CN110660051A - 一种基于导航金字塔的张量投票处理方法 - Google Patents
一种基于导航金字塔的张量投票处理方法 Download PDFInfo
- Publication number
- CN110660051A CN110660051A CN201910894467.8A CN201910894467A CN110660051A CN 110660051 A CN110660051 A CN 110660051A CN 201910894467 A CN201910894467 A CN 201910894467A CN 110660051 A CN110660051 A CN 110660051A
- Authority
- CN
- China
- Prior art keywords
- tensor
- voting
- image
- pyramid
- navigation
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
一种基于导航金字塔的张量投票处理方法包括以下步骤:首先,获取地震属性切片像,将其转换为灰度图像后进行导航金字塔处理,增强裂缝特征;然后将导航金字塔处理后的图像进行张量编码,也就是将数据以一个二阶对称非负的实数矩阵表示;将编码后的图像进行张量投票,其投票包括稀疏投票和稠密投票,实现裂缝等相关特征的检测;投票完成后进行张量分解,得到裂缝及溶洞边界特征图,同时在此基础上进一步投票,通过张量分析得到交叉点特征图,最终将裂缝及溶洞边界特征图和交叉点特征图叠置可视化。本发明主要特点是有效抑制噪声,增强裂缝的线性特征,提高检测的准确性,多尺度、多方向的刻画缝洞,突出裂缝之间和缝洞之间的交点。
Description
技术领域
本发明属于地球物理勘探技术领域,涉及一种基于导航金字塔的张量投票处理方法,有效进行裂缝及溶洞边界特征提取。
背景技术
随着数学、物理学、计算机技术等学科的飞速发展,物探方法以及设备仪器也有了新的发展基础,特别是数字图像处理技术在工程物探中的应用范围逐步扩大,应用在裂缝识别提取的方法也层出不穷。
目前对裂缝识别提取的方法有阈值分割法、边缘检测方法等。阈值分割法一般只适用于背景灰度一致、光照均匀和对比度较高的图像处理,而一幅地震属性切片图像中的边缘具有复杂且类型各异的特点,这些边缘所包含的信息是未知的且很多由噪声产生,难以精细刻画裂缝及溶洞边界。近年来,基于边缘检测的裂缝识别方法不断改进,解决了该方法对噪声过于敏感的缺点,为消除伪边缘并且能够准确清晰的识别裂缝,再此基础上也引用了数学形态学处理以及分形理论,此方法在近年来越来越趋向成熟,对裂缝检测具有重要的借鉴价值,但对于展现了裂缝的空间展布形态千变万化的地下复杂构造的地震属性切片图像来说,该方法对边缘特征的增强效果十分有限,特别是断裂两侧出现模糊现象时,无法识别边界内部梯度变化不大的裂缝,边界精准度达不到要求。
上述单项技术都无法多尺度多方向对裂缝溶洞进行精细刻画,在实际生产中,如何利用地震属性切片数据准确的识别提取地下各尺度裂缝的空间展布以及缝洞之间的连通性可视化,并是地震储层描述综合研究亟待解决的问题。
发明内容
为解决上述问题,本发明的目的在于提供一种基于导航金字塔的张量投票处理方法,该方法能够利用叠后地震属性数据增强边界特征,多尺度多方向刻画裂缝,有效提取裂缝及溶洞边界特征。
为达到以上技术目的,本发明提供以下技术方案。
通过导航金字塔将地震图像进行多尺度多方向分解重构后进行张量投票,可同时处理多种结构特征,有效去除噪声,将视觉认知以计算机可视化展现出来,精细刻画断裂,该方法依次包括以下步骤:
(1)获取地震属性切片数据,其转换为灰度图像;
(2)对灰度图像进行导航金字塔处理,增强边界特征;
(3)将导航金字塔处理后的图像中每个像素点编码为张量T,即将数据以一个二阶对称非负的实数矩阵表示。
(4)张量投票。选择合适的投票域,将编码后的图像进行稀疏张量投票,将稀疏投票后的结果作为输入进行稠密投票。
(5)投票完成后进行叠加分析,计算特征显著性。
(6)步骤(5)中计算的λ1-λ2的值对应到图像中作为每个像素点值形成裂缝及边界概率图,在此基础上取裂缝及边界的极大值点,重复步骤(4)和步骤(5),得到λ2的值对应到图像中作为像素点值形成交点概率图。
(7)将裂缝及溶洞边界特征图和交叉点特征图叠置可视化。
所述步骤(1)中,需要将地震属性切片数据导出为RGB图像,然后根据公式(1)将RGB图像转换为灰度图像。
Gray=0.29900*R+0.58700*G+0.11400*B (1)
所述步骤(2)中的导航金字塔处理主要包括三个步骤:首先是利用极坐标滤波器进行多尺度分解,极坐标滤波器公式如下:
其次是使用方向可控滤波器进行多方向分解,方向可控滤波器具有任意旋转功能,它在每一层都可产生多个方向可控的子带集合,任何一个方向都可使用若干个基滤波器的线性组合而成,它对应的滤波基在频域上相互之间有一定重叠的滤波器。
最后寻找最优方向进行插值重构,为得到精确的插值函数,在进行插值重构时需要准确知道所需基滤波器的数量,才能得到每个基滤波器的权重。
所述步骤(3)中,是将导航金字塔处理后的图像数据编码为张量T,当图像数据不包含方向信息时,像素编码为球张量Ixy表示该位置像素值,其特征值λ1=λ2=1;当图像数据包含方向信息时,像素编码为棒张量其特征值分别为λ1=1,λ2=0。编码后的图像为张量图I。
所述步骤(4)中的张量投票过程如下:
投票之前先确定基本投票域,假设在二维笛卡尔坐标系中,投票者在原点O处,接受者位于点P处,投票点O处的张量主方向为Y轴方向。为获得在点P处投票的方向,过点O和P,作与X轴相切的圆,该密切圆在投票点O的径向向量CO平行于投票张量的主方向,由于通过密切圆的传播路线能很好地保持了曲率,则在接受点P的径向向量CP应平行于O向P所投选票的张量的主方向,这是因为通过密切圆的传播路径保持了曲率。
其棒形投票域衰减函数为
其球型投票域衰减函数为
其中,s为OP的弧长,k为弧线的曲率,σ为投票尺度,C控制衰减程度,是投票尺度σ的函数,
棒张量投票公式如下:
球张量投票公式如下:
所述步骤(5)中的叠加分析,是将步骤(4)中各位置接收到的张量选票结果进行叠加,如下式
TP=T0+∑Vstick(p)+∑Vball(p) (8)
将投票后的张量分解棒张量成分和球张量成分,即
若λ1-λ2越大,则表示该点位于曲线上的可能性越大,将其对应到图像中作为每个像素点的值,则得到一幅表征裂缝出现在某个位置可能性的概率图。
所述步骤(6)中,取步骤(5)中所得的概率图的局部极大值点,将其作为输入,重复步骤(4)和步骤(5),得到球张量分量的显著性图,即交点图。
所述步骤(7)中,裂缝及溶洞边界特征图和交叉点特征图叠置实现可视化。
附图说明
图1为本发明的一种基于导航金字塔的张量投票处理方法的流程框图;
图2为本发明的导航金字塔分解重构步骤图;
图3为本发明的张量投票过程示意图;
图4为本发明的张量投票方法的测试效果示意图
具体实施方式
下面结合附图和实施例,对本发明的实施方式作进一步详细描述。
如图1所示,本发明提供了一种基于导航金字塔的张量投票处理方法,包括以下步骤:
(1)获取地震属性切片数据,其转换为灰度图像;
(2)对灰度图像进行导航金字塔处理,增强边界特征;
(3)将导航金字塔处理后的图像中每个像素点编码为张量T,即将数据以一个二阶对称非负的实数矩阵表示。
(4)张量投票。选择合适的投票域,将编码后的图像进行稀疏张量投票,将稀疏投票后的结果作为输入进行稠密投票。
(5)投票完成后进行叠加分析,计算特征显著性。
(6)步骤(5)中计算的λ1-λ2的值对应到图像中作为每个像素点值形成裂缝及边界概率图,在此基础上取裂缝及边界的极大值点,重复步骤(4)和步骤(5),得到λ2的值对应到图像中作为像素点值形成交点概率图。
(7)将裂缝及溶洞边界特征图和交叉点特征图叠置可视化。
上述步骤详细说明如下:
(1)获取数据进行预处理
使用iloop地震&油藏综合分析系统软件获取均方根属性切片并导出为RGB图像,利用公式(1)将其转换为灰度图像。
Gray=0.29900*R+0.58700*G+0.11400*B (1)
(2)导航金字塔处理
如图2所示,将处理后的灰度图像进行多尺度多方向分解,寻找最优方向进行重构,增强边界特征,其中分层的级数和方向的数量由用户自行设置。
首先将灰度图像降采样处理且在频率域内通过递归调用极坐标滤波器进行多尺度分解,金字塔的每一次分层都是首先使用极坐标滤波器,用相减的方式实现带通滤波。其中坐标滤波器公式如下:
其次将每一层都进行多方向分解,可利用二维高斯公式,如下:
Gθ=G0°cosθ+G90°sinθ (4)
其中,
θ是方向可调滤波器的方向输入;
(3)张量编码
由于单个像素点在图像中没有方向信息,因此图像I每个像素点利用公式(5)来表示,
其中,Ixy表示在(x,y)位置上的像素值。
(4)张量投票
二阶张量T是一个二阶对称矩阵,如公式(5),根据数学方法求取矩阵特征值和特征向量的方法将张量T表示为以下形式:
张量投票的过程又分为两步:1)稀疏投票,是将初始编码的张量作为输入进行张量投票,投票后的张量含有方向信息;2)稠密投票,是将稀疏投票后的张量作为输入,向所有位置进行投票,投票后的张量含有特征显著性信息。
如图3所示,在二维笛卡尔坐标系中,投票者在原点O处,接受者位于点P处,投票点O处的张量主方向为Y轴方向,则O对P的投票大小需满足衰减函数DF,稀疏投票时使用公式(8),稠密投票时使用公式(7)
其中,
进一步,按照如下投票公式进行投票,棒张量投票公式如下:
球张量投票公式如下:
(5)投票结果叠加,分析特征显著性
将上述步骤中各位置接收到的张量选票结果根据公式(12)进行叠加,
TP=T0+∑Vstick(p)+∑Vball(p) (12)
进一步,将叠加后所得张量按照公式(6)分解为棒张量成分和球张量成分,根据λ2的值和λ1-λ2的值分析裂缝及边界特征,去除噪音点,并将其可视化,可得到裂缝及边界特征图。
我们将截取的二维地震属性图二值化后作为原始图像进行张量投票测试,测试结果如图4所示。
(6)交点特征图的实现
将上一步所得的特征图进行局部极大值提取,可得到细化的裂缝及边界特征图,再此基础上,重复步骤(4)和步骤(5),根据λ2的值分析交叉点,并将其可视化度,可得到裂缝之间的交叉点以及裂缝与溶洞之间的交叉点特征图。
(7)叠置可视化
利用matlab将裂缝及溶洞边界特征图和交叉点特征图叠置实现可视化,在多尺度多方向精细刻画缝洞的同时,更加能突出裂缝之间以及裂缝与溶洞之间的交点。
Claims (7)
1.一种基于导航金字塔的张量投票处理方法,其特征在于,包括以下步骤:
(1)获取地震属性切片数据,其转换为灰度图像;
(2)对灰度图像进行导航金字塔处理,增强边界特征;
(3)将导航金字塔处理后的图像中每个像素点编码为张量T,即将数据以一个二阶对称非负的实数矩阵表示;
(4)张量投票,选择合适的投票域,将编码后的图像进行稀疏张量投票,将稀疏投票后的结果作为输入进行稠密投票;
(5)投票完成后进行叠加分析,计算特征显著性;
(6)步骤(5)中计算的λ1-λ2的值对应到图像中作为每个像素点值形成裂缝及边界概率图,在此基础上取裂缝及边界的极大值点,重复步骤(4)和步骤(5),得到λ2的值对应到图像中作为像素点值形成交点概率图;
(7)将裂缝及溶洞边界特征图和交叉点特征图叠置可视化。
2.如权利要求1所述的一种基于导航金字塔的张量投票处理方法,其特征在于,所述步骤(1)中,地震属性切片数据通过iloop软件获取并导出为RGB图像,并按照下式将图像转换为灰度图像Gray=0.29900*R+0.58700*G+0.11400*B。
3.如权利要求1所述的一种基于导航金字塔的张量投票处理方法,其特征在于,所述步骤(2)中,导航金字塔处理包括多尺度、多方向分解和图像重构,需要对分解的级数和方向的数量进行设置,多尺度分解是将图像降采样且在频率域内根据下式进行:
Gθ=G0°cosθ+G90°sinθ
其中,θ是方向可调滤波器的方向输入,G0°为方向为0°方向的基滤波器,G90°为方向为90°方向的基滤波器;
最后寻找最优方向进行插值重构,为得到精确的插值函数,在进行插值重构时需要准确知道所需基滤波器的数量,才能得到每个基滤波器的权重。
5.如权利要求1所述的一种基于导航金字塔的张量投票处理方法,其特征在于,步骤(4)中,首先将初始编码的张量作为输入并选择球形投票域进行稀疏投票,获取初始的张量方向,再以稀疏投票的结果作为输入并选择棒形投票域对所有位置进行稠密投票。
7.如权利要求1所述的一种基于导航金字塔的张量投票处理方法,其特征在于,步骤(6)中,交点显著性图的实现方法是取投票后的裂缝显著性图的局部极大值点,将其作为输入重复步骤(4)和步骤(5)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910894467.8A CN110660051B (zh) | 2019-09-20 | 2019-09-20 | 一种基于导航金字塔的张量投票处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910894467.8A CN110660051B (zh) | 2019-09-20 | 2019-09-20 | 一种基于导航金字塔的张量投票处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110660051A true CN110660051A (zh) | 2020-01-07 |
CN110660051B CN110660051B (zh) | 2022-03-15 |
Family
ID=69038258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910894467.8A Active CN110660051B (zh) | 2019-09-20 | 2019-09-20 | 一种基于导航金字塔的张量投票处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110660051B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070696A (zh) * | 2020-09-07 | 2020-12-11 | 上海大学 | 一种基于纹理与结构分离的图像修复方法及系统、终端 |
CN113219527A (zh) * | 2021-04-01 | 2021-08-06 | 中国石油化工股份有限公司 | 一种基于导航金字塔分解的油气储层反演方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006332785A (ja) * | 2005-05-23 | 2006-12-07 | Univ Of Tokyo | 画像補完装置及び画像補完方法並びにプログラム |
US20110029291A1 (en) * | 2009-07-31 | 2011-02-03 | Xiaowei Weng | Method for fracture surface extraction from microseismic events cloud |
CN102945548A (zh) * | 2012-11-20 | 2013-02-27 | 成都晶石石油科技有限公司 | 一种基于方向金字塔滤波的图像处理方法及装置 |
US20130090857A1 (en) * | 2011-10-06 | 2013-04-11 | Matthias Imhof | Tensor-Based Method For Representation, Analysis, and Reconstruction of Seismic Data |
US20140355835A1 (en) * | 2013-05-28 | 2014-12-04 | Xerox Corporation | System and method for ocr output verification |
CN104599280A (zh) * | 2015-02-02 | 2015-05-06 | 武汉大学 | 一种道路裂缝交叉点提取方法及系统 |
CN104656130A (zh) * | 2013-11-19 | 2015-05-27 | 中国石油天然气股份有限公司 | 一种基于克里金方法的平面地震勘探信号分解方法 |
WO2015199727A1 (en) * | 2014-06-27 | 2015-12-30 | Hewlett-Packard Development Company, L.P. | Finding faults in geological data |
CN106296586A (zh) * | 2016-08-18 | 2017-01-04 | 电子科技大学 | 基于凸组合方式的多帧低分辨率图像超分辨率重建方法 |
CN109886939A (zh) * | 2019-01-30 | 2019-06-14 | 西安电子科技大学 | 基于张量投票的桥梁裂缝检测方法 |
CN110045418A (zh) * | 2019-04-30 | 2019-07-23 | 中国海洋石油集团有限公司 | 一种点坝侧积体三维地震识别方法 |
-
2019
- 2019-09-20 CN CN201910894467.8A patent/CN110660051B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006332785A (ja) * | 2005-05-23 | 2006-12-07 | Univ Of Tokyo | 画像補完装置及び画像補完方法並びにプログラム |
US20110029291A1 (en) * | 2009-07-31 | 2011-02-03 | Xiaowei Weng | Method for fracture surface extraction from microseismic events cloud |
US20130090857A1 (en) * | 2011-10-06 | 2013-04-11 | Matthias Imhof | Tensor-Based Method For Representation, Analysis, and Reconstruction of Seismic Data |
CN102945548A (zh) * | 2012-11-20 | 2013-02-27 | 成都晶石石油科技有限公司 | 一种基于方向金字塔滤波的图像处理方法及装置 |
US20140355835A1 (en) * | 2013-05-28 | 2014-12-04 | Xerox Corporation | System and method for ocr output verification |
CN104656130A (zh) * | 2013-11-19 | 2015-05-27 | 中国石油天然气股份有限公司 | 一种基于克里金方法的平面地震勘探信号分解方法 |
WO2015199727A1 (en) * | 2014-06-27 | 2015-12-30 | Hewlett-Packard Development Company, L.P. | Finding faults in geological data |
CN104599280A (zh) * | 2015-02-02 | 2015-05-06 | 武汉大学 | 一种道路裂缝交叉点提取方法及系统 |
CN106296586A (zh) * | 2016-08-18 | 2017-01-04 | 电子科技大学 | 基于凸组合方式的多帧低分辨率图像超分辨率重建方法 |
CN109886939A (zh) * | 2019-01-30 | 2019-06-14 | 西安电子科技大学 | 基于张量投票的桥梁裂缝检测方法 |
CN110045418A (zh) * | 2019-04-30 | 2019-07-23 | 中国海洋石油集团有限公司 | 一种点坝侧积体三维地震识别方法 |
Non-Patent Citations (6)
Title |
---|
RODRIGO MORENO 等: "On Improving the Efficiency of Tensor Voting", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
XINMING WU 等: "Methods to enhance seismic faults and construct fault surfaces", 《ELSEVIER: COMPUTERS & GEOSCIENCES》 * |
安妮: "地层野外露头区裂缝图像自动识别技术研究", 《中国优秀硕士学位论文全文数据库 基础科学篇》 * |
秦菁: "张量投票算法及其应用", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
邵媛媛 等: "基于微地震事件点的SRV拟合方法比较研究", 《西南石油大学学报(自然科学版)》 * |
陈文景: "三维地震数据体中的断层曲面自动提取方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070696A (zh) * | 2020-09-07 | 2020-12-11 | 上海大学 | 一种基于纹理与结构分离的图像修复方法及系统、终端 |
CN113219527A (zh) * | 2021-04-01 | 2021-08-06 | 中国石油化工股份有限公司 | 一种基于导航金字塔分解的油气储层反演方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110660051B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lai et al. | Reconstructing granular particles from X-ray computed tomography using the TWS machine learning tool and the level set method | |
CN103208001B (zh) | 结合形状自适应邻域和纹理特征提取的遥感图像处理方法 | |
CN108710830A (zh) | 一种结合密集连接注意力金字塔残差网络和等距限制的人体3d姿势估计方法 | |
CN109961087B (zh) | 基于空间数据集分析的异常遥感信息提取方法及装置 | |
CN108710777B (zh) | 基于多卷积自编码神经网络的多元化探异常识别方法 | |
CN107944353B (zh) | 基于轮廓波bspp网络的sar图像变化检测方法 | |
Panagiotakis et al. | Curvilinear structure enhancement and detection in geophysical images | |
Luo | Pattern recognition and image processing | |
CN110660051B (zh) | 一种基于导航金字塔的张量投票处理方法 | |
CN113536963B (zh) | 基于轻量化yolo网络的sar图像飞机目标检测方法 | |
CN109961446A (zh) | Ct/mr三维图像分割处理方法、装置、设备及介质 | |
CN106897999A (zh) | 基于尺度不变特征变换的苹果图像融合方法 | |
Xiaoheng et al. | Edge detection operator for underwater target image | |
CN109145881B (zh) | 一种遥感图像膏盐信息提取方法及装置 | |
CN106971392B (zh) | 一种结合dt-cwt和mrf的遥感图像变化检测方法与装置 | |
CN109471164A (zh) | 基于Ho-RPCA的地震断层增强方法 | |
Han et al. | Algorithm for Intelligent Recognition Low-Grade Seismic Faults Using Codec Target Edges | |
Eichler | C-Axis analysis of the NEEM ice core–An approach based on digital image processing | |
Schug et al. | Three-dimensional shearlet edge analysis | |
WO2014106747A1 (en) | Methods and apparatus for image processing | |
CN106056551A (zh) | 基于局部相似样例学习的稀疏去噪方法 | |
Silván-Cárdenas et al. | Extraction of buildings footprint from lidar altimetry data with the hermite transform | |
CN108460393B (zh) | 基于多分辨率Trace变换的图像不变特征提取方法 | |
US20240177465A1 (en) | Geological target identification method and apparatus based on image information fusion | |
Li et al. | An Image-Pyramid-Based Raster-to-Vector Conversion (IPBRTVC) Framework for Consecutive-Scale Cartography and Synchronized Generalization of Classic Objects |
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 |