CN103366376B - 一种基于邻域尺度变化的图像特征提取方法 - Google Patents
一种基于邻域尺度变化的图像特征提取方法 Download PDFInfo
- Publication number
- CN103366376B CN103366376B CN201310302240.2A CN201310302240A CN103366376B CN 103366376 B CN103366376 B CN 103366376B CN 201310302240 A CN201310302240 A CN 201310302240A CN 103366376 B CN103366376 B CN 103366376B
- Authority
- CN
- China
- Prior art keywords
- neighborhood
- point
- sampled point
- yardstick
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
一种基于邻域尺度变化的图像特征提取方法,依次包括:(1)在经典图像网格模板上取一点作为中心点,设置邻域范围,中心点邻域内的点为采样点;(2)计算每个采样点的邻域尺度;(3)根据采样点的邻域尺度,对邻域内的采样点实施坐标变换;(4)对变换后的采样点进行裁剪,舍去坐标变换后超出邻域范围的采样点;(5)对保留下来的采样点,利用变换后的新坐标计算每个采样点新的邻域尺度,将每个以采样点为圆心邻域尺度为直径的圆作为邻域的子区域,这些子区域组合起来得到变尺度邻域模板;(6)将变尺度邻域模板对应到待处理的图像上获得中心点的特征。本发明可降低图像特征的维数,增强图像特征的鲁棒性,提高图像特征的区分度。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于邻域尺度变化的图像特征提取方法。
背景技术
图像特征提取是图像处理中非常重要的基础运算之一。计算机通过对数字图像进行分析和处理来提取图像的不变特征,即通过运算来检查图像的每一个像素,最后确定像素所属的特征,进而利用提取出来的特征解决实际问题。由于实际问题的类型各不相同,图像的特征可归纳为灰度特征、纹理特征等特征,如何从原始图像中提取具有较强表示能力的图像特征是图像处理研究的一个热点。
近年来随着各种特征提取方法的涌现,提取结果的特征向量维数也变得越来越高。维数过高的缺点一方面体现在特征之间的相关性非常复杂,难以得到真正有用的信息;另一方面则是带来了“维度灾难”问题,使得分类器要消耗大量的时间来进行分类处理。
特征选择是降低特征向量维数的一个常用方法。通过特征选择算法设置不同的搜索策略和评价准则以从特征向量中挑选出最有效的特征以降低特征空间的维数。但这种降低特征向量维数的方法过于依赖所选用的特征选择算法,而在实际应用中往往需要根据具体环境来设置计算量与性能之间的最佳平衡点,使得特征选择算法的通用性差。除此之外,如果原始的图像特征不足以判别不同的种类,即使采用最好的特征选择算法也不能得到良好的分类结果。
根据Rousseau等人的研究,图像中一个像素点的特征可有效地运用其邻域信息来表达,基于块状邻域的特征提取算法已被广泛用于图像处理中。然而,直接使用块状邻域的图像信息会得到较高的特征维数。如,仅仅采用以目标像素点为中心的9×9×9领域内的像素点灰度值信息就可得到高达729维的图像特征,而传统的基于块状邻域的特征提取算法也不具备鲁棒性。
针对传统的基于块状邻域的特征提取算法维数高、鲁棒性不强的缺点以及特征选择算法通用性差的缺陷,提供一种能够降低特征维数、增强鲁棒特征的基于邻域尺度变化的图像特征提取方法以克服现有技术不足甚为必要。
发明内容
本发明的目的在于针对现有技术不足,提供一种基于邻域尺度变化的图像特征提取方法,该方法获得的图像特征维数低、区分度高、鲁棒性强,有助于后续分类器的处理。
本发明的上述目的通过如下技术方案实现。
一种基于邻域尺度变化的图像特征提取方法,依次包括如下步骤,
(1)在经典图像网格模板上取一点作为中心点,设置所述中心点的邻域范围大小,所述中心点邻域内的点为采样点;
(2)计算每个采样点的邻域尺度,其中,为采样点的个数,采样点的邻域尺度为以该采样点为圆心的圆的直径;
(3)根据步骤(2)计算得到的每个采样点的邻域尺度,对邻域内的每个采样点一一实施坐标变换;
(4)对变换后的采样点进行裁剪,舍去坐标变换后超出邻域范围的采样点;
(5)对保留下来的采样点,利用变换后的新坐标计算每个采样点新的邻域尺度,其中,为经过裁剪后的采样点的个数,
将每个以采样点为圆心邻域尺度为直径的圆作为邻域的子区域,将保留下来的每个采样点对应的子区域组合起来得到最终的变尺度邻域模板;
(6)将变尺度邻域模板对应到待处理的图像上,得到其邻域的子区域划分,通过计算每个子区域的特征就得到了对应的每个采样点的特征,将邻域内的采样点的特征组合起来构成中心点的特征。
上述步骤(2)和步骤(5)中采样点的邻域尺度的计算方法具体为:,其中,值为邻域尺度增大的程度参数,,为采样点的邻域尺度,为采样点与中心点之间的距离。
