CN110443125A - 一种基于判别森林子空间选择的高光谱异常探测方法 - Google Patents
一种基于判别森林子空间选择的高光谱异常探测方法 Download PDFInfo
- Publication number
- CN110443125A CN110443125A CN201910565596.2A CN201910565596A CN110443125A CN 110443125 A CN110443125 A CN 110443125A CN 201910565596 A CN201910565596 A CN 201910565596A CN 110443125 A CN110443125 A CN 110443125A
- Authority
- CN
- China
- Prior art keywords
- forest
- isolated
- pixel
- subspace
- selection
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于判别森林子空间选择的高光谱异常探测方法,包括以从高光谱图像中随机选择部分像元,构造一棵子空间选择孤立二叉树,按此构造孤立判别森林;将高光谱图像遍历所构造的孤立判别森林,计算平均路径长度;计算每个像素的异常分数值,实现探测异常目标。本发明利用孤立判别森林模型以子集合的形式重复学习和估计图像中背景类和异常类的分布规律,在此基础上引入轴平行子空间选择方法,选择对异常信息判别更加有利的波段,避免因波段冗余和维度过高而造成的异常信息被埋没的问题,求解影像的异常分数值信息,获得高光谱图像异常目标探测的最终结果。
Description
技术领域
本发明属于计算机图像处理技术领域,涉及一种高光谱图像目标异常探测方法,具体涉及一种基于判别森林子空间选择的高光谱异常目标探测方法。
背景技术
高光谱遥感影像将传统的二维成像遥感技术和光谱技术结合在一起,具有光谱分辨率高、图谱合一的特点。影像上的每个像元拥有数十乃至成百上千个波段的光谱信息,可以提供用于区分不同物质的诊断性光谱特征信息,因此,高光谱遥感图像具备区分不同物质之间细微光谱差异的能力。高光谱遥感影像的这一特点使其能够有效地利用地物精细光谱特征进行地物识别、定位,能够很好地解决目标探测任务中目标地物和背景地物分离的关键问题。在探测过程中,异常探测技术不需要目标和背景地物的先验光谱信息这一特点使其具有重要的研究和应用价值。近年来,高光谱遥感影像异常目标探测技术在很多领域中得到成功应用,如矿物勘测、边境监察、搜索营救等,成为高光谱遥感影像处理与应用的一个研究热点。
目前国内外学者对高光谱遥感影像异常目标探测技术做了很多研究,主要针对影像数学统计分布规律,通过背景建模,对异常目标进行突出。其中,RX异方法是异常目标探测技术中经典的基于马氏距离统计的探测器,已被广泛应用于多光谱和高光谱遥感影像;CBAD方法通过聚类,将影像中的类别信息考虑到探测统计中;BACON方法运用迭代统计方法使异常目标探测器具有更强的鲁棒性,Subspace-RX将子空间分析技术引入到高光谱异常目标探测中,在子空间中进行探测统计实现对背景的抑制。
但这些基于统计分布建模的异常目标探测方法在区分背景和异常地物类型中仍存在不足,因此,本领域迫切需要一种打破模型限制,充分估计和学习高光谱图像中背景信息的探测方法。
发明内容
为了解决上述技术问题,本发明提供了一种非建模的异常探测方法,该方法通过重复集合学习,在没有任何先验信息的情况下充分估计背景的基于判别森林子空间选择的高光谱异常探测方法。
本发明所采用的技术方案是一种基于判别森林子空间选择的高光谱异常探测方法,包括以下步骤:
步骤1,从高光谱图像中随机选择部分像元,构造一棵子空间选择孤立二叉树;
