CN107194930A - 基于元胞自动机的文物表面纹理特征提取方法 - Google Patents
基于元胞自动机的文物表面纹理特征提取方法 Download PDFInfo
- Publication number
- CN107194930A CN107194930A CN201710190192.0A CN201710190192A CN107194930A CN 107194930 A CN107194930 A CN 107194930A CN 201710190192 A CN201710190192 A CN 201710190192A CN 107194930 A CN107194930 A CN 107194930A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- cellular
- mtd
- gray
- 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
- 230000001413 cellular effect Effects 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000002708 enhancing effect Effects 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 7
- 239000012634 fragment Substances 0.000 description 11
- 230000000694 effects Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000001154 acute effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010612 desalination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于元胞自动机的文物表面纹理特征提取方法，首先拍取文物表面图像，将拍取的文物表面图像转换为灰度值图像，对灰度值图像进行增强处理，采用SLIC算法将增强处理后的灰度值图像分割成n个超像素点，将每个像素点作为一个元胞；通过每个元胞与其四邻域元胞之间灰度值的相关性来判断该元胞是否处在纹理特征处，提取初步纹理特征；对初步纹理特征图像进行优化处理，得到优化后的每个元胞的灰度值，即纹理特征图；本发明通过元胞自动机的演化规则，通过设定一定的阈值，可以有效的将灰度值差异较大提取出来。再通过一定的优化函数，使得纹理特征处更加清晰，非纹理特征处相应的被弱化，运行时快速高效，提取特征时高效、快速。
Description
技术领域
本发明属于图像处理技术领域，涉及一种提取文物表面纹理特征的方法，具体涉及一种基于元胞自动机的文物表面纹理特征提取方法。
背景技术
大量文物在出土时已经破碎成堆，这些来自不同文物或不同部位的碎块混在一起，对文物的复原工作造成诸多不便。对于表面具有浮雕或者印记且这种凸起或者凹陷的结构具有一定规律性和重复性的碎片，提取其表面的规律性显著特征不仅可用于碎片的分类和识别，对碎片后期的自动拼接起到指导性作用；同时还可以用于文物碎片修复，从而整体提高工作效率。
目前国内外已有许多学者在纹理特征提取方面做了广泛的研究，其中较为著名的有灰度共生矩阵(gray level co-occurrence matrix，GLCM)算法、马尔科夫随机场(Markov random field，MRF)模型算法、小波变换(discrete wavelet transform，DWT)算法等，这些方法在图像分类和模式识别应用领域内取得了较好的结果。但是这些方法共同的突出问题是计算复杂度较大，同时对于背景干扰或者光照不均的问题图片，它们的处理效果往往欠佳。因此，T.Ojala等人于1996年提出了局部二值模式算法(Local BinaryPatterns，LBP)，用于纹理特征的描述。由于LBP计算复杂度小，并且具有灰度不变性和旋转不变性，因此在纹理分析的相关领域受到高度关注。但是LBP算法对纹理特征进行描述时仅依赖中心点和其邻域点的灰度差异，对于相邻点之间的灰度值变化规律关注度过低，导致本身像素灰度值分布不同的中心像素却有相同的位置关系，由于丢掉图像自身所独有的纹理特征而在一定程度上造成信息的浪费，使检索结果出现较大的偏差。
发明内容
针对上述现有技术存在的不足，本发明的目的在于提供一种基于元胞自动机的纹理特征提取方法，它具有并行高速处理的能力，可以通过邻居间的相互交流在共同的演化规则下来探索图像所具有的特征信息，并且提取出的纹理特征较为显著。
为解决上述技术问题，本发明采用了以下技术方案：
基于元胞自动机的文物表面纹理特征提取方法，首先拍取文物表面图像，还包括以下步骤：
步骤一：将拍取的文物表面图像转换为灰度值图像，对灰度值图像进行增强处理；
步骤二：采用SLIC算法将增强处理后的灰度值图像分割成n个超像素点，将每个像素点作为一个元胞；
步骤三：通过公式(1)来提取初步纹理特征，得到初步纹理特征图像；
其中，
其中，i表示中心元胞，i＝1,2,…,n，Ii表示中心元胞的灰度值，Ij表示i的四邻域元胞的灰度值，N＝1000；Δ表示相关性的筛选阈值，Δ＝0.03～0.09；表示演化前中心元胞及其四领域元胞的灰度值，表示演化后中心元胞的灰度值；
步骤四：通过公式(3)对步骤三获得的初步纹理特征图像进行优化处理，得到纹理特征图；
其中,Fi,j表示优化后的中心元胞的灰度值，β＝2*Ptexture，Ptexture表示纹理特征的概率，取值范围0～95。
本发明的有益效果：
