CN103886337A - 基于多稀疏描述的最近邻子空间sar目标识别方法 - Google Patents
基于多稀疏描述的最近邻子空间sar目标识别方法 Download PDFInfo
- Publication number
- CN103886337A CN103886337A CN201410143887.XA CN201410143887A CN103886337A CN 103886337 A CN103886337 A CN 103886337A CN 201410143887 A CN201410143887 A CN 201410143887A CN 103886337 A CN103886337 A CN 103886337A
- Authority
- CN
- China
- Prior art keywords
- vector
- test sample
- reconstructed error
- dictionary matrix
- sparse
- 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
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于多稀疏描述的最近邻子空间SAR目标识别方法,主要解决解决现有技术进行目标识别时精度低且对具有局部变化的目标识别效果不好的问题。其实现步骤是:(1)预处理,得到训练样本和测试样本图像的归一化子图像;(2)构造字典矩阵,获得和分类数相同的多个字典矩阵;(3)计算稀疏向量;(4)计算重构误差;(5)确定识别结果,利用最近邻子空间公式,将重构误差最小值对应的目标类别作为识别结果。本发明与现有技术相比提高了识别局部变化目标的精度。本发明与现有技术相比提高了对测试样本细节特征的描述能力和识别率。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及图像解译和分析、精确识别应用领域中的一种基于多稀疏描述的最近邻子空间的合成孔径雷达(Syntheticaperture radar,SAR)目标识别方法。本发明可以实现高精度的合成孔径雷达SAR目标识别。
背景技术
合成孔径雷达SAR目标识别方法主要可分为模板识别法和模型识别法,模板识别法产生每类目标在不同方位上的模板,然后将待识别目标和所有模板进行比较,将最匹配的模板对应的目标类别作为识别结果;模型识别法是提取目标的特征,将待识别目标的特征与目标模型数据库中预测的特征相比较,得出识别结果。
中国人民解放军国防科学技术大学申请的专利“SAR图像目标识别方法”(申请号:CN201310228912.X,公开号:CN103268496A)中提出一种模板识别方法。该专利申请利用目标类别已知的SAR图像构建目标模板库,分别提取模板图像和待测图像的基于局部梯度比率的直方图特征作为识别特征,基于LGRPH特征设计相似度评估准则,通过比较待测图像与模板图像的相似度来实现目标识别。该方法存在的不足是,对于实测合成孔径雷达SAR图像中目标的局部变化敏感性差,导致目标识别率不高。
电子科技大学申请的专利“一种SAR图像目标识别方法”(申请号:CN201210201460.1,公开号:CN102737253A)中提出一种基于稀疏描述的目标识别方法。该专利申请利用稀疏表示理论将目标数据表示为训练样本的线性组合,通过求解最优化问题得到了具有可区分能力的近似非负稀疏系数,然后基于各类别系数和的大小确定样本的类别。该方法存在的不足是,构造的字典矩阵由所有目标的训练样本组成,不能很好的提取样本的细节特征,导致识别精度低。
发明内容
本发明的目的在于克服上述现有技术的不足,提供一种基于多稀疏描述的最近邻子空间SAR目标识别方法,可以更好的提取样本的细节特征改善识别效果,以解决现有技术进行目标识别时精度低且对具有局部变化的目标识别效果不好的问题。
本发明实现的具体步骤如下:
(1)预处理:
(1a)输入训练样本图像和测试样本图像;
(1b)以训练样本图像和测试样本图像的几何中心为基准,分别截取48×48像素的子图像;
(1c)用每一幅子图像中像素的幅度值,分别除以该子图像中所有像素幅度的最大值,得到训练样本图像和测试样本图像的归一化子图像;
(2)构造字典矩阵:
(2a)将训练样本归一化子图像的所有像素值按列取出,排成一个列向量,得到该子图像的特征向量;
(2b)根据训练样本图像的先验类别信息,确定分类数和分类区间,对特征向量进行分类;
(2c)用训练样本中的每一类特征向量组成一个字典矩阵,获得和分类数相同的多个字典矩阵;
(3)计算稀疏向量:
(3a)将测试样本归一化子图像的所有像素值按列取出,排成一个列向量,得到测试样本特征向量;
(3b)求解优化方程,得到测试样本特征向量在每个字典矩阵上的稀疏向量;
(4)计算重构误差:
(4a)将每个字典矩阵和与其对应的稀疏向量相乘,得到每个字典矩阵重构测试样本的重构向量;
(4b)将测试样本特征向量和每个字典矩阵重构测试样本的重构向量相减,得到每个字典矩阵重构测试样本的重构误差向量;
(4c)计算每个重构误差向量的2范数值,得到每个重构误差向量的重构误差值;
(5)确定识别结果:
利用最近邻子空间公式,从每个重构误差向量的重构误差值中找到重构误差值的最小值,将最小值对应的目标类别作为最终的识别结果。
本发明与现有技术相比具有以下优点:
第一,由于本发明利用训练样本的先验类别信息,将每类训练样本形成一个字典矩阵,克服了现有技术对于实测合成孔径雷达SAR图像中目标的局部变化敏感性差的不足,使得本发明提高了识别局部变化目标的精度。
第二,由于本发明利用测试样本在每个字典矩阵上的稀疏向量描述测试样本,克服了现有技术对测试样本的细节特征描述不好的不足,使得本发明提高了对测试样本细节特征的描述能力和识别率。
附图说明
图1是本发明的流程图;
图2是本发明在非特定的特征维数时的仿真图;
图3是本发明在特征维数为1024维时的仿真图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1,本发明的实现步骤如下。
步骤1,预处理。
输入训练样本图像和测试样本图像。
以训练样本图像和测试样本图像的几何中心为基准,分别截取48×48像素的子图像,以减弱合成孔径雷达SAR图像中大面积的背景噪声对识别性能造成的影响。
用每一幅子图像中像素的幅度值,分别除以该子图像中所有像素幅度的最大值,得到训练样本图像和测试样本图像的归一化子图像,以减弱合成孔径雷达SAR图像不均匀的散射对识别性能造成的影响。
步骤2,构造字典矩阵。
将训练样本归一化子图像的所有像素值按列取出,排成一个列向量,将随机矩阵与其相乘,得到第i类目标的第j个训练样本的特征向量xij。
根据训练样本图像的先验类别信息,确定分类数C和分类区间,对所有训练样本的特征向量进行分类。
步骤3,计算稀疏向量。
将测试样本归一化子图像的所有像素值按列取出,排成一个列向量,将随机矩阵与其相乘,得到测试样本特征向量y。
采用正交匹配追踪(Orthogonal matching pursuit,OMP)算法求解如下优化方程,得到测试样本特征向量y在每个字典矩阵Ai上稀疏度相同的稀疏向量αi。
min||αi||0 s.t.y=Aiαi
其中,αi表示测试样本特征向量在第i个字典矩阵上的稀疏向量,i表示字典矩阵的标号,i=1,2,...,C,C表示字典矩阵的总数,min(·)表示求最小值操作,||·||0表示0范数操作,s.t.表示约束条件,y表示测试样本特征向量,Ai表示第i个字典矩阵。
正交匹配追踪OMP算法的具体过程可参考文献:
(1)Tropp J.,Gilbert A..Signal recovery from random measurements viaorthogonal matching pursuit.IEEE Transactions on Information Theory,2007,53(12):4655-4666.
步骤4,计算重构误差。
将每个字典矩阵Ai和与其对应的稀疏向量αi相乘,得到每个字典矩阵Ai重构测试样本的重构向量zi,其中zi=Aiαi。
将测试样本特征向量y和每个字典矩阵重构测试样本的重构向量zi相减,得到每个字典矩阵Ai重构测试样本的重构误差向量εi,其中εi=y-zi。
计算每个重构误差向量εi的2范数值,得到每个重构误差向量的重构误差值ei,ei=||εi||2,其中||·||2表示2范数操作。
步骤5,确定识别结果。
利用如下最近邻子空间公式,从每个重构误差向量的重构误差值中找到重构误差值的最小值,将最小值对应的目标类别作为最终的识别结果。
其中,k表示重构误差向量的重构误差值中的最小值,ep表示第p个重构误差向量的重构误差值,p表示重构误差向量的标号,p=1,2,...,T,T表示重构误差向量的总数,本发明中T=C,min(·)表示求最小值操作。
本发明的效果可以结合仿真图通过以下实验进一步说明。
1.仿真条件:
仿真实验环境为:MATLAB R2011a,Intel(R)Core(TM)2Duo CPU2.53GHz,Window XP专业版。
2.仿真内容与结果分析:
本发明的实验数据,采用美国“运动和静止目标获取与识别”项目组,在互联网上所公开的实测数据。
本发明的训练样本选取合成孔径雷达SAR在俯仰角为17°时,3类目标在不同方位角下的成像数据:其中装甲车BMP2-9563有233幅训练图像;装甲运兵车BTR70-c71有233幅训练图像;主战坦克T72-132有232幅训练图像。
表1本发明仿真实验所采用的实验数据
本发明的测试样本选取合成孔径雷达SAR在俯仰角为15°时,3类目标在不同方位角下的成像数据:其中装甲车BMP2包含3个型号(9563、9566、c21),3个型号分别有195幅、196幅、196幅测试样本;装甲运兵车BTR70包含1个型号(c71),有196幅测试样本;主战坦克T72包含3个型号(132、812、s7),3个型号分别有196幅、195幅、191幅测试样本。每幅图像的大小均为128×128,目标的方位覆盖范围是0°-360°。本发明中目标的不同类别(如:BMP2、BTR70和T72)表示不同的目标,同一类别不同型号的目标(如:BMP2-9563、BMP2-9566和BMP2-c21)表示具有局部变化的同一目标。
图2为本发明和基于稀疏描述的识别方法在不同特征维数下识别率的变化曲线图。图2中的横坐标表示特征维数,纵坐标表示识别率,实线表示本发明的仿真结果,虚线表示基于稀疏描述的识别方法的仿真结果。“o”表示本发明在不同特征维数下的识别率分布,“x”表示基于稀疏描述的识别方法在不同特征维数下的识别率分布,特征维数从小到大均为64维,128维,256维,512维,1024维。表2给出了在特征维数分别是64维,128维,256维,512维,1024维时,基于稀疏描述的识别方法的识别率分别为57.00%,80.44%,87.62%,94.73%,96.92%;本发明的识别率分别为62.27%,86.01%,93.11%,97.66%,98.10%。
从图2和表2可以看出,不论特征维数是多少,本发明的识别率均高于同维数时基于稀疏描述的识别方法的识别率,说明了本发明进行目标识别的有效性,且由于测试样本和训练样本不完全相同,具有局部变化,也说明了本发明对目标的细节特征描述能力强,识别具有局部变化目标的有效性。
表2本发明和基于稀疏描述的识别方法的识别率对比
特征维数 | 64 | 128 | 256 | 512 | 1024 |
稀疏描述 | 57.00% | 80.44% | 87.62% | 94.73% | 96.92% |
本发明 | 62.27% | 86.01% | 93.11% | 97.66% | 98.10% |
图3为特征维数是1024维时,本发明的混淆矩阵示意图。图3中的横坐标表示目标类别,纵坐标表示识别率。每一类目标对应的3个柱状体表示了该类目标识别率的分布情况,如目标BMP2对应的3个柱状体中第1个柱状体表示目标BMP2被识别成BMP2的概率,也就是正确识别的概率,第2个柱状体和第3个柱状体分别表示目标BMP2被识别成目标BTR70和目标T72的概率,也就是错误识别的概率。从图3可以看出,本发明对每一类目标的正确识别率都将近100%,错误识别率都接近0,说明了本发明可实现高精度的合成孔径雷达SAR目标识别。
Claims (3)
1.一种基于多稀疏描述的最近邻子空间SAR目标识别方法,包括以下步骤:
(1)预处理:
(1a)输入训练样本图像和测试样本图像;
(1b)以训练样本图像和测试样本图像的几何中心为基准,分别截取48×48像素的子图像;
(1c)用每一幅子图像中像素的幅度值,分别除以该子图像中所有像素幅度的最大值,得到训练样本图像和测试样本图像的归一化子图像;
(2)构造字典矩阵:
(2a)将训练样本归一化子图像的所有像素值按列取出,排成一个列向量,得到该子图像的特征向量;
(2b)根据训练样本图像的先验类别信息,确定分类数和分类区间,对特征向量进行分类;
(2c)用训练样本中的每一类特征向量组成一个字典矩阵,获得和分类数相同的多个字典矩阵;
(3)计算稀疏向量:
(3a)将测试样本归一化子图像的所有像素值按列取出,排成一个列向量,得到测试样本特征向量;
(3b)求解优化方程,得到测试样本特征向量在每个字典矩阵上的稀疏向量;
(4)计算重构误差:
(4a)将每个字典矩阵和与其对应的稀疏向量相乘,得到每个字典矩阵重构测试样本的重构向量;
(4b)将测试样本特征向量和每个字典矩阵重构测试样本的重构向量相减,得到每个字典矩阵重构测试样本的重构误差向量;
(4c)计算每个重构误差向量的2范数值,得到每个重构误差向量的重构误差值;
(5)确定识别结果:
利用最近邻子空间公式,从每个重构误差向量的重构误差值中找到重构误差值的最小值,将最小值对应的目标类别作为最终的识别结果。
2.根据权利要求1所述的基于多稀疏描述的最近邻子空间SAR目标识别方法,其特征在于,步骤(3b)所述的优化方程如下:
min||αi||0 s.t.y=Aiαi
其中,αi表示测试样本特征向量在第i个字典矩阵上的稀疏向量,i表示字典矩阵的标号,i=1,2,...,C,C表示字典矩阵的总数,min(·)表示求最小值操作,||·||0表示0范数操作,s.t.表示约束条件,y表示测试样本特征向量,Ai表示第i个字典矩阵。
3.根据权利要求1所述的基于多稀疏描述的最近邻子空间SAR目标识别方法,其特征在于,步骤(5)所述的最近邻子空间公式如下:
其中,k表示重构误差向量的重构误差值中的最小值,ep表示第p个重构误差向量的重构误差值,p表示重构误差向量的标号,p=1,2,...,T,T表示重构误差向量的总数,min(·)表示求最小值操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410143887.XA CN103886337A (zh) | 2014-04-10 | 2014-04-10 | 基于多稀疏描述的最近邻子空间sar目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410143887.XA CN103886337A (zh) | 2014-04-10 | 2014-04-10 | 基于多稀疏描述的最近邻子空间sar目标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103886337A true CN103886337A (zh) | 2014-06-25 |
Family
ID=50955220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410143887.XA Pending CN103886337A (zh) | 2014-04-10 | 2014-04-10 | 基于多稀疏描述的最近邻子空间sar目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103886337A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239895A (zh) * | 2014-09-03 | 2014-12-24 | 西安电子科技大学 | 基于特征降维的sar目标鉴别方法 |
CN106874932A (zh) * | 2016-12-30 | 2017-06-20 | 陕西师范大学 | 基于快速稀疏描述的sar目标型号识别方法 |
CN106874841A (zh) * | 2016-12-30 | 2017-06-20 | 陕西师范大学 | 基于正则化局部保持投影的sar变形目标识别方法 |
CN107037417A (zh) * | 2017-06-13 | 2017-08-11 | 电子科技大学 | 雷达真假目标一维像非线性最近邻子空间特征提取方法 |
CN107403136A (zh) * | 2017-06-23 | 2017-11-28 | 陕西师范大学 | 基于结构保持字典学习的sar目标型号识别方法 |
CN108122008A (zh) * | 2017-12-22 | 2018-06-05 | 杭州电子科技大学 | 基于稀疏表示和多特征决策级融合的sar图像识别方法 |
CN108319935A (zh) * | 2018-03-23 | 2018-07-24 | 大连民族大学 | 基于区域稀疏的人脸族群识别算法 |
