CN112750143A - 一种基于极值法的茎柔鱼形态特征提取方法 - Google Patents
一种基于极值法的茎柔鱼形态特征提取方法 Download PDFInfo
- Publication number
- CN112750143A CN112750143A CN202011402018.6A CN202011402018A CN112750143A CN 112750143 A CN112750143 A CN 112750143A CN 202011402018 A CN202011402018 A CN 202011402018A CN 112750143 A CN112750143 A CN 112750143A
- Authority
- CN
- China
- Prior art keywords
- point
- marking
- wrist
- length
- axis
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 29
- 241000251468 Actinopterygii Species 0.000 title claims description 10
- 241000238366 Cephalopoda Species 0.000 claims abstract description 25
- 238000010586 diagram Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000003708 edge detection Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 241000255789 Bombyx mori Species 0.000 claims abstract description 3
- 210000000707 wrist Anatomy 0.000 claims description 100
- 238000009795 derivation Methods 0.000 claims description 6
- 238000007670 refining Methods 0.000 claims description 3
- 235000013372 meat Nutrition 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 241000656145 Thyrsites atun Species 0.000 claims 3
- 241000876437 Brachymystax lenok Species 0.000 claims 1
- 241001482311 Trionychidae Species 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 2
- 241001504070 Huperzia Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013425 morphometry Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于极值法的茎柔鱼形态特征提取方法,其特征在于,所述方法包括如下步骤:S100:将拍摄图片进行灰度化处理,得到灰度化图片,再利用高斯滤波与所述灰度化图片进行卷积来消除噪声,S200:利用算法和连通域分析函数对上述图像进行边缘检测得到鱿鱼的轮廓特征图,S300:对所述轮廓特征图进行迭代扫描,遍历图像内所有像素点,并提取特征点的像素坐标,S400:通过像素坐标与二维平面坐标之间的转换,确定各特征点的二维平面坐标,自动计算各个外形特征长度,并得到相应的比例关系。利用计算机视觉技术提取图像轮廓和特征点方法,从数量和形状上来总结形态数据,具目前其它形态学方法所无法达到的分析效果。
Description
技术领域
本发明涉及图像处理领域,尤其涉及计算机视觉技术对生物轮廓边缘提取以及特征点提取并计算生物形态学外形特征长度及其比例的方法,一种基于极值法的茎柔鱼形态特征提取方法。
背景技术
近年来,国内外学者针对基于计算机视觉技术在鱼类分类识别上的应用进行了诸多的研究,分类识别的方法涉及到基于相关系数法、分级分类法、支持向量机、神经网络等方法。但由于各类数据量庞大且冗杂导致数据分类领域面临较大的挑战,因而许多学者将研究领域进一步推向如何更好更快地进行数据预处理,从特征选择和分类方法考虑从而提高分类时效性。随着形态测量学以及计算机图形学的发展,提取图像轮廓和特征点方法将形态差异定量描述和可视化,能够从数量和形状上来总结形态数据,具有目前其它形态学方法所无法达到的分析效果因而受到广泛关注,在生物形态学、形态进化学及系统分类学等方面得到广泛应用。
发明内容
本发明的目的在于提供一种基于极值法的茎柔鱼形态特征提取方法,对鱿鱼的形态学外形特征进行提取分析,进而为鱼类分类以及种群识别研究提供科学依据。
为实现上述目标,本发明提供了如下技术方案:
一种基于极值法的茎柔鱼形态特征提取方法,所述方法包括如下步骤:
S100:将拍摄图片进行灰度化处理,得到灰度化图片,再利用高斯滤波与所述灰度化图片进行卷积来消除噪声,
S200:利用算法和连通域分析函数对上述图像进行边缘检测得到鱿鱼的轮廓特征图,
S300:对所述轮廓特征图进行迭代扫描,遍历图像内所有像素点,并提取特征点的像素坐标,
