• <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 ?

    聯(lián)合像素級(jí)和對(duì)象級(jí)分析的遙感影像變化檢測(cè)

    2017-11-07 07:15:21馮文卿眭海剛涂繼輝孫開敏
    測(cè)繪學(xué)報(bào) 2017年9期
    關(guān)鍵詞:變化檢測(cè)尺度像素

    馮文卿,眭海剛,涂繼輝,孫開敏

    武漢大學(xué)測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室, 湖北 武漢 430079

    馮文卿,眭海剛,涂繼輝,等.聯(lián)合像素級(jí)和對(duì)象級(jí)分析的遙感影像變化檢測(cè)[J].測(cè)繪學(xué)報(bào),2017,46(9):1147-1155.

    10.11947/j.AGCS.2017.20160606.

    FENG Wenqing,SUI Haigang,TU Jihui,et al.Remote Sensing Image Change Detection Based on the Combination of Pixel-level and Object-level Analysis[J]. Acta Geodaetica et Cartographica Sinica,2017,46(9):1147-1155. DOI:10.11947/j.AGCS.2017.20160606.

    聯(lián)合像素級(jí)和對(duì)象級(jí)分析的遙感影像變化檢測(cè)

    馮文卿,眭海剛,涂繼輝,孫開敏

    武漢大學(xué)測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室, 湖北 武漢 430079

    為改善高空間分辨率遙感影像的變化檢測(cè)精度,提出一種聯(lián)合像素級(jí)和對(duì)象級(jí)分析的變化檢測(cè)新框架。首先將多時(shí)相影像進(jìn)行疊合,對(duì)疊加影像進(jìn)行主成分分析,并利用基于熵率的方法對(duì)第一主成分影像進(jìn)行分割,通過改變超像素?cái)?shù)目來獲取多層次不同尺寸大小的超像素區(qū)域。同時(shí),對(duì)多時(shí)相影像進(jìn)行光譜差異和紋理差異分析,采用自適應(yīng)PCNN神經(jīng)網(wǎng)絡(luò)方法進(jìn)行圖像融合,利用水平集(CV)方法對(duì)融合后的影像進(jìn)行分割獲取像素級(jí)變化檢測(cè)結(jié)果。最后,結(jié)合多尺度區(qū)域標(biāo)記矩陣對(duì)檢測(cè)結(jié)果進(jìn)行變化強(qiáng)度等級(jí)量化和決策級(jí)融合,作為變化檢測(cè)的后處理部分,以獲取最終的對(duì)象級(jí)變化檢測(cè)結(jié)果。采用SPOT-5多光譜影像進(jìn)行試驗(yàn)。結(jié)果表明這種新框架可以有效集成基于像素和基于對(duì)象兩種圖像分析方法的優(yōu)勢(shì),能夠進(jìn)一步提高變化檢測(cè)過程的穩(wěn)定性和適用性。

    像素級(jí);對(duì)象級(jí);變化檢測(cè);超像素;PCNN神經(jīng)網(wǎng)絡(luò);決策級(jí)融合

    遙感影像變化檢測(cè)是遙感圖像應(yīng)用中的一個(gè)重要研究?jī)?nèi)容,尤其在軍事、建筑用地監(jiān)測(cè)、土地利用變化和災(zāi)害評(píng)估等方面[1-2]。隨著影像空間分辨率的提高,同類地物內(nèi)部光譜差異逐漸增大,基于像元光譜統(tǒng)計(jì)的自動(dòng)變化檢測(cè)技術(shù)已經(jīng)不能滿足當(dāng)前遙感圖像變化信息提取的要求,成為制約高分辨率遙感圖像廣泛應(yīng)用的主要瓶頸[3]。面向?qū)ο蠹夹g(shù)的出現(xiàn),為高分辨率遙感影像分析提供了新的思路,變化檢測(cè)的基本單元也由像素逐漸過渡到對(duì)象[2]。由于對(duì)象級(jí)變化檢測(cè)算法比像素級(jí)變化檢測(cè)算法更具優(yōu)勢(shì),因此近年來得到了廣泛關(guān)注和發(fā)展[3-7]。

    在像素級(jí)水平上利用多時(shí)相遙感影像進(jìn)行地表覆蓋變化檢測(cè),其中文獻(xiàn)[8—9]結(jié)合模糊c均值聚類(FCM)和馬爾科夫隨機(jī)場(chǎng)(Markov random field,MRF)模型,提出了一種非監(jiān)督的變化檢測(cè)算法,相較于只利用單一方法,確實(shí)能夠提高檢測(cè)精度。文獻(xiàn)[10—12]通過考慮影像上區(qū)域之間的鄰接限制關(guān)系,分別利用水平集(level set)模型及條件隨機(jī)場(chǎng)(conditional random field,CRF)模型來進(jìn)行變化/未變化區(qū)域的提取。文獻(xiàn)[6]則提出了一種尺度驅(qū)動(dòng)的面向?qū)ο笞兓瘷z測(cè)模型,對(duì)分割結(jié)果存在的尺度不確定性進(jìn)行分析,減弱了分割不確定性對(duì)變化檢測(cè)結(jié)果的影響。文獻(xiàn)[7]利用自適應(yīng)權(quán)重的變化向量分析(change vector analysis,CVA)方法,通過提取變化強(qiáng)度信息和變化方向信息,來達(dá)到面向?qū)ο笸恋乩脠D斑變化檢測(cè)的目的,但是對(duì)象特征和閾值的選取對(duì)最終結(jié)果的影響較大。針對(duì)單一尺度上進(jìn)行變化信息提取,較容易出現(xiàn)漏檢現(xiàn)象,有學(xué)者提出了基于多尺度分割與融合的變化檢測(cè)方法,與單尺度相比,能夠顯著改善檢測(cè)精度[5,28]。此外,文獻(xiàn)[13—14]分別利用基于視覺詞袋模型(bag of visual word,BOVW)和隱狄利克雷分配模型(latent Dirichlet allocation,LDA),進(jìn)行基于場(chǎng)景分析的變化檢測(cè),與常規(guī)遙感變化檢測(cè)方法相比,這些新模型能有效地減少錯(cuò)漏判,提高檢測(cè)的總體正確率,為遙感影像變化檢測(cè)提供了新的思路。但是,這些新模型更適用于基于場(chǎng)景的變化檢測(cè),而場(chǎng)景的類別往往需要人的先驗(yàn)知識(shí)來構(gòu)建。文獻(xiàn)[15—17]分別將深度學(xué)習(xí)(deep learning)算法和智能學(xué)習(xí)算法用于遙感影像的變化檢測(cè)過程中,并與傳統(tǒng)的變化檢測(cè)方法進(jìn)行對(duì)比,也進(jìn)一步表明這些新算法的優(yōu)越性。雖然已經(jīng)有很多學(xué)者從基于像素和基于對(duì)象的角度,針對(duì)不同的應(yīng)用目的,提出了大量的變化檢測(cè)方法和理論模型,但是卻較少有人將基于像素和基于對(duì)象的變化檢測(cè)過程結(jié)合起來進(jìn)行分析。其中,文獻(xiàn)[18—20]分別嘗試將兩種圖像分析方法進(jìn)行有效集成,并應(yīng)用在土地利用分類、建筑區(qū)提取和SAR洪水變化檢測(cè)應(yīng)用研究上,并取得了不錯(cuò)的試驗(yàn)效果。從這些研究中可以看出,集成兩種圖像分析方法的優(yōu)勢(shì),可以進(jìn)一步獲取更好的圖像分析結(jié)果。

    一般而言,面向?qū)ο蟮膱D像分析與基于像素的圖像分析是相互補(bǔ)充的關(guān)系。集成兩種圖像分析方法的目的是為了獲得更好的圖像分析結(jié)果。兩種方法的集成也可以分為兩種情況:一種情況是兩種方法并行執(zhí)行,之后再進(jìn)行綜合,從而獲得好的圖像分析結(jié)果;另一種情況是兩種方法串行,這樣使得一種方法獲得結(jié)果作為另一種方法執(zhí)行的前提,最終獲得更好的圖像分析結(jié)果。本文采取第2種串行策略,提出了一種聯(lián)合像素級(jí)和對(duì)象級(jí)分析的遙感影像變化檢測(cè)新方法。

