CN113628291B - 基于边界提取与合并的多形状目标栅格数据矢量化方法 - Google Patents
基于边界提取与合并的多形状目标栅格数据矢量化方法 Download PDFInfo
- Publication number
- CN113628291B CN113628291B CN202110880252.8A CN202110880252A CN113628291B CN 113628291 B CN113628291 B CN 113628291B CN 202110880252 A CN202110880252 A CN 202110880252A CN 113628291 B CN113628291 B CN 113628291B
- Authority
- CN
- China
- Prior art keywords
- boundary
- boundary line
- pixel
- change
- points
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 claims description 19
- 238000005215 recombination Methods 0.000 claims description 2
- 230000006798 recombination Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000010937 topological data analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/008—Vector quantisation
-
- 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
- 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
- G06T2207/10—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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于边界提取与合并的多形状目标栅格数据矢量化方法,首先,将栅格图像灰度化,以不同的灰度值表示目标的属性信息,其次,通过对图像进行多次扫描提取各目标区域的边界线,再对相邻边界线进行合并,并判断边界线之间的包含关系,再通过灰度值确定各目标的属性信息,最后创建矢量文件和属性字段,通过将边界线生成闭合曲线要素,结合内边界线信息,以判断生成多边形要素或者环状多边形要素,再将对应的属性信息赋给属性字段,从而生成带有属性信息的矢量文件。
Description
技术领域
本发明属于栅格数据矢量化技术领域,更为具体地讲,涉及一种基于边界提取与合并的多边形状目标栅格数据的矢量化方法。
背景技术
栅格数据和矢量数据是遥感领域中的两种重要数据模型。栅格数据数据结构简单,易于存储,广泛用于遥感数据的匹配应用与分析,但它的数据量庞大、定位精度低,而且难以建立网络连接关系,给遥感数据的实际应用带来了极大的不便。而矢量数据以要素的方式定义数据结构,进行地理位置表达时更为精确,冗余度也较小,极大的方便了拓扑分析和地理位置查询的进行,所以在实际应用中通常需要对栅格数据进行矢量化操作,将其转换为矢量数据。栅格数据矢量化是空间数据转换的重要研究内容之一。因此,近年来有越来越多的研究者致力于栅格数据的矢量化算法研究。尽管已有较多的栅格数据矢量化方法被提出,但是它们都没有关注属性信息的表达,且自动化程度不高,不利于实际应用。
在现有的边界提取算法中,可以基于图像的拓扑关系提取出图像中的内边界与外边界。但在变化检测结果图中,不同的变化类型使用不同的灰度值表示,使用现有的边界提取算法提取出边界线后,生成的矢量数据各矢量对象间会存在缝隙,如图1所示。其主要原因在于,在栅格数据中,提取出的边界线由像素单元构成,如图2所示。将其转化为矢量对象后,相当于取其中心线,从而造成矢量数据中相邻矢量对象间有缝隙存在。
发明内容
本发明的目的在于克服基于现有边界提取算法造成矢量数据的矢量对象间存在缝隙和现有矢量化方法未关注矢量数据属性信息的不足,提供一种基于边界提取与合并的多边形状目标栅格数据的矢量化方法,快速、准确地将栅格数据转换为带有属性信息的矢量数据。
为实现上述发明目的,本发明一种基于边界提取与合并的多形状目标栅格数据矢量化方法,其特征在于,包括以下步骤:
(1)、对两时相高分辨率的遥感影像进行的变化检测,得到变化检测图,然后将变化检测图中将同一类型物体用相同的灰度值表示,从而形成不同变化区域的变化检测图;
(2)、提取各变化区域的边界线;
(2.1)、在变化检测图中,任意选择一个变化区域作为待提取区域,并将其灰度值置为1,其他变化区域灰度值置为0,从而将变化检测图转化为二值图;
(2.2)、利用边界提取算法提取二值图中的外边界与内边界,确定边界线之间的包含关系,并标记内边界线的序号;
(2.3)、重复步骤(2.1)-(2.2),直到提取出所有变化区域的边界线;
(3)、合并相邻区域的边界线;
(3.1)、任意选取一条边界线记目标边界线为Si,i=1,2,…,n,n为边界线总数;从Si的第一个像素点开始遍历目标边界线的像素点,记当前遍历的像素点为P1,其灰度值为f(P1),从P1左侧点开始,按逆时针方向对其八邻域像素点进行判断,如果在八邻域中有其他边界线的像素点P2,且该边界线的像素点的灰度值满足f(P2)>f(P1),则令P1=P2,即将Si中的P1点坐标更改为P1点的坐标;否则,继续对P1八邻域中的其他点进行判定;如果P1的八邻域中的所有点都不满足条件,则无需对该点进行合并;
(3.2)、依次对目标边界线Si中的像素点进行步骤(3.1)的操作,直到将所有边界线上的像素点都进行该判断为止;
(4)、矢量文件生成
(4.1)、首先创建矢量文件驱动,构建矢量图层和对应的属性字段;
(4.2)、然后从合并后的边界线中任取一条,记为Si;先根据(2.2)中记录的信息判断Si是否为内边界线,如果是内边界线,则跳过该边界线,继续判断下一条边界线;否则,先创建一个闭合曲线要素,然后根据Si上的像素点生成对应的闭合曲线对象;
(4.3)、再结合(2.2)中的信息判断Si是否有内边界线,如果没有,则创建一个多边形要素,由(4.2)生成的闭合曲线对象形成对应的多边形对象;如果有内边界线,则再创建一个内闭合曲线要素,并根据内边界的像素点生成对应的内闭合曲线对象,同时创建一个环状多边形要素,最终通过这两个闭合曲线对象形成对应的环状多边形对象;
(4.4)、读取边界线Si所像素点对应的像素值,不同的像素值代表着不同的变化类型,并作为(4.3)中环状多边形对象的属性字段的属性值,从而完成Si及其内边界线所包围区域的矢量化;
(4.5)、迭代进行(4.2)~(4.4),直到所有边界线都被矢量化,从而生成最终的Shapefile格式矢量文件。
本发明的发明目的是这样实现的:
本发明基于边界提取与合并的多形状目标栅格数据矢量化方法,首先,将栅格图像灰度化,以不同的灰度值表示目标的属性信息,其次,通过对图像进行多次扫描提取各目标区域的边界线,再对相邻边界线进行合并,并判断边界线之间的包含关系,再通过灰度值确定各目标的属性信息,最后创建矢量文件和属性字段,通过将边界线生成闭合曲线要素,结合内边界线信息,以判断生成多边形要素或者环状多边形要素,再将对应的属性信息赋给属性字段,从而生成带有属性信息的矢量文件。
同时,本发明基于边界提取与合并的多形状目标栅格数据矢量化方法还具有以下有益效果:
(1)、本发明基于现有的边界提取算法进行边界提取,再对提取的边界线中的相邻边界线进行合并,确保了矢量文件中相邻矢量对象间不会有空隙;
(2)、本发明利用边界提取算法中提供的内外边界信息,确保矢量数据拓扑关系的正确性;
(3)、本发明利用不同的灰度值表示不同的变化类型,确保了矢量数据属性信息的正确性。
附图说明
图1是基于现有的边界提取算法提取边界线后直接进行矢量化后得到的矢量数据;
图2是边界线在栅格数据中的表示;
图3是本发明一种基于边界提取与合并的多边形状目标栅格数据矢量化方法流程图;
图4是相邻边界线合并算法流程图;
图5是矢量文件生成流程图;
图6是本发明生成的矢量文件结果图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图3是本发明一种基于边界提取与合并的多边形状目标栅格数据矢量化方法流程图。
在本实施例中,如图3所示,本发明一种基于边界提取与合并的多形状目标栅格数据矢量化方法,包括以下步骤:
S1、对两时相高分辨率的遥感影像进行的变化检测,得到变化检测图,然后将变化检测图中将同一类型物体用相同的灰度值表示,从而形成不同变化区域的变化检测图;
S2、提取各变化区域的边界线;
S2.1、进行边界提取时,每次只提取一种变化类型的边界线。在变化检测图中,任意选择一个变化区域作为待提取区域,并将其灰度值置为1,其他变化区域灰度值置为0,从而将变化检测图转化为二值图;
S2.2、利用《Topological Structural Analysis of Digitized Binary Imagesby Border Following》中提出的边界提取算法提取二值图中的外边界与内边界,确定边界线之间的包含关系,并标记内边界线的序号;
S2.3、重复步骤S2.1-S2.2,直到提取出所有变化区域的边界线;
S3、合并相邻区域的边界线;
由于栅格数据与矢量数据结构的不同,需要将相邻边界线合并为一条边界线,才能生成正确的矢量数据,具体的合并过程如下:
S3.1、如图4所示,任意选取一条边界线记目标边界线为Si,i=1,2,…,n,n为边界线总数;从Si的第一个像素点开始遍历目标边界线的像素点,记当前遍历的像素点为P1,其灰度值为f(P1),从P1左侧点开始,按逆时针方向对其八邻域像素点进行判断,如果在八邻域中有其他边界线的像素点P2,且该边界线的像素点的灰度值满足f(P2)>f(P1),则令P1=P2,即将Si中的P1点坐标更改为P1点的坐标;否则,继续对P1八邻域中的其他点进行判定;如果P1的八邻域中的所有点都不满足条件,则无需对该点进行合并;
S3.2、依次对目标边界线Si中的像素点进行步骤S3.1的操作,直到将所有边界线上的像素点都进行该判断为止;
S4、矢量文件生成
S4.1、如图5所示,首先创建矢量文件驱动,构建矢量图层和对应的属性字段;
S4.2、然后从合并后的边界线中任取一条,记为Si;先根据S2.2中记录的信息判断Si是否为内边界线,如果是内边界线,则跳过该边界线,继续判断下一条边界线;否则,先创建一个闭合曲线要素,然后根据Si上的像素点生成对应的闭合曲线对象;
S4.3、再结合S2.2中的信息判断Si是否有内边界线,如果没有,则创建一个多边形要素,由S4.2生成的闭合曲线对象形成对应的多边形对象;如果有内边界线,则再创建一个内闭合曲线要素,并根据内边界的像素点生成对应的内闭合曲线对象,同时创建一个环状多边形要素,最终通过这两个闭合曲线对象形成对应的环状多边形对象;
S4.4、由于灰度值代表了不同的变化类型,且提取边界线时根据不同灰度值区域分别进行提取,所以可以根据灰度值得到各边界所包围区域的变化类型信息。因此,我们通过读取边界线Si所像素点对应的像素值,不同的像素值代表着不同的变化类型,并作为S4.3中环状多边形对象的属性字段的属性值,从而完成Si及其内边界线所包围区域的矢量化;
S4.5、迭代进行S4.2~S4.4,直到所有边界线都被矢量化,从而生成最终的Shapefile格式矢量文件。
图6是本发明所生成的矢量文件使用ArcGIS打开后的一组图像。其中,图6(a)表示原始栅格图像,图中不同灰度值区域表示不同的变化类型区域;图6(b)表示使用上述方法生成的矢量结果图,图中各线条为图6(a)中的边界线;图6(c)为图6(b)的局部区域放大图,并使用ArcGIS中的属性识别工具对图中区域进行了属性识别,结果中的type为定义的属性字段,表示变化类型,其中数字7表示具体的某种变化类型);图6(d)表示矢量结果图的属性文件。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (1)
1.一种基于边界提取与合并的多形状目标栅格数据矢量化方法,其特征在于,包括以下步骤:
(1)、对两时相高分辨率的遥感影像进行的变化检测,得到变化检测图,然后将变化检测图中将同一类型物体用相同的灰度值表示,从而形成不同变化区域的变化检测图;
(2)、提取各化区域的边界线;
(2.1)、在变化检测图中,任意选择一个变化区域作为待提取区域,并将其灰度值置为1,其他变化区域灰度值置为0,从而将变化检测图转化为二值图;
(2.2)、利用边界提取算法提取二值图中的外边界与内边界,确定边界线之间的包含关系,并标记内边界线的序号;
(2.3)、重复步骤(2.1)-(2.2),直到提取出所有变化区域的边界线;
(3)、合并相邻区域的边界线;
(3.1)、任意选取一条边界线记目标边界线为Si,i=1,2,…,n,n为边界线总数;从Si的第一个像素点开始遍历目标边界线的像素点,记当前遍历的像素点为P1,其灰度值为f(P1),从P1左侧点开始,按逆时针方向对其八邻域像素点进行判断,如果在八邻域中有其他边界线的像素点P2,且该边界线的像素点的灰度值满足f(P2)>f(P1),则令P1=P2,即将Si中的P1点坐标更改为P1点的坐标;否则,继续对P1八邻域中的其他点进行判定;如果P1的八邻域中的所有点都不满足条件,则无需对该点进行合并;
(3.2)、依次对目标边界线Si中的像素点进行步骤(3.1)的操作,直到将所有边界线上的像素点都进行该判断为止;
(4)、矢量文件生成
(4.1)、首先创建矢量文件驱动,构建矢量图层和对应的属性字段;
(4.2)、然后从合并后的边界线中任取一条,记为Si;先根据(2.2)中记录的信息判断Si是否为内边界线,如果是内边界线,则跳过该边界线,继续判断下一条边界线;否则,先创建一个闭合曲线要素,然后根据Si上的像素点生成对应的闭合曲线对象;
(4.3)、再结合(2.2)中的信息判断Si是否有内边界线,如果没有,则创建一个多边形要素,由(4.2)生成的闭合曲线对象形成对应的多边形对象;如果有内边界线,则再创建一个闭合曲线要素,并根据内边界的像素点生成对应的闭合曲线对象,同时创建一个环状多边形要素,最终通过这两个闭合曲线对象形成对应的环状多边形对象;
(4.4)、读取边界线Si所像素点对应的像素值,不同的像素值代表着不同的变化类型,并作为(4.3)中环状多边形对象的属性字段的属性值,从而完成Si及其内边界线所包围区域的矢量化;
(4.5)、迭代进行(4.2)~(4.4),直到所有边界线都被矢量化,从而生成最终的Shapefile格式矢量文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110880252.8A CN113628291B (zh) | 2021-08-02 | 2021-08-02 | 基于边界提取与合并的多形状目标栅格数据矢量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110880252.8A CN113628291B (zh) | 2021-08-02 | 2021-08-02 | 基于边界提取与合并的多形状目标栅格数据矢量化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113628291A CN113628291A (zh) | 2021-11-09 |
CN113628291B true CN113628291B (zh) | 2023-03-07 |
Family
ID=78382186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110880252.8A Active CN113628291B (zh) | 2021-08-02 | 2021-08-02 | 基于边界提取与合并的多形状目标栅格数据矢量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113628291B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494294B (zh) * | 2022-01-25 | 2022-10-14 | 北京市测绘设计研究院 | 地表覆盖数据处理方法及装置、电子设备和存储介质 |
CN116450871B (zh) * | 2023-05-04 | 2023-12-29 | 易智瑞信息技术有限公司 | 基于Spark分布式的栅格转矢量方法、系统及设备 |
CN116630357B (zh) * | 2023-05-24 | 2024-04-26 | 中国自然资源航空物探遥感中心 | 栅格地图目标线提取方法、系统、存储介质及计算设备 |
CN116932492B (zh) * | 2023-09-15 | 2023-11-17 | 北京点聚信息技术有限公司 | 用于版式文件识别数据存储优化方法 |
CN117292210B (zh) * | 2023-11-27 | 2024-02-23 | 航天宏图信息技术股份有限公司 | 分类图像矢量化的方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012048580A (ja) * | 2010-08-27 | 2012-03-08 | Canon Inc | 画像処理装置、画像処理方法、プログラム、および記憶媒体 |
CN103839222A (zh) * | 2014-02-18 | 2014-06-04 | 中国林业科学研究院资源信息研究所 | 一种基于分层次边界拓扑搜索模型的栅格转矢量并行系统 |
CN105551028A (zh) * | 2015-12-09 | 2016-05-04 | 中山大学 | 一种基于遥感影像的地理空间数据动态更新的方法及系统 |
CN105931295A (zh) * | 2016-07-13 | 2016-09-07 | 中国地质大学(北京) | 一种地质图专题信息提取方法 |
CN107564024A (zh) * | 2017-08-07 | 2018-01-09 | 西安电子科技大学 | 基于单侧聚集线段的sar图像聚集区域提取方法 |
-
2021
- 2021-08-02 CN CN202110880252.8A patent/CN113628291B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012048580A (ja) * | 2010-08-27 | 2012-03-08 | Canon Inc | 画像処理装置、画像処理方法、プログラム、および記憶媒体 |
CN103839222A (zh) * | 2014-02-18 | 2014-06-04 | 中国林业科学研究院资源信息研究所 | 一种基于分层次边界拓扑搜索模型的栅格转矢量并行系统 |
CN105551028A (zh) * | 2015-12-09 | 2016-05-04 | 中山大学 | 一种基于遥感影像的地理空间数据动态更新的方法及系统 |
CN105931295A (zh) * | 2016-07-13 | 2016-09-07 | 中国地质大学(北京) | 一种地质图专题信息提取方法 |
CN107564024A (zh) * | 2017-08-07 | 2018-01-09 | 西安电子科技大学 | 基于单侧聚集线段的sar图像聚集区域提取方法 |
Non-Patent Citations (3)
Title |
---|
GIS中矢量栅格一体化数据结构的研究;芮素文;《新技术》;第111页 * |
ROAD VECTORIZATION BASED ON IMAGE PIXEL TRACKING AND ATTRIBUTE MATCHING METHOD;Lang Yuan等;《网页在线公开:https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9324023》;第1-4页 * |
基于像元有向边的栅格数据扫描线矢量化方法;苏程等;《计算机辅助设计与图形学学报》(第07期);第43-51页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113628291A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113628291B (zh) | 基于边界提取与合并的多形状目标栅格数据矢量化方法 | |
KR102125959B1 (ko) | 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법 및 장치 | |
Wei et al. | Toward automatic building footprint delineation from aerial images using CNN and regularization | |
CN112132006B (zh) | 一种面向耕地保护的林地和建筑物智能提取方法 | |
CN102800052B (zh) | 非标准地图的半自动数字化方法 | |
Barnsley et al. | Distinguishing urban land-use categories in fine spatial resolution land-cover data using a graph-based, structural pattern recognition system | |
Lee et al. | Semantic segmentation of bridge components based on hierarchical point cloud model | |
CN102136155A (zh) | 基于三维激光扫描数据的物体立面矢量化方法和系统 | |
Sohn et al. | An implicit regularization for 3D building rooftop modeling using airborne lidar data | |
US11760397B2 (en) | Method for extracting and analyzing spatial information of control and protection zone of rail transit with multiple threshold constraints | |
Peeters et al. | Automated recognition of urban objects for morphological urban analysis | |
CN101840582B (zh) | 一种地籍图地块的边界数字化方法 | |
Wang et al. | Automatic segmentation of urban point clouds based on the Gaussian map | |
Aijazi et al. | Detecting and updating changes in lidar point clouds for automatic 3d urban cartography | |
CN113223042A (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
CN116168246A (zh) | 一种用于铁路工程的弃渣场识别方法、装置、设备及介质 | |
CN114283343B (zh) | 基于遥感卫星图像的地图更新方法、训练方法和设备 | |
Guo et al. | Exploring GIS knowledge to improve building extraction and change detection from VHR imagery in urban areas | |
Prochazka et al. | Automatic lane marking extraction from point cloud into polygon map layer | |
CN113436287B (zh) | 一种基于lstm网络与编解码网络的篡改图像盲取证方法 | |
CN114519819A (zh) | 一种基于全局上下文感知的遥感图像目标检测方法 | |
Hesami et al. | Range segmentation of large building exteriors: A hierarchical robust approach | |
CN101833665B (zh) | 遥感地图图像的道路提取方法 | |
KR101063827B1 (ko) | 한국토지정보시스템 연속지적도와 수치지형도의 기하학적 지도 변환을 위한 반자동화된 공액점 쌍 추출방법 | |
Xu et al. | Hybrid Attention-Aware Transformer Network Collaborative Multiscale Feature Alignment for Building Change Detection |
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 |