CN107679538B - 高光谱图像局部特征描述子的形成方法及形成系统 - Google Patents
高光谱图像局部特征描述子的形成方法及形成系统 Download PDFInfo
- Publication number
- CN107679538B CN107679538B CN201710795267.8A CN201710795267A CN107679538B CN 107679538 B CN107679538 B CN 107679538B CN 201710795267 A CN201710795267 A CN 201710795267A CN 107679538 B CN107679538 B CN 107679538B
- Authority
- CN
- China
- Prior art keywords
- vector
- neighborhood
- length
- descriptor
- norm
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/469—Contour-based spatial representations, e.g. vector-coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种高光谱图像局部特征描述子的形成方法,其中,所述方法包括:特征描述步骤:利用光谱矢量间的夹角和光谱矢量的模对邻域特征进行描述;形成描述子步骤:根据描述结果形成一个矢量长度是原始局部二值模式矢量长度的三倍的描述子。本发明还提供一种高光谱图像局部特征描述子的形成系统。本发明提供的技术方案利用光谱矢量间的夹角和光谱矢量的模对邻域特征的特征描述作用,形成一个矢量长度是原始局部二值模式矢量长度的三倍的描述子,同时结合了高光谱特征点邻域的空间位置信息和光谱信息,能适用于高光谱图像。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种高光谱图像局部特征描述子的形成方法及形成系统。
背景技术
结合空间信息和光谱信息的这种方法一般应用在人脸识别上,结合空谱特征主要有两方面难题,第一个是现有的高光谱人脸图像的质量很低,第二个就是空间信息和光谱信息的固有性质完全不同。为了解决这些难题,有许多不同的方法被学者们提出。Pan等通过在例如前额、脸颊、嘴唇等这些特征区域上提取光谱特征而开创了高光谱人脸识别的新方法,但是这种方法没有应用到任何空间信息。Unzir等在3D离散余弦转换的基础上发展了一种空谱特认证提取方法来计算高光谱人脸图像的低频因数。高光谱成像为人际面部鉴别提供了新的机会,然而,从高维度高光谱图像立方体的紧凑和辨别特征提取是一项具有挑战性的任务。3D离散余弦转换最佳地压缩了低频系数中的信息,用少量低频DCT系数表示每个高光谱面部立方体,并且制定了用于准确分类的部分最小二乘法(PLS)回归。但是这些方法要不就是只运用了光谱特征,要不就是把高光谱数据当作各向同性体。所以Jie等在三维局部微分模式的基础上提出了一种三维高阶纹理模式描述子。它为构建多方向和多邻域的局部微分模式提供一个框架,这种模式同时结合空间信息和光谱信息并且减少了高光谱图像中噪声的负面影响。传统2D人脸识别已经研究多年,取得了巨大的成功。尽管如此,除了面部空间域中的结构和纹理之外,还需要探索除外的信息。高光谱成像通过提供关于对象的附加光谱信息来满足这样的要求,完成了2D图像中提取的传统空间特征。基于局部导数模型,用空间光谱空间中的多方向导数和二值化函数对高光谱面进行编码。然后,通过在导数图案上应用3D直方图来生成空间光谱特征描述符,其可以用于将高光谱面部图像转换为向量化表示。与传统的脸部识别方法相比,这种方法能够描述将潜在的空间和光谱信息整合在一起的独特微观图案。
高光谱图像和普通的二维图像有许多不同的特点,它在二维图像信息的基础上添加光谱维,从而形成三维的坐标空间。如果把高光谱图像的每个波段数据都看成是一个层面,将成像光谱数据整体表达到该坐标空间,就会形成一个按波段顺序叠合构成的拥有多个层面的三维数据立方体。高光谱图像的波段比较多,它可以为每个像素提供数百甚至上千个波段,这些波段的范围一般小于10厘米,而且波段是连续的,有些传感器可以在某些太阳光谱范围内提供近乎连续的地物光谱。根据高光谱图像的特点及其相关处理技术的需要,高光谱数据和其携带的信息一般由三种空间表达方式:有空间几何位置关系的图像空间、包含丰富光谱信息的光谱空间以及适合于模式识别中的应用的特征空间。高光谱的遥感技术可以把确定物质或地物性质的光谱与揭示其空间和几何关系的图像结合在一起,不同的物质其对应的光谱曲线也是不一样的。
因此,虽然二维图像的局部特征描述算法研究已经非常成熟了,但是对于高光谱图像,除了包含空间信息以外,还包含了光谱信息,目前的二维图像的局部特征描述方法已经不适用于高光谱图像,所以亟需提供一种能适用于高光谱图像的局部特征描述算法。
发明内容
有鉴于此,本发明的目的在于提供一种高光谱图像局部特征描述子的形成方法及形成系统,旨在解决现有技术中的二维图像的局部特征描述算法不适用于高光谱图像的问题。
本发明提出一种高光谱图像局部特征描述子的形成方法,其中,所述方法包括:
特征描述步骤:利用光谱矢量间的夹角和光谱矢量的模对邻域特征进行描述;
