CN106897973A - 一种基于pca变换的遥感反射率图像反立体校正方法 - Google Patents
一种基于pca变换的遥感反射率图像反立体校正方法 Download PDFInfo
- Publication number
- CN106897973A CN106897973A CN201710048988.2A CN201710048988A CN106897973A CN 106897973 A CN106897973 A CN 106897973A CN 201710048988 A CN201710048988 A CN 201710048988A CN 106897973 A CN106897973 A CN 106897973A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- principal component
- sensing reflectance
- reflectance 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.)
- Pending
Links
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 17
- 238000012937 correction Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 238000003384 imaging method Methods 0.000 claims description 13
- 238000005286 illumination Methods 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 7
- 230000004907 flux Effects 0.000 claims description 6
- 239000007787 solid Substances 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000011002 quantification 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
- 206010048828 underweight Diseases 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
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于PCA变换的遥感反射率图像反立体校正方法，其特点是，该方法是对遥感数字灰度图像进行辐射校正和大气校正获得遥感反射率图像,并对之进行主成分变换，将遥感反射率图像由图像空间变换至主成分空间，获得各主成分图像，并以离差标准化地表粗糙度作为太阳西北方位地形阴影图（Shaded Relief Model）的权重，以作为第一主成分图像权重，求和构建新的第一主成分图像，最后基于新的第一主成分图像，由主成分空间反变换至多光谱图像空间，实现对遥感图像的反立体现象的校正；同传统的基于色彩空间变换的反立体校正方法相比较，该方法能根据地形复杂程度的不同，对遥感反射率图像中的反立体现象进行校正，且具有反立体校正后图像光谱信息损失少的优点。
Description
技术领域：
本发明涉及遥感技术领域，具体地讲是一种基于PCA变换的遥感反射率图像反立体校正方法。
背景技术：
经过60多年的发展，当代遥感技术已经被广泛应用于资源、环境等领域。然而，在遥感图像应用中，由于受太阳、大气和地形等多种因素的影响，导致地表接收到的太阳辐射能量并不均一，进而导致遥感图像中阴、阳坡地表的图像辐亮度具有明显差异。这种辐射亮度的差异，使得遥感图像具有一定的立体感。然后，对北半球来说，由于资源卫星大多为太阳同步极轨卫星，传感器成像时间为地方时九点半至十点半之间。该时刻成像，阳光从东南向射入，山脊两侧的南向坡形成光照面，北向坡为阴影面，而传统的上北下南影像构图方式，使得遥感图像中阴影面位于光照面上方。由于人类视觉生理、心理特点和视觉习惯，遥感图像中山脊阴影面位于光照面上方，表现为凹陷（沟谷）。这种视觉上立体感相反的现象，在北半球太阳同步轨道卫星图像中是普遍存在的，被称为反立体现象（Saraf et al., 1996;Rudnicki, 2000; Patterson, 2004，BoWu et al,2012），即在遥感图像中，山脊表现为凹陷，而沟谷表现为凸起山脊。
