CN112418300A - 一种加速图像匹配的方法 - Google Patents

一种加速图像匹配的方法 Download PDF

Info

Publication number
CN112418300A
CN112418300A CN202011304729.XA CN202011304729A CN112418300A CN 112418300 A CN112418300 A CN 112418300A CN 202011304729 A CN202011304729 A CN 202011304729A CN 112418300 A CN112418300 A CN 112418300A
Authority
CN
China
Prior art keywords
image
detected
pyramid
target image
layer
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
Application number
CN202011304729.XA
Other languages
English (en)
Inventor
马晓燠
杨奇龙
樊志华
李成平
游双慧
贾天豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Lianxin Photoelectric Technology Research Institute Co ltd
Original Assignee
Chongqing Lianxin Photoelectric Technology Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Lianxin Photoelectric Technology Research Institute Co ltd filed Critical Chongqing Lianxin Photoelectric Technology Research Institute Co ltd
Priority to CN202011304729.XA priority Critical patent/CN112418300A/zh
Publication of CN112418300A publication Critical patent/CN112418300A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种加速图像匹配的方法，包括：获取待测图像和目标图像；对待测图像和目标图像进行灰度化处理，获得待测图像灰度图和目标图像灰度图；根据质心算法计算出所述待测图像灰度图中的质心点位置；根据所述质心点位置确定搜索图；通过图像匹配算法计算出所述目标图像在所述搜索图中的位置。本发明通过上述方法极大的减小了搜索图的范围，从而能够精准且快速地在搜索图中确定目标图像的位置。

Description

一种加速图像匹配的方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种加速图像匹配的方法。
背景技术
图像匹配技术是根据已知的图像模块在另一幅图像中寻找相应或相近模块的过程。其中，已知的图像模块为图，另一幅图像为待测图。图像匹配技术是计算机视觉和模式识别中的基本手段，在卫星遥感、空间飞行器的自动导航、机器人视觉、气象云图分析及医学X射线图片处理等许多领域中得到了广泛的应用。
常用的图像匹配算法分为两类：一是基于图像几何特征点的匹配，优点是计算量较小，适用于几何特征单一且明确的图像；二是基于像素灰度值的匹配，优点是匹配精度高，但是计算量较大。因此，现有技术中关于结构特征多或结构特征不明确且要求匹配精度高的图像难以进行快速准确的匹配，不能够满足实际需求。
发明内容
基于此，有必要针对上述技术问题，提供了一种加速图像匹配的方法。
一种加速图像匹配的方法，包括：获取待测图像和目标图像；对待测图像和目标图像进行灰度化处理，获得待测图像灰度图和目标图像灰度图；根据质心算法计算出所述待测图像灰度图中的质心点位置；根据所述质心点位置确定搜索图；通过图像匹配算法计算出所述目标图像在所述搜索图中的位置。
在其中一个实施例中，在所述对待测图像和目标图像进行灰度化处理，获取待测图像灰度图和目标图像灰度图之后，在所述根据质心算法计算出所述待测图像的质心点位置之前，还包括：分别对所述待测图像灰度图和目标图像灰度图构建图像金字塔，获取待测图像金字塔和目标图像金字塔。
在其中一个实施例中，所述分别对所述待测图像灰度图和目标图像灰度图构建图像金字塔包括：将所述目标图像灰度图作为目标图像第一层，对所述目标图像灰度图进行向下采样，获取四层目标图像金字塔；将所述待测图像灰度图作为待测图像第一层，对所述待测图像灰度图进行向下采样，获取四层待测图像金字塔；所述待测图像第四层为待测图像金字塔最高层。
在其中一个实施例中，对所述待测图像金字塔最高层的图像进行最大类间方差法全局阈值分割，剔除部分梯度较小的边缘点。
在其中一个实施例中，所述质心算法具体为：
Figure BDA0002788000910000021
其中，(xc,yc)即为质心点的坐标，Iij为待测图像灰度图上每个像素点所接收的光强。
在其中一个实施例中，所述根据所述质心点位置确定搜索图包括：在所述待测图像金字塔最高层，以所述待测图像的质心点为旋转基准点，设置旋转角度为0～360°，构建目标图像在旋转角度范围内任意角度位置的最小外接矩形，且所述最小外接矩形的两边分别与待测图像的两坐标轴平行，则所述最小外接矩形框定的范围即为搜索图。
在其中一个实施例中，所述图像匹配算法包括：令S(x,y)是大小为m×n的搜索图，T(x,y)是M×N的目标图像，在搜索图中，以(i,j)为左上角，则有：
Figure BDA0002788000910000022
其中，1≤i≤m-M+1，1≤j≤n-N+1；得到目标图像与搜索图中各区域的误差D(i,j)，取误差值最小的D(i,j)，即可确定目标图像在搜索图中的位置。
在其中一个实施例中，在所述待测图像金字塔中，从待测图像金字塔最高层向下逐层根据图像匹配算法进行匹配计算，计算量为：
Figure BDA0002788000910000023
其中，o为待测图像单行或单列计算量，d为待测图像金字塔层数，
Figure BDA0002788000910000024
为最顶层质心计算量，a为较小常数，
Figure BDA0002788000910000025
为顶层匹配计算量，
Figure BDA0002788000910000026
为次顶层匹配计算量，4×(o)2为最底层匹配计算量。
在其中一个实施例中，所述图像匹配算法还可以采用绝对误差和算法或误差平方和算法。
上述的一种加速图像匹配的方法，通过获取待测图像和目标图像，并对二者均进行灰度化处理，获取待测图像灰度图和目标图像灰度图，根据质心算法计算出待测图像灰度图中的质心点位置，根据质心点位置确定搜索图，通过图像匹配算法计算出目标图像在搜索图中的位置，通过上述方法极大的减小了搜索图的范围，从而能够精准且快速地在搜索图中确定目标图像的位置。
附图说明
图1为一个实施例中一种加速图像匹配的方法的流程示意图；
图2为一个实施例中的目标图像灰度图；
图3为图2中目标图像灰度图对应的待测图像灰度图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明做进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在一个实施例中，如图1所示，提供了一种加速图像匹配的方法，包括：
步骤S101，获取待测图像和目标图像。
具体地，待测图像可以通过CCD探测器获取，目标图像可以预先在***中进行设定。
步骤S102，对待测图像和目标图像进行灰度化处理，获得待测图像灰度图和目标图像灰度图。
具体地，将获取的待测图像进行灰度化处理，获取待测图像灰度图，同时对目标图像进行灰度化处理，获取目标图像灰度图。
如图2和图3所示，分别为640*640大小的目标图像灰度图和1280*1024大小的待测图像灰度图。
步骤S103，根据质心算法计算出所待测图像灰度图中的质心点位置。
具体地，根据质心算法计算出待测图像灰度图中的质心点具***置，从而能够根据质心点的位置确定搜索图。其中，质心算法采用以下公式：
