CN114897735B - 局部自适应的水下图像对比度增强方法 - Google Patents
局部自适应的水下图像对比度增强方法 Download PDFInfo
- Publication number
- CN114897735B CN114897735B CN202210556777.0A CN202210556777A CN114897735B CN 114897735 B CN114897735 B CN 114897735B CN 202210556777 A CN202210556777 A CN 202210556777A CN 114897735 B CN114897735 B CN 114897735B
- Authority
- CN
- China
- Prior art keywords
- color
- channel
- local image
- image
- contrast
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000003044 adaptive effect Effects 0.000 title claims description 6
- 239000003086 colorant Substances 0.000 claims abstract description 8
- 230000002708 enhancing effect Effects 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 230000010354 integration Effects 0.000 claims description 3
- 230000003014 reinforcing effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 230000004075 alteration Effects 0.000 abstract description 5
- 241000592718 Ibla Species 0.000 description 5
- 101100014407 Pisum sativum GDCSP gene Proteins 0.000 description 5
- FRVLYYVWLBQABH-IDLQQWEWSA-N 3-(7-hydroxy-3,8-dithiatricyclo[5.1.0.02,4]octa-1,5-dien-4-yl)-l-alanyl-d-alanylglycyl-l-phenylalanyl-d-alaninamide Chemical compound C([C@@H](C(=O)N[C@H](C)C(N)=O)NC(=O)CNC(=O)[C@@H](C)NC(=O)[C@@H](N)CC12C(S1)=C1C(S1)(O)C=C2)C1=CC=CC=C1 FRVLYYVWLBQABH-IDLQQWEWSA-N 0.000 description 4
- 108700023208 Cys(2)-CysNH2(5)- enkephalin Proteins 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000889 atomisation Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G06T5/94—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Abstract
本发明提供了一种局部自适应的水下图像对比度增强方法,获取校正颜色后的水下图像,将校正颜色后的水下图像从RGB颜色模型转换为CIELAB颜色模型,针对亮度通道L、颜色通道a和颜色通道b分别执行不同的策略:针对亮度通道L,以局部图像块为对象,利用积分图和平方积分图统计局部图像块的均值和方差,并利用局部图像块的均值和方差自适应地增强亮度通道L的对比度;在增强亮度通道L的对比度的过程中,引入引导滤波减少噪声;针对所述颜色通道a和颜色通道b,采用颜色均衡策略均衡所述颜色通道a和颜色通道b之间的色差。该方法增强图像对比度适中、时间复杂度低、能够抑制噪声并使增强后的图像的对比度和颜色接近陆地图像。
Description
技术领域
本发明涉及水下图像处理技术领域,具体的说,涉及了一种局部自适应的水下图像对比度增强方法。
背景技术
受复杂的水下环境影响,散射作用极易造成水下图像雾化模糊和细节损失;吸收作用极易造成水下图像颜色失真、亮度和对比度降低。由于不同波长的灯光在水中具有不同的吸收特性,这也造成水下图像与陆地图像相比,具有更严重的颜色失真。其中包括水下图像的低对比度和低可视性。
最近,直方图均衡方法逐渐应用到水下图像的对比度增强工作中。然而,简单的直方图拉伸方法易引入欠增强和过增强。为了处理该问题,双直方图方法通过拉伸背景子图像和前景子图像以缓解该问题。
但是,双直方图方法耗时且复杂,易产生局部过亮或过暗。
循环堆叠的直方图方法利用分块处理解决了局部过亮或过暗问题,但该方法大大增加了算法复杂度。
为解决上述算法运算量大、运算时间长与性能增强之间的矛盾问题,以及直方图均衡方法导致的过增强、欠增强和时间复杂度高的问题,本领域技术人员一直在寻求一种既能够减轻运算量,又能够保证性能的优化方法。
为了解决以上存在的问题,人们一直在寻求一种理想的技术解决方案。
发明内容
本发明的目的是针对现有技术的不足,从而提供一种增强图像对比度适中、时间复杂度低、能够抑制噪声并使增强后的图像的对比度和颜色接近陆地图像的局部自适应的水下图像对比度增强方法。
总的来说,本发明是在颜色校正的基础上,重点解决水下图像的低对比度和低可视性问题,本发明根据局部自适应的对比度增强策略和颜色均衡策略去增强水下图像的对比度,在保证增强性能的同时显著减少了运行时间。
为了实现上述目的,本发明所采用的技术方案是:一种局部自适应的水下图像对比度增强方法,获取校正颜色后的水下图像,将所述校正颜色后的水下图像从RGB颜色模型转换为CIELAB颜色模型,针对亮度通道L、颜色通道a和颜色通道b分别执行不同的策略,表示如下:
针对亮度通道L,以局部图像块为对象,利用积分图和平方积分图统计局部图像块的均值和方差,公式表示如下:
其中,代表局部图像块的总像素值,它由积分图求解;代表局部图像块的平方像素总值,它由平方积分块求解;
uB表示局部图像块的均值;
σB表示局部图像块的方差。
该策略将时间复杂度从O(n2)降低到O(1)。
图像中的低频分量通常表示图像中较平坦的区域,图像中的高频分量通常表示图像中的边缘和纹理。在本发明中,将局部图像块的均值近似看作低频分量。如果从原局部图像块中减去低频分量可得到高频分量。在实际应用中,对高频分量适当的增强进而获得高可视性的图像。
然后,利用局部图像块的均值和方差自适应地增强亮度通道L的对比度,表达式如下:
其中,σG和σB分别表示整张图像和局部图像块B的方差;
β为增强截止因子,用于防止α过大引起的过增强,β≤3。
在增强亮度通道L的对比度的过程中,引入引导滤波减少噪声,表达式如下:
其中,κ(i,j)和ν(i,j)分别局部图像块B(i,j)中的两个线性因子。
在上式中,本发明发现当引导图像时上述公式具有较好的保边和去噪功能。
Lmax和Lmin分别表示局部图像块的最大和最小像素值。
为了获得最优的κ(i,j)和ν(i,j),本发明最小化重定义的局部图像块LgEfB和增强的局部图像块LEB采用如下损失函数:
针对所述颜色通道a和颜色通道b,采用颜色均衡策略均衡所述颜色通道a和颜色通道b之间的色差,色差均衡表达如下:
其中,和/>表示颜色通道Ia和Ib;
Iac和Ibc表示均衡的颜色通道a和b。
本发明相对现有技术具有突出的实质性特点和显著的进步,具体的说,本发明利用局部自适应的对比度增强策略:即利用积分图和平方积分图快速的统计局部图像块的均值和方差,并利用他们自适应增强图像对比度,由于该策略遍历图像仅需一次,因此可以将传统的统计局部图像块均值和方差的方法从O(n2)减小到O(1);另外,由于在增强过程中引入了去除噪声的步骤,本发明能够在增强对比度的同时较好的抑制噪声,本发明用于解决传统的直方图均衡方法极易引入过增强、欠增强和时间复杂度高的一系列问题。
另外,本发明利用颜色均衡策略:即对颜色通道a和颜色通道b之间的色差进行进一步的校正,使得增强的图像在对比度和颜色方面尽可能的接近陆地图像,得以在水下的图像处理领域广泛推广应用。
附图说明
图1为本发明局部自适应的水下图像对比度增强方法的流程示意图。
图2为本发明与其它方法针对颜色失真水下图像的增强结果和灰度直方图。
图3为本发明与其它方法针对低可视度水下图像的增强结果和灰度直方图。
图4为本发明与其它方法针对雾化模糊水下图像的增强结果和灰度直方图。
具体实施方式
为了验证本发明颜色校正的有效性,选取不同颜色失真类型的水下图像作为测试集,同时与IBLA、GDCP、CBAF和CCAE方法进行主观和客观的对比。
如图1所示,一种局部自适应的水下图像对比度增强方法,获取校正颜色后的水下图像,将所述校正颜色后的水下图像从RGB颜色模型转换为CIELAB颜色模型,针对亮度通道L、颜色通道a和颜色通道b分别执行不同的策略,表示如下:
针对亮度通道L,以局部图像块为例,利用积分图和平方积分图统计局部图像块B的均值和方差,公式表示如下:
其中,代表局部图像块的总像素值,它由积分图求解;代表局部图像块的平方像素总值,它由平方积分块求解;
uB表示局部图像块的均值;
σB表示局部图像块的方差。
该策略将时间复杂度从O(n2)降低到O(1)。
由于图像中的低频分量通常表示图像中较平坦的区域,图像中的高频分量通常表示图像中的边缘和纹理。在本发明中,将局部图像块的均值近似看作低频分量。如果从原局部图像块中减去低频分量可得到高频分量。在实际应用中,对高频分量适当的增强进而获得高可视性的图像。
然后,利用局部图像块的均值和方差自适应地增强亮度通道L的对比度,表达式如下:
其中,σG和σB分别表示整张图像和局部图像块B的方差;
β为增强截止因子,用于防止α过大引起的过增强,本实施例中,β设定为2。
在增强亮度通道L的对比度的过程中,引入引导滤波减少噪声,表达式如下:
其中,κ(i,j)和ν(i,j)分别局部图像块B(i,j)中的两个线性因子。
在上式中,本发明发现当引导图像时上述公式具有较好的保边和去噪功能。
Lmax和Lmin分别表示局部图像块的最大和最小像素值。
为了获得最优的κ(i,j)和ν(i,j),本发明最小化重定义的局部图像块和增强的局部图像块LEB采用如下损失函数:
针对所述颜色通道a和颜色通道b,采用颜色均衡策略均衡所述颜色通道a和颜色通道b之间的色差,色差均衡表达如下:
其中,和/>表示颜色通道Ia和Ib;
Iac和Ibc表示均衡的颜色通道a和b。
如图2所示,本发明展示了与其它方法测试在颜色失真水下图像的增强结果和直方图分布。由图2可知,IBLA和GDCP方法在对比度增强和细节突显方面的性能较差,CBAF和CCAE方法优于IBLA和GDCP方法,但它们在细节突显方面差于本发明。本发明增强图像的直方图相比于其它方法分布更宽且更均匀。
如图3所示,本发明展示了与其它方法测试在低可视度水下图像的增强结果和直方图分布。由图3可知,IBLA和GDCP方法在对比度增强和细节突显方面的性能较差,CBAF方法在细节突显方面差于本发明,CCAE增强的图像过亮,本发明增强的图像亮度适中、对比度高和细节清晰。本发明增强图像的直方图相比于其它方法分布更宽且更均匀。
如图4所示,本发明展示了与其它方法测试在雾化模糊水下图像的增强结果和直方图分布。由图4可知,IBLA和GDCP方法的去模糊效果较差,CBAF和CCAE有好的去模糊效果,但去雾和细节增强差于本发明。本发明增强图像的直方图相比于其它方法分布更宽且更均匀。
本实施例从图像边缘强度指标IE和水下图像质量度量指标UIQM对比不同方法,从表1和表2的数据可知,本发明具有最高的IE和UIQM值,它说明本发明在客观评估指标方面也具有较好的增强性能。综上所述,本发明从主观和客观评估方面都优于对比方法。
表1本发明方法和其它方法校正图像的IE值对比
表2本发明方法和其它方法校正图像的UIQM值对比
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制;尽管参照较佳实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换;而不脱离本发明技术方案的精神,其均应涵盖在本发明请求保护的技术方案范围当中。
Claims (3)
1.一种局部自适应的水下图像对比度增强方法,其特征在于:获取校正颜色后的水下图像,将所述校正颜色后的水下图像从RGB颜色模型转换为CIELAB颜色模型,针对亮度通道L、颜色通道a和颜色通道b分别执行不同的策略,表示如下:
针对亮度通道L,以局部图像块为对象,利用积分图和平方积分图统计局部图像块的均值和方差,利用积分图和平方积分图统计局部图像块B的均值和方差的公式表示如下:
其中,代表局部图像块的总像素值,它由积分图求解;/>代表局部图像块的平方像素总值,它由平方积分块求解;
uB表示局部图像块的均值;
σB表示局部图像块的方差;
H和W表示输入图像的高和宽,LB(i,j)表示在位置(i,j)处的像素值;
并利用局部图像块的均值和方差自适应地增强亮度通道L的对比度,利用局部图像块的均值和方差自适应地增强亮度通道L的对比度的表达式表示如下:
其中,σG和σB分别表示整张图像和局部图像块B的方差;
β为增强截止因子,用于防止α过大引起的过增强,β≤3;
在增强亮度通道L的对比度的过程中,引入引导滤波减少噪声;
针对所述颜色通道a和颜色通道b,采用颜色均衡策略均衡所述颜色通道a和颜色通道b之间的色差,所述颜色通道a和颜色通道b之间的色差均衡表达如下:
其中,和/>表示颜色通道Ia和Ib的均值;
Iac和Ibc表示均衡的颜色通道a和b。
2.根据权利要求1所述的局部自适应的水下图像对比度增强方法,其特征在于:所述亮度通道L引入引导滤波减少噪声的表达式表示如下:
其中,κ(i,j)和ν(i,j)分别为局部图像块B(i,j)中的两个线性因子;
为增强的局部图像块LEB通过归一化处理后的图像块在位置(i,j)处的像素值。
3.根据权利要求2所述的局部自适应的水下图像对比度增强方法,其特征在于:为了获得最优的κ(i,j)和ν(i,j),最小化重定义的局部图像块和增强的局部图像块LEB采用如下损失函数:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210556777.0A CN114897735B (zh) | 2022-05-20 | 2022-05-20 | 局部自适应的水下图像对比度增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210556777.0A CN114897735B (zh) | 2022-05-20 | 2022-05-20 | 局部自适应的水下图像对比度增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114897735A CN114897735A (zh) | 2022-08-12 |
CN114897735B true CN114897735B (zh) | 2023-08-11 |
Family
ID=82723827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210556777.0A Active CN114897735B (zh) | 2022-05-20 | 2022-05-20 | 局部自适应的水下图像对比度增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897735B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115908179B (zh) * | 2022-11-18 | 2023-12-22 | 河南科技学院 | 双先验优化的水下图像对比度增强方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800063A (zh) * | 2012-07-12 | 2012-11-28 | 中国科学院软件研究所 | 基于各向异性滤波的图像增强与抽象化方法 |
CN103473550A (zh) * | 2013-09-23 | 2013-12-25 | 广州中医药大学 | 基于Lab空间和局域动态阈值的植物叶片图像分割方法 |
CN103955935A (zh) * | 2014-05-07 | 2014-07-30 | 常州工学院 | 一种基于局部自适应回归的显著区域检测方法 |
WO2015157058A1 (en) * | 2014-04-07 | 2015-10-15 | Bae Systems Information & Electronic Systems Integration Inc. | Contrast based image fusion |
CN107194948A (zh) * | 2017-04-17 | 2017-09-22 | 上海大学 | 基于集成式预测与时空域传播的视频显著性检测方法 |
CN108647695A (zh) * | 2018-05-02 | 2018-10-12 | 武汉科技大学 | 基于协方差卷积神经网络的低对比度图像显著性检测方法 |
CN109429001A (zh) * | 2017-08-25 | 2019-03-05 | 杭州海康威视数字技术股份有限公司 | 图像采集方法、装置、电子设备以及计算机可读存储介质 |
CN109658343A (zh) * | 2018-11-05 | 2019-04-19 | 天津大学 | 结合颜色转换和自适应曝光的水下图像增强方法 |
CN112561804A (zh) * | 2020-10-09 | 2021-03-26 | 天津大学 | 基于多尺度细节增强的低光照水下图像增强方法 |
CN113989147A (zh) * | 2021-10-26 | 2022-01-28 | 安徽大学 | 基于直方图均衡和改进反锐化掩模的内窥镜图像增强方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8194992B2 (en) * | 2008-07-18 | 2012-06-05 | Xerox Corporation | System and method for automatic enhancement of seascape images |
-
2022
- 2022-05-20 CN CN202210556777.0A patent/CN114897735B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800063A (zh) * | 2012-07-12 | 2012-11-28 | 中国科学院软件研究所 | 基于各向异性滤波的图像增强与抽象化方法 |
CN103473550A (zh) * | 2013-09-23 | 2013-12-25 | 广州中医药大学 | 基于Lab空间和局域动态阈值的植物叶片图像分割方法 |
WO2015157058A1 (en) * | 2014-04-07 | 2015-10-15 | Bae Systems Information & Electronic Systems Integration Inc. | Contrast based image fusion |
