CN102999909A - 基于改进视觉注意模型的sar目标检测方法 - Google Patents

基于改进视觉注意模型的sar目标检测方法 Download PDF

Info

Publication number
CN102999909A
CN102999909A CN2012104708570A CN201210470857A CN102999909A CN 102999909 A CN102999909 A CN 102999909A CN 2012104708570 A CN2012104708570 A CN 2012104708570A CN 201210470857 A CN201210470857 A CN 201210470857A CN 102999909 A CN102999909 A CN 102999909A
Authority
CN
China
Prior art keywords
image
sar
carried out
detection method
inh
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.)
Pending
Application number
CN2012104708570A
Other languages
English (en)
Inventor
侯彪
侯小瑾
刘彦甲
焦李成
方相如
翁鹏
马文萍
马晶晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN2012104708570A priority Critical patent/CN102999909A/zh
Publication of CN102999909A publication Critical patent/CN102999909A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Processing (AREA)

Abstract

本发明公开了一种基于改进视觉注意模型的SAR目标检测方法,它属于图像处理技术领域,主要解决了传统视觉注意模型在SAR图像处理方面失效的问题。其检测过程为:先对待检测SAR图像进行下采样,再对采样后的图像提取其纹理特征和小波特征,把这些特征进行线性叠加后经过归一化及显著性处理得到初始显著图;然后把初始显著图经过视觉感受野模板滤波,即可得到最终显著图;最后把最终显著图用双线性插值到与原SAR图像大小相同,将插值后显著图中亮的区域作为目标区域。本发明具有计算速度快,检测效果明显,定位准确的优点,可用于SAR图像目标的预检测。

