CN111738933A - 一种红外数字全息重建中的噪声抑制方法及装置 - Google Patents
一种红外数字全息重建中的噪声抑制方法及装置 Download PDFInfo
- Publication number
- CN111738933A CN111738933A CN202010412050.6A CN202010412050A CN111738933A CN 111738933 A CN111738933 A CN 111738933A CN 202010412050 A CN202010412050 A CN 202010412050A CN 111738933 A CN111738933 A CN 111738933A
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- adopting
- detail
- layers
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000001629 suppression Effects 0.000 title claims abstract description 13
- 238000001914 filtration Methods 0.000 claims description 34
- 230000002146 bilateral effect Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000001093 holography Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20032—Median filtering
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种红外数字全息重建中的噪声抑制方法及装置,使用拉普拉斯金字塔将原始的重建图像分为不同的层,然后使用双边滤波器获取图像的细节信息,再对细节信息进行去噪处理,使用反向拉拉普拉斯金字塔方法将分层图像重建得到干净的重建像。本发明方法可大大增强细节信息,同时可以最大程度地消除噪声。
Description
技术领域
本发明具体涉及一种红外数字全息重建中的噪声抑制方法及装置,属于图像处理技术领域。
背景技术
在红外数字全息成像过程中,由于成像方式为无镜头成像,因此没有传统的镜头聚焦过程。也就是说,被感光焦平面接收到的光线是呈现发散特征的形式,因此,在红外数字全息成像过程中,成像质量受到光线传播途径中的空气中杂质等散射形成的散斑噪声现象特别严重,较普通有镜头的成像方式来看,这种散斑噪声的存在会对最终的成像结果引起极大的视觉影响。同时,在部分将红外数字全息成像技术应用到实际工业测量领域时,这种散斑噪声也会直接影响测量的精度。
在全息重建中,已经提出了许多减少斑点的技术。一种是通过复用全息图进行时间积分,另一种是引入扫描或旋转元件。两种方法都成功地有效地减少了斑点噪声。但是,这些方法存在一些缺点。例如,运动元件方法具有系统干扰的问题。另一方面,时间方法将模糊赋予重建图像,而不是干扰。这在红外数字全息显示器中尤其明显,因为在红外数字全息术中,红外微辐射热测量仪的更长波长和更大像素尺寸使斑点比普通可见光数字全息术严重得多。
发明内容
本发明的目的在于克服现有技术中的不足,提供了一种红外数字全息重建中的噪声抑制方法及装置,解决了如何有效的去除红外数字全息成像中的散斑噪声的技术问题,大大减少斑点噪声并增强重建的红外全息图的细节。
为解决上述技术问题,本发明提供了一种红外数字全息重建中的噪声抑制方法,包括以下过程:
采用拉普拉斯金字塔将原始红外数字全息图像分为若干层图像;
采用双边滤波器对每层图像进行双边滤波,得到每层图像的细节层和能量层;
采用中值滤波器对每层图像中的细节层进行去噪处理,得到去噪后的细节层;
将每层图像中去噪后的细节层和能量层合并,并使用反向拉拉普拉斯金字塔方法将若干层图像重建得到重建后的图像。
进一步的,所述采用拉普拉斯金字塔将原始红外数字全息图像分为若干层图像,包括:
采用拉普拉斯金字塔将原始红外数字全息图像分为5层图像。
进一步的,所述采用中值滤波对每层图像中的细节层进行去噪处理,包括:
对中值滤波器在周围区域(3x3)上添加不同遮罩进行改进;
采用改进后的中值滤波对每层图像中的细节层进行去噪处理。
相应的,本发明还提供了一种红外数字全息重建中的噪声抑制装置,包括分层处理模块、双边滤波模块、中值滤波模块和重建模块,其中:
分层处理模块,用于采用拉普拉斯金字塔将原始红外数字全息图像分为若干层图像;
双边滤波模块,用于采用双边滤波器对每层图像进行双边滤波,得到每层图像的细节层和能量层;
中值滤波模块,用于采用中值滤波器对每层图像中的细节层进行去噪处理,得到去噪后的细节层;
重建模块,用于将每层图像中去噪后的细节层和能量层合并,并使用反向拉拉普拉斯金字塔方法将若干层图像重建得到重建后的图像。
进一步的,分层处理模块中,所述采用拉普拉斯金字塔将原始红外数字全息图像分为若干层图像,包括:
采用拉普拉斯金字塔将原始红外数字全息图像分为5层图像。
进一步的,中值滤波模块中,所述采用中值滤波对每层图像中的细节层进行去噪处理,包括:
对中值滤波器在周围区域(3x3)上添加不同遮罩进行改进;
采用改进后的中值滤波对每层图像中的细节层进行去噪处理。