    1 研究方法

    本文所提出的變化檢測(cè)算法,其整體流程如圖1所示,主要包括以下步驟:①對(duì)兩時(shí)相影像進(jìn)行光譜特征和紋理特征差異分析,并對(duì)兩種特征的差異影像進(jìn)行自適應(yīng)PCNN圖像融合,對(duì)融合后的影像利用Chan-Vese方法進(jìn)行閾值分割,獲取初始的像素級(jí)檢測(cè)結(jié)果;②將兩時(shí)相影像進(jìn)行疊合,對(duì)疊加影像進(jìn)行主成分分析,利用基于熵率的超像素分割方法對(duì)第一主成分影像進(jìn)行粗、細(xì)尺度上的分割;③在像素級(jí)變化檢測(cè)結(jié)果基礎(chǔ)之上,利用多尺度區(qū)域標(biāo)記矩陣對(duì)檢測(cè)結(jié)果進(jìn)行變化強(qiáng)度等級(jí)量化和決策級(jí)融合,作為變化檢測(cè)的后處理部分,以獲取最終的對(duì)象級(jí)檢測(cè)結(jié)果。

    1.1 光譜差異與紋理差異分析

    1.1.1 光譜差異圖計(jì)算

    (1)

    圖1 變化檢測(cè)算法整體流程Fig.1 The flowchart of change detection algorithm

    1.1.2 紋理差異圖計(jì)算

    灰度共生矩陣(gray-level co-occurrence matrix,GLCM)是通過研究灰度的空間相關(guān)特性來描述紋理的方法,作為重要特征被廣泛應(yīng)用于遙感影像分類、變化檢測(cè)中。該矩陣中的元素值代表灰度級(jí)之間聯(lián)合條件概率密度p(i,j/d,θ),其中,p(i,j/d,θ)表示在給定空間距離d和方向θ時(shí),統(tǒng)計(jì)以灰度i為起始點(diǎn),出現(xiàn)灰度級(jí)j的概率[21]。常用于遙感影像紋理信息提取的特征統(tǒng)計(jì)量有8種,本文選取了其中的4種:能量(energy)、相關(guān)性(correlation)、對(duì)比度(contrast)、同質(zhì)性(homogeneity),用于計(jì)算遙感影像的紋理特征圖。本文將試驗(yàn)數(shù)據(jù)集的原始RGB影像轉(zhuǎn)為灰度影像,分別以3×3、5×5、7×7像元窗口提取T1時(shí)相和T2時(shí)相灰度影像的紋理特征數(shù)據(jù),然后對(duì)紋理特征圖進(jìn)行差值運(yùn)算,形成紋理差值影像N2。試驗(yàn)結(jié)果證明相關(guān)性(correlation)統(tǒng)計(jì)量能夠較好地反映出T1時(shí)相和T2時(shí)相影像中紋理信息的差異,并且紋理提取窗口設(shè)置為3×3像元時(shí)能夠獲取更多的紋理差異細(xì)節(jié)信息。因此,本文最終以3×3像元窗口分別獲取兩期影像的紋理相關(guān)性特征數(shù)據(jù)fcorre,計(jì)算公式如下

    (2)

    式中,quantk為灰度量化等級(jí);p(i,j)為聯(lián)合條件概率密度;μi為共生矩陣第i行的均值;μj為共生矩陣第j行的均值;σi為共生矩陣第i行的標(biāo)準(zhǔn)差;σj為共生矩陣第j行的標(biāo)準(zhǔn)差。為了使紋理數(shù)據(jù)和光譜數(shù)據(jù)具有相同的取值區(qū)間,需要對(duì)這兩種數(shù)據(jù)進(jìn)行歸一化處理[21],計(jì)算公式如下

    (3)

    1.2 自適應(yīng)PCNN神經(jīng)網(wǎng)絡(luò)圖像融合算法

    為了綜合利用光譜特征變化信息和紋理特征變化信息,本文采用自適應(yīng)PCNN神經(jīng)網(wǎng)絡(luò)方法對(duì)這兩種差異信息進(jìn)行融合[22]。該方法能夠很好地克服兩種特征差異信息的不足之處,融合后的影像能夠有效地抑制背景信息,增強(qiáng)并突出變化的部分,有利于進(jìn)行下一步的閾值分割操作,能夠更加準(zhǔn)確地提取影像中的變化信息。

    用自適應(yīng)PCNN圖像融合算法來獲取新的融合影像。其基本原理是:將變化影像中的像素的EOL和SD值分別作為PCNN神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)神經(jīng)元的連接強(qiáng)度值,其中,EOL值反映了圖像局部的清晰度,SD值反映了圖像灰度局部的對(duì)比度變化程度[22]。為了得到參與融合影像的每一個(gè)特征對(duì)應(yīng)的點(diǎn)火映射圖,需要通過PCNN點(diǎn)火來實(shí)現(xiàn),并利用加權(quán)函數(shù)來構(gòu)造參與融合影像的新點(diǎn)火映射圖。最后通過對(duì)各個(gè)圖像對(duì)應(yīng)的新點(diǎn)火映射圖進(jìn)行比較,融合后的該像素點(diǎn)的像素值取為點(diǎn)火次數(shù)的最大者[22]。在每個(gè)像素(x,y)處,EOL和SD值分別定義為

    (4)

    (5)

    fuu+fvv=-f(u-1,v-1)-4f(u-1,v)-

    f(u-1,v+1)-4f(u,v-1)+

    20f(u,v)-4f(u,v+1)-f(u+1,

    v-1)-4f(u+1,v)-f(u+1,v+1)

    (6)

    (7)

    (8)

    1.3 超像素分割

    本文首先將多時(shí)相影像進(jìn)行疊合,對(duì)疊加影像進(jìn)行主成分分析,并對(duì)提取的第一主成分影像進(jìn)行熵率超像素(entropy rate super-pixel segmentation)分割[24]。在分割過程中,具體使用多少個(gè)超像素為宜,即平衡性的問題,是提高影像分割質(zhì)量的關(guān)鍵。

    對(duì)于面向?qū)ο筮b感信息提取方法中的多尺度分割來說,每一種地物的最優(yōu)分割尺度是相對(duì)的,通常在一個(gè)數(shù)值范圍內(nèi)。遙感影像分割的理想結(jié)果是分割所得到的對(duì)象內(nèi)部具有良好的同質(zhì)性,同時(shí)相鄰對(duì)象之間具有良好的異質(zhì)性[25]。本文采用超像素個(gè)數(shù)評(píng)價(jià)指數(shù)(evaluation index of super-pixel number)來衡量分割結(jié)果的好壞。該指數(shù)定義指地類能用一個(gè)或幾個(gè)超像素來表達(dá),超像素大小與地物目標(biāo)大小接近,超像素多邊形不會(huì)太破碎,超像素邊界比較分明,內(nèi)部異質(zhì)性盡量小,不同類別之間的異質(zhì)性盡量大。而且超像素能夠表達(dá)某種地物的基本特征,其中內(nèi)部同質(zhì)性保證超像素的純度,而超像素之間的異質(zhì)性保證超像素的可分性[25]。在試驗(yàn)過程中,本文通過設(shè)置不同的超像素個(gè)數(shù),獲取多層次不同尺寸大小的超像素區(qū)域。分割的試驗(yàn)?zāi)康氖潜M可能將同一種類型的地物分割在一起,最終形成一系列緊湊、區(qū)域一致性較強(qiáng)的同質(zhì)區(qū)域。利用超像素個(gè)數(shù)評(píng)價(jià)指數(shù),來獲取粗、細(xì)尺度上的分割結(jié)果,有效降低人為試錯(cuò)的時(shí)間成本,避免人工選取超像素個(gè)數(shù)的主觀性。

    1.3.1 對(duì)象內(nèi)部的同質(zhì)性

    本文采用超像素的標(biāo)準(zhǔn)差表示其內(nèi)部同質(zhì)性,計(jì)算公式如式(9)。其中ak表示超像素k的面積大小,實(shí)際以超像素內(nèi)部像元個(gè)數(shù)表示;vk表示超像素k的標(biāo)準(zhǔn)差;n為影像分割時(shí)超像素的總個(gè)數(shù)。計(jì)算公式相當(dāng)于加入面積權(quán)重,面積比較大的超像素具有較大的權(quán)重,這樣能夠降低小超像素引起的不穩(wěn)定性。H越大,超像素內(nèi)部同質(zhì)性越高。

