CN107818550A - 一种基于LiDAR的点云顶部噪点剔除方法 - Google Patents
一种基于LiDAR的点云顶部噪点剔除方法 Download PDFInfo
- Publication number
- CN107818550A CN107818550A CN201711029978.0A CN201711029978A CN107818550A CN 107818550 A CN107818550 A CN 107818550A CN 201711029978 A CN201711029978 A CN 201711029978A CN 107818550 A CN107818550 A CN 107818550A
- Authority
- CN
- China
- Prior art keywords
- grid
- cloud
- noise
- point cloud
- height
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000008030 elimination Effects 0.000 title claims abstract description 11
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 11
- 238000009825 accumulation Methods 0.000 claims description 12
- 230000007773 growth pattern Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
Classifications
-
- G06T5/70—
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
Abstract
本发明涉及激光点云分类技术领域,更具体地,涉及一种基于LiDAR的点云顶部噪点剔除方法。以空间聚类及空间自相关的角度为基础,对点云建立标准空间网格,利用点云数据的空间分布特征及相互依赖关系,确定噪点位置,并根据网格聚类的生长方式确定存在噪点的网格,利用初始确认的顶部噪点作为种子点进行欧式聚类,达到剔除噪点的目的,该算法放弃了逐个点的计算,缩减了计算时间,解决了普遍适用性不强或者效率低下等原因导致在实际的生产运用起不到良好的效果,实现了特殊气候环境下产生的具有成云片状,密度大,范围广泛的噪点剔除准确率较高。
Description
技术领域
本发明涉及激光点云分类技术领域,更具体地,涉及一种基于LiDAR的点云顶部噪点剔除方法。
背景技术
LiDAR系统以盲扫方式从上而下进行数据获取,激光脉冲则有可能照射到比脉冲发射中心低的飞行物体上,或是照射能产生多路径的光滑表面物体上,由此造成了点云数据存在噪声。目前对点云数据的去噪方法主要有局部平面拟合方法、频率域方法、三维有限元生长分析方法及高程纹理图像分类方法,上述算法各有优缺点和适用范围,在噪点比较独立明显的情况下,上述算法能有效去除噪点。但在特殊气候环境下,产生的噪点密度大,呈云片状且范围广泛,利用以上算法无法将噪点剔除干净。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷,提供一种点云顶部噪点剔除方法,基于标准网格,能有效识别密度较大的噪点,并快速精确地剔除成片噪点。
为解决上述技术问题,本发明采用了如下技术方案:
一种基于LiDAR的点云顶部噪点剔除方法,点云数据位于三维空间坐标内,包括如下步骤:
S1:在XOY坐标平面上对点云数据建立标准网格,设置网格边长参数值,并获取每个网格内在Z轴方向上最低点的高度值H’,即所述最低点的Z坐标值;
S2:在步骤S1之后,根据点云数据的空间分布特征,获取每个网格垂直高度上连续无点云层的高度h,并记录连续无点云层的起始高度值H;
S3:设定阈值h’,对步骤S2中每个网格的连续无点云层的高度h进行判定,对无点云层的高度h大于阈值h’的网格进行标记,认为该网格内高度值大于H的点为顶部噪点;
S4:对步骤S3中标记的网格进行网格聚类成簇,同时对标记网格临近的非标记网格进行判定,当标记网格的连续无点云层的起始高度H小于非标记网格的最低点的高度值H’;则认为该非标记网格内可能存在顶部噪点;
S5:以步骤S3中所述顶部噪点作为种子点设定距离阈值D,对步骤S4中认为可能存在顶部噪点的网格的有效点云进行聚类,其中满足距离阈值D条件的点云则判定为顶部噪点;
S6:将步骤S3和步骤S5中判定的顶部噪点剔除。
进一步地,步骤S2中无点云层的高度h的获取方法如下:
S21:将网格在Z坐标方向上以高度d进行分层,标记不存在点云或者低于合理点云数量的点云层;
S22:从网格底层开始累积标记的点云层的高度,若累积的过程中出现未标记的点云层,则记录累积的高度,并从下一个标记的点云层开始重新累积;按此步骤直至所有点云层遍历完毕;取最大的累积高度值作为h。
进一步地,高度d为0.5m—1m。
优选地,阈值h’为20m-25m。
进一步地,步骤S5对有效点云进行聚类的算法为欧式聚类算法。
本发明以空间聚类及空间自相关的角度为基础,对点云建立标准空间网格,利用点云数据的空间分布特征及相互依赖关系,确定噪点位置,并根据网格聚类的生长方式确定存在噪点的网格,利用初始确认的顶部噪点作为种子点进行欧式聚类,达到剔除噪点的目的,该算法放弃了逐个点的计算,缩减了计算时间,解决了普遍适用性不强或者效率低下等原因导致在实际的生产运用起不到良好的效果,实现了特殊气候环境下产生的具有成云片状,密度大,范围广泛的噪点剔除准确率较高。
与现有技术相比,有益效果是:利用点云数据的空间分布特征及相互依赖关系,确定噪点位置,并根据网格聚类生长方式确定存在噪点的网格,达到删除噪点的目的;以标准网格为基础,加入空间聚类及空间自相关,利用点云数据的空间分布特征及相互依赖关系快速精确的剔除成片噪点。
附图说明
图1是本发明一实施例的示意图。
具体实施方式
下面结合附图对本发明进行进一步地描述,需要说明的是,附图仅用于示例性说明,不能理解为对本专利的限制。
如图1所示,一种基于LiDAR的点云顶部噪点剔除方法,点云数据位于三维空间坐标内,包括如下步骤:
S1:在XOY坐标平面上对点云数据建立标准网格,设置网格边长参数值,并获取每个网格内在Z轴方向上最低点的高度值H’,即所述最低点的Z坐标值;
S2:在步骤S1之后,根据点云数据的空间分布特征,获取每个网格垂直高度上连续无点云层的高度h,并记录连续无点云层的起始高度值H;
S3:设定阈值h’,对步骤S2中每个网格的连续无点云层的高度h进行判定,对无点云层的高度h大于阈值h’的网格进行标记,认为该网格内高度值大于H的点为顶部噪点;
S4:对步骤S3中标记的网格进行网格聚类成簇,同时对标记网格临近的非标记网格进行判定,当标记网格的连续无点云层的起始高度H小于非标记网格的最低点的高度值H’;则认为该非标记网格内可能存在顶部噪点;
S5:以步骤S3中所述顶部噪点作为种子点设定距离阈值D,对步骤S4中认为可能存在顶部噪点的网格的有效点云进行聚类,其中满足距离阈值D条件的点云则判定为顶部噪点;
S6:将步骤S3和步骤S5中判定的顶部噪点剔除。
进一步地,步骤S2中无点云层的高度h的获取方法如下:
S21:将网格在Z坐标方向上以高度d进行分层,标记不存在点云或者低于合理点云数量的点云层;
S22:从网格底层开始累积标记的点云层的高度,若累积的过程中出现未标记的点云层,则记录累积的高度,并从下一个标记的点云层开始重新累积;按此步骤直至所有点云层遍历完毕;取最大的累积高度值作为h。
进一步地,高度d为0.5m—1m。
优选地,阈值h’为20m-25m。
进一步地,步骤S5对有效点云进行聚类的算法为欧式聚类算法。
本发明以空间聚类及空间自相关的角度为基础,对点云建立标准空间网格,利用点云数据的空间分布特征及相互依赖关系,确定噪点位置,并根据网格聚类的生长方式确定存在噪点的网格,利用初始确认的顶部噪点作为种子点进行欧式聚类,达到剔除噪点的目的,该算法放弃了逐个点的计算,缩减了计算时间,解决了普遍适用性不强或者效率低下等原因导致在实际的生产运用起不到良好的效果,实现了特殊气候环境下产生的具有成云片状,密度大,范围广泛的噪点剔除准确率较高。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种基于LiDAR的点云顶部噪点剔除方法,点云数据位于三维空间坐标内,其特征在于,包括如下步骤:
S1:在XOY坐标平面上对点云数据建立标准网格,设置网格边长参数值,并获取每个网格内在Z轴方向上最低点的高度值H’,即所述最低点的Z坐标值;
S2:在步骤S1之后,根据点云数据的空间分布特征,获取每个网格在Z轴方向上连续无点云层的高度h,并记录连续无点云层的起始高度值H;
S3:设定阈值h’,对步骤S2中每个网格的连续无点云层的高度h进行判定,对无点云层的高度h大于阈值h’的网格进行标记,认为该网格内高度值大于H的点为顶部噪点;
S4:对步骤S3中标记的网格进行网格聚类成簇,同时对标记网格临近的非标记网格进行判定,当标记网格的连续无点云层的起始高度H小于非标记网格的最低点的高度值H’;则认为该非标记网格内可能存在顶部噪点;
S5:以步骤S3中所述顶部噪点作为种子点设定距离阈值D,对步骤S4中认为可能存在顶部噪点的网格的有效点云进行聚类,其中满足距离阈值D条件的点云则判定为顶部噪点;
S6:将步骤S3和步骤S5中判定的顶部噪点剔除。
2.根据权利要求1所述的一种基于LiDAR的点云顶部噪点剔除方法,其特征在于,所述步骤S2中无点云层的高度h的获取方法如下:
S21:将网格在Z轴方向上以高度d进行分层,标记不存在点云或者低于合理点云数量的点云层;
S22:从网格底层开始累积标记的点云层的高度,若累积的过程中出现未标记的点云层,则记录累积的高度,并从下一个标记的点云层开始重新累积;按此步骤直至所有点云层遍历完毕;取最大的累积高度值作为h。
3.根据权利要求2所述的一种基于LiDAR的点云顶部噪点剔除方法,其特征在于,所述高度d为0.5m—1m。
4.根据权利要求1所述的一种基于LiDAR的点云顶部噪点剔除方法,其特征在于,所述的阈值h’为20m-25m。
