CN108446723B - 一种高光谱图像的多尺度空谱协同分类方法 - Google Patents

一种高光谱图像的多尺度空谱协同分类方法 Download PDF

Info

Publication number
CN108446723B
CN108446723B CN201810191507.8A CN201810191507A CN108446723B CN 108446723 B CN108446723 B CN 108446723B CN 201810191507 A CN201810191507 A CN 201810191507A CN 108446723 B CN108446723 B CN 108446723B
Authority
CN
China
Prior art keywords
hyperspectral image
classification
spectral
spec
probability
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
Application number
CN201810191507.8A
Other languages
English (en)
Other versions
CN108446723A (zh
Inventor
张钧萍
吴斯凡
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201810191507.8A priority Critical patent/CN108446723B/zh
Publication of CN108446723A publication Critical patent/CN108446723A/zh
Application granted granted Critical
Publication of CN108446723B publication Critical patent/CN108446723B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

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

Abstract

一种高光谱图像的多尺度空谱协同分类方法，涉及高光谱图像信息技术处理领域。解决了现有技术中单一的使用光谱信息或空间信息对高光谱图像进行分类方法，均易造成目标信息的丢失，导致分类准确度低的问题。步骤一：对原始高光谱图像H进行特征提取，获得由波段子集构成的光谱信息集Hspec；步骤二：对光谱信息集Hspec进行多尺度空间信息的提取，获得多组多尺度空间信息数据集Hspet；步骤三：将多组多尺度空间信息数据集Hspet与光谱信息集Hspec进行融合及初步分类，获得初步分类结果图Qinit；步骤四：将初步分类结果图Qinit分解为k张概率结果图P；步骤五：对k张概率结果图P进行后处理，获得最终的分类结果图Ofin，从而完成对高光谱图像的空谱协同分类。本发明主要用于对高光谱图像进行空谱分类。

Description

一种高光谱图像的多尺度空谱协同分类方法
技术领域
本发明涉及高光谱图像信息技术处理领域。
背景技术
高光谱图像具有“空谱合一”的特点，含有丰富的空间和光谱信息，目前许多常用的分类器仅仅使用光谱信息来进行分类，对空间信息则缺乏考虑，然而图像中的地面目标往往具有一定的空间相关性和连续性；
现有大多数研究方法或实验中所利用到的空间信息往往是单尺度的，即空间信息通常是由单个固定窗口的空间滤波器提取出来的，由于各种地面目标的大小不尽相同，仅使用单尺度滤波器提取空间信息容易造成地面目标，尤其是小尺度目标信息的丢失，而这些小尺度目标往往是相当重要的。
综上，单一的使用光谱信息或空间信息对高光谱图像进行分类方法，均易造成目标信息的丢失，导致分类精度低的问题。
发明内容
本发明是为了解决现有技术中单一的使用光谱信息或空间信息对高光谱图像进行分类方法，均易造成目标信息的丢失，导致分类精度低的问题，本发明提供了一种高光谱图像的多尺度空谱协同分类方法。
一种高光谱图像的多尺度空谱协同分类方法，包括如下步骤：
步骤一：对原始高光谱图像H进行特征提取，获得由波段子集构成的光谱信息集Hspec，所述波段子集具有原始高光谱图像H光谱特性；
步骤二：对光谱信息集Hspec进行多尺度空间信息的提取，获得多组多尺度空间信息数据集Hspet，且每组多尺度空间信息数据集Hspet的维度均与光谱信息集Hspec的维度相同；
步骤三：将多组多尺度空间信息数据集Hspet与光谱信息集Hspec进行融合及初步分类，获得初步分类结果图Qinit；
步骤四：将初步分类结果图Qinit分解为k张概率结果图P，k为整数；
步骤五：对k张概率结果图P进行后处理，获得最终的分类结果图Ofin，从而完成对高光谱图像的空谱协同分类。
优选的是，所述步骤一中，对原始高光谱图像H进行特征提取，获得具有原始高光谱图像H光谱特性的波段子集构成的光谱信息集Hspec的具体过程为：
利用最速上升法对原始高光谱图像H进行特征提取，从而获得具有原始高光谱图像H光谱特性的波段子集构成的光谱信息集Hspec。
优选的是，步骤二中，对光谱信息集Hspec进行多尺度空间信息的提取，获得多组多尺度空间信息数据集Hspet的具体过程为：
采用自适应双边保持滤波器对光谱信息集Hspec进行多尺度空间信息的提取，获得多组多尺度空间信息数据集Hspet。
优选的是，步骤三中，将多组多尺度空间信息数据集Hspet与光谱信息集Hspec进行融合及初步分类，获得初步分类结果图Qinit是具体过程为:
首先，将多组多尺度空间信息数据集Hspet与光谱信息集Hspec通过堆叠的方法进行融合，获得一组新的特征集Hss；其次，利用SVM分类算法对新的特征集Hss进行初步分类后，得到初步分类结果图Qinit。
优选的是，步骤五中，对概率结果图P进行后处理，获得最终的分类结果图Ofin，从而完成对高光谱图像的空、谱协同分类的具体过程为：
采用自适应高斯加权滤波器对k张概率结果图P进行后处理后，获得最终的分类结果图Ofin，从而完成对高光谱图像的空谱协同分类。
优选的是，所述采用自适应高斯加权滤波器对k张概率结果图P进行后处理后，获得最终的分类结果图Ofin，从而完成对高光谱图像的空谱协同分类的具体过程为：
计算原始高光谱图像H中的每个像素点分别在第1至第k张概率结果图中的概率，取该像素点在k张概率结果图P中的概率最大值，且根据该像素点的概率最大值所在的那张概率结果图的编号确定该像素点的类别
Figure BDA0001591825070000021
从而完成对原始高光谱图像H中的每个像素点类别的确认；
再根据原始高光谱图像H中的所有像素点类别，获得原始高光谱图像H中所有像素点的最终的分类结果图Ofin；
每一张概率结果图的编号对应一种地物类别，每一张概率结果图上的所有像素点与原始高光谱图像H的所有像素点相对应；
其中，
Ofin＝{Ofin(i,j)}；Ofin(i,j)表示最终的分类结果图Ofin中第i行第j列的像素点；i和j均为整数；
Pk＝{Pk(i,j)}；Pk(i,j)表示第k张概率结果图中第i行第j列的像素点；
P＝{P1,P2,P3,...,Pk}，Pk表示第k张概率结果图；k还表示概率结果图的编号。
优选的是，步骤一中，光谱信息集Hspec的维度小于原始高光谱图像H的维度。
本发明带来的有益效果是，为了充分利用不同尺度的空间信息，提高高光谱图像分类的准确性，本发明在分析高光谱图像特性的基础上，实现多尺度空间信息和光谱信息的特征融合，同时利用概率结果图，对分类结果图进行进一步的后处理，以此提高高光谱图像的分类精度，使其对空间信息和光谱信息分类的精度提高了30％以上。
具体实施方式
具体实施方式一：本实施方式所述一种高光谱图像的多尺度空谱协同分类方法，包括如下步骤：
步骤一：对原始高光谱图像H进行特征提取，获得由波段子集构成的光谱信息集Hspec，所述波段子集具有原始高光谱图像H光谱特性；
步骤二：对光谱信息集Hspec进行多尺度空间信息的提取，获得多组多尺度空间信息数据集Hspet，且每组多尺度空间信息数据集Hspet的维度均与光谱信息集Hspec的维度相同；