(1)本发明的方法提取特征时高效、快速，且纹理较为清晰；由于元胞自动机固有的并行高速处理的能力，使得本算法在运行时快速高效。
(2)本发明通过元胞自动机的演化规则，通过设定一定的阈值，可以有效的将灰度值差异较大(即纹理特征处)提取出来。再通过一定的优化函数，使得纹理特征处更加清晰，非纹理特征处相应的被弱化。
附图说明
图1是本发明方法的流程图。
图2是本发明与现有其它方法是实验对比图，其中：(a)原图，(b)本发明方法，(c)BSCA算法，(d)HOG算法，(e)LBP算法。
图3是本发明不同阈值选择的实验结果图，其中：(a)碎片原图，(b)Δ＝0.03，(c)Δ＝0.052，(d)Δ＝0.09。
以下结合附图与具体实施方式对本发明进一步解释说明。
具体实施方式
基于元胞自动机的文物表面纹理特征提取方法，首先拍取文物表面图像，还包括以下步骤：
步骤一：将拍取的文物表面图像转换为灰度值图像，对灰度值图像进行增强处理，以突出灰度值图像中有用信息，抑制灰度值图像中的无用信息；
步骤二：采用SLIC算法将增强处理后的灰度值图像分割成n个超像素点，将每个像素点作为一个元胞；
步骤三：通过观察碎片的纹理特征可以发现,如果一个像素即元胞落在纹理处,那么它的附近将是一个灰度级过渡的区域,即纹理特征处即是灰度值发生剧烈变化的地方。因此通过每个元胞与其四邻域元胞之间灰度值的相关性来判断该元胞是否处在纹理特征处，来提取初步纹理特征；
相关性F(Ii,Ij)计算公式为：
其中，i表示中心元胞，i＝1,2,…,n，Ii表示中心元胞的灰度值，Ij表示i的四邻域元胞的灰度值，N＝1000；
当元胞相关性小于F(Ii,Ij)时，为非纹理特征处；当元胞相关性大于F(Ii,Ij)时为纹理特征处，即灰度值突变处，此时将中心元胞及其四邻域元胞中的灰度最大值作为作为下一时刻的中心元胞的灰度值，相应的演化规则为：
其中，Δ表示相关性的筛选阈值，Δ＝0.03～0.09；表示当前时刻(即演化前)中心元胞及其四领域元胞的灰度值，的值总共有五个，然后将这五个值中的最大值作为下一时刻(即演化后)中心元胞的灰度值，即更新结束。
公式(1)中取极大值操作是为了尽可能加强纹理特征的凸显性，而对于其他不相关的细节，使其效果尽量淡化。
步骤四：在经过上述处理后,仍然会存在一些非纹理特征处被提取出来的情况,因此需要进一步修改规则,此时对步骤三获得的初步纹理特征图像进行优化处理，使得纹理特征处更加清晰,而非纹理特征处相应的弱化；
优化函数为：
其中,Fi,j表示优化后的中心元胞的灰度值，β＝2*Ptexture，Ptexture表示纹理特征的概率，取值范围0～95；
最终，得到优化后的每个元胞的灰度值，即纹理特征图。通过上述优化规则之后，提取出的碎片纹理特征图中纹理特征将被进一步强化，非纹理特征处也相应的被弱化。
通常情况下,对于一幅纹理图像来说，β的值是一个常数。而这个常数会使得纹理特征处的像素值更加清晰,而非纹理特征处的像素更加弱化。关于常数β的取值,本发明使用随机元胞自动机来进行选择。在该方法中,随机元胞自动机会观察每个元胞的像素情况,通过观察每个元胞属于纹理特征处的像素概率,使用随机元胞自动机来确定合适的β取值。
在确定规则之前,假定变量Similarity_Count保存在Von Neumann邻域中每个邻居元胞像素与中心元胞像素有相似灰度值的数量。相应的规则如表1所示。
表1随机元胞自动机规则
以下给出本发明的具体实施例，需要说明的是本发明并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
实施例1
本实施例给出一种基于元胞自动机的文物表面纹理特征提取方法，选用G10-18号部分兵马俑铠甲碎片为实验数据，分别对本发明方法、BSCA算法、HOG算法和LBP算法进行实验，实验结果如图2所示；从图中可以看出，BSCA算法对于碎片的整体轮廓提取效果较好，但细节部分没有得到提取。HOG算法和LBP算法可以提取出碎片的纹理特征，但是提取效果并不明显，不能只将纹理特征单独提取出来。而本发明可以将纹理特征提取出来，而且提取的纹理特征处更加清晰。
针对阈值Δ的选取，分别给出了Δ＝0.03、Δ＝0.052、Δ＝0.09不同阈值选取的实验结果图，如图3所示，结果表明Δ取0.052，即图2(c)，本方法的纹理特征提取效果最佳。
Claims (1)
1.基于元胞自动机的文物表面纹理特征提取方法，首先拍取文物表面图像，其特征在于：还包括以下步骤：
步骤一：将拍取的文物表面图像转换为灰度值图像，对灰度值图像进行增强处理；
步骤二：采用SLIC算法将增强处理后的灰度值图像分割成n个超像素点，将每个像素点作为一个元胞；
步骤三：通过公式(1)来提取初步纹理特征，得到初步纹理特征图像；
<mrow>
<msubsup>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mi>max</mi>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>I</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>&Delta;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>I</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo><</mo>
<mi>&Delta;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>I</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>I</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>/</mo>
