• <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
    国产成+人综合+亚洲专区| АⅤ资源中文在线天堂| 老鸭窝网址在线观看| 三级毛片av免费| 中文字幕最新亚洲高清| 在线观看66精品国产| www日本黄色视频网| 亚洲中文av在线| 青草久久国产| 中文字幕最新亚洲高清| 国产午夜福利久久久久久| 亚洲片人在线观看| 免费搜索国产男女视频| 99热这里只有精品一区 | 成人高潮视频无遮挡免费网站| 波多野结衣高清无吗| 床上黄色一级片| 久久性视频一级片| 啦啦啦韩国在线观看视频| 在线观看免费视频日本深夜| 国产精品免费一区二区三区在线| 欧美乱妇无乱码| 级片在线观看| 999久久久精品免费观看国产| 国产主播在线观看一区二区| 免费人成视频x8x8入口观看| 色尼玛亚洲综合影院| 色老头精品视频在线观看| 男人舔奶头视频| 女生性感内裤真人,穿戴方法视频| 成人手机av| 日韩欧美国产在线观看| 999久久久精品免费观看国产| 宅男免费午夜| 国产精华一区二区三区| 99精品在免费线老司机午夜| 97碰自拍视频| 亚洲性夜色夜夜综合| 日本一区二区免费在线视频| 搡老熟女国产l中国老女人| www.自偷自拍.com| 久久中文字幕一级| 成熟少妇高潮喷水视频| 亚洲专区国产一区二区| 99精品欧美一区二区三区四区| 久久久久九九精品影院| 亚洲 欧美一区二区三区| 不卡一级毛片| 国产成年人精品一区二区| 国产成人影院久久av| 色尼玛亚洲综合影院| 国产精品98久久久久久宅男小说| 国产欧美日韩一区二区三| a级毛片在线看网站| 99热这里只有精品一区 | 国产高清视频在线播放一区| 国产精品精品国产色婷婷| 99热6这里只有精品| 免费一级毛片在线播放高清视频| 男女午夜视频在线观看| 一个人免费在线观看电影 | 99国产精品一区二区三区| 午夜福利18| 亚洲九九香蕉| 99热这里只有精品一区 | 国产高清视频在线播放一区| 亚洲九九香蕉| 国产激情久久老熟女| 婷婷亚洲欧美| 久久亚洲精品不卡| 最近在线观看免费完整版| 欧美一级a爱片免费观看看 | 久久精品国产99精品国产亚洲性色| 国产午夜精品论理片| 欧美av亚洲av综合av国产av| 最近最新免费中文字幕在线| 久久久精品大字幕| 欧美又色又爽又黄视频| 69av精品久久久久久| √禁漫天堂资源中文www| 老司机在亚洲福利影院| 丰满人妻一区二区三区视频av | 亚洲18禁久久av| 一本一本综合久久| 精品高清国产在线一区| 国产精品美女特级片免费视频播放器 | 99热6这里只有精品| 国产熟女xx| 精品久久久久久,| 搡老妇女老女人老熟妇| 国产成人啪精品午夜网站| 777久久人妻少妇嫩草av网站| 一a级毛片在线观看| 国产精品久久久久久人妻精品电影| 欧美成人免费av一区二区三区| 757午夜福利合集在线观看| 精华霜和精华液先用哪个| 成人午夜高清在线视频| 成人18禁高潮啪啪吃奶动态图| 亚洲 欧美 日韩 在线 免费| 哪里可以看免费的av片| 免费在线观看亚洲国产| 欧美激情久久久久久爽电影| 两个人免费观看高清视频| 欧美zozozo另类| 国产高清videossex| 黑人巨大精品欧美一区二区mp4| 宅男免费午夜| 无人区码免费观看不卡| 国产亚洲精品综合一区在线观看 | 国产精品永久免费网站| 日韩免费av在线播放| 黄色视频,在线免费观看| 中出人妻视频一区二区| 日本黄色视频三级网站网址| 黄色视频,在线免费观看| 国产v大片淫在线免费观看| 国语自产精品视频在线第100页| 香蕉av资源在线| 禁无遮挡网站| 国产伦一二天堂av在线观看| 宅男免费午夜| 老司机午夜十八禁免费视频| 日韩精品中文字幕看吧| 婷婷六月久久综合丁香| 精品欧美国产一区二区三| 欧美最黄视频在线播放免费| 久久国产乱子伦精品免费另类| 欧美成人性av电影在线观看| xxx96com| 女人高潮潮喷娇喘18禁视频| 亚洲av熟女| 伦理电影免费视频| 男人舔奶头视频| 日本a在线网址| 国产精品 欧美亚洲| 久久香蕉精品热| 一二三四社区在线视频社区8| 18禁黄网站禁片午夜丰满| 亚洲一区二区三区不卡视频| 1024香蕉在线观看| 麻豆成人午夜福利视频| 在线十欧美十亚洲十日本专区| 婷婷六月久久综合丁香| 午夜激情福利司机影院| 国产乱人伦免费视频| 99热只有精品国产| aaaaa片日本免费| 亚洲欧美日韩东京热| 久久婷婷人人爽人人干人人爱| 男人的好看免费观看在线视频 | 欧美成人性av电影在线观看| 日日夜夜操网爽| 午夜福利18| 亚洲精华国产精华精| 亚洲av成人精品一区久久| 男人舔女人的私密视频| 99国产精品一区二区蜜桃av| 一级毛片精品| 欧美黑人精品巨大| av福利片在线| 老司机在亚洲福利影院| 91成年电影在线观看| 婷婷丁香在线五月| 国产午夜福利久久久久久| 国产一区二区三区在线臀色熟女| 久久午夜综合久久蜜桃| 最好的美女福利视频网| 91国产中文字幕| 亚洲av片天天在线观看| 亚洲激情在线av| 欧美日韩一级在线毛片| 国产精品一区二区三区四区免费观看 | 黄色成人免费大全| 亚洲狠狠婷婷综合久久图片| 最近最新中文字幕大全电影3| 国内少妇人妻偷人精品xxx网站 | 国产片内射在线| 日本免费一区二区三区高清不卡| 国产精品 国内视频| 啦啦啦观看免费观看视频高清| 欧美日本亚洲视频在线播放| 欧美色视频一区免费| 特级一级黄色大片| 床上黄色一级片| 99久久综合精品五月天人人| 每晚都被弄得嗷嗷叫到高潮| 国产精品久久视频播放| 熟妇人妻久久中文字幕3abv| 国产精品九九99| 老司机午夜福利在线观看视频| 熟女电影av网| 亚洲av第一区精品v没综合| 国产精品一区二区免费欧美| 天天躁狠狠躁夜夜躁狠狠躁| 久久午夜亚洲精品久久| 曰老女人黄片| 亚洲九九香蕉| 国产精品电影一区二区三区| 国产免费av片在线观看野外av| 99久久国产精品久久久| 久久香蕉精品热| 欧美性猛交╳xxx乱大交人| 正在播放国产对白刺激| 日韩欧美精品v在线| 日韩大码丰满熟妇| 日本熟妇午夜| 精品国产美女av久久久久小说| bbb黄色大片| 成年版毛片免费区| 91av网站免费观看| 亚洲精品av麻豆狂野| 午夜a级毛片| bbb黄色大片| 国产精品99久久99久久久不卡| 久久久久久久午夜电影| 观看免费一级毛片| 国产一区在线观看成人免费| 欧美人与性动交α欧美精品济南到| 久久久久国产精品人妻aⅴ院| 波多野结衣高清作品| 99久久综合精品五月天人人| 男人舔奶头视频| 一边摸一边抽搐一进一小说| 天天一区二区日本电影三级| 亚洲中文av在线| 色尼玛亚洲综合影院| 欧美又色又爽又黄视频| 久久香蕉激情| 亚洲电影在线观看av| 免费看美女性在线毛片视频| 日日爽夜夜爽网站| 99热只有精品国产| 国产高清videossex| 久久精品人妻少妇| 十八禁人妻一区二区| 久久精品亚洲精品国产色婷小说| 久久精品综合一区二区三区| 亚洲人成网站高清观看| 他把我摸到了高潮在线观看| 欧美日韩亚洲国产一区二区在线观看| 2021天堂中文幕一二区在线观| 俺也久久电影网| 老司机深夜福利视频在线观看| 欧美午夜高清在线| 久久久久久亚洲精品国产蜜桃av| 国产精品综合久久久久久久免费| 成人手机av| 又黄又爽又免费观看的视频| 日韩欧美免费精品| 日韩欧美在线乱码| 亚洲国产欧美人成| 免费观看精品视频网站| 91麻豆精品激情在线观看国产| e午夜精品久久久久久久| 国产精品久久久久久久电影 | 琪琪午夜伦伦电影理论片6080| 亚洲第一电影网av| avwww免费| 精品无人区乱码1区二区| 一区二区三区激情视频| 免费搜索国产男女视频| 欧美精品啪啪一区二区三区| 我要搜黄色片| 韩国av一区二区三区四区| 亚洲18禁久久av| www.精华液| 人人妻,人人澡人人爽秒播| 高清毛片免费观看视频网站| 欧美精品亚洲一区二区| 两个人视频免费观看高清| 99精品在免费线老司机午夜| 久久天堂一区二区三区四区| √禁漫天堂资源中文www| 久久人人精品亚洲av| 1024手机看黄色片| 成人特级黄色片久久久久久久| 搡老妇女老女人老熟妇| 久久精品亚洲精品国产色婷小说| 天天添夜夜摸| 午夜精品一区二区三区免费看| 两个人免费观看高清视频| 亚洲一区高清亚洲精品| 人人妻人人澡欧美一区二区| 中文字幕精品亚洲无线码一区| 成人特级黄色片久久久久久久| 欧美在线一区亚洲| 日韩精品中文字幕看吧| а√天堂www在线а√下载| 免费一级毛片在线播放高清视频| 九色成人免费人妻av| 高清在线国产一区| 日本 av在线| 首页视频小说图片口味搜索| av中文乱码字幕在线| av福利片在线| 一进一出抽搐gif免费好疼| 1024视频免费在线观看| 黄色成人免费大全| 久久天躁狠狠躁夜夜2o2o| 两性午夜刺激爽爽歪歪视频在线观看 | 午夜成年电影在线免费观看| 一级a爱片免费观看的视频| 国产成人一区二区三区免费视频网站| 欧美一区二区精品小视频在线| 国模一区二区三区四区视频 | 国产又色又爽无遮挡免费看| 老司机午夜十八禁免费视频| 人人妻,人人澡人人爽秒播| 欧美日韩一级在线毛片| 国产午夜福利久久久久久| 麻豆av在线久日| 不卡av一区二区三区| 欧美性猛交╳xxx乱大交人| 亚洲av中文字字幕乱码综合| 国产亚洲欧美在线一区二区| 国产99久久九九免费精品| 亚洲激情在线av| 国产成人啪精品午夜网站| 搡老岳熟女国产| 老司机午夜十八禁免费视频| 国产av在哪里看| 女警被强在线播放| 人妻夜夜爽99麻豆av| 亚洲五月婷婷丁香| 亚洲电影在线观看av| 亚洲精品久久国产高清桃花| 小说图片视频综合网站| 日韩大码丰满熟妇| 亚洲国产高清在线一区二区三| 亚洲国产精品成人综合色| 国产成+人综合+亚洲专区| or卡值多少钱| 国产亚洲精品av在线| 床上黄色一级片| 欧美一级a爱片免费观看看 | 国产精品乱码一区二三区的特点| 黄频高清免费视频| 老司机深夜福利视频在线观看| 欧美性猛交╳xxx乱大交人| 国产成人精品久久二区二区免费| 亚洲狠狠婷婷综合久久图片| 欧美日韩国产亚洲二区| 国产伦人伦偷精品视频| 熟妇人妻久久中文字幕3abv| 欧美成人性av电影在线观看| 欧美性长视频在线观看| 亚洲欧美一区二区三区黑人| 国产精品一区二区三区四区免费观看 | 亚洲欧美日韩无卡精品| 老司机午夜福利在线观看视频| 国产亚洲精品第一综合不卡| 性欧美人与动物交配| 欧美又色又爽又黄视频| 亚洲免费av在线视频| 日韩精品青青久久久久久| 一级作爱视频免费观看| 又粗又爽又猛毛片免费看| 亚洲一卡2卡3卡4卡5卡精品中文| 12—13女人毛片做爰片一| 亚洲成av人片免费观看| 色哟哟哟哟哟哟| 国产av又大| 久久婷婷成人综合色麻豆| 久久九九热精品免费| 亚洲电影在线观看av| 黄片大片在线免费观看| 久久香蕉精品热| a在线观看视频网站| 久久香蕉精品热| 一本久久中文字幕| 老司机靠b影院| 久久久国产成人免费| 亚洲精品中文字幕在线视频| 欧美日韩福利视频一区二区| 成人国产一区最新在线观看| 老司机午夜十八禁免费视频| 久久国产乱子伦精品免费另类| 欧美黄色淫秽网站| 中文字幕人成人乱码亚洲影| 色av中文字幕| 精品国产美女av久久久久小说| 正在播放国产对白刺激| 波多野结衣高清作品| 日韩大尺度精品在线看网址| 久久久久久国产a免费观看| 可以在线观看毛片的网站| 黄色视频不卡| 久久久久久久久中文| 天天添夜夜摸| 国产精品亚洲美女久久久| 免费看美女性在线毛片视频| 色老头精品视频在线观看| 一个人观看的视频www高清免费观看 | 亚洲中文日韩欧美视频| 亚洲性夜色夜夜综合| 国产精品亚洲美女久久久| 性色av乱码一区二区三区2| 搞女人的毛片| 亚洲国产欧美一区二区综合| 日本黄色视频三级网站网址| 精品熟女少妇八av免费久了| 婷婷精品国产亚洲av在线| 成年免费大片在线观看| 一a级毛片在线观看| 国产久久久一区二区三区| 亚洲激情在线av| 亚洲人成网站高清观看| 天堂√8在线中文| 亚洲av中文字字幕乱码综合| 久久人妻福利社区极品人妻图片| 757午夜福利合集在线观看| 好男人电影高清在线观看| 狂野欧美白嫩少妇大欣赏| 神马国产精品三级电影在线观看 | 色综合亚洲欧美另类图片| 九色国产91popny在线| 亚洲精品美女久久久久99蜜臀| 一级毛片女人18水好多| 亚洲人成77777在线视频| 一本大道久久a久久精品| 国产高清有码在线观看视频 | 一夜夜www| 亚洲色图av天堂| 中国美女看黄片| 久久久久久免费高清国产稀缺| 99精品久久久久人妻精品| 亚洲av成人不卡在线观看播放网| 欧美3d第一页| 日韩欧美一区二区三区在线观看| 人妻丰满熟妇av一区二区三区| 国产一区二区激情短视频| 久久精品国产综合久久久| 性色av乱码一区二区三区2| 老熟妇乱子伦视频在线观看| 久久人妻福利社区极品人妻图片| 国产精品一区二区三区四区免费观看 | 国产高清激情床上av| 91大片在线观看| 变态另类丝袜制服| 成人永久免费在线观看视频| 一个人观看的视频www高清免费观看 | 在线十欧美十亚洲十日本专区| 日本 欧美在线| 全区人妻精品视频| 日韩有码中文字幕| 久久久国产欧美日韩av| 国产成人啪精品午夜网站| 宅男免费午夜| 看片在线看免费视频| 黄色视频,在线免费观看| 国内精品一区二区在线观看| 一本久久中文字幕| 国产三级中文精品| 欧美另类亚洲清纯唯美| 国产精品免费一区二区三区在线| 99国产精品99久久久久| 日本免费a在线| 一二三四在线观看免费中文在| 成年人黄色毛片网站| 日韩精品青青久久久久久| 婷婷丁香在线五月| 亚洲精品色激情综合| 一级毛片高清免费大全| 亚洲av第一区精品v没综合| 又紧又爽又黄一区二区| 亚洲一卡2卡3卡4卡5卡精品中文| 无遮挡黄片免费观看| 99热这里只有精品一区 | 久久中文字幕一级| 日本成人三级电影网站| 欧美日韩一级在线毛片| 搡老岳熟女国产| 91大片在线观看| 色综合站精品国产| 亚洲午夜精品一区,二区,三区| 黄片大片在线免费观看| 午夜福利在线在线| 美女扒开内裤让男人捅视频| 99精品欧美一区二区三区四区| 午夜日韩欧美国产| 欧美黑人巨大hd| 老司机靠b影院| 久久久久久亚洲精品国产蜜桃av| 他把我摸到了高潮在线观看| 一区二区三区国产精品乱码| 免费人成视频x8x8入口观看| 12—13女人毛片做爰片一| 成人国语在线视频| 黄片小视频在线播放| 看黄色毛片网站| 大型av网站在线播放| 国产午夜福利久久久久久| 国产日本99.免费观看| 色噜噜av男人的天堂激情| 精品一区二区三区av网在线观看| 欧美日韩亚洲综合一区二区三区_| 久热爱精品视频在线9| 午夜精品在线福利| 天天躁狠狠躁夜夜躁狠狠躁| 久久热在线av| 久久人妻福利社区极品人妻图片| 亚洲熟女毛片儿| 热99re8久久精品国产| avwww免费| 欧美最黄视频在线播放免费| 日本a在线网址| 精品一区二区三区视频在线观看免费| 国产97色在线日韩免费| 宅男免费午夜| 搡老熟女国产l中国老女人| 国模一区二区三区四区视频 | 天天添夜夜摸| 女同久久另类99精品国产91| 三级毛片av免费| 欧美黑人精品巨大| 波多野结衣巨乳人妻| 啪啪无遮挡十八禁网站| 悠悠久久av| 99久久综合精品五月天人人| 天堂动漫精品| 在线十欧美十亚洲十日本专区| 一本一本综合久久| av国产免费在线观看| 亚洲欧美日韩高清在线视频| 精品国产乱码久久久久久男人| 亚洲熟女毛片儿| 国产亚洲欧美98| 久久中文看片网| 欧美日韩国产亚洲二区| 午夜福利视频1000在线观看| 亚洲欧美日韩无卡精品| 91老司机精品| 狠狠狠狠99中文字幕| 老司机靠b影院| 精品日产1卡2卡| 变态另类丝袜制服| 亚洲av五月六月丁香网| 黄色片一级片一级黄色片| 草草在线视频免费看| 丁香六月欧美| 日本 欧美在线| 波多野结衣高清无吗| 国产片内射在线| 天天添夜夜摸| 精品国产亚洲在线| 欧美一级毛片孕妇| 久久久水蜜桃国产精品网| 国产精品一区二区三区四区免费观看 | 国产精品一区二区三区四区久久| 欧美 亚洲 国产 日韩一| 日本一二三区视频观看| 亚洲国产精品999在线| 啦啦啦观看免费观看视频高清| 岛国在线免费视频观看| 国内少妇人妻偷人精品xxx网站 | 小说图片视频综合网站| e午夜精品久久久久久久| 99热只有精品国产| 在线十欧美十亚洲十日本专区| 麻豆成人午夜福利视频| 亚洲美女视频黄频| 午夜日韩欧美国产| 男插女下体视频免费在线播放| 日韩成人在线观看一区二区三区| 一级毛片女人18水好多| 母亲3免费完整高清在线观看| 日韩精品青青久久久久久| 中文字幕最新亚洲高清| 少妇裸体淫交视频免费看高清 | a级毛片在线看网站| av天堂在线播放| 欧美久久黑人一区二区| 两个人视频免费观看高清| 亚洲全国av大片| 亚洲欧洲精品一区二区精品久久久| 国产一区二区三区在线臀色熟女| 亚洲中文字幕日韩| 婷婷丁香在线五月| 欧美一区二区国产精品久久精品 | 日日干狠狠操夜夜爽| 欧美一区二区精品小视频在线| 欧美国产日韩亚洲一区| 极品教师在线免费播放| 老汉色∧v一级毛片| 亚洲男人的天堂狠狠| 国产一区二区三区在线臀色熟女| 在线观看www视频免费| 成年女人毛片免费观看观看9| 老汉色av国产亚洲站长工具| 国语自产精品视频在线第100页| 在线看三级毛片| 十八禁网站免费在线| 国语自产精品视频在线第100页| xxxwww97欧美| 日本精品一区二区三区蜜桃| 国产精品一区二区三区四区免费观看 | 亚洲国产欧美人成| 国产精品亚洲一级av第二区| 成年女人毛片免费观看观看9| 国产一区二区激情短视频| 女同久久另类99精品国产91| 免费看日本二区| 亚洲中文av在线| 亚洲成人免费电影在线观看| 可以免费在线观看a视频的电影网站| 久久香蕉国产精品| 中文亚洲av片在线观看爽| 色综合欧美亚洲国产小说| 国产精品爽爽va在线观看网站| 久久久久久免费高清国产稀缺| 国产激情久久老熟女| 国产精品av久久久久免费| 一区二区三区高清视频在线| 天堂影院成人在线观看|