CN108931825A - 一种基于地物清晰度的遥感图像云厚度检测方法 - Google Patents
一种基于地物清晰度的遥感图像云厚度检测方法 Download PDFInfo
- Publication number
- CN108931825A CN108931825A CN201810478773.9A CN201810478773A CN108931825A CN 108931825 A CN108931825 A CN 108931825A CN 201810478773 A CN201810478773 A CN 201810478773A CN 108931825 A CN108931825 A CN 108931825A
- Authority
- CN
- China
- Prior art keywords
- spissatus
- cloud
- clouding
- block
- remote sensing
- 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于地物清晰度的遥感图像云厚度检测方法,该方法是对标记有云斑块的遥感图像进行的薄云、中厚云和厚云的云检测,具体包括有获取任意一云斑块信息,然后进行薄云与混合厚云的划分,从而得到薄云或者混合云;继而对混合云进行厚云拾取,对不属于薄云和厚云的云斑块采用形态学腐蚀方法处理,得到中厚云。本发明的云厚度检测是为了达到对云厚度信息的表示学习,有利于提高在进行图像融合后进行高精度国土资源制图中看到高清晰度的地物。
Description
技术领域
本发明涉及云厚度信息的表示学习,属于气象参数的遥感反演,更特别地说,是指一种基于地物清晰度的遥感图像云厚度检测方法。
背景技术
遥感反演是根据由地物电磁波特征产生的遥感影像特征反推其形成过程中的电磁波状况的技术。或者说,根据观测信息和正向模型求解或推算描述地面实况的应用参数(或目标参数)。在遥感参数的提取过程中,气象参数的遥感反演需要多源观测信息的集成利用、观测数据和预测模型的同化分折、综合考虑大气物理特性、算法复杂性和用户应用目的来设计优化准则,最终获取气象参数遥感估算的最优解。
网络表示是衔接网络原始数据和网络应用任务的桥梁。网络表示学习方法负责从网络数据中学习得到网络中每个节点的向量表示,之后这些节点表示就可以作为节点的特征应用于后续的网络应用任务,如节点分类、链接预测和可视化等。
云检测是利用卫星资料研究云对气候系统作用的第一步。在遥感数据的处理过程中,云检测是首要解决的问题之一。利用气象卫星云图进行云分类是基于在卫星观测视场角内地表和云具有不同辐射特征的基础进行的。地表辐射特征与地表类型、大气状况和太阳与卫星的相对位置等因素都有很大的关系,这就造成常规条件下气象卫星云图上各种类型的云之间及云与地表之间很难区分。由于云是随时间和空间变化的不稳定因子,不同季节云的反射率和亮温不同、不同空间高度云的反射率和亮温也有所不同。
在可见光/红外卫星遥感图像中,云对于地物观测的影响不可避免,而且,云对于遥感图像成像质量的影响与云厚度关系密切,厚云会完全遮挡地物信息,中厚云会部分遮挡地物信息,薄云仅仅模糊地物,不会遮挡地物信息。因此,云对于卫星遥感图像地物信息的影响需要根据其厚度信息进行判别,因此本发明提出了一种基于地物清晰度的遥感图像云厚度检测方法。
发明内容
本发明的一种基于地物清晰度的遥感图像云厚度检测方法,该方法基于表示学习方法对遥感图像中云厚度信息进行表示。经本发明方法处理后的带有云斑块的遥感图像能够分辨出至少三种类型的云信息,即薄云、厚云和中厚云。有效地提高了图像融合后进行高精度国土资源制图中的地物清晰度。
本发明的一种基于地物清晰度的遥感图像云厚度检测方法,遥感图像中带有云斑块信息;其特征在于包括有下列步骤:
第一步骤,获取带有云信息区域标识的遥感图像,并按照云斑块标记号进行排序,得到云斑块检测集MA={a1,a2,…,ab,…,aA};
云斑块的总数量记为A,任意一个云斑块记为ab,下角标b表示云斑块的标识号,b∈A;
