CN105389781A - 一种基于显著性检测和Criminisi算法的车辆光照修复方法 - Google Patents
一种基于显著性检测和Criminisi算法的车辆光照修复方法 Download PDFInfo
- Publication number
- CN105389781A CN105389781A CN201510726800.6A CN201510726800A CN105389781A CN 105389781 A CN105389781 A CN 105389781A CN 201510726800 A CN201510726800 A CN 201510726800A CN 105389781 A CN105389781 A CN 105389781A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- space
- repairing
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 10
- 238000005286 illumination Methods 0.000 claims description 29
- 230000008439 repair process Effects 0.000 claims description 21
- 239000000284 extract Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 6
- 230000001795 light effect Effects 0.000 abstract 1
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004040 coloring Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理领域,具体涉及一种基于显著性检测和Criminisi算法的车辆光照修复方法。本发明包括:采集受光照影响的车辆图像;将获取的车辆图像从RGB空间转换到YUV空间,在YUV空间进行亮度显著性检测;同时提取原图像的轮廓边缘特征,找到车辆的边缘信息;利用车辆的边缘信息和Criminisi算法对待修复区域完成光照修复;原图像与修复后的图像在lab空间做差值运算。本发明采用轮廓边缘信息和Criminisi算法相结合可以减少轮廓边缘处信息跳变对修复的影响,采用lab空间原图像和修复图像差值运算,可以使修复效果更准确。本发明具有很大的实际应用性,对车辆的颜色特征识别有很大的帮助。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种基于显著性检测和Criminisi算法的车辆光照修复方法。
背景技术
对于现在车辆的日益剧增,更多的车辆管理技术随之应运而生,车牌识别管理已不能满足现在复杂多变的发展趋势,因此像车辆轮廓和颜色等特征的提取出现在人们的研究范围内。但是在实际生活中的车辆图像,会受到强光、弱光等各种光照的影响,使采集的车辆颜色产生失真而不能准确的提取出车辆的颜色特征,这给车辆管理系统带来很大的阻碍。
目前数字图像破损的修复算法有很多,但是对于车辆受高光影响的颜色修复算法还很不成熟,有待提高。本发明就是在这种情况下,首先利用显著性方法检测出受光照影响的车辆图片的高光区域,然后利用车辆轮廓边缘和Criminisi算法对高光区域进行颜色修复,最后设定阈值判断修复是否结束。本发明对车辆的高光区域有很好的修复作用,实用性强。
发明内容
针对现有车辆颜色识别中光照的影响,本发明的目的在于提供一种鲁棒性好,可以准确恢复出车辆颜色信息的基于显著性检测和Criminisi算法的车辆光照修复方法。
本发明的目的是这样实现的:
一种基于显著性检测和Criminisi算法的车辆光照修复方法,包括如下步骤:
(1)采集受光照影响的车辆图像,光照区域在10%-50%范围内,并做统一大小处理;
(2)将获取的车辆图像从RGB空间转换到YUV空间,在YUV空间进行亮度显著性检测,检测出光照的区域并标记为待修复区域;
(3)同时提取原图像的轮廓边缘特征,找到车辆的边缘信息;
(4)利用车辆的边缘信息和Criminisi算法对待修复区域完成光照修复;
(5)原图像与修复后的图像在lab空间做差值运算,设定阈值进行判断,若计算结果大于阈值,转到步骤(4)继续修复,否则退出,修复完成。
所述YUV空间亮度显著性检测,其步骤包括:
(2.1)将车辆图像从RGB空间转换到YUV空间;
(2.2)在YUV空间计算像素点的显著值;
(2.3)计算显著性阈值;
(2.4)根据像素点的显著值和阈值判断高光区域,并标记。
利用车辆的边缘信息和Criminisi算法对待修复区域进行修复,其步骤包括:
(4.1)对待修复区域预处理,转化为二值图;
(4.2)计算图像的非零像素值的个数,如果为零则退出本次修复程序进入到步骤(5)做lab差值运算,否则执行下一步骤(4.3);
(4.3)计算所有待修复区域内像素点的置信度值、数据项和优先级值;
(4.4)判断若像素点位于车辆轮廓边缘,则将该点的优先级设置为0,否则执行下一步骤(4.5);
(4.6)找到优先级最大的点,创建矩形领域,同时创建已知区域,找最佳匹配块进行矩形块填充,同时将该点的灰度值设置为0,转到步骤(4.2)。
将修复后的图像与原图像在lab空间做差值运算,判断修复是否结束,其步骤包括:
(5.1)将原图像和修复后的图像转换到lab空间中,进行相减运算;
(5.2)统计差值灰度图像非零像素值的像素点的个数;
(5.3)设置阈值,若统计结果大于阈值,则转到步骤(4)继续修复,否则修复完成,退出程序。
本发明的有益效果在于:本发明采用轮廓边缘信息和Criminisi算法相结合可以减少轮廓边缘处信息跳变对修复的影响,采用lab空间原图像和修复图像差值运算,可以使修复效果更准确。本发明具有很大的实际应用性,对车辆的颜色特征识别有很大的帮助。
附图说明
图1为本发明实施例提供的一车辆光照修复方法构成方框图;
图2为本发明实施例提供的一亮度空间显著性检测流程图;
图3为本发明实施例提供的一高光区域颜色修复方法流程图;
图4为本发明实施例提供的一车辆光照修复前后对比图;
图5为本发明实施例提供的一车辆光照修复方法框架结构图。
具体实施方式
下面结合附图对本发明做进一步描述。
为了使本发明的目的、技术、优点和实用价值易于明白理解,以下结合附图和具体实施例对本申请进行详细描述。应当理解,所描述的实施例仅用于解释说明本发明,而不是全部的实施例并且并不限制本发明。
本发明主要针对实际应用中采集的受光照影响10%-50%的车辆彩色图像,为了实现上述的技术问题,本申请所述的修复方法包括以下步骤:
(1)采集受光照影响的车辆彩色图像,统一成标准图像大小,作为输入;
(2)将获取的车辆图像从RGB空间转换到YUV空间,在YUV空间进行亮度显著性检测,检测出光照的区域并标记为待修复区域;
(3)同时提取原图像的轮廓边缘特征,找到车辆的边缘信息;
(4)利用车辆的边缘信息和Criminisi算法对待修复区域进行颜色修复;
(5)原图像与修复后的图像在lab空间做差值运算,同时设定阈值进行判断,若计算结果大于阈值,转到步骤(4),否则退出,修复完成。
进一步对于步骤(2)中的YUV空间亮度显著性检测所采取的方法是:
(2-a)将输入的图像转换到YUV空间;
(2-b)利用亮度值Y计算显著值和阈值;
(2-c)根据亮度的显著值和设定的阈值找到车辆的高光区域并标记。
进一步对于步骤(3)中的原图像轮廓边缘信息提取,这一过程是基于自适应阈值二值化实现的,所采取的方法是将原图像灰度化、二值化,统计图像的灰度信息,然后根据自适应阈值提取出车辆的轮廓边缘信息。
进一步对于步骤(4)中利用边缘信息和Criminisi算法对高光区域进行颜色信息修复,所采取的方法是:
(4-a)对待修复高光区域预处理,并转化为二值图像;
(4-b)计算图像非零像素值的像素点的个数,如果为零则转到步骤(5)在lab空间做差值运算,否则执行下一步骤(4-c);
(4-c)计算所有待修复区域内像素点的置信度值、数据项值,然后利用公式计算每一像素的优先级值;
(4-d)判断若像素点位于车辆轮廓边缘,则将该点的优先级;
(4-e)最后找到优先级最大的像素点,创建矩形块,同时创建已知区域,找最佳匹配块进行矩形块填充,同时将该点的灰度值设置为0,然后转到步骤(4-b)中继续修复其他的点。
进一步对于步骤(5)中的原图像与修复后的图像lab空间做差,设置判断修复是否结束的条件,其所采取的方法是:将原图像和修复后的图像都转换到lab空间中,并做相减运算,然后统计差值灰度图像像素值非零的点的个数,设置阈值,非零像素点的个数大于阈值,则转到步骤(4)继续进行修复,否则修复完成,退出程序。
本发明采集的车辆图像受光照的区域在10%-50%范围内,可以根据已知的颜色信息对高光部分进行修复,适合本申请的车辆光照修复技术,图1所示是本发明的整体构成框图,具体的实施步骤如下:
1、先用摄像机采集车辆图像,要求图片中车辆受光照影响的区域在指定范围内,传到PC机上,将采集的图像统一成308*206大小,作为输入;
2、将输入图像转换到亮度信号和色度信号分离的YUV空间,然后检测图像的高光区域,具体的流程如图2所示,Y代表亮度,从RGB空间转换到YUV空间的转换公式为:
Y=0.299R+0.587G+0.114B(1)
U=-0.147R-0.289G+0.436B(2)
V=0.615R-0.515G-0.100B(3)
然后统计每个亮度值的像素个数,计算出亮度为k的像素在图像中出现的频率fk,利用亮度通道Y的灰度距离来计算亮度的显著值,定义显著值用s(p)表示,其定义公式为:
通过该式可以计算出图像中每一个像素的显著值,显著值越大,表示该像素视觉上越突出,因此可以将全图的平均亮度作为阈值,
当像素的显著值大于阈值时,认为该像素为高光像素,并标记,至此就能找到图像的高光区域也即待修复区域。
3、由于车辆的轮廓边缘信息较丰富,会影响到接下来的车辆颜色信息的修复,因此在进行修复时要考虑到车辆的轮廓边缘信息,首先将图像灰度化、二值化,然后查找图像轮廓,统计图像的灰度像素,并根据自适应阈值找到图像的边缘。
4、利用原图像和检测出高光区域的图像做差,提取出待修复区域,然后将待修复区域灰度化、二值化,然后计算待修复区域非零像素点的个数,这也是判定是否继续执行的依据,如果不存在非零像素点,说明该图像不存在高光区域,不用修复,直接退出,修复结束,否则进入下一步,我们假定I表示车辆图像,O表示待修复区域,D=I-O表示原图像已知区域,p为任意像素点,计算任意像素的优先级P(p),本发明中采用自适应加权的优先级计算公式,
其中C(p)是置信度项,表示以像素点p为中心的邻域S内包含的已知信息,
D(p)是数据项,用来度量点p是否在强边缘处,
np表示像素点p在边界上的单位法向量,和是控制邻域信息的惯性权重值,和是控制边缘信息的惯性权重值,T是最大迭代次数。然后结合图像的边缘信息,如果点p位于边缘附近,则将该点的优先级值设置为零,让该点最后填充以减少边缘对颜色修复的影响。计算完所有像素的优先级值后,找到优先级最大的点最先填充,同时找到以p为中心的邻域S内的已知信息,在所有的已知区域内找到与S最为相似的样本块,即满足两个块中对应像素值之差的平方和最小,并且物理距离也最小,作为最佳匹配快,然后用最佳匹配块填充待修复图像块S的未知区域,最后将该像素点的灰度值置零。当像素中不存在非零像素点时,修复结束,步骤流程图如图3所示。
5、在修复过程中不可避免的会受到各种信息的干扰,会导致修复图像产生失真,为了减少失真,本发明采用修复图像和原图像在lab空间做差值运算来检测修复的效果,将差值图像灰度化、二值化,并统计非零像素点的个数,当该值超过设定阈值时,进行循环修复,否则修复结束。至此完成了车辆光照的修复,修复效果前后对比图如图4所示。
该算法在软件上思路清晰,框架结构如附图5所示,首先输入图像,再对图像进行高光检测,然后进行修复阶段,最后在PC机上显示出来,再进行下一图像的操作。
由上可知,整个车辆光照的修复方法适合于外界光照的环境,实际应用性很强,所述的颜色修复方法,可以很好的修复出车辆的颜色信息,对车辆颜色特征的提取有很大的帮助。
以上显示和描述了本实用车辆光照修复方法的基本原理、主要特征和本实用的优点,本行业的技术人员应该了解,以上实施例的说明只是用于帮助理解本发明的方法技术和核心思想,并不限制本发明,同时,根据本申请的思想,在具体实施方式和应用范围上均会有改变之处,这些改变都落入本发明的保护范围内。
Claims (4)
1.一种基于显著性检测和Criminisi算法的车辆光照修复方法,其特征在于,包括如下步骤:
(1)采集受光照影响的车辆图像,光照区域在10%-50%范围内,并做统一大小处理;
(2)将获取的车辆图像从RGB空间转换到YUV空间,在YUV空间进行亮度显著性检测,检测出光照的区域并标记为待修复区域;
(3)同时提取原图像的轮廓边缘特征,找到车辆的边缘信息;
(4)利用车辆的边缘信息和Criminisi算法对待修复区域完成光照修复;
(5)原图像与修复后的图像在lab空间做差值运算,设定阈值进行判断,若计算结果大于阈值,转到步骤(4)继续修复,否则退出,修复完成。
2.根据权利要求1所述的一种基于显著性检测和Criminisi算法的车辆光照修复方法,其特征在于,所述YUV空间亮度显著性检测,其步骤包括:
(2.1)将车辆图像从RGB空间转换到YUV空间;
(2.2)在YUV空间计算像素点的显著值;
(2.3)计算显著性阈值;
(2.4)根据像素点的显著值和阈值判断高光区域,并标记。
3.根据权利要求1所述的一种基于显著性检测和Criminisi算法的车辆光照修复方法,其特征在于,利用车辆的边缘信息和Criminisi算法对待修复区域进行修复,其步骤包括:
(4.1)对待修复区域预处理,转化为二值图;
(4.2)计算图像的非零像素值的个数,如果为零则退出本次修复程序进入到步骤(5)做lab差值运算,否则执行下一步骤(4.3);
(4.3)计算所有待修复区域内像素点的置信度值、数据项和优先级值;
(4.4)判断若像素点位于车辆轮廓边缘,则将该点的优先级设置为0,否则执行下一步骤(4.5);
(4.6)找到优先级最大的点,创建矩形领域,同时创建已知区域,找最佳匹配块进行矩形块填充,同时将该点的灰度值设置为0,转到步骤(4.2)。
4.根据权利要求1所述的一种基于显著性检测和Criminisi算法的车辆光照修复方法,其特征在于,将修复后的图像与原图像在lab空间做差值运算,判断修复是否结束,其步骤包括:
(5.1)将原图像和修复后的图像转换到lab空间中,进行相减运算;
(5.2)统计差值灰度图像非零像素值的像素点的个数;
(5.3)设置阈值,若统计结果大于阈值,则转到步骤(4)继续修复,否则修复完成,退出程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510726800.6A CN105389781A (zh) | 2015-10-30 | 2015-10-30 | 一种基于显著性检测和Criminisi算法的车辆光照修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510726800.6A CN105389781A (zh) | 2015-10-30 | 2015-10-30 | 一种基于显著性检测和Criminisi算法的车辆光照修复方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105389781A true CN105389781A (zh) | 2016-03-09 |
Family
ID=55422034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510726800.6A Pending CN105389781A (zh) | 2015-10-30 | 2015-10-30 | 一种基于显著性检测和Criminisi算法的车辆光照修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105389781A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957042A (zh) * | 2016-06-07 | 2016-09-21 | 北京理工大学 | 内镜图像的高光区域消除方法 |
CN107316283A (zh) * | 2017-07-14 | 2017-11-03 | 天津大学 | 基于多窗口融合的数字图像修复算法 |
CN111861996A (zh) * | 2020-06-23 | 2020-10-30 | 西安工程大学 | 一种印花织物疵点检测方法 |
CN112561830A (zh) * | 2020-12-23 | 2021-03-26 | 安徽大学 | 一种内窥镜图像高亮点修复方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020917A (zh) * | 2012-12-29 | 2013-04-03 | 中南大学 | 一种基于显著性检测的中国古代书法绘画图像复原方法 |
CN103971338A (zh) * | 2014-05-06 | 2014-08-06 | 清华大学深圳研究生院 | 一种基于显著图的可变块图像修复方法 |
US20150043808A1 (en) * | 2013-08-07 | 2015-02-12 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and imaging apparatus |
-
2015
- 2015-10-30 CN CN201510726800.6A patent/CN105389781A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020917A (zh) * | 2012-12-29 | 2013-04-03 | 中南大学 | 一种基于显著性检测的中国古代书法绘画图像复原方法 |
US20150043808A1 (en) * | 2013-08-07 | 2015-02-12 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and imaging apparatus |
CN103971338A (zh) * | 2014-05-06 | 2014-08-06 | 清华大学深圳研究生院 | 一种基于显著图的可变块图像修复方法 |
Non-Patent Citations (1)
Title |
---|
王祎墦 等: "显著性检测指导的高光区域修复", 《中国图象图形学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957042A (zh) * | 2016-06-07 | 2016-09-21 | 北京理工大学 | 内镜图像的高光区域消除方法 |
CN107316283A (zh) * | 2017-07-14 | 2017-11-03 | 天津大学 | 基于多窗口融合的数字图像修复算法 |
CN107316283B (zh) * | 2017-07-14 | 2020-08-14 | 天津大学 | 基于多窗口融合的数字图像修复方法 |
CN111861996A (zh) * | 2020-06-23 | 2020-10-30 | 西安工程大学 | 一种印花织物疵点检测方法 |
CN111861996B (zh) * | 2020-06-23 | 2023-11-03 | 西安工程大学 | 一种印花织物疵点检测方法 |
CN112561830A (zh) * | 2020-12-23 | 2021-03-26 | 安徽大学 | 一种内窥镜图像高亮点修复方法及装置 |
CN112561830B (zh) * | 2020-12-23 | 2022-11-18 | 安徽大学 | 一种内窥镜图像高亮点修复方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018214195A1 (zh) | 一种基于卷积神经网络的遥感图像桥梁检测方法 | |
CN107169985A (zh) | 一种基于对称帧间差分和背景更新的运动目标检测方法 | |
CN102346015A (zh) | 基于视频差异分析的输电线路绝缘子覆冰厚度测量方法 | |
CN105389781A (zh) | 一种基于显著性检测和Criminisi算法的车辆光照修复方法 | |
CN103559719A (zh) | 一种交互式图像分割方法 | |
CN102881160B (zh) | 一种低照度场景下的户外交通标志识别方法 | |
CN105760831A (zh) | 一种基于低空航拍红外视频的行人跟踪方法 | |
CN104123734A (zh) | 基于可见光和红外检测结果融合的运动目标检测方法 | |
CN104166999B (zh) | 一种基于地基云图强度分层的云团提取方法 | |
CN103984963B (zh) | 一种高分辨率遥感图像场景分类方法 | |
CN104809709A (zh) | 基于域变换与带权四叉树分解的单幅图像自适应去雾方法 | |
CN111582029A (zh) | 一种基于密集连接与注意力机制的交通标志识别方法 | |
Cai et al. | Study on shadow detection method on high resolution remote sensing image based on HIS space transformation and NDVI index | |
Zhang et al. | Application research of YOLO v2 combined with color identification | |
CN104537688A (zh) | 一种基于背景差分和hog特征的运动目标检测方法 | |
CN103679677A (zh) | 一种基于模型互更新的双模图像决策级融合跟踪方法 | |
CN104021527A (zh) | 一种图像中雨雪的去除方法 | |
CN101286236B (zh) | 基于多特征图像和均值漂移的红外目标跟踪方法 | |
CN103927759A (zh) | 一种航空图像自动云检测方法 | |
Hosseinpoor et al. | Convolutional neural network for building extraction from high-resolution remote sensing images | |
CN104599291A (zh) | 基于结构相似度和显著性分析的红外运动目标检测方法 | |
CN116030364A (zh) | 无人机轻量级目标检测方法、系统、介质、设备及终端 | |
CN104021518B (zh) | 高动态范围图像的可逆数据隐藏方法 | |
CN104281850A (zh) | 一种文字区域识别方法和装置 | |
CN109816738B (zh) | 一种基于编码结构光的条纹边界提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160309 |