上述值的范围为2-4。
上述步骤(3)中采样点的坐标变换方法具体为:
其中,为采样点的原始坐标,为采样点变换后的坐标,为采样点距离中心点的距离。
优选的,上述步骤(6)中子区域特征的计算方法具体为:
针对步骤(5)得到的邻域内的每一个圆形子区域,统计子区域内所有像素的特征信息。
上述统计方法为取平均值或者求直方图法。
另一优选的,上述步骤(6)中子区域特征的计算方法具体为:
针对步骤(5)得到的邻域内的每一个圆形子区域,计算子区域内所有像素的特征信息。
计算子区域内所有像素的特征信息具体采用提取像素点灰度值法、伽伯变换法、灰度共生矩阵法或者角点检测法进行计算。
一种基于邻域尺度变化的图像特征提取方法,依次包括如下步骤:(1)在经典图像网格模板上取一点作为中心点,设置所述中心点的邻域范围大小,所述中心点邻域内的点为采样点;(2)计算每个采样点的邻域尺度,其中,为采样点的个数,采样点的邻域尺度为以该采样点为圆心的圆的直径;(3)根据步骤(2)计算得到的采样点的邻域尺度,对邻域内的采样点实施坐标变换;(4)对变换后的采样点进行裁剪,舍去坐标变换后超出邻域范围的采样点;(5)对保留下来的采样点,利用变换后的新坐标计算每个采样点新的邻域尺度,其中,为经过裁剪后的采样点的个数,将每个以采样点为圆心邻域尺度为直径的圆作为邻域的子区域,这些子区域组合起来即得到最终的变尺度邻域模板;(6)将变尺度邻域模板对应到待处理的图像上,得到其邻域的子区域划分,通过计算每个子区域的特征就得到了对应的每个采样点的特征,将邻域内的采样点的特征组合起来构成中心点的特征。本发明的一种基于邻域尺度变化的图像特征提取方法,可以有效降低图像特征的维数,增强图像特征的鲁棒性,提高图像特征的区分度。
附图说明
利用附图对本发明作进一步的说明,但附图中的内容不构成对本发明的任何限制。
图1为本发明一种基于邻域尺度变化的图像特征提取方法的构建变尺度邻域模板的示意图;图1(a)为经典网格模板;图1(b)为采样点经过坐标变换后的示意图;图1(c)为经过剪裁后保留的采样点的示意图;图1(d)为由子区域组成的最终的变尺度邻域模板示意图。
图2为不同a取值下的邻域尺度计算结果示意图。
图3为本发明的方法与块状邻域提取模板应用于前列腺癌病人的CT图像上的比较结果示意图;图3(a)为前列腺癌病人的五组CT图像;图3(b)为块状邻域提取模板应用在前列腺癌病人的CT图像上的结果示意图;图3(c)为本发明的方法应用在前列腺癌病人的CT图像上的结果示意图;图3(d)是临床医生手动分割的标准结果示意图。
具体实施方式
下面结合具体的实施例对本发明进行详细描述。
实施例1。
一种基于邻域尺度变化的图像特征提取方法,依次包括如下步骤。
如图1所示,(1)在经典图像网格模板上取一点作为中心点,设置中心点的邻域范围大小,中心点邻域内的点即为采样点。
(2)计算每个采样点的邻域尺度,其中,为采样点的个数,采样点的邻域尺度为以该采样点为圆心的圆的直径。
采样点的邻域尺度的计算方法具体为:,其中,,为采样点的邻域尺度,为采样点与中心点之间的距离。值为邻域尺度增大的程度参数,值可由用户手动输入,用来控制邻域尺度增大的程度,值越小表示距离中心点越远的采样点尺度增大的幅度越大,值越大表示距离中心点越远的采样点尺度增大的幅度越小,如图2所示。通常值以设置为2-4较佳。
(3)根据步骤(2)计算得到的每个采样点的邻域尺度,对邻域内的每个采样点实施坐标变换,采样点的坐标变换方法具体为:
其中,为采样点的原始坐标,为采样点变换后的坐标,为采样点距离中心点的距离。
(4)对变换后的采样点进行裁剪,舍去坐标变换后超出邻域范围的采样点。
(5)对保留下来的采样点,利用变换后的新坐标计算每个采样点新的邻域尺度,其中,为经过裁剪后的采样点的个数,采样点的邻域尺度的计算方法具体为:,其中,值为邻域尺度增大的程度参数,,为采样点的邻域尺度,为采样点与中心点之间的距离。值的通常设置为2-4。
然后将每个以采样点为圆心邻域尺度为直径的圆作为邻域的子区域,这些子区域组合起来即得到最终的变尺度邻域模板。
(6)将变尺度邻域模板对应到待处理的图像上,得到其邻域的子区域划分,通过计算每个子区域的特征就得到了对应的每个采样点的特征,将邻域内的采样点的特征组合起来构成中心点的特征。
步骤(6)中子区域特征的计算方法具体为:
针对步骤(5)得到的邻域内的每一个圆形子区域,统计子区域内所有像素的特征信息或者计算子区域内所有像素的特征信息。统计方法可以为取平均值或者求直方图法,当然也可以采用其他方法。计算子区域内所有像素的特征信息具体采用提取像素点灰度值法、伽伯变换法、灰度共生矩阵法或者角点检测法等进行计算。
本发明的基于邻域尺度变化的图像特征提取方法,变尺度邻域模板以较少的采样点覆盖了与块状邻域模板相同的面积,从而降低了特征的维数。在变尺度邻域模板中,距离中心点越近的采样点,尺度越小,圆内特征信息精确丰富,可表示局部特征细节;距离中心点越远的采样点,尺度越大,圆内信息将被模糊化,只表示大致特征。可以更加合理的利用邻域信息,使得提取出来的特征即包含充分的局部信息,同时又避免了区分度不强的采样点对特征空间的过多占用,使得特征在维持维数较低的同时亦能表达充足的图像信息。本发明的一种基于邻域尺度变化的图像特征提取方法,可以有效降低图像特征的维数,增强图像特征的鲁棒性,提高图像特征的区分度。