Description

基于改进视觉注意模型的SAR目标检测方法
技术领域
本发明属于图像处理领域,特别是一种涉及SAR图像目标检测的方法,可应用于对SAR目标的检测。
背景技术
在面对一个复杂场景时,人类的注意力会迅速集中在少数几个显著的视觉对象上,并对这些对象进行优先处理,该过程被称为视觉注意。视觉注意模型正是利用人眼的这种视觉生物学机制,用数学的计算方法模拟从而形成了对图像处理领域的一个重要方向,该模型可用于目标检测与识别,图像压缩与编码,图像检索,监视系统,主动视觉等方面。
经典的视觉注意模型是由Itti提出的,他首次用数学的方法来模拟人类的视觉注意机制并取得了较好的效果,后来引起了众多学者的关注并产生了重要的影响。按照对视觉信息的处理方式,可分为自底向上的视觉注意和自顶向下的视觉注意,目前研究的较多的是自底向上的视觉注意,它是基于数据驱动,且独立于具体的任务;而自顶向上的视觉注意是受意识支配,与具体任务相关,而目前针对自顶向下视觉注意模型的研究工作较少,大多数的工作限于生物实验取证和理论研究。
自底向上的视觉注意模型按计算方式的不同,又可分为基于邻域对比度的计算模型、基于频域空间的计算模型和基于区域分割的计算模型。
基于邻域对比度的计算模型主要思想是在空间域中计算图像中各个位置的视觉显著程度,即采用显著度来衡量,进而实现视觉注意机制的模拟。这类模型的优点是计算特征较容易提取、计算量较小、快速,但缺点是对于噪声较为敏感、鲁棒性较差,适用于前期对注意焦点进行检测,对于对象区域语义的完整性考虑不足。代表模型是1998年Itti提出的视觉注意计算模型,参见Itti L,Koch C,Niebur E.1998.A modelof saliency—based visual attention for rapid scene analysis【J】.IEEE Trans.onPattern Analysis and Machine Intelligence,20(11):1254-1259.Ma和zhang等人提出的基于颜色邻域对比性(Maetal.2003)的视觉注意模型,参见Ma Y F’Zhang HJ.2003.Contrast·based image attention analysis by using fuzzy growing【C】.Proceedings ofthe eleventh ACM International Conference on Multimedia,Berkeley:ACMPress,374—381。
基于频域空间的计算模型主要思想是利用傅立叶变换或特征值极坐标变换等方法将图像从空间域映射到频域空间,并对其分析处理,找出其显著性特征,之后再反变换回空间域得到显著图。其代表是以Hou等人的光谱剩余假说,参见Hou X andZhang L.2007.Saliency Detection:A Spectral Residual Approach【C】.Proceedingsof IEEE Conference on Computer Vision and Pattern Recognition,Minnesota,USA,1—8.Hu等人提出的特征值极变换的子空间分析方法,参见Hu Y-Rajah D and ChiaL-T.2005.Robust Subspace Analysis for Detecting Visual Attention Regions jnImages【C】.Proceedings of the13th annual ACM International Conference onMultimedia,Singapore,716—724。
最后一类是基于区域分割的计算模型,这类方法的优点是对于噪声具有一定的鲁棒性,并对于部分简单自然场景图像和许多心理学模式的图像有较好的效果,但缺点是精确度不高,只能得到显著对象的大致位置形状,对于某些复杂自然场景图像的处理效果不尽人意。大体的思路是利用图像分割算法将图像划分成不同的区域,以此区域为单位分析其邻域对比性或全局对比性,通过区域竞争定位显著对象区域。其代表有H.Liu等人(Liueta1.2007)提出的基于图像分割的区域竞争方法,参见Liu H,Jiang S,Huang Q,Xu C,Gao w.2007.RegionBased Visual Attention Analysis withIts Application in Image Browsing on Small Displays【C】.Proceedings of2007ACMInternational Conference on Multimedia,Augsburg:ACM Press,305—308。
