• <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 ?

    高分辨率遙感影像的深度學習變化檢測方法

    2017-09-15 10:01:37張鑫龍陳秀萬
    測繪學報 2017年8期
    關(guān)鍵詞:變化檢測正確率光譜

    張鑫龍,陳秀萬,李 飛,楊 婷

    北京大學地球與空間科學學院,北京 100871

    高分辨率遙感影像的深度學習變化檢測方法

    張鑫龍,陳秀萬,李 飛,楊 婷

    北京大學地球與空間科學學院,北京 100871

    為提升高分辨率遙感影像的變化檢測精度,提出一種利用深度學習的變化檢測方法。在預(yù)處理的基礎(chǔ)上,利用顧及鄰域信息的改進變化矢量分析算法和灰度共生矩陣算法獲取影像間光譜和紋理變化,并通過設(shè)置自適應(yīng)采樣區(qū)間提取最可能的變化和未變化區(qū)域樣本。構(gòu)建并訓(xùn)練包含標簽層的高斯伯努利深度限制玻爾茲曼機模型,以提取變化和未變化區(qū)域深層特征,從而有效辨別變化區(qū)域。通過WorldView-3與Pléiades-1影像的試驗表明本文方法在變化檢測精度方面優(yōu)于對比方法。

    變化檢測;高分辨率遙感;深度學習

    遙感變化檢測是是目前遙感研究領(lǐng)域的熱點之一,在災(zāi)害監(jiān)測、城市變遷、國土規(guī)劃等領(lǐng)域起著重要的作用。變化檢測是從不同時刻針對同一地區(qū)所獲取的遙感影像中分析并確定變化區(qū)域,以提取地物變化信息。變化檢測的目的是提取對比圖像明顯變化區(qū)域并生成變化圖像[1]。

    近年來衛(wèi)星遙感影像分辨率不斷提高。與中低分辨率遙感影像變化檢測相比,雖然高分辨率遙感影像呈現(xiàn)更多細節(jié)信息,但是變化和未變化區(qū)域之間的可分性降低、提取難度反而增大。目前高空間分辨率光學影像變化檢測研究重點主要包括不同高分衛(wèi)星影像之間[2-3]與高分衛(wèi)星和航空影像之間[4]的變化檢測研究。尤其隨著無人機遙感的發(fā)展,影像分辨率進一步提升,這對高分辨率遙感影像變化檢測方法提出了更高的要求。

    在目前已有的高分影像變化檢測研究方法中,影像配準與特征提取的好壞是影響變化檢測結(jié)果的關(guān)鍵因素。絕大多數(shù)像素級、特征級、對象級對比檢測模型和方法都對圖像間的配準精度具有較高要求。但因為不同高分衛(wèi)星傳感器之間的差異以及多時相遙感影像成像條件不同等問題,即使在精配準后,影像間配準誤差也難以消除。這直接導(dǎo)致在不同高分衛(wèi)星影像間使用傳統(tǒng)影像變化檢測方法時,影像對比區(qū)域不一致,因此產(chǎn)生許多偽變化區(qū)域。另一方面,大多變化檢測方法都是利用同一傳感器的相同分辨率影像[5-6]。盡管目前存在一些多源高分影像變化檢測方法[7],但目前仍沒有一個通用、有效的方法[8]。這主要是因為在對比高分影像時,同一地物在不同時間、不同分辨率影像上表現(xiàn)形態(tài)不盡相同,難以提取抽象特征并直接進行比較。因此針對配準誤差與特征提取的問題,本文提出一種利用深度學習的高分辨率遙感影像變化檢測方法。

    1 本文方法

    預(yù)處理階段,在兩幅影像配準后,對分辨率較低的影像做重采樣并采用直方圖匹配法來進行相對輻射校正。通過考慮鄰域信息的改進變化矢量分析法和灰度共生矩陣方法分別提取不同時相影像間的光譜和紋理變化圖像并生成變化強度圖,以減少變化檢測時局部對比區(qū)域不一致而產(chǎn)生的誤差;然后通過設(shè)置自適應(yīng)采樣區(qū)間從中選擇最可能的變化和未變化區(qū)域中的像元作為樣本;最后利用構(gòu)建的包含標簽層的高斯-伯努利深度玻爾茲曼機模型對樣本進行訓(xùn)練,以提取變化和未變化區(qū)域抽象特征,在此基礎(chǔ)上對兩幅影像所有像元逐個進行變化和未變化劃分,生成變化檢測圖。具體流程如圖1所示。

    圖1 變化檢測流程圖Fig.1 Flowchart for change detection

    1.1 考慮鄰域信息的光譜變化

    變化矢量分析法[9](CVA)算法通過逐點差分兩幅已配準的不同時相遙感影像來獲取變化信息。CVA算法主要是從變化的強度與方向兩方面對不同時相遙感影像進行變化檢測分析,其中變化強度圖像用于表示研究區(qū)域變化范圍,變化方向用于表示研究區(qū)域具體變化類型。本文只對變化強度進行討論。對于多波段遙感影像來說,變化強度根據(jù)每個波段差異計算得出,通過多維特征歐氏空間進行表達。具體計算公式如式(1)與式(2)所示

    (1)

    (2)

    傳統(tǒng)的基于CVA的變化檢測方法對中低空間分辨率影像變化分析效果較好。但是在不同衛(wèi)星的高空間分辨率遙感影像變化檢測時,因其成像條件及配準精度的影響,對比的同一區(qū)域不是由兩幅影像中對應(yīng)像點所表達。即使正射校正算法相當精確,也不能保證消除兩幅影像間所有像元間的配準誤差[4]。圖2所示為兩幅配準的影像,黑色十字中心為同名地物,但卻位于紅色方框內(nèi)不同位置,說明仍然存在配準誤差。因此在變化檢測運算時,難以達到同一地物每個像元一一對應(yīng),所以在使用CVA算法時,變化檢測精度較低。

    為解決上述問題,本文采用改進的RCVA(Robust change vector analysis)算法[10]來提高變化檢測初步結(jié)果計算精度,以選擇更好的訓(xùn)練樣本進行深度學習。RCVA算法基于如下假設(shè):若在x2(j±w,k±w)范圍內(nèi)的一個像元與x1(j,k)像元光譜信息差異最小,則表明該像元包含x1(j,k)像元最多相應(yīng)的地面信息。也就是說,在高分辨率遙感影像對比檢測中,若兩幅影像有幾何配準誤差,影像1中一個像元與影像2中該像元鄰域范圍內(nèi)的另一像元光譜差異最小,則認為這兩個像元為同名地物的對應(yīng)像元,因此可以有效減小配準誤差的影響。文獻[10]提供的RCVA算法只從像元單個波段考慮光譜差異再進行波段合并,而沒有從對應(yīng)像元整體光譜差異角度考慮,這樣會產(chǎn)生每個波段同名地物對應(yīng)像點不同的情況,因此難以進行后續(xù)比較。為此,本文提出改進的RCVA方法以減小配準誤差影響。

    改進的RCVA使用一個大小為2w+1的移動窗口來進行考慮鄰近像元的光譜變化檢測分析,計算過程分兩步。第1步,通過t2影像每點與t1影像該點鄰近像元內(nèi)光譜差異值最小的點來獲取差異影像xdiffa,再對t1影像用同樣方法獲取xdiffb,具體如公式(3)、(4)所示

    (3)

    (4)

    第2步,通過式(5)得到光譜變化圖

    (5)

    這樣就可以得到考慮鄰域信息的光譜信息變化圖。這里需要說明的是,為保證后續(xù)紋理特征變化分析與深度學習所選擇的兩幅影像中的像元是同名像點,將用于計算(j,k)點M的兩時相對應(yīng)像元叫作(j,k)點的同名像點。

    1.2 考慮鄰域信息的紋理變化

    灰度共生矩陣[11](grey level co-occurrence matrix,GLCM)是一種通過圖像灰度的空間相關(guān)特征來描述紋理的通用方法。如果圖像是由具有相似灰度值的像素塊構(gòu)成,則GLCM的對角元素會有較大的值。GLCM用一些標量來表征其特性,常用的有能量、對比度、熵、方差、自相關(guān)等。文獻[12]通過對比高分辨率遙感影像中不同種類地物的GLCM 9種標量參數(shù),發(fā)現(xiàn)不同地物間方差參數(shù)差異最大。因此,本文選擇GLCM方差提取紋理特征,GLCM的計算如式(6)所示

    (6)

    (7)

    (8)

    1.3 樣本選擇

    在獲得光譜變化與紋理變化的圖像后,通過圖像合并可以得到變化強度圖。為利用深度學習提高變化檢測精度,需對其中最可能變化和未變化區(qū)域進行有效選擇。本文通過樣本提取參數(shù)T設(shè)置亮度區(qū)間來提取樣本,即從光譜和紋理變化圖像中的T%最大值和最小值對應(yīng)的亮度區(qū)間中選擇樣本。該亮度區(qū)間的設(shè)置與變化圖像的各亮度值像元數(shù)量比例、最大亮度值和最小亮度值有關(guān)。對于相同T值,在不同變化圖像中會根據(jù)圖像亮度分布特點,設(shè)置不同的變化和未變化樣本提取閾值,因此具有自適應(yīng)性。需要注意的是,對于未變化區(qū)域,紋理和光譜變化均較小,因此選取光譜與紋理變化T%最小值像元的交集作為未變化區(qū)域樣本;對于變化區(qū)域,光譜或紋理變化較大,為保證深度學習中各類別樣本數(shù)量大致相等,從光譜和紋理變化中T%最大值像元的并集中選擇與未變化區(qū)域數(shù)量相等的像元作為變化區(qū)域樣本。樣本選擇過程如圖3所示。

    1.4 深度學習模型構(gòu)建與樣本訓(xùn)練

    深度學習是機器學習領(lǐng)域一個新興的研究熱點,近年來在語音識別、計算機視覺等領(lǐng)域取得良好效果。隨著遙感數(shù)據(jù)分辨率的提高,深度學習能應(yīng)對高空間分辨率數(shù)據(jù),對其進行有效模式識別與分類,因此深度學習方法可作為處理遙感大數(shù)據(jù)分析與挖掘問題的有效手段[13]。與傳統(tǒng)機器學習方法相比,深度模型在原來多層神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,加入特征學習部分,使用訓(xùn)練集逐層貪婪學習以初始化網(wǎng)絡(luò)權(quán)值來接近全局最優(yōu)點。同時,深度模型的逐層訓(xùn)練架構(gòu)可以有效解決多層反向傳遞之后梯度彌散的問題,從而實現(xiàn)真正意義上深度學習。

    深度玻爾茲曼機[14](deep Boltzmann machines,DBM)是一種無監(jiān)督深度學習模型,由多層限制玻爾茲曼機[15](restricted Boltzmann machines,RBM)疊加而成。RBM包含兩層,可見層v和隱藏層h??梢妼訂卧脕砻枋鲇^察數(shù)據(jù),而隱藏層單元用來獲取可見層單元對應(yīng)變量之間的依賴關(guān)系,因此可以理解為特征提取層。隨著RBM層數(shù)增多,頂層的隱藏層即可視為深層特征層。與其他深度學習模型不同,在DBM模型中的各單元層之間均為無向連接,且簡化了上下層的反饋系數(shù)訓(xùn)練,從而使其數(shù)據(jù)泛化能力大大提高,同時使模型處理不確定性樣本的健壯性更強[16]。雖然DBM的訓(xùn)練時間略長,但是在多個公共訓(xùn)練集上的表現(xiàn)均優(yōu)于其他對比的深度學習模型[14,17]。與DBM可見層v={0,1}每個輸入單元為二值變量兩種狀態(tài)相比,高斯-伯努利DBM(Gaussian-Bernoulli DBM,GDBM)模型[17]將輸入單元拓展為連續(xù)輸入的實值變量v∈RD,更適用于圖像分類、語音識別等[18]。因此本文通過構(gòu)建GDBM模型對不同時相遙感影像是否變化進行判別。

    為利用該模型,本文增加標簽信息層l,設(shè)計具有監(jiān)督分類功能的GDBM模型。如圖4所示,該模型由可見層v,隱藏層h1,h2,…,hn和標簽層l組成:可見層v為(j,k)點兩幅影像的同名像點(j±w,k±w)范圍內(nèi)RGB 3種顏色的歸一化亮度值依次排列的向量,設(shè)A=6(2w+1)2表示輸入的兩幅影像像元個數(shù);l為二值標簽,即l=[10]T或l=[01]T,分別表示變化和未變化兩種類別。對每個包含n層隱藏層(v,h1,…,hn,l)的GDBM的能量函數(shù)如式(9)所示

    圖4 GDBM模型Fig.4 Model of GDBM

    (9)

    (10)

    根據(jù)RBM的結(jié)構(gòu)特點,給定可見層單元狀態(tài),各隱層單元的激活狀態(tài)彼此條件獨立;給定隱層單元狀態(tài),各可見層單元的激活狀態(tài)也條件獨立。因此根據(jù)式(9)、式(10),可見層v、隱藏層h和標簽層l的條件分布如式(11)—(15)所示

    (11)

    (12)

    (13)

    (14)

    (15)

    對于GDBM整個模型參數(shù)的優(yōu)化,分為兩部分:

    (16)

    直接求解最大似然函數(shù)較為復(fù)雜,因此通過隨機梯度下降法逼近。結(jié)合式(10)可得

    (18)

    (19)

    (20)

    由于訓(xùn)練樣本已知,所以EPdata[·]易求得,而EPmodel[·]計算量與各層單元數(shù)量成指數(shù)型關(guān)系,難以直接求得。因此結(jié)合式(11)—(15)采用對比散度算法[15,19](contrastive divergence,CD)快速近似求解,通過迭代不斷優(yōu)化模型參數(shù)θ*初始化RBM參數(shù)。

    在訓(xùn)練完第1個RBM參數(shù)后,h1層各單元值可根據(jù)v層單元值及參數(shù)θ1計算得到。為優(yōu)化第2個RBM模型,將第1個RBM中的輸出(h1層)各單元值作為第2個RBM模型的輸入(v層),并依據(jù)上述RBM學習方法單獨調(diào)整第2個RBM參數(shù)θ2。這樣每一個RBM根據(jù)各自輸入數(shù)據(jù),通過RBM學習方法優(yōu)化該層參數(shù),并獲取隱藏層單元值作為下一層RBM輸入。經(jīng)過n次學習后,即可逐層依次調(diào)整n個RBM參數(shù),從而優(yōu)化整個GDBM模型參數(shù)。需要注意的是,與深度信念網(wǎng)絡(luò)(DBN)逐層優(yōu)化參數(shù)方式[20]略有不同,GDBM逐層貪婪學習時每層均受其上下兩層的影響[14]。因此在訓(xùn)練時,底層RBM隱藏層激活概率計算時需將可見層單元激活概率擴為兩倍,以補償其余層損失;其余中間層RBM,只需要在組合成GDBM時,簡單把上下兩個方向上的權(quán)值均分即可。

    (2) 在初始化整個模型后,GDBM中每個隱藏層的二值隨機激活狀態(tài)改為確定的真實概率值,這樣GDBM模型就變?yōu)橐粋€多層初始值已確定的神經(jīng)網(wǎng)絡(luò)。再根據(jù)可見層v與標簽層l,通過后向傳遞方法微調(diào)整個模型。

    在變化和未變化樣本訓(xùn)練GDBM后,即可對兩幅影像進行變化檢測分析。在逐點分析(j,k)時,同樣利用兩時相同名像點(j±w,k±w)范圍內(nèi)圖像作為輸入。

    2 試驗與分析

    本文變化檢測試驗采用的數(shù)據(jù)分別為2014年4月3日和2016年5月7日獲取的北京市郊區(qū)某區(qū)域的高空間分辨率遙感影像,包含紅、綠、藍3個波段。其中2014年數(shù)據(jù)為Pléiades-1衛(wèi)星數(shù)據(jù),分辨率為0.5 m;2016年數(shù)據(jù)為WorldView-3,分辨率為0.31 m。在對兩幅影像預(yù)處理后,兩幅影像大小為2633×2349像素,如圖5(a)、(b)所示。圖像中的主要變化區(qū)域是影像右側(cè)和下側(cè)的建筑、左側(cè)道路旁樹木以及下側(cè)的停車場汽車,圖像中左側(cè)建筑及建筑間的道路為主要未變化區(qū)域。參考變化區(qū)域如圖5(c)所示,為目視解譯結(jié)果,圖中黑色代表變化區(qū)域,白色代表未變化區(qū)域。本文試驗環(huán)境:操作系統(tǒng)為Windows7,CPU為i5-3450,內(nèi)存8G,編程軟件為MATLABR2015a。

    圖2 同一地物在兩幅影像中對應(yīng)像點Fig.2 Homologous pixels of identical area in two remote sensing images

    圖3 光譜和紋理變化相結(jié)合的樣本選擇Fig.3 Samples selection based on combining spectral changes and textural changes

    圖5 變化檢測數(shù)據(jù)Fig.5 Data of change detection

    圖6是在窗口大小w=4,樣本提取參數(shù)T=6時,具有不同隱藏層GDBM訓(xùn)練得到的變化結(jié)果圖。整體而言,GDBM模型能夠較好地對高分辨率遙感影像中變化和未變化區(qū)域進行有效檢測,對大部分建筑、樹木、道路和停車場與街道內(nèi)汽車的變化都能識別,說明深度學習應(yīng)用在高分衛(wèi)星遙感影像變化檢測方面具有良好效果。在變化檢測精度評價上,本文采用正確率、虛警率、漏檢率3個指標,不同數(shù)量隱藏層變化檢測結(jié)果如表1所示。從計算結(jié)果可以看出,隨著隱藏層數(shù)量增多,變化檢測的整體識別能力增強,正確率增加超過12%,虛警率和漏檢率均明顯降低。這是因為深度學習可以有效提取地物的深層特征,準確識別不同時相地物間的異同,從而實現(xiàn)對變化、未變化區(qū)域的判別與分類。但當隱藏層數(shù)超過一定數(shù)量時(5~8層),變化檢測正確率提升較小,虛警率減小的同時漏檢率增多,說明深度學習具有一定的最適范圍。通過對每層權(quán)值分析發(fā)現(xiàn),隨著深度的增加,網(wǎng)絡(luò)權(quán)值愈加抽象,表明網(wǎng)絡(luò)識別的信息是對這些抽象特征的組合[21]。因此對于較難區(qū)分變化和未變化區(qū)域的不同時相遙感影像,可以通過增加GDBM層數(shù)及各層單元數(shù)提取抽象特征,以提升整體變化檢測精度。

    圖7是在訓(xùn)練層數(shù)為4層,T=6條件下,變化檢測的正確率、虛警率、漏檢率與不同窗口大小w的關(guān)系圖。從圖中可以看出,當采用考慮鄰域信息的RCVA和GLCM后,即w=0變?yōu)閣=1時,深度學習后變化檢測正確率從64.23%升至70.63%,表明考慮鄰域信息能有效提升變化檢測精度。隨著窗口大小逐漸增大(w≤4),正確率逐漸升高至79.42%,提升超過15%,說明改進方法具有良好效果。正確率上升主要是因為兩幅影像中沒有改變的建筑物、道路邊緣等輪廓能夠更加精確匹配,因此減少了這些沒有改變但因配準誤差而劃分為變化類別的像元個數(shù),這也是虛警率下降明顯的原因。但隨著搜索區(qū)域窗口大小進一步增大,兩幅影像中“過渡配準”[10]像元增多,一幅影像中的像元與另一幅影像中非對應(yīng)像元匹配的可能性增大,這會削弱變化強度,使微小變化難以檢測到,導(dǎo)致部分變化區(qū)域誤判為未變化區(qū)域。因此雖然虛警率仍在減小,但整體而言正確率有所下降,主要表現(xiàn)為漏檢率升高。因此在實際應(yīng)用過程中,需要根據(jù)遙感影像分辨率大小選擇合適的窗口大小,窗口的范圍應(yīng)略大于影像間最大局部配準誤差。

    圖6 變化檢測結(jié)果Fig.6 Results of change detection

    隱藏層數(shù)量檢測改變檢測未變正確率/(%)虛警率/(%)漏檢率/(%)1實際改變1686083752641實際未變1196155255003868.4941.5022.792實際改變1891334547390實際未變1117951262824273.0737.1517.243實際改變1622919815805實際未變674092307210175.9129.3520.984實際改變2042243396481實際未變869768287642579.5329.8712.115實際改變2160732277992實際未變734132301206183.6425.368.508實際改變2002090436634實際未變516670322952384.5920.5111.91

    圖7 移動窗口w與變化檢測精度關(guān)系圖Fig.7 Relations between moving window w and change detection accuracies

    圖8是在訓(xùn)練層數(shù)為5層,w=4條件下,變化檢測的正確率、虛警率、漏檢率與不同樣本提取參數(shù)T的關(guān)系圖。在T=1時,選取變化圖像中1%的最大值和最小值像元作為變化和未變化區(qū)域的樣本,此時還不能選取到所有具有代表性變化的地物樣本,因此正確率較低。隨著T逐漸增大,因為選取了更多具有明顯變化和未變化的樣本值,變化檢測精度逐漸變高,在T=6時達到83.64%,且虛警率與漏檢率都有明顯下降。隨著T進一步增大,雖然正確率仍較高,但此時選擇錯誤分類樣本概率增大,因此漏檢率和誤檢率均有逐漸增大趨勢,影響了整體的正確率。對于深度學習來說,樣本個數(shù)越多學習效果越好,但這是基于有效樣本的基礎(chǔ)上。T較大時,雖然樣本數(shù)量增多,但往往有效樣本所占比率反而略微下降,影響了深度學習的效果。整體而言T值不應(yīng)過小,一般選擇在T=4到T=8之間。

    圖8 樣本提取參數(shù)T與變化檢測精度關(guān)系圖Fig.8 Relations between the parameter of sample selection T and change detection accuracy

    為進一步驗證本文提出方法的可行性和有效性,本文方法與矢量分析法(CVA)、獨立成分分析方法(ICA)、健壯矢量分析法[10](RCVA)、文獻[22]方法、快速目的性獨立分析方法[23](PFICA)變化檢測結(jié)果進行對比,對比結(jié)果如表2所示。從表中可以看出,傳統(tǒng)方法如CVA、ICA等在不同衛(wèi)星的高分辨率遙感影像的變化檢測時結(jié)果精度較低。在此基礎(chǔ)上對其改進的RCVA、PFICA則有明顯提升,但因用到光譜特征而較少考慮到紋理特征,精度提升有限。文獻[22]采用面向?qū)ο笞兓瘷z測方法對光譜特征、紋理特征等進行組合,正確率得到一定的提高。但因不同時相高分辨率影像獲取時拍攝角度和光照條件不同,影像配準誤差會影響其光譜變化,同一地物異質(zhì)性較大且相對輻射校正法也不能有效減小光譜差異[24],因此影像間同類地物特征難以提取與對比,虛警率較高,變化檢測所得結(jié)果精度不如本文方法所得結(jié)果高。本文方法考慮鄰域信息以減弱配準誤差的影響并利用深度學習提取特征,所得變化檢測的結(jié)果正確率最高,且虛警率和漏檢率也低于其他算法,說明該方法的有效性和可行性。在效率方面,本文方法逐點考慮光譜和紋理鄰域信息,并利用包含多層隱藏層的網(wǎng)絡(luò)訓(xùn)練學習,因此用時較其他算法略多,但與大多對比算法耗時均在同一量級。對于高分辨率遙感影像來說,正確率的提升對于細節(jié)信息的正確提取極為重要,因此綜合考慮變化檢測精度與時間因素,本文方法可作為高分影像變化檢測的有效方法。

    表2 不同方法變化檢測精度與所用時間比較

    Tab.2 Accuracy and time consumption comparisons by different methods

    3 結(jié)束語

    本文提出一種利用深度學習對不同衛(wèi)星的高分辨率遙感影像進行變化檢測的方法。通過試驗并與其他方法對比分析,發(fā)現(xiàn)該方法能夠有效提高變化檢測的正確率。深度學習方法可作為高分辨率遙感數(shù)據(jù)特征挖掘的有效手段,為高分影像數(shù)據(jù)的分類與變化檢測提供一條新途徑。雖然本文方法取得了較好的變化檢測效果,但仍具有很大的改進空間。尤其對于陰影部分,其存在影響了計算機的自動識別[25],在不同光照條件下陰影方向與范圍不一致時,變化檢測結(jié)果精度往往不高,目前還沒有較好的解決方法。同時深度學習方法用時略長,因此需要優(yōu)化本文方法以提升效率。為進一步提高變化檢測精度,利用深度學習建立一個融合傳感器信息、時相信息以及特征信息的通用、有效、高效的變化檢測方法,是未來研究的重點和難點。

    [1] SINGH A. Review Article Digital Change Detection Techniques Using Remotely-sensed Data[J]. International Journal of Remote Sensing, 1989, 10(6): 989-1003.

    [2] LEICHTLE T, GEIβ C, WURM M, et al. Unsupervised Change Detection in VHR Remote Sensing Imagery: An Object-based Clustering Approach in a Dynamic Urban Environment[J]. International Journal of Applied Earth Observation and Geoinformation, 2017, 54: 15-27.

    [3] TARANTINO C, ADAMO M, LUCAS R, et al. Detection of Changes in Semi-natural Grasslands by Cross Correlation Analysis with WorldView-2 Images and New Landsat 8 Data[J]. Remote Sensing of Environment, 2016, 175: 65-72.

    [4] FYTSILIS A L, PROKOS A, KOUTROUMBAS K D, et al. A Methodology for Near Real-time Change Detection between Unmanned Aerial Vehicle and Wide Area Satellite Images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 119: 165-186.

    [5] 馮文卿, 張永軍. 利用多尺度融合進行面向?qū)ο蟮倪b感影像變化檢測[J]. 測繪學報, 2015, 44(10): 1142-1151. DOI: 10.11947/j.AGCS.2015.20140260. FENG Wenqing, ZHANG Yongjun. Object-oriented Change Detection for Remote Sensing Images Based on Multi-scale Fusion[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(10): 1142-1151. DOI: 10.11947/j.AGCS.2015.20140260.

    [6] INGLADA J, MERCIER G. A New Statistical Similarity Measure for Change Detection in Multitemporal SAR Images and Its Extension to Multiscale Change Analysis[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(5): 1432-1445.

    [7] ALBERGA V. Similarity Measures of Remotely Sensed Multi-sensor Images for Change Detection Applications[J]. Remote Sensing, 2009, 1(3): 122-143.

    [8] ZHANG Puzhao, GONG Maogou, SU Linzhi, et al. Change Detection Based on Deep Feature Representation and Mapping Transformation for Multi-spatial-resolution Remote Sensing Images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 116: 24-41.

    [9] JOHNSON R D, KASISCHKE E S. Change Vector Analysis: A Technique for the Multispectral Monitoring of Land Cover and Condition[J]. International Journal of Remote Sensing, 1998, 19(3): 411-426.

    [10] THONFELD F, FEILHAUER H, BRAUN M, et al. Robust Change Vector Analysis (RCVA) for Multi-sensor Very High Resolution Optical Satellite Data[J]. International Journal of Applied Earth Observation and Geoinformation, 2016, 50: 131-140.

    [11] HARALICK R M, SHANMUGAM K, DINSTEIN I H. Texture Features for Image Classification[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1973, SMC-3(6): 610-621.

    [12] XIAO Pengfeng, ZHANG Xueliang, WANG Dongguang, et al. Change Detection of Built-up Land: A Framework of Combining Pixel-based Detection and Object-based Recognition[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 119: 402-414.

    [13] 闞希, 張永宏, 曹庭, 等. 利用多光譜衛(wèi)星遙感和深度學習方法進行青藏高原積雪判識[J]. 測繪學報, 2016, 45(10): 1210-1221. DOI: 10.11947/j.AGCS.2016.20160183. KAN Xi, ZHANG Yonghong, CAO Ting, et al. Snow Cover Recognition for Qinghai-Tibetan Plateau Using Deep Learning and Multispectral Remote Sensing[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(10): 1210-1221. DOI: 10.11947/j.AGCS.2016.20160183.

    [14] SALAKHUTDINOV R, HINTON G. Deep Boltzmann Machines[C]∥Proceedings of the 12th International Conference on Artificial Intelligence and Statistics. [S.l.]: PMLR, 2009, 5: 448-455.

    [15] FISCHER A, IGEL C. An Introduction to Restricted Boltzmann Machines[M]∥ALVAREZ L, MEJAIL M, GOMEZ L, et al. Progress in Pattern Recognition, Image Analysis, Computer Vision, and Applications. Berlin: Springer, 2012: 14-36.

    [16] 劉凱, 張立民, 孫永威, 等. 利用深度玻爾茲曼機與典型相關(guān)分析的自動圖像標注算法[J]. 西安交通大學學報, 2015, 49(6): 33-38. LIU Kai, ZHANG Limin, SUN Yongwei, et al. An Automatic Image Annotation Algorithm Using Deep Boltzmann Machine and Canonical Correlation Analysis[J]. Journal of Xi'an Jiaotong University, 2015, 49(6): 33-38.

    [17] SALAKHUTDINOV R, TENENBAUM J B, TORRALBA A. Learning with Hierarchical-deep Models[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(8): 1958-1971.

    [18] YU Yongtao, GUAN Haiyan, ZAI Dawei, et al. Rotation-and-scale-invariant Airplane Detection in High-resolution Satellite Images Based on Deep-Hough-Forests[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 112: 50-64.

    [19] HINTON G E. Training Products of Experts by Minimizing Contrastive Divergence[J]. Neural Computation, 2002, 14(8): 1771-1800.

    [20] HINTON G E, SALAKHUTDINOV R R. Reducing the Dimensionality of Data with Neural Networks[J]. Science, 2006, 313(5786): 504-507.

    [21] 潘廣源, 柴偉, 喬俊飛. DBN網(wǎng)絡(luò)的深度確定方法[J]. 控制與決策, 2015, 30(2): 256-260. PAN Guangyuan, CHAI Wei, QIAO Junfei. Calculation for Depth of Deep Belief Network[J]. Control and Decision, 2015, 30(2): 256-260.

    [22] IM J, JENSEN J R, TULLIS J A. Object-based Change Detection Using Correlation Image Analysis and Image Segmentation[J]. International Journal of Remote Sensing, 2008, 29(2): 399-423.

    [23] GHAFFARIAN S, GHAFFARIAN S. Automatic Building Detection Based on Purposive Fast ICA (PFICA) Algorithm Using Monocular High Resolution Google Earth Images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 97: 152-159.

    [24] 李亮, 舒寧, 王凱, 等. 融合多特征的遙感影像變化檢測方法[J]. 測繪學報, 2014, 43(9): 945-953. DOI: 10.13485/j.cnki.11-2089.2014.0138. LI Liang, SHU Ning, WANG Kai, et al. Change Detection Method for Remote Sensing Images Based on Multi-features Fusion[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(9): 945-953. DOI: 10.13485/j.cnki.11-2089.2014.0138.

    [25] 段光耀, 宮輝力, 李小娟, 等. 結(jié)合特征分量構(gòu)建和面向?qū)ο蠓椒ㄌ崛「叻直媛市l(wèi)星影像陰影[J]. 遙感學報, 2014, 18(4): 760-770. DUAN Guangyao, GONG Huili, LI Xiaojuan, et al. Shadow Extraction Based on Characteristic Components and Object-oriented Method for High-resolution Images[J]. Journal of Remote Sensing, 2014, 18(4): 760-770.

    (責任編輯:叢樹平)

    Change Detection Method for High Resolution Remote Sensing Images Using Deep Learning

    ZHANG Xinlong,CHEN Xiuwan,LI Fei,YANG Ting

    School of Earth and Space Sciences, Peking University, Beijing 100871,China

    A novel change detection method is proposed based on deep learning to improve the accuracy of change detection in very high spatial resolution remote sensing images. On the base of image pre-processing, spectral and texture changes are extracted by modified change vector analysis and grey level co-occurrence matrix respectively, both concerning spatial-contextual information. Most likely changed and unchanged pixel-pairs are obtained by an adaptive threshold for selecting the labeled samples. The proposed model based on Gaussian-Bernoulli deep Boltzmann machines with a label layer is built to learn high-level features and is trained for determining the change areas. Experimental results on WorldView-3 and Pléiades-1 show that the proposed method out performs the compared methods in the accuracy of change detection.

    change detection; high resolution remote sensing; deep learning

    The National Natural Science Foundation of China (Nos.41272366;41230634)

    ZHANG Xinlong(1990—), male, PhD candidate,majors in photogrammetry and remote sensing.

    CHEN Xiuwan

    張鑫龍,陳秀萬,李飛,等.高分辨率遙感影像的深度學習變化檢測方法[J].測繪學報,2017,46(8):999-1008.

    10.11947/j.AGCS.2017.20170036. ZHANG Xinlong,CHEN Xiuwan,LI Fei,et al.Change Detection Method for High Resolution Remote Sensing Images Using Deep Learning[J]. Acta Geodaetica et Cartographica Sinica,2017,46(8):999-1008. DOI:10.11947/j.AGCS.2017.20170036.

    P237

    A

    1001-1595(2017)08-0999-10

    國家自然科學基金(41272366;41230634)

    2017-01-18

    張鑫龍(1990—),男,博士生,研究方向為攝影測量與遙感。

    E-mail: mtxinlong@126.com

    陳秀萬

    E-mail: xwchen@pku.edu.cn

    修回日期: 2017-03-17

    猜你喜歡
    變化檢測正確率光譜
    基于三維Saab變換的高光譜圖像壓縮方法
    用于遙感圖像變化檢測的全尺度特征聚合網(wǎng)絡(luò)
    基于多尺度紋理特征的SAR影像變化檢測
    門診分診服務(wù)態(tài)度與正確率對護患關(guān)系的影響
    基于稀疏表示的視網(wǎng)膜圖像對變化檢測
    基于Landsat影像的黃豐橋林場森林變化檢測研究
    生意
    品管圈活動在提高介入手術(shù)安全核查正確率中的應(yīng)用
    天津護理(2016年3期)2016-12-01 05:40:01
    生意
    故事會(2016年15期)2016-08-23 13:48:41
    星載近紅外高光譜CO2遙感進展
    中國光學(2015年5期)2015-12-09 09:00:28
    国产精品久久久久久人妻精品电影| 久久性视频一级片| 国产成人精品久久二区二区91| 一个人免费在线观看的高清视频| 久久久久久久午夜电影| 午夜福利免费观看在线| 色综合站精品国产| 亚洲九九香蕉| 亚洲男人天堂网一区| 欧美黑人精品巨大| 成人国产一区最新在线观看| 好男人电影高清在线观看| 日韩欧美国产一区二区入口| 久久欧美精品欧美久久欧美| 2021天堂中文幕一二区在线观 | 午夜免费观看网址| 长腿黑丝高跟| 午夜福利免费观看在线| 免费看十八禁软件| 好男人在线观看高清免费视频 | 色哟哟哟哟哟哟| 精华霜和精华液先用哪个| 国产av不卡久久| 91av网站免费观看| 麻豆国产av国片精品| 两人在一起打扑克的视频| 亚洲欧洲精品一区二区精品久久久| 日日摸夜夜添夜夜添小说| 国产精品1区2区在线观看.| 麻豆成人av在线观看| 999精品在线视频| 国产精品综合久久久久久久免费| 亚洲专区中文字幕在线| 美女免费视频网站| 国产亚洲欧美在线一区二区| 久久久久久久精品吃奶| 可以在线观看的亚洲视频| 色综合欧美亚洲国产小说| 免费在线观看日本一区| 欧美 亚洲 国产 日韩一| 亚洲中文字幕一区二区三区有码在线看 | 美女高潮到喷水免费观看| 69av精品久久久久久| 精品熟女少妇八av免费久了| 国产高清videossex| 欧美乱码精品一区二区三区| 夜夜看夜夜爽夜夜摸| 久久精品aⅴ一区二区三区四区| 亚洲人成77777在线视频| 成人午夜高清在线视频 | 欧美av亚洲av综合av国产av| 美女大奶头视频| 欧美激情 高清一区二区三区| 日本免费a在线| 国产成人精品无人区| 欧美日韩福利视频一区二区| 桃色一区二区三区在线观看| 日本三级黄在线观看| 非洲黑人性xxxx精品又粗又长| 欧美日韩福利视频一区二区| 欧美中文综合在线视频| 中文字幕高清在线视频| 国产精品99久久99久久久不卡| 亚洲 欧美 日韩 在线 免费| 久久国产精品男人的天堂亚洲| 久久久水蜜桃国产精品网| 免费看美女性在线毛片视频| 久久久久九九精品影院| 久久久精品国产亚洲av高清涩受| 日韩欧美在线二视频| 黄色丝袜av网址大全| 久久久久久久久中文| 国语自产精品视频在线第100页| 99国产极品粉嫩在线观看| 波多野结衣高清无吗| 男女之事视频高清在线观看| 搡老岳熟女国产| 午夜影院日韩av| 精华霜和精华液先用哪个| 国产三级黄色录像| 丝袜美腿诱惑在线| 免费看美女性在线毛片视频| 人人妻人人澡人人看| 亚洲人成网站高清观看| 岛国在线观看网站| 日韩精品青青久久久久久| 日韩精品青青久久久久久| 欧美黑人欧美精品刺激| 久久精品91无色码中文字幕| 国产97色在线日韩免费| 亚洲av中文字字幕乱码综合 | 丁香欧美五月| 少妇被粗大的猛进出69影院| 90打野战视频偷拍视频| 色精品久久人妻99蜜桃| 女警被强在线播放| 国产在线精品亚洲第一网站| 黄色丝袜av网址大全| 成人欧美大片| 色婷婷久久久亚洲欧美| 999久久久国产精品视频| 欧美+亚洲+日韩+国产| 免费av毛片视频| 老鸭窝网址在线观看| 日韩欧美在线二视频| 国产熟女xx| 97碰自拍视频| 巨乳人妻的诱惑在线观看| 黄频高清免费视频| 99久久精品国产亚洲精品| 精品久久久久久久人妻蜜臀av| 欧美日韩瑟瑟在线播放| 亚洲全国av大片| 在线视频色国产色| 亚洲精品粉嫩美女一区| 男女视频在线观看网站免费 | 国产成人精品久久二区二区91| 俄罗斯特黄特色一大片| 大型av网站在线播放| 亚洲欧美激情综合另类| 日本在线视频免费播放| 国产亚洲精品av在线| 欧美不卡视频在线免费观看 | 亚洲av中文字字幕乱码综合 | а√天堂www在线а√下载| 最近最新免费中文字幕在线| 无人区码免费观看不卡| 性欧美人与动物交配| 欧美国产日韩亚洲一区| www.精华液| 观看免费一级毛片| 成人特级黄色片久久久久久久| 97人妻精品一区二区三区麻豆 | 久久久国产成人精品二区| 一级毛片高清免费大全| 高潮久久久久久久久久久不卡| 日韩国内少妇激情av| 免费看a级黄色片| 18禁国产床啪视频网站| 国产一区二区激情短视频| 午夜精品在线福利| www国产在线视频色| 黑人欧美特级aaaaaa片| 免费无遮挡裸体视频| 久久国产乱子伦精品免费另类| 亚洲精品美女久久久久99蜜臀| 免费在线观看完整版高清| 久久精品91无色码中文字幕| 欧美黄色淫秽网站| 老司机午夜十八禁免费视频| 成熟少妇高潮喷水视频| 首页视频小说图片口味搜索| 中文字幕人妻熟女乱码| 成人亚洲精品av一区二区| 国产高清videossex| 黄色毛片三级朝国网站| 在线十欧美十亚洲十日本专区| 美国免费a级毛片| 欧美性长视频在线观看| 亚洲色图av天堂| 亚洲中文字幕一区二区三区有码在线看 | 国产熟女午夜一区二区三区| 久久久久久亚洲精品国产蜜桃av| 99久久99久久久精品蜜桃| 国产午夜福利久久久久久| av在线播放免费不卡| 欧美黄色片欧美黄色片| 亚洲 国产 在线| 日韩欧美国产一区二区入口| 精品国产一区二区三区四区第35| 日韩视频一区二区在线观看| 一进一出抽搐动态| 国产精品一区二区免费欧美| 国产伦一二天堂av在线观看| 国产视频一区二区在线看| 国产野战对白在线观看| 亚洲精品粉嫩美女一区| 热99re8久久精品国产| 色综合婷婷激情| 99久久久亚洲精品蜜臀av| 老司机靠b影院| 国产精品精品国产色婷婷| 久久久久久九九精品二区国产 | 色在线成人网| 欧美黑人欧美精品刺激| 操出白浆在线播放| 亚洲av中文字字幕乱码综合 | 国产97色在线日韩免费| 国产精品 欧美亚洲| 亚洲国产欧美网| 亚洲av五月六月丁香网| 日本黄色视频三级网站网址| 欧美一区二区精品小视频在线| 亚洲第一av免费看| 亚洲aⅴ乱码一区二区在线播放 | 黄色丝袜av网址大全| 亚洲中文字幕日韩| 欧美黑人欧美精品刺激| 一进一出抽搐动态| 欧美 亚洲 国产 日韩一| 草草在线视频免费看| 久久久久久久精品吃奶| 久久久久久久久免费视频了| 欧美成人午夜精品| 天堂√8在线中文| 亚洲欧美激情综合另类| 久久久久免费精品人妻一区二区 | 国产亚洲精品久久久久久毛片| 2021天堂中文幕一二区在线观 | 久久久久免费精品人妻一区二区 | 叶爱在线成人免费视频播放| 99精品久久久久人妻精品| 欧美成人免费av一区二区三区| 国产一级毛片七仙女欲春2 | 熟女电影av网| 亚洲av电影在线进入| 日韩欧美在线二视频| 伊人久久大香线蕉亚洲五| 母亲3免费完整高清在线观看| 亚洲精品国产一区二区精华液| 国产精品免费视频内射| 精华霜和精华液先用哪个| 国产精品久久视频播放| 欧美乱码精品一区二区三区| 亚洲成av片中文字幕在线观看| 免费在线观看亚洲国产| 悠悠久久av| 性色av乱码一区二区三区2| 两个人看的免费小视频| 欧美三级亚洲精品| 99精品欧美一区二区三区四区| 欧美激情高清一区二区三区| www.www免费av| aaaaa片日本免费| 国内精品久久久久久久电影| √禁漫天堂资源中文www| 亚洲 欧美一区二区三区| 精品卡一卡二卡四卡免费| 国产视频一区二区在线看| 不卡一级毛片| 国产又爽黄色视频| 一个人免费在线观看的高清视频| 一级作爱视频免费观看| 脱女人内裤的视频| 成人av一区二区三区在线看| 欧美一区二区精品小视频在线| 久久狼人影院| 免费高清视频大片| 黑丝袜美女国产一区| 人成视频在线观看免费观看| 在线观看日韩欧美| 特大巨黑吊av在线直播 | 麻豆久久精品国产亚洲av| 女人高潮潮喷娇喘18禁视频| 亚洲国产毛片av蜜桃av| 久久中文字幕一级| 欧美国产日韩亚洲一区| 久久国产精品影院| 女人高潮潮喷娇喘18禁视频| 午夜亚洲福利在线播放| 午夜久久久久精精品| 麻豆成人av在线观看| 国产真人三级小视频在线观看| 国产亚洲精品久久久久5区| 99在线视频只有这里精品首页| 十分钟在线观看高清视频www| 免费在线观看日本一区| 婷婷亚洲欧美| 搡老岳熟女国产| 听说在线观看完整版免费高清| 黑丝袜美女国产一区| 久久精品国产99精品国产亚洲性色| 热re99久久国产66热| 国产一级毛片七仙女欲春2 | 在线av久久热| 日本熟妇午夜| 国产蜜桃级精品一区二区三区| 久久天躁狠狠躁夜夜2o2o| 亚洲一卡2卡3卡4卡5卡精品中文| 法律面前人人平等表现在哪些方面| 黄色成人免费大全| 欧美黄色片欧美黄色片| 非洲黑人性xxxx精品又粗又长| 精品高清国产在线一区| 男人舔奶头视频| 国产一区二区在线av高清观看| 成人手机av| 黑人欧美特级aaaaaa片| 变态另类成人亚洲欧美熟女| 成人三级黄色视频| 日本精品一区二区三区蜜桃| 一个人观看的视频www高清免费观看 | av视频在线观看入口| 一边摸一边抽搐一进一小说| 亚洲欧美精品综合久久99| 国产亚洲精品综合一区在线观看 | 婷婷精品国产亚洲av在线| 国产黄a三级三级三级人| 一夜夜www| 中文字幕精品亚洲无线码一区 | 日本免费一区二区三区高清不卡| 叶爱在线成人免费视频播放| 在线av久久热| 婷婷亚洲欧美| 国产一区二区在线av高清观看| 婷婷丁香在线五月| 精品国产亚洲在线| 国产亚洲精品久久久久5区| 成人亚洲精品av一区二区| 久久久久久九九精品二区国产 | 90打野战视频偷拍视频| 成年女人毛片免费观看观看9| 国产精品一区二区精品视频观看| 黄色女人牲交| 亚洲五月天丁香| 国产1区2区3区精品| 欧美av亚洲av综合av国产av| 久久久国产成人免费| 成人永久免费在线观看视频| 99精品欧美一区二区三区四区| 亚洲成a人片在线一区二区| 欧美性长视频在线观看| 国产三级在线视频| 日韩av在线大香蕉| 精品一区二区三区av网在线观看| 丝袜在线中文字幕| 国产精品精品国产色婷婷| 九色国产91popny在线| 日本五十路高清| 欧美成人一区二区免费高清观看 | 最近最新免费中文字幕在线| 亚洲中文日韩欧美视频| 欧美黑人精品巨大| 国产精品美女特级片免费视频播放器 | 亚洲国产看品久久| 给我免费播放毛片高清在线观看| 久久久久免费精品人妻一区二区 | 亚洲精品久久国产高清桃花| 亚洲一区二区三区不卡视频| 天堂√8在线中文| 久久伊人香网站| 国产精品影院久久| 欧美乱妇无乱码| www日本在线高清视频| 国产精品免费一区二区三区在线| 精品熟女少妇八av免费久了| 亚洲一区中文字幕在线| 免费高清视频大片| 久久精品国产99精品国产亚洲性色| 亚洲一区中文字幕在线| 亚洲精品色激情综合| 黄色片一级片一级黄色片| 亚洲自偷自拍图片 自拍| 亚洲,欧美精品.| 热99re8久久精品国产| 999久久久精品免费观看国产| 深夜精品福利| 1024手机看黄色片| 亚洲国产精品久久男人天堂| 黄片播放在线免费| 日本黄色视频三级网站网址| 久久久久久久久久黄片| tocl精华| 人人妻人人看人人澡| 午夜福利18| 99精品久久久久人妻精品| 黑人操中国人逼视频| 亚洲久久久国产精品| 非洲黑人性xxxx精品又粗又长| netflix在线观看网站| 欧美激情 高清一区二区三区| 午夜老司机福利片| 亚洲色图av天堂| 淫秽高清视频在线观看| 国产亚洲欧美精品永久| 免费在线观看影片大全网站| 搡老妇女老女人老熟妇| 中文字幕久久专区| 国产不卡一卡二| 在线观看午夜福利视频| 精品久久久久久久人妻蜜臀av| 亚洲国产看品久久| 很黄的视频免费| 国产乱人伦免费视频| 久久久久久大精品| 黄色片一级片一级黄色片| 侵犯人妻中文字幕一二三四区| 亚洲av电影在线进入| 亚洲欧洲精品一区二区精品久久久| 天天躁夜夜躁狠狠躁躁| 亚洲国产精品成人综合色| 中文在线观看免费www的网站 | 黑人巨大精品欧美一区二区mp4| www.999成人在线观看| 十分钟在线观看高清视频www| 免费无遮挡裸体视频| 波多野结衣高清作品| 少妇的丰满在线观看| 777久久人妻少妇嫩草av网站| 国产一区二区激情短视频| 欧美国产日韩亚洲一区| 美女午夜性视频免费| 中文字幕精品亚洲无线码一区 | 国产av在哪里看| 18禁裸乳无遮挡免费网站照片 | 巨乳人妻的诱惑在线观看| 国产成人av教育| 一级黄色大片毛片| 久久精品国产亚洲av高清一级| 精品久久久久久久人妻蜜臀av| 国产蜜桃级精品一区二区三区| 老司机午夜十八禁免费视频| 亚洲电影在线观看av| 亚洲精品中文字幕一二三四区| 50天的宝宝边吃奶边哭怎么回事| 亚洲成人精品中文字幕电影| 真人一进一出gif抽搐免费| 免费在线观看视频国产中文字幕亚洲| 天堂√8在线中文| 最近最新免费中文字幕在线| 亚洲一卡2卡3卡4卡5卡精品中文| 中文亚洲av片在线观看爽| 亚洲aⅴ乱码一区二区在线播放 | 国产精品国产高清国产av| 一个人免费在线观看的高清视频| 久久久久精品国产欧美久久久| 国产高清视频在线播放一区| 午夜福利在线观看吧| 亚洲自偷自拍图片 自拍| 露出奶头的视频| 亚洲精品av麻豆狂野| 1024香蕉在线观看| 欧美日韩一级在线毛片| 变态另类成人亚洲欧美熟女| 久久人妻福利社区极品人妻图片| 日日爽夜夜爽网站| 国产精品,欧美在线| 99热6这里只有精品| 一二三四在线观看免费中文在| 99国产综合亚洲精品| 国产激情欧美一区二区| 亚洲精品色激情综合| www.熟女人妻精品国产| 色在线成人网| 亚洲成人久久爱视频| 亚洲一区二区三区色噜噜| 亚洲国产欧美一区二区综合| 亚洲国产欧美网| 天堂动漫精品| 欧美丝袜亚洲另类 | 国产精品久久久久久精品电影 | 老汉色∧v一级毛片| 免费高清在线观看日韩| 国产av一区在线观看免费| 91字幕亚洲| av超薄肉色丝袜交足视频| 亚洲 欧美一区二区三区| 日本 av在线| 久久这里只有精品19| 国产黄片美女视频| 91av网站免费观看| 天堂影院成人在线观看| 午夜福利18| 久久这里只有精品19| 亚洲中文字幕一区二区三区有码在线看 | 99国产极品粉嫩在线观看| 91麻豆av在线| 亚洲av美国av| 热re99久久国产66热| 欧美成人性av电影在线观看| 亚洲av五月六月丁香网| 最近在线观看免费完整版| 亚洲专区中文字幕在线| 可以在线观看的亚洲视频| 妹子高潮喷水视频| 亚洲七黄色美女视频| 免费观看精品视频网站| 美女高潮喷水抽搐中文字幕| 法律面前人人平等表现在哪些方面| 91字幕亚洲| 又大又爽又粗| 欧美日韩精品网址| cao死你这个sao货| 熟妇人妻久久中文字幕3abv| 中国美女看黄片| ponron亚洲| 国产v大片淫在线免费观看| 精品久久久久久,| 可以免费在线观看a视频的电影网站| 亚洲精品中文字幕在线视频| 日韩av在线大香蕉| 欧美性长视频在线观看| www.999成人在线观看| www.熟女人妻精品国产| 国内少妇人妻偷人精品xxx网站 | 日韩欧美一区视频在线观看| 免费观看精品视频网站| 精品免费久久久久久久清纯| 又紧又爽又黄一区二区| 99热6这里只有精品| 久久精品夜夜夜夜夜久久蜜豆 | 国产免费男女视频| 丝袜人妻中文字幕| 人人妻,人人澡人人爽秒播| √禁漫天堂资源中文www| 啦啦啦 在线观看视频| 亚洲va日本ⅴa欧美va伊人久久| 午夜免费激情av| 日韩精品青青久久久久久| 亚洲国产中文字幕在线视频| 女生性感内裤真人,穿戴方法视频| 亚洲最大成人中文| 两性夫妻黄色片| 亚洲美女黄片视频| 日本一本二区三区精品| 91av网站免费观看| 国产午夜福利久久久久久| 亚洲一区高清亚洲精品| 岛国视频午夜一区免费看| 国产亚洲精品一区二区www| a在线观看视频网站| 成人国产一区最新在线观看| 久久伊人香网站| 国产黄a三级三级三级人| 免费在线观看视频国产中文字幕亚洲| 亚洲成av人片免费观看| 最好的美女福利视频网| 午夜久久久久精精品| 嫩草影院精品99| 精品少妇一区二区三区视频日本电影| 国产麻豆成人av免费视频| 久久亚洲精品不卡| 中文字幕高清在线视频| 一级片免费观看大全| 久久久久久人人人人人| 欧美中文综合在线视频| 亚洲无线在线观看| 女同久久另类99精品国产91| 久久这里只有精品19| 色综合亚洲欧美另类图片| 在线国产一区二区在线| 国产精品久久视频播放| 精品人妻1区二区| 一本精品99久久精品77| 国产精品自产拍在线观看55亚洲| 亚洲成人免费电影在线观看| 首页视频小说图片口味搜索| www.999成人在线观看| www日本在线高清视频| 午夜精品久久久久久毛片777| 美女免费视频网站| 国产激情欧美一区二区| 欧美黑人巨大hd| 91字幕亚洲| 伦理电影免费视频| 国产精品爽爽va在线观看网站 | 国产成人精品无人区| 欧美一区二区精品小视频在线| www.精华液| 亚洲人成77777在线视频| 中文亚洲av片在线观看爽| 性欧美人与动物交配| 一二三四社区在线视频社区8| 欧美激情久久久久久爽电影| 中文字幕人妻熟女乱码| 国产蜜桃级精品一区二区三区| 欧美日本视频| 午夜精品在线福利| 18禁黄网站禁片免费观看直播| 日日夜夜操网爽| 亚洲黑人精品在线| 久久久久亚洲av毛片大全| 九色国产91popny在线| 一夜夜www| 日韩免费av在线播放| 精品久久久久久久久久久久久 | 国产激情欧美一区二区| 最近最新免费中文字幕在线| 2021天堂中文幕一二区在线观 | 制服丝袜大香蕉在线| 亚洲精品在线美女| 精品欧美一区二区三区在线| av有码第一页| 亚洲人成网站在线播放欧美日韩| 欧美中文日本在线观看视频| 欧美激情极品国产一区二区三区| 在线观看66精品国产| 成人国语在线视频| 欧美激情极品国产一区二区三区| 久久国产精品影院| www国产在线视频色| 老汉色av国产亚洲站长工具| av免费在线观看网站| 免费在线观看成人毛片| 黄片小视频在线播放| 欧美 亚洲 国产 日韩一| 国产极品粉嫩免费观看在线| 日韩欧美一区二区三区在线观看| 欧美乱色亚洲激情| 国产熟女午夜一区二区三区| 少妇被粗大的猛进出69影院| 亚洲自偷自拍图片 自拍| 亚洲成人久久爱视频| 日韩欧美一区二区三区在线观看| 中文字幕精品免费在线观看视频| 欧美日韩福利视频一区二区| 国产91精品成人一区二区三区| 色婷婷久久久亚洲欧美| 女警被强在线播放| 免费av毛片视频| 色婷婷久久久亚洲欧美| x7x7x7水蜜桃| 欧美黄色片欧美黄色片| 成年版毛片免费区| 亚洲欧美激情综合另类|