CN103093182A - 一种基于多敏感性策略的遥感影像层次分类识别方法 - Google Patents
一种基于多敏感性策略的遥感影像层次分类识别方法 Download PDFInfo
- Publication number
- CN103093182A CN103093182A CN2011103431744A CN201110343174A CN103093182A CN 103093182 A CN103093182 A CN 103093182A CN 2011103431744 A CN2011103431744 A CN 2011103431744A CN 201110343174 A CN201110343174 A CN 201110343174A CN 103093182 A CN103093182 A CN 103093182A
- Authority
- CN
- China
- Prior art keywords
- classification
- image
- strategy
- multisensibility
- cluster
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出了一种基于多敏感性策略的遥感影像层次分类识别方法,它是一种自顶向下、逐步求精的层次分类方法。首先利用敏感性分析对地物波谱曲线进行分析,选出特征波段,分别组成特征波段组,选用第一个波段特征组;通过聚类将光谱相近的像元聚在一起,实现对整幅影像的粗略划分(初步分类);然后以每个聚类簇作为新的分类对象,选用新的特征波段组合,新的特征,在每个聚类簇中展开进一步的细分(监督分类);如果对结果不满意,重复上述过程;最后对所有类别进行调整和合并得到最终的分类结果。该方法能够在分类中克服光谱差异性较大的类别(主导地物类别)对光谱差异小的类别的掩盖作用,有效的避免了“同物异谱”和“异物同谱”的现象,实现对地物的精细分类,可以显著提高分类识别精度。
Description
技术领域:
本发明属于遥感分类识别领域,是一种基于多敏感性策略的遥感影像层次分类识别方法。
背景技术:
遥感影像分类是利用计算机通过对影像中不同地物的空间信息和光谱信息进行分析,选择特征,并将特征空间划分为互不重叠的子空间,然后将影像中各个像元划归到子空间去(参考对比文件1,2)。遥感影像分类方法一般分为监督分类和非监督分类两种。监督分类(识别是在其基础上添加类属信息)是根据已知训练区提供的样本,计算机通过对训练区的“学习”,得到每个训练区数据的特征参数,建立判别函数,据此样本类别的特征来识别其它像元的归属类别;其常用主要方法有:最大似然分类、判别分析、最近邻分类、最小距离分类、平行多面体分类法、人工神经网络分类以及支持向量机分类、决策树等。非监督分类是根据同类地物的光谱相似性,利用聚类的方法,使得同一类别的像素之间的距离尽可能小,而不同类别的像素之间的距离尽可能大,达到分类的目的,最后对已分出的各个类别的实际属性进行确认;其常用方法主要有:系统聚类、K-means聚类、ISODATA以及模糊C均值聚类等各种聚类分析方法(参考对比文件3,4)。但是传统的监督分类与非监督分类各自存在着无法避免的“硬伤”,非监督分类自动化程度高,但初始化条件、全局最优分类中心和类别个数难以确定、很难融合领域(地学)专家知识;传统的监督分类人为主观因素较大、训练样本的选取和评估花费较大、只能识别训练样本中所定义的类别,并且领域知识考虑很局限(参考对比文件5,6),层次分析、决策树等分析方法也只是策略比较单调的分类方法,对于影像的分类尤其是高(时相、空间、光谱)分辨率影像的分类识别精度很有限。
地物的反射波谱曲线是研究地面物体反射率随波长的变化规律,同一物体的波谱曲线反映出不同波段的不同反射率,将此与遥感传感器的对应波段接收的辐射数据相对照,可以得到遥感数据与对应地物的识别规律。尽管领域专家非常注意地物波谱的特性,但是在实际分类识别中,由于影像“同物异谱”和“异物同谱”等原因导致现有的各种方法难以有效进行分类识别;经过我们仔细观察发现,不同地物的波谱特征在不同的波段总能找到可识别的特征波谱或特征信息(图1),如图1所示,可以在520nm波段将卵砾类土区分出来,在1600nm波段将粘性土和砂类土区分出来,在2100nm波段将黄土区分出来。显然,通过基于对多源影像数据和波谱数据特征的敏感性分析(Sensitivity Analysis,是一种定量描述模型输入变量对输出变量的重要性程度的方法)(对比文件7),就可以在多源影像数据和大量地物类型的波谱曲线中找出能够区分它们的特征波段和特征信息。
本发明提出了一种基于多敏感性策略的遥感影像层次分类识别方法,它是一种自顶向下、逐步求精的层次分类方法,各层次分类的数据源可以是不同来源的影像数据(比如多种卫星数据等),并且各层次分类识别的数据特征信息可以是不同的(即不同分类阶段使用不同的数据特征)。能够在分类中克服光谱差异性较大的类别(主导地物类别)对光谱差异小的类别的掩盖作用,有效的避免了“同物异谱”和“异物同谱”的现象(尤其是对于高光谱影像和高空间分辨率影像),实现对地物的精细分类,可以显著提高分类识别精度。
对比文件1:赵春霞,钱乐祥.遥感影像监督分类与非监督分类的比较.河南大学学报(自然科学版).2004,34(3):90-93
对比文本2:I.Thomas,V.Benning,N.Ching,Classification of remotely sensed images,Adam Hilger,Bristol,1987.
对比文件3:T.M.Lillesand and R.W.Kiefer,Remote Sensing and Image Interpretation,Wiley,4th edition,1999.
对比文件4:陈姝,居为民.遥感影像分类方法及研究进展.河北农业科学.2009,13(1):143-146
对比文件5:杨鑫.浅谈遥感图像监督分类与非监督分类.四川地质学报.2008,28(3):251-254
对比文件6:Qian Yin,Ping Guo,“Multispectral Remote Sensing Image Classification with Multiple Features”,Proceedings of the Sixth International Conference on Machine Learning and Cybernetics,pp.360-365,2007.
对比文件7:YU Xian-Chuan,DAI Sha,HU Dan,JIANG Qi-Yu,HHFNN based on Lasso Function and its application in remote sensing image classification,Chinese Journal Geophysics,2011,54(6):590-598
发明内容:
提出了一种基于多敏感性策略的遥感影像层次分类识别方法,体现在:(1)分类识别过程具有多层次性;(2)使用的信息具有多元化:多源(波谱曲线数据,多平台影像数据)、多波段、多特征(像素值、纹理等特征信息)。
具体步骤如下:(1)首先对影像进行拉伸与增强,利用敏感性分析,找出特征差异最大的几个特征波段(可以是不同来源、不同分辨率的遥感影像),分别组成特征波段组(一般取2-3就可以);(2)选择第一组波段,通过聚类分析(可以是选择不同的聚类方法)将光谱相近的像元聚在一起,实现对整幅影像的粗略划分(初步分类);(3)对得到的分类结果,选择新的波段组(如第二波段组或原先的波段组)和新的特征信息(如纹理等),以每个聚类簇作为新的分类对象,在每个聚类簇中展开进一步的细分(监督分类);(4)如结果不满意,继续步骤(3);(5)最后对所有类别进行调整和合并得到最终的分类结果,一般两次即能得到理想结果。
其中基于多敏感性策略的遥感影像层次分类识别方法分为以下五个阶段:
具体算法描述如下:
1)波段敏感性分析与组合:首先影像拉伸与增强,然后对遥感影像地物波谱曲线进行敏感性分析,选出能够区分地物类别的特征波段,组成特征波段组。
2)选择第一组特征波段组,对影像进行聚类,通过聚类将光谱相似(差异性小)的像元划分在同一聚类簇中,实现了对整幅影像的初步分类。
3)在聚类簇的范围之内展开进一步的精细分类,选择新的特征波段组和新的特征信息,根据聚类簇中的地物信息,将聚类簇细分为多个子类,然后为子类选择相应的样本并进行监督分类,得到该聚类簇的细分(二级分类)结果。由于同一聚类簇中的像元具有较高的相似性,在聚类簇内部进行监督分类能够有效的避免差异性较大的像元(其他聚类簇中像元)在分类中的干扰和影响,能够容易实现光谱差异小的像元的区分。
4)如果对结果不满意,返回步骤3)。
5)对二级分类结果进行类别颜色的调整和适当的合并操作,得到最终的分类结果。
本发明提出的基于多敏感性策略的遥感影像层次分类识别方法是一种能够保证较高分类精度和执行效率的遥感影像分类方法。该方法综合发挥了无监督分类和监督分类两种分类方法的优势,利用敏感性分析对地物波谱曲线进行分析,能有效地选出特征波段,利用多特征波段,有效地将多种地物进行区分,能够在分类中克服光谱差异性较大的类别(主导地物类别)对光谱差异小的类别的掩盖作用,实现对光谱信息差异性小的地物类别的精确分类,有效的避免了“同物异谱”和“异物同谱”的现象的发生。
附图说明:
图1是波谱曲线图。
图2是对影像进行波段组合和拉伸之后的北京市怀柔区ASTER遥感影像(1024*1024)。
图3是对影像进行聚类之后得到的8个聚类簇的结果图。
图4是对影像进行基于多敏感性策略的遥感影像层次分类后的结果图。
图5是对影像进行最近邻分类后的结果图。
图6是对影像进行最大似然分类的结果图。
图7分类结果对比表。
图8本发明的整体流程。
具体实施方式:
本发明的目的在于实现一种保证较高的分类精度和执行效率,并且能够实现精细分类的遥感影像分类方法:基于多敏感性策略的遥感影像层次分类识别方法。具体步骤如下:首先进行图像预处理,利用敏感性分析分析波谱曲线,找出能够区分地物的特征波谱组合,然后选出第一个波段组合,对处理后的图像进行非监督分类,将光谱相似的像元划分在同一聚类簇中,然后再次利用敏感性分析分析波谱,找到能够精细分类的波段组合或者波段,对每个聚类簇进行监督分类,实现对图像的精细分类,最后进行类别颜色的调整和适当的合并操作,得到最终的分类结果。
1)波段敏感性分析与组合
通过对遥感影像波段统计分析以及对该影像中地物的波谱数据进行敏感性分析,分析特征差异最大的几个特征波段(可以是不同来源、不同分辨率的遥感影像),选择出可以对该地区地物区分能力较强的波段进行组合,分别组成特征波段组(一般取2-3就可以),同时,对于影像中灰度集中于一狭小范围的波段进行拉伸及直方图均衡,以增强图像对比度,改善目视效果,增强图像的可分性。
2)初级分类
通过对影像的波谱分析,找出能够大致区分地物的波段或者波段组合,选择第一组特征波段组,然后对影像进行聚类,通过对聚类中心数和迭代次数的控制,将光谱相似(差异性小)的像元划分在同一聚类簇中,避免产生不必要的人为误差,同时对于独特的、覆盖量小的类别能够识别。对于初始条件的控制,根据影像的实际情况,尽量选择大一些的聚类中心数,这为后续的二级分类提供方便。本发明可以使用多种聚类方法,有K-Means聚类、ISODATA聚类以及模糊C均值等聚类方法,也可以通过多种度量相似性的距离来参与聚类运算,比如欧式距离、马氏距离等。
3)二级分类
在初级分类的基础上,选用新的特征波段组,选用新的特征(比如像素值、纹理等),在每个聚类簇的范围之内展开进一步的精细分类。首先,通过初级分类的结果,再次分析影像的波谱曲线,,选择第二组特征波段组(该特征波段组能够更精细的分类),根据聚类簇中的地物信息,将聚类簇细分为多个子类,然后为子类选择相应的样本并进行监督分类,得到该聚类簇的细分(二级分类)结果。由于同一聚类簇中的像元具有较高的相似性,在聚类簇内部进行监督分类能够有效的避免差异性较大的像元(其他聚类簇中像元)在分类中的干扰和影响,能够容易实现光谱差异小的像元的区分。
4)如果对结果不满意,返回步骤3)。
5)调整和合并
对二级分类结果进行类别颜色的调整和适当的合并操作,得到最终的分类结果。
仿真结果:
选择北京市怀柔区ASTER遥感影像作为试验源数据,该数据为1B级数据,如图7所示,影像大小为1024*1024,光谱范围从0.52到11.6微米,包含了14个波段。从图像和实际调查可知影像中主要地物类别包括了:山体(各种岩石)、粘性土、卵砾类土、水库、建筑物以及阴影。
按照本发明算法的流程,首先对影像进行预处理,得到的预处理后的结果如图1所示。然后对影像进行基于聚类的层次分类算法的遥感影像分类,根据影像中所包含的主要地物信息将影像分为六类(山体(各种岩石)、粘性土、卵砾类土、水库、建筑物以及阴影),最后经过分类后处理得到分类结果如图2所示。
为了体现本发明算法的优越性,将本发明所提出的方法和传统的监督分类方法进行比较,在相同运行环境下(相同的软件和硬件平台)对原图分别进行最大似然分类和最近邻分类,将影像分成相同的类别(山体(各种岩石)、粘性土、卵砾类土、水库、建筑物以及阴影)得到的分类结果分别由图3和图4所示。并对各个分类方法的分类精度和效率进行比较,比较结果如图5所示。
对比这三个结果可以发现,基于多敏感性策略的遥感影像层次分类结果明显优于最近邻分类和最大似然分类结果。可以看到,多敏感性策略的遥感影像层次分类的遥感影像分类结果能完整地归类山体(各种岩石)、粘性土、卵砾类土、水库、房屋和阴影;对于最近邻分类,卵砾石类土有错分现象,部分山体也有错分现象;对于最大似然分类,卵砾石类土、部分山体以及建筑物错分现象明显。由于“卵砾类土”和部分“粘性土”的光谱差异性较小,在最近邻分类中有部分卵砾类土被误分为粘性土,在最大似然分类中,很多粘性土被误分成卵砾类土,而多敏感性策略的遥感影像层次分类则能够实现这两种地物的正确区分。
通过上述比较分析可知:基于多敏感性策略的遥感影像层次分类方法是一种能够实现高精度分类的遥感图像分类算法,与传统最大似然分类和最近邻分类等方法相比具有以下优点:
1)该方法综合发挥了无监督分类和监督分类两种分类方法的优势,自顶向下、逐步求精,相比较单纯的监督分类或非监督分类分类精度更可靠。
2)波谱曲线与遥感影像进行结合,利用敏感性分析,找出能够区分不同地物的特征波段组,利用这些特征波段组,能够有效地区分光谱相似小的地物。
3)能够克服光谱差异性较大的类别(主导地物类别)对光谱差异小的类别的掩盖作用,实现对图像的精细分类。
Claims (3)
1.一种基于多敏感性策略的遥感影像层次分类识别方法。其特征在于:本方法依次包括波段敏感性分析与组合、影像多策略多层次分类、分类后处理三个过程。
2.如权利要求1所述的一种基于多敏感性策略的遥感影像层次分类识别方法,其中基于波段敏感性分析与组合的特征在于:对遥感影像中的地物波谱曲线进行敏感性分析,找出能够区分地物的特征波段,然后组成特征波段组(一般是2-3组),为后续的分类做准备。
3.如权利要求1所述的一种基于多敏感性策略的遥感影像层次分类识别方法,其中基于影像多策略多层次分类的特征在于:将分类分为多个层次,第一个层次是先选用特征波段组(可以是多卫星影像数据,如ASTER、ETM+、SPOT5等)将影像进行聚类,通过聚类将光谱相似的像元划分在同一聚类簇中;第二个层次是在聚类簇的范围之内展开进一步的精细分类,选择新的特征波段组和新的特征信息(纹理、灰度值、形状特征等),将聚类簇细分为多个子类,然后为子类选择相应的样本并进行监督分类,得到该聚类簇的细分(二级分类)结果,实现影像的精细分类。第三个层次是如果对分类结果不满意,还可以重复上述第二个过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011103431744A CN103093182A (zh) | 2011-11-03 | 2011-11-03 | 一种基于多敏感性策略的遥感影像层次分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011103431744A CN103093182A (zh) | 2011-11-03 | 2011-11-03 | 一种基于多敏感性策略的遥感影像层次分类识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103093182A true CN103093182A (zh) | 2013-05-08 |
Family
ID=48205733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011103431744A Pending CN103093182A (zh) | 2011-11-03 | 2011-11-03 | 一种基于多敏感性策略的遥感影像层次分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103093182A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825222A (zh) * | 2015-01-07 | 2016-08-03 | 王伟 | 基于多源多时相卫星影像数据的土地自动分类方法 |
CN105825221A (zh) * | 2015-01-07 | 2016-08-03 | 王伟 | 土地自动演化分类方法 |
CN108806355A (zh) * | 2018-04-26 | 2018-11-13 | 浙江工业大学 | 一种书画艺术互动教育系统 |
CN108830336A (zh) * | 2018-06-27 | 2018-11-16 | 重庆交通大学 | 一种面向高分影像的地物特征筛选方法 |
WO2019129032A1 (zh) * | 2017-12-26 | 2019-07-04 | 北京市商汤科技开发有限公司 | 遥感图像识别方法、装置、存储介质以及电子设备 |
CN110414610A (zh) * | 2019-07-31 | 2019-11-05 | 华南农业大学 | 一种果园土壤聚类系统及方法 |
CN111178169A (zh) * | 2019-12-12 | 2020-05-19 | 广州地理研究所 | 一种基于遥感影像的城市地表覆盖物精细分类方法及装置 |
CN111507282A (zh) * | 2020-04-21 | 2020-08-07 | 名创优品(横琴)企业管理有限公司 | 一种目标检测预警分析系统、方法、设备及介质 |
CN114220004A (zh) * | 2021-11-26 | 2022-03-22 | 北京亿耘科技有限公司 | 一种基于遥感影像的人工牧场地块识别方法和系统 |
CN117951610A (zh) * | 2024-03-26 | 2024-04-30 | 华南理工大学 | 基于特征数据分析的通信信号识别分类方法 |
-
2011
- 2011-11-03 CN CN2011103431744A patent/CN103093182A/zh active Pending
Non-Patent Citations (3)
Title |
---|
刘志刚: "支撑向量机在光谱遥感影像分类中的若干问题研究", 《中国博士学位论文全文数据库(电子期刊)》 * |
李秦等: "最优分割尺度下的多层次遥感地物分类试验分析", 《地球信息科学学报》 * |
甘淑等: "澜沧江流域山区土地覆盖遥感监测分类组织与实施技术研究", 《资源科学》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825221A (zh) * | 2015-01-07 | 2016-08-03 | 王伟 | 土地自动演化分类方法 |
CN105825222A (zh) * | 2015-01-07 | 2016-08-03 | 王伟 | 基于多源多时相卫星影像数据的土地自动分类方法 |
WO2019129032A1 (zh) * | 2017-12-26 | 2019-07-04 | 北京市商汤科技开发有限公司 | 遥感图像识别方法、装置、存储介质以及电子设备 |
US11074445B2 (en) | 2017-12-26 | 2021-07-27 | Beijing Sensetime Technology Development Co., Ltd. | Remote sensing image recognition method and apparatus, storage medium and electronic device |
CN108806355A (zh) * | 2018-04-26 | 2018-11-13 | 浙江工业大学 | 一种书画艺术互动教育系统 |
CN108806355B (zh) * | 2018-04-26 | 2020-05-08 | 浙江工业大学 | 一种书画艺术互动教育系统 |
CN108830336A (zh) * | 2018-06-27 | 2018-11-16 | 重庆交通大学 | 一种面向高分影像的地物特征筛选方法 |
CN108830336B (zh) * | 2018-06-27 | 2021-08-13 | 重庆交通大学 | 一种面向高分影像的地物特征筛选方法 |
CN110414610A (zh) * | 2019-07-31 | 2019-11-05 | 华南农业大学 | 一种果园土壤聚类系统及方法 |
CN110414610B (zh) * | 2019-07-31 | 2021-10-22 | 华南农业大学 | 一种果园土壤聚类系统及方法 |
CN111178169B (zh) * | 2019-12-12 | 2023-03-10 | 广州地理研究所 | 一种基于遥感影像的城市地表覆盖物精细分类方法及装置 |
CN111178169A (zh) * | 2019-12-12 | 2020-05-19 | 广州地理研究所 | 一种基于遥感影像的城市地表覆盖物精细分类方法及装置 |
CN111507282A (zh) * | 2020-04-21 | 2020-08-07 | 名创优品(横琴)企业管理有限公司 | 一种目标检测预警分析系统、方法、设备及介质 |
CN111507282B (zh) * | 2020-04-21 | 2023-06-30 | 创优数字科技(广东)有限公司 | 一种目标检测预警分析系统、方法、设备及介质 |
CN114220004A (zh) * | 2021-11-26 | 2022-03-22 | 北京亿耘科技有限公司 | 一种基于遥感影像的人工牧场地块识别方法和系统 |
CN114220004B (zh) * | 2021-11-26 | 2023-04-18 | 北京亿耘科技有限公司 | 一种基于遥感影像的人工牧场地块识别方法和系统 |
CN117951610A (zh) * | 2024-03-26 | 2024-04-30 | 华南理工大学 | 基于特征数据分析的通信信号识别分类方法 |
CN117951610B (zh) * | 2024-03-26 | 2024-06-07 | 华南理工大学 | 基于特征数据分析的通信信号识别分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103093182A (zh) | 一种基于多敏感性策略的遥感影像层次分类识别方法 | |
Zhang et al. | A feature difference convolutional neural network-based change detection method | |
CN108491849B (zh) | 基于三维稠密连接卷积神经网络的高光谱图像分类方法 | |
Tuia et al. | Multiclass feature learning for hyperspectral image classification: Sparse and hierarchical solutions | |
Subudhi et al. | A survey on superpixel segmentation as a preprocessing step in hyperspectral image analysis | |
Huang et al. | An SVM ensemble approach combining spectral, structural, and semantic features for the classification of high-resolution remotely sensed imagery | |
Moustakidis et al. | SVM-based fuzzy decision trees for classification of high spatial resolution remote sensing images | |
CN105608474A (zh) | 基于高分辨率影像的区域自适应耕地提取方法 | |
CN103440505B (zh) | 空间邻域信息加权的高光谱遥感图像分类方法 | |
Bosch et al. | Segmentation and description of natural outdoor scenes | |
Liu et al. | Multilayer cascade screening strategy for semi-supervised change detection in hyperspectral images | |
Feng et al. | Self-supervised divide-and-conquer generative adversarial network for classification of hyperspectral images | |
CN112949738B (zh) | 基于eecnn算法的多类不平衡高光谱图像分类方法 | |
CN104408731B (zh) | 基于区域图和统计相似性编码的sar图像分割方法 | |
Treboux et al. | Decision tree ensemble vs. nn deep learning: efficiency comparison for a small image dataset | |
Li et al. | EMFNet: Enhanced multisource fusion network for land cover classification | |
Palacios Salinas et al. | Automated machine learning for satellite data: integrating remote sensing pre-trained models into AutoML systems | |
Saini | Integrating vegetation indices and spectral features for vegetation mapping from multispectral satellite imagery using AdaBoost and random forest machine learning classifiers | |
Yadav et al. | Improved color-based K-mean algorithm for clustering of satellite image | |
CN104392454B (zh) | 高光谱遥感图像空谱结合分类框架下的基于地物类别隶属度评分的合并方法 | |
CN116863327B (zh) | 一种基于双域分类器协同对抗的跨域小样本分类方法 | |
Shang et al. | Spectral–spatial generative adversarial network for super-resolution land cover mapping with multispectral remotely sensed imagery | |
CN112115961A (zh) | 一种基于稀疏图正则化的高光谱遥感影像分类方法 | |
Ju et al. | Modified diversity of class probability estimation co-training for hyperspectral image classification | |
Sun et al. | A study on the classification of vegetation point cloud based on random forest in the straw checkerboard barriers area |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20130508 |
|
RJ01 | Rejection of invention patent application after publication |