遥感图像中反立体现象的存在增加了判读遥感图像中的纹理信息的难度，因此，校正遥感影像的反立体现象，使图像立体感符合视觉习惯，将有助于对遥感影像的解译。导致反立体现象的因素主要有：地形阴影、太阳高度角、太阳方位角、观察的角度以及山坡上的纹理等（Saraf et al., 2005）。目前反立体校正方法主要有图像南北向旋转法、像元值逆转法、地形阴影图SRM参与的色彩空间变换融合3类。
（1）图像南北向旋转法将影像旋转180°，将上北下南的构图变为上南下北显示。该方法最简单，且完整的保留了成像时刻的地物光谱信息，但由于构图方向发生改变，使得图像中东西向发生改变，导致图像空间位置关系的倒转，地物的几何特征同传统的识图习惯不符，为图像解译带来不便。（2）像元值逆转法主要有两种：直接逆转原始影像像素DN值、以HIS正逆变换为基础，逆转色彩亮度I的像元值。这两种方法都通过像素值的逆转，将图像中暗区，即阴影区，强制改变为亮色调，即光照面，使图像中阴、阳面交换，实现正立体化。两种算法忽视了图像像元的光谱信息，因此，光谱信息损失很大。（3）地形阴影图参与的色彩空间变换融合法顾及到遥感图像中的反立体现象依赖于由成像时刻的太阳-目标-传感器的几何关系所导致照度分布特点及人类三维视觉感知习惯，利用外部DEM数据模拟正立体照度信息（太阳位于西北），基于HIS（或HSV）等色彩融合方法，改变原始RGB图像中的亮度分量，以达到反立体现象的校正（Saraf et al., 1996，2004；章皖秋等,2010）。
方法（2）、（3）通过修改图像像素灰度值来实现正立体校正，但均存在明显的光谱信息损失。王涛等（2016）对传统的参与的HIS融合法顾进行了改进，考虑到遥感图像所表现出的反立体现象是受传感器成像时刻太阳高度角、方位角、地表起伏程度及人类的三维视觉习惯共同作用的。因而，发明了“一种基于地表粗糙度和阴影模型的遥感图像反立体校正方法”，该方法采用RGB和HSV色彩空间的变换，对地形起伏大的地表给予较高的权重，而对地形平坦的地表给予较低的权重，实现对遥感光学图像反立体现象的校正。方法具有图像光谱损失小且方法简单的优点，但受限于RGB色彩空间和HSV色彩空间的变换技术，因而只能对光学遥感灰度值图像进行反立体校正，无法应用于经过图像光谱定量化预处理的图像（即遥感反射率图像）校正，并且采用的地表粗糙度标准化方法有待提高。
发明内容：
本发明的目的是克服上述已有技术的不足，而提供一种基于PCA变换的遥感反射率图像反立体校正方法；主要解决现有基于融合法方法所存在光谱信息损失大、无法处理遥感反射率图像的问题。
本发明的技术方案是：一种基于PCA变换的遥感反射率图像反立体校正方法，其特殊之处在于，包括以下步骤：
a 对由搭载在航天、航空飞行器上的传感器或遥感器所记录的遥感数字灰度图像进行辐射校正和大气校正，获得校正后的遥感反射率图像；
b 对遥感反射率图像和数字高程模型DEM数据进行配准，统一坐标系统为高斯-克吕格平面直角坐标系，并作重采样和裁剪工作，使两者具有相同的空间分辨率和图幅范围；
c 基于遥感反射率图像，进行主成分变换PCA，获得不相关各主成分数据；
d 根据遥感反射率图像的成像时刻及图像中心点经纬度坐标，计算成像时刻太阳方位角和太阳高度角；
e 基于DEM数据，计算地表粗糙度，获得地表粗糙度数据；
f 对地表粗糙度数据做离差标准化处理，获得离差标准化地表粗糙度数据；
g 基于研究区DEM数据，以遥感反射率图像成像时刻太阳方位角加（180°）和太阳高度角为参数计算研究区正立体地形阴影数据，即太阳西北方位地形阴影图；
h 太阳西北方位地形阴影图和第一主成分分量数据PC1分别以和1-作为权重，计算获得新的第一主成分分量数据PC1’（式ⅰ）：
（ⅰ）
i 将新的第一主成分分量数据PC1’替换主成分空间中的第一主成分分量数据PC1，并协同其他各主成分分量，采用主成分反变换算法，反变换至多光谱空间；至此，完成对遥感反射率图像的反立体现象的校正，获得正立体遥感图像。
进一步的，所述的遥感数字灰度图像为由搭载在人造卫星、飞机或其他飞行器（航天的或航空的）上的传感器或遥感器所记录的数字灰度图像。
进一步的，所述的遥感反射率图像是指遥感数字灰度图像经过辐射校正和大气校正处理后的图像，其像素数值近似反应了在特定的太阳-目标-传感器几何关系下的地面目标对入射的太阳辐射照度的反射能力，即地面目标的反射辐射通量和太阳入射通量的比值。
进一步的，所述的地表粗糙度数据是基于DEM数据，由式（ⅱ）计算获得：
（ⅱ）
其中， 为坡度数据，以弧度为单位。
进一步的，所述的离差标准化地表粗糙度数据是由式（ⅲ）确定：
（ⅲ）
其中，min、max分别为最小和最大地表粗糙度；取值(0,1]。
进一步的，所述主成分变换（PCA）为K-L变换或霍特林(Hotelling)变换。
本发明的一种基于PCA变换的遥感反射率图像反立体校正方法，可用于基于光学遥感图像，进行图像解译、地形分析及制图场合。
本发明的一种基于PCA变换的遥感反射率图像反立体校正方法与已有反立体校正技术相比具有突出的实质性特点和显著进步：1、实现了对遥感反射率图像进行反立体校正；2、反立体校正后，地形平缓的地区，其图像光谱信息损失少；3、地形崎岖的地区，其图像光谱信息损失较少；在遥感图像解译、地形分析及制图应用中，具有重要意义。
附图说明：
图1是本发明的计算流程图。
具体实施方式：
为了更好的理解与实施，下面结合附图给出具体实施详细说明本发明一种基于PCA变换的遥感反射率图像反立体校正方法；所举实施例仅用于解释本发明，并非用于限制本发明的范围。
实施例1，参见图1，第一步，首先，采集航天或航空平台传感器或遥感器记录的可见光、近红外及远红外范围内的遥感数字灰度图像（数据）；对遥感数字灰度图像进行辐射校正和大气校正处理，可以基于已有的商业遥感数字图像处理软件（比如ENVI, ERDAS,PCI等）所提供的校正模型来实现；获得校正后的遥感反射率图像；
第二步，将遥感反射率图像和DEM（数字高程模型）数据进行几何配准，使两者坐标系统统一为高斯-克吕格平面直角坐标系，并作重采样和裁剪工作，使两者具有相同的空间分辨率和图幅范围；遥感反射率图像是指遥感灰度图像经过辐射校正和大气校正处理后的图像，其像素数值近似反应了在特定的太阳-目标-传感器几何关系下的地面目标对入射的太阳辐射照度的反射能力，即地面目标的反射辐射通量和太阳入射通量的比值；
第三步，基于遥感反射率图像，进行主成分变换，获得不相关各主成分数据：PC1，PC2，PC3...；主成分变换亦称为K-L变换或霍特林(Hotelling)变换；
第四步，根据遥感反射率图像的成像时刻（年月日时分秒）及图像中心点经纬度坐标，计算图像成像时刻的太阳方位角和太阳高度角；
第五步，基于研究区DEM数据，根据式（ⅱ）计算地表粗糙度，获得地表粗糙度数据；地表粗糙度反映了地表地形复杂程度，取值大于等于1；地表坡度为0，即平坦地区的地表粗糙度值为1，而地表坡度大，即区域地表粗糙度值高；地表粗糙度由式（ⅱ）计算获得；
（ⅱ）
其中， 为坡度数据，以弧度为单位；
第六步，基于式（ⅲ）对地表粗糙度数据做离差标准化处理，获得离差标准化地表粗糙度数据；离差标准化地表粗糙度是由式（ⅲ）确定：
（ⅲ）
其中，min、max分别为最小和最大地表粗糙度；取值(0,1]；
第七步，基于研究区DEM数据，以遥感反射率图像成像时刻太阳方位角加（180°）和太阳高度角作为参数计算研究区正立体阴影数据，获得太阳西北方位阴影图；太阳西北方位地形阴影图即是由DEM数据模拟太阳位于西北方位时地形阴影图，可由商业遥感数字图像处理软件（比如ENVI,ERDAS Imagine, PCI Geomatica，ArcGIS，MapInfo等）相应的工具模块计算获得；
第八步，太阳西北方位地形阴影图和第一主成分分量数据PC1分别以（离差标准化地表粗糙度）和1-作为权重（式ⅰ），计算获得新的第一主成分分量数据PC1’；
（ⅰ）；
第九步，将新的第一主成分分量数据PC1’替换主成分空间中的第一主成分分量数据PC1，并协同其他各主成分分量，采用主成分反变换算法，反变换至多光谱空间；此时，遥感反射率图像已经正立体化，实现对遥感反射率图像的反立体现象的校正。
Claims (6)
1.一种基于PCA变换的遥感反射率图像反立体校正方法，其特征在于，包括以下步骤：
a 对由搭载在航天、航空飞行器上的传感器或遥感器所记录的遥感数字灰度图像进行辐射校正和大气校正，获得校正后的遥感反射率图像；
b 对遥感反射率图像和数字高程模型DEM数据进行配准，统一坐标系统为高斯-克吕格平面直角坐标系，并作重采样和裁剪工作，使两者具有相同的空间分辨率和图幅范围；
c 基于遥感反射率图像，进行主成分变换PCA，获得不相关各主成分数据；
d 根据遥感反射率图像的成像时刻及图像中心点经纬度坐标，计算成像时刻太阳方位角和太阳高度角；
e 基于DEM数据，计算地表粗糙度，获得地表粗糙度数据；
f 对地表粗糙度数据做离差标准化处理，获得离差标准化地表粗糙度数据；
g 基于研究区DEM数据，以遥感反射率图像成像时刻太阳方位角加（180°）和太阳高度角为参数计算研究区正立体地形阴影数据，即太阳西北方位地形阴影图；
h 太阳西北方位地形阴影图和第一主成分分量数据PC1分别以和1-作为权重，计算获得新的第一主成分分量数据PC1’（式ⅰ）：
（ⅰ）
