CN104239890A - 高分1号卫星的沿岸陆地土地覆被信息自动提取的方法 - Google Patents
高分1号卫星的沿岸陆地土地覆被信息自动提取的方法 Download PDFInfo
- Publication number
- CN104239890A CN104239890A CN201410392877.XA CN201410392877A CN104239890A CN 104239890 A CN104239890 A CN 104239890A CN 201410392877 A CN201410392877 A CN 201410392877A CN 104239890 A CN104239890 A CN 104239890A
- Authority
- CN
- China
- Prior art keywords
- classification
- image
- land
- satellite
- windy
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种高分1号卫星的沿岸陆地土地覆被信息自动提取的方法,包括以下步骤:步骤一,对原始高分1号卫星遥感影像进行预处理,构建沿岸陆地土地覆被分类;步骤二,采用基于非象元分类的面向对象分类方法,对影像进行分割和归并;步骤三,完成影像分割后,计算对象的特征空间;步骤四,采用对象训练样本选取方法提取在前述过程中经过分割和计算的对象属性特征;步骤五,采用Feature Extraction的K近邻分类器对影像进行分类;步骤六,对分类结果进行分类后处理,消除分类图像上的小斑点的影响,得到沿岸陆地土地覆被信息。本发明的方法,精度高,实用性强,能够实时、精确地对湿地沿岸陆地土地覆被信息进行提取。
Description
技术领域
本发明涉及一种利用高分1号卫星对沿岸陆地土地覆被信息自动提取的方法。
背景技术
湿地是各种野生动植物重要的自然栖息地,具有“野生植物基因库”的美誉,进行湿地分类与制图研究工作对于自然湿地恢复和保护意义重大,包括为各种湿地科学研究和规划提供基础数据支持。卫星遥感技术能提供动态、丰富和廉价的遥感数据源,已成为获取土地覆盖信息最为行之有效的手段。随着科学技术的进步和科学研究者工作的进展,高光谱、高分辨率卫星等不断出现,土地覆被分类信息的提取方法由基于象元级的分类方法向对象级的方法发展,为精确提取土地覆被分类信息提供了更好的技术和方法。
Wlillhauck和Schneider使用常规的目视解译、面向对象两种方法SPOT数据与航空影像数据进行森林类别的识别,结果表明面向对象的分类方法优于传统的目视解译,而且分类数据可直接进行动态监测变化的定量分析[6];HuangHuiing等进行了相关的实验,也对这种基于基元和面向对象的分类结果的精度和准确性进行了肯定[7];曹宝等在2008年利用SPOT-5数据,采用面向对象方法对北京颐和园湿地周边区域的草地、林地、裸地、水体、低层建筑、高层建筑和道路等7类地物进行信息提取[8];李娜等以自然状态下的黑龙江三江平原洪河国家级自然保护区为研究对象,应用飞艇搭载的空间高分辨率摄像系统获取影像地面分辨率为0.13m的影像数据,主要结合面向对象分类方法,开展了基于湿地植物群落尺度的分类制图研究[9]。
发明内容
本发明的目的是提供一种高分1号卫星的沿岸陆地土地覆被信息自动提取的方法,精度高,实用性强,能够实时、精确地对湿地沿岸陆地土地覆被信息进行提取。
为实现上述目的,本发明采用如下技术方案:
一种高分1号卫星的沿岸陆地土地覆被信息自动提取的方法,包括以下步骤:
步骤一:数据预处理及构建分类
对原始高分1号卫星遥感影像进行预处理,构建沿岸陆地土地覆被分类;
步骤二:影像分割
采用基于非象元分类的面向对象分类方法,对影像进行分割和归并;
步骤三:属性计算
完成影像分割后,计算对象的特征空间;
步骤四:特征选取
采用对象训练样本选取方法提取在前述过程中经过分割和计算的对象属性特征;
步骤五:对象分类
采用Feature Extraction的K近邻分类器对影像进行分类;
步骤六:分类后处理
对分类结果进行分类后处理,消除分类图像上的小斑点的影响,得到沿岸陆地土地覆被信息。
步骤一所述的数据预处理及构建分类的步骤为:步骤七,采用ENVI 4.8软件的各相应模块对遥感影像进行投影变换、几何校正、边界裁定、影像融合和增强等数据预处理,并将8米多光谱影像和同一时间2米全色影像融合成为2米多光谱遥感影像;步骤八,依据地形资料、和/或土地利用现状、和/或课题的要求,把陆地土地覆被分为多个主类和多个亚类。
步骤二所述的影像分割,是针对2米多光谱的遥感影像的分割,分割尺度为63%,归并尺度均为90%。
步骤三所述的属性计算的步骤为:步骤九,计算对象的前三类属性的全部指数:Spatial(空间)、Spectral(光谱)、Texture(纹理);步骤十,“色彩空间”选择4波段、3波段和2波段3个RGB波段转换为HIS色彩空间;步骤十一,“波段比”选择信息量丰富,且对水体和植被具有较好鉴别力的红波段和近红外波段计算NDVI值。
步骤四所述的特征提取是指:依据研究区图文资料和野外调查数据,进行对象训练样本的选取;陆地覆被六大类中,每类样本的选取数量为17~200个,样本应选取典型地物,且在影像上呈均匀分布。
步骤五所述的对象分类,采用Feature Extraction的K近邻分类器对影像进行分类,并将融合后的2米分辨率的影像K值设置为17。
步骤六所述的分类后处理及精度评价的步骤为:步骤十二,通过PostClassified工具,对分类结果进行主要或次要分析、聚类分析及筛选类分析,消除分类图像上的小斑点的影响,得到沿岸陆地土地覆被信息。
与现有技术相比本发明的有益效果是:采用上述技术方案,
1、能够利用我国于2013年4月发射的高分1号卫星的最新数据,其8米多光谱和2米全色;
2、将8米多光谱和同一时间2米全色影像融合成为2米多光谱的遥感影像,提高了总的分类精度;
3、利用了面向对象分类方法,调整设置了最佳的参数,相对于其它较为复杂的分类方法,其操作更为简便,结果也更为精确、理想。
附图说明
图1是本发明具体实施方式中自动提取杭州湾沿岸陆地土地覆被分类信息的主要流程图;
图2是杭州湾沿岸陆地高分1号2m融合多光谱数据面向对象分类结果;
图3是杭州湾沿岸陆地高分1号2m融合多光谱数据面向对象分类精度;
图4是杭州湾沿岸陆地高分1号卫星三种分类方法生产者精度比较;
图5是杭州湾沿岸陆地高分1号卫星三种分类方法用户精度比较。
具体实施方式
现以杭州湾沿岸陆地土地覆被信息的自动提取为例来具体说明。所述的高分1号卫星,是我国于2013年4月发射的高分辨率1号卫星,其最新数据8米多光谱和2米全色。
如图1至5所示,一种基于高分1号卫星的杭州湾沿岸陆地土地覆被信息分类自动提取的方法,包括以下步骤:
步骤一:数据预处理及构建分类
采用ENVI 4.8软件的各相应模块对研究区8月9日的杭州湾遥感原始影像进行投影变换、几何校正、边界裁定、影像融合和增强等数据预处理工作,并将杭州湾8月9日的8米多光谱影像和同一时间2米全色影像融合成为2米多光谱的遥感影像;
依据杭州湾的地形资料、土地利用现状和课题的要求,把杭州湾南岸陆地覆被分为七大主类10亚类,如表1,本次研究是按照10大亚类进行影像分类;
表1.分类系统构建
步骤二:影像分割
采用基于非象元分类的面向对象分类方法,对上述融合成的2米多光谱的遥感影像进行分割和归并,分割尺度为63%,归并尺度均为90%。
步骤三:属性计算
完成影像分割后,计算对象的前三类属性的全部指数:Spatial(空间)、Spectral(光谱)、Texture(纹理);
所述Spatial(空间)选择4波段、3波段和2波段3个RGB波段转换为HIS色彩空间;“波段比”选择信息量丰富,且对水体和植被具有较好鉴别力的TM3波段和4波段计算NDVI值。
步骤四:特征选取
采用对象训练样本选取方法提取在前述过程中经过分割和计算的对象属性特征。所述的特征提取是指:依据研究区图文资料和野外调查数据,进行对象训练样本的选取;陆地覆被十个亚类中(河道、水库,植被,鱼塘,沼泽,休耕地,耕地,裸地,居住用地,工矿用地),每类样本的选取数量为17~200个,样本应选取特征明显的典型区块,且在影像上呈均匀分布。
步骤五:对象分类
采用Feature Extraction的K近邻分类器对影像进行分类;所述的对象分类,采用Feature Extraction的K近邻分类器对影像进行分类,并将融合后的2米分辨率的影像K值设置为17。分类结果如图2所示。
步骤六:分类后处理
通过Post Classified工具,对分类结果进行主要或次要分析、聚类分析及筛选类分析,消除分类图像上的小斑点的影响,得到沿岸陆地土地覆被信息。
作为优选,还可以将分类结果图覆盖在相应的分类前的遥感影像上,对分类结果进行分类类型名称、颜色进行调整,并对分类结果中出现分类错误的局部分类结果进行调整和修改,利用ENVI 4.8软件的Generate random sample工具,产生随机样本点,结合野外实地察资料数据,通过在原始的高分影像上的判读确定每个样本点的所属类型,再生成混淆矩阵对面向对象方法的分类结果进行精度评价(表2,表3和表4)。评价指标包括分类总精度和Kappa系数、以及各分类类型的生产者精度和用户精度。
表2 杭州湾沿岸陆地高分1号2m融合多光谱数据面向对象分类误差矩阵
表3 杭州湾沿岸陆地高分1号8m多光谱数据面向对象分类误差矩阵
表4 杭州湾沿岸陆地高分1号2m融合多光谱数据最大似然法误差矩阵
图3是杭州湾沿岸陆地高分1号2m融合多光谱数据面向对象分类精度;图4是杭州湾沿岸陆地高分1号卫星三种分类方法生产者精度比较;图5是杭州湾沿岸陆地高分1号卫星三种分类方法用户精度比较。
从图3、4和5可以看出:利用面向对象和最大似然法这两种分类方法开展高分1号2m、8m多光谱土地覆盖的分类情况比较,结果表明,本发明的利用面向对象的高分1号2m影像分类总精度比其他都要高,尤其是地物斑块较小的道路和鱼塘等,体现了高分1号在滨海陆地复杂地物类型和斑块较小的情况下土地覆盖信息分类提取时的优越性。本发明的遥感影像融合技术提高了原有遥感影像的空间分辨率,增加了土地覆盖类型的识别度,提高了土地覆盖信息分类提取的精度。研究还表明对于高空间分辨率的遥感影像,本发明的面向对象分类方法明显优于传统的最大似然法。
本发明的面向对象法通过影像分割、属性计算、特征选取和对象分类,综合考虑对象的光谱、空间、纹理、色彩等多种属性特征,因而对于滨海陆地类型复杂多样、分布界限模糊混合像元现象具有较好的鉴别能力,同时高分1号遥感影像所提供的丰富的纹理和空间信息,克服了基于像元的传统分类方法的局限性,相应提高了分类总精度。
本发明的参考文献:
[1]雷昆,张明祥.中国的湿地资源及其保护建议[J].湿地科学,2005,3(2):81—86。
[2]Ewel K C.Appreciating tropical coastal wetlands from a land-scapeperspective[J].Frontiers in Ecology and the Environment,2010,8(1):20-26。
[3]Yildiz S,Ozbek M,Tasdemir A,et al.Identification of predominantenvironmental factors structuring benthic macro invertebratecom-munities:a case study in the Kucuk Menderes coastal wetland(Tur-key)[J].Fresenius Environmental Bulletin,2010,19 19(1):30-36。
[4]莫利江,曹宇,胡远满,刘淼,夏栋。面向对象的湿地景观遥感分类——以杭州湾南岸地区为例[J].湿地科学,2012,10(2):206—213。
[5]阳松.面向对象的遥感影像的模糊分类:[学位论文].徐州.中国矿业大学,2007。
[6]Bezdek,J,Pal,S.Fuzzy Models for Pattern Recognition,Methods thatSearch for Structures in Data.New,York:IEEE Press,1992。
[7]Manjunath,B.,Chellappa,R..Unsupervised texture segmentationusing Markov random field models.IEEE Transactions on Pattern Analysisand Machine Intelligence,1991,13(5):478–482。
[8]曹宝,秦其明,张自力,马海建,邱云峰。基于特征增强技术的面向对象分类方法[J].水土保持研究,2008,15(1):135—138。
[9]郑文娟。面向对象的遥感影像模糊分类方法研究[J],北京测绘,2009(3):18—21。
Claims (7)
1.一种高分1号卫星的沿岸陆地土地覆被信息自动提取的方法,其特征包括以下步骤:
步骤一:数据预处理及构建分类
对原始高分1号卫星遥感影像进行预处理,构建沿岸陆地土地覆被分类;
步骤二:影像分割
采用基于非象元分类的面向对象分类方法,对影像进行分割和归并;
步骤三:属性计算
完成影像分割后,计算对象的特征空间;
步骤四:特征选取
采用对象训练样本选取方法提取在前述过程中经过分割和计算的对象属性特征;
步骤五:对象分类
采用Feature Extraction的K近邻分类器对影像进行分类;
步骤六:分类后处理
对分类结果进行分类后处理,消除分类图像上的小斑点的影响,得到沿岸陆地土地覆被信息。
2.根据权利要求1所述的高分1号卫星的沿岸陆地土地覆被信息自动提取的方法,其特征在于,步骤一所述的数据预处理及构建分类的步骤为:
步骤七:采用ENVI 4.8软件的各相应模块对遥感影像进行投影变换、 几何校正、 边界裁定、 影像融合和增强等数据预处理,并将8米多光谱影像和同一时间2米全色影像融合成为2米多光谱遥感影像;
步骤八:依据地形资料、和/或土地利用现状、和/或课题的要求,把陆地土地覆被分为多个主类和多个亚类。
3.根据权利要求1所述的高分1号卫星的沿岸陆地土地覆被信息自动提取的方法,其特征在于,步骤二所述的影像分割,是针对2米多光谱的遥感影像的分割,分割尺度为63%,归并尺度均为90%。
4.根据权利要求1所述的高分一号卫星的沿岸陆地土地覆被信息自动提取的方法,其特征在于,步骤三所述的属性计算的步骤为:
步骤九:计算对象的前三类属性的全部指数:Spatial(空间)、 Spectral(光谱)、 Texture(纹理);
步骤十: “色彩空间” 选择4波段、 3波段和2波段3个RGB波段转换为HIS色彩空间;
步骤十一:“波段比”选择信息量丰富,且对水体和植被具有较好鉴别力的红波段和近红外波段计算NDVI值。
5.根据权利要求1所述的高分1号卫星的沿岸陆地土地覆被信息自动提取的方法,其特征在于,步骤四所述的特征提取是指:依据研究区图文资料和野外调查数据, 进行对象训练样本的选取;陆地覆被六大类中,每类样本的选取数量为17~200个,样本应选取典型地物,且在影像上呈均匀分布。
6.根据权利要求1所述的高分1号卫星的沿岸陆地土地覆被信息自动提取的方法,其特征在于,步骤五所述的对象分类,采用Feature Extraction的K近邻分类器对影像进行分类,并将融合后的2米分辨率的影像K值设置为17。
7.根据权利要求1所述的高分1号卫星的沿岸陆地土地覆被信息自动提取的方法,其特征在于,步骤六所述的分类后处理及精度评价的步骤为:
步骤十二:通过Post Classified 工具,对分类结果进行主要或次要分析、聚类分析及筛选类分析,消除分类图像上的小斑点的影响,得到沿岸陆地土地覆被信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410392877.XA CN104239890A (zh) | 2014-08-12 | 2014-08-12 | 高分1号卫星的沿岸陆地土地覆被信息自动提取的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410392877.XA CN104239890A (zh) | 2014-08-12 | 2014-08-12 | 高分1号卫星的沿岸陆地土地覆被信息自动提取的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104239890A true CN104239890A (zh) | 2014-12-24 |
Family
ID=52227913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410392877.XA Pending CN104239890A (zh) | 2014-08-12 | 2014-08-12 | 高分1号卫星的沿岸陆地土地覆被信息自动提取的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104239890A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105224938A (zh) * | 2015-11-06 | 2016-01-06 | 电子科技大学 | 遥感图像土地利用分类结果的修正方法 |
CN106485254A (zh) * | 2016-09-28 | 2017-03-08 | 国家电网公司 | 一种输电线路通道地表特征变化自动提取方法 |
CN107273813A (zh) * | 2017-05-23 | 2017-10-20 | 国家地理空间信息中心 | 基于高分卫星遥感数据的地理空间要素提取系统 |
CN107798294A (zh) * | 2017-09-25 | 2018-03-13 | 中国科学院遥感与数字地球研究所 | 检测森林斑块变化的方法和装置 |
CN109344810A (zh) * | 2018-11-26 | 2019-02-15 | 国智恒北斗科技集团股份有限公司 | 一种基于高分卫星遥感数据的耕地变化监测方法及系统 |
CN109635827A (zh) * | 2018-12-21 | 2019-04-16 | 长光卫星技术有限公司 | 基于含有红边谱段高分辨率卫星影像的甘蔗地块提取方法 |
CN109697475A (zh) * | 2019-01-17 | 2019-04-30 | 中国地质大学(北京) | 一种湿地植被信息分析方法、遥感监测组件及监测方法 |
CN110310246A (zh) * | 2019-07-05 | 2019-10-08 | 广西壮族自治区基础地理信息中心 | 一种基于三线阵影像的甘蔗种植区遥感信息提取方法 |
CN110348373A (zh) * | 2019-07-09 | 2019-10-18 | 北京兴农丰华科技有限公司 | 一种基于高分影像的小麦地块识别方法 |
CN113936214A (zh) * | 2021-10-19 | 2022-01-14 | 桂林理工大学 | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609726A (zh) * | 2012-02-24 | 2012-07-25 | 中国科学院东北地理与农业生态研究所 | 利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法 |
US20130034298A1 (en) * | 2011-08-04 | 2013-02-07 | University Of Southern California | Image-based crack detection |
-
2014
- 2014-08-12 CN CN201410392877.XA patent/CN104239890A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130034298A1 (en) * | 2011-08-04 | 2013-02-07 | University Of Southern California | Image-based crack detection |
CN102609726A (zh) * | 2012-02-24 | 2012-07-25 | 中国科学院东北地理与农业生态研究所 | 利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法 |
Non-Patent Citations (1)
Title |
---|
曹宝: "基于特征增强技术的面向对象分类方法", 《水土保持研究》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105224938A (zh) * | 2015-11-06 | 2016-01-06 | 电子科技大学 | 遥感图像土地利用分类结果的修正方法 |
CN105224938B (zh) * | 2015-11-06 | 2018-11-09 | 电子科技大学 | 遥感图像土地利用分类结果的修正方法 |
CN106485254A (zh) * | 2016-09-28 | 2017-03-08 | 国家电网公司 | 一种输电线路通道地表特征变化自动提取方法 |
CN107273813A (zh) * | 2017-05-23 | 2017-10-20 | 国家地理空间信息中心 | 基于高分卫星遥感数据的地理空间要素提取系统 |
CN107798294A (zh) * | 2017-09-25 | 2018-03-13 | 中国科学院遥感与数字地球研究所 | 检测森林斑块变化的方法和装置 |
CN109344810A (zh) * | 2018-11-26 | 2019-02-15 | 国智恒北斗科技集团股份有限公司 | 一种基于高分卫星遥感数据的耕地变化监测方法及系统 |
CN109635827A (zh) * | 2018-12-21 | 2019-04-16 | 长光卫星技术有限公司 | 基于含有红边谱段高分辨率卫星影像的甘蔗地块提取方法 |
CN109697475A (zh) * | 2019-01-17 | 2019-04-30 | 中国地质大学(北京) | 一种湿地植被信息分析方法、遥感监测组件及监测方法 |
CN110310246A (zh) * | 2019-07-05 | 2019-10-08 | 广西壮族自治区基础地理信息中心 | 一种基于三线阵影像的甘蔗种植区遥感信息提取方法 |
CN110310246B (zh) * | 2019-07-05 | 2023-04-11 | 广西壮族自治区基础地理信息中心 | 一种基于三线阵影像的甘蔗种植区遥感信息提取方法 |
CN110348373A (zh) * | 2019-07-09 | 2019-10-18 | 北京兴农丰华科技有限公司 | 一种基于高分影像的小麦地块识别方法 |
CN113936214A (zh) * | 2021-10-19 | 2022-01-14 | 桂林理工大学 | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 |
CN113936214B (zh) * | 2021-10-19 | 2023-06-02 | 桂林理工大学 | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104239890A (zh) | 高分1号卫星的沿岸陆地土地覆被信息自动提取的方法 | |
Li et al. | Water body classification from high-resolution optical remote sensing imagery: Achievements and perspectives | |
Liu et al. | Large-scale mapping of gully-affected areas: An approach integrating Google Earth images and terrain skeleton information | |
CN113223042B (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
CN105809194A (zh) | 一种sar影像翻译为光学影像的方法 | |
Zheng et al. | AGHRNet: An attention ghost-HRNet for confirmation of catch‐and‐shake locations in jujube fruits vibration harvesting | |
Feng et al. | Embranchment cnn based local climate zone classification using sar and multispectral remote sensing data | |
Yan et al. | Land-cover classification with time-series remote sensing images by complete extraction of multiscale timing dependence | |
CN108021890A (zh) | 一种基于plsa和bow的高分遥感影像港口检测方法 | |
WO2024020744A1 (zh) | 基于高分辨率影像的生态图斑提取方法 | |
Li et al. | EMFNet: Enhanced multisource fusion network for land cover classification | |
Xu et al. | Feature-based constraint deep CNN method for mapping rainfall-induced landslides in remote regions with mountainous terrain: An application to Brazil | |
Zhang et al. | The analysis of object-based change detection in mining area: A case study with pingshuo coal mine | |
CN106844739A (zh) | 一种基于神经网络协同训练的遥感图像变化信息检索方法 | |
CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
CN112329706A (zh) | 一种基于遥感技术的采矿用地识别方法 | |
Cheng et al. | Multi-scale Feature Fusion and Transformer Network for urban green space segmentation from high-resolution remote sensing images | |
CN114943902A (zh) | 基于多尺度特征感知网络的城市植被无人机遥感分类方法 | |
Jamali et al. | 3-D hybrid CNN combined with 3-D generative adversarial network for wetland classification with limited training data | |
Abdolmaleki et al. | Exploration of IOCG mineralizations using integration of space-borne remote sensing data with airborne geophysical data | |
CN109670425A (zh) | 一种基于多尺度思想的地物信息提取方法 | |
Huang et al. | Tea garden detection from high-resolution imagery using a scene-based framework | |
Baral et al. | Remote Sensing Image Classification Using Transfer Learning Based Convolutional Neural Networks: An Experimental Overview | |
Hao et al. | A subpixel mapping method for urban land use by reducing shadow effects | |
Huang et al. | Evaluation of deep learning benchmarks in retrieving outfalls into rivers with UAS images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20141224 |