CN105590319B - 一种深度学习的图像显著性区域检测方法 - Google Patents

一种深度学习的图像显著性区域检测方法 Download PDF

Info

Publication number
CN105590319B
CN105590319B CN201510964488.4A CN201510964488A CN105590319B CN 105590319 B CN105590319 B CN 105590319B CN 201510964488 A CN201510964488 A CN 201510964488A CN 105590319 B CN105590319 B CN 105590319B
Authority
CN
China
Prior art keywords
image
pixel
super
result
salient region
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
Application number
CN201510964488.4A
Other languages
English (en)
Other versions
CN105590319A (zh
Inventor
郭礼华
林俊斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201510964488.4A priority Critical patent/CN105590319B/zh
Publication of CN105590319A publication Critical patent/CN105590319A/zh
Application granted granted Critical
Publication of CN105590319B publication Critical patent/CN105590319B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T2207/20081—Training; Learning

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种深度学习的图像显著性区域检测方法,通过将深度学习下不同网络层的结果进行结合，得到图像在不同尺度下的特征，从而得到更好的检测性能；同时利用图像分割进行超像素阈值学习，将所有显著性均值低于下阈值的超像素置为非显著性区域，将所有显著性均值高于上阈值的超像素置为显著性区域，进一步优化了检测性能。本发明的深度学习的图像显著性区域检测方法,结合了深度学习下的图像多尺度特征及图像分割信息，可以在较快的处理速度下实现良好的显著性区域检测性能。

