CN109711441B - 图像分类方法、装置、存储介质及电子设备 - Google Patents
图像分类方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN109711441B CN109711441B CN201811524998.XA CN201811524998A CN109711441B CN 109711441 B CN109711441 B CN 109711441B CN 201811524998 A CN201811524998 A CN 201811524998A CN 109711441 B CN109711441 B CN 109711441B
- Authority
- CN
- China
- Prior art keywords
- image
- feature map
- edge
- sample
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000010586 diagram Methods 0.000 claims description 45
- 238000001914 filtration Methods 0.000 claims description 17
- 238000003708 edge detection Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 10
- 230000002194 synthesizing effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 8
- 238000009825 accumulation Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种图像分类方法、装置、存储介质及电子设备,该方法包括:获取待分类图像的特征图;获取所述待分类图像的特征图中的边缘曲线的主方向;从类别特征库中获取到所述主方向所在的方向区间、且预设尺寸的样本特征图;将所述特征图与至少一个所述类别特征库中的样本特征图进行匹配,以获取所述特征图与所述类别特征库中的样本特征图的相似度;基于所述相似度,确定所述待分类图像的类别,从图像底层边缘特征出发,采用多尺度局部边缘特征描述的方法,实现小数据量、无人工标注条件下,对图像局部区域的定位与分类,从而提升图像分类的效率和准确性。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种图像分类方法、 装置、存储介质及电子设备。
背景技术
目前,图像分类技术被广泛应用在多种应用场景中,例如:人脸检测、 人脸年龄、表情、性别预测、票据类型识别、影像合规质检、图像检索等。
在实现本发明的过程中,发明人发现,目前图像分类技术主要是以 神经网络技术为主。但是,此类技术存在明显的缺点:需要的训练数据 量大,人工标注时间耗时长、模型存储所需容量大以及预测原因不具有 可解释性等。
有鉴于此,本发明实施例提出了一种以图像局部边缘特征为主的图 像分类方法、装置、存储介质及电子设备,从图像底层边缘特征出发, 采用多尺度局部边缘特征描述的方法,实现小数据量、无人工标注条件 下,对图像局部区域的定位与分类,从而提升图像分类的效率和准确性。
在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理 解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本发明提供一种图像分类方法、装置、存储介质及电子设备, 采用多尺度局部边缘特征描述的方法,实现小数据量、无人工标注条件下, 对图像局部区域的定位与分类,从而提升图像分类的效率和准确性。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分 地通过本发明的实践而习得。
根据本发明的第一方面,提供一种图像分类方法,其中,所述方法 包括:
获取待分类图像的特征图;
获取所述待分类图像的特征图中的边缘曲线的主方向;
从类别特征库中获取到所述主方向所在的方向区间、且预设尺寸的 样本特征图;
将所述特征图与至少一个所述类别特征库中的样本特征图进行匹 配,以获取所述特征图与所述类别特征库中的样本特征图的相似度;
基于所述相似度,确定所述待分类图像的类别。
根据一些实施例,所述方法还包括:构建类别特征库;
所述构建类别特征库,包括:
对样本图像进行多次高斯滤波和亚采样,以获取所述样本图像的多 尺寸图像;
分别对所述样本图像的每个尺寸图像进行边缘检测,获取每个尺寸 图像的多个边缘图像;
基于所述每个尺寸图像的多个边缘图像的局部极大值,将所述每个 尺寸图像的多个边缘图像合成每个尺寸的边缘图像;
对所述边缘图像进行边缘过滤,以获取每个尺寸图像的边缘曲线;
基于所述每个尺寸图像的边缘曲线提取特征图;
基于所述特征图构建所述样本图像的类别特征库。
根据一些实施例,获取待分类图像的特征图,包括:
对所述待分类图像进行多次高斯滤波和亚采样,以获取所述待分类 图像的多尺寸图像;
分别对所述待分类图像的每个尺寸图像进行边缘检测,获取每个尺 寸图像的多个边缘图像;
基于所述每个尺寸图像的多个边缘图像的局部极大值,将所述每个 尺寸图像的多个边缘图像合成每个尺寸的边缘图像;
对所述边缘图像进行边缘过滤,以获取每个尺寸图像的边缘曲线;
基于所述每个尺寸图像的边缘曲线提取特征图;
将所述特征图归一化到预设尺寸,以获取所述待分类图像的特征 图。
根据一些实施例,所述特征图由主方向以及局部边缘图像构成的 key-value对组成,其中,key为主方向,value为局部边缘图像。
根据一些实施例,将所述特征图与至少一个类别特征库中的样本特 征图进行匹配,以获取所述特征图与类别特征库中的样本特征图的相似 度,包括:
设置所述预设尺寸且与所述方向区间相同的度量模板;
将所述特征图与所述类别特征库中的样本特征图投影到所述度量模 板中,计算所述特征图与所述类别特征库中的样本特征图的距离;
根据所述距离获取所述特征图与所述类别特征库中的样本特征图的 相似度。
根据一些实施例,所述方法还包括:
通过以下公式计算所述特征图与所述类别特征库中的样本特征图的 距离:
其中,d表示距离,p表示待分类图像的特征图中的边缘曲线,q表示 样本特征图中的边缘曲线,pi表示待分类图像的特征图中的边缘曲线第i 个像素点,qj表示样本特征图中的边缘曲线第j个像素点,m表示待分类图 像的特征图中的边缘曲线中的像素点的总数目,n表示样本特征图中的边 缘曲线中的像素点的总数目。
根据一些实施例,基于所述相似度,确定所述待分类图像的类别, 包括:
对所述特征图与所述类别特征库中的样本特征图的相似度大于阈值 的类别特征库中的样本特征图的数目累加投票;
基于所述投票结果确定所述特征图的类别。
根据本发明的第二方面,提供一种图像分类装置,其中,所述装置 包括:
第一获取模块,用于获取待分类图像的特征图;
第二获取模块,用于将所述特征图与至少一个类别特征库中的样本 特征图进行匹配,以获取所述特征图与类别特征库中的样本特征图的相 似度;
确定模块,用于基于所述相似度,确定所述待分类图像的类别。
根据本发明的第三方面,提供一种计算机可读存储介质,其上存储 有计算机程序,其中,该程序被处理器执行时实现如第一方面所述的方 法步骤。
根据本发明的第四方面,提供一种电子设备,其中,包括:一个或多 个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序 被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如第一 方面所述的方法步骤。
本发明实施例中,通过获取待分类图像的特征图;获取所述待分类 图像的特征图中的边缘曲线的主方向;从类别特征库中获取到所述主方 向所在的方向区间、且预设尺寸的样本特征图;将所述特征图与至少一 个所述类别特征库中的样本特征图进行匹配,以获取所述特征图与所述 类别特征库中的样本特征图的相似度;基于所述相似度,确定所述待分 类图像的类别,从图像底层边缘特征出发,采用多尺度局部边缘特征描 述的方法,实现小数据量、无人工标注条件下,对图像局部区域的定位 与分类,从而提升图像分类的效率和准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释 性的,并不能限制本公开。
附图说明
通过参照附图来详细描述其示例性实施例,本公开的上述和其它特 征及优点将变得更加明显。显而易见地,下面描述中的附图仅仅是本公 开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动 的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为根据一示例性实施例示出的一种构建类别特征库的方法的流 程示意图;
图2为本发明实施例提供的一种多尺寸的图像金字塔的示意图;
图3为根据图2中的图像金字塔中的各个尺寸的图像得到的边缘图 像的示意图;
图4为本发明实施中提供的一种选中图像像素点的示意图;
图5为本发明实施例中提供的一种在多个边缘图像中选中相同的局 部区域的示意图;
图6为根据图5中的局部极大值合成的同一尺度下的边缘图像MSi;
图7为根据图3中的各个尺寸的图像得到的边缘图像合成的各尺寸 的边缘图像的示意图;
图8为对一条边缘曲线上的各像素点做切线的示意图;
图9为本发明实施例提供的一种切线方向投票累加结果的示意图;
图10为本发明实施例提供的三种不同类型的连通边缘图像的示意 图;
图11为根据一示例性实施例示出的一种图像分类方法的流程示意 图;
图12为本发明实施例提供的一个45度方向的特征图度量模板的示 意图;
图13为将待分类图像的特征图与类别特征库中获取的样本特征图在 度量模板中的投影图;
图14为待分类图像的特征图与类别特征库中获取的样本特征图进行 度量图;
图15为本发明实施例提供的一种与待分类图像的特征图的相似度大 于阈值的样本特征图在各个类别特征库中的分布图;
图16为根据一示例性实施例示出的一种图像分类装置的结构示意 图;
图17为本公开示一示例性实施例中的电子设备的模块示意图;
图18为本公开示一示例性实施例中的程序产品示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够 以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供 这些实施例使得本发明将全面和完整,并将示例实施例的构思全面地传 达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部 分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一 个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本 发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践 本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它 的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知 方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的 实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或 多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理 器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程示意图仅是示例性说明,不是必须包括所有的内 容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步 骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的 顺序有可能根据实际情况改变。
下面结合一些实施例,对本发明实施例中提出的一种图像分类方法 进行详细的说明。
图1为根据一示例性实施例示出的一种构建类别特征库的方法的流 程示意图。如图1所示,该方法可以包括以下流程:
在S110中,对样本图像进行多次高斯滤波和亚采样,以获取所述样 本图像的多尺寸图像。
根据本发明实施例,样本图像可以由人工选定,例如,选定红色、 绿色、蓝色的图像作为样本图像,从而可以根据构建的红色、绿色、蓝 色的类别特征库中的特征图对待分类图像进行颜色的确定和分类。
需要说明的是,高斯滤波可以是二维高斯滤波,亚采样可以是1/2 亚采样,进行高斯滤波和亚采样的次数越多,则构建的类别特征库中的 样本特征图就越多,对待分类图像的分类越准确。
例如,对于样本图像S,分别进行二维高斯滤波和1/2亚采样,得到 S1;然后再对S1,分别进行二维高斯滤波和1/2亚采样,得到S2,重复 操作4次,算上初始的样本图像S,共得到5张不同尺寸的图像,这5 张尺寸的图像构成一个多尺寸的图像金字塔,假设初始的样本图像S的 尺寸为:W*H,那么S1的尺寸为W/2*H/2,S2的尺寸为W/4*H/4, S3的尺寸为W/8*H/8,以此类推。如图2所示,其为本发明实施例提供 的一种多尺寸的图像金字塔的示意图。
在S120中,分别对所述样本图像的每个尺寸图像进行边缘检测,获 取每个尺寸图像的多个边缘图像。
需要说明的是,样本图像的多尺寸图像能够反映不同拍摄焦距条件 下目标的成像情况,可以分级描述不同尺度下图像边缘的规律。
本发明实施例中,可以选择使用多个方向的Sobel边缘检测算子, 对不同尺寸下的图像分别进行边缘检测。例如,选择使用4个方向(水 平、垂直、45度、135度)。
根据本发明实施例,对于一个尺寸下的图像,若使用N个方向的 Sobel边缘检测算子,则会得到该图像的N张表征不同方向边缘强度的 图像。例如,对于尺寸为S、S1、S2、S3、S4的图像,经过水平、垂 直、45度、135度这4个方向的Sobel边缘检测算子边缘检测后,得到4 张表征不同方向边缘强度的图像,例如,图像S1进行边缘检测后,得到 的四张边缘图像表示为MS1,1、MS1,2、MS1,3以及MS1,4。如图3所示,其 为根据图2中的图像金字塔中的各个尺寸的图像得到的边缘图像的示意 图。
在S130中,基于所述每个尺寸图像的多个边缘图像的局部极大值, 将所述每个尺寸图像的多个边缘图像合成每个尺寸的边缘图像。
根据本发明实施例,在获取每个尺寸图像的多个边缘图像的局部极 大值时,可以从每个尺寸图像的多个边缘图像中任意一张边缘图像作为 基础图像,遍历该边缘图像中的所有的像素点,从而获取到该边缘图像 的极大值,通过比较与该边缘图像为相同尺寸的其他边缘图像的极大 值,获取到该尺寸下的所有边缘图像的局部极大值。
例如,首先,从图像Si所对应的边缘图像中任选一张图像作为基础 图像,这里假设选MSi,1作为基础图像,遍历图像MSi,1中所有像素点,如 图4所示,其为本发明实施中提供的一种选中图像像素点的示意图。图 4中,选择图像中任意一个像素点,以该像素点为中心,采用5*5且R=2 的方块作为局部区域,判断选择的中心像素点是否为该方块内所有像素 点极大值,这一判断可以表述为下面的两个判断条件:
1)该像素点在MSi,1中半径为R的局部区域内为极大值。如图4所 示,选择的像素点的像素值在方块内是最大值。
2)在M_(Si,1)选择的像素点相比与其他边缘图像MS1,1、MS1,2、MS1,3以及MS1,4在相同位置的5*5且R=2的方块作为局部区域内均是极大值。 如图5所示,其为本发明实施例中提供的一种在多个边缘图像中选中相 同的局部区域的示意图,其中,选择的像素点的像素值比其它图像中半 径为R范围内的像素值都大。
根据本发明实施例,在获取到每个尺寸图像的多个边缘图像的局部 极大值后,基于局部极大值,可以将所述每个尺寸图像的多个边缘图像 合成每个尺寸的边缘图像。如图6所示,其为根据图5中的局部极大值 合成的同一尺度下的边缘图像MSi。图7为根据图3中的各个尺寸的图像 得到的边缘图像合成的各尺寸的边缘图像的示意图。
在S140中,对所述边缘图像进行边缘过滤,以获取每个尺寸图像的 边缘曲线。
根据本发明实施例,在获取到各尺寸的边缘图像后,在进行边缘过 滤前,分别采用腐蚀算法或骨架提取算法,对各尺寸的极大值图像金字 塔中的各层图像(各尺寸图像合成的边缘图像)进行细化处理,生成二 值(0或1)的像素值,将像素值为1的单个像素连通,组成多个长短不 同的边缘曲线。
需要说明的是,在生成多个边缘曲线后,仍然存在许多琐碎的边缘 噪声,为了进一步滤除干扰,本发明实施例中对较短长度的边缘曲线进 行擦除(即像素值设置为0)。边缘曲线的长度计算方法可以采用轮廓提 取算法。
本发明实施例中,可以通过如下公式计算边缘曲线的长度:
δ=min(W,H)/A (1)
其中,min()为取较小值函数,δ为边缘曲线的长度,W以及H为 边缘曲线所在图像的尺寸,A为经验常数,本发明实施例中可以提供一 个经验值,A=5。
当求得的δ小于阈值,则将该边缘曲线进行擦除,若求得的δ大于 或等于该阈值,则保留该边缘曲线。
需要说明的是,每个尺寸的图像中可以包括多条边缘曲线,或者不 存在边缘曲线,对于包括多条边缘曲线的图像中,可以将每条边缘曲线 做不同的唯一性标记,以便下一步的特征图的提取。
在S150中,基于所述每个尺寸图像的边缘曲线提取特征图。
需要说明的是,特征图的作用是描述边缘图像的特征,是一个由主 方向+局部边缘图像构成的key-value对组成,其中key为主方向,value 为局部边缘图像。例如,对于图像Si下得到的合成边缘图像MSi,根据 边缘曲线的唯一标识,分别提取各边缘曲线的特征图,边缘曲线的特征 图包括两个部分:主方向和边缘图像,各自的提取方法分别描述如下:
1)特征图的主方向
本发明实施例中,使用边缘曲线的主方向作为特征图主方向的计算 方法,将每个尺寸的边缘曲线按照方向划分到方向区间,将该方向区间 作为该边缘曲线的主方向。
例如,首先对边缘曲线上各像素点分别计算切线方向,如图8所 示,其为对一条边缘曲线上的各像素点做切线的示意图,然后采用投票 累加的方式计算主方向。方向区间可以是多个,本发明实施例中,方向 区间为8份(8不是固定值,可以根据需要自行设定),每个方向区间为 22.5度,共180度(对称的180~360度并入0~180度统计)。投票累加 结果中的最大值(记为R)对应的方向区间提取的特征图的主方向,如 图9所示,其为本发明实施例提供的一种切线方向投票累加结果的示意 图。
需要指出的是,如果投票累加结果中,存在多个小于最大累加值的 累加值(这些累加值可以记为Y1,Y2,...),且,如果这些累加值与最大 累加值的比值大于比例阈值,那么这些累加值对应的方向也可以被选为 特征图的主方向,即同一边缘,可以有多个主方向。
其中,α表示累加值与最大累加值的比值,R表示最大累加值,Yi 表示其他累加值。
本发明实施例中,通过这些累加值,能够增强主方向的鲁棒性,尽 可能保证查全率。
2)特征图的边缘图像
在确定特征图的主方向后,各个连通的边缘被切分为一个个子边缘 图像,每个子边缘图像中只有一条连通的边缘,并且边缘的宽度为一个 像素点。如图10所示,其为本发明实施例提供的三种不同类型的连通边 缘图像的示意图。
在S160中,基于所述特征图构建所述样本图像的类别特征库。
在提取特征图后,将该特征图存储到样本图像对应的类别特征库。
根据本发明实施例,对于特征图这种key-value型数据存储,可以使 用的方法很多,例如,HBase、MongoDB等非关系型数据库,也可以使 用MySQL等关系型数据库。
需要指出的是,如果同一个边缘图像存在多个主方向,那么在存储 时,不同方向需要当做独立的key-value对存储,即:主方向-边缘图 像,此时他们的边缘图像是相同的。
本发明实施例中,为了提高特征图数据库的访问性能,可以将主方 向设为一级分类目录,即:具有相同主方向的特征图将被存储在一个文 件目录下,从而减小存储的空间提升以及与待分类图像的匹配时间。例 如,对于8个方向区间而言,在与待分类图像匹配时,可以减少平均约 7/8(这个结果是假设主方向被分成8份,且主方向只有1个的情况)的检索时间和空间。
以上实施例详细的说明了如何构建构建一个类别特征库,对于多个 样本图像,可以构建多种类别的类别特征库。
下面结合具体的实施例,对本发明实施例提出的一种图像分类方法 进行详细的说明。
图11为根据一示例性实施例示出的一种图像分类方法的流程示意 图。如图11所示,该方法可以包括以下流程:
S1110、获取待分类图像的特征图。
需要说明的是,获取待分类图像的特征图的方法可以参考上述构建 类别特征库中的S110至S150,此处不再赘述。
S1120、获取所述待分类图像的特征图中的边缘曲线的主方向。
需要说明的是,获取所述待分类图像的特征图中的边缘曲线的主方 向的方法请参照特征图的主方向的计算方法,例如,首先对边缘曲线上 各像素点分别计算切线方向,如图8所示,其为对一条边缘曲线上的各 像素点做切线的示意图,然后采用投票累加的方式计算主方向。
S1130、从类别特征库中获取到所述主方向所在的方向区间、且预设 尺寸的样本特征图。
根据本发明实施例,在获取待分类图像的特征图中的边缘曲线的主 方向后,从构建的类别特征库中获取到所述主方向所在的方向区间的且 所述预设尺寸的样本特征图。
需要说明的是,在获取到待分类图像的特征后,可以首先将特征图 归一化到一个固定的尺寸W*H(具体大小由用户自定义)。然后按照构 建类别特征库的方法获取到待分类图像的主方向,从各个类别特征库中 可以查找到与该主方向为相同的方向区间的特征图,并将类别特征库中 的特征图也归一化到相同尺寸,从而获取到所述特征图的方向所在的方 向区间的且所述预设尺寸的样本特征图。
S1140、将所述特征图与至少一个所述类别特征库中的样本特征图 进行匹配,以获取所述特征图与所述类别特征库中的样本特征图的相似 度。
根据本发明实施例,在将所述特征图与至少一个类别特征库中的样 本特征图进行匹配时,可以设置与待分类图像的特征图归一化后的预设 尺寸相同尺寸的度量模板,然后将所述特征图与所述类别特征库中的样 本特征图投影到所述度量模板中,计算所述特征图与所述类别特征库中 的样本特征图的距离,并根据所述距离获取所述特征图与所述类别特征 库中的样本特征图的相似度。
例如,某待分类图像的特征图共有M个主方向,在将这些特征图归 一化到预设尺寸,从类别特征库中获取到与该预设尺寸相同、且方向区 间相同的特征图之后,定义M个尺寸为该预设尺寸、且主方向与该待分 类的特征图相同的特征图的度量模板。然后,对度量模板中的所有点进 行标记。如图12所示,其为本发明实施例提供的一个45度方向的特征图度量模板的示意图。其中,与模板主方向相同的中轴线如图中直线所 示,以中轴线为中心,分别标记两个像素点距离中轴线的距离。其它方 向的特征图度量模板采用相同方法标记。
需要指出的是,本发明实施例中也可以在将待分类图像的特征图归 一化成预设尺寸后,设置与该预设尺寸相同且方向区间相同的度量模 板,然后从类别特征库中获取到与该预设尺寸相同、且方向区间相同的 特征图。
在设置好度量模板后,然后将待分类图像的特征图与从类别特征库 中获取的样本特征图投影到所述度量模板中,计算所述特征图与所述类 别特征库中的样本特征图的距离,并根据所述距离获取所述特征图与所 述类别特征库中的样本特征图的相似度。
例如,以图12中的度量模板为例,假设将待分类图像的特征图与类 别特征库中获取的样本特征图投影到度量模板中后(待分类图像的特征 图以及类别特征库中获取的样本特征图主方向均为45度),得到如图13 所示的将待分类图像的特征图与类别特征库中获取的样本特征图在度量 模板中的投影图。
根据本发明实施例,可以通过以下公式计算所述特征图与所述类别 特征库中的样本特征图的距离:
其中,d表示距离,p表示待分类图像的特征图中的边缘曲线,q表 示样本特征图中的边缘曲线,pi表示待分类图像的特征图中的边缘曲线 第i个像素点,qj表示样本特征图中的边缘曲线第j个像素点,m表示待 分类图像的特征图中的边缘曲线中的像素点的总数目,n表示样本特征 图中的边缘曲线中的像素点的总数目。
例如,对于图13中的投影图,通过将待分类图像的特征图与类别特 征库中获取的样本特征图进行度量,如图14所示,为待分类图像的特征 图与类别特征库中获取的样本特征图进行度量图,利用上述公式(3)可 以得到:
d=0.625
根据本发明实施例,在计算出距离后,可以根据所述距离获取所述 特征图与所述类别特征库中的样本特征图的相似度。例如,将距离折算 成相似度,距离越小,相似度越高。
S1150、基于所述相似度,确定所述待分类图像的类别。
根据本发明实施例,在计算出相似度后,对所述特征图与所述类别 特征库中的样本特征图的相似度大于阈值的类别特征库中的样本特征图 的数目累加投票,并基于所述投票结果确定所述特征图的类别。
例如,将待分类图像生成的各个特征图,在各个类别特征库中进行 匹配后,分别计算出与各个类别特征库中的样本特征图的相似度,分别 获得与相似度大于阈值的各个类别特征库中的样本特征图,对这些样本 特征图所在的类别累加投票,获得的票数最高的类别为待分类图像的类 别。如图15所示,其为本发明实施例提供的一种与待分类图像的特征图 的相似度大于阈值的样本特征图在各个类别特征库中的分布图。其中, 假设,与待分类体图像的特征图相似度大于阈值的样本特征图中蓝色累 计4票,绿色累计5票,橙色累计2票,紫色累计1票,则可以确定待 分类图像为绿色。
需要指出的是,可以采用候选类别的方法,获得较高的查全率,将 得票数目次最高的类别作为候选类别。具体请参考公式(2)对应的方 法。
本发明实施例中,通过获取待分类图像的特征图;获取所述待分类 图像的特征图中的边缘曲线的主方向;从类别特征库中获取到所述主方 向所在的方向区间、且预设尺寸的样本特征图;将所述特征图与至少一 个所述类别特征库中的样本特征图进行匹配,以获取所述特征图与所述 类别特征库中的样本特征图的相似度;基于所述相似度,确定所述待分 类图像的类别,从图像底层边缘特征出发,采用多尺度局部边缘特征描 述的方法,实现小数据量、无人工标注条件下,对图像局部区域的定位 与分类,从而提升图像分类的效率和准确性。
应清楚地理解,本发明描述了如何形成和使用特定示例,但本发明 的原理不限于这些示例的任何细节。相反,基于本发明公开的内容的教 导,这些原理能够应用于许多其它实施例。
下述为本发明装置实施例,可以用于执行本发明方法实施例。在下 文对装置的描述中,与前述方法相同的部分,将不再赘述。
图16为根据一示例性实施例示出的一种图像分类装置的结构示意 图。如图16所示,该装置1600可以包括:
第一获取模块1610,用于获取待分类图像的特征图;
第二获取模块1620,用于获取所述待分类图像的特征图中的边缘曲 线的主方向;
第三获取模块1630,用于从类别特征库中获取到所述主方向所在的 方向区间、且预设尺寸的样本特征图;
第四获取模块1640,用于将所述特征图与至少一个所述类别特征库 中的样本特征图进行匹配,以获取所述特征图与所述类别特征库中的样 本特征图的相似度;
确定模块1650,用于基于所述相似度,确定所述待分类图像的类 别。
本发明实施例中,通过获取待分类图像的特征图;获取所述待分类 图像的特征图中的边缘曲线的主方向;从类别特征库中获取到所述主方 向所在的方向区间、且预设尺寸的样本特征图;将所述特征图与至少一 个所述类别特征库中的样本特征图进行匹配,以获取所述特征图与所述 类别特征库中的样本特征图的相似度;基于所述相似度,确定所述待分 类图像的类别,从图像底层边缘特征出发,采用多尺度局部边缘特征描 述的方法,实现小数据量、无人工标注条件下,对图像局部区域的定位 与分类,从而提升图像分类的效率和准确性。
上述中各图像分类装置的模块的具体细节已经在对应的图像分类方 法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于执行的设备的若干模 块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施 方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模 块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功 能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电 子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为 ***、方法或程序产品。因此,本发明的各个方面可以具体实现为以下 形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微 代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电 路”、“模块”或“***”。
下面参照图17来描述根据本发明的这种实施方式的电子设备 1400。图17显示的电子设备1700仅仅是一个示例,不应对本发明实施 例的功能和使用范围带来任何限制。
如图17所示,电子设备1700以通用计算设备的形式表现。电子设 备1700的组件可以包括但不限于:上述至少一个处理单元1710、上述 至少一个存储单元1720、连接不同***组件(包括存储单元1720和处理 单元1710)的总线1730、显示单元1740。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处 理单元1710执行,使得所述处理单元1710执行本说明书上述“示例性方 法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述 处理单元1710可以执行如图11中所示的S1110、获取待分类图像的特 征图;S1120、获取所述待分类图像的特征图中的边缘曲线的主方向;S1130、从类别特征库中获取到所述主方向所在的方向区间、且预设尺寸 的样本特征图;S1140、将所述特征图与至少一个所述类别特征库中的样 本特征图进行匹配,以获取所述特征图与所述类别特征库中的样本特征 图的相似度;S1150、基于所述相似度,确定所述待分类图像的类别。
存储单元1720可以包括易失性存储单元形式的可读介质,例如随机 存取存储单元(RAM)17201和/或高速缓存存储单元17202,还可以进 一步包括只读存储单元(ROM)17203。
存储单元1720还可以包括具有一组(至少一个)程序模块17205的 程序/实用工具17204,这样的程序模块17205包括但不限于:操作系 统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中 的每一个或某种组合中可能包括网络环境的实现。
总线1730可以为表示几类总线结构中的一种或多种,包括存储单元 总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使 用多种总线结构中的任意总线结构的局域总线。
电子设备1700也可以与一个或多个外部设备1770(例如键盘、指向 设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设 备1700交互的设备通信,和/或与使得该电子设备1700能与一个或多个 其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通 信。这种通信可以通过输入/输出(I/O)接口1750进行。并且,电子设 备1700还可以通过网络适配器1760与一个或者多个网络(例如局域网 (LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所 示,网络适配器1760通过总线1730与电子设备1700的其它模块通信。 应当明白,尽管图中未示出,可以结合电子设备1700使用其它硬件和/ 或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外 部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描 述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件 的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品 的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以 是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等) 执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质, 其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施 方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括 程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使 所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发 明各种示例性实施方式的步骤。
参考图18所示,描述了根据本发明的实施方式的用于实现上述方法 的程序产品1800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包 括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明 的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存 储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或 者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质 可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不 限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者 任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括: 具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器 (RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM 或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁 存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的 数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多 种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可 读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可 以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与 其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不 限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明 操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸 如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言 或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、 部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务 器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意 种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算 设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来 通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理 的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不 表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是 例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想 到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者 适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理 并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明 书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指 出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的 精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范 围仅由所附的权利要求来限。
Claims (9)
1.一种图像分类方法,其特征在于,所述方法包括:
获取待分类图像的特征图;
获取所述待分类图像的特征图中的边缘曲线的主方向;
从类别特征库中获取到所述主方向所在的方向区间、且预设尺寸的样本特征图;
将所述特征图与至少一个所述类别特征库中的样本特征图进行匹配,以获取所述特征图与所述类别特征库中的样本特征图的相似度;
基于所述相似度,确定所述待分类图像的类别;
构建所述类别特征库,包括:
对样本图像进行多次高斯滤波和亚采样,以获取所述样本图像的多尺寸图像;
分别对所述样本图像的每个尺寸图像进行边缘检测,获取每个尺寸图像的多个边缘图像;
基于所述每个尺寸图像的多个边缘图像的局部极大值,将所述每个尺寸图像的多个边缘图像合成每个尺寸的边缘图像;
对所述边缘图像进行边缘过滤,以获取每个尺寸图像的边缘曲线;
基于所述每个尺寸图像的边缘曲线提取特征图;
基于所述特征图构建所述样本图像的类别特征库。
2.如权利要求1所述的方法,其特征在于,获取待分类图像的特征图,包括:
对所述待分类图像进行多次高斯滤波和亚采样,以获取所述待分类图像的多尺寸图像;
分别对所述待分类图像的每个尺寸图像进行边缘检测,获取每个尺寸图像的多个边缘图像;
基于所述每个尺寸图像的多个边缘图像的局部极大值,将所述每个尺寸图像的多个边缘图像合成每个尺寸的边缘图像;
对所述边缘图像进行边缘过滤,以获取每个尺寸图像的边缘曲线;
基于所述每个尺寸图像的边缘曲线提取特征图;
将所述特征图归一化到预设尺寸,以获取所述待分类图像的特征图。
3.如权利要求2所述的方法,其特征在于,所述特征图由主方向以及局部边缘图像构成的key-value对组成,其中,key为主方向,value为局部边缘图像。
4.如权利要求3所述的方法,其特征在于,将所述特征图与至少一个类别特征库中的样本特征图进行匹配,以获取所述特征图与类别特征库中的样本特征图的相似度,包括:
设置所述预设尺寸且与所述方向区间相同的度量模板;
将所述特征图与所述类别特征库中的样本特征图投影到所述度量模板中,计算所述特征图与所述类别特征库中的样本特征图的距离;
根据所述距离获取所述特征图与所述类别特征库中的样本特征图的相似度。
6.如权利要求4所述的方法,其特征在于,基于所述相似度,确定所述待分类图像的类别,包括:
对所述特征图与所述类别特征库中的样本特征图的相似度大于阈值的类别特征库中的样本特征图的数目累加投票;
基于所述投票结果确定所述特征图的类别。
7.一种图像分类装置,其特征在于,所述装置包括:
第一获取模块,用于获取待分类图像的特征图;
第二获取模块,用于获取所述待分类图像的特征图中的边缘曲线的主方向;
第三获取模块,用于从类别特征库中获取到所述主方向所在的方向区间、且预设尺寸的样本特征图;
第四获取模块,用于将所述特征图与至少一个所述类别特征库中的样本特征图进行匹配,以获取所述特征图与所述类别特征库中的样本特征图的相似度;
确定模块,用于基于所述相似度,确定所述待分类图像的类别;
构建所述类别特征库,包括:
对样本图像进行多次高斯滤波和亚采样,以获取所述样本图像的多尺寸图像;
分别对所述样本图像的每个尺寸图像进行边缘检测,获取每个尺寸图像的多个边缘图像;
基于所述每个尺寸图像的多个边缘图像的局部极大值,将所述每个尺寸图像的多个边缘图像合成每个尺寸的边缘图像;
对所述边缘图像进行边缘过滤,以获取每个尺寸图像的边缘曲线;
基于所述每个尺寸图像的边缘曲线提取特征图;
基于所述特征图构建所述样本图像的类别特征库。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-6任一项所述的方法步骤。
9.一种电子设备,其特征在于,包括:一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-6中任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811524998.XA CN109711441B (zh) | 2018-12-13 | 2018-12-13 | 图像分类方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811524998.XA CN109711441B (zh) | 2018-12-13 | 2018-12-13 | 图像分类方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109711441A CN109711441A (zh) | 2019-05-03 |
CN109711441B true CN109711441B (zh) | 2021-02-12 |
Family
ID=66256437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811524998.XA Active CN109711441B (zh) | 2018-12-13 | 2018-12-13 | 图像分类方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109711441B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490246B (zh) * | 2019-08-15 | 2022-05-03 | 中云信安(深圳)科技有限公司 | 垃圾类别确定方法、装置、存储介质及电子设备 |
CN112749602A (zh) * | 2019-10-31 | 2021-05-04 | 北京市商汤科技开发有限公司 | 目标查询方法、装置、设备及存储介质 |
CN111666439B (zh) * | 2020-05-28 | 2021-07-13 | 广东唯仁医疗科技有限公司 | 针对云端环境快速提取和划分医学影像大数据的工作方法 |
CN117372787B (zh) * | 2023-12-05 | 2024-02-20 | 同方赛威讯信息技术有限公司 | 一种图像多类别识别方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101013126A (zh) * | 2007-01-15 | 2007-08-08 | 浙江大学 | 用计算机预测木质人造板强度的方法 |
CN103336835A (zh) * | 2013-07-12 | 2013-10-02 | 西安电子科技大学 | 基于权值color-sift特征字典的图像检索方法 |
CN103399863A (zh) * | 2013-06-25 | 2013-11-20 | 西安电子科技大学 | 基于边缘方向差特征袋的图像检索方法 |
CN103473557A (zh) * | 2013-09-02 | 2013-12-25 | 杭州电子科技大学 | 一种空谱一体化的高光谱遥感图像分类方法 |
CN106446957A (zh) * | 2016-10-08 | 2017-02-22 | 常熟理工学院 | 一种基于随机森林的雾霾图像分类方法 |
CN108921206A (zh) * | 2018-06-15 | 2018-11-30 | 北京金山云网络技术有限公司 | 一种图像分类方法、装置、电子设备及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706780A (zh) * | 2009-09-03 | 2010-05-12 | 北京交通大学 | 一种基于视觉注意力模型的图像语义检索方法 |
CN103383700B (zh) * | 2013-06-26 | 2016-06-29 | 西安电子科技大学 | 基于边缘方向差直方图的图像检索方法 |
CN104680481B (zh) * | 2013-11-28 | 2018-09-11 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声辅助扫查方法和*** |
CN105069806A (zh) * | 2015-08-25 | 2015-11-18 | 西安电子科技大学 | 一种三点联合的图像边缘检测方法 |
CN105608234A (zh) * | 2016-03-18 | 2016-05-25 | 北京京东尚科信息技术有限公司 | 图像检索方法和装置 |
US9886640B1 (en) * | 2016-08-08 | 2018-02-06 | International Business Machines Corporation | Method and apparatus to identify a live face image using a thermal radiation sensor and a visual radiation sensor |
CN107358616B (zh) * | 2017-06-30 | 2020-04-14 | 西安电子科技大学 | 基于各向异性形态学方向比率的sar图像边缘检测方法 |
-
2018
- 2018-12-13 CN CN201811524998.XA patent/CN109711441B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101013126A (zh) * | 2007-01-15 | 2007-08-08 | 浙江大学 | 用计算机预测木质人造板强度的方法 |
CN103399863A (zh) * | 2013-06-25 | 2013-11-20 | 西安电子科技大学 | 基于边缘方向差特征袋的图像检索方法 |
CN103336835A (zh) * | 2013-07-12 | 2013-10-02 | 西安电子科技大学 | 基于权值color-sift特征字典的图像检索方法 |
CN103473557A (zh) * | 2013-09-02 | 2013-12-25 | 杭州电子科技大学 | 一种空谱一体化的高光谱遥感图像分类方法 |
CN106446957A (zh) * | 2016-10-08 | 2017-02-22 | 常熟理工学院 | 一种基于随机森林的雾霾图像分类方法 |
CN108921206A (zh) * | 2018-06-15 | 2018-11-30 | 北京金山云网络技术有限公司 | 一种图像分类方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109711441A (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711441B (zh) | 图像分类方法、装置、存储介质及电子设备 | |
CN108280477B (zh) | 用于聚类图像的方法和装置 | |
CN108898086B (zh) | 视频图像处理方法及装置、计算机可读介质和电子设备 | |
CN108229509B (zh) | 用于识别物体类别的方法及装置、电子设备 | |
CN112016605B (zh) | 一种基于边界框角点对齐和边界匹配的目标检测方法 | |
CN112861720A (zh) | 基于原型卷积神经网络的遥感图像小样本目标检测方法 | |
US20110103695A1 (en) | Image processing apparatus and image processing method | |
WO2021217924A1 (zh) | 交通卡口车辆类型的识别方法、装置、设备及存储介质 | |
CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
CN110929802A (zh) | 基于信息熵的细分类识别模型训练、图像识别方法及装置 | |
CN110704652A (zh) | 基于多重注意力机制的车辆图像细粒度检索方法及装置 | |
Ghosh et al. | Automated detection and classification of pavement distresses using 3D pavement surface images and deep learning | |
CN112287957A (zh) | 目标匹配方法与装置 | |
CN112990152A (zh) | 基于关键点检测和局部特征对齐的车辆重识别方法 | |
CN113239227A (zh) | 图像数据结构化方法、装置、电子设备及计算机可读介质 | |
CN104616022A (zh) | 一种近红外光谱的分类方法 | |
CN112906823A (zh) | 目标对象识别模型训练方法、识别方法及识别装置 | |
CN113793370A (zh) | 三维点云配准方法、装置、电子设备及可读介质 | |
CN113158777A (zh) | 质量评分方法、质量评分模型的训练方法及相关装置 | |
CN110287940B (zh) | 一种基于人工智能的掌纹识别方法及*** | |
CN112509041B (zh) | 一种基于停车场的车辆定位方法、***和存储介质 | |
US9195887B2 (en) | Retrieving apparatus, retrieving method, and computer program product | |
Shi et al. | Anchor free remote sensing detector based on solving discrete polar coordinate equation | |
CN111931557A (zh) | 瓶装饮品的规格识别方法、装置、终端设备及可读存介质 | |
CN115798004A (zh) | 基于局部区域的人脸打卡方法、装置、电子设备及介质 |
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 |