CN105701769A - 边界灰度分布相关的合成孔径雷达遥感图像分块重构方法 - Google Patents
边界灰度分布相关的合成孔径雷达遥感图像分块重构方法 Download PDFInfo
- Publication number
- CN105701769A CN105701769A CN201610019775.2A CN201610019775A CN105701769A CN 105701769 A CN105701769 A CN 105701769A CN 201610019775 A CN201610019775 A CN 201610019775A CN 105701769 A CN105701769 A CN 105701769A
- Authority
- CN
- China
- Prior art keywords
- image
- image block
- sar
- remote sensing
- distribution
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000000903 blocking effect Effects 0.000 title abstract 4
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000009828 non-uniform distribution Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000000265 homogenisation Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000005215 recombination Methods 0.000 abstract 1
- 230000006798 recombination Effects 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种边界灰度分布相关的合成孔径雷达遥感图像分块重构方法,包括以下步骤:将SAR遥感图像序列融合成的单帧图像g分成若干图像块,为避免边界效应,分块时为每个图像块保留一定冗余边界;根据每个图像块自身的特征来构造最适合它的特征驱动先验,并逐一对每个图像块进行超分辨率重构;最后切除每个重构图像块的冗余边界,再将它们重组成完整的SAR遥感图像。本发明在通过SAR图像分块和重组来提高先验模型区域针对性和计算机存储运算效率的同时,能够有效保持图像灰度分布的相关性,且先验信息形式由图像统计特征决定,保证了SAR图像重构过程高效、重构视觉连续性好、数据准确。
Description
技术领域
本发明涉及遥感图像处理技术,具体涉及一种边界灰度分布相关的合成孔径雷达遥感图像分块重构方法。
背景技术
合成孔径雷达(SyntheticApertureRadar,SAR)遥感图像超分辨率重构,是一种突破硬件物理限制和人为信息封锁,通过信号处理方法获得高空间分辨率的雷达遥感图像的技术。其中的最大后验法(maximumaposteriori,MAP)SAR图像超分辨率,引入了图像的先验信息而且遵循了严格的贝叶斯概率推理,成为了常用的重构方法。
然而,现有技术中存在以下问题:
①通常引入的先验信息模型,是对SAR图像像素统计特征的整体刻画,并没有考虑SAR图像中不同地物或区域的统计特征差别,同时,SAR图像观测尺度大,数据量比普通图像高,形成的超大型矩阵会给计算机的存储和运算带来压力;
②若采用图像分块处理来提高先验模型区域针对性和减少计算机存储运算压力,却难以消除由此产生的图像块之间灰度分布相关性低、连续性差的边界效应,这主要是因为参与边界像素估计的邻域像素(仅有三个甚至两个邻域方向)缺失而导致;
③传统SAR图像先验信息形式可归纳为高斯和拉普拉斯两种基本模型,选取哪一种作为先验信息,完全依赖于经验假设,即使基于实例的(example-based)方式也要使用外来训练集确定,可信度不高。
发明内容
发明目的:本发明的目的在于解决现有技术中存在的不足,提供一种边界灰度分布相关的合成孔径雷达遥感图像分块重构方法,本发明将图像进行分块并根据各块特征分别重构,且使重构块之间的边界灰度分布相关。该方法在提高先验模型区域针对性和减少计算机存储运算压力的同时,能够有效消除图像灰度分布相关性低、连续性差的边界效应,而且先验信息形式由SAR图像统计特征决定,重构结果更为准确、可靠。
技术方案:本发明所述的一种边界灰度分布相关的合成孔径雷达遥感图像分块重构方法,依次包括以下步骤:
(1)将SAR遥感图像序列融合成的单帧图像g分成若干图像块,为避免边界效应,分块时为每个图像块保留一定冗余边界;
(2)根据每个图像块自身的特征来构造最适合它的特征驱动先验,并逐一对每个图像块进行超分辨率重构;
(3)最后切除每个重构图像块的冗余边界,再将它们重组成完整的SAR遥感图像。
进一步的,所述步骤(1)中,单帧图像的得到过程为:输入同场景低分辨率的SAR图像序列,然后对该SAR图像序列进行空间配准,而后将所有低分辨率SAR图像融合成较高分辨率的单帧SAR图像g,其中,融合的具体过程为:
(1-1)按照配准的位置将所有SAR图像置于一个标准的高分辨率网格内,得到像素非均匀分布的图像;
(1-2)对网格内像素非均匀分布的图像进行核回归处理,使像素分布均匀化,得到较高分辨率的单帧SAR图像。
进一步的,所述步骤(1)中单帧图像g分成若干图像块的过程为:将单帧图像g分割成p行q列,得到p×q个图像块,每相邻两个图像块的边界均向外保留w(0<w<5)个像素宽度的冗余,使得每对相邻图像块都有2w个像素宽度的边界重叠。
进一步的,所述步骤(2),就是对所有图像块{gij|0<i≤p,0<j≤q}逐一进行基于特征驱动先验的单帧超分辨率重构,每个图像块gij的重构结果为其原始图像块fij的估计值其中,下标i表示图像块的行序数,下标j表示图像块的列序数;
设gij、fij和的像素数均为N,每个图像块gij重构的步骤均如下:
(2-1)用高通算子Γ(此处的的高通算子采用拉普拉斯算子,其掩模表示为 )对gij进行高通滤波,得到gij的高频图像gHij=Γgij,其中,gHij的像素数为N;
(2-2)从gHij中抽取S个像素,构成样本gSHij;
(2-3)用gSHij分别估计在高斯分布先验和拉普拉斯分布先验下gHij像素的标准差:当gHij服从高斯分布的先验,标准差为当gHij服从拉普拉斯分布的先验,标准差为
(2-4)构造代价函数Cij:若则fij服从高斯分布先验,且 若则fij服从拉普拉斯分布先验,且其中,e表示自然常数,Bij表示gij的模糊算子,1/β为gij的噪声方差,||·||1表示1-范数运算符,||·||2表示2-范数运算符;
(2-5)以gij作为初始值,利用共轭梯度算法对Cij进行迭代寻优,得到估计值
进一步的,所述步骤(3)中,切除每个重构图像块的冗余边界的具体操作为:对步骤(2)中每个重构后的图像块逐一切除其w个像素宽度的边界进而得到无冗余边界的重构图像块hij,此时每相邻两个重构图像块hij的边界均不再重合。
进一步的,所述步骤(3)中,重组成完整的SAR遥感图像的过程为:将所有切除冗余边界的重构图像块{hij|0<i≤p,0<j≤q}按下标行列位置进行重新组合(具体过程是:将h11置于第1行第1列,将h12置于第1行第2列,…,将hij置于第i行第j列,…,将hpq置于第p行第q列),得到边界灰度分布相关的完整高分辨率SAR图像h,并作为最终结果输出。
有益效果:本发明在通过SAR图像分块和重组来提高先验模型区域针对性和计算机存储运算效率的同时,采用拓展和切除冗余边界的方式有效保持了图像块之间边界灰度分布的相关性,对于每个图像块的重构更加入了特征驱动的先验选择机制,先验信息形式由图像统计特征决定,由此保证了SAR图像重构过程高效、重构视觉连续性好、数据准确。
附图说明
图1为本发明的整体流程图;
图2为实施例中的流程示意图;
图3为图2中特征驱动超分辨率重构的流程图。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
如图1所示,本发明的一种边界灰度分布相关的合成孔径雷达遥感图像分块重构方法,依次包括以下步骤:将SAR遥感图像序列融合成的单帧图像g分成若干图像块,为避免边界效应,分块时为每个图像块保留一定冗余边界;根据每个图像块自身的特征来构造最适合它的特征驱动先验,并逐一对每个图像块进行超分辨率重构;最后切除每个重构图像块的冗余边界,再将它们重组成完整的SAR遥感图像。
实施例1:
如图2所示,本实施例中的边界灰度分布相关的合成孔径雷达遥感图像分块重构方法的具体步骤为:
(1)输入同场景低分辨率SAR图像序列;
(2)对SAR图像序列进行空间配准,而后将所有低分辨率SAR图像融合成较高分辨率的单帧SAR图像g,其中,融合的具体过程为:
(2-1)按照配准的位置将所有SAR图像置于一个标准的高分辨率网格内,得到像素非均匀分布的图像;
(2-2)对网格内像素非均匀分布的图像进行核回归处理,使像素分布均匀化,得到较高分辨率的单帧SAR图像;
(3)将g分割成2行2列的图像块,每相邻俩两个图像块的边界向外保留w(0<w<5)个像素宽度的冗余,使得每对相邻图像块都有2w个像素宽度的边界重叠;
(4)对所有图像块{gij|0<i≤2,0<j≤2}逐一进行基于特征驱动先验的单帧超分辨率重构,每个图像块gij的重构结果为其原始图像块fij的估计值其中,下标i表示图像块的行序数,下标j表示图像块的列序数;设gij、fij和的像素数均为N,如图3所示,针对每个gij,基于特征驱动先验的单帧超分辨率重构的步骤如下:
(4-1)用高通算子Γ(此处的的高通算子采用拉普拉斯算子,其掩模表示为 )对gij进行高通滤波,得到gij的高频图像gHij=Γgij,其中,gHij的像素数为N;
(4-2)从gHij中抽取S个像素,构成样本gSHij;
(4-3)用gSHij分别估计在高斯分布先验和拉普拉斯分布先验下gHij像素的标准差:当gHij服从高斯分布的先验,标准差为当gHij服从拉普拉斯分布的先验,标准差为