步骤2,返回执行步骤1,直到达到预设的数目,实现构造孤立判别森林;
步骤3,将高光谱图像遍历所构造的孤立判别森林,计算平均路径长度;
步骤4,基于平均路径长度计算每个像素的异常分数值,实现探测异常目标。
而且,步骤1中所述构造子空间选择孤立二叉树,实现过程包括以下子步骤,
步骤1.1,从高光谱图像中随机选择500个像元,放入树的根节点;
步骤1.2,使用轴平行子空间选择算法对当前节点数据进行特征选择;
步骤1.3,在子空间中随机指定一个维度,随机产生一个切割点p,这个切割值产生于当前节点数据中指定维度上的最大值和最小值之间;
步骤1.4,以切割点p为基准,将当前节点划分为2个部分,把在指定维度的值小于等于p的数据放在当前节点的左孩子,大于p的数据放在右孩子;
步骤1.5,在孩子节点中递归步骤1.2、1.3和1.4,直到孩子节点中只有一个数据。
而且,预设的数目为1000,步骤2中所述构造孤立森林,实现过程为重复步骤1获得1000棵孤立二叉树,将所有树的集合作为孤立森林。
而且,步骤3中所述计算平均路径长度,实现过程为逐像素遍历所有孤立森林,将每棵树上的遍历路径的均值作为该像素的平均路径长度。
而且,步骤4中所述计算每个像素的异常分数值,实现过程包括以下子步骤,步骤4.1,根据二值搜索树模型,计算像素的平均树高p(n)如下,
p(n)=2H(n-1)-(2(n-1)/n),
其中,n是孤立二叉树的根节点数,H(·)是调和级数;
步骤4.2,计算异常分数值如下,
其中,S表示当前像素的异常分数值,E表示平均路径长度。
本发明的有益效果为:
(2)本发明引入了轴平行子空间选择方法,避免了高光谱数据波段冗余和维度过高使异常信息被淹没的问题,增强了分割点选择的可信度。
(1)本发明引入孤立判别森林模型,在不建模的情况下通过重复构造孤立二叉树,实现对影像的集成学习,以子集合估计整体影像的背景类和异常类分布规律,使更稳定的背景信息有更小的异常分数值。
(3)本发明实现了高效、快速地估计背景信息,合理利用高光谱数据分布规律和维度特征,精确地探测异常目标。
附图说明
图1为本发明实施例的流程示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供一种基于判别森林子空间选择的高光谱异常探测方法,利用孤立判别森林模型以子集合的形式重复学习和估计图像中背景类和异常类的分布规律,在此基础上引入轴平行子空间选择方法,选择对异常信息判别更加有利的波段,避免因波段冗余和维度过高而造成的异常信息被埋没的问题,求解影像的异常分数值,获得高光谱图像异常目标探测的最终结果。
参见图1,本发明实施例提供的一种基于判别森林子空间选择的高光谱异常探测方法,包括以下步骤:
步骤1:从高光谱图像中随机选择部分像元,构造一棵子空间选择孤立二叉树;
所述构造子空间选择孤立二叉树,其具体实现过程包括以下子步骤:
步骤1.1:从高光谱图像中随机选择500个像元,放入树的根节点;
具体实施时可以根据经验进行选择,例如综合考虑子集合估计整体影像的准确性和孤立二叉树计算的时效性,进行随机选择像元,然后放入树的根节点。
步骤1.2:使用轴平行子空间选择算法对当前节点数据进行特征选择,轴平行子空间选择算法为现有技术,具体实现过程为计算原始空间每个维度的数据分布方差,选择方差较小的10个维度作为代表当前节点数据分布特征的子空间;
具体实施时,可参见:Kriegel H P,P,Schubert E,et al.Outlierdetection in axis-parallel subspaces of high dimensional data[C]//Pacific-Asia Conference on Knowledge Discovery and Data Mining.Springer,Berlin,Heidelberg,2009:831-838.
步骤1.3:在子空间中随机指定一个维度,随机产生一个切割点p,这个切割值产生于当前节点数据中指定维度上的最大值和最小值之间;
步骤1.4:以切割点p为基准,将当前节点划分为2个部分,把在指定维度的值小于等于p的数据放在当前节点的左孩子,大于p的数据放在右孩子;
步骤1.5:在孩子节点中递归步骤1.2、1.3和1.4,直到孩子节点中只有一个数据。
步骤2:构造孤立判别森林;
所述构造孤立森林,其具体实现过程为重复步骤1,每次重复步骤1时随机选择不太的像元,直到达到预设的数目,实施例中为1000。从而获得1000棵孤立二叉树,将所有树的集合作为孤立森林。
步骤3:将高光谱图像遍历所构造的孤立判别森林,计算平均路径长度;
所述计算平均路径长度,其具体实现过程为逐像素遍历所有孤立森林,从根节点到叶子节点所经过的边的数量为当前像素的遍历路径,将每棵树上的遍历路径的均值作为该像素的平均路径长度。
步骤4:基于步骤3所得平均路径长度计算每个像素的异常分数值,作为异常信息探测结果,实现探测异常目标;
所述计算每个像素的异常分数值,其具体实现过程包括以下子步骤:
步骤4.1:根据二值搜索树(BST)模型,计算该像素的平均树高p(n):
p(n)=2H(n-1)-(2(n-1)/n),
其中n是孤立二叉树的根节点数,H(·)是调和级数且大约可表示为ln(·)+0.5772156649;
步骤4.2:计算异常分数值:
其中S表示当前像素的异常分数值,E表示平均路径长度。以上是本发明涉及的高光谱图像异常目标探测方法的实现步骤。具体实施时,以上流程可采用计算机软件计算实现自动运行,运行该方法流程的装置也应当在本发明的保护范围内。通过轴平行子空间选择和孤立判别森林的引入,可以合理避免高光谱图像波段冗余问题,实现快速异常目标探测。在所构造的孤立二叉树中,异常类具有更长的搜索路径,相对背景类具有较短的搜索路径,因此实现两类地物的区别。
实施例采用MATLAB平台实现,MATLAB高光谱遥感影像读写函数为实施基础。调用高光谱遥感影像读取函数,输入待读取遥感影像文件名,遥感影像即被读入。MATLAB遥感影像读写函数为本技术领域的公知技术,在此不作赘述。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (5)
1.一种基于判别森林子空间选择的高光谱异常探测方法,其特征在于,包括以下步骤:
步骤1,从高光谱图像中随机选择部分像元,构造一棵子空间选择孤立二叉树;
步骤2,返回执行步骤1,直到达到预设的数目,实现构造孤立判别森林;
步骤3,将高光谱图像遍历所构造的孤立判别森林,计算平均路径长度;
步骤4,基于平均路径长度计算每个像素的异常分数值,实现探测异常目标。
2.根据权利要求1所述的基于判别森林子空间选择的高光谱异常探测方法,其特征在于:步骤1中所述构造子空间选择孤立二叉树,实现过程包括以下子步骤,
步骤1.1,从高光谱图像中随机选择500个像元,放入树的根节点;
步骤1.2,使用轴平行子空间选择算法对当前节点数据进行特征选择;
步骤1.3,在子空间中随机指定一个维度,随机产生一个切割点p,这个切割值产生于当前节点数据中指定维度上的最大值和最小值之间;
步骤1.4,以切割点p为基准,将当前节点划分为2个部分,把在指定维度的值小于等于p的数据放在当前节点的左孩子,大于p的数据放在右孩子;
步骤1.5,在孩子节点中递归步骤1.2、1.3和1.4,直到孩子节点中只有一个数据。
3.根据权利要求1所述的基于判别森林子空间选择的高光谱异常探测方法,其特征在于:预设的数目为1000,步骤2中所述构造孤立森林,实现过程为重复步骤1获得1000棵孤立二叉树,将所有树的集合作为孤立森林。
4.根据权利要求1所述的基于判别森林子空间选择的高光谱异常探测方法,其特征在于:步骤3中所述计算平均路径长度,实现过程为逐像素遍历所有孤立森林,将每棵树上的遍历路径的均值作为该像素的平均路径长度。
5.根据权利要求1或2或3或4所述的基于判别森林子空间选择的高光谱异常探测方法,其特征在于:步骤4中所述计算每个像素的异常分数值,实现过程包括以下子步骤,
步骤4.1,根据二值搜索树模型,计算像素的平均树高p(n)如下,
p(n)=2H(n-1)-(2(n-1)/n),
其中,n是孤立二叉树的根节点数,H(·)是调和级数;
步骤4.2,计算异常分数值如下,
其中,S表示当前像素的异常分数值,E表示平均路径长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910565596.2A CN110443125A (zh) | 2019-06-27 | 2019-06-27 | 一种基于判别森林子空间选择的高光谱异常探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910565596.2A CN110443125A (zh) | 2019-06-27 | 2019-06-27 | 一种基于判别森林子空间选择的高光谱异常探测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110443125A true CN110443125A (zh) | 2019-11-12 |
Family
ID=68429268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910565596.2A Pending CN110443125A (zh) | 2019-06-27 | 2019-06-27 | 一种基于判别森林子空间选择的高光谱异常探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443125A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929643A (zh) * | 2019-11-21 | 2020-03-27 | 西北工业大学 | 一种基于多特征和孤立树的高光谱异常检测方法 |
CN112183426A (zh) * | 2020-10-10 | 2021-01-05 | 中国科学院空天信息创新研究院 | 高光谱图像中目标区域的确定方法及相关装置 |
CN112801011A (zh) * | 2021-02-07 | 2021-05-14 | 中国科学院空天信息创新研究院 | 一种高光谱图像目标探测方法及相关装置 |
CN112990313A (zh) * | 2021-03-16 | 2021-06-18 | 中国科学院长春光学精密机械与物理研究所 | 高光谱图像异常检测方法、装置、计算机设备及存储介质 |
CN112990314A (zh) * | 2021-03-16 | 2021-06-18 | 中国科学院长春光学精密机械与物理研究所 | 基于改进孤立森林算法的高光谱图像异常检测方法及装置 |
CN113032774A (zh) * | 2019-12-25 | 2021-06-25 | 中移动信息技术有限公司 | 异常检测模型的训练方法、装置、设备及计算机存储介质 |
CN116008208A (zh) * | 2023-03-27 | 2023-04-25 | 山东省科学院海洋仪器仪表研究所 | 一种海水硝酸盐浓度特征光谱波段的选择方法 |
CN117437271A (zh) * | 2023-12-20 | 2024-01-23 | 湖南中斯信息科技有限公司 | 基于人工智能的三维目标测量方法 |
CN117853931A (zh) * | 2024-03-04 | 2024-04-09 | 中国铁路设计集团有限公司 | 基于最近邻距离的高光谱图像孤立异常检测方法 |
CN118244826A (zh) * | 2024-05-27 | 2024-06-25 | 昆明昊拜农业科技有限公司 | 一种用于晾制房的智能温度、湿度控制方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5930392A (en) * | 1996-07-12 | 1999-07-27 | Lucent Technologies Inc. | Classification technique using random decision forests |
CN108446349A (zh) * | 2018-03-08 | 2018-08-24 | 国网四川省电力公司电力科学研究院 | 一种gis异常数据的检测方法 |
CN109934354A (zh) * | 2019-03-12 | 2019-06-25 | 北京信息科技大学 | 基于主动学习的异常数据检测方法 |
-
2019
- 2019-06-27 CN CN201910565596.2A patent/CN110443125A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5930392A (en) * | 1996-07-12 | 1999-07-27 | Lucent Technologies Inc. | Classification technique using random decision forests |
CN108446349A (zh) * | 2018-03-08 | 2018-08-24 | 国网四川省电力公司电力科学研究院 | 一种gis异常数据的检测方法 |
CN109934354A (zh) * | 2019-03-12 | 2019-06-25 | 北京信息科技大学 | 基于主动学习的异常数据检测方法 |
Non-Patent Citations (2)
Title |
---|
HUAWEN LIU等: "Efficient Outlier Detection for High-Dimensional Data", 《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS: SYSTEMS》 * |
王伟等: "基于 PU 学习的工业控制系统异常检测方法", 《信息工程大学学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929643A (zh) * | 2019-11-21 | 2020-03-27 | 西北工业大学 | 一种基于多特征和孤立树的高光谱异常检测方法 |
CN110929643B (zh) * | 2019-11-21 | 2022-04-26 | 西北工业大学 | 一种基于多特征和孤立树的高光谱异常检测方法 |
CN113032774B (zh) * | 2019-12-25 | 2024-06-07 | 中移动信息技术有限公司 | 异常检测模型的训练方法、装置、设备及计算机存储介质 |
CN113032774A (zh) * | 2019-12-25 | 2021-06-25 | 中移动信息技术有限公司 | 异常检测模型的训练方法、装置、设备及计算机存储介质 |
CN112183426A (zh) * | 2020-10-10 | 2021-01-05 | 中国科学院空天信息创新研究院 | 高光谱图像中目标区域的确定方法及相关装置 |
CN112801011B (zh) * | 2021-02-07 | 2022-10-25 | 中国科学院空天信息创新研究院 | 一种高光谱图像目标探测方法及相关装置 |
CN112801011A (zh) * | 2021-02-07 | 2021-05-14 | 中国科学院空天信息创新研究院 | 一种高光谱图像目标探测方法及相关装置 |
CN112990314B (zh) * | 2021-03-16 | 2023-04-18 | 中国科学院长春光学精密机械与物理研究所 | 基于改进孤立森林算法的高光谱图像异常检测方法及装置 |
CN112990314A (zh) * | 2021-03-16 | 2021-06-18 | 中国科学院长春光学精密机械与物理研究所 | 基于改进孤立森林算法的高光谱图像异常检测方法及装置 |
CN112990313A (zh) * | 2021-03-16 | 2021-06-18 | 中国科学院长春光学精密机械与物理研究所 | 高光谱图像异常检测方法、装置、计算机设备及存储介质 |
CN116008208A (zh) * | 2023-03-27 | 2023-04-25 | 山东省科学院海洋仪器仪表研究所 | 一种海水硝酸盐浓度特征光谱波段的选择方法 |
CN117437271A (zh) * | 2023-12-20 | 2024-01-23 | 湖南中斯信息科技有限公司 | 基于人工智能的三维目标测量方法 |
CN117437271B (zh) * | 2023-12-20 | 2024-03-08 | 湖南中斯信息科技有限公司 | 基于人工智能的三维目标测量方法 |
CN117853931A (zh) * | 2024-03-04 | 2024-04-09 | 中国铁路设计集团有限公司 | 基于最近邻距离的高光谱图像孤立异常检测方法 |
CN117853931B (zh) * | 2024-03-04 | 2024-05-14 | 中国铁路设计集团有限公司 | 基于最近邻距离的高光谱图像孤立异常检测方法 |
CN118244826A (zh) * | 2024-05-27 | 2024-06-25 | 昆明昊拜农业科技有限公司 | 一种用于晾制房的智能温度、湿度控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443125A (zh) | 一种基于判别森林子空间选择的高光谱异常探测方法 | |
Petitjean et al. | Satellite image time series analysis under time warping | |
Hu et al. | A phenology-based spectral and temporal feature selection method for crop mapping from satellite time series | |
US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
US9767604B2 (en) | Image analysis method by analyzing point cloud using hierarchical search tree | |
Stumpf et al. | Active learning in the spatial domain for remote sensing image classification | |
Shafri et al. | Semi-automatic detection and counting of oil palm trees from high spatial resolution airborne imagery | |
Stenzel et al. | Remote sensing of scattered Natura 2000 habitats using a one-class classifier | |
Zerrouki et al. | A machine learning-based approach for land cover change detection using remote sensing and radiometric measurements | |
Liu et al. | A voxel-based multiscale morphological airborne lidar filtering algorithm for digital elevation models for forest regions | |
Mahmon et al. | Differences of image classification techniques for land use and land cover classification | |
Díaz et al. | Grapevine buds detection and localization in 3D space based on structure from motion and 2D image classification | |
Jasiewicz et al. | GeoPAT: A toolbox for pattern-based information retrieval from large geospatial databases | |
Silva et al. | A semi-supervised genetic programming method for dealing with noisy labels and hidden overfitting | |
Zhang et al. | Isolation forest for anomaly detection in hyperspectral images | |
Naeini et al. | Improving the dynamic clustering of hyperspectral data based on the integration of swarm optimization and decision analysis | |
Drobnjak et al. | Testing a new ensemble vegetation classification method based on deep learning and machine learning methods using aerial photogrammetric images | |
Atkinson et al. | Investigating spatial structure in specific tree species in ancient semi‐natural woodland using remote sensing and marked point pattern analysis | |
CN117290681A (zh) | 一种基于遥感的湖区山水林田湖草沙环境监控系统 | |
Sari et al. | Effect of Feature Engineering Technique for Determining Vegetation Density | |
Beilschmidt et al. | A linear-time algorithm for the aggregation and visualization of big spatial point data | |
Polk et al. | Unsupervised detection of ash dieback disease (Hymenoscyphus fraxineus) using diffusion-based hyperspectral image clustering | |
Nandhini et al. | Identification and classification of leaf diseases in turmeric plants | |
Yu et al. | Time-Series Field Phenotyping of Soybean Growth Analysis by Combining Multimodal Deep Learning and Dynamic Modeling | |
Dong et al. | Unsupervised semantic segmenting TLS data of individual tree based on smoothness constraint using open-source datasets |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191112 |