模型表达的小波极化纹理基元特征是没有用金字塔表达的小波极化纹理基元特征维数的21倍,且输入的小波极化纹理基元特征维数为300,因此基于金字塔表达的小波极化纹理基元特征维数为300×21=6300维。
小波极化纹理基元特征以统计直方图(稀疏矩阵)的形式表达,高维局部特征矢量往往只是聚集在特征空间的某些小角落,因此运用金字塔模型能更好的描述局部特征矢量。图5选取了SAR图像中的3种地物类别像素点,分别标记为类别1、类别2和类别3,每类包含4个像素点,每个方框的左边是小波极化纹理基元直方图,右边为基于金字塔表达的小波极化纹理基元直方图,正如前面的分析一样,小波极化纹理基元特征矢量一般零星的分布在某些小角落,而基于金字塔表达的小波极化纹理基元通过提高分辨率更细致地描述了特征矢量在特征空间的分布。
为验证本发明技术效果,可以运用SVM分类器根据本发明提出的基于金字塔表达的小波极化纹理基元特征对极化SAR图像进行分类。支持向量机(Support Vector Machine,SVM)为现有技术。SVM分类器能较好地完成对线性可分特征集的分类,同时也能较好的处理线性不可分问题,它是基于结构风险最小化原理,在特征空间建构最优分割超平面,使分类器得到全局最优化,因而它在解决小样本、非线性和高维模式识别问题中表现出很多特有的优势。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (3)
1.一种用于SAR图像的小波金字塔极化纹理基元特征提取方法,其特征在于,包括以下步骤,
步骤2,对步骤1所得的极化特征图进行小波分解,提取极化SAR图像中每个像素点的小波极化特征矢量,小波分解尺度的个数记为J;最后运用滑动窗以极化SAR图像中每个像素点为中心,根据滑动窗内所有像素点的小波极化特征矢量,提取极化SAR图像中每个像素点的小波极化方差特征矢量;
其中,是第i-1次分解低通滤波的近似系数,是第i次分解x、y方向上高通滤波的细节系数的平方和,分别是第i次分解x、y方向上高通滤波的细节系数,是通过整数因子m扩展的离散三阶B-spline函数;i的取值为1,2,…J;
步骤3,从极化SAR图像中随机选取每种类别像素点的20%作为训练样本点,对所有训练样本点的小波极化方差特征矢量运用K-means方法聚类,得到K个聚类中心mj,j=1,2...K;所有训练样本的聚类中心构成纹理基元库;
步骤4,以极化SAR图像中感兴趣点为中心取图像块,计算图像块中每个像素点的小波极化方差特征矢量到步骤3所得纹理基元库中每个聚类中心的欧式距离,统计在每个聚类中心出现最小欧氏距离的数目,得到统计直方图,作为感兴趣点的小波极化纹理基元特征;
步骤5,用金字塔模型描述小波极化纹理基元特征,计算金字塔模型中每层每个子块的小波极化纹理基元特征均值,得到基于金字塔表达的小波极化纹理基元特征。
2.如权利要求1所述用于SAR图像的小波金字塔极化纹理基元特征提取方法,其特征在于:步骤5所述金字塔模型采用三层的金字塔模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210132419.3A CN102682306B (zh) | 2012-05-02 | 2012-05-02 | 用于sar图像的小波金字塔极化纹理基元特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210132419.3A CN102682306B (zh) | 2012-05-02 | 2012-05-02 | 用于sar图像的小波金字塔极化纹理基元特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102682306A CN102682306A (zh) | 2012-09-19 |
CN102682306B true CN102682306B (zh) | 2014-02-26 |
Family
ID=46814201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210132419.3A Expired - Fee Related CN102682306B (zh) | 2012-05-02 | 2012-05-02 | 用于sar图像的小波金字塔极化纹理基元特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102682306B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408467B (zh) * | 2014-11-26 | 2017-09-26 | 西安电子科技大学 | 基于金字塔采样和支持矢量机的极化sar图像分类方法 |
CN105913090B (zh) * | 2016-04-14 | 2019-03-26 | 西安电子科技大学 | 基于sdae-svm的sar图像目标分类方法 |
CN105956622B (zh) * | 2016-04-29 | 2019-03-19 | 武汉大学 | 基于多特征联合建模的极化sar影像分类方法 |
CN106228164A (zh) * | 2016-07-26 | 2016-12-14 | 中国科学院自动化研究所 | 一种视频动态基元库的构建方法 |
CN106485269B (zh) * | 2016-09-28 | 2019-08-20 | 武汉大学 | 基于混合统计分布与多部件模型的sar图像目标检测方法 |
CN109242858B (zh) * | 2018-07-18 | 2021-01-15 | 浙江理工大学 | 基于自适应模板匹配的织物印花循环图案基元分割方法 |
CN112184574B (zh) * | 2020-09-15 | 2024-06-14 | 中国人民解放军91388部队 | 一种遥感图像斑点噪声消除方法及系统 |
CN112949682B (zh) * | 2021-01-27 | 2022-05-20 | 重庆交通大学 | 一种特征级统计描述学习的sar图像分类方法 |
-
2012
- 2012-05-02 CN CN201210132419.3A patent/CN102682306B/zh not_active Expired - Fee Related
Non-Patent Citations (7)
Title |
---|
《An Adaptive and Iterative Method of Urban Area Extraction From SAR Images》;Chu He, Gui-song Xia, and Hong Sun;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20061031;第3卷(第4期);504-507 * |
《Oil Spill Detection by SAR Images: Dark Formation Detection, Feature Extraction and Classification Algorithms》;Konstantinos N. Topouzelis;《Sensors 2008》;20081231;6642-6659 * |
《基于多尺度压缩感知金字塔的极化干涉SAR图像分类》;何楚 等;《自动化学报》;20110731;第37卷(第7期);820-827 * |
Chu He, Gui-song Xia, and Hong Sun.《An Adaptive and Iterative Method of Urban Area Extraction From SAR Images》.《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》.2006,第3卷(第4期),504-507. |
KonstantinosN.Topouzelis.《OilSpillDetectionbySARImages:DarkFormationDetection Feature Extraction and Classification Algorithms》.《Sensors 2008》.2008 |
Richard Bamler,Michael Eineder.《The Pyramids of Gizeh Seen by TerraSAR-X— A Prime Example for Unexpected Scattering Mechanisms in SAR》.《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》.2008,第5卷(第3期),468-470. * |
何楚 等.《基于多尺度压缩感知金字塔的极化干涉SAR图像分类》.《自动化学报》.2011,第37卷(第7期),820-827. |
Also Published As
Publication number | Publication date |
---|---|
CN102682306A (zh) | 2012-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102682306B (zh) | 用于sar图像的小波金字塔极化纹理基元特征提取方法 | |
Wang et al. | Hf-neus: Improved surface reconstruction using high-frequency details | |
Ji et al. | Wavelet domain multifractal analysis for static and dynamic texture classification | |
Xu et al. | Scale-space texture description on sift-like textons | |
CN104834931A (zh) | 一种基于小波变换的改进的尺度不变特征匹配算法 | |
CN107742133A (zh) | 一种用于极化sar图像的分类方法 | |
CN110516525A (zh) | 基于gan和svm的sar图像目标识别方法 | |
Li et al. | Multi-sensor image fusion: a survey of the state of the art | |
Zhou et al. | Point cloud denoising using non-local collaborative projections | |
Quan et al. | Scattering feature-driven superpixel segmentation for polarimetric SAR images | |
CN104123563A (zh) | 一种基于Cloude分解的极化SAR图像分类方法 | |
Yang et al. | Radar target recognition using contourlet packet transform and neural network approach | |
Wang et al. | Target automatic recognition based on ISAR image with wavelet transform and MBLBP | |
Wang et al. | Joint polarimetric-adjacent features based on LCSR for PolSAR image classification | |
CN114066816B (zh) | 基于静态小波变换提取的sar图像无监督变化检测方法 | |
Yun et al. | Ultrasound image segmentation by spectral clustering algorithm based on the curvelet and GLCM features | |
CN112785684B (zh) | 一种基于局部信息加权机制的三维模型重建方法 | |
Wang et al. | Contourlet HMT model with directional feature | |
CN103345739A (zh) | 一种基于纹理的高分辨率遥感影像建筑区指数计算方法 | |
Huo et al. | Seafloor segmentation using combined texture features of sidescan sonar images | |
Wang et al. | Dual-Branch Adaptive Convolutional Transformer for Hyperspectral Image Classification | |
Ahmadian et al. | X‐Ray medical image super‐resolution via self‐organization neural networks and geometric directional gradient | |
Gifani et al. | Analysis of echocardiography Images using manifold learning | |
Kwitt | Statistical modeling in the wavelet domain and applications | |
Wang et al. | Multi-Feature Sparse Representation Classification Method Based on Clustering |
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: 20140226 Termination date: 20150502 |
|
EXPY | Termination of patent right or utility model |