CN113920273A - 图像处理方法、装置、电子设备和存储介质 - Google Patents
图像处理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113920273A CN113920273A CN202111160345.XA CN202111160345A CN113920273A CN 113920273 A CN113920273 A CN 113920273A CN 202111160345 A CN202111160345 A CN 202111160345A CN 113920273 A CN113920273 A CN 113920273A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- plane
- grid
- target
- point
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 42
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 110
- 238000000034 method Methods 0.000 claims abstract description 54
- 230000009467 reduction Effects 0.000 claims abstract description 40
- 238000012937 correction Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 11
- 230000004048 modification Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 230000004438 eyesight Effects 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000016776 visual perception Effects 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4808—Evaluating distance, position or velocity data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30261—Obstacle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/56—Particle system, point based geometry or rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/008—Cut plane or projection plane definition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Graphics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本公开提出了一种图像处理方法、装置、电子设备和存储介质,涉及人工智能技术领域,尤其涉及计算机视觉和深度学习技术领域,可用于智慧交通和自动驾驶场景下。具体实现方案为:获取网格化点云图中的多个点云网格,从各点云网格的初始平面中确定匹配的采样点个数大于或等于阈值的各参考平面,根据各参考平面,对各点云网格对应的初始平面进行修正,以得到各点云网格对应的目标平面,根据各点云网格的目标平面进行采样点的降噪处理。通过确定的参考平面对各个点云网格的初始平面进行修正,提高了得到的各点云网格的目标平面的准确性,进而根据各点云网格的目标平面进行采样点的降噪处理,提高了点云图降噪处理的准确性。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及计算机视觉和深度学习技术领域,可用于智慧交通和自动驾驶场景下,具体涉及一种图像处理方法、装置、电子设备和存储介质。
背景技术
激光雷达在自动驾驶系统中起着关键的作用,利用激光雷达,自动驾驶系统可以准确地对车辆所处环境做实时3D建模,特别是在一些基于相机的视觉感知系统失效的场景下,如:大雾,夜晚,白车等;激光雷达可以极大的提升自动驾驶系统的安全性,同时准确感知某个3D目标(如:车辆,行人等)在激光雷达点云坐标系中的位置、大小及姿态,我们称之为雷达点云3D目标检测任务。
点云3D目标检测任务作为计算机视觉中的经典子任务,其难点来源由于激光雷达采集的点云数据存在不规则,无序,稀疏,噪声等几个特性,其中传感器噪声会对激光雷达点云的后续检测带来重要影响,除了器件本身之外,室外强光、雨、雪、大雾天气等环境因素也会导致点云噪声的激增。因此,对点云图进行高质量的降噪处理尤为重要。
发明内容
本公开提供了一种图像处理方法、装置、电子设备和存储介质。
根据本公开的一方面,提供了一种图像处理方法,包括:
获取网格化点云图,其中,所述网格化点云图中包括多个点云网格,各所述点云网格内包括多个采样点;
在各所述点云网格内进行多个采样点的平面拟合,以得到各所述点云网格对应的初始平面,以及各所述初始平面在对应点云网格中匹配的采样点个数;
从多个所述点云网格对应的初始平面中,确定匹配的采样点个数大于或等于阈值的各参考平面;
根据各所述参考平面,对各所述点云网格对应的初始平面进行修正,以得到各所述点云网格对应的目标平面;
根据各所述点云网格对应的目标平面,对各所述点云网格进行采样点的降噪处理。
根据本公开的另一方面,提供了一种图像处理装置,包括:
获取模块,用于获取网格化点云图,其中,所述网格化点云图中包括多个点云网格,各所述点云网格内包括多个采样点;
拟合模块,用于在各所述点云网格内进行多个采样点的平面拟合,以得到各所述点云网格对应的初始平面,以及各所述初始平面在对应点云网格中匹配的采样点个数;
第一确定模块,用于从多个所述点云网格对应的初始平面中,确定匹配的采样点个数大于或等于阈值的各参考平面;
修正模块,用于根据各所述参考平面,对各所述点云网格对应的初始平面进行修正,以得到各所述点云网格对应的目标平面;
降噪模块,用于根据各所述点云网格对应的目标平面,对各所述点云网格进行采样点的降噪处理。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述一方面所述方法的步骤。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行前述一方面所述方法的步骤。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机指令,所述计算机指令在被处理器执行时实现前述一方面所述方法的步骤。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开实施例所提供的一种图像处理方法的流程示意图;
图2为本公开实施例提供的一种场景下的示意性的网格化点云图;
图3为本公开实施例提供的另一种图像处理方法的流程示意图;
图4为本公开实施例提供的一种点云网格确定目标平面的示意图;
图5为本公开实施例提供的另一种图像处理方法的流程示意图;
图6为本公开实施例提供的一种点云图的降噪装置的结构示意图;
图7为本公开实施例提供的一种电子设备700的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本公开实施例的图像处理方法、装置、电子设备和存储介质。
图1为本公开实施例所提供的一种图像处理方法的流程示意图。
如图1所示,该方法包含以下步骤:
步骤101,获取网格化点云图,其中,网格化点云图中包括多个点云网格,各点云网格内包括多个采样点。
本公开实施例中,获取激光雷达传感器采集的原始点云图,原始点云图中包含散步的多个点云,即采样点,每个采样点包含XYZ三个浮点数值表示空间位置,采用设定的网格大小,对原始点云图进行2维平面网格化,主要是作用在x-y轴上。
其中,网格大小根据不同的激光雷达LiDAR的性能取经验值,其中,网格较大,无法有效剔除噪点,网格较小,会导致剔除过多的采样点,导致结果不准确,因此,通过设置网格大小实现在性能和效率之间保持平衡。
如图2所示,展示了在车辆自动驾驶场景下,根据车辆的激光雷达传感器采集的原始点云图,进行网格化处理后得到的网格化点云图。
步骤102,在各点云网格内进行多个采样点的平面拟合,以得到各点云网格对应的初始平面,以及各初始平面在对应点云网格中匹配的采样点个数。
本公开实施例中,针对每一个点云网格,根据该点云网格中的多个采样点进行平面拟合,作为一种实现方式,可通过最小二乘法,如随机抽样一致算法(Random sampleconsensus,RANSAC)和奇异值分解(Singular Value Decomposition,SVD)算法进行平面拟合,得到该点云网格对应的初始平面。初始平面可以用初始平面方程表示,具体可表示为Ax+By+Cz+D=0,也就是说该方程指示了对应的一个平面,其中,x,y和z是获取的激光点云中的一个点云即采样点的三维坐标点。平面,具有对应的法线向量,法线向量是根据A,B和C三个参数确定的。
本公开实施例中,在确定了各点云网格对应的初始平面后,针对每一个点云网格中的各采样点,将各采样点的三维坐标输入该点云网格对应的初始平面中,例如,三维坐标为(x1,y1,z1)即Ax1+By1+Cz1=N,为了提高匹配的准确性,将输出结果N设定阈值范围比较,若N设定阈值范围内,则相应采样点和平面匹配;若N在设定阈值范围内,则相应采样点和平面不匹配。从而,可确定各初始平面在对应点云网格中匹配的采样点个数。
步骤103,从多个点云网格对应的初始平面中,确定匹配的采样点个数大于或等于阈值的各参考平面。
本公开实施例中,点云网格对应的初始平面中匹配的采样点越多,则处于该平面上的点云即采样点越多,得到的初始平面的准确性越高,从而将点云网格对应的初始平面中,匹配的采样点个数大于或等于阈值的点云网格对应的初始平面作为参考平面,使得参考平面具有较高的准确度。
步骤104,根据各参考平面,对各点云网格对应的初始平面进行修正,以得到各点云网格对应的目标平面。
本公开实施例中,点云网格中,距离采集中心越远时,点云数据越稀疏,从而得到的远端或不平整的区域对应的点云网格的初始平面的准确度较差,本公开实施例中,将确定的准确度较高的参考平面作为基准,对各点云网格对应的初始平面进行修正,以得到各点云网格对应的目标平面,使得远处地面点云非常稀疏,甚至点云消失的情况下也能通过修正估计出一个相对合理的平面,提高了各点云网格对应的目标平面的准确性,适用于各种复杂的地面情况,例如弯曲的地面情况。
需要说明的是,本公开实施例中的修正过程,可以时基于各参考平面,对所有的点云网格的初始平面都进行修正,或者时基于各参考平面,对各参考平面对应的点云网格以外的各点云网格对应的初始平面进行修正。
步骤105,根据各点云网格对应的目标平面,对各点云网格进行采样点的降噪处理。
本公开实施例中,根据各点云网格对应的目标平面,将各点云网格中的采样点输入目标平面中,基于准确的各个目标平面,将不满足设定条件的采样点删除,例如,删除处于平面以上的各个采样点,或者是删除处于平面以下的各个采样点,以提高点云图降噪的效果。
本公开实施例的图像处理方法中,获取网格化点云图中包括的多个点云网格,在各点云网格内进行多个采样点的平面拟合,得到各点云网格的初始平面,从多个点云网格对应的初始平面中确定匹配的采样点个数大于或等于阈值的各参考平面,根据各参考平面,对各点云网格对应的初始平面进行修正,以得到各点云网格对应的目标平面,根据各点云网格对应的目标平面,对各点云网格进行采样点的降噪处理。通过对点云网格中的采样点拟合得到的初始平面中确定参考平面,根据参考平面对各个点云网格的初始平面进行修正,以得到各个点云网格的目标平面,提高了各个区域中点云网格的目标平面确定的准确性,进而根据各点云网格的目标平面进行采样点的降噪处理,提高了点云图降噪处理的准确性。
基于上述实施例,本公开实施例提供了另一种图像处理方法,图3为本公开实施例提供的另一种图像处理方法的流程示意图,具体说明了如何对基于参考平面对各网格对应的初始平面进行修正,得到对应的目标平面的准确性。如图3所示,该方法包含以下步骤:
步骤301,获取网格化点云图,其中,网格化点云图中包括多个点云网格,各点云网格内包括多个采样点。
步骤302,在各点云网格内进行多个采样点的平面拟合,以得到各点云网格对应的初始平面,以及各初始平面在对应点云网格中匹配的采样点个数。
步骤303,从多个点云网格对应的初始平面中,确定匹配的采样点个数大于或等于阈值的各参考平面。
具体地,步骤301-步骤303可参照前述方法实施例中的解释说明,此处不再赘述。
如图4所示,其中,网格化点云图1中灰色的各个网格的平面即为确定的各参考平面。
步骤304,将各参考平面作为对应点云网格的目标平面,添加至平面集合中。
本公开实施例中,参考平面的准确度较高,可将参考平面作为对应点云网格的目标平面,也就是说参考平面对应的点云网格的平面不需要进行修正,即图4中网格化点云图1中深灰色的各个网格的平面不需要进行修正,而是将参考平面作为这部分点云网格的目标平面,提高了效率,并将这部分点云网格的目标平面对应的平面方程添加至平面集合中,用于对这部分网格以外的多个网格的初始平面进行修正,即对网格化点云图1中白色的各个网格的初始平面进行修正,以提高各个点云网格确定的准确度。
步骤305,根据平面集合中任意的一目标平面,执行修正过程。
其中,修正过程包括:确定一目标平面对应点云网格的第一邻居网格,在第一邻居网格对应的初始平面所匹配的采样点个数小于阈值的情况下,在第一邻居网格的邻居网格中,确定对应目标平面的第二邻居网格,根据一目标平面和第二邻居网格对应的目标平面进行插值,以得到第一邻居网格对应的目标平面。其中,对于插值修正的方式,作为一种实现方式,可将一目标平面和第二邻居网格对应的目标平面取平均,以得到第一邻居网格对应的目标平面。作为另一种实现方式,可根据一目标平面和第二邻居网格对应的目标平面中匹配的采样点的数量,确定一目标平面和第二邻居网格的目标平面的权重,根据权重进行加权平均,以得到第一邻居网格对应的目标平面。
步骤306,根据第一邻居网格对应的目标平面,对平面集合进行更新,以根据更新后的平面集合中任意的一目标平面重复执行修正过程,直至多个点云网格均具有对应的目标平面。
本公开实施例中,根据参考平面执行修正过程得到的第一邻居网格对应的目标平面,对平面集合进行更新,增加了平面集合中包含的用于对未确定目标平面的各网格进行修正的目标平面,通过不断的执行修正过程,使得集合中确定了目标平面的点云网格的数量不断增加。进而,通过不断的增加集合中包含的目标平面,重复执行修正过程,直至所有点云网格均具有对应的目标平面,即如图4中网格化点云图2中浅灰色的各个点云网格,均通过插值修正得到对应的目标平面,在地面形状变化较大的复杂场景下,对于远处地面点云非常稀疏甚至消失的情况,也可以通过修正估计出一个相对合理的平面,同时,用到的计算量也比较小。
步骤307,根据各点云网格对应的目标平面,对各点云网格进行采样点的降噪处理。
具体地,可参照前述实施例中的解释说明,本实施例中不再赘述。
本公开实施例的图像处理方法中,根据参考平面执行修正过程得到的第一邻居网格对应的目标平面,对平面集合进行更新,增加了平面集合中包含的用于对未确定目标平面的各网格进行修正的目标平面,通过不断的执行修正过程,使得集合中确定了目标平面的点云网格的数量不断增加。进而,通过不断的增加集合中包含的目标平面,重复执行修正过程,直至所有点云网格均具有对应的目标平面,在地面形状变化较大的复杂场景下,对于远处地面点云非常稀疏甚至消失的情况,也可以通过修正估计出一个相对合理的平面,同时,用到的计算量也比较小。
基于上述实施例,本公开实施例提供了另一种图像处理方法,图5为本公开实施例提供的另一种图像处理方法的流程示意图,如图5所示,该方法包含以下步骤:
步骤501,获取网格化点云图,其中,网格化点云图中包括多个点云网格,各点云网格内包括多个采样点。
步骤502,在各点云网格内进行多个采样点的平面拟合,以得到各点云网格对应的初始平面,以及各初始平面在对应点云网格中匹配的采样点个数。
具体地,可参照前述方法实施例中的解释说明,原理相同,此处不再赘述。
步骤503,确定网格化点云图中的中心点,确定与中心点的距离处于设定距离内的多个点云网格。
其中,中心点为采集点云图的激光传感器在点云图中映射的位置,即在点云坐标系中激光传感器的位置,如图4中的点M即为中心点的位置。
本公开实施例中,将采集点云图的激光传感器在点云图中映射的位置作为中心点,确定与中心点的距离处于设定距离内的多个点云网格,以从满足距离要求的多个点云网格对应的初始平面中,筛选出参考平面,而由于和中心点的距离越近包含的点云数据越丰富,从而提高了参考平面确定的准确性和效率。
步骤504,从多个点云网格对应的初始平面中,确定匹配的采样点个数大于或等于阈值的各参考平面。
步骤505,根据各参考平面,对各点云网格对应的初始平面进行修正,以得到各点云网格对应的目标平面。
具体地,可参照前述方法实施例中的解释说明,此处不再赘述。
步骤506,针对各点云网格,将点云网格中的各采样点的三维位置坐标输入目标平面,得到各采样点对目标平面的输出距离。
步骤507,根据输出距离,对点云网格进行采样点的降噪处理。
本公开实施例中,针对各点云网格,通过计算相应网格中的各采样点到对应的目标平面的距离,而采样点距离平面指示的平面距离越大,则该采样点处于该平面的概率越小,从而基于距离的大小,将距离各平面超过设定阈值的各采样点删除,以实现对相应网格中的采样点的降噪处理,提高降噪准确性。
在本公开实施例的一种场景下,针对各点云网格,若要删除处于相应点云网格的目标平面之下的采样点,则确定相应点云网格的目标平面的法线向量为垂直目标平面向上,确定输出距离为负值且小于设定阈值的第一采样点,并删除第一采样点,以去除处于点云网格以下的各采样点,实现了对点云网格进行设定采样点的降噪处理,满足了不同场景下的降噪需求。
在本公开实施例的一种场景下,针对各点云网格,若要删除处于相应点云网格的目标平面之上的采样点,则确定相应点云网格的目标平面的法线向量为垂直目标平面向下,确定输出距离为正值且小于设定阈值的第二采样点,并删除第二采样点,以去除处于点云网格以上的各采样点,实现了对点云网格进行设定采样点的降噪处理,满足了不同场景下的降噪需求。
本公开实施例的图像处理方法中,将采集点云图的激光传感器在点云图中映射的位置作为中心点,确定与中心点的距离处于设定距离内的多个点云网格,以从满足距离要求的多个点云网格对应的初始平面中,筛选出参考平面,以提高参考平面确定的准确性和效率。在对点云网格进行设定采样点的降噪处理时,可以对点云网格进行设定采样点的降噪处理,满足了不同场景下的降噪需求。
为了实现上述实施例,本实施例提供了一种点云图的降噪装置。
图6为本公开实施例提供的一种图像处理装置的结构示意图,如图6所示,该装置包含:
获取模块61,用于获取网格化点云图,其中,所述网格化点云图中包括多个点云网格,各所述点云网格内包括多个采样点。
拟合模块62,用于在各所述点云网格内进行多个采样点的平面拟合,以得到各所述点云网格对应的初始平面,以及各所述初始平面在对应点云网格中匹配的采样点个数。
第一确定模块63,用于从多个所述点云网格对应的初始平面中,确定匹配的采样点个数大于或等于阈值的各参考平面。
修正模块64,用于根据各所述参考平面,对各所述点云网格对应的初始平面进行修正,以得到各所述点云网格对应的目标平面。
降噪模块65,用于根据各所述点云网格对应的目标平面,对各所述点云网格进行采样点的降噪处理。
进一步,在本公开实施例的一种实现方式中,修正模块64,还用于:
将各所述参考平面作为对应点云网格的目标平面,添加至平面集合中;根据所述平面集合中任意的一目标平面执行修正过程,其中,所述修正过程包括:确定对应点云网格的第一邻居网格,在所述第一邻居网格对应的初始平面所匹配的采样点个数小于所述阈值的情况下,在所述第一邻居网格的邻居网格中,确定对应目标平面的第二邻居网格;根据所述一目标平面和所述第二邻居网格对应的目标平面进行插值,以得到所述第一邻居网格对应的目标平面;根据所述第一邻居网格对应的目标平面,对所述平面集合进行更新,以根据更新后的平面集合中任意的一目标平面重复执行所述修正过程,直至所述多个点云网格均具有对应的所述目标平面。
在本公开实施例的一种实现方式中,降噪模块65,还用于:
针对各点云网格,将所述点云网格中的各采样点的三维位置坐标输入所述目标平面,得到各所述采样点对所述目标平面的输出距离;根据所述输出距离,对所述点云网格进行采样点的降噪处理。
在本公开实施例的一种实现方式中,降噪模块65,还用于:
确定所述点云网格的目标平面的法线向量为垂直目标平面向上;确定所述输出距离为负值且小于设定阈值的第一采样点;删除所述第一采样点,以对所述点云网格进行采样点的降噪处理。
在本公开实施例的一种实现方式中,该装置,还包括:
第二确定模块,用于确定所述网格化点云图中的中心点;所述中心点为采集点云图的激光传感器在所述点云图中映射的位置;确定与所述中心点的距离处于设定距离内的多个点云网格。
需要理解的是,前述方法实施例中的解释说明也适用于本实施例的中的装置,原理相同,本实施例中不再赘述。
本公开实施例的图像处理装置中,获取网格化点云图中包括的多个点云网格,在各点云网格内进行多个采样点的平面拟合,得到各点云网格的初始平面,从多个点云网格对应的初始平面中确定匹配的采样点个数大于或等于阈值的各参考平面,根据各参考平面,对各点云网格对应的初始平面进行修正,以得到各点云网格对应的目标平面,根据各点云网格对应的目标平面,对各点云网格进行采样点的降噪处理。通过对点云网格中的采样点拟合得到的初始平面中确定参考平面,根据参考平面对各个点云网格的初始平面进行修正,也得到各个点云网格的目标平面,提高了各个区域中点云网格的目标平面确定的准确性,进而根据各点云网格的目标平面进行采样点的降噪处理,提高了点云图降噪处理的准确性。
为了实现上述实施例,本公开实施例还提供了一种电子设备,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述方法实施例所述方法的步骤。
为了实现上述实施例,本公开实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行前述方法实施例所述方法的步骤。
为了实现上述实施例,本公开实施例还提供了一种计算机程序产品,包括计算机指令,所述计算机指令在被处理器执行时实现前述方法实施例所述方法的步骤。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7为本公开实施例提供的一种电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在ROM(Read-OnlyMemory,只读存储器)702中的计算机程序或者从存储单元708加载到RAM(Random AccessMemory,随机访问/存取存储器)703中的计算机程序,来执行各种适当的动作和处理。在RAM703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。I/O(Input/Output,输入/输出)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于CPU(Central Processing Unit,中央处理单元)、GPU(Graphic Processing Units,图形处理单元)、各种专用的AI(Artificial Intelligence,人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor,数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如图像处理方法。例如,在一些实施例中,图像处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的图像处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行图像处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array,现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit,专用集成电路)、ASSP(Application Specific StandardProduct,专用标准产品)、SOC(System On Chip,芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device,复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory,可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory,便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(Cathode-Ray Tube,阴极射线管)或者LCD(Liquid Crystal Display,液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:LAN(LocalArea Network,局域网)、WAN(Wide Area Network,广域网)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
其中,需要说明的是,人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (13)
1.一种图像处理方法,包括:
获取网格化点云图,其中,所述网格化点云图中包括多个点云网格,各所述点云网格内包括多个采样点;
在各所述点云网格内进行多个采样点的平面拟合,以得到各所述点云网格对应的初始平面,以及各所述初始平面在对应点云网格中匹配的采样点个数;
从多个所述点云网格对应的初始平面中,确定匹配的采样点个数大于或等于阈值的各参考平面;
根据各所述参考平面,对各所述点云网格对应的初始平面进行修正,以得到各所述点云网格对应的目标平面;
根据各所述点云网格对应的目标平面,对各所述点云网格进行采样点的降噪处理。
2.根据权利要求1所述的方法,其中,所述根据各所述参考平面,对各所述点云网格对应的初始平面进行修正,以得到各所述点云网格对应的目标平面,包括:
将各所述参考平面作为对应点云网格的目标平面,添加至平面集合中;
根据所述平面集合中任意的一目标平面,执行修正过程,其中,所述修正过程包括:确定对应点云网格的第一邻居网格,在所述第一邻居网格对应的初始平面所匹配的采样点个数小于所述阈值的情况下,在所述第一邻居网格的邻居网格中,确定对应目标平面的第二邻居网格;根据所述一目标平面和所述第二邻居网格对应的目标平面进行插值,以得到所述第一邻居网格对应的目标平面;
根据所述第一邻居网格对应的目标平面,对所述平面集合进行更新,以根据更新后的平面集合中任意的一目标平面重复执行所述修正过程,直至所述多个点云网格均具有对应的所述目标平面。
3.如权利要求1所述的方法,其中,根据各所述点云网格对应的目标平面,对各所述点云网格进行采样点的降噪处理,包括:
针对各点云网格,将所述点云网格中的各采样点的三维位置坐标输入所述目标平面,得到各所述采样点对所述目标平面的输出距离;
根据所述输出距离,对所述点云网格进行采样点的降噪处理。
4.如权利要求3所述的方法,所述根据所述输出距离,对所述点云网格进行采样点的降噪处理,包括:
确定所述点云网格的目标平面的法线向量为垂直目标平面向上;
确定所述输出距离为负值且小于设定阈值的第一采样点;
删除所述第一采样点,以对所述点云网格进行采样点的降噪处理。
5.如权利要求1所述的方法,其中,所述从多个所述点云网格对应的初始平面中,确定匹配的采样点个数大于或等于阈值的各参考平面之前,包括:
确定所述网格化点云图中的中心点;所述中心点为采集点云图的激光传感器在所述点云图中映射的位置;
确定与所述中心点的距离处于设定距离内的多个点云网格。
6.一种图像处理装置,包括:
获取模块,用于获取网格化点云图,其中,所述网格化点云图中包括多个点云网格,各所述点云网格内包括多个采样点;
拟合模块,用于在各所述点云网格内进行多个采样点的平面拟合,以得到各所述点云网格对应的初始平面,以及各所述初始平面在对应点云网格中匹配的采样点个数;
第一确定模块,用于从多个所述点云网格对应的初始平面中,确定匹配的采样点个数大于或等于阈值的各参考平面;
修正模块,用于根据各所述参考平面,对各所述点云网格对应的初始平面进行修正,以得到各所述点云网格对应的目标平面;
降噪模块,用于根据各所述点云网格对应的目标平面,对各所述点云网格进行采样点的降噪处理。
7.根据权利要求6所述的装置,其中,修正模块,还用于:
将各所述参考平面作为对应点云网格的目标平面,添加至平面集合中;
对所述平面集合中任意的一目标平面执行修正过程,其中,所述修正过程包括:确定对应点云网格的第一邻居网格,在所述第一邻居网格对应的初始平面所匹配的采样点个数小于所述阈值的情况下,在所述第一邻居网格的邻居网格中,确定对应目标平面的第二邻居网格;根据所述一目标平面和所述第二邻居网格对应的目标平面进行插值,以得到所述第一邻居网格对应的目标平面;
根据所述第一邻居网格对应的目标平面,对所述平面集合进行更新,以根据更新后的平面集合中任意的一目标平面重复执行所述修正过程,直至所述多个点云网格均具有对应的所述目标平面。
8.如权利要求6所述的装置,其中,降噪模块,还用于:
针对各点云网格,将所述点云网格中的各采样点的三维位置坐标输入所述目标平面,得到各所述采样点对所述目标平面的输出距离;
根据所述输出距离,对所述点云网格进行采样点的降噪处理。
9.如权利要求8所述的装置,所述降噪模块,还用于:
确定所述点云网格的目标平面的法线向量为垂直目标平面向上;
确定所述输出距离为负值且小于设定阈值的第一采样点;
删除所述第一采样点,以对所述点云网格进行采样点的降噪处理。
10.如权利要求6所述的装置,其中,所述装置,还包括:
第二确定模块,用于确定所述网格化点云图中的中心点;所述中心点为采集点云图的激光传感器在所述点云图中映射的位置;确定与所述中心点的距离处于设定距离内的多个点云网格。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法的步骤。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法的步骤。
13.一种计算机程序产品,包括计算机程序,所述计算机指令在被处理器执行时实现权利要求1-5中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111160345.XA CN113920273B (zh) | 2021-09-30 | 2021-09-30 | 图像处理方法、装置、电子设备和存储介质 |
US17/936,609 US20230036294A1 (en) | 2021-09-30 | 2022-09-29 | Method for processing image, electronic device and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111160345.XA CN113920273B (zh) | 2021-09-30 | 2021-09-30 | 图像处理方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113920273A true CN113920273A (zh) | 2022-01-11 |
CN113920273B CN113920273B (zh) | 2023-09-12 |
Family
ID=79237505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111160345.XA Active CN113920273B (zh) | 2021-09-30 | 2021-09-30 | 图像处理方法、装置、电子设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230036294A1 (zh) |
CN (1) | CN113920273B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116205964B (zh) * | 2023-05-06 | 2023-07-18 | 九识(苏州)智能科技有限公司 | 一种基于水平距离的点云下采样方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150066425A1 (en) * | 2013-08-30 | 2015-03-05 | Fu Tai Hua Industry (Shenzhen) Co., Ltd. | Computing device and method for measuring flatness of object |
CN110006372A (zh) * | 2019-03-18 | 2019-07-12 | 华中科技大学 | 一种基于局部优化的三维点云平面度计算方法 |
CN113048920A (zh) * | 2021-03-18 | 2021-06-29 | 苏州杰锐思智能科技股份有限公司 | 工业结构件平面度的测量方法、装置和电子设备 |
-
2021
- 2021-09-30 CN CN202111160345.XA patent/CN113920273B/zh active Active
-
2022
- 2022-09-29 US US17/936,609 patent/US20230036294A1/en not_active Abandoned
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150066425A1 (en) * | 2013-08-30 | 2015-03-05 | Fu Tai Hua Industry (Shenzhen) Co., Ltd. | Computing device and method for measuring flatness of object |
CN110006372A (zh) * | 2019-03-18 | 2019-07-12 | 华中科技大学 | 一种基于局部优化的三维点云平面度计算方法 |
CN113048920A (zh) * | 2021-03-18 | 2021-06-29 | 苏州杰锐思智能科技股份有限公司 | 工业结构件平面度的测量方法、装置和电子设备 |
Non-Patent Citations (1)
Title |
---|
冯发杰等: "使用显著性划分的机载激光雷达点云滤波", 《红外与激光工程》, pages 26 - 34 * |
Also Published As
Publication number | Publication date |
---|---|
CN113920273B (zh) | 2023-09-12 |
US20230036294A1 (en) | 2023-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113902897B (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
CN112966587B (zh) | 目标检测模型的训练方法、目标检测方法及相关设备 | |
CN112801164A (zh) | 目标检测模型的训练方法、装置、设备及存储介质 | |
CN110632608B (zh) | 一种基于激光点云的目标检测方法和装置 | |
CN113378760A (zh) | 训练目标检测模型和检测目标的方法及装置 | |
CN110675635B (zh) | 相机外参的获取方法、装置、电子设备及存储介质 | |
CN113177968A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN115880435B (zh) | 图像重建方法、模型训练方法、装置、电子设备和介质 | |
CN112562069A (zh) | 三维模型的构造方法、装置、设备和存储介质 | |
CN112966599A (zh) | 关键点识别模型的训练方法、关键点识别方法及装置 | |
CN114332977A (zh) | 关键点检测方法、装置、电子设备及存储介质 | |
CN115797565A (zh) | 三维重建模型训练方法、三维重建方法、装置及电子设备 | |
CN115147831A (zh) | 三维目标检测模型的训练方法和装置 | |
CN113298910A (zh) | 生成交通标志线地图的方法、设备和存储介质 | |
CN114677653A (zh) | 模型训练方法、车辆关键点检测方法及相应的装置 | |
CN114299242A (zh) | 高精地图中图像处理方法、装置、设备以及存储介质 | |
CN113920273B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN114092673A (zh) | 图像处理的方法、装置、电子设备和存储介质 | |
CN113569911A (zh) | 车辆识别方法、装置、电子设备及存储介质 | |
CN113569912A (zh) | 车辆识别方法、装置、电子设备及存储介质 | |
CN114037630A (zh) | 一种模型训练及图像去雾方法、装置、设备及存储介质 | |
CN117647852B (zh) | 天气状态检测方法、装置、电子设备及存储介质 | |
CN116168132B (zh) | 街景重建模型获取及街景重建方法、装置、设备及介质 | |
CN116229209B (zh) | 目标模型的训练方法、目标检测方法及装置 | |
CN115272557A (zh) | 成像对象的非受光面的亮度确定方法、装置和电子设备 |
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 |