    (9)

    1.3.2 對(duì)象之間的異質(zhì)性

    空間自相關(guān)性是遙感圖像數(shù)據(jù)特有的屬性,并且是空間對(duì)象可分性的一個(gè)強(qiáng)指示器[25]。本文利用Moran’s I指數(shù)來表示超像素之間的異質(zhì)性,計(jì)算公式如下

    (10)

    1.3.3 全局分割質(zhì)量函數(shù)

    本文采用文獻(xiàn)[26]提出的公式(11)來表示超像素個(gè)數(shù)評(píng)價(jià)指數(shù)。它是利用超像素的同質(zhì)性指數(shù)和異質(zhì)性指數(shù)來構(gòu)建衡量分割好壞的質(zhì)量函數(shù),其公式如下

    F(H,I)=(1-ρ)F(H)+ρF(I)

    (11)

    式中,F(xiàn)(H)表示同質(zhì)性評(píng)價(jià)指數(shù);F(I)表示異質(zhì)性評(píng)價(jià)指數(shù);ρ為異質(zhì)性權(quán)重,同質(zhì)性權(quán)重為1-ρ,ρ∈[0,1],本文取ρ=0.5。綜合同質(zhì)性指數(shù)和異質(zhì)性指數(shù)對(duì)超像素個(gè)數(shù)進(jìn)行評(píng)價(jià)前,需要將它們進(jìn)行歸一化處理,如下式

    (12)

    (13)

    在此基礎(chǔ)上通過三次樣條函數(shù)插值的方法就可以得到一個(gè)超像素個(gè)數(shù)選取的計(jì)算模型

    (14)

    當(dāng)函數(shù)s3(x)在超像素個(gè)數(shù)區(qū)間[xmin,xmax]取得極大值時(shí),所對(duì)應(yīng)的超像素個(gè)數(shù)x,即為最優(yōu)的超像素個(gè)數(shù)。通常x具有多個(gè)值,本文選取了粗尺度和細(xì)尺度上的分割結(jié)果,來進(jìn)行后續(xù)的變化檢測(cè)試驗(yàn)。

    1.4 決策級(jí)融合(decision level fusion)

    由于像素級(jí)的變化檢測(cè)結(jié)果較容易出現(xiàn)“椒鹽現(xiàn)象”,導(dǎo)致最終的變化檢測(cè)結(jié)果會(huì)出現(xiàn)很多孤立的點(diǎn)。針對(duì)此現(xiàn)象,本文將帶有區(qū)域標(biāo)記的多尺度超像素分割結(jié)果應(yīng)用在像素級(jí)的變化檢測(cè)結(jié)果之上,進(jìn)行決策級(jí)融合。

    假設(shè)每個(gè)超像素Si內(nèi)包含的像素總個(gè)數(shù)為Numt,其中屬于變化像素的個(gè)數(shù)為Numc,未變化像素的個(gè)數(shù)為Numu,顯然Numc+Numu=Numt。本文根據(jù)每個(gè)超像素區(qū)域內(nèi)的變化像素比例w(其中w=Numc/Numt),定義了以下變化強(qiáng)度W以便將初始變化差異圖量化為-2~2之間,采用下面的分段函數(shù)形式

    (15)

    式中,-2、-1、0、1、2分別代表未變化、微弱變化、中等變化、明顯變化、強(qiáng)烈變化的區(qū)域值[27-28]。

    本文采用多尺度超像素分割技術(shù),獲取不同大小的超像素區(qū)域,使得不同尺寸的地物目標(biāo)能對(duì)應(yīng)較優(yōu)的分割尺度,從而保證了信息提取的精度[27]。為了綜合粗尺度和細(xì)尺度下的變化檢測(cè)結(jié)果,本文通過多值邏輯建立決策融合規(guī)則,將兩個(gè)尺度下的檢測(cè)結(jié)果融合成一幅變化強(qiáng)度圖,以便于綜合性地檢測(cè)變化發(fā)生的位置以及變化的強(qiáng)度。圖2對(duì)應(yīng)了一個(gè)五值的多值邏輯函數(shù)F(x,y),具體的決策級(jí)融合規(guī)則如表1所示。當(dāng)兩個(gè)尺度(x,y)的變化強(qiáng)度大時(shí),那么融合的變化強(qiáng)度也應(yīng)較大,反之亦然[27-28]。例如:當(dāng)F(x,y)=2時(shí),此時(shí)x+y=3或x+y=4,說明兩個(gè)尺度(x,y)中至少有一個(gè)超像素區(qū)域?yàn)閺?qiáng)烈變化,另一個(gè)超像素區(qū)域至少為明顯變化的區(qū)域,決策級(jí)融合規(guī)則定義合成的強(qiáng)度就應(yīng)該為強(qiáng)烈變化,這樣才能充分體現(xiàn)兩個(gè)尺度上的變化強(qiáng)度信息。如果將決策級(jí)融合后的變化強(qiáng)度影像中的未變化與微弱變化區(qū)域視為不變化,其余視為變化的區(qū)域,就可以得到最終的二值化檢測(cè)結(jié)果。

    圖2 邏輯函數(shù)F(x,y)Fig.2 Logical function F(x,y)

    細(xì)尺度粗尺度未變化微弱變化中等變化明顯變化強(qiáng)烈變化未變化未變化未變化未變化微弱變化中等變化微弱變化未變化微弱變化微弱變化中等變化明顯變化中等變化未變化微弱變化中等變化明顯變化明顯變化明顯變化微弱變化中等變化明顯變化強(qiáng)烈變化強(qiáng)烈變化強(qiáng)烈變化中等變化明顯變化明顯變化強(qiáng)烈變化強(qiáng)烈變化

    2 試驗(yàn)結(jié)果與分析

    為了綜合驗(yàn)證所提方法的可行性和有效性,本文采用的試驗(yàn)數(shù)據(jù)為2006年和2007年獲取的廣州市SPOT 5多光譜彩色影像,空間分辨率為2.5 m,主要包含紅、綠、藍(lán)3個(gè)波段,影像大小為1871×1774像素,測(cè)試區(qū)主要由水體、聚落群、工廠建筑物、耕地、裸地等地物構(gòu)成,兩期影像分別如圖3(a)和圖3(b)所示(見文后)。

    為了綜合利用前、后時(shí)相影像的光譜信息,本文采用影像疊合的方式形成疊加影像(共6波段),并對(duì)疊加影像進(jìn)行主成分分析,提取的第一主成分影像結(jié)果如圖3(c)所示。本文在綜合提取光譜變化強(qiáng)度影像和紋理差值影像之后(圖3(d)和圖3(e)所示),對(duì)這兩種差異影像采用自適應(yīng)PCNN神經(jīng)網(wǎng)絡(luò)融合,形成新的差異融合影像(圖3(f))。從結(jié)果中可以看出,新的融合影像在充分利用光譜變化強(qiáng)度信息基礎(chǔ)之上,能夠?qū)⒓y理差異信息進(jìn)行有效融合,降低了由于輻射差異造成的諸多虛假差異。然后,本文在區(qū)間[1000,5000]內(nèi)對(duì)第一主成分影像進(jìn)行熵率超像素分割,步長(zhǎng)為200,并計(jì)算分割后每個(gè)尺度下的總體評(píng)價(jià)指數(shù)值F(H,I),然后對(duì)其進(jìn)行三次樣條函數(shù)插值,插值結(jié)果如圖4所示。從圖中可以看出:函數(shù)在超像素個(gè)數(shù)區(qū)間[1000,5000]內(nèi),具有多個(gè)極大值,進(jìn)一步說明遙感影像的最優(yōu)分割尺度其實(shí)是相對(duì)的,通常在一個(gè)數(shù)值范圍內(nèi)。本文根據(jù)三次樣條函數(shù)插值的結(jié)果,選取超像素個(gè)數(shù)nC=1800,作為粗尺度上的分割結(jié)果,選取nC=4200作為細(xì)尺度上的分割結(jié)果。在這兩個(gè)尺度上,超像素個(gè)數(shù)評(píng)價(jià)指數(shù)F(H,I)都為區(qū)間上的極大值;在粗尺度上,當(dāng)分割的超像素總數(shù)為1800時(shí),此時(shí)F(H,I)值最大,即整體上來說,在這個(gè)尺度上,超像素內(nèi)部多呈現(xiàn)均質(zhì),不同超像素之間多呈現(xiàn)異質(zhì)。同理,當(dāng)分割的超像素?cái)?shù)量逐漸增大時(shí),此時(shí)F(H,I)值呈上升的趨勢(shì),分割得到的區(qū)域數(shù)越來越多;當(dāng)分割的超像素總數(shù)為4200時(shí),此時(shí)F(H,I)值在鄰域區(qū)間內(nèi)最大,即在細(xì)尺度上此時(shí)得到的分割效果較佳。

    接著,本文將帶有區(qū)域標(biāo)號(hào)的粗尺度分割圖及細(xì)尺度分割圖與像素級(jí)變化檢測(cè)結(jié)果進(jìn)行聯(lián)合分析,采用變化強(qiáng)度等級(jí)量化和決策級(jí)融合,來獲取最終的對(duì)象級(jí)變化檢測(cè)結(jié)果。圖5(a)是根據(jù)目視解譯結(jié)果和實(shí)地調(diào)繪相結(jié)合而制作的標(biāo)準(zhǔn)變化檢測(cè)影像,黑色區(qū)域表示未變化的區(qū)域,白色區(qū)域表示變化的區(qū)域;圖5(b)、5(c)、5(d)、5(e)分別為初始分割閾值T=40、T=60、T=80、T=100下,利用Chan-Vese方法對(duì)PCNN差異融合影像進(jìn)行二值化分割,所獲取的變化檢測(cè)結(jié)果;圖5(i)為本文采用決策級(jí)融合規(guī)則所獲取的檢測(cè)結(jié)果。

    圖5 不同方法之間的變化檢測(cè)結(jié)果Fig.5 The change detection results by different methods

    與此同時(shí),將本文方法與文獻(xiàn)[29]中所用的距離規(guī)則水平集演化(distance regularized level set evolution,DRLSE)模型進(jìn)行對(duì)比(利用DRLSE模型進(jìn)行變化區(qū)域提取時(shí),初始分割閾值為T=75),所得到的結(jié)果如圖5(f)所示。此外,本文還與基于對(duì)象的變化向量分析[30](object-based change vector analysis,CVA-OB)、基于對(duì)象的卡方變換分析[30](object-based chi-square transformation,chisquare-OB)等方法進(jìn)行了對(duì)比分析,并選取了細(xì)尺度上的分割結(jié)果。當(dāng)超像素個(gè)數(shù)為4200時(shí),本文選取每個(gè)超像素在不同波段的光譜均值、標(biāo)準(zhǔn)差構(gòu)成它們的特征向量,利用最大類間方差法(OSTU)來進(jìn)行自動(dòng)閾值分割并提取變化區(qū)域,所得到的結(jié)果如圖5(g)、5(h)所示。為了對(duì)所提出的方法性能進(jìn)行定量評(píng)估,本文通過構(gòu)建混淆矩陣,來計(jì)算變化檢測(cè)結(jié)果的精度。試驗(yàn)采用虛檢率、漏檢率、總體正確率以及ROC曲線下面積(area under curve,AUC)等4個(gè)指標(biāo)來衡量變化檢測(cè)精度,試驗(yàn)得到的變化檢測(cè)評(píng)定結(jié)果如圖6和表2所示。

    圖3 試驗(yàn)數(shù)據(jù)集Fig.3 Datasets used in the experiment

    圖4 超像素個(gè)數(shù)評(píng)價(jià)指數(shù)Fig.4 The evaluation index of super-pixel number

    圖6 試驗(yàn)數(shù)據(jù)的ROC曲線對(duì)比Fig.6 ROC curve comparison in the study area

    變化檢測(cè)方法正確率虛檢率漏檢率ROC曲線下面積CV,T=400.91740.60380.25970.8045CV,T=600.94800.43990.41240.8235CV,T=800.95430.32390.55350.7747CV,T=1000.95290.25230.68420.7260DRLSE0.95900.29410.52310.7352CVA?OB0.96120.31320.51030.7701chisquare?OB0.96390.22600.46040.8080decisionlevelfusion0.96500.19570.35640.8373

    從試驗(yàn)結(jié)果可以看出:在利用CV水平集方法對(duì)差異影像進(jìn)行分割時(shí),當(dāng)初始閾值設(shè)置為T=60時(shí),此時(shí)ROC曲線下面積最大,變化檢測(cè)的總體精度較高,且好于其他3個(gè)初始閾值下的檢測(cè)結(jié)果。因此,本文將此閾值下的分割結(jié)果作為初始像素級(jí)變化檢測(cè)結(jié)果,用于后續(xù)的決策級(jí)融合分析。此外,利用DRLSE模型進(jìn)行演化分割時(shí),變化檢測(cè)結(jié)果精度也較低,雖然其總體正確率和虛檢率要優(yōu)于閾值T=60時(shí)利用CV方法所獲取的結(jié)果,但是其漏檢率要明顯高于CV方法,而且其迭代演化的時(shí)長(zhǎng)要明顯長(zhǎng)于傳統(tǒng)的CV方法。而基于對(duì)象的變化向量分析(CVA-OB)、基于對(duì)象的卡方變換分析(chisquare-OB),其結(jié)果從ROC曲線下面積來看,并沒有明顯優(yōu)于閾值T=60下的檢測(cè)結(jié)果,而且虛檢率和漏檢率也較大。這主要是由于其僅在單一尺度上來提取變化信息且過分依賴閾值分割結(jié)果的好壞,以及對(duì)象的灰度均值信息,而未能有效利用其灰度分布信息,導(dǎo)致最終的檢測(cè)效果不佳。本文將粗尺度上的變化強(qiáng)度等級(jí)量化結(jié)果與細(xì)尺度上的結(jié)果進(jìn)行聯(lián)合分析,并采用決策級(jí)規(guī)則進(jìn)行融合,作為變化檢測(cè)的后處理部分。相較于兩種基于對(duì)象的分析方法,確實(shí)能夠有效降低變化檢測(cè)的虛檢率和漏檢率,提高了總體正確率,其ROC曲線下面積在所有方法中也是最大的,這也進(jìn)一步證明了本文融合策略的有效性和可行性。

    綜上所述,在實(shí)際的變化檢測(cè)應(yīng)用中,可以根據(jù)不同的檢測(cè)目的,將基于像素和基于對(duì)象的變化檢測(cè)過程有機(jī)結(jié)合起來,這樣得到的檢測(cè)結(jié)果不僅較為規(guī)整,而且檢測(cè)對(duì)象都對(duì)應(yīng)著實(shí)際意義的地理實(shí)體,可以有效集成兩種方法的優(yōu)勢(shì),以獲取最佳的檢測(cè)精度。

    3 結(jié) 論

    本文提出了一種聯(lián)合像素級(jí)和對(duì)象級(jí)分析的遙感影像變化檢測(cè)算法。該方法克服了基于像素的變化檢測(cè)方法所造成的椒鹽現(xiàn)象,通過引入基于熵率的超像素分割方法,獲取多尺度超像素區(qū)域,利用帶有區(qū)域標(biāo)號(hào)的多尺度分割結(jié)果與像素級(jí)變化檢測(cè)結(jié)果進(jìn)行聯(lián)合分析,采用變化強(qiáng)度等級(jí)量化和決策級(jí)融合,作為變化檢測(cè)的后處理部分,從而有效降低了變化檢測(cè)的虛檢率和漏檢率。但是,本文方法也仍然存在一定的不足之處,從熵率超像素分割算法的角度來講,其僅考慮了影像的光譜特征進(jìn)行分割,與優(yōu)秀的分割算法相比,其對(duì)遙感影像的分割質(zhì)量確實(shí)存在一定程度的劣勢(shì)。因此,在今后的研究中,可以考慮對(duì)超像素分割算法進(jìn)行改進(jìn),通過引入梯度和邊緣等特征信息,并對(duì)分割結(jié)果進(jìn)行區(qū)域合并,來進(jìn)一步提高影像分割的質(zhì)量。

    [1] JIA Lu, LI Ming, ZHANG Peng, et al. Remote-sensing Image Change Detection with Fusion of Multiple Wavelet Kernels[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(8): 3405-3418.

    [2] HUSSAIN M, CHEN Dongmei, CHENG A, et al. Change Detection from Remotely Sensed Images: From Pixel-based to Object-based Approaches[J]. ISPRS Journal of Photogrammetry and Remote Sensing,2013(80): 91-106.

    [3] WANG Chao, XU Mengxi, WANG Xin, et al. Object-oriented Change Detection Approach for High-resolution Remote Sensing Images Based on Multiscale Fusion[J]. Journal of Applied Remote Sensing, 2013, 7(1): 173696.

    [4] 王琰, 舒寧, 龔龑. 利用馬爾柯夫隨機(jī)場(chǎng)圖模型的變化像斑類別判定方法[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2012, 37(5): 542-545.

    WANG Yan, SHU Ning, GONG Yan. Determination of New Class Properties of the Changed Image Segments Using MRF Graph Model[J]. Geomatics and Information Science of Wuhan University, 2012, 37(5): 542-545.

    [5] 佃袁勇, 方圣輝, 姚崇懷. 一種面向地理對(duì)象的遙感影像變化檢測(cè)方法[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2014, 39(8): 906-912.

    DIAN Yuanyong, FANG Shenghui, YAO Chonghuai. The Geographic Object-based Method for Change Detection with Remote Sensing Imagery[J]. Geomatics and Information Science of Wuhan University, 2014, 39(8): 906-912.

    [6] HAO Ming, SHI Wenzhong, ZHANG Hua, et al. A Scale-driven Change Detection Method Incorporating Uncertainty Analysis for Remote Sensing Images[J]. Remote Sensing, 2016, 8(9): 745.

    [7] CHEN Qiang, CHEN Yunhao.Multi-feature Object-based Change Detection Using Self-adaptive Weight Change Vector Analysis[J]. Remote Sensing, 2016, 8(7): 549.

    [8] HAO Ming, ZHANG Hua, SHI Wenzhong, et al. Unsupervised Change Detection Using Fuzzy c-means and MRF from Remotely Sensed Images[J]. Remote Sensing Letters, 2013, 4(12): 1185-1194.

    [9] SHAO Pan, SHI Wenzhong, HE Pengfei, et al. Novel Approach to Unsupervised Change Detection Based on a Robust Semi-supervised FCM Clustering Algorithm[J]. Remote Sensing, 2016, 8(3): 264.

    [10] CAO Guo, LIU Yazhou, SHANG Yanfeng. Automatic Change Detection in Remote Sensing Images Using Level Set Method with Neighborhood Constraints[J]. Journal of Applied Remote Sensing, 2014, 8(1): 083678.

    [11] ZHOU Licun, CAO Guo, LI Yupeng, et al. Change Detection Based on Conditional Random Field with Region Connection Constraints in High-resolution Remote Sensing Images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(8): 3478-3488.

    [12] CAO Guo, ZHOU Licun, LI Yupeng. A New Change-detection Method in High-resolution Remote Sensing Images Based on A Conditional Random Field Model[J]. International Journal of Remote Sensing, 2016, 37(5): 1173-1189.

    [13] WU Chen, ZHANG Lefei, ZHANG Liangpei. A Scene Change Detection Framework for Multi-temporal Very High Resolution Remote Sensing Images[J]. Signal Processing,2016(124): 184-197.

    [14] 李楊, 江南, 侍昊, 等. LandSat-8影像的LDA模型變化檢測(cè)[J]. 地球信息科學(xué)學(xué)報(bào), 2015, 17(3): 353-360.

    LI Yang, JIANG Nan, SHI Hao, et al. Change Detection and Analysis of LandSat-8 Image Based on LDA Model[J]. Journal of Geo-Information Science, 2015, 17(3): 353-360.

    [15] ZHANG Hui, GONG Maoguo, ZHANG Puzhao, et al. Feature-level Change Detection Using Deep Representation and Feature Change Analysis for Multispectral Imagery[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(11): 1666-1670.

    [16] 戴芹, 劉建波, 劉士彬. 微粒群優(yōu)化方法的遙感影像變化檢測(cè)研究[J]. 測(cè)繪學(xué)報(bào), 2012, 41(6): 857-863, 885.

    DAI Qin, LIU Jianbo, LIU Shibin. Remote Sensing Image Change Detection Using Particle Swarm Optimization Algorithm[J]. Acta Geodaetica et Cartographica Sinica, 2012, 41(6): 857-863, 885.

    [17] ZHANG Puzhao, GONG Maoguo, 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.

    [18] 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.

    [19] LU Jun, LI J, CHEN Gang, et al. Improving Pixel-based Change Detection Accuracy Using an Object-based Approach in Multitemporal SAR Flood Images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(7): 3786-3496.

    [20] AGUIRRE-GUTIéRREZ J, SEIJMONSBERGEN A C, DUIVENVOORDEN J F. Optimizing Land Cover Classification Accuracy for Change Detection, A Combined Pixel-based and Object-based Approach in A Mountainous Area in Mexico[J]. Applied Geography, 2012(34): 29-37.

    [21] 王東廣, 肖鵬峰, 宋曉群, 等. 結(jié)合紋理信息的高分辨率遙感圖像變化檢測(cè)方法[J]. 國(guó)土資源遙感, 2012(4): 76-81.

    WANG Dongguang, XIAO Pengfeng, SONG Xiaoqun, et al. Change Detection Method for High Resolution Remote Sensing Image in Association with Textural and Spectral Information[J]. Remote Sensing for Land & Resources, 2012(4): 76-81.

    [22] 彭鋼, 賈振紅, 覃錫忠, 等. 自適應(yīng)PCNN和改進(jìn)C-V結(jié)合的遙感圖像變化檢測(cè)[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2015, 36(6): 1581-1585.

    PENG Gang, JIA Zhenhong, QIN Xizhong, et al. Remote Sensing Image Change Detection Based on Adaptive PCNN and Improved C-V Model[J]. Computer Engineering and Design, 2015, 36(6): 1581-1585.

    [23] 李美麗, 李言俊, 王紅梅, 等. 基于自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)圖像融合新算法[J]. 光電子·激光, 2010, 21(5): 779-782.

    LI Meili, LI Yanjun, WANG Hongmei, et al. A New Image Fusion Algorithm Based on Adaptive PCNN[J]. Journal of Optoelectronics·Laser, 2010, 21(5): 779-782.

    [24] LIU Mingyu, TUZEL O, RAMALINGAMS S, et al. Entropy Rate Superpixel Segmentation[C]∥Proceedings of 2011 IEEE Conference on Computer Vision and Pattern Recognition. Washington, DC, USA: IEEE Computer Society, 2011: 2097-2104.

    [25] 殷瑞娟, 施潤(rùn)和, 李鏡堯, 等. 一種高分辨率遙感影像的最優(yōu)分割尺度自動(dòng)選取方法[J]. 地球信息科學(xué)學(xué)報(bào), 2013, 15(6): 902-910.

    YIN Ruijuan, SHI Runhe, LI Jingyao, et al. Automatic Selection of Optimal Segmentation Scale of High-resolution Remote Sensing Images[J]. Journal of Geo-Information Science, 2013, 15(6): 902-910.

    [26] ESPINDOLA G M, CAMARA G, REIS I A, et al. Parameter Selection for Region-growing Image Segmentation Algorithms Using Spatial Autocorrelation[J]. International Journal of Remote Sensing, 2006, 27(14): 3035-3040.

    [27] 吳俊政, 嚴(yán)衛(wèi)東, 倪維平, 等. 基于圖像融合與多尺度分割的目標(biāo)級(jí)變化檢測(cè)[J]. 電光與控制, 2013, 20(12): 51-55.

    WU Junzheng, YAN Weidong, NI Weiping, et al. Object-level Change Detection Based on Image Fusion and Multi-scale Segmentation[J]. Electronics Optics & Control, 2013, 20(12): 51-55.

    [28] 馮文卿, 張永軍. 利用多尺度融合進(jìn)行面向?qū)ο蟮倪b感影像變化檢測(cè)[J]. 測(cè)繪學(xué)報(bào), 2015, 44(10): 1142-1151. DOI: 10.11947/j.AGCS2.0152.0140260.

    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.AGCS2.0152.0140260.

    [29] LI Chunming, XU Chenyang, GUI Changfeng, et al. Distance Regularized Level Set Evolution and Its Application to Image Segmentation[J]. IEEE Transactions on Image Processing, 2010, 19(12): 3243-3254.

    [30] SUN Kaimin, CHEN Yan. The Application of Objects Change Vector Analysis in Object-level Change Detection[C]. International Conference on Computational Intelligence and Industrial Application (PACIIA), 2010, 15(4): 383-389.

    Remote Sensing Image Change Detection Based on the Combination of Pixel-level and Object-level Analysis

    FENG Wenqing,SUI Haigang,TU Jihui,SUN Kaimin

    State Key Laboratory of Information Engineering in Surveying Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China

    In order to improve the change detection accuracy of the high resolution remote sensing image, a novel framework based on the combination of pixel-level and object-level analysis is proposed. Firstly, the two temporal images are superimposed, and the principal component analysis is performed. Then, it is utilized that the entropy rate segmentation algorithm to segment the first principal component image by changing the number of super-pixels to obtain the multi-layer super-pixel regions with different sizes. At the same time, by analyzing the difference of spectral feature and texture feature on two temporal images, it is used that adaptive PCNN neural network algorithm to make a fusion of the two difference images. Afterwards, the level set (CV) method is used to get the pixel-level change detection results. At last, the change intensity level quantization and decision level fusion are used on the initial change detection results with the region labeling matrix, serving as the post-processing part to obtain the changed objects. Experimental results on the sets of SPOT-5 multi-spectral images show that the new framework can effectively integrate the advantages of pixel-based and object-based image analysis methods, which can further improve the stability and applicability of the change detection process.

    pixel-level; object-level; change detection; super-pixel; PCNN neural network; decision level fusion

    The National Key Research and Development Program of China (No. 2016YFB0502600); The Open Research Fund of State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing (No. 16E01); The National Natural Science Foundation of China(No. 41471354)

    FENG Wenqing(1991—), male, PhD candidate, majors in theories and methods of classification and change detection of high resolution remote sensing image.

    SUI Haigang

    P237

    A

    1001-1595(2017)09-1147-09

    國(guó)家重點(diǎn)研發(fā)計(jì)劃(2016YFB0502600);測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室開放基金(16E01);國(guó)家自然科學(xué)基金(41471354)

    (責(zé)任編輯:叢樹平)

    2016-11-28

    修回日期: 2017-05-24

    馮文卿(1991—),男,博士生,研究方向?yàn)楦叻直媛蔬b感影像分類及變化檢測(cè)。

    E-mail: wq_feng@whu.edu.cn

    眭海剛

    E-mail: haigang_sui@263.net

    猜你喜歡
    變化檢測(cè)尺度像素
    趙運(yùn)哲作品
    藝術(shù)家(2023年8期)2023-11-02 02:05:28
    用于遙感圖像變化檢測(cè)的全尺度特征聚合網(wǎng)絡(luò)
    像素前線之“幻影”2000
    基于多尺度紋理特征的SAR影像變化檢測(cè)
    財(cái)產(chǎn)的五大尺度和五重應(yīng)對(duì)
    “像素”仙人掌
    基于稀疏表示的視網(wǎng)膜圖像對(duì)變化檢測(cè)
    基于Landsat影像的黃豐橋林場(chǎng)森林變化檢測(cè)研究
    宇宙的尺度
    太空探索(2016年5期)2016-07-12 15:17:55
    高像素不是全部
    CHIP新電腦(2016年3期)2016-03-10 14:22:03
    色哟哟·www| 99热全是精品| 国产精品熟女久久久久浪| 成人美女网站在线观看视频| 午夜久久久在线观看| 欧美xxⅹ黑人| 中文字幕制服av| 欧美另类一区| 美女大奶头黄色视频| 男女无遮挡免费网站观看| 一区二区三区免费毛片| 成人国产麻豆网| 在线精品无人区一区二区三| 99热6这里只有精品| 九草在线视频观看| 日韩av免费高清视频| 久久人人爽人人片av| 欧美最新免费一区二区三区| 天堂俺去俺来也www色官网| 国产视频首页在线观看| 在线观看av片永久免费下载| 国产亚洲av片在线观看秒播厂| 成人漫画全彩无遮挡| 国产欧美亚洲国产| 国产精品伦人一区二区| 日日摸夜夜添夜夜爱| 在线播放无遮挡| 黄色毛片三级朝国网站 | 欧美xxⅹ黑人| 99久久精品国产国产毛片| 国产精品一区二区性色av| 青春草视频在线免费观看| 久久精品熟女亚洲av麻豆精品| 狂野欧美激情性xxxx在线观看| 最新的欧美精品一区二区| 自拍偷自拍亚洲精品老妇| 亚洲天堂av无毛| 女人精品久久久久毛片| 日韩三级伦理在线观看| 一级毛片电影观看| 最新的欧美精品一区二区| 国产女主播在线喷水免费视频网站| 免费大片黄手机在线观看| 国产乱人偷精品视频| 人妻人人澡人人爽人人| 国产熟女午夜一区二区三区 | 国产精品人妻久久久久久| 在线观看人妻少妇| 日本av免费视频播放| 国产成人aa在线观看| 性高湖久久久久久久久免费观看| 美女福利国产在线| 日本欧美视频一区| 亚洲一级一片aⅴ在线观看| 亚洲精品乱码久久久v下载方式| 91aial.com中文字幕在线观看| 亚洲欧美日韩另类电影网站| 只有这里有精品99| 精品亚洲乱码少妇综合久久| 伊人亚洲综合成人网| 国产精品久久久久成人av| 久久久久久久久久成人| 久久久久久久精品精品| 91在线精品国自产拍蜜月| 国产又色又爽无遮挡免| 嫩草影院入口| 亚洲av.av天堂| 大话2 男鬼变身卡| 青春草视频在线免费观看| 51国产日韩欧美| 一级二级三级毛片免费看| 国产伦精品一区二区三区视频9| 色网站视频免费| 纯流量卡能插随身wifi吗| 国产视频首页在线观看| 91午夜精品亚洲一区二区三区| 国产精品伦人一区二区| 有码 亚洲区| 久久久午夜欧美精品| 久久av网站| 免费看日本二区| 毛片一级片免费看久久久久| 亚洲综合色惰| 国产女主播在线喷水免费视频网站| 久热这里只有精品99| 久久精品国产亚洲网站| 国产av国产精品国产| 亚洲精品国产成人久久av| 亚洲第一区二区三区不卡| 99热这里只有精品一区| 欧美日韩视频高清一区二区三区二| 国产精品麻豆人妻色哟哟久久| 大码成人一级视频| a级毛片在线看网站| 午夜福利,免费看| 久久婷婷青草| 国产色婷婷99| 三级国产精品片| av女优亚洲男人天堂| 日韩 亚洲 欧美在线| 黄色怎么调成土黄色| 久久久午夜欧美精品| 精品少妇黑人巨大在线播放| 在线亚洲精品国产二区图片欧美 | 色视频www国产| 国产 一区精品| 亚洲国产精品国产精品| 亚洲综合色惰| 中文字幕人妻熟人妻熟丝袜美| 亚州av有码| 亚洲国产毛片av蜜桃av| 久久人人爽人人爽人人片va| 久久人妻熟女aⅴ| 久久亚洲国产成人精品v| 亚洲av成人精品一区久久| 一级黄片播放器| 美女内射精品一级片tv| 精品久久国产蜜桃| 久久精品国产自在天天线| 久久久久久久久久人人人人人人| 成人午夜精彩视频在线观看| 99热这里只有精品一区| 国产精品99久久99久久久不卡 | 久久国内精品自在自线图片| 黑人猛操日本美女一级片| 又大又黄又爽视频免费| 色94色欧美一区二区| 国产一区有黄有色的免费视频| 成年人午夜在线观看视频| 精品久久久精品久久久| 丰满迷人的少妇在线观看| 久久久久久久久大av| av播播在线观看一区| 在线看a的网站| 国产白丝娇喘喷水9色精品| 人人妻人人看人人澡| 一个人免费看片子| 亚洲精品国产av蜜桃| 久久精品久久久久久久性| 国产成人免费无遮挡视频| 免费av中文字幕在线| 少妇人妻一区二区三区视频| av网站免费在线观看视频| 美女福利国产在线| 成人国产av品久久久| 国产伦精品一区二区三区四那| 国产精品一二三区在线看| 综合色丁香网| 国产亚洲91精品色在线| 中文欧美无线码| 插逼视频在线观看| 国产深夜福利视频在线观看| 日本欧美国产在线视频| 久久97久久精品| 久久99热这里只频精品6学生| 在线观看av片永久免费下载| 人妻制服诱惑在线中文字幕| 啦啦啦啦在线视频资源| av国产久精品久网站免费入址| 久久久精品94久久精品| 一级毛片 在线播放| 又大又黄又爽视频免费| 中文欧美无线码| 亚洲欧美精品自产自拍| 精品人妻熟女毛片av久久网站| 中文字幕免费在线视频6| 久久99热这里只频精品6学生| 免费人妻精品一区二区三区视频| 五月开心婷婷网| 久久精品国产亚洲av涩爱| 国产91av在线免费观看| 少妇人妻精品综合一区二区| 亚洲,一卡二卡三卡| 99热网站在线观看| 亚洲精品久久久久久婷婷小说| 免费大片黄手机在线观看| 久热这里只有精品99| 成人午夜精彩视频在线观看| 在线免费观看不下载黄p国产| 成人漫画全彩无遮挡| 亚洲天堂av无毛| 22中文网久久字幕| 国产淫语在线视频| 水蜜桃什么品种好| 偷拍熟女少妇极品色| 大码成人一级视频| 亚洲av中文av极速乱| 久久久久久久久久人人人人人人| 亚洲欧美成人精品一区二区| 91成人精品电影| 啦啦啦啦在线视频资源| av在线播放精品| av又黄又爽大尺度在线免费看| 色婷婷av一区二区三区视频| 美女主播在线视频| 亚洲激情五月婷婷啪啪| 成人亚洲欧美一区二区av| 久久久欧美国产精品| 久久久久久人妻| 国产乱来视频区| 偷拍熟女少妇极品色| 一级a做视频免费观看| 国产欧美日韩综合在线一区二区 | 国产伦理片在线播放av一区| 日本91视频免费播放| 久久99热6这里只有精品| 国产精品嫩草影院av在线观看| 国产黄片视频在线免费观看| 亚洲av福利一区| 日韩三级伦理在线观看| 精品久久久久久电影网| 成人黄色视频免费在线看| 午夜福利在线观看免费完整高清在| 亚洲精品一二三| 日本91视频免费播放| 51国产日韩欧美| 亚洲国产精品一区三区| 亚洲精品,欧美精品| 久久国产精品大桥未久av | 伦理电影大哥的女人| 久久久欧美国产精品| 日本欧美视频一区| 成年av动漫网址| 日韩人妻高清精品专区| freevideosex欧美| av免费在线看不卡| 久久综合国产亚洲精品| 国产视频首页在线观看| 亚洲伊人久久精品综合| 亚洲精品日韩在线中文字幕| 男的添女的下面高潮视频| 交换朋友夫妻互换小说| 亚洲欧美成人精品一区二区| 久久精品熟女亚洲av麻豆精品| 乱码一卡2卡4卡精品| 亚洲国产毛片av蜜桃av| 国产淫语在线视频| 久久精品熟女亚洲av麻豆精品| 乱码一卡2卡4卡精品| 在线免费观看不下载黄p国产| 色婷婷av一区二区三区视频| 欧美精品一区二区免费开放| 国产免费一级a男人的天堂| 免费av不卡在线播放| 久久狼人影院| 在线观看www视频免费| 麻豆成人午夜福利视频| 亚洲欧美清纯卡通| 六月丁香七月| 精品久久国产蜜桃| 99久久中文字幕三级久久日本| 亚洲熟女精品中文字幕| 五月伊人婷婷丁香| 欧美日韩在线观看h| 两个人的视频大全免费| 看十八女毛片水多多多| 亚洲中文av在线| 中国美白少妇内射xxxbb| 国产一区亚洲一区在线观看| a级一级毛片免费在线观看| 国产在视频线精品| 久久久国产一区二区| 黄色怎么调成土黄色| 成人18禁高潮啪啪吃奶动态图 | 赤兔流量卡办理| 成人亚洲精品一区在线观看| 少妇人妻一区二区三区视频| 天美传媒精品一区二区| 大香蕉97超碰在线| 香蕉精品网在线| 免费黄网站久久成人精品| 蜜桃久久精品国产亚洲av| 丰满饥渴人妻一区二区三| 久久久久久久久久久丰满| 在线观看一区二区三区激情| 亚洲第一区二区三区不卡| 国产伦精品一区二区三区视频9| 亚州av有码| 最近手机中文字幕大全| 日日啪夜夜爽| 熟女电影av网| 一区二区三区精品91| 久久人人爽人人爽人人片va| 麻豆成人午夜福利视频| 亚洲第一av免费看| 久久99一区二区三区| 亚州av有码| 亚洲综合精品二区| 亚洲欧美日韩另类电影网站| av专区在线播放| 久久国产精品大桥未久av | 欧美日韩在线观看h| 久久精品国产自在天天线| 亚洲av男天堂| 多毛熟女@视频| 成年人午夜在线观看视频| 乱码一卡2卡4卡精品| 精品国产一区二区三区久久久樱花| 视频区图区小说| 高清不卡的av网站| 在线观看www视频免费| 亚洲人成网站在线播| 男女无遮挡免费网站观看| 涩涩av久久男人的天堂| 日韩精品免费视频一区二区三区 | 特大巨黑吊av在线直播| 国产色爽女视频免费观看| 麻豆成人av视频| 免费观看av网站的网址| av福利片在线| 国产日韩一区二区三区精品不卡 | 成人毛片60女人毛片免费| 亚洲伊人久久精品综合| 日韩强制内射视频| 亚洲国产最新在线播放| 麻豆乱淫一区二区| 尾随美女入室| 波野结衣二区三区在线| 日本午夜av视频| 午夜免费观看性视频| 国产精品人妻久久久久久| 久久精品国产鲁丝片午夜精品| 亚洲人成网站在线播| 纯流量卡能插随身wifi吗| 少妇熟女欧美另类| 水蜜桃什么品种好| 曰老女人黄片| 99久国产av精品国产电影| 啦啦啦中文免费视频观看日本| 男女边吃奶边做爰视频| 成年人午夜在线观看视频| 亚洲经典国产精华液单| 91精品国产九色| 成人无遮挡网站| 亚洲自偷自拍三级| av福利片在线| 日韩av不卡免费在线播放| av福利片在线观看| 性高湖久久久久久久久免费观看| 看免费成人av毛片| 亚洲国产毛片av蜜桃av| 日韩成人伦理影院| 久久女婷五月综合色啪小说| 国内揄拍国产精品人妻在线| 狂野欧美激情性xxxx在线观看| 简卡轻食公司| 日韩,欧美,国产一区二区三区| 亚洲成人一二三区av| 青春草国产在线视频| 亚洲人成网站在线播| 啦啦啦啦在线视频资源| 丰满饥渴人妻一区二区三| 91成人精品电影| 人妻一区二区av| 国产在线免费精品| 亚洲精品自拍成人| 五月玫瑰六月丁香| 亚洲四区av| 国产在线一区二区三区精| 日韩欧美一区视频在线观看 | av天堂中文字幕网| 天天操日日干夜夜撸| 久久久久精品久久久久真实原创| 高清av免费在线| 热re99久久国产66热| 亚洲欧美一区二区三区国产| 久久人人爽人人片av| 中文在线观看免费www的网站| 老女人水多毛片| av有码第一页| 寂寞人妻少妇视频99o| 日本色播在线视频| 亚洲av.av天堂| 99九九线精品视频在线观看视频| 日韩免费高清中文字幕av| 国产爽快片一区二区三区| 91精品一卡2卡3卡4卡| 九九在线视频观看精品| 欧美精品一区二区大全| 亚洲美女视频黄频| 亚洲色图综合在线观看| 欧美3d第一页| 精品一品国产午夜福利视频| 精品人妻偷拍中文字幕| 久久精品久久久久久噜噜老黄| 好男人视频免费观看在线| 国产亚洲av片在线观看秒播厂| 亚洲成人av在线免费| 99久久中文字幕三级久久日本| 美女内射精品一级片tv| 亚洲精品中文字幕在线视频 | 精品视频人人做人人爽| 成人毛片60女人毛片免费| 五月玫瑰六月丁香| 老司机亚洲免费影院| 精品一区二区三卡| 大陆偷拍与自拍| 免费不卡的大黄色大毛片视频在线观看| 国产精品人妻久久久影院| 天美传媒精品一区二区| 少妇猛男粗大的猛烈进出视频| 老司机影院成人| 午夜影院在线不卡| 成人亚洲精品一区在线观看| 日韩av不卡免费在线播放| 3wmmmm亚洲av在线观看| 丰满人妻一区二区三区视频av| 狂野欧美激情性xxxx在线观看| 人妻夜夜爽99麻豆av| 交换朋友夫妻互换小说| 欧美bdsm另类| 免费播放大片免费观看视频在线观看| 免费av中文字幕在线| 99久久综合免费| 亚洲成人一二三区av| 美女中出高潮动态图| 久久女婷五月综合色啪小说| 亚洲激情五月婷婷啪啪| 天天躁夜夜躁狠狠久久av| 黄片无遮挡物在线观看| 色婷婷av一区二区三区视频| 观看美女的网站| 国产精品一区www在线观看| 亚洲国产成人一精品久久久| 国产淫语在线视频| 久久国产精品大桥未久av | 美女中出高潮动态图| 国产成人aa在线观看| 免费黄网站久久成人精品| 国产精品麻豆人妻色哟哟久久| 国产一区二区三区综合在线观看 | 国产日韩欧美在线精品| 日韩成人伦理影院| 亚洲电影在线观看av| 青春草视频在线免费观看| 国产在线免费精品| 18禁裸乳无遮挡动漫免费视频| 日韩亚洲欧美综合| 午夜免费观看性视频| 男女边摸边吃奶| 夫妻午夜视频| 日韩亚洲欧美综合| 亚洲国产毛片av蜜桃av| 黑丝袜美女国产一区| 美女主播在线视频| 人人澡人人妻人| 国产精品国产三级国产专区5o| 国产伦精品一区二区三区四那| 国产在线免费精品| 国产永久视频网站| 免费不卡的大黄色大毛片视频在线观看| 精品久久久精品久久久| 乱人伦中国视频| 亚洲av二区三区四区| 美女主播在线视频| 一区二区三区四区激情视频| 女的被弄到高潮叫床怎么办| 国产在线视频一区二区| 男人舔奶头视频| 在线观看三级黄色| 成年av动漫网址| 婷婷色av中文字幕| 国产成人精品一,二区| 免费大片黄手机在线观看| av在线观看视频网站免费| 久久久久视频综合| 日日爽夜夜爽网站| 国产美女午夜福利| 日本91视频免费播放| 亚洲成色77777| 哪个播放器可以免费观看大片| 男女边吃奶边做爰视频| 久久久久网色| 久久久久久人妻| 岛国毛片在线播放| 中文欧美无线码| av一本久久久久| av不卡在线播放| 内地一区二区视频在线| 高清视频免费观看一区二区| 伊人亚洲综合成人网| 女人精品久久久久毛片| av国产久精品久网站免费入址| 国产精品蜜桃在线观看| 高清视频免费观看一区二区| 久久热精品热| 777米奇影视久久| 在线 av 中文字幕| 免费人成在线观看视频色| 最新的欧美精品一区二区| 亚洲欧洲精品一区二区精品久久久 | 精品一区二区免费观看| 国产综合精华液| 水蜜桃什么品种好| kizo精华| 国产精品偷伦视频观看了| 久久影院123| 欧美丝袜亚洲另类| 亚洲性久久影院| 国产一区二区三区av在线| 日本爱情动作片www.在线观看| 嘟嘟电影网在线观看| 久久鲁丝午夜福利片| 日韩中字成人| 国产精品三级大全| 久久人人爽人人片av| 91精品一卡2卡3卡4卡| 久久99蜜桃精品久久| 亚洲情色 制服丝袜| 国产69精品久久久久777片| 日韩在线高清观看一区二区三区| 精华霜和精华液先用哪个| 亚洲va在线va天堂va国产| 精品视频人人做人人爽| 国产精品福利在线免费观看| 王馨瑶露胸无遮挡在线观看| 免费人成在线观看视频色| 成人黄色视频免费在线看| 国产免费一区二区三区四区乱码| 日本欧美视频一区| 免费高清在线观看视频在线观看| 美女福利国产在线| 久久精品熟女亚洲av麻豆精品| 五月伊人婷婷丁香| 少妇猛男粗大的猛烈进出视频| 精品久久久噜噜| 国产成人精品无人区| 久久久国产一区二区| 99热这里只有是精品在线观看| 精品人妻熟女毛片av久久网站| 最黄视频免费看| 99久国产av精品国产电影| 国产精品久久久久久久久免| 成人亚洲欧美一区二区av| 国产男女内射视频| 麻豆乱淫一区二区| 日本黄色日本黄色录像| 久久久久久久久大av| 欧美精品亚洲一区二区| 国产在线男女| 成人国产av品久久久| 婷婷色av中文字幕| 女性生殖器流出的白浆| 啦啦啦在线观看免费高清www| 国产精品99久久99久久久不卡 | 午夜福利网站1000一区二区三区| 亚洲精品国产色婷婷电影| 熟妇人妻不卡中文字幕| 午夜福利网站1000一区二区三区| 少妇裸体淫交视频免费看高清| 91成人精品电影| 一区二区三区精品91| 免费观看的影片在线观看| 色5月婷婷丁香| 亚洲av男天堂| 能在线免费看毛片的网站| 午夜免费观看性视频| 亚洲美女视频黄频| 国产精品一区www在线观看| 亚洲久久久国产精品| 丰满人妻一区二区三区视频av| 久久精品夜色国产| 高清黄色对白视频在线免费看 | 啦啦啦啦在线视频资源| 日本免费在线观看一区| 欧美精品国产亚洲| 亚洲欧美中文字幕日韩二区| 日韩熟女老妇一区二区性免费视频| 国产成人精品婷婷| 国产欧美日韩一区二区三区在线 | 少妇熟女欧美另类| 欧美日韩综合久久久久久| 午夜免费鲁丝| 国产伦精品一区二区三区四那| 97超视频在线观看视频| 极品教师在线视频| 免费观看av网站的网址| 男男h啪啪无遮挡| 亚洲欧美日韩东京热| 国国产精品蜜臀av免费| 超碰97精品在线观看| 久久久亚洲精品成人影院| 97在线视频观看| 高清在线视频一区二区三区| 日本午夜av视频| 狂野欧美白嫩少妇大欣赏| 国产男女超爽视频在线观看| 视频区图区小说| 久久99热6这里只有精品| 肉色欧美久久久久久久蜜桃| 观看美女的网站| 国产欧美日韩精品一区二区| 久久99蜜桃精品久久| 在线 av 中文字幕| 成人免费观看视频高清| 国国产精品蜜臀av免费| 国产精品蜜桃在线观看| 久久久久久久久久人人人人人人| 国产视频首页在线观看| 久久久久久久久久久丰满| 亚洲精品视频女| 亚洲婷婷狠狠爱综合网| 久久av网站| 国产亚洲欧美精品永久| 成年av动漫网址| 欧美日韩在线观看h| 丝袜脚勾引网站| 国产精品久久久久久久电影| 久久综合国产亚洲精品| 亚洲av成人精品一区久久| av福利片在线| 国产黄色视频一区二区在线观看| .国产精品久久| 视频中文字幕在线观看| 国产一区有黄有色的免费视频|