与现有技术相比,本发明所达到的有益效果是:本发明使用拉普拉斯金字塔将原始的重建图像分为不同的层,然后使用双边滤波器获取图像的细节信息。再对细节信息进行去噪处理,得到干净的重建像,大大增强细节信息,同时可以最大程度地消除噪声。
附图说明
图1是本发明方法的基本流程图;
图2是具有斑点噪声的原始重建全息图;
图3是拉拉普拉斯金字塔分离的重建全息图;
图4是3x3选择图像轮廓的遮罩图;
图5是滤波后的重建全息图;
图6是原始重建全息图与还原后的重建全息图对比图:(a)(c)为原始重建全息图,(b)(d)为重建全息图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明的一种红外数字全息重建中的噪声抑制方法,适用于模糊的红外图像处理,参见图1所示,包括以下步骤:
步骤1,使用拉普拉斯金字塔将原始红外数字全息图像分为若干层图像。
获取原始红外数字全息图像,本实施例中指通过A-si冷却器热像仪捕捉得到的红外数字全息图像,参见图2所示,此图像中有噪声。使用零填充将重构的维度扩展为1024×1024以避免频谱重叠。
因为一张原始图像中,包含了非常多的频率成分,每种频率成分中都包含了物体和噪声在不同频率的表现,因此需要首先能够将这些频率进行区分,继而逐层处理。本发明采用拉普拉斯金字塔的频率分解作用,将原始图像分解为处在不同频率段的部分。即使用拉普拉斯金字塔将原始红外数字全息图像分为若干层,每层图像包含两个部分信息,即细节信息和能量信息,除顶层(即原始图像)外,每层图像是上层下采样后的信息。
图2是本实施例测试图像,图像中目标物是一个人性雕像,对图2的实施例使用拉普拉斯金字塔处理后的结果如图3所示,本实施例中选取5层,5层的分层选取是在实际验证技术性能时的折衷选择,采用金字塔分层的中心思想是将图像按照下采样的方式进行频率分解,也就是说,每次下采样时得到的金字塔当前分层的大小是上一层的四分之一,那么对于一幅具有确定分辨率的原始图像来说,按照每分一层就缩小成四分之一的下采样过程来说,分层越多,图像越小,但总会到达一个不可以再分的情况,而这种情况时,通常已经没有必要分解的这么细,我们一般采用的图像为1024X1024,因此,5层的分层已经足够描述清楚原图像中各个不同的频率构成,所以选择为5层。如果原图像更大,那么可以分更多层。参见图3所示在第一个分离的层上是非常明显的,细节和噪声在该层被合并。在金字塔的较高层中,对象的细节会变得更清晰,但分辨率太低。
步骤2,使用双边滤波器对每层图像进行双边滤波,得到每层图像的细节层和能量层;
再通过双边滤波器对分层后的每层图像进行分解,将每层金字塔图像都分解成细节层和能量层,细节层是图像中的高频信息所组成的内容,通常包含边缘、噪声等部分;这个部分是需要进行去噪处理的;能量层是图像整体亮度和对比度的基础信息,整幅图像的明暗程度就靠能量层来提供。
所谓双边滤波器,就是在空间域和强度域同时对选定的模板内的像素点灰度值进行计算,故为“双边”,双边滤波器的计算核心为两个高斯核函数构成。通过两个高斯核函数从图像中选择细节信息,而忽略未选择的噪声信息。
两个高斯核函数具体见下公式:
其中,Ibf(i,j)表示双边滤波输出,k(i,j)表示归一化系数,(i,j)表示相邻像素点,(i′,j′)表示当前像素点,S表示卷积的定义域。σs为空间域高斯函数的标准差,σr为强度域高斯函数的标准差。gs和gr的高斯核函数分别作用在空间域和强度域。标准偏差σs和σr决定了遮罩选择区域,它们控制了这两个高斯核的扩展尺度。σs确定遮罩的相邻像素的比例,选择σs作为图像尺寸的1.5%以将噪声与细节区分开。σr表示细节的轻微波动,如果信号波动在σr的范围内,则可以将其视为细节信息,否则可以视为噪声。
步骤3,采用中值滤波器对每层图像中的细节层进行去噪处理,得到去噪后的细节层。此去噪处理可以滤除图像中固有噪声,大大增强细节信息,同时可以最大程度地消除噪声;
细节层中包含了图像中的细节信息以及噪声信息,因为就图像信号的性质而言,细节信息和噪声信息都属于高频信息,因此,此二者在双边滤波的过程中会同时进入细节层。
现有的中值滤波器取像素点附近区域(3x3区域)进行排序处理,取排序后中点的灰度值作为该像素点的灰度值。而这样做的缺陷是如果周围的点中存在差异过大的情况,那么就很难取到一个合适的中值。本发明中为了提高去噪效果,对中值滤波器进行改进,改进后的中值滤波器在周围区域(3x3)上添加不同遮罩。对每次选取的图像中的9个像素点细节层信息进行判断,以确定中心像素是否属于细节信息,然后用遮罩中标灰的像素点去进行中值替换,替换掉判断出是噪声的点的像素值,这些替换都是替换的细节层信息,因此替换掉这些细节上的噪声值再与能量层合并回去,就能够得到极大程度去噪后的图像效果。
判断是否属于细节的具体过程为:估计遮罩中所有其他像素与中心像素之间的距离d,将阈值设置为T,s表示相邻像素与中心像素相似的数量。当d<T时,s加1。我们使用a<s<b的简单准则来确定中心像素是否属于细节,其中a、b为相邻像素与中心像素相似数的定义区间,其实际表现为所选遮罩内的像素灰度值。选择T=0.3,a=1,b=4进行确定过程。
图4是修改后的中值滤波器遮罩,给出遮罩的8种可能性,每次取9个像素点,然后标灰的部分表示在这取出的9个点中,每次按标灰的点进行进一步的取数判断,相当于取出9个点不直接全部使用,而是当作一个取数池,然后按照标灰的提示取8次,同时进行判断后,最后输出滤波结果。
