CN113591714A - 一种基于卫星遥感图像洪涝检测方法 - Google Patents
一种基于卫星遥感图像洪涝检测方法 Download PDFInfo
- Publication number
- CN113591714A CN113591714A CN202110874826.0A CN202110874826A CN113591714A CN 113591714 A CN113591714 A CN 113591714A CN 202110874826 A CN202110874826 A CN 202110874826A CN 113591714 A CN113591714 A CN 113591714A
- Authority
- CN
- China
- Prior art keywords
- flood
- sar image
- dictionary
- contour
- disaster
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
一种基于卫星遥感图像洪涝检测方法,该方法包括以下步骤:步骤1,获取待检测地区SAR图像数据;步骤2,提取待测地区洪涝SAR图像的轮廓特征和颜色特征;步骤3,创建洪涝SAR图像数据集;步骤4,训练洪涝灾害字典集和稀疏矩阵;步骤5,实现基于SAR图像的洪涝灾害检测。本发明融合了SAR图像的轮廓特征和颜色特征,并在字典模型中添加了线性判别式,实现了字典模型对洪涝灾害等级的分类,有助于对洪涝灾害进行提前预警,减小地区损失。
Description
技术领域
本发明涉及洪涝检测领域,特别是涉及一种基于卫星遥感图像洪涝检测方法。
背景技术
随着全球气候变化和城市化进程加快,洪涝灾害的灾情日益严重,同时洪涝灾害是全球最严重的自然灾害之一,发生频率高、危害大,对国民经济有着影响严重。洪涝灾害检测是洪涝灾害管理的基础性工作,是制定各项防洪减灾措施的重要依据,对减轻洪涝灾害的损失有重要意义。
针对洪涝灾害检测的问题,本发明提出了一种基于卫星遥感图像洪涝检测方法,通过星载SAR图图像雷达摄影测量待测地区的洪涝灾害SAR图像,结合字典学习算法,并提取洪涝灾害特征信息,对洪涝灾情类别进行分析,实现对洪涝灾害的遥感图像分类及分析,减少洪涝灾害损失。
发明内容
为解决上述问题,本发明提出了一种基于卫星遥感图像洪涝检测方法。融合了SAR图像的轮廓特征和颜色特征,并在字典模型中添加了线性判别式,实现字典模型对洪涝灾害等级的分类,对洪涝灾害进行提前预警,减小地区损失。为达此目的,本发明提供一种基于卫星遥感图像洪涝检测方法,具体步骤如下,其特征在于:
步骤1,获取待检测地区SAR图像数据,使用星载SAR图图像雷达摄影测量待测地区的洪涝SAR图像,并对数据作消噪处理;
步骤2,提取待测地区洪涝SAR图像的轮廓特征和颜色特征,使用背景建模法提取SAR图像的轮廓特征,并在HSV空间中提取数据的颜色特征;
步骤3,创建洪涝SAR图像数据集,将含有标签的训练样本按照4∶1的比例分为训|练样本和测试样本,用于构建洪涝灾害检测字典模型;
步骤4,训练洪涝灾害字典集和稀疏矩阵,在训|练样本中加入标签,并通过线性判别式实现对洪涝灾害等级的分类,并通过测试样本检验分类模型的识别率;
步骤5,实现基于SAR图像的洪涝灾害检测:分别通过步骤1和步骤3得到实时监测的洪涝SAR图像的轮廓特征和颜色特征,并将该特征输入到训练完成的字典分类模型中,获得洪涝灾害的实时灾害等级。
进一步,步骤1中对数据作消噪处理的过程表示为:
通过星载SAR图图像雷达摄影测量待测地区的洪涝SAR图像后,使用中值滤波去除SAR图像数据中的噪声,公式如下:
y(n)=med[x(n-N)...x(n)...x(n+N)] (1)
其中,x(n-N)...x(n)...x(n+N)是SAR图像数据中的像素点,y(n)是中值滤波后SAR图像的像素点,med[]代表去SAR图像像素点中间值,使用中值滤波减小SAR图像中的相干斑噪声。
进一步,步骤2中提取待测地区洪涝SAR图像的轮廓特征和颜色特征的过程表示如下:
为了更好的表达待测地图洪涝灾害的相关等级,本发明分别提取了SAR图像的轮廓特征和颜色特征,步骤如下:
步骤2.1,使用背景建模法检测图像中的洪涝范围后,通过序列点{(xi,yi)}ni=1表示SAR图像中的洪涝范围轮廓,并提取其轮廓曲线的质心:
步骤2.2,计算轮廓曲线至质心的加权距离,得到轮廓特征di:
步骤2.3,提取SAR图像在HSV空间中的颜色特征G:
G=QsQvH+QvS+V (5)
Qs和Qv分别是颜色空间饱和度S和亮度V的量化级数,H代表颜色空间的色调值。
进一步,步骤3中创建洪涝SAR图像数据集的过程表示如下:
将轮廓特征和颜色特征融合后,获得轮廓特征和颜色特征的融合特征矩阵数据集,并将融合特征矩阵数据集按照4∶1的比例随机划分为训练样本和测试样本,并为训练样本贴上洪涝灾害等级标签,其中洪涝灾害等级共分为5级:无洪水、小洪水、中洪水、大洪水、特大洪水。
进一步,步骤4中训|练洪涝灾害字典集和稀疏矩阵的过程表示如下:
步骤4.1,自适应学习一个洪涝灾害检测字典,目标函数为:
其中,D是学习的字典,a是稀疏系数,Y是训|练样本融合特征矩阵数据集,T0是稀疏度阈值;
步骤4.2,更新洪涝灾害检测字典:
其中dj是原子,Ek是除了dk列之外列字典和稀疏系数重构特征数据和真实特征数据的差值;
步骤4.3,加入线性判别式实现字典模型的洪涝灾害等级分类:
通过该判别式得到一个线性的分类面,W为法向量,b是位移量,H是训练样本的类标签,将线性判别式添加到字典的目标函数中:
其中,Y是训|练样本,D是字典,a是稀疏系数,H是标签,W是分类器参数,γ和β是目标函数的约束项。
本发明一种基于卫星遥感图像洪涝检测方法,有益效果:本发明的技术效果在于:
1.本发明融合了SAR图像的轮廓特征和颜色特征,提高了字典模型的分类精度;
2.本发明在字典模型中添加了线性判别式,实现了字典模型对洪涝灾害等级的分类;
3.本发明为洪涝灾害检测提供了一种重要技术处理手段,提前对洪涝灾害进行预警,减小地区损失。
附图说明
图1为本发明的控制结构图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提出了一种基于卫星遥感图像洪涝检测方法,图1为本发明的控制结构图,下面结控制结构图对本发明的步骤作详细介绍。
步骤1,获取待检测地区SAR图像数据,使用星载SAR图图像雷达摄影测量待测地区的洪涝SAR图像,并对数据作消噪处理;
步骤1中对数据作消噪处理的过程可以表示为:
通过星载SAR图图像雷达摄影测量待测地区的洪涝SAR图像后,使用中值滤波去除SAR图像数据中的噪声,公式如下:
y(n)=med[x(n-N)...x(n)...x(n+N)] (1)
其中,x(n-N)...x(n)...x(n+N)是SAR图像数据中的像素点,y(n)是中值滤波后SAR图像的像素点,med[]代表去SAR图像像素点中间值,使用中值滤波减小SAR图像中的相干斑噪声。
步骤2,提取待测地区洪涝SAR图像的轮廓特征和颜色特征,使用背景建模法提取SAR图像的轮廓特征,并在HSV空间中提取数据的颜色特征;
步骤2中提取待测地区洪涝SAR图像的轮廓特征和颜色特征的过程可以表示如下:
为了更好的表达待测地图洪涝灾害的相关等级,本发明分别提取了SAR图像的轮廓特征和颜色特征,步骤如下:
步骤2.1,使用背景建模法检测图像中的洪涝范围后,通过序列点{(xi,yi)}ni=1表示SAR图像中的洪涝范围轮廓,并提取其轮廓曲线的质心:
步骤2.2,计算轮廓曲线至质心的加权距离,得到轮廓特征di:
步骤2.3,提取SAR图像在HSV空间中的颜色特征G:
G=QsQvH+QvS+V (5)
Qs和Qv分别是颜色空间饱和度S和亮度V的量化级数,H代表颜色空间的色调值。
步骤3,创建洪涝SAR图像数据集,将合有标签的训|练样本按照4∶1的比例分为训练样本和测试样本,用于构建洪涝灾害检测字典模型;
步骤3中创建洪涝SAR图像数据集的过程可以表示如下:
将轮廓特征和颜色特征融合后,获得轮廓特征和颜色特征的融合特征矩阵数据集,并将融合特征矩阵数据集按照4∶1的比例随机划分为训练样本和测试样本,并为训练样本贴上洪涝灾害等级标签,其中洪涝灾害等级共分为5级:无洪水、小洪水、中洪水、大洪水、特大洪水。
步骤4,训练洪涝灾害字典集和稀疏矩阵,在训练样本中加入标签,并通过线性判别式实现对洪涝灾害等级的分类,并通过测试样本检验分类模型的识别率;
步骤4中训|练洪涝灾害字典集和稀疏矩阵的过程可以表示如下:
步骤4.1,自适应学习一个洪涝灾害检测字典,目标函数为:
其中,D是学习的字典,a是稀疏系数,Y是训练样本融合特征矩阵数据集,T0是稀疏度阈值;
步骤4.2,更新洪涝灾害检测字典:
其中dj是原子,Ek是除了dk列之外列字典和稀疏系数重构特征数据和真实特征数据的差值;
步骤4.3,加入线性判别式实现字典模型的洪涝灾害等级分类:
通过该判别式可以得到一个线性的分类面,W为法向量,b是位移量,H是训练样本的类标签,将线性判别式添加到字典的目标函数中:
其中,Y是训练样本,D是字典,a是稀疏系数,H是标签,W是分类器参数,γ和β是目标函数的约束项。
步骤5,实现基于SAR图像的洪涝灾害检测:分别通过步骤1和步骤3得到实时监测的洪涝SAR图像的轮廓特征和颜色特征,并将该特征输入到训练完成的字典分类模型中,获得洪涝灾害的实时灾害等级。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (5)
1.一种基于卫星遥感图像洪涝检测方法,具体步骤如下,其特征在于:
步骤1,获取待检测地区SAR图像数据,使用星载SAR图图像雷达摄影测量待测地区的洪涝SAR图像,并对数据作消噪处理;
步骤2,提取待测地区洪涝SAR图像的轮廓特征和颜色特征,使用背景建模法提取SAR图像的轮廓特征,并在HSV空间中提取数据的颜色特征;
步骤3,创建洪涝SAR图像数据集,将含有标签的训练样本按照4∶1的比例分为训练样本和测试样本,用于构建洪涝灾害检测字典模型;
步骤4,训练洪涝灾害字典集和稀疏矩阵,在训|练样本中加入标签,并通过线性判别式实现对洪涝灾害等级的分类,并通过测试样本检验分类模型的识别率;
步骤5,实现基于SAR图像的洪涝灾害检测:分别通过步骤1和步骤3得到实时监测的洪涝SAR图像的轮廓特征和颜色特征,并将该特征输入到训练完成的字典分类模型中,获得洪涝灾害的实时灾害等级。
2.根据权利要求1所述的一种基于卫星遥感图像洪涝检测方法,其特征在于:步骤1中对数据作消噪处理的过程表示为:
通过星载SAR图图像雷达摄影测量待测地区的洪涝SAR图像后,使用中值滤波去除SAR图像数据中的噪声,公式如下:
y(n)=med[x(n-N)...x(n)...x(n+N)] (1)
其中,x(n-N)...x(n)...x(n+N)是SAR图像数据中的像素点,y(n)是中值滤波后SAR图像的像素点,med[]代表去SAR图像像素点中间值,使用中值滤波减小SAR图像中的相干斑噪声。
3.根据权利要求1所述的一种基于卫星遥感图像洪涝检测方法,其特征在于:步骤2中提取待测地区洪涝SAR图像的轮廓特征和颜色特征的过程表示如下∶
为了更好的表达待测地图洪涝灾害的相关等级,本发明分别提取了SAR图像的轮廓特征和颜色特征,步骤如下:
步骤2.1,使用背景建模法检测图像中的洪涝范围后,通过序列点{(xi,yi)}n i=1表示SAR图像中的洪涝范围轮廓,并提取其轮廓曲线的质心:
步骤2.2,计算轮廓曲线至质心的加权距离,得到轮廓特征di:
步骤2.3,提取SAR图像在HSV空间中的颜色特征G:
G=QsQvH+QvS+V (5)
Qs和Qv分别是颜色空间饱和度S和亮度V的量化级数,H代表颜色空间的色调值。
4.根据权利要求1所述的一种基于卫星遥感图像洪涝检测方法,其特征在于:步骤3中创建洪涝SAR图像数据集的过程表示如下:
将轮廓特征和颜色特征融合后,获得轮廓特征和颜色特征的融合特征矩阵数据集,并将融合特征矩阵数据集按照4∶1的比例随机划分为训|练样本和测试样本,并为训练样本贴上洪涝灾害等级标签,其中洪涝灾害等级共分为5级:无洪水、小洪水、中洪水、大洪水、特大洪水。
5.根据权利要求1所述的一种基于卫星遥感图像洪涝检测方法,其特征在于:步骤4中训练洪涝灾害字典集和稀疏矩阵的过程表示如下:
步骤4.1,自适应学习一个洪涝灾害检测字典,目标函数为:
其中,D是学习的字典,a是稀疏系数,Y是训练样本融合特征矩阵数据集,T0是稀疏度阈值;
步骤4.2,更新洪涝灾害检测字典:
其中dj是原子,Ek是除了dk列之外列字典和稀疏系数重构特征数据和真实特征数据的差值;
步骤4.3,加入线性判别式实现字典模型的洪涝灾害等级分类:
通过该判别式得到一个线性的分类面,W为法向量,b是位移量,H是训练样本的类标签,将线性判别式添加到字典的目标函数中:
其中,Y是训练样本,D是字典,a是稀疏系数,H是标签,W是分类器参数,γ和β是目标函数的约束项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110874826.0A CN113591714A (zh) | 2021-07-30 | 2021-07-30 | 一种基于卫星遥感图像洪涝检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110874826.0A CN113591714A (zh) | 2021-07-30 | 2021-07-30 | 一种基于卫星遥感图像洪涝检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113591714A true CN113591714A (zh) | 2021-11-02 |
Family
ID=78253116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110874826.0A Pending CN113591714A (zh) | 2021-07-30 | 2021-07-30 | 一种基于卫星遥感图像洪涝检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591714A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114120122A (zh) * | 2021-11-29 | 2022-03-01 | 中国平安财产保险股份有限公司 | 基于遥感影像的灾损识别方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008941A (zh) * | 2019-11-29 | 2020-04-14 | 中国农业科学院农业资源与农业区划研究所 | 基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法 |
WO2020221284A1 (zh) * | 2019-04-29 | 2020-11-05 | 黄河勘测规划设计研究院有限公司 | 一种流域性洪涝场景的无人机监测方法及系统 |
CN111929680A (zh) * | 2020-03-03 | 2020-11-13 | 南京信息工程大学 | 一种基于sar图像的洪水淹没程度快速评价方法 |
CN111950465A (zh) * | 2020-08-13 | 2020-11-17 | 金陵科技学院 | 基于sae-cnn的sar图像洪水检测和预防方法 |
CN112949484A (zh) * | 2021-03-01 | 2021-06-11 | 浙江大学 | 一种基于聚合通道特征和纹理特征的高速铁路落石实时检测方法 |
-
2021
- 2021-07-30 CN CN202110874826.0A patent/CN113591714A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020221284A1 (zh) * | 2019-04-29 | 2020-11-05 | 黄河勘测规划设计研究院有限公司 | 一种流域性洪涝场景的无人机监测方法及系统 |
CN111008941A (zh) * | 2019-11-29 | 2020-04-14 | 中国农业科学院农业资源与农业区划研究所 | 基于高分卫星遥感影像农业洪涝灾害范围监测系统及方法 |
CN111929680A (zh) * | 2020-03-03 | 2020-11-13 | 南京信息工程大学 | 一种基于sar图像的洪水淹没程度快速评价方法 |
CN111950465A (zh) * | 2020-08-13 | 2020-11-17 | 金陵科技学院 | 基于sae-cnn的sar图像洪水检测和预防方法 |
CN112949484A (zh) * | 2021-03-01 | 2021-06-11 | 浙江大学 | 一种基于聚合通道特征和纹理特征的高速铁路落石实时检测方法 |
Non-Patent Citations (4)
Title |
---|
张陆唯: "基于漏磁检测原理的钢轨裂纹信号分析", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 3, pages 033 - 23 * |
李长勇 等: "基于主色直方图特征匹配的蔬果分类方法", 《上海交通大学学报》, vol. 43, no. 12, pages 1898 - 1903 * |
胡文才 等: "基于颜色、轮廓特征融合的显著性检测", 《国外电子测量技术》, vol. 37, no. 1, pages 16 - 19 * |
蔡加欣 等: "基于局部轮廓和随机森林的人体行为识别", 《光学学报》, vol. 34, no. 10, pages 1015006 - 1 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114120122A (zh) * | 2021-11-29 | 2022-03-01 | 中国平安财产保险股份有限公司 | 基于遥感影像的灾损识别方法、装置、设备及存储介质 |
CN114120122B (zh) * | 2021-11-29 | 2024-04-30 | 中国平安财产保险股份有限公司 | 基于遥感影像的灾损识别方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
CN106228125B (zh) | 基于集成学习级联分类器的车道线检测方法 | |
CN109284786B (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN110598613B (zh) | 一种高速公路团雾监测方法 | |
CN105160355A (zh) | 一种基于区域相关和视觉单词的遥感图像变化检测方法 | |
CN105389799B (zh) | 基于素描图与低秩分解的sar图像目标检测方法 | |
CN108760740A (zh) | 一种基于机器视觉的路面抗滑性能快速检测方法 | |
CN109447111B (zh) | 一种基于子类训练样本的遥感监督分类方法 | |
CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
CN112801227B (zh) | 一种台风识别模型的生成方法、装置、设备及存储介质 | |
CN105279772A (zh) | 一种红外序列图像的可跟踪性判别方法 | |
CN112270285B (zh) | 一种基于稀疏表示和胶囊网络的sar图像变化检测方法 | |
CN104794729A (zh) | 基于显著性引导的sar图像变化检测方法 | |
CN109635789A (zh) | 基于强度比和空间结构特征提取的高分辨sar图像分类方法 | |
CN105512622A (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
CN103093243A (zh) | 高分辨率全色遥感图像云判方法 | |
Pawłuszek et al. | Landslides identification using airborne laser scanning data derived topographic terrain attributes and support vector machine classification | |
CN115439654A (zh) | 动态约束下的弱监督农田地块精细化分割方法及系统 | |
CN113591714A (zh) | 一种基于卫星遥感图像洪涝检测方法 | |
CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 | |
CN112085725B (zh) | 基于启发式迭代算法的残膜残留量检测方法及预警系统 | |
CN111832463A (zh) | 一种基于深度学习的交通标志检测方法 | |
CN108875798B (zh) | 一种基于空间金字塔池化的超像素级特征提取方法 | |
CN116563603A (zh) | 基于全局-局部能量协同表征的小样本开集识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211102 |