CN103955935A (zh) * | 2014-05-07 | 2014-07-30 | 常州工学院 | 一种基于局部自适应回归的显著区域检测方法 |
CN107194948A (zh) * | 2017-04-17 | 2017-09-22 | 上海大学 | 基于集成式预测与时空域传播的视频显著性检测方法 |
CN109429001A (zh) * | 2017-08-25 | 2019-03-05 | 杭州海康威视数字技术股份有限公司 | 图像采集方法、装置、电子设备以及计算机可读存储介质 |
CN108647695A (zh) * | 2018-05-02 | 2018-10-12 | 武汉科技大学 | 基于协方差卷积神经网络的低对比度图像显著性检测方法 |
CN109658343A (zh) * | 2018-11-05 | 2019-04-19 | 天津大学 | 结合颜色转换和自适应曝光的水下图像增强方法 |
CN112561804A (zh) * | 2020-10-09 | 2021-03-26 | 天津大学 | 基于多尺度细节增强的低光照水下图像增强方法 |
CN113989147A (zh) * | 2021-10-26 | 2022-01-28 | 安徽大学 | 基于直方图均衡和改进反锐化掩模的内窥镜图像增强方法 |
Non-Patent Citations (1)
Title |
---|
"水下光学图像清晰化技术研究";张卫东;《大连海事大学》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114897735A (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108053374B (zh) | 一种结合双边滤波与Retinex的水下图像增强方法 | |
US8842912B2 (en) | Method for processing highlights and saturated regions in a digital image | |
CN112419162A (zh) | 图像去雾方法、装置、电子设备及可读存储介质 | |
CN108090876B (zh) | 一种图像处理方法及装置 | |
US6614944B1 (en) | Image enhancement filter with adaptive threshold | |
US9830690B2 (en) | Wide dynamic range imaging method | |
CN109886885B (zh) | 一种基于Lab色彩空间和Retinex的图像增强方法及系统 | |
CN111968065B (zh) | 一种亮度不均匀图像的自适应增强方法 | |
CN109816608B (zh) | 一种基于噪声抑制的低照度图像自适应亮度增强方法 | |
CN105931206B (zh) | 一种颜色恒常的彩色图像清晰度增强方法 | |
CN110689504B (zh) | 一种基于二次引导透射图的水下图像复原方法 | |
CN112116536A (zh) | 一种低光照图像增强方法及系统 | |
CN115578297A (zh) | 一种自适应色彩补偿与细节优化的广义衰减图像增强方法 | |
CN112053298B (zh) | 一种图像去雾方法 | |
CN114897735B (zh) | 局部自适应的水下图像对比度增强方法 | |
CN104766285A (zh) | 一种水下降质图像的自适应增强方法 | |
CN111476744A (zh) | 一种基于分类及大气成像模型的水下图像增强方法 | |
CN114037641A (zh) | 一种低照度图像增强方法、装置、设备及介质 | |
CN111028181B (zh) | 一种图像增强处理方法、装置、设备及存储介质 | |
CN106023117B (zh) | 基于非线性亮度提升模型的逆光图像恢复方法 | |
KR101101434B1 (ko) | 이미지 선명도 향상 장치 | |
CN114820385B (zh) | 局部自适应的水下图像颜色校正方法 | |
CN113256533B (zh) | 基于msrcr的自适应低照度图像增强方法及系统 | |
US8416323B2 (en) | Noise reduction method and noise reduction apparatus | |
Corchs et al. | Enhancing underexposed images preserving the original mood |
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 |