在图5中,我们可以看到,雕像的细节已被完全勾勒出来。在图3中看不到第一层(图中金字塔最下面的一层)详细信息,而在图5中,它比图3中清晰得多。同时,图5中的噪声水平比图3中小得多。因此,可以使用图5中的多层来得到重构的全息图。
步骤4,将每层图像中去噪后的细节层和能量层合并,并使用反向拉拉普拉斯金字塔方法将若干层图像重建得到重建后的图像。
将去除噪声后的细节层和能量层合并,得到对应的分层图像,然后再用拉普拉斯逆变换方法将所有的分层(5层)重新重建为一张图像。由于去噪后的细节图留下只有属于图像的细节信息,这样就可以得到干净的重建像。
图6是原始重建全息图与还原后的重建全息图对比图,在图6(a)(c)中,斑点噪声在图像上非常严重,这极大地影响了观察者的视觉效果。而在图6(b)(d)中,消除了噪声,使得图像看起来更加平滑和清晰,同时,雕像的细节并未模糊。
在本发明中,只需要简单的数学计算,并且具有易于实现的优点。它与传统的本行业光学处理办法不同,不需要特殊的机械设备即可添加光学设置。它可以大大减少斑点噪声并增强重建的红外全息图的细节。
实施例
相应的,本发明还提供了一种红外数字全息重建中的噪声抑制装置,包括分层处理模块、双边滤波模块、中值滤波模块和重建模块,其中:
分层处理模块,用于采用拉普拉斯金字塔将原始红外数字全息图像分为若干层图像;
双边滤波模块,用于采用双边滤波器对每层图像进行双边滤波,得到每层图像的细节层和能量层;
中值滤波模块,用于采用中值滤波器对每层图像中的细节层进行去噪处理,得到去噪后的细节层;
重建模块,用于将每层图像中去噪后的细节层和能量层合并,并使用反向拉拉普拉斯金字塔方法将若干层图像重建得到重建后的图像。
进一步的,分层处理模块中,所述采用拉普拉斯金字塔将原始红外数字全息图像分为若干层图像,包括:
采用拉普拉斯金字塔将原始红外数字全息图像分为5层图像。
进一步的,中值滤波模块中,所述采用中值滤波对每层图像中的细节层进行去噪处理,包括:
对中值滤波器在周围区域(3x3)上添加不同遮罩进行改进;
采用改进后的中值滤波对每层图像中的细节层进行去噪处理。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (6)
1.一种红外数字全息重建中的噪声抑制方法,其特征是,包括以下过程:
采用拉普拉斯金字塔将原始红外数字全息图像分为若干层图像;
采用双边滤波器对每层图像进行双边滤波,得到每层图像的细节层和能量层;
采用中值滤波器对每层图像中的细节层进行去噪处理,得到去噪后的细节层;
将每层图像中去噪后的细节层和能量层合并,并使用反向拉拉普拉斯金字塔方法将若干层图像重建得到重建后的图像。
2.根据权利要求1所述的一种红外数字全息重建中的噪声抑制方法,其特征是,所述采用拉普拉斯金字塔将原始红外数字全息图像分为若干层图像,包括:
采用拉普拉斯金字塔将原始红外数字全息图像分为5层图像。
3.根据权利要求1所述的一种红外数字全息重建中的噪声抑制方法,其特征是,所述采用中值滤波对每层图像中的细节层进行去噪处理,包括:
对中值滤波器在周围区域上添加不同遮罩进行改进;
采用改进后的中值滤波对每层图像中的细节层进行去噪处理。
4.一种红外数字全息重建中的噪声抑制装置,其特征是,包括分层处理模块、双边滤波模块、中值滤波模块和重建模块,其中:
分层处理模块,用于采用拉普拉斯金字塔将原始红外数字全息图像分为若干层图像;
双边滤波模块,用于采用双边滤波器对每层图像进行双边滤波,得到每层图像的细节层和能量层;
中值滤波模块,用于采用中值滤波器对每层图像中的细节层进行去噪处理,得到去噪后的细节层;
重建模块,用于将每层图像中去噪后的细节层和能量层合并,并使用反向拉拉普拉斯金字塔方法将若干层图像重建得到重建后的图像。
5.根据权利要求4所述的一种红外数字全息重建中的噪声抑制装置,其特征是,分层处理模块中,所述采用拉普拉斯金字塔将原始红外数字全息图像分为若干层图像,包括:
采用拉普拉斯金字塔将原始红外数字全息图像分为5层图像。
6.根据权利要求4所述的一种红外数字全息重建中的噪声抑制装置,其特征是,中值滤波模块中,所述采用中值滤波对每层图像中的细节层进行去噪处理,包括:
对中值滤波器在周围区域上添加不同遮罩进行改进;
采用改进后的中值滤波对每层图像中的细节层进行去噪处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010412050.6A CN111738933A (zh) | 2020-05-15 | 2020-05-15 | 一种红外数字全息重建中的噪声抑制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010412050.6A CN111738933A (zh) | 2020-05-15 | 2020-05-15 | 一种红外数字全息重建中的噪声抑制方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111738933A true CN111738933A (zh) | 2020-10-02 |
Family
ID=72647280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010412050.6A Withdrawn CN111738933A (zh) | 2020-05-15 | 2020-05-15 | 一种红外数字全息重建中的噪声抑制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738933A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314791A (zh) * | 2023-11-27 | 2023-12-29 | 长春理工大学 | 基于巴特沃斯函数拟合的红外图像冷反射噪声矫正方法 |
-
2020
- 2020-05-15 CN CN202010412050.6A patent/CN111738933A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314791A (zh) * | 2023-11-27 | 2023-12-29 | 长春理工大学 | 基于巴特沃斯函数拟合的红外图像冷反射噪声矫正方法 |
CN117314791B (zh) * | 2023-11-27 | 2024-02-20 | 长春理工大学 | 基于巴特沃斯函数拟合的红外图像冷反射噪声矫正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111915530B (zh) | 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法 | |
CN108090886B (zh) | 一种高动态范围红外图像的显示与细节增强方法 | |
Harikiran et al. | Impulse noise removal in digital images | |
CN108510451B (zh) | 一种基于双层卷积神经网络的重建车牌的方法 | |
Hsu et al. | Single image dehazing using wavelet-based haze-lines and denoising | |
Khmag et al. | Single image dehazing using second-generation wavelet transforms and the mean vector L2-norm | |
CN111260580B (zh) | 图像去噪方法、计算机装置及计算机可读存储介质 | |
CN111091503A (zh) | 基于深度学习的图像去失焦模糊方法 | |
WO2021077944A1 (zh) | 基于频域的去除光场重建图像中的周期噪声的方法 | |
Han et al. | Underwater image enhancement based on a spiral generative adversarial framework | |
CN116596792B (zh) | 一种面向智能船舶的内河雾天场景恢复方法、系统及设备 | |
CN111489319A (zh) | 基于多尺度双边滤波和视觉显著性的红外图像增强方法 | |
Wang et al. | Single Underwater Image Enhancement Based on $ L_ {P} $-Norm Decomposition | |
Zhang et al. | Underwater image enhancement using improved generative adversarial network | |
CN115880177A (zh) | 聚合上下文和增强细节的全分辨率低照度图像增强方法 | |
Zhu et al. | Low-light image enhancement network with decomposition and adaptive information fusion | |
CN113379861B (zh) | 基于色彩恢复块的彩色微光图像重建方法 | |
CN111738933A (zh) | 一种红外数字全息重建中的噪声抑制方法及装置 | |
Agrawal et al. | A joint cumulative distribution function and gradient fusion based method for dehazing of long shot hazy images | |
CN115398469A (zh) | 图像处理方法及图像处理装置 | |
CN111311498B (zh) | 图像鬼影剔除方法及装置、存储介质、终端 | |
CN103595933A (zh) | 一种图像的降噪方法 | |
Banerjee et al. | Bacterial foraging-fuzzy synergism based image Dehazing | |
CN116433518A (zh) | 一种基于改进Cycle-Dehaze神经网络的火灾图像烟雾去除方法 | |
Wang et al. | A bilateral filtering based ringing elimination approach for motion-blurred restoration image |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201002 |
|
WW01 | Invention patent application withdrawn after publication |