步骤三：将多组多尺度空间信息数据集Hspet与光谱信息集Hspec进行融合及初步分类，获得初步分类结果图Qinit；
步骤四：将初步分类结果图Qinit分解为k张概率结果图P，k为整数；
步骤五：对k张概率结果图P进行后处理，获得最终的分类结果图Ofin，从而完成对高光谱图像的空谱协同分类。
本实施方式中，本发明在分析高光谱图像特性的基础上，实现多尺度空间信息和光谱信息的特征融合，同时利用概率结果图，对分类结果图进行进一步的后处理，以此提高高光谱图像的分类精度。其中：
步骤一中，对原始高光谱图像H进行特征提取，减少波段间的冗余。
步骤四中，将初步分类结果图Qinit进行分解，得到一系列的概率结果图，概率结果图是根据类别数进行分层分割得到的，因此概率结果图的数目与待分类的类别数相同，每一张概率结果图对应一个不同的类别。
高光谱图像中，不同的地面目标往往具有不同的大小，如农田通常是占据较大的面积，而居民楼房占据面积小且较分散。因此，步骤二中，对光谱信息集Hspec进行多尺度空间信息的提取，能够适应不同地面目标具有不同大小的特点，有效地避免了细节信息的丢失。
步骤五中，根据k张概率结果图P进行后处理，能够进一步地利用像素点之间的空间相关性，从而有效地提高分类的精度。
具体实施方式二：本实施方式与具体实施方式一所述的一种高光谱图像的多尺度空谱协同分类方法的区别在于，所述步骤一中，对原始高光谱图像H进行特征提取，获得具有原始高光谱图像H光谱特性的波段子集构成的光谱信息集Hspec的具体过程为：
利用最速上升法对原始高光谱图像H进行特征提取，从而获得具有原始高光谱图像H光谱特性的波段子集构成的光谱信息集Hspec。
本实施方式，最速上升法进行特征提取减少波段间的冗余并完成降维。
具体实施方式三：本实施方式1与具体实施方式一所述的一种高光谱图像的多尺度空谱协同分类方法的区别在于，步骤二中，对光谱信息集Hspec进行多尺度空间信息的提取，获得多组多尺度空间信息数据集Hspet的具体过程为：
采用自适应双边保持滤波器对光谱信息集Hspec进行多尺度空间信息的提取，获得多组多尺度空间信息数据集Hspet。
本实施方式中，利用的是自适应双边保持滤波器，为了避免较多的信息冗余，通过调整其滤波窗口的大小实现多尺度空间信息的提取，同时也有效地避免了大量的参数选择工作，最终实现多尺度空间信息和光谱信息的特征融合，自适应双边保持滤波器的窗口大小为N×N像素；N为奇数。
多尺度空间信息能够较好地体现不同尺度的地物信息，尤其是较小的细节信息，利用的是自适应双边保持滤波器避免细节信息被过滤掉。
具体实施方式四：本实施方式与具体实施方式一所述的一种高光谱图像的多尺度空谱协同分类方法的区别在于，步骤三中，将多组多尺度空间信息数据集Hspet与光谱信息集Hspec进行融合及初步分类，获得初步分类结果图Qinit是具体过程为:
首先，将多组多尺度空间信息数据集Hspet与光谱信息集Hspec通过堆叠的方法进行融合，获得一组新的特征集Hss；其次，利用SVM分类算法对新的特征集Hss进行初步分类后，得到初步分类结果图Qinit。
本实施方式，SVM的英文全称为Support Vector Machine,即：支持向量机。
具体实施方式五：本实施方式与具体实施方式一所述的一种高光谱图像的多尺度空谱协同分类方法的区别在于，步骤五中，对概率结果图P进行后处理，获得最终的分类结果图Ofin，从而完成对高光谱图像的空、谱协同分类的具体过程为：
采用自适应高斯加权滤波器对k张概率结果图P进行后处理后，获得最终的分类结果图Ofin，从而完成对高光谱图像的空谱协同分类。
具体实施方式六：本实施方式与具体实施方式五所述的一种高光谱图像的多尺度空谱协同分类方法的区别在于，所述采用自适应高斯加权滤波器对k张概率结果图P进行后处理后，获得最终的分类结果图Ofin，从而完成对高光谱图像的空谱协同分类的具体过程为：
计算原始高光谱图像H中的每个像素点分别在第1至第k张概率结果图中的概率，取该像素点在k张概率结果图P中的概率最大值，且根据该像素点的概率最大值所在的那张概率结果图的编号确定该像素点的类别
Figure BDA0001591825070000051
从而完成对原始高光谱图像H中的每个像素点类别的确认；
再根据原始高光谱图像H中的所有像素点类别，获得原始高光谱图像H中所有像素点的最终的分类结果图Ofin；
每一张概率结果图的编号对应一种地物类别，每一张概率结果图上的所有像素点与原始高光谱图像H的所有像素点相对应；
其中，
Ofin＝{Ofin(i,j)}；Ofin(i,j)表示最终的分类结果图Ofin中第i行第j列的像素点；i和j均为整数；
Pk＝{Pk(i,j)}；Pk(i,j)表示第k张概率结果图中第i行第j列的像素点；i和j均为整数，
P＝{P1,P2,P3,...,Pk}，Pk表示第k张概率结果图；k还表示概率结果图的编号。
具体实施方式七：本实施方式与具体实施方式一所述的一种高光谱图像的多尺度空谱协同分类方法的区别在于，步骤一中，光谱信息集Hspec的维度小于原始高光谱图像H的维度。
本发明所述一种高光谱图像的多尺度空谱协同分类方法的结构不局限于上述各实施方式所记载的具体结构，还可以是上述各实施方式所记载的技术特征的合理组合。

