KR20080031702A - 원격탐사영상 구름식별 방법 - Google Patents

원격탐사영상 구름식별 방법 Download PDF

Info

Publication number
KR20080031702A
KR20080031702A KR1020080017030A KR20080017030A KR20080031702A KR 20080031702 A KR20080031702 A KR 20080031702A KR 1020080017030 A KR1020080017030 A KR 1020080017030A KR 20080017030 A KR20080017030 A KR 20080017030A KR 20080031702 A KR20080031702 A KR 20080031702A
Authority
KR
South Korea
Prior art keywords
cloud
image
color
index
sun
Prior art date
Application number
KR1020080017030A
Other languages
English (en)
Inventor
강용균
Original Assignee
강용균
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 강용균 filed Critical 강용균
Priority to KR1020080017030A priority Critical patent/KR20080031702A/ko
Publication of KR20080031702A publication Critical patent/KR20080031702A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/02—Investigating particle size or size distribution
    • G01N15/0205—Investigating particle size or size distribution by optical means
    • G01N15/0227—Investigating particle size or size distribution by optical means using imaging; using holography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/08—Adaptations of balloons, missiles, or aircraft for meteorological purposes; Radiosondes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Dispersion Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

본 발명은 적색(red), 녹색(green) 및 청색(blue)으로 구성된 인공위성영상 또는 항공촬영영상에서 구름과 썬글린트(sun glint) 지역을 화소(pixel) 단위로 식별하여 구름에 의해 오염된 화소를 구분하는 방법에 관한 것이다. 이를 위하여 본 발명은, 3가지 파장의 색에 대한 색상지수(color index)를 계산하고, 이들 3개 색상지수를 각각 사이각이 120도인 3개 축으로 구성된 색상지수환(color index ring)에서 벡터합(vector sum)에 의한 3가지 색의 혼합지수(mixing index)와 벡터각(vector angle)을 계산한다. 이 벡터각의 값에 따라 각 화소마다 3가지 색의 혼합지수 임계값(threshold)을 달리 적용함으로써 구름과 썬글린트에 의해 오염된 곳을 식별한다.
본 발명은 기존의 구름식별에 적용하는 적외선(infrared) 자료를 사용하지 않고 가시광선인 적색, 녹색 및 청색 자료만을 사용하며, 영상에서 오염된 부분을 두꺼운 구름, 얇은 구름 및 썬글린트로 구분해내는 특성이 있다.
인공위성영상, 항공촬영영상, 화소(pixel), 구름식별, 썬글린트(sun glint), 색혼합, 색지수환(color index ring), 혼합지수(mixing index)

Description

원격탐사영상 구름식별 방법 {Method of cloud masking in remote sensing images}
도 1은 영상 구름식별 논리 흐름도
도 2는 본 발명에 사용되는 주요 수식 그림
＜도면의 주요부분에 대한 부호의 설명＞
도 1의 R, G, B는 Red(적색), Green(녹색), Blue(청색)
도 2의 IR, IG, IB는 각각 적색, 녹색, 청색의 색지수
도 2의 Ij는 j 번째 색의 색지수, phi(φ)는 색지수환 평면상의 색지수의 각
도 2의 (X, Y)는 색지수환 3개 색지수 벡터합성 결과의 (x, y) 성분
도 2의 Radius는 색지수 평면상 합성벡터의 크기(반경)
도 2의 theta(θ)는 색지수 평면상 합성벡터의 방향
도 2의 M은 3개 파장의 색혼합지수
도 2의 M-cloud와 M-sun glint는 구름과 썬글린트 식별 임계 값
[문헌1] Darzi, M. (1992) Cloud screening for polar orbiting visible and infrared (IR) satellites, SeaWiFS Technical Report Series, Vol. 7.
본 발명은 인공위성이나 항공기에 의해 관측된 지표면 자료에 대한 영상에서 구름에 의해 오염된 곳을 자동적으로 식별해내는 방법에 관한 것이다. 지면이나 해면에 대한 원격탐사 영상에서 구름에 덮인 곳의 영상자료는 구름으로 인해 오염되어 있다. 영상자료의 정량적 사용에 있어서 구름에 오염된 곳은 제외하고 오염되지 않은 곳의 자료만 사용하려면 영상에서 구름 지역을 화소(pixel) 단위로 식별해내는 것이 필요하다.
주간 태양광에 대한 지면의 반사율은 10％ 이내에 불과하다. 이에 비해 작은 물방울로 구성된 구름으로부터의 반사율은 50％ 이상 된다. 이와 같은 지표면과 구름에서의 반사율 차이를 이용하여 구름 지역을 식별해내는 방법이 사용되고 있다. 이 방법은 두꺼운 구름에 덮인 곳은 효율적으로 식별해내지만 얇은 구름 지역에 대해서는 판단에 오류가 심하다. 한편 해상에서 태양과 위성이 거의 일직선상에 위치하는 해면상의 상당히 넓은 지역에서 태양광 반사에 의해 실제의 해면보다 훨씬 밝게 반짝거리는 썬글린트(sun glint) 현상이 생기는데, 이런 썬글린트 지역의 자료도 지표면에 대한 자료로서 사용할 수 없다.
위성영상에서 구름오염 지역을 식별하는 기존의 대부분 방법에서는 열적외선(thermal infrared) 밴드 자료를 사용한다. 대표적인 방법으로는 해양수온 자료의 공간적 균질성(spatial coherence)를 이용하는 방법, 열적외선 2개 밴드 강도의 차 이를 이용하는 이중창(dual window, split window) 방법, 영상자료 밝기의 히스토그램(histogram)을 이용하여 첨단치(peak) 값을 조사하는 방법, 최근 상당기간의 자료와 비교한 차이를 이용하는 방법 등이 있다. 이런 방법들은 1980년부터 1km 해상도로 지표면 온도를 탐지하는 NOAA 위성을 위주로 개발되어 활용되고 있다.
고해상 탐사위성인 SPOT, IKONOS, KOMPSAT-2 같은 위성 자료에는 열적외선 밴드가 없다. 이들 위성은 적색, 녹색, 청색 3개 가시광(visible light) 밴드와 이보다 파장이 약간 긴 근적외선(near infrared) 밴드만 탐지한다. 이들 위성의 영상자료에는 근적외선을 이용하여 구름오염 지역을 식별하는 방법이 개발되어 사용되고 있으나, 얇은 구름의 판별에는 오류가 많으며, 해상의 썬글린트 오염화소를 제대로 식별해내지 못한다. 항공촬영영상에는 가시광 영상 자료만 있고 근적외선 자료가 없으므로 근적외선을 이용한 구름오염화소의 식별은 불가능하다.
본 발명은 열적외선이나 근적외선 밴드를 사용하지 않고 가시광 밴드만 사용하여 영상자료에서 구름오염지역을 화소단위로 자동적으로 식별해내는 데 목적이 있다. 그리고 추가적으로 해상의 썬글린트 오염지역을 식별해내는데 목적이 있다.
지구표면온도를 관측하는 NOAA 위성이나 MODIS 위성에는 열적외선 밴드가 있으나, 고해상 위성인 LANDSAT, SPOT, IKONOS 등의 위성은 열적외선을 감지하지 않고 가시광선 3개 파장과 근적외선 밴드만 감지한다. 해색위성(ocean color satellite)인 SeaWiFS 영상에는 열적외선 자료가 없다. 그리고 항공촬영영상에도 열적외선 밴드 자료가 포함되지 않는다. 이와 같이 열적외선 자료가 없는 영상에서 는 가시광에 의한 구름오염지역 식별에 대한 방법이 필요하다. 가시광 영상에서의 구름오염지역 판별에는 구름지역의 반사도가 크며, 모든 가시광 파장의 반사도가 거의 같다는 성질을 이용하여 구름오염지역을 식별하고 있다. 이를 구현하는 기존의 방법은 영상의 밝기가 임계치를 초과하는 화소를 식별하는 방법이 가장 많이 사용되는데, 이 방법으로는 두꺼운 구름은 식별해 내지만 얇은 구름 식별에는 오류가 심하게 나타난다. 가시광의 적색, 녹색, 청색의 비를 이용하는 방법도 사용되는데, 지표면의 자연적인 색상은 위치와 시간에 따라 다르기 때문에 이 방법은 지역에 따라 구름을 잘못 판단하는 경우가 많다. 기존의 방법으로는 해상에서 썬글린트로 오염된 지역을 화소단위로 구분해내지 못한다.
위성영상이나 항공영상에서 구름지역은 반사도가 크며, 3개 파장(적색, 녹색, 청색)의 반사도가 거의 같은 특징을 가진다. 두꺼운 구름은 반사도가 아주 크며 3개 파장반사도가 같으므로 쉽게 식별된다. 얇은 구름에 가린 부분은 지표면으로부터의 반사광과 구름으로부터의 반사광이 합해져 있어서 3개 파장의 반사도 크기가 완전히 같지는 않지만 구름에 가려지지 않은 경우에 곳에 비하여 3개 파장의 반사도 크기가 같아지는 쪽으로 변하여 있다. 해상 썬글린트 지역에서는 해양표층으로부터 나가는 광의 방출과 해면으로부터의 반사가 합해져 있으며, 이곳의 광 특징은 3 파당의 강도가 같아지는 쪽으로 변하여 있다. 본 발명에서는 3개 파장의 반사도 특성을 이용하여 위성영상에서 구름을 오염된 곳을 식별하고, 오염된 화소의 유형을 두꺼운 구름, 얇은 구름 및 썬글린트로 구분해내는 것을 목적으로 한다.
지표면의 색상과 반사도가 지역마다 다르므로 기존의 방법으로는 구름오염지 역 식별에 어려움이 많다. 본 발명에서는 각 화소마다 구름오염 여부를 판정하는 기준치를 다르게 설정해줌으로써 모든 화소에 대하여 구름오염 여부를 자동적으로 식별하는 장점이 있다. 이를 위하여 본 발명에서는 색지수환(color index ring), 혼합지수(mixing index) 같은 새로운 개념을 고안해서 적용하고 있다.
이하 첨부된 도면에 의해 상세히 설명하면 다음과 같다. 도 1은 본 발명에서 위성 영상의 구름오염지역을 식별하는 방법에 대한 개요도이다. 영상에서의 구름식별은 영상의 3개 파장(적색, 녹색, 청색)의 밝기 자료를 사용하여 수행한다(10). 3개 파장의 밝기가 모두 기준치 이상이면서 크기의 비가 1인 화소는 두꺼운 구름으로 판별한다(90). 아래에서는 3개 파장을 이용하여 얇은 구름과 썬글린트를 식별해내는 방법을 기술한다.
3개 파장의 밝기에 대한 값을 사용하여 3개 파장의 색지수(color index)를 계산한다(20). 색지수를 계산하는 식은 도 2의 식 1과 같다. 3개 파장의 색지수를 결합하기 위하여 색지수환(color index ring)을 도입한다. 색지수환은 2차원 (x, y) 평면에서 0, 120, 240도 방향을 각각 청색, 녹색, 적색 색지수의 축으로 하는 좌표계이다. 이 색지수환 평면에다 3개 파장 색지수의 값을 해당 축상에 3개의 점으로 표시할 수 있다. 2차원 평면상의 3개 점 벡터(vector)에 대한 합을 계산한다(30). 2차원 (x, y) 평면상에서 3개 벡터의 합성 값 (X, Y)에 대한 계산식은 도 2의 식 2와 같다. 그리고 합성벡터의 크기(40)와 방향(50)을 계산한다. 합성벡터의 크기와 방향 계산식은 도 2의 식 3과 같다.
3개 파장의 밝기가 같을 경우에는 합성벡터의 크기는 0이 되고, 3개 파장 중에서 두 개 파장의 밝기는 0이고 한 가지 색만 있을 경우에는 합성벡터의 크기는 2가 된다. 0과 2 범위의 값을 가질 수 있는 합성벡터는 3개 파장의 크기가 같을수록 0에 가까워진다. 합성벡터의 크기를 변환하여 3개 파장의 크기가 일정하여 혼합이 가장 큰 경우의 값이 1이 되게 하고, 한 가지 파장만 있어서 3개 파장의 혼합 정도가 가장 작은 경우를 0으로 하는 색지수 혼합지수(mixing index)를 계산한다(60). 혼합지수의 계산식은 도 2의 식 4와 같다. 혼합지수는 3개 파장의 혼합 정도를 한 개의 숫자로 나타내준다.
한편 합성벡터의 방향각은 지표면 색상의 특성을 나타내며, 육지와 해양의 분포 및 지표면 구성 물질의 광학적 특성에 따라 다른 값을 가지게 된다. 이 방향각은 반사도가 큰 육상에서뿐만 아니라 반사도가 작은 해상에서도 (0, 360) 범위의 값이 계산된다. 지표면의 색상 특성을 나타내는 이 방향각의 값을 이용하여 구름과 썬글린트 판별을 위한 혼합지수의 임계값(threshold)를 별도의 식으로 지정해준다(70). 혼합계수의 임계값을 지정하는 도 2의 식 5와 같은 함수식은 상기 합성벡터의 크기와 방향각의 값 분포에 대한 영상과 원래의 영상과의 비교를 통해 결정한다. 혼합계수 임계값은 합성벡터의 방향각에 대한 함수로 지정하므로, 한 개의 함수식으로 모든 화소에 대하여 크기가 다른 혼합계수 임계값이 지정된다. 일단 결정된 혼합계수의 임계값에 대한 함수식은 유사한 다른 영상에서 공통적으로 사용 가능하다. 구름과 썬글린트 식별을 위한 혼합계수 임계값은 다르게 지정한다. 구름은 3개 파장이 설정해준 기준치 이상인 조건을 만족하는 육상과 해상 모두의 화소에 대해 혼합계수 임계값의 초과여부로 식별한다. 썬글린트는 해상의 화소에 대해서만 적용한다. 이 방법에 의해 구름과 썬글린트를 별도로 식별한다(80).
상기 방법에 의한 구름오염지역 식별에서는 해상의 썬글린트 화소를 맨 먼저 판별한 후에 구름 화소를 판별한다. 썬글리트로 식별된 화소가 다시 구름으로 식별된 경우에는 그 화소를 구름 화소로 분류한다. 다음으로는 3개 파장의 밝기에 의한 방법으로 두꺼운 구름 화소를 식별한다. 이전 단계에서 썬글린트나 구름으로 식별된 화소가 다시 두꺼운 구름으로 식별된 경우에는 이 화소를 두꺼운 구름 화소로 분류한다(110).
이상에서 상술한 발명은, 인공위성영상이나 항공촬영영상에서 구름에 의해 오염된 곳과 오염되지 않은 곳을 자동적으로 식별하여 줌으로써 영상자료에 대한 정량적 활용이 가능하게 해준다. 예를 들면 육상의 영상에서 구름에 오염되지 않은 곳만을 취하여 식생지수(vegetation index)를 계산할 수 있다. 해상에서도 구름에 오염되지 않은 곳만을 취하여 부유생물(plankton)의 분포에 대한 정량적 계산을 할 수 있게 해준다.

Claims (1)

  1. 인공위성이나 항공기에 의한 원격탐사 영상에서 구름에 의해 오염된 곳을 화소 단위로 판별하는데 있어서,
    칼라(color) 영상의 적색(red), 녹색(green), 청색(blue)의 색지수(color index)를 계산하는 단계(20),
    상기 색지수를 색지수환(color index ring)에서 벡터(vector) 합성하는 단계(30),
    상기 합성벡터 크기로부터 3 색 혼합정도에 대한 혼합지수를 계산하는 단계 (60),
    상기 합성벡터 방향각 값을 사용하여 구름과 썬글린트(sun glint)를 구분하는 혼합지수 입계치를 지정해주는 단계 (70),
    상기 입계치를 사용하여 영상에서 구름과 썬글린트를 식별해내는 단계 (80),
    상기 단계에 의한 얇은 구름과 썬글린트 지역과 영상 밝기에 의한 두꺼운 구름 구역을 결합하여 영상에서 오염된 곳을 두꺼운 구름, 얇은 구름 및 썬글린트 구역으로 화소단위로 식별하는 방법.
KR1020080017030A 2008-02-22 2008-02-22 원격탐사영상 구름식별 방법 KR20080031702A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020080017030A KR20080031702A (ko) 2008-02-22 2008-02-22 원격탐사영상 구름식별 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020080017030A KR20080031702A (ko) 2008-02-22 2008-02-22 원격탐사영상 구름식별 방법

Publications (1)

Publication Number Publication Date
KR20080031702A true KR20080031702A (ko) 2008-04-10

Family

ID=39532957

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020080017030A KR20080031702A (ko) 2008-02-22 2008-02-22 원격탐사영상 구름식별 방법

Country Status (1)

Country Link
KR (1) KR20080031702A (ko)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101219508B1 (ko) * 2010-03-05 2013-01-11 대한민국 비편광 적외 반사율 분해를 통한 황사탐지 시스템 및 이를 이용한 황사탐지 방법
KR101221755B1 (ko) * 2011-04-22 2013-01-11 경북대학교 산학협력단 위험기상과 관련된 반사도 셀의 탐지 방법
KR101271489B1 (ko) * 2012-10-09 2013-06-05 한국지질자원연구원 인공위성 영상자료 중 해조류 양식장 탐지용 분광영역의 인공위성 영상자료 추출방법
KR101293742B1 (ko) * 2010-10-08 2013-08-16 대한민국 권운탐지시스템 및 이를 이용한 권운탐지방법
KR101351793B1 (ko) * 2011-10-24 2014-01-17 대한민국 해상풍 탐지시스템 및 이를 이용한 해상풍 탐지방법
KR101380106B1 (ko) * 2013-11-13 2014-04-01 박정민 구름 정보 산출 방법
CN103955896A (zh) * 2014-04-22 2014-07-30 中国资源卫星应用中心 一种提升卫星图像视觉效果的真彩色增强方法
KR101484671B1 (ko) * 2014-08-22 2015-02-04 대한민국 정지궤도 인공위성관측과 칼라합성법을 이용한 대류운탐지시스템 및 이를 이용한 대류운탐지방법, 대류운탐지방법을 기록한 컴퓨터로 읽을 수 있는 기록 매체
KR20170080524A (ko) * 2015-12-31 2017-07-10 강릉원주대학교산학협력단 월면 영상분석을 이용한 지상에서의 야간 에어로졸 탐지 시스템 및 탐지 방법
CN108280810A (zh) * 2018-01-09 2018-07-13 北方工业大学 一种单时相光学遥感图像云覆盖区修复的自动处理方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101219508B1 (ko) * 2010-03-05 2013-01-11 대한민국 비편광 적외 반사율 분해를 통한 황사탐지 시스템 및 이를 이용한 황사탐지 방법
KR101293742B1 (ko) * 2010-10-08 2013-08-16 대한민국 권운탐지시스템 및 이를 이용한 권운탐지방법
KR101221755B1 (ko) * 2011-04-22 2013-01-11 경북대학교 산학협력단 위험기상과 관련된 반사도 셀의 탐지 방법
KR101351793B1 (ko) * 2011-10-24 2014-01-17 대한민국 해상풍 탐지시스템 및 이를 이용한 해상풍 탐지방법
KR101271489B1 (ko) * 2012-10-09 2013-06-05 한국지질자원연구원 인공위성 영상자료 중 해조류 양식장 탐지용 분광영역의 인공위성 영상자료 추출방법
KR101380106B1 (ko) * 2013-11-13 2014-04-01 박정민 구름 정보 산출 방법
CN103955896A (zh) * 2014-04-22 2014-07-30 中国资源卫星应用中心 一种提升卫星图像视觉效果的真彩色增强方法
KR101484671B1 (ko) * 2014-08-22 2015-02-04 대한민국 정지궤도 인공위성관측과 칼라합성법을 이용한 대류운탐지시스템 및 이를 이용한 대류운탐지방법, 대류운탐지방법을 기록한 컴퓨터로 읽을 수 있는 기록 매체
KR20170080524A (ko) * 2015-12-31 2017-07-10 강릉원주대학교산학협력단 월면 영상분석을 이용한 지상에서의 야간 에어로졸 탐지 시스템 및 탐지 방법
CN108280810A (zh) * 2018-01-09 2018-07-13 北方工业大学 一种单时相光学遥感图像云覆盖区修复的自动处理方法