<mi>N</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，i表示中心元胞，i＝1,2,…,n，Ii表示中心元胞的灰度值，Ij表示i的四邻域元胞的灰度值，N＝1000；Δ表示相关性的筛选阈值，Δ＝0.03～0.09；表示演化前中心元胞及其四领域元胞的灰度值，表示演化后中心元胞的灰度值；
步骤四：通过公式(3)对步骤三获得的初步纹理特征图像进行优化处理，得到纹理特征图；
<mrow>
<msub>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msqrt>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mi>&beta;</mi>
</msup>
</msqrt>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&beta;</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mroot>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mrow>
<mi>&beta;</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msup>
<mn>3</mn>
</mroot>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&beta;</mi>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Fi,j表示优化后的中心元胞的灰度值，β＝2*Ptexture，Ptexture表示纹理特征的概率，取值范围0～95。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710190192.0A CN107194930B (zh) | 2017-03-27 | 2017-03-27 | 基于元胞自动机的文物表面纹理特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710190192.0A CN107194930B (zh) | 2017-03-27 | 2017-03-27 | 基于元胞自动机的文物表面纹理特征提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107194930A true CN107194930A (zh) | 2017-09-22 |
| CN107194930B CN107194930B (zh) | 2021-06-08 |
Family
ID=59871789
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710190192.0A Expired - Fee Related CN107194930B (zh) | 2017-03-27 | 2017-03-27 | 基于元胞自动机的文物表面纹理特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107194930B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508837A (zh) * | 2019-08-26 | 2021-03-16 | 天津新松机器人自动化有限公司 | 一种可用于深度图纹理检测的算子 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6393154B1 (en) * | 1999-11-18 | 2002-05-21 | Quikcat.Com, Inc. | Method and apparatus for digital image compression using a dynamical system |
| US20050015571A1 (en) * | 2003-05-29 | 2005-01-20 | International Business Machines Corporation | System and method for automatically segmenting and populating a distributed computing problem |
| CN1971619A (zh) * | 2006-12-05 | 2007-05-30 | 上海大学 | 基于元胞自动机的图像边缘检测算法 |
| CN103106893A (zh) * | 2011-11-11 | 2013-05-15 | 三菱电机株式会社 | 图像处理装置、图像处理方法以及图像显示装置 |
| CN105894502A (zh) * | 2016-03-30 | 2016-08-24 | 浙江大学 | 基于超图模型的rgbd图像显著性检测方法 |
-
2017
- 2017-03-27 CN CN201710190192.0A patent/CN107194930B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6393154B1 (en) * | 1999-11-18 | 2002-05-21 | Quikcat.Com, Inc. | Method and apparatus for digital image compression using a dynamical system |
