CN111539900A - 一种基于引导滤波的ihs遥感图像融合方法 - Google Patents
一种基于引导滤波的ihs遥感图像融合方法 Download PDFInfo
- Publication number
- CN111539900A CN111539900A CN202010331150.6A CN202010331150A CN111539900A CN 111539900 A CN111539900 A CN 111539900A CN 202010331150 A CN202010331150 A CN 202010331150A CN 111539900 A CN111539900 A CN 111539900A
- Authority
- CN
- China
- Prior art keywords
- image
- filtering
- detail
- multispectral
- information
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 35
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000003595 spectral effect Effects 0.000 claims abstract description 25
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 239000000126 substance Substances 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 22
- 238000012545 processing Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004949 mass spectrometry Methods 0.000 description 12
- 238000001228 spectrum Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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
- G06T2207/10—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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于引导滤波的IHS遥感图像融合方法。首先,采用引导滤波对多光谱图像进行处理,得到边缘信息更加丰富的多光谱图像,利用高通滤波对多光谱图像和全色图像进行滤波,得到其各自的高频细节分量;然后,利用自适应AIHS方法求解自适应系数,得到细节分量图;最后,为了得到更丰富的光谱信息,利用引导滤波对图像进行处理,提取差异信息,得到其中的光谱信息,并注入到细节分量图中,得到融合图像。本发明在融合图像空间细节的同时能够很好地保持光谱信息,减少光谱扭曲,具有更为理想的融合效果。
Description
技术领域
本发明属遥感图像融合领域,具体涉及一种基于引导滤波的IHS遥感图像融合方法。
背景技术
遥感技术的主要目的是通过获取图像的光谱、空间和时间信息提取地表结构信息。 随着遥感技术的发展应用,多源遥感影像融合得到了广泛的关注和研究。多源遥感影像融合是对信息冗余或互补的多源遥感影像进行处理,获得信息更精确、更丰富的融 合影像的规则或算法。融合后的影像有助于影像可视化、地物分类识别等后续处理。 分辨率是对输出图像细节信息能力的一种度量,也体现了图像的应用价值。由于影像 信噪比、数据的传输等影响,使得遥感影像在空间分辨率和光谱分辨率方面相互制约, 不可兼得。
全色图像是具有较高的空间分辨率的单波段图像,而多光谱影像是具有较高的光谱分辨率的多波段图像,相比之下多光谱影像的空间分辨率较低。现在更多的遥感应 用需要同时具备更高光谱分辨率和空间分辨率的影像,图像融合技术正是解决问题的 关键途径,即要求融合算法在提高图像空间细节信息的同时,还要保持图像原有的光 谱信息。常见的传统的融合算法有主成分变换法(Principal Component Analysis)、IHS 变换法、高通滤波法(High-pass filter)及比值变换法(Brovey)等,它们在融合效果 上有较大差异,在空间细节信息和光谱保真度方面只能满足某一特定方面的需求。而 基于这些算法的改进算法,能够取得更好的效果,但是改进算法在一定程度上都存在 着光谱扭曲问题。
因此,如何在保证融合图像空间细节的同时兼顾到光谱信息的保持,使两者更好地在融合结果中体现,是遥感图像融合中的重要问题。
发明内容
为了克服现有技术的不足,本发明提供一种基于引导滤波的IHS遥感图像融合方法。首先,采用引导滤波对多光谱图像进行处理,得到边缘信息更加丰富的多光谱图 像,利用高通滤波对多光谱图像和全色图像进行滤波操作,得到其各自的高频细节分 量;然后,利用自适应AIHS方法求解自适应系数,得到细节分量图;最后,为了得到 更丰富的光谱信息,利用引导滤波对图像进行处理,提取差异信息,得到其中的光谱 信息,并注入到细节分量图中,得到融合图像。
一种基于引导滤波的IHS遥感图像融合方法,其特征在于步骤如下:
步骤1:利用引导滤波器对多光谱图像进行引导滤波,得到滤波后的图像MSnew;
步骤2:对多光谱滤波后的图像MSnew进行高通滤波,得到其高频细节分量MSH; 对全色图像进行高通滤波,得到其高频细节分量PANH;
步骤3:采用AIHS方法求解下式得到自适应系数αi:
其中,MSHi表示高频细节分量MSH的第i个波段图像,n为多光谱图像的波段数;
按照下式计算得到强度分量IH:
按照下式计算得到细节分量D1:
D1=PANH-IH (3)
步骤4:利用引导滤波器对高频细节分量MSH进行引导滤波,得到光谱信息再按照计算得到差异信息re;然后,将差异信息的每一个波段图像rei分 别与细节分量D1相加,得到细节分量D2,即D2i=rei+D1,其中,rei为差异信息re的第i个波段图像,D2i为细节分量D2的第i波段图像,i=1,2,...,n;
按照下式计算得到融合图像HMS:
其中,HMSi表示融合图像HMS的第i波段图像,i=1,2,...,n,MSnewi表示滤波后的多光谱图像MSnew的第i个波段图像。
进一步地,步骤2中所述的高通滤波采用理想高通滤波器、butter worth高通滤波或 器高斯高通滤波器,高通滤波器的截至频率取值范围为(0,1)。
本发明的有益效果是:由于利用引导滤波进行了原始多光谱图像进行了处理,使得能够更好地保持图像的边缘细节信息;由于采用自适应AIHS算法,能够在保持图 像空间分辨率的同时更好地保持图像的光谱信息,减少光谱扭曲。本发明在保证融合 图像空间细节的同时兼顾到光谱信息的保持,使两者更好地在融合结果中体现,能够 更好地解决融合过程中的光谱扭曲问题,具有更为理想的融合效果。
附图说明
图1是本发明的基于引导滤波的IHS遥感图像融合方法流程图;
图2是采用不同方法对场景一下的Spot-6卫星图像进行融合的结果图像;
其中,(a)-原始多光谱第1波段图像;(b)-原始全色图像;(c)-IHS方法融合后图像; (d)-PCA方法融合后图像;(e)-Brovey方法融合后图像;(f)-HPF方法融合后图像;(g)-本发明方法融合后图像;
图3是采用不同方法对场景二下的Spot-6卫星图像进行融合的结果图像;
其中,(a)-原始多光谱第1波段图像;(b)-原始全色图像;(c)-IHS方法融合后图像; (d)-PCA方法融合后图像;(e)-Brovey方法融合后图像;(f)-HPF方法融合后图像;(g)-本发明方法融合后图像。
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
如图1所示,本发明提供了一种基于引导滤波的IHS遥感图像融合方法,其具体实现过程如下:
1、对原图像进行分解,得到初始的细节图。本发明采用引导滤波,引导滤波器包括两个部分,输入图像和引导图像,当引导图像为图像本身时,它可以作为一个边缘 保持滤波器。因此,对多光谱图像MS进行引导滤波处理,得到滤波后的图像MSnew:
MSnew(:,:,i)=GF(MS(:,:,i),MS(:,:,i),r,eps) (6)
其中,MSnew(:,:,i)表示滤波后的第i个波段的多光谱图像,GF表示引导滤波, MS(:,:,i)表示原始多光谱图像的第i个波段图像,i=1,2,…,n,n为多光谱图像的波段数, r表示引导滤波器的半径,可取值范围为2、4、8,eps表示正则化因子,通常可设定取 值范围为0.12、0.22、0.42。
2、利用高通滤波(HPF)将滤波后的多光谱图像MSnew和全色图像PAN分解成高 频细节分量(HFC)和低频细节分量(LFC):
其中,MSH表示滤波后多光谱图像MSnew的高频细节分量,PANH表示原始全色 图像PAN的高频细节分量,HPF表示高通滤波操作,type表示高通滤波器类型,其 中,type=1为理想高通滤波器,type=2为butter worth高通滤波器,type=3为高通滤波 器。D0用来确认截至频率,取值范围为(0,1),m用于确定butter worth高通滤波器 的阶数。本实施例采用高斯高通滤波器。
图像MSnew和PAN的低频细节分量MSL、PANL可以通过下列等式得到:
3、多光谱图像的强度分量可以通过公式计算得到,其中,αi是一个 以常数1n为值的组合系数,为解决IHS算法融合产生的光谱扭曲问题,通过调节αi尽可能的使PAN≈I,采用AIHS方法求解下式得到自适应系数αi:
其中,PANH表示高通滤波后的全色图像的高频细节分量;MSHi表示高频细节分 量MSH的第i波段图像;αi为自适应系数,表示对第i个波段的高频细节分量MSH图 像进行加权融合,i=1,2,…,n。
然后,按下式计算得到强度分量用IH:
再按照下式计算得到细节分量图:
D1=PANH-IH (11)
4、与原始的多光谱图像相比,得到的细节分量图D1中包含了更多的空间信息, 但是仍然存在光谱扭曲的问题。为了改善这种情况,利用引导滤波从多光谱图像的高 频细节分量MSH中提取光谱信息,滤波后的图像与原图像不仅存在光谱差异也存在细 节差异,从而得到细节图像。即:
5、利用差异信息来增强细节分量图的光谱信息,将差异信息的每个波段图像rei分别与D1相加,得到的光谱信息增强的细节分量D2:
D2i=rei+D1 (13)
其中,D2i为细节分量D2的第i波段图像,i=1,2,…,n。接下来需要对D2针对不同的通道都进行自适应地细化,因为D2和多光谱图像具有相同的光谱特征,自适应时系数 αi不需要更新。
其中,HMSi表示融合后图像HMS的第i波段图像,i=1,2,...n,MSnewi表示滤波后的多光谱图像的MSnew第i个波段图像。
为验证本发明方法的有效性,采用Spot-6卫星数据集中的图像为测试图像,将本发明方法与IHS、Brovey、PCA、HPF传统融合方法进行比较,图2和图3分别给出了不 同场景下的原始多光谱和全色图像,以及采用不同方法得到的融合图像。可以看出, 本发明的方法得到的融合结果图像的空间细节信息更清晰,纹理信息丢失较少,相较 与IHS算法、PCA算法的结果图像光谱扭曲的问题得到了明确的改善,光谱保真度更高, 光谱信息也更丰富。
Claims (2)
1.一种基于引导滤波的IHS遥感图像融合方法,其特征在于步骤如下:
步骤1:利用引导滤波器对多光谱图像进行引导滤波,得到滤波后的图像MSnew;
步骤2:对多光谱滤波后的图像MSnew进行高通滤波,得到其高频细节分量MSH;对全色图像进行高通滤波,得到其高频细节分量PANH;
步骤3:采用AIHS方法求解下式得到自适应系数αi:
其中,MSHi表示高频细节分量MSH的第i个波段图像,n为多光谱图像的波段数;
按照下式计算得到强度分量IH:
按照下式计算得到细节分量D1:
D1=PANH-IH (3)
步骤4:利用引导滤波器对高频细节分量MSH进行引导滤波,得到光谱信息再按照计算得到差异信息re;然后,将差异信息的每一个波段图像rei分别与细节分量D1相加,得到细节分量D2,即D2i=rei+D1,其中,rei为差异信息re的第i个波段图像,D2i为细节分量D2的第i波段图像,i=1,2,...,n;
按照下式计算得到融合图像HMS:
其中,HMSi表示融合图像HMS的第i波段图像,i=1,2,...,n,MSnewi表示滤波后的多光谱图像MSnew的第i个波段图像。
2.如权利要求1所述的一种基于引导滤波的IHS遥感图像融合方法,其特征在于:步骤2中所述的高通滤波采用理想高通滤波器、butter worth高通滤波或高斯高通滤波器,高通滤波器的截至频率取值范围为(0,1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010331150.6A CN111539900B (zh) | 2020-04-24 | 2020-04-24 | 一种基于引导滤波的ihs遥感图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010331150.6A CN111539900B (zh) | 2020-04-24 | 2020-04-24 | 一种基于引导滤波的ihs遥感图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111539900A true CN111539900A (zh) | 2020-08-14 |
CN111539900B CN111539900B (zh) | 2023-03-24 |
Family
ID=71978796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010331150.6A Active CN111539900B (zh) | 2020-04-24 | 2020-04-24 | 一种基于引导滤波的ihs遥感图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539900B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191325A (zh) * | 2021-05-24 | 2021-07-30 | 中国科学院深圳先进技术研究院 | 一种图像融合方法、系统及其应用 |
CN117058053A (zh) * | 2023-07-18 | 2023-11-14 | 珠江水利委员会珠江水利科学研究院 | 基于均值滤波的ihs空-谱融合方法、系统、设备及介质 |
CN117197625A (zh) * | 2023-08-29 | 2023-12-08 | 珠江水利委员会珠江水利科学研究院 | 基于相关分析的遥感影像空-谱融合方法、系统、设备及介质 |
CN117253125A (zh) * | 2023-10-07 | 2023-12-19 | 珠江水利委员会珠江水利科学研究院 | 一种空-谱互注图像融合方法、系统及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140301659A1 (en) * | 2013-04-07 | 2014-10-09 | Bo Li | Panchromatic Sharpening Method of Spectral Image Based on Fusion of Overall Structural Information and Spatial Detail Information |
CN109886870A (zh) * | 2018-12-29 | 2019-06-14 | 西北大学 | 基于双通道神经网络的遥感图像融合方法 |
CN109993717A (zh) * | 2018-11-14 | 2019-07-09 | 重庆邮电大学 | 一种结合引导滤波和ihs变换的遥感图像融合方法 |
AU2020100179A4 (en) * | 2020-02-04 | 2020-03-19 | Huang, Shuying DR | Optimization Details-Based Injection Model for Remote Sensing Image Fusion |
-
2020
- 2020-04-24 CN CN202010331150.6A patent/CN111539900B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140301659A1 (en) * | 2013-04-07 | 2014-10-09 | Bo Li | Panchromatic Sharpening Method of Spectral Image Based on Fusion of Overall Structural Information and Spatial Detail Information |
CN109993717A (zh) * | 2018-11-14 | 2019-07-09 | 重庆邮电大学 | 一种结合引导滤波和ihs变换的遥感图像融合方法 |
CN109886870A (zh) * | 2018-12-29 | 2019-06-14 | 西北大学 | 基于双通道神经网络的遥感图像融合方法 |
AU2020100179A4 (en) * | 2020-02-04 | 2020-03-19 | Huang, Shuying DR | Optimization Details-Based Injection Model for Remote Sensing Image Fusion |
Non-Patent Citations (2)
Title |
---|
何贵青等: "一种基于特征量积的遥感图像融合方法", 《计算机工程与应用》 * |
李晓玲等: "基于引导滤波和直方图匹配的遥感图像融合", 《电视技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191325A (zh) * | 2021-05-24 | 2021-07-30 | 中国科学院深圳先进技术研究院 | 一种图像融合方法、系统及其应用 |
CN113191325B (zh) * | 2021-05-24 | 2023-12-12 | 中国科学院深圳先进技术研究院 | 一种图像融合方法、系统及其应用 |
CN117058053A (zh) * | 2023-07-18 | 2023-11-14 | 珠江水利委员会珠江水利科学研究院 | 基于均值滤波的ihs空-谱融合方法、系统、设备及介质 |
CN117058053B (zh) * | 2023-07-18 | 2024-04-05 | 珠江水利委员会珠江水利科学研究院 | 基于均值滤波的ihs空-谱融合方法、系统、设备及介质 |
CN117197625A (zh) * | 2023-08-29 | 2023-12-08 | 珠江水利委员会珠江水利科学研究院 | 基于相关分析的遥感影像空-谱融合方法、系统、设备及介质 |
CN117197625B (zh) * | 2023-08-29 | 2024-04-05 | 珠江水利委员会珠江水利科学研究院 | 基于相关分析的遥感影像空-谱融合方法、系统、设备及介质 |
CN117253125A (zh) * | 2023-10-07 | 2023-12-19 | 珠江水利委员会珠江水利科学研究院 | 一种空-谱互注图像融合方法、系统及可读存储介质 |
CN117253125B (zh) * | 2023-10-07 | 2024-03-22 | 珠江水利委员会珠江水利科学研究院 | 一种空-谱互注图像融合方法、系统及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111539900B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539900B (zh) | 一种基于引导滤波的ihs遥感图像融合方法 | |
CN106709875B (zh) | 一种基于联合深度网络的压缩低分辨率图像复原方法 | |
CN110544212B (zh) | 基于层级特征融合的卷积神经网络高光谱图像锐化方法 | |
CN111260580B (zh) | 图像去噪方法、计算机装置及计算机可读存储介质 | |
CN107958450B (zh) | 基于自适应高斯滤波的全色多光谱影像融合方法及系统 | |
CN107169946B (zh) | 基于非负稀疏矩阵与超球面彩色变换的图像融合方法 | |
Wen et al. | An effective network integrating residual learning and channel attention mechanism for thin cloud removal | |
CN106875370B (zh) | 一种全色图像和多光谱图像的融合方法及装置 | |
CN106157240B (zh) | 基于字典学习的遥感图像超分辨率方法 | |
CN114266957A (zh) | 一种基于多降质方式数据增广的高光谱图像超分辨率复原方法 | |
US8498499B2 (en) | Image processing apparatus and method and image display apparatus | |
CN102957846A (zh) | 图像处理方法、图像处理装置和图像拾取装置 | |
CN110807255A (zh) | 一种m通道联合时间顶点非下采样滤波器组的优化设计方法 | |
Ciotola et al. | Unsupervised deep learning-based pansharpening with jointly-enhanced spectral and spatial fidelity | |
CN112184552B (zh) | 一种基于高频特征学习的子像素卷积图像超分辨方法 | |
CN111563866B (zh) | 一种多源遥感图像融合方法 | |
CN109544495B (zh) | 一种基于高斯滤波和比值变换的SoC芯片图像处理融合方法 | |
CN112734636A (zh) | 一种多源异构遥感影像的融合方法 | |
CN116883799A (zh) | 成分替换模型引导的高光谱图像深度空间光谱融合方法 | |
CN116957940A (zh) | 基于轮廓波知识引导网络的多尺度图像超分辨率重建方法 | |
CN116433548A (zh) | 一种基于多级信息提取的高光谱与全色图像融合方法 | |
CN116208812A (zh) | 一种基于立体事件和强度相机的视频插帧方法及系统 | |
Asiq et al. | Efficient colour filter array demosaicking with prior error reduction | |
CN114998708A (zh) | 一种基于图谱信号的茶叶种类识别方法和装置 | |
CN111080560B (zh) | 一种图像的处理与识别方法 |
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 |