CN109255804A - 一种雾霾浓度估计方法 - Google Patents
一种雾霾浓度估计方法 Download PDFInfo
- Publication number
- CN109255804A CN109255804A CN201810906792.7A CN201810906792A CN109255804A CN 109255804 A CN109255804 A CN 109255804A CN 201810906792 A CN201810906792 A CN 201810906792A CN 109255804 A CN109255804 A CN 109255804A
- Authority
- CN
- China
- Prior art keywords
- image
- haze concentration
- haze
- dark
- pixel
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000007789 sealing Methods 0.000 title claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000000844 transformation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 6
- 238000001914 filtration Methods 0.000 description 9
- 238000009499 grossing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012887 quadratic function Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种雾霾浓度估计方法,包括以下步骤:21)定义雾霾浓度的评价因子:22)计算雾霾浓度;本发明提供了一种雾霾浓度估计方法,能够较为准确的评估雾霾浓度,从而为实现雾霾天气的图像还原和清晰化处理提供基础。
Description
技术领域
本发明涉及计算机处理领域,特别涉及一种雾霾浓度估计方法。
背景技术
当前道路上的计算机视觉系统对天气条件非常敏感,其中,雾霾天气条件 是各种天气条件中对视觉影响最严重的一种。在雾霾天气条件下,能见度大幅 降低,道路环境系统的可视性变差,获得的图像受到了严重的退化,不仅模糊 不清,对比度降低,而且还会出现严重的颜色偏移与失真,图像中蕴含的许多 特征都被覆盖,这大大降低了图像的应用价值,同时也导致这些视觉系统无法 进行正常工作。
近年来,雾霾天图像的清晰化处理已经成为计算机视觉和图像处理领域的 研究热点,吸引了国内外的大批研究者,并有相当多的方法被提出来。但是, 由于天气条件本身的复杂性和随机性,使得目前所提出的一些算法都有一定的 局限性,已取得的一些研究成果和研究方法仍处于不断的发展中,尚待进一步 完善和改进。现有技术中,针对道路视觉系统雾霾天采集图像的退化问题,尚 未发现有一种较为有效的雾霾天气图像增强方法,使得在雾霾天气下,能够有 效实现图像增强,增加效提高视频信号的图像质量,提升灵敏度。
而研究雾霾天气图像增强,关键的一步是要进行雾霾浓度估计,评估后再 进行图像的计算处理,从而有效实现图像增强,但是现有技术中,对于雾霾浓 度估计较少,缺少一种较为精确的雾霾浓度估计方法。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是提供一种能够 在雾霾天气下能够对采集图像进行加强的智能车机器视觉增强方法。
为实现上述目的,本发明提供了一种雾霾浓度估计方法,按照下列步骤计 算雾霾浓度:
21)按照下列公式定义雾霾浓度的评价因子:
其中,Ddark是暗原色先验;
u,v是图像像素(x,y)的傅里叶变换;
vdark(x,y)是像素(x,y)的至少三个RGB颜色通道之一具有低像素值;
22)按照下列公式计算雾霾浓度:
fβ=k×Ddark
其中,k是线性缩放因子;其中fβ是雾霾浓度;
较优的,为了确保非失真图像,fβ参数的有限范围限定为[2,8]。
本发明的有益效果是:本发明提供了一种雾霾浓度估计方法,能够较为准 确的评估雾霾浓度,从而为实现雾霾天气的图像还原和清晰化处理提供基础。
附图说明
图1是本发明一具体实施方式的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明:
如图1所示,一种雾霾浓度估计方法,按照下列步骤计算雾霾浓度:
21)按照下列公式定义雾霾浓度的评价因子:
其中,Ddark是暗原色先验;
u,v是图像像素(x,y)的傅里叶变换;
vdark(x,y)是像素(x,y)的至少三个RGB颜色通道之一具有低像素值;
22)按照下列公式计算雾霾浓度:
fβ=k×Ddark
其中,k是线性缩放因子;其中fβ是雾霾浓度;
较优的,为了确保非失真图像,fβ参数的有限范围限定为[2,8]。
利用本方法,可以实现雾霾天气图像的加强,尤其适用雾霾天气智能车视 觉的增强,一种雾霾天气智能车视觉增强方法,包括以下步骤:
1)将图像从RGB颜色空间转换到HSV颜色空间;
2)评估雾霾浓度;
3)计算大气覆盖参数;
4)获得前景图像Ivis(x);
5)利用亮度通道的导向滤波算法获取当前的雾霾浓度作为背景图像,利用 高斯滤波器去除图像噪声,增加大气覆盖参数对前景图像的影响。
6)根据步骤5),输出视觉增强结果。
根据Dr.He的深色先验理论表明,一张清晰的图像在至少三个RGB颜色 通道之一具有低像素值,可以表示为:
Jdark(x)=min(min(Jc(y)))c∈{r,g,b},y∈Ω(x) (9)
这里,Jc是RGB图像J的颜色通道;Ω(x)是x离开中心的统计区域。
Jdark总是很小,甚至接近于零,在清晰的图像中,除了天空地区大量的清 晰的图像统计分析。将暗色调图像和不同雾霾浓度下的图像进行对比,通过比 较暗色调部分图像,可以发现暗色调图像的平均像素灰度可以用于评估当前环 境的雾霾浓度。
因此,特别的,所述步骤2)中,按照下列步骤计算雾霾浓度:
21)按照下列公式定义雾霾浓度的评价因子:
其中,Ddark是暗原色先验;
u,v是图像像素(x,y)的傅里叶变换;
vdark(x,y)是像素(x,y)的至少三个RGB颜色通道之一具有低像素值;
22)按照下列公式计算雾霾浓度:
fβ=k×Ddark
其中,k是线性缩放因子;
为了确保非失真图像的过程中,fβ是雾霾浓度,参数的有限范围限定为 [2,8]。
特别的,所述步骤3)中,利用导向滤波算法评估当前大气覆盖参数。
特别的,按照下列步骤进行计算大气覆盖参数:
321)按照下列公式建立线性滤波器的内核:
其中,wk是第k个内核窗口;(ak,bk)是在一个给定的单元窗口内的线 性变换系数;i是在窗口内的像素指标;qi是输出图像;
322)按照下列公式区分输入的图像p与输出图像q的细微差异:
其中,pi是输入图像;qi是输出图像;
323)按照下列公式计算公式(12)的解;
其中,采取亮度导向图像I等于输入图像p;
这时,covk(I,p)=vark(I),我们进一步得到:
其中,ε是正则化平滑因子;covk(I,p)是导向图I与输入的图像是协方差矩阵;vark(I)是导向图I的方差矩阵;是输入图像的均值;是导向图I的均值;ε是 平滑因子。
324)在保留原始图像的层次结构的基础上将导向滤波应用于整个图像区 域,按照下列公式计算大气覆盖参数I∞:
I∞定义为
其中,|w|是内核窗口中的像素数量;m是像素的索引数;pm是输入图像的 像素;wm是与pm中心像素的内核窗口;是指每个像素的处理步骤。在本 实施例中,平滑因子ε设置为0.3,其他实施例中,平滑因子也可以根据不同的 需求进行设置以达到相同的技术效果,内核窗口的宽度r设置为30个像素点。
特别的,所述步骤4)中,按照下列公式获得前景图像Ivis(x):
Ivis(x)=E-I∞(18)其中,E是无穷远处的大气光
关于滤波器的选用,目前大部分的计算机视觉以及计算机图形学图像滤波 涉及到抑制或者提取图像的内容。简单的有核的线性平移不变滤波器(LTI), 例如平均、高斯、拉普拉斯和Sobel滤波器,都被广泛应用于图像恢复、模糊/ 锐化、边缘检测和特征提取等等。可选择的,LTI滤波器能明确地通过解决一个 在高动态范围(HDR)压缩的泊松方程来执行图像拼接,图像抠图,以及梯度域 操作,其滤波核是通过一个齐次拉普拉斯矩阵的转置明确地被定义。
LTI滤波核是空间不变并且与图像内容独立的,但是通常有时候需要考虑导 向图像的附加信息。各向异性扩散的先驱工作用需要滤波的图像本身的梯度去 指导扩散过程,避免平滑到边缘。平方和最小加权滤波器利用输入需要滤波的 图像去指导,并且选择一个二次函数,这个二次函数等价于一个非一般稳定状 态的各向异性扩散。在其他的应用中,导向图像也能是另外的图像,而不是本 来的输入图像。导向滤波器输出结果是导向图像的局部线性转换。一方面,导 向滤波器有一个好的边缘保持平滑效果,像双边滤波器一样,但是它没有梯度 逆转伪影的影响。另一方面,导向滤波能够远远不只是平滑,在导向图的辅助 下,它能让滤波输出更结构化,并且不比输入平滑。
而本技术方案中,我们选择的导向滤波主要通过以下方式来实现:
我们先定义一个普通的线性平移变换滤波器程序,与导向图像I,一个滤波 输入图像P以及一个输出图像q相关。I和p是根据应用预先给定的,他们可以 完全相同。在一个像素点i处的滤波结果是被表达成一个加权平均:
式中,i和j都是像素下标。滤波器核Wij是指导图像I的函数,并且与p 独立。这个滤波器是与p线性相关的。
一个这样的滤波器的例子是级联滤波器额双边滤波核Wbf是被下面的式子 给定的:
式中,X是像素坐标;Ki是一个归一化参数保证∑jWijbf=1;参数σs和σr分别调整空间相似度和颜色亮度范围相似度的灵敏性。当P和I相等时,级联 滤波器降解成初始的双边滤波器。
显式的加权平均滤波器优化一个二次函数,并且解决一个下面形式的线性 方程组:
Aq=P (3)
