CN107025467A - 一种水体分类模型的建立方法及装置 - Google Patents
一种水体分类模型的建立方法及装置 Download PDFInfo
- Publication number
- CN107025467A CN107025467A CN201710320939.XA CN201710320939A CN107025467A CN 107025467 A CN107025467 A CN 107025467A CN 201710320939 A CN201710320939 A CN 201710320939A CN 107025467 A CN107025467 A CN 107025467A
- Authority
- CN
- China
- Prior art keywords
- water body
- remote sensing
- band
- reflectance spectrum
- model
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Probability & Statistics with Applications (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Discrete Mathematics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种水体分类模型的建立方法及装置,所述水体分类模型的建立方法将实测的遥感反射率光谱经过聚类算法分为N类,进而结合水质参数和固有光学量确定对应于N类反射率光谱的N类水体类别,针对每一类反射率光谱,确定处于遥感影像波段范围内的敏感波段,并将分别与反射率光谱对应的水体类别和敏感波段进行关联处理,最终生成水体分类决策树模型。所述水体分类模型的建立方法及装置可应用于影像水体分类,用户可以根据水体的遥感影像数据,通过水体分类决策树模型直接得到水体的类别,不需要用户到现场和实验室进行实测实验,简单快捷且时效性强。
Description
技术领域
本发明涉及内陆湖泊水体分类技术领域,更具体的说,是涉及一种水体分类模型的建立方法及装置。
背景技术
内陆湖泊水体分类研究能够帮助人们更好地了解水体的组分和特性,对水体环境保护及工业生产用水具有重要意义。
内陆湖泊水体是由多种组分组成的,通常情况下,根据水体组分含量的不同,会将水体划分为不同的类别。内陆湖泊水体的主要成分有纯水、浮游植物、非藻类悬浮颗粒和黄色物质等,影响水体颜色及反光率的物质主要包括浮游植物、非藻类颗粒物和黄色物质。现有技术中,对水体的分类需要技术人员到水体现场进行光谱采集和水体采样,然后将光谱数据及采样水体带回实验室进行相应的分析研究,进而通过研究数据结果确定水体类别。由于水体类别确定工作耗时耗力,相应的水体类别确定工作的间隔周期也比较长。
现有技术中采用实测实验确定水体类别的方法成本比较高,而且,由于水体类别确定工作的间隔周期长,导致水体类别确定结果的时效性差。由此,如何提供一种简单快捷,且时效性强的确定水体类别的方法,是本领域技术人员亟待解决的问题。
发明内容
有鉴于此,本发明提供了一种水体分类模型的建立方法及装置,以克服现有技术中由于采用实测实验确定水体类别而导致的,确定水体类别成本高且时效性差的问题。
为实现上述目的,本发明提供如下技术方案:
一种水体分类模型的建立方法,包括:
获取实测的遥感反射率光谱;
通过聚类算法将所述遥感反射率光谱分为N类,所述N为正整数;
依据所述N类反射率光谱对应的水质参数和固有光学量,确定与所述N类反射率光谱依次对应的N类水体类别;
针对所述N类反射率光谱中的每一类反射率光谱进行如下操作:依据反射率光谱,确定处于遥感影像波段范围内的敏感波段,并将分别与反射率光谱对应的水体类别和敏感波段进行关联处理,生成水体分类决策树子模型;
将N个决策树子模型合并处理为水体分类决策树模型。
可选的,所述依据反射率光谱,确定处于遥感影像波段范围内的敏感波段,包括:
确定反射率光谱的基础敏感波段;
在遥感影像的波段范围内,确定和所述基础敏感波段对应的敏感波段。
可选的,所述生成水体分类决策树子模型,包括:
采用单波段比值法、波段比值法或归一化波段比值法生成水体分类决策树子模型。4、根据权利要求1所述的水体分类模型的建立方法,其特征在于,在所述将N个决策树子模型合并处理为水体分类决策树模型后,还包括:
依据遥感影像数据对所述决策树模型中的所述敏感波段和数据阈值进行调整。
可选的,在所述将N个决策树子模型合并处理为水体分类决策树模型后,还包括:
获取经过水体掩膜处理的遥感影像数据,通过模型计算输出所述遥感影像数据对应的水体类别。
可选的,在所述输出所述遥感影像数据对应的水体类别后,还包括:
统计一个时间段内固定区域中所有的遥感影像数据对应的水体类别,确定所述固定区域中各种水体类别发生的频率。
可选的,在所述将N个决策树子模型合并处理为水体分类决策树模型后,还包括:
对一个时间段内固定区域的多个遥感影像进行水体掩膜处理,得到多个携带掩膜波段的影像;
将所述多个携带掩膜波段的影像进行波段叠加和光谱平均处理,确定所述时间段内,所述固定区域的遥感影像光谱平均后对应的水体类别。
可选的,在所述确定所述固定区域的遥感影像光谱平均后对应的水体类别后,还包括:
根据所述固定区域的遥感影像光谱平均后的水体类别,确定所述固定区域在所述时间段内的水体类别分布。
一种水体分类模型的建立装置,包括:
光谱获取模块,用于获取实测的遥感反射率光谱;
光谱分类模块,用于通过聚类算法将所述遥感反射率光谱分为N类,所述N为正整数;
水体类别确定模块,用于依据所述N类反射率光谱对应的水质参数和固有光学量,确定与所述N类反射率光谱依次对应的N类水体类别;
