CN112396061A - 基于目标灰度倾向加权的Otsu目标检测方法 - Google Patents
基于目标灰度倾向加权的Otsu目标检测方法 Download PDFInfo
- Publication number
- CN112396061A CN112396061A CN202011342948.7A CN202011342948A CN112396061A CN 112396061 A CN112396061 A CN 112396061A CN 202011342948 A CN202011342948 A CN 202011342948A CN 112396061 A CN112396061 A CN 112396061A
- Authority
- CN
- China
- Prior art keywords
- gray
- otsu
- image
- target
- threshold value
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于目标灰度倾向加权的Otsu目标检测法,包括以下步骤:步骤S1:对待测图像进行灰度化处理,获得待测图像的灰度直方图;步骤S2:根据得到的待测图像的灰度直方图,确定期望阈值;步骤S3:根据期望阈值,计算前景和背景像素点出现概率及其灰度均值;步骤S4:根据期望阈值选择要更改的灰度倾向系数,若期望阈值更接近高灰度区域就选择高倾向度系数α,反之若更接近低灰度区域就选择低倾向度系数β;步骤S5:采用改进的Otsu类间方差公式进行梯度谷值加权,获得使方差最大的阈值,实现目标与背景的分离。本发明当目标与背景的对比度很低时,能够更准确地剥离目标与背景图像。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种基于目标灰度倾向加权的Otsu目标检测法。
背景技术
近些年,电润湿这种新型的显示技术开始崭露头角,它是一种电子纸显示器,具有响应速度快、造价低,能量损耗小等优点,有望引领潮流,成为下一代主流显示器。像素开口率是描述油墨运动规律的重要指标之一,能够一定程度上反映电润湿的显示性能,对于电润湿显示技术的研究具有重要意义。计算像素开口率则需要将电润湿图像的油墨从背景中分割出来,自动阈值技术是图像分割常用的技术。
Otsu是常用的全局阈值方法,但是Otsu法在目标和图像背景的大小相差很大时,该方法容易失败。谷强调(VE)法用目标函数中的谷点信息进行谷点强调,但对于目标与背景方差差距很大的图像,则不能成功地分割。对此,邻域谷强调(NVE)法则利用谷点的邻域信息进一步提高分割质量。
发明内容
有鉴于此,本发明的目的在于提供一种基于目标灰度倾向加权的 Otsu目标检测法,当目标与背景的对比度很低时,能够更准确地剥离目标与背景图像;
为实现上述目的,本发明采用如下技术方案:
一种基于目标灰度倾向加权的Otsu目标检测法,包括以下步骤:
步骤S1:对待测图像进行灰度化处理,获得待测图像的灰度直方图;
步骤S2:根据得到的待测图像的灰度直方图,确定期望阈值;
步骤S3:根据期望阈值,计算前景和背景像素点出现概率及其灰度均值;
步骤S4:根据期望阈值选择要更改的灰度倾向系数,若期望阈值更接近高灰度区域就选择高倾向度系数α,反之若更接近低灰度区域就选择低倾向度系数β;
步骤S5:采用改进的Otsu类间方差公式进行梯度谷值加权,获得使方差最大的阈值,实现目标与背景的分离。
进一步的,所述步骤S2具体为:根据得到的待测图像的灰度直方图确定期望阈值位置,若是单峰直方图则期望阈值紧靠在在峰的右侧,若是双峰直方图则期望阈值应紧靠在第二个峰的左侧。
所述前景和背景像素点出现概率的计算公式为:
式中t表示某个像素点的灰度值,灰度t将图像分成灰度值为 [0,t-1]的前景L1和灰度值为[t,L-1]的背景L2,L为图像的灰阶数;所述p(i)表示灰度值为i的像素点出现的概率,公式为:
式中n(i)表示灰度值为i的像素个数,N表示图像有N个像素。
进一步的,所述前景和背景像素点灰度均值的计算公式为:
进一步的,所述所述灰度偏向的确定依据为传统Otsu法确定的图像分割阈值TOtsu与理想阈值TIdeal的灰度偏差Δt,计算公式为:
Δt=TOtsu-TIdeal
若所述灰度偏差Δt>0,选择低倾向度系数β;若所述灰度偏差Δt<0,选择高倾向度系数α。
进一步的,所述改进的Otsu类间方差公式,具体为:
Otsu类间方差公式为:
梯度谷值加权的系数为:
灰度倾向加权的系数为:
p1(t)αp2(t)β
改进后的类间方差公式为:
其中,p1(t)、p2(t)分别为图像前景和背景的像素发生概率,μ1(t)、μ2(t)分别为图像前景和背景的灰度均值。
进一步的,所述阈值具体公式为:
式中T为所述获得的阈值。
本发明与现有技术相比具有以下有益效果:
本发明当目标与背景的对比度很低时,也能够更准确地分割目标与背景图像。
附图说明
图1为本发明实施例的流程示意图;
图2为本发明实施例在电润湿图像上的结果示意图,其中(a)为原始图像;(b)为GPVE分割结果;(c)为WOV分割结果;(d)为Otsu分割结果;(e)为VE分割结果;(f)为NVE分割结果;(g)为灰度直方图和阈值;
图3为本发明实施例分别使用α=2、α=5、α=10时对图片的分割效果;
图4为本发明实施例的结果示意图,其中(a)为原始图像;(b)为 GPVE分割结果;(c)为Otsu分割结果;(d)为灰度直方图和阈值。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种基于目标灰度倾向加权的Otsu目标检测法,包括以下步骤:
步骤S1:对待测图像进行灰度化处理,获得待测图像的灰度直方图;
步骤S2:根据得到的待测图像的灰度直方图,确定期望阈值;
步骤S3:根据期望阈值,计算前景和背景像素点出现概率及其灰度均值;
步骤S4:根据期望阈值选择要更改的灰度倾向系数,若期望阈值更接近高灰度区域就选择高倾向度系数α,反之若更接近低灰度区域就选择低倾向度系数β;
步骤S5:采用改进的Otsu类间方差公式进行梯度谷值加权,获得使方差最大的阈值,实现目标与背景的分离。
在本实施例中,所述步骤S2具体为:根据得到的待测图像的灰度直方图确定期望阈值位置,若是单峰直方图则期望阈值紧靠在在峰的右侧,若是双峰直方图则期望阈值应紧靠在第二个峰的左侧。
所述前景和背景像素点出现概率的计算公式为:
式中t表示某个像素点的灰度值,灰度t将图像分成灰度值为 [0,t-1]的前景L1和灰度值为[t,L-1]的背景L2,L为图像的灰阶数;所述p(i)表示灰度值为i的像素点出现的概率,公式为:
式中n(i)表示灰度值为i的像素个数,N表示图像有N个像素。
在本实施例中,所述前景和背景像素点灰度均值的计算公式为:
在本实施例中,所述所述灰度偏向的确定依据为传统Otsu法确定的图像分割阈值TOtsu与理想阈值TIdeal的灰度偏差Δt,计算公式为:
Δt=TOtsu-TIdeal
若所述灰度偏差Δt>0,选择低倾向度系数β;若所述灰度偏差Δt<0,选择高倾向度系数α。
在本实施例中,利用灰度出现的概率累积函数在过峰前后像素发生的累积量具有显著差异的特点,将p1(t)、p2(t)设置为灰度倾向参数。p1(t)过峰前像素发生的累积量低,权值较小,过峰后像素发生的累积量高,权值也随之增大。p1(t)使阈值有往右移动的趋势,为高灰度倾向参数。而p2(t)有相反的变化规律,为低灰度倾向参数;
所述改进的Otsu类间方差公式,具体为:
Otsu类间方差公式为:
梯度谷值加权的系数为:
灰度倾向加权的系数为:
p1(t)αp2(t)β
改进后的类间方差公式为:
其中,p1(t)、p2(t)分别为图像前景和背景的像素发生概率,μ1(t)、μ2(t)分别为图像前景和背景的灰度均值。
本实施例中,改进后的类间方差公式通过加入包含灰度直方图的谷值信息的谷值系数,矫正了因加入灰度倾向参数而造成的阈值偏离波谷的趋势,将偏离波谷的阈值拉回波谷。该方法将谷值系数的梯度和幅值进行最大最小值归一化,拉大了谷值与非谷值之间的差距,使阈值更靠近谷值;
P′(t)=|P(t+1)-P(t)|
式中的梯度谷值系数用梯度和幅值提取灰度直方图的谷值信息,拉大了谷值与非谷值之间的差距,使阈值更靠近谷值;
期望阈值的位置与电润湿像素显示状态紧密相关,当电润湿像素为“关”状态时,墨水铺满整个像素点,目标呈现低灰度且灰度直方图呈现单峰,由于此时开口率为0,所以此时期望阈值在峰的右边。当电润湿像素逐渐打开时,开口率逐渐增大,直方图从单峰转变成双峰。双峰时,左峰代表灰度较低的油墨像素,右峰为灰度较高的基板像素。由于油墨为液态,颜色的非均匀性在油墨边缘更加明显,颜色随着油墨堆积的厚度的不同而有不同的灰度值,油墨的灰度跨度较大。由于背景基板颜色是固定不变的,灰度跨度较小,所以双峰时期望阈值应紧靠在第二个峰的左下边缘;
高灰度倾向参数p1(t)和低灰度倾向参数p2(t)在背景和目标灰度很接近0或者255的极端情况下,背景和目标的对比度极低,需要有更强的灰度倾向。对p1(t)、p2(t)分别引入高倾向度系数α和低倾向度系数β进行指数运算,用以增强灰度倾向,拉大峰值左右两边的权值差异,使分割阈值向最佳分割阈值移动;
在本实施例中,所述阈值具体公式为:
式中T为所述获得的阈值。
实施例1:
参考图2,本实施例提供了一种基于目标灰度倾向加权的Otsu 目标检测法,该方法首先对输入图像进行处理获得灰度直方图,然后根据灰度直方图信息确定期望阈值的大致位置,接着计算前景和背景像素点出现概率及其灰度均值,然后根据期望阈值选择要更改的灰度倾向系数,若期望阈值更接近高灰度区域就选择高倾向度系数α,反之若更接近低灰度区域就选择低倾向度系数β,在背景和目标灰度在很接近0或者255的极端情况下,适当提高倾向度系数有助于阈值T 向最佳阈值靠近。此时的阈值T在单双峰情况下有偏离谷值的趋势,采取加入梯度谷值系数的方法对Otsu类间方差公式进行修正,最后获得使方差最大的阈值T,实现目标与背景的分离;
在本实施例中,采用如图2(a)所示的深色油墨的电润湿图像,液态油墨颜色的非均匀性在油墨边缘更加明显,其颜色随着油墨堆积的厚度的不同而有不同的灰度值,油墨的灰度跨度较大。背景基板颜色是固定不变的,灰度跨度较小。可以看到油墨边缘和背景基板的对比度很低;
期望阈值的位置与电润湿像素显示状态紧密相关。如图2所示,本实施例电润湿像素显示状态为“开”,其灰度直方图为双峰。此时,左峰代表灰度较低的油墨像素,右峰为灰度较高的基板像素。由于油墨为液态,颜色的非均匀性在油墨边缘更加明显,颜色随着油墨堆积的厚度的不同而有不同的灰度值,油墨的灰度跨度较大。由于背景基板颜色是固定不变的,灰度跨度较小,所以此时期望阈值应紧靠在第二个峰的左下边缘;
在本实施例中,对输入的电润湿图像进行处理获得灰度直方图具体包括对输入的电润湿图像灰度化处理,然后获得灰度直方图,如图 2(g)所示;
所述Otsu类间方差公式为:
所述梯度谷值加权的系数为:
所述灰度倾向加权的系数为:
p1(t)αp2(t)β
改进后的类间方差公式为:
式中,p1(t)、p2(t)分别为图像前景和背景的像素发生概率。所述μ1(t)、μ2(t)分别为图像前景和背景的灰度均值。所述α、β分别为高倾向度系数和低倾向度系数,且α和β的初始值为1;
本实施例的油墨颜色较浅,在边缘处油墨与背景的对比度非常低,因此需要较高的灰度倾向。所述倾向度系数α的大小通过实验分析选定,实验分别测量了倾向参数的指数α=2,5,10的分割结果,如图 3所示。通过测量白色像素的面积发现当α=10时分割结果与实际结果最接近。因此本实施例采用α=10;
P′(t)=|P(t+1)-P(t)|
式中的梯度谷值系数用梯度和幅值提取灰度直方图的谷值信息,拉大了谷值与非谷值之间的差距,使阈值更靠近谷值;
在本实施例中,改进的Otsu类间方差公式通过加入包含灰度直方图的谷值信息的谷值系数,矫正了因加入灰度倾向参数而造成的阈值偏离波谷的趋势,将偏离波谷的阈值拉回波谷。该方法将谷值系数的梯度和幅值进行最大最小值归一化,使阈值更靠近谷值;
所述使类间方差达到最大而获得的阈值具体公式为:
式中T为所述获得的阈值;
在本实施例中,T=137.5时,为类间方差达到最大而获得的阈值,从图2(g)中可以看出,WOV的分割结果在第一个峰值的左侧,不能正确分割缺陷。而常规的阈值分割方法如VE、NVE和Otsu方法分割结果落在双峰之间的谷值,效果较好,但并没有紧靠着第二个峰值,因此分割误差仍然较大。而本发明所述方法能正确分割图像,使阈值落在紧邻峰值的左侧,分割更加准确。
为了验证该方法的有效性,本实施例采用ME对各自动阈值方法的性能进行评估。ME反映的是错误分配给前景或者背景像素的百分比。ME法可以简单表示为
其中,BO代表手动阈值化图像背景,BT代表不同方法分割的图像背景。FO代表手动阈值化图像前景,FO代表不同方法分割的图像前景。对于分割完全正确的图像,ME值等于0。ME的值越大,分割效果越差,当ME的值为1时,那么此时的分割是完全错误的。
表1为使用5种不同的自动阈值方法本实施例的电润湿图像进行处理时的ME值。从表中可以看到,WOV的ME值较高,Otsu、VE 和NVE的ME值都在0.1附近,而本文方法的ME值的数值更加接近0,具有最佳的分割效果。
表1五种方法处理电润湿图像的ME值
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (7)
1.一种基于目标灰度倾向加权的Otsu目标检测法,其特征在于,包括以下步骤:
步骤S1:对待测图像进行灰度化处理,获得待测图像的灰度直方图;
步骤S2:根据得到的待测图像的灰度直方图,确定期望阈值;
步骤S3:根据期望阈值,计算前景和背景像素点出现概率及其灰度均值;
步骤S4:根据期望阈值选择要更改的灰度倾向系数,若期望阈值更接近高灰度区域就选择高倾向度系数α,反之若更接近低灰度区域就选择低倾向度系数β;
步骤S5:采用改进的Otsu类间方差公式进行梯度谷值加权,获得使方差最大的阈值,实现目标与背景的分离。
2.根据权利要求1所述的基于目标灰度倾向加权的Otsu目标检测法,其特征在于,
所述步骤S2具体为:根据得到的待测图像的灰度直方图确定期望阈值位置,若是单峰直方图则期望阈值紧靠在在峰的右侧,若是双峰直方图则期望阈值应紧靠在第二个峰的左侧。
5.根据权利要求1所述的基于目标灰度倾向加权的Otsu目标检测法,其特征在于,所述所述灰度偏向的确定依据为传统Otsu法确定的图像分割阈值TOtsu与理想阈值TIdeal的灰度偏差Δt,计算公式为:
Δt=TOtsu-TIdeal
若所述灰度偏差Δt>0,选择低倾向度系数β;若所述灰度偏差Δt<0,选择高倾向度系数α。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011342948.7A CN112396061B (zh) | 2020-11-25 | 2020-11-25 | 基于目标灰度倾向加权的Otsu目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011342948.7A CN112396061B (zh) | 2020-11-25 | 2020-11-25 | 基于目标灰度倾向加权的Otsu目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112396061A true CN112396061A (zh) | 2021-02-23 |
CN112396061B CN112396061B (zh) | 2023-04-14 |
Family
ID=74604203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011342948.7A Active CN112396061B (zh) | 2020-11-25 | 2020-11-25 | 基于目标灰度倾向加权的Otsu目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396061B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379680A (zh) * | 2021-05-18 | 2021-09-10 | 上海闻泰信息技术有限公司 | 缺陷检测方法、装置、电子设备和计算机可读存储介质 |
CN114742784A (zh) * | 2022-03-31 | 2022-07-12 | 精诚工坊电子集成技术(北京)有限公司 | 皮肤图像红血丝标记方法、评价方法及其*** |
CN116343199A (zh) * | 2023-05-25 | 2023-06-27 | 安徽高哲信息技术有限公司 | 小麦黑胚粒识别方法、装置、电子设备和可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1282076A2 (en) * | 2001-07-31 | 2003-02-05 | Canon Kabushiki Kaisha | Self-adaptive binarization of digital images |
WO2007078258A1 (en) * | 2006-01-06 | 2007-07-12 | Agency For Science, Technology And Research | Obtaining a threshold for partitioning a dataset based on class variance and contrast |
CN103778624A (zh) * | 2013-12-20 | 2014-05-07 | 中原工学院 | 一种基于最优阈值分割的织物疵点检测方法 |
CN110033458A (zh) * | 2019-03-12 | 2019-07-19 | 中国矿业大学 | 一种基于像素梯度分布的图像阈值确定方法 |
CN110400320A (zh) * | 2019-07-25 | 2019-11-01 | 福州大学 | 一种电润湿缺陷像素的分割方法 |
-
2020
- 2020-11-25 CN CN202011342948.7A patent/CN112396061B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1282076A2 (en) * | 2001-07-31 | 2003-02-05 | Canon Kabushiki Kaisha | Self-adaptive binarization of digital images |
WO2007078258A1 (en) * | 2006-01-06 | 2007-07-12 | Agency For Science, Technology And Research | Obtaining a threshold for partitioning a dataset based on class variance and contrast |
CN103778624A (zh) * | 2013-12-20 | 2014-05-07 | 中原工学院 | 一种基于最优阈值分割的织物疵点检测方法 |
CN110033458A (zh) * | 2019-03-12 | 2019-07-19 | 中国矿业大学 | 一种基于像素梯度分布的图像阈值确定方法 |
CN110400320A (zh) * | 2019-07-25 | 2019-11-01 | 福州大学 | 一种电润湿缺陷像素的分割方法 |
Non-Patent Citations (2)
Title |
---|
PING-SUNG LIAO等: "A Fast Algorithm for Multilevel Thresholding", 《JOURNAL OF INFORMATION SCIENCE AND ENGINEERING》 * |
吴俊辉: "Otsu算法优化研究", 《CNKI优秀硕士学位论文全文库·信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379680A (zh) * | 2021-05-18 | 2021-09-10 | 上海闻泰信息技术有限公司 | 缺陷检测方法、装置、电子设备和计算机可读存储介质 |
CN113379680B (zh) * | 2021-05-18 | 2023-05-23 | 上海闻泰信息技术有限公司 | 缺陷检测方法、装置、电子设备和计算机可读存储介质 |
CN114742784A (zh) * | 2022-03-31 | 2022-07-12 | 精诚工坊电子集成技术(北京)有限公司 | 皮肤图像红血丝标记方法、评价方法及其*** |
CN116343199A (zh) * | 2023-05-25 | 2023-06-27 | 安徽高哲信息技术有限公司 | 小麦黑胚粒识别方法、装置、电子设备和可读存储介质 |
CN116343199B (zh) * | 2023-05-25 | 2023-09-19 | 安徽高哲信息技术有限公司 | 小麦黑胚粒识别方法、装置、电子设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112396061B (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112396061B (zh) | 基于目标灰度倾向加权的Otsu目标检测方法 | |
CN113689428A (zh) | 基于图像处理的机械零件应力腐蚀检测方法及*** | |
CN112200800B (zh) | 一种基于灰度直方图的电润湿显示器缺陷检测方法 | |
CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN112424828A (zh) | 一种集成空间约束的核模糊c均值快速聚类算法 | |
US20080025635A1 (en) | Method, medium, and system compensating shadow areas | |
CN109035273B (zh) | 一种免疫层析试纸卡的图像信号快速分割方法 | |
CN111652213A (zh) | 一种基于深度学习的船舶水尺读数识别方法 | |
CN115294099B (zh) | 一种钢板轧制过程发纹缺陷的检测方法及*** | |
CN113888536B (zh) | 一种基于计算机视觉的印刷品重影检测方法及*** | |
CN117557820B (zh) | 一种基于机器视觉的量子点光学膜损伤检测方法及*** | |
CN114612345A (zh) | 一种基于图像处理的光源检测方法 | |
US8055063B2 (en) | Methods and systems for improving robustness of color balance correction | |
CN115147418A (zh) | 缺陷检测模型的压缩训练方法和装置 | |
CN117437238B (zh) | 一种封装ic表面缺陷视觉检测方法 | |
CN110827327B (zh) | 一种基于融合的长期目标跟踪方法 | |
CN114882204A (zh) | 船名自动识别方法 | |
CN109858484A (zh) | 一种基于偏斜评价的多类别变换车牌校正算法 | |
CN110400320B (zh) | 一种电润湿缺陷像素的分割方法 | |
CN116977230A (zh) | 一种扫描电子显微镜图像优化增强方法 | |
CN115294314B (zh) | 一种电子元器件表面缺陷识别方法 | |
CN116363136A (zh) | 一种机动车部件自动化生产在线筛选方法及*** | |
CN116579985A (zh) | 一种基于RefineDet模型的晶圆缺陷检测方法 | |
CN114677670A (zh) | 一种身份证篡改自动识别与定位的方法 | |
CN112950655A (zh) | 基于深度学习的土地利用信息自动提取方法 |
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 |