CN103295204B - 一种基于非下采样轮廓波变换的图像自适应增强方法 - Google Patents
一种基于非下采样轮廓波变换的图像自适应增强方法 Download PDFInfo
- Publication number
- CN103295204B CN103295204B CN201310247461.4A CN201310247461A CN103295204B CN 103295204 B CN103295204 B CN 103295204B CN 201310247461 A CN201310247461 A CN 201310247461A CN 103295204 B CN103295204 B CN 103295204B
- Authority
- CN
- China
- Prior art keywords
- image
- histogram
- band
- sub
- down sampling
- 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
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于非下采样轮廓波变换(NSCT)的图像自适应增强方法。通过对输入的原始图像首先进行直方图均衡化,然后对原图和直方图均衡化后的图像分别进行NSCT变换,得到低频子带系数和各高频方向子带系数,对低频子带的处理,采用将原图的低频子带系数直方图映射到直方图均衡化后图像的低频系数直方图上,对各个高频子带去除噪声后,再将原图的各个高频子带的系数直方图映射到直方图均衡化后图像的对应高频系数直方图上。最后进行NSCT反变换,得到增强后的最终图像。本发明在抑制噪声的同时,突出了图像的边缘细节,增强了对比度,并具有自适应的优点,方便计算机处理,无需手工调节参数。
Description
技术领域
本发明属于图像处理技术领域,涉及图像自适应增强方法,具体而言是一种基于非下采样轮廓波变换的图像自适应增强方法。
背景技术
近年来,随着计算机、人工智能和信息技术的迅猛发展,户外视频监控系统、智能交通系统以及军用成像探测系统等视觉智能感知系统的应用越来越广泛。各种视觉智能感知系统为我们提供了大量实时直观的图像信息,这些信息为建设和谐社会、智慧城市、安全国家发挥了至关重要的作用。然而,视觉智能感知系统由于受到环境、天气等诸多客观因素的限制,比如夜晚环境光源不足、大雾阴雨等恶劣天气的影响,采集得到的图像往往对比度低、细节模糊、噪声较强,以至于掩盖了图像中可疑目标的重要信息,使得可疑目标的逃逸和攻击成为可能,严重威胁了人民的安全。
图像增强通过一定手段将原来不清晰的图像变得清晰或强调某些感兴趣的特征,扩大图像中不同物体特征之间的差别,抑制不感兴趣的特征,改善图像质量、丰富图像信息量,提高图像判读和识别效果,进而满足某些实际应用需求。对视觉智能感知系统获取得到的低对比度模糊图像进行增强处理以显著提高图像质量、突出目标边缘细节,具有重要的实际应用价值,可为视觉智能感知系统在和谐社会的建设中发挥更为重要的作用提供有力支持。
当前,图像增强算法根据处理空间的不同主要分为两大类:基于空间域的图像增强算法和基于变换域的图像增强算法。空域增强法直接针对图像中的像素,对图像的灰度进行处理,其代表为直方图均衡化方法。直方图均衡化方法将一已知灰度概率密度分布的图像经过某种变换变成一幅具有均匀灰度概率密度分布的新图像,其结果是扩展像素取值的动态范围,从而达到增强图像整体对比度的效果。直方图均衡化方法完全“自动”和计算简单,但是,由于对整幅图像的全局处理会导致细节的丢失及局部增强不足或过增强的现象,并且会放大图像中存在的噪声。意识到空域增强方法在噪声抑制、边缘保护方面的明显不足,近年来,学者们先后提出了多种变换域增强法。变换域增强法在图像的变换域中对变换系数进行处理,然后通过逆变换获得增强图像。常用的方法有:傅里叶变换、DCT变换、小波变换增强法。傅里叶变换、DCT变换增强方法虽然能够取得较好的噪声抑制效果,但很难较好地保护目标边缘细节。较之傅里叶变换、DCT变换增强方法,小波变换可以取得更好的增强效果,但小波变换的点奇异性限制了其对边缘的保护。同时,这种对变换系数的增强处理通常是含多个参数的增强函数,普遍需要根据经验手工调节最优参数,不能自适应处理,无法实现计算机的自动处理,给实际应用带来了极大的不便。因此,如何自适应地提高图像对比度、抑制噪声干扰、突出目标边缘细节,仍是当前的增强方法未尽解决的问题。
神经科学的研究结果表明,哺乳动物的视觉皮层的接收场具有局部、方向、带通的特性,这一特性使得人类的视觉系统只用最少的视觉神经元就能“捕获”自然场景中的关键信息,这相当于对自然场景的最稀疏表示,或者说是对自然场景的“最稀疏”编码。一种“最优”的图像表示法应该具有如下的特征:多分辨、局域性和方向性。近年来各种多尺度几何分析方法的提出,均考虑到所对应的基函数应该具有与视觉神经元的接收场类似的支撑区间,具有“各向异性”的特点。Curvelet(曲波)、Contourlet(轮廓波)等多尺度几何分析方法自提出以来,在图像的去噪、增强、融合、特征识别等领域都获得了广泛的应用,取得了传统方法不能得到的处理效果。非下采样轮廓波变换(NSCT)是一种非下采样的、具有平移不变性的多尺度几何变换,比较而言,各向异性的Contourlet基使得NSCT具有刻画图像的线奇异优势,这一点要优于采用小波基的非降采样小波变换;同时NSCT具有平移不变性,在这一点上又优于Contourlet、Curvelet等多尺度几何分析方法。因此,NSCT可以提供更为丰富的时域信息和精确的频率局部化信息,采用NSCT进行增强处理可以在有效抑制噪声的同时更好地突出图像边缘细节特征。
发明内容
本发明的目的在于提供一种兼顾抑制噪声和对比度增强的采用非下采样轮廓波变换的图像自适应增强方法。
本发明实现上述目的的技术方案是,一种基于非下采样轮廓波变换的图像自适应增强方法,包括以下步骤:
(1)直方图均衡化:对原始图像I进行空域直方图均衡化,得到直方图均衡化后的图像J;
(2)对原始图像I进行非下采样轮廓波变换,得到低频子带系数矩阵C0和各尺度上的高频方向子带系数矩阵Cj,k,其中j表示尺度,k表示子带方向;
(3)对直方图均衡化后的图像J进行非下采样轮廓波变换,得到低频子带系数矩阵D0和各尺度上的高频方向子带系数矩阵Dj,k,其中j表示尺度,k表示子带方向;
(4)低频系数直方图匹配:以直方图均衡化后的图像J为基准,计算所述步骤(2)和步骤(3)得到的低频子带系数矩阵C0和D0的系数直方图,并将C0的系数直方图匹配到D0的系数直方图H0上;
(5)高频系数直方图匹配:对所述步骤(2)得到的各尺度上的高频方向子带系数矩阵Cj,k,估计各尺度各方向的噪声水平,计算自适应阈值,并依据该自适应阈值滤除各高频子带系数矩阵内的噪声,得到去噪后的各高频方向子带系数矩阵C'j,k;同时利用该自适应阈值去除所述步骤(3)得到的高频子带系数矩阵Dj,k内的噪声,得到去噪后的各高频系数矩阵D'j,k;然后计算D'j,k和C'j,k的直方图,将C'j,k的直方图匹配到D'j,k的直方图Hj,k上;
(6)对经过低频系数直方图匹配和高频系数直方图匹配后的原始图像I的变换系数进行非下采样轮廓波反变换,得到增强后的结果图像。
前述非下采样轮廓波变换多尺度分解层数为2~6层。
前述非下采样轮廓波变换每层分解的方向数为2的幂次,所述每层幂次的选取范围为2~6。
前述的步骤(5)的自适应阈值T为,其中,σ为噪声标准差,σj,k是第j尺度,第k方向的噪声标准差,其值可由蒙特卡罗估计法得到。
通过采用上述技术方案,本发明的优点是,综合利用NSCT的多尺度、多方向边缘表达优势、定位优势及噪声去除优势,同时借鉴了空域直方图均衡化的思想,以空域直方图均衡化后的图像为基准,将原始图像的NSCT系数直方图映射到空域直方图均衡化后的图像的NSCT系数直方图上,实现自适应增强,无需调节参数。图像经NSCT变换后,小系数对应噪声,大系数对应边缘细节,通过设置合适的阈值可以抑制噪声,再利用变换系数直方图匹配的方法,达到突出细节边缘、增强图像对比度的目的。
附图说明
图1为本发明的实施流程图;
图2为针对标准图像加噪后的实验结果图;
图3为实际航天图像的实验结果图。
具体实施方式
以下结合附图和具体实施方式对本发明作进一步详细说明。
如图1所示,基于本发明的非下采样轮廓波变换的图像自适应增强方法,其具体步骤依次为:
(1)直方图均衡化:对原始图像I进行空域直方图均衡化,得到直方图均衡化后的图像J;
(2)对原始图像I进行非下采样轮廓波变换,得到低频子带系数矩阵C0和各尺度上的高频方向子带系数矩阵Cj,k,其中j表示尺度,k表示子带方向;
(3)对直方图均衡化后的图像J进行非下采样轮廓波变换,得到低频子带系数矩阵D0和各尺度上的高频方向子带系数矩阵Dj,k,其中j表示尺度,k表示子带方向;
(4)低频系数直方图匹配:以直方图均衡化后的图像J为基准,计算步骤(2)和步骤(3)中得到的低频子带系数矩阵C0和D0的系数直方图,并将C0的系数直方图匹配到D0的系数直方图H0上;
(5)高频系数直方图匹配:对步骤(2)得到的各尺度上的高频方向子带系数矩阵Cj,k,估计各尺度各方向的噪声水平,由于大部分噪声处于最细子带,所以噪声标准差σ由经典的中值估计子估计得到,即σ=median(abs(C))/0.6745,C为最细子带系数;然后计算自适应阈值T,σj,k是第j尺度,第k方向的噪声标准差,其值可由蒙特卡罗估计法得到。依据该自适应阈值滤除各高频子带系数矩阵内的噪声,得到去噪后的各高频系数矩阵C'j,k;同时利用该自适应阈值去除步骤(3)得到的高频子带系数矩阵Dj,k内的噪声,得到去噪后的各高频系数矩阵D'j,k;然后计算D'j,k和C'j,k的直方图,将C'j,k的直方图匹配到D'j,k的直方图Hj,k上;
(6)对经过低频系数直方图匹配和高频系数直方图匹配后的原始图像I的变换系数进行非下采样轮廓波反变换,得到增强后的结果图像。
本发明在具体实施时,NSCT变换的多尺度分解层数及每层分解的方向数的选取有较大的灵活性,但每层的方向数应为2的幂次,但是每层的幂次的范围可选,约在2~6之间,不同的分解参数选取产生的增强效果不同,多尺度分解层数可选取的范围为2~6层,在本发明的实施例中,选取分解层数为3层,每层选取的幂次分别为2、3、4,这样按照从低分辨率层到高分辨率层,方向分解数可取为4、8和16。尺度分解的非下采样塔形滤波器组一般采用maxflat滤波器,非下采样的方向滤波器组一般采用dmaxflat7滤波器。
下面通过仿真实验对本发明进一步说明。
仿真条件:
本发明采用加噪的标准图像与实际图像进行仿真实验,计算机硬件配置为Pentium(R)4,主频3GHz,软件平台为MatlabR2011b。
仿真内容:
采用直方图均衡化以及本发明提供的方法分别对添加高斯噪声,噪声方差为0.0002的低对比度图像A和实际的航天图像B进行了增强实验,两幅图的分辨率均为256×256。
仿真结果:
1、仿真结果如图2、图3所示,其中:
图2(a)为低对比度图像A,图像大小为256×256像素,图2(b)为图2(a)添加高斯噪声后得到的含噪低对比度图像,其中,高斯噪声的方差为0.0002,图2(c)为采用直方图均衡化得到的增强图,图2(d)为采用本发明提供的方法得到的增强后的图像;图2(e)、(f)、(g)、(h)分别是图2(a)原图、图2(b)加噪图、图2(c)直方图均衡化后的图像和图2(d)采用本发明方法所得增强后的图像的灰度直方图。
图3(a)为实际航天图像B,图像大小为256×256像素,图3(b)为采用直方图均衡化得到的增强图,图3(c)为采用本发明提供的方法得到的增强后的图像;图3(d)、(e)、(f)分别是图3(a)原图、图3(b)直方图均衡化后的图像和图3(c)采用本发明方法所得增强后的图像的灰度直方图。
2、为了定量评价图像增强方法的效果,表1给出了对低对比度图像A和实际航天图像B按各种方案进行增强的EMEE值。
评价指标EMEE是指基于熵的图像对比度增强测量指标:
式中:首先把图像分割成M×N个8×8的子像块B(m,n),Imax;m,n和Imin;m,n分别表示子像块B(m,n)的灰度最大值和最小值,c是一个很小的常数,取0.0001,以避免分母为0,M表示图像以8×8的子块为单位分割后每一列的子块个数,N表示每一行的子块个数;当该函数值越大时,图像的对比度越高,图像的视觉质量越好。
表1各种方案增强的EMEE值
图像A | 图像B | |
含噪图 | 1.67 | 443 |
直方图均衡化 | 6935 | 3273 |
本发明的方法 | 9275 | 10271 |
通过如图2、图3所示的定性分析和表1的图像增强性能的定量分析我们得出以下结论:
对于含噪图像,直方图均衡化增强的同时也将噪声放大,严重影响图像的增强效果,如图2(c)和图3(b)所示,同时直方图均衡化会导致图像局部过暗或过亮的现象,如图3(b)中有些地方过黑,丢失了边缘细节信息;采用本发明提供的方法增强后的效果图,从视觉上看,明显优于直方图均衡化方法,有效地抑制了噪声且能保持更多的图像轮廓特征,克服了这些方法对噪声增强过度和对图像细节增强不足等缺点,并且具有自适应的优点,可由计算机自动完成,无需人工参与调节参数。
本发明充分利用了非下采样轮廓波变换在去除噪声和边缘等线奇异表示方面的优势,同时将空域直方图均衡化和变换域增强相结合,以经典的直方图均衡化处理后的图像为基准,采用NSCT变换系数直方图匹配的方法,实现变换域的图像自适应增强。NSCT的线奇异表示优势使其能够更好地跟踪图像边缘,NSCT的稀疏性和各向异性使得可以通过为不同子带系数矩阵设置不同的阈值较好地去除噪声的干扰。因此,最终的增强结果图可以有效地去除噪声并突出图像的边缘细节特征,提高图像的对比度。
Claims (4)
1.一种基于非下采样轮廓波变换的图像自适应增强方法,其特征在于,包括以下步骤:
(1)直方图均衡化:对原始图像I进行空域直方图均衡化,得到直方图均衡化后的图像J;
(2)对原始图像I进行非下采样轮廓波变换,得到低频子带系数矩阵C0和各尺度上的高频方向子带系数矩阵Cj,k,其中j表示尺度,k表示子带方向;
(3)对直方图均衡化后的图像J进行非下采样轮廓波变换,得到低频子带系数矩阵D0和各尺度上的高频方向子带系数矩阵Dj,k,其中j表示尺度,k表示子带方向;
(4)低频系数直方图匹配:以直方图均衡化后的图像J为基准,计算所述步骤(2)和步骤(3)得到的低频子带系数矩阵C0和D0的系数直方图,并将C0的系数直方图匹配到D0的系数直方图H0上;
(5)高频系数直方图匹配:对所述步骤(2)得到的各尺度上的高频方向子带系数矩阵Cj,k,估计各尺度各方向的噪声水平,计算自适应阈值,并依据该自适应阈值滤除各高频子带系数矩阵内的噪声,得到去噪后的各高频方向子带系数矩阵C'j,k;同时利用该自适应阈值去除所述步骤(3)得到的高频子带系数矩阵Dj,k内的噪声,得到去噪后的各高频方向子带系数矩阵D'j,k;然后计算D'j,k和C'j,k的直方图,将C'j,k的直方图匹配到D'j,k的直方图Hj,k上;
(6)对经过低频系数直方图匹配和高频系数直方图匹配后的原始图像I的变换系数进行非下采样轮廓波反变换,得到增强后的结果图像。
2.根据权利要求1所述的一种基于非下采样轮廓波变换的图像自适应增强方法,其特征在于,所述非下采样轮廓波变换尺度分解层数为2~6层。
3.根据权利要求1所述的一种基于非下采样轮廓波变换的图像自适应增强方法,其特征在于,所述非下采样轮廓波变换每层分解的方向数为2的幂次,所述每层幂次的选取范围为2~6中的整数。
4.根据权利要求1所述的一种基于非下采样轮廓波变换的图像自适应增强方法,其特征在于,所述步骤(5)的自适应阈值T为,其中,σ为噪声标准差,σj,k是第j尺度,第k方向的噪声标准差,其值可由蒙特卡罗估计法得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310247461.4A CN103295204B (zh) | 2013-06-20 | 2013-06-20 | 一种基于非下采样轮廓波变换的图像自适应增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310247461.4A CN103295204B (zh) | 2013-06-20 | 2013-06-20 | 一种基于非下采样轮廓波变换的图像自适应增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103295204A CN103295204A (zh) | 2013-09-11 |
CN103295204B true CN103295204B (zh) | 2015-12-02 |
Family
ID=49096011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310247461.4A Expired - Fee Related CN103295204B (zh) | 2013-06-20 | 2013-06-20 | 一种基于非下采样轮廓波变换的图像自适应增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103295204B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504664B (zh) * | 2014-12-29 | 2017-03-15 | 河海大学常州校区 | 基于人眼视觉特性的nsct域水下图像自动增强系统及其方法 |
CN104616252B (zh) * | 2015-01-09 | 2018-01-19 | 安徽师范大学 | 基于nsct和pcnn的数字图像增强方法 |
CN106373104A (zh) * | 2016-09-07 | 2017-02-01 | 河海大学常州校区 | 岩石钻孔图像的自适应增强方法 |
CN106897999A (zh) * | 2017-02-27 | 2017-06-27 | 江南大学 | 基于尺度不变特征变换的苹果图像融合方法 |
CN106960192B (zh) * | 2017-03-23 | 2018-12-18 | 江苏心灵鸡汤信息技术有限公司 | 自动驾驶中基于前向摄像头的道路标线提取系统 |
CN107610074B (zh) * | 2017-09-12 | 2020-06-16 | 新疆大学 | 一种提高遥感图像质量的方法 |
CN109740629B (zh) * | 2018-12-05 | 2022-03-15 | 电子科技大学 | 一种基于fpga的非下采样轮廓波分解变换系统及其实现方法 |
CN109872289A (zh) * | 2019-02-19 | 2019-06-11 | 重庆邮电大学 | 基于改进的非下采样Contourlet变换的图像增强方法 |
CN112532958B (zh) * | 2020-11-24 | 2022-09-06 | 海宁奕斯伟集成电路设计有限公司 | 图像处理方法、装置、电子设备以及可读存储介质 |
CN115187465A (zh) * | 2022-05-30 | 2022-10-14 | 中国矿业大学 | 基于nsct和图像匹配的浮选泡沫图像增强方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1731820A (zh) * | 2005-08-22 | 2006-02-08 | 上海广电(集团)有限公司中央研究院 | 增强图像的结构方法 |
CN101739667A (zh) * | 2009-12-04 | 2010-06-16 | 西安电子科技大学 | 基于非下采样轮廓波变换的遥感图像道路增强方法 |
CN101930590A (zh) * | 2009-06-25 | 2010-12-29 | 公安部上海消防研究所 | 一种可应用于火灾探测的变换域邻域自适应图像降噪方法 |
CN102226917A (zh) * | 2011-05-20 | 2011-10-26 | 西北工业大学 | 一种基于非下采样Contourlet扩散的图像增强方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8503778B2 (en) * | 2009-05-14 | 2013-08-06 | National University Of Singapore | Enhancing photograph visual quality using texture and contrast data from near infra-red images |
-
2013
- 2013-06-20 CN CN201310247461.4A patent/CN103295204B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1731820A (zh) * | 2005-08-22 | 2006-02-08 | 上海广电(集团)有限公司中央研究院 | 增强图像的结构方法 |
CN101930590A (zh) * | 2009-06-25 | 2010-12-29 | 公安部上海消防研究所 | 一种可应用于火灾探测的变换域邻域自适应图像降噪方法 |
CN101739667A (zh) * | 2009-12-04 | 2010-06-16 | 西安电子科技大学 | 基于非下采样轮廓波变换的遥感图像道路增强方法 |
