影像融合
像融合的计算公式
像融合的计算公式在当今信息爆炸的时代，图像处理技术已经成为了各行各业中不可或缺的一部分。
而在图像处理技术中，像融合技术是一种非常重要的技术手段。
通过像融合技术，我们可以将多幅图像融合在一起，从而得到一幅更加完整、更有信息量的图像。
在本文中，我们将探讨像融合的计算公式及其在图像处理中的应用。
首先，我们来看一下像融合的基本原理。
像融合的基本原理是将多幅图像融合在一起，从而得到一幅更加完整、更有信息量的图像。
在实际应用中，像融合技术可以用于医学影像处理、遥感图像处理、安防监控等领域。
在医学影像处理中，像融合技术可以将不同模态的医学影像融合在一起，从而得到更加全面的诊断信息。
在遥感图像处理中，像融合技术可以将多幅遥感图像融合在一起，从而得到更加清晰、更加详细的地图信息。
在安防监控领域，像融合技术可以将多个监控摄像头的图像融合在一起，从而得到更加全面、更加准确的监控信息。
那么，像融合的计算公式是怎样的呢？在像融合技术中，最常用的计算公式是加权平均法。
加权平均法是将多幅图像的像素值进行加权平均，从而得到融合后的图像。
具体来说，假设有n幅图像，每幅图像的像素值为I1、I2、...、In，而它们对应的权重分别为w1、w2、...、wn，那么融合后的图像像素值I为：I = (w1 I1 + w2 I2 + ... + wn In) / (w1 + w2 + ... + wn)。
在这个公式中，权重wi可以根据不同的应用场景来进行调整。
例如，在医学影像处理中，不同模态的医学影像可能具有不同的重要性，因此可以根据医生的建议来设置不同的权重。
在遥感图像处理中，不同波段的遥感图像可能具有不同的信息量，因此可以根据波段的特性来设置不同的权重。
在安防监控领域中，不同监控摄像头的图像可能具有不同的视野范围，因此可以根据监控需求来设置不同的权重。
除了加权平均法之外，像融合技术还有很多其他的计算公式。
例如，最大值法是将多幅图像的像素值取最大值，从而得到融合后的图像；最小值法是将多幅图像的像素值取最小值，从而得到融合后的图像；中值法是将多幅图像的像素值进行排序，然后取中间值作为融合后的像素值。
影像融合方法
影像融合方法影像融合方法是将多个不同传感器获取的影像数据进行整合和处理，以获得更为丰富和准确的信息。
以下是50条关于影像融合方法的详细描述：1. 影像融合是一种通过整合多个源的影像数据，以获得更高质量、更全面信息的方法。
2. 传统影像融合方法包括像素级融合、特征级融合和决策级融合。
3. 像素级融合是指将来自多个传感器的影像数据像素级别地进行融合。
4. 特征级融合是指将各传感器提取出的特征进行融合，以提高对目标的检测和识别准确度。
5. 决策级融合是指将多个传感器的决策结果进行融合，以得到更可靠的最终决策。
6. 现代影像融合方法包括基于深度学习的融合方法，如卷积神经网络。
7. 基于深度学习的影像融合方法能够学习到更高级别的特征，从而提高融合效果。
8. 多尺度影像融合是一种重要的融合方法，能够整合不同分辨率的影像数据。
9. 多尺度影像融合方法能够充分利用不同分辨率影像的信息，提高综合信息的质量。
10. 高光谱影像融合是指将高光谱影像和其他传感器获取的影像数据进行整合。
11. 高光谱影像融合方法能够提供更为丰富和准确的光谱信息。
12. 雷达和光学影像融合是一种常见的融合方法，能够整合雷达和光学传感器获取的数据。
13. 雷达和光学影像融合方法能够提高对地物的检测和识别能力。
14. 红外和可见光影像融合是一种常见的融合方法，能够提供更全面的信息。
15. 深度学习在红外和可见光影像融合中有着广泛的应用，能够提高融合效果。
16. 影像融合方法还包括了时序影像数据的融合，能够整合多时相的影像数据。
17. 时序影像数据融合方法能够用于监测和分析地表变化。
18. 并行影像融合是指同时融合多个传感器获取的影像数据，以提高处理效率。
