CN110458773A - 一种基于边缘增强算子的各向异性扩散噪声处理方法 - Google Patents
一种基于边缘增强算子的各向异性扩散噪声处理方法 Download PDFInfo
- Publication number
- CN110458773A CN110458773A CN201910706880.7A CN201910706880A CN110458773A CN 110458773 A CN110458773 A CN 110458773A CN 201910706880 A CN201910706880 A CN 201910706880A CN 110458773 A CN110458773 A CN 110458773A
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- edge enhancement
- operator
- diffusion
- 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 30
- 238000012545 processing Methods 0.000 title claims abstract description 12
- 238000009792 diffusion process Methods 0.000 claims abstract description 41
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 4
- 241000282537 Mandrillus sphinx Species 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G06T5/70—
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明公开了一种基于边缘增强算子的各向异性扩散噪声处理方法，首先输入含有高斯噪声的待处理图像，使用高斯滤波器对噪声图像进行预处理，去除较大噪声；建立八方向5×5边缘增强算子模板，将增强算子与预处理后得到的图像进行卷积运算，得到对应的梯度信息；然后，构造了一种基于双曲正切函数的扩散系数模型，用来控制扩散程度；将扩散函数代入改进的各向异性扩散方程，得到去噪后的图像；最后，重复上述步骤N次，完成迭代，并输出滤波后图像。本发明方法在滤除图像噪声的同时能够有效地保留图像边缘、纹理、细线、弱边缘和细节，防止阶梯效应，且处理速度更快。
Description
技术领域
本发明属于数字图像处理技术领域，具体涉及一种基于边缘增强算子的各向 异性扩散噪声处理方法。
背景技术
图像的噪声处理在图像处理中是一个基础而重要的步骤，直接决定了图像处 理的后续工作包括图像分割、图像分类、特征提取和模式识别等的可行性与准确 性。图像去噪旨在从噪声腐蚀中重建图像，可以改善退化图像质量，以便更好地 解释和提取数据。各向异性扩散方程使得图像在梯度较大的边缘处扩散程度较小， 在梯度较小的平坦区域扩散程度较大，从而达到既滤除图像噪声又保留图像边缘 信息的目的，在图像滤波方面取得了令人瞩目的成果。
PM模型每一次迭代都是以周围四个方向的梯度值来计算该中心点变换后的 灰度值，这可能会导致图像细节的损失并产生虚假轮廓。
Catte等人提出了正则化的P-M模型，该模型消除了P-M方程不适定、无 法滤除大噪声点等缺点。Gilboa等人提出了一种正逆各向异性扩散模型，在去除 噪声的同时有效的加强了图像边缘信息。各向异性扩散滤波是一个迭代过程，它 依赖于一些参数，如扩散系数和时间参数，因此提出了优化这些参数的方法以获 得更好的去噪效果[4-6]。2016年，Tebini等人将各向异性扩散模型的扩散方向 由原来的四方向扩展到八方向，新增了东北(NE)、西北(NW)、东南(SE)、 西南(SW)4个方向，并提出一种新的扩散系数方程，其流函数的收敛速度远 快于P-M模型中扩散函数的收敛速度，加快了模型去噪的速率，减少运算量，从而在较短的时间内可以取得较好的去噪效果，但该方法仍然存在阶梯效应。
发明内容
发明目的：本发明目的是针对现有的各向异性扩散滤波过程中存在的阶梯效 应以及无法滤除大噪声点的缺点，提出一种基于边缘增强算子的各向异性扩散噪 声处理方法，能在滤除图像噪声的同时能够有效地保留图像边缘和细节，防止阶 梯效应。
技术方案：本发明所述的一种基于边缘增强算子的各向异性扩散噪声处理方 法，包括以下步骤：
(1)输入含有高斯噪声的待处理图像，使用高斯滤波器对噪声图像进行预 处理，去除较大噪声；
(2)建立八方向5×5边缘增强算子模板，将增强算子与步骤(1)中预处 理后得到的图像进行卷积运算，得到对应的梯度信息；
(3)构造了一种基于双曲正切函数的扩散系数模型，用来控制扩散程度；
(4)将步骤(3)计算出的扩散函数代入改进的各向异性扩散方程，得到去 噪后的图像；
(5)重复上述步骤(2)至步骤(4)N次，完成迭代，并输出滤波后图像。
进一步地，所述的待处理图像为彩色图像或灰度图像。
进一步地，步骤(1)所述图像预处理通过以下公式实现：
Iσ(x,y)＝Gσ*I(x,y)
其中，Gσ为高斯滤波算子，*为卷积符号，I(x,y)为输入的噪声图像，Iσ(x,y) 为经高斯滤波器处理后的图像。
进一步地，所述步骤(2)实现过程如下：
其中d＝1,2,...8，θ1,θ2,...,θ8分别表示0°、45°、90°、135°、180°、225°、 270°、315°这八个方向，表示的是不同方向对应的增强算子模板。
进一步地，步骤(3)所述的扩散系数模型的计算公式如下：
其中，k为区别边缘和噪声的扩散门限系数，||▽Iθd||为梯度模值。
进一步地，所述步骤(4)的实现过程如下：
改进的各向异性扩散方程如下所示：
I0(x,y)为原始图像，I(x,y,t)是图像经过t次迭代后的滤波图像，div(·)和▽(·) 分别表示散度算子和梯度算子，为迭代t次后的梯度模值，用作边缘 检测器，在平坦区其值较小，边缘区的值较大；将上式偏微分方程离散化并将其 应用于图像去噪过程，其离散化的表达式如下：
其中，ηs表示像素s的邻域空间；s为像素的坐标；为当前图像的离散采 样；λ为控制扩散总体强度的常数；|ηs|表示邻域空间的大小。
有益效果：与现有技术相比，本发明的有益效果：1、本发明提出了基于八 方向的5×5边缘增强算子模板来计算图像的梯度，相比于传统的P-M模型及相 关改进算法，该扩散方向模板能够突出图像的边缘信息，用强化的梯度信息来计 算扩散系数，可以增强图像的边缘保持能力及更好的保护细节和消除斑点噪声； 2、基于梯度信息与扩散阈值之间的关系，构造了一种新的基于双曲正切函数的 扩散系数函数，该函数具有更快的收敛速度，从而在较短的时间内可以取得较好 的去噪效果。
附图说明
图1是本发明所述的噪声处理模型过程图；
图2是本发明仿真实验所用的NUIST图像；
图3为本发明仿真实验所用的Mandrill图像；
图4为本发明提出的八方向5×5边缘增强算子0°检测模板；
图5为本发明提出的八方向5×5边缘增强算子45°检测模板；
图6本发明提出的八方向5×5边缘增强算子90°检测模板；
图7本发明提出的八方向5×5边缘增强算子135°检测模板；
图8本发明提出的八方向5×5边缘增强算子180°检测模板；
图9本发明提出的八方向5×5边缘增强算子225°检测模板；
图10本发明提出的八方向5×5边缘增强算子270°检测模板；
图11本发明提出的八方向5×5边缘增强算子315°检测模板；
图12为添加了方差为10的高斯噪声图像；
图13为图12采用了P-M模型的边缘提取图像；
图14为图12采用了Tebini模型的边缘提取图像；
图15为图12采用了本发明的边缘提取图像；
图16为图13方框标记部分放大图；
图17为图14方框标记部分放大图；
图18为图15方框标记部分放大图；
图19为改进扩散系数与传统扩散系数以及Tebini扩散系数中||▽I||与g(||▽I||) 的关系曲线图；
图20为NUIST图像添加了方差为20的高斯噪声图像；
图21为图20采用P-M模型滤波的结果；
图22为图20采用Tebini模型滤波的结果；
图23为图20采用本发明滤波的结果；
图24为Mandrill图像添加了方差为30的高斯噪声图像；
图25为图24采用P-M模型滤波的结果；
图26为图24采用Tebini模型滤波的结果；
图27为图24采用本发明滤波的结果。
具体实施方式
下面将结合说明书附图及具体实施例对本发明所述的基于边缘增强算子和 双曲正切函数的快速各向异性扩散的噪声处理模型作进一步地详细描述。流程图 如图1所示，包括如下步骤：
1)输入如图2和图3所示的NUIST图像和Mandrill图像，对两张测试图像 分别添加噪声方差为20和30的高斯噪声。使用高斯滤波器对两张噪声图像进行 预处理，去除较大噪声。预处理公式如下：
Iσ(x,y)＝Gσ*I(x,y)
其中，Gσ为高斯滤波算子，*为卷积符号，I(x,y)为输入的噪声图像，Iσ(x,y) 为经高斯滤波器处理后的图像，使用的高斯滤波窗口大小为5×5，偏差为1.8。 输出的预处理图像Iσ(x,y)作为第二个步骤的输入图像。
2)建立如图4至图11所示的八方向5×5边缘增强算子模板，将增强算子 模板与步骤1)中预处理后得到的图像Iσ(x,y)进行卷积运算，得到对应的梯度信 息。该过程可以表示如下：
其中d＝1,2,...8，θ1,θ2,...,θ8分别表示0°、45°、90°、135°、180°、225°、 270°、315°这八个方向，表示的是不同方向对应的增强算子模板。图 12至图15为添加了噪声方差10的高斯噪声的House图像，图13至图15分别 PM模型、Tebini模型以及本发明方法计算得到的梯度图像，图16至图18分别 为图13至图15标记方框对应的放大图像。可以看出本发明提出的八方向5×5 边缘增强算子模板检测出的图像边缘更加完整，轮廓清晰且连续性较好。
