CN112150474A - 一种水下气泡图像特征分割提取方法 - Google Patents
一种水下气泡图像特征分割提取方法 Download PDFInfo
- Publication number
- CN112150474A CN112150474A CN202011085469.1A CN202011085469A CN112150474A CN 112150474 A CN112150474 A CN 112150474A CN 202011085469 A CN202011085469 A CN 202011085469A CN 112150474 A CN112150474 A CN 112150474A
- Authority
- CN
- China
- Prior art keywords
- image
- underwater
- local
- point
- edge detection
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 17
- 230000011218 segmentation Effects 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000003708 edge detection Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000005286 illumination Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 239000013535 sea water Substances 0.000 abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种水下气泡图像特征分割提取方法,首先获取图像中心频率,保证Log Gabor滤波器组涵盖图像的主要频率成分能够更有效地提取输入图像的边缘信息;然后对图像进行边缘检测并将图像的边缘检测简化为图像的局部能量检测,通过对图像局部区域能量的归一化处理从全局求取极值,避免了局部极值的分别求解,这也使得图像的边缘检测过程受光照强度的影响很小;再去掉短小边界,将图像划分为简单的几何结构,然后以划分后边界周围的像素作为种子点进行区域生长;最后填补图像的细小空洞,完成水下图像中对于气泡的特征分割提取。采用本发明的方法,可以准确地将水下图像中的气泡轮廓特征进行提取,从而统计计算水中气泡数量,支持海水气泡的实时监测。
Description
技术领域
本发明涉及一种水下气泡图像特征分割提取方法,属于水下成像技术领域。
背景技术
气泡浓度和粒径分布分析在海洋科学中具有重要的意义,它在海洋遥感、海洋声学、海洋动力学、海洋化学、海洋生物学和海洋气象学等方面具有举足轻重的作用,影响着许多海洋物理过程的演变。照相/摄像是最直接的气泡测量方法,目前,许多高校、科研院所以及海洋探测领域高新技术企业等为完成对水下气泡的实时监测任务而对水下气泡图像进行特征提取,但是到现在尚未找到合理有效的方法,不能准确地将水下图像中的气泡轮廓特征进行提取,也不能统计计算水中气泡数量,达不到海水气泡的实时监测目的。
发明内容
本发明提供了一种水下气泡图像特征分割提取方法,该方法可以准确地将水下图像中的气泡轮廓特征进行提取,从而统计计算水中气泡数量,支持海水气泡的实时监测。本发明采用的技术方案如下:
一种水下气泡图像特征分割提取方法,包括如下步骤:
步骤一、获取图像中心频率;通过将k×k大小的频谱图分成4个(k-1)×(k-1)大小的子图像,将和值最大的子图像作为下一轮检测的输入图像,重复分割检测,直至图像收缩为2×2得到最优解,得到图像中心频率。从而保证Log Gabor滤波器组涵盖图像的主要频率成分能够更有效地提取输入图像的边缘信息。
步骤二、对图像进行边缘检测;选取图像像素信息中傅立叶分量相位最一致的点作为特征点,按其标准标识与选择感兴趣的特征,不需要对信号波形进行任何假设,在傅立叶变换域只要按照与标识特征相位一致的原则寻找特征点,在图像中找到包括阶跃、线、屋顶和马赫带等相位一致性高的点,即为图像的边缘。
步骤三、将图像的边缘检测简化为图像的局部能量检测;其中,局部能量模型是在信号及其Hilbert变换的基础之上的,将局部能量转换为图像信号与它的Hilbert变换的平方和的平方根。通过对图像局部区域能量的归一化处理从全局求取极值,避免了局部极值的分别求解,这也使得图像的边缘检测过程受光照强度的影响很小。
步骤四、去掉短小边界;使用Log Gabor滤波器进行相位一致性的边缘检测后,为了更有效地去除断边和短小伪边,采用双阈值法运用高、低阈值得到的两幅图像进行边缘连接,改善断边去除伪边。
步骤五、以边界为种子点进行区域生长;去掉短小边界后,将图像划分为简单的几何结构,然后以划分后边界周围的像素作为种子点进行区域生长。
步骤六、填补细小空洞;以边界为种子点进行区域生长后,填补图像的细小空洞,完成水下图像中对于气泡的特征分割提取。
本发明具有如下优点:本发明公开了一种水下气泡图像特征分割提取方法,首先获取图像中心频率,保证Log Gabor滤波器组涵盖图像的主要频率成分能够更有效地提取输入图像的边缘信息;然后通过对图像进行边缘检测并将图像的边缘检测简化为图像的局部能量检测,通过对图像局部区域能量的归一化处理从全局求取极值,避免了局部极值的分别求解,这也使得图像的边缘检测过程受光照强度的影响很小;再去掉短小边界,将图像划分为简单的几何结构,然后以划分后边界周围的像素作为种子点进行区域生长;最后填补图像的细小空洞,完成水下图像中对于气泡的特征分割提取。采用本发明的方法,可以准确地将水下图像中的气泡轮廓特征进行提取,从而统计计算水中气泡数量,支持海水气泡的实时监测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种水下气泡图像特征分割提取方法的工作流程图;
图2为本发明实施例一种水下气泡图像特征分割提取方法中获取图像中心中心频率的分解图像示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。下面将结合图1、图2对本发明实施例的一种水下气泡图像特征分割提取方法进行详细的说明。
参考图1-图2所示,本发明实施例提供的一种水下气泡图像特征分割提取方法,包括如下步骤:
110、获取图像中心频率;通过将k×k大小的频谱图分成4个(k-1)×(k-1)大小的子图像,将和值最大的子图像作为下一轮检测的输入图像,重复分割检测,直至图像收缩为2×2得到最优解,得到图像中心频率,如图2所示。从而保证Log Gabor滤波器组涵盖图像的主要频率成分能够更有效地提取输入图像的边缘信息。
需要说明的是,本发明实施例为了保持相位信息,在提取图像边缘特征点信号分量的同时还要兼顾图像各区域中信号的方向性,使用线性相位的Log Gabor滤波器进行相位一致性计算。为了使Log Gabor滤波器组涵盖图像的主要频率成分从而更有效地提取输入图像的边缘信息,在Log Gabor滤波之前以收敛平方算法先来检测图像的中心频率。CSA方法可以在避免图像噪声的情况下从波峰检测过程中选择全局最优解,通过峰值处参数设置Log Gabor滤波器中间尺度的中心频率,减小区域的纹理细节对边缘检测的影响。
120、对图像进行边缘检测;选取图像像素信息中傅立叶分量相位最一致的点作为特征点,按其标准标识与选择感兴趣的特征,不需要对信号波形进行任何假设,在傅立叶变换域只要按照与标识特征相位一致的原则寻找特征点,在图像中找到包括阶跃、线、屋顶和马赫带等相位一致性高的点,即为图像的边缘。
示例的,以一维信号F(x)为例,其傅立叶级数展开为:
其中An表示第n次谐波余弦分量的幅值,ω是常数,一般为2π,φλ是第n次分量的相位偏移量或初始相位。函数φn(x)表示x点的傅立叶分量的局部相位。
对F(x)进行Hilbert变换后相位发生90°偏移,幅值不变,得到信号H(x):
如果将F(x)作为一个复信号的实部,H(x)作为复信号的虚部,可构成一个复平面内的信号:
将上升跃变信号和下降跃变信号进行余弦分解,并将分解后的分量和原信号画在一起,可以得到信号余弦分解后分量的相位特点:上升跃变处相位值集中在0°,下降跃变处相位值集中在180°;其它位置相位值比较分散,没有集中到一个相位值。根据这一特点,相位一致性函数可表示为:
使上式最大的φ(x)为位于该点的所有傅立叶项的局部相位的加权平均。频率分量的实际相位角与这个加权平均φ(x)差的余弦大致等于1减去该差的平方的一半(因为cos(x)的Taylor展开在x很小的时候约等于(1-x2)/2)。这样,找到相位一致性最大的点就相当于找到了对应于局部相位的加权平均变化最小的点。
130、将图像的边缘检测简化为图像的局部能量检测;其中,局部能量模型是在信号及其Hilbert变换的基础之上的,将局部能量转换为图像信号与它的Hilbert变换的平方和的平方根。通过对图像局部区域能量的归一化处理从全局求取极值,避免了局部极值的分别求解,这也使得图像的边缘检测过程受光照强度的影响很小。
本发明实施例利用信号边缘的相位一致性检测虽然理论上能够取得很好的效果,但是由于信号的频率分解过程非常复杂,导致实时性差。因此本发明将信号边缘的检测简化为局部能量的检测,以克服存在的频率分解过程复杂、导致实时性差等问题。
需要说明的是,局部能量模型是定义在信号及其Hilbert变换的基础之上的。由于人类的视觉系统类似于一对奇偶滤波器组进行卷积积分,并且对其输出进行求和运算,所以其定义可以如下式所示:
其中I(x)是某一维信号,H(x)表示它的Hilbert变换。所以局部能量定义为信号与它的Hilbert变换的平方和的平方根。
局部能量的两部分可由局部能量的两部分可由信号与一对正交滤波器的卷积来估计。也就是说,一个滤波器是偶对称的,为Me,另外一个是奇对称的,为Mo。数字图像局部能量可由下式估计:
即信号与偶、奇正交滤波器卷积。
图像的边缘一致性函数可以由局部能量简化定义为:
通过对图像局部区域能量的归一化处理从全局求取极值,避免了局部极致的分别求解,这也使得图像的边缘检测过程受光照强度的影响很小。
140、去掉短小边界;使用Log Gabor滤波器进行相位一致性的边缘检测后,为了更有效地去除断边和短小伪边,采用双阈值法运用高、低阈值得到的两幅图像进行边缘连接,改善断边去除伪边。首先将边缘像素点作为种子点去除短小边界的干扰,然后对余下的像素点进行分类标记,根据数据相似性和差异性的对比来确定数据的特征。指定所要进行归类的类别数目为K,根据K个分类中的每个分类的中心对样本集进行分类,并由聚类中心代表该类样本集的特征。使用迭代更新的方法根据聚类目标判断聚类效果,每一步迭代都使一个样本向某个聚类中心靠近,即目标函数的值逐渐减小,迭代结束得到目标函数的极小值,达到较优聚类的目的。
150、以边界为种子点进行区域生长;去掉短小边界后,将图像划分为简单的几何结构,然后以划分后边界周围的像素作为种子点进行区域生长。
令x=(x1,x2)代表一个特征空间的坐标,g(x)代表在这个位置的特征值,每个特征点与其对应类均值的距离和为:
将指标E最小化,将图像中的短边界去除,对于保留的每个边缘为其像素分配一个标号。对标号为i(1≤i≤K)的像素统计其灰度均值mean[i]、方差std[i],对应每个生长点的生长准则Tsp可以表示为:
Tsp=C×std[mask[sp]]
160、填补细小空洞;以边界为种子点进行区域生长后,填补图像的细小空洞,完成水下图像中对于气泡的特征分割提取。
本发明实施例公开了一种水下气泡图像特征分割提取方法,首先获取图像中心频率,保证Log Gabor滤波器组涵盖图像的主要频率成分能够更有效地提取输入图像的边缘信息;然后通过对图像进行边缘检测并将图像的边缘检测简化为图像的局部能量检测,通过对图像局部区域能量的归一化处理从全局求取极值,避免了局部极值的分别求解,这也使得图像的边缘检测过程受光照强度的影响很小;再去掉短小边界,将图像划分为简单的几何结构,然后以划分后边界周围的像素作为种子点进行区域生长;最后填补图像的细小空洞,完成水下图像中对于气泡的特征分割提取。采用本发明的方法,可以准确地将水下图像中的气泡轮廓特征进行提取,从而统计计算水中气泡数量,支持海水气泡的实时监测。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (1)
1.一种水下气泡图像特征分割提取方法,其特征在于,包括如下步骤:
步骤一、获取图像中心频率;通过将k×k大小的频谱图分成4个(k-1)×(k-1)大小的子图像,将和值最大的子图像作为下一轮检测的输入图像,重复分割检测,直至图像收缩为2×2得到最优解,得到图像中心频率;从而保证Log Gabor滤波器组涵盖图像的主要频率成分能够更有效地提取输入图像的边缘信息。
步骤二、对图像进行边缘检测;选取图像像素信息中傅立叶分量相位最一致的点作为特征点,按其标准标识与选择感兴趣的特征,不需要对信号波形进行任何假设,在傅立叶变换域只要按照与标识特征相位一致的原则寻找特征点,在图像中找到包括阶跃、线、屋顶和马赫带等相位一致性高的点,即为图像的边缘。
步骤三、将图像的边缘检测简化为图像的局部能量检测;其中,局部能量模型是在信号及其Hilbert变换的基础之上的,将局部能量转换为图像信号与它的Hilbert变换的平方和的平方根;通过对图像局部区域能量的归一化处理从全局求取极值,避免局部极值的分别求解,使得图像的边缘检测过程受光照强度的影响很小。
步骤四、去掉短小边界;使用Log Gabor滤波器进行相位一致性的边缘检测后,为了更有效地去除断边和短小伪边,采用双阈值法运用高、低阈值得到的两幅图像进行边缘连接,改善断边去除伪边。
步骤五、以边界为种子点进行区域生长;去掉短小边界后,将图像划分为简单的几何结构,然后以划分后边界周围的像素作为种子点进行区域生长。
步骤六、填补细小空洞;以边界为种子点进行区域生长后,填补图像的细小空洞,完成水下图像中对于气泡的特征分割提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011085469.1A CN112150474A (zh) | 2020-10-12 | 2020-10-12 | 一种水下气泡图像特征分割提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011085469.1A CN112150474A (zh) | 2020-10-12 | 2020-10-12 | 一种水下气泡图像特征分割提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112150474A true CN112150474A (zh) | 2020-12-29 |
Family
ID=73951501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011085469.1A Pending CN112150474A (zh) | 2020-10-12 | 2020-10-12 | 一种水下气泡图像特征分割提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112150474A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926606A (zh) * | 2021-04-25 | 2021-06-08 | 南京工程学院 | 一种基于深度学习的异构融合气泡羽流特征提取方法 |
CN113487496A (zh) * | 2021-06-03 | 2021-10-08 | 潍坊科技学院 | 一种基于像素类型推断的图像去噪方法、系统及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110286671A1 (en) * | 2010-05-18 | 2011-11-24 | Sharp Laboratories Of America, Inc. | Edge detection technique having improved feature visibility |
CN107831412A (zh) * | 2017-10-11 | 2018-03-23 | 国网上海市电力公司 | 电气设备局部放电定位方法及系统、存储介质及终端设备 |
CN108242057A (zh) * | 2017-09-22 | 2018-07-03 | 西安电子科技大学 | 基于嵌入边界约束因子的局部主动轮廓图像分割方法 |
CN111666847A (zh) * | 2020-05-26 | 2020-09-15 | 张彦龙 | 一种基于局部0-1量化技术的虹膜分割、特征提取和匹配方法 |
-
2020
- 2020-10-12 CN CN202011085469.1A patent/CN112150474A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110286671A1 (en) * | 2010-05-18 | 2011-11-24 | Sharp Laboratories Of America, Inc. | Edge detection technique having improved feature visibility |
CN108242057A (zh) * | 2017-09-22 | 2018-07-03 | 西安电子科技大学 | 基于嵌入边界约束因子的局部主动轮廓图像分割方法 |
CN107831412A (zh) * | 2017-10-11 | 2018-03-23 | 国网上海市电力公司 | 电气设备局部放电定位方法及系统、存储介质及终端设备 |
CN111666847A (zh) * | 2020-05-26 | 2020-09-15 | 张彦龙 | 一种基于局部0-1量化技术的虹膜分割、特征提取和匹配方法 |
Non-Patent Citations (7)
Title |
---|
任静等: "结合FFT和Gabor滤波器的织物纹理特征提取方法", 《浙江理工大学学报》 * |
张善文: "《图像模式识别》", 28 February 2020 * |
甘金来等: "基于相位的图像特征检测算法", 《实验科学与技术》 * |
田微晴等: "基于相位一致性的SAR图像边缘检测", 《四川兵工学报》 * |
罗丁等: "基于Hilbert滤波器对的相位一致性边缘检测方法", 《中国图象图形学报》 * |
翁秀梅等: "基于边缘检测和区域生长的自然彩色图像分割", 《天津工业大学学报》 * |
陆玲等: "《图像目标分割方法》", 30 November 2016 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926606A (zh) * | 2021-04-25 | 2021-06-08 | 南京工程学院 | 一种基于深度学习的异构融合气泡羽流特征提取方法 |
CN113487496A (zh) * | 2021-06-03 | 2021-10-08 | 潍坊科技学院 | 一种基于像素类型推断的图像去噪方法、系统及装置 |
CN113487496B (zh) * | 2021-06-03 | 2023-09-08 | 潍坊科技学院 | 一种基于像素类型推断的图像去噪方法、系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zou et al. | Ship detection in spaceborne optical image with SVD networks | |
CN107563303B (zh) | 一种基于深度学习的鲁棒性舰船目标检测方法 | |
CN109447073B (zh) | 一种基于张量鲁棒主成分分析的红外弱小目标检测方法 | |
CN110135438B (zh) | 一种基于梯度幅值预运算的改进surf算法 | |
WO2018000252A1 (zh) | 高分辨遥感海洋图像的海背景建模与抑制的方法及系统 | |
CN110991547A (zh) | 一种基于多特征最优融合的图像显著性检测方法 | |
CN112150474A (zh) | 一种水下气泡图像特征分割提取方法 | |
CN107784655A (zh) | 一种自适应阈值的视觉注意模型sar舰船检测算法 | |
Zhang et al. | Saliency-driven oil tank detection based on multidimensional feature vector clustering for SAR images | |
CN112669249A (zh) | 结合改进nsct变换和深度学习的红外与可见光图像融合方法 | |
Qi et al. | Research on the image segmentation of icing line based on NSCT and 2-D OSTU | |
CN104036461A (zh) | 一种基于联合滤波的红外复杂背景抑制方法 | |
CN113920255A (zh) | 基于点云数据的高效测绘系统 | |
CN112800932B (zh) | 海上背景下显著船舶目标的检测方法及电子设备 | |
CN117115675A (zh) | 一种跨时相轻量化空谱特征融合高光谱变化检测方法、系统、设备及介质 | |
Scharfenberger et al. | Image saliency detection via multi-scale statistical non-redundancy modeling | |
Venkateswaran et al. | Performance analysis of k-means clustering for remotely sensed images | |
CN113689449B (zh) | 一种中尺度涡特征参数的反演方法及系统 | |
Vijayaraj et al. | High resolution urban feature extraction for global population mapping using high performance computing | |
CN115147613A (zh) | 一种基于多向融合的红外小目标检测方法 | |
Schug et al. | Three-dimensional shearlet edge analysis | |
Zhao et al. | Unpaired sonar image denoising with simultaneous contrastive learning | |
Wang et al. | Sonar image detection based on multi-scale multi-column convolution neural networks | |
Sharma et al. | Performance comparison of texture based approach for identification of regions in satellite image | |
Sahu et al. | Digital image texture classification and detection using radon transform |
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: 20201229 |