实施例2。
以五例大小为256*256*128的前列腺癌病人的CT图像数据为基础,图像像素的特征信息通过提取像素点灰度值的计算方法得到,结合附图1详细描述本发明的基于邻域尺度变化的图像特征提取方法。
假设经典网格模板中,每个像素点之间的距离都为1。
(1)在经典图像网格模板上取一点作为中心点,将其坐标设为(0,0,0),规定其邻域范围的大小为7*7*7,其邻域内的点设为采样点。
(2)取,因中心点到自身的距离为0,则由邻域尺度计算公式得到以中心点为圆心的圆的直径为1,即该像素点为直径为1的圆。接着以中心点右边距离最近的像素点为例,在经典网格模板中,该采样点坐标为(1,0,0),与中心点的距离为1,由邻域尺度计算公式,得到以该采样点为圆心的圆的直径为。
(3)根据(2)得到的采样点的邻域尺度,由坐标变换公式将该采样点的坐标右移, ,,则该采样点的坐标变为(1.1361,0,0)。
(4)因坐标(1.1361,0,0)在邻域范围7*7*7之内,该采样点予以保留。
(5)此时再利用邻域尺度计算公式,计算坐标改变后的该采样点的新的邻域尺度,则该采样点变为以(1.1361,0,0)为圆心的直径为的圆。
以此类推,对邻域范围内的其他点也依次进行步骤(2)至(5)的计算,得到坐标改变后的采样点的新的邻域尺度。
距离中心点越远的采样点坐标改变的幅度越大同时该点代表的圆的直径越大。坐标变换后超出7*7*7邻域范围的采样点被舍去,最后留下179个次采样点,对保留下来的采样点计算其新的邻域尺度,得到变邻域尺度邻域模板,其邻域被划分为179个子区域,中心点的特征即通过保留的179个子区域的特征所组成。
(6)将变邻域尺度邻域模板对应到前列腺癌病人的CT图像上,图像像素点的灰度值信息已通过计算得到。对于每一个子区域,选择像素灰度平均值作为采样点的特征,即计算以采样点为圆心以步骤(5)计算得到的邻域尺度为直径的圆内所有像素点的灰度平均值。
将此179个子区域计算得到的灰度均值特征组合起来即得到中心点的特征,对应图像每个像素点可分别得到一组179维的特征向量。
本发明的基于邻域尺度变化的图像特征提取方法,变尺度邻域模板以较少的采样点覆盖了与块状邻域模板相同的面积,从而降低了特征的维数。在变尺度邻域模板中,距离中心点越近的采样点,尺度越小,圆内特征信息精确丰富,可表示局部特征细节;距离中心点越远的采样点,尺度越大,圆内信息将被模糊化,只表示大致特征。可以更加合理的利用邻域信息,使得提取出来的特征即包含充分的局部信息,同时又避免了区分度不强的采样点对特征空间的过多占用,使得特征在维持维数较低的同时亦能表达充足的图像信息。本发明的一种基于邻域尺度变化的图像特征提取方法,可以有效降低图像特征的维数,增强图像特征的鲁棒性,提高图像特征的区分度。
实施例3
(1)使用实施例2中的前列腺癌病人的五组CT图像,利用基于块状邻域的图像特征提取模板,设定邻域范围为7*7*7,将范围内的每个像素点的灰度均值特征作为该采样点的特征,每个像素点的灰度均值特征由该像素点3*3*3邻域内的像素点灰度值平均得到,将图像块提取模板对应到待处理图像上,则对应每个像素点可分别得到一组343维的特征向量。
(2)利用AdaBoost分类器,对使用两种不同的特征提取模板得到的图像特征进行测试,测试方式为对前列腺癌病人CT图像进行前列腺的分割。
(3)图3(a)为病人的原始CI图像,图3(b)为利用块状邻域特征得到的结果,图3(c)为利用本文变尺度邻域特征得到的结果,图3(d)为专家手工分割的结果。从图中可以看出,采用本发明所述特征提取模板得到的结果与专家手动分割的结果更接近,说明本发明提出的图像特征区分度更高,鲁棒性更强。
采用块状邻域方法每个点需要343维特征表达,而采用本发明所述方法,每个点仅需179维特征表达,有效的降低了特征向量的维数。充分说明本发明所述方法是有效的。
实践证明,本发明的方法可以有校内降低特征维数,增强特征的鲁棒性,能够更合理利用邻域内的图像上下文信息,提高特征的区分度,有利于后续分类器的处理。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (6)
1.一种基于邻域尺度变化的图像特征提取方法,其特征在于:依次包括如下步骤,
(1)在经典图像网格模板上取一点作为中心点,设置所述中心点的邻域范围大小,所述中心点邻域内的点为采样点;
(2)计算每个采样点的邻域尺度,其中为采样点的个数,采样点的邻域尺度为以该采样点为圆心的圆的直径;
(3)根据步骤(2)计算得到的每个采样点的邻域尺度,对邻域内的每个采样点一一实施坐标变换;
(4)对变换后的采样点进行裁剪,舍去坐标变换后超出邻域范围的采样点;
(5)对保留下来的采样点,利用变换后的新坐标计算每个采样点新的邻域尺度,其中为经过裁剪后的采样点的个数,
