CN103186893A - 一种普适的高分辨率遥感图像融合方法 - Google Patents
一种普适的高分辨率遥感图像融合方法 Download PDFInfo
- Publication number
- CN103186893A CN103186893A CN2012105525257A CN201210552525A CN103186893A CN 103186893 A CN103186893 A CN 103186893A CN 2012105525257 A CN2012105525257 A CN 2012105525257A CN 201210552525 A CN201210552525 A CN 201210552525A CN 103186893 A CN103186893 A CN 103186893A
- Authority
- CN
- China
- Prior art keywords
- lambda
- image
- wave
- pan
- panchromatic
- 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 Processing (AREA)
Abstract
一种普适的高分辨率遥感图像融合方法。它在利用多光谱影像基于辐射亮度对全色高分辨率影像模拟的基础上,通过线性回归分析,建立模拟全色影像与原始全色影像的信息量特征之间的联系。同时针对全色与多光谱波段波谱范围不一致的情况提出了解决方法。
Description
技术领域
本发明属遥感技术领域,涉及遥感数据的处理及应用。
背景技术
遥感影像融合能够集成或者整合多个源图像中的互补信息,利用优势互补的数据来提高图像的信息可用程度,同时增加对研究对象解译的可靠性。遥感影像数据融合作为一种遥感信息综合处理与分析技术,是遥感领域的热点研究课题之一。数据融合可以在以下三个层次进行:1)像素层融合(Pixel-Level Fusion);2)特征层融合(Feature-level Fusion);3)决策层融合(Decision-level Fusion)。像素层融合是目前三个层次中研究最为成熟的一级,已经形成了各种各样的融合算法。
合成变量比方法是一种基于像素层的遥感影像融合算法。合成变量比(SVR)是由Munechika et al.(1993)(C.K.Munechika,J.S.Warnick,C.Salvaggio and J.R.Schott.Resolution enhancement of multispectral image data to improve classificationaccuracy[J].Photogrammetric Engineering and Remote Sensing,1993(59):67-72.)提出的。SVR融合方法一般用于同一传感器的多光谱与全色数据融合,其计算公式为:
其中XSPi是融合后的高分辨率图像第i个波段的灰度值,PanH是原始全色图像的灰度值,XSLi是原始多光谱图像中第i个波段的灰度值,PanLSyn是由低空间分辨率的多光谱波段模拟合成的低空间分辨率全色图像的灰度值。
在Munechika et al.(1993)的研究中,模拟合成的全色图像PanLSyn是由公式(2)获得
参数是通过一种改进的大气模型来对接收到的目标反射和相对光谱响应进行修正,并测量了5种具有代表性的土地覆盖反射光谱,包括城市、土壤、水体、树和草。通过对使用大气模型模拟得到的值与实际测到的五类值的线性回归分析计算出了在建立了PanLSyn之后,将原始全色图像相对于PanLSyn进行了直方图匹配,以消除大气和辐射角度的差异。
Zhang(1999)和Zhang(2001)(Y.Zhang.A new merging method and its spectral andspatial effects[J].International Journal of Remote Sensing,1999(20):2003~2014.Y.Zhang.Detection of urban housing development by fusing multi-sensor satellite data and performing spatial feature post-classification[J].International Journalof Remote Sensing,2001(22):3339~3355.)认为,Munechika et al(1993)的SVR方法的计算中,只使用到几种特定的土地覆盖类型。而且系数很难确定,不适用于实际应用中的大面积区域融合,同时在一个较大的城市区域中,5种土地覆盖类型远远不足以具有代表性,不能保证其它土地覆盖类型的光谱属性在融合之后得到保留。此外还要将原始全色影像相对与模拟的全色影像进行直方图匹配。