形成描述子步骤:根据描述结果形成一个矢量长度是原始局部二值模式矢量长度的三倍的描述子。
优选的,所述特征描述步骤具体包括:
定义为中心矢量vectorc与合成所述中心矢量vectorc的中间一维矢量的夹角值,其中,中心矢量vectorc的长度为N,中心矢量vectorc的模为normc,N为奇数,half为长度N的中间值;
优选的,所述特征描述步骤具体还包括:
定义为邻域矢量vectorp与合成所述邻域矢量vectorp的中间一维矢量的夹角值,其中,中心矢量vectorc的局部邻域为V,邻域半径为R,邻域点数为P,邻域矢量vectorp(p=0,1,...,P-1)的模为normp,且邻域矢量vectorp的长度与中心矢量vectorc相同;
优选的,所述特征描述步骤具体还包括:
优选的,所述形成描述子步骤具体包括:
另一方面,本发明还提供一种高光谱图像局部特征描述子的形成系统,所述系统包括:
特征描述模块,用于利用光谱矢量间的夹角和光谱矢量的模对邻域特征进行描述;
形成描述子模块,用于根据描述结果形成一个矢量长度是原始局部二值模式矢量长度的三倍的描述子。
优选的,所述特征描述模块具体用于:
定义为中心矢量vectorc与合成所述中心矢量vectorc的中间一维矢量的夹角值,其中,中心矢量vectorc的长度为N,中心矢量vectorc的模为normc,N为奇数,half为长度N的中间值;
优选的,所述特征描述模块具体还用于:
定义为邻域矢量vectorp与合成所述中心矢量vectorc的中间一维矢量的夹角值,其中,中心矢量vectorc的局部邻域为V,邻域半径为R,邻域点数为P,邻域矢量vectorp(p=0,1,...,P-1)的模为normp,且邻域矢量vectorp的长度与中心矢量vectorc相同;
优选的,所述特征描述模块具体还用于:
优选的,所述形成描述子模块具体用于:
本发明提供的技术方案利用光谱矢量间的夹角和光谱矢量的模对邻域特征的特征描述作用,形成一个矢量长度是原始局部二值模式矢量长度的三倍的描述子,同时结合了高光谱特征点邻域的空间位置信息和光谱矢量信息,能适用于高光谱图像。
附图说明
图1为本发明一实施方式中高光谱图像局部特征描述子的形成方法流程图;
图2为本发明一实施方式中中心光谱矢量的邻域表示图;
图3为本发明一实施方式中高光谱图像局部特征描述子的形成系统10的内部结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明具体实施方式提供了一种高光谱图像局部特征描述子的形成方法,其中,所述方法主要包括如下步骤:
特征描述步骤:利用光谱矢量间的夹角和光谱矢量的模对邻域特征进行描述;
形成描述子步骤:根据描述结果形成一个矢量长度是原始局部二值模式矢量长度的三倍的描述子。
本发明提供的一种高光谱图像局部特征描述子的形成方法,利用光谱矢量间的夹角和光谱矢量的模对邻域特征的特征描述作用,形成一个矢量长度是原始局部二值模式(Local Binary Patterns,LBP)矢量长度的三倍的描述子,同时结合了高光谱特征点邻域的空间位置信息和光谱矢量信息,能适用于高光谱图像。
以下将对本发明所提供的一种高光谱图像局部特征描述子的形成方法进行详细说明。
请参阅图1,为本发明一实施方式中高光谱图像局部特征描述子的形成方法流程图。
在步骤S1中,特征描述步骤:利用光谱矢量间的夹角和光谱矢量的模对邻域特征进行描述。
在本实施方式中,所述特征描述步骤具体包括:
定义为中心矢量vectorc与合成所述中心矢量vectorc的中间一维矢量的夹角值,其中,中心矢量vectorc的长度为N,中心矢量vectorc的模为normc,N为奇数,half为长度N的中间值;
在本实施方式中,与传统的灰度图像和RGB图像相比而言,高光谱图像包含了另一种方面的信息,即物体的光谱响应,由于高光谱图像的光谱矢量包含丰富的特征信息,所以把灰度值换成光谱矢量进行比较更具高效性,为了便于描述图2画出了中心光谱矢量的邻域表示图,其中201所指示的线条即为中心光谱矢量。
请参阅图2,所示为本发明一实施方式中中心光谱矢量的邻域表示图。
图2中经过正方体的中心且箭头向右的表示中心光谱矢量,选取高光谱图像的光谱域中一个特征点为中心像元,这个中心像元(xc,yc,λc)的DN值和对应的前后波段(即以为间隔)上DN值组成一组矢量vc,同理这个局部邻域的邻域像元的DN值可以组成一系列矢量vp。
请继续参阅图1,在本实施方式中,所述特征描述步骤具体还包括:
定义为邻域矢量vectorp与合成所述领域矢量vectorp的中间一维矢量的夹角值,其中,中心矢量vectorc的局部邻域为V,邻域半径为R,邻域点数为P,邻域矢量vectorp(p=0,1,...,P-1)的模为normp,且邻域矢量vectorp的长度与中心矢量vectorc相同;
在本实施方式中,所述特征描述步骤具体还包括:
在步骤S2中,形成描述子步骤:根据描述结果形成一个矢量长度是原始局部二值模式矢量长度的三倍的描述子。
在本实施方式中,所述形成描述子步骤具体包括:
在本实施方式中,高光谱图像将反映物质辐射属性的光谱信息与反映物体空间几何关系的二维图像信息有机地结合在一起,使得高光谱图像能够比灰度图像和彩色图像提供更多的信息,本发明提出的这种“图谱合一”的图像结合了二维图像和光谱信息各自的优点,拓宽了图像的分析方法,对于图像分析与识别有着十分重要的意义。
本发明提供的一种高光谱图像局部特征描述子的形成方法,针对高光谱图像的光谱矢量具有特征属性这一特点,提出了一种全新的基于局部二值模式的描述子,在这种描述子中利用光谱矢量间的夹角和光谱矢量的模对邻域特征的特征描述作用,形成一个矢量长度是原始局部二值模式矢量长度的三倍的描述子。该算法中考虑到高光谱图像的特征,同时结合了高光谱特征点邻域的空间位置信息和光谱矢量信息。
本发明具体实施方式还提供一种高光谱图像局部特征描述子的形成系统10,主要包括:
特征描述模块,用于利用光谱矢量间的夹角和光谱矢量的模对邻域特征进行描述;
形成描述子模块,用于根据描述结果形成一个矢量长度是原始局部二值模式矢量长度的三倍的描述子。
本发明提供的一种高光谱图像局部特征描述子的形成系统10,利用光谱矢量间的夹角和光谱矢量的模对邻域特征的特征描述作用,形成一个矢量长度是原始局部二值模式矢量长度的三倍的描述子,同时结合了高光谱特征点邻域的空间位置信息和光谱矢量信息,能适用于高光谱图像。
请参阅图3,所示为本发明一实施方式中高光谱图像局部特征描述子的形成系统10的结构示意图。
在本实施方式中,高光谱图像局部特征描述子的形成系统10,主要包括特征描述模块11和形成描述子模块12。
特征描述模块11,用于利用光谱矢量间的夹角和光谱矢量的模对邻域特征进行描述。
在本实施方式中,所述特征描述模块11具体用于:
定义为中心矢量vectorc与合成所述中心矢量vectorc的中间一维矢量的夹角值,其中,中心矢量vectorc的长度为N,中心矢量vectorc的模为normc,N为奇数,half为长度N的中间值;
在本实施方式中,所述特征描述模块11具体还用于:
定义为邻域矢量vectorp与合成所述领域矢量vectorp的中间一维矢量的夹角值,其中,中心矢量vectorc的局部邻域为V,邻域半径为R,邻域点数为P,邻域矢量vectorp(p=0,1,...,P-1)的模为normp,且邻域矢量vectorp的长度与中心矢量vectorc相同;
在本实施方式中,所述特征描述模块11具体还用于:
形成描述子模块12,用于根据描述结果形成一个矢量长度是原始局部二值模式矢量长度的三倍的描述子。
在本实施方式中,所述形成描述子模块12具体用于:
本发明提供的一种高光谱图像局部特征描述子的形成系统10,利用光谱矢量间的夹角和光谱矢量的模对邻域特征的特征描述作用,形成一个矢量长度是原始局部二值模式矢量长度的三倍的描述子,同时结合了高光谱特征点邻域的空间位置信息和光谱矢量信息,能适用于高光谱图像。
值得注意的是,上述实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
另外,本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,相应的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种高光谱图像局部特征描述子的形成方法,其特征在于,所述方法包括:
特征描述步骤:利用光谱矢量间的夹角和光谱矢量的模对邻域特征进行描述;
所述特征描述步骤,具体包括:
定义为中心矢量vectorc与合成所述中心矢量vectorc的中间一维矢量的夹角值,其中,中心矢量vectorc的长度为N,中心矢量vectorc的模为normc,N为奇数,half为长度N的中间值;
定义为邻域矢量vectorp与合成所述邻域矢量vectorp的中间一维矢量的夹角值,其中,中心矢量vectorc的局部邻域为V,邻域半径为R,邻域点数为P,邻域矢量vectorp(p=0,1,...,P-1)的模为normp,且邻域矢量vectorp的长度N′与中心矢量vectorc的长度N相同,half′为长度N′中间值;
形成描述子步骤:根据描述结果形成一个矢量长度是原始局部二值模式矢量长度的三倍的描述子。
3.一种高光谱图像局部特征描述子的形成系统,其特征在于,所述系统包括:
特征描述模块,用于利用光谱矢量间的夹角和光谱矢量的模对邻域特征进行描述;
所述特征描述模块,具体用于:
定义为中心矢量vectorc与合成所述中心矢量vectorc的中间一维矢量的夹角值,其中,中心矢量vectorc的长度为N,中心矢量vectorc的模为normc,N为奇数,half为长度N的中间值;
定义为邻域矢量vectorp与合成所述邻域矢量vectorp的中间一维矢量的夹角值,其中,中心矢量vectorc的局部邻域为V,邻域半径为R,邻域点数为P,邻域矢量vectorp(p=0,1,...,P-1)的模为normp,且邻域矢量vectorp的长度N′与中心矢量vectorc的长度N相同,half′为长度N′中间值;
形成描述子模块,用于根据描述结果形成一个矢量长度是原始局部二值模式矢量长度的三倍的描述子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710795267.8A CN107679538B (zh) | 2017-09-05 | 2017-09-05 | 高光谱图像局部特征描述子的形成方法及形成系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710795267.8A CN107679538B (zh) | 2017-09-05 | 2017-09-05 | 高光谱图像局部特征描述子的形成方法及形成系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107679538A CN107679538A (zh) | 2018-02-09 |
CN107679538B true CN107679538B (zh) | 2020-12-04 |
Family
ID=61134973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710795267.8A Active CN107679538B (zh) | 2017-09-05 | 2017-09-05 | 高光谱图像局部特征描述子的形成方法及形成系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107679538B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622588A (zh) * | 2012-03-08 | 2012-08-01 | 无锡数字奥森科技有限公司 | 双验证人脸防伪方法及装置 |
US8639038B2 (en) * | 2010-06-18 | 2014-01-28 | National Ict Australia Limited | Descriptor of a hyperspectral or multispectral image |
CN103729848A (zh) * | 2013-12-28 | 2014-04-16 | 北京工业大学 | 基于光谱显著性的高光谱遥感图像小目标检测方法 |
CN105608433A (zh) * | 2015-12-23 | 2016-05-25 | 北京化工大学 | 一种基于核协同表达的高光谱图像分类方法 |
CN106485238A (zh) * | 2016-11-01 | 2017-03-08 | 深圳大学 | 一种高光谱遥感图像特征提取和分类方法及其系统 |
CN106529508A (zh) * | 2016-12-07 | 2017-03-22 | 西安电子科技大学 | 基于局部和非局部多特征语义高光谱图像分类方法 |
CN106682672A (zh) * | 2016-10-24 | 2017-05-17 | 深圳大学 | 一种高光谱图像特征描述子的获取方法及装置 |
-
2017
- 2017-09-05 CN CN201710795267.8A patent/CN107679538B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8639038B2 (en) * | 2010-06-18 | 2014-01-28 | National Ict Australia Limited | Descriptor of a hyperspectral or multispectral image |
CN102622588A (zh) * | 2012-03-08 | 2012-08-01 | 无锡数字奥森科技有限公司 | 双验证人脸防伪方法及装置 |
CN103729848A (zh) * | 2013-12-28 | 2014-04-16 | 北京工业大学 | 基于光谱显著性的高光谱遥感图像小目标检测方法 |
CN105608433A (zh) * | 2015-12-23 | 2016-05-25 | 北京化工大学 | 一种基于核协同表达的高光谱图像分类方法 |
CN106682672A (zh) * | 2016-10-24 | 2017-05-17 | 深圳大学 | 一种高光谱图像特征描述子的获取方法及装置 |
CN106485238A (zh) * | 2016-11-01 | 2017-03-08 | 深圳大学 | 一种高光谱遥感图像特征提取和分类方法及其系统 |
CN106529508A (zh) * | 2016-12-07 | 2017-03-22 | 西安电子科技大学 | 基于局部和非局部多特征语义高光谱图像分类方法 |
Non-Patent Citations (5)
Title |
---|
Feature Extraction of Hyperspectral Images Based On LBP and RF Feature Extraction Techniques;Soumya .M等;《International Journal of Science and Research》;20160531;第1977-1979页 * |
Local Binary Patterns and Extreme Learning Machine for Hyperspectral Imagery Classification;Wei Li等;《IEEE Transactions on Geoscience and Remote Sensing》;20150115;第53卷(第7期);第3681-3693段 * |
一种多光谱图像纹理特征提取及比较方法;张斌等;《计算机工程与应用》;20050911;第30-34页 * |
基于主成分分析与局部二值模式的高光谱图像分类;叶珍等;《激光与光电子学进展》;20170706;第1-10页 * |
基于多尺度局部二值模式的高光谱图像分类算法研究;刘瑞香;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170415;摘要,第34-35页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107679538A (zh) | 2018-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | An effective image retrieval scheme using color, texture and shape features | |
CN108876723B (zh) | 一种灰度目标图像的彩色背景的构建方法 | |
CN109902585B (zh) | 一种基于图模型的手指三模态融合识别方法 | |
Kumar et al. | Image authentication by assessing manipulations using illumination | |
JP2016520897A (ja) | 画像アウトラインを記述するシステム及び方法 | |
Ranganath et al. | Estimating the fractal dimension of images using pixel range calculation technique | |
Bai et al. | K-means based histogram using multiresolution feature vectors for color texture database retrieval | |
CN103903228A (zh) | 一种基于hwd变换的非局部图像去噪方法 | |
Guo et al. | Edge-guided hyperspectral image compression with interactive dual attention | |
ALEjaily et al. | Fusion of remote sensing images using contourlet transform | |
CN107679538B (zh) | 高光谱图像局部特征描述子的形成方法及形成系统 | |
Wang et al. | Multi-sensor Image Fusion Algorithm Based on Multiresolution Analysis. | |
Bianconi et al. | Robust color texture features based on ranklets and discrete Fourier transform | |
Kwan et al. | Stereo image and depth map generation for images with different views and resolutions | |
Wei | Color object indexing and retrieval in digital libraries | |
Shukla et al. | Cloud-based image fusion using guided filtering | |
Dixit et al. | Copy-move image forgery detection using frequency-based techniques: a review | |
WO2019047025A1 (zh) | 高光谱图像局部特征描述子的形成方法及形成系统 | |
Geng | Local stereo matching based on information entropy of image | |
CN108229487B (zh) | 一种结合空间域和频率域的显著性检测方法 | |
Zhao et al. | Indoor and outdoor scene classification method based on Fourier transform | |
Li et al. | Fusing 3D gabor and block-wise spatial features for hyperspectral palmprint recognition | |
Kleitsiotis et al. | Color-guided adaptive support weights for active stereo systems | |
CN104867149B (zh) | 基于局部平面线性点的翻拍图像鉴别方法 | |
Ivanchuk et al. | Data fusion of satellite imagery for generation of daily cloud free images at high resolution level |
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 |