以每个以采样点为圆心、邻域尺度为直径的圆作为邻域的子区域,将保留下来的每个采样点对应的子区域组合起来得到变尺度邻域模板;
(6)将变尺度邻域模板对应到待处理的图像上,得到其邻域的子区域划分,通过计算每个子区域的特征就得到了对应的每个采样点的特征,将邻域内的采样点的特征组合起来构成中心点的特征;
所述步骤(2)和步骤(5)中采样点的邻域尺度的计算方法具体为:,其中,为采样点的邻域尺度,值为邻域尺度增大的程度参数,为采样点与中心点之间的距离;
步骤(3)中采样点的坐标变换方法具体为:
,
其中,为采样点的原始坐标,为采样点变换后的坐标,为采样点距离中心点的距离。
2.根据权利要求1所述的一种基于邻域尺度变化的图像特征提取方法,其特征在于:所述值的范围为2-4。
3.根据权利要求1或2所述的一种基于邻域尺度变化的图像特征提取方法,其特征在于:所述步骤(6)中子区域特征的计算方法具体为:针对步骤(5)得到的邻域内的每一个圆形子区域,统计子区域内所有像素的特征信息。
4.根据权利要求3所述的基于邻域尺度变化的图像特征提取方法,其特征在于:所述统计方法为取平均值或者求直方图法。
5.根据权利要求1或2所述的基于邻域尺度变化的图像特征提取方法,其特征在于:所述步骤(6)中子区域特征的计算方法具体为:针对步骤(5)得到的邻域内的每一个圆形子区域,计算子区域内所有像素的特征信息。
6.根据权利要求5所述的基于邻域尺度变化的图像特征提取方法,其特征在于:计算子区域内所有像素的特征信息具体采用提取像素点灰度值法、伽伯变换法、灰度共生矩阵法或者角点检测法进行计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310302240.2A CN103366376B (zh) | 2013-07-19 | 2013-07-19 | 一种基于邻域尺度变化的图像特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310302240.2A CN103366376B (zh) | 2013-07-19 | 2013-07-19 | 一种基于邻域尺度变化的图像特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103366376A CN103366376A (zh) | 2013-10-23 |
CN103366376B true CN103366376B (zh) | 2016-02-24 |
Family
ID=49367644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310302240.2A Expired - Fee Related CN103366376B (zh) | 2013-07-19 | 2013-07-19 | 一种基于邻域尺度变化的图像特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103366376B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778449A (zh) * | 2015-03-25 | 2015-07-15 | 广东瑞德智能科技股份有限公司 | 一种应用于物联网身份鉴别的掌纹特征提取与匹配方法 |
CN106372643B (zh) * | 2015-07-20 | 2019-08-30 | 北京大学 | 一种图像特征的提取方法及设备 |
CN105320956B (zh) * | 2015-10-14 | 2018-11-13 | 华侨大学 | 一种基于中心窗口变差的四象限分块模式的图像纹理特征提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102231191B (zh) * | 2011-07-17 | 2012-12-26 | 西安电子科技大学 | 基于asift的多模态图像特征提取与匹配方法 |
CN103186899A (zh) * | 2013-03-21 | 2013-07-03 | 清华大学深圳研究生院 | 一种仿射尺度不变的特征点提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7602398B2 (en) * | 2005-01-28 | 2009-10-13 | Microsoft Corporation | Decorating surfaces with textures |
-
2013
- 2013-07-19 CN CN201310302240.2A patent/CN103366376B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102231191B (zh) * | 2011-07-17 | 2012-12-26 | 西安电子科技大学 | 基于asift的多模态图像特征提取与匹配方法 |