综上所述的视觉注意模型都是针对自然图像的,对于SAR图像中的应用几乎没有,原因是SAR图像有其自身的特点,和与其它遥感成像系统、光学成像系统相比有很多差异。本质上SAR图像反映的是目标的电磁散射特性和结构特性,其成像效果很大程度上依赖于雷达参数地域电磁参数。由于SAR成像的特殊性导致SAR图像灰度级变化缓慢,目标区域不明显,因此光学图像常用的视觉注意方法对SAR图像无效甚至效果相反。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于改进视觉注意模型的SAR目标检测方法,以解决因SAR图像灰度级变化缓慢和目标区域不明显而导致视觉注意方法失效的问题,使图像中的目标区域更好地显现出来,为后期的目标识别和分类提供有用的信息。
实现本发明目的的技术方案是:在原有经典视觉注意模型的框架下,利用高效的多尺度多分辨率数学工具gabor小波和正交小波,充分挖掘图像中的纹理特征和结构特征,模拟人眼的视觉注意机制,以实现对目标的检测。其实现步骤包括如下:
(1)对待检测SAR图像进行下采样处理,处理后的图像记为I;
(2)对采样后的图像I进行纹理特征提取,用gabor小波提取其在00,450,900,1350方向上的分量纹理特征,然后把这些分量纹理特征相加,即可得到图像的纹理特征;
(3)对采样后的图像I进行小波特征提取:
(3a)对图像I进行正交小波变换,得到图像的四个小波分量,即一个低频分量ILL(x,y)和三个高频分量IHL(x,y),IHH(x,y),ILH(x,y);
(3b)计算低频分量与其平均值的对比差值:C(x,y)=(ILL(x,y)-Iu)2,其中ILL(x,y)为低频分量,Iu为低频分量的平均值;
(3c)对所述C(x,y),IHL(x,y),IHH(x,y),ILH(x,y)进行逆小波变换,即得到采样后图像I的小波特征;
(4)对提取后的纹理特征和小波特征进行线性相加,并将相加后的图像进行归一化及显著性处理,得到初步的显著图;
(5)将初步显著图进行视觉感受野模型处理,得到最终的显著图;
(6)把得到的最终显著图插值到与原SAR图像的大小相同;
(7)利用插值后的显著图对原SAR图像进行目标检测,即将显著图中最亮的区域作为目标区域。
本发明与现有的技术相比具有以下优点:
1、本发明由于使用多尺度几何分析工具gabor小波,对SAR图像的纹理特征的方向性细节信息进行提取,保证了图像信息的完整性;
2、本发明由于对SAR图像进行了下采样,可对低分辨SAR图像进行目标检测;
3、本发明由于在提取图像小波特征时使用了正交小波,抗噪性能较好,鲁棒性较好,得到的显著图轮廓较清晰,运算速度较快,定位准确;
4、仿真结果表明,本发明方法较传统Itti模型和频域谱残差模型检测结果更有效。
附图说明
图1是本发明的流程图;
图2是两类简单地物背景SAR图像;
图3是用本发明和现有方法对图2的仿真结果图;
图4是两类复杂地物背景SAR图像;
图5是用本发明和现有方法对图4的仿真结果图;
图6是三类复杂地物背景SAR图像;
图7是用本发明和现有方法对图6的仿真结果图。
具体实施方式
参照图1,本发明的具体实现步骤如下:
步骤一、对待检测SAR图像进行4倍下采样,即将待检测SAR图像按照
Figure BDA00002428854800041
的大小缩小,得到采样后图像I。
这一步骤的目的是模拟人眼的视觉生物机制,通过对待检测SAR图像进行4倍下采样,以达到对低分辨率SAR图像目标检测的目的。
步骤二、对采样后的图像I进行gabor小波变换,分别提取其在00,450,900,1350方向上的分量纹理特征,把这些分量纹理特征线性相加得到纹理特征。
这一步骤用gabor小波提取采样后图像I的分量纹理特征,使采样后图像I在00,450,900,1350上的纹理细节信息和轮廓信息较好地保留下来,为后面的目标检测做准备。
步骤三、对采样后的图像I提取小波特征。
