• <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 ?

    一種基于CNN與梯度分水嶺算法的衛(wèi)星圖像區(qū)域分割識別方法

    2017-03-26 06:38:50張日升朱桂斌張燕琴陳威靜
    紅外技術(shù) 2017年12期
    關(guān)鍵詞:分水嶺類別梯度

    張日升,朱桂斌,張燕琴,陳威靜

    ?

    一種基于CNN與梯度分水嶺算法的衛(wèi)星圖像區(qū)域分割識別方法

    張日升1,朱桂斌1,張燕琴2,陳威靜1

    (1. 重慶通信學(xué)院應(yīng)急通信重慶市重點實驗室;重慶 400035;2. 中國人民解放軍95894部隊,北京 102211)

    衛(wèi)星圖像的準確分割與識別在軍事、環(huán)境、民生方面都有著重要的研究意義與價值。傳統(tǒng)的區(qū)域分割算法如分水嶺算法、k-means算法等在錯綜復(fù)雜的衛(wèi)星圖像中表現(xiàn)不佳,且不能同時給出區(qū)域的類別。為解決上述問題,本文提出一種結(jié)合CNN與分水嶺算法的圖像區(qū)域分割方法。該方法首先使用人工標記的區(qū)域圖像訓(xùn)練CNN(卷積神經(jīng)網(wǎng)絡(luò))分類器,且使其具有旋轉(zhuǎn)不變性及平移不變性,從而能適應(yīng)不同狀態(tài)下的圖像分類。然后用分水嶺算法對圖像進行區(qū)域粗粒度的聚類,針對分割出的每一個候選區(qū)域,使用CNN分類器對其迭代打分,最后得到分割區(qū)域并給出識別結(jié)果。實驗結(jié)果表明,該方法較傳統(tǒng)方法有更好效果。

    卷積神經(jīng)網(wǎng)絡(luò);梯度分水嶺;衛(wèi)星圖像;分割識別

    0 引言

    圖像分割技術(shù)一直是計算機視覺領(lǐng)域中的一個研究熱點。圖像分割是指將數(shù)字圖像細分為多個圖像子區(qū)域的過程[1],通常用于定位圖像中的物體和邊界。對于衛(wèi)星圖像,因其錯綜復(fù)雜的區(qū)域交叉特性與區(qū)域間的不規(guī)則連接,傳統(tǒng)的圖像分割技術(shù),如Chen等[2]提出的基于顏色的聚類方法和Fowlkes等[3]提出的基于梯度的圖像分割方法,容易造成多分、重分等問題,效果不佳。

    隨著深度學(xué)習(xí)的興起,卷積神經(jīng)網(wǎng)絡(luò)越來越多的被應(yīng)用到了圖像識別中[4],卷積神經(jīng)網(wǎng)絡(luò)的稀疏連接、權(quán)值共享的特殊結(jié)構(gòu),不僅大大降低了模型的運算復(fù)雜度,而且旋轉(zhuǎn)不變性與縮放不變性也使其具備良好的魯棒性。目前,Google利用卷積神經(jīng)網(wǎng)絡(luò)在ImageNet數(shù)據(jù)集上已取得了96.9%的驚人準確率。同時,將卷積神經(jīng)網(wǎng)絡(luò)運用到衛(wèi)星圖像的分類問題中,可以較好地解決衛(wèi)星離地距離不同、遙感設(shè)備拍攝角度不同和大氣層多光譜散射等帶來的噪聲等問題。

    我們也考慮到了RCNN(Region with Convo- lutional Neural Network)與 Fast-RCNN[5]對于區(qū)域的分割方法。由于Fast-RCNN在訓(xùn)練與識別時,所計算出的區(qū)域均為矩形,對于彎曲的公路或河流,具有較低的召回率,因此只能解決局部的準確率問題,大幅的衛(wèi)星圖像中表現(xiàn)不佳。如圖1所示。

    為解決多分、重分以及召回率過低的問題,我們結(jié)合卷積神經(jīng)網(wǎng)絡(luò)[6]對圖像精準分類的優(yōu)點,提出分割區(qū)域重組思想。首先使用梯度分水嶺算法[7]對預(yù)處理后的圖像按顏色進行粗粒度聚類,再使用卷積神經(jīng)網(wǎng)絡(luò)對每一個聚類區(qū)域按一定規(guī)則進行迭代識別,并按識別結(jié)果對每一個類別進行打分,將得分最高的類別認為是該區(qū)域所屬類別。針對相同類別的相鄰區(qū)域,將其合并為一個區(qū)域,進而解決多分重分問題。

    1 算法實現(xiàn)

    本文利用卷積神經(jīng)網(wǎng)絡(luò)在分類時具有平移不變性、旋轉(zhuǎn)不變性的特點,對衛(wèi)星圖像塊進行準確分類(準確率97%),進而對候選區(qū)域打分并重組,實現(xiàn)區(qū)域分割識別。本文首先利用梯度分水嶺算法對整幅衛(wèi)星圖像按顏色聚類,得到粗略的區(qū)域劃分,然后對候選區(qū)域使用CNN分類器為所屬類別打分,最后根據(jù)得分,重新整理候選區(qū)域,得到分割識別結(jié)果。算法流程如圖2所示。

    1.1 數(shù)據(jù)預(yù)處理

    首先采用小波變換[8]對圖像進行去噪處理,然后將圖像轉(zhuǎn)為灰度圖,采用中值濾波算法[9]對圖像做平滑處理,便于梯度分水嶺算法聚類。

    1.1.1 小波變換

    采用自適應(yīng)閾值法去噪。相比于固定閾值方法,該方法可自適應(yīng)地調(diào)節(jié)閾值,使之對于不同噪聲的適應(yīng)性與穩(wěn)定性都得到了提升。自適應(yīng)閾值定義如公式(1):

    式中:為小波的總分解尺度;為閾值小波尺度??梢?,不同尺度有不同閾值,與小波分析的多分辨率相適應(yīng)。

    圖像經(jīng)小波變換去噪后效果如圖3所示(左圖為原始圖像,右圖為去噪后圖像)。

    1.1.2 中值濾波

    針對灰度圖,采用中值濾波算法對其處理,如公式(2):

    (,)=med{(-,-),(,?)} (2)

    式中:(,)和(,)分別為處理后的圖像與原始圖像;和分別為圖像橫坐標和縱坐標的滑動距離;為二維模板,本方法中選取9×9大小的區(qū)域。

    針對圖像中混雜的一些椒鹽噪聲,采用中值濾波方法可以很好地起到過濾作用,如圖4所示(左圖為輸入圖像,右圖為中值濾波后圖像)。

    1.2 區(qū)域粗分割

    1.2.1 梯度分水嶺算法

    分水嶺分割方法,是一種基于拓撲理論的數(shù)學(xué)形態(tài)學(xué)的分割方法,其基本思想是把圖像看作是測地學(xué)上的拓撲地貌,圖像中每一點像素的灰度值表示該點的海拔高度,每一個局部極小值及其影響區(qū)域稱為集水盆,而集水盆的邊界則形成分水嶺。

    分水嶺變換得到的是輸入圖像的集水盆圖像,集水盆之間的邊界點,即為分水嶺。顯然,分水嶺表示的是輸入圖像極大值點。因此,為得到圖像的邊緣信息,通常把梯度圖像作為輸入圖像,如公式(3):

    圖1 基于RCNN的衛(wèi)星遙感圖像區(qū)域識別結(jié)果

    圖2 基于CNN與梯度分水嶺算法的區(qū)域分割算法流程圖

    式中:函數(shù)表示原始圖像;grad函數(shù)表示梯度運算。

    為降低分水嶺算法產(chǎn)生的過度分割,通常要對梯度函數(shù)進行修改,一個簡單的方法是對梯度圖像進行閾值處理,以消除灰度的微小變化產(chǎn)生的過度分割,如公式(4):

    (,)=max(grad((,)),()) (4)

    式中:函數(shù)表示閾值。

    1.2.2 候選區(qū)域獲取

    結(jié)合實際圖像,對預(yù)處理后的圖像使用梯度分水嶺算法進行區(qū)域粗分割,當(dāng)閾值為10時分割結(jié)果如圖5所示(從左至右依次是輸入圖像、梯度化后圖像、標記后圖像和分割后圖像)。

    1.3 卷積神經(jīng)網(wǎng)絡(luò)模型

    1.3.1 卷積神經(jīng)網(wǎng)絡(luò)的特點

    卷積神經(jīng)網(wǎng)絡(luò)受貓腦皮層的局部感知與方向選擇的啟發(fā)而被設(shè)計提出。一方面,卷積神經(jīng)網(wǎng)絡(luò)中神經(jīng)元之間的稀疏鏈接與權(quán)值共享,可使其在深層次上挖掘出數(shù)據(jù)在空間上的關(guān)系,因此使網(wǎng)絡(luò)具有旋轉(zhuǎn)不變性與平移不變性;同時,參數(shù)共享也減少網(wǎng)絡(luò)中可訓(xùn)練參數(shù)的數(shù)量,提高了訓(xùn)練速度與計算效率。

    1.3.2 針對衛(wèi)星圖像搭建的卷積神經(jīng)網(wǎng)絡(luò)模型

    模型分為兩個部分。一是特征提取部分,一是分類部分。其中,特征提取部分負責(zé)學(xué)習(xí)圖像塊中的有效特征以助于后續(xù)分類;分類部分利用上述特征對圖像所屬類別進行精準預(yù)測。

    特征提取部分是由卷積層與池化層組成。其中,卷積層又由眾多卷積核組成,最后經(jīng)過激活函數(shù)后將結(jié)果輸出,如公式(5):

    式中:x表示第層卷積層中第個圈結(jié)合對應(yīng)的特征;M表示當(dāng)前神經(jīng)元的感受域;W表示第層中第個卷積核的第個加權(quán)系數(shù);b表示第層中第個卷積核的偏執(zhí)系數(shù),在這里,我們選取ReLu函數(shù)作為激活函數(shù),如公式(6):

    ()=max(0,) (6)

    池化層利用局部相關(guān)性原理對數(shù)據(jù)進行子抽樣,在減少數(shù)據(jù)維度的同時又保證了信息的有效性,且使模型具有了平移不變性。如公式(7):

    式中:down函數(shù)表示卷積函數(shù);表示加權(quán)系數(shù);表示偏執(zhí)系數(shù)。

    針對35×35像素大小的遙感衛(wèi)星圖像設(shè)計的卷積神經(jīng)網(wǎng)絡(luò)模型圖,如圖6所示。

    1.3.3 訓(xùn)練方法

    卷積神經(jīng)網(wǎng)絡(luò)是輸入到輸出的映射,能夠在不需要任何輸入和輸出之間的精確數(shù)學(xué)表達式的前提下,利用已標記的數(shù)據(jù)進行訓(xùn)練,建立輸入輸出對之間的映射關(guān)系。卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程如圖7所示。

    據(jù)經(jīng)驗值,將設(shè)為60,偏置系數(shù)初始為1,卷積核加權(quán)系數(shù)按照公式(8)初始化:

    式中:Fin為輸入數(shù)據(jù)的維度;Fout為輸出數(shù)據(jù)的維度。

    圖4 中值濾波

    圖5 梯度分水嶺算法區(qū)域粗分割

    圖6 識別衛(wèi)星圖像的卷積神經(jīng)網(wǎng)絡(luò)模型圖

    圖7 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程圖

    1.4 區(qū)域分割方法

    1.4.1 區(qū)域打分

    對于2.2節(jié)給出的候選區(qū)域,我們使用2.3節(jié)中CNN分類器對候選區(qū)域中的每一個圖像塊進行識別分類,步長為25,如圖8所示。

    對于邊界外區(qū)域,我們采用0填充,如圖9所示。

    為所屬類別打分,分值即為softmax給出的概率值,如公式(9):

    式中:Ci為第i類別的得分;n為大區(qū)域中小區(qū)域塊的數(shù)量;Sji為第j個區(qū)域塊屬于i類別的概率。

    Fig. 8 Region marking

    圖9 邊界填充

    圖10的打分結(jié)果如表1所示,精確到小數(shù)點后兩位,小于0.01時得分為0。

    1.4.2 區(qū)域重組

    對上述打分后的區(qū)域,認為得分最高的類別為該區(qū)域所屬類別,同時,將屬于同一類別而相鄰的區(qū)域合并,如圖10所示。

    圖10 區(qū)域合并

    Fig. 10 Region merging

    表1 遙感圖像分割區(qū)域打分表

    2 測試結(jié)果及分析

    2.1 卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)選取方法

    2.1.1 訓(xùn)練數(shù)據(jù)的選取

    實驗所使用數(shù)據(jù)來自谷歌衛(wèi)星地圖19級圖像,隨機區(qū)域采集后切分成25×25像素圖像,按照類別分為5類,即草地、湖泊、公路、居民區(qū)、土地,每類5000張,合計25000張。為了增加樣本的相關(guān)性,使模型具有更好的泛化能力,現(xiàn)將訓(xùn)練數(shù)據(jù)依次順時針旋轉(zhuǎn)90°、180°和270°,如圖11所示。

    經(jīng)過旋轉(zhuǎn)處理后,每類圖片擴增至20000張,合計100000張。在每類20000張數(shù)據(jù)中,隨機取12000張作為訓(xùn)練集,其余部分隨機分成兩部分,每部分4000張,分別為測試集與驗證集。

    2.1.2 訓(xùn)練次數(shù)選擇

    我們將數(shù)據(jù)按每128張圖片為一個batch,最后一個batch不足128時隨機抽取補充,共160個batch,迭代到360次之后,loss不再下降,模型訓(xùn)練完畢,如圖12所示。

    2.2 與經(jīng)典BP神經(jīng)網(wǎng)絡(luò)對比

    為證實設(shè)計的卷積神經(jīng)網(wǎng)絡(luò)更加有效,我們將相同數(shù)據(jù)集用經(jīng)典BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練,并作比較實驗,結(jié)果如表2所示。

    2.3 與傳統(tǒng)圖像分割方法比較

    同時,為證實本方法較傳統(tǒng)方法的有效性,作對比實驗,結(jié)果如表3所示。

    2.4 結(jié)果分析

    由于衛(wèi)星圖像的特殊性,直接采用傳統(tǒng)的梯度分水嶺算法會產(chǎn)生明顯的多分和重分現(xiàn)象,無法達到識別的目的。若直接使用CNN方法進行區(qū)域識別,由于識別的區(qū)域均為矩形,對于彎曲的公路或河流,不能夠準確地表現(xiàn)出目標輪廓范圍,因此只能個別目標識別而無法做到大幅衛(wèi)星圖像識別?;贑NN與梯度分水嶺算法的衛(wèi)星圖像區(qū)域分割識別方法充分發(fā)揮了梯度分水嶺算法和卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)勢,圖像分割后邊界清晰,類別明顯,較好地實現(xiàn)了衛(wèi)星圖像的區(qū)域分割與識別功能。

    3 總結(jié)

    本文研究了CNN與梯度分水嶺算法相結(jié)合的衛(wèi)星圖像區(qū)域分割與識別方法,解決了傳統(tǒng)分割方法重分、多分與深度學(xué)習(xí)方法只能精準識別的問題。但是還有一些不足之處,如區(qū)域打分依賴于準確率較高的分類器、區(qū)域合并運算速度較慢等。同時,在討論本方法的時候,封閉區(qū)域的選取也是需要重點討論的對象。在下一步的工作中,我們將對如何選取封閉區(qū)間與如何進一步提高運算速度進行優(yōu)化。

    圖11 旋轉(zhuǎn)衛(wèi)星圖片

    Fig. 11 Rotating satellite images

    圖12 Loss曲線

    Fig. 12 Loss curve

    表2 卷積神經(jīng)網(wǎng)絡(luò)與經(jīng)典BP神經(jīng)網(wǎng)絡(luò)算法對比結(jié)果

    表3 CNN與梯度分水嶺結(jié)合方法與傳統(tǒng)方法對比結(jié)果

    [1] Acharya J, Gadhiya S, Raviya K. Segmentation techniques for image analysis: A review[J]., 2013, 2(1): 1218-1221.

    [2] CHEN J, Pappas T N, Mojsilovic A, et al. Adaptive image segmentation based on color and texture[C]//, 2002, 3: 777-780.

    [3] Fowlkes C, Martin D, Malik J. Learning affinity functions for image segmentation: Combining patch-based and gradient-based approaches[C] //, 2003, 2: II-54-61.

    [4] Sharif Razavian A, Azizpour H, Sullivan J, et al. CNN features off-the-shelf: an astounding baseline for recognition[C]//, 2014: 806-813.

    [5] Girshick R. Fast r-cnn[C]//, 2015: 1440-1448.

    [6] Ciregan D, Meier U, Schmidhuber J. Multi-column deep neural networks for image classification[C]// 2012(), 2012: 3642-3649.

    [7] MA J, BAI H, FENG J, et al. Image segmentation algorithm based on wavelet transformation and watershed[C]//, 2016: 100331L-100331L-5.

    [8] YAN R, SHAO L, LIU Y. Nonlocal hierarchical dictionary learning using wavelets for image denoising[J]., 2013, 22(12): 4689-4698.

    [9] Hsieh M H, CHENG F C, Shie M C, et al. Fast and efficient median filter for removing 1%-99% levels of salt-and-pepper noise in images[J]., 2013, 26(4): 1333 -1338.

    Method of Satellite Images Region Segmentation and Recognition Based on CNN and Gradient Watershed Algorithm

    ZHANG Risheng1,ZHU Guibin1,ZHANG Yanqin2,CHEN Weijing1

    (1.,,400035,; 2.95894,100102,)

    The accurate segmentation and recognition of satellite images is very important in military and environmental matters and for people's livelihoods. Traditional region segmentation algorithms, such as the watershed algorithm, k-means algorithm, etc., do not perform well on complex satellite images, and cannot simultaneously display the region category. To address this problem, a method of satellite images region segmentation is proposed based of a convolutional neural network (CNN) and the gradient watershed algorithm. Firstly, the artificial markers of regional images are used to train the CNN classifier to adapt to the different categories of image classification with rotation in variant and translation in variant. Then, the watershed algorithm is used for regional images’ coarse-grained clustering. For each candidate region segmented, CNN classifiers were used to iterate and mark. The experimental region segmentation and the recognition results show that the proposed method is better than the traditional methods.

    convolutional neural network,gradient watershed,sensing images,segmentation and recognition

    TP389.1

    A

    1001-8891(2017)12-1114-06

    2017-01-10;

    2017-12-01.

    張日升(1988-),男,碩士研究生。研究方向:智能信號與信息處理。E-mail:15320339816@163.com。

    重慶市科技研發(fā)基地能力提升項目(cstc2014ptsy40003)。

    猜你喜歡
    分水嶺類別梯度
    一個改進的WYL型三項共軛梯度法
    一種自適應(yīng)Dai-Liao共軛梯度法
    2019,一定是個分水嶺!
    一類扭積形式的梯度近Ricci孤立子
    服務(wù)類別
    新校長(2016年8期)2016-01-10 06:43:59
    論類別股東會
    商事法論集(2014年1期)2014-06-27 01:20:42
    中醫(yī)類別全科醫(yī)師培養(yǎng)模式的探討
    河南科技(2014年3期)2014-02-27 14:05:45
    “華北第一隧”——張涿高速分水嶺隧道貫通
    分水嶺
    欧美黑人精品巨大| 最新在线观看一区二区三区| 精品国产乱码久久久久久男人| 一二三四社区在线视频社区8| 美女大奶头视频| 人人妻,人人澡人人爽秒播| 国产精品1区2区在线观看.| 香蕉久久夜色| 女人爽到高潮嗷嗷叫在线视频| 国产1区2区3区精品| 成熟少妇高潮喷水视频| 欧美色欧美亚洲另类二区| 好男人在线观看高清免费视频 | 丝袜人妻中文字幕| 精品免费久久久久久久清纯| 欧美日韩中文字幕国产精品一区二区三区| 99精品欧美一区二区三区四区| 国产欧美日韩一区二区三| 巨乳人妻的诱惑在线观看| 一级a爱视频在线免费观看| 亚洲 欧美 日韩 在线 免费| 亚洲色图av天堂| 婷婷精品国产亚洲av| 99国产精品一区二区三区| 成人永久免费在线观看视频| 一本大道久久a久久精品| 国产成人精品久久二区二区免费| 久久 成人 亚洲| 夜夜躁狠狠躁天天躁| 成人三级做爰电影| 中出人妻视频一区二区| 99久久国产精品久久久| 在线观看日韩欧美| 又大又爽又粗| 99国产精品一区二区蜜桃av| 精品久久久久久久毛片微露脸| 久久久久久久午夜电影| 一区福利在线观看| 亚洲欧美日韩无卡精品| 91字幕亚洲| 午夜福利高清视频| 久久人人精品亚洲av| 欧美日韩黄片免| 成人国语在线视频| 一本久久中文字幕| 美女国产高潮福利片在线看| 天天添夜夜摸| 午夜福利免费观看在线| 亚洲性夜色夜夜综合| 欧美性猛交╳xxx乱大交人| 俄罗斯特黄特色一大片| 精品国产乱码久久久久久男人| 亚洲性夜色夜夜综合| 性色av乱码一区二区三区2| 大型av网站在线播放| 亚洲精华国产精华精| 黑丝袜美女国产一区| 久久中文字幕人妻熟女| 性色av乱码一区二区三区2| 日韩av在线大香蕉| 国产黄色小视频在线观看| 亚洲精品中文字幕一二三四区| 亚洲七黄色美女视频| 欧美zozozo另类| 男女视频在线观看网站免费 | 欧美黄色片欧美黄色片| 精品国产美女av久久久久小说| 国产精品,欧美在线| 天堂√8在线中文| 国产av不卡久久| 一个人免费在线观看的高清视频| 免费女性裸体啪啪无遮挡网站| 亚洲aⅴ乱码一区二区在线播放 | 国产免费av片在线观看野外av| av欧美777| 午夜免费观看网址| 欧美黑人欧美精品刺激| 精品国产美女av久久久久小说| 深夜精品福利| 久久香蕉国产精品| 嫩草影院精品99| 狠狠狠狠99中文字幕| 99久久无色码亚洲精品果冻| 亚洲av第一区精品v没综合| 欧美日韩乱码在线| 最近最新中文字幕大全免费视频| 久久久久久久精品吃奶| 一级片免费观看大全| 1024视频免费在线观看| 午夜免费激情av| 亚洲一卡2卡3卡4卡5卡精品中文| 好男人在线观看高清免费视频 | 欧美乱色亚洲激情| 美女国产高潮福利片在线看| 亚洲五月色婷婷综合| 国产精品免费视频内射| 中文亚洲av片在线观看爽| 一区二区三区激情视频| 亚洲熟女毛片儿| 一进一出抽搐gif免费好疼| 国产午夜福利久久久久久| 亚洲精品中文字幕在线视频| 国产视频一区二区在线看| www日本在线高清视频| 国产成+人综合+亚洲专区| 中文字幕久久专区| 成人一区二区视频在线观看| 色综合婷婷激情| 黑人操中国人逼视频| 欧美日韩瑟瑟在线播放| 成人国产综合亚洲| 一二三四在线观看免费中文在| 日本成人三级电影网站| 在线国产一区二区在线| 国产伦在线观看视频一区| 黄色a级毛片大全视频| 亚洲中文日韩欧美视频| 搡老熟女国产l中国老女人| 99久久99久久久精品蜜桃| 两性午夜刺激爽爽歪歪视频在线观看 | 岛国在线观看网站| 精品高清国产在线一区| 91九色精品人成在线观看| 亚洲一区二区三区不卡视频| 黄色成人免费大全| 999精品在线视频| 午夜影院日韩av| 丁香欧美五月| 黄片小视频在线播放| 在线天堂中文资源库| 18禁美女被吸乳视频| 男人的好看免费观看在线视频 | 国产精品久久视频播放| 亚洲精品久久国产高清桃花| 18美女黄网站色大片免费观看| 中文字幕人妻熟女乱码| 性欧美人与动物交配| 婷婷丁香在线五月| 久久久久久久久免费视频了| 在线观看舔阴道视频| 亚洲人成网站高清观看| 中文字幕最新亚洲高清| 九色国产91popny在线| 精品高清国产在线一区| 亚洲最大成人中文| 国产精品98久久久久久宅男小说| 亚洲一区二区三区不卡视频| 午夜日韩欧美国产| 怎么达到女性高潮| 国产精品一区二区免费欧美| 久久久久久久久中文| 中文字幕久久专区| 精品国内亚洲2022精品成人| 在线国产一区二区在线| 久热爱精品视频在线9| 国产午夜福利久久久久久| 亚洲 欧美 日韩 在线 免费| 国语自产精品视频在线第100页| av电影中文网址| 午夜精品在线福利| 大型av网站在线播放| 美女高潮到喷水免费观看| 丝袜在线中文字幕| 人人妻,人人澡人人爽秒播| 男女下面进入的视频免费午夜 | 亚洲片人在线观看| 草草在线视频免费看| 国产免费av片在线观看野外av| 免费高清在线观看日韩| 久久久久久久精品吃奶| 麻豆成人午夜福利视频| 中出人妻视频一区二区| 人人澡人人妻人| 免费在线观看视频国产中文字幕亚洲| 熟女电影av网| 欧美日韩精品网址| 亚洲国产高清在线一区二区三 | 在线永久观看黄色视频| www.999成人在线观看| 久久人妻福利社区极品人妻图片| www.www免费av| 成年免费大片在线观看| 国产片内射在线| 欧美日本视频| 亚洲成人免费电影在线观看| 人人妻,人人澡人人爽秒播| 国产免费av片在线观看野外av| 欧美性猛交╳xxx乱大交人| 两个人视频免费观看高清| 欧美日韩一级在线毛片| 成人亚洲精品av一区二区| 中文字幕av电影在线播放| 白带黄色成豆腐渣| 午夜视频精品福利| 男女下面进入的视频免费午夜 | 久久人妻福利社区极品人妻图片| 成年人黄色毛片网站| 老司机午夜福利在线观看视频| 99精品在免费线老司机午夜| 欧美不卡视频在线免费观看 | 久热爱精品视频在线9| 人人妻人人澡欧美一区二区| 美女高潮喷水抽搐中文字幕| 满18在线观看网站| 免费在线观看黄色视频的| 日本三级黄在线观看| 在线观看舔阴道视频| 久久婷婷成人综合色麻豆| 久久99热这里只有精品18| 欧美日韩亚洲综合一区二区三区_| 国产欧美日韩一区二区精品| 国产av一区在线观看免费| 好看av亚洲va欧美ⅴa在| 999久久久精品免费观看国产| 国产精品香港三级国产av潘金莲| 嫩草影院精品99| 亚洲色图 男人天堂 中文字幕| 天堂影院成人在线观看| 欧美绝顶高潮抽搐喷水| 一区二区三区高清视频在线| 国产高清激情床上av| a级毛片a级免费在线| 亚洲色图 男人天堂 中文字幕| 丰满人妻熟妇乱又伦精品不卡| 又黄又粗又硬又大视频| 神马国产精品三级电影在线观看 | 在线观看一区二区三区| 久久久久久大精品| 两性夫妻黄色片| 色尼玛亚洲综合影院| 熟妇人妻久久中文字幕3abv| 悠悠久久av| 男女床上黄色一级片免费看| 91成年电影在线观看| 给我免费播放毛片高清在线观看| 成人亚洲精品av一区二区| 99久久99久久久精品蜜桃| 成人av一区二区三区在线看| 午夜免费观看网址| 两个人视频免费观看高清| 成年免费大片在线观看| 国产1区2区3区精品| 国产视频一区二区在线看| av欧美777| 日日干狠狠操夜夜爽| x7x7x7水蜜桃| 久久人妻av系列| 99久久精品国产亚洲精品| tocl精华| 97超级碰碰碰精品色视频在线观看| 国产片内射在线| 一本综合久久免费| 亚洲 欧美 日韩 在线 免费| 亚洲精品久久成人aⅴ小说| 黄色视频,在线免费观看| 成年人黄色毛片网站| 日本撒尿小便嘘嘘汇集6| 可以免费在线观看a视频的电影网站| 淫妇啪啪啪对白视频| 精品福利观看| 日本五十路高清| videosex国产| 制服丝袜大香蕉在线| 国产麻豆成人av免费视频| 国产在线精品亚洲第一网站| 午夜激情av网站| 国产精品久久久av美女十八| 女性生殖器流出的白浆| 国产成人精品久久二区二区91| 免费在线观看黄色视频的| 欧美中文综合在线视频| 中文字幕精品免费在线观看视频| 欧美+亚洲+日韩+国产| 久久久水蜜桃国产精品网| 成人手机av| 国内久久婷婷六月综合欲色啪| 精品卡一卡二卡四卡免费| 黄色 视频免费看| 美女高潮喷水抽搐中文字幕| 高清毛片免费观看视频网站| 99热这里只有精品一区 | 国产精品国产高清国产av| 女人高潮潮喷娇喘18禁视频| 久久久久久久午夜电影| 一级作爱视频免费观看| 免费观看精品视频网站| 久久精品91蜜桃| 国产91精品成人一区二区三区| 久久天躁狠狠躁夜夜2o2o| 欧美一级毛片孕妇| 美国免费a级毛片| av中文乱码字幕在线| 