[发明专利]基于背景字典学习和结构稀疏表示的高光谱异常目标检测方法在审

专利信息
申请号: 201610196286.4 申请日: 2016-03-31
公开(公告)号: CN105825200A 公开(公告)日: 2016-08-03
发明(设计)人: 张艳宁;李飞;张秀伟;魏巍;张磊;蒋冬梅 申请(专利权)人: 西北工业大学
主分类号: G06K9/00 分类号: G06K9/00;G06T7/00
代理公司: 西北工业大学专利中心 61204 代理人: 王鲜凯
地址: 710072 *** 国省代码: 陕西;61
权利要求书: 查看更多 说明书: 查看更多
摘要: 发明公开了一种基于背景字典学习和结构稀疏表示的高光谱异常目标检测方法,用于解决现有高光谱异常目标检测方法目标检测效率低的技术问题。技术方案是在基于局部RX算法选择初始背景像元后,利用主成分分析字典学习法学习得到鲁棒性的背景字典。在稀疏向量求解和图像重建过程中,引入重加权拉普拉斯先验,提高稀疏向量求解精度。最后,根据原始图像与重建图像之间的误差实现异常目标的精确提取。在真实的高光谱卫星图像AVIRIS和仿真的高光谱数据集上的试验结果表明,本发明获得的检测结果相对于背景技术在恒虚警率的前提下检测率提高了8%~15%。
搜索关键词: 基于 背景 字典 学习 结构 稀疏 表示 光谱 异常 目标 检测 方法
【主权项】:
一种基于背景字典学习和结构稀疏表示的高光谱异常目标检测方法,其特征在于包括以下步骤:步骤一、基于主成分分析的鲁棒性背景字典学习;(1)采用双窗局部RX算法获取背景像素集合;根据输入高光谱图像分辨率选择窗口尺寸都为奇数的矩形外窗Outer和内窗Inner,Outer=nouter×nouter,Inner=ninner×ninner,nouter>ninnner,nouter、ninner分别表示外窗和内窗的尺寸,都为奇数;以每一个输入像素xi∈X,i=1,…,np为中心,根据外窗和内窗尺寸获取局部背景区域nlocal=Outer‑Inner,nlocal为nb×Nlocal大小的局部背景矩阵,然后计算nlocal的均值和协方差矩阵分别得到μlocal=[μ1,…,μN]T和∑local;局部RX计算公式如下:DLocalRX(xi)=(xi‑μlocal(i))T(∑local(i))‑1(xi‑μlocal(i))    (1)式中,μlocal(i)表示第i个输入像元所对应的局部背景的均值,(∑local(i))‑1表示第i输入像元所对应的局部背景的协方差矩阵的逆矩阵,利用公式(1)遍历所有高光谱像元后选取阈值进行背景分割,小于阈值的对应像元为背景像元,得到背景像元矩阵Zlocal,大小为nb×NZ,NZ表示局部背景像元的个数;(2)基于主成分分析的鲁棒性背景字典学习;将背景像元矩阵Zlocal转置后求其协方差矩阵,定义为CovZlocal,大小为nb×nb;然后求协方差矩阵CovZlocal的特征值V和特征向量,将特征值按照从大到小排列后,相应的特征向量也依次排列,得到的新的特征向量矩阵即为最终学习到的背景字典D;步骤二、建立基于重加权拉普拉斯稀疏先验的结构稀疏表示模型;在稀疏表示框架下,高光谱图像像元能够被学习到的字典D稀疏表示,即X=DY+N    (2)式中,D为已学习到的背景字典,Y=[y1,…,yn]为稀疏表示矩阵,N为稀疏表示误差和图像噪声;假设N服从的矩阵正态分布,则对应的似然函数为<mrow><mi>p</mi><mrow><mo>(</mo><mi>X</mi><mo>|</mo><mi>Y</mi><mo>,</mo><mi>&lambda;</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mrow><mi>exp</mi><mo>{</mo><mo>-</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><mo>|</mo><mo>|</mo><mi>D</mi><mi>Y</mi><mo>-</mo><mi>X</mi><mo>|</mo><msubsup><mo>|</mo><msub><mi>&Sigma;</mi><mi>n</mi></msub><mn>2</mn></msubsup><mo>}</mo></mrow><mrow><msup><mrow><mo>(</mo><mn>2</mn><mi>&pi;</mi><mo>)</mo></mrow><mrow><msub><mi>n</mi><mi>b</mi></msub><msub><mi>n</mi><mi>p</mi></msub><mo>/</mo><mn>2</mn></mrow></msup><msup><mrow><mo>|</mo><msub><mi>&Sigma;</mi><mi>n</mi></msub><mo>|</mo></mrow><mrow><msub><mi>n</mi><mi>p</mi></msub><mo>/</mo><mn>2</mn></mrow></msup></mrow></mfrac><mo>,</mo><msub><mi>&Sigma;</mi><mi>n</mi></msub><mo>=</mo><mi>d</mi><mi>i</mi><mi>a</mi><mi>g</mi><mrow><mo>(</mo><mi>&lambda;</mi><mo>)</mo></mrow><mo>,</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow></mrow>其中,Σn=diag(λ)是以λ元素为对角线元素的对角矩阵,用于表示误差和噪声的强度;表示Q矩阵的加权迹范数;为了表示稀疏向量内部的结构稀疏性,将重加权拉普拉斯稀疏先验引入Y;首先假设Y服从如下分布<mrow><mi>p</mi><mrow><mo>(</mo><mi>Y</mi><mo>|</mo><mi>&gamma;</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mrow><mi>exp</mi><mo>{</mo><mo>-</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><mo>|</mo><mo>|</mo><mi>Y</mi><mo>|</mo><msubsup><mo>|</mo><msub><mi>&Sigma;</mi><mi>y</mi></msub><mn>2</mn></msubsup><mo>}</mo></mrow><mrow><msup><mrow><mo>(</mo><mn>2</mn><mi>&pi;</mi><mo>)</mo></mrow><mrow><msub><mi>n</mi><mi>b</mi></msub><msub><mi>n</mi><mi>p</mi></msub><mo>/</mo><mn>2</mn></mrow></msup><mo>|</mo><msub><mi>&Sigma;</mi><mi>y</mi></msub><msup><mo>|</mo><mrow><msub><mi>n</mi><mi>p</mi></msub><mo>/</mo><mn>2</mn></mrow></msup></mrow></mfrac><mo>,</mo><msub><mi>&Sigma;</mi><mi>y</mi></msub><mo>=</mo><mi>d</mi><mi>i</mi><mi>a</mi><mi>g</mi><mrow><mo>(</mo><mi>&gamma;</mi><mo>)</mo></mrow><mo>,</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>4</mn><mo>)</mo></mrow></mrow>其中,Σy=diag(γ)表示以γ的元素为对角线元素的对角矩阵,控制Y中每一行的稀疏度,γi=0表示Y的第i行为0;假设则其中任一列yi服从高斯分布;假设超参数γ服从以下的伽马分布,<mrow><mi>p</mi><mrow><mo>(</mo><mi>&gamma;</mi><mo>|</mo><mi>&kappa;</mi><mo>)</mo></mrow><mo>=</mo><munderover><mo>&Pi;</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>n</mi><mi>b</mi></msub></munderover><mi>G</mi><mi>a</mi><mi>m</mi><mi>m</mi><mi>a</mi><mrow><mo>(</mo><mn>1</mn><mo>,</mo><mfrac><mn>2</mn><msub><mi>&kappa;</mi><mi>i</mi></msub></mfrac><mo>)</mo></mrow><mo>=</mo><munderover><mo>&Pi;</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>n</mi><mi>b</mi></msub></munderover><mfrac><msub><mi>&kappa;</mi><mi>i</mi></msub><mn>2</mn></mfrac><mi>exp</mi><mrow><mo>(</mo><mo>-</mo><mfrac><mrow><msub><mi>&kappa;</mi><mi>i</mi></msub><msub><mi>&gamma;</mi><mi>i</mi></msub></mrow><mn>2</mn></mfrac><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>5</mn><mo>)</mo></mrow></mrow>以上两级先验,等价于重加权拉普拉斯分布,因为对于yi<mrow><mi>p</mi><mrow><mo>(</mo><msub><mi>y</mi><mi>i</mi></msub><mo>)</mo></mrow><mo>=</mo><mo>&Integral;</mo><mi>p</mi><mrow><mo>(</mo><msub><mi>y</mi><mi>i</mi></msub><mo>|</mo><mi>&gamma;</mi><mo>)</mo></mrow><mi>p</mi><mrow><mo>(</mo><mi>&gamma;</mi><mo>|</mo><mi>&kappa;</mi><mo>)</mo></mrow><mi>d</mi><mi>&gamma;</mi><mo>=</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><munderover><mo>&Pi;</mo><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>n</mi><mi>b</mi></msub></munderover><msubsup><mi>&kappa;</mi><mi>j</mi><mrow><mn>1</mn><mo>/</mo><mn>2</mn></mrow></msubsup><mi>exp</mi><mrow><mo>(</mo><mo>-</mo><mo>|</mo><mo>|</mo><msub><mi>Ky</mi><mi>i</mi></msub><mo>|</mo><msub><mo>|</mo><mn>1</mn></msub><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>6</mn><mo>)</mo></mrow></mrow>其中,为保证求解便利,采用级联先验,而且λ,γ和κ均为待估计参数;由于λ,γ和κ未知,根据经验贝叶斯框架,先基于输入的高光谱数据X利用MAP估计未知参数λ,γ和κ,如下<mrow><mo>{</mo><msub><mi>&lambda;</mi><mrow><mi>o</mi><mi>p</mi><mi>t</mi></mrow></msub><mo>,</mo><msub><mi>&gamma;</mi><mrow><mi>o</mi><mi>p</mi><mi>t</mi></mrow></msub><mo>,</mo><msub><mi>&kappa;</mi><mrow><mi>o</mi><mi>p</mi><mi>t</mi></mrow></msub><mo>}</mo><mo>=</mo><mi>arg</mi><munder><mrow><mi>m</mi><mi>a</mi><mi>x</mi></mrow><mrow><mi>&lambda;</mi><mo>,</mo><mi>&gamma;</mi><mo>,</mo><mi>&kappa;</mi></mrow></munder><mi>p</mi><mrow><mo>(</mo><mi>&lambda;</mi><mo>,</mo><mi>&gamma;</mi><mo>,</mo><mi>&kappa;</mi><mo>|</mo><mi>X</mi><mo>)</mo></mrow><mo>&Proportional;</mo><mi>arg</mi><munder><mrow><mi>m</mi><mi>a</mi><mi>x</mi></mrow><mrow><mi>&lambda;</mi><mo>,</mo><mi>&gamma;</mi><mo>,</mo><mi>&kappa;</mi></mrow></munder><mo>&Integral;</mo><mi>p</mi><mrow><mo>(</mo><mi>X</mi><mo>|</mo><mi>Y</mi><mo>,</mo><mi>&lambda;</mi><mo>)</mo></mrow><mi>p</mi><mrow><mo>(</mo><mi>Y</mi><mo>|</mo><mi>&gamma;</mi><mo>)</mo></mrow><mi>p</mi><mrow><mo>(</mo><mi>&gamma;</mi><mo>|</mo><mi>&kappa;</mi><mo>)</mo></mrow><mi>d</mi><mi>Y</mi><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>7</mn><mo>)</mo></mrow></mrow>其中,λoptoptopt分别表示最优的λ,γ,κ;通过积分,并引入‑2log运算,容易得知式子(7)等价于最小化如下的式子其中,tr(·)表示迹范数,Σby=Σn+DΣyDT为代价函数;通过变形式子(8),得到稀疏信号Y的非分离稀疏约束模型;首先,对式子(8)的第一份部分进行变形<mrow><mi>t</mi><mi>r</mi><mrow><mo>(</mo><msubsup><mi>n</mi><msub><mi>n</mi><mi>p</mi></msub><mrow><mo>-</mo><mn>1</mn></mrow></msubsup><msup><mi>X</mi><mi>T</mi></msup><msubsup><mi>&Sigma;</mi><mrow><mi>b</mi><mi>y</mi></mrow><mrow><mo>-</mo><mn>1</mn></mrow></msubsup><mi>X</mi><mo>)</mo></mrow><mo>=</mo><mi>t</mi><mi>r</mi><mo>&lsqb;</mo><mrow><mo>(</mo><mfrac><msup><mi>X</mi><mi>T</mi></msup><msqrt><msub><mi>n</mi><mi>p</mi></msub></msqrt></mfrac><mo>)</mo></mrow><msubsup><mi>&Sigma;</mi><mrow><mi>b</mi><mi>y</mi></mrow><mrow><mo>-</mo><mn>1</mn></mrow></msubsup><mrow><mo>(</mo><mfrac><mi>X</mi><msqrt><msub><mi>n</mi><mi>p</mi></msub></msqrt></mfrac><mo>)</mo></mrow><mo>&rsqb;</mo><mo>=</mo><munder><mrow><mi>m</mi><mi>i</mi><mi>n</mi></mrow><mi>Y</mi></munder><mo>|</mo><mo>|</mo><mi>D</mi><mi>Y</mi><mo>-</mo><mfrac><mi>X</mi><msqrt><msub><mi>n</mi><mi>p</mi></msub></msqrt></mfrac><mo>|</mo><msubsup><mo>|</mo><msub><mi>&Sigma;</mi><mi>n</mi></msub><mn>2</mn></msubsup><mo>+</mo><mo>|</mo><mo>|</mo><mi>Y</mi><mo>|</mo><msubsup><mo>|</mo><msub><mi>&Sigma;</mi><mi>y</mi></msub><mn>2</mn></msubsup><mo>.</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>9</mn><mo>)</mo></mrow></mrow>然后,将式子(9)带入到式子(8)中,得接着,引入新的代价方程如下显然,而且能够证明,最小化式子(8)再对稀疏信号Y进行MAP估计,与直接最小化式子(11)得到的λ,γ和κ相同,关于Y的解仅相差一个常量因此,式子(11)看作是关于稀疏信号Y的正则化回归模型,其中为稀疏信号的非分离稀疏约束;该约束不能拆分成对于Y中每一行的独立约束,因此该约束能同时约束稀疏信号中非零元素,潜在地考量非零元素之间的相关性;此外,Σby中包含了表征噪声强度的λ,因此,得到的稀疏约束随着估计的噪声强度自适应的变化,具有噪声鲁棒性;最终得到了如下的基于重加权拉普拉斯稀疏先验的结构稀疏表示优化模型:<mrow><munder><mi>min</mi><mrow><mi>Y</mi><mo>,</mo><mi>&lambda;</mi><mo>&GreaterEqual;</mo><mn>0</mn><mo>,</mo><mi>&gamma;</mi><mo>&GreaterEqual;</mo><mn>0</mn><mo>,</mo><mi>&kappa;</mi></mrow></munder><mrow><mo>(</mo><mrow><mo>|</mo><mo>|</mo><mi>D</mi><mi>Y</mi><mo>-</mo><mfrac><mi>X</mi><msqrt><msub><mi>n</mi><mi>p</mi></msub></msqrt></mfrac><mo>|</mo><msubsup><mo>|</mo><msub><mo>&Sigma;</mo><mi>n</mi></msub><mn>2</mn></msubsup><mo>+</mo><mo>|</mo><mo>|</mo><mi>Y</mi><mo>|</mo><msubsup><mo>|</mo><msub><mo>&Sigma;</mo><mi>y</mi></msub><mn>2</mn></msubsup><mo>+</mo><mi>log</mi><mo>|</mo><msub><mo>&Sigma;</mo><mrow><mi>b</mi><mi>y</mi></mrow></msub><mo>|</mo><mo>+</mo><munderover><mo>&Sigma;</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>n</mi><mi>b</mi></msub></munderover><mfrac><mrow><mo>(</mo><msub><mi>&kappa;</mi><mi>i</mi></msub><msub><mi>&gamma;</mi><mi>i</mi></msub><mo>-</mo><mn>2</mn><msub><mi>log&kappa;</mi><mi>i</mi></msub><mo>)</mo></mrow><msub><mi>n</mi><mi>p</mi></msub></mfrac></mrow><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>12</mn><mo>)</mo></mrow></mrow>步骤三、模型求解并重建高光谱图像;已知待检测高光谱数据X,采用坐标下降法求解式子(12),每次迭代中仅优化一个变量而固定剩余的变量;λ0,γ0,κ0分别表示初始的数值,t记录迭代次数,η表示更新阈值,λt,γt,κt,Yt分别表示迭代到第t次时的数值,λt+1,γt+1,κt+1,Yt+1分别表示迭代到第t+1次时的数值;具体步骤如下:①初始化,λ0,γ0,κ0均初始化为对应长度的全1向量,计数变量t=0;②更新中间变量Σn=diag(λt),Σy=diag(γt),Σby=Σn+DΣyDT;③固定λt,γt和κt,根据式子(11)得到关于Y的优化形式,如下求解得到Y的更新规则如下,<mrow><msup><mi>Y</mi><mrow><mi>t</mi><mo>+</mo><mn>1</mn></mrow></msup><mo>=</mo><msub><mi>&Sigma;</mi><mi>y</mi></msub><msup><mi>D</mi><mi>T</mi></msup><msubsup><mi>&Sigma;</mi><mrow><mi>b</mi><mi>y</mi></mrow><mrow><mo>-</mo><mn>1</mn></mrow></msubsup><mfrac><mi>X</mi><msqrt><msub><mi>n</mi><mi>p</mi></msub></msqrt></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>14</mn><mo>)</mo></mrow></mrow>④固定Yt+1,λt和κt,得到关于γ的优化形式,如下求解得到如下的更新形式:<mrow><msubsup><mi>&gamma;</mi><mi>i</mi><mrow><mi>t</mi><mo>+</mo><mn>1</mn></mrow></msubsup><mo>=</mo><mfrac><mrow><msqrt><mrow><mn>4</mn><msub><mi>&kappa;</mi><mi>i</mi></msub><msub><mi>n</mi><mi>p</mi></msub><msub><mi>z</mi><mi>i</mi></msub><mo>+</mo><msubsup><mi>n</mi><mi>p</mi><mn>2</mn></msubsup></mrow></msqrt><mo>-</mo><msub><mi>n</mi><mi>p</mi></msub></mrow><mrow><mn>2</mn><msub><mi>&kappa;</mi><mi>i</mi></msub></mrow></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>16</mn><mo>)</mo></mrow></mrow>其中,为γt+1的第i个元素,代表VT+Yt+1(Yt+1)T的对角线元素组成的向量,zi为z的第i个元素;⑤固定Yt+1,γt+1和κt,得到关于λ的优化形式,如下求解得到如下的更新形式:<mrow><msup><mi>&lambda;</mi><mrow><mi>t</mi><mo>+</mo><mn>1</mn></mrow></msup><mo>=</mo><msqrt><mrow><mi>d</mi><mi>i</mi><mi>a</mi><mi>g</mi><mrow><mo>(</mo><msup><mi>QQ</mi><mi>T</mi></msup><mo>)</mo></mrow><mo>.</mo><mo>/</mo><mi>&alpha;</mi></mrow></msqrt><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>18</mn><mo>)</mo></mrow></mrow>其中,根号运算表示向量每一个元素开方后组成的向量,./运算代表两个向量对应元素相除后组成的向量,代表对角线元素组成的向量;⑥固定Yt+1,γt+1和λt+1,得到关于κ的优化形式,如下:求解得到如下的更新形式:<mrow><msup><mi>&kappa;</mi><mrow><mi>t</mi><mo>+</mo><mn>1</mn></mrow></msup><mo>=</mo><mfrac><mn>2</mn><mrow><mi>&gamma;</mi><mo>+</mo><mi>d</mi></mrow></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>20</mn><mo>)</mo></mrow></mrow>上式中的加法和除法运算均作用在向量的每一个元素上,得到一个新向量,d=10‑6的引入是为了确保γ中出现0时,式子(20)依然有意义;⑦计算稀疏信号Y更新前后的差异,如下<mrow><mi>&eta;</mi><mo>=</mo><mfrac><mrow><mo>|</mo><mo>|</mo><msup><mi>Y</mi><mrow><mi>t</mi><mo>+</mo><mn>1</mn></mrow></msup><mo>.</mo><mo>*</mo><msqrt><msub><mi>n</mi><mi>p</mi></msub></msqrt><mo>|</mo><msub><mo>|</mo><mi>F</mi></msub></mrow><mrow><mo>|</mo><mo>|</mo><msup><mi>Y</mi><mi>t</mi></msup><mo>.</mo><mo>*</mo><msqrt><msub><mi>n</mi><mi>p</mi></msub></msqrt><mo>|</mo><msub><mo>|</mo><mi>F</mi></msub></mrow></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>21</mn><mo>)</mo></mrow></mrow>其中,表示对Yt+1内的每一个元素乘以||·||F表示弗罗贝尼乌斯范数(Frobenius norm),如果计数器t>5或者更新差异η<10‑3,则退出循环;否则t+1,循环执行步骤②至⑦;⑧假设上述循环结束得到的最优稀疏信号为Yrec,则待重建的高光谱图像Xrec通过如下方式得到:<mrow><msub><mi>X</mi><mrow><mi>r</mi><mi>e</mi><mi>c</mi></mrow></msub><mo>=</mo><mi>D</mi><mrow><mo>(</mo><msub><mi>Y</mi><mrow><mi>r</mi><mi>e</mi><mi>c</mi></mrow></msub><mo>.</mo><mo>*</mo><msqrt><msub><mi>n</mi><mi>p</mi></msub></msqrt><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>22</mn><mo>)</mo></mrow></mrow>步骤四、基于重建误差提取异常目标;根据原图像与重建图像之间的重建误差提取异常目标,重建误差计算公式如下:r(X)=||X‑Xrec||2    (23)其中,X、Xrec分别表示原图像和重建后图像,都为nb×np二维矩阵,||·||2表示向量的2范数;得到的误差项r(X)为1行、np列大小的行向量,先将其按照最小值和最大值归一化到[0,1]区间,再重新排列为nrow行、ncol列的灰度图像;根据灰度图选取分割阈值δ,图像中大于δ的像素标记为1表示目标,小于等于δ的像素标记0表示背景;最终得到只有0和1的二值结果图,完成异常目标检测。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于西北工业大学,未经西北工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/patent/201610196286.4/,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code