S400:通过像素坐标与二维平面坐标之间的转换,确定各特征点的二维平面坐标,自动计算各个外形特征长度,并得到相应的比例关系。
优选地,所述S100中,要求拍摄鱿鱼图像时,水平方向拍摄鱿鱼的背视图,要求拍摄图像背景为纯色,且无明显背景干扰,图像清晰,易于识别;要求拍摄对象包含标尺;所述背景干扰指:遮挡、光线、背景物等。
优选地,所述S100中将所述拍摄图像转换为灰度图像的方法:将所述拍摄图像的每一个像素点的R、G、B三个值转化成灰度值Gray 组成的灰度图像,转换公式如下:Gray=R*0.299+G*0.587+B*0.114,并将Gray值设定为所在点的像素值,其中R代表该像素点R颜色的分量值,其中G代表该像素点G颜色的分量值,其中B代表该像素点B颜色的分量值。
优选地,所述S200中包括如下步骤:
S210:给定一个阈值,采用以下方式对所述灰度图像的各个像素点进行比较:若像素点n的灰度值小于给定的阈值,则将该像素点标记为255,若像素点n的灰度值大于给定的阈值,则将该像素点标记为0;
S220:利用导数算子求出图像灰度沿着2个方向的导数GX和GY,并使用算子来检测图像中的水平、垂直和对角边缘,求出图像梯度的幅值和方向,
其中,θ表示梯度方向,|G|表示梯度幅值,GX表示水平梯度,GY表示垂直梯度,
S230:对上图中像素点沿着梯度的方向,对其前后各个像素点的梯度值进行比较,如果像素值小于其中任意一个,则舍弃该像素点,否则保留该像素点,使图像边缘细化,减少边缘像素点;
S240:选取合适的两个阈值,分别为上阈值T1和下阈值T2,对上图中像素点进行比较,对任意边缘像素大小高于T1的像素点进行保留,对任意边缘像素大小低于T2的像素点进行舍弃,置为0,对任意边缘像素大小在T2到T1之间的像素点,判断其是否能通过边缘连接到像素大小在T2到T1之间的像素点,若能,则保留该像素点,否则舍弃该像素点,置为0;
S250:利用连通域分析函数过滤掉经所述上述算法提取后的轮廓图像中除鱿鱼轮廓特征的连通域外的所有连通域,得到有且仅有鱿鱼轮廓特征的轮廓图像。
优选地,样本的特征数目和相对顺序保持一致,对所述特征点进行定义:将鱼体尾端最长点记为一号特征点;第一尾鳍最宽点记为二号特征点;第一尾鳍基部末端记为三号特征点;胴体第一最宽点记为四号特征点;外鞘第一最前端记为五号特征点;头部第一最宽点记为六号特征点;腕的第一最后端记为七号特征点;右侧第3腕腕端记为八号特征点;右侧第2腕腕端记为九号特征点;右侧第4腕腕端记为十号特征点;右侧第1腕腕端记为十一号特征点;左侧第1腕腕端记为十二号特征点;左侧第4腕腕端记为十三号特征点;左侧第2腕腕端记为十四号特征点;左侧第3腕腕端记为十五号特征点;腕的第二最后端记为十六号特征点;头部第二最宽点记为十七号特征点;外鞘第二最前端记为十八号特征点;胴体第二最宽点记为十九号特征点;第二尾鳍基部末端记为二十号特征点;第二尾鳍最高点记为二十一号特征点。
优选地,所述S300中对所述特征点的提取方法,包括如下步骤:
S310:以图片左上角为坐标原点建立坐标系,以水平正方向进行逐行向下遍历图像像素点
S311:将图像上横坐标最小的边缘点标记为一号特征点;将图像上纵坐标最大的边缘点标记为十五号特征点;
S312:以y轴的正方向为基线,沿x轴的负方向进行遍历图像像素点,找到的第一个纵坐标最小的边缘点将其标记为九号特征点;
S320:以一号特征点为起点,水平向右延伸出水平射线,将整个连通域划分为两个区域,分别为上区域和下区域;
S321:从一号特征点开始,沿y轴的正方向遍历图像像素点,找到第一个纵坐标最小的边缘点将其标记为二号特征点;从二号特征点开始,以x轴的正方向为基线,沿y轴的正方向遍历图像像素点,找到的第一个纵坐标最大的边缘点将其标记为三号特征点;从三号特征点开始,沿x轴的正方向遍历图像像素点,找到第一个纵坐标最小的边缘点将其标记为四号特征点;从四号特征点开始,以y轴的正方向为基线,沿x轴的正方向遍历图像像素点,找到的第一个横坐标最大的边缘点将其标记为五号特征点;从五号特征点开始,以x轴的正方向为基线,沿着y轴正方向遍历图像像素点,找到的第一个纵坐标最小的边缘点将其标记为六号特征点;从六号特征点开始,以y轴的正方向为基线,沿着x轴正方向遍历图像像素点,找到的第一个横坐标最大的边缘点将其标记为七号特征点;以七号特征点开始,以y轴正方向为基线,沿着x轴负方向遍历图像像素点,找到的第一个横坐标最大的边缘点将其标记为八号特征点;从九号特征点开始,以y轴的正方向为基线,沿着x轴正方向遍历图像像素点,找到的第一个横坐标最大的边缘点将其标记为十号特征点;
S322:横坐标在一号特征点与三号特征点之间,在下区域内,以 y轴负方向为基线,沿着x轴负方向遍历图像像素点,找到的第一个纵坐标最大的边缘点将其标记为二十一号特征点;
S323:从二十一号特征点开始,以y轴负方向为基线,沿着x轴正方向遍历图像像素点,找到的第一个纵坐标最小的边缘点将其标记为二十号特征点;从二十号特征点开始,以y轴正方向为基线,沿着 x轴正方向遍历图像像素点,找到的第一个纵坐标最大的边缘点将其标记为十九号特征点;从十九号特征点开始,以y轴负方向为基线,沿着x轴正方向遍历图像像素点,找到的第一个横坐标最大的边缘点将其标记为十八号特征点;从十八号特征点开始,以x轴的正方向为基线,沿着y轴负方向遍历图像像素点,找到的第一个纵坐标最大的边缘点将其标记为十七号特征点;从十七号特征点开始,以y轴的正方向为基线,沿着x轴正方向遍历图像像素点,找到的第一个横坐标最大的边缘点将其标记为十六号特征点;
S324:横坐标在八号特征点往右,在下区域内,从十五号特征点开始,以y轴负方向为基线遍历图像像素点,找到的第一个纵坐标最大的边缘点将其标记为十四号特征点;横坐标在八号特征点往右,在下区域内,从十四号特征点开始,以y轴负方向为基线遍历图像像素点,找到的第一个纵坐标最大的边缘点将其标记为十三号特征点;横坐标在八号特征点往右,在下区域内,从十三号特征点开始,以y轴负方向为基线遍历图像像素点,找到的第一个纵坐标最大的边缘点将其标记为十二号特征点;横坐标在八号特征点往右,在下区域内,从十二号特征点开始,以y轴负方向为基线遍历图像像素点,找到的第一个横坐标最大的边缘点将其标记为十一号特征点。
优选地,以一号特征点横坐标为起点,水平向右延伸出射线,将射线和六号特征点十七号特征点垂直线段的交点记为辅助点a;特征长度进行定义:胴长定义为自胴部中线最前端至最后端;头宽定义为头部的最大宽度;头长定义为自头部的最后端至腕的最后端;鳍长定义为鳍的最前端至最后端;胴宽定义为胴部腹面的最大宽度;鳍宽定义为肉鳍左右的最大宽度;右侧第三腕腕长定义为右侧第三腕腕的最前端至辅助点a的距离;右侧第二腕腕长定义为右侧第二腕腕的最前端至辅助点a的距离;右侧第四腕腕长定义为右侧第四腕腕的最前端至辅助点a的距离;右侧第一腕腕长定义为右侧第一腕腕的最前端至辅助点a的距离;左侧第三腕腕长定义为左侧第三腕腕的最前端至辅助点a的距离;左侧第二腕腕长定义为左侧第二腕腕的最前端至辅助点a的距离;左侧第四腕腕长定义为左侧第四腕腕的最前端至辅助点 a的距离;左侧第一腕腕长定义为左侧第一腕腕的最前端至辅助点a 的距离。
优选地,以一号特征点为坐标原点,水平向右为x轴正方向,垂直向上为y轴正方向,那么整个连通域位于坐标系的第一象限、第四象限,得到各个特征点的二维平面坐标。
优选地,通过得到的特征二维平面坐标,对所述胴长、所述胴宽、所述头长、所述头宽等外形特征进行数值化,最后计算各部分在所述胴长方向所占的比例。
优选地,所述胴长、所述胴宽、所述头长、所述头宽等外形特征进行数值化方法,包括:所述胴长为所述一号特征点到所述五号特征点与所述十八号特征点连线的水平距离长度;所述胴宽为所述四号特征点与所述十九号特征点的垂直高度长度;所述头宽为所述六号特征点与所述十七号特征点的垂直高度长度;所述鳍长为所述一号特征点与所述三号特征点的水平距离长度;所述鳍宽为所述二号特征点与所述二十一号特征点的垂直距离长度;所述头长为所述五号特征点与所述十八号特征点横坐标的平均值减去所述七号特征点与所述十六号特征点横坐标的平均值的绝对值长度;所述右侧第一腕腕长为所述辅助点a与所述十一号特征点的距离长度;所述右侧第二腕腕长为所述辅助点a与所述九号特征点的距离长度;所述右侧第三腕腕长为所述辅助点a与所述八号特征点的距离长度;所述右侧第四腕腕长为所述辅助点a与所述十号特征点的两点之间的距离长度;所述左侧第一腕腕长为所述辅助点a与所述十二号特征点的距离长度;所述左侧第二腕腕长为所述辅助点a与所述十四号特征点的距离长度;所述左侧第三腕腕长为所述辅助点a与所述十五号特征点的距离长度;所述左侧第四腕腕长为所述辅助点a与所述十三号特征点的距离长度。所述两点之间的距离长度计算公式为;其中,x1,x2为两点在二维平面坐标系下的横坐标,为两点在二维平面坐标系下的纵坐标。
有益效果:利用计算机视觉技术提取图像轮廓和特征点方法,将形态差异定量描述和可视化,利用各个特征点的二维坐标可以得到用于计算鱼类形态参数的值,能够从数量和形状上来总结形态数据, 具有目前其它形态学方法所无法达到的分析效果。将计算机视觉应用于鱼类形态学的研究可以提高研究的高效性,进而为鱼类识别分类提供新方法。
附图说明
图1为本发明实施例中所述方法的流程图。
图2为本发明实施例中提取的鱿鱼轮廓图。
图3为本发明实施例中鱿鱼特征点示意图。
图4为本发明实施例中遍历图像像素点时的像素坐标图。
图5为本发明实施例中以一号特征点为原点的二维平面坐标图。
图6为本发明实施例中辅助点a示意图。
图7为本发明实施例中特征长度示意图。
图8为本发明实施例中鱿鱼前后端定义图。
具体实施方式
下面结合附图对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,所述方法包括步骤S100至S400。其中:步骤S100, 将拍摄图片进行灰度化处理,得到灰度化图片,再利用高斯滤波与所述灰度化图片进行卷积来消除噪声。
在本实施例中,要求拍摄鱿鱼图像时,水平方向拍摄鱿鱼的背视图,要求拍摄图像背景为纯色,且无明显背景干扰,图像清晰,易于识别;要求拍摄对象包含标尺;所述背景干扰指:遮挡、光线、背景物等。
具体地,将步骤S100中拍摄图像转换为灰度图像的方法:将拍摄图像的每一个像素点的R、G、B三个值转化成灰度值Gray组成的灰度图像,转换公式如下:Gray=R*0.299+G*0.587+B*0.114,并将 Gray值设定为所在点的像素值,其中R代表该像素点R颜色的分量值,其中G代表该像素点G颜色的分量值,其中B代表该像素点B颜色的分量值。
步骤S200,利用算法和连通域分析函数对灰度化图像进行边缘检测得到鱿鱼的轮廓特征图。
步骤S300:对轮廓特征图进行迭代扫描,遍历图像内所有像素点,并提取特征点的像素坐标。
步骤S400:通过像素坐标与二维平面坐标之间的转换,确定各特征点的二维平面坐标,自动计算各个外形特征长度,并得到相应的比例关系。
如图2所示,提取方法包括步骤S210至S250。其中:
S210:给定一个阈值,采用以下方式对灰度图像的各个像素点进行比较:若像素点n的灰度值小于给定的阈值,则将该像素点标记为 255,若像素点n的灰度值大于给定的阈值,则将该像素点标记为0;
S220:利用导数算子求出图像灰度沿着2个方向的导数GX和GY,并使用算子来检测图像中的水平、垂直和对角边缘,求出图像梯度的幅值和方向;
S230:对上图中像素点沿着梯度的方向,对其前后各个像素点的梯度值进行比较,如果像素值小于其中任意一个,则舍弃该像素点,否则保留该像素点,使图像边缘细化,减少边缘像素点;
S240:选取合适的两个阈值,分别为上阈值T1和下阈值T2,对上图中像素点进行比较,对任意边缘像素大小高于T1的像素点进行保留,对任意边缘像素大小低于T2的像素点进行舍弃,置为0,对任意边缘像素大小在T2到T1之间的像素点,判断其是否能通过边缘连接到像素大小在T2到T1之间的像素点,若能,则保留该像素点,否则舍弃该像素点,置为0;
S250:利用连通域分析函数过滤掉经所述上述算法提取后的轮廓图像中除鱿鱼轮廓特征外的其他较小连通域,得到有且仅有鱿鱼轮廓特征的轮廓图像。
如图3所示,在本实施例中,具体地,样本的特征数目和相对顺序保持一致,对特征点进行定义:将鱼体尾端最长点记为一号特征点;第一尾鳍最宽点记为二号特征点;第一尾鳍基部末端记为三号特征点;胴体第一最宽点记为四号特征点;外鞘第一最前端记为五号特征点;头部第一最宽点记为六号特征点;腕的第一最后端记为七号特征点;右侧第3腕腕端记为八号特征点;右侧第2腕腕端记为九号特征点;右侧第4腕腕端记为十号特征点;右侧第1腕腕端记为十一号特征点;左侧第1腕腕端记为十二号特征点;左侧第4腕腕端记为十三号特征点;左侧第2腕腕端记为十四号特征点;左侧第3腕腕端记为十五号特征点;腕的第二最后端记为十六号特征点;头部第二最宽点记为十七号特征点;外鞘第二最前端记为十八号特征点;胴体第二最宽点记为十九号特征点;第二尾鳍基部末端记为二十号特征点;第二尾鳍最高点记为二十一号特征点。
如图4所示,对鱿鱼特征点的提取方法,包括步骤S310至步骤 SS316,其中:
S310:以图片左上角为坐标原点建立坐标系,以水平正方向进行逐行向下遍历图像像素点
S311:将图像上横坐标最小的边缘点标记为一号特征点;将图像上纵坐标最大的边缘点标记为十五号特征点;
S312:以y轴的正方向为基线,沿x轴的负方向进行遍历图像像素点,找到的第一个纵坐标最小的边缘点将其标记为九号特征点;
S312:以一号特征点的横坐标为起点,水平向右延申,将整个连通域划分为两个区域,分别为上区域和下区域;
S313:从一号特征点开始,沿y轴的正方向遍历图像像素点,找到第一个纵坐标最小的边缘点将其标记为二号特征点;从二号特征点开始,以x轴的正方向为基线,沿y轴的正方向遍历图像像素点,找到的第一个纵坐标最大的边缘点将其标记为三号特征点;从三号特征点开始,沿x轴的正方向遍历图像像素点,找到第一个纵坐标最小的边缘点将其标记为四号特征点;从四号特征点开始,以y轴的正方向为基线,沿x轴的正方向遍历图像像素点,找到的第一个横坐标最大的边缘点将其标记为五号特征点;从五号特征点开始,以x轴的正方向为基线,沿着y轴正方向遍历图像像素点,找到的第一个纵坐标最小的边缘点将其标记为六号特征点;从六号特征点开始,以y轴的正方向为基线,沿着x轴正方向遍历图像像素点,找到的第一个横坐标最大的边缘点将其标记为七号特征点;以七号特征点开始,以y轴正方向为基线,沿着x轴负方向遍历图像像素点,找到的第一个横坐标最大的边缘点将其标记为八号特征点;从九号特征点开始,以y轴的正方向为基线,沿着x轴正方向遍历图像像素点,找到的第一个横坐标最大的边缘点将其标记为十号特征点;
S314:横坐标在一号特征点与三号特征点之间,在下区域内,以 y轴负方向为基线,沿着x轴负方向遍历图像像素点,找到的第一个纵坐标最大的边缘点将其标记为二十一号特征点;
S315:从二十一号特征点开始,以y轴负方向为基线,沿着x轴正方向遍历图像像素点,找到的第一个纵坐标最小的边缘点将其标记为二十号特征点;从二十号特征点开始,以y轴正方向为基线,沿着x轴正方向遍历图像像素点,找到的第一个纵坐标最大的边缘点将其标记为十九号特征点;从十九号特征点开始,以y轴负方向为基线,沿着x轴正方向遍历图像像素点,找到的第一个横坐标最大的边缘点将其标记为十八号特征点;从十八号特征点开始,以x轴的正方向为基线,沿着y轴负方向遍历图像像素点,找到的第一个纵坐标最大的边缘点将其标记为十七号特征点;从十七号特征点开始,以y轴的正方向为基线,沿着x轴正方向找遍历图像像素点,找到的第一个横坐标最大的边缘点将其标记为十六号特征点。
S316:横坐标在八号特征点往右,在下区域内,从十五号特征点开始,以y轴负方向为基线遍历图像像素点,找到的第一个纵坐标最大的边缘点将其标记为十四号特征点;横坐标在八号特征点往右,在下区域内,从十四号特征点开始,以y轴负方向为基线遍历图像像素点,找到的第一个纵坐标最大的边缘点将其标记为十三号特征点;横坐标在八号特征点往右,在下区域内,从十三号特征点开始,以y轴负方向为基线遍历图像像素点,找到的第一个纵坐标最大的边缘点将其标记为十二号特征点;横坐标在八号特征点往右,在下区域内,从十二号特征点开始,以y轴负方向为基线遍历图像像素点,找到的第一个横坐标最大的边缘点将其标记为十一号特征点。
如图5所示,为以一号特征点为原点的二维平面坐标图。在本实施例中,具体地,以一号特征点为坐标原点,水平向右为x轴正方向,垂直向上为y轴正方向,那么整个连通域位于坐标系的第一象限、第四象限,得到各个特征点的二维平面坐标。
如图6所示,以一号特征点横坐标为起点,水平向右延伸出射线,将射线和六号特征点以十七号特征点垂直线段的交点记为辅助点a。图7为特征长度示意图,图8为鱿鱼前后端定义图。如图7所示,通过得到的特征二维平面坐标,对胴长、胴宽、头长、头宽等外形特征进行数值化,最后计算各部分在胴长方向所占的比例。
具体的,胴长1为一号特征点到五号特征点与十八号特征点连线的水平距离长度;胴宽2为四号特征点与十九号特征点的垂直高度长度;头宽3为六号特征点与十七号特征点的垂直高度长度;鳍长4为一号特征点与三号特征点的水平距离长度;鳍宽5为二号特征点与二十一号特征点的垂直距离长度;头长6为五号特征点与十八号特征点横坐标的平均值减去七号特征点与十六号特征点横坐标的平均值的绝对值长度;右侧第一腕腕长7为辅助点a与十一号特征点的距离长度;右侧第二腕腕长8为辅助点a与九号特征点的距离长度;右侧第三腕腕长9为辅助点a与八号特征点的距离长度;右侧第四腕腕长 10为辅助点a与十号特征点的两点之间的距离长度;左侧第一腕腕长11为辅助点a与十二号特征点的距离长度;左侧第二腕腕长12为辅助点a与十四号特征点的距离长度;左侧第三腕腕长13为辅助点 a与十五号特征点的距离长度;左侧第四腕腕长14为所述辅助点a 与十三号特征点的距离长度。所述两点之间的距离长度计算公式为;其中,x1,x2为两点二维平面坐标系下的横坐标,为两点二维平面坐标系下的纵坐标。图8中A代表鱿鱼前端,B代表鱿鱼后端。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于极值法的茎柔鱼形态特征提取方法,其特征在于,所述方法包括如下步骤:
S100:将拍摄图片进行灰度化处理,得到灰度化图片,再利用高斯滤波与所述灰度化图片进行卷积来消除噪声,
S200:利用算法和连通域分析函数对上述图像进行边缘检测得到鱿鱼的轮廓特征图,
S300:对所述轮廓特征图进行迭代扫描,遍历图像内所有像素点,并提取特征点的像素坐标,
S400:通过像素坐标与二维平面坐标之间的转换,确定各特征点的二维平面坐标,自动计算各个外形特征长度,并得到相应的比例关系。
2.根据权利要求1所述的一种基于极值法的茎柔鱼形态特征提取方法,其特征在于,所述S100中,要求拍摄鱿鱼图像时,水平方向拍摄鱿鱼的背视图,要求拍摄图像背景为纯色,且无明显背景干扰,图像清晰,易于识别;要求拍摄对象包含标尺;所述背景干扰指:遮挡、光线、背景物等。
3.根据权利要求1所述的一种基于极值法的茎柔鱼形态特征提取方法,其特征在于,所述S100中将所述拍摄图像转换为灰度图像的方法:将所述拍摄图像的每一个像素点的R、G、B三个值转化成灰度值Gray组成的灰度图像,转换公式如下:Gray=R*0.299+G*0.587+B*0.114,并将Gray值设定为所在点的像素值,其中R代表该像素点R颜色的分量值,其中G代表该像素点G颜色的分量值,其中B代表该像素点B颜色的分量值。
4.根据权利要求1所述的一种基于极值法的茎柔鱼形态特征提取方法,其特征在于,所述S200中包括如下步骤:
S210:给定一个阈值,采用以下方式对所述灰度图像的各个像素点进行比较:若像素点n的灰度值小于给定的阈值,则将该像素点标记为255,若像素点n的灰度值大于给定的阈值,则将该像素点标记为0;
S220:利用导数算子求出图像灰度沿着2个方向的导数GX和GY,并使用算子来检测图像中的水平、垂直和对角边缘,求出图像梯度的幅值和方向,
其中,θ表示梯度方向,|G|表示梯度幅值,GX表示水平梯度,GY表示垂直梯度,
S230:对上图中像素点沿着梯度的方向,对其前后各个像素点的梯度值进行比较,如果像素值小于其中任意一个,则舍弃该像素点,否则保留该像素点,使图像边缘细化,减少边缘像素点;
S240:选取合适的两个阈值,分别为上阈值T1和下阈值T2,对上图中像素点进行比较,对任意边缘像素大小高于T1的像素点进行保留,对任意边缘像素大小低于T2的像素点进行舍弃,置为0,对任意边缘像素大小在T2到T1之间的像素点,判断其是否能通过边缘连接到像素大小在T2到T1之间的像素点,若能,则保留该像素点,否则舍弃该像素点,置为0;
S250:利用连通域分析函数过滤掉经所述上述算法提取后的轮廓图像中除鱿鱼轮廓特征的连通域外的所有连通域,得到有且仅有鱿鱼轮廓特征的轮廓图像。
5.根据权利要求1所述的一种基于极值法的茎柔鱼形态特征提取方法,其特征在于,样本的特征数目和相对顺序保持一致,对所述特征点进行定义:将鱼体尾端最长点记为一号特征点;第一尾鳍最宽点记为二号特征点;第一尾鳍基部末端记为三号特征点;胴体第一最宽点记为四号特征点;外鞘第一最前端记为五号特征点;头部第一最宽点记为六号特征点;腕的第一最后端记为七号特征点;右侧第3腕腕端记为八号特征点;右侧第2腕腕端记为九号特征点;右侧第4腕腕端记为十号特征点;右侧第1腕腕端记为十一号特征点;左侧第1腕腕端记为十二号特征点;左侧第4腕腕端记为十三号特征点;左侧第2腕腕端记为十四号特征点;左侧第3腕腕端记为十五号特征点;腕的第二最后端记为十六号特征点;头部第二最宽点记为十七号特征点;外鞘第二最前端记为十八号特征点;胴体第二最宽点记为十九号特征点;第二尾鳍基部末端记为二十号特征点;第二尾鳍最高点记为二十一号特征点。
6.根据权利要求1所述的一种基于极值法的茎柔鱼形态特征提取方法,其特征在于,所述S300中对所述特征点的提取方法,包括如下步骤:
S310:以图片左上角为坐标原点建立坐标系,以水平正方向进行逐行向下遍历图像像素点
S311:将图像上横坐标最小的边缘点标记为一号特征点;将图像上纵坐标最大的边缘点标记为十五号特征点;
S312:以y轴的正方向为基线,沿x轴的负方向进行遍历图像像素点,找到的第一个纵坐标最小的边缘点将其标记为九号特征点;
S320:以一号特征点为起点,水平向右延伸出水平射线,将整个连通域划分为两个区域,分别为上区域和下区域;
S321:从一号特征点开始,沿y轴的正方向遍历图像像素点,找到第一个纵坐标最小的边缘点将其标记为二号特征点;从二号特征点开始,以x轴的正方向为基线,沿y轴的正方向遍历图像像素点,找到的第一个纵坐标最大的边缘点将其标记为三号特征点;从三号特征点开始,沿x轴的正方向遍历图像像素点,找到第一个纵坐标最小的边缘点将其标记为四号特征点;从四号特征点开始,以y轴的正方向为基线,沿x轴的正方向遍历图像像素点,找到的第一个横坐标最大的边缘点将其标记为五号特征点;从五号特征点开始,以x轴的正方向为基线,沿着y轴正方向遍历图像像素点,找到的第一个纵坐标最小的边缘点将其标记为六号特征点;从六号特征点开始,以y轴的正方向为基线,沿着x轴正方向遍历图像像素点,找到的第一个横坐标最大的边缘点将其标记为七号特征点;以七号特征点开始,以y轴正方向为基线,沿着x轴负方向遍历图像像素点,找到的第一个横坐标最大的边缘点将其标记为八号特征点;从九号特征点开始,以y轴的正方向为基线,沿着x轴正方向遍历图像像素点,找到的第一个横坐标最大的边缘点将其标记为十号特征点;
S322:横坐标在一号特征点与三号特征点之间,在下区域内,以y轴负方向为基线,沿着x轴负方向遍历图像像素点,找到的第一个纵坐标最大的边缘点将其标记为二十一号特征点;
S323:从二十一号特征点开始,以y轴负方向为基线,沿着x轴正方向遍历图像像素点,找到的第一个纵坐标最小的边缘点将其标记为二十号特征点;从二十号特征点开始,以y轴正方向为基线,沿着x轴正方向遍历图像像素点,找到的第一个纵坐标最大的边缘点将其标记为十九号特征点;从十九号特征点开始,以y轴负方向为基线,沿着x轴正方向遍历图像像素点,找到的第一个横坐标最大的边缘点将其标记为十八号特征点;从十八号特征点开始,以x轴的正方向为基线,沿着y轴负方向遍历图像像素点,找到的第一个纵坐标最大的边缘点将其标记为十七号特征点;从十七号特征点开始,以y轴的正方向为基线,沿着x轴正方向遍历图像像素点,找到的第一个横坐标最大的边缘点将其标记为十六号特征点;
S324:横坐标在八号特征点往右,在下区域内,从十五号特征点开始,以y轴负方向为基线遍历图像像素点,找到的第一个纵坐标最大的边缘点将其标记为十四号特征点;横坐标在八号特征点往右,在下区域内,从十四号特征点开始,以y轴负方向为基线遍历图像像素点,找到的第一个纵坐标最大的边缘点将其标记为十三号特征点;横坐标在八号特征点往右,在下区域内,从十三号特征点开始,以y轴负方向为基线遍历图像像素点,找到的第一个纵坐标最大的边缘点将其标记为十二号特征点;横坐标在八号特征点往右,在下区域内,从十二号特征点开始,以y轴负方向为基线遍历图像像素点,找到的第一个横坐标最大的边缘点将其标记为十一号特征点。
7.根据权利要求5或6所述的一种基于极值法的茎柔鱼形态特征提取方法,其特征在于,以一号特征点横坐标为起点,水平向右延伸出射线,将射线和六号特征点以十七号特征点垂直线段的交点记为辅助点a;特征长度进行定义:胴长定义为自胴部中线最前端至最后端;头宽定义为头部的最大宽度;头长定义为自头部的最后端至腕的最后端;鳍长定义为鳍的最前端至最后端;胴宽定义为胴部腹面的最大宽度;鳍宽定义为肉鳍左右的最大宽度;右侧第三腕腕长定义为右侧第三腕腕的最前端至辅助点a的距离;右侧第二腕腕长定义为右侧第二腕腕的最前端至辅助点a的距离;右侧第四腕腕长定义为右侧第四腕腕的最前端至辅助点a的距离;右侧第一腕腕长定义为右侧第一腕腕的最前端至辅助点a的距离;左侧第三腕腕长定义为左侧第三腕腕的最前端至辅助点a的距离;左侧第二腕腕长定义为左侧第二腕腕的最前端至辅助点a的距离;左侧第四腕腕长定义为左侧第四腕腕的最前端至辅助点a的距离;左侧第一腕腕长定义为左侧第一腕腕的最前端至辅助点a的距离。
8.根据权利要求5或6所述的一种基于极值法的茎柔鱼形态特征提取方法,其特征在于,以一号特征点为坐标原点,水平向右为x轴正方向,垂直向上为y轴正方向,那么整个连通域位于坐标系的第一象限、第四象限,得到各个特征点的二维平面坐标。
9.根据权利要求7所述的一种基于极值法的茎柔鱼形态特征提取方法,其特征在于,通过得到的特征二维平面坐标,对所述胴长、所述胴宽、所述头长、所述头宽等外形特征进行数值化,最后计算各部分在所述胴长方向所占的比例。
10.根据权利要求7所述的一种基于极值法的茎柔鱼形态特征提取方法,其特征在于,所述胴长、所述胴宽、所述头长、所述头宽等外形特征进行数值化方法,包括:所述胴长为所述一号特征点到所述五号特征点与所述十八号特征点连线的水平距离长度;所述胴宽为所述四号特征点与所述十九号特征点的垂直高度长度;所述头宽为所述六号特征点与所述十七号特征点的垂直高度长度;所述鳍长为所述一号特征点与所述三号特征点的水平距离长度;所述鳍宽为所述二号特征点与所述二十一号特征点的垂直距离长度;所述头长为所述五号特征点与所述十八号特征点横坐标的平均值减去所述七号特征点与所述十六号特征点横坐标的平均值的绝对值长度;所述右侧第一腕腕长为所述辅助点a与所述十一号特征点的距离长度;所述右侧第二腕腕长为所述辅助点a与所述九号特征点的距离长度;所述右侧第三腕腕长为所述辅助点a与所述八号特征点的距离长度;所述右侧第四腕腕长为所述辅助点a与所述十号特征点的两点之间的距离长度;所述左侧第一腕腕长为所述辅助点a与所述十二号特征点的距离长度;所述左侧第二腕腕长为所述辅助点a与所述十四号特征点的距离长度;所述左侧第三腕腕长为所述辅助点a与所述十五号特征点的距离长度;所述左侧第四腕腕长为所述辅助点a与所述十三号特征点的距离长度。所述两点之间的距离长度计算公式为;其中,x1,x2为两点在二维平面坐标系下的横坐标,为两点在二维平面坐标系下的纵坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011402018.6A CN112750143B (zh) | 2020-12-02 | 2020-12-02 | 一种基于极值法的茎柔鱼形态特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011402018.6A CN112750143B (zh) | 2020-12-02 | 2020-12-02 | 一种基于极值法的茎柔鱼形态特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112750143A true CN112750143A (zh) | 2021-05-04 |
CN112750143B CN112750143B (zh) | 2024-04-26 |
Family
ID=75649000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011402018.6A Active CN112750143B (zh) | 2020-12-02 | 2020-12-02 | 一种基于极值法的茎柔鱼形态特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112750143B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116078703A (zh) * | 2023-04-10 | 2023-05-09 | 浙江工业大学 | 一种航空用导管弯曲精度自动补偿方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03204089A (ja) * | 1989-12-29 | 1991-09-05 | Canon Inc | 画像処理方法 |
JPH0493892A (ja) * | 1990-08-03 | 1992-03-26 | Canon Inc | 文字処理方法および装置 |
CN103345747A (zh) * | 2013-06-26 | 2013-10-09 | 公安部第三研究所 | 一种基于平面坐标优化的图像形状特征提取和结构化描述装置以及方法 |
CN107122781A (zh) * | 2017-03-10 | 2017-09-01 | 西北大学 | 一种基于叶片形状和边缘特征的植物叶片识别方法 |
CN107330903A (zh) * | 2017-06-29 | 2017-11-07 | 西安理工大学 | 一种人体点云模型的骨架提取方法 |
CN108648229A (zh) * | 2018-05-18 | 2018-10-12 | 四川效率未来科技有限公司 | 基于Kinect相机的人体背部特征点提取方法 |
CN108960011A (zh) * | 2017-05-23 | 2018-12-07 | 湖南生物机电职业技术学院 | 部分遮挡的柑橘果实图像识别方法 |
CN109272547A (zh) * | 2018-09-17 | 2019-01-25 | 南京阿凡达机器人科技有限公司 | 一种包裹外接体积测量方法、系统、存储介质及移动终端 |
US20200058111A1 (en) * | 2018-08-20 | 2020-02-20 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Image Processing Method, Storage Medium, and Electronic Apparatus |
CN111612911A (zh) * | 2020-05-23 | 2020-09-01 | 缪盾 | 基于Dynamo的点云BIM自动化建模方法 |
WO2020199468A1 (zh) * | 2019-04-04 | 2020-10-08 | 平安科技(深圳)有限公司 | 图像分类方法、装置及计算机可读存储介质 |
-
2020
- 2020-12-02 CN CN202011402018.6A patent/CN112750143B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03204089A (ja) * | 1989-12-29 | 1991-09-05 | Canon Inc | 画像処理方法 |
JPH0493892A (ja) * | 1990-08-03 | 1992-03-26 | Canon Inc | 文字処理方法および装置 |
CN103345747A (zh) * | 2013-06-26 | 2013-10-09 | 公安部第三研究所 | 一种基于平面坐标优化的图像形状特征提取和结构化描述装置以及方法 |
CN107122781A (zh) * | 2017-03-10 | 2017-09-01 | 西北大学 | 一种基于叶片形状和边缘特征的植物叶片识别方法 |
CN108960011A (zh) * | 2017-05-23 | 2018-12-07 | 湖南生物机电职业技术学院 | 部分遮挡的柑橘果实图像识别方法 |
CN107330903A (zh) * | 2017-06-29 | 2017-11-07 | 西安理工大学 | 一种人体点云模型的骨架提取方法 |
CN108648229A (zh) * | 2018-05-18 | 2018-10-12 | 四川效率未来科技有限公司 | 基于Kinect相机的人体背部特征点提取方法 |
US20200058111A1 (en) * | 2018-08-20 | 2020-02-20 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Image Processing Method, Storage Medium, and Electronic Apparatus |
CN109272547A (zh) * | 2018-09-17 | 2019-01-25 | 南京阿凡达机器人科技有限公司 | 一种包裹外接体积测量方法、系统、存储介质及移动终端 |
WO2020199468A1 (zh) * | 2019-04-04 | 2020-10-08 | 平安科技(深圳)有限公司 | 图像分类方法、装置及计算机可读存储介质 |
CN111612911A (zh) * | 2020-05-23 | 2020-09-01 | 缪盾 | 基于Dynamo的点云BIM自动化建模方法 |
Non-Patent Citations (4)
Title |
---|
王晓华;傅卫平;: "一种改进的摄像机标定方法", 东北林业大学学报, no. 06, 25 June 2007 (2007-06-25) * |
苑玮琦;马学亮;: "手形特征点定位方法的研究", 机械工程与自动化, no. 06, 15 December 2012 (2012-12-15) * |
贺芊菡等: "基于计算机视觉的头足类角质颚特征研究 I: 轮廓与特征点提取", 海洋与湖沼, vol. 51, no. 6, pages 1493 - 1500 * |
黄景伟;何鹏;刘洁;陈明举;: "点云数据提取二次曲面特征算法研究", 信息通信, no. 05, 15 May 2017 (2017-05-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116078703A (zh) * | 2023-04-10 | 2023-05-09 | 浙江工业大学 | 一种航空用导管弯曲精度自动补偿方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112750143B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522908B (zh) | 基于区域标签融合的图像显著性检测方法 | |
CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
CA2948226C (en) | Detecting edges of a nucleus using image analysis | |
CN107369159B (zh) | 基于多因素二维灰度直方图的阈值分割方法 | |
CN109145808B (zh) | 一种基于自适应鱼体弯曲模型的金枪鱼识别方法 | |
CN113034399A (zh) | 基于双目视觉自主式水下机器人回收导引伪光源去除方法 | |
CN111080696B (zh) | 一种基于计算机视觉的水下海参识别及定位方法 | |
WO2015092904A1 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
CN112017200A (zh) | 一种基于视觉识别的鱼类姿态判定方法 | |
CN108921813A (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
CN106446925A (zh) | 一种基于图像处理的海豚身份识别的方法 | |
CN115797813B (zh) | 基于航拍图像的水环境污染检测方法 | |
Wu et al. | Image segmentation | |
CN112069928B (zh) | 一种手部目标掌纹提取的生命线与中线拟合方法 | |
CN112686265A (zh) | 一种基于层级轮廓提取的象形文字分割方法 | |
CN110210584A (zh) | 一种基于改进surf复合算法的高速动态二维码识别方法 | |
CN111507340A (zh) | 一种基于三维点云数据的目标点云数据提取方法 | |
CN112750143A (zh) | 一种基于极值法的茎柔鱼形态特征提取方法 | |
CN112069924A (zh) | 车道线检测方法、装置及计算机可读存储介质 | |
CN112633070A (zh) | 高分辨率遥感影像建筑物提取方法及系统 | |
CN115601301B (zh) | 鱼类表型特征测量方法、系统、电子设备及存储介质 | |
JP6132485B2 (ja) | 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
CN113505811A (zh) | 一种轮毂生产用机器视觉成像方法 | |
CN115187744A (zh) | 一种基于激光点云的机柜识别方法 |
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 |