i将新的第一主成分分量数据PC1’替换主成分空间中的第一主成分分量数据PC1，并协同其他各主成分分量，采用主成分反变换算法，反变换至多光谱空间；至此，完成对遥感反射率图像的反立体现象的校正，获得正立体遥感图像。
2.根据权利要求1所述的一种基于PCA变换的遥感反射率图像反立体校正方法，其特征在于，所述的遥感数字灰度图像为由搭载在人造卫星、飞机或其他飞行器（航天的或航空的）上的传感器或遥感器所记录的数字灰度图像。
3.根据权利要求1所述的一种基于PCA变换的遥感反射率图像反立体校正方法，其特征在于，所述的遥感反射率图像是指遥感数字灰度图像经过辐射校正和大气校正处理后的图像，其像素数值近似反应了在特定的太阳-目标-传感器几何关系下的地面目标对入射的太阳辐射照度的反射能力，即地面目标的反射辐射通量和太阳入射通量的比值。
4.根据权利要求1所述的一种基于PCA变换的遥感反射率图像反立体校正方法，其特征在于，所述的地表粗糙度数据是基于DEM数据，由式（ⅱ）计算获得：
（ⅱ）
其中， 为坡度数据，以弧度为单位。
5. 根据权利要求1所述的一种基于PCA变换的遥感反射率图像反立体校正方法，其特征在于，所述的离差标准化地表粗糙度数据是由式（ⅲ）确定：
（ⅲ）
其中，min、max分别为最小和最大地表粗糙度；取值(0,1]。
6.根据权利要求1所述的一种基于PCA变换的遥感反射率图像反立体校正方法，其特征在于，所述主成分变换（PCA）为K-L变换或霍特林(Hotelling)变换。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710048988.2A CN106897973A (zh) | 2017-01-23 | 2017-01-23 | 一种基于pca变换的遥感反射率图像反立体校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710048988.2A CN106897973A (zh) | 2017-01-23 | 2017-01-23 | 一种基于pca变换的遥感反射率图像反立体校正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106897973A true CN106897973A (zh) | 2017-06-27 |
Family
ID=59199034
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710048988.2A Pending CN106897973A (zh) | 2017-01-23 | 2017-01-23 | 一种基于pca变换的遥感反射率图像反立体校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106897973A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934788A (zh) * | 2019-03-22 | 2019-06-25 | 鲁东大学 | 一种基于标准遥感图像的遥感图像缺失数据修复方法 |
| CN113592737A (zh) * | 2021-07-27 | 2021-11-02 | 武汉理工大学 | 一种基于熵权法的遥感影像地形校正效果评价方法 |
| CN113792678A (zh) * | 2021-09-17 | 2021-12-14 | 华院分析技术(上海)有限公司 | 基于PCA和ReliefF的SVM的人脸识别方法、系统、存储介质及设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521815A (zh) * | 2011-11-02 | 2012-06-27 | 薛笑荣 | 影像快速融合系统及快速融合方法 |
| CN103810706A (zh) * | 2014-01-27 | 2014-05-21 | 鲁东大学 | 一种地表粗糙度参与阴影模型的遥感图像反立体校正方法 |
-
2017
- 2017-01-23 CN CN201710048988.2A patent/CN106897973A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521815A (zh) * | 2011-11-02 | 2012-06-27 | 薛笑荣 | 影像快速融合系统及快速融合方法 |
| CN103810706A (zh) * | 2014-01-27 | 2014-05-21 | 鲁东大学 | 一种地表粗糙度参与阴影模型的遥感图像反立体校正方法 |