(4-4)构造代价函数Cij:若则fij服从高斯分布先验,且 若 则fij服从拉普拉斯分布先验,且其中,e表示自然常数,Bij表示gij的模糊算子,1/β为gij的噪声方差,||·||1表示1-范数运算符,||·||2表示2-范数运算符;
(4-5)以gij作为初始值,利用共轭梯度算法对Cij进行迭代寻优,得到估计值
(5)对每个图像块逐一切除其w个像素宽度的边界得到无冗余边界的图像块hij,此时相邻hij的边界不再重合;
(6)将所有图像块{hij|0<i≤2,0<j≤2}按下标行列位置进行重新组合(具体过程是:将h11置于第1行第1列,将h12置于第1行第2列,将h21置于第2行第1列,将hpq置于第2行第2列),得到边界灰度分布相关的完整高分辨率SAR图像h,并作为最终结果输出。
Claims (6)
1.一种边界灰度分布相关的合成孔径雷达遥感图像分块重构方法,其特征在于:依次包括以下步骤:
(1)将SAR遥感图像序列融合成的单帧图像g分成若干图像块,为避免边界效应,分块时为每个图像块保留一定冗余边界;
(2)根据每个图像块自身的特征来构造最适合它的特征驱动先验,并逐一对每个图像块进行超分辨率重构;
(3)最后切除每个重构图像块的冗余边界,再将它们重组成完整的SAR遥感图像。
2.根据权利要求1所述的边界灰度分布相关的合成孔径雷达遥感图像分块重构方法,其特征在于:所述步骤(1)中,单帧图像的得到过程为:
输入同场景低分辨率的SAR图像序列,然后对该SAR图像序列进行空间配准,而后将所有低分辨率SAR图像融合成较高分辨率的单帧SAR图像g,其中,融合的具体过程为:
(1-1)按照配准的位置将所有SAR图像置于一个标准的高分辨率网格内,得到像素非均匀分布的图像;
(1-2)对网格内像素非均匀分布的图像进行核回归处理,使像素分布均匀化,得到较高分辨率的单帧SAR图像。
3.根据权利要求1所述的边界灰度分布相关的合成孔径雷达遥感图像分块重构方法,其特征在于:所述步骤(1)中单帧图像g分成若干图像块的过程为:
将单帧图像g分割成p行q列,得到p×q个图像块,每相邻两个图像块的边界均向外保留w个像素宽度的冗余,使得每对相邻图像块都有2w个像素宽度的边界重叠,0<w<5。
4.根据权利要求1所述的边界灰度分布相关的合成孔径雷达遥感图像分块重构方法,其特征在于:所述步骤(2)对所有图像块{gij|0<i≤p,0<j≤q}逐一进行基于特征驱动先验的单帧超分辨率重构,每个图像块gij的重构结果为其原始图像块fij的估计值其中,下标i表示图像块的行序数,下标j表示图像块的列序数;
设gij、fij和的像素数均为N,每个图像块gij重构的步骤均如下:
(2-1)用高通算子Γ对gij进行高通滤波,得到gij的高频图像gHij=Γgij,其中,gHij的像素数为N,此处的高通算子采用拉普拉斯算子,其掩模表示为
(2-2)从gHij中抽取S个像素,构成样本gSHij;
(2-3)用gSHij分别估计在高斯分布先验和拉普拉斯分布先验下gHij像素的标准差:当gHij服从高斯分布的先验,标准差为当gHij服从拉普拉斯分布的先验,标准差为
(2-4)构造代价函数Cij:若则fij服从高斯分布先验,且 若 则fij服从拉普拉斯分布先验,且其中,e表示自然常数,Bij表示gij的模糊算子,1/β为gij的噪声方差,||·||1表示1-范数运算符,||·||2表示2-范数运算符;
(2-5)以gij作为初始值,利用共轭梯度算法对Cij进行迭代寻优,得到估计值
5.根据权利要求1所述的边界灰度分布相关的合成孔径雷达遥感图像分块重构方法,其特征在于:所述步骤(3)中,切除每个重构图像块的冗余边界的具体操作为:
对步骤(2)中每个重构后的图像块逐一切除其w个像素宽度的边界进而得到无冗余边界的重构图像块hij,此时每相邻两个重构图像块hij的边界均不再重合。
6.根据权利要求1所述的边界灰度分布相关的合成孔径雷达遥感图像分块重构方法,其特征在于:所述步骤(3)中,重组成完整的SAR遥感图像的过程为:
将所有切除冗余边界的重构图像块{hij|0<i≤p,0<j≤q}按下标行列位置进行重新组合:将h11置于第1行第1列,将h12置于第1行第2列,…,将hij置于第i行第j列,…,将置于第p行第q列,最终得到边界灰度分布相关的完整高分辨率SAR图像h,并作为最终结果输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610019775.2A CN105701769A (zh) | 2016-01-13 | 2016-01-13 | 边界灰度分布相关的合成孔径雷达遥感图像分块重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610019775.2A CN105701769A (zh) | 2016-01-13 | 2016-01-13 | 边界灰度分布相关的合成孔径雷达遥感图像分块重构方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105701769A true CN105701769A (zh) | 2016-06-22 |
