CN110956593A - 一种基于灰狼优化的高斯混合灰度列车车轮踏面图像增强方法 - Google Patents
一种基于灰狼优化的高斯混合灰度列车车轮踏面图像增强方法 Download PDFInfo
- Publication number
- CN110956593A CN110956593A CN201911138374.9A CN201911138374A CN110956593A CN 110956593 A CN110956593 A CN 110956593A CN 201911138374 A CN201911138374 A CN 201911138374A CN 110956593 A CN110956593 A CN 110956593A
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- gaussian mixture
- gaussian
- wolf
- 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
- 241000282461 Canis lupus Species 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 239000000203 mixture Substances 0.000 claims abstract description 25
- 238000013507 mapping Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 230000006978 adaptation Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于灰狼优化的高斯混合灰度列车车轮踏面图像增强方法,首先采用高斯混合模型(GMM)对输入图像的灰度直方图建模,并采用模型中高斯成分的有效交点来分割直方图。随后,该方法将每个直方图区间的灰度值转换到合适的输出区间,生成增强后的灰度图像,其中转换函数由输入直方图区间的高斯成分和累积分布经过灰狼优化后的参数决定。本发明相比传统方法显著提高了图像对比度,使得图像细节更丰富。
Description
技术领域
本发明涉及图像处理技术领域,具体是一种列车车轮踏面图像的增强方法。
背景技术
随着高速铁路的快速发展,高速列车的运行速度不断提高,高速列车的安全问题也不得不受到人们的重视。列车车轮是轨道车辆的关键部件之一,其健康与否直接关系到整个列车的安全。紧急制动时车轮的摩擦、轮对与钢轨间的冲撞以及转弯时轮对轨面的相对滑动都会造成踏面损伤,而剥离和擦伤则会严重影响列车与轨道设施的安全和使用寿命。然而在实际拍摄处于运动状态的踏面图像时,很容易受到拍摄环境与条件的影响,造成踏面图像低对比度和纹理细节不清晰等,背景对比度低,这使得它很难辨认原始图像中的背景与损伤,传统处理方法如直方图法的效果不佳。因此,需要研究一种针对列车车轮踏面图像的高效图像增强算法。
发明内容
本发明解决的技术问题是:提供一种列车车轮踏面图像的增强方法,解决现有方法对原始图像增强后细节等级效果不佳的问题。
为了达到上述目的,本发明采用下述技术方案:
一种基于灰狼优化的高斯混合灰度列车车轮踏面图像增强方法,
使用灰狼优化算法选择得到高斯混合模型的最优变换函数,灰狼算法是一种新型非线性优化算法,在许多领域的优化问题中表现出众。而高斯混合模型可以用来对任何数据分布建模,它由不同高斯分布函数线性组合而成,每个高斯分布具有不同的参数。通过该模型的处理可以得到增强的列车车轮踏面图像。
1、高斯混合模型设计
高斯混合模型(GMM)可以用来对任何数据分布建模,它由不同高斯分布函数线性组合而成,每个高斯分布具有不同的参数。假设输入图像Iin={x(i,j)|1≤i≤M,1≤j≤N},,其尺寸为M*N,且I的动态范围为[xU,xL],x(i,j)∈[xU,xL]。通过高斯混合建模,能生成增强后的图像Iout={y(i,j)|1≤i≤M,1≤j≤N},将原图像动态范围经过拉伸或压缩后得到输出图像动态范围[yU,yL],y(i,j)∈[yU,yL]。
2、基于灰狼优化的图像增强算法
本发明采用参数化变换函数来增强输入图像亮度。为了得到增强参数的最优值,初始化n匹灰狼位置信息,这些灰狼位置信息对应不同的增强图像。参数的质量由计算出的适应值定义,并由此计算出全局最优位置。迭代重复以上步骤,直至全局最优位置对应的参数能生成适应值足够好的增强图像。
本发明具有以下有益效果:
(1)通过将灰狼优化算法引入高斯混合模型,提高转换函数的优化效果;
(2)相比传统图像增强方法,本发明算法在视觉效果上有显著提升,在提高图像对比度的同时,更好地抑制了噪声,还原图像的层次细节。
附图说明
图1为列车车轮踏面原始图像。
图2为传统直方图均衡化增强图像。
图3为本发明实施例的算法增强图像。
图4为本发明实施例的灰狼算法等级示意图。
图5为本发明实施例的灰狼算法流程图。
具体实施方式
下面结合附图对本发明做进一步说明。
1、高斯混合模型
1.1 混合模型中高斯函数数量的决定
高斯混合模型(GMM)可以用来对任何数据分布建模,它由不同高斯分布函数线性组合而成,每个高斯分布具有不同的参数。假设输入图像Iin={x(i,j)|1≤i≤M,1≤j≤N},,其尺寸为M*N,且I的动态范围为[xU,xL],x(i,j)∈[xU,xL]。通过高斯混合建模,能生成增强后的图像Iout={y(i,j)|1≤i≤M,1≤j≤N},将原图像动态范围经过拉伸或压缩后得到输出图像动态范围[yU,yL],y(i,j)∈[yU,yL]。高斯混合模型增强算法包括以下3步:首先,对输入图像建立高斯混合模型,并根据GMM各高斯成分的交点分割输入图像的直方图;然后根据映射变换把各区间中的灰度值转换至合适的区间输出,以生成增强图像。
设i为灰度级,0≤i≤L,ni是灰度级为i的像素数量,MN是Iin中的像素总数, K是对输入图像建模所需的高斯函数数量,2≤K≤L。GMM的首要目标是得出K的值,并将图像直方图分为K个子图。然后运用下面的公式(1)计算每个子直方图的累积概率密度cdfj,其中1≤j≤K。
由(1)式可定义直方图分割方案的平均值和方差,分别是:
直方图分割方案的质量由方案的标准差σW和子直方图的数量K决定。开销函数为
cost=K log2 K+λσW (4)
1.2 GMM参数的估计
输入图像的灰度级分布p(xi)(x∈Iin)可用GMM表示为K个高斯函数的线性组合:
式中:g(xi|μj,σj)是第j个高斯成分;aj是第j个高斯成分的权值;α1+α2+…+αk=1。高斯分布密度函数定义为
式中:μj和分别为高斯成分的平均值和方差。可以采用期望最大化算法(EM 算法)来求取最佳统计参数θ={αj,μj,σj},其中j=1,2,L,K。平均值和方差的初始值可由(2)式和(3)式计算,加权数aj可初始化为1/K。输入图像Iin={x1,x2,L,xMN} EM算法的似然函数可由下式计算:
1.3直方图分割
对直方图按照相邻高斯函数的交点进行分割。为了得到交点,将高斯函数按平均值升序进行排列,于是第j个和第j+1个高斯函数的交点可表示如下:
αjg(x|μj,σj)=αj+1g(x|μj+1,σj+1) (12)
方程(13)的根即为相邻高斯函数的交点。处理时需要忽略掉在输入图像动态范围外的点,然后建立起一组重要交点集。计算出的总交点数为2(K-1),其中重要交点按升序排列。为了覆盖输入图像的全部动态范围,选取最左和最右的重要交点和如下:
1.4子区间映射
式中:wi和方差δωi是第i个子区间的权值和方差。nl是亮度级小于等于的像素总数。参数c为亮度常数,决定了主要高斯函数方差对映射函数的影响能力,其值越大,输出图像越亮。由此可见,映射权值β取决于子区间中主要高斯成分的像素密度、权值和方差。利用β可将输入子区间到输出区间的映射表示为
yd=0.001aL,yu=(1-0.001b)L (18)
上述映射公式将输入动态范围中的区间映射为输出动态范围中区间。其中L为原图像的最大灰度级,输出区间的左边界和右边界由a和b控制,0≤a≤1,0≤b≤1。随后,再对a,b,c 3 个参数的值进行粒子群优化求取,以得到最终的增强图像。
2、灰狼优化算法
灰狼算法是模仿狼群捕食时,狼群集体捕捉目标的过程。灰狼是群居动物,具有严格的社会等级制度和合作工作。一个种群中的灰狼可分为四个等级,从高到低依次为:Alpha(α)、beta(β)、delta(δ)和omega(ω)。通常等级较高的狼会命令等 级较低的狼,但有时也会接受等级较低的狼的建议。为了对层次进行数学建模,最佳解 取α,第二和第三拟合解分别为β和δ。所有其他解都被认为是ω。
灰狼捕食过程主要有三个步骤:一是狼群追踪猎物;二是猎物被狼群围住;三是狼群通过缩小包围圈的范围来接近猎物并捕获。事实证明,它们的捕食策略在本质上是一种非常有效的方法,其数学描述如下:
其中rand1,rand2是满足[0,1]的某一个任意数,
e=2-t/tmax (22)
tmax表示最大迭代次数。
由于α,β,δ是最接近猎物位置的狼,由这三匹狼计算得到的狼的位置可以近似看作目标位置,因此得到猎物位置计算公式如下,
每次迭代后,还要代入指标函数,确定当前迭代是否应该取代前次迭代得到的解,由式(25)即可判断。
整个算法流程见流程图5。
本实施例中,迭代次数选为200,适应度函数为
J=EInc[Fac+2.5C]+Fbr (26)
其中,Fac表示图形的方差,Inc表示信噪改变量,Fbr表示像素差别,E表示信息熵,C表示紧致度。
3、基于灰狼优化的图像增强算法
本实施例采用公式(17)定义的参数化变换函数来增强输入图像亮度。变换函数包括a,b,c3个参数,其范围为0≤a≤1,0≤b≤1,0≤c≤1。为了得到增强参数的最优值,初始化n匹灰狼位置信息,这些灰狼位置信息对应不同的增强图像。参数的质量由 (26)式计算出的适应值定义,并由此计算出全局最优位置Ubest。迭代重复以上步骤,直至Ubest对应的参数能生成适应值足够好的增强图像。算法步骤描述如下:
1)确定输入图像高斯混合模型的高斯函数数量;
2)估计GMM参数,得出相邻高斯函数的交点;
3)根据重要交点分割图像的直方图;
4)用n个随机位置{ai,bi,ci}和速度值初始化狼群,本研究取n=20;
5)用(26)式得到每个粒子的适应值;
6)将具有最佳适应值的灰狼位置信息分配至pbest_iter和gbest;
7)循环,直至达到最大迭代次数(iter=1至Iteration maximum);
7.1)循环直至穷尽整个狼群(i=1至n);
7.1.1)用当前的α,β,δ的位置信息;和Ubest值更新第w匹狼的位置;
7.1.2)根据更新后的第w匹狼生成增强图像,用(21)式得到其适应值;
7.1.3)若第w匹狼的适应值好于Ubest,则Ubest_iter=第w匹狼的位置信息;
7.1.4)返回8.1);
7.2)若Ubest_iter适应值好于,则Ubest=Ubest_iter;
7.3)返回8.1);
8)输出gbest,即全局最优解a,b,c,并由(15)式和(17)式得出增强图像;
4、实施效果
本发明应用对象为列车车轮踏面图像。如图1,原始图像的可观测性比较差,为满足需求,从现有图像中随机选取原始踏面图像,采用本发明算法对图像进行处理。原始图像对比度低,纹理细节不清晰。在对比试验中,与传统对比度增强方法直方图均衡化方法法进行了比较。从对比结果可以看出,本发明算法相比直方图均衡化算法的结果在视觉效果上有显著提升,在提高图像对比度的同时,更好地抑制了噪声,还原了图像的层次细节。
虽然本发明已以较佳实施例公开如上,但它们并不是用来限定本发明,任何熟习此技艺者,在不脱离本发明之精神和范围内,自当可作各种变化或润饰,因此本发明的保护范围应当以本申请的权利要求保护范围所界定的为准。本发明未详细描述内容为本领域技术人员公知的技术。
Claims (5)
1.一种基于灰狼优化的高斯混合灰度列车车轮踏面图像增强方法,其特征在于:基于灰狼优化算法结合高斯混合模型,对列车车轮踏面图像进行增强处理。
2.根据权利要求1所述的基于灰狼优化的高斯混合灰度列车车轮踏面图像增强方法,其特征在于:通过高斯混合建模生成增强后的图像,将原图像动态范围经过拉伸或压缩后得到输出图像动态范围;包括以下三个步骤:
步骤一、对输入图像建立高斯混合模型;
步骤二、根据GMM各高斯成分的交点分割输入图像的直方图;
步骤三、根据映射变换把各区间中的灰度值转换至合适的区间输出,生成增强图像。
3.根据权利要求2所述的基于灰狼优化的高斯混合灰度列车车轮踏面图像增强方法,其特征在于:高斯混合模型(GMM)用来对任何数据分布建模,它由不同高斯分布函数线性组合而成,每个高斯分布具有不同的参数;假设输入图像Iin={x(i,j)|1≤i≤M,1≤j≤N},,其尺寸为M*N,且I的动态范围为[xU,xL],x(i,j)∈[xU,xL];通过高斯混合建模,能生成增强后的图像Iout={y(i,j)|1≤i≤M,1≤j≤N},将原图像动态范围经过拉伸或压缩后得到输出图像动态范围[yU,yL],y(i,j)∈[yU,yL]。
4.根据权利要求1所述的基于灰狼优化的高斯混合灰度列车车轮踏面图像增强方法,其特征在于:通过灰狼优化算法得到变换函数的最优值,包括以下八个步骤:
步骤一、确定输入图像高斯混合模型的高斯函数数量;
步骤二、估计GMM参数,得出相邻高斯函数的交点;
步骤三、根据重要交点分割图像的直方图;
步骤四、用n个随机位置{ai,bi,ci}和速度值初始化狼群;
步骤五、计算每个粒子的适应值;
步骤六、将具有最佳适应值的灰狼位置信息分配至pbest_iter和gbest;
步骤七、循环,直至达到最大迭代次数;
步骤八、输出全局最优解得到增强图像。
5.根据权利要求4所述的基于灰狼优化的高斯混合灰度列车车轮踏面图像增强方法,其特征在于:采用参数化变换函数来增强输入图像亮度,为了得到增强参数的最优值,初始化n匹灰狼位置信息,这些灰狼位置信息对应不同的增强图像,参数的质量由计算出的适应值定义,并由此计算出全局最优位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911138374.9A CN110956593A (zh) | 2019-11-20 | 2019-11-20 | 一种基于灰狼优化的高斯混合灰度列车车轮踏面图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911138374.9A CN110956593A (zh) | 2019-11-20 | 2019-11-20 | 一种基于灰狼优化的高斯混合灰度列车车轮踏面图像增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110956593A true CN110956593A (zh) | 2020-04-03 |
Family
ID=69977842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911138374.9A Pending CN110956593A (zh) | 2019-11-20 | 2019-11-20 | 一种基于灰狼优化的高斯混合灰度列车车轮踏面图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956593A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914811A (zh) * | 2014-03-13 | 2014-07-09 | 中国科学院长春光学精密机械与物理研究所 | 一种基于高斯混合模型的图像增强算法 |
CN104778673A (zh) * | 2015-04-23 | 2015-07-15 | 上海师范大学 | 一种改进的高斯混合模型深度图像增强算法 |
JP2017040781A (ja) * | 2015-08-20 | 2017-02-23 | 日本電信電話株式会社 | ガウス混合モデルパラメータ計算装置、情報推定装置、音強調装置、これらの方法及びプログラム |
-
2019
- 2019-11-20 CN CN201911138374.9A patent/CN110956593A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914811A (zh) * | 2014-03-13 | 2014-07-09 | 中国科学院长春光学精密机械与物理研究所 | 一种基于高斯混合模型的图像增强算法 |
CN104778673A (zh) * | 2015-04-23 | 2015-07-15 | 上海师范大学 | 一种改进的高斯混合模型深度图像增强算法 |
JP2017040781A (ja) * | 2015-08-20 | 2017-02-23 | 日本電信電話株式会社 | ガウス混合モデルパラメータ計算装置、情報推定装置、音強調装置、これらの方法及びプログラム |
Non-Patent Citations (2)
Title |
---|
李哲学: "改进高斯混合模型的遥感图像增强方法", 《激光杂志》 * |
陈皓月等: "一种基于粒子群优化的高斯混合灰度图像增强算法", 《应用光学》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Cross-based local stereo matching using orthogonal integral images | |
ya Guo et al. | Two-dimensional Otsu's thresholding segmentation method based on grid box filter | |
Song et al. | Improved non-maximum suppression for object detection using harmony search algorithm | |
CN103745482B (zh) | 一种基于蝙蝠算法优化模糊熵的双阈值图像分割方法 | |
CN105260998A (zh) | 基于mcmc采样和阈值低秩逼近的图像去噪方法 | |
CN103246894B (zh) | 一种解决光照不敏感问题的地基云图识别方法 | |
CN111986125A (zh) | 一种用于多目标任务实例分割的方法 | |
CN105608457B (zh) | 直方图灰度矩阈值分割法 | |
CN112183742A (zh) | 基于渐进式量化和Hessian信息的神经网络混合量化方法 | |
CN114066871B (zh) | 一种新冠肺炎病灶区域分割模型训练的方法 | |
CN102663681B (zh) | 基于排序k-均值算法的灰度图像分割方法 | |
Zhao et al. | A novel Neutrosophic image segmentation based on improved fuzzy C-means algorithm (NIS-IFCM) | |
CN104809478B (zh) | 一种面向大规模三维重建的图像分块方法及装置 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及*** | |
CN103729873B (zh) | 一种内容感知的环境光采样方法 | |
CN109308709B (zh) | 基于图像分割的Vibe运动目标检测算法 | |
CN103530866A (zh) | 一种基于高斯云变换的图像处理方法及装置 | |
CN110956593A (zh) | 一种基于灰狼优化的高斯混合灰度列车车轮踏面图像增强方法 | |
CN110880192B (zh) | 基于概率密度函数字典的图像dct系数分布拟合方法 | |
CN117437421A (zh) | 基于空间约束加权伽马混合模型的模糊聚类图像分割方法 | |
CN108401564B (zh) | 基于超像素分割和图像抽象的显著性目标检测方法 | |
Gao et al. | Image Dehazing Based on Multi-scale Retinex and Guided Filtering | |
Wang et al. | Using chaos world cup optimization algorithm for medical images contrast enhancement | |
CN115239967A (zh) | 一种基于Trans-CSN生成对抗网络的图像生成方法及装置 | |
Lei et al. | Two-dimensional maximum entropy image segmentation method based on quantum-behaved particle swarm optimization algorithm |
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 | ||
CB02 | Change of applicant information |
Address after: 210019 floor 12, building 01, No. 8, Bailongjiang East Street, Jianye District, Nanjing, Jiangsu Province Applicant after: NANJING TYCHO INFORMATION TECHNOLOGY Co.,Ltd. Address before: Room 113, 11 / F, building 03, No. 18, Jialing Jiangdong Street, Jianye District, Nanjing City, Jiangsu Province, 210019 Applicant before: NANJING TYCHO INFORMATION TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200403 |
|
RJ01 | Rejection of invention patent application after publication |