本步骤在目的是加强目标区域的显著性,由于SAR图像不同于自然图像,SAR图像与自然图像灰度图有较大差异,如果用SAR图像的灰度特征就失去了目标的意义,而使用小波特征就可以使目标的显著性更好地表现出来。其具体实现如下:
3.1)对采样后的图像I进行正交小波变换,得到一个低频分量ILL(x,y)和三个高频分量IHL(x,y),IHH(x,y),ILH(x,y);
3.2)计算低频分量ILL(x,y)与其平均值的对比差值:C(x,y)=(ILL(x,y)-Iu)2,其中ILL(x,y)为低频分量,Iu为低频分量的平均值;
3.3)对对比差值C(x,y)和高频分量IHL(x,y),IHH(x,y),ILH(x,y)进行逆小波变换,得到采样后图像I的小波特征。
步骤四、对得到的纹理特征和小波特征进行线性相加,即得到图像的特征图。
步骤五、对特征图进行归一化和显著性处理,得到初始显著图。
5.1)将特征图归一化到范围[0,N]上,N为图像灰度值范围内的任意正整数,使得非目标区域的显著性减弱;
5.2)是将归一化后的特征图乘以系数
Figure BDA00002428854800051
M为归一化后特征图的全局最大值,
Figure BDA00002428854800052
为除全局最大值外的其余的局部最大值的平均值,得到初始显著图。
步骤六、对得到的初始显著图进行视觉感受野模型处理,即将初始显著图经过感受野模板滤波,得到最终的显著图。
这一步骤的目的是模拟人眼的视觉感受野,由于人眼的视觉生物机制,对不同分辨率图像的差异性检测是有差别的,差异性越大,人眼对差异性的检测就越显著,而高斯差分函数与人眼的这种视觉感受野比较符合,故可用高斯差分函数来模拟人眼的视觉感受野。其实现方案是:以高斯差分函数为感受野模板函数,取3×3的矩阵作为滤波器模板,用该模板对初始显著图进行滤波,其中,感受野模板函数为:
Dog ( x , y ) = C ex 2 2 π σ ex 2 e - x 2 + y 2 2 σ ex 2 - C inh 2 2 π σ inh 2 e - x 2 + y 2 2 σ inh 2
式中,σexinh分别为两个数值不同的高斯函数方差,Cex,Cinh分别为两个数值不同的系数,这里取σex=0.02,σinh=0.25,Cex=0.5,Cinh=1.5。
步骤七、利用双线性插值的方法对将上述最终显著图进行插值,使其与原SAR图像在大小相同。
步骤八、利用插值后的显著图检测SAR图像中的目标区域,即将显著图中最亮的区域作为目标区域。
本发明的效果可通过以下仿真进一步说明:
1仿真内容:应用本发明方法和Itti经典模型方法、频域谱残差方法分别对三幅SAR图像进行检测实验,并从目标的位置、形状、大小等方面评价这些方法的各自性能。
2仿真实验结果
仿真1,用本方法以及Itti经典模型方法、频域谱残差方法对如图2所示两类简单地物背景SAR图像进行目标检测,检测结果如图3所示。其中图3(a)为经典Itti模型方法对图2进行目标检测得到的结果;图3(b)为频域谱残差方法对图2进行目标检测得到的结果;图3(c)为本发明方法对图2进行目标检测得到的结果。
由图3可见,本发明的检测结果较好,对目标的定位较准确,轮廓形状较完整。相比之下,Itti经典模型方法只检测出了两个小的区域,目标的轮廓没有检测出,定位也不准确。频域谱残差的方法能检测出目标区域的模糊形状,但清晰度不够,不足以判断目标的形状和轮廓。
仿真2,用本方法以及Itti经典模型方法、频域谱残差方法对如图4所示两类复杂地物背景SAR图像进行目标检测,检测结果如图5所示。其中图5(a)为Itti经典模型方法对图4进行检测得到的结果;图5(b)为频域谱残差方法对图4进行检测得到的结果;图5(c)为本发明方法对图4进行检测得到的结果。
由图5可见本发明对于轮廓形状的保留比较清晰准确,而Itti经典模型方法检测不出目标区域,频域谱残差方法检测出的目标区域形状较模糊。
仿真3,用本方法以及Itti经典模型方法、频域谱残差方法对如图6所示三类复杂地物背景SAR图像进行目标检测,检测结果如图7所示。其中图7(a)为Itti经典模型方法对图6进行检测得到的结果;图7(b)为频域谱残差方法对图6进行检测得到的结果;图7(c)为本发明方法对图6进行检测得到的结果。
由图7可见本发明对复杂背景下的目标检测有较好的效果,轮廓形状可以看到,定位较好。比较Itti模型只能检测出几个模糊的点,频域谱残差模型没有检测出目标,形状信息也不完整。