Family
ID=56227289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610019775.2A Pending CN105701769A (zh) | 2016-01-13 | 2016-01-13 | 边界灰度分布相关的合成孔径雷达遥感图像分块重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105701769A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133360A (zh) * | 2017-05-31 | 2017-09-05 | 东南大学 | 一种大尺度遥感影像特征点库的构建方法 |
CN108388828A (zh) * | 2017-07-13 | 2018-08-10 | 中国科学院遥感与数字地球研究所 | 一种综合多源遥感数据的滨海湿地土地覆盖信息提取方法 |
CN109615584A (zh) * | 2018-12-17 | 2019-04-12 | 辽宁工程技术大学 | 一种基于单应性约束的sar图像序列map超分辨率重建方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093442A (zh) * | 2011-09-14 | 2013-05-08 | 联发科技(新加坡)私人有限公司 | 基于多低分辨率图像的重构高分辨率图像方法及其装置 |
CN103971335A (zh) * | 2014-04-25 | 2014-08-06 | 河海大学 | 一种基于置信度核回归的图像超分辨率重建方法 |
CN104794681A (zh) * | 2015-04-28 | 2015-07-22 | 西安电子科技大学 | 基于多冗余字典和稀疏重构的遥感图像融合方法 |
CN105205783A (zh) * | 2015-09-14 | 2015-12-30 | 河海大学 | 一种联合先验估计的sar图像盲超分辨率重建方法 |
-
2016
- 2016-01-13 CN CN201610019775.2A patent/CN105701769A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093442A (zh) * | 2011-09-14 | 2013-05-08 | 联发科技(新加坡)私人有限公司 | 基于多低分辨率图像的重构高分辨率图像方法及其装置 |
CN103971335A (zh) * | 2014-04-25 | 2014-08-06 | 河海大学 | 一种基于置信度核回归的图像超分辨率重建方法 |
CN104794681A (zh) * | 2015-04-28 | 2015-07-22 | 西安电子科技大学 | 基于多冗余字典和稀疏重构的遥感图像融合方法 |
CN105205783A (zh) * | 2015-09-14 | 2015-12-30 | 河海大学 | 一种联合先验估计的sar图像盲超分辨率重建方法 |
Non-Patent Citations (5)
Title |
---|
FENG XU等: ""Block-Based MAP Superresolution Using Feature-Driven Prior Model"", 《MATHEMATICAL PROBLEMS IN ENGINEERING》 * |
JIANQIANG GAO: ""A novel information transferring approach for the classification of remote sensing images"", 《EURASIP JOURNAL ON ADVANCES IN SIGNAL PROCESSING》 * |
刘帅等: ""一种结合稀疏表示和纹理分块的遥感影像超分辨率方法"", 《武汉大学学报.信息科学版》 * |
徐枫等: ""特征驱动先验的归一化卷积超分辨率重建"", 《中国图象图形学报》 * |
徐枫等: ""边缘增强的MAP超分辨率遥感影像融合"", 《新型工业化》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133360A (zh) * | 2017-05-31 | 2017-09-05 | 东南大学 | 一种大尺度遥感影像特征点库的构建方法 |
CN107133360B (zh) * | 2017-05-31 | 2021-02-02 | 东南大学 | 一种大尺度遥感影像特征点库的构建方法 |
CN108388828A (zh) * | 2017-07-13 | 2018-08-10 | 中国科学院遥感与数字地球研究所 | 一种综合多源遥感数据的滨海湿地土地覆盖信息提取方法 |
CN109615584A (zh) * | 2018-12-17 | 2019-04-12 | 辽宁工程技术大学 | 一种基于单应性约束的sar图像序列map超分辨率重建方法 |
CN109615584B (zh) * | 2018-12-17 | 2022-12-06 | 辽宁工程技术大学 | 一种基于单应性约束的sar图像序列map超分辨率重建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | Details or artifacts: A locally discriminative learning approach to realistic image super-resolution | |
CN107507134B (zh) | 基于卷积神经网络的超分辨率方法 | |
Li et al. | Best-buddy gans for highly detailed image super-resolution | |
Gao et al. | A deep convolutional network for medical image super-resolution | |
CN103020909B (zh) | 基于多尺度结构自相似与压缩感知的单图像超分辨率方法 | |
CN105046672A (zh) | 一种图像超分辨率重建方法 | |
CN109272447A (zh) | 一种深度图超分辨率方法 | |
CN110136062A (zh) | 一种联合语义分割的超分辨率重建方法 | |
CN102968762A (zh) | 一种基于稀疏化和泊松模型的pet重建方法 | |
Jin et al. | Single image super-resolution with multi-level feature fusion recursive network | |
Wei et al. | Medical image super-resolution by using multi-dictionary and random forest | |
CN103279933A (zh) | 一种基于双层模型的单幅图像超分辨率重建方法 | |
CN105335972A (zh) | 基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法 | |
He et al. | Remote sensing image super-resolution using deep–shallow cascaded convolutional neural networks | |
CN117036162B (zh) | 轻量级胸部ct图像超分辨率的残差特征注意力融合方法 | |
CN105701769A (zh) | 边界灰度分布相关的合成孔径雷达遥感图像分块重构方法 | |
Li et al. | Single image super-resolution reconstruction based on genetic algorithm and regularization prior model | |
Singh et al. | Sub-band energy constraints for self-similarity based super-resolution | |
CN111369433A (zh) | 基于可分离卷积和注意力的三维图像超分辨率重建方法 | |
Chi et al. | CT image super-resolution reconstruction based on global hybrid attention | |
CN114066729A (zh) | 一种可恢复身份信息的人脸超分辨率重建方法 | |
Esmaeilzehi et al. | SRNHARB: A deep light-weight image super resolution network using hybrid activation residual blocks | |
Shen et al. | RSHAN: Image super-resolution network based on residual separation hybrid attention module | |
Xie et al. | Multiscale self-similarity and sparse representation based single image super-resolution | |
Young et al. | Supervision by Denoising for Medical Image Segmentation |
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: 20160622 |