CN116051416B - 基于sar图像的海洋锋自动检测识别方法及装置 - Google Patents
基于sar图像的海洋锋自动检测识别方法及装置 Download PDFInfo
- Publication number
- CN116051416B CN116051416B CN202310118793.6A CN202310118793A CN116051416B CN 116051416 B CN116051416 B CN 116051416B CN 202310118793 A CN202310118793 A CN 202310118793A CN 116051416 B CN116051416 B CN 116051416B
- Authority
- CN
- China
- Prior art keywords
- image
- sar image
- sar
- frontal
- information
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 230000011218 segmentation Effects 0.000 claims abstract description 37
- 230000007797 corrosion Effects 0.000 claims abstract description 31
- 238000005260 corrosion Methods 0.000 claims abstract description 31
- 238000001914 filtration Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000000877 morphologic effect Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 7
- 238000007670 refining Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000003064 k means clustering Methods 0.000 description 3
- 241000251468 Actinopterygii Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008961 swelling Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006740 morphological transformation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20112—Image segmentation details
-
- 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
- G06T2207/20172—Image enhancement details
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于SAR图像的海洋锋自动检测识别方法及装置,具体包括:对海洋锋SAR图像作预处理;对预处理后的SAR图像分别进行滤波和超像素块的分割;分别对滤波和超像素分割后的结果图进行腐蚀膨胀,求取腐蚀膨胀之差,得到二值化差值图像;将所述二值化差值图像进行融合,得到融合后的二值化图像;根据设定阈值剔除检测识别过程中的干扰信息;将去除干扰后的二值化图像叠加到原始SAR图像上,得到海洋锋检测结果。本发明结合SAR2SAR滤波和SLIC超像素分割两种方法的优势,有效抑制了SAR图像中相干斑噪声的干扰,使检测结果能够保留较多的锋面细节和具有较好的连续性,同时在给定一定的参数后不需要人工干预或辅助,节约了人工成本。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种基于SAR图像的海洋锋自动检测识别方法及装置。
背景技术
海洋锋面作为一种常见的海洋现象,一般指在海洋中特性明显不同的两种或几种水体之间的狭窄过渡带,其间存在强烈的湍流混合交换、水平辐合(辐散)和垂直运动。由于其强烈的能量和动量交换,海洋锋区往往存在大量的有机物和其他海洋物质,因此海洋锋区往往是鱼群的聚集地,此外锋区异常的水文状况,直接或间接影响着水下声学通信。因此,对海洋锋进行检测识别对于鱼情预报、渔业资源评估和海洋军事都有重要意义。海洋遥感作为一种探测海洋现象的重要手段被普遍应用到海洋锋等海洋现象的检测识别中,其中合成孔径雷达(SAR)作为一种主动式微波传感器,相比于其他遥感手段,例如可见光和红外探测,具有全天时全天候的成像优势,同时由于其波段的选择,SAR具有穿云透雾的能力,但SAR图像因其固有的成像机制会受到散斑噪声的影响,因此增加了对SAR图像进行解译的难度。
之前对海洋锋的探测和研究主要利用海表面温度数据,对利用SAR图像进行海洋锋的检测识别研究较少,因此本发明提出了一种基于SAR数据对海洋锋进行自动检测识别的方法,该方法有效的抑制了相干斑噪声的影响,实践证明此方法在实际工程应用中是可行的。
发明内容
本发明提供一种基于SAR图像的海洋锋自动检测识别的方法及装置,用以解决SAR图像易受散斑噪声干扰和解译困难的问题,本发明结合滤波和超像素分割两种方法的优势,有效的抑制了相干斑噪声的影响,使检测结果能够保留较多的锋面细节和具有较好的连续性,同时在给定一定的参数后不需要其它的人工干预和辅助,节约了人工成本。
本发明提供一种基于SAR图像的海洋锋自动检测识别方法,包括:
对海洋锋SAR图像进行预处理;
分别采用半监督的深度学习算法和超像素分割方法对预处理后的SAR图像进行滤波和超像素块的分割;
分别对所述滤波和超像素分割后的结果图进行腐蚀膨胀,求取腐蚀膨胀之差,得到二值化差值图像;
对所述二值化差值图像分别进行锋面信息的形态学膨胀,将对应的两幅形态学膨胀后的图像中的锋面信息进行与操作,均显示锋面信息的像素识别为锋面元素,否则识别为背景元素,得到识别后的图像;
对识别后的图像中的锋面信息进行形态学闭运算,生成融合后的二值化图像;
将所述融合后的二值化图像叠加在原始SAR图像上。
根据本发明提供的一种基于SAR图像的海洋锋自动检测识别方法,在生成融合后的二值化图像后,所述方法还包括:
根据每个锋面元素的个数设定阈值,利用设定的阈值去除梯度信息干扰。
根据本发明提供的一种基于SAR图像的海洋锋自动检测识别方法,在生成融合后的二值化图像后,所述方法还包括:
根据设定的锋面信息的尺寸信息对由识别出的所述锋面元素构成的锋面信息进行筛选,以去除识别过程中产生的干扰信息。
根据本发明提供的一种基于SAR图像的海洋锋自动检测识别方法,还包括:
所述尺寸信息由锋面信息的最小外接矩形、最小外接圆的尺寸表征。
根据本发明提供的一种基于SAR图像的海洋锋自动检测识别方法,所述尺寸信息包括长度阈值、圆度阈值,所述长度阈值为所述最小外接矩形的长边长度、所述圆度阈值为所述最小外接矩形的面积与最小外接圆的面积的比值。
根据本发明提供的一种基于SAR图像的海洋锋自动检测识别方法,所述图像预处理包括:
对SAR图像进行辐射校正;
利用像素区域关系进行重采样的插值方法对所述辐射校正后的SAR图像进行重采样;
对所述重采样后的SAR图像进行直方图均衡化处理。
根据本发明提供的一种基于SAR图像的海洋锋自动检测识别方法,所述半监督的深度学习算法为SAR2SAR方法。
根据本发明提供的一种基于SAR图像的海洋锋自动检测识别方法,所述对预处理后的SAR图像进行滤波,包括:
S31、基于模拟散斑图像构建网络模型并进行模型的初步训练;
S32、利用SAR图像进行模型训练,基于所述初步训练的网络,对SAR图像中的时间序列内的随机图像对进行变化补偿,以生成网络权值;
S33、根据所述网络权值对网络进行细化,对所述随机图像对进行进一步的变化补偿。
根据本发明提供的一种基于SAR图像的海洋锋自动检测识别方法,所述超像素分割方法为SLIC方法,所述对预处理后的SAR图像进行超像素块的分割包括:
S41、基于预定间隔的规则网格初始化聚类中心;
S42、定义一个搜索窗口,计算每个像素与聚类中心之间的距离,并将每个像素分配到最近的聚类中心;
S33、根据最近原则将规则网格外的像素划分到附近的聚类中心。
本发明还提供一种基于SAR图像的海洋锋自动检测识别装置,包括:
预处理模块,用于对海洋锋SAR图像进行预处理;
滤波模块,用于将预处理后的SAR图像进行滤波;
超像素块分割模块,用于将预处理后的SAR图像进行超像素块的分割;
二值化差值图像获取模块、用于对所述滤波或超像素分割后的结果图进行腐蚀膨胀,求取腐蚀膨胀之差,得到二值化差值图像;
图像识别模块,用于对所述二值化差值图像分别进行锋面信息的形态学膨胀,将对应的两幅形态学膨胀后的图像中的锋面信息进行与操作,均显示锋面信息的像素识别为锋面元素,否则识别为背景元素,根据每个锋面元素的个数设定阈值,利用设定的所述阈值去除梯度信息干扰,得到识别后的图像;
图像融合模块,用于对识别后的图像中的锋面信息进行形态学闭运算,得到融合后的二值化图像,根据设定的锋面信息的尺寸信息对由识别出的所述锋面元素构成的锋面信息进行筛选,以去除识别过程中产生的干扰信息;
检测结果输出模块,用于将所述融合后的二值化图像叠加到原始SAR图像上,得到海洋锋检测结果。
根据本发明提供的一种基于SAR图像的海洋锋自动检测识别装置,所述滤波模块包括:
模拟散斑图像训练模块,用于构建模拟散斑图像网络模型并进行模型训练;
海洋锋SAR图像训练模块,用于利用SAR图像进行模型训练,基于所述初步训练的网络,对SAR图像中的时间序列内的随机图像对进行变化补偿,以生成网络权值;
变化补偿模块,使用所述网络权值对网络进行细化,对所述随机图像对进行进一步的变化补偿;
滤波结果输出模块,用于输出经过滤波处理后的海洋锋SAR图像。
根据本发明提供的一种基于SAR图像的海洋锋自动检测识别装置,所述超像素块分割模块包括:
聚类中心初始化模块,用于基于预定间隔的规则网格初始化聚类中心;
局部K-means聚类模块,用于定义一个搜索窗口,计算每个像素与聚类中心之间的距离,并将每个像素分配到最近的聚类中心;
聚类后处理模块,用于根据最近原则将规则网格外的像素划分到附近的聚类中心;
分割结果输出模块,用于输出超像素分割后的海洋锋SAR图像。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述的基于SAR图像的海洋锋自动检测识别方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述的基于SAR图像的海洋锋自动检测识别方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述的基于SAR图像的海洋锋自动检测识别方法。
本发明提供的一种基于SAR图像的海洋锋自动检测识别方法及装置,通过对海洋锋SAR图像进行预处理;分别采用半监督的深度学习算法和超像素分割方法对预处理后的SAR图像进行滤波和超像素块的分割;分别对所述滤波和超像素分割后的结果图进行腐蚀膨胀,求取腐蚀膨胀之差,得到二值化差值图像;对所述二值化差值图像分别进行锋面信息的形态学膨胀,将对应的两幅形态学膨胀后的图像中的锋面信息进行与操作,均显示锋面信息的像素识别为锋面元素,否则识别为背景元素,得到识别后的图像;对识别后的图像中的锋面信息进行形态学闭运算,生成融合后的二值化图像;将所述融合后的二值化图像叠加在原始SAR图像上,得到海洋锋检测结果,本发明能够对海洋锋SAR图像进行自动检测识别,在给定一定的参数后不需要其它的人工干预和辅助,节约了检测成本;本发明结合滤波和超像素分割两种方法的优势,有效抑制了SAR图像中的相干斑噪声,使检测结果能够保留较多的锋面细节和具有较好的连续性。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的基于SAR图像的海洋锋自动检测识别的流程图;
图2是本发明提供的辐射校正后的SAR图像;
图3是本发明提供的直方图均衡化后的SAR图像;
图4是本发明提供的SAR2SAR滤波后的SAR图像;
图5是本发明提供的SLIC超像素分割后的SAR图像;
图6是本发明提供的基于SAR2SAR滤波方法得到的腐蚀膨胀差值图像的二值化图像;
图7是本发明提供的基于SLIC超像素分割方法得到的腐蚀膨胀差值图像的二值化图像;
图8是本发明提供的图像融合后的结果图;
图9是本发明提供的最小外接矩形和最小外接圆示意图;
图10是本发明提供的叠加到原始SAR图像上的海洋锋检测结果图;
图11是本发明提供的基于SAR图像的海洋锋自动检测识别装置的结构示意图;
图12是本发明提供的基于SAR图像的海洋锋自动检测识别装置中滤波模块的结构示意图;
图13是本发明提供的基于SAR图像的海洋锋自动检测识别装置中超像素块分割模块的结构示意图;
图14是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图14描述本发明的具体实施例。
图1是本发明实施例提供的基于SAR图像的海洋锋自动检测识别的流程图,如图1所示,本发明实施例提供的基于SAR图像的海洋锋自动检测识别方法包括:
步骤S100、对海洋锋SAR图像进行预处理;
步骤S110、分别采用半监督的深度学习算法和超像素分割方法对预处理后的SAR图像进行滤波和超像素块的分割;
步骤S120、分别对所述滤波和超像素分割后的结果图进行腐蚀膨胀,求取腐蚀膨胀之差,得到二值化差值图像;
步骤S130、对所述二值化差值图像分别进行锋面信息的形态学膨胀,将对应的两幅形态学膨胀后的图像中的锋面信息进行与操作,均显示锋面信息的像素识别为锋面元素,否则识别为背景元素,得到识别后的图像;
步骤S140、对识别后的图像中的锋面信息进行形态学闭运算,生成融合后的二值化图像;
步骤S150、将所述融合后的二值化图像叠加在原始SAR图像上。
下面对上述步骤分别作详细说明:
步骤S100、对海洋锋SAR图像进行预处理;
具体地,下载经过卫星轨道校正和传感器参数校正后的海洋锋SAR图像数据,通常会进行复数据转换、多视处理、辐射校正、几何校正和重采样等处理,由于几何校正后的图像具有黑色的边缘,为了简化流程,在本发明实施例中,不进行几何校正处理,海洋锋SAR图像经过辐射校正后,利用像素区域关系进行重采样的插值方法进行重采样,再经过直方图均衡化处理,得到预处理后的SAR图像,如图2、图3所示,图2、图3分别是本发明实施例提供的辐射校正后和直方图均衡化后的海洋锋SAR图像。
步骤S110、分别采用半监督的深度学习算法和超像素分割方法对预处理后的SAR图像进行滤波和超像素块的分割;
在本发明实施例中,所述的半监督的深度学习算法为SAR2SAR方法,通过SAR2SAR滤波方法对图像进行滤波,利用基于时序变化的补偿和适应于散斑统计特性的损失函数来抑制SAR图像的散斑噪声,使检测图像能够保留较多的锋面信息。
具体地,SAR2SAR滤波方法是基于U-Net来恢复对数变换的SAR图像,其训练过程分为以下三个步骤进行:
步骤一、基于模拟散斑图像构建网络模型并进行模型的初步训练;
步骤二、利用SAR图像进行模型训练,基于所述初步训练的网络,对SAR图像中的时间序列内的随机图像对进行变化补偿,以生成网络权值;
步骤三、根据所述网络权值对网络进行细化,对所述随机图像对进行进一步的变化补偿。
另一方面,在本发明实施例中,所述超像素分割方法为简单线性迭代聚类(SLIC)超像素分割方法,超像素分割是指将具有相似纹理、颜色、亮度等特征的相邻像素合并为一个超像素,需设置预分割超像素个数的参数,利用SLIC超像素分割方法对SAR图像进行超像素块的分割,具体步骤包括:
步骤一、基于预定间隔的规则网格初始化聚类中心;
具体地,假设输入SAR图像共有N个像素,将N个像素分成k个超像素,每个超像素中的像素数为N/k,两个超像素之间的距离可以表示为:
在本实施例中,两个超像素之间的距离S为确定的值,可将k个初始聚类中心放置在间隔为S像素的规则网格中,为了避免聚类中心分布在图像边界或噪声像素上,本发明实施例中,将聚类中心移动到3×3邻域中的最低梯度位置。
步骤二、局部K-means聚类,定义一个搜索窗口,计算每个像素与聚类中心之间的距离,并将每个像素分配到最近的聚类中心;
具体地,在本发明实施例中,定义一个大小为超像素中心周围2S×2S像素的搜索窗口,计算每个像素与其聚类中心之间的距离,将每个像素分配到最近的聚类中,基于分割的超像素,更新聚类中心并迭代该步骤,直到结果的误差达到某个阈值,像素和聚类中心的距离计算公式为:
其中,dc是CIELAB颜色空间中的距离,ds是欧几里得空间中的距离,Ns和Nc是将两个距离合并为单个度量的归一化因子。在本方案中,我们处理的是单通道灰度图像,因此将其复制三次来计算CIELAB颜色空间距离。
在给定聚类块内期望的最大空间距离应对应于采样间隔,即Ns等于S。因为颜色距离在不同的聚类块内和不同的图像之间会有很大的差异,因此确定最大颜色距离Nc并不容易,通过将Nc设置为常数m可解决上述问题,因此上式可以写成:
为了进一步组织上述等式,距离可以写成:
步骤三、聚类后处理,根据最近原则将规则网格外的像素划分到附近的聚类中心。
具体地,由于SLIC并不强制执行连接,在聚类过程结束时,一些与其聚类中心不属于同一聚类块的“孤立”像素可能会保留下来,根据最近原则将较小的区域划分到附近的类别。
通过上述处理,得到经过滤波和超像素分割后的结果图,如图4、图5所示,图4和图5分别为利用SAR2SAR滤波方法进行滤波后的SAR图像和经过SLIC超像素分割方法分割后的SAR图像。
步骤S120、分别对所述滤波和超像素分割后的结果图进行腐蚀膨胀,求取腐蚀膨胀之差,得到二值化差值图像;
具体地,腐蚀膨胀作为数学形态学算法的两种基本操作,一般用于二值图像的处理。在二值形态学中,结构元素是形态学变换中的基本元素,利用结构元素B对工作空间E中的每一点X进行腐蚀膨胀的定义如下:
其中,X,Y分别代表腐蚀和膨胀后的图像。本发明实施例处理的图像为灰度图像,运算对象由集合变为图像函数,采取5×5大小的十字形结构元素对SAR图像进行腐蚀膨胀,利用结构元素B对图像E进行腐蚀和膨胀运算分别定义为:
Xg(E,B)=E⊙gB=min{E(m-a,n-b)-B(a,b) } (9)
其中,下标g代表进行形态学操作的是灰度图像,E(m-a,n-b)代表原始图像(m,n)向左移动(a,b)个单位的坐标灰度值,B(a,b)代表此处结构化元素的值。
在本实施例中,按照上述方法分别对滤波和超像素的结果图进行腐蚀膨胀。
进一步地,将膨胀后的灰度图像减去腐蚀后的灰度图像,得到基于SAR2SAR滤波方法和SLIC超像素分割方法的腐蚀膨胀的差值图像。
更进一步,对差值图像进行图像二值化处理,在本实施例中,选取的二值化阈值为灰度值均值的两倍。
通过以上步骤,得到基于SAR2SAR滤波方法得到的腐蚀膨胀差值图像的二值化图像和基于SLIC超像素分割方法得到的腐蚀膨胀差值图像的二值化图像,如图6、图7所示。
步骤S130、对所述二值化差值图像分别进行锋面信息的形态学膨胀,将对应的两幅形态学膨胀后的图像中的锋面信息进行与操作,均显示锋面信息的像素识别为锋面元素,否则识别为背景元素,得到识别后的图像;
具体地,对基于SAR2SAR滤波方法和SLIC超像素分割方法得到的二值图像分别进行锋面信息的形态学膨胀,对膨胀后的图像中的锋面信息进行与操作,即两幅图像都显示为锋面信息则定义该像素为锋面,否则为背景元素,根据每个锋面信息元素的个数设定阈值去除一些梯度信息的干扰。
步骤S140、对识别后的图像中的锋面信息进行形态学闭运算,生成融合后的二值化图像;
具体地,用预定大小的结构元素对去除梯度干扰后的图像中的锋面信息进行形态学闭运算,得到融合后的图像,根据设定的锋面信息的尺寸信息对由识别出的所述锋面元素构成的锋面信息进行筛选,以去除识别过程中产生的干扰信息,融合后的图像如图8所示。
在本发明实施例中,所述尺寸信息由锋面信息的最小外接矩形、最小外接圆的尺寸表征,长度的定义是锋面信息最小外接矩形的长边,而对圆度的定义如下:
其中,w,h分别代表锋面信息最小外接矩形的长和宽,r代表锋面信息最小外接圆的半径,如图9所示,图9为检测出锋面信息的最小外接矩形和最小外接圆的示意图。
步骤S150、将所述融合后的二值化图像叠加在原始SAR图像上。
图10是本发明实施例提供的海洋锋SAR图像检测结果,与图1对比可以看出,锋面细节清晰,连续性较好。
本发明实施例采用的一种基于SAR图像的海洋锋自动检测识别方法,结合半监督的深度学习算法和超像素分割两种方法的优势,有效抑制了SAR图像中散斑噪声的干扰,使检测结果在保留较多锋面细节的同时,具有较好的连续性,同时能够实现SAR图像的海洋锋自动检测识别,在设置经验参数后不需要其它的人工干预和辅助,节约了人工成本。
下面对本发明提供的基于SAR图像的海洋锋自动检测识别装置进行描述,下文描述的基于SAR图像的海洋锋自动检测识别装置与上文描述的基于SAR图像的海洋锋自动检测识别方法可相互对应参照。
图11为本发明实施例提供的基于SAR图像的海洋锋自动检测识别装置的结构示意图,如图11所示,本发明实施例提供的基于SAR图像的海洋锋自动检测识别装置包括:
预处理模块210,用于对海洋锋SAR图像进行预处理;
滤波模块2201,用于将预处理后的SAR图像进行滤波;
超像素块分割模块2202,用于将预处理后的SAR图像进行超像素块的分割;
二值化差值图像获取模块2301、2302、分别用于对所述滤波及超像素分割后的结果图进行腐蚀膨胀,求取腐蚀膨胀之差,得到二值化差值图像;
图像识别模块240,用于对所述二值化差值图像分别进行锋面信息的形态学膨胀,将对应的两幅形态学膨胀后的图像中的锋面信息进行与操作,均显示锋面信息的像素识别为锋面元素,否则识别为背景元素,根据每个锋面元素的个数设定阈值,利用设定的所述阈值去除梯度信息干扰,得到识别后的图像;
图像融合模块250,用于对识别后的图像中的锋面信息进行形态学闭运算,得到融合后的二值化图像,根据设定的锋面信息的尺寸信息对由识别出的所述锋面元素构成的锋面信息进行筛选,以去除识别过程中产生的干扰信息;
检测结果输出模块260,用于将所述融合后的二值化图像叠加到原始SAR图像上,得到海洋锋检测结果。
本发明实施例提供的基于SAR图像的海洋锋自动检测识别装置,通过对海洋锋SAR图像进行预处理;分别采用半监督的深度学习算法和超像素分割方法对预处理后的SAR图像进行滤波和超像素块的分割;分别对所述滤波和超像素分割后的结果图进行腐蚀膨胀,求取腐蚀膨胀之差,得到二值化差值图像;对所述二值化差值图像分别进行锋面信息的形态学膨胀,将对应的两幅形态学膨胀后的图像中的锋面信息进行与操作,均显示锋面信息的像素识别为锋面元素,否则识别为背景元素,得到识别后的图像;对识别后的图像中的锋面信息进行形态学闭运算,生成融合后的二值化图像;将所述融合后的二值化图像叠加在原始SAR图像上,得到海洋锋检测结果。本发明结合SAR2SAR滤波和SLIC超像素分割两种方法的优势,有效抑制了SAR图像中散斑噪声的干扰,使检测结果在保留较多锋面细节的同时,具有较好的连续性,同时能够实现SAR图像的海洋锋自动检测识别,在设置经验参数后不需要其它的人工干预和辅助,节约了人工成本。
图12为本发明实施例提供的基于SAR图像的海洋锋自动检测识别装置中滤波模块的结构示意图,如图12所示,本发明实施例提供的滤波模块包括:
模拟散斑图像训练模块310,用于构建模拟散斑图像网络模型并进行模型训练;
海洋锋SAR图像训练模块320,用于利用SAR图像进行模型训练,基于所述初步训练的网络,对SAR图像中的时间序列内的随机图像对进行变化补偿,以生成网络权值;
变化补偿模块330,使用所述网络权值对网络进行细化,对所述随机图像对进行进一步的变化补偿;
滤波结果输出模块340,用于输出经过滤波处理后的海洋锋SAR图像。
本发明实施例提供的滤波模块,通过构建模拟散斑图像网络模型并进行模型训练;利用SAR图像进行模型训练,基于所述初步训练的网络,对SAR图像中的时间序列内的随机图像对进行变化补偿,以生成网络权值;使用所述网络权值对网络进行细化,对所述随机图像对进行进一步的变化补偿;有效的抑制了SAR图像的散斑噪声。
图13为本发明实施例提供的基于SAR图像的海洋锋自动检测识别装置中超像素块分割模块的结构示意图,如图13所示,本发明实施例提供的超像素块分割模块包括:
聚类中心初始化模块410,用于基于预定间隔的规则网格初始化聚类中心;
局部K-means聚类模块420,用于定义一个搜索窗口,计算每个像素与聚类中心之间的距离,并将每个像素分配到最近的聚类中心;
聚类后处理模块430,用于根据最近原则将规则网格外的像素划分到附近的聚类中心;
分割结果输出模块440,用于输出超像素分割后的海洋锋SAR图像。
本发明实施例提供的超像素块分割模块,通过基于预定间隔的规则网格初始化聚类中心;定义一个搜索窗口,计算每个像素与聚类中心之间的距离,并将每个像素分配到最近的聚类中心;根据最近原则将规则网格外的像素划分到附近的聚类中心,生成紧凑均匀的超像素,提升了计算速度,有效保持了对象的轮廓和超像素形状。
图14示例了一种电子设备的实体结构示意图,如图14所示,该电子设备可以包括:处理器(processor)1410、通信接口(Communications Interface)1420、存储器(memory)1430和通信总线1440,其中,处理器1410,通信接口1420,存储器1430通过通信总线1440完成相互间的通信。处理器1410可以调用存储器1430中的逻辑指令,以执行基于SAR图像的海洋锋自动检测识别方法,该方法包括:对海洋锋SAR图像进行预处理;分别采用半监督的深度学习算法和超像素分割方法对预处理后的SAR图像进行滤波和超像素块的分割;分别对所述滤波和超像素分割后的结果图进行腐蚀膨胀,求取腐蚀膨胀之差,得到二值化差值图像;对所述二值化差值图像分别进行锋面信息的形态学膨胀,将对应的两幅形态学膨胀后的图像中的锋面信息进行与操作,均显示锋面信息的像素识别为锋面元素,否则识别为背景元素,得到识别后的图像;对识别后的图像中的锋面信息进行形态学闭运算,生成融合后的二值化图像;将所述融合后的二值化图像叠加在原始SAR图像上,得到海洋锋检测结果。
此外,上述的存储器1430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于SAR图像的海洋锋自动检测识别方法,该方法包括:对海洋锋SAR图像进行预处理;分别采用半监督的深度学习算法和超像素分割方法对预处理后的SAR图像进行滤波和超像素块的分割;分别对所述滤波和超像素分割后的结果图进行腐蚀膨胀,求取腐蚀膨胀之差,得到二值化差值图像;对所述二值化差值图像分别进行锋面信息的形态学膨胀,将对应的两幅形态学膨胀后的图像中的锋面信息进行与操作,均显示锋面信息的像素识别为锋面元素,否则识别为背景元素,得到识别后的图像;对识别后的图像中的锋面信息进行形态学闭运算,生成融合后的二值化图像;将所述融合后的二值化图像叠加在原始SAR图像上,得到海洋锋检测结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (11)
1.一种基于SAR图像的海洋锋自动检测识别方法,其特征在于,包括:
对海洋锋SAR图像进行预处理;
对预处理后的SAR图像分别采用半监督的深度学习算法进行滤波和采用超像素分割方法进行超像素块的分割,所述滤波具体包括:
S31、基于模拟散斑图像构建网络模型并进行模型的初步训练;
S32、利用SAR图像进行模型训练,基于所述初步训练的网络,对SAR图像中的时间序列内的随机图像对进行变化补偿,以生成网络权值;
S33、根据所述网络权值对网络进行细化,对所述随机图像对进行进一步的变化补偿;
分别对所述滤波和超像素分割后的结果图进行腐蚀膨胀,求取腐蚀膨胀之差,得到二值化差值图像;
对所述二值化差值图像分别进行锋面信息的形态学膨胀,将对应的两幅形态学膨胀后的图像中的锋面信息进行与操作,均显示锋面信息的像素识别为锋面元素,否则识别为背景元素,得到识别后的图像;
对识别后的图像中的锋面信息进行形态学闭运算,生成融合后的二值化图像;
将所述融合后的二值化图像叠加在原始SAR图像上。
2.根据权利要求1所述的基于SAR图像的海洋锋自动检测识别方法,其特征还在于,该方法在生成融合后的二值化图像前,还包括:
根据每个锋面元素的个数设定阈值,利用设定的所述阈值去除梯度信息干扰。
3.根据权利要求1或2所述的基于SAR图像的海洋锋自动检测识别方法,其特征还在于,该方法在生成融合后的二值化图像后,还包括:
根据设定的锋面信息的尺寸信息对由识别出的所述锋面元素构成的锋面信息进行筛选,以去除识别过程中产生的干扰信息。
4.根据权利要求3所述的基于SAR图像的海洋锋自动检测识别方法,其特征还在于,所述尺寸信息由锋面信息的最小外接矩形、最小外接圆的尺寸表征。
5.根据权利要求4所述的基于SAR图像的海洋锋自动检测识别方法,所述尺寸信息包括长度阈值、圆度阈值,所述长度阈值为所述最小外接矩形的长边长度、所述圆度阈值为所述最小外接矩形的面积与最小外接圆的面积的比值。
6.根据权利要求1所述的基于SAR图像的海洋锋自动检测识别方法,其特征在于,所述对海洋锋SAR图像进行预处理,包括:
对SAR图像进行辐射校正;
利用像素区域关系进行重采样的插值方法对所述辐射校正后的SAR图像进行重采样;
对所述重采样后的SAR图像进行直方图均衡化处理。
7.根据权利要求1所述的基于SAR图像的海洋锋自动检测识别方法,其特征在于,所述半监督的深度学习算法为SAR2SAR方法。
8.根据权利要求1所述的基于SAR图像的海洋锋自动检测识别方法,其特征在于,所述超像素分割方法为SLIC方法,所述对预处理后的SAR图像进行超像素块的分割包括:
S41、基于预定间隔的规则网格初始化聚类中心;
S42、定义一个搜索窗口,计算每个像素与聚类中心之间的距离,并将每个像素分配到最近的聚类中心;
S43、根据最近原则将规则网格外的像素划分到附近的聚类中心。
9.一种基于SAR图像的海洋锋自动检测识别装置,其特征在于,该装置包括:
预处理模块,用于对海洋锋SAR图像进行预处理;
滤波模块,用于将预处理后的SAR图像进行滤波,所述滤波具体包括:
S31、基于模拟散斑图像构建网络模型并进行模型的初步训练;
S32、利用SAR图像进行模型训练,基于所述初步训练的网络,对SAR图像中的时间序列内的随机图像对进行变化补偿,以生成网络权值;
S33、根据所述网络权值对网络进行细化,对所述随机图像对进行进一步的变化补偿;
超像素块分割模块,用于将预处理后的SAR图像进行超像素块的分割;
二值化差值图像获取模块、用于对所述滤波或超像素分割后的结果图进行腐蚀膨胀,求取腐蚀膨胀之差,得到二值化差值图像;
图像识别模块,用于对所述二值化差值图像分别进行锋面信息的形态学膨胀,将对应的两幅形态学膨胀后的图像中的锋面信息进行与操作,均显示锋面信息的像素识别为锋面元素,否则识别为背景元素,根据每个锋面元素的个数设定阈值,利用设定的所述阈值去除梯度信息干扰,得到识别后的图像;
图像融合模块,用于对识别后的图像中的锋面信息进行形态学闭运算,得到融合后的二值化图像,根据设定的锋面信息的尺寸信息对由识别出的所述锋面元素构成的锋面信息进行筛选,以去除识别过程中产生的干扰信息;
检测结果输出模块,用于将所述融合后的二值化图像叠加到原始SAR图像上,得到海洋锋检测结果。
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8任一项所述基于SAR图像的海洋锋自动检测识别方法。
11.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的基于SAR图像的海洋锋自动检测识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310118793.6A CN116051416B (zh) | 2023-01-30 | 2023-01-30 | 基于sar图像的海洋锋自动检测识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310118793.6A CN116051416B (zh) | 2023-01-30 | 2023-01-30 | 基于sar图像的海洋锋自动检测识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116051416A CN116051416A (zh) | 2023-05-02 |
CN116051416B true CN116051416B (zh) | 2023-10-20 |
Family
ID=86114697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310118793.6A Active CN116051416B (zh) | 2023-01-30 | 2023-01-30 | 基于sar图像的海洋锋自动检测识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116051416B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117975296B (zh) * | 2024-04-01 | 2024-06-11 | 自然资源部第一海洋研究所 | 一种异常海洋锋面的卫星遥感探测提取识别方法及系统 |
CN118097207B (zh) * | 2024-04-17 | 2024-07-23 | 聊城大学 | 海洋工程表面腐蚀图像识别方法及相关装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961280A (zh) * | 2018-06-29 | 2018-12-07 | 电子科技大学 | 一种基于slic超像素分割的眼底视盘精细分割方法 |
CN112001391A (zh) * | 2020-05-11 | 2020-11-27 | 江苏鲲博智行科技有限公司 | 一种图像特征融合图像语义分割的方法 |
WO2021077847A1 (zh) * | 2019-10-23 | 2021-04-29 | 北京建筑大学 | 一种基于高分遥感影像的海水污染区域识别方法和设备 |
CN114283318A (zh) * | 2021-12-16 | 2022-04-05 | 中国人民解放军海军潜艇学院 | 基于sar图像的海洋锋尺度特征参数反演方法及系统 |
-
2023
- 2023-01-30 CN CN202310118793.6A patent/CN116051416B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961280A (zh) * | 2018-06-29 | 2018-12-07 | 电子科技大学 | 一种基于slic超像素分割的眼底视盘精细分割方法 |
WO2021077847A1 (zh) * | 2019-10-23 | 2021-04-29 | 北京建筑大学 | 一种基于高分遥感影像的海水污染区域识别方法和设备 |
CN112001391A (zh) * | 2020-05-11 | 2020-11-27 | 江苏鲲博智行科技有限公司 | 一种图像特征融合图像语义分割的方法 |
CN114283318A (zh) * | 2021-12-16 | 2022-04-05 | 中国人民解放军海军潜艇学院 | 基于sar图像的海洋锋尺度特征参数反演方法及系统 |
Non-Patent Citations (2)
Title |
---|
Ocean Front Detection from SAR Imagery Using SLIC Superpixel Segmentation Method;yang xiaofeng et al;《2022 IEEE International Geoscience and Remote Sensing Symposium》;第2578-2581页 * |
海面雷达散射及其杂波幅度统计特性的空间遍历性数值仿真研究;杜延磊;《系统工程与电子技术》;第1-18页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116051416A (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116051416B (zh) | 基于sar图像的海洋锋自动检测识别方法及装置 | |
CN108921799B (zh) | 基于多尺度协同学习卷积神经网络的遥感图像薄云去除方法 | |
Wang et al. | Generative adversarial network-based restoration of speckled SAR images | |
CN108510504B (zh) | 图像分割方法和装置 | |
CN110443761B (zh) | 一种基于多尺度聚合特征的单幅图像去雨方法 | |
CN109509163B (zh) | 一种基于fgf的多聚焦图像融合方法及系统 | |
CN111091503A (zh) | 基于深度学习的图像去失焦模糊方法 | |
CN107133929A (zh) | 基于背景估计和能量最小化的低质量文档图像二值化方法 | |
CN109685045A (zh) | 一种运动目标视频跟踪方法及系统 | |
CN113191979B (zh) | 一种分区域sar图像非局部均值去噪方法 | |
Molini et al. | Towards deep unsupervised SAR despeckling with blind-spot convolutional neural networks | |
CN109064402B (zh) | 基于增强非局部总变分模型先验的单幅图像超分辨率重建方法 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
Goyal et al. | An adaptive bitonic filtering based edge fusion algorithm for Gaussian denoising | |
CN117011542A (zh) | 基于时间序列影像的遥感影像厚云去除方法、系统和设备 | |
Ali et al. | Boundary-constrained robust regularization for single image dehazing | |
Du et al. | Perceptually optimized generative adversarial network for single image dehazing | |
Wang et al. | Video deraining via nonlocal low-rank regularization | |
CN113421210A (zh) | 一种基于双目立体视觉的表面点云重建方法 | |
CN109241981A (zh) | 一种基于稀疏编码的特征检测方法 | |
Thepade et al. | Improved haze removal method using proportionate fusion of color attenuation prior and edge preserving | |
Bull et al. | Perceptual improvements for super-resolution of satellite imagery | |
CN111161250B (zh) | 一种多尺度遥感图像密集房屋检测方法及装置 | |
Behnke et al. | Learning iterative image reconstruction | |
Wen et al. | Patch-wise blind image deblurring via Michelson channel prior |
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 |