云斑块检测集MA={a1,a2,…,ab,…,aA}中的云斑块标记号是按照数字从小至大顺序排序的;
第二步骤,检测薄云;
薄云条件且 表示薄云的灰度平均值,表示薄云灰度标准差;
采用薄云条件且对云斑块检测集MA={a1,a2,…,ab,…,aA}进行比较拾取;其中,
满足薄云条件且的云斑块记入到薄云集中,记为
不满足薄云条件thin_cloud的云斑块记入到混合云集
记为
第三步骤,检测厚云;
厚云条件 表示厚云的灰度平均值,表示厚云灰度标准差,表示遥感图像的饱和度,表示遥感图像的熵,cosθ表示当前云斑块与参考厚云的相似程度;
步骤31,采用厚云条件对经步骤二处理后的混合云集进行比较拾取;其中,
满足厚云条件的记入到厚云集中;
不满足厚云条件的云斑块记入到待处
理第一中厚云集中,记为
步骤32,采用形态学腐蚀方法对待处理第一中厚云集进行腐蚀处理,得到第一腐蚀后云斑块集记为
步骤33,对第一腐蚀后云斑块集
采用厚云条件进行处理,
一方面得到第一腐蚀后厚云
另一方面得到第二中厚云
步骤34,采用形态学腐蚀方法对第二中厚云集进行腐蚀处理,得到第二次腐蚀后云斑块集然后采用厚云条件对进行判断,
一方面得到第二腐蚀后厚云
另一方面得到第三中厚云
步骤35,经步骤34处理后的中厚云重复进行形态学腐蚀方法处理,最终判断出中厚云ZHYMA。
本发明云检测方法与传统去检测方法相比,本发明方法应用了遥感图像的像素信息来对云类型进行划分。
附图说明
图1是传统遥感过程与技术系统的结构框图。
图1A是传统遥感应用的流程图。
图2是本发明表示学习方法在高精度的国土资源制图中的应用流程图。
图3是RGB向量空间坐标示意图。
图4是本发明基于地物清晰度的遥感图像云厚度检测的流程图。
图4A是本发明基于地物清晰度的遥感图像云厚度检测的另一流程图。
图5是遥感图像照片。
图5A是带有云斑块标识号的遥感图像照片。
具体实施方式
下面将结合附图和实施例对本发明做进一步的详细说明。
在本发明中,云厚度是指卫星遥感图像可穿过云层透视地物信息的能力大小。
在本发明中,引用《遥感原理与应用》杜培军主编,2006年7月出版,第4、213页。将第4页的图1-1记为本发明中的图1,而第213页的图8-1记为本发明的图1A。通过图1、图1A、图2来说明本发明的云厚度检测方法是应用在高精度的国土资源制图中的。如果云对地物造成了有效遮挡则会影响地物信息的获取。
在本发明中,采用表示学习方法对遥感图像中云厚度信息进行表示,从而能够有效地检测出云的不同厚度,对于检测出的云厚度信息能够应用于高精度国土资源制图中(如图2所示)。本发明将云的厚度分为薄云、厚云和中厚云三种。
薄云定义:云斑块中的信息满足薄云条件且条件的称为薄云。
厚云定义:云斑块中的信息满足厚云条件条件的称为厚云。
中厚云定义:既不满足薄云也不满足厚云的云斑块,则为中厚云。
参见图5、图5A所示,图中虚线框可以代表一云斑块。在本发明中,所使用的遥感图像信息是经云检测后的,即能够得知任意一景遥感图像中存在有A个需要进行检测的云斑块。采用集合的形式表达为云斑块检测集MA={a1,a2,…,ab,…,aA},a1表示第1个云斑块,a2表示第2个云斑块,ab表示第b个云斑块,aA表示最后一个云斑块,下角标A表示云斑块的总数量;为了方便说明,ab也表示任意一个云斑块,下角标b表示云斑块的标识号。
采用标准差对任意一个云斑块ab进行灰度值和灰度标准差的提取,分别记为
表示云斑块ab的灰度值;
表示云斑块ab的标准差;
N表示云斑块ab中云像素的总数;
i表示N的云像素求和指标;
vi表示云斑块ab中第i个云像素的灰度值;在本发明中,遥感图像为具有三通道的RGB图像信息,任意一个像素vi的灰度值取此处三个通道的最大值。
V表示云斑块ab中所有云像素的灰度平均值。
同理,云斑块a1的标准差记为云斑块a1的灰度值记为
同理,云斑块a2的标准差记为云斑块a2的灰度值记为
同理,云斑块aA的标准差记为云斑块aA的灰度值记为
参见图3所示的RGB向量空间坐标示意图,图中原点为O,绿色G为坐标系的X轴向,蓝色B为坐标系的Y轴向,红色为坐标系的Z轴向。D为遥感图像中厚云的像素参考点,E为任意一云斑块的像素平均值;为厚云向量,为当前云斑块向量,θ为与的空间夹角。为了清楚表达遥感图像中云信息的厚度,以余弦cosθ来表征当前云斑块与参考厚云的相似程度。
