CN109145994B - 一种基于改进颜色方差算法的图像相似判定方法 - Google Patents

一种基于改进颜色方差算法的图像相似判定方法 Download PDF

Info

Publication number
CN109145994B
CN109145994B CN201810984174.4A CN201810984174A CN109145994B CN 109145994 B CN109145994 B CN 109145994B CN 201810984174 A CN201810984174 A CN 201810984174A CN 109145994 B CN109145994 B CN 109145994B
Authority
CN
China
Prior art keywords
image
variance
images
algorithm
color variance
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
Application number
CN201810984174.4A
Other languages
English (en)
Other versions
CN109145994A (zh
Inventor
彭艺
尹玉梅
祁俊辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201810984174.4A priority Critical patent/CN109145994B/zh
Publication of CN109145994A publication Critical patent/CN109145994A/zh
Application granted granted Critical
Publication of CN109145994B publication Critical patent/CN109145994B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
    • 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
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于改进颜色方差算法的图像相似判定方法，属于图像处理技术领域。本发明首先通过基准图及考察图对图像进行全方位旋转操作，生成上、下、左、右、左上、左下、右上、右下等8张剪裁旋转图，其后通过颜色方差算法对图像进行方差计算，两两计算剪裁旋转图之间基于颜色方差算法的方差差值，并取其最小值作为图像之间基于颜色方差算法的方差差值；基于颜色方差算法的方差差值小于相似阈值，则判定为图像相似；若基于颜色方差算法的方差差值大于相似阈值，则判定为图像不相似。本发明解决了现有技术在对图像相似判定时存在的未考虑图像旋转、灵活性不足、准确度低等现象，提高了利用颜色方差算法对图像相似判定的灵活性和准确度。

Description

一种基于改进颜色方差算法的图像相似判定方法
技术领域
本发明涉及一种基于改进颜色方差算法的图像相似判定方法，属于图像处理技术领域。
背景技术
图像相似判定是图像处理领域的一项基本研究，指对两张或多张图像的内容相似程度进行分析、比较，广泛应用于图像检索、目标检测、照片过滤等领域。
目前，有多种图像相似判定的方法，就颜色方差算法而言，其准确率及效率并不尽人意，一个主要原因就是颜色方差算法没有考虑到图像旋转的情况，若对图像进行上下或左右反转后再比对，其结果较不理想。
发明内容
本发明要解决的技术问题是针对现有技术的局限和不足，提供一种基于改进颜色方差算法的图像相似判定方法，以解决现有技术在对图像相似判定时存在的未考虑图像旋转、灵活性不足、准确度低等现象，致力于提高利用颜色方差算法对图像相似判定的灵活性和准确度。
本发明的技术方案是：一种基于改进颜色方差算法的图像相似判定方法，首先通过基准图及考察图对图像进行全方位旋转操作，生成上、下、左、右、左上、左下、右上、右下8张剪裁旋转图，其后通过颜色方差算法对图像进行方差计算，两两计算剪裁旋转图之间基于颜色方差算法的方差差值，并取其最小值作为图像之间基于颜色方差算法的方差差值；基于颜色方差算法的方差差值小于相似阈值，则判定为图像相似；若基于颜色方差算法的方差差值大于相似阈值，则判定为图像不相似；
具体步骤为：
Step1：获取图像A和图像B；
Step2：将图像A、B作为基准图，并在图像A、B中相同位置截取相同大小的图像作为考察图
Figure GDA0002768185170000011
Step3：对图像A、B按照Setp3.1～Step3.4的规则进行方向旋转变化，得到新的图像A″m,m∈[1,8]和B″n,n∈[1,8]；Step3.1：记考察图
Figure GDA0002768185170000012
的大小为M×N，其中心位置坐标为(x,y)；
Step3.2：以中心位置坐标(x,y)作为基准图像A、B的中心，重新在基准图上截取大小为M′×N′的截取后的图像A′、B′，其中M′≥M,N′≥N；
Step3.3：对截取后的图像A′、B′进行45°t,t∈[1,8]方向旋转变化，得到旋转后的图像A′m,m∈[1,8]和B′n,n∈[1,8]；
Step3.4：对图像A′m,m∈[1,8]和B′n,n∈[1,8]以中心位置坐标(x,y)为中心，截取大小为M×N的图像，得到最终的旋转图像A″m,m∈[1,8]和B″n,n∈[1,8]；
Step4：通过颜色方差算法对图像A″m,m∈[1,8]和图像B″n,n∈[1,8]进行方差计算，得到图像A″m、B″n之间基于颜色方差算法的方差差值DVar(A″m,B″n),m∈[1,8],n∈[1,8]；具体如Step4.1～Step4.5所示；
Step4.1：将图像A″m、B″n的大小压缩至8×8；
Step4.2：将压缩后的图像A″m、B″n转化为256阶灰度图像，并表示为矩阵形式
Figure GDA0002768185170000021
Figure GDA0002768185170000022
其中
Figure GDA0002768185170000023
为矩阵元素值；
Step4.3：根据公式(1)计算矩阵
Figure GDA0002768185170000024
的每行元素平均值
Figure GDA0002768185170000025
Figure GDA0002768185170000026
Figure GDA0002768185170000027
Step4.4：将矩阵按照从上至下i＝1→8的规则，根据公式(2)进行方差计算，得到矩阵
Figure GDA0002768185170000028
的方差向量
Figure GDA0002768185170000029
其中
Figure GDA00027681851700000210
为向量元素值；
Figure GDA00027681851700000211
Step4.5：通过公式(3)计算图像A″m、B″n之间基于颜色方差算法的方差差值DVar(A″m,B″n),m∈[1,8],n∈[1,8]，其中δ为归一化参数；
Figure GDA0002768185170000031
Step5：根据图像A″m、B″n两两组合得到Max(m)×Max(n)＝8×8＝64个方差差值，根据公式(4)选出其中最小值作为图像A、B之间基于颜色方差算法的方差差值DVar(A,B)；
DVar(A,B)＝Min(DVar(A″m,B″n)),m∈[1,8],n∈[1,8] (4)
Step6：定义相似阈值
Figure GDA0002768185170000034
若图像A、B之间基于颜色方差算法的方差差值DVar(A,B)满足公式(5)要求，则判定图像A和图像B相似；若满足公式(6)要求，则判定图像A和图像B不相似。
Figure GDA0002768185170000032
Figure GDA0002768185170000033
进一步地，所述步骤Step1中，图像A和图像B可以为任意大小的图像，且图像格式任意。
进一步地，所述步骤Step3.2中，截取的图像的大小要大于考察图像的大小，即满足M′≥M,N′≥N的要求，作用是为了保证旋转后得到的图像在区域内没有空白区域。
进一步地，所述步骤Step4.5中，归一化参数δ取正整数，通常取δ＝1，但可根据实际效果进行调整，相应的相似阈值
Figure GDA0002768185170000035
也要进行更改。
进一步地，所述步骤Step5中为了降低处理速度，去除重复后可简化计算至1+2+…+Max(m,n)＝36个方差差值。
进一步地，所述步骤Step6中，相似阈值
Figure GDA0002768185170000036
通常取
Figure GDA0002768185170000037
可自行修改。
本发明的有益效果是：主要解决了现有技术在对图像相似判定时存在的未考虑图像旋转、灵活性不足、准确度低等现象，提高了利用颜色方差算法对图像相似判定的灵活性和准确度。
附图说明
图1是本发明步骤流程图；
图2是本发明对图像进行旋转过程示意图。
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步说明。
实施例1：如图1-2所示，一种基于改进颜色方差算法的图像相似判定方法，首先通过基准图及考察图对图像进行全方位旋转操作，生成上、下、左、右、左上、左下、右上、右下8张剪裁旋转图，其后通过颜色方差算法对图像进行方差计算，两两计算剪裁旋转图之间基于颜色方差算法的方差差值，并取其最小值作为图像之间基于颜色方差算法的方差差值；基于颜色方差算法的方差差值小于相似阈值，则判定为图像相似；若基于颜色方差算法的方差差值大于相似阈值，则判定为图像不相似；
具体步骤为：
Step1：获取图像A和图像B；
Step2：将图像A、B作为基准图，并在图像A、B中相同位置截取相同大小的图像作为考察图
Figure GDA0002768185170000041
Step3：对图像A、B按照Step3.1～Step3.4的规则进行方向旋转变化，得到新的图像A″m,m∈[1,8]和B″n,n∈[1,8]；
Step3.1：记考察图
Figure GDA0002768185170000042
的大小为M×N，其中心位置坐标为(x,y)；
Step3.2：以中心位置坐标(x,y)作为基准图像A、B的中心，重新在基准图上截取大小为M′×N′的截取后的图像A′、B′，其中M′≥M,N′≥N；
Step3.3：对截取后的图像A′、B′进行45°t,t∈[1,8]方向旋转变化，得到旋转后的图像A′m,m∈[1,8]和B′n,n∈[1,8]；
Step3.4：对图像A′m,m∈[1,8]和B′n,n∈[1,8]以中心位置坐标(x,y)为中心，截取大小为M×N的图像，得到最终的旋转图像A″m,m∈[1,8]和B″n,n∈[1,8]；
Step4：通过颜色方差算法对图像A″m,m∈[1,8]和图像B″n,n∈[1,8]进行方差计算，得到图像A″m、B″n之间基于颜色方差算法的方差差值DVar(A″m,B″n),m∈[1,8],n∈[1,8]；具体如Step4.1～Step4.5所示；
Step4.1：将图像A″m、B″n的大小压缩至8×8；
Step4.2：将压缩后的图像A″m、B″n转化为256阶灰度图像，并表示为矩阵形式
Figure GDA0002768185170000043
Figure GDA0002768185170000044
其中
Figure GDA0002768185170000045
为矩阵元素值；
Step4.3：根据公式(1)计算矩阵
Figure GDA0002768185170000046
的每行元素平均值
Figure GDA0002768185170000047
Figure GDA0002768185170000051
Figure GDA0002768185170000052
Step4.4：将矩阵按照从上至下i＝1→8的规则，根据公式(2)进行方差计算，得到矩阵
Figure GDA0002768185170000053
的方差向量
Figure GDA0002768185170000054
其中
Figure GDA0002768185170000055
为向量元素值；
Figure GDA0002768185170000056
Step4.5：通过公式(3)计算图像A″m、B″n之间基于颜色方差算法的方差差值DVar(A″m,B″n),m∈[1,8],n∈[1,8]，其中δ为归一化参数；
Figure GDA0002768185170000057
Step5：根据图像A″m、B″n两两组合得到Max(m)×Max(n)＝8×8＝64个方差差值，根据公式(4)选出其中最小值作为图像A、B之间基于颜色方差算法的方差差值DVar(A,B)；
DVar(A,B)＝Min(DVar(A″m,B″n)),m∈[1,8],n∈[1,8] (4)
Step6：定义相似阈值
Figure GDA00027681851700000510
若图像A、B之间基于颜色方差算法的方差差值DVar(A,B)满足公式(5)要求，则判定图像A和图像B相似；若满足公式(6)要求，则判定图像A和图像B不相似。
Figure GDA0002768185170000058
Figure GDA0002768185170000059
进一步地，所述步骤Step1中，图像A和图像B可以为任意大小的图像，且图像格式任意。
进一步地，所述步骤Step3.2中，截取的图像的大小要大于考察图像的大小，即满足M′≥M,N′≥N的要求，作用是为了保证旋转后得到的图像在区域内没有空白区域。
进一步地，所述步骤Step4.5中，归一化参数δ取正整数，通常取δ＝1，但可根据实际效果进行调整，相应的相似阈值
Figure GDA0002768185170000061
也要进行更改。
进一步地，所述步骤Step5中为了降低处理速度，去除重复后可简化计算至1+2+…+Max(m,n)＝36个方差差值。
进一步地，所述步骤Step6中，相似阈值
Figure GDA0002768185170000062
通常取
Figure GDA0002768185170000063
可自行修改。
实施例2：在实施例1的基础上，若步骤Step4.5中图像A″m、B″n之间基于颜色方差算法的方差差值DVar(A″m,B″n),m∈[1,8],n∈[1,8]分别为12/14/5/7/4/21/18/26/42/7/···/6/32/21，则步骤Step5中由公式(4)选出其中最小值作为图像A、B之间基于颜色方差算法的方差差值DVar(A,B)，其值为DVar(A,B)＝Min(DVar(A″m,B″n)),m∈[1,8],n∈[1,8]＝4。
实施例3：在实施例1的基础上，取相似阈值
Figure GDA0002768185170000064
若步骤Step5中图像A、B之间基于颜色方差算法的方差差值DVar(A,B)＝4，则判定图像A和图像B相似；若步骤Step5中图像A、B之间基于颜色方差算法的方差差值DVar(A,B)＝12，则判定图像A和图像B不相似。
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (5)

1.一种基于改进颜色方差算法的图像相似判定方法，其特征在于：首先通过基准图及考察图对图像进行全方位旋转操作，生成上、下、左、右、左上、左下、右上、右下8张剪裁旋转图，其后通过颜色方差算法对图像进行方差计算，两两计算剪裁旋转图之间基于颜色方差算法的方差差值，并取其最小值作为图像之间基于颜色方差算法的方差差值；基于颜色方差算法的方差差值小于相似阈值，则判定为图像相似；若基于颜色方差算法的方差差值大于相似阈值，则判定为图像不相似；
具体步骤为：
Step1：获取图像A和图像B；
Step2：将图像A、B作为基准图，并在图像A、B中相同位置截取相同大小的图像作为考察图
Figure FDA0002768185160000011
Step3：对图像A、B按照Step3.1～Step3.4的规则进行方向旋转变化，得到新的图像A″m,m∈[1,8]和B″n,n∈[1,8]；
Step3.1：记考察图
Figure FDA0002768185160000012
的大小为M×N，其中心位置坐标为(x,y)；
Step3.2：以中心位置坐标(x,y)作为基准图像A、B的中心，重新在基准图上截取大小为M′×N′的截取后的图像A′、B′，其中M′≥M,N′≥N；
Step3.3：对截取后的图像A′、B′进行45°t,t∈[1,8]方向旋转变化，得到旋转后的图像A′m,m∈[1,8]和B′n,n∈[1,8]；
Step3.4：对图像A′m,m∈[1,8]和B′n,n∈[1,8]以中心位置坐标(x,y)为中心，截取大小为M×N的图像，得到最终的旋转图像A″m,m∈[1,8]和B″n,n∈[1,8]；
Step4：通过颜色方差算法对图像A″m,m∈[1,8]和图像B″n,n∈[1,8]进行方差计算，得到图像A″m、B″n之间基于颜色方差算法的方差差值DVar(A″m,B″n),m∈[1,8],n∈[1,8]；具体如Step4.1～Step4.5所示；
Step4.1：将图像A″m、B″n的大小压缩至8×8；
Step4.2：将压缩后的图像A″m、B″n转化为256阶灰度图像，并表示为矩阵形式
Figure FDA0002768185160000013
Figure FDA0002768185160000014
其中
Figure FDA0002768185160000015
m∈[1,8],i∈[1,8],j∈[1,8]、
Figure FDA0002768185160000016
n∈[1,8],i∈[1,8],j∈[1,8]为矩阵元素值；
Step4.3：根据公式(1)计算矩阵
Figure FDA0002768185160000021
的每行元素平均值
Figure FDA0002768185160000022
i∈[1,8]、
Figure FDA0002768185160000023
i∈[1,8]；
Figure FDA0002768185160000024
Step4.4：将矩阵按照从上至下i＝1→8的规则，根据公式(2)进行方差计算，得到矩阵
Figure FDA0002768185160000025
的方差向量
Figure FDA0002768185160000026
其中
Figure FDA0002768185160000027
i∈[1,8]、
Figure FDA0002768185160000028
i∈[1,8]为向量元素值；
Figure FDA0002768185160000029
Step4.5：通过公式(3)计算图像A″m、B″n之间基于颜色方差算法的方差差值DVar(A″m,B″n),m∈[1,8],n∈[1,8]，其中δ为归一化参数；
Figure FDA00027681851600000210
Step5：根据图像A″m、B″n两两组合得到Max(m)×Max(n)＝8×8＝64个方差差值，根据公式(4)选出其中最小值作为图像A、B之间基于颜色方差算法的方差差值DVar(A,B)；
DVar(A,B)＝Min(DVar(A″m,B″n)),m∈[1,8],n∈[1,8] (4)
Step6：定义相似阈值
Figure FDA00027681851600000211
若图像A、B之间基于颜色方差算法的方差差值DVar(A,B)满足公式(5)要求，则判定图像A和图像B相似；若满足公式(6)要求，则判定图像A和图像B不相似；
Figure FDA00027681851600000212
Figure FDA00027681851600000213
2.根据权利要求1所述的基于改进颜色方差算法的图像相似判定方法，其特征在于：所述步骤Step1中，图像A和图像B可以为任意大小的图像，且图像格式任意。
3.根据权利要求1所述的基于改进颜色方差算法的图像相似判定方法，其特征在于：所述步骤Step3.2中，截取的图像的大小要大于考察图像的大小，即满足M′≥M,N′≥N的要求，作用是为了保证旋转后得到的图像在区域内没有空白区域。
4.根据权利要求1所述的基于改进颜色方差算法的图像相似判定方法，其特征在于：所述步骤Step4.5中，归一化参数δ取正整数，通常取δ＝1。
5.根据权利要求1所述的基于改进颜色方差算法的图像相似判定方法，其特征在于：所述步骤Step6中，相似阈值
Figure FDA0002768185160000031
通常取
Figure FDA0002768185160000032
CN201810984174.4A 2018-08-28 2018-08-28 一种基于改进颜色方差算法的图像相似判定方法 Active CN109145994B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810984174.4A CN109145994B (zh) 2018-08-28 2018-08-28 一种基于改进颜色方差算法的图像相似判定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810984174.4A CN109145994B (zh) 2018-08-28 2018-08-28 一种基于改进颜色方差算法的图像相似判定方法