为了解决以上问题,Zhang(1999)和Zhang(2001)将SVR方法的公式修改为:
其中,XSPi和PanH不变,XSHi是将多光谱图像重采样为全色图像相同像元大小后,第i个波段的灰度值。PanHSyn是由下式模拟合成的高空间分辨率全色图像的灰度值:
这里对SVR方法所做的修改包括:
第一,参数是直接从采样到和全色图像相同分辨率的多光谱图像和全色图像PanH中计算得到的,并未测量各种土地覆盖类型。模拟的全色图像的PanHSyn具有全色影像的高分辨率,同时与全色影像具有很高的相关性。节省了大量的测量时间和复杂的计算过程,因为不需要使用者测量不同的土地覆盖类型,参数更稳定,且不需要对全色影像与PanHSyn图像进行直方图调整。
第二,模拟合成全色影像PanHSyn是从融合过程中将要使用的多光谱波段中计算出来的,而不是固定的某些波段。因而,任何一个波段都可以进行对全色图像PanHSyn的模拟合成,从而可以降低多光谱波段的颜色扭曲。
曹鑫(2005)(曹鑫.ISVR遥感数据融合方法及其应用[D].北京师范大学,2005.)认为Zhang(1999)和Zhang(2001)对SVR的改进存在一定问题,即:
(1)Zhang(1999)和Zhang(2001)对SVR的改进,只有当相关性越弱的时候,才能保留更多的光谱信息,如此根据回归分析方法计算出来的回归系数值得怀疑。
(2)可扩展性差,若进行多幅图像的融合时,要对所有图像分别进行回归分析,计算模 拟将使用到的转换系数。
因此,曹鑫对Zhang(1999)和Zhang(2001)的SVR方法进行了改进,提出了改进的合成变量比方法(ISVR)。SVR方法和Zhang(1999)和Zhang(2001)的SVR方法的核心问题是由低空间分辨率多光谱波段模拟合成低空间分辨率的全色波段,即PanHSyn。ISVR方法认为,在辐射亮度(radiance)条件下,模拟合成低空间分辨率的全色波段更容易实现。
辐射亮度Radiance是表示传感器接收到的反射能量的物理量。ISVR最基本的假设是:模拟的全色波段的radiance可以通过多光谱波段(MS)来获得,MS波段和全色波段(PAN)覆盖的光谱范围基本一致。基于以上假设,模拟的全色波段的radiance可以认为是在相应波段上radiance的曲线积分。若将radiance曲线的积分部分分解开,那么模拟的全色波段的radiance将等于所有MS波段的radiance之和,再加上MS波段之间的间隔区域的面积。如图1所示,灰色区域为已知MS的radiance,如果近似地将空缺波长范围内的radiance曲线看作直线的话,那么白色梯形区域的面积可以近似认为是空缺波段的radiance。所有矩形和梯形的面积之和就是PAN波段的模拟radiance值。
对于多光谱的1、2、3、4波段,其radiance分别可以看作图中矩形的面积(或者看作是radiance曲线在相应波长范围内的积分),则在全色波段范围内,radiance对应的就是整个PAN波段radiance曲线的积分。如果近似地将空缺波长范围内的radiance曲线看作直线的话,那么只需要计算空白部分梯形的面积即可推算出整个PAN波段的radiance。
图1ISVR方法中模拟全色波段radiance的原理图示
ISVR方法的主要计算方法与Zhang(1999)相同,但是其中XSPi、PanH和XSHi都是radiance而不是DN值。依图1所示,XSH1,XSH2,XSH3和XSH4分别表示多光谱影像四个波段的辐射亮度,即各波谱段所对应的矩形面积;PanHSyn的计算方法由公式(5)给出:
也可以写成:
其中,λi,1和λi,2是多光谱图像的第i个波段的两端波长数值,n是多光谱总的波段数目。
相对于Zhang(1999)的SVR方法,ISVR的计算比较简单,模拟全色图像时所使用到的系数只与可见光/近红外各个通道的波长值有关,只要知道各个通道的波长范围,就可以利用公式简单地计算出模拟系数。这样的模拟系数具有普适性。对于相同的传感器,不需要在多次应用中反复计算系数,也不需要用户具备相当的经验。系数同时具有可解释性,具有一定的物理意义。
曹鑫(2005)提出的ISVR融合方法在一定程度上解决了Zhang提出的改进的SVR融合方法中的问题,并通过实验,验证了ISVR有着较好的融合效果,唯一不足之处在于其理论机制限制了ISVR在使用MS波段模拟PAN波段图像时,只能局限于使用PAN波段波长内的MS波段。一般情况下,PAN图像的波段都是从可见光到近红外(VNIR),因此,ISVR融合算法只适合于多光谱波段的波长范围在可见光和近红外的图像。
与Zhang(1999)提出的对SVR方法的改进相比,ISVR方法赋予了SVR方法中的系数一定的物理意义。但是在ISVR方法中,只是基于辐射亮度,简单地通过多光谱影像对全色影像进行模拟,而且模拟的假设前提是,全色影像的波谱范围与多光谱的波谱范围基本一致,模拟的全色波段的辐射亮度可以认为是相应波段上辐射亮度的曲线积分,同时将空缺波长范围内的辐射亮度曲线近似看作是直线,用所有矩形和梯形的面积之和来模拟PAN波段的模拟radiance值。
融合技术存在明显颜色差异,不能保证较好光谱保持性的主要原因是PAN波段波谱范围的改变,利用多光谱低空间分辨率影像对高分辨率波段进行模拟,应当尽量保证模拟的高分辨率波段影像信息量特性与高分辨率全色波段影像的信息量特性比较接近。在ISVR的方法中提到的全色波段的模拟方法中,仅仅是利用了多光谱影像和全色影像光谱范围之间的相关性,二者之间并未建立任何影像信息特性的联系,
发明内容
本发明通过对多种融合方法原理的综合理解和融合试验,提出一种基于SVR的普适高分辨率遥感图像融合方法。它在利用多光谱影像基于辐射亮度radiance对全色高分辨率影像模拟的基础上,通过线性回归分析,建立模拟全色影像PanHSyn与原始PAN影像的信息量特征之间的联系。同时针对全色与多光谱波段波谱范围不一致的情况提出了解决方法。
根据ISVR算法的假设前提,该方法物理意义上的可行性要求全色PAN波段的波谱范围和多光谱波段的波谱范围相一致。然而对于一些新型高分辨率遥感卫星影像,比如ALOS,全色波段的波谱范围是0.52-0.77μm,多光谱波段的波谱范围分别是(0.42-0.50μm、0.52-0.60μm、0.61-0.69μm、0.76-0.89μm),显然全色影像的波谱范围和多光谱波谱范围并不一致,只是多光谱范围的一部分。因此,针对不同的新型高分辨率遥感影像的波谱设置特点,如何弥补全色影像和多光谱影像光谱范围的差异和缺失,改善影像的融合效果,使得融合方法具有更准确的物理意义,值得进一步思考和研究。
针对这个问题,本发明尝试用波谱范围比值来修正最后得到的PanHSyn,以弥补全色与多光谱数据波谱范围的差异。
具体实施方式
本发明融合算法的步骤如下:
第一步、由全色影像波谱范围与多光谱影像波谱范围之间的关系和公式5-7计算出基于辐射亮度radiance的、由多光谱波段影像模拟的全色影像PanHSyn;
第二步、用波谱范围比值来修正PanHSyn,以弥补全色与多光谱数据波谱范围的差异,即:
设:
令
第五步、由公式
其中XSPi为融合后的高分辨率图像第i个波段的灰度值;PanH是全色图像,XSHi是将多光谱图像重采样为全色图像相同像元大小后,第i个波段的灰度值。
从数学和物理角度分析,本发明融合方法一方面通过比值运算突出了高分辨率影像的结构纹理信息,同时与原始高分辨率全色波段相乘,在原始多光谱影像中引入了高分辨率影像的结构特征,大大提高了多光谱波段数据的空间分辨率;另一方面,由于与原始PAN的相关性,光谱信息主要是多光谱波段变换得来的,融合之后的影像具有较好的光谱保持性。另外,该算法也适合于全色影像的波谱范围与多光谱的波谱范围不一致的情况,是一种普适性强的融合技术。
融合实验与比较
以ALOS高分辨率卫星影像为数据源,进行原始全色、多光谱、传统Brovey融合、ISVR融合以及本发明方法(简称IPS融合)的比较。
以下列出上述几种融合结果的主要客观评价指标统计值,包括:灰度均值、标准差、信息熵和梯度值。
表1ALOS不同融合算法灰度均值对比
均值 | 蓝波段 | 绿波段 | 红波段 | 近红外波段 |
多光谱 | 74.387 | 59.500 | 47.946 | 42.752 |
Brovey | 21.376 | 17.239 | 15.249 | |
ISVR | 17.842 | 14.282 | 11.524 | 10.216 |
IPS | 73.628 | 58.906 | 47.496 | 42.134 |
表2ALOS不同融合算法标准差对比
标准差 | 蓝波段 | 绿波段 | 红波段 | 近红外波段 |
多光谱 | 4.012 | 5.025 | 6.174 | 7.513 |
Brovey | 2.475 | 2.676 | 2.322 | |
ISVR | 1.619 | 1.703 | 1.862 | 1.722 |
IPS | 5.914 | 6.222 | 6.973 | 6.811 |
表3ALOS不同融合算法熵值对比
熵 | 蓝波段 | 绿波段 | 红波段 | 近红外波段 |
多光谱 | 3.903 | 4.244 | 4.604 | 4.844 |
Brovey | 3.240 | 3.394 | 3.205 | |
ISVR | 2.586 | 2.699 | 2.874 | 2.792 |
IPS | 4.404 | 4.530 | 4.755 | 4.741 |