Non-Patent Citations (2)
| Title |
|---|
| 周爱霞等: "遥感影像反立体纠正方法研究", 《国土资源遥感》 * |
| 赵延芳: "基于多源数据融合的冲沟参数提取研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934788A (zh) * | 2019-03-22 | 2019-06-25 | 鲁东大学 | 一种基于标准遥感图像的遥感图像缺失数据修复方法 |
| CN113592737A (zh) * | 2021-07-27 | 2021-11-02 | 武汉理工大学 | 一种基于熵权法的遥感影像地形校正效果评价方法 |
| CN113592737B (zh) * | 2021-07-27 | 2024-04-30 | 武汉理工大学 | 一种基于熵权法的遥感影像地形校正效果评价方法 |
| CN113792678A (zh) * | 2021-09-17 | 2021-12-14 | 华院分析技术(上海)有限公司 | 基于PCA和ReliefF的SVM的人脸识别方法、系统、存储介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103810706B (zh) | 一种地表粗糙度参与阴影模型的遥感图像反立体校正方法 | |
| Shepherd et al. | Correcting satellite imagery for the variance of reflectance and illumination with topography | |
| CN103413272B (zh) | 低空间分辨率多源遥感图像空间一致性校正方法 | |
| CN103940407B (zh) | 一种基于地形和遥感影像融合技术提取冲沟方法 | |
| CN107563964A (zh) | 大面阵亚米级夜景遥感影像的快速拼接方法 | |
| CN108734685A (zh) | 一种无人机载高光谱线阵列遥感影像的拼接方法 | |
| CN106897973A (zh) | 一种基于pca变换的遥感反射率图像反立体校正方法 | |
| CN112884672B (zh) | 一种基于同期卫星影像的多架次无人机影像相对辐射校正方法 | |
| CN108509844B (zh) | 基于地基云图的vper云团识别方法 | |
| CN107421644B (zh) | 城市完全表面温度的航空遥感估算方法 | |
| Jung et al. | One-day outdoor photometric stereo via skylight estimation | |
| CN107453811B (zh) | 一种基于可见光视觉通信的无人机协同slam的方法 | |
| CN116519557B (zh) | 一种气溶胶光学厚度反演方法 | |
| CN113744249B (zh) | 一种海洋生态环境损害调查方法 | |
| CN111402162A (zh) | 卫星遥感图像的晴空数据集处理方法 | |
| CN111815524B (zh) | 一种辐射定标的校正系统和方法 | |
| CN104700356B (zh) | 一种遥感图像反立体校正方法 | |
| CN112529498B (zh) | 一种仓储物流管理方法及系统 | |
| CN117058051A (zh) | 一种基于激光点云与微光图像融合的方法及装置 | |
| CN114357721B (zh) | 水下对空成像全链路仿真方法 | |
| CN112364289B (zh) | 一种通过数据融合提取水体信息的方法 | |
| CN109523498A (zh) | 一种面向田块尺度作物生长监测的遥感影像时空融合方法 | |
| CN111536965A (zh) | 一种以全天空成像为背景的星图显示方法 | |
| Woodham et al. | Analysis by synthesis in computational vision with application to remote sensing | |
| CN116596805B (zh) | 一种基于场景物体与大气光偏振态差异的偏振去雾方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170627 |
|
| WD01 | Invention patent application deemed withdrawn after publication |