q和p是列向量N-1,相应的{qi}和{pi};A是一个N-N的只跟I相关的矩 阵。式(3)的解q=A-1p,与(1)有相同的形式,Wij=(A-1)ij。
现在我们定义导向滤波器,关键的假设是这个导向滤波器在导向图像I和 滤波输出q之间是一个局部线性模型。我们假设q是I的中心在像素k的窗口 Wk的线性转换:
(ak,bk)是假定同Wk相同的线性系数,用一个半径为r的方形窗口。这 个局部线性模型确定只要I有一个边缘,那么q就有一个边缘,因为
为了决定线性系数(ak,bk),需要约束输入的滤波图像P。我们定义输出q 为输入p减去一些不希望的内容n,例如噪声/纹理:
qi=pi-ni (5)
我们寻求一个解决办法能够最小化q和p之间的差异,同时保持线性模型 (4)。特别的,我们最小化下面的窗口Wk的代价函数:
这里,∈是一个惩罚大的ak的正则化参数。
方程式(6)是线性山脊回归模型,它通过以下给定的式(7)解决:
这里,μk和是导向图像I的窗口Wk平均值跟方差;|W|是Wk中像素个 数;
是P在Wk的平均值。获得了线性系数(ak,bk),我们能计 算滤波输出qi根。
然而,一个像素i与所有覆盖i的重叠窗口Wk相关,所以方程(5)中qi 的值不是相同的当用不同的窗口中计算。一个简单的策略是平均所有的qi的可 能值。所以,计算了所有图像中Wk窗口的(ak,bk)值,我们计算通过下面滤 波输出结果:
注意由于盒子窗口是对称的,我们重写方程(8) 为:
和是在i处的所有重叠窗口平均系数。
这个重叠窗口的平均策略在图像去噪很流行,并且是非常成功的。
方程(6)、(7)、(8)是导向滤波器的定义。
采用这种导向滤波,本技术方案简化了大气衰减模型。并基于暗色先验理 论评估雾霾浓度,然后利用亮度通道的导向滤波算法获取当前的雾霾浓度作为 背景图像,增加大气覆盖参数对前景图像的影响。本发明提供的方法能有效地 提高视频的对比度和清晰度,同时具有较高的计算效率。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术 人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡 本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推 理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范 围内。
Claims (2)
1.一种雾霾浓度估计方法,其特征是:按照下列步骤计算雾霾浓度:
21)按照下列公式定义雾霾浓度的评价因子:
其中,Ddark是暗原色先验;
u,v是图像像素(x,y)的傅里叶变换;
vdark(x,y)是像素(x,y)的至少三个RGB颜色通道之一具有低像素值;
22)按照下列公式计算雾霾浓度:
fβ=k×Ddark
其中,k是线性缩放因子;其中fβ是雾霾浓度。
2.如权利要求1所述的雾霾浓度估计方法,其特征是:fβ参数的有限范围限定为[2,8]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810906792.7A CN109255804A (zh) | 2018-08-10 | 2018-08-10 | 一种雾霾浓度估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810906792.7A CN109255804A (zh) | 2018-08-10 | 2018-08-10 | 一种雾霾浓度估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109255804A true CN109255804A (zh) | 2019-01-22 |
Family
ID=65050103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810906792.7A Pending CN109255804A (zh) | 2018-08-10 | 2018-08-10 | 一种雾霾浓度估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109255804A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211096A (zh) * | 2019-04-30 | 2019-09-06 | 安徽四创电子股份有限公司 | 一种雾霾图像的检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809735A (zh) * | 2015-05-12 | 2015-07-29 | 公安部第三研究所 | 基于傅里叶变换实现图像雾霾评价的系统及方法 |
US20160071244A1 (en) * | 2014-09-04 | 2016-03-10 | National Taipei University Of Technology | Method and system for image haze removal based on hybrid dark channel prior |
CN105512623A (zh) * | 2015-12-02 | 2016-04-20 | 吉林大学 | 基于多传感器雾天行车视觉增强与能见度预警系统及方法 |
CN106651847A (zh) * | 2016-12-21 | 2017-05-10 | 浙江大学 | 一种遥感图像的云雾信息探测方法 |
CN106780385A (zh) * | 2016-12-16 | 2017-05-31 | 北京华航无线电测量研究所 | 一种基于湍流红外辐射模型的雾天降质图像清晰化方法 |
CN107103591A (zh) * | 2017-03-27 | 2017-08-29 | 湖南大学 | 一种基于图像雾霾浓度估计的单幅图像去雾方法 |
CN107133927A (zh) * | 2017-04-21 | 2017-09-05 | 汪云飞 | 超像素框架下基于均值‑均方差暗通道的单幅图像去雾方法 |
US20180225545A1 (en) * | 2017-02-06 | 2018-08-09 | Mediatek Inc. | Image processing method and image processing system |
-
2018
- 2018-08-10 CN CN201810906792.7A patent/CN109255804A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160071244A1 (en) * | 2014-09-04 | 2016-03-10 | National Taipei University Of Technology | Method and system for image haze removal based on hybrid dark channel prior |
CN104809735A (zh) * | 2015-05-12 | 2015-07-29 | 公安部第三研究所 | 基于傅里叶变换实现图像雾霾评价的系统及方法 |
CN105512623A (zh) * | 2015-12-02 | 2016-04-20 | 吉林大学 | 基于多传感器雾天行车视觉增强与能见度预警系统及方法 |
CN106780385A (zh) * | 2016-12-16 | 2017-05-31 | 北京华航无线电测量研究所 | 一种基于湍流红外辐射模型的雾天降质图像清晰化方法 |
CN106651847A (zh) * | 2016-12-21 | 2017-05-10 | 浙江大学 | 一种遥感图像的云雾信息探测方法 |
US20180225545A1 (en) * | 2017-02-06 | 2018-08-09 | Mediatek Inc. | Image processing method and image processing system |
CN107103591A (zh) * | 2017-03-27 | 2017-08-29 | 湖南大学 | 一种基于图像雾霾浓度估计的单幅图像去雾方法 |
CN107133927A (zh) * | 2017-04-21 | 2017-09-05 | 汪云飞 | 超像素框架下基于均值‑均方差暗通道的单幅图像去雾方法 |
Non-Patent Citations (6)
Title |
---|
KAIMING HE ET AL: ""Single Image Haze Removal Using Dark Channel Prior"", 《IEEE》 * |
KE WANG ET AL: ""VISUAL ENHANCEMENT METHOD FOR INTELLIGENT VEHICLE"S SAFETY BASED ON BRIGHTNESS GUIDE FILTERING ALGORITHM THINKING OF THE HIGH TRIBOLOGICAL AND ATTENUATION EFFECTS"", 《JOURNAL OF THE BALKAN TRIBOLOGICAL ASSOCIATION》 * |
WEI LIU ET AL: ""Haze removal for a single inland waterway image using sky segmentation and dark channel prior"", 《IET IMAGE PROCESSING》 * |
林光: ""光学对地观测图像的大气物理退化机理及补偿技术研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
王怀: ""基于暗通道先验的雾天降质图像复原方法"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王科: ""城市交通中智能车辆环境感知方法研究"", 《中国优秀博硕士学位论文全文数据库(博士) 工程科技II辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211096A (zh) * | 2019-04-30 | 2019-09-06 | 安徽四创电子股份有限公司 | 一种雾霾图像的检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Wavelet-based dual-branch network for image demoiréing | |
CN109214993A (zh) | 一种雾霾天气智能车视觉增强方法 | |
Ma et al. | An effective fusion defogging approach for single sea fog image | |
Singh et al. | Dehazing of outdoor images using notch based integral guided filter | |
CN107527332A (zh) | 基于改进Retinex的低照度图像色彩保持增强方法 | |
Li et al. | Spectrum characteristics preserved visible and near-infrared image fusion algorithm | |
CN102665034A (zh) | 一种针对摄像机采集视频的夜间效果去除方法 | |
CN112200746B (zh) | 一种雾天交通场景图像的去雾方法和设备 | |
CN116823686B (zh) | 一种基于图像增强的夜间红外与可见光图像融合方法 | |
CN111754433B (zh) | 一种航拍图像去雾方法 | |
CN110097522A (zh) | 一种基于多尺度卷积神经网络的单幅户外图像去雾方法 | |
Zou et al. | Infrared and low-light visible image fusion based on hybrid multiscale decomposition and adaptive light adjustment | |
Shi et al. | A joint deep neural networks-based method for single nighttime rainy image enhancement | |
CN112991197A (zh) | 一种基于暗通道的细节保留的低照度视频增强方法及装置 | |
Liu et al. | Single image haze removal via depth-based contrast stretching transform | |
Satrasupalli et al. | Single Image Haze Removal Based on transmission map estimation using Encoder-Decoder based deep learning architecture | |
CN115100226A (zh) | 一种基于单目数字图像的轮廓提取方法 | |
CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
CN109255804A (zh) | 一种雾霾浓度估计方法 | |
Fuh et al. | Mcpa: A fast single image haze removal method based on the minimum channel and patchless approach | |
Li et al. | DLT-Net: deep learning transmittance network for single image haze removal | |
Singh et al. | Multiscale reflection component based weakly illuminated nighttime image enhancement | |
Deshpande et al. | An efficient image deblurring method with a deep convolutional neural network for satellite imagery | |
CN109242784A (zh) | 一种雾霾天气大气覆盖率预测方法 | |
CN110633705A (zh) | 一种低照度成像车牌识别方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190122 |
|
RJ01 | Rejection of invention patent application after publication |