在本发明中应用RGB向量来进行遥感图像中的取值,则有:绿色G的取值记为XG,蓝色B的取值记为YB,红色R的取值记为ZR,任意一云斑块的RGB向量取值记为(XG,YB,ZR),则有当前云斑块与参考厚云的相似程度
参考厚云在RGB向量中,绿色G的取值记为蓝色B的取值记为红色R的取值记为在本发明中,参考厚云在RGB向量中的取值记为
参见图4所示,本发明的一种基于地物清晰度的遥感图像云厚度检测方法包括有下列步骤:
第一步骤,获取带有云信息区域标识的遥感图像,并按照云斑块标记号进行排序,得到云斑块检测集MA={a1,a2,…,ab,…,aA};
在本发明中,是对已经标记出云斑块标记的遥感图像进行的云厚度检测。云斑块的总数量记为A,任意一个云斑块记为ab,下角标b表示云斑块的标识号,b∈A。
云斑块检测集MA={a1,a2,…,ab,…,aA}中的云斑块标记号是按照数字从小至大顺序排序的。
第二步骤,检测薄云;
薄云条件且 表示薄云的灰度平均值,表示薄云灰度标准差。
采用薄云条件且对云斑块检测集MA={a1,a2,…,ab,…,aA}进行比较拾取;其中,
满足薄云条件且的云斑块记入到薄云集中,记为
不满足薄云条件thin_cloud的云斑块记入到混合云集
记为
在本发明中,对于的取值是利用近红外区中的几个波长上的反射辐射反演云的光学厚度。对于遥感图像来说,云光学厚度反映了云层对光线的衰减作用,主要用于大气气象等科学研究。但是,云厚度对于地面信息的遮挡程度评估仍然需要另作研判,光学厚度反演方法并未考虑其对地物清晰度影响的程度,并且,计算过程中需要较多关于卫星及太阳方位等方面的参数,计算过程较为复杂并限制了其应用范围。因此,针对遥感图像中云厚度对于地物清晰度的影响问题,本发明针对薄云完全基于图像信息来描述其厚度。
第三步骤,检测厚云;
厚云条件 表示厚云的灰度平均值,表示厚云灰度标准差,表示遥感图像的饱和度,表示遥感图像的熵,cosθ表示当前云斑块与参考厚云的相似程度。
步骤31,采用厚云条件对经步骤二处理后的混合云集进行比较拾取;其中,
满足厚云条件的记入到厚云集
中;
在本发明中,若一张遥感图像经厚云条件检测后的云斑块检测集MA={a1,a2,…,ab,…,aA}中没有其他云斑块信息,则结束云厚度检测,如图4A所示。
不满足厚云条件的云斑块记入到待
处理第一中厚云集中,记为
步骤32,采用形态学腐蚀方法对待处理第一中厚云集进行腐蚀处理,得到第一腐蚀后云斑块集记为
步骤33,对第一腐蚀后云斑块集
采用厚云条件进行处理,
一方面得到第一腐蚀后厚云
另一方面得到第二中厚云
步骤34,采用形态学腐蚀方法对第二中厚云集进行腐蚀处理,得到第二次腐蚀后云斑块集然后采用厚云条件对进行判断,
一方面得到第二腐蚀后厚云
另一方面得到第三中厚云
步骤35,经步骤34处理后的中厚云重复进行形态学腐蚀方法处理,最终判断出中厚云ZHYMA。
在本发明中,对于不属于厚云的混合云至少需要2次的形态学腐蚀方法处理,才能判断出中厚云ZHYMA。所述的形态学腐蚀方法中不同次的腐蚀去除采用了不同结构元尺寸。
在本发明中,形态学腐蚀方法参考2013年1月第5次印刷的《数字图像处理(第三版)》,[美]Rafael C.Gonzalez,Richard E.Woods,第404-406页。使用腐蚀去除遥感图像中的某些部分来确定厚云信息的,每一次腐蚀去除的是不同的信息,如使用一个大小为11×11且元素都是1的方形结构元腐蚀图像,大多数为1的线条都被去除了。
实施例1
第一步骤,获取带有云信息区域标识的遥感图像,并按照云斑块标记号进行排序,得到云斑块检测集;
在实施例1中读入一张标记有10个云斑块的遥感图像(如图5A所示),从左上角开始且以行读取云斑块的标记号,则有云斑块检测集MA={a1,a2,a3,a4,a5,a6,a7,a8,a9,a10},以行进行读取云斑块标记号并按照标识号数字从小至大顺序排序好。对于云斑块的划分是以遥感图像中每一独立存在的云朵来定义的。任意一张带有云斑块的遥感图像的行号是以遥感图像(如图5所示)纵向尺寸来划分的,一般行高是整张遥感图像纵向高度的