| US20050015571A1 (en) * | 2003-05-29 | 2005-01-20 | International Business Machines Corporation | System and method for automatically segmenting and populating a distributed computing problem |
| CN1971619A (zh) * | 2006-12-05 | 2007-05-30 | 上海大学 | 基于元胞自动机的图像边缘检测算法 |
| CN103106893A (zh) * | 2011-11-11 | 2013-05-15 | 三菱电机株式会社 | 图像处理装置、图像处理方法以及图像显示装置 |
| CN105894502A (zh) * | 2016-03-30 | 2016-08-24 | 浙江大学 | 基于超图模型的rgbd图像显著性检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| MANOJ DIWAKAR 等: "Cellular automata based edge-detection for brain tumor", 《ICACCI2013》 * |
| 张芳 等: "基于模糊元胞自动机的复杂图案、纹理生成实现", 《中国纺织大学学报》 * |
| 王学玲 等: "基于元胞自动机的毫米波图像边缘检测", 《微计算机信息》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508837A (zh) * | 2019-08-26 | 2021-03-16 | 天津新松机器人自动化有限公司 | 一种可用于深度图纹理检测的算子 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107194930B (zh) | 2021-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110555368B (zh) | 基于三维卷积神经网络的跌倒行为识别方法 | |
| Gu et al. | Leaf recognition based on the combination of wavelet transform and gaussian interpolation | |
| CN107169504B (zh) | 一种基于扩展非线性核残差网络的手写字符识别方法 | |
| Herdiyeni et al. | Combination of morphological, local binary pattern variance and color moments features for indonesian medicinal plants identification | |
| CN110070091B (zh) | 用于街景理解的基于动态插值重建的语义分割方法及系统 | |
| CN108830326A (zh) | 一种mri图像的自动分割方法及装置 | |
| CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
| Badawi et al. | A hybrid memetic algorithm (genetic algorithm and great deluge local search) with back-propagation classifier for fish recognition | |
| CN102254172B (zh) | 一种基于细胞神经网络和形态学的指纹图像分割方法 | |
| CN103824309A (zh) | 一种城市建成区边界自动提取方法 | |
| CN110956183B (zh) | 一种沥青路面裂缝形态提取方法 | |
| CN101853386B (zh) | 基于拓扑树的局部形状模式的图像纹理基元特征提取方法 | |
| CN105447492B (zh) | 一种基于二维局部二值模式的图像描述方法 | |
| CN1700238A (zh) | 在彩色数字图像和视频中分割出人体皮肤区域的方法 | |
| CN103258202B (zh) | 一种鲁棒的纹理特征提取方法 | |
| CN102208037A (zh) | 基于高斯过程分类器协同训练算法的高光谱图像分类方法 | |
| CN101996328A (zh) | 一种木材识别方法 | |
| CN108038487A (zh) | 基于图像分割与特征融合的植物叶片辨别方法 | |
| CN105844213A (zh) | 一种绿色果实识别方法 | |
| CN110647891B (zh) | 基于cnn和自编码器时序数据特征自动提取方法及系统 | |
| CN107194930A (zh) | 基于元胞自动机的文物表面纹理特征提取方法 | |
| CN106295478A (zh) | 一种图像特征提取方法和装置 | |
| CN113159044A (zh) | 一种基于深度学习的卷积神经网络的道路材质识别方法 | |
| CN112434740A (zh) | 一种基于深度学习的秦俑碎块分类方法 | |
| CN102184524B (zh) | 基于规范切的邻域学习文化基因图像分割方法 |
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: 20210608 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |