CN109696406B - 一种基于复合端元的月表高光谱图像阴影区域解混方法 - Google Patents
一种基于复合端元的月表高光谱图像阴影区域解混方法 Download PDFInfo
- Publication number
- CN109696406B CN109696406B CN201811444292.2A CN201811444292A CN109696406B CN 109696406 B CN109696406 B CN 109696406B CN 201811444292 A CN201811444292 A CN 201811444292A CN 109696406 B CN109696406 B CN 109696406B
- Authority
- CN
- China
- Prior art keywords
- shadow
- shadow area
- mineral
- area
- hyperspectral image
- 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
- 239000002131 composite material Substances 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 22
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 title abstract description 6
- 238000001228 spectrum Methods 0.000 claims abstract description 20
- 238000002156 mixing Methods 0.000 claims abstract description 10
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 55
- 239000011707 mineral Substances 0.000 claims description 55
- 238000000605 extraction Methods 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000002310 reflectometry Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 239000002366 mineral element Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种新型的基于复合端元的月表高光谱图像阴影区域解混方法,利用提出的复合端元的概念从物理光学角度阐述高光谱图像阴影区域光谱混合原理,更加符合月表真实光照情况,从而达到月表高光谱图像阴影区域的精确解混。该方法步骤如下:(1)阴影区域检测与提取;(2)非阴影区域解混;(3)阴影区域复合端元提取,根据非阴影区域的解混结果,对复合端元进行分解,完成阴影区域的精确解混。本方法主要针对月表高光谱图像光照不均的现象,能够有效减少阴影区域带来的解混误差,弥补了传统线性光谱混合模型的不足,提高解混精度,同时相比于非线性混合模型提升了解混效率。
Description
技术领域
本发明涉及一种新型的基于复合端元的月表高光谱图像阴影区域解混方法,能够通过技术手段有效分析月表阴影区域高光谱图像的矿物含量,属于遥感图像处理领域。
背景技术
目前对于月表矿物成分含量的研究是以月表高光谱遥感图像的分析为主要研究手段,即通过研究月球表面的矿物的光谱特征来分析月表的物质组成类型和含量。这种利用高光谱遥感图像进行地物分析的技术被称为高光谱解混技术。
高光谱遥感图像的光谱分辨率通常为纳米级别的光谱分辨率,范围包括紫外、可见光、近红外和中红外和热红外的光谱区域(0.4μm-2.5μm)。但是由于光谱仪的空间分辨率有限,月表高光谱图像中一个像元通常会包含多种矿物类型。在高光谱图像中,含有多种地物或矿物类型的像元被称为混合像元,只含有一种地物或矿物类型的像元被称为纯净像元,也称作端元。在混合像元中,每一种地物或矿物类型在该像元中所占的面积比例称作丰度。高光谱解混的主要目的就是通过适当的方法获取图像中纯净地物(端元)的特征光谱,并进一步求解出混合像元中各种端元的比例。所以,在月表矿物含量分布计算中,如何找到代表纯净矿物的端元成为解决问题的关键。
在月表光谱图像的成像过程中,受地形起伏和太阳光照角度影响,撞击坑内外光照不均情况普遍存在,导致撞击坑附近存在较多的阴影区域。在图像上,阴影区域部分的亮度值比正常区域低得多。在利用遥感图像进行矿物分析时,往往默认图像的亮度值与地物对光信号的反射率成正相关,因此阴影区域的存在将会使图像中相应区域的地物反射率偏低,如果在进行矿物含量分析之前,没有充分这种光照不均的影响,那么传统矿物含量分析方法将难以准确分析出月表的矿物分布;再加上月壤中的矿物元素成分和含量与地球上的同类矿物普遍具有差异性,导致月表的光谱吸收特征与同类矿物的光谱特征差别明显。因此,在月表矿物分析中,如果仅仅采用传统端元提取算法将难以适应月表高光谱图像特点,难以取得较好的矿物含量反演精度。
针对高光谱图像中阴影区域光谱反射率偏低,导致阴影区域的端元光谱与非阴影区域的端元光谱存在较大差异的现象,本发明提出复合端元的概念来解释阴影区域的光谱混合机理,并以非阴影区域的矿物分布特性作为依据,提出一种新型、高效的月表高光谱阴影区域解混算法来对月表高光谱图像阴影区域的矿物丰度分布情况进行有效分析。
发明内容
针对月表高光谱图像阴影区域出现的反射率偏低,导致阴影区域的端元光谱与非阴影区域的端元光谱存在较大差异的现象,本发明设计一种全新的高光谱解混算法,算法的核心在于阴影区域复合端元概念的提出、阴影区域复合端元与非阴影区域的矿物丰度特性的关联性分析,利用提出的复合端元的概念从物理光学角度阐述高光谱图像阴影区域光谱混合原理,在月表高光谱图像解混过程中区分阴影区域和非阴影区域的光谱成像差异,更加符合月表真实光照情况,对阴影区域的矿物进行有效分析,弥补了传统线性光谱混合模型无法合理解释月表阴影区域光谱混合情况的不足,同时相比于非线性混合模型又降低了算法的复杂性,提升了解混的效率。
为了实现上述目的,本发明采用的技术方案为:一种基于复合端元的月表高光谱图像阴影区域解混方法,主要包括:阴影区域检测与提取、非阴影区域解混、阴影区域复合端元提取与复合端元分解、阴影区域丰度反演。阴影区域检测与提取目的是为了区分图像中阴影区域与非阴影区域的位置信息,为下一步做准备。非阴影区域的解混是为下一步阴影区域复合端元的分析提供依据。复合端元概念的提出在于更加真实地反映月表阴影区域的光谱混合情况,提高解混的精度。
本发明所涉及的方法流程包括以下步骤:(1)阴影区域检测与提取;(2)非阴影区域解混;(3)阴影区域复合端元提取,复合端元分解并进行阴影区域丰度反演。
下面对该方法流程的各个步骤进行详细说明。
(1)阴影区域检测与提取
对高光谱图像进行阴影区域的检测和提取时,先通过主成分分析算法对高光谱图像的所有波段进行分析,选取出前三个波段作为三个通道合成RGB图像,将RGB图像转换到HIS图像,得到色度(H)、饱和度(S)、亮度(I)三个分量,由于在高光谱图像阴影区域的图像亮度值较低而饱和度较高,因此对于每一个像素点,采用(S-I)/(S+I)来判断该点是否在高光谱图像的阴影区域之中,当(S-I)/(S+I)大于设定阈值时判定该像素点属于阴影区域,并记录该点的位置信息。遍历整个图像后,即可得到图像的阴影区域。
(2)非阴影区域解混
对非阴影区域进行端元提取,并利用非阴影区域的端元获得非阴影区域的丰度反演结果。
(3)阴影区域复合端元提取,复合端元分解并进行阴影区域丰度反演
对阴影区域进行端元提取,并将阴影区域得到的端元作为复合端元,根据非阴影区域的矿物分布特性,对复合端元进一步分解获得丰度反演结果:给定阴影区域高光谱图像为X={x1,x2,...,xi,...,xm},m为像素数目,阴影区域中含有n种不同类型的矿物,它们的反射光谱分别为:s1(λ),s2(λ),s3(λ),...,sn(λ),对应的矿物真实丰度为:则求解a1,a2,a3,…,an的具体步骤如下:
1)对于阴影区域提取得到的端元,认为这些端元为经过两次反射的复合端元,表示成:s1s1(λ),s1s2(λ),s1s3(λ),...,s1sn(λ),s2s2(λ),s2s3(λ),s2s4(λ),...,s2sn(λ),...,snsn(λ),相对应地利用这些复合端元进行丰度反演得到的对应的复合端元丰度为:b11,b12,b13,…,b1n,b22,b23,b24,…,b2n,…,bnn,并且b11+b12+b13+…+b1n+b22+b23+b24+…+b2n+…+bnn=1;
2)阴影区域的光源为非阴影区域的地物反射光,这些反射光不再是均匀的光信号,而是带有非阴影区域矿物光谱特征的光,并且这些光反射到阴影区域的概率与非阴影区域的相应矿物含量相关,这里认为它们成正比例关系,即非阴影区域中某种矿物含量越多,则经由该种矿物反射到阴影区域的光就越多,因此在数学上bij可以表示为: 其中表示该反射光是非阴影区域内第i种矿物反射而来的概率,aj表示阴影区域中的对应第j种矿物的丰度,当i≠j时表示光两次反射时作用在两种不同矿物上,当i=j时表示光两次反射都与同一种矿物发生作用,因此可以根据非阴影区域的矿物丰度求得阴影区域的矿物丰度
附图说明
图1是基于复合端元的月表高光谱图像阴影区域解混方法的流程图。
图2是月表阴影区域的检测:a)是原始月表图像模拟数据,b)是阴影区域检测结果。
图3是月表高光谱图像非阴影区域端元提取结果。
图4是月表高光谱图像阴影区域复合端元提取结果。
图5是将月表矿物含量反演结果。
具体实施方式
下面结合实例对本发明的应用方法作进一步说明。
本实例以我国探月工程中的嫦娥一号卫星所携带的干涉成像光谱仪所获取的月表高光谱图像数据为基础,利用已有的月表矿物端元光谱和模拟月表真实光照情况的丰度图所合成的数据进行说明。图像数据的像素大小为275像素×191像素,空间分辨率为200米/像素,选取的光谱波段范围为0.35~2.60μm,共451个波段。
(1)阴影区域检测与提取
先通过主成分分析算法对选取的高光谱图像的所有波段进行分析,选取出前三个波段作为三个通道合成RGB图像,将RGB图像转换到HIS空间,得到H、S、I三个分量,依据高光谱图像阴影区域亮度低且饱和度高的特性,采用(S-I)/(S+I)来判断是否为高光谱图像的阴影区域,当(S-I)/(S+I)大于阈值时判定为阴影区域,并提取阴影区域的位置信息,此处设置的阈值为(S-I)/(S+I)大于0.65且I小于0.15。
(2)非阴影区域解混
对非阴影区域进行端元提取,此处得到2种主要端元,并利用这2种端元利用全约束线性最小二乘法获得非阴影区域的丰度反演结果。
(3)阴影区域复合端元提取,复合端元分解并进行阴影区域丰度反演
根据非阴影区域的矿物分布特性,则假定阴影区域中主要含有2种不同类型的矿物,它们的反射光谱分别为:s1(λ),s2(λ),对应的矿物真实丰度为:a1,a2且a1+a2=1,求解a1,a2的具体步骤如下:
1)对于阴影区域提取得到的端元,认为这些端元为经过两次反射的复合端元,表示成:s1s1(λ),s2s2(λ),s1s2(λ),利用这些复合端元进行丰度反演得到的对应的复合端元丰度为:b11,b22,b12,且b11+b22+b12=1;
Claims (1)
1.一种基于复合端元的月表高光谱图像阴影区域解混方法,其特征在于:基于高光谱图像成像原理和阴影区域成像特点,针对高光谱图像中阴影区域光谱反射率偏低,导致阴影区域的端元光谱与非阴影区域的端元光谱存在较大差异的现象,提出复合端元的概念来解释阴影区域的光谱混合机理,并利用非阴影区域的矿物分布特性作为依据,对复合端元进一步分解获得阴影区域的矿物丰度分布,主要步骤如下:
步骤1:对高光谱图像进行阴影区域的检测和提取时,先通过主成分分析算法对高光谱图像的所有波段进行分析,选取出前三个波段作为三个通道合成RGB图像,将RGB图像转换到HIS图像,得到色度(H)、饱和度(S)、亮度(I)三个分量,由于在高光谱图像阴影区域的图像亮度值较低而饱和度较高,因此采用(S-I)/(S+I)判断每一个像素点是否在高光谱图像的阴影区域内,当(S-I)/(S+I)大于设定阈值时,判定该像素点属于阴影区域,并记录该点的位置信息,遍历整个图像后,即可得到图像的阴影区域;
步骤2:对非阴影区域进行端元提取,并利用非阴影区域的端元获得非阴影区域的丰度反演结果;
步骤3:对阴影区域进行端元提取,并将阴影区域得到的端元作为复合端元,根据非阴影区域的矿物分布特性,对复合端元进一步分解获得丰度反演结果:给定阴影区域高光谱图像为X={x1,x2,...,xi,...,xm},m为像素数目,阴影区域中含有n种不同类型的矿物,它们的反射光谱分别为:s1(λ),s2(λ),s3(λ),...,sn(λ),对应的矿物真实丰度为:a1,a2,a3,…,an,则求解a1,a2,a3,…,an的具体步骤如下:
1)对于阴影区域提取得到的端元,认为这些端元为经过两次反射的复合端元,表示成:s1s1(λ),s1s2(λ),s1s3(λ),...,s1sn(λ),s2s2(λ),s2s3(λ),s2s4(λ),...,s2sn(λ),...,snsn(λ),对应地利用这些复合端元进行丰度反演得到的对应的复合端元丰度为:b11,b12,b13,…,b1n,b22,b23,b24,…,b2n,…,bnn,并且b11+b12+b13+…+b1n+b22+b23+b24+…+b2n+…+bnn=1;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811444292.2A CN109696406B (zh) | 2018-11-29 | 2018-11-29 | 一种基于复合端元的月表高光谱图像阴影区域解混方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811444292.2A CN109696406B (zh) | 2018-11-29 | 2018-11-29 | 一种基于复合端元的月表高光谱图像阴影区域解混方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109696406A CN109696406A (zh) | 2019-04-30 |
CN109696406B true CN109696406B (zh) | 2020-10-02 |
Family
ID=66230190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811444292.2A Active CN109696406B (zh) | 2018-11-29 | 2018-11-29 | 一种基于复合端元的月表高光谱图像阴影区域解混方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109696406B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084808A (zh) * | 2019-05-06 | 2019-08-02 | 智影汇谱(宁波)科技有限公司 | 一种用于数字内窥镜的颜色解混方法和图像处理装置 |
JP7341835B2 (ja) * | 2019-10-09 | 2023-09-11 | 株式会社日立製作所 | 粉体混合システム及び粉体混合方法 |