91成年电影在线观看| 中文字幕精品亚洲无线码一区 | 不卡av一区二区三区| 欧美+亚洲+日韩+国产| 成人三级黄色视频| 久久久国产精品麻豆| 18禁黄网站禁片午夜丰满| 欧美最黄视频在线播放免费| 久久久久久免费高清国产稀缺| 欧美午夜高清在线| 精品熟女少妇八av免费久了| 午夜免费鲁丝| 成人av一区二区三区在线看| 欧美黄色片欧美黄色片| 禁无遮挡网站| 一本精品99久久精品77| 女同久久另类99精品国产91| 国产精品久久久久久精品电影 | 两性午夜刺激爽爽歪歪视频在线观看 | 精品不卡国产一区二区三区| 日韩成人在线观看一区二区三区| 日韩三级视频一区二区三区| 麻豆国产av国片精品| 黄片播放在线免费| 日韩中文字幕欧美一区二区| 国产又爽黄色视频| 日本免费a在线| 女人被狂操c到高潮| 91在线观看av| 大型黄色视频在线免费观看| 亚洲av美国av| 在线观看免费日韩欧美大片| 日韩大尺度精品在线看网址| 亚洲精品中文字幕在线视频| 亚洲精品美女久久av网站| 午夜精品在线福利| 夜夜躁狠狠躁天天躁| 国产成人欧美| 长腿黑丝高跟| 国产真实乱freesex| 久久 成人 亚洲| 亚洲全国av大片| 极品教师在线免费播放| 狂野欧美激情性xxxx| 好看av亚洲va欧美ⅴa在| 久久国产乱子伦精品免费另类| 香蕉丝袜av| 人妻久久中文字幕网| 精品久久久久久久久久免费视频| 日韩中文字幕欧美一区二区| 99热只有精品国产| 男人的好看免费观看在线视频 | 欧美一级a爱片免费观看看 | 亚洲第一青青草原| 非洲黑人性xxxx精品又粗又长| 婷婷精品国产亚洲av| 欧美日韩中文字幕国产精品一区二区三区| 亚洲男人的天堂狠狠| 日本免费一区二区三区高清不卡| 亚洲七黄色美女视频| 免费在线观看日本一区| 午夜福利18| 给我免费播放毛片高清在线观看| 一本大道久久a久久精品| 国产精品,欧美在线| 欧美丝袜亚洲另类 | 亚洲无线在线观看| 午夜福利成人在线免费观看| 亚洲va日本ⅴa欧美va伊人久久| 91字幕亚洲| 黄频高清免费视频| 在线观看日韩欧美| 久久青草综合色| 999久久久国产精品视频| 久久香蕉国产精品| 精品无人区乱码1区二区| 中文字幕久久专区| 此物有八面人人有两片| 亚洲无线在线观看| 国产97色在线日韩免费| 亚洲va日本ⅴa欧美va伊人久久| 亚洲片人在线观看| 嫁个100分男人电影在线观看| 久久午夜综合久久蜜桃| 一区二区三区激情视频| 国产一区二区在线av高清观看| 女警被强在线播放| 欧美 亚洲 国产 日韩一| 久久久久久九九精品二区国产 | 女同久久另类99精品国产91| 宅男免费午夜| 国产av又大| 欧美国产日韩亚洲一区| 熟女电影av网| 久久香蕉国产精品| 亚洲免费av在线视频| 在线十欧美十亚洲十日本专区| 国产精品影院久久| 18禁美女被吸乳视频| 校园春色视频在线观看| av免费在线观看网站| 亚洲第一青青草原| 国产精品久久视频播放| 高清在线国产一区| 欧美成人午夜精品| 18禁国产床啪视频网站| 一级作爱视频免费观看| 中文资源天堂在线| 亚洲第一av免费看| 黄频高清免费视频| 老司机午夜十八禁免费视频| 久久久久国产精品人妻aⅴ院| 在线观看一区二区三区| 黄片大片在线免费观看| 欧美一级a爱片免费观看看 | 国产精品永久免费网站| 久久久久久人人人人人| 十八禁网站免费在线| 中文字幕精品亚洲无线码一区 | 中文在线观看免费www的网站 | 久久国产精品人妻蜜桃| ponron亚洲| 男女之事视频高清在线观看| 国产精品永久免费网站| 久久久久久免费高清国产稀缺| 美女高潮到喷水免费观看| 亚洲欧美激情综合另类| 窝窝影院91人妻| 亚洲av成人不卡在线观看播放网| 亚洲av第一区精品v没综合| 日韩欧美在线二视频| 国产精品综合久久久久久久免费| 99在线人妻在线中文字幕| 十分钟在线观看高清视频www| 国产精品一区二区精品视频观看| 亚洲熟妇熟女久久| 国产麻豆成人av免费视频| 免费一级毛片在线播放高清视频| 欧美av亚洲av综合av国产av| 俺也久久电影网| 最近最新中文字幕大全电影3 | 久久国产乱子伦精品免费另类| av在线天堂中文字幕| 亚洲天堂国产精品一区在线| 97碰自拍视频| 亚洲av熟女| 最近最新中文字幕大全电影3 | 亚洲精品中文字幕在线视频| 亚洲精品美女久久av网站| 首页视频小说图片口味搜索| 一二三四在线观看免费中文在| 国产一区二区在线av高清观看| 亚洲一区高清亚洲精品| 成人18禁在线播放| 国产熟女xx| 国内久久婷婷六月综合欲色啪| 亚洲五月色婷婷综合| 淫秽高清视频在线观看| 国产亚洲欧美精品永久| 每晚都被弄得嗷嗷叫到高潮| 18禁美女被吸乳视频| 欧美一级a爱片免费观看看 | 日本一本二区三区精品| 色在线成人网| 午夜老司机福利片| 丝袜在线中文字幕| 国产精华一区二区三区| 变态另类成人亚洲欧美熟女| 久久亚洲真实| 少妇熟女aⅴ在线视频| 日韩欧美免费精品| 色哟哟哟哟哟哟| 久久久久九九精品影院| 又紧又爽又黄一区二区| 国产成人精品无人区| 欧美 亚洲 国产 日韩一| 叶爱在线成人免费视频播放| 国产亚洲精品一区二区www| 黄色视频,在线免费观看| 亚洲国产欧美网| 亚洲精品国产精品久久久不卡| 50天的宝宝边吃奶边哭怎么回事| 久久精品国产清高在天天线| 正在播放国产对白刺激| 久久婷婷人人爽人人干人人爱| 亚洲男人的天堂狠狠| 国内揄拍国产精品人妻在线 | 黑人巨大精品欧美一区二区mp4| 中亚洲国语对白在线视频| 美女国产高潮福利片在线看| 亚洲国产精品成人综合色| 天天一区二区日本电影三级| 黄频高清免费视频| 一本综合久久免费| 欧美性猛交╳xxx乱大交人| 91九色精品人成在线观看| 国产精品精品国产色婷婷| 人人妻人人看人人澡| 午夜福利免费观看在线| 午夜日韩欧美国产| 嫩草影院精品99| 美国免费a级毛片| 中文字幕另类日韩欧美亚洲嫩草| 国产亚洲精品av在线| 黄色视频,在线免费观看| 中文资源天堂在线| 久久人妻福利社区极品人妻图片| 亚洲午夜理论影院| 亚洲九九香蕉| 韩国av一区二区三区四区| 丝袜美腿诱惑在线| 两性午夜刺激爽爽歪歪视频在线观看 | 免费电影在线观看免费观看| 久久国产精品人妻蜜桃| 日本精品一区二区三区蜜桃| 国内久久婷婷六月综合欲色啪| 丰满的人妻完整版| 伦理电影免费视频| 亚洲av美国av| 50天的宝宝边吃奶边哭怎么回事| 长腿黑丝高跟| 久久国产亚洲av麻豆专区| 国产一区二区三区在线臀色熟女| 91在线观看av| 搡老妇女老女人老熟妇| 日韩精品中文字幕看吧| 日本 欧美在线| 精品不卡国产一区二区三区| 在线观看免费日韩欧美大片| 久久婷婷成人综合色麻豆| 久99久视频精品免费| 18禁观看日本| 国产成人av教育| 女人高潮潮喷娇喘18禁视频| 免费看日本二区| av在线播放免费不卡| 日韩欧美在线二视频| 亚洲成人国产一区在线观看| 精品一区二区三区av网在线观看| 国产一区二区在线av高清观看| 99久久99久久久精品蜜桃| 日本免费a在线| 亚洲色图av天堂| 一区二区三区精品91| 成人av一区二区三区在线看| 非洲黑人性xxxx精品又粗又长| 91成人精品电影| 99热这里只有精品一区 | 欧美另类亚洲清纯唯美| 国产蜜桃级精品一区二区三区| 中文在线观看免费www的网站 | 欧美zozozo另类| 黑人巨大精品欧美一区二区mp4| 精品欧美国产一区二区三| 在线观看www视频免费| 久99久视频精品免费| 最好的美女福利视频网| 国产v大片淫在线免费观看| 两个人免费观看高清视频| 制服人妻中文乱码| 久久精品aⅴ一区二区三区四区| 两个人看的免费小视频| 国产一卡二卡三卡精品| 亚洲精品av麻豆狂野| 成人亚洲精品一区在线观看| 老司机深夜福利视频在线观看| 日韩av在线大香蕉| 在线观看66精品国产| 后天国语完整版免费观看| 国内少妇人妻偷人精品xxx网站 | 女生性感内裤真人,穿戴方法视频| 热re99久久国产66热| 精品国产乱码久久久久久男人| 婷婷精品国产亚洲av| 两性夫妻黄色片| 神马国产精品三级电影在线观看 | 脱女人内裤的视频| 欧美日韩中文字幕国产精品一区二区三区| 亚洲自偷自拍图片 自拍| 中亚洲国语对白在线视频| 欧美亚洲日本最大视频资源| xxxwww97欧美| 男女下面进入的视频免费午夜 | 97碰自拍视频| 久久久久国产一级毛片高清牌| 在线永久观看黄色视频| 精品一区二区三区av网在线观看| 亚洲无线在线观看| 色老头精品视频在线观看| 禁无遮挡网站| 人人妻,人人澡人人爽秒播| 亚洲男人的天堂狠狠| 国产精品二区激情视频| 亚洲中文日韩欧美视频| 性色av乱码一区二区三区2| 精品少妇一区二区三区视频日本电影| 一级作爱视频免费观看| 国产在线观看jvid| 最新美女视频免费是黄的| 淫秽高清视频在线观看| 亚洲av五月六月丁香网| 欧美成狂野欧美在线观看| 2021天堂中文幕一二区在线观 | 国产又色又爽无遮挡免费看| 精品一区二区三区av网在线观看| 99国产综合亚洲精品| 亚洲专区字幕在线| 满18在线观看网站| 亚洲精品在线美女| 亚洲免费av在线视频| 精品国产美女av久久久久小说| 中文字幕av电影在线播放| 两个人视频免费观看高清| 久久久久久免费高清国产稀缺| 欧美色欧美亚洲另类二区| 久久婷婷人人爽人人干人人爱| 中文字幕久久专区| 18禁美女被吸乳视频| 国产午夜福利久久久久久| 成年免费大片在线观看| 久久天堂一区二区三区四区| 国产激情偷乱视频一区二区| 性色av乱码一区二区三区2|