CN102054177B - 一种图像相似度计算方法和装置 - Google Patents
一种图像相似度计算方法和装置 Download PDFInfo
- Publication number
- CN102054177B CN102054177B CN2010106119389A CN201010611938A CN102054177B CN 102054177 B CN102054177 B CN 102054177B CN 2010106119389 A CN2010106119389 A CN 2010106119389A CN 201010611938 A CN201010611938 A CN 201010611938A CN 102054177 B CN102054177 B CN 102054177B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- mrow
- jik
- similarity
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 37
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000012552 review Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像相似度计算方法和装置,涉及图像处理技术领域。在本发明的方法中,将图像分成多个色块,并将色块的RGB分量的卡方和线性灰度值结合起来计算出图像的特征相量,然后根据该特征相量进行相似度计算。在本发明的技术方案中,由于色块RGB分量的卡方强调的是图像的局部特征,而色块的线性灰度强调的是图像的整体灰度特征,因此本发明中的相似度计算方案具有较高的准确性。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种图像相似度计算方法和装置。
背景技术
随着多媒体技术和计算机网络的飞速发展,数字图像的数量正以惊人的速度增长。在图像检索等很多场景下都需要比较多个图像的相似度。
现有的图像相似度比较功能以图片的颜色为依据,即采用颜色直方图,以不同色彩在整幅图像中所占的比例作为相似性依据,通过颜色的差异来衡量两幅图像的相似度。比如网站用户上传图片的审核,可使用此方案进行初步审核。
但是,采用颜色直方图的方案注重颜色整体特征,不关心每种颜色所处的空间位置,忽略了颜色的局部特征,因此相似度计算效果较差。
发明内容
本发明提供了一种图像相似度计算方法,该方法的相似度计算准确性较高。
本发明还提供了一种图像相似度计算装置,该装置的相似度计算准确性较高。
为达到上述目的,本发明的技术方案是这样实现的:
本发明公开了一种图像相似度计算方法,对于给定的两幅图像,该方法执行以下步骤:
第二步,对于每幅图像中的每个色块计算如下的四个特征值:
R分量特征值:取第i个色块内的所有像素点的R分量之和的平方;
B分量特征值:取第i个色块内的所有像素点的B分量之和的平方;
其中,j为图像的序号,j=1,2;i为每个图像中的色块序号,i=1,2,...,m×n;k为每个色块中的像素点序号,k=1,2,...,K;rjik、gjik、bjik和xjik分别表示第j个图像的第i个色块中的第k个像素点的R分量值、G分量值、B分量值和灰度值;
第三步,计算每幅图像的特征向量:
Qj=[Qj(R) Qj(G) Qj(B) Qj(L)];
其中,对第j幅图像中的所有色块的R分量特征值进行求和,对第j幅图像中的所有色块的G分量特征值进行求和,对第j幅图像中的所有色块的B分量特征值进行求和,对第j幅图像中的所有色块的线性灰度特征值进行求和;
第四步,根据所述两幅图像的特征向量计算其相似度,具体为:
计算第1图像的特征向量中的4个特征值的总和Q11:
Q11=Q1(R)+Q1(G)+Q1(B)+Q1(L);
计算第2图像的特征向量中的4个特征值的总和Q22:
Q22=Q2(R)+Q2(G)+Q2(B)+Q2(L);
则第1图像和第2图像之间的相似度值SIM为:SIM=|Q11-Q22|;
SIM值越小,第1图像和第2图像之间的相似度越高;
或者,
根据如下公式计算第1图像和第2图像之间的相似度值SIM:
SIM值越小,第1图像和第2图像之间的相似度越高。
本发明还公开了一种图像相似度计算装置,该装置包括:图像转换模块、特征值计算模块、特征向量计算模块和相似度计算模块,其中:
特征值计算模块,用于对所接收的每幅图像中的每个色块计算如下的四个特征值后发送给特征向量计算模块:
R分量特征值:取第i个色块内的所有像素点的R分量之和的平方;
线性灰度特征值:取第i个色块内的所有像素点的灰度值之和;
其中,j为图像的序号,j=1,2;i为每个图像中的色块序号,i=1,2,...,m×n;k为每个色块中的像素点序号,k=1,2,...,K;rjik、gjik、bjik和xjik分别表示第j个图像的第i个色块中的第k个像素点的R分量值、G分量值、B分量值和灰度值;
特征向量计算模块,用于根据如下公式计算每幅图像的特征向量后,发送给相似度计算模块:
Qj=[Qj(R) Qj(G) Qj(B) Qj(L)];
其中,对第j幅图像中的所有色块的R分量特征值进行求和,对第j幅图像中的所有色块的G分量特征值进行求和,对第j幅图像中的所有色块的B分量特征值进行求和,对第j幅图像中的所有色块的线性灰度特征值进行求和;
相似度计算模块,用于根据两幅图像的特征向量计算其相似度,具体为:
所述相似度计算模块,用于计算第1图像的特征向量中的4个特征值的总和Q11,以及计算第2图像的特征向量中的4个特征值的总和Q22,然后计算第1图像和第2图像之间的相似度值SIM;其中:
Q11=Q1(R)+Q1(G)+Q1(B)+Q1(L),
Q22=Q2(R)+Q2(G)+Q2(B)+Q2(L),
SIM=|Q11-Q22|;
SIM值越小,第1图像和第2图像之间的相似度越高;
或者,
所述相似度计算模块,用于根据如下公式计算第1图像和第2图像之间的相似度值SIM:
SIM值越小,第1图像和第2图像之间的相似度越高。
由上述可见,本发明这种将图像分成多个色块,并将色块的RGB分量的卡方和线性灰度值结合起来计算出图像的特征向量,并根据该特征向量进行相似度计算的技术方案中,由于色块RGB分量的卡方强调的是图像的局部特征,而色块的线性灰度强调的是图像的整体灰度特征,因此该方案的相似度计算准确性较高。
附图说明
图1是本发明实施例中的将64×64像素图像等分成8×8等面积色块的示意图;
图2是本发明实施例中的一种图像相似度计算装置的结构示意图。
具体实施方式
本发明的核心思想是将图像分成多个色块,并将色块的RGB分量的卡方和线性灰度值结合起来计算出图像的颜色特征向量,并根据该颜色特征向量进行相似度计算。由于色块RGB分量的卡方强调的是图像的局部特征,而色块的线性灰度强调的是图像的整体灰度特征,因此该方案的相似度计算准确性较高
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
对于给定的两幅图像,本发明的技术方案总体包括以下步骤:
例如,在本发明的一个实施例中,M=64,N=64,m=8,n=8,则本步骤中,先将图像转换成64×64(宽64像素,高64像素)像素大小的图像。然后对64×64像素的图像进行8×8等面积分割,得到64个色块,每个色块内有64个像素。图1是本发明实施例中的将64×64像素图像等分成8×8等面积色块的示意图。在图1中,为64个色块赋予了1~64的编号。
第二步,对于每幅图像中的每个色块计算如下的四个特征值:
R分量特征值:
G分量特征值:
B分量特征值:
线性灰度特征值:
其中,j为图像的序号,j=1,2;i为每个图像中的色块序号,i=1,2,...,m×n;k为每个色块中的像素点序号,k=1,2,...,K;rjik、gjik、bjik和xjik分别表示第j个图像的第i个色块中的第k个像素点的R分量值、G分量值、B分量值和灰度值。例如r169表示第1个图像的第6个色块的第9个像素的R分量值,以此类推。
这里R对应三基色中的红色,G对应三基色中的绿色,B对应三基色中的蓝色。公式(1)的含义是取第i个色块内的所有像素点的R分量之和的平方;公式(2)的含义是取第i个色块内的所有像素点的G分量之和的平方;公式(3)的含义是取第i个色块内的所有像素点的B分量之和的平方;公式(4)的含义是取第i个色块内的所有像素点的灰度值之和。
在公式(4)中,所述灰度值xjik=0.3×rjik+0.59×gjik+0.11×bjik。
第三步,计算每幅图像的特征向量:
Qj=[Qj(R) Qj(G) Qj(B) Qj(L)]; (5)
其中,
即Qj(R)是对一幅图像中的所有色块的R分量特征值进行求和,Qj(G)是对一幅图像中的所有色块的G分量特征值进行求和,Qj(B)是对一幅图像中的所有色块的B分量特征值进行求和,Qj(L)是对一幅图像中的所有色块的线性灰度特征值进行求和。
则第1个图像的特征向量为:Q1=[Q1(R) Q1(G) Q1(B) Q1(L)];第2个图像的特征向量为:Q2=[Q2(R) Q2(G) Q2(B) Q2(L)]。
第四步,根据所述两幅图像的特征向量计算其相似度。
本发明中提供了两种根据两幅图像的特征向量计算其相似度的方案:
(方案1)计算第1图像的特征向量中的4个特征值的总和Q11,以及计算第2图像的特征向量中的4个特征值的总和Q22:
Q11=Q1(R)+Q1(G)+Q1(B)+Q1(L), (6)
Q22=Q2(R)+Q2(G)+Q2(B)+Q2(L), (7)
则第1图像和第2图像之间的相似度值SIM为:
SIM=|Q11-Q22|, (8)
值越小,第1图像和第2图像之间的相似度越高。
(方案2)根据公式(9)计算第1图像和第2图像之间的相似度值SIM:
公式(9)中的SIM值越小,第1图像和第2图像之间的相似度越高。
在上述的方案1中,将公式(5)中的特征向量归为一个值,这种方式适合有大量图像需要比较的场景,该方式地计算速度快,但准确性不及方案2高。在方案2中计算了两幅图像的特征向量的欧式距离,这种方***性较高。
经测试,本发明的这种相似度计算方法具有独立性强、准确性高、抗图像几何变换(如拉伸、旋转、适度涂改等)等特点。
基于上述实施例给出本发明中的一种图像相似度计算装置的结构。
图2是本发明实施例中的一种图像相似度计算装置的结构示意图。如图2所示,该装置包括:图像转换模块201、特征值计算模块202、特征向量计算模块203和相似度计算模块204,其中:
特征值计算模块202,用于对所接收的每幅图像中的每个色块计算如下的四个特征值后发送给特征向量计算模块203:
R分量特征值:
G分量特征值:
B分量特征值:
线性灰度特征值:
其中,j为图像的序号,j=1,2;i为每个图像中的色块序号,i=1,2,...,m×n;k为每个色块中的像素点序号,k=1,2,...,K;rjik、gjik、bjik和xjik分别表示第j个图像的第i个色块中的第k个像素点的R分量值、G分量值、B分量值和灰度值;
特征向量计算模块203,用于根据如下公式计算每幅图像的特征向量后,发送给相似度计算模块204:
Qj=[Qj(R) Qj(G) Qj(B) Qj(L)];
其中,
相似度计算模块204,用于根据两幅图像的特征向量计算其相似度。
在图2所示的装置中,特征值计算模块202,根据公式xjik=0.3×rjik+0.59×gjik+0.11×bjik计算灰度值。
在图2所示的装置中,相似度计算模块204,用于计算第1图像的特征向量中的4个特征值的总和Q11,以及计算第2图像的特征向量中的4个特征值的总和Q22,然后计算第1图像和第2图像之间的相似度值SIM;其中:
Q11=Q1(R)+Q1(G)+Q1(B)+Q1(L),
Q22=Q2(R)+Q2(G)+Q2(B)+Q2(L),
SIM=|Q11-Q22|;
SIM值越小,第1图像和第2图像之间的相似度越高。
或者,在图2所示的装置中,所述相似度计算模块204,用于根据如下公式计算第1图像和第2图像之间的相似度值SIM:
SIM值越小,第1图像和第2图像之间的相似度越高。
在图2所示的装置中,所述图像转换模块201,用于将给定的两幅图像中的每幅图像转换成64×64像素大小的图像后,分割成8×8个等面积的色块后,发送给特征值计算模块202。
由上述可见,本发明这种将图像分成多个色块,并将色块的RGB分量的卡方和线性灰度值结合起来计算出图像的特征向量,并根据该特征向量进行相似度计算的技术方案中,由于色块RGB分量的卡方强调的是图像的局部特征,而色块的线性灰度强调的是图像的整体灰度特征,因此该方案即结合颜色的局部特征又结合颜色的整体特征,以局部兼整体的方式使颜色特征值更能反映真实的图像,进而使得相似度的计算具有较高的准确性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (6)
1.一种图像相似度计算方法,其特征在于,对于给定的两幅图像,该方法执行以下步骤:
第二步,对于每幅图像中的每个色块计算如下的四个特征值:
B分量特征值:取第i个色块内的所有像素点的B分量之和的平方;
其中,j为图像的序号,j=1,2;i为每个图像中的色块序号,i=1,2,...,m×n;k为每个色块中的像素点序号,k=1,2,...,K;rjik、gjik、bjik和xjik分别表示第j个图像的第i个色块中的第k个像素点的R分量值、G分量值、B分量值和灰度值;
第三步,计算每幅图像的特征向量:
Qj=[Qj(R) Qj(G) Qj(B) Qj(L)];
其中,对第j幅图像中的所有色块的R分量特征值进行求和,对第j幅图像中的所有色块的G分量特征值进行求和,对第j幅图像中的所有色块的B分量特征值进行求和,对第j幅图像中的所有色块的线性灰度特征值进行求和;
第四步,根据所述两幅图像的特征向量计算其相似度,具体为:
计算第1图像的特征向量中的4个特征值的总和Q11:
Q11=Q1(R)+Q1(G)+Q1(B)+Q1(L);
计算第2图像的特征向量中的4个特征值的总和Q22:
Q22=Q2(R)+Q2(G)+Q2(B)+Q2(L);
则第1图像和第2图像之间的相似度值SIM为:SIM=|Q11-Q22|;
SIM值越小,第1图像和第2图像之间的相似度越高;
或者,
根据如下公式计算第1图像和第2图像之间的相似度值SIM:
SIM值越小,第1图像和第2图像之间的相似度越高。
2.根据权利要求1所述的方法,其特征在于,
所述灰度值xjik=0.3×rjik+0.59×gjik+0.11×bjik。
3.根据权利要求1或2所述的方法,其特征在于,
所述M=64,N=64,m=8,n=8。
4.一种图像相似度计算装置,其特征在于,该装置包括:图像转换模块、特征值计算模块、特征向量计算模块和相似度计算模块,其中:
特征值计算模块,用于对所接收的每幅图像中的每个色块计算如下的四个特征值后发送给特征向量计算模块:
其中,j为图像的序号,j=1,2;i为每个图像中的色块序号,i=1,2,...,m×n;k为每个色块中的像素点序号,k=1,2,...,K;rjik、gjik、bjik和xjik分别表示第j个图像的第i个色块中的第k个像素点的R分量值、G分量值、B分量值和灰度值;
特征向量计算模块,用于根据如下公式计算每幅图像的特征向量后,发送给相似度计算模块:
Qj=[Qj(R) Qj(G) Qj(B) Qj(L)];
其中,对第j幅图像中的所有色块的R分量特征值进行求和,对第j幅图像中的所有色块的G分量特征值进行求和,对第j幅图像中的所有色块的B分量特征值进行求和,对第j幅图像中的所有色块的线性灰度特征值进行求和;
相似度计算模块,用于根据两幅图像的特征向量计算其相似度,具体为:
所述相似度计算模块,用于计算第1图像的特征向量中的4个特征值的总和Q11,以及计算第2图像的特征向量中的4个特征值的总和Q22,然后计算第1图像和第2图像之间的相似度值SIM;其中:
Q11=Q1(R)+Q1(G)+Q1(B)+Q1(L),
Q22=Q2(R)+Q2(G)+Q2(B)+Q2(L),
SIM=|Q11-Q22|;
SIM值越小,第1图像和第2图像之间的相似度越高;
或者,
所述相似度计算模块,用于根据如下公式计算第1图像和第2图像之间的相似度值SIM:
SIM值越小,第1图像和第2图像之间的相似度越高。
5.根据权利要求4所述的装置,其特征在于,
特征值计算模块,根据公式xjik=0.3×rjik+0.59×gjik+0.11×bjik计算灰度值。
6.根据权利要求4或5所述的装置,其特征在于,
所述图像转换模块,用于将给定的两幅图像中的每幅图像转换成64×64像素大小的图像后,分割成8×8个等面积的色块后,发送给特征值计算模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010106119389A CN102054177B (zh) | 2010-12-29 | 2010-12-29 | 一种图像相似度计算方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010106119389A CN102054177B (zh) | 2010-12-29 | 2010-12-29 | 一种图像相似度计算方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102054177A CN102054177A (zh) | 2011-05-11 |
CN102054177B true CN102054177B (zh) | 2012-11-21 |
Family
ID=43958475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010106119389A Active CN102054177B (zh) | 2010-12-29 | 2010-12-29 | 一种图像相似度计算方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102054177B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295217B (zh) * | 2012-03-01 | 2016-03-30 | 阿里巴巴集团控股有限公司 | 图片信息处理方法以及装置 |
CN102930296B (zh) * | 2012-11-01 | 2015-08-26 | 长沙纳特微视网络科技有限公司 | 一种图像识别方法及装置 |
JP6689508B2 (ja) * | 2016-04-12 | 2020-04-28 | シナプティクス・ジャパン合同会社 | 画像処理装置、圧縮回路、表示ドライバ、表示装置及び画像処理方法 |
CN107590154B (zh) * | 2016-07-08 | 2021-03-02 | 阿里巴巴集团控股有限公司 | 基于图像识别的物体相似度判定方法和装置 |
CN106156799B (zh) * | 2016-07-25 | 2021-05-07 | 北京光年无限科技有限公司 | 智能机器人的物体识别方法及装置 |
CN108629350B (zh) * | 2017-03-15 | 2021-08-20 | 华为技术有限公司 | 一种识别图片之间相似关系的方法及装置 |
CN108825377B (zh) * | 2018-06-05 | 2020-10-16 | 深圳市艾德化学品科技有限公司 | 基于图像处理的发动机自动除碳*** |
CN109284894A (zh) * | 2018-08-10 | 2019-01-29 | 广州虎牙信息科技有限公司 | 图片审核方法、装置、存储介质和计算机设备 |
CN110290420A (zh) * | 2019-07-05 | 2019-09-27 | 山东云缦智能科技有限公司 | 一种基于帧特征实现电视剧片头/片尾自动识别的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004094379A (ja) * | 2002-08-29 | 2004-03-25 | Ntt Comware Corp | 類似画像検索装置 |
CN101136015A (zh) * | 2006-09-01 | 2008-03-05 | 北大方正集团有限公司 | 一种计算图像之间相似度的方法 |
CN101504655A (zh) * | 2009-03-06 | 2009-08-12 | 中山大学 | 一种基于彩色关系特征的图像近似拷贝检测方法 |
CN101710340A (zh) * | 2009-12-15 | 2010-05-19 | 北京锐安科技有限公司 | 一种相似图像检索方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1131153A (ja) * | 1997-07-11 | 1999-02-02 | Hitachi Ltd | 画像類似度計算方法 |
-
2010
- 2010-12-29 CN CN2010106119389A patent/CN102054177B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004094379A (ja) * | 2002-08-29 | 2004-03-25 | Ntt Comware Corp | 類似画像検索装置 |
CN101136015A (zh) * | 2006-09-01 | 2008-03-05 | 北大方正集团有限公司 | 一种计算图像之间相似度的方法 |
CN101504655A (zh) * | 2009-03-06 | 2009-08-12 | 中山大学 | 一种基于彩色关系特征的图像近似拷贝检测方法 |
CN101710340A (zh) * | 2009-12-15 | 2010-05-19 | 北京锐安科技有限公司 | 一种相似图像检索方法 |
Non-Patent Citations (1)
Title |
---|
钱瑛等.基于颜色空间特征的图像检索.《江南大学学报(自然科学版)》.2007,第6卷(第2期),160-161. * |
Also Published As
Publication number | Publication date |
---|---|
CN102054177A (zh) | 2011-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102054177B (zh) | 一种图像相似度计算方法和装置 | |
CN109872305B (zh) | 一种基于质量图生成网络的无参考立体图像质量评价方法 | |
CN109064396A (zh) | 一种基于深度成分学习网络的单幅图像超分辨率重建方法 | |
CN110163801B (zh) | 一种图像超分辨和着色方法、***及电子设备 | |
CN109377530A (zh) | 一种基于深度神经网络的双目深度估计方法 | |
CN111028146A (zh) | 基于双判别器的生成对抗网络的图像超分辨率方法 | |
CN108376387A (zh) | 基于聚合膨胀卷积网络的图像去模糊方法 | |
CN110059728B (zh) | 基于注意力模型的rgb-d图像视觉显著性检测方法 | |
CN111986108B (zh) | 一种基于生成对抗网络的复杂海空场景图像去雾方法 | |
CN106600632B (zh) | 一种改进匹配代价聚合的立体图像匹配方法 | |
CN105427350B (zh) | 基于局部四元数指数矩的彩色图像复制篡改检测方法 | |
CN105139385A (zh) | 基于深层自动编码器重构的图像视觉显著性区域检测方法 | |
CN110148091A (zh) | 基于非局部注意力机制的神经网络模型及图像超分辨方法 | |
CN113449691A (zh) | 一种基于非局部注意力机制的人形识别***及方法 | |
CN113222819B (zh) | 一种基于深度卷积神经网络的遥感图像超分辨重建方法 | |
CN112508812A (zh) | 图像色偏校正方法、模型训练方法、装置及设备 | |
CN116256586A (zh) | 电力设备过热检测方法、装置、电子设备与存储介质 | |
CN108280805B (zh) | 一种基于流形优化的图像拼接方法 | |
CN114926734B (zh) | 基于特征聚合和注意融合的固体废弃物检测装置及方法 | |
CN112257727A (zh) | 一种基于深度学习自适应可变形卷积的特征图像提取方法 | |
CN109583341B (zh) | 对包含人像的图像的多人骨骼关键点检测方法及装置 | |
CN109064394B (zh) | 一种基于卷积神经网络的图像超分辨率重建方法 | |
CN115375838A (zh) | 一种基于无人机的双目灰度图像的三维重建方法 | |
CN111292343A (zh) | 一种基于多视角下的肺叶分割方法和装置 | |
CN108550111B (zh) | 一种基于多级字典学习的残差实例回归超分辨重建方法 |
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 | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: Room 810, 8 / F, 34 Haidian Street, Haidian District, Beijing 100080 Patentee after: BEIJING D-MEDIA COMMUNICATION TECHNOLOGY Co.,Ltd. Address before: 100089 Beijing city Haidian District wanquanzhuang Road No. 28 Wanliu new building A block 5 layer Patentee before: BEIJING D-MEDIA COMMUNICATION TECHNOLOGY Co.,Ltd. |