Publications (2)

Publication Number Publication Date
CN109145994A CN109145994A (zh) 2019-01-04
CN109145994B true CN109145994B (zh) 2021-01-05

Family

ID=64828510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810984174.4A Active CN109145994B (zh) 2018-08-28 2018-08-28 一种基于改进颜色方差算法的图像相似判定方法

Country Status (1)

Country Link
CN (1) CN109145994B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544216A (zh) * 2013-09-23 2014-01-29 Tcl集团股份有限公司 一种结合图像内容和关键字的信息推荐方法及系统
CN103903244A (zh) * 2012-12-25 2014-07-02 腾讯科技（深圳）有限公司 一种图像相似区块搜索方法及装置
CN107392968A (zh) * 2017-07-17 2017-11-24 杭州电子科技大学 融合颜色对比图和颜色空间分布图的图像显著性检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10051274B2 (en) * 2013-10-25 2018-08-14 Canon Kabushiki Kaisha Image processing apparatus, method of calculating information according to motion of frame, and storage medium

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103903244A (zh) * 2012-12-25 2014-07-02 腾讯科技（深圳）有限公司 一种图像相似区块搜索方法及装置
CN103544216A (zh) * 2013-09-23 2014-01-29 Tcl集团股份有限公司 一种结合图像内容和关键字的信息推荐方法及系统
CN107392968A (zh) * 2017-07-17 2017-11-24 杭州电子科技大学 融合颜色对比图和颜色空间分布图的图像显著性检测方法

Also Published As

Publication number Publication date
CN109145994A (zh) 2019-01-04

Similar Documents

Publication Publication Date Title
CN103440645B (zh) 一种基于自适应粒子滤波和稀疏表示的目标跟踪算法
CN102708370B (zh) 一种多视角图像前景目标提取方法及装置
CN111723721A (zh) 基于rgb-d的三维目标检测方法、系统及装置
CN104463199A (zh) 基于多特征及分割再校正的矿岩块度分类方法
TW201516969A (zh) 視訊物件追蹤方法
CN102831604A (zh) 一种灰度图像的二维Renyi熵阈值分割方法
CN103778436B (zh) 一种基于图像处理的行人姿态检测方法
CN102360503B (zh) 基于空间贴近度和像素相似性的sar图像变化检测方法
CN104239862A (zh) 一种人脸识别方法
CN117197140B (zh) 基于机器视觉的不规则金属扣成型检测方法
CN107123130A (zh) 一种基于超像素和混合哈希的核相关滤波目标跟踪方法
CN108229247A (zh) 一种移动车辆检测方法
CN107808391B (zh) 一种基于特征选择与光滑表示聚类的视频动态目标提取方法
CN114612450B (zh) 基于数据增广机器视觉的图像检测分割方法、系统、电子设备
CN108345835A (zh) 一种基于仿复眼感知的目标识别方法
CN109829459B (zh) 基于改进ransac的视觉定位方法
CN106023184A (zh) 一种基于各向异性中心环绕差异的深度显著性检测方法
CN107564045B (zh) 基于梯度域引导滤波的立体匹配方法
CN104573703B (zh) 基于偏导分布与边界策略的输电线快速识别方法
CN109145994B (zh) 一种基于改进颜色方差算法的图像相似判定方法
WO2019041447A1 (zh) 一种3d视频帧特征点提取的方法及系统
CN102592125A (zh) 基于标准差特征的运动目标检测方法
CN102708379B (zh) 一种立体视觉的遮挡像素分类算法
CN109389148B (zh) 一种基于改进DHash算法的图像相似判定方法
CN109389147B (zh) 一种基于改进PHash算法的图像相似判定方法

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