CN1900973A - 一种jpeg图像合成区域的检测方法 - Google Patents
一种jpeg图像合成区域的检测方法 Download PDFInfo
- Publication number
- CN1900973A CN1900973A CN 200610036604 CN200610036604A CN1900973A CN 1900973 A CN1900973 A CN 1900973A CN 200610036604 CN200610036604 CN 200610036604 CN 200610036604 A CN200610036604 A CN 200610036604A CN 1900973 A CN1900973 A CN 1900973A
- Authority
- CN
- China
- Prior art keywords
- image
- jpeg
- sorter
- synthetic
- piece
- 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 29
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 230000006835 compression Effects 0.000 claims description 18
- 238000007906 compression Methods 0.000 claims description 18
- 239000000284 extract Substances 0.000 claims description 15
- 239000004744 fabric Substances 0.000 claims description 13
- 238000010008 shearing Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 abstract description 6
- 230000015572 biosynthetic process Effects 0.000 abstract 2
- 238000003786 synthesis reaction Methods 0.000 abstract 2
- 238000012850 discrimination method Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 13
- 238000004088 simulation Methods 0.000 description 4
- 230000004069 differentiation Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种JPEG图像合成区域的检测方法,是根据JPEG图像固有的块效应特点而提出的统计判别方法,属于多媒体信息安全领域。本发明方法针对JPEG图像的合成,分析JPEG图像块效应在合成前后的变化,构造出一个7×7大小具有“对称”性质的矩阵M以表征块效应特点,并从中提取出14个能度量此对称程度的特征,利用SVM技术进行分类。本发明方法包括以下步骤:1)选取怀疑被篡改的图像块;2)特征的提取与分类器的构造;3)利用分类器对待测图像块做检测判断。本发明能较有效地对选定的怀疑被篡改的区域进行识别,为JPEG格式合成虚假图像的检测提供了一个有效的方法。
Description
技术领域
本发明属于多媒体信息安全领域,具体涉及一种JPEG图像合成区域的检测方法。
背景技术
图像的数字化,高性能的PC及各种功能强大的图像处理软件(如Photoshop)的出现,使得我们普通的用户都能很简单地对数字图像信息进行“移花接木”而不为人知。如今网络中各式各样的图像人眼是很难区分其真伪性的。随着各种图像处理算法的发展,这些虚假的图像将会越来越多地涌现在大众媒体上,倘若虚假图片涉及到国家安全、法庭上的取证、媒体数据的版权、个人隐私等问题,这将会给我们的社会和人们的生活带来极大的冲击和困扰,因此对图像数据的认证成为了十分重要的研究课题。
合成技术是一种常用的图像篡改方法,它把两幅或多幅图像的信息进行裁剪,拼接成一幅虚假的图像。检测此形式的篡改操作有着重要的实际意义。
发明内容
本发明提供一种JPEG合成区域的检测分类方法,可以判断一个JPEG图像块是否由别的JPEG图像经剪切合成得到,从而判定图像的真伪性。
本发明方法的技术方案如下:本发明方法包括以下步骤:1)选取怀疑被篡改的图像块;2)特征的提取与分类器的构造;3)利用分类器对待测图像块做检测判断。
所述步骤1)选取怀疑被篡改的图像块的方法如下:假设给定的JPEG图像为f,其质量因子QF2,设选取怀疑被篡改的图像块D为l×w大小的长方体且其左上角在f中的坐标为(x,y),要求x=0(mod 8),y=0(mod 8)。
步骤2)特征的提取与分类器的构造方法如下:①自然图像集的构造;首先选取无压缩的图像n幅,大小为l×w,对选取的n幅图像以质量因子QF2作JPEG压缩,得到自然图像集;②篡改图像集的构造;首先对选取的n幅无压缩图像以质量因子QF1作JPEG压缩,QF1随机选取的范围为[a,b],然后模拟图像合成中篡改块的变化:随机剪切i行j列,其中0≤i≤7,0≤j≤7,i,j不同时为0或4,最后以QF2的质量因子对剪切后的图像再一次JPEG压缩,得到篡改图像集;③对认证图像集与篡改图像集中的每幅图像,按以下方法提取其特征:a)首先将其无重叠地分解成8×8大小的小块;b)对于每一图像分块,统计:
Z′(i,j)=|A+D-B-C|,Z″(i,j)=|E+H-F-G|
得到两个直方图Z′(i,j)与Z″(i,j),其中(i,j)表示A在图像块D各8×8分块中的坐标,比较两个直方图的绝对差,并求其均值得到M(i,j);c)令1≤i≤8,1≤j≤8重复步骤b)中提取图像特征的方法,并归一化得到一个均值矩阵M;d)提取均值矩阵M的对称特性,沿水平、垂直、中心对称等方向提取M的14个特征;④利用LibSVM分类器对得到的特征进行训练,得到一个能区分图像块是否经过了剪切合成处理的分类器。
步骤3)利用分类器对待测图像块做检测判断的方法是:首先按步骤2)中的③提取待测图像快的14个特征,然后利用步骤2)中的④得到的分类器进行判别。
本发明能较有效地对选定的怀疑被篡改的区域进行识别,为JPEG格式合成虚假图像的检测提供了一个有效的方法。
附图说明
图1是JPEG图像篡改合成示意图;
图2是JPEG图像固有的块效应示意图;
图3是矩阵M的对称性示意图;
图4是无压缩图像矩阵M的特点示意图;
图5是以质量因子为85对图像压缩后矩阵M的特点示意图;
图6是模拟篡改后矩阵M的特点示意图;
图7是自然图像与篡改图像矩阵M特征的比较图。
具体实施方式
下面结合附图对本发明方法作进一步说明。
一般的图像合成过程如说明书附图1所示,其中图像1是JPEG图像,设其质量因子QF1大致范围为[a,b],合成后的图像以QF2的质量因子压缩。本发明方法通过以下三个步骤对图像的真伪性进行判别:
1)选取怀疑被篡改的图像块
假设待测的图像为f,其质量因子为QF2。从中选取某一怀疑被篡改合成的图像块D,设D为l×w大小的长方体且其左上角在f中的坐标为(x,y),为了与JPEG图像分块压缩所产生的块效应一致,我们要求x=0(mod 8),y=0(mod 8)。
2)分类器的构造
分类器的构造是检测的关键,我们根据1)中图像块D的大小与质量因子QF2构造自然图像集与篡改图像集。首先选取大小为l×w的无压缩图像1000幅。
1.自然图像集的构造。
对选取的1000图像以质量因子QF2作JPEG压缩,得到自然图像集图像。它是没有经过篡改的原始的JPEG图像,利用它我们可以抽取原始的质量因子为QF2的JPEG图像性质。
2.篡改图像集的构造。
对选取的1000幅图像首先以质量因子QF1作JPEG压缩,QF1随机选取的范围为[a,b]。其中a,b的取值可以根据一些先验的知识判断,或取一般图像质量因子的范围如[50,95],若图像块的质量较差可取[50,75]。然后模拟图像合成中篡改块的变化:随机剪切i行j列,其中0≤i≤7,0≤j ≤7,i,j不同时为0或4,最后以QF2的质量因子对剪切后得图像再一次JPEG压缩。得到篡改图像集。
3.特征的提取
对于自然图像集与篡改图像集中的每一幅图像,按以下方法提取特征:
a).首先将图像无重叠地分解为8×8大小的小块。
b).对于每一图像分块,按照下式统计:
Z′(i,j)=|A+D-B-C|,Z″(i,j)=|E+H-F-G|
得到两个直方图Z′(i,j)与Z″(i,j),其中(i,j)表示A在图像块D各8×8分块中的坐标,如说明书附图2所示,图2是JPEG图像固有的块效应示意图,图像被规则地分解成8×8大小的块,图示是其中的某一分块。比较两个直方图的绝对差,并求其均值得到:M(i,j)。
c).令1≤i≤8,1≤j≤8重复步骤b)归一化后得到一个均值矩阵M。
d).提取均值矩阵M的对称特性。如说明书附图3所示,图3是矩阵M的对称性示意图,矩阵M由水平方向D1,垂直方向D2及四个平坦区域R1,R2,R3,R4构成。本发明分别沿水平、垂直、中心对称等方向提取矩阵M的14个特征。具体的提取公式如下:
水平与垂直方向:(2个)
c1=|M(4,1)-M(4,7)|+|M(4,2)-M(4,6)|+|M(4,3)-M(4,5)
c2=|M(1,4)-M(7,4)|+|M(2,4)-M(6,4)|+|M(3,4)-M(5,4)
四个区域的对称特征:(6个)
c3=|M(1,1)-M(1,7)|+|M(1,2)-M(1,6)|+|M(1,3)-M(1,5)
+|M(2,1)-M(2,7)|+|M(2,2)-M(2,6)|+|M(2,3)-M(2,5)
+|M(3,1)-M(3,7)|+|M(3,2)-M(3,6)|+|M(3,3)-M(3,5)
c4=|M(1,1)-M(7,1)|+|M(1,2)-M(7,2)|+|M(1,3)-M(7,3)
+|M(2,1)-M(6,1)|+|M(2,2)-M(6,2)|+|M(2,3)-M(6,3)
+|M(3,1)-M(5,1)|+|M(3,2)-M(5,2)|+|M(3,3)-M(5,3)
c5=|M(1,1)-M(7,7)|+|M(1,2)-M(7,6)|+|M(1,3)-M(7,5)
+|M(2,1)-M(6,7)|+|M(2,2)-M(6,6)|+|M(2,3)-M(6,5)
+|M(3,1)-M(5,7)|+|M(3,2)-M(5,6)|+|M(3,3)-M(5,5)
c6=|M(1,5)-M(7,5)|+|M(1,6)-M(7,6)|+|M(1,7)-M(7,7)
+|M(2,5)-M(6,5)|+|M(2,6)-M(6,6)|+|M(2,7)-M(6,7)
+|M(3,5)-M(5,5)|+|M(3,6)-M(5,6)|+|M(3,7)-M(5,7)
c7=|M(1,5)-M(7,3)|+|M(1,6)-M(7,2)|+|M(1,7)-M(7,1)
+|M(2,5)-M(6,3)|+|M(2,6)-M(6,2)|+|M(2,7)-M(6,1)
+|M(3,5)-M(5,3)|+|M(3,6)-M(5,2)|+|M(3,7)-M(5,1)
c8=|M(5,1)-M(5,7)|+|M(5,2)-M(5,6)|+|M(5,3)-M(5,5)
+|M(6,1)-M(6,7)|+|M(6,2)-M(6,6)|+|M(6,3)-M(6,5)
+|M(7,1)-M(7,7)|+|M(7,2)-M(7,6)|+|M(7,3)-M(7,5)
中心位置占各方向的比例:(6个)
c9=M(4,4)/|M(1,1)+M(1,2)+M(1,3)+M(2,1)+M(2,2)+M(2,3)+M(3,1)+M(3,2)+M(3,3)
c10=M(4,4)/|M(1,7)+M(1,6)+M(1,5)+M(2,7)+M(2,6)+M(2,5)+M(3,7)+M(3,6)+M(3,5)
c11=M(4,4)/|M(7,1)+M(7,2)+M(7,3)+M(6,1)+M(6,2)+M(6,3)+M(5,1)+M(5,2)+M(5,3)
c12=M(4,4)/|M(7,7)+M(7,6)+M(7,5)+M(6,7)+M(6,6)+M(6,5)+M(5,7)+M(5,6)+M(5,5)
c13=M(4,4)/|M(4,1)+M(4,2)+M(4,3)+M(4,5)+M(4,6)+M(4,7)
c14=M(4,4)/|M(1,4)+M(2,4)+M(3,4)+M(5,4)+M(6,4)+M(7,4)
对于每个给定的图像块Yi计算矩阵M的这14个特征,存储在一个特征向量Ci中。Ci则表示了该图像块M对称的程度。一般而言,对称性程度越高,前8个特征的值就越小,而后6个特征越大。
4.利用LibSVM分类器对得到的特征进行训练,得到一个能区分图像块是否经过了剪切合成再压缩处理的分类器。
3)对待测图像块D的判别。
首先按步骤2)中的③提取其14个特征,然后利用步骤2)中的④得到的分类器进行判别。
本发明方法的原理是:JPEG对图像数据的压缩是分块进行的,块与块之间独立地操作,这样会使得压缩后图像块间的边缘产生“跳跃”,无形地给图像添加了规则分块的“格子”,形成固有的块状效应(blockingartifacts),这对图像质量而言是有害的,但却为我们提供了一个“半脆弱水印”信息。如说明书附图1所示,一般的篡改过程会使得篡改图像块在合成后图像中JPEG规则分块的位置信息与在原始图像Image1中分块位置产生不一致,本方法正是利用这种不一致性实现对篡改图像块与自然图像块的区分。
图4是无压缩图像矩阵M的特点示意图,其中图4(a)是无压缩图像,图4(b)是图4(a)中抽取得到矩阵M的柱状图,图4(c)是对应的等高线图。从图中可以看到,对于无压缩的图像矩阵M的元素基本上是一种随机分布的特点。图5是以质量因子为85对图像压缩后矩阵M的特点示意图,其中图5(a)是以质量因子85压缩图4(a)后的图像,图5(b)是图5(a)中抽取得到矩阵M的柱状图,图5(c)是对应的等高线图。图6是模拟篡改后矩阵M的特点示意图,其中图6(a)是模拟篡改图4(a)后的图像,图6(b)是图6(a)中抽取得到矩阵M的柱状图,图6(c)是对应的等高线图。如附图7所示,可以看出模拟篡改后的对称性不如自然图像的对称性,图7(a)是自然的JPEG图像的M矩阵,图7(b)是经过篡改合成后图像的M矩阵。
本方法抽取的14个图像特征是这种对称性的一个度量,利用它我们可以实现自然图像集与篡改图像集的区分,实现对图像数据认证的目的。
下面给出利用本发明方法的一些实验结果。D大小为512×512,QF1,QF2取不同值下的检测结果。
下表1是QF1随机选取的范围在区间为[50,95],QF2在60到95之间(单位:%)
60 | 65 | 70 | 75 | 80 | 85 | 90 | 95 | |
正确率 | 63.80 | 64.90 | 68.30 | 66.30 | 73.00 | 80.20 | 83.30 | 87.10 |
虚警率 | 44.80 | 43.20 | 41.80 | 43.00 | 43.60 | 31.40 | 26.80 | 17.80 |
漏报率 | 27.60 | 27.00 | 21.60 | 24.40 | 10.40 | 8.20 | 6.60 | 8.00 |
下表2是QF1随机选取的范围在区间为[50-75],QF2在60到95之间(单位:%)
60 | 65 | 70 | 75 | 80 | 85 | 90 | 95 | |
正确率 | 66.60 | 69.40 | 72.50 | 77.80 | 87.50 | 91.40 | 95.30 | 93.90 |
虚警率 | 36.80 | 38.20 | 37.20 | 27.80 | 19.00 | 11.00 | 5.60 | 6.40 |
漏报率 | 30.00 | 23.00 | 17.80 | 16.60 | 6.00 | 6.20 | 3.80 | 5.80 |
下表3是QF1在[50,59],[60,69],[70,79],[80.89]之间任意取值(单位:%)
。
正确率 | 60 | 65 | 70 | 75 | 80 | 85 | 90 | 95 |
50-59 | 71.00 | 76.80 | 82.90 | 87.80 | 92.00 | 97.40 | 97.30 | 94.20 |
60-69 | 64.30 | 67.10 | 72.30 | 74.10 | 86.60 | 93.00 | 96.80 | 94.10 |
70-79 | 64.10 | 68.30 | 65.60 | 66.30 | 74.40 | 85.40 | 92.30 | 92.70 |
80-89 | 64.10 | 66.20 | 63.00 | 61.10 | 61.40 | 64.60 | 80.20 | 88.70 |
Claims (4)
1、一种JPEG图像合成区域的检测方法,其特征是本发明方法包括以下步骤:1)选取怀疑被篡改的图像块;2)特征的提取与分类器的构造;3)利用分类器对待测图像块做检测判断。
2、根据权利要求书1所述的一种JPEG图像合成区域的检测方法,其特征是所述步骤1)选取怀疑被篡改的图像块的方法如下:假设给定的JPEG图像为f,其质量因子QF2,设选取怀疑被篡改的图像块D为l×w大小的长方体且其左上角在f中的坐标为(x,y),要求x=0(mod8),y=0(mod8)。
3、根据权利要求书1所述的一种JPEG图像合成区域的检测方法,其特征是所述步骤2)特征的提取与分类器的构造方法如下:①自然图像集的构造;首先选取无压缩的图像n幅,大小为l×w,对选取的n幅图像以质量因子QF2作JPEG压缩,得到自然图像集;②篡改图像集的构造;首先对选取的n幅无压缩图像,以质量因子QF1作JPEG压缩,QF1随机选取的范围在[a,b],然后模拟图像合成中篡改块的变化:随机剪切i行j列,其中0≤i≤7,0≤j≤7,i,j不同时为0或4,最后以QF2的质量因子对剪切后图像再一次JPEG压缩,得到篡改图像集;③对认证图像集与篡改图像集中的每幅图像,按以下方法提取其特征:a)首先将图像无重叠地分解成8×8大小的小块;b)对于每一图像分块,统计:
Z′(i,j)=|A+D-B-C|,Z″(i,j)=|E+H-F-G|得到两个直方图Z′(i,j)与Z″(i,j),其中(i,j)表示A在图像块D各8×8分块中的坐标,比较两个直方图的绝对差,并求其均值得到M(i,j);c)令1≤i≤8,1≤j≤8重复步骤b)中提取图像特征的方法,并归一化得到一个均值矩阵M;d)提取均值矩阵M的对称特性,沿水平、垂直、中心对称等方向提取M的14个特征;④利用LibSVM分类器对得到的特征进行训练,得到一个能区分图像块是否经过了剪切合成处理的分类器。
4、根据权利要求书1所述的一种JPEG图像合成区域的检测方法,其特征是所述步骤3)利用分类器对待测图像块做检测判断的方法是:首先按步骤2)中的③提取待测图像块的14个特征,然后利用步骤2)中的④得到的分类器进行判别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006100366047A CN100465996C (zh) | 2006-07-20 | 2006-07-20 | 一种jpeg图像合成区域的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006100366047A CN100465996C (zh) | 2006-07-20 | 2006-07-20 | 一种jpeg图像合成区域的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1900973A true CN1900973A (zh) | 2007-01-24 |
CN100465996C CN100465996C (zh) | 2009-03-04 |
Family
ID=37656853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2006100366047A Expired - Fee Related CN100465996C (zh) | 2006-07-20 | 2006-07-20 | 一种jpeg图像合成区域的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100465996C (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009089720A1 (en) * | 2007-12-28 | 2009-07-23 | Tsinghua University | Object checking apparatus and method |
CN102226920A (zh) * | 2011-06-03 | 2011-10-26 | 贵州大学 | 抗裁剪的jpeg图像压缩历史及合成篡改检测方法 |
CN108920700A (zh) * | 2018-07-17 | 2018-11-30 | 中国联合网络通信集团有限公司 | 一种虚假图片识别方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004034325A1 (en) * | 2002-10-09 | 2004-04-22 | Koninklijke Philips Electronics N.V. | Localisation of image tampering |
US7228006B2 (en) * | 2002-11-25 | 2007-06-05 | Eastman Kodak Company | Method and system for detecting a geometrically transformed copy of an image |
-
2006
- 2006-07-20 CN CNB2006100366047A patent/CN100465996C/zh not_active Expired - Fee Related
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009089720A1 (en) * | 2007-12-28 | 2009-07-23 | Tsinghua University | Object checking apparatus and method |
US8520955B2 (en) | 2007-12-28 | 2013-08-27 | Tsinghua University | Object detection apparatus and method |
CN102226920A (zh) * | 2011-06-03 | 2011-10-26 | 贵州大学 | 抗裁剪的jpeg图像压缩历史及合成篡改检测方法 |
CN102226920B (zh) * | 2011-06-03 | 2013-04-17 | 贵州大学 | 抗裁剪的jpeg图像压缩历史及合成篡改检测方法 |
CN108920700A (zh) * | 2018-07-17 | 2018-11-30 | 中国联合网络通信集团有限公司 | 一种虚假图片识别方法及装置 |
CN108920700B (zh) * | 2018-07-17 | 2021-04-27 | 中国联合网络通信集团有限公司 | 一种虚假图片识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN100465996C (zh) | 2009-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luo et al. | A novel method for detecting cropped and recompressed image block | |
CN100394443C (zh) | 一种用于图像认证的可逆水印方法 | |
CN1445722A (zh) | 基于内容的图像副本检测方法和装置 | |
CN101042769A (zh) | 一种基于小波与dct双重域的主动式数字图像内容鉴别方法 | |
CN1194530C (zh) | 用于版权保护的图像水印方法 | |
CN1658219A (zh) | 图像处理装置 | |
CN1920877A (zh) | 一种基于统计检测和结构检测的隐写分析系统 | |
CN1710577A (zh) | 基于移动通信网络的数字水印证件防伪方法 | |
CN1791888A (zh) | 用于图像的数字指纹和水印 | |
CN1750041A (zh) | 一种可抗几何攻击和常规攻击的数字水印方法 | |
CN104504669A (zh) | 一种基于局部二值模式的中值滤波检测方法 | |
CN101038661A (zh) | 基于回归支持向量机的盲水印嵌入和抽取方法 | |
CN1808495A (zh) | 一种基于小波抗几何攻击的数字水印方法 | |
CN1900973A (zh) | 一种jpeg图像合成区域的检测方法 | |
CN107977964A (zh) | 基于lbp和扩展马尔科夫特征的细缝裁剪取证方法 | |
CN103903271B (zh) | 一种针对自然图像和基于dwt压缩篡改图像的图像的取证方法 | |
CN103854249A (zh) | 基于局部指数矩特征的数字图像水印方法 | |
CN1241389C (zh) | 多媒体产品中面向对象的自同步水印检测方法 | |
CN1881211A (zh) | 图形检索的方法 | |
CN1885339A (zh) | 一种基于图像特征的电子印章认证方法 | |
CN1189030C (zh) | 定位型混沌脆弱数字水印嵌入与提取方法 | |
Shao et al. | Forensic scanner identification using machine learning | |
CN1598877A (zh) | 能区分图像与水印篡改的定位型脆弱水印生成与认证方法 | |
CN1862598A (zh) | 图像伪造中模糊操作的异常色调率取证方法 | |
CN1525387A (zh) | 检测图像模糊性的设备和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20090304 Termination date: 20100720 |