19. 并行影像融合方法能够大幅提高数据处理的速度和效率。
20. 自适应影像融合是一种考虑场景多样性的融合方法，根据场景的不同自适应选择最佳融合方式。
21. 自适应影像融合方法能够应对不同场景下的光照、云层等影响因素。
医学影像系统中的多源数据融合技术
医学影像系统中的多源数据融合技术医学影像是一种非侵入性的医学检查方式，可以为医生提供人体内部结构和器官的具体信息。
医学影像系统中的多源数据融合技术是指将来自不同来源的医学影像数据集成起来，以提高医生的诊断准确性和效率。
一、医学影像系统中的数据来源医学影像系统中主流的数据来源有三种：CT扫描、核磁共振成像和超声波成像。
CT扫描是指使用X射线计算机断层扫描机获取人体内部组织和器官的图像，核磁共振成像是利用磁共振原理在人体内部生成磁场并获取图像，超声波成像则是使用声波探头获得人体内部结构图像。
二、多源数据融合技术的意义在现代医学中，医生需要根据不同的情况选用不同的医学影像技术进行检查。
然而，单个医学影像技术并不能满足所有诊断需求。
此时，通过将来自不同来源的医学影像数据进行融合，可以从多个视角获取人体内部的更全面、更准确的信息，有助于医生做出更加准确的诊断和治疗方案。
三、多源数据融合技术的实现方法1.基于图像对齐的数据融合该方法主要使用几何校正算法将来自不同技术的医学影像数据进行对齐，然后使用像素值进行图像融合。
该方法适用于CT扫描和核磁共振成像数据的融合。
2.基于特征提取的数据融合该方法通过提取医学影像数据中的各种视觉特征，如边缘、纹理等，将不同数据源的特征进行合并，从而实现数据融合。
该方法适用于各种医学影像技术的数据融合。
3.基于深度学习的数据融合该方法主要使用深度学习技术对多个医学影像数据进行联合训练，并通过深度神经网络实现融合。
该方法能够自动学习不同数据源之间的关系，适用于各种医学影像技术的数据融合。
四、多源数据融合技术的应用多源数据融合技术在医学影像中的应用非常广泛，包括肺部、心脏、乳腺、肝脏等各个部位的影像分析和诊断。
例如，在肺癌的诊断中，通过对不同来源的CT扫描和PET图像进行融合，可以提高病变灶的定位和识别准确性。
总之，多源数据融合技术是医学影像系统中的重要技术手段，通过将来自不同来源的医学影像数据进行融合，有助于提高医生的诊断准确性和效率，同时也方便了医生做出更加准确的诊断和治疗方案。
谈医学影像的融合
谈医学影像的融合在当代医学领域，医学影像的融合已经成为一项重要的技术。
通过将不同类型的医学影像数据融合在一起，医生和医疗技术人员能够更准确，更全面地了解患者的病情，从而制定更有效的治疗方案。
本文将探讨医学影像融合的意义、方法和应用。
一、医学影像融合的意义医学影像融合的意义在于提供全面且准确的病情信息。
传统的医学影像技术只能提供某一方面的信息，如X射线影像只能显示骨骼结构，超声波只能观察软组织，CT和MRI能够提供更多的解剖信息，但对于功能性和代谢性信息的获取仍然有限。
而医学影像融合则可以将不同类型的影像数据进行整合，使医生能够从多个角度全面了解患者的病情。
其次，医学影像融合还能够帮助医生进行精确定位和准确诊断。
通过将不同类型的影像数据进行融合，医生可以更准确地定位病灶并进行诊断。
例如，在肿瘤治疗中，医生可以通过融合CT、MRI和PET等影像数据，确定肿瘤的位置、大小和代谢活性，从而制定更精确的手术方案或放疗方案。
此外，医学影像融合还可以提高手术的安全性和成功率。
在手术导航中，医生可以通过将预操作的CT或MRI影像与实时的X射线影像进行融合，实现三维导航和实时定位，从而更安全地进行手术操作。
此外，在微创手术中，医学影像融合还可以提供更准确的可视化引导，减少手术创伤并提高手术成功率。
二、医学影像融合的方法医学影像融合的方法多种多样，常见的方法包括图像注册、分割和融合等。
图像注册是将不同类型的影像数据进行对齐和匹配，使其在相同的坐标系下进行比较和融合。
