• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    利用多特征融合和集成學(xué)習(xí)的極化SAR圖像分類

    2016-02-13 07:13:43勛黃平平涂尚坦楊祥立
    雷達(dá)學(xué)報 2016年6期
    關(guān)鍵詞:極化分類器分類

    孫 勛黃平平涂尚坦楊祥立

    ①(武漢大學(xué)電子信息學(xué)院 武漢 430072)

    ②(內(nèi)蒙古工業(yè)大學(xué)雷達(dá)技術(shù)研究所 呼和浩特 010051)

    ③(上海衛(wèi)星工程研究所 上海 200240)

    利用多特征融合和集成學(xué)習(xí)的極化SAR圖像分類

    孫 勛①黃平平*②涂尚坦③楊祥立①

    ①(武漢大學(xué)電子信息學(xué)院 武漢 430072)

    ②(內(nèi)蒙古工業(yè)大學(xué)雷達(dá)技術(shù)研究所 呼和浩特 010051)

    ③(上海衛(wèi)星工程研究所 上海 200240)

    該文提出了一種利用多特征融合和集成學(xué)習(xí)的極化SAR圖像監(jiān)督分類算法。該算法首先提取極化SAR圖像的多重特征,包括EPFS特征,Hoekman分解特征,Huynen分解特征,H/alpha/A分解特征以及擴展四分量分解特征。為保證集成學(xué)習(xí)中基本分類器的差異性與準(zhǔn)確性,算法從5組特征集中每次隨機選取兩組不同的特征進(jìn)行串聯(lián)融合,作為SVM分類器的輸入。最后,利用隨機森林學(xué)習(xí)算法將所有基本分類器的預(yù)測概率集成輸出最終分類結(jié)果。像素級和區(qū)域級的分類實驗表明了該文算法的有效性。

    極化合成孔徑雷達(dá);集成學(xué)習(xí);監(jiān)督分類

    1 引言

    合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)是一種先進(jìn)的微波成像系統(tǒng)[1],主動發(fā)射電磁波并接收目標(biāo)的散射回波實現(xiàn)對目標(biāo)的探測,具有全天時、全天候和高分辨率成像的遙感對地觀測能力。SAR圖像分類是SAR圖像解譯的重要研究內(nèi)容,在地質(zhì)勘探、地形制圖、植被生長狀況評估、城市規(guī)劃以及海洋監(jiān)測等方面得到廣泛應(yīng)用[2]。與單極化SAR圖像相比,極化SAR(Polarimetric SAR, PolSAR)系統(tǒng)能得到多個極化通道數(shù)據(jù),能更完整地表征地物散射特性。利用PolSAR數(shù)據(jù)的分類已成為SAR圖像處理的主要研究方向之一。

    典型的分類器,如K最近鄰分類器(K-Nearest Neighbor, KNN)、神經(jīng)網(wǎng)絡(luò)、支持向量機(Support Vector Machine, SVM)[3,4],隨機森林(Random Forest, RF)[5]已經(jīng)成功地應(yīng)用到PolSAR圖像分類[6,7]中。極化SAR圖像的復(fù)雜性使得分類任務(wù)變得艱巨,單個分類器往往不能滿足高分類精度以及高泛化能力的要求。因此,人們提出利用多個分類器來構(gòu)建一個強分類器,這個多分類器系統(tǒng)也稱為集成學(xué)習(xí)系統(tǒng),在人工智能和機器學(xué)習(xí)領(lǐng)域得到了廣泛的關(guān)注[8]。文獻(xiàn)[9]提出一種基于集成學(xué)習(xí)的PolSAR圖像分類方法,它將多個基于bagging和boosting的分類器結(jié)合形成一個強泛化能力的分類器。文獻(xiàn)[10]提出了一種基于光譜、紋理和極化特征融合和多分類器集成的多源遙感圖像分類方法。文獻(xiàn)[11]將集成學(xué)習(xí)算法與極化特征相結(jié)合進(jìn)行SAR圖像分類,而文獻(xiàn)[12]又提出了對極化特征進(jìn)行選擇的方法。

    本文針對PolSAR圖像中的分類難點,提出了一種利用多特征融合和集成學(xué)習(xí)的極化SAR圖像分類方法。該方法首先提取了PolSAR圖像解譯中常用到的5組特征,然后在特征空間上進(jìn)行采樣并得到基本的SVM分類器。最后將所有基本分類器的預(yù)測概率輸入到隨機森林模塊,將多棵決策樹學(xué)習(xí)到規(guī)則進(jìn)行集成給出最終結(jié)果。

    2 極化特征描述

    在PolSAR圖像的分析過程中常用極化散射矩陣S來描述地物的極化散射特性,通過變換又可得到極化協(xié)方差矩陣C和極化相干矩陣T的表現(xiàn)形式。

    為了提取與地物類別相關(guān)性更強的特征,提高特征集本身區(qū)分地物的能力,本文選取了5種有代表性的極化特征:基于散射測量數(shù)據(jù)的組合特征[13],基于kennaugh矩陣的Huynen分解特征[14],基于C矩陣的Hoekman分解特征[15],基于特征值分解的H/alpha/A分解特征[16]和基于模型的擴展四分量分解特征[17,18]。

    (1) EPFS(Extended Polarimetric Feature Space)特征

    Doulgeris等人提出一組簡單有效的特征描述子EPFS[13],是基于散射數(shù)據(jù)S矩陣及其簡單變換的特征。EPFS特征一共有6維以鄰域窗為基礎(chǔ)提取,如表1所示。

    表1 EPFS 6維特征Tab. 1 EPFS 6-dimension features

    其中,Si為第i個樣本點的散射矩陣數(shù)據(jù),C為協(xié)方差矩陣,N表示塊中像素點的數(shù)目,d=3。det為行列式運算操作,分別表示Shh和Svv的方位角。

    (2) Huynen分解特征

    根據(jù)Huynen分解理論[14],Huynen分解是針對T矩陣的特征分解,相干矩陣具有以下形式:

    這里A0,B0,C,D,E,F,G和H統(tǒng)稱為Huynen參數(shù),每個參數(shù)都含有一定的目標(biāo)散射信息。其含義如表2所示。

    (3) Hoekman九分量分解特征

    Hoekman是一種基于協(xié)方差矩陣C的方法[15],該方法將極化目標(biāo)的屬性用協(xié)方差矩陣的后向散射強度來描述。使得傳統(tǒng)的方法能應(yīng)用到極化SAR圖像的分類上,并得到簡單通用的分類器。9個強度分量表示如下:

    其中,s0的下標(biāo)表示3種常用極化基的接收和發(fā)送極化波:水平(h)、垂直(v)、左圓(l)、右圓(r)、45°線性(+或+45)和-45°線性(-或-45)。

    (4) H/alpha/A分解特征

    H/alpha/A分解方法是基于極化相干矩陣T的特征值以及特征向量的分解方法[16],所得到的特征如表3所示。

    該方法通過極化散射矩陣變換得到極化相干矩陣,利用單位相似變換對角化相干矩陣并將其分解為3個相干矩陣的加權(quán)和,每個矩陣表示一種散射過程。

    表2 Huynen參數(shù)Tab. 2 Huynen parameters

    表3 H/alpha/A分解特征Tab. 3 H/alpha/A decomposition features

    單位特征矢量矩陣,列向量為T的正交特征矢量e1,e2和e3。αi對應(yīng)著散射體內(nèi)部自由度,取值范圍是0°≤αi≤90°。βi是目標(biāo)的方向角,取值范圍為-180°≤βi≤180°,δi和γi是散射相位角。散射熵H,目標(biāo)平均散射角與平均方位角可表示為:

    極化各向異性量A的定義如下:

    當(dāng)H很高時,A提供信息幾乎為0。當(dāng)H很低時,λ2和λ3接近0。當(dāng)H值較低或中等時,H無法提供附加信息。此時,A提供附加信息。

    (5) 擴展的四分量分解特征

    原始的Yamaguchi四分量分解將極化相干矩陣T分解為4種散射成分,除了面散射、二次散射和體散射分量外,還加上螺旋散射分量。然而,建筑區(qū)和植被有相同的體散射機制,很難將植被和傾斜的建筑區(qū)分開。為了解決這個問題,文獻(xiàn)[17]提出將相干矩陣先去方位角,再進(jìn)行如下分解。

    擴展的體散射模型[18]主要是為單次或二次散射提供合適的體散射模型。單次散射物體(如植被)和二次散射物體(如傾斜的建筑區(qū))有相同的體散射分量,很難區(qū)分開這兩種目標(biāo),擴展的體散射模型可以很好地區(qū)分開這兩種目標(biāo)?;跀U展的體散射模型的四分量分解可表示為:

    其中,fs,fd,fv,fc和fvd是待定的系數(shù),分別對應(yīng)著表面散射、二次散射和螺旋散射分量。分別是偶極子散射以及面向二面角結(jié)構(gòu)的體散射矩陣??偟纳⑸涔β蔛pan為:

    式中,PS,PD,PC和PV分別表示表面散射,二次散射,螺旋散射和體散射特征。

    3 本文算法

    本文所提出的集成學(xué)習(xí)算法流程如圖1所示。

    圖1 本文算法流程Fig. 1 The flowchart of our method

    3.1 分類器

    支持向量機是一種二分類模型,是一種有監(jiān)督的統(tǒng)計學(xué)習(xí)方法。它的學(xué)習(xí)策略就是最小化經(jīng)驗誤差和最大化幾何邊緣,使得特征空間上的間隔最大化,可形式化為一個求解二次規(guī)劃(convex quadratic programming)。式(13)中w表示權(quán)重系數(shù),ξi是松弛變量,C表示懲罰參數(shù)。

    當(dāng)輸入空間為歐式空間或離散集合、特征空間為希爾伯特空間時,核函數(shù)(kernel function)表示將輸入從輸入空間映射到高維空間得到的特征向量之間的內(nèi)積。通過使用核函數(shù)可以學(xué)習(xí)非線性支持向量機,等價于隱式的在高維的特征空間中學(xué)習(xí)線性支持向量機。支持向量是訓(xùn)練SVM過程中獲得的在分類超平面上的點,SVM的決策函數(shù)是由少數(shù)幾個支持向量來決定的,它的計算復(fù)雜度取決于支持向量的數(shù)目,而不是樣本空間的維數(shù),避免了維數(shù)災(zāi)難。同時,這樣還可以抓住關(guān)鍵樣本,“剔除”大量冗余樣本,使得該方法不但運算簡單,而且具有較好的魯棒性。

    隨機森林是一種采用決策樹作為基本分類器的集成學(xué)習(xí)方法,通過bootstrap重采樣技術(shù),從總數(shù)量為N的原始訓(xùn)練樣本集中有放回的重復(fù)隨機采樣N個樣本,由此得到一個訓(xùn)練數(shù)據(jù)集。這樣使得每一棵樹的輸入樣本都不是全部的樣本,使其不至于產(chǎn)生局部最優(yōu)解。對于決策樹的每個節(jié)點,從所有特征中隨機無放回的采樣得到選取m維特征(訓(xùn)練樣本的總特征數(shù)目為作為在該節(jié)點尋找最佳分裂的依據(jù)。在預(yù)測時,根據(jù)所有決策樹預(yù)測結(jié)果的平均值或投票的多少決定。隨機森林是一種有效的預(yù)測方法,通過眾多決策樹的集成有效地提高了分類精度。同時,兩個隨機性的引入,使得隨機森林對噪聲和異常值魯棒,不會出現(xiàn)過擬合問題。在RF分類器分類流程中,T表示決策樹的棵數(shù),如圖2所示。

    圖2 RF分類器分類流程Fig. 2 The classification flowchart of random forest

    3.2 具體步驟

    針對傳統(tǒng)分類框架中將所有特征串聯(lián)進(jìn)行分類的方法會引起過擬合以及降低泛化能力的問題,本文提出了一種應(yīng)用于極化SAR圖像的集成學(xué)習(xí)監(jiān)督分類框架。該框架的思路是在進(jìn)行分類的時候,把若干基本分類器進(jìn)行集成,通過將多個基本分類器的預(yù)測結(jié)果進(jìn)行某種組合來決定最終的分類[19,20],以取得比單個分類器更好的性能。本文通過特征空間上的隨機采樣得到特征子集并用支持向量機構(gòu)建基本的分類器。然后,隨機森林分類器將所有基本分類器的結(jié)果整合給出最終的預(yù)測結(jié)果,具體由以下3個步驟構(gòu)成:

    步驟1 提取極化SAR圖像的EPFS特征,Hoekman分解特征,Huynen分解特征,H/alpha/A分解特征以及擴展四分量分解特征。通過這5組不同類型的特征,獲得地物特性較為完備的描述。為避免相干斑噪聲的影響,實驗數(shù)據(jù)經(jīng)過Lee濾波處理。

    步驟2 為保證基本分類器的準(zhǔn)確性和差異性,實驗在特征空間進(jìn)行了采樣。具體地,我們從5組特征集中任選兩組特征進(jìn)行串聯(lián)融合,訓(xùn)練出10個差異性SVM分類器。這里取兩組特征進(jìn)行融合是考慮到單組特征不能很好地反映地物特性會導(dǎo)致基本分類器的性能較差,而3組或3組以上的特征融合所產(chǎn)生的特征子集中存在較多的重復(fù)會導(dǎo)致基本分類器間的差異性較小。這是因為兩種特征組合的方式中有1/3的概率不重復(fù),2/3的概率重復(fù)50%。而在3種特征組合方式中有1/3的概率重復(fù)33.3%,2/3的概率重復(fù)66.7%,在4種特征組合方式中以1的概率重復(fù)75%。重復(fù)性越高差異性越小,故選取兩種特征組合的方式。

    步驟3 將所有SVM分類器的預(yù)測概率輸出串聯(lián),作為新的特征輸入到隨機森林分類器得到最終的分類結(jié)果。集成學(xué)習(xí)系統(tǒng)中最后一步是將基本分類器的預(yù)測結(jié)果相結(jié)合。本文采用Stacking的思想,將所有差異性SVM分類器的預(yù)測概率串聯(lián)作為RF分類器的輸入。利用眾多決策樹的集成,有效地對差異性分類器的結(jié)果進(jìn)行整合。

    4 實驗結(jié)果與分析

    本節(jié)選取的實驗數(shù)據(jù)集為:來自德國航空航天中心FSAR機載系統(tǒng)X波段數(shù)據(jù)以及美國JPL的AIRSAR系統(tǒng)獲取的荷蘭Flevoland 地區(qū)L波段數(shù)據(jù)。具體區(qū)域如圖3(a)和圖3(b)所示。本文在FSAR數(shù)據(jù)上進(jìn)行的是基于區(qū)域的分類實驗,在Flevoland數(shù)據(jù)上進(jìn)行的是基于像素的分類實驗。選取的特征有5組:擴展的極化特征(6維),Hoekman分解特征(9維),Huynen分解特征(9維),H/alpha/A分解(3維)和改進(jìn)的Yamaguchi四分量分解(4維)。選取的對比實驗為:利用統(tǒng)計分布的Wishart分類方法,將所有特征作為輸入的SVM和RF分類方法,以及本文所提出的基于集成學(xué)習(xí)的分類方法。為研究選取特征子集方式對結(jié)果的影響,對比了取每組特征單獨構(gòu)造基本分類器和任取兩組特征串聯(lián)融合的方式,分別記作OM(Our Method)1和OM2。實驗中SVM均采用的是RBF核的LIBSVM[21],并通過交叉驗證得到最佳參數(shù)C和γ。分類性能綜合評估指標(biāo)為總體分類精度(Overall Accuracy, OA)和Kappa系數(shù)。

    4.1 基于 FSAR 數(shù)據(jù)的實驗結(jié)果

    選取圖像大小為2000×700的FSAR數(shù)據(jù)進(jìn)行測試,將大圖分為20×20不重疊的小圖像塊,共3400塊。每個圖像塊的標(biāo)號為塊中最多像素點的標(biāo)號,基于塊的Ground Truth如圖4(a)。本數(shù)據(jù)集共4類,分別是森林,作物1,作物2和作物3。每類選取100個樣本作為訓(xùn)練樣本集,其它的作為測試樣本。

    圖3 原始數(shù)據(jù)Fig. 3 Original data

    分類結(jié)果如圖4所示,圖4中OM1和OM2方法的整體效果優(yōu)于Wishart和SVM方法,作物2和森林區(qū)域的分類效果較好。在Wishart結(jié)果中作物3區(qū)域的分類效果最好,然而更多的其它區(qū)域也被誤檢為作物3,在森林區(qū)域的分類效果較差。SVM結(jié)果中作物3區(qū)域的分類效果最差,多被誤檢為作物2。為了進(jìn)一步對各個方法的分類性能進(jìn)行比較,本文計算了各個方法中每類地物分類的準(zhǔn)確率,并用OA和Kappa系數(shù)進(jìn)行綜合評估,如表4所示。結(jié)果表明,OM2方法有最高的分類精度0.905和kappa系數(shù)0.836,在森林和作物2上有最佳的分類精度,與目視分析一致。

    圖4 FSAR數(shù)據(jù)監(jiān)督分類結(jié)果圖Fig. 4 The supervised classification results of FSAR data

    表4 FSAR數(shù)據(jù)分類結(jié)果Tab. 4 The classification results of FSAR data

    4.2 基于 Flevoland 數(shù)據(jù)的實驗結(jié)果

    選取圖像大小為300×300的Flevoland地區(qū)的PolSAR數(shù)據(jù)進(jìn)行測試,本數(shù)據(jù)集有6類地物,小麥,草地,甜菜,土豆,豌豆和苜蓿。在所有標(biāo)記樣本中隨機選取10%的樣本做訓(xùn)練樣本,其它的作為測試樣本。實驗結(jié)果如圖5所示。

    圖5 Flevoland數(shù)據(jù)監(jiān)督分類結(jié)果圖Fig. 5 The supervised classification results of Flevoland data

    表5給出了定量評估數(shù)據(jù),從表中可以看到,OM2方法取得了最佳的整體分類精度0.894和Kappa系數(shù)0.864,并且在土豆,苜蓿,小麥,甜菜和豌豆區(qū)域上的分類精度均為最高。并且,同樣采取本文所提集成構(gòu)架的OM1的結(jié)果也優(yōu)于Wishart, SVM和RF分類器,該基于像素的分類實驗進(jìn)一步表明了本文所提算法的有效性。

    4.3 討論

    兩個數(shù)據(jù)的分類結(jié)果中,OM方法的分類效果均優(yōu)于基于統(tǒng)計分布的Wishart方法以及將所有特征進(jìn)行串聯(lián)的SVM和RF方法,有更高的OA和Kappa值,該結(jié)果表明了本文所提集成學(xué)習(xí)算法的有效性。另一方面,OM2和OM1方法的結(jié)果對比表明隨機選取兩組特征進(jìn)行基本分類器構(gòu)造的方式優(yōu)于只取一組特征的方式。通過兩組特征的融合在兼顧分類器差異性的同時,提升了其準(zhǔn)確性,從而取得了更佳的效果。

    表5 Flevoland數(shù)據(jù)分類結(jié)果Tab. 5 The classification results of Flevoland data

    5 結(jié)論

    極化SAR圖像數(shù)據(jù)復(fù)雜性使得單一的特征很難描述自身豐富的散射特性,單一的分類器也很難取得很好的分類效果。針對此問題,本文分析了極化SAR圖像的特征參數(shù)并選取了5組不同類型的特征進(jìn)行描述,在此基礎(chǔ)上提出了一種基于集成學(xué)習(xí)的極化SAR圖像監(jiān)督分類算法。通過特征空間的采樣得到特征子集,并使用SVM作為基本分類器,最后利用隨機森林算法給出最終分類結(jié)果。通過兩組極化SAR圖像分類實驗表明了本文所提出方法的有效性。

    [1]李春升, 楊威, 王鵬波. 星載SAR成像處理算法綜述[J]. 雷達(dá)學(xué)報, 2013, 2(1): 111-122. Li Chun-sheng, Yang Wei, and Wang Peng-bo. A review of spaceborne SAR algorithm for image formation[J].Journal of Radars, 2013, 2(1): 111-122.

    [2]田維, 徐旭, 卞小林, 等. 環(huán)境一號C衛(wèi)星SAR圖像典型環(huán)境遙感應(yīng)用初探[J]. 雷達(dá)學(xué)報, 2014, 3(3): 339-351. Tian Wei, Xu Xu, Bian Xiao-lin,et al.. Applications of environmental remote sensing by HJ-1C SAR imagery[J].Journal of Radars, 2014, 3(3): 339-351.

    [3]Yang Wen, Yin Xiao-shuang, Song Hui,et al.. Extraction of built-up areas from fully polarimetric SAR imagery via PU learning[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(4): 1207-1216.

    [4]Banerjee B, Bhattacharya A, and Buddhiraju K M. A generic land-cover classification framework for polarimetric SAR images using the optimum Touzi decomposition parameter subset-An insight on mutual information-based feature selection techniques[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(4): 1167-1176.

    [5]Hariharan S, Tirodkar S, De S,et al.. Variable importance and random forest classification using RADARSAT-2 PolSAR data[C]. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Quebec, 2014: 1210-1213.

    [6]滑文強, 王爽, 侯彪. 基于半監(jiān)督學(xué)習(xí)的SVM-Wishart極化SAR圖像分類方法[J]. 雷達(dá)學(xué)報, 2015, 4(1): 93-98. Hua Wen-qiang, Wang Shuang, and Hou Biao. Semisupervised Learning for classification of polarimetric SAR images based on SVM-Wishart[J].Journal of Radars, 2015, 4(1): 93-98.

    [7]Yang Wen, Yin Xiao-shuang, and Xia Gui-song. Learning high-level features for satellite image classification with limited training samples[J].IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(8): 4472-4482.

    [8]Yuan Han-ning, Fang Meng, and Zhu Xing-quan. Hierarchical sampling for multi-instance ensemble learning[J].Knowledge and Data Engineering, 2013, 25(12): 2900-2905 .

    [9]Zhang La-mei, Wang Xiao, Li Meng,et al.. Classification of fully polarimetric SAR images based on ensemble learning and feature integration[C]. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Quebec, 2014: 2758-2761.

    [10]劉培, 杜培軍, 譚琨. 一種基于集成學(xué)習(xí)和特征融合的遙感影像分類新方法[J]. 紅外與毫米波學(xué)報, 2014, 33(3): 311-317. Liu Pei, Du Pei-jun, and Tan Kun. A novel remotely sensed image classification based on ensemble learning and feature integration[J].Journal of Infrared and Millimeter Waves, 2014, 33(3): 311-317.

    [11]Samat A, Du P, Baig M H A,et al.. Ensemble learning with multiple classifiers and polarimetric features for polarized SAR image classification[J].Photogrammetric Engineering&Remote Sensing, 2014, 80(3): 239-251.

    [12]Wang Y, Zhang Y, Zhuo T,et al.. Ensemble learning based on multi-features fusion and selection for polarimetric SAR image classification[C]. International Conference on Signal Processing (ICSP), Hangzhou, 2014: 734-737.

    [13]Doulgeris A P. A simple and extendable segmentation method for multi-polarisation SAR images[C]. 6th International Workshop on Science and Applications of SAR Polarimetry and Polarimetric Interferometry, 2013.

    [14]Yang J, Peng Y N, Yamaguchi Y,et al.. On Huynen’s decomposition of a Kennaugh matrix[J].IEEE Geoscience and Remote Sensing Letters, 2006, 3(3): 369-372.

    [15]Hoekman D H and Vissers M A M. A new polarimetric classification approach evaluated for agricultural crops[J].IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(12): 2881-2889.

    [16]Cloude S R and Pottier E. An entropy based classificationscheme for land applications of polarimetric SAR[J].IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(1): 68-78.

    [17]Yamaguchi Y, Sato A, Boerner W,et al.. Four-component scattering power decomposition with rotation of coherency matrix[J].IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(6): 2251-2258.

    [18]Sato A, Yamaguchi Y, Singh G,et al..Four-component scattering power decomposition with extended volume scattering model[J].IEEE Geoscience and Remote Sensing Letters, 2012, 9(2): 166-170.

    [19]Zhang Cha and Ma Yun-qian. Ensemble Machine Learning[M]. Springer US, 2012: 1-34.

    [20]陳博, 王爽, 焦李成, 等. 利用0-1矩陣分解集成的極化SAR圖像分類[J]. 電子與信息學(xué)報, 2015, 37(6): 1495-1501. Chen Bo, Wang Shuang, Jiao Li-cheng,et al.. Polarimetric SAR image classification via weighted ensemble based on 0-1 matrix decomposition[J].Journal of Electronics&Information Technology, 2015, 37(6): 1495-1501.

    [21]Chang Chih-Chung and Lin Chih-Jen. Libsvm: A library for support vector machines[J].ACM Transactions on Intelligent Systems and Technology, 2011, 2(3): 27.

    孫 勛(1992-),男,2014年獲得武漢科技大學(xué)工學(xué)學(xué)士學(xué)位,現(xiàn)于武漢大學(xué)電子信息學(xué)院信號處理實驗室攻讀碩士學(xué)位。主要研究方向為極化合成孔徑雷達(dá)圖像解譯。

    E-mail: sxun@whu.edu.cn

    黃平平(1978-),男,2010年獲中國科學(xué)院電子學(xué)研究所博士學(xué)位,現(xiàn)任內(nèi)蒙古自治區(qū)雷達(dá)技術(shù)與應(yīng)用重點實驗室主任,內(nèi)蒙古工業(yè)大學(xué)雷達(dá)技術(shù)研究所所長,副教授。主要研究方向為合成孔徑雷達(dá)信號處理和微波遙感應(yīng)用。

    E-mail: cimhwangpp@163.com

    涂尚坦(1985-),男,2012年獲武漢大學(xué)工學(xué)博士學(xué)位,現(xiàn)任上海衛(wèi)星工程研究所微波載荷主管設(shè)計師。主要研究方向為SAR系統(tǒng)總體設(shè)計、極化SAR圖像處理與解譯、機器視覺與數(shù)據(jù)挖掘。

    E-mail: tsttu@126.com

    楊祥立(1991-),男,2014年獲得中南民族大學(xué)工學(xué)學(xué)士學(xué)位,現(xiàn)于武漢大學(xué)電子信息學(xué)院信號處理實驗室攻讀碩士學(xué)位。主要研究方向為極化合成孔徑雷達(dá)圖像變化檢測。

    E-mail: xiangliyang@whu.edu.cn

    Polarimetric SAR Image Classification Using Multiple-feature Fusion and Ensemble Learning

    Sun Xun①Huang Pingping②Tu Shangtan③Yang Xiangli①

    ①(School of Electronic Information,Wuhan University,Wuhan430072,China)

    ②(Radar Research Institute,Inner Mongolia University of Technology,Hohhot010051,China)

    ③(Shanghai Institute of Satellite Engineering,Shanghai200240,China)

    In this paper, we propose a supervised classification algorithm for Polarimetric Synthetic Aperture Radar (PolSAR) images using multiple-feature fusion and ensemble learning. First, we extract different polarimetric features, including extended polarimetric feature space, Hoekman, Huynen, H/alpha/A, and fourcomponent scattering features of PolSAR images. Next, we randomly select two types of features each time from all feature sets to guarantee the reliability and diversity of later ensembles and use a support vector machine as the basic classifier for predicting classification results. Finally, we concatenate all prediction probabilities of basic classifiers as the final feature representation and employ the random forest method to obtain final classification results. Experimental results at the pixel and region levels show the effectiveness of the proposed algorithm.

    Polarimetric Synthetic Aperture Radar (PolSAR); Ensemble learning; Supervised classification

    TN957

    A

    2095-283X(2016)06-0692-09

    10.12000/JR15132

    孫勛, 黃平平, 涂尚坦, 等. 利用多特征融合和集成學(xué)習(xí)的極化SAR圖像分類[J]. 雷達(dá)學(xué)報, 2016, 5(6): 692-700.

    10.12000/JR15132.

    Reference format:Sun Xun, Huang Pingping, Tu Shangtan,et al.. Polarimetric SAR image classification using multiple-feature fusion and ensemble learning[J].Journal of Radars, 2016, 5(6): 692-700. DOI: 10.12000/JR15132.

    2015-12-27;改回日期:2016-04-07;

    2016-05-16

    *通信作者:黃平平 cimhwangpp@163.com

    內(nèi)蒙古自治區(qū)科技計劃項目(20131108, 20140155),國家自然科學(xué)基金(61271401, 41501414),復(fù)旦大學(xué)電磁波信息科學(xué)教育部重點實驗室開放基金項目(EMW201504)

    Foundation Items: The Inner Mongolia Autonomous Region Science and Technology Project (20131108, 20140155), The National Natural Science Foundation of China (61271401, 41501414), The Fudan University Key Laboratory of EMW Information Open Fund Project (EMW201504)

    猜你喜歡
    極化分類器分類
    認(rèn)知能力、技術(shù)進(jìn)步與就業(yè)極化
    分類算一算
    分類討論求坐標(biāo)
    數(shù)據(jù)分析中的分類討論
    BP-GA光照分類器在車道線識別中的應(yīng)用
    電子測試(2018年1期)2018-04-18 11:52:35
    雙頻帶隔板極化器
    電子測試(2017年15期)2017-12-18 07:18:51
    教你一招:數(shù)的分類
    加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
    結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機的TSK分類器
    基于PWM控制的新型極化電源設(shè)計與實現(xiàn)
    国产精品国产av在线观看| 69人妻影院| 国内精品美女久久久久久| 成年女人在线观看亚洲视频 | 国产毛片在线视频| 亚洲无线观看免费| 新久久久久国产一级毛片| 亚洲va在线va天堂va国产| 国产av不卡久久| 国产精品国产三级专区第一集| 国产黄片美女视频| 美女被艹到高潮喷水动态| 国产一级毛片在线| 亚洲欧美中文字幕日韩二区| 狂野欧美激情性xxxx在线观看| 欧美日韩精品成人综合77777| 2022亚洲国产成人精品| 国产精品一区二区性色av| .国产精品久久| 国产伦精品一区二区三区四那| 最近2019中文字幕mv第一页| 少妇猛男粗大的猛烈进出视频 | 国产精品久久久久久精品古装| 男人和女人高潮做爰伦理| 国产高清国产精品国产三级 | 欧美精品一区二区大全| 一级毛片aaaaaa免费看小| 国产精品伦人一区二区| 18禁裸乳无遮挡免费网站照片| 欧美国产精品一级二级三级 | 性色av一级| 久久午夜福利片| 男女国产视频网站| 少妇被粗大猛烈的视频| 永久网站在线| 久久久久久久久久久免费av| 欧美+日韩+精品| 亚洲在线观看片| 国产爽快片一区二区三区| 免费看日本二区| 日韩一区二区三区影片| 2021少妇久久久久久久久久久| 嫩草影院精品99| 中国国产av一级| 亚洲av男天堂| 亚洲欧美精品专区久久| 久久久久久久久久人人人人人人| 波野结衣二区三区在线| 国产探花在线观看一区二区| 亚洲天堂国产精品一区在线| 欧美成人精品欧美一级黄| 国产精品久久久久久精品电影小说 | 国产男女内射视频| av免费观看日本| 久久久久久九九精品二区国产| 另类亚洲欧美激情| 又爽又黄a免费视频| 欧美丝袜亚洲另类| 国产老妇伦熟女老妇高清| 超碰av人人做人人爽久久| 一级毛片 在线播放| 深夜a级毛片| 天天躁夜夜躁狠狠久久av| av天堂中文字幕网| 不卡视频在线观看欧美| 99久久人妻综合| 免费看日本二区| 在线免费观看不下载黄p国产| 春色校园在线视频观看| 日本一二三区视频观看| 日韩成人av中文字幕在线观看| 自拍欧美九色日韩亚洲蝌蚪91 | 午夜老司机福利剧场| 少妇裸体淫交视频免费看高清| 九色成人免费人妻av| 亚洲av.av天堂| 亚洲欧美中文字幕日韩二区| 性插视频无遮挡在线免费观看| 舔av片在线| 麻豆国产97在线/欧美| 18禁裸乳无遮挡动漫免费视频 | 亚洲国产精品成人久久小说| 能在线免费看毛片的网站| 久久精品久久精品一区二区三区| 我要看日韩黄色一级片| 大片电影免费在线观看免费| 欧美精品国产亚洲| av又黄又爽大尺度在线免费看| 亚洲内射少妇av| 亚洲av电影在线观看一区二区三区 | 亚洲欧美一区二区三区黑人 | 99视频精品全部免费 在线| 五月开心婷婷网| 三级经典国产精品| 精品国产露脸久久av麻豆| 九九在线视频观看精品| 久久久久久久久久人人人人人人| 国产精品人妻久久久久久| 亚洲国产精品国产精品| 国产成人a∨麻豆精品| 国产亚洲午夜精品一区二区久久 | 女人被狂操c到高潮| av女优亚洲男人天堂| 2021少妇久久久久久久久久久| 亚洲,一卡二卡三卡| 日韩强制内射视频| 国产成人免费观看mmmm| 国产一区二区三区av在线| 日产精品乱码卡一卡2卡三| 哪个播放器可以免费观看大片| 只有这里有精品99| 国产永久视频网站| 国产熟女欧美一区二区| 三级男女做爰猛烈吃奶摸视频| 九草在线视频观看| 免费大片黄手机在线观看| 赤兔流量卡办理| 国产精品人妻久久久久久| 国产成人午夜福利电影在线观看| 国产在线男女| 别揉我奶头 嗯啊视频| 精品99又大又爽又粗少妇毛片| 99热这里只有精品一区| 夜夜爽夜夜爽视频| 亚洲精品乱码久久久v下载方式| 蜜桃亚洲精品一区二区三区| 亚洲不卡免费看| 18禁动态无遮挡网站| 免费看av在线观看网站| 亚洲国产精品成人久久小说| 水蜜桃什么品种好| 久久久久性生活片| 午夜精品国产一区二区电影 | 国产91av在线免费观看| 内地一区二区视频在线| 伊人久久国产一区二区| 新久久久久国产一级毛片| 久久精品国产鲁丝片午夜精品| videos熟女内射| 日本一本二区三区精品| 亚洲人成网站高清观看| 亚洲人成网站高清观看| 午夜视频国产福利| 80岁老熟妇乱子伦牲交| 欧美日本视频| 日本熟妇午夜| 日韩,欧美,国产一区二区三区| 国产综合懂色| 久久精品国产亚洲av天美| 成年av动漫网址| 97热精品久久久久久| 国产av国产精品国产| 国产亚洲午夜精品一区二区久久 | 国产一级毛片在线| 亚洲av在线观看美女高潮| 亚洲人成网站高清观看| 免费看不卡的av| 97超碰精品成人国产| 欧美老熟妇乱子伦牲交| av在线亚洲专区| 人妻制服诱惑在线中文字幕| 老司机影院毛片| 交换朋友夫妻互换小说| 男女边摸边吃奶| 国产精品无大码| 草草在线视频免费看| 中文精品一卡2卡3卡4更新| 2018国产大陆天天弄谢| 欧美日韩一区二区视频在线观看视频在线 | 国产亚洲午夜精品一区二区久久 | 韩国高清视频一区二区三区| 亚洲成人一二三区av| 亚洲美女搞黄在线观看| 黄色欧美视频在线观看| 国产成人a区在线观看| 一级爰片在线观看| 国产伦精品一区二区三区四那| 国产一区有黄有色的免费视频| 黄色配什么色好看| av福利片在线观看| av.在线天堂| 寂寞人妻少妇视频99o| 22中文网久久字幕| 久久热精品热| av播播在线观看一区| 成人黄色视频免费在线看| 少妇人妻 视频| 成年女人看的毛片在线观看| h日本视频在线播放| 中文资源天堂在线| 久久这里有精品视频免费| 丝袜喷水一区| 国产淫语在线视频| 丝袜喷水一区| 久久精品国产亚洲av天美| 别揉我奶头 嗯啊视频| 欧美 日韩 精品 国产| 观看免费一级毛片| 新久久久久国产一级毛片| 久久精品熟女亚洲av麻豆精品| 亚洲av在线观看美女高潮| 丝袜喷水一区| 国产 一区 欧美 日韩| 国产午夜福利久久久久久| 插逼视频在线观看| 亚洲欧美精品自产自拍| 最新中文字幕久久久久| 亚洲成人中文字幕在线播放| 国产真实伦视频高清在线观看| 国产黄频视频在线观看| 最新中文字幕久久久久| 亚洲国产精品专区欧美| www.色视频.com| 国产精品一及| 99热国产这里只有精品6| 99久久精品热视频| 精品久久国产蜜桃| 91久久精品国产一区二区三区| 国产精品精品国产色婷婷| 高清av免费在线| 国产亚洲91精品色在线| 又大又黄又爽视频免费| 成人国产av品久久久| 欧美精品人与动牲交sv欧美| 久久久久久久久久久免费av| 在线天堂最新版资源| 永久网站在线| 神马国产精品三级电影在线观看| 日韩av免费高清视频| 久久久成人免费电影| 男女下面进入的视频免费午夜| 久久久久久伊人网av| 男女边吃奶边做爰视频| 久久午夜福利片| 久久久久精品性色| 亚洲欧美中文字幕日韩二区| 狂野欧美白嫩少妇大欣赏| 欧美极品一区二区三区四区| 可以在线观看毛片的网站| 人妻 亚洲 视频| 青春草视频在线免费观看| 成年女人在线观看亚洲视频 | 亚洲真实伦在线观看| 蜜臀久久99精品久久宅男| 美女主播在线视频| 亚洲精品,欧美精品| 高清日韩中文字幕在线| 国产成人精品婷婷| 国产视频首页在线观看| 欧美日韩国产mv在线观看视频 | 波多野结衣巨乳人妻| 中国美白少妇内射xxxbb| 在线精品无人区一区二区三 | 亚洲av在线观看美女高潮| 伊人久久国产一区二区| 不卡视频在线观看欧美| 国产精品一区二区三区四区免费观看| 网址你懂的国产日韩在线| 一级毛片黄色毛片免费观看视频| 亚洲真实伦在线观看| 日本与韩国留学比较| 日韩精品有码人妻一区| 偷拍熟女少妇极品色| 欧美成人一区二区免费高清观看| 一级av片app| 国产在线一区二区三区精| 精品久久久噜噜| 天堂中文最新版在线下载 | 人人妻人人爽人人添夜夜欢视频 | 精品酒店卫生间| 成人毛片60女人毛片免费| 男女边摸边吃奶| 五月伊人婷婷丁香| 久久人人爽人人爽人人片va| eeuss影院久久| 搡女人真爽免费视频火全软件| 激情五月婷婷亚洲| 亚洲精品久久午夜乱码| 综合色丁香网| 久久久久国产精品人妻一区二区| 欧美 日韩 精品 国产| 97超碰精品成人国产| 永久免费av网站大全| 噜噜噜噜噜久久久久久91| 好男人视频免费观看在线| 日韩欧美精品免费久久| 建设人人有责人人尽责人人享有的 | 亚洲色图综合在线观看| 插阴视频在线观看视频| 性色av一级| 免费黄网站久久成人精品| 国产高清三级在线| 精品视频人人做人人爽| 国产高清三级在线| 成人高潮视频无遮挡免费网站| 伦理电影大哥的女人| 国产精品一区二区性色av| 2022亚洲国产成人精品| 2022亚洲国产成人精品| 精品一区二区免费观看| 久久精品综合一区二区三区| 日本爱情动作片www.在线观看| 禁无遮挡网站| 干丝袜人妻中文字幕| 国产色婷婷99| 国产高清不卡午夜福利| 2021天堂中文幕一二区在线观| 成人黄色视频免费在线看| 久久久成人免费电影| 国产亚洲最大av| 国产人妻一区二区三区在| 久久久久精品性色| 亚洲欧美一区二区三区国产| 极品教师在线视频| 久久亚洲国产成人精品v| 国产精品.久久久| 国产爱豆传媒在线观看| 日韩欧美精品v在线| 精品午夜福利在线看| 日本爱情动作片www.在线观看| 日本欧美国产在线视频| 国产v大片淫在线免费观看| 国产一区有黄有色的免费视频| videos熟女内射| 亚洲精华国产精华液的使用体验| 亚洲经典国产精华液单| 在线看a的网站| 日韩伦理黄色片| 有码 亚洲区| 毛片女人毛片| 干丝袜人妻中文字幕| 国产亚洲av片在线观看秒播厂| 亚洲无线观看免费| 日韩av不卡免费在线播放| 99热国产这里只有精品6| 三级经典国产精品| 永久网站在线| 五月伊人婷婷丁香| 69人妻影院| 欧美xxxx性猛交bbbb| 亚洲国产精品国产精品| 亚洲,欧美,日韩| 成人国产麻豆网| 久久99热这里只频精品6学生| 亚洲国产精品成人久久小说| 香蕉精品网在线| 小蜜桃在线观看免费完整版高清| 色网站视频免费| 只有这里有精品99| 久久久久久久午夜电影| 精品人妻熟女av久视频| 免费黄频网站在线观看国产| 一个人看视频在线观看www免费| 91午夜精品亚洲一区二区三区| 99热国产这里只有精品6| 激情五月婷婷亚洲| 噜噜噜噜噜久久久久久91| 亚洲国产最新在线播放| 在线亚洲精品国产二区图片欧美 | 色播亚洲综合网| 人妻系列 视频| 欧美变态另类bdsm刘玥| 1000部很黄的大片| 亚洲熟女精品中文字幕| 男女边吃奶边做爰视频| 日本欧美国产在线视频| 观看免费一级毛片| 久久久久久久久久人人人人人人| 成人国产av品久久久| 免费看av在线观看网站| 天堂网av新在线| 黄色日韩在线| 免费av毛片视频| 99热6这里只有精品| 美女被艹到高潮喷水动态| 91久久精品电影网| 久久久久久国产a免费观看| 久久国内精品自在自线图片| av线在线观看网站| 久久久欧美国产精品| 男女边摸边吃奶| 亚洲精品日韩在线中文字幕| 亚洲国产av新网站| 亚洲国产欧美在线一区| 最近手机中文字幕大全| 亚洲人成网站高清观看| 精品熟女少妇av免费看| 日日撸夜夜添| 91在线精品国自产拍蜜月| 99热全是精品| 国产精品蜜桃在线观看| 五月开心婷婷网| 免费观看a级毛片全部| 一级片'在线观看视频| 一个人观看的视频www高清免费观看| 国产一级毛片在线| 女人久久www免费人成看片| 中文欧美无线码| 国产精品爽爽va在线观看网站| 国产91av在线免费观看| 国产老妇女一区| 国产精品秋霞免费鲁丝片| 国模一区二区三区四区视频| 成年av动漫网址| 色综合色国产| 最新中文字幕久久久久| 视频中文字幕在线观看| 蜜桃亚洲精品一区二区三区| 秋霞伦理黄片| 日本黄大片高清| 亚洲精品国产色婷婷电影| 麻豆精品久久久久久蜜桃| 人人妻人人爽人人添夜夜欢视频 | 亚洲欧美日韩另类电影网站 | 国产亚洲午夜精品一区二区久久 | 午夜免费观看性视频| 亚洲精品视频女| 激情五月婷婷亚洲| 亚洲成人久久爱视频| 国产精品麻豆人妻色哟哟久久| 国产免费一级a男人的天堂| 亚州av有码| 精品久久久久久久末码| 亚洲精品国产av蜜桃| 亚洲在久久综合| 搡女人真爽免费视频火全软件| 国产成人免费无遮挡视频| 国产精品伦人一区二区| 亚洲性久久影院| 少妇人妻 视频| 性插视频无遮挡在线免费观看| 久久久久久久久久久丰满| 人妻制服诱惑在线中文字幕| 亚洲欧美精品专区久久| av在线播放精品| 黄色欧美视频在线观看| 国产精品久久久久久久电影| 国产男女内射视频| 亚洲av不卡在线观看| 免费看光身美女| 26uuu在线亚洲综合色| 午夜免费鲁丝| 久久久a久久爽久久v久久| 成人亚洲欧美一区二区av| 中文字幕av成人在线电影| 国产黄a三级三级三级人| 久久久久国产精品人妻一区二区| 欧美老熟妇乱子伦牲交| 一级毛片黄色毛片免费观看视频| 免费看a级黄色片| 自拍欧美九色日韩亚洲蝌蚪91 | 如何舔出高潮| 国产毛片a区久久久久| 久久99热这里只有精品18| 国产精品久久久久久久久免| 日韩一本色道免费dvd| 亚洲精品国产av成人精品| 深爱激情五月婷婷| 热re99久久精品国产66热6| 一个人看的www免费观看视频| 久久久成人免费电影| 18禁裸乳无遮挡免费网站照片| 人妻 亚洲 视频| 亚洲精品日韩在线中文字幕| av在线天堂中文字幕| 亚洲av不卡在线观看| 欧美xxⅹ黑人| 五月玫瑰六月丁香| 性色av一级| 插逼视频在线观看| 久久97久久精品| 老师上课跳d突然被开到最大视频| 日本免费在线观看一区| 天美传媒精品一区二区| 涩涩av久久男人的天堂| 22中文网久久字幕| 国产成人a∨麻豆精品| 日本一本二区三区精品| 亚洲精品视频女| 欧美日韩视频高清一区二区三区二| 国产色婷婷99| 91aial.com中文字幕在线观看| 青春草亚洲视频在线观看| 新久久久久国产一级毛片| 成年女人看的毛片在线观看| 日韩强制内射视频| 夜夜爽夜夜爽视频| 精品国产乱码久久久久久小说| 免费观看的影片在线观看| 久久久久久久久久人人人人人人| 一级毛片久久久久久久久女| 人人妻人人看人人澡| 国产成人免费观看mmmm| 啦啦啦啦在线视频资源| 国内精品美女久久久久久| 久久99热这里只频精品6学生| av在线亚洲专区| 又粗又硬又长又爽又黄的视频| 亚洲在线观看片| 91aial.com中文字幕在线观看| 亚洲精品久久午夜乱码| 女的被弄到高潮叫床怎么办| 亚洲经典国产精华液单| 精品一区二区免费观看| 丝袜脚勾引网站| 中文字幕免费在线视频6| 国产熟女欧美一区二区| 色哟哟·www| 国产精品伦人一区二区| 我的老师免费观看完整版| 听说在线观看完整版免费高清| 国产精品蜜桃在线观看| av福利片在线观看| 综合色丁香网| 国产精品麻豆人妻色哟哟久久| av在线观看视频网站免费| 国产亚洲av嫩草精品影院| 久久久欧美国产精品| 又大又黄又爽视频免费| 午夜老司机福利剧场| 天天一区二区日本电影三级| 国产精品人妻久久久影院| 亚洲精品中文字幕在线视频 | 精品人妻一区二区三区麻豆| 久久久久精品久久久久真实原创| 国产精品嫩草影院av在线观看| 免费av观看视频| 成人国产麻豆网| 日本黄色片子视频| 色网站视频免费| 国国产精品蜜臀av免费| 国产高清三级在线| 亚洲欧美精品专区久久| 亚洲精品国产av成人精品| 国产精品一区二区三区四区免费观看| xxx大片免费视频| 蜜桃亚洲精品一区二区三区| 亚洲精品视频女| 性插视频无遮挡在线免费观看| 一级毛片aaaaaa免费看小| 亚洲av男天堂| 日本黄色片子视频| 亚洲国产高清在线一区二区三| 18禁在线无遮挡免费观看视频| 少妇的逼水好多| 日韩制服骚丝袜av| 国产精品一二三区在线看| 插逼视频在线观看| 舔av片在线| 精品人妻熟女av久视频| 成人免费观看视频高清| 综合色av麻豆| 97在线人人人人妻| 久久久久精品久久久久真实原创| 一级黄片播放器| 蜜臀久久99精品久久宅男| 好男人在线观看高清免费视频| 一级毛片黄色毛片免费观看视频| av国产精品久久久久影院| 男女无遮挡免费网站观看| 精品午夜福利在线看| 欧美成人午夜免费资源| 1000部很黄的大片| 亚洲高清免费不卡视频| 高清视频免费观看一区二区| 久久久精品欧美日韩精品| 国产色婷婷99| 99热国产这里只有精品6| 久热久热在线精品观看| 国产爱豆传媒在线观看| 麻豆成人午夜福利视频| 国产精品一区二区在线观看99| 一级二级三级毛片免费看| 亚洲欧美成人精品一区二区| 国产成人精品婷婷| 真实男女啪啪啪动态图| 搡女人真爽免费视频火全软件| 三级国产精品片| 亚洲精品,欧美精品| 日韩 亚洲 欧美在线| 天天躁夜夜躁狠狠久久av| 一级毛片我不卡| 大香蕉久久网| 久久韩国三级中文字幕| 久久久久久久久久成人| 亚洲av一区综合| 午夜免费观看性视频| 久久久成人免费电影| 丝瓜视频免费看黄片| 国产精品无大码| 啦啦啦啦在线视频资源| 国产精品一区二区性色av| 王馨瑶露胸无遮挡在线观看| 波野结衣二区三区在线| 久久精品久久精品一区二区三区| 内射极品少妇av片p| 欧美少妇被猛烈插入视频| 高清毛片免费看| 国产精品秋霞免费鲁丝片| 狠狠精品人妻久久久久久综合| 亚洲成人精品中文字幕电影| 最近的中文字幕免费完整| 亚洲第一区二区三区不卡| 免费观看的影片在线观看| 久久国产乱子免费精品| 美女cb高潮喷水在线观看| 国产成人精品久久久久久| 亚洲va在线va天堂va国产| 国产黄片美女视频| 亚洲国产最新在线播放| 岛国毛片在线播放| 亚洲精品国产成人久久av| 成人午夜精彩视频在线观看| av又黄又爽大尺度在线免费看| 久久久久久久国产电影|