CN115656053B (zh) * | 2022-10-19 | 2024-05-31 | 山东大学 | 岩石矿物含量测试方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1595110A (zh) * | 2004-06-29 | 2005-03-16 | 中国国土资源航空物探遥感中心 | 高光谱多端元线性拟合矿物识别与矿化指示方法 |
CN102193090A (zh) * | 2010-03-19 | 2011-09-21 | 复旦大学 | 一种遥感图像混合像元分解方法 |
CN102645279A (zh) * | 2012-04-18 | 2012-08-22 | 中国科学院遥感应用研究所 | 月表矿物的干涉成像光谱仪高光谱数据模拟方法 |
CN105975912A (zh) * | 2016-04-27 | 2016-09-28 | 天津大学 | 基于神经网络的高光谱图像非线性解混方法 |
CN106056044A (zh) * | 2016-05-19 | 2016-10-26 | 北京环境特性研究所 | 一种基于端元丰度反演的高光谱图像发射率光谱提取方法 |
CN108280486A (zh) * | 2018-02-02 | 2018-07-13 | 北京航空航天大学 | 一种基于端元簇的高光谱图像解混方法 |
CN108416820A (zh) * | 2018-03-02 | 2018-08-17 | 山东大学 | 一种基于遥感数据的月表撞击坑地质填图方法 |
CN108427934A (zh) * | 2018-03-28 | 2018-08-21 | 北京科技大学 | 一种高光谱影像混合像元分解方法 |
-
2018
- 2018-11-29 CN CN201811444292.2A patent/CN109696406B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1595110A (zh) * | 2004-06-29 | 2005-03-16 | 中国国土资源航空物探遥感中心 | 高光谱多端元线性拟合矿物识别与矿化指示方法 |
CN102193090A (zh) * | 2010-03-19 | 2011-09-21 | 复旦大学 | 一种遥感图像混合像元分解方法 |
CN102645279A (zh) * | 2012-04-18 | 2012-08-22 | 中国科学院遥感应用研究所 | 月表矿物的干涉成像光谱仪高光谱数据模拟方法 |
CN105975912A (zh) * | 2016-04-27 | 2016-09-28 | 天津大学 | 基于神经网络的高光谱图像非线性解混方法 |
CN106056044A (zh) * | 2016-05-19 | 2016-10-26 | 北京环境特性研究所 | 一种基于端元丰度反演的高光谱图像发射率光谱提取方法 |
CN108280486A (zh) * | 2018-02-02 | 2018-07-13 | 北京航空航天大学 | 一种基于端元簇的高光谱图像解混方法 |
CN108416820A (zh) * | 2018-03-02 | 2018-08-17 | 山东大学 | 一种基于遥感数据的月表撞击坑地质填图方法 |
CN108427934A (zh) * | 2018-03-28 | 2018-08-21 | 北京科技大学 | 一种高光谱影像混合像元分解方法 |
Non-Patent Citations (3)
Title |
---|
一种月壤主要矿物组分含量反演的光谱解混方法;闫柏琨 等;《光谱学与光谱分析》;20121231;第32卷(第12期);第3335-3340页 * |
基于最大化N维立体光谱角的高光谱端元提取;赵春晖 等;《光子学报》;20160131;第45卷(第1期);第0110001-1-0110001-9页 * |
多端元光谱混合分析综述;戚文超 等;《遥感信息》;20161031;第31卷(第5期);第11-18页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109696406A (zh) | 2019-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rainey et al. | Mapping intertidal estuarine sediment grain size distributions through airborne remote sensing | |
Small et al. | Multi-scale standardized spectral mixture models | |
Powell et al. | Sub-pixel mapping of urban land cover using multiple endmember spectral mixture analysis: Manaus, Brazil | |
Song | Spectral mixture analysis for subpixel vegetation fractions in the urban environment: How to incorporate endmember variability? | |
Zhang et al. | Spectral unmixing of normalized reflectance data for the deconvolution of lichen and rock mixtures | |
Weber et al. | Hyperspectral imagery for environmental urban planning | |
Demarchi et al. | Multiple endmember unmixing of CHRIS/Proba imagery for mapping impervious surfaces in urban and suburban environments | |
Goodwin et al. | Assessing plantation canopy condition from airborne imagery using spectral mixture analysis and fractional abundances | |
CN109696406B (zh) | 一种基于复合端元的月表高光谱图像阴影区域解混方法 | |
Chen et al. | Spectral unmixing using a sparse multiple-endmember spectral mixture model | |
Shi et al. | Linear spatial spectral mixture model | |
Liu et al. | Trophic state assessment of optically diverse lakes using Sentinel-3-derived trophic level index | |
CN108428237A (zh) | 基于稀疏非负矩阵欠近似的高光谱彩绘文物线稿提取方法 | |
CN109839356B (zh) | 基于WorldView-3卫星数据的矿化蚀变信息提取方法 | |
CN113469127A (zh) | 河流敏感性等级划分方法、装置、设备及存储介质 | |
Fernandes et al. | A multi-scale approach to mapping effective leaf area index in boreal Picea mariana stands using high spatial resolution CASI imagery | |
Schott et al. | A subpixel target detection technique based on the invariance approach | |
Naceur et al. | The contribution of the sources separation method in the decomposition of mixed pixels | |
Hu et al. | A spatial constraint and deep learning based hyperspectral image super-resolution method | |
Gross et al. | Application of spatial resolution enhancement and spectral mixture analysis to hyperspectral images | |
Gonçalves et al. | Assessment of the state of conservation of buildings through roof mapping using very high spatial resolution images | |
Chakravortty et al. | Fusion of hyperspectral and multispectral image data for enhancement of spectral and spatial resolution | |
Yin et al. | Automatic endmember bundle unmixing methodology for lunar regional area mineral mapping | |
Gardner et al. | Road extraction from AVIRIS using spectral mixture and Q-tree filter techniques | |
Yang et al. | Estimating Impervious Surfaces Area of Urban Watersheds Using ASTER Data. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |