CN103093243A - 高分辨率全色遥感图像云判方法 - Google Patents

高分辨率全色遥感图像云判方法 Download PDF

Info

Publication number
CN103093243A
CN103093243A CN2013100261219A CN201310026121A CN103093243A CN 103093243 A CN103093243 A CN 103093243A CN 2013100261219 A CN2013100261219 A CN 2013100261219A CN 201310026121 A CN201310026121 A CN 201310026121A CN 103093243 A CN103093243 A CN 103093243A
Authority
CN
China
Prior art keywords
remote sensing
cloud
sensing image
panchromatic remote
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.)
Granted
Application number
CN2013100261219A
Other languages
English (en)
Other versions
CN103093243B (zh
Inventor
赵晓
侯晴宇
张伟
梁冰冰
陈刚义
丛海佳
孙永雪
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.)
Harbin Institute of Technology (Beijing) military and Civilian Integration Innovation Research Institute Co., Ltd.
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201310026121.9A priority Critical patent/CN103093243B/zh
Publication of CN103093243A publication Critical patent/CN103093243A/zh
Application granted granted Critical
Publication of CN103093243B publication Critical patent/CN103093243B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

高分辨率全色遥感图像云判方法，涉及空间光电信息处理技术领域。为了解决全色遥感图像云检测问题，令检测结果更加准确，且满足时实性要求，本发明的高分辨率全色遥感图像云判方法主要包括以下步骤：1)对训练图像块进行归一化处理；2)对提取归一化图像进行奇异值分解，提取奇异值作为特征参量；3)按照上述方法将训练样本映射为特征空间中的点；4)利用HDA法对特征空间进行特征压缩；5)在所获得的一维压缩子空间中，构造单一阈值作为云检测判据；6)对待检测图像，利用训练好的分类器进行云检测。本发明适用于高分辨率全色遥感图像的云检测，具有较高的检测概率与较低的虚警概率，且占用处理系统较少的存储空间和运算耗时。

