CN108717699B - 一种基于连续最小割的超声波图像分割方法 - Google Patents
一种基于连续最小割的超声波图像分割方法 Download PDFInfo
- Publication number
- CN108717699B CN108717699B CN201810463337.4A CN201810463337A CN108717699B CN 108717699 B CN108717699 B CN 108717699B CN 201810463337 A CN201810463337 A CN 201810463337A CN 108717699 B CN108717699 B CN 108717699B
- Authority
- CN
- China
- Prior art keywords
- target area
- ultrasonic image
- template
- edge
- segmentation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000011218 segmentation Effects 0.000 title claims abstract description 22
- 238000003709 image segmentation Methods 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 3
- 210000003205 muscle Anatomy 0.000 abstract description 4
- 235000015277 pork Nutrition 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 5
- 238000002604 ultrasonography Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
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
- G06T7/13—Edge detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于连续最小割的超声波图像分割方法，本发明针对猪肉眼肌超声波图像分割问题展开了研究，提出了基于模版预测和连续最小割的分割方法。该方法的主要创新在于图像前景模板和后景模版的预测使猪肉眼肌超声波图像分割全自动化。其中，前景模板预测分为四个步骤：一是,检测上边缘，统计上边缘点均值；二是，线性拟合下边缘，统计下边缘点的均值；三是，探测左边缘，估计左边缘的点；四是，预设右边缘的范围。通过这些步骤，可构建前景模板，从而配合预设的后景模板进行图像分割。因要对图像进行较准确细致的分割，本文引用Fast Patch‑based Continuous Min‑Cut(FP‑CMC)算法作为最小割算子以保证准确度。
Description
技术领域
本发明涉及计算机视觉领域，更具体地，涉及一种基于连续最小割的超声波图像分割方法。
背景技术
超声波图像分割主要研究如何利用计算机把人们对图像中的某些感兴趣区域（称之为目标或前景）辨别出来。首先通过对图像进行平滑，对比度加强等预处理来减少噪声和增强边缘细节，再同时考虑背景的灰度、结构和统计等特征，构造前景与背景的数学模型，最终实现将前景与背景分离。超声波图像分割在民用和医学领域具有广泛应用，如病源定位、纹理提取、肿瘤检测定位等等。因此超声波图像分割一直以来都是图像分割的一项重要分支，也是一经典难题。对加快科技发展，促进社会生产力提高具有重要意义。
由于实际图片的噪声严重、边缘缺失、虚假边缘干扰等现象的存在，超声波图像分割一直是计算机视觉领域中具有挑战性的发明。目前已有的一些优秀的算法在应用场合中对解决某一个或某几个场景有比较好的效果，但大部分都建立在半自动化的模式上。能够全自动化分割超声波图像还具有很大的挑战，因此，深入探讨和研究新的超声波图像分割算法，仍然是计算机视觉领域研究人员的一项非常重要的任务。
近年来主流的效果比较好的算法主要是两类，一种是基于人工神经网络技术的分割方法，一种是基于边缘的分割方法，这两类跟踪算法都取得不错的效果，但前者计算复杂度高，计算速度得不到保证；而后者计算速度快，准确度高，但是发生在存在虚假边缘、噪声严重的情况则显得鲁棒性不足，因为这些情况导致真实边缘被噪声污染，虚假边缘被认为为区域边缘。总的来看，两类方法优缺点都非常明显。
发明内容
本发明克服了超声波图像的噪声，虚假边缘等问题，提供了一种新的基于连续最小割的超声波图像分割方法。本发明对超声波图像进行去噪、对比度增强等预处理，然后对图片前景后景进行模版预测，从而对超声波图像进行分割。