Description

一种深度学习的图像显著性区域检测方法
技术领域
本发明涉及图像显著性区域检测领域，特别涉及一种深度学习的图像显著性区域检测方法。
背景技术
图像显著性区域检测是计算机视觉的经典领域，可以提高许多计算机视觉及图像处理算法的性能，例如图像裁剪、图像概况等，最近在图像分类和人物身份识别等领域也得到了广泛应用。由此可见，研究更加有效的图像显著性区域检测方法具有广阔的应用前景。
目前已有一些图像显著性区域检测相关的技术和专利，如专利201210011719.6提供了一种基于边缘的图像显著性检测方法。这种方法通过显著点和边缘点的检测来确定显著物体在图像中的区域。专利201210239940.7提出了一种基于改进的SUSAN算子的显著性区域提取算法。这种方法在进行角点检测时，针对每幅图像分别计算阈值t，实现角点检测的自适应性。但这些方法通常只提取了图像的局部特征，没有充分利用图像的各种尺度的特征。
发明内容
为了克服现有技术的上述缺点与不足，本发明的目的在于提供一种深度学习的图像显著性区域检测方法，不仅识别性能高，而且速度更快。
本发明的目的通过以下技术方案实现：
一种深度学习的图像显著性区域检测方法，包括以下步骤：
S1离线训练过程：
S1.1对训练样本图像进行尺度归一化；
S1.2将所有训练样本图像放入深度网络中进行训练，具体为：
S1.2.1深度网络首先对训练样本图像进行零均值化处理；
S1.2.2对步骤S1.2.1处理后的结果提取图像小尺度的特征；
S1.2.3对步骤S1.2.2处理后的结果提取图像中尺度的特征；
S1.2.4对步骤S1.2.3处理后的结果提取图像大尺度的特征；
S1.2.5对步骤S1.2.4处理后的结果提取图像全局尺度的特征后，再通过卷积得到全局粒度的显著性区域结果，然后经过反卷积对结果的尺度进行放大；
S1.2.6对经步骤S1.2.4处理后的图像，通过卷积得到大粒度的显著性区域结果，与步骤S1.2.5的结果进行叠加求和，综合全局粒度和大粒度的显著性区域结果，再通过反卷积对结果的尺度进行放大；
S1.2.7对经步骤S1.2.3处理后的图像，通过卷积得到中粒度的显著性区域结果，与步骤S1.2.6的结果进行叠加求和，综合全局粒度、大粒度和中粒度的显著性区域结果，再通过反卷积以放大结果的尺度；
S1.2.8对经步骤S1.2.2处理后的图像，通过卷积得到小粒度的显著性区域结果，与步骤S1.2.7的结果进行叠加求和，综合全局粒度、大粒度、中粒度和小粒度的显著性区域结果，结果经过反卷积放大至和原始图像相同的尺度；
S1.2.9步骤S1.2.8得到的图像即为显著性区域的逐像素分类结果，其与图像的显著性标签结果进行逐像素做差，并统计所有像素的误差之和作为网络的误差进行反向误差传播，迭代训练直到网络收敛；
S1.3对通过步骤1.2得到的显著性区域分类结果进行超像素阈值学习，学习到超像素显著性均值的上阈值和下阈值，将所有显著性均值低于下阈值的超像素置为非显著性区域，将所有显著性均值高于上阈值的超像素置为显著性区域；
S2显著性区域检测过程：
S2.1将待检测图像送入步骤S1训练好的的深度网络，得到的输出结果即为显著性区域的分类结果；
S2.2使用图像分割算法，把待检测图像分割为多个超像素，计算每个超像素的显著性均值；将所有显著性均值低于下阈值的超像素置为非显著性区域，将所有显著性均值高于上阈值的超像素置为显著性区域。
步骤S1.2.2所述提取图像小尺度的特征，具体为：
对步骤S1.2.1处理后的结果依次应用第一轮卷积和抽取操作、第二轮卷积和抽取操作、第三轮卷积和抽取操作，提取图像小尺度的特征。
S1.2.3所述提取图像中尺度的特征，具体为：
对步骤S1.2.2处理后的结果应用一轮卷积和抽取操作，提取图像中尺度的特征。
S1.2.4所述对步骤S1.2.3处理后的结果提取图像大尺度的特征，具体为：
对步骤S1.2.3处理后的结果应用一轮卷积和抽取操作，提取图像大尺度的特征。
步骤S1.2.5所述对步骤S1.2.4处理后的结果提取图像全局尺度的特征，具体为：
对步骤S1.2.4处理后的结果应用一轮卷积和抽取操作，提取图像全局尺度的特征。
步骤S1.3所述超像素阈值学习，具体为：
S1.3.1将训练图像使用图像分割算法，分割为多个超像素；
S1.3.2将通过步骤1.2得到的显著性区域分类结果，按照上个步骤得到的分割方式，计算每个超像素的显著性均值；
S1.3.3通过训练，通过单层决策树算法学习到超像素显著性均值的上阈值和下阈值，将所有显著性均值低于下阈值的超像素置为非显著性区域，将所有显著性均值高于上阈值的超像素置为显著性区域，其他的超像素不作改变。
与现有技术相比，本发明具有以下优点和有益效果：
本发明的深度学习的图像显著性区域检测方法,通过将深度学习下不同网络层的结果进行结合，可得到图像在不同尺度下的特征，从而得到更好的检测性能；同时利用图像分割所提供的信息，进一步优化了检测性能。本发明的深度学习的图像显著性区域检测方法,结合了深度学习下的图像多尺度特征及图像分割信息，可以在较快的处理速度下实现良好的显著性区域检测性能，识别性能高。