常见的图像注册方法有基于特征的方法、基于相似性度量的方法和基于变形场的方法等。
图像分割是将医学影像中的感兴趣区域进行标记和提取，以便针对性地进行融合。
常见的图像分割方法有基于阈值的方法、边缘检测方法和区域生长方法等。
图像融合是将不同类型的医学影像数据进行融合，呈现在同一幅图像中。
常用的图像融合方法有加权平均法、可变权重法和多尺度变换法等。
三、医学影像融合的应用医学影像融合在临床医学中有着广泛的应用。
医学影像诊断中的数据融合方法使用教程
医学影像诊断中的数据融合方法使用教程导语：随着医学影像技术的发展和进步，医学影像诊断在临床实践中扮演着重要的角色。
然而，由于医学影像技术的限制和局限性，单一的影像无法提供全面准确的诊断信息。
为解决这一问题，数据融合方法在医学影像诊断中被广泛应用。
本文将介绍医学影像诊断中常用的数据融合方法及其使用教程。
一、数据融合方法的概述数据融合是指将来自不同来源或不同模态的数据进行整合和组合，以增加信息量、提高准确性和可靠性的一种技术方法。
在医学影像诊断中，数据融合方法可以将先进的图像处理技术与不同类型的医学影像进行结合，从而实现更准确、全面的诊断结果。
常见的数据融合方法包括以下几种：1. 图像融合（Image Fusion）：将来自不同模态的医学影像进行融合，生成一幅包含多种信息的合成影像。
常用的图像融合方法包括像素级融合、特征级融合和决策级融合。
2. 数据融合（Data Fusion）：将来自不同来源的医学影像和其他临床数据进行融合，以获取全面的信息。
数据融合可以包括文本数据、数字数据和图形数据等。
3. 强化学习融合（Reinforcement Learning Fusion）：使用增强学习算法对医学影像进行学习和融合，以获取更准确的诊断结果。
二、图像融合方法的使用教程图像融合是医学影像诊断中常用的数据融合方法之一，下面将介绍图像融合方法的使用教程。
1. 确定融合需求：首先需要确定何种类型的医学影像需要进行融合，例如CT和MRI影像的融合。
根据具体的融合需求，选择合适的图像融合方法。
2. 数据预处理：对需要融合的医学影像进行预处理，包括图像对齐、质量校正和噪声去除等。
确保原始数据的准确性和一致性。
3. 图像融合方法选择：根据融合需求，选择合适的图像融合方法。
常见的图像融合方法包括像素级融合、特征级融合和决策级融合。
根据实际应用场景，选择最适合的方法。
4. 图像融合算法实现：根据选择的融合方法，使用相应的算法实现图像融合。
第06章影像融合
数据融合的发展
数据融合的概念始于70年代。进入20世纪90年代以后，随 着多种遥感卫星的发射成功，从不同遥感平台获得的不同 空间分辫率和时间分辫率的遥感影像形成了多级分辫率的 影像金字塔序列，给遥感用户提供了从粗到精、从多光谱 到高光谱的多种遥感数据源。融合的发展在一定程度上解 决了多种数据源综合分析的问题。
象素级融合
像素级融合是最低层次的图像融合，它将经过高精度图像 配准后的多源影像数据按照一定的融合原则，进行像素的 合成，生成一幅新的影像。融合的目的在于提高图像质量 ，提供良好的地物细节信息，直接服务于目视解译，自动 分类。高空间分辫率的全色影像和高光谱分辫率的高光谱 影像的像素级融合影像一般具有以下性质(Wald, 1997)
像素级融合结果比较
像素级融合结果比较
像素级融合结果比较
像素级融合结果比较
基于小波的IHS融合
基于融合的去云
基于融合的去云
基于融合的去云
特征级融合－流程
特征级融合-特征提取
特征级融合-特征提取
特征级融合-特征提取
特征级融合-特征提取
3、遥感与非遥感数据的融合
遥感与非遥感数据融合的意义
3.与此同时，人们越来越感到由于遥感本身以及实际应用 中的局限性，要真正认识事物，并非遥感独家所能完成。 它需要其它学科的支持，只有遥感与非遥感数据的融合， 如与气象、水文数据，与重力、磁力等地球物理增息，与 地球化学勘探数据，与专题地图数据，以及与数字地形模 型(DTM )等数据融合，进行综合分析，才能更好地发挥作 用。
特征级
Dempster-shafer推理法;聚类分析法;贝叶斯估计法;嫡法; 带权平均法;表决法及神经网络法等。
决策级
贝叶斯估计法;专家系统;靠性理论以及逻辑模板法等神经 网络法，模糊集理论，可靠性理论以及逻辑模板法等。
影像融合评价指标
影像融合评价指标
影像融合评价指标是用来衡量影像融合效果的数值指标。
常用的影像融合评价指标包括：
1. 像素级评价指标：包括互信息、相关系数、均方误差等，用于评估融合后图像与原始图像之间的相似度。
2. 结构级评价指标：包括结构相似性指标（SSIM）、多尺度结构相似性指标（MSSIM）等，用于评估融合后图像与原始图像之间的结构相似性。
3. 色彩级评价指标：包括色彩保真度、亮度保真度等，用于评估融合后图像的色彩还原能力。
4. 目标检测评价指标：用于评估融合后图像对目标检测算法的影响，常用的指标有目标检测准确率、目标检测召回率等。
5. 主观评价指标：通过人眼主观视觉感受的评价指标，如图像的清晰度、对比度、逼真度等。
综合以上评价指标可以对影像融合效果进行全面的评估。
不同的评价指标适用于不同的应用场景和需求，根据具体情况选择合适的评价指标进行评估。
影像融合方法
影像融合是一种将来自不同传感器或不同时间的图像或视频数据融合成一个图像或视频的过程，通常用于提高图像质量、增加信息量、提高目标检测的准确性和改善三维重建效果。
下面介绍几种常见的影像融合方法：1. 像素融合法：这种方法是将两个或多个图像的像素值进行合并，以形成一个新的图像。
通常使用加权平均法或非平均法来合并像素值。
加权平均法可以根据每个像素的重要性或信息价值来分配权重，非平均法则不考虑像素的权重，直接将所有像素的值进行平均。
2. 特征融合法：这种方法是通过提取源图像的特征（如边缘、纹理、颜色等），并将这些特征融合到新的图像中。
这种方法通常用于增强图像的细节和纹理信息，提高目标检测的准确性和鲁棒性。
3. 深度学习融合法：这种方法利用深度学习技术，将多个源图像或视频数据通过神经网络进行融合。
常用的深度学习融合法包括卷积神经网络（CNN）和生成对抗网络（GAN）。
这种方法可以自动学习图像之间的相似性和差异性，并生成新的图像或视频数据，具有很高的灵活性和准确性。
4. 基于小波变换的融合法：这种方法利用小波变换将图像分解成多个频段，并将不同传感器或时间的图像数据分别进行小波变换，然后将相同频段的系数进行合并，形成新的图像。
这种方法可以有效地融合不同传感器或时间的图像数据，提高图像的质量和信息量。
5. 基于多尺度几何的融合法：这种方法利用多尺度几何理论将图像分解成多个尺度和形状，并将不同传感器或时间的图像数据分别进行多尺度几何变换，然后将相同尺度和形状的特征进行合并，形成新的图像。
这种方法可以有效地融合不同传感器或时间的图像数据，提高目标检测的准确性和鲁棒性。
总之，影像融合方法有多种，可以根据不同的应用场景和需求选择适合的方法。
同时，随着计算机技术和人工智能技术的不断发展，影像融合技术也在不断改进和完善，未来将有更多的新方法和新技术出现。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
特点：其能对任意波段进行融合
（3）基于算术运算的融合技术 乘积变换(Multiplication Transform, MT )和加法变换等 特点：模型简单可以对任意波段进行融合
2.2 特征级融合
特征级融合是一种中等水平的融合，先是将各遥感影像数 据进行特征提取，提取的特征信息应是原始信息的充分表 示量或充分统计量，然后按特征信息对多源数据进行分类、 聚集和综合，产生特征矢量，而后采用一些基于特征级融 合方法融合这些特征矢量，作出基于融合特征矢量的属性 说明。
特点：它将参与RGB组合的每个波段与该组合波段总和 做比值计算进行正规化，以保持低分辨率影像的光谱分辨 率，然后将比值结果乘以高分辨率波段的亮度以获取高频 空间信息 。
具有很高的光谱信息保真度。
缺点：对中高光谱的低空间分辨率RGB组合选择比较麻烦。 如TM/ETM+的RGB组合多大20种。
主成分变换（PCT）
决策级融合的流程：经过预处理的遥感影像数据——特征提 取——属性说明——属性融合——融合属性说明。
三级融合层次的特点
融合层 次
信息 损失
实时 性
精度
容错 性
抗干 扰力
工作量
融合 水平
像素 级
小
差
高
差
差
小
低
特征 级
中
中
中
中
中
中
中
决策 级
大
优
低
优
优
大
高
不同融合层次下的融合方法
像素级
特征级
决策级
代数法 HIS变换法 高通滤波法
2.3 决策级融合
决策级融合是最高水平的融合。融合的结果为指挥、控制、 决策提供了依据。在这一级别中，首先对每一数据进行属性 说明，然后对其结果加以融合，得到目标或环境的融合属性 说明。
特点：具有很强的容错性，很好的开放性，处理时间短、数 据要求低、分析能力强。而由于对预处理及特征提取有较高 要求，所以决策级融合的代价较高、精度较低。
乘性融合法
乘积性融合法是应用最基本的乘积组合算法， 直接对2种空间分辨率的遥感数据进行融合， 其运算法则为
式中:Bi_new 代表融合以后的波段数值(i=1， 2，..);Bi_m代表多光谱图像中的任意一个波 段数值:Bi_h代表高分辨率遥感数据波段值
IHS变换
IHS变换是最普遍使用的一种遥感
数学上称为主成分分析（PCA）。PCT是应用于遥
感诸多领域的一种方法，包括高光谱数据压缩、信息提
取与融合及变化监测等。PCT的本质是通过去除冗余，
将其余信息转入少数几幅影像（即主成分）的方法，对
大量影像进行概括和消除相关性。PCT使用相关系数阵
或协方差阵来消除原始影像数据的相关性，以达到去除
冗余的目的。对于融合后的新图像来说各波段的信息所
像元级融合的流程为：经过预处理的遥感影像数 据——数据融合——特征提取——融合属性说明。
优点：保留了尽可能多的信息，具有最高精度。 局限性：缺点是处理信息量大、费时、实时性、
干扰性差。
象素级融合——分类
（1）基于光谱（彩色）域变换的融合技术 亮度－色调－饱和度变换（Intensity-Hue-Saturation， IHS）变换 和比值变换(Brovey Transform, BT)和主成分变换(Principle Component Transform, PCT)等
影像融合
一.影像信息融合的基本理论 1、基本概念
信息融合（Information Fusion）是指将来自多个传感 器或多源的信息进行综合处理，从而得到更为准确、 可靠的结论。
信息融合是一种信息处理技术，即对多源信息进行处 理，以获得改善了的新信息，为决策应用提供更好的 服务。
应用领域：多源影像复合、机器人和智能仪器系统、 战场和无人驾驶飞机、图像分析与理解、目标检测与 跟踪、自动目标识别等等。
作出的贡献能最大限度地表现出来。
PCT的优点是能够分离信息，减少相关，从而突出不
同的地物目标，提高目视判读效果。但同时PCT融合算法
在一定程度上会造成光谱信息的退化，引起光谱信息的
变化，使融合图像不便用于地物识别和反演工作，
特征级融合是在图像特征提取阶段的融合。对不同 图像进行特征提取，按各图像上相同类型的特征进 行融合处理。
空间配准一般可分为以下步骤 :
(1）特征选择：在欲配准的两幅影像上，选择如边界、线 状物交叉点、区域轮廓线等明显的特征。
（2）特征匹配：采用一定配准算法，找处两幅影像上对应 的明显地物点，作为控制点。
（3）空间变化：根据控制点，建立影像间的映射关系。
（4）插值：根据映射关系，对非参考影像进行重采样，获 得同参考影像配准的影像。
遥感影像信息融合一般流程
图像准备
图像1
图像2
……
图像n
图像预处理
Байду номын сангаас
图像去噪
……
特征提取
几何校正及空间配准
KL HIS
变换处理
变 换
－ ……
小 波
变
变
换
换
融合结果影像
一.影像信息融合的基本理论
2、一般流程
一般来说，遥感影像的数据融合分为数据预处理、 信息融合变换两步。
预处理：主要包括遥感影像的几何纠正、大气订正、
IMAGEmean为全色影像通过均值滤波去掉其原全色影像的光谱和空间细 节信息后得到的低频纹理信息影像。
小波变换
小波变换是一种新兴的数学分析方法，已经受 到了广泛的重视。小波变换是一种全局变换，在时 间域和频率域同时具有良好的定位能力，对高频分 量采用逐渐精细的时域和空域步长，可以聚焦到被 处理图像的任何细节，从而被誉为“数学显微镜”。
小波变换是基于遥感影像的频域分析进行的， 由于同一地区不同类型影像的低频部分差别不大， 而高频部分相差很大，通过小波变换对变换区实现 分频，在分频基础上进行遥感影像的融合。空间 （时间）和频率的局部变换，能够有效地从信号中 提取有用信息，通过对紧支撑小波基的伸缩和平移 等运算功能，可实现对信号的多尺度细化分析。
目的：将单一传感器的多波段信息或不同传感器所提供的信 息进行综合处理，消除多传感器信息之间可能存在的冗余和 矛盾，并加以互补，降低其不确定性，减少模糊度，以增强 影像中信息透明度，改善解译的精度、可靠性以及使用率， 从而形成对目标的清晰、完整、准确的信息描述。
影像融合并不是简单的信息叠加，它产生的是包含更多有价 值信息的图像，影像融合技术是近几年来图像处理领域研究 的热点，也是目前遥感应用分析的前沿。
在遥感中，信息融合属于一种属性融合，它是将同一 地区的多源遥感影像数据信息加以智能化合成，产生 比单一信息源更精确、更完全、更可靠的估计和判断。
一.影像信息融合的基本理论
1、基本概念
影像融合(Image Fusion)是信息融合技术的一种，它是一种 通过高级影像处理技术对多源影像进行复合的技术，是根据 应用的目的，使用特定的算法将多个不同的影像进行图像信 息的合并处理，从而生成新的图像。
Bayes估计法
Dempster-shafer 推理法
熵法
基于知识的融合法
Dempster-shafer推 理法
模糊聚类法
主成分变换
加权平均法
可靠性理论
最佳变量替换法 神经网络法
Bayes估计法
Kalman滤波法
聚类分析
神经网络
小波变换
表决法
逻辑模块
3 数据融合方法介绍
3.1 像素级融合算法
空间配准的精度一般要求在1~2个像元内。空间配准中
最关键、最困难的一步就是通过特征匹配寻找对应的明显地
物点作为控制点。
一.影像信息融合的基本理论
融合变换处理
根据融合目的和融合层次智能地选择合适的融合算
法，将空间配准的遥感影像数据（或提取的图像特征或
模式识别的属性说明）进行有机合成，得到目标的更准
基于像素（pixel）级的融合、 基于特征(feature)级的融合、 基于决策(decision)级的融合。 融合的水平依次从低到高。
2.1 像素级融合
先对空间配准的遥感影像数据直接融合，而后对 融合的数据进行特征提取和属性说明。这是最低 层次的信息融合，可以在像素或分辨单元上进行， 亦称数据级融合。像素级融合的优点是保留了尽 可能多的信息，具有较高精度，缺点是处理信息 量大、费时、实时性差。
确表示或估计 。
变换处理：变换处理是遥感影像信息融合的实质和重点。 根据具体融合算法，首先对图像进行变换，然后根据融 合目的对变换后的图像信息进行相关处理，对处理后的 图像进行反变换，得到融合结果。融合结果中便包含了 不同遥感影像的综合信息，提供给应用层进行分析应用。
二、遥感影像信息融合方法
1、遥感影像信息融合方法分类
4 反变换到RGB颜色空间，形成新的影像。
HSV色彩空间
H（Hue）：色调 S(Saturation)：饱和度 V(Value):明度或亮度
比值法融合模型（Brovey Transform，BT ）
RBT
R BH RG
B
;
GBT
G BH RG
B
;
BBT