第二步骤,检测薄云;
依据薄云条件且对云斑块检测集MA={a1,a2,a3,a4,a5,a6,a7,a8,a9,a10}进行判断,一方面得到属于薄云的云斑块,即薄云集另一方面得到属于混合云的云斑块,
即混合云集
第三步骤,检测厚云;
依据厚云条件
对混合云集进行判断,
一方面得到属于厚云的云斑块,即厚云集
另一方面得到第一中厚云
然后采用形态学腐蚀方法对第一中厚云集进行腐蚀处理,得到第一次腐蚀后云斑块集然后采用厚云条件对进行判断,
一方面得到第一腐蚀后厚云
另一方面得到第二中厚云
对第一中厚云集使用的形态腐蚀方法是以一个大小为11×11且元素都是1的方形结构元腐蚀图像,大多数为1的线条都被去除了。
然后采用形态学腐蚀方法对第二中厚云集进行腐蚀处理,得到第二次腐蚀后云斑块集然后采用厚云条件对进行判断,
一方面得到第二腐蚀后厚云
另一方面得到第三中厚云在实施例1中经2次的形态腐蚀方法处理后得到的所述第三中厚云则为中厚云ZHYMA了。
对第二中厚云集使用的形态腐蚀方法是以一个大小为15×15且元素都是1的方形结构元腐蚀图像,大多数为1的线条都被去除了。增大结构元的尺寸会消除更大的混合云信息。
在本发明中,通过对遥感图像中的云信息进行拾取,达到对云厚度信息的表示学习(如图2所示),有利于提高在进行图像融合后进行高精度国土资源制图中看到高清晰度的地物。
Claims (5)
1.一种基于地物清晰度的遥感图像云厚度检测方法,遥感图像中带有云斑块信息;其特征在于包括有下列步骤:
第一步骤,获取带有云信息区域标识的遥感图像,并按照云斑块标记号进行排序,得到云斑块检测集MA={a1,a2,…,ab,…,aA};
云斑块的总数量记为A,任意一个云斑块记为ab,下角标b表示云斑块的标识号,b∈A;
云斑块检测集MA={a1,a2,…,ab,…,aA}中的云斑块标记号是按照数字从小至大顺序排序的;
第二步骤,检测薄云;
薄云条件且 表示薄云的灰度平均值,表示薄云灰度标准差;
采用薄云条件且对云斑块检测集MA={a1,a2,…,ab,…,aA}进行比较拾取;其中,
满足薄云条件且的云斑块记入到薄云集中,记为
不满足薄云条件thin_cloud的云斑块记入到混合云集
记为
第三步骤,检测厚云;
厚云条件 表示厚云的灰度平均值,表示厚云灰度标准差,表示遥感图像的饱和度,表示遥感图像的熵,cosθ表示当前云斑块与参考厚云的相似程度;
步骤31,采用厚云条件对经步骤二处理后的混合云集进行比较拾取;其中,
满足厚云条件的记入到厚云集
中;
不满足厚云条件的云斑块记入到待处理第一中厚云集中,记为
步骤32,采用形态学腐蚀方法对待处理第一中厚云集进行腐蚀处理,得到第一腐蚀后云斑块集记为
步骤33,对第一腐蚀后云斑块集
采用厚云条件进行处理,
一方面得到第一腐蚀后厚云
另一方面得到第二中厚云
步骤34,采用形态学腐蚀方法对第二中厚云集进行腐蚀处理,得到第二次腐蚀后云斑块集然后采用厚云条件对进行判断,
一方面得到第二腐蚀后厚云
另一方面得到第三中厚云
步骤35,经步骤34处理后的中厚云重复进行形态学腐蚀方法处理,最终判断出中厚云ZHYMA。
2.根据权利要求1所述的基于地物清晰度的遥感图像云厚度检测方法,其特征在于:经步骤31处理后的云斑块遥感图像未有混合云信息的,则结束云厚度检测。
3.根据权利要求1或2所述的基于地物清晰度的遥感图像云厚度检测方法,其特征在于:云斑块的划分是以遥感图像中每一独立存在的云朵来定义的。
4.根据权利要求1或2所述的基于地物清晰度的遥感图像云厚度检测方法,其特征在于:任意一张带有云斑块的遥感图像的行号是以遥感图像纵向高度的 来定义的。
5.根据权利要求1或2所述的基于地物清晰度的遥感图像云厚度检测方法,其特征在于:从步骤32开始的形态学腐蚀方法是使用腐蚀去除遥感图像中的某些部分来确定厚云信息的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810478773.9A CN108931825B (zh) | 2018-05-18 | 2018-05-18 | 一种基于地物清晰度的遥感图像云厚度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810478773.9A CN108931825B (zh) | 2018-05-18 | 2018-05-18 | 一种基于地物清晰度的遥感图像云厚度检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108931825A true CN108931825A (zh) | 2018-12-04 |
CN108931825B CN108931825B (zh) | 2020-07-14 |
Family
ID=64449262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810478773.9A Active CN108931825B (zh) | 2018-05-18 | 2018-05-18 | 一种基于地物清晰度的遥感图像云厚度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108931825B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688606A (zh) * | 2019-08-30 | 2020-01-14 | 中国科学院遥感与数字地球研究所 | 一种热红外遥感反演云微物理参数的方法 |
CN112396125A (zh) * | 2020-12-01 | 2021-02-23 | 中国第一汽车股份有限公司 | 一种定位测试场景的分类方法、装置、设备及存储介质 |
CN114936972A (zh) * | 2022-04-06 | 2022-08-23 | 航天东方红卫星有限公司 | 一种基于多路感知梯度的遥感图像薄云移除方法 |
CN115082452A (zh) * | 2022-07-26 | 2022-09-20 | 北京数慧时空信息技术有限公司 | 基于云及阴影的遥感影像质量定量评价方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101281142A (zh) * | 2007-12-28 | 2008-10-08 | 深圳先进技术研究院 | 一种测量大气能见度的方法 |
US20180012060A1 (en) * | 2015-01-20 | 2018-01-11 | Bae Systems Plc | Detecting and ranging cloud features |
-
2018
- 2018-05-18 CN CN201810478773.9A patent/CN108931825B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101281142A (zh) * | 2007-12-28 | 2008-10-08 | 深圳先进技术研究院 | 一种测量大气能见度的方法 |
US20180012060A1 (en) * | 2015-01-20 | 2018-01-11 | Bae Systems Plc | Detecting and ranging cloud features |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688606A (zh) * | 2019-08-30 | 2020-01-14 | 中国科学院遥感与数字地球研究所 | 一种热红外遥感反演云微物理参数的方法 |
CN112396125A (zh) * | 2020-12-01 | 2021-02-23 | 中国第一汽车股份有限公司 | 一种定位测试场景的分类方法、装置、设备及存储介质 |
CN114936972A (zh) * | 2022-04-06 | 2022-08-23 | 航天东方红卫星有限公司 | 一种基于多路感知梯度的遥感图像薄云移除方法 |
CN114936972B (zh) * | 2022-04-06 | 2024-07-02 | 航天东方红卫星有限公司 | 一种基于多路感知梯度的遥感图像薄云移除方法 |
CN115082452A (zh) * | 2022-07-26 | 2022-09-20 | 北京数慧时空信息技术有限公司 | 基于云及阴影的遥感影像质量定量评价方法 |
CN115082452B (zh) * | 2022-07-26 | 2022-11-04 | 北京数慧时空信息技术有限公司 | 基于云及阴影的遥感影像质量定量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108931825B (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN107680054B (zh) | 雾霾环境下多源图像融合方法 | |
CN108931825A (zh) | 一种基于地物清晰度的遥感图像云厚度检测方法 | |
Meng et al. | Pansharpening for cloud-contaminated very high-resolution remote sensing images | |
CN102750701B (zh) | 针对Landsat TM和ETM图像的厚云及其阴影检测方法 | |
CN110533583B (zh) | 一种基于宫颈液基细胞的自适应图像增广系统 | |
CN108765347A (zh) | 一种适合遥感影像的色彩增强方法 | |
CN106709517A (zh) | 红树林识别方法及系统 | |
CN111461006B (zh) | 一种基于深度迁移学习的光学遥感图像杆塔位置检测方法 | |
CN111241970A (zh) | 基于yolov3算法与滑动窗口策略的SAR影像海面舰船检测方法 | |
CN109360192A (zh) | 一种基于全卷积网络的物联网大田作物叶部病害检测方法 | |
CN110969171A (zh) | 基于改进卷积神经网络的图像分类模型、方法及应用 | |
CN109977834B (zh) | 从深度图像中分割人手与交互物体的方法和装置 | |
CN109829507B (zh) | 航拍高压输电线路环境检测方法 | |
Mai et al. | Back propagation neural network dehazing | |
CN112884795A (zh) | 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法 | |
CN108509826A (zh) | 一种遥感影像的道路识别方法及其系统 | |
Zheng et al. | UAV image haze removal based on saliency-guided parallel learning mechanism | |
CN112784806A (zh) | 一种基于全卷积神经网络的含锂伟晶岩脉提取方法 | |
Huang et al. | Research on crop planting area classification from remote sensing image based on deep learning | |
CN116310800B (zh) | 一种基于深度学习的梯田自动提取方法及装置 | |
CN112330639A (zh) | 一种用于彩色-热红外图像的显著性检测方法 | |
CN110796716A (zh) | 一种基于多重残差网络和正则化迁移学习的图像着色方法 | |
CN104966273A (zh) | 适用于光学遥感影像的dcm-htm去雾霾方法 | |
CN113506230B (zh) | 一种基于机器视觉的光伏电站航拍影像匀光处理方法 |
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 |