附图说明
图1为本发明的深度学习的显著性区域检测方法的离线训练过程的流程图。
图2为本发明的深度学习的显著性区域检测方法的显著性区域检测过程的流程图。
图3为本发明的深度学习的显著性区域检测方法的离线训练过程的流程图。
具体实施方式
下面结合实施例，对本发明作进一步地详细说明，但本发明的实施方式不限于此。
实施例
本实施例的深度学习的显著性区域检测方法，包括以下步骤：
S1离线训练过程：如图1所示，离线训练过程首先对显著性检测数据库中的所有训练样本图像进行深度网络训练，然后再训练得到子区域显著性阈值。本实施例的显著性检测数据库为MSRA-B，一共5000张图像，将全部图像作为训练样本集。具体过程如下：
S1.1对训练样本图像进行尺度归一化，统一缩放为500*400像素，以方便后续处理。
S1.2将所有训练样本图像放入深度网络中进行训练，如图3所示，具体为：
S1.2.1深度网络首先对训练样本图像进行零均值化处理，RGB通道分别减去其对应的均值104.00699，116.66877，122.67892；
S1.2.2对上个步骤的结果应用两级卷积与ReLU操作(ReLU操作函数为Fout＝max(0,Xin)，其中Xin为输入信号，Fout是输出信号)，每一级卷积操作所用的卷积核大小均为3*3*64；经过2级卷积与ReLU操作后的输出结果按2*2的间隔进行抽取，经过抽取后的特征层大小变为原图大小的二分之一；
经过抽取后的特征层再次应用两级卷积与ReLU操作，每一级卷积核的大小均为3*3*128；经过2级卷积与ReLU操作后的输出结果也按2*2的间隔进行抽取，此时特征层大小变为原图大小的四分之一；
经过上述处理后的结果最后应用三级卷积与ReLU操作，每一级卷积核的大小均为3*3*256；经过此操作后结果按2*2的间隔进行抽取，特征层大小变为原图大小的八分之一；
S1.2.3对S1.2.2处理后的结果应用三级卷积与ReLU操作，每一级卷积核的大小均为3*3*512；输出结果按2*2的间隔进行抽取，特征层大小变为原图大小的十六分之一；
S1.2.4对S1.2.3处理后的结果应用三级卷积与ReLU操作，每一级卷积核的大小均为3*3*512，输出结果按2*2的间隔进行抽取，特征层大小变为原图大小的三十二分之一；
S1.2.5对S1.2.4处理后的结果应用三级卷积与ReLU操作，每一级卷积核的大小均为3*3*512，输出结果按2*2的间隔进行抽取，特征层大小变为原图大小的六十四分之一；随后应用三级卷积与ReLU操作，每一级卷积核的大小分别为3*3*4096，1*1*1024和1*1*2；输出结果经过一个大小为4*4*2的卷积核进行反卷积，将输出特征层大小放大为输入特征层大小的两倍，即为原图大小的三十二分之一；
S1.2.6对经步骤S1.2.4处理后的图像，通过大小为1*1*2的卷积核进行卷积后，与S1.2.5输出结果进行叠加求和，再经过一个大小为4*4*2的卷积核进行反卷积，将输出特征层大小放大为输入特征层大小的两倍，变为原图大小的十六分之一。
S1.2.7对经步骤S1.2.3处理后的图像，通过大小为1*1*2的卷积核进行卷积后，与S1.2.6输出结果进行叠加求和，再经过一个大小为4*4*2的卷积核进行反卷积，将输出特征层大小放大为输入特征层大小的两倍，变为原图大小的八分之一。
S1.2.8对经步骤S1.2.2处理后的图像，通过大小为1*1*2的卷积核进行卷积后，与上个步骤的结果进行叠加求和，结果再经过一个大小为16*16*2的卷积核进行反卷积，将输出特征层大小放大为输入特征层大小的八倍，恢复到原图大小。
S1.2.9步骤S1.2.8得到的图像即为与输入图像相同尺寸的显著性区域的逐像素分类结果，其与输入图像的显著性标签结果进行逐像素做差，并统计所有像素的误差之和作为网络的误差进行反向误差传播，迭代训练直到网络收敛。
S1.3对通过步骤1.2得到的显著性区域分类结果进行进一步的处理。具体为：
S1.3.1将训练图像使用图像分割算法(详情请参考PF Felzenszwalb，DPHuttenlocher，Efficient Graph-Based Image Segmentation，International Journalof Computer Vision,2004,59(2):167-181)，把图像分割为N个超像素；
S1.3.2将通过步骤1.2得到的显著性区域分类结果，按照上个步骤得到的分割方式，计算每个超像素的显著性均值。
S1.3.3通过单层决策树(Decision stump)算法，学习到超像素的显著性均值的上阈值和下阈值，将所有显著性均值低于下阈值的超像素置为非显著性区域，将所有显著性均值高于上阈值的超像素置为显著性区域，其他的不作改变。
S2显著性区域检测过程，如图2所示：
S2.1将待检测图像送入S1的已训练好的深度网络，网络的输出结果即为显著性区域的分类结果；
S2.2使用图像分割算法，把待检测图像分割为许多子区域，计算每个区域的显著性均值。使用步骤S1.3.3得到的阈值，将所有显著性均值低于下阈值的区域置为非显著性区域，将所有显著性均值高于上阈值的区域置为显著性区域，其他的不作改变。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种深度学习的图像显著性区域检测方法，其特征在于，包括以下步骤：
S1离线训练过程：
S1.1对训练样本图像进行尺度归一化；
S1.2将所有训练样本图像放入深度网络中进行训练，具体为：
S1.2.1深度网络首先对训练样本图像进行零均值化处理；
S1.2.2对步骤S1.2.1处理后的结果提取图像小尺度的特征；
S1.2.3对步骤S1.2.2处理后的结果提取图像中尺度的特征；
S1.2.4对步骤S1.2.3处理后的结果提取图像大尺度的特征；
S1.2.5对步骤S1.2.4处理后的结果提取图像全局尺度的特征后，再通过卷积得到全局粒度的显著性区域结果，然后经过反卷积对结果的尺度进行放大；
S1.2.6对经步骤S1.2.4处理后的图像，通过卷积得到大粒度的显著性区域结果，与步骤S1.2.5的结果进行叠加求和，综合全局粒度和大粒度的显著性区域结果，再通过反卷积对结果的尺度进行放大；
S1.2.7对经步骤S1.2.3处理后的图像，通过卷积得到中粒度的显著性区域结果，与步骤S1.2.6的结果进行叠加求和，综合全局粒度、大粒度和中粒度的显著性区域结果，再通过反卷积以放大结果的尺度；
S1.2.8对经步骤S1.2.2处理后的图像，通过卷积得到小粒度的显著性区域结果，与步骤S1.2.7的结果进行叠加求和，综合全局粒度、大粒度、中粒度和小粒度的显著性区域结果，结果经过反卷积放大至和原始图像相同的尺度；
S1.2.9步骤S1.2.8得到的图像即为显著性区域的逐像素分类结果，其与图像的显著性标签结果进行逐像素做差，并统计所有像素的误差之和作为网络的误差进行反向误差传播，迭代训练直到网络收敛；
S1.3对通过步骤1.2得到的显著性区域分类结果进行超像素阈值学习，学习到超像素显著性均值的上阈值和下阈值，将所有显著性均值低于下阈值的超像素置为非显著性区域，将所有显著性均值高于上阈值的超像素置为显著性区域；
S2显著性区域检测过程：
S2.1将待检测图像送入步骤S1.2训练好的深度网络，得到的输出结果即为显著性区域的分类结果；
S2.2使用图像分割算法，把待检测图像分割为多个超像素，计算每个超像素的显著性均值；将所有显著性均值低于下阈值的超像素置为非显著性区域，将所有显著性均值高于上阈值的超像素置为显著性区域。
2.根据权利要求1所述的深度学习的图像显著性区域检测方法，其特征在于，步骤S1.2.2所述提取图像小尺度的特征，具体为：
对步骤S1.2.1处理后的结果依次应用第一轮卷积和抽取操作、第二轮卷积和抽取操作、第三轮卷积和抽取操作，提取图像小尺度的特征。
3.根据权利要求1所述的深度学习的图像显著性区域检测方法，其特征在于，S1.2.3所述提取图像中尺度的特征，具体为：
对步骤S1.2.2处理后的结果应用一轮卷积和抽取操作，提取图像中尺度的特征。
4.根据权利要求1所述的深度学习的图像显著性区域检测方法，其特征在于，S1.2.4所述对步骤S1.2.3处理后的结果提取图像大尺度的特征，具体为：
对步骤S1.2.3处理后的结果应用一轮卷积和抽取操作，提取图像大尺度的特征。
5.根据权利要求1所述的深度学习的图像显著性区域检测方法，其特征在于，步骤S1.2.5所述对步骤S1.2.4处理后的结果提取图像全局尺度的特征，具体为：
对步骤S1.2.4处理后的结果应用一轮卷积和抽取操作，提取图像全局尺度的特征。
6.根据权利要求1所述的深度学习的图像显著性区域检测方法，其特征在于，步骤S1.3所述超像素阈值学习，具体为：
S1.3.1将训练样本图像使用图像分割算法，分割为多个超像素；
S1.3.2将通过步骤S1.2得到的显著性区域分类结果，按照上个步骤得到的分割方式，计算每个超像素的显著性均值；
S1.3.3通过单层决策树算法学习到超像素显著性均值的上阈值和下阈值，将所有显著性均值低于下阈值的超像素置为非显著性区域，将所有显著性均值高于上阈值的超像素置为显著性区域，其他的超像素不作改变。
CN201510964488.4A 2015-12-18 2015-12-18 一种深度学习的图像显著性区域检测方法 Expired - Fee Related CN105590319B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510964488.4A CN105590319B (zh) 2015-12-18 2015-12-18 一种深度学习的图像显著性区域检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510964488.4A CN105590319B (zh) 2015-12-18 2015-12-18 一种深度学习的图像显著性区域检测方法

Publications (2)

Publication Number Publication Date
CN105590319A CN105590319A (zh) 2016-05-18
CN105590319B true CN105590319B (zh) 2018-06-29

Family

ID=55929874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510964488.4A Expired - Fee Related CN105590319B (zh) 2015-12-18 2015-12-18 一种深度学习的图像显著性区域检测方法

Country Status (1)

Country Link
CN (1) CN105590319B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3479347B1 (en) * 2016-06-30 2023-06-14 Microsoft Technology Licensing, LLC Method and apparatus for detecting a salient point of a protuberant object
CN106296692A (zh) * 2016-08-11 2017-01-04 深圳市未来媒体技术研究院 基于对抗网络的图像显著性检测方法
CN106447658B (zh) * 2016-09-26 2019-06-21 西北工业大学 基于全局和局部卷积网络的显著性目标检测方法
CN107122701A (zh) * 2017-03-03 2017-09-01 华南理工大学 一种基于图像显著性和深度学习的交通道路标志识别方法
CN109118459B (zh) 2017-06-23 2022-07-19 南开大学 图像显著性物体检测方法和装置
US10438350B2 (en) 2017-06-27 2019-10-08 General Electric Company Material segmentation in image volumes
CN107392896B (zh) * 2017-07-14 2019-11-08 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的木材缺陷检测方法和系统
CN107609485B (zh) * 2017-08-16 2020-05-19 中国科学院自动化研究所 交通标志的识别方法、存储介质、处理设备
CN108320286A (zh) * 2018-02-28 2018-07-24 苏州大学 图像显著性检测方法、系统、设备及计算机可读存储介质
CN108528395A (zh) * 2018-04-08 2018-09-14 广州大学 一种基于图像识别的车辆智能雨刮控制方法及系统
CN110363211B (zh) * 2018-04-10 2022-05-03 北京四维图新科技股份有限公司 检测网络模型和目标检测方法
CN109118491A (zh) * 2018-07-30 2019-01-01 深圳先进技术研究院 一种基于深度学习的图像分割方法、系统及电子设备
CN109241913B (zh) * 2018-09-10 2021-05-18 武汉大学 结合显著性检测和深度学习的船只检测方法及系统
CN109636764A (zh) * 2018-11-01 2019-04-16 上海大学 一种基于深度学习与显著性检测的图像风格转移方法
CN109658381B (zh) * 2018-11-16 2023-01-06 华南理工大学 一种基于超像素的柔性ic封装基板的铜面缺陷检测方法
CN109598268B (zh) * 2018-11-23 2021-08-17 安徽大学 一种基于单流深度网络的rgb-d显著目标检测方法
CN110135435B (zh) * 2019-04-17 2021-05-18 上海师范大学 一种基于广度学习系统的显著性检测方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810503A (zh) * 2013-12-26 2014-05-21 西北工业大学 一种基于深度学习的自然图像中显著区域的检测方法
CN103955718A (zh) * 2014-05-15 2014-07-30 厦门美图之家科技有限公司 一种图像主体对象的识别方法
CN104392463A (zh) * 2014-12-16 2015-03-04 西安电子科技大学 一种基于联合稀疏多尺度融合的图像显著区域检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810503A (zh) * 2013-12-26 2014-05-21 西北工业大学 一种基于深度学习的自然图像中显著区域的检测方法
CN103955718A (zh) * 2014-05-15 2014-07-30 厦门美图之家科技有限公司 一种图像主体对象的识别方法
CN104392463A (zh) * 2014-12-16 2015-03-04 西安电子科技大学 一种基于联合稀疏多尺度融合的图像显著区域检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Deep Learning for Object Saliency Detection and Image Segmentation;Hengyue Pan et al.;《IEEE Transactions on Neural Networks & Learning Systems》;20150505;第27卷(第6期);第1135-1149页 *
SuperCNN: A Superpixelwise Convolutional Neural Network for Salient Object Detection;Shengfeng He et al.;《International Journal of Computer Vision》;20150408;第330-344页 *

Also Published As

Publication number Publication date
CN105590319A (zh) 2016-05-18

Similar Documents

Publication Publication Date Title
CN105590319B (zh) 一种深度学习的图像显著性区域检测方法
CN109636784B (zh) 基于最大邻域和超像素分割的图像显著性目标检测方法
CN111145209A (zh) 一种医学图像分割方法、装置、设备及存储介质
Medina et al. Comparison of CNN and MLP classifiers for algae detection in underwater pipelines
CN103745468A (zh) 一种基于图结构和边界先验的显著性物体检测方法
Wazalwar et al. A design flow for robust license plate localization and recognition in complex scenes
Maity et al. Fault area detection in leaf diseases using k-means clustering
CN107507175A (zh) 一种用于计算玉米叶部小斑病病斑所占面积比例的装置
Kshirsagar et al. Plant disease detection in image processing using MATLAB
Alabbasi et al. Human face detection from images, based on skin color
CN105118051A (zh) 一种应用于静态图像人体分割的显著性检测方法
Gurrala et al. A new segmentation method for plant disease diagnosis
Shire et al. A review paper on: agricultural plant leaf disease detection using image processing
CN106446832B (zh) 一种基于视频的实时检测行人的方法
Cheng et al. Power pole detection based on graph cut
Wenzhong et al. A watershed based segmentation method for overlapping chromosome images
Prasad et al. Detection of disease using block-based unsupervised natural plant leaf color image segmentation
CN107704864A (zh) 基于图像对象性语义检测的显著目标检测方法
CN105574880A (zh) 基于指数矩像素分类的彩色图像分割方法
KR101106448B1 (ko) 지능 영상 감시를 위한 이동 객체 실시간 검출 방법
Tran et al. A new approach of 2D measurement of injury rate on fish by a modified K-means clustering algorithm based on L* A* B* color space
CN109559299B (zh) 一种双果重叠果实的分离方法
Ghaleh et al. Lip contour extraction using RGB color space and fuzzy c-means clustering
Chang et al. Using fuzzy logic and particle swarm optimization to design a decision-based filter for cDNA microarray image restoration
Qian et al. Research on object detection based on mathematical morphology

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180629

Termination date: 20211218