为解决上述技术问题，本发明的技术方案如下：
一种基于连续最小割的超声波图像分割方法，包括以下步骤：
S1：将超声波图像进行等比例缩放，得到关于超声波图像的缩放图；通过缩放图计算得到关于超声波图像的权值矩阵；
S2：通过canny算子处理缩放图，得到目标区域左边缘的特征点的位置信息；
S3：通过中值滤波法处理缩放图，得到第一去噪声缩放图；通过L0S算子处理第一去噪声缩放图，得到第一去噪声平滑缩放图；通过canny算子处理第一去噪声平滑缩放图，得到目标区域上边缘的特征点的位置信息；
S4：通过混合中值滤波法处理缩放图，得到第二去噪声缩放图；通过SACE算子处理第二去噪声缩放图，得到第二增强对比度去噪声缩放图；通过LOS算子处理第二增强对比度去噪声缩放图，得到第二增强对比度去噪声平滑缩放图；通过canny算子处理第二增强对比度去噪声平滑缩放图，得到目标区域下边缘的特征点的位置信息；
S5：通过历史经验推断得到目标区域右边缘的特征点的位置信息；
S6：通过S2~S5得到目标区域的特征点的位置信息，构建前景模板；
S7：通过历史经验预设背景模板；
S8：将S1的权值矩阵、S6的前景模板和S7的背景模板加载到连续最小割分类器中；
S9：通过连续最小割分类器迭代计算前景模板区域和背景模板区域，直至完成对整个超声波图像的分类。
本发明中，由于分类器是基于图像的块的，所以需要预处理计算出的权重矩阵。权重矩阵代表的是块间亮度的差异，差异越小权重越大。等比例缩放大大降低了权重矩阵以及后续步骤的运算量，提高了运算速度。
在一种优选的方案中，由于左边缘区域干扰像素少，轮廓较为清晰，通过canny算子处理缩放图，得到关于缩放图的边缘轮廓；对目标区域的左边缘轮廓进行采样，将采样信息的坐标值进行平均值计算，得到的平均值作为目标区域左边缘的特征点的位置信息。
在一种优选的方案中，所述的S3的canny算子操作过程包括以下内容：
通过canny算子处理第一去噪声平滑缩放图，得到目标区域上边缘的纵坐标信息；通过将目标区域上边缘的纵坐标信息进行平均值计算，得到的平均值作为目标区域上边缘的特征点的纵坐标；预设数值N作为目标区域上边缘的特征点的横坐标，综合得到目标区域上边缘的特征点的位置信息。
本优选方案中，中值滤波法可以减少图片的噪声，L0S算子是一个梯度算子，用以平滑图像细节加强边缘，它的优点是根据全局像素信息加强边缘而不是其他方法根据局部像素信息加强边缘。
在一种优选的方案中，所述的S4包括以下内容：SACE算子增强对比度；LOS算子平滑细节部分；Canny算子提取边缘信息，对目标区域进行连通性探测，选取连通性最大的三个部分进行二次回归，选取回归曲线；预设横坐标，代入回归曲线，得到纵坐标，所述的横坐标和纵坐标作为目标区域上边缘的特征点的位置信息。
本优选方案中，循环混合中值滤波来减少图片的噪声，它相比于普通的中值滤波的优点是分别考虑水平垂直和倾斜像素点的差异，能更好的保留边缘，去除噪声。但缺点是运算速度较慢。 SACE是一种非线性的反曲面对比度加强算子，它可以通过图像的强度变化差异矩阵，对图像进行对比度加强，使有边界的区域与背景区域分离得更加清晰。
在一种优选的方案中，根据实际经验，图片的右边区域变化较小，人工预设特征点坐标作为右特征坐标。
在一种优选的方案中，所述的前景模板的形状是凸四边形，所述的前景模板的形状是凸四边形，凸四边形的四个顶点为S2~S5的四个特征点。
在一种优选的方案中，根据实际经验，后景模板对分割结果不敏感，但影响分割的迭代次数，所以预设一个相对较小的后景模板，但它又能够保证容纳全部目标区域。
在一种优选的方案中，所述的S9包括以下内容：
将超声波图像的像素分为目标区域和背景区域，所述的目标区域用1表示；所述的背景区域用0表示；前景模板区域置为1且不再对前景模板区域进行计算；背景模板的补集区域置为0且不再对背景模板区域进行计算；分类器根据权重矩迭代运算前景模板和背景模板之间的像素属于哪个区域，直至对完成对整个超声波图像的分割。
与现有技术相比，本发明技术方案的有益效果是：
本发明创造性地提出基于图像边缘检测来自适应构建前景模版的方法，实现了超声波图像的分割从半自动改进为全自动的过程。
附图说明
图1为实施例的流程图。
图2为实施例分割超声波图像时的关键步骤示意图。
图3为实施例与当前较好的算法效果对比图像。
图4为实施例中与82组人工标记的理想预值得对比图像。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明，本实力应用于对猪肉眼肌的超声波图像进行分割。
如图1所示，一种基于连续最小割的超声波图像分割方法，其特征在于，包括以下步骤：
S1：将超声波图像进行等比例缩放，得到关于超声波图像的缩放图；通过缩放图计算得到关于超声波图像的权值矩阵；
S2：通过canny算子处理缩放图，得到关于缩放图的边缘轮廓；对目标区域的左边缘轮廓进行采样，将采样信息的坐标值进行平均值计算，得到的平均值作为目标区域左边缘的特征点的位置信息；
S3：通过中值滤波法处理缩放图，得到第一去噪声缩放图；通过L0S算子处理第一去噪声缩放图，得到第一去噪声平滑缩放图；通过canny算子处理第一去噪声平滑缩放图，得到目标区域上边缘的纵坐标信息；通过将目标区域上边缘的纵坐标信息进行平均值计算，得到的平均值作为目标区域上边缘的特征点的纵坐标；通过经验认为预设一个数值作为目标区域上边缘的特征点的横坐标，综合得到目标区域上边缘的特征点的位置信息。；
S4：通过混合中值滤波法处理缩放图，得到第二去噪声缩放图；通过SACE算子处理第二去噪声缩放图，得到第二增强对比度去噪声缩放图；通过LOS算子处理第二增强对比度去噪声缩放图，得到第二增强对比度去噪声平滑缩放图；通过canny算子处理第二增强对比度去噪声平滑缩放图，结合上述三对目标区域进行连通性探测，选取连通性最大的三个部分进行二次回归，选取回归曲线；预设横坐标，代入回归曲线，得到纵坐标，横坐标和纵坐标作为目标区域上边缘的特征点的位置信息；
S5：通过历史经验推断得到目标区域右边缘的特征点的位置信息；
S6：通过S2~S5得到目标区域的特征点的位置信息，构建前景模板；前景模板的四个角分别是4个特征点；
S7：通过历史经验预设容纳全部目标区域的背景模板；
S8：将S1的权值矩阵、S6的前景模板和S7的背景模板加载到连续最小割分类器中；
S9：将超声波图像的像素分为目标区域和背景区域，目标区域用1表示；背景区域用0表示；前景模板区域置为1且不再对前景模板区域进行计算；背景模板的补集区域置为0且不再对背景模板区域进行计算；分类器根据权重矩迭代运算前景模板和背景模板之间的像素属于哪个区域，直至对完成对整个超声波图像的分割。
本实施例对对猪肉眼肌超声波图像分割过程如图2所示。
本实施例与当前较好算法的对比效果如图3所示。
本实施例与82组人工标记的理想预值对比效果如图4所示。
通过上述对比可以发现，本实施例对于超声波图像的分割具有较好的鲁棒性，而且能够实现全自动分割。
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。
Claims (6)
1.一种基于连续最小割的超声波图像分割方法，其特征在于，包括以下步骤：
S1：将超声波图像进行等比例缩放，得到关于超声波图像的缩放图；通过缩放图计算得到关于超声波图像的权重矩阵；
S2：通过canny算子处理缩放图，得到目标区域左边缘的特征点的位置信息；
S3：通过中值滤波法处理缩放图，得到第一去噪声缩放图；通过L0S算子处理第一去噪声缩放图，得到第一去噪声平滑缩放图；通过canny算子处理第一去噪声平滑缩放图，得到目标区域上边缘的特征点的位置信息；
S4：通过混合中值滤波法处理缩放图，得到第二去噪声缩放图；通过SACE算子处理第二去噪声缩放图，得到第二增强对比度去噪声缩放图；通过LOS算子处理第二增强对比度去噪声缩放图，得到第二增强对比度去噪声平滑缩放图；通过canny算子处理第二增强对比度去噪声平滑缩放图，得到目标区域下边缘的特征点的位置信息；
S5：通过历史经验推断得到目标区域右边缘的特征点的位置信息；
S6：通过S2～S5得到目标区域的特征点的位置信息，构建前景模板；
S7：通过历史经验预设背景模板；
S8：将S1的权重矩阵、S6的前景模板和S7的背景模板加载到连续最小割分类器中；
S9：通过连续最小割分类器迭代计算前景模板区域和背景模板区域，直至完成对整个超声波图像的分割。
2.根据权利要求1所述的超声波图像分割方法，其特征在于，所述的S2包括以下内容：
通过canny算子处理缩放图，得到关于缩放图的边缘轮廓；对目标区域的左边缘轮廓进行采样，将采样信息的坐标值进行平均值计算，得到的平均值作为目标区域左边缘的特征点的位置信息。
3.根据权利要求1或2所述的超声波图像分割方法，其特征在于，所述的S3的canny算子操作过程包括以下内容：
2通过canny算子处理第一去噪声平滑缩放图，得到目标区域上边缘的纵坐标信息；通过将目标区域上边缘的纵坐标信息进行平均值计算，得到的平均值作为目标区域上边缘的特征点的纵坐标；预设数值N作为目标区域上边缘的特征点的横坐标，综合得到目标区域上边缘的特征点的位置信息。
4.根据权利要求3所述的超声波图像分割方法，其特征在于，所述的S4包括以下内容：SACE算子增强对比度；LOS算子平滑细节部分；Canny算子提取边缘信息，对目标区域进行连通性探测，选取连通性最大的三个部分进行二次回归，选取回归曲线；预设横坐标，代入回归曲线，得到纵坐标，所述的横坐标和纵坐标作为目标区域上边缘的特征点的位置信息。