3)构造了一种基于双曲正切函数的扩散系数模型，该扩散函数具有更快的 收敛速度，扩散系数的计算公式如下：
k为区别边缘和噪声的扩散门限系数，通常在10到50范围内，本发明将k 值设为30；||▽Iθd||为梯度模值。图19是改进扩散系数与经典扩散系数和近期Tebini 提出的扩散系数中||▽I||与g(||▽I||)的关系曲线图。可以看出本发明提出的扩散函数 的收敛速度更快，去噪处理时间更快。
4)将步骤3)计算出的扩散系数代入改进的各向异性扩散方程，得到去噪 后的图像。改进的各向异性滤波公式如下所示：
I0(x,y)为原始图像；I(x,y,t)是图像经过t次迭代后的滤波图像；div(·)和▽(·) 分别表示散度算子和梯度算子；为迭代t次后的梯度模值，用作边缘 检测器，在平坦区其值较小，边缘区的值较大；将上式偏微分方程离散化并将其 应用于图像去噪过程，其离散化的表达式如下：
其中，ηs表示像素s的邻域空间；s为像素的坐标；为当前图像的离散采 样；λ为控制扩散总体强度的常数；|ηs|表示邻域空间的大小。
4)重复上述步骤2)至步骤4)，本发明的迭代次数N设置为10，将第一次 各向异性扩散滤波完成后输出的图像作为第二次扩散滤波过程的输入图像，以此 类推，直到完成10次各向异性滤波过程后，输出的图像即为最后滤波完成的图 像，仿真结果见图23、图27。
在MATLAB环境下对本发明算法进行仿真实验，并和P-M算法以及Tebini 算法进行比较，仿真结果见图20至图27。采用峰值信噪比(PSNR)及结构相 似度(SSIM)作为评价标准，它们的定义如下：
式中，M×N为图像的大小，u(i,j)和u0(i,j)分别为原图像和去噪后的图像在 对应像素点的像素值，L是图像中灰度取值的范围，对8bit的灰度图像而言 L＝255；μu和σu 2分别为图像的均值和方差，是u和u0的协方差，c1和c2是 两个很小的常数，用来防止分母为0。峰值信噪比(PSNR)越大越好，结构相 似度值(SSIM)的取值范围为0～1且越大越好。表1为对三种算法进行仿真后 的数值结果比较。
表1
由表1可以看出，峰值信噪比得到了大幅度的提高，结构相似度也有所提高， 图像去噪的效果得到了明显的提高。
Claims (6)
1.一种基于边缘增强算子的各向异性扩散噪声处理方法，其特征在于，包括以下步骤：
(1)输入含有高斯噪声的待处理图像，使用高斯滤波器对噪声图像进行预处理，去除较大噪声；
(2)建立八方向5×5边缘增强算子模板，将增强算子与步骤(1)中预处理后得到的图像进行卷积运算，得到对应的梯度信息；
(3)构造了一种基于双曲正切函数的扩散系数模型，用来控制扩散程度；
(4)将步骤(3)计算出的扩散函数代入改进的各向异性扩散方程，得到去噪后的图像；
(5)重复上述步骤(2)至步骤(4)N次，完成迭代，并输出滤波后图像。
2.根据权利要求1所述的一种基于边缘增强算子的各向异性扩散噪声处理方法，其特征在于，所述的待处理图像为彩色图像或灰度图像。
3.根据权利要求1所述的一种基于边缘增强算子的各向异性扩散噪声处理方法，其特征在于，步骤(1)所述图像预处理通过以下公式实现：
Iσ(x,y)＝Gσ*I(x,y)
其中，Gσ为高斯滤波算子，*为卷积符号，I(x,y)为输入的噪声图像，Iσ(x,y)为经高斯滤波器处理后的图像。
4.根据权利要求1所述的一种基于边缘增强算子的各向异性扩散噪声处理方法，其特征在于，所述步骤(2)实现过程如下：
其中d＝1,2,...8，θ1,θ2,...,θ8分别表示0°、45°、90°、135°、180°、225°、270°、315°这八个方向，表示的是不同方向对应的增强算子模板。
5.根据权利要求1所述的一种基于边缘增强算子的各向异性扩散噪声处理方法，其特征在于，步骤(3)所述的扩散系数模型的计算公式如下：
其中，k为区别边缘和噪声的扩散门限系数，为梯度模值。
6.根据权利要求1所述的一种基于边缘增强算子的各向异性扩散噪声处理方法，其特征在于，所述步骤(4)的实现过程如下：
改进的各向异性扩散方程如下所示：
I0(x,y)为原始图像，I(x,y,t)是图像经过t次迭代后的滤波图像，div(·)和分别表示散度算子和梯度算子，为迭代t次后的梯度模值，用作边缘检测器，在平坦区其值较小，边缘区的值较大；将上式偏微分方程离散化并将其应用于图像去噪过程，其离散化的表达式如下：
其中，ηs表示像素s的邻域空间；s为像素的坐标；为当前图像的离散采样；λ为控制扩散总体强度的常数；|ηs|表示邻域空间的大小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910706880.7A CN110458773B (zh) | 2019-08-01 | 2019-08-01 | 一种基于边缘增强算子的各向异性扩散噪声处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910706880.7A CN110458773B (zh) | 2019-08-01 | 2019-08-01 | 一种基于边缘增强算子的各向异性扩散噪声处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110458773A true CN110458773A (zh) | 2019-11-15 |
| CN110458773B CN110458773B (zh) | 2023-04-21 |
Family
ID=68484492
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910706880.7A Active CN110458773B (zh) | 2019-08-01 | 2019-08-01 | 一种基于边缘增强算子的各向异性扩散噪声处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110458773B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112598603A (zh) * | 2021-02-01 | 2021-04-02 | 福建医科大学附属口腔医院 | 一种基于卷积神经网络的口腔龋病图像智能识别方法 |
| CN112927151A (zh) * | 2021-02-25 | 2021-06-08 | 西安理工大学 | 一种基于边缘增强和卷积神经网络的图像去噪方法 |
| WO2023115792A1 (zh) * | 2021-12-22 | 2023-06-29 | 五邑大学 | 图像去噪方法、系统以及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070110294A1 (en) * | 2005-11-17 | 2007-05-17 | Michiel Schaap | Image enhancement using anisotropic noise filtering |
| CN101719268A (zh) * | 2009-12-04 | 2010-06-02 | 西安电子科技大学 | 基于改进Directionlet域的广义高斯模型图像去噪方法 |
| CN101887576A (zh) * | 2010-06-04 | 2010-11-17 | 西安电子科技大学 | 基于偏微分方程滤波器的图像去噪方法 |
| CN104715457A (zh) * | 2015-03-19 | 2015-06-17 | 天津大学 | 基于边缘保护的快速加权各向异性扩散滤波方法 |
| CN105844596A (zh) * | 2016-03-22 | 2016-08-10 | 天津大学 | 基于局部统计特征的自适应梯度阈值各向异性滤波方法 |
-
2019
- 2019-08-01 CN CN201910706880.7A patent/CN110458773B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070110294A1 (en) * | 2005-11-17 | 2007-05-17 | Michiel Schaap | Image enhancement using anisotropic noise filtering |
| CN101719268A (zh) * | 2009-12-04 | 2010-06-02 | 西安电子科技大学 | 基于改进Directionlet域的广义高斯模型图像去噪方法 |
| CN101887576A (zh) * | 2010-06-04 | 2010-11-17 | 西安电子科技大学 | 基于偏微分方程滤波器的图像去噪方法 |
| CN104715457A (zh) * | 2015-03-19 | 2015-06-17 | 天津大学 | 基于边缘保护的快速加权各向异性扩散滤波方法 |
| CN105844596A (zh) * | 2016-03-22 | 2016-08-10 | 天津大学 | 基于局部统计特征的自适应梯度阈值各向异性滤波方法 |
Non-Patent Citations (1)
| Title |
|---|
| 许贤泽等: "改进的各向异性扩散方程的超声图像滤波方法", 《光学精密工程》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112598603A (zh) * | 2021-02-01 | 2021-04-02 | 福建医科大学附属口腔医院 | 一种基于卷积神经网络的口腔龋病图像智能识别方法 |
| CN112927151A (zh) * | 2021-02-25 | 2021-06-08 | 西安理工大学 | 一种基于边缘增强和卷积神经网络的图像去噪方法 |
| CN112927151B (zh) * | 2021-02-25 | 2023-09-05 | 西安理工大学 | 一种基于边缘增强和卷积神经网络的图像去噪方法 |
| WO2023115792A1 (zh) * | 2021-12-22 | 2023-06-29 | 五邑大学 | 图像去噪方法、系统以及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110458773B (zh) | 2023-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108154519B (zh) | 眼底图像中血管的分割方法、装置及存储介质 | |
| CN102592268B (zh) | 一种分割前景图像的方法 | |
| CN110458773A (zh) | 一种基于边缘增强算子的各向异性扩散噪声处理方法 | |
| CN104732536A (zh) | 一种基于改进形态学的亚像素边缘检测方法 | |
| CN101599174A (zh) | 基于边缘和统计特征的水平集医学超声图像区域轮廓提取方法 | |
| CN106548176B (zh) | 基于自适应引导滤波的指静脉图像增强方法 | |
| CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
| Jiang et al. | Mathematical-morphology-based edge detectors for detection of thin edges in low-contrast regions | |
| CN107085840B (zh) | 基于分数阶偏微分方程的图像去噪方法 | |
| CN104331683B (zh) | 一种具有噪声鲁棒性的人脸表情识别方法 | |
| CN106127193B (zh) | 一种人脸图像识别方法 | |
| Anand et al. | An edge vector and edge map based boundary detection in medical images | |
| Huang et al. | Variational level set method for image segmentation with simplex constraint of landmarks | |
| Chen et al. | A new watershed algorithm for cellular image segmentation based on mathematical morphology | |
| CN111951283A (zh) | 一种基于深度学习的医学图像识别方法及系统 | |
| CN108242060A (zh) | 一种基于Sobel算子的图像边缘检测方法 | |
| CN110047085A (zh) | 一种针对肺ct图像阈值分割结果的肺膜粘连结节区域精确修复方法 | |
| CN108876711B (zh) | 一种基于图像特征点的草图生成方法、服务器及系统 | |
| CN102270297B (zh) | 一种指纹图像增强方法 | |
| CN104200194A (zh) | 一种人脸识别方法 | |
| CN110176021B (zh) | 结合亮度校正的显著性信息的水平集图像分割方法及系统 | |
| CN111639555A (zh) | 一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置 | |
| Barbu | Automatic edge detection solution using anisotropic diffusion-based multi-scale image analysis and fine-to-coarse tracking | |
| CN113706563B (zh) | 一种自动初始化Snake模型的X光胸片肺野分割方法 | |
| Wang et al. | Color edge detection using the normalization anisotropic Gaussian kernel and multichannel fusion |
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 |