CN102226917A (zh) * | 2011-05-20 | 2011-10-26 | 西北工业大学 | 一种基于非下采样Contourlet扩散的图像增强方法 |
Non-Patent Citations (2)
Title |
---|
基于Contourlet变换的红外图像非线性增强算法;石丹等;《光学学报》;20090228;第29卷(第2期);第342-346页 * |
手掌静脉增强算法研究;李继杰;《中国优秀硕士论文全文数据库信息科技辑》;20120315;第46页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103295204A (zh) | 2013-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103295204B (zh) | 一种基于非下采样轮廓波变换的图像自适应增强方法 | |
Wang et al. | Dehazing for images with large sky region | |
CN108389158A (zh) | 一种红外和可见光的图像融合方法 | |
CN109035189B (zh) | 基于柯西模糊函数的红外与弱可见光图像融合方法 | |
Padmavathi et al. | Comparison of filters used for underwater image pre-processing | |
CN101482617B (zh) | 基于非下采样轮廓波的合成孔径雷达图像去噪方法 | |
CN104657948B (zh) | 一种用于海洋探测的激光水下成像图像去噪和增强方法 | |
CN102324021A (zh) | 一种基于剪切波变换的红外弱小目标检测方法 | |
CN101739671A (zh) | 一种含噪图像的降噪处理方法及系统 | |
CN104036455B (zh) | 基于二代小波的红外图像细节增强方法 | |
CN104103041B (zh) | 超声图像混合噪声自适应抑制方法 | |
CN104504664B (zh) | 基于人眼视觉特性的nsct域水下图像自动增强系统及其方法 | |
Yan et al. | Method to Enhance Degraded Image in Dust Environment. | |
CN111768350B (zh) | 一种红外图像增强方法及系统 | |
CN103020922A (zh) | 基于pca变换的sar图像相干斑抑制方法 | |
CN104657951A (zh) | 图像乘性噪声移除方法 | |
CN111815550A (zh) | 一种基于灰度共生矩阵的红外与可见光图像融合方法 | |
CN103793889B (zh) | 基于字典学习和ppb算法的sar图像去斑方法 | |
CN103679663A (zh) | Tetrolet变换域结合PDE和GCV理论的图像去噪方法 | |
CN108428221A (zh) | 一种基于shearlet变换的邻域双变量阈值去噪方法 | |
CN103077507A (zh) | 基于Beta算法的多尺度SAR图像降噪方法 | |
CN109872289A (zh) | 基于改进的非下采样Contourlet变换的图像增强方法 | |
CN105096274B (zh) | 基于非下采样轮廓波域混合统计模型的红外图像降噪方法 | |
CN103426145A (zh) | 一种基于多分辨分析的合成孔径声纳相干斑噪声抑制方法 | |
CN102693530B (zh) | 基于目标提取和srad算法的sar图像去斑方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
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: 20151202 Termination date: 20210620 |
|
CF01 | Termination of patent right due to non-payment of annual fee |