Similar Documents

Publication Publication Date Title
KR20080031702A (ko) 원격탐사영상 구름식별 방법
Hochberg et al. Spectral discrimination of coral reef benthic communities
Kutser et al. Modeling spectral discrimination of Great Barrier Reef benthic communities by remote sensing instruments
Ngoc et al. Coastal and inland water pixels extraction algorithm (WiPE) from spectral shape analysis and HSV transformation applied to Landsat 8 OLI and Sentinel-2 MSI
Holzer-Popp et al. Aerosol retrieval experiments in the ESA Aerosol_cci project
Fearns et al. Shallow water substrate mapping using hyperspectral remote sensing
Loisel et al. Challenges and new advances in ocean color remote sensing of coastal waters
Dahdouh‐Guebas et al. Qualitative distinction of congeneric and introgressive mangrove species in mixed patchy forest assemblages using high spatial resolution remotely sensed imagery (IKONOS)
US10803590B2 (en) Multiple-wavelength images analysis electro optical system for detection of accident ship and submerged person and analysis method thereof
US8810658B2 (en) Estimating a visible vector representation for pixels in an infrared image
Bongiorno et al. Coregistered hyperspectral and stereo image seafloor mapping from an autonomous underwater vehicle
CN113176211B (zh) 一种基于hsv颜色空间模型变换的日间云检测方法
KR20220026829A (ko) 다분광 영상을 이용한 원격 적조 탐지방법 및 그 시스템
Amato et al. Experimental approach to the selection of the components in the minimum noise fraction
WO2014116472A1 (en) System and method for atmospheric parameter enhancement
Zhang et al. Remote sensing method for detecting green tide using HJ-CCD top-of-atmosphere reflectance
Liang et al. Automatic remote sensing detection of floating macroalgae in the yellow and east china seas using extreme learning machine
WO2018165027A1 (en) Polarization-based detection and mapping method and system
Suwanprasit et al. Impacts of spatial resolution on land cover classification
CN111678883B (zh) 海上浒苔和马尾藻鉴别方法
Vanzella et al. Multicolor Observations of the Hubble Deep Field South
KR20080064762A (ko) 해양식생영상 방법
Matsushita et al. Monitoring water quality with remote sensing image data
Li et al. Oil Slope Index: An algorithm for crude oil spill detection with imaging spectroscopy
Gallegos et al. A new automated method of cloud masking for advanced very high resolution radiometer full‐resolution data over the ocean

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application