5.根据权利要求1所述的一种基于LiDAR的点云顶部噪点剔除方法,其特征在于,所述步骤S5对有效点云进行聚类的算法为欧式聚类算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711029978.0A CN107818550B (zh) | 2017-10-27 | 2017-10-27 | 一种基于LiDAR的点云顶部噪点剔除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711029978.0A CN107818550B (zh) | 2017-10-27 | 2017-10-27 | 一种基于LiDAR的点云顶部噪点剔除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107818550A true CN107818550A (zh) | 2018-03-20 |
CN107818550B CN107818550B (zh) | 2021-05-28 |
Family
ID=61603186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711029978.0A Active CN107818550B (zh) | 2017-10-27 | 2017-10-27 | 一种基于LiDAR的点云顶部噪点剔除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107818550B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110109142A (zh) * | 2019-04-04 | 2019-08-09 | 深圳市速腾聚创科技有限公司 | 点云滤波方法、装置、计算机设备和存储介质 |
CN110161464A (zh) * | 2019-06-14 | 2019-08-23 | 成都纳雷科技有限公司 | 一种雷达多目标聚类方法及装置 |
CN110910435A (zh) * | 2019-11-08 | 2020-03-24 | 国网通用航空有限公司 | 建筑物点云提取方法、装置、计算机设备及可读存储介质 |
CN110988846A (zh) * | 2019-04-22 | 2020-04-10 | 上海禾赛光电科技有限公司 | 可用于激光雷达的噪点识别方法以及激光雷达系统 |
CN112136018A (zh) * | 2019-04-24 | 2020-12-25 | 深圳市大疆创新科技有限公司 | 测距装置点云滤噪的方法、测距装置和移动平台 |
CN112432609A (zh) * | 2020-11-24 | 2021-03-02 | 中铁十一局集团电务工程有限公司 | 一种轨道接触网参数测量系统 |
CN112513679A (zh) * | 2020-04-15 | 2021-03-16 | 华为技术有限公司 | 一种目标识别的方法和装置 |
WO2022166323A1 (zh) * | 2021-02-03 | 2022-08-11 | 华为技术有限公司 | 一种道路线确定的方法,相关装置以及设备 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663237A (zh) * | 2012-03-21 | 2012-09-12 | 武汉大学 | 基于网格分块与移动最小二乘的点云数据全自动滤波方法 |
CN102930509A (zh) * | 2012-09-18 | 2013-02-13 | 广州建通测绘技术开发有限公司 | 一种机载激光点云数据的智能化滤波方法 |
CN103679655A (zh) * | 2013-12-02 | 2014-03-26 | 河海大学 | 一种基于坡度与区域生长的LiDAR点云滤波方法 |
CN103745441A (zh) * | 2014-01-08 | 2014-04-23 | 河海大学 | 一种机载LiDAR点云滤波方法 |
CN104123730A (zh) * | 2014-07-31 | 2014-10-29 | 武汉大学 | 基于道路特征的遥感影像与激光点云配准方法及系统 |
CN104240251A (zh) * | 2014-09-17 | 2014-12-24 | 中国测绘科学研究院 | 一种基于密度分析的多尺度点云噪声检测方法 |
CN104463872A (zh) * | 2014-12-10 | 2015-03-25 | 武汉大学 | 基于车载LiDAR点云数据的分类方法 |
US9007422B1 (en) * | 2014-09-03 | 2015-04-14 | Center Of Human-Centered Interaction For Coexistence | Method and system for mutual interaction using space based augmentation |
CN105513127A (zh) * | 2015-12-25 | 2016-04-20 | 武汉大学 | 基于密度峰值聚类的杆状物规则化三维建模方法及系统 |
CN105719249A (zh) * | 2016-01-15 | 2016-06-29 | 吉林大学 | 一种基于三维格网的机载激光雷达点云去噪方法 |
CN106340061A (zh) * | 2016-08-31 | 2017-01-18 | 中测新图(北京)遥感技术有限责任公司 | 一种山区点云滤波方法 |