Claims (7)

1.一种高光谱图像的多尺度空谱协同分类方法，其特征在于，包括如下步骤：
步骤一：对原始高光谱图像H进行特征提取，获得由波段子集构成的光谱信息集Hspec，所述波段子集具有原始高光谱图像H光谱特性；
步骤二：对光谱信息集Hspec进行多尺度空间信息的提取，获得多组多尺度空间信息数据集Hspet，且每组多尺度空间信息数据集Hspet的维度均与光谱信息集Hspec的维度相同；
步骤三：将多组多尺度空间信息数据集Hspet与光谱信息集Hspec进行融合及初步分类，获得初步分类结果图Qinit；
步骤四：将初步分类结果图Qinit分解为k张概率结果图P，k为整数；
步骤五：对k张概率结果图P进行后处理，获得最终的分类结果图Ofin，从而完成对高光谱图像的空谱协同分类。
2.根据权利要求1所述的一种高光谱图像的多尺度空谱协同分类方法，其特征在于，所述步骤一中，对原始高光谱图像H进行特征提取，获得具有原始高光谱图像H光谱特性的波段子集构成的光谱信息集Hspec的具体过程为：
利用最速上升法对原始高光谱图像H进行特征提取，从而获得具有原始高光谱图像H光谱特性的波段子集构成的光谱信息集Hspec。
3.根据权利要求1所述的一种高光谱图像的多尺度空谱协同分类方法，其特征在于，步骤二中，对光谱信息集Hspec进行多尺度空间信息的提取，获得多组多尺度空间信息数据集Hspet的具体过程为：
采用自适应双边保持滤波器对光谱信息集Hspec进行多尺度空间信息的提取，获得多组多尺度空间信息数据集Hspet。
4.根据权利要求1所述的一种高光谱图像的多尺度空谱协同分类方法，其特征在于，步骤三中，将多组多尺度空间信息数据集Hspet与光谱信息集Hspec进行融合及初步分类，获得初步分类结果图Qinit是具体过程为:
首先，将多组多尺度空间信息数据集Hspet与光谱信息集Hspec通过堆叠的方法进行融合，获得一组新的特征集Hss；其次，利用SVM分类算法对新的特征集Hss进行初步分类后，得到初步分类结果图Qinit。
5.根据权利要求1所述的一种高光谱图像的多尺度空谱协同分类方法，其特征在于，步骤五中，对概率结果图P进行后处理，获得最终的分类结果图Ofin，从而完成对高光谱图像的空、谱协同分类的具体过程为：
采用自适应高斯加权滤波器对k张概率结果图P进行后处理后，获得最终的分类结果图Ofin，从而完成对高光谱图像的空谱协同分类。
6.根据权利要求5所述的一种高光谱图像的多尺度空谱协同分类方法，其特征在于，所述采用自适应高斯加权滤波器对k张概率结果图P进行后处理后，获得最终的分类结果图Ofin，从而完成对高光谱图像的空谱协同分类的具体过程为：
计算原始高光谱图像H中的每个像素点分别在第1至第k张概率结果图中的概率，取该像素点在k张概率结果图P中的概率最大值，且根据该像素点的概率最大值所在的那张概率结果图的编号确定该像素点的类别
Figure FDA0001591825060000021
从而完成对原始高光谱图像H中的每个像素点类别的确认；
再根据原始高光谱图像H中的所有像素点类别，获得原始高光谱图像H中所有像素点的最终的分类结果图Ofin；
每一张概率结果图的编号对应一种地物类别，每一张概率结果图上的所有像素点与原始高光谱图像H的所有像素点相对应；
其中，
Ofin＝{Ofin(i,j)}；Ofin(i,j)表示最终的分类结果图Ofin中第i行第j列的像素点；i和j均为整数；
Pk＝{Pk(i,j)}；Pk(i,j)表示第k张概率结果图中第i行第j列的像素点；
P＝{P1,P2,P3,...,Pk}，Pk表示第k张概率结果图；k还表示概率结果图的编号。
7.根据权利要求1所述的一种高光谱图像的多尺度空谱协同分类方法，其特征在于，步骤一中，光谱信息集Hspec的维度小于原始高光谱图像H的维度。
CN201810191507.8A 2018-03-08 2018-03-08 一种高光谱图像的多尺度空谱协同分类方法 Active CN108446723B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810191507.8A CN108446723B (zh) 2018-03-08 2018-03-08 一种高光谱图像的多尺度空谱协同分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810191507.8A CN108446723B (zh) 2018-03-08 2018-03-08 一种高光谱图像的多尺度空谱协同分类方法

Publications (2)

Publication Number Publication Date
CN108446723A CN108446723A (zh) 2018-08-24
CN108446723B true CN108446723B (zh) 2021-06-15