5.根据权利要求1、2或4所述的超声波图像分割方法，其特征在于，所述的前景模板的形状是凸四边形。
6.根据权利要求5所述的超声波图像分割方法，其特征在于，所述的S9包括以下内容：
将超声波图像的像素分为目标区域和背景区域，所述的目标区域用1表示；所述的背景区域用0表示；前景模板区域置为1且不再对前景模板区域进行计算；背景模板的补集区域置为0且不再对背景模板区域进行计算；分类器根据权重矩阵迭代运算前景模板和背景模板之间的像素属于哪个区域，直至完成对整个超声波图像的分割。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810463337.4A CN108717699B (zh) | 2018-05-15 | 2018-05-15 | 一种基于连续最小割的超声波图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810463337.4A CN108717699B (zh) | 2018-05-15 | 2018-05-15 | 一种基于连续最小割的超声波图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108717699A CN108717699A (zh) | 2018-10-30 |
| CN108717699B true CN108717699B (zh) | 2022-02-08 |
Family
ID=63899971
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810463337.4A Active CN108717699B (zh) | 2018-05-15 | 2018-05-15 | 一种基于连续最小割的超声波图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108717699B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111488485B (zh) * | 2020-04-16 | 2023-11-17 | 北京雷石天地电子技术有限公司 | 基于卷积神经网络的音乐推荐方法、存储介质和电子装置 |
| CN111833260A (zh) * | 2020-05-29 | 2020-10-27 | 红鼎互联(广州)信息科技有限公司 | 一种应用于红外热像仪图像细节增强和噪声抑制方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101840577A (zh) * | 2010-06-11 | 2010-09-22 | 西安电子科技大学 | 基于图切割的图像自动分割方法 |
| US9280719B2 (en) * | 2010-05-28 | 2016-03-08 | Microsoft Technology Licensing, Llc | Foreground and background image segmentation |
| CN107330860A (zh) * | 2017-07-03 | 2017-11-07 | 山东财经大学 | 一种基于ct图像边缘的有理插值缩放方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8126232B2 (en) * | 2008-03-05 | 2012-02-28 | Siemens Aktiengesellschaft | System and method for 3D vessel segmentation with minimal cuts |
-
2018
- 2018-05-15 CN CN201810463337.4A patent/CN108717699B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9280719B2 (en) * | 2010-05-28 | 2016-03-08 | Microsoft Technology Licensing, Llc | Foreground and background image segmentation |
| CN101840577A (zh) * | 2010-06-11 | 2010-09-22 | 西安电子科技大学 | 基于图切割的图像自动分割方法 |