子模型处理模块,包括波段选取模块和子模型生成模块,其中,所述波段选取模块用于针对所述N类反射率光谱中的每一类反射率光谱进行如下操作:依据反射率光谱,确定处于遥感影像波段范围内的敏感波段;所述子模型生成模块用于将分别与反射率光谱对应的水体类别和敏感波段进行关联处理,生成水体分类决策树子模型;
模型合成模块,用于将N个决策树子模型合并处理为水体分类决策树模型。
可选的,所述波段选取模块具体包括:
波段确定模块,用于确定反射率光谱的基础敏感波段;
波段选取子模块,用于在遥感影像的波段范围内,确定和所述基础敏感波段对应的敏感波段。
可选的,所述子模型生成模块具体用于:
采用单波段比值法、波段比值法或归一化波段比值法生成水体分类决策树子模型。
可选的,还包括:
模型调整模块,用于依据遥感影像数据对所述决策树模型中的所述敏感波段和数据阈值进行调整。
可选的,还包括:
结果输出模块,用于获取经过水体掩膜处理的遥感影像数据,通过模型计算输出所述遥感影像数据对应的水体类别。
可选的,还包括:
频率统计模块,用于统计一个时间段内固定区域中所有的遥感影像数据对应的水体类别,确定所述固定区域中各种水体类别发生的频率。
可选的,还包括:
掩膜处理模块,用于对一个时间段内固定区域的多个遥感影像进行水体掩膜处理,得到多个携带掩膜波段的影像;
平均结果模块,用于将所述多个携带掩膜波段的影像进行波段叠加和光谱平均处理,确定所述时间段内,所述固定区域的遥感影像光谱平均后对应的水体类别。
可选的,还包括:
分布结果模块,用于根据所述固定区域的遥感影像光谱平均后的水体类别,确定所述固定区域在所述时间段内的水体类别分布。
经由上述的技术方案可知,与现有技术相比,本发明实施例公开了一种水体分类模型的建立方法及装置,所述水体分类模型的建立方法将实测的遥感反射率光谱经过聚类算法分为N类,进而结合水质参数和固有光学量确定对应于N类反射率光谱的N类水体类别,针对每一类反射率光谱,确定处于遥感影像波段范围内的敏感波段,并将分别与反射率光谱对应的水体类别和敏感波段进行关联处理,生成水体分类决策树子模型,最终将N个决策树子模型合并处理为水体分类决策树模型。所述水体分类模型的建立方法及装置,能够应用于影像水体分类,用户可以根据水体的遥感影像数据,通过水体分类决策树模型直接得到水体的类别,不需要用户到现场和实验室进行实测实验,简单快捷。且由于水体任何时段的遥感影像数据都可以通过卫星直接获取,因此通过水体分类决策树模型确定的水体类别结果时效性佳,准确度高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的水体分类模型的建立方法第一流程图;
图2为本发明实施例公开的水体分类决策树子模型建立的流程图;
图3为本发明实施例公开的水体分类模型的建立方法第二流程图;
图4为本发明实施例公开的水体分类模型的建立方法第三流程图;
图5为本发明实施例公开的基于水体分类模型的影像水体分类应用流程图;
图6为本发明实施例公开的水体分类模型的建立装置第一结构图;
图7为本发明实施例公开的波段选取模块的结构示意图;
图8为本发明实施例公开的水体分类模型的建立装置第二结构图;
图9为本发明实施例公开的水体分类模型的建立装置第三结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例公开的水体分类模型的建立方法的第一流程图,参见图1所示,所述方法可以包括:
步骤101:获取实测的遥感反射率光谱;
反射率光谱(Rrs)是经过天空光去除的水体遥感反射率。Rrs以1nm为间隔,光谱范围包括400nm–900nm,且每一条Rrs光谱曲线具有相同的光谱范围和光谱分辨率。在本发明实施例中,所述遥感反射率光谱可以是实测高光谱数据、卫星遥感高光谱数据或多光谱数据。
步骤102:通过聚类算法将所述遥感反射率光谱分为N类;
其中,所述N为正整数。步骤102具体可以是用逐步迭代的K均值聚类算法将实测的遥感反射率光谱分为N类。需要说明的是,N的数值并不是人为设定的,而是根据水体本身的水质特性参数,依据逐步迭代的K均值聚类算法自动划分而形成的。
本实施例中,在进行聚类算法工作前,可以对Rrs光谱曲线进行平滑处理和归一化处理,以便于后续的聚类算法,同时对光谱曲线的平滑处理和归一化处理有利于聚类算法结果的准确度。这里所述的平滑处理可以是利用窗口为15,多项式级数为2的Savitzky-Golay算法实现的。当然,处理过程中涉及的具体数值并不是固定的,可以根据用户需求,按照实际需要进行适当的调整。
步骤103:依据所述N类反射率光谱对应的水质参数和固有光学量,确定与所述N类反射率光谱依次对应的N类水体类别;
其中,所述反射率光谱和水质参数以及固有光学量的对应关系可以根据以往实验数据来确定获取。
步骤104:针对所述N类反射率光谱中的每一类反射率光谱进行如下操作:依据反射率光谱,确定处于遥感影像波段范围内的敏感波段,并将分别与反射率光谱对应的水体类别和敏感波段进行关联处理,生成水体分类决策树子模型;
在一个示意性的实施例中,步骤104的实施方式可参见图2,图2为本发明实施例公开的水体分类决策树子模型建立的流程图,该方法针对N类反射率光谱中的每一类反射率光谱分别进行。如图2所示,可以包括:
步骤201:确定反射率光谱的基础敏感波段;
根据半经验法,可以选取基础敏感波段,即根据以往实验室对水体反射率光谱与水质参数和敏感波段的研究数据,得到水体反射率光谱与敏感波段的对应关系。在有确定的反射率光谱的前提下,也能够很方便的得到所述反射率光谱对应的基础敏感波段。水体中不同组分的敏感波段不同,如叶绿素的敏感波段包括675和700,针对不同的水体,其各种组分比例不同,对应的敏感波段也不同。
步骤202:在遥感影像的波段范围内,确定和所述基础敏感波段对应的敏感波段;
步骤202中,之所以确定处于遥感影像波段范围内的敏感波段,是为了保证最后选取的敏感波段不会距离遥感影像中心波段太远,以便于后续在水体分类决策树模型建立后,能够在影像水体分类工作中应用。
步骤203:将分别与反射率光谱对应的水体类别和敏感波段进行关联处理,生成水体分类决策树子模型。
将反射率光谱以及与其对应的水体类别和敏感波段进行关联处理,这样,后期在水体分类决策树模型中输入经过处理的遥感影像的光谱特征数据,依据上述关联关系就能够很方便的确定遥感影像中水体的水体类别。
本步骤中,所述生成水体分类决策树子模型可以但不限制为采用单波段比值法、波段比值法或归一化波段比值法生成水体分类决策树子模型。
在步骤104之后,进入步骤105。
步骤105:将N个决策树子模型合并处理为水体分类决策树模型。
需要说明的是,建立的水体分类决策树模型的应用,只针对其采样实测的主体适用。因为不同的内陆湖泊地理位置及周边环境不同,水体组分往往会有比较大的差别,如青海湖和太湖,地理位置和周边环境差异都很大,那么其水体组分的差别也会比较大,如果将针对青海湖实测数据建立的水体分类决策树模型用于对太湖遥感影像进行水体分类,那么结果不具备参考性。
本实施例中,所述水体分类模型的建立方法,能够应用于影像水体分类,用户可以根据水体的遥感影像数据,通过水体分类决策树模型直接得到水体的类别,不需要用户到现场和实验室进行实测实验,计算量小,简单快捷。且由于水体任何时段的遥感影像数据都可以通过卫星直接获取,因此通过水体分类决策树模型确定的水体类别结果时效性佳,准确度高。
在上述本发明公开的实施例的基础上,图3公开了水体分类模型的建立方法第二流程图,参见图3所示,所述水体分类模型的建立方法可以包括:
步骤301:获取实测的遥感反射率光谱;
所述遥感反射率光谱可以是实测高光谱数据、卫星遥感高光谱数据或多光谱数据。
步骤302:通过聚类算法将所述遥感反射率光谱分为N类;
其中,所述N为正整数。本步骤可以是用逐步迭代的K均值聚类算法将实测的遥感反射率光谱分为N类。其中,N的数值并不是人为设定的,而是根据水体本身的水质特性参数,依据逐步迭代的K均值聚类算法自动划分而形成的。
步骤303:依据所述N类反射率光谱对应的水质参数和固有光学量,确定与所述N类反射率光谱依次对应的N类水体类别;
步骤304:针对每一类反射率光谱,依据反射率光谱,确定处于遥感影像波段范围内的敏感波段;
之所以确定处于遥感影像波段范围内的敏感波段,是为了保证最后选取的敏感波段不会距离遥感影像中心波段太远,以便于后续在水体分类决策树模型建立后,能够在影像水体分类工作中应用。
步骤305:将分别与反射率光谱对应的水体类别和敏感波段进行关联处理,生成水体分类决策树子模型;
步骤306:将N个决策树子模型合并处理为水体分类决策树模型;
步骤307:获取经过水体掩模处理的遥感影像数据,通过模型计算输出所述遥感影像数据对应的水体类别。
在建立水体分类决策树模型后,可以将其直接应用于遥感影像的水体分类。具体地,在获取水体的卫星遥感影像后,可以先对影像进行几何校正和辐射校正,进而进行裁剪和重采样等预处理,在对影像进行水体掩膜和波段重组等处理后,得到遥感影像的光谱特性数据,将这些光谱特性数据输入所述水体分类决策树模型后,水体分类决策树模型根据自身存储的反射率光谱、水体类别和敏感波段的对应关系,能够很快输出遥感影像中水体的水体类别。
本实施例中,所述水体分类模型的建立方法,应用于影像水体分类,用户可以根据水体的遥感影像数据,通过水体分类决策树模型直接得到水体的类别,不需要用户到现场和实验室进行实测实验,简单快捷。依据水体分类决策树模型对遥感影像水体分类运算效率高、时效性强、成本低,且可以实现对水体类别进行连续监测。
在其他的实施例中,水体分类决策树模型建立应用的过程中,还可以依据遥感影像数据对所述决策树模型中的敏感波段和数据阈值进行调整,以优化所述水体分类决策树模型,使得其输出的水体类别结果更加准确。从而使得应用水体分类决策树模型进行影像水体分类的工作更加灵活,效率更高,鲁棒性更强。
基于上述实施例,进一步的,在其他的实施例中,在输出所述遥感影像数据对应的水体类别后,还可以包括:统计一个时间段内固定区域中所有的遥感影像数据对应的水体类别,确定所述固定区域中各种水体类别发生的频率。便于相关人员了解固定区域的水体类别发生概率并进行后期相关研究。
图4为本发明实施例公开的水体分类模型的建立方法第三流程图,如图4所示,所述水体分类模型的建立方法可以包括:
步骤401:获取实测的遥感反射率光谱;
步骤402:通过聚类算法将所述遥感反射率光谱分为N类;
步骤403:依据所述N类反射率光谱对应的水质参数和固有光学量,确定与所述N类反射率光谱依次对应的N类水体类别;
步骤404:针对每一类反射率光谱:依据反射率光谱,确定处于遥感影像波段范围内的敏感波段,并将分别与反射率光谱对应的水体类别和敏感波段进行关联处理,生成水体分类决策树子模型;
步骤405:将N个决策树子模型合并处理为水体分类决策树模型;
步骤406:对一个时间段内固定区域的多个遥感影像进行水体掩膜处理,得到多个携带掩膜波段的影像;
步骤407:将所述多个携带掩膜波段的影像进行波段叠加和光谱平均处理,确定所述时间段内,所述固定区域的遥感影像光谱平均后对应的水体类别。
在步骤406处理得到多个携带掩膜波段的影像后,可以依据每个携带掩膜波段的影像,对所述水体分类决策树模型所需的波段进行掩膜处理,针对多个掩膜处理后的影像上对应的点,分别进行波段叠加,然后除以对应掩膜波段矩阵上值为1(值为1是有效波段,值为0是无效波段)的个数,得到对应多个影像采集时段的平均光谱影像。举例来说,现有30幅(一个月30天中每天采集的影像整体)西湖某一固定区域的遥感影像,将这些遥感影像分为9个相等的区域,将30幅影像的左上角区域进行波段叠加,由于有的影像中,左上角区域拍到的是水体,有的左上角区域拍到的是云彩,即云彩将对应区域的水体遮挡住了,此时,区域中为水体的可以标记为1,区域中为云彩的可以标记为0,将30幅影像的左上角区域的波段叠加起来,然后除以30个左上角区域中标记值为1的区域的个数,即可得到左上角区域月平均光谱影像。当然,除了左上角区域,还需要对影像其他区域进行类似的处理。以得到完整的处理结果。
根据上述方法,可以根据需要得到对应年、季、月的平均光谱影像。
其他实施例中,还可以利用所述水体分类决策树模型对掩膜处理后的单个遥感影像以及光谱平均后的影像进行分类,分别得到单景水体分类影像和年、季、月水体分类影像。
实际应用中,可以进一步地分别叠加年、季、月的单景水体分类影像,依次计算各个像元位置上各种类型的水体发生的概率,得到各种类型的水体在年、季、月中发生的概率。
本实施例中,所述水体分类模型的建立方法,应用于影像水体分类,用户可以根据水体的遥感影像数据,通过水体分类决策树模型直接得到水体的类别,不需要用户到现场和实验室进行实测实验,简单快捷。而且,卫星遥感影像资源的获取很容易,经过对固定时间段中遥感影像进行的水体掩膜和波段均值等处理,结合水体分类决策树模型,能够对目标区域的水体进行深层次的分析,如区分水体类别的分布特征以及各个类别在不同时间段的发生频率的规律和趋势等。
基于上述实施例,进一步的,在其他的实施例中,在确定所述固定区域的遥感影像光谱平均后对应的水体类别后,还可以包括:根据所述固定区域的遥感影像光谱平均后的水体类别,确定所述固定区域在所述时间段内的水体类别分布。便于相关人员了解固定区域的水体分布情况并进行后期相关研究。
图5为本发明实施例公开的基于水体分类模型的影像水体分类应用流程图,可结合上述实施例内容理解该应用流程。其中的影像预处理可以包括几何校正、辐射校正、反射率转换、裁剪、去噪、重采样等处理。基于水体分类决策树模型的水体分类法,可以很好的区分水体类别的分布特征以及各个水体类别在各个时段发生的规律和趋势。
上述本发明公开的实施例中详细描述了方法,对于本发明的方法可采用多种形式的装置实现,因此本发明还公开了一种装置,下面给出具体的实施例进行详细说明。
图6为本发明实施例公开的水体分类模型的建立装置第一结构图,如图6所示,所述水体分类模型的建立装置60可以包括:
光谱获取模块601,用于获取实测的遥感反射率光谱;
所述遥感反射率光谱可以是实测高光谱数据、卫星遥感高光谱数据或多光谱数据。
光谱分类模块602,用于通过聚类算法将所述遥感反射率光谱分为N类;
其中,所述N为正整数。所述光谱分类模块602具体可以用逐步迭代的K均值聚类算法将实测的遥感反射率光谱分为N类。
本实施例中,在进行聚类算法工作前,可以对Rrs光谱曲线进行平滑处理和归一化处理,以便于后续的聚类算法,同时对光谱曲线的平滑处理和归一化处理有利于聚类算法结果的准确度。
水体类别确定模块603,用于依据所述N类反射率光谱对应的水质参数和固有光学量,确定与所述N类反射率光谱依次对应的N类水体类别;
其中,所述反射率光谱和水质参数以及固有光学量的对应关系可以根据以往实验数据来确定获取。
子模型处理模块604,包括波段选取模块6041和子模型生成模块6042,其中,所述波段选取模块6041用于针对所述N类反射率光谱中的每一类反射率光谱进行如下操作:依据反射率光谱,确定处于遥感影像波段范围内的敏感波段;所述子模型生成模块6042用于将分别与反射率光谱对应的水体类别和敏感波段进行关联处理,生成水体分类决策树子模型;
将反射率光谱以及与其对应的水体类别和敏感波段进行关联处理,这样,后期在水体分类决策树模型中输入经过处理的遥感影像的光谱特征数据,依据上述关联关系就能够很方便的确定遥感影像中水体的水体类别。
所述子模型生成模块6042具体可以但不限制为用于采用单波段比值法、波段比值法或归一化波段比值法生成水体分类决策树子模型。
在一个示意性的实施例中,所述波段选取模块6041的具体结构可以参见图7,图7为本发明实施例公开的波段选取模块的结构示意图,如图7所示,所述波段选取模块6041可以包括:
波段确定模块701,用于确定反射率光谱的基础敏感波段;
根据半经验法,可以选取基础敏感波段,即根据以往实验室对水体反射率光谱与水质参数和敏感波段的研究数据,得到水体反射率光谱与敏感波段的对应关系。
波段选取子模块702,用于在遥感影像的波段范围内,确定和所述基础敏感波段对应的敏感波段。
之所以确定处于遥感影像波段范围内的敏感波段,是为了保证最后选取的敏感波段不会距离遥感影像中心波段太远,以便于后续在水体分类决策树模型建立后,能够在影像水体分类工作中应用。
模型合成模块605,用于将N个决策树子模型合并处理为水体分类决策树模型。
建立的水体分类决策树模型的应用,只针对其采样实测的主体适用。
本实施例中,所述水体分类模型的建立装置,能够应用于影像水体分类,用户可以根据水体的遥感影像数据,通过水体分类决策树模型直接得到水体的类别,不需要用户到现场和实验室进行实测实验,计算量小,简单快捷。且由于水体任何时段的遥感影像数据都可以通过卫星直接获取,因此通过水体分类决策树模型确定的水体类别结果时效性佳,准确度高。
图8公开了水体分类模型的建立装置第二结构图,如图7所示,所述水体分类模型的建立装置80可以包括:
光谱获取模块601,用于获取实测的遥感反射率光谱;
光谱分类模块602,用于通过聚类算法将所述遥感反射率光谱分为N类,所述N为正整数;
水体类别确定模块603,用于依据所述N类反射率光谱对应的水质参数和固有光学量,确定与所述N类反射率光谱依次对应的N类水体类别;
子模型处理模块604,包括波段选取模块6041和子模型生成模块6042,其中,所述波段选取模块6041用于针对所述N类反射率光谱中的每一类反射率光谱进行如下操作:依据反射率光谱,确定处于遥感影像波段范围内的敏感波段;所述子模型生成模块6042用于将分别与反射率光谱对应的水体类别和敏感波段进行关联处理,生成水体分类决策树子模型;
模型合成模块605,用于将N个决策树子模型合并处理为水体分类决策树模型;
结果输出模块801,用于获取经过水体掩模处理的遥感影像数据,通过模型计算输出所述遥感影像数据对应的水体类别。
本实施例中,所述水体分类模型的建立装置,应用于影像水体分类,用户可以根据水体的遥感影像数据,通过水体分类决策树模型直接得到水体的类别,不需要用户到现场和实验室进行实测实验,简单快捷。依据水体分类决策树模型对遥感影像水体分类运算效率高、时效性强、成本低,且可以实现对水体类别进行连续监测。
在其他的实施例中,水体分类模型的建立装置除了上述模块后,还可以包括模型调整模块,用于依据遥感影像数据对所述决策树模型中的所述敏感波段和数据阈值进行调整,以优化所述水体分类决策树模型,使得其输出的水体类别结果更加准确。
基于上述实施例,所述水体分类模型的建立装置还可以包括:频率统计模块,用于在结果输出模块输出所述遥感影像数据对应的水体类别后,统计一个时间段内固定区域中所有的遥感影像数据对应的水体类别,确定所述固定区域中各种水体类别发生的频率。
图9公开了水体分类模型的建立装置第三结构图,参见图9所示,所述水体分类模型的建立装置90可以包括:
光谱获取模块601,用于获取实测的遥感反射率光谱;
光谱分类模块602,用于通过聚类算法将所述遥感反射率光谱分为N类,所述N为正整数;
水体类别确定模块603,用于依据所述N类反射率光谱对应的水质参数和固有光学量,确定与所述N类反射率光谱依次对应的N类水体类别;
子模型处理模块604,包括波段选取模块6041和子模型生成模块6042,其中,所述波段选取模块6041用于针对所述N类反射率光谱中的每一类反射率光谱进行如下操作:依据反射率光谱,确定处于遥感影像波段范围内的敏感波段;所述子模型生成模块6042用于将分别与反射率光谱对应的水体类别和敏感波段进行关联处理,生成水体分类决策树子模型;
模型合成模块605,用于将N个决策树子模型合并处理为水体分类决策树模型;
掩膜处理模块901,用于对一个时间段内固定区域的多个遥感影像进行水体掩膜处理,得到多个携带掩膜波段的影像;
平均结果模块902,用于将所述多个携带掩膜波段的影像进行波段叠加和光谱平均等处理,确定所述时间段内,所述固定区域的遥感影像光谱平均后对应的水体类别。
在处理得到多个携带掩膜波段的影像后,可以依据每个携带掩膜波段的影像,对所述水体分类决策树模型所需的波段进行掩膜处理,针对多个掩膜处理后的影像上对应的点,分别进行波段叠加,然后除以对应掩膜波段矩阵上值为1(值为1是有效波段,值为0是无效波段)的个数,得到对应多个影像采集时段的平均光谱影像。
根据上述方式,可以根据需要得到对应年、季、月的平均光谱影像。
其他实施例中,还可以利用所述水体分类决策树模型对掩膜处理后的单个遥感影像以及光谱平均后的影像进行分类,分别得到单景水体分类影像和年、季、月水体分类影像。
实际应用中,可以进一步地分别叠加年、季、月的单景水体分类影像,依次计算各个像元位置上各种类型的水体发生的概率,得到各种类型的水体在年、季、月中发生的概率。
本实施例中,所述水体分类模型的建立装置,应用于影像水体分类,用户可以根据水体的遥感影像数据,通过水体分类决策树模型直接得到水体的类别,不需要用户到现场和实验室进行实测实验,简单快捷。而且,卫星遥感影像资源的获取很容易,经过对固定时间段中遥感影像进行的水体掩膜和波段均值等处理,结合水体分类决策树模型,能够对目标区域的水体进行深层次的分析,如区分水体类别的分布特征以及各个类别在不同时间段的发生频率的规律和趋势等。
基于上述实施例,进一步的,在其他的实施例中,所述水体分类模型的建立装置还可以包括:分布结果模块,用于在所述平均结果模块确定所述固定区域的遥感影像光谱平均后对应的水体类别后,根据所述固定区域的遥感影像光谱平均后的水体类别,确定所述固定区域在所述时间段内的水体类别分布。便于相关人员了解固定区域的水体分布情况并进行后期相关研究。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (16)
1.一种水体分类模型的建立方法,其特征在于,包括:
获取实测的遥感反射率光谱;
通过聚类算法将所述遥感反射率光谱分为N类,所述N为正整数;
依据所述N类反射率光谱对应的水质参数和固有光学量,确定与所述N类反射率光谱依次对应的N类水体类别;
针对所述N类反射率光谱中的每一类反射率光谱进行如下操作:依据反射率光谱,确定处于遥感影像波段范围内的敏感波段,并将分别与反射率光谱对应的水体类别和敏感波段进行关联处理,生成水体分类决策树子模型;
将N个决策树子模型合并处理为水体分类决策树模型。
2.根据权利要求1所述的水体分类模型的建立方法,其特征在于,所述依据反射率光谱,确定处于遥感影像波段范围内的敏感波段,包括:
确定反射率光谱的基础敏感波段;
在遥感影像的波段范围内,确定和所述基础敏感波段对应的敏感波段。
3.根据权利要求1所述的水体分类模型的建立方法,其特征在于,所述生成水体分类决策树子模型,包括:
采用单波段比值法、波段比值法或归一化波段比值法生成水体分类决策树子模型。
4.根据权利要求1所述的水体分类模型的建立方法,其特征在于,在所述将N个决策树子模型合并处理为水体分类决策树模型后,还包括:
依据遥感影像数据对所述决策树模型中的所述敏感波段和数据阈值进行调整。
5.根据权利要求1所述的水体分类模型的建立方法,其特征在于,在所述将N个决策树子模型合并处理为水体分类决策树模型后,还包括:
获取经过水体掩膜处理的遥感影像数据,通过模型计算输出所述遥感影像数据对应的水体类别。
6.根据权利要求5所述的水体分类模型的建立方法,其特征在于,在所述输出所述遥感影像数据对应的水体类别后,还包括:
统计一个时间段内固定区域中所有的遥感影像数据对应的水体类别,确定所述固定区域中各种水体类别发生的频率。
7.根据权利要求1所述的水体分类模型的建立方法,其特征在于,在所述将N个决策树子模型合并处理为水体分类决策树模型后,还包括:
对一个时间段内固定区域的多个遥感影像进行水体掩膜处理,得到多个携带掩膜波段的影像;
将所述多个携带掩膜波段的影像进行波段叠加和光谱平均处理,确定所述时间段内,所述固定区域的遥感影像光谱平均后对应的水体类别。
8.根据权利要求7所述的水体分类模型的建立方法,其特征在于,在所述确定所述固定区域的遥感影像光谱平均后对应的水体类别后,还包括:
根据所述固定区域的遥感影像光谱平均后的水体类别,确定所述固定区域在所述时间段内的水体类别分布。
9.一种水体分类模型的建立装置,其特征在于,包括:
光谱获取模块,用于获取实测的遥感反射率光谱;
光谱分类模块,用于通过聚类算法将所述遥感反射率光谱分为N类,所述N为正整数;
水体类别确定模块,用于依据所述N类反射率光谱对应的水质参数和固有光学量,确定与所述N类反射率光谱依次对应的N类水体类别;
子模型处理模块,包括波段选取模块和子模型生成模块,其中,所述波段选取模块用于针对所述N类反射率光谱中的每一类反射率光谱进行如下操作:依据反射率光谱,确定处于遥感影像波段范围内的敏感波段;所述子模型生成模块用于将分别与反射率光谱对应的水体类别和敏感波段进行关联处理,生成水体分类决策树子模型;
模型合成模块,用于将N个决策树子模型合并处理为水体分类决策树模型。
10.根据权利要求9所述的水体分类模型的建立装置,其特征在于,所述波段选取模块具体包括:
波段确定模块,用于确定反射率光谱的基础敏感波段;
波段选取子模块,用于在遥感影像的波段范围内,确定和所述基础敏感波段对应的敏感波段。
11.根据权利要求9所述的水体分类模型的建立装置,其特征在于,所述子模型生成模块具体用于:
采用单波段比值法、波段比值法或归一化波段比值法生成水体分类决策树子模型。
12.根据权利要求9所述的水体分类模型的建立装置,其特征在于,还包括:
模型调整模块,用于依据遥感影像数据对所述决策树模型中的所述敏感波段和数据阈值进行调整。
13.根据权利要求9所述的水体分类模型的建立装置,其特征在于,还包括:
结果输出模块,用于获取经过水体掩膜处理的遥感影像数据,通过模型计算输出所述遥感影像数据对应的水体类别。
14.根据权利要求13所述的水体分类模型的建立装置,其特征在于,还包括:
频率统计模块,用于统计一个时间段内固定区域中所有的遥感影像数据对应的水体类别,确定所述固定区域中各种水体类别发生的频率。
15.根据权利要求9所述的水体分类模型的建立装置,其特征在于,还包括:
掩膜处理模块,用于对一个时间段内固定区域的多个遥感影像进行水体掩膜处理,得到多个携带掩膜波段的影像;
平均结果模块,用于将所述多个携带掩膜波段的影像进行波段叠加和光谱平均处理,确定所述时间段内,所述固定区域的遥感影像光谱平均后对应的水体类别。
16.根据权利要求15所述的水体分类模型的建立方法,其特征在于,还包括:
分布结果模块,用于根据所述固定区域的遥感影像光谱平均后的水体类别,确定所述固定区域在所述时间段内的水体类别分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710320939.XA CN107025467B (zh) | 2017-05-09 | 2017-05-09 | 一种水体分类模型的建立方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710320939.XA CN107025467B (zh) | 2017-05-09 | 2017-05-09 | 一种水体分类模型的建立方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107025467A true CN107025467A (zh) | 2017-08-08 |
CN107025467B CN107025467B (zh) | 2018-10-26 |
Family
ID=59529241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710320939.XA Expired - Fee Related CN107025467B (zh) | 2017-05-09 | 2017-05-09 | 一种水体分类模型的建立方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107025467B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108169142A (zh) * | 2017-12-20 | 2018-06-15 | 环境保护部卫星环境应用中心 | 基于遥感影像的水色异常快速定位方法和装置 |
CN109829471A (zh) * | 2018-12-19 | 2019-05-31 | 东软集团股份有限公司 | 随机森林的训练方法、装置、存储介质和电子设备 |
CN110031406A (zh) * | 2019-03-21 | 2019-07-19 | 北京航空航天大学 | 一种大气-海洋耦合系统光学浅水遥感信号敏感性分析方法 |
CN110389114A (zh) * | 2019-07-23 | 2019-10-29 | 上海市水文总站 | 一种基于无人机成像光谱的中小水体水质类型识别方法 |
CN110826394A (zh) * | 2019-07-16 | 2020-02-21 | 北京大学 | 基于卷积神经网络算法的水库识别方法和装置 |
CN111504915A (zh) * | 2020-04-27 | 2020-08-07 | 中国科学技术大学先进技术研究院 | 反演水体叶绿素浓度的方法、装置、设备及存储介质 |
CN112528559A (zh) * | 2020-12-04 | 2021-03-19 | 广东省科学院广州地理研究所 | 一种结合预分类与机器学习的叶绿素a浓度反演方法 |
CN112903945A (zh) * | 2021-02-26 | 2021-06-04 | 珠江水利委员会珠江水利科学研究院 | 一种基于常规水质参数的城市黑臭水体识别方法 |
CN113159167A (zh) * | 2021-04-19 | 2021-07-23 | 福州大学 | 基于内陆不同类型水体的叶绿素a反演方法 |
CN114235716A (zh) * | 2021-11-11 | 2022-03-25 | 内蒙古师范大学 | 一种水体光学分类及质量控制方法及计算机可读存储介质 |
CN115170947A (zh) * | 2022-05-12 | 2022-10-11 | 广东省科学院广州地理研究所 | 基于遥感图像的河口浑浊带与水体分类方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855494A (zh) * | 2012-08-20 | 2013-01-02 | 中国测绘科学研究院 | 一种卫星遥感影像的水体提取方法及装置 |
CN102955787A (zh) * | 2011-08-22 | 2013-03-06 | 陈思达 | 一种文件目录表的使用方法、文件写入方法及应用的主电路板、cpu和外部存储器 |
US20140119639A1 (en) * | 2012-10-31 | 2014-05-01 | Microsoft Corporation | Water-body classification |
-
2017
- 2017-05-09 CN CN201710320939.XA patent/CN107025467B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102955787A (zh) * | 2011-08-22 | 2013-03-06 | 陈思达 | 一种文件目录表的使用方法、文件写入方法及应用的主电路板、cpu和外部存储器 |
CN102855494A (zh) * | 2012-08-20 | 2013-01-02 | 中国测绘科学研究院 | 一种卫星遥感影像的水体提取方法及装置 |
US20140119639A1 (en) * | 2012-10-31 | 2014-05-01 | Microsoft Corporation | Water-body classification |
Non-Patent Citations (2)
Title |
---|
叶虎平 等: "水体光谱特性监督分类方法研究", 《海洋技术》 * |
都金康 等: "SPOT卫星影像的水体提取方法及分类研究", 《遥感学报》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108169142B (zh) * | 2017-12-20 | 2019-02-22 | 环境保护部卫星环境应用中心 | 基于遥感影像的水色异常快速定位方法和装置 |
CN108169142A (zh) * | 2017-12-20 | 2018-06-15 | 环境保护部卫星环境应用中心 | 基于遥感影像的水色异常快速定位方法和装置 |
CN109829471B (zh) * | 2018-12-19 | 2021-10-15 | 东软集团股份有限公司 | 随机森林的训练方法、装置、存储介质和电子设备 |
CN109829471A (zh) * | 2018-12-19 | 2019-05-31 | 东软集团股份有限公司 | 随机森林的训练方法、装置、存储介质和电子设备 |
CN110031406A (zh) * | 2019-03-21 | 2019-07-19 | 北京航空航天大学 | 一种大气-海洋耦合系统光学浅水遥感信号敏感性分析方法 |
CN110031406B (zh) * | 2019-03-21 | 2021-09-07 | 北京航空航天大学 | 一种大气-海洋耦合系统光学浅水遥感信号敏感性分析方法 |
CN110826394A (zh) * | 2019-07-16 | 2020-02-21 | 北京大学 | 基于卷积神经网络算法的水库识别方法和装置 |
CN110389114A (zh) * | 2019-07-23 | 2019-10-29 | 上海市水文总站 | 一种基于无人机成像光谱的中小水体水质类型识别方法 |
CN111504915A (zh) * | 2020-04-27 | 2020-08-07 | 中国科学技术大学先进技术研究院 | 反演水体叶绿素浓度的方法、装置、设备及存储介质 |
CN112528559A (zh) * | 2020-12-04 | 2021-03-19 | 广东省科学院广州地理研究所 | 一种结合预分类与机器学习的叶绿素a浓度反演方法 |
CN112528559B (zh) * | 2020-12-04 | 2024-04-23 | 广东省科学院广州地理研究所 | 一种结合预分类与机器学习的叶绿素a浓度反演方法 |
CN112903945A (zh) * | 2021-02-26 | 2021-06-04 | 珠江水利委员会珠江水利科学研究院 | 一种基于常规水质参数的城市黑臭水体识别方法 |
CN112903945B (zh) * | 2021-02-26 | 2022-02-22 | 珠江水利委员会珠江水利科学研究院 | 一种基于常规水质参数的城市黑臭水体识别方法 |
CN113159167B (zh) * | 2021-04-19 | 2023-03-03 | 福州大学 | 基于内陆不同类型水体的叶绿素a反演方法 |
CN113159167A (zh) * | 2021-04-19 | 2021-07-23 | 福州大学 | 基于内陆不同类型水体的叶绿素a反演方法 |
CN114235716A (zh) * | 2021-11-11 | 2022-03-25 | 内蒙古师范大学 | 一种水体光学分类及质量控制方法及计算机可读存储介质 |
CN114235716B (zh) * | 2021-11-11 | 2023-09-26 | 内蒙古师范大学 | 一种水体光学分类及质量控制方法及计算机可读存储介质 |
CN115170947A (zh) * | 2022-05-12 | 2022-10-11 | 广东省科学院广州地理研究所 | 基于遥感图像的河口浑浊带与水体分类方法、装置及设备 |
CN115170947B (zh) * | 2022-05-12 | 2023-04-18 | 广东省科学院广州地理研究所 | 基于遥感图像的河口浑浊带与水体分类方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107025467B (zh) | 2018-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107025467B (zh) | 一种水体分类模型的建立方法及装置 | |
Huemmrich | The GeoSail model: a simple addition to the SAIL model to describe discontinuous canopy reflectance | |
CN111242224B (zh) | 一种基于无人机提取分类样本点的多源遥感数据分类方法 | |
CN107103306B (zh) | 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法 | |
CN105825177A (zh) | 基于时相和光谱信息及生境条件的作物病害遥感识别方法 | |
CN106501186B (zh) | 一种土壤含水量产品降尺度方法 | |
CN112102312B (zh) | 基于含红边波段的卫星影像和物候差异的毛竹林遥感识别方法 | |
CN110705449A (zh) | 一种土地利用变化遥感监测分析方法 | |
CN107871132B (zh) | 一种空间特征自适应寻优的高光谱图像分类方法 | |
CN109253976B (zh) | 基于光感模块的高光谱实时辐射定标方法 | |
CN110645961A (zh) | 基于遥感和ndvi的森林资源动态变化检测方法 | |
CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
Del Valle et al. | Comparison of common classification strategies for large-scale vegetation mapping over the Google Earth Engine platform | |
CN116310840A (zh) | 一种融合多关键物候期光谱特征的冬小麦遥感识别方法 | |
CN106568730B (zh) | 一种基于近地面高光谱影像的水稻阴阳叶穗识别方法 | |
CN114778483A (zh) | 用于监测山地的遥感影像近红外波段地形阴影校正方法 | |
Rash et al. | Quantitative assessment of Land use/land cover changes in a developing region using machine learning algorithms: A case study in the Kurdistan Region, Iraq | |
Guo et al. | Dual-concentrated network with morphological features for tree species classification using hyperspectral image | |
CN114219795A (zh) | 一种基于高光谱成像系统的茶树干旱诱导成分及干旱程度评估的预测方法和系统 | |
CN103322946B (zh) | 一种获取玉米冠层孔隙度的方法 | |
CN107832693A (zh) | 一种基于空间自相关信息的高光谱图像植被分类方法 | |
CN103778413B (zh) | 一种遥感影像欠分割对象自动识别方法 | |
EP4199092A1 (en) | Miniature spectrum chip based on units of different shapes, and method for generating micro-nano structure array in miniature spectrum chip | |
Prince | Measurement of canopy interception of solar radiation by stands of trees in sparsely wooded savanna | |
Maglana et al. | An attempt to classify landcover of the Butuanon river catchment using Landsat images covering the years 1993 to 2019 for rainfall-runoff modelling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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 |
Granted publication date: 20181026 Termination date: 20210509 |
|
CF01 | Termination of patent right due to non-payment of annual fee |