CN110427506A - 空间数据边界处理方法、装置、计算机设备及存储介质 - Google Patents
空间数据边界处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110427506A CN110427506A CN201910621762.6A CN201910621762A CN110427506A CN 110427506 A CN110427506 A CN 110427506A CN 201910621762 A CN201910621762 A CN 201910621762A CN 110427506 A CN110427506 A CN 110427506A
- Authority
- CN
- China
- Prior art keywords
- coordinates
- border vertices
- coordinate
- line set
- grid
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Generation (AREA)
Abstract
本申请公开了一种空间数据边界处理方法、装置、计算机设备及存储介质,涉及空间数据处理技术领域。该方法包括获取基于网格组织的空间数据对应的多尺度网格集合中的边界顶点坐标集合;基于边界顶点坐标集合建立第一水平边集合和第一垂直边集合;基于边界顶点坐标集合、第一水平边集合和第一垂直边集合,确定用于连接边界顶点坐标集合中相邻坐标的目标坐标集合;基于目标坐标集合,生成空间数据的区域边界。本申请公开的空间数据边界处理方法、装置、计算机设备及存储介质能够在保证一定精度的同时使计算的效率显著提升。
Description
技术领域
本申请涉及空间数据处理技术领域,尤其涉及一种空间数据边界处理方法、装置、计算机设备及存储介质。
背景技术
目前全球已有上百颗卫星同时在轨进行对地观测任务,每天将获取海量的空间数据,海量的空间数据可以满足用户或管理者根据不同任务需求查询所感兴趣的遥感影像,例如查询某地区在某一时间段的卫星影像,或是查询满足特定光谱波段和空间分辨率的遥感影像,其中计算影像的多重区域覆盖是查询业务中的一项基本操作。
计算多重区域覆盖常使用叠置分析中的间接方法来实现,间接方法一般先将参与叠置的多边形图形转换为栅格图形,再进行栅格图形之间的叠置,最后将叠置结果转换回矢量多边形图形。
目前间接方法只能处理单尺度的网格,并且在单尺度网格处理过程中,受到网格数目的限制,所得边界拟合精度较低,若通过增加网格数量来提升精度会导致计算效率非常低,不利于大数据量复杂图形间的叠置分析。
发明内容
本申请实施例的目的是提供一种空间数据边界处理方法、装置、计算机设备及存储介质,以解决空间数据覆盖区域计算过程中计算效率和拟合精度不能兼顾的问题。
为解决上述技术问题,本申请实施例是这样实现的:
第一方面,本申请实施例提供了一种一种空间数据边界处理方法,包括:
获取基于网格组织的空间数据对应的多尺度网格集合中的边界顶点坐标集合;
基于边界顶点坐标集合建立第一水平边集合和第一垂直边集合,其中,第一水平边集合中的第一水平边用于表示多尺度网格集合在水平方向上的外缘边,第一垂直边集合中的第一垂直边用于表示多尺度网格集合在垂直方向上的外缘边;
基于边界顶点坐标集合、第一水平边集合和第一垂直边集合,确定用于连接边界顶点坐标集合中相邻坐标的目标坐标集合;
基于目标坐标集合,生成空间数据的区域边界。
可选的,获取基于网格组织的空间数据对应的多尺度网格集合中的边界顶点坐标集合,包括:
遍历多尺度网格集合中的顶点坐标,根据出现奇数次数的顶点坐标生成边界顶点坐标集合。
可选的,基于所述边界顶点坐标集合建立第一水平边集合和第一垂直边集合,包括:
根据横坐标值的大小依序利用边界顶点坐标集合中纵坐标值相同的边界顶点两两生成第一水平边;
根据纵坐标值的大小依序利用边界顶点坐标集合中横坐标值相同的边界顶点两两生成第一垂直边;
根据生成的第一水平边建立第一水平边集合,根据生成的第一垂直边建立第一垂直边集合。
可选的,所述基于所述边界顶点坐标集合、所述第一水平边集合和所述第一垂直边集合,确定用于连接所述边界顶点坐标集合中相邻坐标的目标坐标集合,包括:
从所述边界顶点坐标集合中选取其中一个顶点坐标作为目标坐标;
针对每一目标坐标从所述第一水平边集合和所述第一垂直边集合中的其中一个集合中查找出位于同一条边的相邻坐标,并以查找出的相邻坐标作为下一目标坐标在所述第一水平边集合和所述第一垂直边集合中的另一个集合中继续查找位于同一条边的相邻坐标,直到查找到的相邻坐标与第一个目标坐标相同;
依序根据所述第一水平边集合和所述第一垂直边集合中被查的顶点坐标生成所述目标坐标集合。
可选的,该方法还包括:
从边界顶点坐标集合中删除目标坐标;
当边界顶点坐标集合中还存在顶点坐标时,选取边界顶点坐标集合中剩余的其中一个顶点坐标作为目标坐标。
可选的,第一水平边和第一垂直边均采用键值对的方式对进行存储。
可选的,第一水平边的两个端点坐标分别作为键值对的键和值进行存储,第一垂直边的两个端点坐标分别作为键值对的键和值进行存储。
第二方面,本申请实施例提供了一种空间数据边界处理装置,空间数据边界处理装置包括:
获取模块,用于获取基于网格组织的空间数据对应的多尺度网格集合中的边界顶点坐标集合;
建立模块,用于基于边界顶点坐标集合建立第一水平边集合和第一垂直边集合,其中,第一水平边用于表示所述多尺度网格集合在水平方向上的外缘边,第一垂直边用于表示所述多尺度网格集合在垂直方向上的外缘边;
确定模块,用于基于边界顶点坐标集合、第一水平边集合和第一垂直边集合,确定用于连接边界顶点坐标集合中相邻坐标的第二水平边集合和第二垂直边集合;
生成模块,用于基于第二水平边集合和第二垂直边集合,生成空间数据的区域边界。
第三方面,本申请实施例提供了一种计算机设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序,实现权利上述第一方面所述的的空间数据边界处理方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机可执行指令,所述计算机可执行指令被处理器执行时实现如上述第一方面所述的空间数据边界处理方法的步骤。
在本申请实施例中,通过多尺度网格集合中的边界顶点坐标集合建立第一水平边集合和第一垂直边集合,并根据边界顶点坐标集合、第一水平边集合和第一垂直边集合确定出用于连接边界顶点坐标集合中相邻坐标的目标坐标集合,然后根据目标坐标集合生成所述空间数据的区域边界,能够在保证一定精度的同时使计算的效率显著提升,可广泛适用于大范围、海量空间数据覆盖区域的快速计算。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的空间数据边界处理方法的流程图。
图2为本申请实施例提供的空间数据与其对应的多尺度网格集合的分布示意图。
图3为本申请实施例提供的多尺度网格集合的示意图。
图4为图3中步骤S102的子步骤的流程图。
图5为图3中步骤S103的子步骤的流程图。
图6为本申请实施例提供的A地区的模拟影像图。
图7为本申请实施例提供的B地区的模拟影像图。
图8a为通过OpenCV方法对A地区影像边缘的计算处理结果的示意图。
图8b为通过本申请方法对A地区影像边缘的计算处理结果的示意图。
图9a为通过OpenCV方法对B地区像边缘的计算处理结果的示意图。
图9b为通过本申请方法对B地区影像边缘的计算处理结果的示意图。
图10为通过OpenCV方法将A地区影像转换单尺度网格时网格层级与处理时间的对比图。
图11为通过OpenCV方法对A地区影像转换为单尺度后的二值图像的处理时间与本申请算法直接对多尺度网格集合的处理时间对比图。
图12为通过ArcGIS软件将B地区数据对应的多尺度网格集合转换到不同层级单尺度网格的所用时间的示意图。
图13为通过本申请算法直接处理B地区数据的用时与OpenCV方法第二部分的用时对比图。
图14为A地区数据的边界拟合精度变化曲线图。
图15为B地区数据的边界拟合精度变化曲线图。
图16本申请实施例提供的计算机设备的框图示意图
图17本申请实施例提供的空间数据边界处理装置的框图示意图
图标:100-计算机设备;110-处理器;120-通信接口;130-存储器;140-通信总线;150-空间数据边界处理装置;151-获取模块;152-建立模块;153-确定模块;154-生成模块。
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
实施例1
请查阅图1,是本申请实施例提供的空间数据边界处理方法的流程图,该空间数据边界处理方法应用于计算机设备,用于对所获取到的空间数据所对应的覆盖区域边界进行计算。本申请中的空间数据主要是指二维的空间数据,针对三维空间数据,本申请提供的方法也可以拥于提取三维空间数据的表面积。下面将对图1所示的流程进行详细阐述。
步骤S101,获取基于网格组织的空间数据对应的多尺度网格集合中的边界顶点坐标集合。
本发明实施例中,对基于网格组织的空间数据边界处理的覆盖区域边界进行计算时,首先需要对该空间数据进行多尺度网格化,得到基于网格组织的空间数据对应的多尺度网格集合。如图2所示,是一空间数据与其对应的多尺度网格集合的分布示意图,其中多尺度网格集合包括多个尺寸大小不一的矩形网格,且相邻的两个网格之间至少存在一个共同的顶点。空间数据位于多尺度网格集合的组成的区域内,且空间数据的边缘逼近多尺度网格集合的边缘。多尺度网格化时,空间数据的边缘轮廓变化不明显的区域其对应的网格更大,而空间数据的边缘轮廓变化较明显的区域其对应的网格更小,如此既可减小后续过程中的计算量,同时又能保证空间数据边缘的计算精度。
空间数据多尺度网格化完成后,获取多尺度网格集合中的边界顶点坐标集合。具体的,首先遍历多尺度网格集合中每个网格的顶点坐标,将出现了奇数次的顶点坐标作为多尺度网格集合的边界顶点坐标,并将边界顶点坐标存入同一数组中,得到边界顶点坐标集合。
如图3所示,是一多尺度网格集合的示意图,该多尺度网格集合包括网格ABFG、和网格CDEF,在遍历多尺度网格集合中每个网格的顶点坐标时,网格ABFG中的顶点A、B和G由于不与其他网格的顶点重合,只出现一次,因此A、B和G的坐标为边界顶点坐标。同样的,顶点C、D以及E的坐标也是边界顶点坐标。因此,边界顶点坐标集合中包括了顶点A、B、C、D、E以及G的坐标。如表1所示,示出了边界顶点坐标集合中所有的顶点坐标。
(0,0) | (0,1) | (1,1) | (1,2) | (3,0) | (3,2) |
表1
步骤S102,基于边界顶点坐标集合建立第一水平边集合和第一垂直边集合。
其中,第一水平边集合中的第一水平边用于表示多尺度网格集合在水平方向上的外缘边,第一水平边的两个端点坐标为边界顶点坐标集合中的两个纵坐标值相同的顶点坐标。第一垂直边集合中的第一垂直边用于表示多尺度网格集合在垂直方向上的外缘边,第一垂直边的两个端点坐标为边界顶点坐标集合中的两个横坐标值相同的顶点坐标。如图3中的边AB、CD以及EG均为多尺度网格集合在水平方向上的外缘边,边BC、DE以及GA均为多尺度网格集合在垂直方向上的外缘边。
如图4所示,本申请实施例中,步骤S102包括如下子步骤。
子步骤S1021,利用边界顶点坐标集合中纵坐标值相同的边界顶点生成第一水平边。
具体的,在多尺度网格集合中,位于同一条水平边上两个端点的纵坐标值必然相同,若同一直线上存在多条不相连的水平边,则在该直线上的水平边的端点必然是依据其横坐标值的大小两两对应一水平边。因此,本申请实施例中在生成第一水平边时,首先根据横坐标值的大小依序,利用边界顶点坐标集合中纵坐标值相同的边界顶点两两生成第一水平边。如图3中可利用顶点A的坐标和顶点B的坐标生成一水平边。
子步骤S1022,利用边界顶点坐标集合中横坐标值相同的边界顶点生成第一垂直边。
与此同时,在生成第一垂直边时,根据纵坐标值的大小依序利用边界顶点坐标集合中横坐标值相同的边界顶点两两生成第一垂直边。
需要说明的是,本申请实施例中子步骤S1021与子步骤S1022的顺序并不限定。
子步骤S1023,根据第一水平边建立第一水平边集合,根据第一垂直边建立第一垂直边集合。
具体的,计算机设备建立第一水平边集合以及第一垂直边集合,并将所有的第一水平边以键值对的方式存储在第一水平边集合中,将所有的第一垂直边以键值对的方式存储在第一垂直边集合中,键值对的键和值分别对应相应边的两个端点坐标。
键值对可以采用,但不限于哈希表、HashMap以及Python等方式进行存储。本申请实施例中,键值对采用哈希表进行存储。
进一步的,由于键值对只能通过键查找相应的值,因此在本申请实施例中第一水平边集合以及第一垂直边集合中的任意一条边均采用两个键值对进行存储,该条边的一个端点坐标同时作为该两个键值对中第一个键值对的键和第二个键值对的值,另一个端点坐标同时作为该两个键值对中第一个键值对的值和第二个键值对的键。如此,在后续过程中,能够根据任意的一个边界顶点坐标查找到其相邻的顶点坐标,以便后续能够确定出空间数据的区域边界。
如表2和表3所示,分别示出了第一水平边集合的哈希表和第一垂直边集合的哈希表。
键 | (0,0) | (3,0) | (0,1) | (1,1) | (1,2) | (3,2) |
值 | (3,0) | (0,0) | (1,1) | (0,1) | (3,2) | (1,2) |
表2
键 | (0,0) | (0,1) | (1,1) | (1,2) | (3,0) | (3,2) |
值 | (0,1) | (0,0) | (1,2) | (1,1) | (3,2) | (3,0) |
表3
步骤S103,确定用于连接边界顶点坐标集合中相邻坐标的目标坐标集合。
请参阅图5,本申请实施例中,步骤S103包括如下子步骤。
子步骤S1031,选取目标坐标。
具体的,首先从边界顶点坐标集合中选取其中任意一个顶点坐标作为目标坐标。
子步骤S1032,查找目标坐标的相邻坐标,并以查找出的相邻坐标作为下一目标坐标继续查找,直到查找到的相邻坐标与第一个目标坐标相同。
进行查找时,针对每一目标坐标从第一水平边集合和第一垂直边集合中的其中一个集合中查找出位于同一条边的相邻坐标,并以查找出的相邻坐标作为下一目标坐标在第一水平边集合和第一垂直边集合中的另一个集合中继续查找位于同一条边的相邻坐标,直到查找到的相邻坐标与第一个目标坐标相同。
本申请实施例中,查找目标坐标的相邻坐标时,是以该目标坐标所对应的键从键值对中进行查找,查找出的值即为与目标坐标位于同一条边的相邻坐标。
子步骤S1033,生成目标坐标集合。
查找完成后,将第一水平边集合和第一垂直边集合中被查的顶点坐标,按照被查找的顺序存储到一数组中,得到目标坐标集合。如表4所示,示出了基于边界顶点坐标集合、第一水平边集合和第一垂直边集合确定出的目标坐标集合。
(1,2) | (3,2) | (3,0) | (0,0) | (0,1) | (1,1) | (1,2) |
表4
子步骤S1034,从边界顶点坐标集合中删除目标坐标。
删除目标坐标时,可以是当每完成一次查找时,就从边界顶点坐标集合中删除该次查找的目标坐标。也可以是在查找到的相邻坐标与第一个目标坐标相同后,再将所有的目标坐标进行删除。
子步骤S1035,判断边界顶点坐标集合中是否还存在顶点坐标,若是则执行子步骤S1031。
对于部分中间区域为空的空间数据(例如呈环形的影像),其多尺度网格集合化后,也会再多尺度网格集合中间区域行成一空的区域,存在有多条边界线。当首次查找到的相邻坐标与第一个目标坐标相同时,只是查找出了一条边线的所有顶点坐标,依然存在边界顶点坐标集合中顶点坐标未查找完的情况,即多尺度网格集合的边界线未查找完全。因此,在找到的相邻坐标与第一个目标坐标相同后,会再次判断边界顶点坐标集合中是否还存在顶点坐标,若不存在则进行下一步骤,若还存在顶点坐标,则返回子步骤S1031再次进行查找,直到边界顶点坐标集合中不存在有顶点坐标。
步骤S104,基于目标坐标集合,生成空间数据的区域边界。
生成空间数据的区域边界时,依序将每个目标坐标集合中的目标坐标连接即得到空间数据的区域边界。
下面将通过实验数据对本申请所提供的方案进行正确性、效率和精度三个方面进行说明。
实验中本发明算法共有两个对比对象,以OpenCV中用于提取二值图像连通区域边界的findContours函数代表传统网格化方法,以ArcGIS软件代表矢量方法。
正确性实验:验证OpenCV和本申请算法在处理大面积、大数据量的空间数据,以及带“洞”空间数据时所提取边界的正确性,即是否存在漏处理或多处理的情况。将OpenCV与本申请算法作对比是因为OpenCV也是网格化方法,和本申请算法具有可比性;而ArcGIS是矢量方法,其所得结果是准确的,因此不作对比。
效率对比实验:对比本申请算法相比于OpenCV和ArcGIS的计算效率。
拟合精度实验:研究本申请算法所计算出的边界拟合精度(网格边界相对于空间数据真实覆盖区域的边界的拟合程度)与网格数量的关系,并分析拟合精度和计算效率之间的关系。
实验数据:从全球范围内模拟的100万条影像(空间数据)元数据,影像类型涵盖全色、多/高光谱、真/假彩色、雷达影像等,且具有一定的旋转角度(基本与卫星轨道倾角保持一致),影像边长范围为0°~11°,中位数为0.389°,影像长宽比为1:1~1:2之间。影像边长范围跨度较大,其中0°~1°占比96.0%、1°~2°占比2.8%、2°以上占比1.2%。请参阅图6和图7,分别是A地区与B地区的模拟影像图,地域广阔,空间数据量大,可以检测算法的高效性。B地区是典型的带“洞”区域,可以检测算法的准确性。因此选取A地区共11609张模拟影像、B地区1369张模拟影像作为试验数据。
实验步骤
(一)预处理:利用多边形网格化方法将实验数据进行多尺度网格集合化,以单张影像的最大网格数量为限制,得到单张影像网格数量从3到100的不同网格编码集合,再由网格编码集合计算出网格顶点坐标。
(二)正确性实验:以预处理后的多尺度网格集合顶点坐标作为输入,分别用OpenCV和本申请算法处理A地区和B地区的模拟数据,检验得到的边界结果是否正确。
(三)效率对比实验:用ArcGIS分别对两个地区的矢量空间数据进行叠置求“并”并提取边界,计算其处理时间。然后以多尺度网格集合顶点坐标作为本申请算法和OpenCV方法的输入,比较不同网格数量限制下的算法效率,由于OpenCV方法是逐像素进行扫描,像素相当于单尺度网格,因此需要单独计算多尺度网格集合转换为单尺度网格的时间作为OpenCV处理总时间的第一部分,第二部分是OpenCV处理单尺度网格的用时。
(四)拟合精度实验:利用上一实验中ArcGIS得到的精确矢量边界计算真实的区域覆盖面积,再依次计算本申请算法处理不同网格化结果所得边界包含区域的面积,最终得到边界拟合精度随单张影像网格数量增加而变化的曲线。边界拟合精度的计算公式(1)如下,其中P代表拟合精度,Strue代表影像的真实覆盖面积,Sgrid代表网格的覆盖面积:
实验结果分析
(一)正确性实验
OpenCV和本申请算法在处理大数据量、大范围的A地区模拟影像数据(空间数据)的结果如图8所示,图8a为设置单张影像网格数量为8时对影像边缘的计算处理结果,由于OpenCV方法受限于单尺度网格的数量,这是该方法得到的最好效果,虽然所提边界准确包含住影像覆盖区域,但可以看出其相对于真实矢量边界的拟合程度很低,也就是精度很低。图8b为本申请算法在设置单张影像网格数量为100时得到的结果,可以看出所得边界正确且边界拟合程度很高。
在提取带“洞”的B地区模拟影像覆盖边界的局部效果如图9所示,图9a为OpenCV方法得到的最好效果,可以看出影像中仍有较小的空隙内边界无法提取,且所提取的外边界拟合程度不高。图9b为设置单张影像网格数为100时本申请算法的效果,已经能够提取很小的内边界,且整体边界拟合程度很高。
(二)效率对比试验
用ArcGIS软件对A地区模拟数据进行叠置求“并”并提取精确矢量边界用时21.45秒。由于A地区范围大,边界复杂度高,且查询到的模拟空间数据量庞大,导致重叠区域大且同一区域有多层数据重叠的情况,因此ArcGIS所用方法处理时间较长。
图10展示了A地区数据对应的多尺度网格集合转换到不同层级单尺度网格的所用时间,可以看出随着最大层级的增加,转换时间呈指数型增长,这是由于每增加一层,一个网格会分成四个小网格,所以处理时间延长了近四倍。图中只显示了转换到14至18级所用的处理时间,到18级时已经超过了30秒,所包含的网格数量已经超过1亿个,如果再提高一层级,处理时间和网格数量会再增大四倍,不仅计算机设备无法处理,并且没有实际应用的价值。
图11展示的是在处理大数据量的A地区数据时,OpenCV方法对转换为单尺度后的二值图像的处理时间与本申请算法直接对多尺度网格集合的处理时间对比图,图中自变量n是单张影像网格化的最大网格数量,在两种方法均可处理的情况下所得边界结果相同。从图中可以看出,当单张影像网格数量小于6时,两种方法的处理速度都很快,没有明显差异。当网格数量为6或7时,由于网格最大层级增大了一级,对于单尺度网格来说网格数量增加4倍,所以OpenCV方法的处理时间相应的增大约4倍。当网格数量达到8时,最大层级直接提高了3级,以至于OpenCV处理时间增大到0.5315秒,增大到约43=64倍。需要说明的是,OpenCV方法处理相同最大层级的数据的时间基本相同,不会随单张影像网格数量的增大而变化,因为最大层级相同时,转换成单尺度网格后网格的量级是相同的,OpenCV方法需要遍历所有网格,所以相同最大层级的数据计算复杂度相同。而本申请算法显示出明显的优势,处理速度不受网格最大层级增加的影响,仅随着多尺度网格集合总数量的增加而增加,且明显快于OpenCV方法,当单张影像最大网格数量增加到100时(非上限),此时的最大层级为24级,本发明算法的处理时间不到0.05秒,而OpenCV方法由于计算机内存的限制已经处理不了相应数据。可见在不包含网格尺度转换时间的情况下,本申请算法的效率已经明显高于OpenCV方法。
用ArcGIS软件对B地区数据进行叠置分析并提取精确矢量边界用时5.27秒,由于B地区覆盖范围相对于A地区较小,且空间数据量减小很多,因此ArcGIS软件的处理效率明显提高。
图12展示了B地区数据对应的多尺度网格集合转换到不同层级单尺度网格的所用时间,可以看出转换时间同样随层级的增大呈指数型增长,由于B地区面积相对于A地区小很多,因此单尺度网格的最高层级也相应从18级增大到19级,转换到19级所用时间超过8秒,所包含单尺度网格数量超过8000万个。
图13所示是本申请算法直接处理B地区数据的用时与OpenCV方法第二部分用时的对比图,从图中可以看出,当单张影像网格数量小于7时,两种方法处理时间没有明显差异,当网格数量达到7时,由于最大网格层级的增大,OpenCV方法需要处理更大数量的网格,因此处理时间明显增大。同理,当网格数量达到20,最大层级继续增大导致OpenCV方法处理时间更长,当单张影像网格数量超过20时OpenCV方法无法处理。相比之下,本发明算法优势明显,随网格数量增大,处理时间仅缓慢增加,且不受层级影响。当网格数量设置为100时,所用时间不到0.05秒。
(三)拟合精度实验
以单张影像最大网格数量作为自变量,以定义的边界拟合精度作为因变量,分别绘制如图14和图15所示的A地区数据和B地区数据的边界拟合精度变化曲线。由图可看出边界拟合精度随单张影像网格数量的增加有明显提升,OpenCV方法由于受限于网格数量,所得最好结果的拟合精度分别为92.85%和95.43%。而对于本申请算法,当网格数量增大到100时,拟合精度分别可达到99.17%和98.75%,计算耗时均仅有0.05秒左右。
(四)实验结果分析
正确性实验表明:对于大数据量、大范围的A地区数据,本申请算法可以处理并正确提取其边界,对于带“洞”的B地区数据,OpenCV方法无法提取较小“洞”的内边界,而本申请算法可以完成。
效率对比实验表明:本申请算法适用于处理数据量很大的情况,在保证高精度的前提下本发明算法的计算效率相比于OpenCV方法和ArcGIS软件提升数倍到数十倍。
拟合精度实验表明:随着单张影像网格数量的增加,本申请算法所得边界相对于真实矢量边界的拟合精度不断增加,在0.05秒的处理时间内可以达到98.5%以上的精度。较OpenCV方法得到的结果,对于A地区数据拟合精度提高6.3%以上,对于B地区数据拟合精度提高3.3%以上。
综上所述,本申请提供的方法通过多尺度网格集合中的边界顶点坐标集合建立第一水平边集合和第一垂直边集合,并根据边界顶点坐标集合、第一水平边集合和第一垂直边集合确定出用于连接边界顶点坐标集合中相邻坐标的目标坐标集合,然后根据目标坐标集合生成所述空间数据的区域边界。较传统的方法能够在保证一定精度的同时使计算的效率显著提升,可广泛适用于大范围、海量空间数据覆盖区域的快速计算。同时,由于在查找到的相邻坐标与第一个目标坐标相同时,从边界顶点坐标集合中删除目标坐标,并当边界顶点坐标集合中还存在顶点坐标时,重新选取目标坐标再次查找其相邻坐标,如此可对凸凹、带洞、带岛等各类复杂的网格边界进行计算处理。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
图16是本申请的一个实施例提供的计算机设备100的框图示意图。请参考图16,在硬件层面,该计算机设备100包括处理器110,可选地还包括通信总线140、通信接口120、存储器130。其中,存储器130可能包含内存,例如高速随机存取存储器(Random-AccessMemory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该计算机设备100还可能包括其他业务所需要的硬件。
处理器110、通信接口120和存储器130可以通过通信总线140相互连接,该通信总线140可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图16中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器130,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器130可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器110从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成空间数据边界处理装置150。处理器110,执行存储器130所存放的程序,并具体用于执行以下操作:
获取基于网格组织的空间数据对应的多尺度网格集合中的边界顶点坐标集合;基于边界顶点坐标集合建立第一水平边集合和第一垂直边集合,其中,第一水平边集合中的第一水平边用于表示多尺度网格集合在水平方向上的外缘边,第一垂直边集合中的第一垂直边用于表示多尺度网格集合在垂直方向上的外缘边;基于边界顶点坐标集合、第一水平边集合和所述第一垂直边集合,确定用于连接边界顶点坐标集合中相邻坐标的目标坐标集合;基于目标坐标集合,生成空间数据的区域边界。
上述如本申请图16所示实施例揭示的空间数据边界处理装置执行的方法可以应用于处理器110中,或者由处理器110实现。处理器110可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器110可以是通用处理器,包括中央处理器(CentralProcessing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器130,处理器110读取存储器130中的信息,结合其硬件完成上述方法的步骤。
该计算机设备100还可执行图1的方法,并实现空间数据边界处理装置150在图1所示实施例的功能,本申请实施例在此不再赘述。
当然,除了软件实现方式之外,本申请的计算机设备100并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的计算机设备100执行时,能够使该计算机设备100执行图1、图4和图5所示实施例的方法,并具体用于执行以下操作:
获取基于网格组织的空间数据对应的多尺度网格集合中的边界顶点坐标集合;基于边界顶点坐标集合建立第一水平边集合和第一垂直边集合,其中,第一水平边集合中的第一水平边用于表示多尺度网格集合在水平方向上的外缘边,第一垂直边集合中的第一垂直边用于表示多尺度网格集合在垂直方向上的外缘边;基于边界顶点坐标集合、第一水平边集合和所述第一垂直边集合,确定用于连接边界顶点坐标集合中相邻坐标的目标坐标集合;基于目标坐标集合,生成空间数据的区域边界。
图17是本申请的一个实施例提供的空间数据边界处理装置150的框图示意图。请参考图17,在一种软件实施方式中,空间数据边界处理可包括:
获取模块151,用于获取基于网格组织的空间数据对应的多尺度网格集合中的边界顶点坐标集合。
可以理解的,获取模块151可以用于执行上述的步骤S101。
建立模块152,用于基于所述边界顶点坐标集合建立第一水平边集合和第一垂直边集合,其中,所述第一水平边集合中的第一水平边用于表示所述多尺度网格集合在水平方向上的外缘边,所述第一垂直边集合中的第一垂直边用于表示所述多尺度网格集合在垂直方向上的外缘边。
可以理解的,建立模块152可以用于执行上述的步骤S102。
确定模块153,用于基于所述边界顶点坐标集合、所述第一水平边集合和所述第一垂直边集合,确定用于连接所述边界顶点坐标集合中相邻坐标的目标坐标集合。
可以理解的,确定模块153可以用于执行上述的步骤S103。
生成模块154,用于基于所述目标坐标集合,生成所述空间数据的区域边界。
可以理解的,生成模块154可以用于执行上述的步骤S104。
总之,以上所述仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (10)
1.一种空间数据边界处理方法,其特征在于,包括:
获取基于网格组织的空间数据对应的多尺度网格集合中的边界顶点坐标集合;
基于所述边界顶点坐标集合建立第一水平边集合和第一垂直边集合,其中,所述第一水平边集合中的第一水平边用于表示所述多尺度网格集合在水平方向上的外缘边,所述第一垂直边集合中的第一垂直边用于表示所述多尺度网格集合在垂直方向上的外缘边;
基于所述边界顶点坐标集合、所述第一水平边集合和所述第一垂直边集合,确定用于连接所述边界顶点坐标集合中相邻坐标的目标坐标集合;
基于所述目标坐标集合,生成所述空间数据的区域边界。
2.根据权利要求1所述的方法,其特征在于,所述获取基于网格组织的空间数据对应的多尺度网格集合中的边界顶点坐标集合,包括:
遍历所述多尺度网格集合中的顶点坐标,根据出现奇数次数的顶点坐标生成所述边界顶点坐标集合。
3.根据权利要求1所述的方法,其特征在于,所述基于所述边界顶点坐标集合建立第一水平边集合和第一垂直边集合,包括:
根据横坐标值的大小依序利用所述边界顶点坐标集合中纵坐标值相同的边界顶点两两生成第一水平边;
根据纵坐标值的大小依序利用所述边界顶点坐标集合中横坐标值相同的边界顶点两两生成第一垂直边;
根据生成的所述第一水平边建立所述第一水平边集合,根据生成的所述第一垂直边建立所述第一垂直边集合。
4.根据权利要求1所述的方法,其特征在于,所述基于所述边界顶点坐标集合、所述第一水平边集合和所述第一垂直边集合,确定用于连接所述边界顶点坐标集合中相邻坐标的目标坐标集合,包括:
从所述边界顶点坐标集合中选取其中一个顶点坐标作为目标坐标;
针对每一目标坐标从所述第一水平边集合和所述第一垂直边集合中的其中一个集合中查找出位于同一条边的相邻坐标,并以查找出的相邻坐标作为下一目标坐标在所述第一水平边集合和所述第一垂直边集合中的另一个集合中继续查找位于同一条边的相邻坐标,直到查找到的相邻坐标与第一个目标坐标相同;
依序根据所述第一水平边集合和所述第一垂直边集合中被查的顶点坐标生成所述目标坐标集合。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
从所述边界顶点坐标集合中删除所述目标坐标;
当所述边界顶点坐标集合中还存在顶点坐标时,选取所述边界顶点坐标集合中剩余的其中一个顶点坐标作为目标坐标。
6.根据权利要求1所述的方法,其特征在于,所述第一水平边和所述第一垂直边均采用键值对的方式对进行存储。
7.根据权利要求6所述的方法,其特征在于,所述第一水平边的两个端点坐标分别作为键值对的键和值进行存储,所述第一垂直边的两个端点坐标分别作为键值对的键和值进行存储。
8.一种空间数据边界处理装置,其特征在于,所述空间数据边界处理装置包括:
获取模块,用于获取基于网格组织的空间数据对应的多尺度网格集合中的边界顶点坐标集合;
建立模块,用于基于所述边界顶点坐标集合建立第一水平边集合和第一垂直边集合,其中,所述第一水平边集合中的第一水平边用于表示所述多尺度网格集合在水平方向上的外缘边,所述第一垂直边集合中的第一垂直边用于表示所述多尺度网格集合在垂直方向上的外缘边;
确定模块,用于基于所述边界顶点坐标集合、所述第一水平边集合和所述第一垂直边集合,确定用于连接所述边界顶点坐标集合中相邻坐标的目标坐标集合;
生成模块,用于基于所述目标坐标集合,生成所述空间数据的区域边界。
9.一种计算机设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序,实现权利要求1至7任一所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至7任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910621762.6A CN110427506B (zh) | 2019-07-10 | 2019-07-10 | 空间数据边界处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910621762.6A CN110427506B (zh) | 2019-07-10 | 2019-07-10 | 空间数据边界处理方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110427506A true CN110427506A (zh) | 2019-11-08 |
CN110427506B CN110427506B (zh) | 2022-01-28 |
Family
ID=68409178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910621762.6A Active CN110427506B (zh) | 2019-07-10 | 2019-07-10 | 空间数据边界处理方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110427506B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209358A (zh) * | 2019-12-24 | 2020-05-29 | 武汉蜜蜂云科技有限公司 | 一种景区片区内设备数量统计方法及装置 |
CN113393575A (zh) * | 2021-08-17 | 2021-09-14 | 杭州灵西机器人智能科技有限公司 | 一种基于三维视觉的服饰尺寸测量的方法和系统 |
CN114489401A (zh) * | 2022-01-18 | 2022-05-13 | 北京京东振世信息技术有限公司 | 地图边界线的生成和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477691A (zh) * | 2008-12-26 | 2009-07-08 | 武汉大学 | 基于边长比约束的离散点区域拓扑边界追踪方法 |
CN101719463A (zh) * | 2009-11-17 | 2010-06-02 | 博磊科技股份有限公司 | 寻找晶圆边界的方法 |
CN101950427A (zh) * | 2010-09-08 | 2011-01-19 | 东莞电子科技大学电子信息工程研究院 | 一种适用于移动终端的矢量线段轮廓化方法 |
CN102376095A (zh) * | 2010-08-25 | 2012-03-14 | 北京中科亚创科技有限责任公司 | 获取图像闭合区域的方法及装置 |
CN107480274A (zh) * | 2017-08-21 | 2017-12-15 | 北京小度信息科技有限公司 | 区域边界信息处理方法和装置 |
CN109410290A (zh) * | 2017-08-16 | 2019-03-01 | 广州极飞科技有限公司 | 确定作业区域边界的方法和装置 |
CN109636821A (zh) * | 2018-11-26 | 2019-04-16 | 广州星通信息科技有限公司 | 栅格连片区域轮廓识别方法及装置 |
-
2019
- 2019-07-10 CN CN201910621762.6A patent/CN110427506B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477691A (zh) * | 2008-12-26 | 2009-07-08 | 武汉大学 | 基于边长比约束的离散点区域拓扑边界追踪方法 |
CN101719463A (zh) * | 2009-11-17 | 2010-06-02 | 博磊科技股份有限公司 | 寻找晶圆边界的方法 |
CN102376095A (zh) * | 2010-08-25 | 2012-03-14 | 北京中科亚创科技有限责任公司 | 获取图像闭合区域的方法及装置 |
CN101950427A (zh) * | 2010-09-08 | 2011-01-19 | 东莞电子科技大学电子信息工程研究院 | 一种适用于移动终端的矢量线段轮廓化方法 |
CN109410290A (zh) * | 2017-08-16 | 2019-03-01 | 广州极飞科技有限公司 | 确定作业区域边界的方法和装置 |
CN107480274A (zh) * | 2017-08-21 | 2017-12-15 | 北京小度信息科技有限公司 | 区域边界信息处理方法和装置 |
CN109636821A (zh) * | 2018-11-26 | 2019-04-16 | 广州星通信息科技有限公司 | 栅格连片区域轮廓识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
邱天: ""基于CAAD建筑施工图数据的建筑空间与关系三维建模方法研究"", 《万方》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209358A (zh) * | 2019-12-24 | 2020-05-29 | 武汉蜜蜂云科技有限公司 | 一种景区片区内设备数量统计方法及装置 |
CN113393575A (zh) * | 2021-08-17 | 2021-09-14 | 杭州灵西机器人智能科技有限公司 | 一种基于三维视觉的服饰尺寸测量的方法和系统 |
CN114489401A (zh) * | 2022-01-18 | 2022-05-13 | 北京京东振世信息技术有限公司 | 地图边界线的生成和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110427506B (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9292961B1 (en) | System and method for detecting a structural opening in a three dimensional point cloud | |
CN112446327A (zh) | 一种基于无锚框的遥感图像目标检测方法 | |
CN110427506A (zh) | 空间数据边界处理方法、装置、计算机设备及存储介质 | |
Tucci et al. | Positional accuracy, positional uncertainty, and feature change detection in historical maps: Results of an experiment | |
CN113393514B (zh) | 一种三维无序点云数据处理方法、系统及设备 | |
Widyaningrum et al. | Building outline extraction from ALS point clouds using medial axis transform descriptors | |
CN105953773B (zh) | 斜坡坡度角获取方法及装置 | |
CN105654483A (zh) | 三维点云全自动配准方法 | |
US7778808B2 (en) | Geospatial modeling system providing data thinning of geospatial data points and related methods | |
CN108122280A (zh) | 一种三维点云的重建方法及装置 | |
Pedrosa et al. | Improved automatic impact crater detection on Mars based on morphological image processing and template matching | |
CN109165553B (zh) | 基于深度学习的石油设施遥感自动识别方法及装置 | |
CN108364331A (zh) | 一种等值线生成方法、系统和存储介质 | |
CN112861983A (zh) | 图像匹配方法、装置、电子设备以及存储介质 | |
CN105893590A (zh) | 一种用于数字地形分析建模知识案例化自动处理方法 | |
CN117132737B (zh) | 一种三维建筑模型构建方法、系统及设备 | |
CN113159103B (zh) | 图像匹配方法、装置、电子设备以及存储介质 | |
CN104992433B (zh) | 基于线段匹配的多光谱图像配准的方法及装置 | |
Castronova et al. | A hierarchical network-based algorithm for multi-scale watershed delineation | |
Pérez-Sinticala et al. | Evaluation of primitive extraction methods from point clouds of cultural heritage buildings | |
CN113034556A (zh) | 一种频域相关半稠密遥感影像匹配方法 | |
Vo et al. | A parallel algorithm for local point density index computation of large point clouds | |
Bildirici et al. | Building typification at medium scales | |
Carrilho et al. | Quality assessment for automatic LiDAR data classification methods | |
Su et al. | High-precision matching algorithm for multi-image segmentation of micro animation videos in mobile network environment |
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 |