CN106408604A (zh) * | 2016-09-22 | 2017-02-15 | 北京数字绿土科技有限公司 | 一种点云数据的滤波方法及装置 |
CN106529469A (zh) * | 2016-11-08 | 2017-03-22 | 华北水利水电大学 | 基于自适应坡度的无人机载LiDAR点云滤波方法 |
CN106815847A (zh) * | 2017-01-12 | 2017-06-09 | 非凡智慧(宁夏)科技有限公司 | 基于激光雷达点云的树木分割方法及单棵树提取方法 |
CN106897686A (zh) * | 2017-02-19 | 2017-06-27 | 北京林业大学 | 一种机载lidar电力巡检点云分类方法 |
-
2017
- 2017-10-27 CN CN201711029978.0A patent/CN107818550B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663237A (zh) * | 2012-03-21 | 2012-09-12 | 武汉大学 | 基于网格分块与移动最小二乘的点云数据全自动滤波方法 |
CN102930509A (zh) * | 2012-09-18 | 2013-02-13 | 广州建通测绘技术开发有限公司 | 一种机载激光点云数据的智能化滤波方法 |
CN103679655A (zh) * | 2013-12-02 | 2014-03-26 | 河海大学 | 一种基于坡度与区域生长的LiDAR点云滤波方法 |
CN103745441A (zh) * | 2014-01-08 | 2014-04-23 | 河海大学 | 一种机载LiDAR点云滤波方法 |
CN104123730A (zh) * | 2014-07-31 | 2014-10-29 | 武汉大学 | 基于道路特征的遥感影像与激光点云配准方法及系统 |
US9007422B1 (en) * | 2014-09-03 | 2015-04-14 | Center Of Human-Centered Interaction For Coexistence | Method and system for mutual interaction using space based augmentation |
CN104240251A (zh) * | 2014-09-17 | 2014-12-24 | 中国测绘科学研究院 | 一种基于密度分析的多尺度点云噪声检测方法 |
CN104463872A (zh) * | 2014-12-10 | 2015-03-25 | 武汉大学 | 基于车载LiDAR点云数据的分类方法 |
CN105513127A (zh) * | 2015-12-25 | 2016-04-20 | 武汉大学 | 基于密度峰值聚类的杆状物规则化三维建模方法及系统 |
CN105719249A (zh) * | 2016-01-15 | 2016-06-29 | 吉林大学 | 一种基于三维格网的机载激光雷达点云去噪方法 |
CN106340061A (zh) * | 2016-08-31 | 2017-01-18 | 中测新图(北京)遥感技术有限责任公司 | 一种山区点云滤波方法 |
CN106408604A (zh) * | 2016-09-22 | 2017-02-15 | 北京数字绿土科技有限公司 | 一种点云数据的滤波方法及装置 |
CN106529469A (zh) * | 2016-11-08 | 2017-03-22 | 华北水利水电大学 | 基于自适应坡度的无人机载LiDAR点云滤波方法 |
CN106815847A (zh) * | 2017-01-12 | 2017-06-09 | 非凡智慧(宁夏)科技有限公司 | 基于激光雷达点云的树木分割方法及单棵树提取方法 |
CN106897686A (zh) * | 2017-02-19 | 2017-06-27 | 北京林业大学 | 一种机载lidar电力巡检点云分类方法 |
Non-Patent Citations (3)
Title |
---|
JULIE DIGNE: "Similarity based filtering of point clouds", 《IEEE》 * |
张巧英 等: "密度聚类算法在连续分布点云去噪中的应用", 《地理空间信息》 * |
邵帅 等: "基于车载LiDAR点云的地物分类方法的研究", 《测绘与空间地理信息》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110109142A (zh) * | 2019-04-04 | 2019-08-09 | 深圳市速腾聚创科技有限公司 | 点云滤波方法、装置、计算机设备和存储介质 |
CN110109142B (zh) * | 2019-04-04 | 2021-04-02 | 深圳市速腾聚创科技有限公司 | 点云滤波方法、装置、计算机设备和存储介质 |
CN110988846A (zh) * | 2019-04-22 | 2020-04-10 | 上海禾赛光电科技有限公司 | 可用于激光雷达的噪点识别方法以及激光雷达系统 |
