CN107564078B - 一种带有干扰像素的栅格分区图自动矢量化方法 - Google Patents
一种带有干扰像素的栅格分区图自动矢量化方法 Download PDFInfo
- Publication number
- CN107564078B CN107564078B CN201610509107.8A CN201610509107A CN107564078B CN 107564078 B CN107564078 B CN 107564078B CN 201610509107 A CN201610509107 A CN 201610509107A CN 107564078 B CN107564078 B CN 107564078B
- Authority
- CN
- China
- Prior art keywords
- interference
- grid
- pixels
- partition
- map
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本发明提供一种带有干扰像素的栅格分区图自动矢量化方法,通过对栅格分区图进行校正;对栅格分区图进行交互式监督分类,得到单波段栅格数据;对单波段栅格数据进行栅格转面,得到干扰面图层;切分干扰面图层中的面图元;消除干扰面图层。本发明提出的方法实现了分区栅格图的自动矢量化,快速准确且方法具有一定的普适性,对分区栅格图的图像质量宽容度比较大,能够允许图像上出现各种干扰像素;实现了带有干扰像素的分区栅格图的自动矢量化。
Description
技术领域
本发明涉及GIS图像处理领域,具体涉及一种带有干扰像素的栅格分区图自动矢量化方法。
背景技术
GIS地理数据分为栅格数据和矢量数据,两类数据在地理应用中各有优缺点,所以在数据应用分析时经常需要两者相互转换。矢量转栅格比较容易,但栅格转矢量的难度往往就比较大了。当前主流的GIS软件提供了一些自动矢量化的工具,但这些工具的应用条件非常苛刻,很少有栅格数据能达到这些要求,而且这些工具的自动矢量化结果多数也不太可靠。因此,目前多数矢量化工作还不得不靠人工完成,虽然人工矢量化效率很低,也难免会有一些误差。针对矢量化技术面临的困境,当前可行的思路是针对栅格数据源的特点,针对性地研究特定栅格数据的自动矢量化方法。本发明的自动矢量化方法即是针对栅格分区图提出的,且允许栅格分区图中有各种干扰像素存在。
本发明所针对的栅格分区图是根据矢量数据生成的一种专题地图,为JPG、PNG等常见图片格式。本发明的方法是要把这些图片格式再还原接近原始矢量图的一个矢量文件,其最终结果是去除了干扰的分区面图层。这种需求在当下大量存在,尤其是经常以GIS为制图工具的一些应用行业,如电力、国土、地质、通信等,在其设计、建设和运维过程中,经常需要基于大量基础数据的理论研究,然而通常较容易搜集到的数据往往是一些已经制成专题图的栅格图,其图像质量参差不齐,对应的原始矢量数据由于丢失、保密或获取渠道困难等原因难以得到,这时就必须把栅格图转为矢量数据才能做进一步的科学研究。
本发明中的干扰像素是原始栅格图中颜色不在分区专题色表范围内的像素,这些干扰像素会对图像分类产生不良影响。干扰像素通常有以下几种形式:
1、栅格分区图常常作为专题图出现,所以经常会被添加上道路、居民点、行政区划界线、地名等基础地理信息图层,这些图层会把分区信息完全覆盖,而被覆盖的分区信息是不可能被完全准确地恢复出来的。
2、半透明的干扰图层对图像分类产生了极大的干扰,其叠加显示结果产生了种类繁多的干扰颜色,这些颜色是不属于分区图的色表范围内的。
3、抗锯齿是为了获得更好的图像可视效果而做的一种处理,抗锯齿处理会在图像上不同颜色块的交界处产生过渡色,以减少栅格图中的锯齿现象,而这种过渡色对图像分类是一种干扰。
4、目前常用的图片格式中有些是有损压缩的,如JPEG和GIF。图像有损压缩会在任意两个色块的交界处产生比较严重的噪声,导致大面积的颜色失真。这些噪声是不均匀分布的,规律性不强。图像压缩程度越厉害,噪声越强。
以上四种是矢量分区专题图直接输出成栅格图时常见的干扰像素的来源。如果这些栅格分区图后期又经过了内插法的重采样或经打印再扫描成图片的过程,则会产生更严重的图像失真,产生更多的干扰像素。干扰像素的存在是自动矢量化的最大障碍,栅格分区图自动矢量化的难点就在于如何自动去除这些干扰像素。
发明内容
有鉴于此,本发明提供的一种带有干扰像素的栅格分区图自动矢量化方法,该方法实现了分区栅格图的自动矢量化,快速准确且方法具有一定的普适性,对分区栅格图的图像质量宽容度比较大,能够允许图像上出现各种干扰像素;实现了带有干扰像素的分区栅格图的自动矢量化。
本发明的目的是通过以下技术方案实现的:
一种带有干扰像素的栅格分区图自动矢量化方法,所述方法基于图像分类和空间分析,对带有干扰像素的栅格分区图进行自动矢量化;所述方法包括如下步骤:
步骤1.对栅格分区图进行校正;
步骤2.对所述栅格分区图进行交互式监督分类,得到单波段栅格数据;
步骤3.对所述单波段栅格数据进行栅格转面,得到干扰面图层;
步骤4.切分所述干扰面图层中的面图元;
步骤5.消除所述干扰面图层。
优选的,所述步骤1包括:
用GIS软件中的栅格地图校正工具对所述栅格地图进行常规校正,提高所述栅格分区图的地理参考精确度。
优选的,所述步骤2包括:
2-1.在所述栅格分区图中的无干扰图层的分区内选取训练样本;
2-2.设定概率阈值并执行分类操作,区分出所述栅格分区图中颜色与所述训练样本不同的干扰像素,并将所述干扰像素提取成一类,得到单波段栅格数据。
优选的,所述2-1包括:
使用Photoshop软件中的魔棒功能,在所述栅格分区图中的无干扰图层的分区内手动选择一个像素作为所述训练样本;魔棒功能自动将所有与所述训练样本的像素颜色相同的像素归入选区。
优选的,所述2-2包括:
在Photoshop软件中根据具体数据设置颜色容差,在同一分区等级选择完成后,填充统一颜色,区分出所述栅格分区图中颜色与所述训练样本不同的干扰像素,将所述干扰像素提取成一类。
优选的,所述步骤3包括:
将交互式监督分类生成的所述单波段栅格数据,经过栅格转面生成干扰面图层;
其中,所述干扰面图层包括全部等级的分区和一类干扰面;且所述干扰面图层属性字段记录栅格的像素值,作为原图像分类的类别编号。
优选的,所述步骤4中所述切分所述干扰面图层中的面图元的原理包括:
a.若当前的所述面图元的面要素的折点数超过指定个数,则该面图元切分成多个面图元,切分后的每个面图元的折点数均少于所述指定个数;
b.若切分不均匀,则使用加密工具后再做切分;切分的具体粒度用折点数控制。
优选的,所述步骤5中的所述消除所述干扰面图层的原理包括:
c.将切分后的全部所述面图元归入其相邻的分区面图元中;
d.当一个面图元与多个分区面图元相邻时,比较该面图元与其他分区面图元的公共边,将该面图元归入公共边最长的分区面图元中。
优选的,所述步骤5包括:
5-1.选中所述干扰面图层中的待消除要素;
5-2.指定消除规则为公共边最长原则,并将图元面积小于等于两个像素的面图元纳入被消除范围,执行消除。
从上述的技术方案可以看出,本发明提供了一种带有干扰像素的栅格分区图自动矢量化方法,通过对栅格分区图进行校正;对栅格分区图进行交互式监督分类,得到单波段栅格数据;对单波段栅格数据进行栅格转面,得到干扰面图层;切分干扰面图层中的面图元;消除干扰面图层。本发明提出的方法实现了分区栅格图的自动矢量化,快速准确且方法具有一定的普适性,对分区栅格图的图像质量宽容度比较大,能够允许图像上出现各种干扰像素;实现了带有干扰像素的分区栅格图的自动矢量化。
与最接近的现有技术比,本发明提供的技术方案具有以下优异效果:
1、本发明所提供的技术方案,基于图像分类和空间分析的带有干扰像素的栅格分区图自动矢量方法的流程,包括:栅格地图校正、交互式监督分类、栅格转面、干扰图层切分、干扰图层消除。实现了分区栅格图的自动矢量化,快速准确且方法具有一定的普适性,对分区栅格图的图像质量宽容度比较大,能够允许图像上出现各种干扰像素。
2、本发明所提供的技术方案,把遥感图像分类的方法创造性地用于自动矢量化,又充分利用GIS空间工具消除了图像分类过程中无法处理的干扰像素。两者结合很好的实现了带有干扰像素的分区栅格图的自动矢量化。
3、本发明所提供的技术方案,针对栅格分区图的自动式量化中的图像分类,采用交互式监督分类方法,可准确的把所有干扰像素单独分离出来。
4、本发明所提供的技术方案,开展干扰图层消除操作时,指定消除规则为“公共边最长”原则,并将图元面积小于等于两个像素的面图元也纳入被消除范围,提高最终成果的准确率。
5、本发明所提供的技术方案,开展干扰图层切分研究,对于大段直线导致折点过少使切分不均匀的情况出现时,可采用加密工具,让大段直线上每隔一定距离加密生成一个折点,然后再做切分,提高最终成果的准确率。
6、本发明提供的技术方案,应用广泛,具有显著的社会效益和经济效益。
附图说明
图1是本发明的一种带有干扰像素的栅格分区图自动矢量化方法的流程图;
图2是本发明方法中步骤2的流程示意图;
图3是本发明方法中步骤5的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供一种带有干扰像素的栅格分区图自动矢量化方法,方法基于图像分类和空间分析,对带有干扰像素的栅格分区图进行自动矢量化;
包括如下步骤:
步骤1.对栅格分区图进行校正;
步骤2.对栅格分区图进行交互式监督分类,得到单波段栅格数据;
步骤3.对单波段栅格数据进行栅格转面,得到干扰面图层;
步骤4.切分干扰面图层中的面图元;
步骤5.消除干扰面图层。
其中,所述步骤1包括:
用GIS软件中的栅格地图校正工具对所述栅格地图进行常规校正,提高所述栅格分区图的地理参考精确度。
如图2所示,步骤2包括:
2-1.在栅格分区图中的无干扰图层的分区内选取训练样本;
2-2.设定概率阈值并执行分类操作,区分出栅格分区图中颜色与训练样本不同的干扰像素,并将干扰像素提取成一类,得到单波段栅格数据。
其中,2-1包括:
使用Photoshop软件中的魔棒功能,在栅格分区图中的无干扰图层的分区内手动选择一个像素作为训练样本;魔棒功能自动将所有与训练样本的像素颜色相同的像素归入选区。
其中,2-2包括:
在Photoshop软件中根据具体数据设置颜色容差,在同一分区等级选择完成后,填充统一颜色,区分出栅格分区图中颜色与训练样本不同的干扰像素,将干扰像素提取成一类。
其中,步骤3包括:
将交互式监督分类生成的单波段栅格数据,经过栅格转面生成干扰面图层;
其中,干扰面图层包括全部等级的分区和一类干扰面;且干扰面图层属性字段记录栅格的像素值,作为原图像分类的类别编号。
其中,步骤4中切分干扰面图层中的面图元的原理包括:
a.若当前的面图元的面要素的折点数超过指定个数,则该面图元切分成多个面图元,切分后的每个面图元的折点数均少于指定个数;
b.若切分不均匀,则使用加密工具后再做切分;切分的具体粒度用折点数控制。
其中,步骤5中的消除干扰面图层的原理包括:
c.将切分后的全部面图元归入其相邻的分区面图元中;
d.当一个面图元与多个分区面图元相邻时,比较该面图元与其他分区面图元的公共边,将该面图元归入公共边最长的分区面图元中。
如图3所示,步骤5包括:
5-1.选中干扰面图层中的待消除要素;
5-2.指定消除规则为公共边最长原则,并将图元面积小于等于两个像素的面图元纳入被消除范围,执行消除。
本发明提供一种带有干扰像素的栅格分区图自动矢量化方法的具体应用例,如下:
1.栅格地图校正:
地图校正是矢量化过程的第一个步骤,使地图拥有精确的地理参考,使用主流GIS软件具有的地图校正工具进行常规的校正即可。
2.交互式监督分类:
交互式监督分类是整个自动矢量化过程中的关键步骤,其目的是把图像中的每个像素按照颜色聚合成几个固定的类别,颜色相近的被分成同一类。由于存在图像有损压缩导致的同一分区内像素颜色不一致及干扰图层中颜色错综复杂的像素等问题,所以采用交互式监督分类的方法,其优点是对图像质量和干扰像素有较高的容忍度。具体步骤如下:
1)在没有干扰图层的分区内选择训练样本;
2)设定概率阈值执行分类操作,使颜色跟训练样本差距较大的像素不被分入任何类中,把所有干扰像素单独提取成一类,以便后续处理。
这一步采用交互式监督分类,而不建议使用其他图像分类方法是为了能尽量准确的把所有干扰像素单独分离出来。Photoshop工具能把交互式监督分类的交互性体现的更好,具体是操作如下:使用Photoshop魔棒功能手动选择一个像素作为样本,此时魔棒功能会自动把所有与此样本像素颜色相近的像素都归入选区;根据具体数据设置合适的颜色容差;同一分区等级选择完成后,给其填充统一的颜色。
3.栅格转面:
将交互式监督分类生成的单波段栅格数据,经过栅格转面生成面图层,图层包括所有等级的分区和一类干扰面。图层属性字段记录栅格的像素值,作为原来图像分类的类别编号。
4.干扰图层切分:
针对干扰图层的面图元做干扰图层切分操作。
切分原理如下:如果面要素的折点数超过指定个数,则把此图元切分成多个面图元,使每一个图元折点数少于指定的个数。
由于这一步要处理的面文件是从栅格数据转成的,所有面要素都完整保留了栅格图的“锯齿”,所以折点分布较为均匀,可以保证按照折点数量切分后,图元面积不会悬殊过大。如果面文件中有大段的直线导致折点过少,进而导致切分不均匀,可以用加密工具,让大段直线上每隔一定距离加密生成一个折点,然后再做切分。切分的具体粒度可以用折点数控制,折点数越少,切分越细。
5.干扰图层消除:
干扰图层消除是去除干扰信息的关键步骤。消除原理如下:
1)将上一步切分后的所有干扰图元归入其相邻的分区面图元中;
2)当一个干扰图元与多个分区面图元相邻时,比较此干扰图元与哪一个分区面图元的公共边最长,将其归入公共边最长的面图元中。经过以上两步,即可实现干扰图层的自动消除,较准确地还原真实信息。
消除过程如下:
1)选中图层中的被消除要素;
2)指定消除规则为“公共边最长”原则,并将图元面积小于等于两个像素的面图元纳入被消除范围,执行消除。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,而这些未脱离本发明精神和范围的任何修改或者等同替换,其均在申请待批的本发明的权利要求保护范围之内。
Claims (4)
1.一种带有干扰像素的栅格分区图自动矢量化方法,其特征在于,所述方法基于图像分类和空间分析,对带有干扰像素的栅格分区图进行自动矢量化;所述方法包括如下步骤:
步骤1.对栅格分区图进行校正;
步骤2.对所述栅格分区图进行交互式监督分类,得到单波段栅格数据;
所述步骤2包括:
2-1.在所述栅格分区图中的无干扰图层的分区内选取训练样本;
2-2.设定概率阈值并执行分类操作,区分出所述栅格分区图中颜色与所述训练样本不同的干扰像素,并将所述干扰像素提取成一类,得到单波段栅格数据;
步骤3.对所述单波段栅格数据进行栅格转面,得到干扰面图层;
所述步骤3包括:
将交互式监督分类生成的所述单波段栅格数据,经过栅格转面生成干扰面图层;
其中,所述干扰面图层包括全部等级的分区和一类干扰面;且所述干扰面图层属性字段记录栅格的像素值,作为原图像分类的类别编号;
步骤4.切分所述干扰面图层中的面图元;
所述步骤4中所述切分所述干扰面图层中的面图元的原理包括:
a.若当前的所述面图元的面要素的折点数超过指定个数,则该面图元切分成多个面图元,切分后的每个面图元的折点数均少于所述指定个数;
b.若切分不均匀,则使用加密工具后再做切分;切分的具体粒度用折点数控制;
步骤5.消除所述干扰面图层;
所述步骤5中的所述消除所述干扰面图层的原理包括:
c.将切分后的全部所述面图元归入其相邻的分区面图元中;
d.当一个面图元与多个分区面图元相邻时,比较该面图元与其他分区面图元的公共边,将该面图元归入公共边最长的分区面图元中;
所述步骤5包括:
5-1.选中所述干扰面图层中的待消除要素;
5-2.指定消除规则为公共边最长原则,并将图元面积小于等于两个像素的面图元纳入被消除范围,执行消除。
2.如权利要求1所述的方法,其特征在于,所述步骤1包括:
用GIS软件中的栅格地图校正工具对所述栅格地图进行常规校正,提高所述栅格分区图的地理参考精确度。
3.如权利要求1所述的方法,其特征在于,所述2-1包括:
使用Photoshop软件中的魔棒功能,在所述栅格分区图中的无干扰图层的分区内手动选择一个像素作为所述训练样本;魔棒功能自动将所有与所述训练样本的像素颜色相同的像素归入选区。
4.如权利要求1所述的方法,其特征在于,所述2-2包括:
在Photoshop软件中根据具体数据设置颜色容差,在同一分区等级选择完成后,填充统一颜色,区分出所述栅格分区图中颜色与所述训练样本不同的干扰像素,将所述干扰像素提取成一类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610509107.8A CN107564078B (zh) | 2016-06-30 | 2016-06-30 | 一种带有干扰像素的栅格分区图自动矢量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610509107.8A CN107564078B (zh) | 2016-06-30 | 2016-06-30 | 一种带有干扰像素的栅格分区图自动矢量化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107564078A CN107564078A (zh) | 2018-01-09 |
CN107564078B true CN107564078B (zh) | 2023-06-09 |
Family
ID=60969110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610509107.8A Active CN107564078B (zh) | 2016-06-30 | 2016-06-30 | 一种带有干扰像素的栅格分区图自动矢量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107564078B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573510B (zh) * | 2018-02-05 | 2022-06-28 | 上海思岚科技有限公司 | 一种栅格地图矢量化方法及设备 |
CN110727747B (zh) * | 2019-09-02 | 2022-03-15 | 湖北大学 | 基于经纬度识别的纸质地图快速矢量化方法及系统 |
CN110675417B (zh) * | 2019-09-25 | 2022-08-30 | 自然资源部第六地形测量队(自然资源部地下管线勘测工程院、四川省第三测绘工程院) | 一种结合游程编码与边缘跟踪的栅格数据快速矢量化方法 |
CN114092606A (zh) * | 2021-11-30 | 2022-02-25 | 北京字节跳动网络技术有限公司 | 一种图像处理方法、装置、电子设备和存储介质 |
CN115393884B (zh) * | 2022-09-02 | 2023-05-02 | 华东师范大学 | 一种海图专题信息的提取处理方法、装置及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009278363A (ja) * | 2008-05-14 | 2009-11-26 | Canon Inc | 画像処理装置及び画像処理方法 |
JP4475680B2 (ja) * | 2009-07-14 | 2010-06-09 | キヤノン株式会社 | 画像処理装置及びその制御方法、プログラム |
CN103559493A (zh) * | 2013-10-21 | 2014-02-05 | 中国农业大学 | 一种线状地物的提取方法 |
CN103985144A (zh) * | 2014-05-20 | 2014-08-13 | 西华师范大学 | 一种基于栅格覆盖模型的林相图斑快速矢量化方法 |
CN104156480B (zh) * | 2014-08-26 | 2017-10-13 | 天津市普迅电力信息技术有限公司 | 一种基于wpf和gdi+分层绘制地图的方法 |
-
2016
- 2016-06-30 CN CN201610509107.8A patent/CN107564078B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107564078A (zh) | 2018-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107564078B (zh) | 一种带有干扰像素的栅格分区图自动矢量化方法 | |
CN109145922B (zh) | 一种自动抠图系统 | |
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
US8576229B2 (en) | Meteorology and oceanography geospatial analysis toolset | |
DE112018005149T5 (de) | Punktwolkenkomprimierung | |
CN103632361B (zh) | 一种图像分割方法和系统 | |
CN110232329B (zh) | 基于深度学习的点云分类方法、装置、存储介质及设备 | |
CN102800094A (zh) | 一种快速彩色图像分割方法 | |
CN110728640B (zh) | 一种双通道单幅图像精细去雨方法 | |
CN107564009B (zh) | 基于深度卷积神经网络的室外场景多目标分割方法 | |
CN111626947A (zh) | 基于生成对抗网络的地图矢量化样本增强方法及系统 | |
JPH03218581A (ja) | 画像セグメンテーション方法 | |
CN111414954B (zh) | 一种岩石图像检索方法及其系统 | |
CN103971338A (zh) | 一种基于显著图的可变块图像修复方法 | |
CN111666363B (zh) | 一种海量高分辨率影像数据切片及质量控制的方法及装置 | |
CN111563408B (zh) | 多层次感知特征渐进自学习的高分辨率影像滑坡自动检测方法 | |
CN115600307B (zh) | 一种从城市场景的Mesh模型中生成单体化建筑的方法 | |
CN104778238A (zh) | 一种视频显著性的分析方法及装置 | |
CN111340080A (zh) | 一种基于互补卷积特征的高分辨率遥感影像融合方法及系统 | |
CN103970901A (zh) | 一种地理信息图形数据整合方法 | |
CN115439753A (zh) | 一种基于dem的陡峭河岸识别方法及系统 | |
CN110111342B (zh) | 一种抠图算法的优化选取方法及装置 | |
CN109300169B (zh) | 一种基于线性变换的半透明图像颜色迁移方法 | |
CN115272826A (zh) | 一种基于卷积神经网络的图像识别方法、装置及系统 | |
CN105913451B (zh) | 一种基于图模型的自然图像超像素分割方法 |
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 |