CN108629285A (zh) * | 2018-04-03 | 2018-10-09 | 陕西师范大学 | 基于多样本支持度融合的sar目标识别方法 |
CN110717480A (zh) * | 2019-10-25 | 2020-01-21 | 中国人民解放军国防科技大学 | 基于随机擦除图像融合的合成孔径雷达遮挡目标识别方法 |
CN110765892A (zh) * | 2019-09-30 | 2020-02-07 | 深圳大学 | 基于遥感云平台的水航线探测方法、终端设备及存储介质 |
CN111722594A (zh) * | 2019-03-18 | 2020-09-29 | 中南大学 | 工业过程监测方法、装置、设备和可读存储介质 |
CN113093164A (zh) * | 2021-03-31 | 2021-07-09 | 西安电子科技大学 | 一种平移不变和噪声稳健的雷达图像目标识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065162A (zh) * | 2013-01-31 | 2013-04-24 | 西安电子科技大学 | 基于稀疏描述的sar目标方位角估计方法 |
CN103425998A (zh) * | 2013-08-23 | 2013-12-04 | 西安电子科技大学 | 遮挡情况下的sar目标识别方法 |
-
2014
- 2014-04-10 CN CN201410143887.XA patent/CN103886337A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065162A (zh) * | 2013-01-31 | 2013-04-24 | 西安电子科技大学 | 基于稀疏描述的sar目标方位角估计方法 |
CN103425998A (zh) * | 2013-08-23 | 2013-12-04 | 西安电子科技大学 | 遮挡情况下的sar目标识别方法 |
Non-Patent Citations (3)
Title |
---|
JOHN WRIGHT ET AL.: "Robust Face Recognition via Sparse Representation", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
李鹏: "面向自然场景分类的稀疏编码研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王燕霞 等: "基于特征参数稀疏表示的SAR图像目标识别", 《重庆邮电大学学报》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239895B (zh) * | 2014-09-03 | 2017-05-24 | 西安电子科技大学 | 基于特征降维的sar目标鉴别方法 |
CN104239895A (zh) * | 2014-09-03 | 2014-12-24 | 西安电子科技大学 | 基于特征降维的sar目标鉴别方法 |
CN106874932B (zh) * | 2016-12-30 | 2020-07-10 | 陕西师范大学 | 基于快速稀疏描述的sar目标型号识别方法 |
CN106874932A (zh) * | 2016-12-30 | 2017-06-20 | 陕西师范大学 | 基于快速稀疏描述的sar目标型号识别方法 |
CN106874841A (zh) * | 2016-12-30 | 2017-06-20 | 陕西师范大学 | 基于正则化局部保持投影的sar变形目标识别方法 |
CN107037417A (zh) * | 2017-06-13 | 2017-08-11 | 电子科技大学 | 雷达真假目标一维像非线性最近邻子空间特征提取方法 |
CN107037417B (zh) * | 2017-06-13 | 2019-08-23 | 电子科技大学 | 雷达真假目标一维像非线性最近邻子空间特征提取方法 |
CN107403136A (zh) * | 2017-06-23 | 2017-11-28 | 陕西师范大学 | 基于结构保持字典学习的sar目标型号识别方法 |
CN107403136B (zh) * | 2017-06-23 | 2021-01-05 | 陕西师范大学 | 基于结构保持字典学习的sar目标型号识别方法 |
CN108122008A (zh) * | 2017-12-22 | 2018-06-05 | 杭州电子科技大学 | 基于稀疏表示和多特征决策级融合的sar图像识别方法 |
CN108122008B (zh) * | 2017-12-22 | 2020-09-08 | 杭州电子科技大学 | 基于稀疏表示和多特征决策级融合的sar图像识别方法 |
CN108319935A (zh) * | 2018-03-23 | 2018-07-24 | 大连民族大学 | 基于区域稀疏的人脸族群识别算法 |
CN108629285A (zh) * | 2018-04-03 | 2018-10-09 | 陕西师范大学 | 基于多样本支持度融合的sar目标识别方法 |
CN111722594A (zh) * | 2019-03-18 | 2020-09-29 | 中南大学 | 工业过程监测方法、装置、设备和可读存储介质 |
CN110765892A (zh) * | 2019-09-30 | 2020-02-07 | 深圳大学 | 基于遥感云平台的水航线探测方法、终端设备及存储介质 |
CN110765892B (zh) * | 2019-09-30 | 2021-10-01 | 深圳大学 | 基于遥感云平台的水航线探测方法、终端设备及存储介质 |
CN110717480A (zh) * | 2019-10-25 | 2020-01-21 | 中国人民解放军国防科技大学 | 基于随机擦除图像融合的合成孔径雷达遮挡目标识别方法 |
CN110717480B (zh) * | 2019-10-25 | 2022-06-03 | 中国人民解放军国防科技大学 | 基于随机擦除图像融合的合成孔径雷达遮挡目标识别方法 |
CN113093164A (zh) * | 2021-03-31 | 2021-07-09 | 西安电子科技大学 | 一种平移不变和噪声稳健的雷达图像目标识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103886337A (zh) | 基于多稀疏描述的最近邻子空间sar目标识别方法 | |
CN101551856B (zh) | 基于稀疏最小二乘支撑向量机的sar目标识别方法 | |
CN103984966B (zh) | 基于稀疏表示的sar图像目标识别方法 | |
CN102722892B (zh) | 基于低秩矩阵分解的sar图像变化检测方法 | |
CN102129573A (zh) | 基于字典学习和稀疏表示的sar图像分割方法 | |
CN104392251B (zh) | 一种基于半监督字典学习的高光谱图像分类方法 | |
CN108764310B (zh) | 基于多尺度多特征深度森林的sar目标识别方法 | |
CN105354841A (zh) | 一种快速遥感影像匹配方法及*** | |
CN104899549A (zh) | 基于距离像时频图鉴别字典学习的sar目标识别方法 | |
CN110516525B (zh) | 基于gan和svm的sar图像目标识别方法 | |
CN104732224B (zh) | 基于二维泽尔尼克矩特征稀疏表示的sar目标识别方法 | |
CN103839075B (zh) | 一种基于联合稀疏表示的sar图像分类方法 | |
CN105068062B (zh) | 基于稀疏散射中心提取的距离像数据外推方法 | |
CN106874841A (zh) | 基于正则化局部保持投影的sar变形目标识别方法 | |
CN106056070A (zh) | 基于低秩矩阵恢复和稀疏表示的sar目标识别方法 | |
CN103345760B (zh) | 一种医学图像对象形状模板标记点的自动生成方法 | |
CN104182768B (zh) | 逆合成孔径雷达图像的质量分类方法 | |
CN104268510A (zh) | 基于稀疏约束的非负矩阵分解的sar图像目标识别方法 | |
CN104732552B (zh) | 基于非平稳条件场的sar图像分割方法 | |
CN109034213B (zh) | 基于相关熵原则的高光谱图像分类方法和*** | |
CN103729462B (zh) | 一种基于稀疏表示处理遮挡的行人检索方法 | |
CN103425995A (zh) | 基于区域相似性低秩表示降维的高光谱图像分类方法 | |
CN103745233A (zh) | 基于空间信息迁移的高光谱图像分类方法 | |
CN104268553A (zh) | 基于核模糊Foley-Sammon转换的SAR图像目标识别方法 | |
CN103593852A (zh) | 基于同质图斑的高光谱影像异常探测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140625 |