Figure BDA0002788000910000041
其中，(xc,yc)即为质心点的坐标，Iij为待测图像灰度图上对应像素点所接收的光强。
步骤S104，根据质心点位置确定搜索图。
具体地，在根据质心算法计算出待测图像灰度图的质心点位置之后，能够根据以质心点位置为中心，确定搜索图的范围。
步骤S105，通过图像匹配算法计算出目标图像在搜索图中的位置。
具体地，在确定搜索图的范围之后，能够根据图像匹配算法快速计算出目标图像在搜索图中的位置，加速了在待测图像中匹配目标图像的过程。
具体地，图像匹配算法可以是：令S(x,y)是大小为m×n的搜索图，T(x,y)是M×N的目标图像，在搜索图中，以(i,j)为左上角，则有：
Figure BDA0002788000910000042
其中，1≤i≤m-M+1，1≤j≤n-N+1；得到目标图像与搜索图中各区域的误差D(i,j)，取误差值最小的D(i,j)，即可确定目标图像在搜索图中的位置。
在本实施例中，通过获取待测图像和目标图像，并对二者均进行灰度化处理，获取待测图像灰度图和目标图像灰度图，根据质心算法计算出待测图像灰度图中的质心点位置，根据质心点位置确定搜索图，通过图像匹配算法计算出目标图像在搜索图中的位置，通过上述方法极大的减小了搜索图的范围，从而能够精准且快速地在搜索图中确定目标图像的位置。
在一个实施例中，在步骤S102之后，步骤S103之前，还包括：分别对待测图像灰度图和目标图像灰度图构建图像金字塔，获取待测图像金字塔和目标图像金字塔。
具体地，将所述目标图像灰度图作为目标图像第一层，对所述目标图像灰度图进行向下采样，获取四层目标图像金字塔；将所述待测图像灰度图作为待测图像第一层，对所述待测图像灰度图进行向下采样，获取四层待测图像金字塔；所述待测图像第四层为待测图像金字塔最高层。
具体地，本发明采用高斯金字塔的方式对目标灰度图和待测图像灰度图进行构建金字塔，用来向下采样。从金字塔下一层生成高一层，需要先用高斯核对下一层进行卷积，然后删除所有偶数行和偶数列，高一层图像面积变为下一层图像的四分之一，直至金字塔最高层为止。
在一个实施例中，可以对待测图像金字塔中的每一层图像进行最大类间方差法全局阈值分割，剔除部分梯度较小的边缘点。
具体地，最大类间方差法将图像的灰度数按灰度级分为两个部分，使得两个部分之间的灰度值差异最大，每个部分之间的灰度差异最小，通过方差的计算来寻找一个合适的灰度级别来划分。该方法计算简单，且不受图像亮度和对比度的影响，从而在分割时错分率小。
在一个实施例中，步骤S104可以是：在待测图像金字塔最高层，以待测图像的质心点为旋转基准点，设置旋转角度为0～360°，构建目标图像在旋转角度范围内任意角度位置的最小外接矩形，且最小外接矩形的两边分别与待测图像的两坐标轴平行，则该最小外接矩形框定的范围即为搜索图。
其中，待测图像坐标轴可以是以质心点位置为坐标原点的两条相互垂直的坐标轴，最小外接矩形的两条边分别于两条坐标轴平行，从而能够确保最小外接矩形能够精准框定搜索图。
如图3所示，矩形框框定的范围，即为800*800大小的搜索图，较原1280*1024大小的待测图像灰度图大范围地剔除了与目标图像无关的图像，缩小了搜索范围，从而提高了图像匹配速度。
在一个实施例中，在待测图像金字塔中，从待测图像金字塔最高层向下逐层根据图像匹配算法进行匹配计算，计算量为：
Figure BDA0002788000910000051
其中，o为待测图像单行或单列计算量，d为待测图像金字塔层数，
Figure BDA0002788000910000052
为最顶层质心计算量，a为较小常数，
Figure BDA0002788000910000053
为顶层匹配计算量，
Figure BDA0002788000910000054
为次顶层匹配计算量，4×(o)2为最底层匹配计算量。
具体地，在未采用质心算法时，只针对待测图像灰度图进行的计算就为o4，因此，可以知道，在通过从待测图像金字塔最高层向下逐层根据图像匹配算法进行匹配计算后，计算量得到了降低，从而达到加速图像匹配的目的。
在本实施例中，采用的是平均绝对差算法(MeanAbsolute Differences，简称MAD算法)，实际运用过程中也可以采用绝对误差和算法(Sum ofAbsolute Differences，简称SAD算法)或误差平方和算法(Sum ofSquared Differences，简称SSD算法)进行图像匹配。
在一个实施例中，还可以通过图形处理器来进行目标图像的匹配，也能够提升图像匹配速度。
综上所述，首先获取待测图像和目标图像，并对分别进行灰度化处理，获取待测图像灰度图和目标图像灰度图，对获取的灰度图通过高斯金字塔的方式，以灰度图分别作为第一层，分别构建四层图像金字塔，获取四层待测图像金字塔和四层目标图像金字塔，对待测图像金字塔最高层的图像进行最大类间方差法全局阈值分割，剔除部分梯度较小的边缘点，缩小搜索图范围；根据质心算法计算出待测图形灰度图中的质心点的位置；然后根据质心点的位置确定搜索图，可以最小外接矩形框定的方式确定搜索图；最后根据图像匹配算法计算出目标图像在搜索图中的位置，通过上述方法极大的减小了搜索图的范围，使得该方法在处于目标图像的结构特征多或不明确的情形时也能够快速地在搜索图中寻找到目标图像，在保证匹配精度的同时提高了匹配速度。
以上内容是结合具体的实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (9)

1.一种加速图像匹配的方法，其特征在于，包括：
获取待测图像和目标图像；
对待测图像和目标图像进行灰度化处理，获得待测图像灰度图和目标图像灰度图；
根据质心算法计算出所述待测图像灰度图中的质心点位置；
根据所述质心点位置确定搜索图；
通过图像匹配算法计算出所述目标图像在所述搜索图中的位置。
2.根据权利要求1所述的一种加速图像匹配的方法，其特征在于，在所述对待测图像和目标图像进行灰度化处理，获取待测图像灰度图和目标图像灰度图之后，在所述根据质心算法计算出所述待测图像的质心点位置之前，还包括：分别对所述待测图像灰度图和目标图像灰度图构建图像金字塔，获取待测图像金字塔和目标图像金字塔。
3.根据权利要求2所述的一种加速图像匹配的方法，其特征在于，所述分别对所述待测图像灰度图和目标图像灰度图构建图像金字塔，获取待测图像金字塔和目标图像金字塔包括：
将所述目标图像灰度图作为目标图像第一层，对所述目标图像灰度图进行向下采样，获取四层目标图像金字塔；
将所述待测图像灰度图作为待测图像第一层，对所述待测图像灰度图进行向下采样，获取四层待测图像金字塔；所述待测图像第四层为待测图像金字塔最高层。
4.根据权利要求3所述的一种加速图像匹配的方法，其特征在于，对所述待测图像金字塔最高层的图像进行最大类间方差法全局阈值分割，剔除部分梯度较小的边缘点。
5.根据权利要求1所述的一种加速图像匹配的方法，其特征在于，所述质心算法具体为：
Figure FDA0002788000900000011
其中，(xc,yc)即为质心点的坐标，Iij为待测图像灰度图上每个像素点所接收的光强。
6.根据权利要求3所述的一种加速图像匹配的方法，其特征在于，所述根据所述质心点位置确定搜索图包括：
在所述待测图像金字塔最高层，以所述待测图像的质心点为旋转基准点，设置旋转角度为0～360°，构建目标图像在旋转角度范围内任意角度位置的最小外接矩形，且所述最小外接矩形的两边分别与待测图像的两坐标轴平行，则所述最小外接矩形框定的范围即为搜索图。
7.根据权利要求4所述的一种加速图像匹配的方法，其特征在于，所述图像匹配算法包括：令S(x,y)是大小为m×n的搜索图，T(x,y)是M×N的目标图像，在搜索图中，以(i,j)为左上角，则有：
Figure FDA0002788000900000021
其中，1≤i≤m-M+1，1≤j≤n-N+1；得到目标图像与搜索图中各区域的误差D(i,j)，取误差值最小的D(i,j)，即可确定目标图像在搜索图中的位置。
8.根据权利要求7所述的一种加速图像匹配的方法，其特征在于，在所述待测图像金字塔中，从待测图像金字塔最高层向下逐层根据图像匹配算法进行匹配计算，计算量由o4降为：
Figure FDA0002788000900000022
其中，o为待测图像单行或单列计算量，d为待测图像金字塔层数，
Figure FDA0002788000900000023
为最顶层质心计算量，a为较小常数，
Figure FDA0002788000900000024
为顶层匹配计算量，
Figure FDA0002788000900000025
为次顶层匹配计算量，4×(o)2为最底层匹配计算量。
9.根据权利要求1所述的一种加速图像匹配的方法，其特征在于，所述图像匹配算法还可以采用绝对误差和算法或误差平方和算法。
CN202011304729.XA 2020-11-19 2020-11-19 一种加速图像匹配的方法 Pending CN112418300A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011304729.XA CN112418300A (zh) 2020-11-19 2020-11-19 一种加速图像匹配的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011304729.XA CN112418300A (zh) 2020-11-19 2020-11-19 一种加速图像匹配的方法

Publications (1)

Publication Number Publication Date
CN112418300A true CN112418300A (zh) 2021-02-26

Family

ID=74773694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011304729.XA Pending CN112418300A (zh) 2020-11-19 2020-11-19 一种加速图像匹配的方法

Country Status (1)

Country Link
CN (1) CN112418300A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110182505A1 (en) * 2010-01-22 2011-07-28 National Chiao Tung University Gray level weighting centroid method for holographic data storage
CN102654902A (zh) * 2012-01-16 2012-09-05 江南大学 基于轮廓向量特征的嵌入式实时图像匹配方法
CN108010045A (zh) * 2017-12-08 2018-05-08 福州大学 基于orb的视觉图像特征点误匹配提纯方法
US20180286052A1 (en) * 2017-03-30 2018-10-04 4DM Inc. Object motion mapping using panchromatic and multispectral imagery from single pass electro-optical satellite imaging sensors
CN110197232A (zh) * 2019-06-05 2019-09-03 中科新松有限公司 基于边缘方向和梯度特征的图像匹配方法
CN110246168A (zh) * 2019-06-19 2019-09-17 中国矿业大学 一种移动巡检机器人双目图像拼接的特征匹配方法
CN111612835A (zh) * 2020-06-06 2020-09-01 重庆连芯光电技术研究院有限公司 一种适用于扩展目标倾斜跟踪的***及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110182505A1 (en) * 2010-01-22 2011-07-28 National Chiao Tung University Gray level weighting centroid method for holographic data storage
CN102654902A (zh) * 2012-01-16 2012-09-05 江南大学 基于轮廓向量特征的嵌入式实时图像匹配方法
US20180286052A1 (en) * 2017-03-30 2018-10-04 4DM Inc. Object motion mapping using panchromatic and multispectral imagery from single pass electro-optical satellite imaging sensors
CN108010045A (zh) * 2017-12-08 2018-05-08 福州大学 基于orb的视觉图像特征点误匹配提纯方法
CN110197232A (zh) * 2019-06-05 2019-09-03 中科新松有限公司 基于边缘方向和梯度特征的图像匹配方法
CN110246168A (zh) * 2019-06-19 2019-09-17 中国矿业大学 一种移动巡检机器人双目图像拼接的特征匹配方法
CN111612835A (zh) * 2020-06-06 2020-09-01 重庆连芯光电技术研究院有限公司 一种适用于扩展目标倾斜跟踪的***及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孟琭等: "计算机视觉原理与应用", 30 November 2012, 东北大学出版社, pages: 32 - 33 *

Similar Documents

Publication Publication Date Title
CN112308916B (zh) 一种基于图像靶标的目标位姿识别方法
CN112034431B (zh) 一种雷达和rtk的外参标定方法及装置
CN111369495B (zh) 一种基于视频的全景图像的变化检测方法
CN109253722A (zh) 融合语义分割的单目测距***、方法、设备及存储介质
Shi et al. A visual circle based image registration algorithm for optical and SAR imagery
CN112396640A (zh) 图像配准方法、装置、电子设备及存储介质
CN115187798A (zh) 一种多无人机高精度匹配定位方法
CN112966711A (zh) 基于卷积神经网络的指针式仪表示数识别方法及***
CN114217665A (zh) 一种相机和激光雷达时间同步方法、装置及存储介质
CN114494371A (zh) 基于多尺度相位一致性的光学图像和sar图像配准方法
EP2927635B1 (en) Feature set optimization in vision-based positioning
CN109470269B (zh) 空间目标测量机构的标定方法、标定设备及标定***
CN116295363A (zh) 一种星点快速提取与高精度定位方法
CN117333846A (zh) 恶劣天气下基于传感器融合和增量学习的检测方法及***
CN116844124A (zh) 三维目标检测框标注方法、装置、电子设备和存储介质
CN104484647B (zh) 一种高分辨率遥感图像云高度检测方法
CN104679011B (zh) 基于稳定分支特征点的图像匹配导航方法
CN116843633A (zh) 图像检测方法、装置、电子设备和存储介质
CN112418300A (zh) 一种加速图像匹配的方法
CN114299477A (zh) 一种车辆视觉定位方法、***、设备及可读存储介质
CN113901903A (zh) 道路识别方法和装置
CN113610086A (zh) 一种垂直刻度指针式仪表读数校正方法、装置及终端设备
CN109919998B (zh) 卫星姿态确定方法、装置和终端设备
CN112233063A (zh) 一种大尺寸圆形物体的圆心定位方法
CN111242918A (zh) 基于卡尔曼滤波和马尔可夫随机场的图像分割方法及***

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