Family

ID=63193909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810191507.8A Active CN108446723B (zh) 2018-03-08 2018-03-08 一种高光谱图像的多尺度空谱协同分类方法

Country Status (1)

Country Link
CN (1) CN108446723B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109325458B (zh) * 2018-09-30 2021-10-15 河海大学 一种基于四色定理的高光谱图像空谱结合分类方法
CN112434178A (zh) * 2020-11-23 2021-03-02 北京达佳互联信息技术有限公司 图像分类方法、装置、电子设备和存储介质
CN113033686B (zh) * 2021-04-02 2022-03-22 哈尔滨工程大学 基于核引导可变卷积和双窗联合双边滤波器的高光谱图分类方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010113689A (ja) * 2008-11-10 2010-05-20 Masatoshi Kimura 画像処理装置、撮像装置、画像処理方法、並びにプログラム
CN106056157A (zh) * 2016-06-01 2016-10-26 西北大学 基于空‑谱信息的高光谱图像半监督分类方法
CN106339674A (zh) * 2016-08-17 2017-01-18 中国地质大学（武汉） 基于边缘保持与图割模型的高光谱影像分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010113689A (ja) * 2008-11-10 2010-05-20 Masatoshi Kimura 画像処理装置、撮像装置、画像処理方法、並びにプログラム
CN106056157A (zh) * 2016-06-01 2016-10-26 西北大学 基于空‑谱信息的高光谱图像半监督分类方法
CN106339674A (zh) * 2016-08-17 2017-01-18 中国地质大学（武汉） 基于边缘保持与图割模型的高光谱影像分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Hyperspectral Image Classification Based on Multiscale Spatial Information Fusion;Hong Li等;《IEEE Transactions on Geoscience and Remote Sensing》;20170608;第55卷(第9期);全文 *
Multiscale spectral-spatial classification for hyperspectral imagery;Zhiling Long等;《2013 IEEE International Geoscience and Remote Sensing Symposium - IGARSS》;20140127;全文 *
结合多尺度空间滤波和层级网络的基于结构保持的高光谱特征选择;侯榜焕等;《光子学报》;20170531;第46卷(第5期);全文 *

Also Published As

Publication number Publication date
CN108446723A (zh) 2018-08-24

Similar Documents

Publication Publication Date Title
CN111160273B (zh) 一种高光谱图像空谱联合分类方法及装置
CN112200090B (zh) 基于交叉分组空谱特征增强网络的高光谱图像分类方法
CN108446723B (zh) 一种高光谱图像的多尺度空谱协同分类方法
CN107239759B (zh) 一种基于深度特征的高空间分辨率遥感图像迁移学习方法
CN110298414B (zh) 基于去噪组合降维和引导滤波的高光谱图像分类方法
He et al. A dual global–local attention network for hyperspectral band selection
CN111160396B (zh) 一种基于多图结构的图卷积网络的高光谱图像分类方法
CN109190511B (zh) 基于局部与结构约束低秩表示的高光谱分类方法
WO2024027095A1 (zh) 基于双rgb图像融合的高光谱成像方法、系统及介质
CN111860683B (zh) 一种基于特征融合的目标检测方法
CN110837808A (zh) 一种基于改进的胶囊网络模型的高光谱图像分类方法
Su A filter-based post-processing technique for improving homogeneity of pixel-wise classification data
CN112836671A (zh) 一种基于最大化比率和线性判别分析的数据降维方法
CN108256557B (zh) 结合深度学习和邻域集成的高光谱图像分类方法
García et al. Efficient semantic segmentation of hyperspectral images using adaptable rectangular convolution
CN113673556A (zh) 一种基于多尺度密集卷积网络的高光谱图像分类方法
CN111199251B (zh) 一种基于加权邻域的多尺度高光谱图像分类方法
CN116630700A (zh) 基于引入通道-空间注意力机制的遥感图像分类方法
CN116704241A (zh) 一种全通道3d卷积神经网络高光谱遥感图像分类方法
CN114373080B (zh) 基于全局推理的轻量化混合卷积模型的高光谱分类方法
CN105844297A (zh) 基于局部空间信息的封装式高光谱波段选择方法
CN111598115A (zh) 一种基于交叉皮质神经网络模型的sar影像融合方法
CN109145945B (zh) 一种非局部加权联合稀疏表示的高光谱图像分类方法
CN108846361B (zh) 一种基于谱带特异性学习的高光谱图像分类方法
CN112966781A (zh) 基于三元组损失和卷积神经网络的高光谱图像分类方法

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