CN1838149A - 一种实用的基于证据积累的图像曲线粗匹配方法 - Google Patents
一种实用的基于证据积累的图像曲线粗匹配方法 Download PDFInfo
- Publication number
- CN1838149A CN1838149A CNA2005100591869A CN200510059186A CN1838149A CN 1838149 A CN1838149 A CN 1838149A CN A2005100591869 A CNA2005100591869 A CN A2005100591869A CN 200510059186 A CN200510059186 A CN 200510059186A CN 1838149 A CN1838149 A CN 1838149A
- Authority
- CN
- China
- Prior art keywords
- curve
- evidence
- accumulation
- distance
- reference mark
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000009825 accumulation Methods 0.000 title claims abstract description 27
- 238000013519 translation Methods 0.000 claims description 18
- 230000008878 coupling Effects 0.000 claims description 14
- 238000010168 coupling process Methods 0.000 claims description 14
- 238000005859 coupling reaction Methods 0.000 claims description 14
- 238000002474 experimental method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013179 statistical model Methods 0.000 claims description 4
- 101150059547 PRKCI gene Proteins 0.000 abstract 1
- 230000009466 transformation Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
一种实用的基于证据积累的图像曲线粗匹配方法,其步骤包括:(1)较好地获得图像曲线CI和待匹配的参考曲线CR;(2)在CR上选取所有可能与CI进行匹配的曲线段CR k,其中CR k两个端点的直线距离与CI两个端点的直线距离相同;(3)在CR k中找到ns个对应点PRk ci与CI中的ns个控制点PI si对应;(4)用证据积累的方法对ns组控制点聚类;如果聚类成功,则用能聚类的控制点估计刚体变换参数;否则,考察下一个CR k;(5)由估计的刚体变换参数将CI变换为曲线CI',并计算CI'与CR k之间的Hausdorff距离;(6)最后,将与最小Hausdorff距离对应的CR k作为CI的粗略对应匹配段。
Description
技术领域
本发明涉及遥感影像定位、汽车导航、产品自动装配等领域,特别是一种实用的基于证据积累的图像曲线粗匹配方法。
背景技术
模式识别、计算机视觉和图像理解研究中的许多任务,都涉及到曲线匹配的问题。比如在视觉导航、物体检测、识别和跟踪、卫星影像的定位等实际应用中,都会遇到将一(多)条从图像中提取的曲线(extractedcurve)与一(多)条参考曲线(reference curve)相匹配的问题。曲线匹配结果的好坏与否将直接关系到视觉任务的最终完成,因此探索鲁棒、快速、有效的曲线匹配算法一直是许多研究人员的追求目标。如果图像曲线是参考曲线的一部分经过某种映射后的结果,如何快速、鲁棒地在参考曲线中找到该图像曲线的对应匹配段,这在计算机视觉和图像理解中是一个热点问题,同时也是一个难点问题。
目前曲线匹配方法主要可以分为两类:一类是基于刚体变换的方法(methods based on rigid transformations),此类方法通过两条曲线间特征点的匹配,得到旋转(rotation)、平移(translation)和缩放(scale)等变换参数;一类是基于非刚体变换的方法(methods based on non-rigidtransformations),此类方法中有的通过最小化某个预先定义的包含“拉伸(stretching)”和“扭曲(bending)”的能量函数,实现一条曲线与另一条曲线间的匹配;还有的通过保持某种不变量(如仿射不变量、射影不变量或者矩不变量)的控制点间的匹配关系,获得曲线之间的非刚体变换参数。
在基于刚体变换的方法中,有的用多边形近似代替原来的曲线,用多边形的顶点作为控制点,这样做虽然对曲线平滑的效果较好,但得到的控制点不是真正曲线上的点,即特征点获得的不准确,故匹配算法不鲁棒或者匹配精度欠佳;有的用曲线上曲率的极值点作为特征点,并由它们之间的对应关系计算两条曲线间的匹配,由于曲率是局部特征,计算时要用到微分运算,很容易受到噪声等因素的干扰,故匹配算法也存在欠稳定的问题。因此,如何稳定地获得曲线间的特征(控制)点并找到它们之间正确的对应关系,是曲线匹配算法的关键问题。
我们知道,两点之间的距离经过某种刚体变换之后保持不变,而且计算距离时不需要微分操作,对噪声等误差很鲁棒。由此我们想到:存在(或者近似存在)刚体变换的两条平面曲线,在粗匹配阶段计算它们之间的映射关系时,可以用两点之间的直线距离作为判断准则来选取曲线中的控制点及其对应关系,由此获得的变换参数应该比较准确,匹配算法应该比较鲁棒。在这里,所谓的粗匹配是指从参考平面曲线中找到图像曲线对应的粗略位置。在大体匹配位置知道以后,可以使用一些经典方法,如RANSAC、ICP等,进行曲线之间的精确匹配。这是因为:对曲线匹配而言,最困难的问题是粗匹配,这正如数学上的优化问题一样,合适的初值是最难选取的。一旦有了合适的初值,全局优化问题就变成了局部寻优,问题就变得相对简单了。大量实验表明,采用我们提出的方法不论在鲁棒性还是在计算复杂度方面,都体现了比较好的性质。
发明内容
提出了一种实用的基于证据积累的图像曲线粗匹配方法,比较有效地解决了将图像中提取的一条曲线(较短)与一条参考曲线(较长)相匹配的问题。该方法具有如下特点:一、通过实验发现曲线上两点之间的直线距离较它们之间的曲线距离对噪声等误差更鲁棒;基于此,在参考曲线上选取可能的匹配曲线段时,利用首尾点的直线距离作为主要匹配标准,大大提高了方法的鲁棒性;二、将证据积累的思想应用到控制点的匹配上,有效地去除了错误的控制点和不必要进行匹配的曲线段,在提高方法鲁棒性的同时极大地降低了方法的计算复杂度;三、在传统的Hausdorff距离计算中引入高斯概率统计模型,使其更适合作为实际应用中评价两条曲线匹配程度优劣的一种度量。
为了能更方便地叙述我们的方法,特约定下面一些符号的含义:(1)关于图像曲线的一些符号
CI:一条有序图像曲线(像素点从曲线的一个端点依次排列到另一个端点);
CI′:对CI经过刚体变换(R,t)后得到的映射曲线;
lI:CI上首点和尾点的曲线距离,其数值大小用CI中包含的像素点个数近似表示;
dI:CI上首点和尾点的直线距离;
ns:在CI上选取的控制点个数;
PI i:CI上第i个像素点,其中i=1,...,lI;
PI si:CI上第i个控制点,其中i=1,...,ns;
(2)关于参考曲线的一些符号
CR:一条有序参考曲线;
CR k:CR上第k段可能与CI匹配的曲线;
lR:CR上首点和尾点的曲线距离,其数值大小用CR中包含的像素点个数近似表示;
lR k:CR k上首点和尾点的曲线距离,其数值大小用CR k中包含的像素点个数近似表示;
PR i:CR上第i个像素点,其中i=1,...,lR;
PRk i:CR k上第i个像素点,其中
PRk ci:CR k上第i个对应控制点,其中i=1,...,ns;
1、匹配曲线的获取
匹配曲线包括参考曲线和从图像中提取的曲线。由于本方法的重点是研究两条曲线间的匹配问题,并且获取参考曲线和图像曲线时均采用的是比较经典的方法,所以提取曲线的具体算法这里不再赘述。本方法中具体使用的是Otsu的灰度阈值分割算法。
2、曲线段CR k的选取
选取CR k的方案如下:
(1)CR上按照顺序确定基准点;
(2)在基准点后面一个合理的范围Ω内,如(0.8~1.2)lI,计算每个点与基准点的直线距离并比较这些距离与dI的大小;
a)如果在Ω内只有一个点的直线距离与dI相等,则该点与基准点之间的曲线段就是CR k;
b)如果在Ω内有多个点与基准点的直线距离与dI相等,则将多个候选曲线中像素点数与lI最接近的那段曲线选取为CR k;
c)如果在Ω内不能找到与基准点的直线距离和dI相等的点,则在CR上沿着曲线长度找到与基准点的曲线距离为lI的像素点,将此像素点与基准点之间的曲线段选取为CR k;
需要指出的是:所选择的CR k仅仅是给定基准点下与CI的一个可能的匹配,我们需要进一步判别这个匹配是否是一个正确的匹配。
3、控制点的选取及其对应点的确定
为了抑制两条曲线间存在的误差对计算变换参数的影响,我们在CI上沿曲线长度均匀地选取ns个像素点作为控制点PI si,然后在对应曲线段CR k上选取与CI中控制点相对应的ns个对应点PRk ci,并按照它们之间的对应关系组成控制点对,由此可以比较鲁棒地计算出刚体变换中的三个参数。
PRk ci的选取方法如下:仿照在CR上选取CR k的办法,将PI 1与PI si之间的曲线作为CI,CR k作为CR,并且PRk 1作为基准点,用相同的步骤就可以确定PI si的对应点PRk ci。
4、通过证据积累计算对应曲线间的刚体变换参数
上面分别得到了曲线CI在参考曲线CR上可能的对应段CR k,以及两段曲线之间的ns组对应控制点。有了ns(ns≥2)组控制点,就可以解出刚体变换(R,t)中的三个变换参数(θ,tx,ty)(其中θ是相对旋转角度,tx和ty分别是图像曲线整体沿x轴和y轴的平移量),并进一步评价反变换后的曲线CI′与CR k的匹配程度。
在利用ns组控制点求解刚体变换(R,t)中三个参数(θ,tx,ty)时,最直接的方法是用最小二乘法得到一组变换参数的估计值
但是最小二乘法本身存在一个较大的缺陷,即:当输入对应点有错误匹配点时,即使错误匹配点占总匹配点数的比例不大,所估计的结果也可能存在较大的偏差。
用证据积累的方法,可以有效地降低最小二乘方法对错误匹配点的敏感性。由常识我们知道:两条曲线如果符合欧氏变换关系,那么它们之间任意对应的一段将保持同样的变换参数。因此基于证据积累计算曲线CI与CR k之间变换参数的方法思想是:首先,利用CI和CR k的ns组控制点和各自的基准点分别计算出ns组变换参数(θi,txi,tyi,i=1~ns);其次,按照预先设定的阈值(Tθ,Ttx,Tty),对θi,txi,tyi联合聚类;然后,根据聚类的条件,判断其中的某些控制点是否聚类;如果聚类,则用能聚类的那些控制点用最小二乘方法估计出一组优化的
和
最终得到刚体变换(Ri,ti);如果不能聚类,表示CI与CR k不匹配,则重新选择CR k,进而重复选择对应点和聚类的操作。
证据积累的方法不仅能够去除可能的错误匹配点,获得更好的变换参数,而且对于控制点不聚类的CR k,说明CR k不可能是CI的对应段,所以也就不再需要计算后续的关于CR k与CI′之间的Hausdorff距离(下一节将介绍Hausdorff距离)。由于Hausdorff距离的计算量比较大,同时绝大部分CR k与CI的控制点之间都不满足聚类的条件,所以聚类过程大大降低了曲线匹配方法的计算复杂度,极大地提高了方法的计算效率和可靠性。图2中(a)和(b)分别表示直接用最小二乘方法和证据积累的方法得到的粗匹配结果。
表1 最小二乘方法与证据积累方法实验结果的比较
匹配方法 | 参考曲线/图像曲线(像素) | Hausdorff距离计算次数 | 曲线间Hausdorff距离 | 运算时间(秒) |
最小二乘方法(图2a) | 28870/1473 | 12452 | 9.6 | 15629 |
证据积累方法(图2b) | 28870/1473 | 15 | 4.2 | 131 |
在本例实验中,由于曲线提取算法的原因,图像曲线与参考曲线的对应部分大约存在10%左右不匹配的部分(曲线上部靠近端点的地方),比较实际匹配结果和表1中给出的几项实验数据可以得出:由于证据积累的方法受错误匹配点的影响较小,故由它计算得到的两条曲线的匹配参数较好,这表现在用这种方法计算得到的最小Hausdorff距离要小于直接由最小二乘方法得到的结果(4.2<9.6);而在运算时间上证据积累方法的优势则更加突出(131s<<15629s)。
5、改进的Hausdorff距离
为了尽量消除曲线外点(错误点)对计算Hausdorff距离的影响,提高用Hausdorff距离评价曲线间匹配程度的可靠性,我们将高斯概率统计模型引入Hausdorff距离的计算中。Hausdorff距离计算的基本出发点为:如果曲线CI′与曲线CR k基本上是匹配的,那么不论是Df(CI′,CR k)还是Db(CR k,CI′),都应该近似符合正态分布。这里Df(CI′,CR k)表示曲线CI′上每个点与曲线CR k上所有点的最小距离的集合,Db(CR k,CI′)表示曲线CR k上每个点与曲线CI′上所有点的最小距离的集合。
(1)计算Df(CI′,CR k)和Db(CR k,CI′)及其各自的均值(
df,
db)和方差(
Df,Db);
(2)对于Df(CI′,CR k)中的任意元素dfi,i=1~m,如果它满足不等式:dfi≤
df+3
Df;则认为此元素为曲线CI′的内点,放入距离集合Df′(CI′,CR k)中;凡是不能满足此不等式的元素都认为是曲线CI′的外点,不放入Df′(CI′,CR k)中;对于距离集合Db(CR k,CI′)存在类似的操作,形成Db′(CR k,CI′);
(3)令
则曲线CI′和CR k的Hausdorff距离为:
6、最优匹配曲线的粗略选取
在CR中选择与曲线CI最匹配的曲线实际上就是在所有CR k对应的Hk(CI′,CR k)中选取对应Hmin的曲线段:
其中Nm表示CR中所有CR k与CI的控制点能够聚类的数目。Hmin所对应的那段曲线就是我们最终的粗略匹配曲线段。
基于证据积累的图像曲线粗匹配方法,其特征在于,通过实验发现曲线上两点之间的直线距离较它们之间的曲线距离对噪声等误差更鲁棒;基于此,在参考曲线上选取可能的匹配曲线段时,利用首尾点的直线距离作为主要匹配标准,大大提高了方法的鲁棒性。
将证据积累的思想应用到控制点的匹配上,有效地去除了错误的控制点和不必要进行匹配的曲线段,在提高方法鲁棒性的同时极大地降低了方法的计算复杂度。
在传统的Hausdorff距离计算中引入高斯概率统计模型,使其更适合作为实际应用中评价两条曲线匹配程度的一种度量。
附图说明
图1是基于证据积累的图像曲线粗匹配方法流程图。
图2是两种方法匹配结果的比较图。
图3是第一个卫星影像定位实验结果图。
图4是第二个卫星影像定位实验结果图。
具体实施方式
根据如图1所示的基于证据积累的图像曲线粗匹配方法的流程图,其步骤如下:
(1)较好地获得图像曲线CI和待匹配的参考曲线CR;
(2)在CR上遍取所有可能与CI进行匹配的曲线段CR k,其中CR k两个端点的直线距离与CI两个端点的直线距离相同;
(3)在CR k中找到ns个对应点PRk ci与CI中的ns个控制点PI si对应;
(4)用证据积累的方法对ns组控制点聚类;如果聚类成功,则用能聚类的控制点估计刚体变换参数;否则,考察下一个CR k;
(5)由估计的刚体变换参数将CI变换为曲线CI′,并计算CI′与CR k之间的Hausdorff距离;
(6)最后,将与最小Hausdorff距离对应的CR k作为CI的粗略对应匹配段。
图2中,(a)用最小二乘方法得到的曲线粗匹配结果,其Hausdorff距离为:9.6;(b)用聚类方法得到的曲线粗匹配结果,其Hausdorff距离为:4.2。
图3中,(a)卫星影像1;(b)从(a)中提取的海岸线;(c)提取的海岸线在参考曲线中的大概位置;(d)海岸线与参考曲线中对应段的匹配结果。
图4中,(a)卫星影像2;(b)从(a)中提取的海岸线;(c)海岸线在参考曲线中的大概位置;(d)海岸线与参考曲线对应段的匹配结果。
Claims (4)
1、一种基于证据积累的图像曲线粗匹配方法的具体实现步骤包括:
(1)较好地获得图像曲线CI和待匹配的参考曲线CR;
(2)在CR上遍取所有可能与CI进行匹配的曲线段CR k,其中CR k两个端点的直线距离与CI两个端点的直线距离相同;
(3)在CR k中找到ns个对应点PRk ci与CI中的ns个控制点PI si对应;
(4)用证据积累的方法对ns组控制点聚类;如果聚类成功,则用能聚类的控制点估计刚体变换参数;否则,考察下一个CR k;
(5)由估计的刚体变换参数将CI变换为曲线CI′,并计算CI′与CR k之间的Hausdorff距离;
(6)最后,将与最小Hausdorff距离对应的CR k作为CI的粗略对应匹配段。
2、按照权利要求1所述的基于证据积累的图像曲线粗匹配方法,其特征在于,通过实验发现曲线上两点之间的直线距离较它们之间的曲线距离对噪声等误差更鲁棒;基于此,在参考曲线上选取可能的匹配曲线段时,利用首尾点的直线距离作为主要匹配标准,大大提高了方法的鲁棒性。
3、按照权利要求1所述的基于证据积累的图像曲线粗匹配方法,其特征在于,将证据积累的思想应用到控制点的匹配上,有效地去除了错误的控制点和不必要进行匹配的曲线段,在提高方法鲁棒性的同时极大地降低了方法的计算复杂度。
4、按照权利要求1所述的基于证据积累的图像曲线粗匹配方法,其特征在于,在传统的Hausdorff距离计算中引入高斯概率统计模型,使其更适合作为实际应用中评价两条曲线匹配程度的一种度量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2005100591869A CN1838149A (zh) | 2005-03-24 | 2005-03-24 | 一种实用的基于证据积累的图像曲线粗匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2005100591869A CN1838149A (zh) | 2005-03-24 | 2005-03-24 | 一种实用的基于证据积累的图像曲线粗匹配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1838149A true CN1838149A (zh) | 2006-09-27 |
Family
ID=37015540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2005100591869A Pending CN1838149A (zh) | 2005-03-24 | 2005-03-24 | 一种实用的基于证据积累的图像曲线粗匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1838149A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100460813C (zh) * | 2007-05-10 | 2009-02-11 | 上海交通大学 | 三维空间连杆曲线匹配度的检测方法 |
CN101937511A (zh) * | 2010-07-09 | 2011-01-05 | 中国人民解放军国防科学技术大学 | 基于随机并行优化算法的快速图像匹配方法 |
CN106054593A (zh) * | 2016-05-27 | 2016-10-26 | 浙江工业大学 | 基于Kabsch算法的NURBS曲线的变精度优化匹配方法 |
WO2018076211A1 (zh) * | 2016-10-26 | 2018-05-03 | 中国科学院自动化研究所 | 基于几何误差优化的图像中二次曲线拟合方法 |
-
2005
- 2005-03-24 CN CNA2005100591869A patent/CN1838149A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100460813C (zh) * | 2007-05-10 | 2009-02-11 | 上海交通大学 | 三维空间连杆曲线匹配度的检测方法 |
CN101937511A (zh) * | 2010-07-09 | 2011-01-05 | 中国人民解放军国防科学技术大学 | 基于随机并行优化算法的快速图像匹配方法 |
CN101937511B (zh) * | 2010-07-09 | 2012-07-25 | 中国人民解放军国防科学技术大学 | 基于随机并行优化算法的快速图像匹配方法 |
CN106054593A (zh) * | 2016-05-27 | 2016-10-26 | 浙江工业大学 | 基于Kabsch算法的NURBS曲线的变精度优化匹配方法 |
CN106054593B (zh) * | 2016-05-27 | 2019-05-31 | 浙江工业大学 | 基于Kabsch算法的NURBS曲线的变精度优化匹配方法 |
WO2018076211A1 (zh) * | 2016-10-26 | 2018-05-03 | 中国科学院自动化研究所 | 基于几何误差优化的图像中二次曲线拟合方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388896B (zh) | 一种基于动态时序卷积神经网络的车牌识别方法 | |
CN109635744B (zh) | 一种基于深度分割网络的车道线检测方法 | |
CN109064502B (zh) | 基于深度学习和人工设计特征相结合的多源图像配准方法 | |
CN107563377A (zh) | 一种利用边缘和文字区域的证件关键区域检测定位方法 | |
CN102541954B (zh) | 一种商标检索方法及系统 | |
CN107958443B (zh) | 一种基于脊线特征和tps形变模型的指纹图像拼接方法 | |
WO2007107050A1 (fr) | Procede et systeme d'identification d'empreintes digitales | |
CN107862319B (zh) | 一种基于邻域投票的异源高分光学影像匹配误差剔除方法 | |
CN101847163A (zh) | 一种多特征融合的外观设计专利图像检索方法 | |
CN110263635B (zh) | 基于结构森林和PCANet的标志物检测与识别方法 | |
CN1776717A (zh) | 犯罪现场鞋印识别的方法 | |
CN113538486A (zh) | 一种提高汽车钣金工件的识别与定位精度的方法 | |
CN108537832B (zh) | 基于局部不变灰度特征的图像配准方法、图像处理系统 | |
CN1838149A (zh) | 一种实用的基于证据积累的图像曲线粗匹配方法 | |
CN111754422A (zh) | 一种基于EDLines和LSM的视觉巡边方法 | |
CN107463939B (zh) | 一种图像关键直线检测方法 | |
CN110047085B (zh) | 一种针对肺ct图像阈值分割结果的肺膜粘连结节区域精确修复方法 | |
CN114358166B (zh) | 一种基于自适应k均值聚类的多目标定位方法 | |
CN102567740B (zh) | 一种图像识别方法及系统 | |
CN117197771B (zh) | 基于双目立体匹配的智能驾驶辅助图像处理方法 | |
CN111160142B (zh) | 一种基于数值预测回归模型的证件票据定位检测方法 | |
CN1256696C (zh) | 利用限制性随机霍夫变换进行椭圆检测的图像处理方法 | |
CN109829502B (zh) | 一种面向重复纹理及非刚性形变的像对高效稠密匹配方法 | |
Han et al. | Accurate and robust vanishing point detection method in unstructured road scenes | |
CN114581864B (zh) | 基于transformer的动态密集对齐车辆重识别技术 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |