• <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 ?

    利用多尺度卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率算法

    2018-07-26 03:17:46陳書貞解小會楊郁池練秋生
    信號處理 2018年9期
    關(guān)鍵詞:范數(shù)網(wǎng)絡(luò)結(jié)構(gòu)分辨率

    陳書貞 解小會 楊郁池 練秋生

    (燕山大學(xué)信息科學(xué)與工程學(xué)院, 河北秦皇島 066004)

    1 引言

    圖像超分辨率算法的目標(biāo)是通過低分辨率圖像來重建高分辨率圖像。圖像超分辨率在圖像處理和計算機(jī)視覺中有著很重要且廣泛的應(yīng)用,在醫(yī)學(xué)診斷[1]、衛(wèi)星遙感[2]等領(lǐng)域都有著非常重要的應(yīng)用。圖像為人們提供了可視化的直觀信息,其質(zhì)量的好壞直接影響識別、檢測及分類等操作[3]。圖像的分辨率是評價圖像質(zhì)量的重要指標(biāo),主要反映了圖像所含信息量的多少[4]。圖像的分辨率越高,所含信息量就越多,視覺效果也越好,它對于視頻監(jiān)控、醫(yī)學(xué)診斷等有著極其重要的作用。

    圖像超分辨率重建由Harris等人在1964年首次提出[5],之后有許多學(xué)者對其進(jìn)行了深入研究。由于圖像超分辨率重建是由低分辨率圖像來重建高分辨率圖像,所以超分辨率重建是圖像處理中典型的病態(tài)反問題[6]。單幅圖像超分辨率算法大體上可以分為兩大類[7]:一類是基于插值的方法,一類是基于學(xué)習(xí)的方法?;诓逯档某直媛仕惴╗8-9]比較簡單,容易實現(xiàn),但是對于重建質(zhì)量較高的圖像紋理和細(xì)節(jié)信息存在一定的困難。目前主流的基于學(xué)習(xí)的方法大致有三大類:基于稀疏表示的學(xué)習(xí)算法[10-11]、基于近鄰嵌入的學(xué)習(xí)算法[12-14]和基于深度學(xué)習(xí)的算法[15-20]?;谙∈璞硎镜姆椒ㄊ峭ㄟ^學(xué)習(xí)高、低分辨率圖像塊的過完備字典來重建高分辨率圖像?;诮徢度氲膶W(xué)習(xí)是利用圖像特征空間上的結(jié)構(gòu)相似性,對低分辨率圖像塊及其在特征空間上最近鄰的圖像塊進(jìn)行學(xué)習(xí),以此來重建對應(yīng)的高分辨率圖像。近年來基于深度學(xué)習(xí)的圖像超分辨率問題受到大家越來越多的關(guān)注和研究,尤其是卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像超分辨率重建取得了很大的成功。卷積神經(jīng)網(wǎng)絡(luò)通過卷積運算能更好的利用一個像素點的周圍像素來獲取此像素點的信息,而且卷積神經(jīng)網(wǎng)絡(luò)可以處理比較復(fù)雜的映射關(guān)系并對數(shù)據(jù)進(jìn)行并行處理。卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)其本質(zhì)是尋找輸入與輸出之間復(fù)雜的非線性映射關(guān)系;其應(yīng)用于圖像超分辨率重建,則是通過學(xué)習(xí)低分辨率圖像塊與高分辨率圖像塊之間端到端的映射關(guān)系來重建高分辨率的圖像。

    基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率算法發(fā)展比較迅速。最早用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)圖像超分辨率的是Dong Chao等人,其提出了SRCNN[15]的方法。該方法采用三層卷積網(wǎng)絡(luò)來學(xué)習(xí)輸入低分辨率圖像塊和輸出高分辨率圖像塊之間的映射關(guān)系,三層卷積分別用于特征提取、非線性映射和重建。SRCNN的優(yōu)點是結(jié)構(gòu)簡單,相比較于插值、稀疏表示以及近鄰嵌入方法可以取得更好的性能,缺點是由于訓(xùn)練的困難即使加深網(wǎng)絡(luò)也無法提高圖像的重建質(zhì)量[16]。隨后,為了提高訓(xùn)練速度,Dong Chao等人又提出了FSRCNN[17]的方法。FSRCNN重新設(shè)計了SRCNN的結(jié)構(gòu),該網(wǎng)絡(luò)直接輸入原始的低分辨率圖像,并在網(wǎng)絡(luò)最后使用轉(zhuǎn)置卷積層把圖像放大到需要的大小。FSRCNN算法無需圖像的插值預(yù)處理,大大減少了計算的復(fù)雜度;而且在網(wǎng)絡(luò)的映射部分選用尺寸更小的濾波器以及更多的映射層,為了降低網(wǎng)絡(luò)的計算量在映射前縮小輸入特征維數(shù),映射后再擴(kuò)大回來,以免影響圖像的重建質(zhì)量。經(jīng)過這樣的修改不僅加快了訓(xùn)練速度而且提高了性能。由于深層網(wǎng)絡(luò)模型在圖像分類問題上取得很大突破,受此啟發(fā),Kim等人提出了一個深層的卷積神經(jīng)網(wǎng)絡(luò)模型VDSR[18]。VDSR采用20層卷積網(wǎng)絡(luò),利用殘差訓(xùn)練,不再簡單的學(xué)習(xí)低分辨率圖像與高分辨率圖像之間的映射,而是通過網(wǎng)絡(luò)來學(xué)習(xí)高分辨率圖像和低分辨率圖像的殘差圖像。VDSR方法提出的殘差訓(xùn)練和梯度裁剪方法不僅解決了深層網(wǎng)絡(luò)容易出現(xiàn)的梯度消失和爆炸的問題,而且Kim的實驗[18-19]也表明利用殘差訓(xùn)練可以加快網(wǎng)絡(luò)的收斂速度并提高圖像的重建質(zhì)量。雖然VDSR算法取得了較好的性能,但是其網(wǎng)絡(luò)結(jié)構(gòu)是卷積層的堆疊,網(wǎng)絡(luò)結(jié)構(gòu)越深,梯度消失現(xiàn)象就會越明顯。

    在CVPR2017中,Lai等人提出LapSRN算法來快速精確實現(xiàn)超分辨率重建[20],該算法采用深度拉普拉斯金字塔網(wǎng)絡(luò)來逐級重建高分辨率圖像。Tai等人提出的DRRN算法[21],用一個深度回歸殘差網(wǎng)絡(luò)來重建高分辨率圖像,可以有效提高算法的重建性能。U-net是一種很好地用于圖像語義分割的網(wǎng)絡(luò)結(jié)構(gòu),其結(jié)構(gòu)包括一個收縮支路來提取信息和一個對稱的擴(kuò)展支路來重建信息[22]。受此啟發(fā),為提高超分辨率算法的性能,本文設(shè)計了一種利用多尺度卷積核的收縮--擴(kuò)展殘差網(wǎng)絡(luò)。本文提出的算法有三大優(yōu)點:本文算法利用多尺度卷積核的濾波器并且采用收縮--擴(kuò)展的網(wǎng)絡(luò)結(jié)構(gòu)來提取不同尺度的圖像信息,以此來提高重建圖像的質(zhì)量;利用網(wǎng)絡(luò)結(jié)構(gòu)的跳躍連接更有利地傳播信息以及殘差訓(xùn)練的方法來提高性能;損失函數(shù)不再使用l2范數(shù)損失函數(shù),而是采用l1范數(shù)損失函數(shù),使得性能有所提高。實驗結(jié)果表明本文算法不僅可以較好的提高圖像的重建質(zhì)量,而且訓(xùn)練速度也相對較快。

    2 網(wǎng)絡(luò)結(jié)構(gòu)

    本文的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示,該網(wǎng)絡(luò)在整體上可以看做是一個具有收縮--擴(kuò)展結(jié)構(gòu)的殘差網(wǎng)絡(luò)。前一部分(左側(cè))是網(wǎng)絡(luò)的收縮部分,采用兩次下采樣把訓(xùn)練圖像縮放兩次,即縮減為輸入圖像的四分之一;網(wǎng)絡(luò)的后一部分(右側(cè))是與收縮部分完全對稱的擴(kuò)展部分,對應(yīng)的使用兩次上采樣把縮小的圖像擴(kuò)大回原來的大小。

    本文的網(wǎng)絡(luò)結(jié)構(gòu)包含20層卷積層、2層下采樣和2層上采樣。x和y分別是網(wǎng)絡(luò)的輸入和輸出,conv(k,n)中k為卷積核大小,n為卷積核的個數(shù)。輸入層首先連接的是一個多尺度模塊,該網(wǎng)絡(luò)結(jié)構(gòu)中共包含5個多尺度模塊:

    (1)

    F(xm;θ)=Concat(f1(xm;θ1),f2(xm;θ2))

    (2)

    i=1,2

    (3)

    在網(wǎng)絡(luò)的收縮部分,每個多尺度模塊之后都連接一個卷積層和一個下采樣層。卷積層采用的卷積核是3×3,卷積核的個數(shù)為64。下采樣層采用的是最大池化,池化操作的區(qū)域為2×2,步幅為2,最大池化即找出池化區(qū)域中的最大值。

    在網(wǎng)絡(luò)的擴(kuò)展部分,則是在轉(zhuǎn)置卷積層之后連接一個多尺度模塊和一個卷積核為3×3的卷積層,這兩個多尺度模塊之后連接的兩個卷積層的卷積核個數(shù)分別是64和1。轉(zhuǎn)置卷積層選用的卷積核為2×2、卷積核個數(shù)為64,該層的作用即為上采樣。

    除最后一層卷積層和下采樣層之外,每一層后都使用一個ReLU層。此外,為了使網(wǎng)絡(luò)能更高效的傳遞信息,在每個下采樣層之前的卷積層和上采樣層之間都使用跳躍連接,跳躍連接指的是這兩層作和,而卷積核個數(shù)不變。本文網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)點是采用多尺度的卷積核和收縮--擴(kuò)展的網(wǎng)絡(luò)結(jié)構(gòu)來提取圖像多尺度的信息,且采用跳躍連接和殘差訓(xùn)練來提高圖像的重建質(zhì)量。

    本文在網(wǎng)絡(luò)的多尺度模塊采用多尺度卷積核的濾波器,即在同一個卷積層上應(yīng)用不同尺寸的濾波器。采用多尺度的卷積核有兩大優(yōu)點,首先,多尺度的卷積核最大的優(yōu)點是不同尺寸的卷積核可以提取圖像不同尺度的特征,以便濾波器提取和學(xué)習(xí)更豐富的圖像信息;其次,卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型時,是通過學(xué)習(xí)濾波器的參數(shù)(權(quán)重和偏置)來實現(xiàn)的,即不斷地學(xué)習(xí)濾波器的參數(shù),使其達(dá)到一個最貼近標(biāo)簽的最優(yōu)值;本文采用多尺度的卷積核,目的是讓某一卷積層具有多樣性的濾波器,從而使權(quán)重和偏置的學(xué)習(xí)更加多樣性,近而可以充分有效的提取并學(xué)習(xí)圖像的有用信息。

    本文采用的是完全對稱的收縮--擴(kuò)展網(wǎng)絡(luò)結(jié)構(gòu),即先把圖像縮小,共縮小兩次,圖像大小變?yōu)檩斎雸D像的四分之一,為了便于傳播信息和重建圖像再對稱的擴(kuò)大回原來的大小。收縮--擴(kuò)展的網(wǎng)絡(luò)結(jié)構(gòu)中,網(wǎng)絡(luò)的收縮部分用于學(xué)習(xí)和提取同一圖像不同尺度的特征,可學(xué)習(xí)同一圖像不同分辨率下的信息;擴(kuò)展部分則用來合并和重建圖像信息。利用多尺度的圖像信息,使得訓(xùn)練圖像的信息更加豐富,進(jìn)而促進(jìn)網(wǎng)絡(luò)更高效的學(xué)習(xí)。不僅如此,該網(wǎng)絡(luò)結(jié)構(gòu)因為有對圖像的收縮處理,會降低計算的復(fù)雜度,提高訓(xùn)練和測試的速度。

    文中下采樣層和上采樣層分別用于縮小和擴(kuò)大圖像,下采樣層可采用2×2的最大池化,或是步幅為2的卷積。實驗結(jié)果表明采用步幅為2的卷積層與池化效果相差不多,但由于池化運算參數(shù)較少,訓(xùn)練速度更快,所以本文采用最大池化來進(jìn)行下采樣。上采樣采用轉(zhuǎn)置卷積層實現(xiàn),轉(zhuǎn)置卷積層是通過一系列轉(zhuǎn)置卷積濾波器來上采樣圖像到相應(yīng)的大小。

    網(wǎng)絡(luò)的跳躍連接體現(xiàn)在收縮部分每個下采樣層之前的卷積層都會與擴(kuò)展部分相應(yīng)的轉(zhuǎn)置卷積層相連。采用跳躍連接有利于圖像信息在網(wǎng)絡(luò)結(jié)構(gòu)中的傳播,在深層網(wǎng)絡(luò)結(jié)構(gòu)中,由于卷積層數(shù)增多、使用池化層或轉(zhuǎn)置卷積層,會損失或退化圖像的細(xì)節(jié)信息[24]。本文采用對稱的收縮--擴(kuò)展結(jié)構(gòu),在圖像的收縮(池化)和擴(kuò)展(轉(zhuǎn)置卷積)過程中均會損失一些細(xì)節(jié)信息。在這種情況下使用跳躍連接,連接前面的卷積層和后面對應(yīng)的轉(zhuǎn)置卷積層,可使更多的圖像信息直接傳播到后面的網(wǎng)絡(luò)結(jié)構(gòu)中,以此來彌補(bǔ)這些信息的損失。跳躍連接還有殘差學(xué)習(xí)的作用,可以直接把前面的特征映射到后面,增加網(wǎng)絡(luò)后層的特征輸入,以此便于網(wǎng)絡(luò)高效的學(xué)習(xí)和訓(xùn)練。此外,深層網(wǎng)絡(luò)結(jié)構(gòu)在實際訓(xùn)練過程中常常遇到的一個困難就是梯度消失的問題,而跳躍連接在網(wǎng)絡(luò)的反向傳播過程中可以使梯度更好的向底層傳播,可以有效地解決這一問題,使網(wǎng)絡(luò)訓(xùn)練更容易。

    y=x+fres(x)

    (4)

    其中,fres(x)為網(wǎng)絡(luò)的殘差輸出。使用殘差訓(xùn)練不僅可以很好的避免深層網(wǎng)絡(luò)易出現(xiàn)的梯度消失的問題,而且還可以加快訓(xùn)練的收斂速度并提高重建圖像的質(zhì)量。

    在多數(shù)的網(wǎng)絡(luò)結(jié)構(gòu)中,訓(xùn)練的損失函數(shù)為l2范數(shù)損失函數(shù):

    (5)

    其中,n為樣本數(shù),yi是高分辨率圖像,f(xi;Θ)為網(wǎng)絡(luò)的預(yù)測輸出,Θ={w1,w2,…;b1,b2,…}。本文算法訓(xùn)練的損失函數(shù)選用l1范數(shù)損失函數(shù):

    (6)

    3 訓(xùn)練和測試

    本文的訓(xùn)練實驗是通過Caffe[25]來實現(xiàn),圖形處理器(GPU)使用的是GTX 1080。訓(xùn)練圖像共291張,這291張圖像與VDSR算法所用的訓(xùn)練圖像完全一致,其中91張圖像源自論文Image super-resolution via sparse representation[15],其余200張源自Berkeley Segmentation Dataset[26]。實際的訓(xùn)練圖像還進(jìn)行了數(shù)據(jù)增強(qiáng)處理,即把這291張圖像進(jìn)行旋轉(zhuǎn)和縮放,經(jīng)過這一數(shù)據(jù)增強(qiáng)的處理,原來的291張圖像就變?yōu)榱?820張圖像。測試所用數(shù)據(jù)集為‘Set5’和‘Set14’,是兩個用于測試的基準(zhǔn)數(shù)據(jù)集。

    使用網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練前,要先對輸入圖像做預(yù)處理,選用的處理方法是與SRCNN方法相同的雙三次插值法。使用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型時,為了能高效快速的進(jìn)行訓(xùn)練,一般對圖像進(jìn)行分塊處理,因為批量處理更方便計算而且分塊處理可得到更多數(shù)量的樣本。本文實驗把圖像分成40×40的圖像塊作為訓(xùn)練樣本,取塊步幅為30,訓(xùn)練階段批量處理的大小為64,一共訓(xùn)練30輪,用GTX 1080訓(xùn)練需要270分鐘。訓(xùn)練所采用的優(yōu)化算法是Adam[27],Adam是一種自適應(yīng)時刻估計,相比較于SGD,Adam優(yōu)化方法更靈活,Adam利用梯度的一階矩估計和二階矩估計來動態(tài)的調(diào)整每個參數(shù)的學(xué)習(xí)率,每一次迭代更新后都會把學(xué)習(xí)率控制在一定范圍內(nèi),使得參數(shù)的學(xué)習(xí)更加穩(wěn)定。Adam有兩個動量參數(shù),本文實驗采用的兩個參數(shù)分別是0.9和0.999,學(xué)習(xí)率設(shè)置為0.0001,l2范數(shù)正則化的權(quán)重衰減率設(shè)為0.0001,采用l2范數(shù)正則化的作用主要是為了防止網(wǎng)絡(luò)的過擬合。

    4 實驗結(jié)果

    4.1 與其他算法比較

    為評價本文算法的性能,本文算法分別與SRCNN[15]、FSRCNN[17]、VDSR[18]、LapSRN[20]以及DRRN[21]五種算法進(jìn)行了對比實驗。主要用于評價實驗結(jié)果的指標(biāo)為峰值信噪比(PSNR)和結(jié)構(gòu)相似度(SSIM)。

    實驗結(jié)果如表1、表2所示。分別給出了SRCNN、FSRCNN、VDSR、LapSRN算法與本文算法在PSNR、SSIM上的實驗結(jié)果對比。本文所有對比實驗的數(shù)據(jù)均來自各個論文中作者給出的代碼和訓(xùn)練模型。如表1所示,通過比較五種算法在兩個不同測試集(Set5和Set14)的平均PSNR可以看出,在不同放大因子(×2、×3、×4)下,本文所提出的算法相比較于SRCNN算法和FSRCNN算法PSNR有明顯的提高。尤其與性能相對較好的VDSR算法相比,在Set5數(shù)據(jù)集上,不同放大因子(×2、×3、×4)下本文算法的平均PSNR分別高出VDSR算法0.27 dB、0.27 dB和0.28 dB,而在含有較多細(xì)節(jié)信息圖像的Set14數(shù)據(jù)集上優(yōu)勢相對較小,不同放大因子(×2、×3、×4)下分別比VDSR算法高0.15 dB、0.02 dB和0.10 dB。由表1也可以看出在放大因子為2和4時,本文算法相比較于LapSRN算法在Set5數(shù)據(jù)集上的平均PSNR分別提高0.34 dB和0.10 dB,在Set14中分別提高0.25 dB和0.04 dB。并且,從表2可以看出,本文提出的算法在結(jié)構(gòu)相似度(SSIM)上也有一定程度的提高。實驗結(jié)果表明,本文所提出的算法在圖像超分辨率重建問題中相比較于SRCNN算法、FSRCNN算法、VDSR算法以及LapSRN算法在性能上取得了較大的提高。

    如表3所示,本文算法與VDSR算法在測試時間上進(jìn)行了對比,本文采用與VDSR完全相同的訓(xùn)練集和測試集,測試平臺為GPU GTX1080 Matlab 2015b。VDSR算法采用的是20層卷積網(wǎng)絡(luò)的殘差訓(xùn)練,而本文的網(wǎng)絡(luò)結(jié)構(gòu)一共25層,雖然本文的網(wǎng)絡(luò)結(jié)構(gòu)層數(shù)比VDSR多,由于本文采用的是收縮--擴(kuò)展的網(wǎng)絡(luò)結(jié)構(gòu),即在測試時先對圖像進(jìn)行收縮,然后再擴(kuò)展,在圖像與卷積核進(jìn)行卷積運算時映射變小,有效減小了計算量,所以在運行時間上與VDSR算法相當(dāng)。如表3所示,在Set5數(shù)據(jù)集上放大因子為2和3時以及Set14數(shù)據(jù)集上放大因子為4時,本文算法比VDSR算法快0.01 s。

    表1 五種超分辨率算法在Set5和Set14數(shù)據(jù)集上的PSNR(dB)對比

    表2 五種超分辨率算法在Set5和Set14數(shù)據(jù)集上的SSIM對比

    本文實驗在Intel Core i5- 4460 CPU和GTX 1080的GPU操作平臺上進(jìn)行,除與上述幾種算法對比外,本文利用Set5數(shù)據(jù)集中的四張測試圖像與DRRN算法對比了圖像的重建結(jié)果。四張圖像如圖2所示,記為Set4數(shù)據(jù)集。本文算法與DRRN算法的對比結(jié)果如表4所示。對比實驗中選用了DRRN算法在1個回歸模塊、9個殘差單元共包含20層卷積情況下的實驗結(jié)果。由表4可知,在放大因子為2和4時,本文算法的性能要高于DRRN算法,但在3倍放大因子下本文算法的性能略低于DRRN算法。DRRN算法中每一個卷積層有128個卷積核,而本文算法的卷積層采用64個卷積核,并且本文在網(wǎng)絡(luò)中采用收縮--擴(kuò)展的網(wǎng)絡(luò)結(jié)構(gòu),網(wǎng)絡(luò)參數(shù)大大減少,所以從運行時間上來看,本文算法速度較快。由表4可知,本文算法的運行時間是DRRN算法的四分之一。

    除了PSNR、SSIM以及測試時間等評價指標(biāo)外,本文還選取了Set5和Set14兩個數(shù)據(jù)集中比較有代表性的三張圖像,將這幾張圖像顯示出來進(jìn)行對比,結(jié)果如圖3、圖4和圖5所示,三張圖像的大小分別為:336×220,380×576,648×520。從圖中可以看出,在放大因子為4時,本文算法的重建圖像細(xì)節(jié)信息更豐富,相比較于其他三種算法圖像明顯更清晰。

    表3 兩種超分辨率算法在Set5和Set14數(shù)據(jù)集上的測試時間對比(s)

    圖2 Set4數(shù)據(jù)集中的四張圖像Fig.2 Four images in Set4 dataset

    DatasetScaleDRRN(B1U9)OURSSet4×2×3×437.39/0.9570/0.1233.56/0.9227/0.1231.06/0.8835/0.1237.53/0.9577/0.0333.52/0.9224/0.0331.14/0.8850/0.03

    圖3 Set5中woman_GT圖像在放大因子為4時的視覺對比Fig.3 Visual comparison of the woman_GT image in Set5 with the scale of 4

    圖4 Set14中zebra圖像在放大因子為4時的視覺對比Fig.4 Visual comparison of the zebra image in Set14 with the scale of 4

    圖5 Set14中ppt3圖像在放大因子為4時的視覺對比Fig.5 Visual comparison of the ppt3 image in Set14 with the scale of 4

    除了上述標(biāo)準(zhǔn)測試圖像外,本文還增加了醫(yī)學(xué)圖像和遙感圖像進(jìn)行測試,分別選取了一張醫(yī)學(xué)圖像和一張遙感圖像進(jìn)行了視覺對比,如圖6、圖7所示,圖像大小分別是248×248,248×248。其中,圖7的遙感圖像選自NWPU-RESISC45數(shù)據(jù)庫。從圖6、圖7可以看出本文算法相比較于其他三種算法重構(gòu)圖像的細(xì)節(jié)信息更清晰,并且相比較于SRCNN、FSRCNN及VDSR算法圖6的PSNR分別提高0.98 dB、0.67 dB、0.59 dB,圖7的PSNR分別提高了1.49 dB、0.94 dB和0.86 dB。

    圖6 Brain圖像在放大因子為4時的視覺對比Fig.6 Visual comparison of the Brain image with the scale of 4

    圖7 runway圖像在放大因子為4時的視覺對比Fig.7 Visual comparison of the runway image with the scale of 4

    4.2 不同損失函數(shù)下性能比較

    l2范數(shù)損失函數(shù)廣泛應(yīng)用于圖像處理優(yōu)化問題中,在使用時一般假設(shè)噪聲與圖像的局部特性是相互獨立的,但是人類視覺系統(tǒng)對噪聲的靈敏度是依賴于圖像的局部特性的[28]。所以在使用l2范數(shù)時具有一定的局限性。而l1范數(shù)損失函數(shù)所得到的預(yù)測圖像與清晰圖像的誤差是稀疏的,能更直觀地反映實驗結(jié)果。文獻(xiàn)[29]指出從PSNR和SSIM的角度來說,l2范數(shù)損失函數(shù)并不能保證總能優(yōu)于其他類型的損失函數(shù),文獻(xiàn)[29]提出的EDSR算法也使用了l1范數(shù)損失函數(shù)來代替l2范數(shù)損失函數(shù),并取得了相對較好的性能。本文通過實驗對比了兩種損失函數(shù)的性能,實驗結(jié)果如表5所示。

    在Set5數(shù)據(jù)集上,不同放大因子(×2、×3、×4)下,采用l1范數(shù)損失函數(shù)的平均PSNR分別比l2范數(shù)損失函數(shù)的平均PSNR高0.1 dB、0.13 dB和0.13 dB,而在Set14數(shù)據(jù)集上取得提高比較小,不同放大因子(×2、×3)下分別提高0.06 dB、0.01 dB,在放大因子為4時低了0.01 dB。由表5也可以看出使用l1范數(shù)損失函數(shù)的SSIM也相對較高一些。實驗結(jié)果表明在網(wǎng)絡(luò)訓(xùn)練時選用l1范數(shù)損失函數(shù)比l2范數(shù)損失函數(shù)所得到的重建圖像性能更高。

    4.3 兩種下采樣方法的對比實驗

    本文網(wǎng)絡(luò)結(jié)構(gòu)的下采樣部分可以采用最大池化和步幅為2的卷積兩種方法,如表6所示,兩種方法在PSNR和SSIM上都相差不多。在Set5數(shù)據(jù)集上,放大因子為2和3時池化方法的PSNR稍稍高了0.03 dB,SSIM相差不多;但是在Set14數(shù)據(jù)集上當(dāng)放大因子為3和4時最大池化方法比步幅為2的卷積方法的SSIM分別低了0.0005和0.0009。雖然在性能上兩種方法相差不多,但是相比較于卷積,池化所需參數(shù)更少,訓(xùn)練速度較快。本文通過實驗記錄了兩種方法在同樣的數(shù)據(jù)集和訓(xùn)練參數(shù)下共訓(xùn)練30輪所需時間,在GPU GTX1080上池化方法所需訓(xùn)練時間比卷積方法少半個小時。所以本文實驗選用池化方法進(jìn)行下采樣。

    4.4 不同網(wǎng)絡(luò)層數(shù)的對比實驗

    本文通過實驗對比了不同網(wǎng)絡(luò)層數(shù)對實驗性能的影響。本文采用的網(wǎng)絡(luò)結(jié)構(gòu)共25層,在此網(wǎng)絡(luò)基礎(chǔ)上,在網(wǎng)絡(luò)的每一個多尺度模塊后分別減少和增加一個卷積層來進(jìn)行對比實驗。每個多尺度模塊后減少一個卷積層后網(wǎng)絡(luò)共20層,每個多尺度模塊后增加一個卷積層后網(wǎng)絡(luò)共30層。本次對比實驗在放大因子為3的情況下進(jìn)行,實驗結(jié)果如表7所示。當(dāng)網(wǎng)絡(luò)層數(shù)從25層降為20層時,Set5和Set14數(shù)據(jù)集的平均PSNR分別低了0.09 dB和0.01 dB;當(dāng)網(wǎng)絡(luò)層數(shù)由25層增加為30層時,Set14數(shù)據(jù)集的平均PSNR增加了0.03 dB,但Set5數(shù)據(jù)集的平均PSNR反而下降了0.07 dB。由表7實驗結(jié)果可知,當(dāng)網(wǎng)絡(luò)層數(shù)達(dá)到一定數(shù)量后,即使增加網(wǎng)絡(luò)層數(shù),實驗性能也不會有明顯改善。

    表5 在Set5和Set14數(shù)據(jù)集上兩種損失函數(shù)PSNR(dB)/SSIM對比

    表6 在Set5和Set14數(shù)據(jù)集上兩種下采樣方法PSNR(dB)/SSIM對比

    表7 Set5和Set14數(shù)據(jù)集不同網(wǎng)絡(luò)層數(shù)時PSNR(dB)/SSIM對比

    表8 Set5和Set14數(shù)據(jù)集不同卷積核個數(shù)時PSNR(dB)/SSIM對比

    4.5 不同卷積核個數(shù)的對比實驗

    本文在放大因子為3的情況下對比了不同卷積核個數(shù)對網(wǎng)絡(luò)性能的影響,如表8所示,分別對比了卷積核個數(shù)為48,64,128三種情況下的實驗結(jié)果。從表8可以看出,卷積核個數(shù)為48時,與本文所選用的64個卷積核相比,Set5和Set14數(shù)據(jù)集的平均PSNR分別低了0.09 dB和0.01 dB;卷積核的個數(shù)為128時,相比較于64個卷積核,Set5數(shù)據(jù)集的平均PSNR增加了0.01 dB,Set14數(shù)據(jù)集的平均PSNR下降了0.01 dB。由表8實驗結(jié)果可知,本文算法選取卷積核個數(shù)為64是比較合適的。

    4.6 不同訓(xùn)練樣本數(shù)量的對比實驗

    本文在291張圖像的基礎(chǔ)上增加了100張圖像作為訓(xùn)練集,經(jīng)過數(shù)據(jù)增強(qiáng)處理后的訓(xùn)練圖像由5820張增加到7820張,實驗結(jié)果如表9所示。增加訓(xùn)練樣本后,在Set5數(shù)據(jù)集上性能并無明顯改善,在Set14數(shù)據(jù)集的平均PSNR增加了0.05 dB。由此可知,當(dāng)訓(xùn)練樣本達(dá)到一定規(guī)模后,再增加樣本,對實驗性能也不會有顯著提高。

    表9 Set5和Set14數(shù)據(jù)集不同訓(xùn)練樣本數(shù)量時PSNR(dB)/SSIM對比

    5 結(jié)論

    本文采用了一個具有多尺度卷積核的收縮--擴(kuò)展殘差網(wǎng)絡(luò),多尺度的卷積核使得訓(xùn)練時不僅可以提取不同尺度的特征信息還可以增加權(quán)重和偏置的多樣性,以此高效的學(xué)習(xí)圖像的有用信息。采用收縮--擴(kuò)展的網(wǎng)絡(luò)結(jié)構(gòu)來提取多尺度的圖像信息,使得訓(xùn)練更加高效,然而對網(wǎng)絡(luò)進(jìn)行收縮和擴(kuò)展就要使用下采樣和上采樣層,這兩層的使用會丟失圖像的一些細(xì)節(jié)信息,所以本文使用跳躍連接來彌補(bǔ)這些損失的信息,使得信息更好的傳播;并且采用殘差訓(xùn)練的方式來提高重建圖像質(zhì)量。本文的實驗結(jié)果表明,在相同訓(xùn)練集和測試集下,本文提出的網(wǎng)絡(luò)結(jié)構(gòu)用于圖像的超分辨率重建,可以在不以時間為代價的前提下取得更高的性能。

    猜你喜歡
    范數(shù)網(wǎng)絡(luò)結(jié)構(gòu)分辨率
    EM算法的參數(shù)分辨率
    原生VS最大那些混淆視聽的“分辨率”概念
    基于加權(quán)核范數(shù)與范數(shù)的魯棒主成分分析
    矩陣酉不變范數(shù)H?lder不等式及其應(yīng)用
    基于深度特征學(xué)習(xí)的圖像超分辨率重建
    一種改進(jìn)的基于邊緣加強(qiáng)超分辨率算法
    基于互信息的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)
    知識網(wǎng)絡(luò)結(jié)構(gòu)維對于創(chuàng)新績效的作用機(jī)制——遠(yuǎn)程創(chuàng)新搜尋的中介作用
    滬港通下A+ H股票網(wǎng)絡(luò)結(jié)構(gòu)演化的實證分析
    復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)比對算法研究進(jìn)展
    免费看不卡的av| 日韩一本色道免费dvd| 免费日韩欧美在线观看| 亚洲中文av在线| 热re99久久国产66热| 国产免费一区二区三区四区乱码| 99热网站在线观看| 男女免费视频国产| 精品视频人人做人人爽| 亚洲欧美日韩另类电影网站| 最近的中文字幕免费完整| 久久久久精品性色| 日日撸夜夜添| 男女无遮挡免费网站观看| 精品午夜福利在线看| 一区福利在线观看| av又黄又爽大尺度在线免费看| 欧美精品高潮呻吟av久久| 中文字幕色久视频| 精品视频人人做人人爽| 国产视频首页在线观看| 亚洲免费av在线视频| www.精华液| 免费不卡黄色视频| 亚洲一级一片aⅴ在线观看| 国产视频首页在线观看| 精品久久久精品久久久| 一级黄片播放器| 乱人伦中国视频| 80岁老熟妇乱子伦牲交| 亚洲av日韩精品久久久久久密 | 国产精品久久久久久精品古装| 亚洲精品国产av蜜桃| 国产精品麻豆人妻色哟哟久久| 两个人免费观看高清视频| 秋霞伦理黄片| 欧美在线黄色| 欧美日本中文国产一区发布| 国产日韩欧美亚洲二区| 欧美97在线视频| 午夜免费男女啪啪视频观看| videosex国产| 精品国产一区二区三区久久久樱花| videosex国产| 国产精品av久久久久免费| 国产亚洲精品第一综合不卡| 男人添女人高潮全过程视频| 捣出白浆h1v1| 免费女性裸体啪啪无遮挡网站| 国产福利在线免费观看视频| 母亲3免费完整高清在线观看| 在线观看免费日韩欧美大片| 国产成人欧美在线观看 | 老鸭窝网址在线观看| 少妇人妻久久综合中文| 人人澡人人妻人| 狠狠精品人妻久久久久久综合| 精品少妇内射三级| 下体分泌物呈黄色| videos熟女内射| 黄片小视频在线播放| 日韩熟女老妇一区二区性免费视频| 丝袜人妻中文字幕| 日韩av免费高清视频| 国产免费一区二区三区四区乱码| 在线亚洲精品国产二区图片欧美| 国产xxxxx性猛交| 亚洲在久久综合| 免费女性裸体啪啪无遮挡网站| 男的添女的下面高潮视频| 久久性视频一级片| 国产97色在线日韩免费| av网站在线播放免费| av一本久久久久| 国产免费视频播放在线视频| 久久精品国产综合久久久| 老司机亚洲免费影院| 久热爱精品视频在线9| 丝瓜视频免费看黄片| 波多野结衣av一区二区av| 欧美人与善性xxx| 捣出白浆h1v1| 满18在线观看网站| 亚洲人成电影观看| 日本一区二区免费在线视频| 777米奇影视久久| 亚洲精品av麻豆狂野| 亚洲精品第二区| 波多野结衣av一区二区av| 大香蕉久久网| 汤姆久久久久久久影院中文字幕| 日本vs欧美在线观看视频| 高清av免费在线| 国产精品免费大片| 亚洲色图综合在线观看| 国产成人a∨麻豆精品| 高清不卡的av网站| 热re99久久国产66热| 热99国产精品久久久久久7| 老司机靠b影院| av在线老鸭窝| 亚洲人成网站在线观看播放| 国产在线免费精品| av.在线天堂| 欧美日韩成人在线一区二区| 别揉我奶头~嗯~啊~动态视频 | 欧美在线黄色| 人体艺术视频欧美日本| 欧美日韩视频精品一区| 啦啦啦在线观看免费高清www| www.熟女人妻精品国产| 国产视频首页在线观看| a级毛片黄视频| 男人舔女人的私密视频| 91成人精品电影| 久久天堂一区二区三区四区| 岛国毛片在线播放| 国产精品久久久久久人妻精品电影 | 国产又爽黄色视频| 在线精品无人区一区二区三| 欧美日韩亚洲综合一区二区三区_| 欧美精品人与动牲交sv欧美| 国产国语露脸激情在线看| 熟女少妇亚洲综合色aaa.| 中文字幕高清在线视频| 麻豆乱淫一区二区| 亚洲成人免费av在线播放| 宅男免费午夜| 在线天堂中文资源库| 一级毛片黄色毛片免费观看视频| 国产成人精品在线电影| 国产成人精品无人区| xxx大片免费视频| 日本爱情动作片www.在线观看| 伊人久久大香线蕉亚洲五| 欧美最新免费一区二区三区| 99精品久久久久人妻精品| 操美女的视频在线观看| 搡老乐熟女国产| 午夜激情久久久久久久| 久久99热这里只频精品6学生| 亚洲精品日本国产第一区| 一区二区三区激情视频| 国产深夜福利视频在线观看| 久久精品aⅴ一区二区三区四区| videosex国产| 观看av在线不卡| 美国免费a级毛片| 精品视频人人做人人爽| 亚洲一卡2卡3卡4卡5卡精品中文| 久久久久网色| 看免费成人av毛片| 国产精品免费大片| 久久久久久久国产电影| 一级片免费观看大全| 日本av手机在线免费观看| 国产深夜福利视频在线观看| 18在线观看网站| 中文字幕av电影在线播放| 波多野结衣av一区二区av| 久久免费观看电影| 99久久99久久久精品蜜桃| 欧美av亚洲av综合av国产av | 亚洲欧美日韩另类电影网站| 一级毛片黄色毛片免费观看视频| 色视频在线一区二区三区| 亚洲精品一区蜜桃| 在线观看免费日韩欧美大片| 无限看片的www在线观看| 赤兔流量卡办理| 操出白浆在线播放| 狂野欧美激情性bbbbbb| 精品少妇黑人巨大在线播放| 午夜激情久久久久久久| 韩国精品一区二区三区| 中文天堂在线官网| 精品少妇内射三级| 午夜福利,免费看| 菩萨蛮人人尽说江南好唐韦庄| 超碰成人久久| 国产欧美亚洲国产| 精品久久蜜臀av无| 亚洲精品国产av蜜桃| 男女免费视频国产| 国产成人av激情在线播放| 极品少妇高潮喷水抽搐| 汤姆久久久久久久影院中文字幕| 99久国产av精品国产电影| 国产一卡二卡三卡精品 | 一区二区三区激情视频| 成人亚洲欧美一区二区av| 国产男女内射视频| 亚洲成人一二三区av| 叶爱在线成人免费视频播放| 色视频在线一区二区三区| 极品少妇高潮喷水抽搐| 免费观看a级毛片全部| 2021少妇久久久久久久久久久| 亚洲视频免费观看视频| 国产一区亚洲一区在线观看| 999久久久国产精品视频| 精品福利永久在线观看| 亚洲精品久久午夜乱码| 久久久精品免费免费高清| 国产欧美日韩综合在线一区二区| a 毛片基地| 伦理电影大哥的女人| 欧美中文综合在线视频| 精品亚洲成a人片在线观看| 又大又爽又粗| 9191精品国产免费久久| 精品人妻熟女毛片av久久网站| 大码成人一级视频| 日韩制服丝袜自拍偷拍| 中文欧美无线码| 一本大道久久a久久精品| 尾随美女入室| 国产亚洲午夜精品一区二区久久| 涩涩av久久男人的天堂| 日韩伦理黄色片| 9热在线视频观看99| 亚洲精品美女久久av网站| 欧美日韩亚洲国产一区二区在线观看 | 老汉色av国产亚洲站长工具| 成人黄色视频免费在线看| 久久久久精品国产欧美久久久 | 久久人妻熟女aⅴ| 欧美日韩视频高清一区二区三区二| 天天躁狠狠躁夜夜躁狠狠躁| 国产精品秋霞免费鲁丝片| 国产精品一区二区精品视频观看| 肉色欧美久久久久久久蜜桃| 卡戴珊不雅视频在线播放| 午夜福利一区二区在线看| 亚洲国产av影院在线观看| 亚洲三区欧美一区| 亚洲国产欧美一区二区综合| 日本欧美国产在线视频| 99精国产麻豆久久婷婷| 久久97久久精品| 考比视频在线观看| 成年女人毛片免费观看观看9 | 搡老岳熟女国产| av免费观看日本| 国产精品久久久久久精品电影小说| 女人久久www免费人成看片| 亚洲欧洲日产国产| 午夜影院在线不卡| 亚洲国产av新网站| 欧美人与性动交α欧美软件| 精品国产一区二区三区四区第35| 亚洲欧美一区二区三区黑人| 亚洲国产欧美在线一区| 国语对白做爰xxxⅹ性视频网站| 久久久国产欧美日韩av| 丝袜美腿诱惑在线| 欧美精品一区二区免费开放| 国产精品人妻久久久影院| 亚洲婷婷狠狠爱综合网| 亚洲专区中文字幕在线 | 一区二区三区四区激情视频| 在线观看免费视频网站a站| 国产精品秋霞免费鲁丝片| 一区二区三区激情视频| 1024视频免费在线观看| av女优亚洲男人天堂| 夫妻性生交免费视频一级片| 亚洲精品av麻豆狂野| 国产不卡av网站在线观看| 亚洲精品乱久久久久久| 十八禁高潮呻吟视频| 国产熟女午夜一区二区三区| 丰满饥渴人妻一区二区三| 亚洲一码二码三码区别大吗| 欧美 亚洲 国产 日韩一| 成人免费观看视频高清| 精品少妇久久久久久888优播| 人妻 亚洲 视频| 国产成人欧美在线观看 | 亚洲人成77777在线视频| 亚洲情色 制服丝袜| 午夜福利乱码中文字幕| 2018国产大陆天天弄谢| 欧美av亚洲av综合av国产av | 一级爰片在线观看| 亚洲精品久久久久久婷婷小说| 综合色丁香网| 十八禁高潮呻吟视频| 日韩熟女老妇一区二区性免费视频| 视频在线观看一区二区三区| 日日摸夜夜添夜夜爱| 自线自在国产av| www.av在线官网国产| 丝袜人妻中文字幕| 看免费av毛片| 中文字幕制服av| kizo精华| 欧美日韩视频精品一区| 91精品国产国语对白视频| 天天躁夜夜躁狠狠躁躁| 日韩熟女老妇一区二区性免费视频| 日韩伦理黄色片| 美女福利国产在线| 美女午夜性视频免费| 91aial.com中文字幕在线观看| 国产黄色视频一区二区在线观看| 电影成人av| 亚洲四区av| 国产高清不卡午夜福利| 亚洲 欧美一区二区三区| 日韩一区二区视频免费看| 中文字幕色久视频| videos熟女内射| 久久精品久久久久久噜噜老黄| 亚洲欧美激情在线| 在线观看免费日韩欧美大片| 丰满饥渴人妻一区二区三| 一级,二级,三级黄色视频| 老司机影院成人| 夫妻性生交免费视频一级片| 色播在线永久视频| 亚洲成人av在线免费| 在线观看免费高清a一片| 深夜精品福利| 欧美日韩视频高清一区二区三区二| 国产精品香港三级国产av潘金莲 | 一区二区三区乱码不卡18| 国产精品.久久久| 国产成人av激情在线播放| 久久天堂一区二区三区四区| 中国国产av一级| 精品人妻在线不人妻| 大码成人一级视频| 日韩电影二区| 亚洲欧洲日产国产| 赤兔流量卡办理| 国产亚洲午夜精品一区二区久久| 一区二区日韩欧美中文字幕| 多毛熟女@视频| 国产淫语在线视频| 国产精品欧美亚洲77777| 久久狼人影院| 国产亚洲午夜精品一区二区久久| avwww免费| 国产男人的电影天堂91| 一区福利在线观看| www.熟女人妻精品国产| 国产一卡二卡三卡精品 | 国产免费又黄又爽又色| 成人三级做爰电影| 久久精品aⅴ一区二区三区四区| 熟女少妇亚洲综合色aaa.| 国产xxxxx性猛交| 精品久久蜜臀av无| 亚洲第一av免费看| 亚洲国产中文字幕在线视频| 两个人免费观看高清视频| 夫妻午夜视频| h视频一区二区三区| 一级片'在线观看视频| 欧美在线黄色| 高清av免费在线| 日韩精品免费视频一区二区三区| 丰满乱子伦码专区| 久久亚洲国产成人精品v| 国产亚洲最大av| 另类亚洲欧美激情| 久久午夜综合久久蜜桃| 国产伦理片在线播放av一区| 日本av手机在线免费观看| 99re6热这里在线精品视频| 国产高清国产精品国产三级| 亚洲久久久国产精品| 成人18禁高潮啪啪吃奶动态图| 亚洲欧美成人精品一区二区| 天美传媒精品一区二区| 在线天堂中文资源库| 高清不卡的av网站| 成人亚洲欧美一区二区av| 欧美乱码精品一区二区三区| 亚洲七黄色美女视频| 一级毛片我不卡| 成人免费观看视频高清| 一区二区三区乱码不卡18| 中文字幕另类日韩欧美亚洲嫩草| 亚洲自偷自拍图片 自拍| 国产伦人伦偷精品视频| 亚洲国产精品成人久久小说| 日韩av在线免费看完整版不卡| 少妇 在线观看| 久久免费观看电影| 日韩 亚洲 欧美在线| 美女大奶头黄色视频| 欧美日韩av久久| 麻豆av在线久日| 日韩中文字幕欧美一区二区 | 久久久久人妻精品一区果冻| 久久国产精品男人的天堂亚洲| 日韩伦理黄色片| 97精品久久久久久久久久精品| 精品少妇黑人巨大在线播放| 亚洲国产欧美在线一区| 熟妇人妻不卡中文字幕| 中文天堂在线官网| 一区二区三区乱码不卡18| 狠狠婷婷综合久久久久久88av| 久久精品亚洲熟妇少妇任你| av网站免费在线观看视频| 99九九在线精品视频| 亚洲,欧美,日韩| 在线观看三级黄色| 在线免费观看不下载黄p国产| 亚洲av电影在线进入| 色播在线永久视频| 亚洲欧美一区二区三区黑人| 国产精品一区二区精品视频观看| 久久精品亚洲av国产电影网| 亚洲精品成人av观看孕妇| 成年美女黄网站色视频大全免费| 日日摸夜夜添夜夜爱| 国产精品久久久av美女十八| 青草久久国产| 欧美日韩av久久| 亚洲精品日韩在线中文字幕| 国产精品久久久久久久久免| 亚洲av男天堂| h视频一区二区三区| 久久ye,这里只有精品| 男女床上黄色一级片免费看| 91精品伊人久久大香线蕉| 国产高清不卡午夜福利| 亚洲国产精品成人久久小说| 大香蕉久久成人网| 国产爽快片一区二区三区| e午夜精品久久久久久久| 国产精品久久久av美女十八| 伦理电影免费视频| 欧美激情极品国产一区二区三区| 亚洲综合精品二区| 久久久久久久久久久久大奶| 久久久精品区二区三区| 久久久久精品久久久久真实原创| 亚洲欧美色中文字幕在线| 精品午夜福利在线看| 搡老岳熟女国产| svipshipincom国产片| 宅男免费午夜| 精品少妇内射三级| 男女下面插进去视频免费观看| 一级黄片播放器| 观看av在线不卡| 男女午夜视频在线观看| 黑人猛操日本美女一级片| 国产伦理片在线播放av一区| 丝袜美足系列| 久久99一区二区三区| 久久久久国产精品人妻一区二区| 国产精品成人在线| 18禁观看日本| 亚洲一级一片aⅴ在线观看| 精品国产一区二区三区四区第35| 中文字幕最新亚洲高清| videosex国产| 丝袜脚勾引网站| 视频在线观看一区二区三区| 999久久久国产精品视频| 国产成人欧美在线观看 | 大片免费播放器 马上看| 欧美xxⅹ黑人| 99热全是精品| 久久这里只有精品19| 国产又爽黄色视频| 亚洲精品国产色婷婷电影| 99re6热这里在线精品视频| 久久精品久久精品一区二区三区| 最近中文字幕2019免费版| 中文乱码字字幕精品一区二区三区| 欧美日韩成人在线一区二区| 老熟女久久久| 欧美国产精品一级二级三级| 19禁男女啪啪无遮挡网站| 丰满少妇做爰视频| 电影成人av| 欧美亚洲日本最大视频资源| 成人国产av品久久久| 精品国产一区二区久久| 美女午夜性视频免费| 9色porny在线观看| 亚洲av电影在线进入| 久久久久精品性色| 99精品久久久久人妻精品| 天天躁狠狠躁夜夜躁狠狠躁| 成人漫画全彩无遮挡| 免费高清在线观看日韩| 少妇 在线观看| 99热国产这里只有精品6| 亚洲欧美色中文字幕在线| 中国国产av一级| 午夜福利免费观看在线| 九色亚洲精品在线播放| 久久精品久久久久久噜噜老黄| 国产免费又黄又爽又色| 日韩成人av中文字幕在线观看| 欧美日韩亚洲综合一区二区三区_| 一级a爱视频在线免费观看| 亚洲一卡2卡3卡4卡5卡精品中文| 国产又爽黄色视频| 久久久久久久精品精品| 亚洲欧美一区二区三区黑人| 蜜桃国产av成人99| 国产97色在线日韩免费| 久久亚洲国产成人精品v| 好男人视频免费观看在线| av网站免费在线观看视频| 久久久久久久大尺度免费视频| xxx大片免费视频| 亚洲,欧美,日韩| 亚洲精品国产av成人精品| 免费高清在线观看视频在线观看| 亚洲少妇的诱惑av| 青春草亚洲视频在线观看| 欧美日韩综合久久久久久| 一级黄片播放器| 国产一区二区在线观看av| 亚洲精品久久成人aⅴ小说| 人人澡人人妻人| 中文字幕人妻丝袜制服| 亚洲av综合色区一区| 少妇的丰满在线观看| 中文字幕人妻丝袜一区二区 | 国产黄频视频在线观看| 国产亚洲av片在线观看秒播厂| 男女国产视频网站| 亚洲av电影在线进入| 侵犯人妻中文字幕一二三四区| 国产国语露脸激情在线看| 日韩欧美一区视频在线观看| 久久韩国三级中文字幕| 麻豆av在线久日| 亚洲国产精品国产精品| 久久影院123| 一级毛片黄色毛片免费观看视频| 精品国产超薄肉色丝袜足j| 最新在线观看一区二区三区 | 大陆偷拍与自拍| 日韩一区二区三区影片| 一本色道久久久久久精品综合| 高清视频免费观看一区二区| 日本欧美国产在线视频| av福利片在线| 考比视频在线观看| 亚洲欧美一区二区三区久久| 欧美日韩成人在线一区二区| 天天躁狠狠躁夜夜躁狠狠躁| 久久99热这里只频精品6学生| 国产成人精品久久二区二区91 | www.av在线官网国产| 丝袜美足系列| 精品国产乱码久久久久久男人| 热99国产精品久久久久久7| 永久免费av网站大全| 亚洲五月色婷婷综合| 最新的欧美精品一区二区| 亚洲av综合色区一区| 亚洲av成人精品一二三区| 99久久人妻综合| 日韩一卡2卡3卡4卡2021年| 在线观看人妻少妇| 国产精品三级大全| 亚洲第一青青草原| 啦啦啦视频在线资源免费观看| 免费高清在线观看日韩| 成年人午夜在线观看视频| 国产精品偷伦视频观看了| 成年av动漫网址| 成人国产av品久久久| 国产精品久久久人人做人人爽| 青青草视频在线视频观看| 日本黄色日本黄色录像| 欧美久久黑人一区二区| 啦啦啦 在线观看视频| 一级毛片我不卡| 国产精品久久久久久人妻精品电影 | 久久久久人妻精品一区果冻| 国产在线视频一区二区| 精品少妇内射三级| 精品国产乱码久久久久久男人| 男人爽女人下面视频在线观看| 久久久亚洲精品成人影院| 九色亚洲精品在线播放| 十八禁人妻一区二区| 蜜桃国产av成人99| 久久久精品国产亚洲av高清涩受| 亚洲欧美色中文字幕在线| 多毛熟女@视频| 精品少妇黑人巨大在线播放| 丰满少妇做爰视频| 高清黄色对白视频在线免费看| 97人妻天天添夜夜摸| 中文欧美无线码| 99久久人妻综合| 免费久久久久久久精品成人欧美视频| 亚洲,欧美精品.| 中文字幕av电影在线播放| 中文字幕人妻丝袜制服| 国产黄色视频一区二区在线观看| 欧美精品一区二区免费开放| 高清在线视频一区二区三区| 国产成人啪精品午夜网站| 国产探花极品一区二区| 美国免费a级毛片| 亚洲av国产av综合av卡| 午夜精品国产一区二区电影| 中文精品一卡2卡3卡4更新| av视频免费观看在线观看|