CN110322454B - 一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法 - Google Patents
一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法 Download PDFInfo
- Publication number
- CN110322454B CN110322454B CN201910609986.5A CN201910609986A CN110322454B CN 110322454 B CN110322454 B CN 110322454B CN 201910609986 A CN201910609986 A CN 201910609986A CN 110322454 B CN110322454 B CN 110322454B
- Authority
- CN
- China
- Prior art keywords
- segmentation
- scale
- segmented
- objects
- spectral
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法,包括如下步骤:对于给定的高分辨遥感图像,首先设定多个不同的分割尺度,获得不同尺度下的初始分割结果;建立分割对象邻接图RAG;利用光谱角计算每个分割对象的局部光谱差异,包括分割对象内与分割对象间光谱差异,获得每个分割对象的光谱角差异值;生成同一位置下,不同分割尺度的对应光谱差异值曲线,选取光谱差异值最高的尺度下对应分割对象作为该位置最优分割对象;综合所有位置下选取的分割对象,组合成为最终的分割优化结果。本发明直接从多个分割尺度下的初始分割结果选取最优分割对象,自适应地调节了遥感图像不同地物下的最优分割尺度,获得了理想的分割效果。
Description
技术领域
本发明涉及到遥感图像的分割领域,尤其涉及一种基于光谱差异最大化的高分辨遥感 图像多尺度分割优化方法。
背景技术
图像分割(章毓晋.图像分割.北京:科学出版社,2005.)是图像处理与计算机视觉领 域中最为基础和重要的问题之一,也是对图像进行视觉分析和模式识别的基本前提。高分 辨遥感图像以其丰富的光谱信息,包含着大量的地物信息特征。多尺度分割算法 (=multiresolution segmentation、均值漂移算法)已被广泛应用到高分辨遥感图像分割中。多尺度分割算法中常常需要预先设定一个尺度参数,用来控制分割对象的平均大小,尺度参数的选取对分割效果有着重要影响。因此,尺度参数的选取成为多尺度分割优化的一个重要问题。目前,大部分多尺度分割优化方法集中于从多个尺度的分割结果中选取一个单独的尺度作为最优化的参数。某一尺度下的分割结果的好坏通常由分割对象间的差异性来度量,常用欧式距离、光谱角等评价指标来度量这种差异性,最后通过这个评价指标来选取一个全局最优的尺度参数。然而,这种方法往往难以兼顾高分辨遥感图像中不同地物对分割尺度的需求,极大限制了分割效果。例如,大面积的海域、连接的养殖池塘、规则的 农田等不同的地物环境,便不适用同一个分割尺度。此外,全局最优尺度的选取也忽略了 其余尺度参数下的分割信息,没有充分利用。
传统的遥感图像分割优化算法仅在多个分割尺度的结果中选取一个单一尺度作为最优 分割结果,没有充分利用到多个分割结果中的尺度信息,依然不能保证对遥感图像中不同 地物提供适应的分割尺度。
发明内容
针对现有技术的不足,本发明提出一种基于光谱差异最大化的高分辨遥感图像多尺度 分割优化方法,该方法针对多尺度分割算法只能设置一个尺度参数的不足,自适应在不同 尺度参数下的分割结果中为相应地物选取最优分割结果,可以更准确地描绘遥感图像中不 同环境下的地物边缘。
为达到以上目的,本发明具体技术方案如下:
一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法,其特征在于,该方 法包括如下步骤:
(1)设置分割尺度参数范围[1,2,…,L],使用多尺度分割算法对待分割的高分辨遥感影像 进行不同尺度的分割,获得L个不同尺度下的分割结果,作为待优化的初始分割结果;
(2)对每一个尺度下的初始分割结果建立分割对象邻接图RAG,用以表示相邻分割对象 的空间关系,所述的分割对象为一幅遥感图像分割后划分的子区域,这些子区域组成遥感 图像的分割结果;
(3)选择任意一个坐标点,该坐标点所在的分割对象为O,分割尺度为t,t∈[1,2,…,L], 进行如下步骤:
(3.1)计算分割对象的局部光谱差异,包括分割对象间的光谱差异和分割对象内光谱 差异,其中,分割对象间的光谱差异角计算如下:
其中,s∈RB,B是该遥感图像的波段数,每一个xi都是O的相邻分割对象的光谱均值向量,xi∈RB,u是相邻分割对象的个数;
分割对象内光谱差异角计算如下:
在小于尺度t的分割结果中搜索组成当前分割对象O的分割对象,组成分割对象O的 每个分割对象的光谱均值向量的集合为Ω,根据下式计算分割对象内光谱差异角
(3.3)计算L个分割结果在当前坐标点的局部光谱差异值EO,形成光谱差异值的曲线, 选择光谱差异值最大的尺度对应分割对象作为该坐标下的最优分割对象;
(4)对遥感图像上所有坐标位置重复步骤(3),获得每个坐标下的最优分割对象;
(5)将最优分割对象组合为最终的优化后分割结果。
进一步地,所述光谱均值向量s计算公式如下:
进一步地,所述的多尺度分割算法具体为multiresolution segmentation。
进一步地,所述的多尺度分割算法具体为均值漂移算法。
与现有技术相比,本发明的有益效果如下:
本发明中,通过对比同一坐标下不同尺度的分割对象的局部光谱值,来选取该坐标下 的最优分割对象,可以自适应对不同地物设置相应的分割尺度。相比与传统尺度优化方法, 本发明的优化结果能综合利用不同尺度下的分割信息,提高分割的准确率。
附图说明
图1是本发明的基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法的流程框 图;
图2是本发明中分割对象光谱间和分割对象内差异值的计算示意图;
图3是本发明的其中一个实施例中的最优分割对象的选取示意图,其中,图3(a)-(e)分别 是尺度50、100、150、350、400下该养殖鱼塘的分割结果图,图3(f)是目标养殖鱼塘的参考 分割结果图,图3(g)为各个尺度下该位置的局部光谱值E的曲线图;
图4是本发明的其中一个实施例的初始对尺度分割结果与最终分割优化后结果对比图, 图4(a)是该遥感图像,图4(b)-(g)分别是尺度70、140、200、250、300、400下的分割结果 图,图4(h)是分割优化后的结果图。
具体实施方式
下面根据附图和优选实施例详细描述本发明,本发明的目的和效果将变得更加明白, 以下结合附图和实施例,对本发明进行进一步详细说明。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。
如图1所示,一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法,其特 征在于,该方法包括如下步骤:
(1)设置分割尺度参数范围[1,2,…,L],使用多尺度分割算法对待分割的高分辨遥感影像 进行不同尺度的分割,获得L个不同尺度下的分割结果,作为待优化的初始分割结果;
(2)对每一个尺度下的初始分割结果建立分割对象邻接图(region-adjacentgraph)RAG, 用以表示相邻分割对象的空间关系;所述的分割对象为一幅遥感图像分割后划分的子区域, 这些子区域组成遥感图像的分割结果;
(3)选择任意一个坐标点,该坐标点所在的分割对象为O,分割尺度为t,t∈[1,2,…,L], 进行如下步骤:
(3.1)计算分割对象的局部光谱差异,包括分割对象间的光谱差异和分割对象内光谱 差异,其中,
分割对象间的光谱差异角计算如下:
其中,s∈RB,B是该遥感图像的波段数,每一个xi都是O的相邻分割对象的光谱均值向量,xi∈RB,u是相邻分割对象的个数;如果O与周围相邻对象xi的光谱角越大,表示O 与周围是同一种地物的可能性很小;反之,O越可能与周围对象属于同一种地物类别。
分割对象内光谱差异角计算如下:
在小于尺度t的分割结果中搜索组成当前分割对象O的分割对象,组成分割对象O的 每个分割对象的光谱均值向量的集合为Ω,根据下式计算分割对象内光谱差异角
其中,p与q是小于当前尺度t下组成O的任意两个分割对象的光谱均值向量,r是集合Ω内的对象数目;若在小于t的尺度下没有找到组成分割对象O的分割对象,则类似的,公式(2)考虑了分割对象O内部光谱的差异性,如果这种内部的差异性越大,就 表示O本身的可分割性比较大。
需要指出的是,在多尺度分割算法中,大尺度下的分割对象都是由小尺度下的分割对 象合并而来,因此,在小于t的尺度下搜寻组成O的小分割对象时,不会出现分割对象冲 突(相交)的情况,小的分割对象要么可以组合成O,要么没有组成O的对象(O就是该 位置的最小分割)。
通过计算每一个分割对象的局部光谱差异值E,我们可以用来度量该分割对象所在尺度 是否处于合适的分割尺度。综合分割对象间和分割对象内的光谱差异,如果E的值偏小, 那么表示该分割对象的可分割性高,反之该分割对象可分割性较低;
(3.3)计算L个分割结果在当前坐标点的局部光谱差异值EO,形成光谱差异值的曲线, 选择光谱差异值最大的尺度作为该坐标下的最优分割;
(4)对遥感图像上所有坐标位置重复步骤(3),获得每个坐标下的最优分割对象;
(5)将最优分割对象组合为最终的优化后分割结果。
优选地,所述光谱均值向量s计算公式如下:
优选地,所述的多尺度分割算法具体为multiresolution segmentation或为均值漂移算法。
综上所述,从优化后的分割结果来看,不同地物类别下的最优尺度可以通过本发明从 不同的分割尺度中挑选出来。不同于传统的选取单个最优尺度作为优化结果,本发明直接 综合了最优分割对象来形成最终结果。需要指出的是,本发明适用于各种多尺度分割算法。
图2示意了分割对象间和分割对象内光谱差异值的计算示意图。图中,O表示分割尺 度t下的某一个分割对象,xi表示O周围的相邻对象,p和q表示在尺度小于t中找到的组合成O的小分割对象。从图2(a)可以看到,O的分割对象间差异考虑到了周围所有的分割 对象,而图2(b)表示了分割对象O内光谱差异的计算方式。
图3示意了高分辨遥感图像内某一位置下的最优分割对象的选取过程图。如图所示, 图3(a)-(e)分别是尺度50、100、150、350、400下该养殖鱼塘的分割结果图。图3(f)是手动 绘制的参考分割结果,图3(g)示意了各个尺度下该位置的局部光谱值E的曲线图,通过选 取该曲线上最高位置,即0.25所在位置,获得该位置上的最优尺度350。与图3(a)-(e)对比 可以发现,350尺度下对养殖鱼塘的分割较好。
图4示意了整幅高分辨遥感影像不同尺度下的分割结果与分割优化后的结果图。如图 所示,图4(a)是该遥感图像伪彩色图,图4(b)-(g)分别是尺度70、140、200、250、300、400 下的分割结果图,图4(h)是分割优化后的结果图。从图中可以看出,图4(h)的分割结果融合 了不同尺度下的分割对象,例如,左侧海域选取了尺度400的分割对象,保证了海域的完 整性,而在中间的养殖鱼塘区域选取了中等尺度的分割对象,勾勒出各个鱼塘的边缘。
本领域普通技术人员可以理解,以上所述仅为发明的优选实例而已,并不用于限制发 明,尽管参照前述实例对发明进行了详细的说明,对于本领域的技术人员来说,其依然可 以对前述各实例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在 发明的精神和原则之内,所做的修改、等同替换等均应包含在发明的保护范围之内。
Claims (4)
1.一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法,其特征在于,该方法包括如下步骤:
(1)设置分割尺度参数范围[1,2,...,L],使用多尺度分割算法对待分割的高分辨遥感影像进行不同尺度的分割,获得L个不同尺度下的分割结果,作为待优化的初始分割结果;
(2)对每一个尺度下的初始分割结果建立分割对象邻接图RAG,用以表示相邻分割对象的空间关系,所述的分割对象为一幅遥感图像分割后划分的子区域,这些子区域组成遥感图像的分割结果;
(3)选择任意一个坐标点,该坐标点所在的分割对象为O,分割尺度为t,t∈[1,2,...,L],进行如下步骤:
(3.1)计算分割对象的局部光谱差异,包括分割对象间的光谱差异和分割对象内光谱差异,其中,分割对象间的光谱差异角计算如下:
其中,s∈RB,B是该遥感图像的波段数,每一个xi都是O的相邻分割对象的光谱均值向量,xi∈RB,u是相邻分割对象的个数,
分割对象内光谱差异角计算如下:
在小于尺度t的分割结果中搜索组成当前分割对象O的分割对象,组成分割对象O的每个分割对象的光谱均值向量的集合为Ω,根据下式计算分割对象内光谱差异角
(3.3)计算L个分割结果在当前坐标点的局部光谱差异值EO,形成光谱差异值的曲线,选择光谱差异值最大的尺度对应分割对象作为该坐标下的最优分割对象;
(4)对遥感图像上所有坐标位置重复步骤(3),获得每个坐标下的最优分割对象;
(5)将最优分割对象组合为最终的优化后分割结果。
3.根据权利要求1所述的基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法,其特征在于,所述的多尺度分割算法具体为multiresolution segmentation。
4.根据权利要求1所述的基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法,其特征在于,所述的多尺度分割算法具体为均值漂移算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910609986.5A CN110322454B (zh) | 2019-07-08 | 2019-07-08 | 一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910609986.5A CN110322454B (zh) | 2019-07-08 | 2019-07-08 | 一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110322454A CN110322454A (zh) | 2019-10-11 |
CN110322454B true CN110322454B (zh) | 2021-12-10 |
Family
ID=68123079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910609986.5A Active CN110322454B (zh) | 2019-07-08 | 2019-07-08 | 一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110322454B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110568449B (zh) * | 2019-10-14 | 2021-04-16 | 自然资源部第二海洋研究所 | 一种风生粗糙海面激光反射、透射矩阵计算方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980251A (zh) * | 2010-11-23 | 2011-02-23 | 中国矿业大学 | 二叉树多类支持向量机遥感分类方法 |
CN102789631A (zh) * | 2011-05-17 | 2012-11-21 | 张学 | 基于图像分割和引力模型的遥感图像分辨率提高处理方法 |
CN103646400A (zh) * | 2013-12-17 | 2014-03-19 | 中国地质大学(北京) | 面向对象遥感影像分析中的尺度分割参数自动选择方法 |
CN104751478A (zh) * | 2015-04-20 | 2015-07-01 | 武汉大学 | 一种基于多特征融合的面向对象的建筑物变化检测方法 |
CN107067405A (zh) * | 2017-03-30 | 2017-08-18 | 河海大学 | 基于尺度优选的遥感影像分割方法 |
CN107346535A (zh) * | 2017-06-22 | 2017-11-14 | 上海海洋大学 | 基于多尺度几何分析和pca变换的高光谱遥感图像融合方法 |
CN108053412A (zh) * | 2018-01-02 | 2018-05-18 | 河南理工大学 | 融合多定量评价指标的遥感影像最优分割结果确定方法 |
CN109377507A (zh) * | 2018-09-19 | 2019-02-22 | 河海大学 | 一种基于光谱曲线频谱距离的高光谱遥感图像分割的方法 |
CN109859219A (zh) * | 2019-02-26 | 2019-06-07 | 江西理工大学 | 结合相位与光谱的高分遥感影像分割方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101546428B (zh) * | 2009-05-07 | 2011-08-17 | 西北工业大学 | 基于区域分割的序列红外与可见光图像融合 |
CN102005034B (zh) * | 2010-12-01 | 2012-07-04 | 南京大学 | 基于区域聚类的遥感影像分割方法 |
WO2013020143A1 (en) * | 2011-08-04 | 2013-02-07 | University Of Southern California | Image-based crack quantification |
CN102368331B (zh) * | 2011-10-31 | 2014-04-09 | 陈建裕 | 一种集成边缘信息的图像多尺度分割方法 |
CN105335965B (zh) * | 2015-09-29 | 2020-05-22 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感图像多尺度自适应决策融合分割方法 |
CA3025777A1 (en) * | 2016-06-17 | 2017-12-21 | Children's National Medical Center | Medical anatomy quantification: computer-aided diagnosis tool |
CN106355143A (zh) * | 2016-08-25 | 2017-01-25 | 中国农业大学 | 多源多时相高分遥感影像的制种玉米田识别方法及系统 |
CN108108670B (zh) * | 2017-12-04 | 2018-10-26 | 交通运输部规划研究院 | 一种层次化筛选的遥感图像提取港口仓库的方法 |
CN109165590A (zh) * | 2018-08-10 | 2019-01-08 | 广西师范学院 | 利用稀疏形态成分的高分辨率遥感图像道路提取方法 |
CN109977801B (zh) * | 2019-03-08 | 2020-12-01 | 中国水利水电科学研究院 | 一种联合光学和雷达的区域水体快速动态提取方法及系统 |
-
2019
- 2019-07-08 CN CN201910609986.5A patent/CN110322454B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980251A (zh) * | 2010-11-23 | 2011-02-23 | 中国矿业大学 | 二叉树多类支持向量机遥感分类方法 |
CN102789631A (zh) * | 2011-05-17 | 2012-11-21 | 张学 | 基于图像分割和引力模型的遥感图像分辨率提高处理方法 |
CN103646400A (zh) * | 2013-12-17 | 2014-03-19 | 中国地质大学(北京) | 面向对象遥感影像分析中的尺度分割参数自动选择方法 |
CN104751478A (zh) * | 2015-04-20 | 2015-07-01 | 武汉大学 | 一种基于多特征融合的面向对象的建筑物变化检测方法 |
CN107067405A (zh) * | 2017-03-30 | 2017-08-18 | 河海大学 | 基于尺度优选的遥感影像分割方法 |
CN107346535A (zh) * | 2017-06-22 | 2017-11-14 | 上海海洋大学 | 基于多尺度几何分析和pca变换的高光谱遥感图像融合方法 |
CN108053412A (zh) * | 2018-01-02 | 2018-05-18 | 河南理工大学 | 融合多定量评价指标的遥感影像最优分割结果确定方法 |
CN109377507A (zh) * | 2018-09-19 | 2019-02-22 | 河海大学 | 一种基于光谱曲线频谱距离的高光谱遥感图像分割的方法 |
CN109859219A (zh) * | 2019-02-26 | 2019-06-07 | 江西理工大学 | 结合相位与光谱的高分遥感影像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110322454A (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723860B (zh) | 一种目标检测方法及装置 | |
CN110298298B (zh) | 目标检测及目标检测网络的训练方法、装置及设备 | |
CN111640157B (zh) | 一种基于神经网络的棋盘格角点检测方法及其应用 | |
CN104574347B (zh) | 基于多源遥感数据的在轨卫星图像几何定位精度评价方法 | |
CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
CN111369605B (zh) | 一种基于边缘特征的红外与可见光图像的配准方法和系统 | |
CN106530313B (zh) | 一种基于区域分割的海天线实时检测方法 | |
CN109034184B (zh) | 一种基于深度学习的均压环检测识别方法 | |
CN109376641B (zh) | 一种基于无人机航拍视频的运动车辆检测方法 | |
CN110796691B (zh) | 一种基于形状上下文和hog特征的异源图像配准方法 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN108564532B (zh) | 大尺度地距星载sar图像镶嵌方法 | |
CN111242026B (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
CN112883850A (zh) | 一种基于卷积神经网络的多视角空天遥感图像匹配方法 | |
CN111967337A (zh) | 一种基于深度学习和无人机影像的管道线变化检测方法 | |
CN110852207A (zh) | 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法 | |
Liu et al. | Robust radiometric normalization of multitemporal satellite images via block adjustment without master images | |
CN109101985A (zh) | 一种基于自适应邻域测试的图像误匹配点对剔除方法 | |
CN110322454B (zh) | 一种基于光谱差异最大化的高分辨遥感图像多尺度分割优化方法 | |
CN107038710B (zh) | 一种以纸张为目标的视觉跟踪算法 | |
CN113486819A (zh) | 一种基于YOLOv4算法的船舶目标检测方法 | |
CN116129191B (zh) | 基于遥感ai的多目标智能识别与精细分类方法 | |
CN109063577B (zh) | 基于信息增益率的卫星影像分割最佳分割尺度确定方法 | |
Hong et al. | Efficient global color, luminance, and contrast consistency optimization for multiple remote sensing images | |
CN115631211A (zh) | 一种基于无监督分割的高光谱图像小目标检测方法 |
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 |