| CN107330860A (zh) * | 2017-07-03 | 2017-11-07 | 山东财经大学 | 一种基于ct图像边缘的有理插值缩放方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于内容的图像分割方法综述;姜枫等;《软件学报》;20171231;第160-183页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108717699A (zh) | 2018-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115861135B (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
| JP6660313B2 (ja) | 画像解析を用いた核のエッジの検出 | |
| CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
| CN109242791B (zh) | 一种针对破损植物叶片的批量修复方法 | |
| CN107369159B (zh) | 基于多因素二维灰度直方图的阈值分割方法 | |
| CN110286124A (zh) | 基于机器视觉的耐火砖测量系统 | |
| CN111415363A (zh) | 一种图像边缘识别方法 | |
| CN105740945A (zh) | 一种基于视频分析的人群计数方法 | |
| WO2019071976A1 (zh) | 基于区域增长和眼动模型的全景图像显著性检测方法 | |
| WO2020173024A1 (zh) | 面向智能家居场景的多手势精准分割方法 | |
| CN105405138B (zh) | 基于显著性检测的水面目标跟踪方法 | |
| CN110378924A (zh) | 基于局部熵的水平集图像分割方法 | |
| KR20170015299A (ko) | 배경 추적을 통한 오브젝트 추적 및 분할을 위한 방법 및 장치 | |
| CN109781737A (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
| CN108717699B (zh) | 一种基于连续最小割的超声波图像分割方法 | |
| Lermé et al. | Reducing graphs in graph cut segmentation | |
| CN108647605B (zh) | 一种结合全局颜色与局部结构特征的人眼凝视点提取方法 | |
| CN112686872B (zh) | 基于深度学习的木材计数方法 | |
| CN113763404A (zh) | 基于优化标记和边缘约束分水岭算法的泡沫图像分割方法 | |
| CN114419006A (zh) | 一种随背景变化的灰度视频文字类水印去除方法及系统 | |
| CN113850792A (zh) | 一种基于计算机视觉的细胞分类计数方法及系统 | |
| CN110689553B (zh) | 一种rgb-d图像的自动分割方法 | |
| CN106934846B (zh) | 一种布料图像处理方法及系统 | |
| CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 | |
| CN109448010B (zh) | 一种基于内容特征的四方连续纹样自动生成方法 |
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 | ||
| CP03 | Change of name, title or address |
Address after: 527400 9 East Causeway North Road, Xinxing County new town, Yunfu, Guangdong Patentee after: WENS FOODSTUFF GROUP Co.,Ltd. Country or region after: China Patentee after: SOUTH CHINA AGRICULTURAL University Address before: 527400 9 East Causeway North Road, Xinxing County new town, Yunfu, Guangdong Patentee before: GUANGDONG WENS FOODSTUFF GROUP Co.,Ltd. Country or region before: China Patentee before: SOUTH CHINA AGRICULTURAL University |
|
| CP03 | Change of name, title or address |