Claims (3)

1.一种基于改进视觉注意模型的SAR目标检测方法,包括如下步骤:
1)对待检测SAR图像进行下采样处理,处理后的图像记为I;
2)对采样后的图像I进行纹理特征提取,用gabor小波提取其在00,450,900,1350方向上的分量纹理特征,然后把这些分量纹理特征相加,即可得到图像的纹理特征;
3)对采样后的图像I进行小波特征提取:
3a)对图像I进行正交小波变换,得到图像的四个小波分量,即一个低频分量ILL(x,y)和三个高频分量IHL(x,y),IHH(x,y),ILH(x,y);
3b)计算低频分量与其平均值的对比差值:C(x,y)=(ILL(x,y)-Iu)2,其中ILL(x,y)为低频分量,Iu为低频分量的平均值;
3c)对所述C(x,y),IHL(x,y),IHH(x,y),ILH(x,y)进行逆小波变换,即得到采样后图像I的小波特征;
4)对提取后的纹理特征和小波特征进行线性相加,并将相加后的图像进行归一化及显著性处理,得到初步的显著图;
5)将初步显著图进行视觉感受野模型处理,得到最终的显著图;
6)把得到的最终显著图插值到与原SAR图像的大小相同;
7)利用插值后的显著图对原SAR图像进行目标检测,即将显著图中最亮的区域作为目标区域。
2.根据权利要求1所述的目标检测方法,其中步骤4)所述的将相加后的图像进行归一化及显著性处理,是先把图像归一化到[0,N],其中N为图像灰度值范围内的任意正整数;再将归一化后的图像进行显著性处理,即将归一化后的图像乘以系数
Figure FDA00002428854700011
其中M为归一化后图像的全局最大值,为除了全局最大值外的所有局部最大值的平均值。
3.根据权利要求1所述的目标检测方法,其中步骤5)所述的将初步显著图进行视觉感受野模型处理,是将初步显著图用视觉感受野模板滤波,其中视觉感受野模板通过如下高斯差分函数Dog(x,y)生成,
Dog ( x , y ) = C ex 2 2 π σ ex 2 e - x 2 + y 2 2 σ ex 2 - C inh 2 2 π σ inh 2 e - x 2 + y 2 2 σ inh 2
其中,σexinh分别为两个数值不同的高斯函数方差,Cex,Cinh分别为两个数值不同的系数,这里取σex=0.02,σinh=0.25,Cex=0.5,Cinh=1.5。
CN2012104708570A 2012-11-19 2012-11-19 基于改进视觉注意模型的sar目标检测方法 Pending CN102999909A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2012104708570A CN102999909A (zh) 2012-11-19 2012-11-19 基于改进视觉注意模型的sar目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2012104708570A CN102999909A (zh) 2012-11-19 2012-11-19 基于改进视觉注意模型的sar目标检测方法

Publications (1)

Publication Number Publication Date
CN102999909A true CN102999909A (zh) 2013-03-27

Family

ID=47928443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012104708570A Pending CN102999909A (zh) 2012-11-19 2012-11-19 基于改进视觉注意模型的sar目标检测方法

Country Status (1)

Country Link
CN (1) CN102999909A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104346800A (zh) * 2013-08-02 2015-02-11 南京理工大学 一种基于纹理显著性的微光图像目标检测方法
CN104346775A (zh) * 2013-08-02 2015-02-11 南京理工大学 一种提取图像局部纹理粗糙度的方法
CN110674845A (zh) * 2019-08-28 2020-01-10 电子科技大学 一种结合多感受野注意与特征再校准的菜品识别方法
CN111242061A (zh) * 2020-01-17 2020-06-05 电子科技大学 一种基于注意力机制的合成孔径雷达舰船目标检测方法
CN111382632A (zh) * 2018-12-29 2020-07-07 中国科学院长春光学精密机械与物理研究所 目标检测方法、终端设备及计算机可读存储介质
CN111666854A (zh) * 2020-05-29 2020-09-15 武汉大学 融合统计显著性的高分辨率sar影像车辆目标检测方法
CN111738124A (zh) * 2020-06-15 2020-10-02 西安电子科技大学 基于Gabor变换和注意力的遥感图像云检测方法
CN113256720A (zh) * 2021-06-03 2021-08-13 浙江大学 一种同时检测sar图像船只及其尾迹的方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184557A (zh) * 2011-06-17 2011-09-14 电子科技大学 一种复杂场景的显著区域检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184557A (zh) * 2011-06-17 2011-09-14 电子科技大学 一种复杂场景的显著区域检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHRISTOPHER WING HONG NGAU, LI-MINN ANG, KAH PHOOI SENG.: "Bottom-up Visual Saliency Map Using Wavelet Transform Domain", 《IEEE COMPUTER SCIENCE AND INFORMATION TECHNOLOGY》 *
LAURENT ITTI, CHRISTOF KOCH, AND ERNST NIEBUR.: "A Model of Saliency-Based Visual Attention", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
LAURENT ITTI: "Models of Bottom-Up and Top-Down Visual Attention", 《CALIFORNIA INSTITUTE OF TECHNOLOGY》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104346800A (zh) * 2013-08-02 2015-02-11 南京理工大学 一种基于纹理显著性的微光图像目标检测方法
CN104346775A (zh) * 2013-08-02 2015-02-11 南京理工大学 一种提取图像局部纹理粗糙度的方法
CN104346775B (zh) * 2013-08-02 2016-09-21 南京理工大学 一种提取图像局部纹理粗糙度的方法
CN104346800B (zh) * 2013-08-02 2016-12-28 南京理工大学 一种基于纹理显著性的微光图像目标检测方法
CN111382632A (zh) * 2018-12-29 2020-07-07 中国科学院长春光学精密机械与物理研究所 目标检测方法、终端设备及计算机可读存储介质
CN110674845A (zh) * 2019-08-28 2020-01-10 电子科技大学 一种结合多感受野注意与特征再校准的菜品识别方法
CN110674845B (zh) * 2019-08-28 2022-05-31 电子科技大学 一种结合多感受野注意与特征再校准的菜品识别方法
CN111242061A (zh) * 2020-01-17 2020-06-05 电子科技大学 一种基于注意力机制的合成孔径雷达舰船目标检测方法
CN111666854A (zh) * 2020-05-29 2020-09-15 武汉大学 融合统计显著性的高分辨率sar影像车辆目标检测方法
CN111666854B (zh) * 2020-05-29 2022-08-30 武汉大学 融合统计显著性的高分辨率sar影像车辆目标检测方法
CN111738124A (zh) * 2020-06-15 2020-10-02 西安电子科技大学 基于Gabor变换和注意力的遥感图像云检测方法
CN111738124B (zh) * 2020-06-15 2023-08-22 西安电子科技大学 基于Gabor变换和注意力的遥感图像云检测方法
CN113256720A (zh) * 2021-06-03 2021-08-13 浙江大学 一种同时检测sar图像船只及其尾迹的方法
CN113256720B (zh) * 2021-06-03 2021-09-24 浙江大学 一种同时检测sar图像船只及其尾迹的方法

Similar Documents

Publication Publication Date Title
CN102999909A (zh) 基于改进视觉注意模型的sar目标检测方法
Hu Variable lighting face recognition using discrete wavelet transform
CN102324021B (zh) 一种基于剪切波变换的红外弱小目标检测方法
CN102999908A (zh) 基于改进视觉注意模型的sar机场分割方法
CN107767387B (zh) 基于可变感受野尺度全局调制的轮廓检测方法
CN106682569A (zh) 一种基于卷积神经网络的快速交通标识牌识别方法
CN103632129A (zh) 一种人脸特征点定位方法及装置
CN103034865A (zh) 一种基于多尺度相对熵的视觉显著区域提取方法
CN109919960B (zh) 一种基于多尺度Gabor滤波器的图像连续边缘检测方法
CN103279957A (zh) 一种基于多尺度特征融合的遥感图像感兴趣区域提取方法
CN111027497B (zh) 基于高分辨率光学遥感影像的弱小目标快速检测方法
CN107274401A (zh) 一种基于视觉注意机制的高分辨率sar图像舰船检测方法
CN103177458A (zh) 一种基于频域分析的可见光遥感图像感兴趣区域检测方法
CN108830856B (zh) 一种基于时间序列sd-oct视网膜图像的ga自动分割方法
CN105023253A (zh) 基于视觉底层特征的图像增强方法
CN102289670B (zh) 一种具有光照鲁棒性的图像特征提取方法
Hou et al. SAR image ship detection based on visual attention model
CN105405132A (zh) 基于视觉反差和信息熵的sar图像人造目标检测方法
CN105225216A (zh) 基于空间距圆标记边缘检测的虹膜预处理算法
CN104794440A (zh) 一种基于多分块多尺度lbp的假指纹检测方法
Shariatmadar et al. Visual saliency detection via integrating bottom-up and top-down information
CN104050674B (zh) 一种显著性区域检测方法及装置
CN106355596A (zh) 一种融合均匀颜色信息和复合感受野模型的边缘检测方法
CN101369308B (zh) 基于视觉选择注意和像素依赖的无监督变化检测方法
Sengar et al. Analysis of 2D-gel images for detection of protein spots using a novel non-separable wavelet based method

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20130327