表4ALOS不同融合算法梯度值对比
从表1-表4列出的各个客观评价指标统计值都可以看出,IPS融合法取得了很好的融合效果,IPS融合方法的灰度均值与原始多光谱影像最为接近,标准差和熵值都得到了很大的提高,某种程度上说明了其融合影像信息含量得到极大的丰富,并具有良好的光谱保持性。同时,每一种算法的融合影像的梯度值都显著提升,说明融合影像的纹理细节信息较原始多光谱影像大大增加,空间分辨率明显提高。
ISVR融合方法,除了一些波段的梯度指标有所提高外,波段的灰度均值较原始多光谱影像差距很大,说明了ISVR融合方法虽然提高了影像的空间分辨率,但光谱保真性较差。
从以上试验结果可以看出,经过线性回归分析和波谱范围修正的IPS方法,很好地改善了原ISVR融合算法光谱保持性差的问题,不仅显著提高了影像的空间分辨率,增强了纹理细节信息,还很好的保持了原始多光谱影像的光谱信息。
Claims (1)
1.一种普适的高分辨率遥感图像融合方法,其步骤为:
第一步、由全色影像波谱范围与多光谱影像波谱范围之间的关系和公式1-3计算出基于辐射亮度radiance的、由多光谱波段影像模拟的全色影像PanHSyn;
也可以写成:
其中参数由下式获得:
其中,XSHi表示多光谱影像第i个波段的辐射亮度;λi,1和λi,2是多光谱影像的第i个波段的两端波长数值,n是多光谱总的波段数目;
第二步、用波谱范围比值来修正PanHSyn,以弥补全色与多光谱数据波谱范围的差异,即:
设:
当全色影像的波谱范围和多光谱影像的波谱范围相一致的时候,p=1;
令
第三步、在原始全色波段影像和之间寻找一一对应的像素点,这些点分别代表图像上的几种不同类型地物,例如:植被、水体、建筑物、裸地等;每一种地物类别分别取5-10个点作为样本点;
第五步、由公式
其中XSPi为融合后的高分辨率图像第i个波段的灰度值;PanH是全色图像,XSHi是将多光谱图像重采样为全色图像相同像元大小后,第i个波段的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012105525257A CN103186893A (zh) | 2012-12-19 | 2012-12-19 | 一种普适的高分辨率遥感图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012105525257A CN103186893A (zh) | 2012-12-19 | 2012-12-19 | 一种普适的高分辨率遥感图像融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103186893A true CN103186893A (zh) | 2013-07-03 |
Family
ID=48678051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012105525257A Pending CN103186893A (zh) | 2012-12-19 | 2012-12-19 | 一种普适的高分辨率遥感图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103186893A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103854267A (zh) * | 2014-03-12 | 2014-06-11 | 昆明理工大学 | 一种基于变分与分数阶微分的图像融合与超分辨率实现方法 |
CN105096286A (zh) * | 2015-06-30 | 2015-11-25 | 中国石油天然气股份有限公司 | 遥感图像的融合方法及装置 |
CN109447922A (zh) * | 2018-07-10 | 2019-03-08 | 中国资源卫星应用中心 | 一种改进的ihs变换遥感影像融合方法及系统 |
CN113222054A (zh) * | 2021-05-28 | 2021-08-06 | 珠江水利委员会珠江水利科学研究院 | 基于特征比值指数的遥感影像融合方法、系统、设备及介质 |
CN113570536A (zh) * | 2021-07-31 | 2021-10-29 | 中国人民解放军61646部队 | 基于cpu和gpu协同处理的全色和多光谱影像实时融合方法 |
CN117253125A (zh) * | 2023-10-07 | 2023-12-19 | 珠江水利委员会珠江水利科学研究院 | 一种空-谱互注图像融合方法、系统及可读存储介质 |
CN117935079A (zh) * | 2024-01-29 | 2024-04-26 | 珠江水利委员会珠江水利科学研究院 | 一种遥感影像融合方法、系统及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040141659A1 (en) * | 2003-01-17 | 2004-07-22 | Yun Zhang | System and method for image fusion |
CN1877636A (zh) * | 2006-07-03 | 2006-12-13 | 中国科学院遥感应用研究所 | 一种融合生成高分辨率多光谱图像的方法 |
CN102013093A (zh) * | 2010-12-02 | 2011-04-13 | 南京大学 | 一种基于Gram-Schmidt融合和LEGION的高分辨率遥感影像分割方法 |
-
2012
- 2012-12-19 CN CN2012105525257A patent/CN103186893A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040141659A1 (en) * | 2003-01-17 | 2004-07-22 | Yun Zhang | System and method for image fusion |
CN1877636A (zh) * | 2006-07-03 | 2006-12-13 | 中国科学院遥感应用研究所 | 一种融合生成高分辨率多光谱图像的方法 |
CN102013093A (zh) * | 2010-12-02 | 2011-04-13 | 南京大学 | 一种基于Gram-Schmidt融合和LEGION的高分辨率遥感影像分割方法 |
Non-Patent Citations (2)
Title |
---|
柳文祎: "基于SVR的普适高分辨率卫星影像融合方法研究", 《中国科学院文献情报中心(国家科学图书馆)》, 31 December 2008 (2008-12-31), pages 25 - 30 * |
谭永生 等: "中高分辨率遥感影像融合研究", 《遥感技术与应用》, vol. 22, no. 4, 31 August 2007 (2007-08-31), pages 536 - 541 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103854267A (zh) * | 2014-03-12 | 2014-06-11 | 昆明理工大学 | 一种基于变分与分数阶微分的图像融合与超分辨率实现方法 |
CN103854267B (zh) * | 2014-03-12 | 2016-09-07 | 昆明理工大学 | 一种基于变分与分数阶微分的图像融合与超分辨率实现方法 |
CN105096286A (zh) * | 2015-06-30 | 2015-11-25 | 中国石油天然气股份有限公司 | 遥感图像的融合方法及装置 |
CN105096286B (zh) * | 2015-06-30 | 2018-05-04 | 中国石油天然气股份有限公司 | 遥感图像的融合方法及装置 |
CN109447922A (zh) * | 2018-07-10 | 2019-03-08 | 中国资源卫星应用中心 | 一种改进的ihs变换遥感影像融合方法及系统 |
CN109447922B (zh) * | 2018-07-10 | 2021-02-12 | 中国资源卫星应用中心 | 一种改进的ihs变换遥感影像融合方法及系统 |
CN113222054A (zh) * | 2021-05-28 | 2021-08-06 | 珠江水利委员会珠江水利科学研究院 | 基于特征比值指数的遥感影像融合方法、系统、设备及介质 |
CN113570536A (zh) * | 2021-07-31 | 2021-10-29 | 中国人民解放军61646部队 | 基于cpu和gpu协同处理的全色和多光谱影像实时融合方法 |
CN113570536B (zh) * | 2021-07-31 | 2022-02-01 | 中国人民解放军61646部队 | 基于cpu和gpu协同处理的全色和多光谱影像实时融合方法 |
CN117253125A (zh) * | 2023-10-07 | 2023-12-19 | 珠江水利委员会珠江水利科学研究院 | 一种空-谱互注图像融合方法、系统及可读存储介质 |
CN117253125B (zh) * | 2023-10-07 | 2024-03-22 | 珠江水利委员会珠江水利科学研究院 | 一种空-谱互注图像融合方法、系统及可读存储介质 |
CN117935079A (zh) * | 2024-01-29 | 2024-04-26 | 珠江水利委员会珠江水利科学研究院 | 一种遥感影像融合方法、系统及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103186893A (zh) | 一种普适的高分辨率遥感图像融合方法 | |
Ren et al. | Estimation of green aboveground biomass of desert steppe in Inner Mongolia based on red-edge reflectance curve area method | |
CN111368817B (zh) | 一种基于地表类型进行热效应定量评价方法及系统 | |
Wang et al. | Predicting grain yield and protein content in wheat by fusing multi-sensor and multi-temporal remote-sensing images | |
CN106226260A (zh) | 一种结合微波和红外遥感影像的土壤水分反演方法 | |
CN112991288B (zh) | 基于丰度图像锐化重构的高光谱遥感图像融合方法 | |
CN105608293A (zh) | 融合光谱与纹理特征的森林地上生物量反演方法及系统 | |
Atzberger et al. | Suitability and adaptation of PROSAIL radiative transfer model for hyperspectral grassland studies | |
CN109870419B (zh) | 一种采用航空高光谱数据预测黑土氮磷钾含量的方法 | |
CN102982538B (zh) | 一种资源卫星多光谱图像模拟真彩色方法 | |
CN107688003B (zh) | 一种消除植被冠层结构和地表背景影响的叶片反射率卫星遥感提取方法 | |
CN108520127A (zh) | 一种树种叶面积指数的高光谱反演方法 | |
CN105404873B (zh) | 一种基于ndvi时间序列坐标转换的冬小麦识别方法 | |
CN112733596A (zh) | 一种基于中高空间分辨率遥感影像融合的森林资源变化监测方法及应用 | |
Yi et al. | Evaluation of MODIS surface reflectance products for wheat leaf area index (LAI) retrieval | |
Wu et al. | Influence of reconstruction scale, spatial resolution and pixel spatial relationships on the sub-pixel mapping accuracy of a double-calculated spatial attraction model | |
CN103927558A (zh) | 一种软硬变化检测的冬小麦遥感识别方法 | |
CN113252583B (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
Qiao et al. | Estimating maize LAI by exploring deep features of vegetation index map from UAV multispectral images | |
Wen et al. | Parametrized BRDF for atmospheric and topographic correction and albedo estimation in Jiangxi rugged terrain, China | |
Li et al. | Hyper-spectral estimation of wheat biomass after alleviating of soil effects on spectra by non-negative matrix factorization | |
CN104778668A (zh) | 基于可见光波段光谱统计特征的光学遥感图像薄云去除方法 | |
CN109696406B (zh) | 一种基于复合端元的月表高光谱图像阴影区域解混方法 | |
Farifteh | Interference of salt and moisture on soil reflectance spectra | |
CN102706293B (zh) | 基于四分量光学物理模型的叶面积指数反演方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130703 |