CN111861977A - 一种基于机器视觉的眼前节断层图像的特征提取方法 - Google Patents
一种基于机器视觉的眼前节断层图像的特征提取方法 Download PDFInfo
- Publication number
- CN111861977A CN111861977A CN202010461475.6A CN202010461475A CN111861977A CN 111861977 A CN111861977 A CN 111861977A CN 202010461475 A CN202010461475 A CN 202010461475A CN 111861977 A CN111861977 A CN 111861977A
- Authority
- CN
- China
- Prior art keywords
- cornea
- anterior segment
- gaussian
- iris
- machine vision
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 9
- 210000004087 cornea Anatomy 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 28
- 210000000695 crystalline len Anatomy 0.000 claims abstract description 19
- 238000005286 illumination Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000011430 maximum method Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 241000282414 Homo sapiens Species 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 244000208734 Pisonia aculeata Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10072—Tomographic images
-
- 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
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种基于机器视觉的眼前节断层图像的特征提取方法,包括以下步骤:在低照度的照明下,采集眼前节断层图像;采用Retinex算法增强眼前节断层图像的对比度;进行高斯滤波来除去经步骤S2后所产生的噪声;通过二值化并配合blob形状分析来寻找出潜在角膜区域;对潜在角膜区域运用梯度最大值法粗定位角膜前后表面边缘;通过高斯拟合定位法确定角膜前后表面的亚像素精度边界;根据已求得的角膜前后表面的亚像素精度边界,寻找出虹膜和晶状体初始点,并通过追踪来得到角膜前后表面、晶状体前表面,虹膜前表面精确边界值。本发明具有以下优点和效果:本发明在低照度成像模式下也能对图像进行高精度处理,将大大提高患者的配合度和舒适度。
Description
技术领域
本发明涉及眼科检测技术领域,特别涉及一种基于机器视觉的眼前节断层图像的特征提取方法。
背景技术
用裂隙灯或相关设备采集眼前节断层图像时,为了保证图像质量,通常采用高照度光源照射人眼,某些对光亮敏感人群甚至无法配合完成整个检测,需要开眼器配合,并且测试过程眼睛无法专注注视点,造成测量精度下降。因此如果能通过降低照明光源强度,减少患者的不适应度,在低照度成像模式下也能对图像进行高精度处理,将大大提高患者的配合度和舒适度。
发明内容
本发明的目的是提供一种基于机器视觉的眼前节断层图像的特征提取方法,以解决背景技术中所提出的问题。
本发明的上述技术目的是通过以下技术方案得以实现的:一种基于机器视觉的眼前节断层图像的特征提取方法,包括以下步骤:
步骤S1、在低照度的照明下,采集眼前节断层图像;
步骤S2、采用Retinex算法增强眼前节断层图像的对比度;
步骤S3、进行高斯滤波来除去经步骤S2后所产生的噪声;
步骤S4、通过二值化并配合blob形状分析来寻找出潜在角膜区域;
步骤S5、对潜在角膜区域运用梯度最大值法粗定位角膜前后表面边缘;
步骤S6、通过高斯拟合定位法确定角膜前后表面的亚像素精度边界;
步骤S7、根据已求得的角膜前后表面的亚像素精度边界,寻找出虹膜和晶状体初始点,并通过追踪来得到角膜前后表面、晶状体前表面、及虹膜前表面精确边界值。
进一步设置是,所述的步骤S2具体为:
眼前节断层图像本身的属性信息都包含在反射光分量R(x,y)中,剔除掉影响人们视觉的反射分量环境光分量L(x,y),将反射光分量R(x,y)保留。
进一步设置是,所述的步骤S4具体为:
眼前节断层图像主要是由暗背景、较暗的晶状体区域、较亮的角膜区域、最亮的虹膜区域四部分构成,由于已知图像的基本构成及分类数目,采用Kmean均值聚类算法,分割出背景、晶状体、虹膜、角膜四个区域;然后通过Blob形状分析确定二值化分割出的区域是否准确。
进一步设置是,所述的步骤S5具体为:
进一步设置是,所述的步骤S6具体为:
高斯拟合定位法是在获得角膜前后表面的粗略边缘位置后,以粗略边缘位置为中心,梯度最大值方向提取对应的相邻像素灰度序列,使用高斯拟合其灰度梯度函数,进一步将像素级定位信息提升为亚像素级,同时由于进行了高斯函数拟合,可以排除噪声引起的奇异点,使得精度大大提高;拟合的高斯函数为:
式中:μ是亚像素边缘坐标值,σ是高斯函数的标准差,k是幅度,拟合过程使用最小二乘法来求解高斯函数μ、σ、k的值。
本发明的有益效果在于:
低照度成像能大大减少患者的不适应度,但同时带来了图像对比度低,难以处理或勉强处理造成的低精度问题。本发明专利利用Retinex算法显著增强了图像对比度和照度均衡化,然后利用基于高斯拟合定位法确保角膜边缘提取达到亚像素级精度,为后续对眼前节的进一步分析和处理提供了坚实的基础。由此本发明在低照度成像模式下也能对图像进行高精度处理,将大大提高患者的配合度和舒适度。
附图说明
图1为实施例的流程示意图;
图2为实施例中Retinex算法的示意图;
图3为实施例中Retinex算法的处理过程;
图4为实施例中梯度最大值法的原理图;
图5为实施例中角膜拉线求像素级边界方法的示意图;
图6为实施例中模糊边缘模型;
图7为实施例中寻找虹膜和晶状体初始点示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
参考附图1,一种基于机器视觉的眼前节断层图像的特征提取方法,,包括以下步骤:
步骤S1、在低照度的照明下,采集眼前节断层图像;
步骤S2、采用Retinex算法增强眼前节断层图像的对比度;
步骤S3、进行高斯滤波来除去经步骤S2后所产生的噪声;
步骤S4、通过二值化并配合blob形状分析来寻找出潜在角膜区域(a为理想的边缘跳变,b为对理想的边缘跳变求一阶导数所得的图形);
步骤S5、对潜在角膜区域运用梯度最大值法粗定位角膜前后表面边缘;
步骤S6、通过高斯拟合定位法确定角膜前后表面的亚像素精度边界;
步骤S7、根据已求得的角膜前后表面的亚像素精度边界,寻找出虹膜和晶状体初始点,并通过追踪来得到角膜前后表面、晶状体前表面、及虹膜前表面精确边界值。
在步骤S1中;可通过裂隙灯或相关设备采用低照度照明,来采集眼前节断层图像。
在步骤S2中,对于低照度图像,传统的空域和频域两类图像增强算法功能比较单一,只能够处理某类图像,或者是加强图像的某一部分特征,而基于Retinex的图像增强算法通过模仿人类的视觉特性,消除由于光照变化给图像带来的负面影响。Retinex图像增强算法基本思路是:对于一幅待增强的图像I(x,y)来说,可以看作是由反射光分量R(x,y)和环境光分量L(x,y)两部分的逐像素乘积,即I(x,y)=L(x,y)×R(x,y)。其中反射光分量R(x,y)对应于消除光照影响后的图像,环境光分量L(x,y)直接决定了图像中像素所能达到的动态范围。其原理示意图如附图2所示。
Retinex理论的基本思想就是在原始图像中,通过各种变换方法剔除掉影响人们视觉的环境光分量L(x,y),尽可能的保留反射光分量R(x,y),因为眼前节断层图像本身的属性信息都包含在反射光分量R(x,y)中。Retinex算法一般的处理过程如附图3所示,先对输入图像做对数变换,然后估计出图像的照射分量,再通过对数和指数运算得到反射分量,也就是要求的增强图像。
在本实施例中,Retinex算法可具体采用单尺度SSR算法、多尺度MSR算法、带色彩恢复的多尺度MSRCR算法或基于变分框架的Retinex算法。
在步骤3中,高斯滤波器是一种根据高斯函数的形状来选择权值的线性平滑滤波器,对于抑制正态分布的噪声效果较佳。对于眼前节断层图像处理,高斯滤波器是利用高斯核的一个二维卷积算子,将眼前节断层图像的细节和噪声进行滤除,将眼前节断层图像模糊化,得到信噪比较高的眼前节断层图像。高斯滤波器的权值主要和眼前节断层图像中像素点的空间位置相关,目标像素点与比较像素点之间的距离越大,此处像素点的权值也越大;反之,权值越小。
在步骤S4中,眼前节断层图像主要是由暗背景、较暗的晶状体区域、较亮的角膜区域、最亮的虹膜区域四部分构成,由于已知图像的基本构成及分类数目,采用Kmean均值聚类算法,分割出背景、晶状体、虹膜、角膜四个区域。Kmean算法需要输入聚类的数目和初始聚类中心,聚类的数目已知为四个,初始聚类中心的选择可以通过绘制直方图,求得其四个波峰值来确定,从而分割出背景、晶状体、虹膜、角膜四个区域。
然后通过Blob形状分析确定二值化分割出的角膜区域是否准确,角膜区域有着明显的形状特征,即细长的弧形区域,Blob形状分析可以通过计算图形的面积,紧凑度、各阶矩等特征来定义细长条区域即角膜区域。
在步骤S5中,利用已经分割出的潜在角膜区域的基础上,进一步利用梯度最大值法求得角膜像素级的边缘。附图4中的a为理想的边缘跳变,b为对理想的边缘跳变求一阶导数所得的图形;通过参考附图4中的a和b可知,理想的边缘点位于一阶导数最大值处。本专利中利用已经分割出的角膜基础上,在角膜前后表面逐点拉线,求出的点作为该拉线上的角膜边界点。
具体如附图5所示,弧形为二值化分割出的角膜在y轴方向的边界,横线为角膜边界某点在x轴方向的拉线,通过逐点寻找该拉线上的一阶导数最大值,确定真实的像素级角膜边界。箭头为拉线的移动方向,即拉线延y轴方向移动。
在步骤S6中,上一步利用一阶导数最大值法求得的边缘仅为像素级边缘,且微分算子对噪声非常敏感,常会产生一些伪边缘,而基于梯度方向高斯曲线拟合亚像素定位算法,可以很好的解决以上问题。常见的边缘模型是阶梯模型,如附图4中a所示,但由于图像生产过程本身会产生模糊效应(光照及ccd成像原因等),使得理想的阶梯模型呈现出类似理想阶梯函数和高斯函数的卷积,如图6所示,其灰度梯度函数为高斯函数模型。
高斯拟合定位法是在获得角膜前后表面的粗略边缘位置后,以粗略边缘位置为中心,梯度最大值方向提取对应的相邻像素灰度序列,使用高斯拟合其灰度梯度函数,进一步将像素级定位信息提升为亚像素级,同时由于进行了高斯函数拟合,可以排除噪声引起的奇异点,使得精度大大提高;拟合的高斯函数为:
式中:μ是亚像素边缘坐标值,σ是高斯函数的标准差,k是幅度,拟合过程使用最小二乘法来求解高斯函数μ、σ、k的值。
在步骤S7中,在找到精细角膜边界的情况下,将角膜边缘四等分,分别向虹膜和瞳孔方向拉三条线(如附图7中箭头所示方向),分别对落在该线上的灰度值进行梯度最大值法,求得虹膜(被晶状体分成上下两部分)和晶状体的初始值点。
接着,分别以上虹膜、下虹膜、晶状体的初始点为中心,分别利用梯度最大值法进行像素级精度的边界跟踪。如果需要亚像素精度,可进一步利用高斯拟合精确定位。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (5)
1.一种基于机器视觉的眼前节断层图像的特征提取方法,其特征在于,包括以下步骤:
步骤S1、在低照度的照明下,采集眼前节断层图像;
步骤S2、采用Retinex算法增强眼前节断层图像的对比度;
步骤S3、进行高斯滤波来除去经步骤S2后所产生的噪声;
步骤S4、通过二值化并配合blob形状分析来寻找出潜在角膜区域;
步骤S5、对潜在角膜区域运用梯度最大值法粗定位角膜前后表面边缘;
步骤S6、通过高斯拟合定位法确定角膜前后表面的亚像素精度边界;
步骤S7、根据已求得的角膜前后表面的亚像素精度边界,寻找出虹膜和晶状体初始点,并通过追踪来得到角膜前后表面、晶状体前表面、及虹膜前表面精确边界值。
2.根据权利要求1所述的一种基于机器视觉的眼前节断层图像的特征提取方法,其特征在于,所述的步骤S2具体为:
眼前节断层图像本身的属性信息都包含在反射光分量R(x,y)中,剔除掉影响人们视觉的反射分量环境光分量L(x,y),将反射光分量R(x,y)保留。
3.根据权利要求1所述的一种基于机器视觉的眼前节断层图像的特征提取方法,其特征在于,所述的步骤S4具体为:
眼前节断层图像主要是由暗背景、较暗的晶状体区域、较亮的角膜区域、最亮的虹膜区域四部分构成,由于已知图像的基本构成及分类数目,采用Kmean均值聚类算法,分割出背景、晶状体、虹膜、角膜四个区域;然后通过Blob形状分析确定二值化分割出的区域是否准确。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010461475.6A CN111861977A (zh) | 2020-05-27 | 2020-05-27 | 一种基于机器视觉的眼前节断层图像的特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010461475.6A CN111861977A (zh) | 2020-05-27 | 2020-05-27 | 一种基于机器视觉的眼前节断层图像的特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111861977A true CN111861977A (zh) | 2020-10-30 |
Family
ID=72985244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010461475.6A Pending CN111861977A (zh) | 2020-05-27 | 2020-05-27 | 一种基于机器视觉的眼前节断层图像的特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861977A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023092929A1 (zh) * | 2021-11-24 | 2023-06-01 | 复旦大学附属眼耳鼻喉科医院 | 一种检测核黄素在角膜中渗透深度的方法及装置 |
CN116309661A (zh) * | 2023-05-23 | 2023-06-23 | 广东麦特维逊医学研究发展有限公司 | 眼前节oct图像轮廓提取方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104013384A (zh) * | 2014-06-11 | 2014-09-03 | 温州眼视光发展有限公司 | 眼前节断层图像特征提取方法 |
US20150161785A1 (en) * | 2012-08-02 | 2015-06-11 | Singapore Health Services Pte Ltd | Methods and systems for characterizing angle closure glaucoma for risk assessment or screening |
CN105894521A (zh) * | 2016-04-25 | 2016-08-24 | 中国电子科技集团公司第二十八研究所 | 基于高斯拟合的亚像素边缘检测方法 |
CN108470348A (zh) * | 2018-02-13 | 2018-08-31 | 温州眼视光发展有限公司 | 裂隙灯眼前节断层图像特征提取方法 |
CN109684915A (zh) * | 2018-11-12 | 2019-04-26 | 温州医科大学 | 瞳孔跟踪图像处理方法 |
CN110110761A (zh) * | 2019-04-18 | 2019-08-09 | 温州医科大学 | 基于机器视觉的眼前节断层图像的图像特征提取方法 |
CN110705468A (zh) * | 2019-09-30 | 2020-01-17 | 四川大学 | 基于图像分析的眼动范围识别方法和*** |
-
2020
- 2020-05-27 CN CN202010461475.6A patent/CN111861977A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150161785A1 (en) * | 2012-08-02 | 2015-06-11 | Singapore Health Services Pte Ltd | Methods and systems for characterizing angle closure glaucoma for risk assessment or screening |
CN104013384A (zh) * | 2014-06-11 | 2014-09-03 | 温州眼视光发展有限公司 | 眼前节断层图像特征提取方法 |
CN105894521A (zh) * | 2016-04-25 | 2016-08-24 | 中国电子科技集团公司第二十八研究所 | 基于高斯拟合的亚像素边缘检测方法 |
CN108470348A (zh) * | 2018-02-13 | 2018-08-31 | 温州眼视光发展有限公司 | 裂隙灯眼前节断层图像特征提取方法 |
CN109684915A (zh) * | 2018-11-12 | 2019-04-26 | 温州医科大学 | 瞳孔跟踪图像处理方法 |
CN110110761A (zh) * | 2019-04-18 | 2019-08-09 | 温州医科大学 | 基于机器视觉的眼前节断层图像的图像特征提取方法 |
CN110705468A (zh) * | 2019-09-30 | 2020-01-17 | 四川大学 | 基于图像分析的眼动范围识别方法和*** |
Non-Patent Citations (1)
Title |
---|
MARIZUANA M.DAUD,ET AL: "Automated Corneal Segmentation of Anterior Segment Photographed Images using Centroid-Based Active Contour Model", 《PROCEDIA COMPUTER SCIENCE》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023092929A1 (zh) * | 2021-11-24 | 2023-06-01 | 复旦大学附属眼耳鼻喉科医院 | 一种检测核黄素在角膜中渗透深度的方法及装置 |
CN116309661A (zh) * | 2023-05-23 | 2023-06-23 | 广东麦特维逊医学研究发展有限公司 | 眼前节oct图像轮廓提取方法 |
CN116309661B (zh) * | 2023-05-23 | 2023-08-08 | 广东麦特维逊医学研究发展有限公司 | 眼前节oct图像轮廓提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493954B (zh) | 一种基于类别判别定位的sd-oct图像视网膜病变检测*** | |
CN110276356B (zh) | 基于r-cnn的眼底图像微动脉瘤识别方法 | |
Dey et al. | FCM based blood vessel segmentation method for retinal images | |
CN102860814A (zh) | 一种oct合成眼底图视盘中心定位方法及设备 | |
Deka et al. | Detection of macula and fovea for disease analysis in color fundus images | |
CN111861977A (zh) | 一种基于机器视觉的眼前节断层图像的特征提取方法 | |
Poshtyar et al. | Automatic measurement of cup to disc ratio for diagnosis of glaucoma on retinal fundus images | |
Li et al. | Vessel recognition of retinal fundus images based on fully convolutional network | |
Naz et al. | Glaucoma detection in color fundus images using cup to disc ratio | |
Prageeth et al. | Early detection of retinal nerve fiber layer defects using fundus image processing | |
Acharya et al. | Swarm intelligence based adaptive gamma corrected (SIAGC) retinal image enhancement technique for early detection of diabetic retinopathy | |
Uribe-Valencia et al. | Automated Optic Disc region location from fundus images: Using local multi-level thresholding, best channel selection, and an Intensity Profile Model | |
Aqeel et al. | Automated algorithm for retinal image exudates and drusens detection, segmentation, and measurement | |
Datta et al. | A new contrast enhancement method of retinal images in diabetic screening system | |
Kumar et al. | Automatic optic disc segmentation using maximum intensity variation | |
Tavakoli et al. | Automated optic nerve head detection based on different retinal vasculature segmentation methods and mathematical morphology | |
Joshi et al. | Review of preprocessing techniques for fundus image analysis | |
CN111292285B (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
El-Hag et al. | An efficient framework for macula exudates detection in fundus eye medical images | |
Zulfahmi et al. | Techniques for exudate detection for diabetic retinopathy | |
Zheng et al. | New simplified fovea and optic disc localization method for retinal images | |
Hamann et al. | At the pulse of time: Machine vision in retinal videos | |
Mary et al. | Automatic optic nerve head segmentation for glaucomatous detection using hough transform and pyramidal decomposition | |
Kumar et al. | Image Enhancement using NHSI Model Employed in Color Retinal Images | |
JP7334922B1 (ja) | 画像処理装置、画像処理方法及びプログラム |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201030 |
|
RJ01 | Rejection of invention patent application after publication |