CN109461171B - 基于多通道改进DoG滤波的红外弱小目标检测算法 - Google Patents
基于多通道改进DoG滤波的红外弱小目标检测算法 Download PDFInfo
- Publication number
- CN109461171B CN109461171B CN201811110762.1A CN201811110762A CN109461171B CN 109461171 B CN109461171 B CN 109461171B CN 201811110762 A CN201811110762 A CN 201811110762A CN 109461171 B CN109461171 B CN 109461171B
- Authority
- CN
- China
- Prior art keywords
- filtering
- idog
- channel
- infrared
- result graph
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06T2207/10048—Infrared 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
Abstract
本发明提出一种基于多通道改进DoG滤波的红外弱小目标检测算法,首先对红外图像进行归一化处理;其次对红外图像进行多通道改进DoG(IDoG)滤波,得到8通道滤波结果图;然后对8通道的滤波结果图取最大值处理得到多通道IDoG的结果图;之后对处理结果图进行高斯增强,得到最后的处理结果图;最后找到结果图中灰度值最大点的位置,即为红外小目标所在的位置。本发明可用于对红外图像中的弱小目标进行检测,能有效的提高红外图像中小目标的检测精度,以提高检测性能和鲁棒性。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及复杂背景下红外图像处理领域中的一种基于多通道改进DoG滤波的红外弱小目标检测算法。
背景技术
随着红外技术的快速发展,红外弱小目标的检测得到了广泛深入的研究,在精确制导与远程预警等许多方面都有应用。近年来随着反辐射和隐身技术的发展,以及雾、云、雨等自然天气现象的干扰,红外图像的背景愈加复杂,红外小目标很容易就会被淹没。因此,红外弱小目标检测一直是红外图像处理领域研究的热点和难点。
现有的红外小目标检测方法主要有三类:第一类是去除噪声,主要是抑制背景噪声对目标检测的影响,常见的方法有最大均值滤波、中值滤波、高通滤波、形态学滤波等。第二类是背景抑制,这类算法根据背景的连续性或统计特性对背景进行抑制,从而达到凸显弱小目标的目标。三类是图像对比增强,这类算法是通过增强弱小目标的强度同时降低邻域强度,以此来达到较好的弱小目标检测效果。近年来随着机器学习的发展,基于神经网络的算法也开始应用于红外弱小目标的检测中,但是这类特征学习、模型训练的方法复杂度较高,实时性较差,应用局限。综上所述,尽管目前存在大量的红外小目标检测方法,但这些方法依然存在需要较多先验知识、鲁棒性差、算法复杂度高、实时性不够的问题。所以,复杂背景下的红外小目标检测问题依然存在挑战。
发明内容
为解决现有技术存在的问题,本发明提出一种基于多通道改进DoG滤波的红外弱小目标检测算法,可用于对红外图像中的弱小目标进行检测,能有效的提高红外图像中小目标的检测精度,以提高检测性能和鲁棒性。
实现本发明的技术思路是:首先,对红外图像进行归一化处理;其次,对红外图像进行多通道改进DoG(IDoG)滤波,得到8通道滤波结果图;然后,对8通道的滤波结果图取最大值处理得到多通道IDoG的结果图;之后,对处理结果图进行高斯增强,得到最后的处理结果图;最后,找到结果图中灰度值最大点的位置,即为红外小目标所在的位置。
基于上述思路,本发明的技术方案为:
所述一种基于多通道改进DoG滤波的红外弱小目标检测算法,其特征在于:包括以下步骤:
步骤1:输入一幅待检测的红外图像I;
步骤2:将输入的图像进行归一化处理,得到归一化后的红外图像Iin;
步骤3:对归一化后的红外图像Iin进行多通道IDoG滤波:
步骤3.1:将IDoG滤波算子与方向因子矩阵di进行Hadamard乘积运算生成具有方向性的滤波算子fIDoG,i,i=1,2……8;
步骤3.2:归一化后的红外图像Iin分别与8个通道的IDoG滤波算子fIDoG,i进行滤波运算,产生8个不同方向的结果图Fi;
步骤3.3:在8个不同方向的结果图中,取同一像素位置的最大像素值,并将小于零的像素值置为零,得到经过多通道IDoG滤波的结果图MPM;
步骤4:进行高斯分布增强:
步骤4.1:对归一化后的红外图像Iin的每个像素点计算其邻域的方差、中心区域的均值和方差,其中边界区域像素点通过边界灰度值填充图像来计算;
步骤4.2:将中心区域的均值矩阵与多通道IDoG滤波的结果图MPM差分得到高斯增强算法的均值因子矩阵EGm;将中心区域方差与邻域方差相减得到高斯增强算法的方差因子矩阵EGv;
步骤4.3:利用均值因子矩阵EGm、方差因子矩阵EGv对多通道IDoG滤波的结果图MPM进行加权,得到最后的结果图Iout;
步骤5:找到结果图Iout中灰度值最大点的位置,即为红外小目标所在的位置。
进一步的优选方案,所述一种基于多通道改进DoG滤波的红外弱小目标检测算法,其特征在于:步骤3中IDoG滤波算子大小为n×n,n=7,8个通道的方向因子矩阵为:
进一步的优选方案,所述一种基于多通道改进DoG滤波的红外弱小目标检测算法,其特征在于:步骤4中,对于像素点(x,y),其中心区域C(x,y)定义为:
C(x,y)={(p,q)|max(|p-x|,|q-y|)≤m}
其中m是正整数;像素点(x,y)的邻域B(x,y)定义为:
Z(x,y)={(p,q)|max(|p-x|,|q-y|)≤n}
其中n是正整数且n>m。
进一步的优选方案,所述一种基于多通道改进DoG滤波的红外弱小目标检测算法,其特征在于:步骤4中,对于结果图Iout中的像素点(x,y):
其中MPM(x,y)为多通道IDoG滤波的结果图MPM中像素点(x,y)处的值,EGm(x,y)为均值因子矩阵EGm在(x,y)处的值,EGv(x,y)为方差因子矩阵在(x,y)处的值。
有益效果
本发明与现有技术相比较,具有以下优点:
1)将传统的DoG滤波算子进行了改进,通过与方向因子矩阵进行运算,使得改进后的滤波算子具有了方向性;
2)将改进后的具有方向性的滤波算子进行了不同方向的通道运算,得到红外图像在不同方向的滤波结果,最后再取最大值,充分利用了红外弱小目标的各向同性和红外背景的各向异性特征;
3)根据红外弱小目标类高斯分布和背景多呈条带状的特性,提出了增强红外弱小目标同时抑制背景杂波的高斯增强算法。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为红外弱小目标检测的基本流程。
图2为红外弱小目标检测的结果:第一列为原始的红外输入图像;第二列为经过多通道IDoG滤波处理之后的结果图;第三列为高斯增强后的检测结果图。
具体实施方式
下面详细描述本发明的实施例,所述实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本发明提出一种基于多通道改进DoG滤波的红外弱小目标检测算法,可用于对红外图像中的弱小目标进行检测,能有效的提高红外图像中小目标的检测精度,以提高检测性能和鲁棒性。
实现本发明的技术思路是:首先,对红外图像进行归一化处理;其次,对红外图像进行多通道改进DoG(IDoG)滤波,得到8通道滤波结果图;然后,对8通道的滤波结果图取最大值处理得到多通道IDoG的结果图;之后,对处理结果图进行高斯增强,得到最后的处理结果图;最后,找到结果图中灰度值最大点的位置,即为红外小目标所在的位置。
参照图1,本发明实现的步骤如下:
步骤1:输入一幅待检测的红外图像I。
步骤2:将输入的图像进行归一化处理,得到归一化后的红外图像Iin。对红外图像进行归一化处理,将红外图像的灰度值归一化到0-1之间。
步骤3:对归一化后的红外图像Iin进行多通道改进DoG(IDoG)滤波。
红外弱小目标,就是在红外图像上呈现为亮度较弱,所占尺寸与面积极小的点状光斑,其所含像元数目少,缺乏结构、形状等信息。DoG滤波器就是高斯差分滤波器,被广泛应用于目标检测、边缘提取等方面。由于红外小目标的灰度类高斯分布,DoG滤波器在红外目标检测领域应用广泛。二维DoG滤波器的定义如下:
其中σ1和σ2分别是高斯函数的标准差,且σ1<σ2。DoG滤波器的中心部分大于零,边缘部分小于零,是一个基于中心对称的圆环形,σ1、σ2决定中心区域的大小。传统的DoG滤波器用于目标检测时,不仅可以凸显目标区域、抑制背景,同时也增强了边缘区域。为了解决这个问题,这里对传统的DoG滤波算子进行了改进,改进后的DoG滤波算子即IDoG滤波算子具有方向性,能够很好的抑制边缘像素。
步骤3.1:生成具有方向性的滤波算子fIDoG,i,i=1,2……8。
IDoG滤波算子的大小为n×n,通过与方向因子矩阵di(i=1,2……8)运算生成具有方向性的滤波算子fIDoG,i(i=1,2……8):
当滤波算子的大小n=7时,8个通道的方向因子矩阵分别定义如下:
步骤3.2:将归一化后的红外图像进行多通道滤波。
归一化后的红外图像Iin分别与8个通道的IDoG滤波算子fIDoGi卷积,产生8个不同方向的结果图Fi;
Fi=Iin*fIDoG,i,i=1,2……8
其中Iin表示输入的红外图像,fIDoG,i表示改进之后的第i个通道的滤波算子,Fi表示第i个通道的结果图,“*”表示卷积运算。
步骤3.3:得到经过多通道IDoG滤波的结果图。
经过多通道处理之后分别得到8个不同方向的结果图,为了得到最好的背景抑制效果,在8个不同方向的结果图中,取同一像素位置的最大像素值,并将小于零的像素值置为零,得到经过多通道IDoG滤波的结果图MPM;
MPM(x,y)=max(Fi(x,y)),i=1,2……8
其中Fi表示第i个通道的结果图,MPM表示多通道IDoG滤波的结果,(x,y)是像素的坐标。
步骤4:进行高斯分布增强。
一幅含有红外弱小目标的图像依照点扩散原理,可将其目标模型用二维高斯模型来表示:
其中Imax表示目标中心的灰度值,即灰度峰值,σx为目标水平扩散参数,σy为目标垂直扩散参数,(p0,q0)为目标的中心坐标,(p,q)为其它像素的坐标。
经过多通道IDoG滤波处理后的图像小目标仍然可以看做是高斯分布,但是仍会存在条带状的背景云层边缘、建筑边缘等杂波,因此需要一种针对小目标的增强算法,以此来增强高斯分布的弱小目标,抑制条带状的背景杂波。经过处理之后的高斯分布的目标和条带状背景灰度信息满足一下两个特点:
1、目标的灰度值大于目标邻域的灰度均值;
2、条带状背景像素中心区域的方差大于邻域区域的方差。
基于以上两个特点可以通过计算像素中心区域与邻域的均值和方差来进一步抑制背景,增强目标。
步骤4.1:对归一化后的红外图像Iin的每个像素点计算其邻域的方差、中心区域的均值和方差,其中边界区域像素点通过边界灰度值填充图像来计算。
对经过多通道IDoG滤波的结果图从上到下、从左到右进行窗口移动,对于像素点(x,y),其中心区域C(x,y)定义为:
C(x,y)={(p,q)|max(|p-x|,|q-y|)≤m}
其中m是正整数。将像素点(x,y)的邻域B(x,y)定义为:
Z(x,y)={(p,q)|max(|p-x|,|q-y|)≤n}
其中n是正整数且n>m。
计算像素点(x,y)中心区域的灰度平均值mo,计算像素点(x,y)中心区域的方差vi、邻域的方差vo。
步骤4.2:将中心区域的均值矩阵与多通道IDoG滤波的结果图MPM差分得到高斯增强算法的均值因子矩阵EGm。在均值因子矩阵EGm中:
EGm(x,y)=MPM(x,y)-mo
其中mo是像素点(x,y)中心区域的灰度平均值,MPM是多通道IDoG滤波的结果图,EGm是高斯增强算法的均值因子矩阵。
将中心区域方差与邻域方差相减得到高斯增强算法的方差因子矩阵EGv。方差因子矩阵EGv中:
EGv(x,y)=vi-vo
其中vi和vo分别是像素点(x,y)中心区域和邻域的方差,EGv是高斯增强算法的方差因子矩阵。
步骤4.3:利用均值因子矩阵EGm、方差因子矩阵EGv对多通道IDoG滤波的结果图MPM进行加权,得到最后的结果图Iout。结果图Iout中
步骤5:目标检测:找到结果图Iout中灰度值最大点的位置,即为红外小目标所在的位置。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (4)
1.一种基于多通道改进DoG滤波的红外弱小目标检测算法,其特征在于:包括以下步骤:
步骤1:输入一幅待检测的红外图像I;
步骤2:将输入的图像进行归一化处理,得到归一化后的红外图像Iin;
步骤3:对归一化后的红外图像Iin进行多通道IDoG滤波:
步骤3.1:将IDoG滤波算子与方向因子矩阵di进行Hadamard乘积运算生成具有方向性的滤波算子fIDoG,i,i=1,2……8;
步骤3.2:归一化后的红外图像Iin分别与8个通道的IDoG滤波算子fIDoG,i进行滤波运算,产生8个不同方向的结果图Fi;
步骤3.3:在8个不同方向的结果图中,取同一像素位置的最大像素值,并将小于零的像素值置为零,得到经过多通道IDoG滤波的结果图MPM;
步骤4:进行高斯分布增强:
步骤4.1:对归一化后的红外图像Iin的每个像素点计算其邻域的方差、中心区域的均值和方差,其中边界区域像素点通过边界灰度值填充图像来计算;
步骤4.2:将中心区域的均值矩阵与多通道IDoG滤波的结果图MPM差分得到高斯增强算法的均值因子矩阵EGm;将中心区域方差与邻域方差相减得到高斯增强算法的方差因子矩阵EGv;
步骤4.3:利用均值因子矩阵EGm、方差因子矩阵EGv对多通道IDoG滤波的结果图MPM进行加权,得到最后的结果图Iout;
步骤5:找到结果图Iout中灰度值最大点的位置,即为红外小目标所在的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811110762.1A CN109461171B (zh) | 2018-09-21 | 2018-09-21 | 基于多通道改进DoG滤波的红外弱小目标检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811110762.1A CN109461171B (zh) | 2018-09-21 | 2018-09-21 | 基于多通道改进DoG滤波的红外弱小目标检测算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109461171A CN109461171A (zh) | 2019-03-12 |
CN109461171B true CN109461171B (zh) | 2021-11-09 |
Family
ID=65606870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811110762.1A Active CN109461171B (zh) | 2018-09-21 | 2018-09-21 | 基于多通道改进DoG滤波的红外弱小目标检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109461171B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751667B (zh) * | 2019-09-17 | 2023-09-15 | 中国科学院上海技术物理研究所 | 基于人类视觉系统的复杂背景下红外弱小目标检测方法 |
CN113189634B (zh) * | 2021-03-02 | 2022-10-25 | 四川新先达测控技术有限公司 | 一种类高斯成形方法 |
CN115908807B (zh) * | 2022-11-24 | 2023-06-23 | 中国科学院国家空间科学中心 | 一种弱小目标快速检测方法、系统、计算机设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324021A (zh) * | 2011-09-05 | 2012-01-18 | 电子科技大学 | 一种基于剪切波变换的红外弱小目标检测方法 |
KR101533925B1 (ko) * | 2014-05-20 | 2015-07-03 | 한양대학교 에리카산학협력단 | 적외선 영상에서 소형 표적 검출 방법 및 그 장치 |
CN105931235A (zh) * | 2016-04-18 | 2016-09-07 | 电子科技大学 | 一种基于复数Scharr滤波器的海空红外图像弱小目标检测方法 |
CN106845457A (zh) * | 2017-03-02 | 2017-06-13 | 西安电子科技大学 | 基于谱残差与模糊聚类的红外弱小目标检测方法 |
CN107092910A (zh) * | 2017-03-29 | 2017-08-25 | 西安电子科技大学 | 基于时域经验模态分解的红外弱小目标检测方法 |
CN107194355A (zh) * | 2017-05-24 | 2017-09-22 | 北京航空航天大学 | 一种利用方向导数构造熵对比度的红外弱小目标检测方法 |
CN107256560A (zh) * | 2017-05-16 | 2017-10-17 | 北京环境特性研究所 | 一种红外弱小目标检测方法及其系统 |
CN108364277A (zh) * | 2017-12-20 | 2018-08-03 | 南昌航空大学 | 一种双波段图像融合的红外小目标检测方法 |
-
2018
- 2018-09-21 CN CN201811110762.1A patent/CN109461171B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324021A (zh) * | 2011-09-05 | 2012-01-18 | 电子科技大学 | 一种基于剪切波变换的红外弱小目标检测方法 |
KR101533925B1 (ko) * | 2014-05-20 | 2015-07-03 | 한양대학교 에리카산학협력단 | 적외선 영상에서 소형 표적 검출 방법 및 그 장치 |
CN105931235A (zh) * | 2016-04-18 | 2016-09-07 | 电子科技大学 | 一种基于复数Scharr滤波器的海空红外图像弱小目标检测方法 |
CN106845457A (zh) * | 2017-03-02 | 2017-06-13 | 西安电子科技大学 | 基于谱残差与模糊聚类的红外弱小目标检测方法 |
CN107092910A (zh) * | 2017-03-29 | 2017-08-25 | 西安电子科技大学 | 基于时域经验模态分解的红外弱小目标检测方法 |
CN107256560A (zh) * | 2017-05-16 | 2017-10-17 | 北京环境特性研究所 | 一种红外弱小目标检测方法及其系统 |
CN107194355A (zh) * | 2017-05-24 | 2017-09-22 | 北京航空航天大学 | 一种利用方向导数构造熵对比度的红外弱小目标检测方法 |
CN108364277A (zh) * | 2017-12-20 | 2018-08-03 | 南昌航空大学 | 一种双波段图像融合的红外小目标检测方法 |
Non-Patent Citations (9)
Title |
---|
An Infrared Small Target Detecting Algorithm Based on Human Visual System;Jinhui Han等;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20160331;第13卷(第3期);第452-456页 * |
Infrared dim and small target detecting and tracking method inspired by Human Visual System;Xiabin Dong等;《Infrared Physics & Technology》;20141231;第62卷;第100-109页 * |
Infrared small target detection in heavy sky scene clutter based on sparse representation;LiuDepeng等;《Infrared Physics & Technology》;20170930;第85卷;第13-31页 * |
Infrared Small Target Detection Utilizing the Multiscale Relative Local Contrast Measure;Jinhui Han等;《 IEEE Geoscience and Remote Sensing Letters》;20180430;第15卷(第4期);第612-616页 * |
Infrared Small Target Detection with Directional Difference of Gaussian Filter;Suqi Huang等;《2017 3rd IEEE International Conference on Computer and Communications》;20171231;第1698-1701页 * |
基于多向差异度的红外弱小目标检测算法;王宇翔等;《红外技术》;20120630;第34卷(第6期);第351-355页 * |
基于显著性与尺度空间的红外弱小目标检测;周姣等;《激光与红外》;20150430;第45卷(第4期);第452-456页 * |
基于视觉注意机制的红外弱小目标检测;邓亚平等;《华中科技大学学报》;20151031;第43卷;第182-186页 * |
复杂背景条件下的红外弱小目标检测;侯敏;《中国优秀硕士学位论文全文数据库·信息科技辑》;20200215(第2期);第I135-104页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109461171A (zh) | 2019-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109461171B (zh) | 基于多通道改进DoG滤波的红外弱小目标检测算法 | |
Chen et al. | A novel color edge detection algorithm in RGB color space | |
CN105574521B (zh) | 房屋轮廓提取方法和装置 | |
CN109460764B (zh) | 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法 | |
CN107784669A (zh) | 一种光斑提取及其质心确定的方法 | |
CN109767439A (zh) | 一种自适应窗口的多尺度差异与双边滤波的目标检测方法 | |
CN109344702B (zh) | 基于深度图像和彩色图像的行人检测方法及装置 | |
CN104008542B (zh) | 一种针对特定平面图形的快速角点匹配方法 | |
CN106204617B (zh) | 基于残差图像直方图循环移位的自适应图像二值化方法 | |
CN107392095A (zh) | 一种基于掩码图像的红外弱小目标检测算法 | |
CN107895151A (zh) | 一种强光照条件下基于机器视觉的车道线检测方法 | |
CN106875430B (zh) | 动态背景下基于固定形态的单一运动目标追踪方法和装置 | |
CN103020921A (zh) | 基于局部统计信息的单幅图像去雾方法 | |
CN112465708A (zh) | 基于暗通道改进的图像去雾方法 | |
CN103164847A (zh) | 视频图像中运动目标阴影消除方法 | |
CN109886980B (zh) | 一种基于邻域强度纹理编码的红外图像卷云检测方法 | |
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 | |
CN108647693B (zh) | 一种基于二元显著性特征的海面红外目标检测方法 | |
CN106127765A (zh) | 基于自适应窗口和平滑阈值法的图像二值化系统 | |
CN106897989B (zh) | 一种基于线密度计算的指纹图像分割方法 | |
CN111145216B (zh) | 一种视频图像目标的跟踪方法 | |
CN113205494A (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统 | |
CN109544574B (zh) | 基于全固态vts雷达的目标提取方法 | |
CN112329796B (zh) | 基于视觉显著性的红外成像卷云检测方法和装置 | |
CN108205814B (zh) | 彩色图像的黑白轮廓生成方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230712 Address after: Room A601, National Digital Publishing Base, No. 996 Tiangu 7th Road, Gaoxin, Xi'an City, Shaanxi Province, 710000 Patentee after: XI'AN THUNDER DRIVEN ELECTRONIC TECHNOLOGY CO.,LTD. Address before: 710071 No. 2 Taibai South Road, Shaanxi, Xi'an Patentee before: XIDIAN University |
|
TR01 | Transfer of patent right |