CN103186899A (zh) * | 2013-03-21 | 2013-07-03 | 清华大学深圳研究生院 | 一种仿射尺度不变的特征点提取方法 |
Non-Patent Citations (4)
Title |
---|
BRISK:Binary Robust Invariant Scalable Keypoints;Stefan Leutenegger et al.;《IEEE International Conference on Computer Vision(ICCV)》;20111106;第2548-2555页 * |
DAISY:An Efficient Dense Descriptor Applied to Wide-Baseline Stereo;Engin Tola et al.;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20100531;第32卷(第5期);第815-830页 * |
Object Recognition from Local Scale-Invariant Features;David G.Lowe;《Proceedings of the Seventh IEEE International Conference on Computer Vision》;19990920;第1-8页 * |
形状匹配方法研究与展望;周瑜 等;《自动化学报》;20120630;第38卷(第6期);第889-907页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103366376A (zh) | 2013-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115861135B (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
CN109154978B (zh) | 用于检测植物疾病的系统和方法 | |
CN104408429B (zh) | 一种视频代表帧提取方法及装置 | |
CN104751142B (zh) | 一种基于笔划特征的自然场景文本检测方法 | |
CN104778457B (zh) | 基于多示例学习的视频人脸识别方法 | |
CN104766343B (zh) | 一种基于稀疏表示的视觉目标跟踪方法 | |
CN107392968B (zh) | 融合颜色对比图和颜色空间分布图的图像显著性检测方法 | |
TW201740316A (zh) | 圖像文字的識別方法和裝置 | |
CN104881671B (zh) | 一种基于2D‑Gabor的高分遥感影像局部特征提取方法 | |
CN108763262B (zh) | 一种商标图形检索方法 | |
CN104850822B (zh) | 基于多特征融合的简单背景下的叶片识别方法 | |
CN108334875A (zh) | 基于自适应多阈值的静脉特征提取方法 | |
CN109978848A (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN110197113B (zh) | 一种高精度锚点匹配策略的人脸检测方法 | |
CN106294705A (zh) | 一种批量遥感影像预处理方法 | |
CN107610093B (zh) | 基于相似性特征融合的全参考型图像质量评价方法 | |
CN111507206A (zh) | 一种基于多尺度局部特征融合的手指静脉识别方法 | |
CN106203448B (zh) | 一种基于非线性尺度空间的场景分类方法 | |
CN103366376B (zh) | 一种基于邻域尺度变化的图像特征提取方法 | |
CN111639560A (zh) | 基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法及装置 | |
CN106324708B (zh) | 雨量记录图纸的数字化方法、装置 | |
CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
CN107247752B (zh) | 一种基于角点描述子的图像检索方法 | |
CN105512682B (zh) | 一种基于Krawtchouk矩和KNN-SMO分类器的密级标识识别方法 | |
Mani et al. | Design of a novel shape signature by farthest point angle for object recognition |
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: 20160224 Termination date: 20160719 |
|
CF01 | Termination of patent right due to non-payment of annual fee |