CN110988846B (zh) * | 2019-04-22 | 2023-07-18 | 威力登激光雷达美国有限公司 | 可用于激光雷达的噪点识别方法以及激光雷达系统 |
CN112136018A (zh) * | 2019-04-24 | 2020-12-25 | 深圳市大疆创新科技有限公司 | 测距装置点云滤噪的方法、测距装置和移动平台 |
CN110161464A (zh) * | 2019-06-14 | 2019-08-23 | 成都纳雷科技有限公司 | 一种雷达多目标聚类方法及装置 |
CN110161464B (zh) * | 2019-06-14 | 2023-03-10 | 成都纳雷科技有限公司 | 一种雷达多目标聚类方法及装置 |
CN110910435B (zh) * | 2019-11-08 | 2022-11-11 | 国网电力空间技术有限公司 | 建筑物点云提取方法、装置、计算机设备及可读存储介质 |
CN110910435A (zh) * | 2019-11-08 | 2020-03-24 | 国网通用航空有限公司 | 建筑物点云提取方法、装置、计算机设备及可读存储介质 |
CN112513679A (zh) * | 2020-04-15 | 2021-03-16 | 华为技术有限公司 | 一种目标识别的方法和装置 |
CN112513679B (zh) * | 2020-04-15 | 2021-12-03 | 华为技术有限公司 | 一种目标识别的方法和装置 |
WO2021207954A1 (zh) * | 2020-04-15 | 2021-10-21 | 华为技术有限公司 | 一种目标识别的方法和装置 |
CN112432609A (zh) * | 2020-11-24 | 2021-03-02 | 中铁十一局集团电务工程有限公司 | 一种轨道接触网参数测量系统 |
WO2022166323A1 (zh) * | 2021-02-03 | 2022-08-11 | 华为技术有限公司 | 一种道路线确定的方法,相关装置以及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107818550B (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107818550A (zh) | 一种基于LiDAR的点云顶部噪点剔除方法 | |
CN107146280B (zh) | 一种基于切分的点云建筑物重建方法 | |
CN103778429B (zh) | 一种车载激光扫描点云中道路信息自动提取方法 | |
KR101404655B1 (ko) | 레이저 레이더의 3차원 원시 데이터의 고유값 비율을 이용한 송전선 추출 방법 | |
CN107792115B (zh) | 一种利用三维激光点云自动提取既有线轨顶高程方法 | |
CN103870845B (zh) | 点云聚类去噪过程中新的k值优化方法 | |
CN102103202A (zh) | 一种融合影像的机载激光雷达数据半监督分类方法 | |
KR101224258B1 (ko) | 기상레이더 3차원 반사도 자료를 이용한 3차원 강우유형 분류 방법 및 그 시스템 | |
CN106023312A (zh) | 基于航空LiDAR数据的三维建筑物模型自动重建方法 | |
CN104240251B (zh) | 一种基于密度分析的多尺度点云噪声检测方法 | |
CN106529469A (zh) | 基于自适应坡度的无人机载LiDAR点云滤波方法 | |
CN106408581B (zh) | 一种快速的三维点云直线提取方法 | |
CN104574303A (zh) | 基于空间聚类的机载LiDAR点云地面滤波方法 | |
CN104049245A (zh) | 基于LiDAR点云空间差异分析的城市建筑物变化检测方法 | |
CN106504277A (zh) | 一种改进的icp点云自动配准方法 | |
CN108764012A (zh) | 基于多帧联合的车载激光雷达数据的城市道路杆状物识别算法 | |
CN104597449B (zh) | 一种机载多扫描气象雷达目标垂直轮廓重建方法 | |
CN113569915B (zh) | 一种基于激光雷达的多策略轨道交通障碍物识别方法 | |
CN109446895A (zh) | 一种基于人体头部特征的行人识别方法 | |
Hu et al. | A fast and simple method of building detection from LiDAR data based on scan line analysis | |
CN109801236A (zh) | 一种基于混合高斯模型的光子点云去噪方法 | |
CN104048618A (zh) | 一种损毁建筑检测方法 | |
CN110956078B (zh) | 一种电力线检测方法及装置 | |
CN103927557A (zh) | 基于分层模糊证据合成的lidar数据地物分类方法 | |
CN104007428B (zh) | 一种在雷达回波中识别汽车行驶导致的非气象回波的方法 |
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 |