Description

高分辨率全色遥感图像云判方法
技术领域
本发明涉及空间光电信息处理技术领域，尤其是涉及一种基于模式识别的针对高分辨率全色光学卫星成像平台的遥感图像云判技术。
背景技术
随着空间技术的发展，对太空遥感提出了更高的要求，主要包括高空间分辨率、高光谱分辨率和高时间分辨率。随之而来的是空间遥感图像的数据量呈几何级数增加，对数据传输码速率的要求增加至几百甚至几千Mbps，而目前最高传输速率只有300~600Mbps，己成为制约空间遥感图像分辨率提高的“瓶颈”。实际上，满幅被云覆盖的遥感图像（如图1-3所示）占遥感图像总数的比例超过50%，几乎不具备任何可用信息或可用信息较少。这类图像占用了处理系统中大量的存储空间、处理能力和传输带宽，很大程度上影响了遥感信息获取的质量，降低了传输带宽的利用率。因此有必要研究用于提高大容量图像数据传输有效性和效能的在轨云检测技术，从而高效、快速地对卫星平台获取的遥感图像进行云去除，提高传输效能和图像信息利用率。由于星上处理器的运算能力及存储空间资源有限，这要求云判技术不仅要占用少量的存储空间，而且应具有很高的执行效率，以满足实时处理的要求。另外，由于云的形态各异，且组成成分具有较大差别，有些与地物目标类似，这又要求检测方法具有更高的检测概率与更低的虚警概率。
总体来看，云判技术大体分为两类。一类是基于多谱段信息融合的云检测方法，该方法根据云在不同谱段下的反照率，构造适当的单一阈值，进行云识别。此类方法运算速率较高，但强烈依赖于传感器，光学系统等参数，阈值大小会随季节与地理位置变化，且难以实现星上较高精度的多光谱配准。另一类方法则是基于图像特征的云检测方法，该方法在全色遥感图像云检测方面取得了一定的优势。但此类方法仍面临着运算速度慢、检测概率低、普适性较差等问题。且方法大多针对气象卫星，对于高分辨率图像并不适用。可见，如何选择具有鲁棒性的特征参量，以适应不同形态、不同条件下的云检测；如何对高维度的特征空间进行去相关压缩处理，以降低星上处理器的存储负担；以及如何进行最优化聚类，以提高云检测的准确度为云判技术的三个重要环节。
为得到高分辨率的遥感图像，通常情况下采用全色成像器件(CCD)进行成像。图像中的云具有较高灰度，但同时，人造建筑及冰雪也会呈现高亮度的特性，因此，单一的灰度阈值无法用于云检测。同时，不同形态、不同类别的云具有差别较大的纹理特征，且纹理特征可受到平台振动、模糊等因素的影响。因此，需寻找另一类特征参量作为检测判据。对于遥感图像而言，图像奇异值的稳定性好，当图像被施加小的扰动时图像的奇异值不会有很大的变化，且奇异值对应于目标的辐射特性与几何特性，奇异值所表现的是图像的内在属性而非视觉特性，反映的是图像矩阵元素之间的关系，具有较强的鲁棒性，可用奇异值作为图像的分类特征参量。
对于获取的图像特征参量数据，为有效地减小计算与存储负担，需对特征矢量进行去相关压缩处理。传统的特征压缩方法为线性判别分析法(LDA)，此类方法适用于协方差相同的两类样本分类，对于协方差不同的两类样本，不能实现最佳的去相关压缩效果。而线性异方差判别法(HDA)则在协方差不同的两类样本分类问题上表现出了一定的优势，且线性运算压缩满足实时性要求。
发明内容
为了解决全色遥感图像云检测问题，令检测结果更加准确，且满足时实性要求，本发明提出了一种高分辨率全色遥感图像云判方法，该方法能够对全色CCD获取的遥感图像进行快速、准确地云检测。
为了实现上述发明目的，本发明的高分辨率全色遥感图像云判方法主要包括以下步骤：
1) 对训练图像块（通常为64×64），进行归一化处理；
2) 对提取归一化图像进行奇异值分解，提取奇异值作为特征参量；
3) 按照上述方法将训练样本映射为特征空间中的点；
4) 利用HDA法对上述特征空间进行特征压缩；
5) 在所获得的一维压缩子空间中，构造单一阈值作为云检测判据；
6) 对待检测图像，利用训练好的分类器进行云检测。
上述方法中，所述步骤2)包括：计算样本的奇异值，将奇异值按大小排序，提取排序结果的前三个奇异值作为特征参量，构造三维特征矢量，生成三维特征空间，其中特征空间的基底为三个奇异值，并将特征空间进行标准化处理。
上述方法中，所述步骤4)包括：利用最速下降法解算并优化HDA法，得到相应的压缩矩阵，压缩矩阵为一维行向量。
上述方法中，所述步骤5)包括：在一维压缩子空间，分别计算两类样本的类质心，并以最小化虚警率为原则寻找最佳阈值作为分类器。
上述方法中，所述步骤6)包括：针对待检测图像单元（通常为64×64），首先将其灰度进行归一化处理，对处理结果进行奇异值分解，并提取奇异值最大的前三个量作为特征参量，构造三维特征矢量，并对特征矢量进行标准化。然后利用步骤4)得到的压缩矩阵对三维特征矢量进行压缩，并利用步骤5)得到的阈值进行类别划分，判断是否为云。
上述方法中，在所述步骤2)中，对特征空间进行标准化处理，即利用训练样本的最大奇异值将各特征分量进行归一化。
上述方法中，在所述步骤6)中，对特征矢量进行标准化，即利用训练样本的最大奇异值将特征矢量各分量进行归一化。
本发明提出的高分辨率全色遥感图像云判技术，提出了云判技术的模式识别思想，将待检测对象划分为两类，即云和下垫面地物，利用分类技术进行云检测。在特征提取技术环节，本发明提出以奇异值作为特征参量，可有效地对抗平台振动，模糊等因素的影响，其具有极强的鲁棒性，蕴含目标本质的属性，能够避免环境、对象状态等因素对分类的影响，保证了分类的准确性。在特征压缩过程中，本发明首次将HDA技术引入云检测，弥补了传统特征压缩技术的不足，对云与地物特征分类空间，能够最大限度地抽取分类信息，对协方差不同的云与地物两类样本，能够实现去相关压缩的最优化。且本方法为线性压缩方法，满足实时性要求。在一维空间两类分类问题上，本发明提出了基于虚警率最小化的分类阈值计算方法。利用本发明所提出的方法对实际遥感图像进行云判仿真实验，通过量化实验结果验证了本发明的性能与优势。本发明适用于高分辨率全色遥感图像的云检测，具有较高的检测概率与较低的虚警概率，且占用处理系统较少的存储空间和运算耗时。应用本发明能够显著提高云判精度与实时性。
附图说明
图1是缺乏可用信息遥感图像（全局薄云覆盖）；
图2是缺乏可用信息遥感图像（全局厚云覆盖）；
图3是缺乏可用信息遥感图像（局部云）；
图4是三维特征空间；
图5是一维压缩子空间；
图6是星上实时云判总体流程；
图7是QuickBid2全色图像；
图8是云检测仿真实验结果。
具体实施方式
为使本发明的目的、方法及优势更加清晰，下面结合附图对本发明的技术方案作进一步阐述，但并不限定本发明的保护范围。
本发明首先对扫描图像块进行快速SVD分解，计算前三个奇异值作为输入特征矢量。然后利用基于异方差判别分析(HDA)技术的特征压缩算法，将特征空间压缩至一维子空间，在一维压缩子空间中以最小化虚警率为原则寻找最佳阈值作为分类器。最后利用训练好的分类器对输入的图像进行云检测。具体步骤如下：
1、选取云与地物训练样本各500幅，记为x i ，i=1,2,…1000。各样本类属标号记为j，j=1为云，j=-1为下垫面地物。对训练样本图像(64×64)按式(1)做归一化处理：
                                                                                             
Figure 33667DEST_PATH_IMAGE001
                                                     (1)；
式中，q为探测器量化位数，M，N为图像尺寸，I为原始图像。
2、对归一化图像I std 按式(2)进行奇异值分解，并对其奇异值进行从大到小排序。
                                            
Figure 984306DEST_PATH_IMAGE002
                                                     (2)；
式中U，V为酉矩阵，Σ为对角阵，Σ=diag(σ 1, σ 2, …, σ 64)，其中σ 1≥σ 2≥…≥σ 64。以σ 1，σ 2，σ 3作为特征空间的标准基，并将其按式(3)进行标准化，标准化的特征空间如图4所示。
                                            
Figure 804494DEST_PATH_IMAGE003
                                                     (3)；
式中i为样本编号，i=1,2,…,1000。k为特征参量编号，k =1,2,3。
将训练样本映射至特征空间中的点，即：
                                           
Figure 156978DEST_PATH_IMAGE004
                                                      (4)；
3、设转换矩阵θ=[θ p | θ m-p ] m×m ，提取矩阵θ中子块θ p 作为压缩矩阵，将维度压缩为R m →R p 。以下式对矩阵θ进行最佳估计：
              
Figure 787942DEST_PATH_IMAGE005
                                                      (5)；
式中m为原始特征空间维度，p为压缩子空间维度，N为训练样本总数，N j 为第j类的样本数，
Figure 225877DEST_PATH_IMAGE006
为总数据的方差，
Figure 584177DEST_PATH_IMAGE007
j 为类j的类内协方差矩阵；与
Figure 357147DEST_PATH_IMAGE007
j 定义如下：
                                       
Figure 282377DEST_PATH_IMAGE008
                               (6)；
                          
Figure 444368DEST_PATH_IMAGE009
                                                     (7)；
Figure 505865DEST_PATH_IMAGE010
为数据均值，
Figure 475702DEST_PATH_IMAGE010
j 为类j的类均值。有：
                                                  
Figure 888229DEST_PATH_IMAGE011
                                                     (8)；
                                        
Figure 853911DEST_PATH_IMAGE012
                                                      (9)；
令m=3，p=1，N=1000，N 1= N 2=500，连同训练样本带入式(5)、(6)、(7)，并利用最速下降法求解矩阵θ，得到压缩矩阵θ 1。求解过程如下：
1)初始化ct=0，θ(ct)=Rands3×3，即θ初始值为三阶随机矩阵，step=0.01；
2)计算当前
Figure 35493DEST_PATH_IMAGE013
的负导数：
          
Figure 412117DEST_PATH_IMAGE014
                                                     (10)；
3)以下式对θ进行更新，进而以式(5)计算
Figure 311940DEST_PATH_IMAGE013
。
                         
Figure 815733DEST_PATH_IMAGE015
                                                     (11)；
4)直到||
Figure 117402DEST_PATH_IMAGE013
(ct)-
Figure 166391DEST_PATH_IMAGE013
(ct-1)||<10-6或ct=1000时，迭代结束，取：
                                                   
Figure 553510DEST_PATH_IMAGE016
                                                    (12)；
否则，返回步骤2)，迭代继续。
4、对特征空间进行压缩，得到一维压缩子空间（图5），即：
                                                    
Figure 923312DEST_PATH_IMAGE017
                                                    (13)；
5、在一维压缩子空间中，以虚警率最小化为原则寻找分类阈值，如式(14)所示。
                                             
Figure 751591DEST_PATH_IMAGE018
                                                    (14)；
其中P false 为虚警概率，即：
                          
Figure 548645DEST_PATH_IMAGE019
 
                                                    (15)；
其中#(detect_cloud)为云样本的误判个数，相应的#(detect_ground)为地物样本的误判个数。#(train_cloud)为参与训练的云样本总数，#(train_cloud)为参与训练的地物样本总数。利用训练样本求解阈值T，其中y i >T，训练样本判定为云，否则判定为地物。根据压缩子空间样本分布情况设定T的取值范围及变化步长，分别计算不同的T值对应的虚警概率，取虚警概率最小对应的T值作为最佳阈值。
6、对扫描输入图像块x input ，利用训练所得分类器进行云检测，流程如图6所示。以步骤1和2建立输入图像的特征矢量，并用步骤3的求解结果θ 1对特征矢量进行压缩处理，即：
Figure 344432DEST_PATH_IMAGE021
                                                     (16)；
然后与步骤5中训练所得阈值T进行比较，若y input >T，则输入图像块被判定为云，若y input <T，则判定为下垫面地物。
为验证本发明方法的性能，利用本发明方法进行仿真测试，分别从定量与定性两方面对本发明方法的性能进行综合度量。图7和图8给出了应用本发明对实际遥感图像(QuickBird2全色图像)进行云判的结果。以云与下垫面地物图像各1000块作为测试样本，对本发明方法进行综合性能测试，经实际测试，本发明的检测概率为96.7%，虚警概率为2.4%，在matlab2012仿真平台本发明平均检测耗时为1.16ms。
实验结果表明，本发明对于高分辨率全色遥感图像的云检测具有很好的性能，能够有效地辨识各类虚警源。且本发明极大地降低了处理器的存储空间及运算速度，为实际工程应用提供了有效的方法途径。

Claims (5)

1.高分辨率全色遥感图像云判方法，其特征在于所述方法包括如下步骤：
1) 选取云与地物作为训练样本，对训练图像块进行归一化处理；
2) 对提取归一化图像进行奇异值分解，提取奇异值作为特征参量；
3) 按照上述方法将训练样本映射为特征空间中的点；
4) 利用HDA法对上述特征空间进行特征压缩，获得一维压缩子空间；
5) 在所获得的一维压缩子空间中，构造单一阈值作为云检测判据；
6) 对待检测图像，利用训练好的分类器进行云检测。
2.根据权利要求1所述的高分辨率全色遥感图像云判方法，其特征在于所述步骤2)中，计算样本的奇异值，将奇异值按大小排序，提取排序结果的前三个奇异值作为特征参量，构造三维特征矢量，生成三维特征空间，其中特征空间的基底为三个奇异值，并将特征空间进行标准化处理。
3.根据权利要求1所述的高分辨率全色遥感图像云判方法，其特征在于所述步骤4)中，利用最速下降法解算并优化HDA法，得到相应的压缩矩阵，压缩矩阵为一维行向量。
4.根据权利要求1所述的高分辨率全色遥感图像云判方法，其特征在于所述步骤5)中，在一维压缩子空间，分别计算两类样本的类质心，并以最小化虚警率为原则寻找最佳阈值作为分类器。
5.根据权利要求1所述的高分辨率全色遥感图像云判方法，其特征在于所述步骤6)中，针对待检测图像单元，首先将其灰度进行归一化处理，对处理结果进行奇异值分解，并提取奇异值最大的前三个量作为特征参量，构造三维特征矢量，并对特征矢量进行标准化；然后利用步骤4)得到的压缩矩阵对三维特征矢量进行压缩，并利用步骤5)得到的阈值进行类别划分，判断是否为云。
CN201310026121.9A 2013-01-24 2013-01-24 高分辨率全色遥感图像云判方法 Expired - Fee Related CN103093243B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310026121.9A CN103093243B (zh) 2013-01-24 2013-01-24 高分辨率全色遥感图像云判方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310026121.9A CN103093243B (zh) 2013-01-24 2013-01-24 高分辨率全色遥感图像云判方法

Publications (2)

Publication Number Publication Date
CN103093243A true CN103093243A (zh) 2013-05-08
CN103093243B CN103093243B (zh) 2016-06-22

Family

ID=48205791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310026121.9A Expired - Fee Related CN103093243B (zh) 2013-01-24 2013-01-24 高分辨率全色遥感图像云判方法

Country Status (1)

Country Link
CN (1) CN103093243B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913033A (zh) * 2016-04-15 2016-08-31 北京航空航天大学 遥感图像中多层云和单层云类型综合分类与识别的方法
CN106920231A (zh) * 2017-02-17 2017-07-04 北京理工大学 一种基于全色图像统计特征的遥感图像云评估方法
CN107610114A (zh) * 2017-09-15 2018-01-19 武汉大学 基于支持向量机的光学卫星遥感影像云雪雾检测方法
CN107886125A (zh) * 2017-11-09 2018-04-06 南京大学 基于局部谱分解打分的modis卫星遥感图像标注方法
CN112465846A (zh) * 2020-11-26 2021-03-09 西安电子科技大学 基于填充策略的含云遥感图像压缩方法
CN112966710A (zh) * 2021-02-01 2021-06-15 中国人民解放军国防科技大学 基于线性判别分析的fy-3d红外高光谱云检测方法
CN116012731A (zh) * 2023-03-30 2023-04-25 成都国星宇航科技股份有限公司 一种星上在轨云检测的方法、系统及设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101286233A (zh) * 2008-05-19 2008-10-15 重庆邮电大学 基于对象云的模糊边缘检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101286233A (zh) * 2008-05-19 2008-10-15 重庆邮电大学 基于对象云的模糊边缘检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
IZAK VAN ZYL MARAIS等: "An optimal image transform for threshold-based cloud detection using heteroscedastic discriminant analysis", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 *
RICCARDO ROSSI等: "TECHNIQUES BASED ON SUPPORT VECTOR MACHINES FOR CLOUD DETECTION ON QUICKBIRD SATELLITE IMAGERY", 《IEEE》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913033A (zh) * 2016-04-15 2016-08-31 北京航空航天大学 遥感图像中多层云和单层云类型综合分类与识别的方法
CN105913033B (zh) * 2016-04-15 2019-05-14 北京航空航天大学 遥感图像中多层云和单层云类型综合分类与识别的方法
CN106920231A (zh) * 2017-02-17 2017-07-04 北京理工大学 一种基于全色图像统计特征的遥感图像云评估方法
CN107610114A (zh) * 2017-09-15 2018-01-19 武汉大学 基于支持向量机的光学卫星遥感影像云雪雾检测方法
CN107610114B (zh) * 2017-09-15 2019-12-10 武汉大学 基于支持向量机的光学卫星遥感影像云雪雾检测方法
CN107886125A (zh) * 2017-11-09 2018-04-06 南京大学 基于局部谱分解打分的modis卫星遥感图像标注方法
CN107886125B (zh) * 2017-11-09 2021-06-11 南京大学 基于局部谱分解打分的modis卫星遥感图像标注方法
CN112465846A (zh) * 2020-11-26 2021-03-09 西安电子科技大学 基于填充策略的含云遥感图像压缩方法
CN112465846B (zh) * 2020-11-26 2023-04-07 西安电子科技大学 基于填充策略的含云遥感图像压缩方法
CN112966710A (zh) * 2021-02-01 2021-06-15 中国人民解放军国防科技大学 基于线性判别分析的fy-3d红外高光谱云检测方法
CN116012731A (zh) * 2023-03-30 2023-04-25 成都国星宇航科技股份有限公司 一种星上在轨云检测的方法、系统及设备
CN116012731B (zh) * 2023-03-30 2023-06-09 成都国星宇航科技股份有限公司 一种星上在轨云检测的方法、系统及设备

Also Published As

Publication number Publication date
CN103093243B (zh) 2016-06-22

Similar Documents

Publication Publication Date Title
CN111738124B (zh) 基于Gabor变换和注意力的遥感图像云检测方法
CN110929607B (zh) 一种城市建筑物施工进度的遥感识别方法和系统
CN105404886B (zh) 特征模型生成方法和特征模型生成装置
CN108319964B (zh) 一种基于混合特征和流形学习的火灾图像识别方法
CN103093243B (zh) 高分辨率全色遥感图像云判方法
CN103971123B (zh) 基于线性回归与Fisher判别字典学习的高光谱图像分类方法
CN104680542B (zh) 基于在线学习的遥感影像变化检测方法
CN102867183B (zh) 一种车辆遗撒物检测方法、装置及智能交通监控系统
CN105574534A (zh) 基于稀疏子空间聚类和低秩表示的显著性目标检测方法
CN111611874B (zh) 基于ResNet和Canny的人脸口罩佩戴检测方法
CN106610969A (zh) 基于多模态信息的视频内容审查系统及方法
CN103984966A (zh) 基于稀疏表示的sar图像目标识别方法
Tu et al. Automatic building damage detection method using high-resolution remote sensing images and 3D GIS model
CN103400156A (zh) 基于cfar和稀疏表示的高分辨sar图像舰船检测方法
CN103226826B (zh) 基于局部熵视觉注意模型的遥感图像变化检测方法
CN106557740B (zh) 一种遥感图像中油库目标的识别方法
CN103413151A (zh) 基于图正则低秩表示维数约简的高光谱图像分类方法
CN103955926A (zh) 基于Semi-NMF的遥感图像变化检测方法
CN106022254A (zh) 图像识别技术
CN106295498A (zh) 光学遥感图像目标区域检测装置与方法
CN104732248A (zh) 基于Omega形状特征的人体目标检测方法
Kumar et al. Feature relevance analysis for 3D point cloud classification using deep learning
CN102129557A (zh) 一种基于lda子空间学习的人脸识别方法
CN106022217A (zh) 无监督多级分类的民用机场跑道区域检测方法
Huang et al. Superpixel-based change detection in high resolution sar images using region covariance features

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
TR01 Transfer of patent right

Effective date of registration: 20180628

Address after: 150001 No. 434 postal street, Nangang District, Harbin, Heilongjiang.

Patentee after: Harbin Institute of Technology Asset Investment Management Co., Ltd.

Address before: 150000 No. 92, West Da Zhi street, Nangang District, Harbin, Heilongjiang.

Patentee before: Harbin Institute of Technology

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20180723

Address after: 101300 Shunyi District, Beijing, the core area of the airport economy, 6 yuan, 2-35

Patentee after: Harbin Institute of Technology (Beijing) military and Civilian Integration Innovation Research Institute Co., Ltd.

Address before: 150001 No. 434 postal street, Nangang District, Harbin, Heilongjiang.

Patentee before: Harbin Institute of Technology Asset Investment Management Co., Ltd.

TR01 Transfer of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160622

Termination date: 20200124

CF01 Termination of patent right due to non-payment of annual fee