CN117495742A - 图像的染色转移方法、装置、设备及介质 - Google Patents
图像的染色转移方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117495742A CN117495742A CN202310956607.6A CN202310956607A CN117495742A CN 117495742 A CN117495742 A CN 117495742A CN 202310956607 A CN202310956607 A CN 202310956607A CN 117495742 A CN117495742 A CN 117495742A
- Authority
- CN
- China
- Prior art keywords
- dyeing
- original
- image
- target
- gradient
- 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
- 238000004043 dyeing Methods 0.000 title claims abstract description 449
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000000926 separation method Methods 0.000 claims abstract description 28
- 238000005315 distribution function Methods 0.000 claims description 78
- 238000009826 distribution Methods 0.000 claims description 57
- 238000012546 transfer Methods 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 26
- 238000010186 staining Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000000975 dye Substances 0.000 description 67
- 239000011159 matrix material Substances 0.000 description 15
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000001575 pathological effect Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000012880 independent component analysis Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T5/50—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
- G06T7/90—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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像的染色转移方法、装置、设备及介质，涉及图像处理技术领域。该方法包括：对原始域染色图像进行染色分离，得到原始染色密度图；对目标域染色图像进行染色分离，得到目标域染色参数；对原始染色密度图进行处理，得到目标染色密度图，目标染色密度图对应的染色图像的清晰度高于原始域染色图像的清晰度；对目标染色密度图和目标域染色参数进行融合，得到原始域染色图像染色转移后的染色图像。本发明的技术方案，得到目标染色密度图，并对目标染色密度图和目标域染色参数进行融合，可以使原始域染色图像染色转移后的染色图像的清晰度高于原始域染色图像，在对原始域染色图像进行染色转移的同时，提高了染色转移后图像的质量。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像的染色转移方法、装置、设备及介质。
背景技术
病理学中，通常对组织切片进行染色转移，以将病理图像从一种染色样式转移至另一种染色样式，以便于根据组织切片进行疾病诊断，
目前对一张病理图像进行染色转移主要将病理图像的染色密度图与另一种染色样式的染色参数进行染色融合，得到染色转移后的病理图像，此技术方案所得到的染色转移后病理图像的质量较差。
发明内容
本发明提供了一种图像的染色转移方法、装置、设备及介质，以提高染色转移后的染色图像的清晰度，提高染色转移后图像的质量。
第一方面，本发明提供了一种图像的染色转移方法，包括：
对原始域染色图像进行染色分离，得到原始染色密度图；
对目标域染色图像进行染色分离，得到目标域染色参数；
对原始染色密度图进行处理，得到目标染色密度图，目标染色密度图对应的染色图像的清晰度高于原始域染色图像的清晰度；
对目标染色密度图和目标域染色参数进行融合，得到原始域染色图像染色转移后的染色图像。
第二方面，本发明还提供了一种图像的染色转移装置，包括：
染色密度图确定模块，用于对原始域染色图像进行染色分离，得到原始染色密度图；
染色参数确定模块，用于对目标域染色图像进行染色分离，得到目标域染色参数；
染色密度图处理模块，用于对原始染色密度图进行处理，得到目标染色密度图，目标染色密度图对应的染色图像的清晰度高于原始域染色图像的清晰度；
染色图像确定模块，用于对目标染色密度图和目标域染色参数进行融合，得到原始域染色图像染色转移后的染色图像。
第三方面，本发明实施例还提供了一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例所提供的图像的染色转移方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例的图像的染色转移方法。
本发明实施例通过对原始域染色图像进行染色分离，得到原始染色密度图；对目标域染色图像进行染色分离，得到目标域染色参数；对原始染色密度图进行处理，得到目标染色密度图，目标染色密度图对应的染色图像的清晰度高于原始域染色图像的清晰度；对目标染色密度图和目标域染色参数进行融合，得到原始域染色图像染色转移后的染色图像。本发明的技术方案中，通过得到对应的染色图像的清晰度高于原始域染色图像的清晰度的目标染色密度图，并对目标染色密度图和目标域染色参数进行融合，可以使原始域染色图像染色转移后的染色图像的清晰度高于原始域染色图像，在对原始域染色图像进行染色转移的同时，提高了染色转移后图像的质量。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
图1A是根据本发明实施例一提供的一种图像的染色转移方法的流程图；
图1B是根据本发明实施例一提供的一种染色图像的对比示意图；
图2是根据本发明实施例二提供的一种图像的染色转移方法的流程图；
图3是根据本发明实施例三提供的一种图像的染色转移装置的结构示意图；
图4是实现本发明实施例的图像的染色转移方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例的技术方案中，所涉及的原始域染色图像和目标域染色图像等的获取、存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
实施例一
图1A为本发明实施例一提供的一种图像的染色转移方法的流程图，本实施例可适用于对染色图像进行染色转移的情况，该方法可以由一种图像的染色转移装置来执行，该图像的染色转移装置可以采用硬件和/或软件的形式实现，并具体配置于电子设备中，例如服务器中。
参见图1A所示的图像的染色转移方法，包括：
S101、对原始域染色图像进行染色分离，得到原始染色密度图。
本实施例中，原始域染色图像可以是待进行染色转移的染色图像。其中，域可以是指染色风格，原始域即是原始域染色图像的染色风格。染色转移可以是指将染色图像从一个域转换为另一个域，也即将染色图像从原本的染色风格转移为另一个染色风格。原始染色密度图可以用于表征原始域染色图像中各像素点的染色密度。染色密度越大，则该像素点的染色颜色越深；染色密度越小，则该像素点的染色颜色越浅。
需要说明的是，本发明对染色分离方法不作限定，例如染色分离方法可以采用非负矩阵分解法(Non-negative matrix factorization，NMF)、独立成分分析法(Independent Component Analysis，ICA)和稀疏表示法(Sparse Representations)等。在一个优选实施例中，染色分离方法采用非负矩阵分解法，以提高染色分离获取原始染色密度图的效率。
在一个可选实施例中，根据预设染色剂数量，对原始染色图像进行染色分离，得到原始染色密度图。原始域染色图像和原始染色密度图可以通过矩阵的形式表示。其中，预设染色剂数量可以由技术人员根据实际需求或实践经验自主设定。示例性的，原始域染色图图像为c*w*h的矩阵，原始染色密度图矩阵可以是n*w*h的矩阵。其中，c表示颜色通道数；w表示图像宽度；h表示图像高度；n表示预设染色剂数量。原始染色密度图中每一行的元素值表示对应的染色剂在原始域染色图像各像素点中的染色密度。
可选的，对原始域染色图像进行染色分离，得到原始染色密度图之前，还包括：获取原始染色图像；确定原始染色图像中的最大像素值；根据最大像素值，对原始染色图像的像素值进行调整，得到原始域染色图像。
其中，原始染色图像可以是直接获取的原始域的染色图像。具体的，对于原始染色图像中的每一像素点，确定原始染色图像中最大像素值与该像素点的像素值之间的像素比值；根据该像素比值确定该像素点的新像素值，从而得到原始域染色图像。示例性的，可以通过以下公式确定原始域染色图像：
其中，Is表示原始域染色图像；I表示原始染色图像；imax表示原始染色图像中的最大像素值。
可以理解的是，采用上述技术方案，对原始染色图像进行处理后，可以得到降低了光照影响的原始域染色图像，通过降低光照对染色图像中的染色颜色和染色密度的影响，进而提高对原始域染色图像进行染色分离后，得到的原始染色密度图的准确性。
S102、对目标域染色图像进行染色分离，得到目标域染色参数。
本实施例中，目标域染色图像可以是染色风格为目标域的染色图像。其中，目标域与原始域不同，目标域即为原始域染色图像待转移为的染色风格。示例性的，将A域染色图像染色转移为B域染色图像，A即为原始域，B即为目标域。目标域染色参数可以是目标域下的染色参数。目标域染色参数可以用于表征目标域染色图像的各染色剂的颜色成分。
在一个可选实施例中，染色参数可以以矩阵的形式表示。示例性的，目标域染色图为c*w*h的矩阵，目标域染色参数矩阵可以是c*n的矩阵，其中，c表示颜色通道数；w表示图像宽度；h表示图像高度；n表示预设染色剂数量。目标域染色参数矩阵中每一列中的各元素值表示对应染色剂在各颜色通道中的颜色成分。
在一个可选实施例中，获取目标域的候选染色图像；确定候选染色图像中的最大像素值；根据最大像素值，对候选染色图像的像素值进行调整，得到目标域染色图像。其中，候选染色图像可以是直接获取的目标域的染色图像。需要说明的是，得到目标域染色图像的过程与得到原始域染色图像的过程类似，此处不再赘述。
S103、对原始染色密度图进行处理，得到目标染色密度图，目标染色密度图对应的染色图像的清晰度高于原始域染色图像的清晰度。
本实施例中，目标染色密度图即是对应染色图像的清晰度高于原始域染色图像的清晰度的染色密度图。具体的，采用一定的算法，对原始染色密度图进行处理，得到目标染色密度图。
S104、将目标染色密度图和目标域染色参数进行融合，得到原始域染色图像染色转移后的染色图像。
具体的，将目标染色密度图的矩阵与目标域染色参数的矩阵相乘，得到原始域染色图像染色转移后的染色图像的矩阵，从而得到原始域染色图像染色转移后的染色图像。示例性的，可以通过以下公式确定原始域染色图像染色转移后的染色图像：
Im＝WHm；
其中，Im表示原始域染色图像染色转移后的染色图像；W表示目标域染色参数；Hm表示目标染色密度图。
图1B是本发明实施例提供的一种染色图像的对比示意图。如图1B所示，其中a对应的图像为原始域染色图像；b对应的图像为目标域染色图像；c对应的图像为采用现有技术得到的原始域染色图像染色转移后的染色图像；d对应的图像为采用本发明实施例的图像的染色转移方法，所得到的原始域染色图像染色转移后的染色图像。d对应的图像清晰度高于c对应的图像，本发明实施例的技术方案相较于现有技术，提高了染色转移后图像的清晰度。
本发明实施例对原始域染色图像进行染色分离，得到原始染色密度图；对目标域染色图像进行染色分离，得到目标域染色参数；对原始染色密度图进行处理，得到目标染色密度图，目标染色密度图对应的染色图像的清晰度高于原始域染色图像的清晰度；对目标染色密度图和目标域染色参数进行融合，得到原始域染色图像染色转移后的染色图像。本发明的技术方案中，通过得到对应的染色图像的清晰度高于原始域染色图像的清晰度的目标染色密度图，并对目标染色密度图和目标域染色参数进行融合，可以使原始域染色图像染色转移后的染色图像的清晰度高于原始域染色图像，在对原始域染色图像进行染色转移的同时，提高了染色转移后图像的质量。
实施例二
图2为本发明实施例二提供的一种图像的染色转移方法的流程图，本发明实施例在上述实施例的技术方案的基础上，进行了追加优化，并对目标染色密度图的确定操作进行了优化改进。
进一步地，追加“对目标域染色图像进行染色分离，得到目标域染色密度图”；将“对原始染色密度图进行处理，得到目标染色密度图”细化为“根据目标域染色密度图对原始染色密度图进行处理，得到目标染色密度图；目标域染色图像通过目标域染色参数与目标域染色密度图融合得到”，以完善目标染色密度图的确定操作。
需要说明的是，在本发明实施例中未详述部分，可参见前述实施例的表述。
参见图2所示的图像的染色转移方法，包括：
S201、对原始域染色图像进行染色分离，得到原始染色密度图。
S202、对目标域染色图像进行染色分离，得到目标域染色参数和目标域染色密度图。
在一个可选实施例中，对目标域染色图像进行染色分离，得到目标域染色参数和目标域染色密度图，包括：以备选染色参数和备选染色密度图为参数，对备选染色参数和备选染色密度图进行融合，得到备选染色图像；确定备选染色图像与目标域染色图像之间对应像素点的像素值之间的误差总和；将误差总和最小对应的备选染色参数作为目标域染色参数，以及将误差总和最小对应的备选染色密度图作为目标域染色密度图。示例性的，可以通过以下公式确定备选染色图像与目标域染色图像之间对应像素点的像素值之间的误差总和：
Loss＝||It-Ib||；
Ib＝WbHb；
其中，Loss表示误差总和；It表示目标域染色图像；Ib表示备选染色图像；Wb表示备选染色参数；Hb表示备选染色密度图。
S203、根据目标域染色密度图对原始染色密度图进行处理，得到目标染色密度图；目标域染色图像通过目标域染色参数与目标域染色密度图融合得到，目标染色密度图对应的染色图像的清晰度高于原始域染色图像的清晰度。
可选的，根据目标域染色密度图对原始染色密度图进行处理，得到目标染色密度图，包括：获取原始染色密度图对应的原始染色梯度图，以及目标域染色密度图对应的目标域染色梯度图；获取原始染色梯度图的原始梯度概率分布函数，以及目标域染色密度图的目标域梯度概率分布函数；根据原始梯度概率分布函数和目标域梯度概率分布函数，确定目标域梯度概率分布的反函数，得到梯度映射函数；根据梯度映射函数，对原始染色梯度图进行梯度转换，得到目标染色梯度图；根据目标染色梯度图，得到目标染色密度图。
其中，原始染色梯度图即为原始染色密度图对应的梯度图像，原始染色梯度图中像素点的像素值即为原始染色密度图中对应像素点的梯度。目标域染色梯度图即为目标域染色梯度图，原始染色梯度图中像素点的像素值即为原始染色密度图中对应像素点的梯度。原始梯度概率分布函数即为原始染色梯度图中梯度的概率分布函数；目标域梯度概率分布函数即为目标域染色密度图中梯度的概率分布函数。梯度映射函数可以是对原始染色梯度图进行梯度映射的函数。目标染色梯度图可以是对应染色图像清晰度高于原始域染色图像清晰度的染色梯度图。
具体的，对于原始染色密度图中的每一像素点，计算该像素点的梯度值；根据原始染色密度图中各像素点的梯度值，得到该原始染色密度图对应的原始染色梯度图；采用一定的算法，获取原始染色梯度图的原始梯度概率分布函数，以及获取目标域染色密度图的目标域梯度概率分布函数。令原始染色梯度概率分布函数与目标域梯度概率分布函数相等，从而确定目标域梯度概率分布的反函数；将该反函数确定为梯度映射函数。示例性的，可以通过以下公式表示梯度映射函数：
f(x)＝g(y)；
y＝g-1[f(x)]；
其中，y表示梯度映射函数；f(x)表示原始染色梯度图对应的原始概率分布函数；g(y)表示目标域染色梯度图对应的梯度概率分布函数。
将原始染色梯度图中的梯度值作为自变量，采用梯度映射函数，对原始染色梯度图中的每一梯度值进行梯度转换，将梯度转换后的原始染色梯度图作为目标染色梯度图；示例性的，可以通过以下公式确定目标染色梯度图：
Gm＝g-1[f(Gs)]；
其中，Gm表示目标染色梯度图；Gs表示原始染色梯度图。
将目标染色梯度图作为泊松项，通过解泊松方程，得到目标染色密度图。示例性的，可以通过以下公式确定目标染色密度图：
其中，Im表示目标染色密度图；Gm表示目标染色梯度图。
可以理解的是，采用上述技术方案，得到梯度映射函数，并采用梯度映射函数对原始染色梯度图进行转换，得到目标染色梯度图，从而在保证染色密度变化相似的情况下，增大原始染色梯度图中的各像素值，也即原始染色密度图中各像素点的梯度值，从而提高根据目标密度图，得到的原始域染色图像染色转移后染色图像的清晰度提。
可选的，根据原始染色密度图中各像素点的梯度，确定原始染色密度图的原始梯度概率分布函数，包括：统计原始染色梯度图中各像素点的梯度，确定原始染色梯度图的原始梯度分布函数；根据原始染色梯度图的原始梯度分布函数和预设概率分布模型，确定原始染色梯度图的原始梯度概率分布函数。
其中，预设概率分布模型可以由技术人员根据实际需求或实践经验自主设定，本发明对此不作限定。原始梯度分布函数可以是离散函数。
在一个可选实施例中，统计原始染色梯度图中各像素点的梯度；根据原始染色梯度中的最大梯度值和最小梯度值，确定梯度值分布区间；将梯度值分布区间划分为预设区间数量的子区间，各子区间的梯度值范围不同；对于每一子区间，统计梯度值在该子区间的梯度范围内的像素点数量；根据各子区间内的像素点数量构建梯度分布直方图，并将梯度分布直方图转换为原始梯度分布函数；采用一定的算法，根据原始染色梯度图的原始梯度分布函数和预设概率分布模型，确定原始染色梯度图的原始梯度概率分布函数
可以理解的是，采用上述技术方案，确定原始染色梯度图的原始梯度分布函数，并根据预设概率分布模型，确定原始染色梯度图的原始梯度概率分布函数，提高了确定原始梯度概率分布的效率。
可选的，预设概率分布模型为高斯分布模型；根据原始染色梯度图的原始梯度分布函数和预设概率分布模型，确定原始染色梯度图的原始梯度概率分布函数，包括：根据原始染色梯度图的原始梯度分布函数，确定高斯分布模型的目标均值和目标方差；根据目标均值、目标方差和高斯分布模型，确定原始染色梯度图的原始梯度概率分布函数。
本实施例中，目标均值即为高斯分布模型下原始梯度概率分布函数的均值；目标方差即为高斯分布模型下原始梯度概率分布函数的方差。
具体的，采用一定的算法，根据原始染色梯度图的原始梯度分布函数，确定高斯分布模型的目标均值和目标方差；将以目标方差为方差，以目标均值为均值的高斯分布函数确定为原始染色梯度图的原始梯度概率分布函数。
可以理解的是，采用上述技术方案，确定高斯分布模型的目标均值和目标方差，并以目标方差为方差，以目标均值为均值的高斯分布函数确定为原始染色梯度图的原始梯度概率分布函数，提高了原始梯度概率分布函数的准确率。
可选的，根据原始染色梯度图的原始梯度分布，确定高斯分布模型的目标均值和目标方差，包括：对原始染色梯度图的原始梯度分布函数进行归一化；以备选均值和备选方差为参数，根据高斯分布模型，构建原始染色梯度图的备选梯度概率分布函数；以备选梯度概率分布函数与归一化后的原始梯度分布函数之间的分布误差最小为目标，调整备选均值和备选方差，直至分布误差最小；将分布误差最小对应的备选均值确定为目标均值，以分布误差最小对应的备选方差确定为目标方差。
本实施例中，备选均值和备选方差的数量可以由技术人员根据实际需求或实践经验自主设定，备选均值和备选方差的数量可以由技术人员根据实际需求或实践经验自主设定。具体的，确定原始梯度分布函数中的梯度最大值；根据梯度最大值，将原始梯度分布函数的值域更改为0到1之间，以对原始梯度分布函数进行归一化。
可以理解的是，采用上述技术方案，以备选梯度概率分布函数与归一化后的原始梯度分布函数之间的分布误差最小为目标，调整备选均值和备选方差，将分布误差最小对应的备选均值确定为目标均值，以分布误差最小对应的备选方差确定为目标方差，提高了目标均值和目标方差的准确性，进而提高了原始梯度概率分布的准确性。
需要说明的是，确定目标域梯度概率分布函数的过程与确定原始梯度概率分布函数的过程类似，此处不再赘述。
S204、对目标染色密度图和目标域染色参数进行融合，得到原始域染色图像染色转移后的染色图像。
本发明实施例的技术方案通过对目标域染色图像进行染色分离，得到目标域染色密度图；根据目标域染色密度图对原始染色密度图进行处理，得到目标染色密度图；目标域染色图像通过目标域染色参数与目标域染色密度图融合得到。本发明实施例的技术方案，可以使目标染色密度图的梯度分布于目标染色密度图的梯度分布保持一致，从而在保证染色密度变化相似的情况下，增大原始染色梯度图中的各像素值，也即原始染色密度图中各像素点的梯度值，提高了原始域染色图像染色转移后的染色图像的清晰度。
实施例三
图3为本发明实施例三提供的一种图像的染色转移装置的结构示意图。本发明实施例可适用于对染色图像进行染色转移的情况，该装置可以执行图像的染色转移方法，该图像的染色转移装置可以采用硬件和/或软件的形式实现，该装置可配置于电子设备中，例如服务器中。
参见图3所示的图像的染色转移装置，包括染色密度图确定模块301、染色参数确定模块302、染色密度图处理模块303、和染色图像确定模块304，其中，
第一染色分离模块301，用于对原始域染色图像进行染色分离，得到原始染色密度图；
第二染色分离模块302，用于对目标域染色图像进行染色分离，得到目标域染色参数；
染色密度图处理模块303，用于对原始染色密度图进行处理，得到目标染色密度图，目标染色密度图对应的染色图像的清晰度高于原始域染色图像的清晰度；
染色图像确定模块304，用于对目标染色密度图和目标域染色参数进行融合，得到原始域染色图像染色转移后的染色图像。
本发明实施例通过染色密度图确定模块，对原始域染色图像进行染色分离，得到原始染色密度图；染色参数确定模块，对目标域染色图像进行染色分离，得到目标域染色参数；染色密度图处理模块，对原始染色密度图进行处理，得到目标染色密度图，目标染色密度图对应的染色图像的清晰度高于原始域染色图像的清晰度；染色图像确定模块，对目标染色密度图和目标域染色参数进行融合，得到原始域染色图像染色转移后的染色图像。本发明的技术方案中，通过得到对应的染色图像的清晰度高于原始域染色图像的清晰度的目标染色密度图，并对目标染色密度图和目标域染色参数进行融合，可以使原始域染色图像染色转移后的染色图像的清晰度高于原始域染色图像，在对原始域染色图像进行染色转移的同时，提高了染色转移后图像的质量。
可选的，该装置中，目标域染色图图像的清晰度高于原始域染色图像的清晰度；该装置还包括：
第三染色分离模块，用于对目标域染色图像进行染色分离，得到目标域染色密度图；
染色密度图处理模块303，包括：
染色密度图处理单元，用于根据目标域染色密度图对原始染色密度图进行处理，得到目标染色密度图；目标域染色图像通过目标域染色参数与目标域染色密度图融合得到。
可选的，染色密度图处理单元，包括：
梯度图确定子单元，用于获取原始染色密度图对应的原始染色梯度图，以及目标域染色密度图对应的目标域染色梯度图；
分布函数确定子单元，用于获取原始染色梯度图的原始梯度概率分布函数，以及目标域染色密度图的目标域梯度概率分布函数；
映射函数确定子单元，用于根据原始梯度概率分布函数和目标域梯度概率分布函数，确定目标域梯度概率分布的反函数，得到梯度映射函数；
梯度转换子单元，用于根据梯度映射函数，对原始染色梯度图进行梯度转换，得到目标染色梯度图；
染色密度图确定子单元，用于根据目标染色梯度图，得到目标染色密度图。
可选的，该装置中，第一函数确定子单元，具体用于：
统计原始染色梯度图中各像素点的梯度，确定原始染色梯度图的原始梯度分布函数；
根据原始染色梯度图的原始梯度分布函数和预设概率分布模型，确定原始染色梯度图的原始梯度概率分布函数。
可选的，该装置中，预设概率分布模型为高斯分布模型；
第一函数确定子单元，具体用于：
根据原始染色梯度图的原始梯度分布函数，确定高斯分布模型的目标均值和目标方差；
根据目标均值、目标方差和高斯分布模型，确定原始染色梯度图的原始梯度概率分布函数。
可选的，该装置中，第一函数确定子单元，具体用于：
对原始染色梯度图的原始梯度分布函数进行归一化；
以备选均值和备选方差为参数，根据高斯分布模型，构建原始染色梯度图的备选梯度概率分布函数；
以备选梯度概率分布函数与归一化后的原始梯度分布函数之间的分布误差最小为目标，调整备选均值和备选方差，直至分布误差最小；
将分布误差最小对应的备选均值确定为目标均值，以分布误差最小对应的备选方差确定为目标方差。
可选的，该装置还包括：
图像获取模块，用于获取原始染色图像；
像素值确定模块，用于确定原始染色图像中的最大像素值；
像素值调整模块，用于根据最大像素值，对原始染色图像的像素值进行调整，得到目标染色图像。
本发明实施例所提供的图像的染色转移装置可执行本发明任意实施例所提供的图像的染色转移方法，具备执行图像的染色转移方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备400的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备400包括至少一个处理器401，以及与至少一个处理器401通信连接的存储器，如只读存储器(ROM)402、随机访问存储器(RAM)403等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器401可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序，来执行各种适当的动作和处理。在RAM 403中，还可存储电子设备400操作所需的各种程序和数据。处理器401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
电子设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许电子设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器401可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器401执行上文所描述的各个方法和处理，例如图像的染色转移方法。
在一些实施例中，图像的染色转移方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到电子设备400上。当计算机程序加载到RAM 403并由处理器401执行时，可以执行上文描述的图像的染色转移方法的一个或多个步骤。备选地，在其他实施例中，处理器401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像的染色转移方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS(VirtualPrivate Server，虚拟专用服务器)服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种图像的染色转移方法，其特征在于，所述方法包括：
对原始域染色图像进行染色分离，得到原始染色密度图；
对目标域染色图像进行染色分离，得到目标域染色参数；
对所述原始染色密度图进行处理，得到目标染色密度图，所述目标染色密度图对应的染色图像的清晰度高于所述原始域染色图像的清晰度；
对所述目标染色密度图和所述目标域染色参数进行融合，得到所述原始域染色图像染色转移后的染色图像。
2.根据权利要求1所述的方法，其特征在于，所述目标域染色图像的清晰度高于所述原始域染色图像的清晰度；
在对目标域染色图像进行染色分离，得到目标域染色参数的同时，还包括：
对目标域染色图像进行染色分离，得到目标域染色密度图；
所述对所述原始染色密度图进行处理，得到目标染色密度图，包括：
根据所述目标域染色密度图对所述原始染色密度图进行处理，得到目标染色密度图；所述目标域染色图像通过所述目标域染色参数与所述目标域染色密度图融合得到。
3.根据权利要求2所述的方法，其特征在于，所述根据所述目标域染色密度图对所述原始染色密度图进行处理，得到目标染色密度图，包括：
获取所述原始染色密度对应的原始染色梯度图，以及所述目标域染色密度图对应的目标域染色梯度图；
获取所述原始染色梯度图的原始梯度概率分布函数，以及所述目标域染色密度图的目标域梯度概率分布函数；
根据所述原始梯度概率分布函数和所述目标域梯度概率分布函数，确定目标域梯度概率分布的反函数，得到梯度映射函数；
根据所述梯度映射函数，对原始染色梯度图进行梯度转换，得到目标染色梯度图；
根据所述目标染色梯度图，得到所述目标染色密度图。
4.根据权利要求3所述的方法，其特征在于，所述获取所述原始染色梯度图的原始梯度概率分布函数，包括：
统计所述原始染色梯度图中各像素点的梯度，确定所述原始染色梯度图的原始梯度分布函数；
根据所述原始染色梯度图的原始梯度分布函数和预设概率分布模型，确定所述原始染色梯度图的原始梯度概率分布函数。
5.根据权利要求4的方法，其特征在于，所述预设概率分布模型为高斯分布模型；
根据所述原始染色梯度图的原始梯度分布函数和预设概率分布模型，确定所述原始染色梯度图的原始梯度概率分布函数，包括：
根据所述原始染色梯度图的原始梯度分布函数，确定高斯分布模型的目标均值和目标方差；
根据所述目标均值、目标方差和高斯分布模型，确定原始染色梯度图的原始梯度概率分布函数。
6.根据权利要求5述的方法，其特征在于，所述根据所述原始染色梯度图的原始梯度分布函数，确定高斯分布模型的目标均值和目标方差，包括：
对所述原始染色梯度图的原始梯度分布函数进行归一化；
以备选均值和备选方差为参数，根据所述高斯分布模型，构建所述原始染色梯度图的备选梯度概率分布函数；
以所述备选梯度概率分布函数与归一化后的原始梯度分布函数之间的分布误差最小为目标，调整所述备选均值和所述备选方差，直至所述分布误差最小；
将所述分布误差最小对应的备选均值确定为目标均值，以所述分布误差最小对应的备选方差确定为目标方差。
7.根据权利要求1所述的方法，其特征在于，对原始域染色图像进行染色分离，得到原始染色密度图之前，还包括：
获取原始染色图像；
确定所述原始染色图像中的最大像素值；
根据所述最大像素值，对原始染色图像的像素值进行调整，得到所述目标染色图像。
8.一种图像的染色转移装置，其特征在于，所述装置包括：
染色密度图确定模块，用于对原始域染色图像进行染色分离，得到原始染色密度图；
染色参数确定模块，用于对目标域染色图像进行染色分离，得到目标域染色参数；
染色密度图处理模块，用于对所述原始染色密度图进行处理，得到目标染色密度图，所述目标染色密度图对应的染色图像的清晰度高于所述原始域染色图像的清晰度；
染色图像确定模块，用于对所述目标染色密度图和所述目标域染色参数进行融合，得到所述原始域染色图像染色转移后的染色图像。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的图像的染色转移方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的图像的染色转移方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310956607.6A CN117495742B (zh) | 2023-08-01 | 2023-08-01 | 图像的染色转移方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310956607.6A CN117495742B (zh) | 2023-08-01 | 2023-08-01 | 图像的染色转移方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117495742A true CN117495742A (zh) | 2024-02-02 |
| CN117495742B CN117495742B (zh) | 2024-05-31 |
Family
ID=89667808
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310956607.6A Active CN117495742B (zh) | 2023-08-01 | 2023-08-01 | 图像的染色转移方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117495742B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130243302A1 (en) * | 2012-03-14 | 2013-09-19 | Sony Corporation | Automated synchronized navigation system for digital pathology imaging |
| CN110197229A (zh) * | 2019-05-31 | 2019-09-03 | 腾讯科技（深圳）有限公司 | 图像处理模型的训练方法、装置及存储介质 |
| US20190392580A1 (en) * | 2018-06-26 | 2019-12-26 | Definiens Ag | Deep Learning Method For Tumor Cell Scoring On Cancer Biopsies |
| US20200167965A1 (en) * | 2017-08-04 | 2020-05-28 | Ventana Medical Systems, Inc. | System and method for color deconvolution of a slide image to assist in the analysis of tissue specimen |
| US20210089744A1 (en) * | 2019-09-23 | 2021-03-25 | Proscia Inc. | Stain normalization for automated whole-slide image classification |
| CN113313631A (zh) * | 2021-06-10 | 2021-08-27 | 北京百度网讯科技有限公司 | 图像渲染方法和装置 |
| WO2022110712A1 (zh) * | 2020-11-30 | 2022-06-02 | 平安科技（深圳）有限公司 | 图像增强方法、装置、电子设备及计算机可读存储介质 |
| CN114627010A (zh) * | 2022-03-04 | 2022-06-14 | 透彻影像(北京)科技有限公司 | 一种基于染色密度图的染色空间迁移方法 |
| CN115588055A (zh) * | 2022-10-12 | 2023-01-10 | 中南大学 | 数字病理图像的色彩标准化方法及系统 |
| CN115861180A (zh) * | 2022-11-07 | 2023-03-28 | 武汉大学 | 一种基于改进Cycle-GAN的H&E染色病理图像颜色归一化方法和系统 |
-
2023
- 2023-08-01 CN CN202310956607.6A patent/CN117495742B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130243302A1 (en) * | 2012-03-14 | 2013-09-19 | Sony Corporation | Automated synchronized navigation system for digital pathology imaging |
| US20200167965A1 (en) * | 2017-08-04 | 2020-05-28 | Ventana Medical Systems, Inc. | System and method for color deconvolution of a slide image to assist in the analysis of tissue specimen |
| US20190392580A1 (en) * | 2018-06-26 | 2019-12-26 | Definiens Ag | Deep Learning Method For Tumor Cell Scoring On Cancer Biopsies |
| CN110197229A (zh) * | 2019-05-31 | 2019-09-03 | 腾讯科技（深圳）有限公司 | 图像处理模型的训练方法、装置及存储介质 |
| US20210089744A1 (en) * | 2019-09-23 | 2021-03-25 | Proscia Inc. | Stain normalization for automated whole-slide image classification |
| WO2022110712A1 (zh) * | 2020-11-30 | 2022-06-02 | 平安科技（深圳）有限公司 | 图像增强方法、装置、电子设备及计算机可读存储介质 |
| CN113313631A (zh) * | 2021-06-10 | 2021-08-27 | 北京百度网讯科技有限公司 | 图像渲染方法和装置 |
| CN114627010A (zh) * | 2022-03-04 | 2022-06-14 | 透彻影像(北京)科技有限公司 | 一种基于染色密度图的染色空间迁移方法 |
| CN115588055A (zh) * | 2022-10-12 | 2023-01-10 | 中南大学 | 数字病理图像的色彩标准化方法及系统 |
| CN115861180A (zh) * | 2022-11-07 | 2023-03-28 | 武汉大学 | 一种基于改进Cycle-GAN的H&E染色病理图像颜色归一化方法和系统 |
Non-Patent Citations (3)
| Title |
|---|
| M. TAREK SHABAN，ET.AL: "STAINGAN: STAIN STYLE TRANSFER FOR DIGITAL HISTOLOGICAL IMAGES", 2019 IEEE 16TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI 2019), 11 August 2019 (2019-08-11), pages 953 - 956 * |
| 王娟: "基于深度学习的乳腺组织病理图像分类方法研究", 中国优秀硕士学位论文全文数据库, no. 1, 15 January 2022 (2022-01-15), pages 21 - 23 * |
| 马梓博，等: "面向异质性医学图像处理的深度学习算法综述", 软件学报, vol. 34, no. 10, 28 April 2023 (2023-04-28), pages 4781 - 4903 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117495742B (zh) | 2024-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107679466B (zh) | 信息输出方法和装置 | |
| CN113674421B (zh) | 3d目标检测方法、模型训练方法、相关装置及电子设备 | |
| CN107506792B (zh) | 一种半监督的显著对象检测方法 | |
| CN114937025A (zh) | 图像分割方法、模型训练方法、装置、设备及介质 | |
| CN117557777A (zh) | 一种样本图像确定方法、装置、电子设备以及存储介质 | |
| CN116188917B (zh) | 缺陷数据生成模型训练方法、缺陷数据生成方法及装置 | |
| CN117495742B (zh) | 图像的染色转移方法、装置、设备及介质 | |
| CN117132886A (zh) | 道路平面交叉口提取方法、装置、设备以及存储介质 | |
| CN115205163B (zh) | 一种标识图像的处理方法、装置、设备及存储介质 | |
| CN114494782B (zh) | 图像处理方法、模型训练方法、相关装置及电子设备 | |
| CN116823700A (zh) | 一种图像质量的确定方法和装置 | |
| CN112991308B (zh) | 一种图像质量的确定方法、装置、电子设备和介质 | |
| CN113723418A (zh) | 一种对造影图像进行优选的处理方法和装置 | |
| CN113554037A (zh) | 一种基于模型简化的特征提取方法及装置 | |
| CN114494818B (zh) | 图像处理方法、模型训练方法、相关装置及电子设备 | |
| CN113362304B (zh) | 清晰度预测模型的训练方法和确定清晰等级的方法 | |
| CN115223177A (zh) | 一种文本识别方法、装置、设备及存储介质 | |
| CN117952834A (zh) | 图像处理方法 | |
| CN118691879A (zh) | 基于图片视图数据的图片处理方法、装置、设备及介质 | |
| CN117275006A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| CN118015269A (zh) | 图像处理方法 | |
| CN118672917A (zh) | 界面视觉回归检测方法、装置、电子设备和存储介质 | |
| CN116452915A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN116051875A (zh) | 一种不规则对象的配对方法、装置、设备及存储介质 | |
| CN118151804A (zh) | 一种大屏自动布局方法、装置、设备及存储介质 |
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 |