• <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 ?

    基于深度殘差生成對抗網(wǎng)絡(luò)的醫(yī)學(xué)影像超分辨率算法

    2018-10-16 08:23:50秦品樂王麗芳
    計算機應(yīng)用 2018年9期
    關(guān)鍵詞:低分辨率高分辨率醫(yī)學(xué)影像

    高 媛,劉 志,秦品樂,王麗芳

    (中北大學(xué) 大數(shù)據(jù)學(xué)院,太原 030051)

    0 引言

    圖像超分辨率技術(shù)是指從一幅或多幅低分辨率圖像運用技術(shù)手段獲得對應(yīng)的高分辨率圖像,在醫(yī)學(xué)影像[1-2]、面部識別[3]、衛(wèi)星圖像[4]等場景擁有廣泛應(yīng)用。

    目前超分辨率技術(shù)主要有3類[5],即基于插值[6]、重建[7-8]和學(xué)習(xí)[9]的方法?;诓逯档姆椒ㄈ珉p線性內(nèi)插(Bilinear interpolation, Bilinear),最近鄰插值(Nearest-Neighbor interpolation, NN)[5]和雙三次插值法(Bicubic)[10],該類方法計算時以假設(shè)圖像像素的灰度值連續(xù)變化為前提,使用鄰近區(qū)域像素點的灰度值來計算要插入的像素灰度值,卻沒有考慮到圖像的復(fù)雜性。該類算法比較簡單、復(fù)雜度低、適應(yīng)性不強,使得生成的圖像邊緣輪廓比較模糊,視覺上過于平滑,容易產(chǎn)生方塊現(xiàn)象?;谥亟ǖ某直媛始夹g(shù)如迭代反向投影法[11-12]、最大后驗概率方法[13]、凸集投影法[14]。此類方法利用低分辨率圖像作為約束前提,并結(jié)合圖像的先驗知識來重建出高分辨率圖像, 在一定程度上緩解了基于插值方法產(chǎn)生的方塊現(xiàn)象,效果上有較好的改善,但當(dāng)放大倍數(shù)較大或輸入圖像尺寸較小時,能有效利用的先驗知識較少,不足以滿足高分辨率的需求,重建出的效果也較差?;趯W(xué)習(xí)的方法,該類方法通過學(xué)習(xí)高、低分辨率圖像間的關(guān)聯(lián),利用樣本圖像的先驗知識來重建高分辨率圖像,相比其他方法有較大優(yōu)勢。近年來,由于深度學(xué)習(xí)在諸多領(lǐng)域取得的成功,使得基于深度學(xué)習(xí)的超分辨率重建方法成為研究的熱點。2014年,Dong等[15]率先將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像超分辨率領(lǐng)域中,提出使用卷積神經(jīng)網(wǎng)絡(luò)的超分辨率(Super-Resolution using Convolutional Neural Network, SRCNN)算法,該算法通過3層的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)低分辨率到高分辨率的關(guān)聯(lián)關(guān)系,重建出的高分辨率圖像效果相比傳統(tǒng)方法有很大改善,但3層的網(wǎng)絡(luò)層次結(jié)構(gòu)太淺,難以獲得圖像深層次的特征。之后,Dong等[16]又提出了快速的超分辨率卷積神經(jīng)網(wǎng)絡(luò)算法,該算法對SRCNN算法進行了改進,將3層的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)加深到了8層,同時對低分辨率圖像的上采樣用反卷積取代了雙三次插值,取得了比SRCNN更好的效果,但8層網(wǎng)絡(luò)結(jié)構(gòu)依然較淺,重建出的效果有限。Kim等[17]提出基于深度遞歸神經(jīng)網(wǎng)絡(luò) (Deeply-Recursive Convolutional Network for image super-resolution, DRCN)的超分辨率算法,相比SRCNN較小的局部感受野,DRCN算法通過增加局部感受野大小來進一步利用更多的鄰域像素,同時該算法使用遞歸神經(jīng)網(wǎng)絡(luò)減少過多的網(wǎng)絡(luò)參數(shù),取得了較好的效果。Ledig等[18]將深度學(xué)習(xí)中熱門的生成對抗網(wǎng)絡(luò)(Generative Adversarial Network, GAN)應(yīng)用于圖像的超分辨率重建中,提出了基于生成對抗網(wǎng)絡(luò)的超分辨率 (Super-Resolution using a Generative Adversarial Network, SRGAN)算法,該算法將低分辨率圖片樣本輸入到生成器網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí),來生成高分辨率圖片,再用判別器網(wǎng)絡(luò)辨別其輸入的高分辨率圖片是來自原始真實的圖片還是生成的高分辨率圖片,當(dāng)判別器無法辨別出圖片的真?zhèn)螘r,說明生成器網(wǎng)絡(luò)生成出了高質(zhì)量的高分辨率圖片。實驗結(jié)果表明相比其他深度學(xué)習(xí)方法,SRGAN算法生成的圖片效果在視覺上更逼真。

    將低分辨率的醫(yī)學(xué)影像進行超分辨率重建,可有效提升影像清晰度,重建后的高清醫(yī)學(xué)圖像能使醫(yī)生更清楚看到組織結(jié)構(gòu)和病變早期發(fā)現(xiàn)病情,為醫(yī)生對疾病作正確的判斷作輔助診斷,為醫(yī)學(xué)影像的研究、教學(xué)、手術(shù)等提供支持。目前超分辨率重建在自然圖像上研究眾多,在醫(yī)學(xué)影像上的研究還不夠豐富,不同于自然圖像,大多數(shù)醫(yī)學(xué)圖像紋理更復(fù)雜,細節(jié)更豐富,黑白的顏色沒有彩色那般更好的視覺辨識度,所以保留紋理細節(jié)不丟失成為醫(yī)學(xué)超分辨率重建的關(guān)鍵。

    鑒于基于深度學(xué)習(xí)的超分辨率重建方法生成的圖像質(zhì)量高、視覺效果好,本文在最新的SRGAN基礎(chǔ)上,通過使用縮放卷積、去掉批量規(guī)范化層(Batch-Normalization, BN)、增加特征圖數(shù)量、加深網(wǎng)絡(luò)等對SRGAN作出改進,提出了基于深度殘差生成對抗網(wǎng)絡(luò)(Deep Residual Generative Adversarial Network, DR-GAN)的醫(yī)學(xué)影像超分辨率算法,來達到對醫(yī)學(xué)影像放大2倍后仍然保留較多的紋理和細節(jié)特征的目標(biāo)。

    1 相關(guān)理論

    1.1 生成對抗網(wǎng)絡(luò)

    生成對抗網(wǎng)絡(luò)(GAN)由Goodfellow等[19]提出,它啟發(fā)自博弈論中的二人零和博弈。GAN強大的圖片生成能力,使其在圖片合成[20]、圖像修補[21]、超分辨率[18]、草稿圖復(fù)原[22]等方面有直接的應(yīng)用。

    GAN的基本框架包含一個生成器模型(Generative model, G)和一個判別器模型(Discriminative model, D),GAN的過程如圖1所示。

    圖1 GAN的基本框架

    如圖1所示的GAN的基本框架中, 生成器模型用可微函數(shù)G(x)表示,判別器模型用可微函數(shù)D(x)表示,每個函數(shù)都有可調(diào)參數(shù)。GAN過程中有兩個場景:第一個場景中,從真實訓(xùn)練數(shù)據(jù)中采樣x,作為判別器模型D(x) 的輸入,D(x)通過自身的訓(xùn)練學(xué)習(xí),盡可能地輸出接近1的概率值;第二個場景中,從先驗分布中采樣z,經(jīng)生成器模型生成偽造樣本G(z),將其作為判別器模型的輸入,判別器模型的目的盡量使D(G(z))接近0,而生成器模型的目的盡量使它接近1,最終在二者的互相博弈中達到平衡。

    原始的生成對抗網(wǎng)絡(luò)理論中,并不要求生成器和判別器都是神經(jīng)網(wǎng)絡(luò),只需能夠擬合出相應(yīng)的生成和判別的函數(shù)就可以,但是,由于神經(jīng)網(wǎng)絡(luò)在圖像處理方面的較好效果,所以,本文設(shè)計生成器和判別器均為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

    1.2 殘差和快捷連接

    殘差網(wǎng)絡(luò)(Residual Network, ResNet)和快捷連接(Skip Connection)由He等[23]提出,該網(wǎng)絡(luò)結(jié)構(gòu)使得更深的網(wǎng)絡(luò)更容易訓(xùn)練,因而可以通過增加網(wǎng)絡(luò)層數(shù)提高識別準(zhǔn)確率。

    殘差塊的基本結(jié)構(gòu)如圖2所示。

    圖2 殘差學(xué)習(xí):基本殘差塊

    如圖2所示,殘差網(wǎng)絡(luò)在原始的卷積層上增加跳層快捷連接支路Skip Connection構(gòu)成基本殘差塊,使原始要學(xué)習(xí)的H(x)被表示成H(x)=F(x)+x。殘差網(wǎng)絡(luò)的殘差結(jié)構(gòu)使得對H(x)的學(xué)習(xí)轉(zhuǎn)為對F(x)的學(xué)習(xí),而對F(x)的學(xué)習(xí)較H(x)容易。殘差網(wǎng)絡(luò)通過層層累加的殘差塊結(jié)構(gòu),有效緩解了深層網(wǎng)絡(luò)的退化問題,提高了網(wǎng)絡(luò)性能。

    由于殘差網(wǎng)絡(luò)的殘差塊(Residual Block)和快捷連接的結(jié)構(gòu),改善了網(wǎng)絡(luò)深度增加帶來的梯度消失和網(wǎng)絡(luò)退化問題,提升了深度網(wǎng)絡(luò)的性能。鑒于殘差網(wǎng)絡(luò)結(jié)構(gòu)近年來在圖像生成任務(wù)上的優(yōu)異成績,本文將改進算法的生成器部分設(shè)計成基于殘差網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

    2 基于DR-GAN的醫(yī)學(xué)影像超分辨率算法

    2.1 改進思想

    神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、寬度和深度等是影響網(wǎng)絡(luò)性能的重要因素。在網(wǎng)絡(luò)結(jié)構(gòu)方面,本文借鑒文獻[24]提出的縮放卷積思想采用縮放圖片再卷積的上采樣層來盡量削弱棋盤效應(yīng)的出現(xiàn),借鑒文獻[25-26]作超分辨率對原始的ResNet去掉BN層節(jié)約顯存獲得性能提升的做法,本文將SRGAN的標(biāo)準(zhǔn)殘差塊去掉BN層,來建立一種新的殘差塊結(jié)構(gòu),以此簡化殘差塊結(jié)構(gòu)達到優(yōu)化網(wǎng)絡(luò)的目的。在網(wǎng)絡(luò)寬度方面,本文借鑒文獻[25]在有限內(nèi)存時增加特征圖通道數(shù)比加深網(wǎng)絡(luò)更有效的做法,將原始SRGAN的判別器進一步增加特征圖數(shù)量,由于過多的特征圖數(shù)量易使網(wǎng)絡(luò)不穩(wěn)定,所以本文算法通過增加快捷連接使網(wǎng)絡(luò)更穩(wěn)定、更易訓(xùn)練來提升網(wǎng)絡(luò)性能。在網(wǎng)絡(luò)深度方面,受到文獻[27-29]顯示更深網(wǎng)絡(luò)能夠建立高復(fù)雜度映射,極大提高網(wǎng)絡(luò)精確性的啟發(fā),本文算法通過增加網(wǎng)絡(luò)的深度來提高網(wǎng)絡(luò)的性能。由于過深的網(wǎng)絡(luò)難以訓(xùn)練,所以改進方法將生成器部分的殘差塊數(shù)量由原有的16個增加到32個,網(wǎng)絡(luò)深度增加了16層。

    綜上所述,本文提出的DR-GAN改進原有SRGAN主要是通過用縮放卷積的上采樣層(ResizeLayer)替換原始SRGAN的亞像素層,將SRGAN的標(biāo)準(zhǔn)殘差塊去掉BN層,增加原始SRGAN判別器的特征通道數(shù)并添加快捷連接改進原始判別器參數(shù),增加生成器部分的殘差塊數(shù)量來加深網(wǎng)絡(luò)層次。

    2.2 DR-GAN算法的網(wǎng)絡(luò)結(jié)構(gòu)

    由2.1節(jié)所述的改進思想,將改進的措施應(yīng)用到本文的研究,設(shè)計的整個網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示,其中生成器網(wǎng)絡(luò)結(jié)構(gòu)如圖3(a)所示,判別器網(wǎng)絡(luò)結(jié)構(gòu)如圖3(b)所示。

    圖3 DR-GAN網(wǎng)絡(luò)結(jié)構(gòu)

    2.2.1 生成器

    如圖3(a)所示的生成器網(wǎng)絡(luò)參數(shù),改進生成器網(wǎng)絡(luò)的參數(shù)設(shè)置與原始SRGAN略有不同。具體來說,輸入的低分辨率圖片,先進入卷積層進行卷積操作,卷積層參數(shù)設(shè)置為3×3×3×64,即64個3×3 過濾器,3個通道,步長為1,再填補適宜的0用以保持圖片尺寸;借鑒文獻[25]使用整流線性單元(Rectified Linear Unit, ReLU)提升性能的思想,本文使用ReLU替換原始SRGAN的參數(shù)化整流線性單元激活,達到評價指標(biāo)的提升,然后依次進入到32個相同殘差塊網(wǎng)絡(luò)中訓(xùn)練學(xué)習(xí);特別地改進的每個殘差塊都去掉了BN層并使用Skip Connection的方式易于網(wǎng)絡(luò)的訓(xùn)練,從32個殘差塊輸出后接著進入卷積層然后使用Skip Connection,接著上采樣將圖片放大2倍,上采樣操作采用縮放卷積的做法,先用最近鄰插值將圖片放大2倍后再進入卷積層,最后通過卷積操作后輸出高分辨率圖片。

    2.2.2 判別器

    如圖3(b)所示,改進的判別器的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)設(shè)置與原始SRGAN的不同。具體來說,輸入待判別的高分辨率圖片,先經(jīng)過5層的卷積層抽取圖片特征,不同于原始的SRGAN,為了增大局部感受野,采用4×4尺寸的卷積核,并進一步增加特征圖數(shù)量,即像VGGNet[27]那樣,卷積層通道的數(shù)量從第一層的64個開始,每層的通道數(shù)以2倍遞增,直到第5層的1 024個;接著經(jīng)1×1卷積核的卷積層進行降維,然后經(jīng)層層的卷積操作并使用Skip Connection使網(wǎng)絡(luò)順暢訓(xùn)練,再將圖片數(shù)據(jù)的維度壓平(Flatten)再經(jīng)全連接層(Fully Connected layer, FC)后經(jīng)Sigmoid輸出判別的結(jié)果。

    2.3 代價函數(shù)

    代價函數(shù)的選擇是深度學(xué)習(xí)算法設(shè)計中的一個重要部分,由于交叉熵[30]可以用來衡量兩個分布之間的相似程度,均方差的高效性,交叉熵和均方差損失函數(shù)在深度學(xué)習(xí)代價函數(shù)設(shè)計中的廣泛應(yīng)用,所以本文算法選取均方差以及訓(xùn)練數(shù)據(jù)和模型預(yù)測間的交叉熵作為代價函數(shù)。如式(1)~(8):

    LDR-GAN={min(LD),min(LG)}

    (1)

    其中,LDR-GAN表示DR-GAN算法的損失函數(shù),LD為判別損失函數(shù),LG為生成損失函數(shù),網(wǎng)絡(luò)訓(xùn)練的目的為最小化LD和LG。

    LD=Ld1+Ld2

    (2)

    (3)

    (4)

    其中:PLR為網(wǎng)絡(luò)輸入的圖片,PHR為供參照的原始高清圖片,n為小批量樣本(mini-batch)大小,本文n=16。H、W分別為圖片的高度和寬度,D(PHR(i,j))表示真實高分辨率圖片訓(xùn)練數(shù)據(jù)輸入判別器的結(jié)果,G(PLR(i,j))為圖片經(jīng)生成器后的生成結(jié)果,Ld1表示真實高分辨率圖片訓(xùn)練數(shù)據(jù)輸入判別器判斷后的輸出結(jié)果與其真實值(為1)的交叉熵。Ld2表示低分辨率圖片輸入生成器生成的高分辨率圖片再輸入到判別器的判別結(jié)果與其真實值(為0)的交叉熵。

    LG=LMSE+10-3Lg+2×10-6LVGG

    (5)

    (6)

    (7)

    V(PHR(i,j)))2)

    (8)

    其中:V(PHR(i,j))為真實高分辨率圖片輸入到預(yù)先訓(xùn)練好的VGG19[27]網(wǎng)絡(luò)模型的輸出結(jié)果,V(G(PLR(i,j)))為低分辨率圖片用生成器生成的結(jié)果輸入到預(yù)先訓(xùn)練好的VGG19網(wǎng)絡(luò)模型的輸出結(jié)果,LMSE表示PHR與G(PLR(i,j))像素之間的損失,Lg表示低分辨率圖片輸入生成器后的生成結(jié)果再輸入到判別器的判別結(jié)果與真實值(為1)的交叉熵。LVGG表示V(G(PLR(i,j)))與V(PHR(i,j))像素之間的損失。

    2.4 訓(xùn)練過程:

    采用mini-batch的訓(xùn)練方式,因為實驗硬件GPU顯存的限制,mini-batch設(shè)置為16張圖片。訓(xùn)練時,對每個mini-batch的每個真實高分辨率圖片隨機裁剪96×96的子圖片,接著對此高分辨率96×96的子圖片用目前主流做法使用Bicubic下采樣2倍得到降質(zhì)的低分辨率48×48圖像,然后把這個mini-batch的真實高分辨率子圖和對應(yīng)的低分辨率降質(zhì)圖片輸入到判別器和生成器網(wǎng)絡(luò)中進行訓(xùn)練,同時使用Adam優(yōu)化算法在訓(xùn)練過程中促使判別損失和生成損失函數(shù)達到最小來不斷更新網(wǎng)絡(luò)的參數(shù)。初始學(xué)習(xí)率設(shè)置為1×10-4,實驗迭代12 000次,每隔6 000次將學(xué)習(xí)率減小,變?yōu)樵瓉淼?.1倍,以達到訓(xùn)練最優(yōu)的目的。

    算法偽碼實現(xiàn)如下:

    for number of training iterations do

    Sample minibatch of HR train set to randomly cropPHR:512×512 toPHR_sub:96×96

    use Bicubic downsamplePHR_subtoPLR_sub:48×48

    PLR_subinput the Generative Model to generatePfake

    PHR_sub,Pfakeinput the Discriminative Model to discriminate thePfake,Adam Optimizer minimize theLDto update the Discriminative network

    Adam Optimizer minimize theLMSE,Lg,LVGGto update the Generative network

    end for

    3 實驗仿真與結(jié)果分析

    本文實驗使用的是美國國家肺癌中心的數(shù)據(jù)集[31],并從中挑選了清晰度高、紋理豐富、細節(jié)復(fù)雜的304張512×512高質(zhì)量的圖片來訓(xùn)練。

    本實驗環(huán)境包括硬件環(huán)境和軟件環(huán)境。實驗測試所用的硬件設(shè)備是一臺Intel Xeon服務(wù)器,搭載2塊NVIDIA Tesla M40的GPU,每塊顯存12 GB,共24 GB。實驗軟件,平臺是64位Ubuntu 14.04.5 LTS操作系統(tǒng),Tensorflow V1.2,CUDA Toolkit 8.0,Python3.5。

    3.1 實驗與結(jié)果

    為了驗證說明本文算法超分辨率重建圖片的效果,特別選取了常見的具有典型性的3種傳統(tǒng)超分辨率方法和2種具有代表性效果較好的基于深度學(xué)習(xí)的超分辨率方法。3種傳統(tǒng)超分辨率方法是Bilinear、NN和Bicubic,2種基于深度學(xué)習(xí)的超分辨率方法是DRCN和SRGAN。為了公正地對比各算法,各個算法均統(tǒng)一在搭載GPU 為NVIDIA Tesla M40,Tensorflow V1.2的Intel Xeon服務(wù)器實驗環(huán)境下使用Python3.5實現(xiàn)仿真。Bilinear、NN和Bicubic的結(jié)果與迭代的次數(shù)無關(guān),DRCN、SRGAN和DR-GAN均迭代12 000次,初始學(xué)習(xí)率設(shè)置為1×10-4,每隔6 000次將學(xué)習(xí)率減小,變?yōu)樵瓉淼?.1倍。

    為了驗證各超分辨率算法的處理效果,顯示實驗結(jié)果的客觀合理,選取4幅有代表性,肺部氣管、肺泡、胸廓等細節(jié)復(fù)雜,紋理豐富的肺部影像進行對比測試。實驗結(jié)果如圖4所示。

    圖4 各方法超分辨率效果對比

    3.2 評價指標(biāo)

    由于峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)[32]和結(jié)構(gòu)相似性(Structural SIMilarity, SSIM)[33]被廣泛地作為圖像壓縮、修復(fù)后評價圖像質(zhì)量優(yōu)劣的檢測手段,本文也選用PSNR和SSIM作為超分辨率重建算法重建圖像質(zhì)量的參考評價指標(biāo),并將整個數(shù)據(jù)集的PSNR和SSIM數(shù)據(jù)平均化,將整個數(shù)據(jù)集上的平均峰值信噪比(Mean Peak Signal-to-Noise Ratio, MPSNR)和平均結(jié)構(gòu)相似性(Mean Structural Similarity, MSSIM)也納入重建圖像質(zhì)量的參考評價指標(biāo)。

    同時,算法超分辨率重建出高分辨率圖片所耗費的時間也是衡量算法優(yōu)劣的重要因素。為了評價本文算法與其他算法的優(yōu)劣,本文將算法的耗時也作為評價算法的參考指標(biāo)。

    3.2.1 客觀效果

    為了客觀顯示本文算法與其對比的各個算法的效果,對圖4各算法超分辨率重建后的圖片分別與最左側(cè)的原始高清標(biāo)準(zhǔn)圖像(Ground Truth)計算PSNR、SSIM,用同樣的方法計算得到整個數(shù)據(jù)集上的PSNR、SSIM數(shù)據(jù),然后得出整個數(shù)據(jù)集的MPSNR、MSSIM數(shù)據(jù),并記錄各算法的耗時,以實際數(shù)據(jù)值作為評價各算法優(yōu)劣的參考。圖4的PSNR、SSIM和各算法的耗時如表1所示。

    表1 各超分辨率算法評價指標(biāo)值對比

    同時,將整個數(shù)據(jù)集上計算的PSNR、SSIM數(shù)據(jù)平均化,得到各算法在整個數(shù)據(jù)集上的MPSNR、MSSIM和平均耗時如表2所示。

    由表1中圖4第1行的各超分辨率算法實驗數(shù)據(jù)可以看出,Bilinear、NN、Bicubic、DRCN算法重建出圖片的PSNR、SSIM分數(shù)越來越高,DR-GAN和SRGAN的PSNR、SSIM分數(shù)低于DRCN, 但DR-GAN的PSNR、SSIM均略高于原始SRGAN算法。

    同樣,從表1中圖4第2行~第4行的各超分辨率算法實驗數(shù)據(jù)可以看到,Bilinear、DRCN重建出圖片的PSNR、SSIM分數(shù)分別為最低和最高,Bilinear、NN、Bicubic、DRCN的PSNR、SSIM分數(shù)也越來越高,同時DR-GAN的PSNR、SSIM均高于SRGAN。

    從表2中可以看到,Bilinear、NN、Bicubic、DRCN的MPSNR、MSSIM分數(shù)同樣是越來越高的,DR-GAN的MPSNR、MSSIM均高于SRGAN。

    表2 各超分辨率算法MPSNR,MSSIM,耗時結(jié)果對比

    各算法的耗時方面,從表1可看出,基于深度學(xué)習(xí)的DRCN、SRGAN,DR-GAN的耗時高于傳統(tǒng)的Bilinear、NN、Bicubic算法,但是DRCN、SRGAN、DR-GAN的耗時都在1.5 s以內(nèi)。

    同時,由DR-GAN算法訓(xùn)練過程中的生成損失和判別損失的實驗數(shù)據(jù)繪制圖表如圖5所示。

    圖5 DR-GAN算法的損失

    從圖5可以看到,隨著迭代次數(shù)的增加,生成損失整體呈現(xiàn)下降趨勢,曲線后段趨于平緩,另一方面,隨著迭代次數(shù)的增加,判別損失整體呈現(xiàn)緩慢上升趨勢,因此,綜合權(quán)衡生成損失和判別損失,確定本文算法最終迭代次數(shù)為12 000次。

    3.2.2 主觀效果

    從圖4顯示的結(jié)果可以看出,在處理醫(yī)學(xué)影像的超分辨率任務(wù)時,整體來看,基于深度學(xué)習(xí)的DRCN算法、SRGAN算法和DR-GAN算法處理的效果都明顯優(yōu)于傳統(tǒng)的Bilinear、NN、Bicubic算法。主觀來看,DRCN算法、SRGAN算法和DR-GAN算法都得到了較好的超分辨率圖像,但對于上面的某些圖片和某些部位,DR-GAN算法顯示出了更逼真的細節(jié)紋理和圖像銳度。

    具體來說,圖4第1行(肺尖部)中:Bilinear算法得到的圖片整體看起來很模糊;NN算法得到的圖片出現(xiàn)了比較明顯的方塊狀;Bicubic得到的圖片也比較模糊,且在視覺上顯得過于平滑;DRCN在圖像銳度方面有了很大的提升,但相比SRGAN和DR-GAN在復(fù)雜細節(jié)方面的處理仍顯不足;SRGAN在圖像銳度和視覺效果方面都較好,但圖中方框區(qū)域的下半部分出現(xiàn)了棋盤狀效應(yīng);而DR-GAN算法沒有顯現(xiàn)棋盤狀效應(yīng),DR-GAN算法的效果最接近于標(biāo)準(zhǔn)圖像。

    同樣,在圖4第2行~第4行中,也可以看到:Bilinear很模糊,NN有明顯的方塊狀,Bicubic也比較模糊且視覺過于平滑,DRCN提升了圖像銳度但復(fù)雜細節(jié)處理不足,SRGAN相比DR-GAN算法對豐富紋理處理仍顯不夠細膩,DR-GAN算法在視覺上顯示出了更逼真的紋理細節(jié)。

    3.2.3 綜合評價

    雖然PSNR是廣泛使用的評價圖像質(zhì)量的客觀檢測手段,尤其在超分辨率領(lǐng)域,眾多的算法和大型挑戰(zhàn)賽[34]往往以PSNR數(shù)值的高低來評判算法的優(yōu)劣,但PSNR本身有很大的局限性,最近幾年很多的實驗結(jié)果[18,35]和研究[36]都顯示了,PSNR數(shù)據(jù)無法和人類視覺感官看到的完全符合,有些情況,PSNR較低的反而比PSNR較高的視覺上更逼真[18]。

    所以本文采用客觀PSNR,SSIM等評價指標(biāo)和主觀視覺效果的綜合評價方式。

    從表1和表2的實驗數(shù)據(jù)結(jié)果可以看出,DR-GAN算法的PSNR、SSIM、MPSNR、MSSIM均高于原始SRGAN算法。

    雖然DR-GAN算法超分辨率重建圖像的PSNR、SSIM等客觀指標(biāo)低于DRCN,但是從主觀視覺效果上來看,DR-GAN算法重建的圖像紋理要更細膩、更逼真,視覺體驗更好,更接近真實標(biāo)準(zhǔn)圖像。

    在耗時方面,因為傳統(tǒng)插值等方法計算簡單,復(fù)雜度低,耗時短,DR-GAN算法在提高精度的同時犧牲了時間,時間上雖然缺乏明顯優(yōu)勢,但也在可接受的范圍內(nèi)。

    因此,綜合評價來說,本文提出的DR-GAN算法要優(yōu)于SRGAN、DRCN、Bilinear、NN、Bicubic算法。

    4 結(jié)語

    針對2倍醫(yī)學(xué)影像超分辨率,本文提出了基于深度殘差的生成對抗網(wǎng)絡(luò)的醫(yī)學(xué)影像超分辨率算法。該算法由生成器網(wǎng)絡(luò)和判別器網(wǎng)絡(luò)構(gòu)成,其中生成器網(wǎng)絡(luò)由基于改進的32層殘差網(wǎng)絡(luò)和快捷連接組成,判別器由層層卷積層和快捷連接組成。對于肺部醫(yī)學(xué)影像的2倍超分辨率圖像,提出的算法綜合PSNR等客觀指標(biāo)和主觀視覺效果因素要優(yōu)于SRGAN、DRCN、Bilinear、NN、Bicubic算法,充分說明了本文算法的適用性。下一步的研究工作將探尋高效的算法,以便重建出高質(zhì)量的更大放大倍數(shù)的高分辨率圖像。

    猜你喜歡
    低分辨率高分辨率醫(yī)學(xué)影像
    基于全局和局部特征集成的低分辨率人臉識別方法
    紅外熱成像中低分辨率行人小目標(biāo)檢測方法
    基于偏移學(xué)習(xí)的低分辨率人體姿態(tài)估計
    醫(yī)學(xué)影像技術(shù)在醫(yī)學(xué)影像診斷中的合理運用
    《當(dāng)代醫(yī)學(xué)影像誤診學(xué)》出版
    《當(dāng)代醫(yī)學(xué)影像誤診學(xué)》正式出版
    高分辨率合成孔徑雷達圖像解譯系統(tǒng)
    樹木的低分辨率三維模型資源創(chuàng)建實踐
    高分辨率對地觀測系統(tǒng)
    太空探索(2015年8期)2015-07-18 11:04:44
    基于Curvelet-Wavelet變換高分辨率遙感圖像降噪
    热re99久久国产66热| 国产男靠女视频免费网站| a级毛片在线看网站| 99国产精品一区二区三区| 亚洲人成电影观看| 中亚洲国语对白在线视频| 免费观看av网站的网址| 性色av乱码一区二区三区2| 90打野战视频偷拍视频| 亚洲性夜色夜夜综合| 欧美黑人欧美精品刺激| 亚洲精品国产精品久久久不卡| 一区福利在线观看| 免费在线观看完整版高清| 国产又爽黄色视频| 久久亚洲精品不卡| 久久毛片免费看一区二区三区| 国产欧美日韩一区二区三| 国产免费av片在线观看野外av| 天堂动漫精品| 国产精品免费大片| 青草久久国产| 亚洲人成电影观看| 麻豆国产av国片精品| 中文字幕人妻熟女乱码| 99热国产这里只有精品6| 操美女的视频在线观看| 夫妻午夜视频| 久久青草综合色| 精品国产国语对白av| 国产精品免费视频内射| avwww免费| 精品国产乱码久久久久久男人| 国产成人av教育| 国产精品电影一区二区三区 | 一区二区三区乱码不卡18| 亚洲全国av大片| 99在线人妻在线中文字幕 | 正在播放国产对白刺激| 精品一区二区三区视频在线观看免费 | 国产熟女午夜一区二区三区| 国精品久久久久久国模美| 精品国产亚洲在线| 国产午夜精品久久久久久| 免费人妻精品一区二区三区视频| 久久久久久久久免费视频了| 另类精品久久| 大香蕉久久网| 一区二区av电影网| 99国产精品99久久久久| 十八禁高潮呻吟视频| 国产在线免费精品| 操出白浆在线播放| 国产亚洲精品一区二区www | 俄罗斯特黄特色一大片| 久久久久视频综合| 激情在线观看视频在线高清 | 天天操日日干夜夜撸| 最新在线观看一区二区三区| 五月天丁香电影| 国产在线观看jvid| 久久人妻福利社区极品人妻图片| 2018国产大陆天天弄谢| 亚洲欧美日韩另类电影网站| 精品少妇黑人巨大在线播放| 亚洲一卡2卡3卡4卡5卡精品中文| 男男h啪啪无遮挡| 老熟妇仑乱视频hdxx| 亚洲精品美女久久久久99蜜臀| 欧美乱妇无乱码| 欧美久久黑人一区二区| 久久久久久久大尺度免费视频| 亚洲成av片中文字幕在线观看| 欧美日韩成人在线一区二区| 丰满迷人的少妇在线观看| 国产视频一区二区在线看| 在线永久观看黄色视频| 亚洲五月婷婷丁香| av国产精品久久久久影院| 精品国产超薄肉色丝袜足j| 久久中文看片网| 久久久久国内视频| 国产精品一区二区在线不卡| 欧美成人午夜精品| 亚洲精品国产精品久久久不卡| 欧美日韩福利视频一区二区| 欧美乱码精品一区二区三区| 日韩视频在线欧美| 老司机福利观看| 亚洲精品久久午夜乱码| 纯流量卡能插随身wifi吗| 精品少妇黑人巨大在线播放| 极品人妻少妇av视频| 男男h啪啪无遮挡| 丝瓜视频免费看黄片| 视频区欧美日本亚洲| bbb黄色大片| 中文字幕高清在线视频| 日韩欧美国产一区二区入口| 视频区欧美日本亚洲| 99久久国产精品久久久| 王馨瑶露胸无遮挡在线观看| 欧美av亚洲av综合av国产av| 黄色视频不卡| 大香蕉久久网| 欧美成人午夜精品| 精品福利观看| 蜜桃国产av成人99| 久久久国产欧美日韩av| 黄频高清免费视频| 欧美一级毛片孕妇| a级毛片黄视频| 精品人妻在线不人妻| 电影成人av| 国产亚洲午夜精品一区二区久久| 女人被躁到高潮嗷嗷叫费观| 肉色欧美久久久久久久蜜桃| 欧美一级毛片孕妇| 国产精品久久久久久精品电影小说| av在线播放免费不卡| 夜夜爽天天搞| 国产高清videossex| 在线观看66精品国产| 另类亚洲欧美激情| 两性夫妻黄色片| 久久99热这里只频精品6学生| 建设人人有责人人尽责人人享有的| 亚洲,欧美精品.| 日本av免费视频播放| 精品国产乱子伦一区二区三区| 亚洲 国产 在线| 欧美日韩亚洲综合一区二区三区_| 亚洲精品乱久久久久久| 黑人巨大精品欧美一区二区mp4| 国产91精品成人一区二区三区 | 老熟妇乱子伦视频在线观看| 国产欧美亚洲国产| 精品国产一区二区久久| 亚洲一区中文字幕在线| 精品人妻熟女毛片av久久网站| 69精品国产乱码久久久| 精品午夜福利视频在线观看一区 | 久久久欧美国产精品| 亚洲av成人不卡在线观看播放网| 国产高清激情床上av| 成年人免费黄色播放视频| 亚洲七黄色美女视频| 最黄视频免费看| 久久久精品94久久精品| 久久精品国产综合久久久| 超碰97精品在线观看| 欧美黑人精品巨大| 一个人免费在线观看的高清视频| 久久久久国内视频| 大码成人一级视频| 一本大道久久a久久精品| 精品视频人人做人人爽| 女警被强在线播放| 亚洲自偷自拍图片 自拍| 午夜福利乱码中文字幕| 欧美人与性动交α欧美精品济南到| 男男h啪啪无遮挡| 免费黄频网站在线观看国产| tocl精华| 免费在线观看视频国产中文字幕亚洲| 亚洲专区中文字幕在线| 十八禁网站免费在线| av网站免费在线观看视频| 69精品国产乱码久久久| 国产精品电影一区二区三区 | 国产亚洲一区二区精品| h视频一区二区三区| 人人妻人人澡人人爽人人夜夜| 老鸭窝网址在线观看| 久久午夜亚洲精品久久| 美女扒开内裤让男人捅视频| 香蕉久久夜色| 飞空精品影院首页| 日韩熟女老妇一区二区性免费视频| 免费看十八禁软件| 亚洲精品国产一区二区精华液| 欧美日韩国产mv在线观看视频| 侵犯人妻中文字幕一二三四区| tube8黄色片| 国产三级黄色录像| a级毛片在线看网站| 国产黄频视频在线观看| 日韩免费av在线播放| 国产深夜福利视频在线观看| 岛国毛片在线播放| 91国产中文字幕| 黑人猛操日本美女一级片| 久久久久网色| 国产一区二区三区在线臀色熟女 | 中亚洲国语对白在线视频| 日日爽夜夜爽网站| 午夜福利一区二区在线看| av福利片在线| 亚洲欧美激情在线| 性色av乱码一区二区三区2| 两个人看的免费小视频| 在线观看免费视频网站a站| 一区在线观看完整版| 欧美精品啪啪一区二区三区| 大香蕉久久网| 丰满人妻熟妇乱又伦精品不卡| 久久人人97超碰香蕉20202| 男女下面插进去视频免费观看| 国产成人av激情在线播放| 少妇精品久久久久久久| 三级毛片av免费| 亚洲专区国产一区二区| 日本a在线网址| 人人妻人人添人人爽欧美一区卜| 精品人妻在线不人妻| 无人区码免费观看不卡 | 满18在线观看网站| 国精品久久久久久国模美| 精品视频人人做人人爽| 最新在线观看一区二区三区| 999久久久国产精品视频| 男女下面插进去视频免费观看| 一级毛片女人18水好多| 午夜福利乱码中文字幕| 18禁裸乳无遮挡动漫免费视频| 亚洲精品在线美女| 久久精品91无色码中文字幕| 高清欧美精品videossex| 99re6热这里在线精品视频| 老司机午夜福利在线观看视频 | 这个男人来自地球电影免费观看| 精品久久久精品久久久| 欧美精品高潮呻吟av久久| 黄频高清免费视频| av福利片在线| 久久久久久久久免费视频了| 水蜜桃什么品种好| 国产淫语在线视频| 母亲3免费完整高清在线观看| 国产亚洲欧美精品永久| 亚洲一区中文字幕在线| 久热这里只有精品99| 中国美女看黄片| 91大片在线观看| 在线观看舔阴道视频| 国产一区二区三区视频了| 19禁男女啪啪无遮挡网站| 久9热在线精品视频| 午夜久久久在线观看| 国精品久久久久久国模美| 国产在线观看jvid| 一边摸一边抽搐一进一小说 | 欧美日韩亚洲高清精品| 丝袜人妻中文字幕| 岛国在线观看网站| 中文字幕另类日韩欧美亚洲嫩草| 国产成人精品久久二区二区免费| 久久天堂一区二区三区四区| 国产精品久久电影中文字幕 | 久热这里只有精品99| 日本撒尿小便嘘嘘汇集6| 黄色成人免费大全| 久久精品国产亚洲av高清一级| 亚洲 欧美一区二区三区| 精品人妻在线不人妻| 国产成人免费观看mmmm| 精品国产超薄肉色丝袜足j| 国产成人精品无人区| 午夜福利视频精品| 午夜福利,免费看| 熟女少妇亚洲综合色aaa.| 人人妻,人人澡人人爽秒播| 国产精品成人在线| 日韩免费高清中文字幕av| 精品一区二区三区视频在线观看免费 | 国产福利在线免费观看视频| www.精华液| 麻豆乱淫一区二区| 亚洲成av片中文字幕在线观看| 最黄视频免费看| 欧美乱码精品一区二区三区| 国产精品香港三级国产av潘金莲| 99riav亚洲国产免费| 国产精品电影一区二区三区 | 亚洲精品久久成人aⅴ小说| 大香蕉久久成人网| 久久国产亚洲av麻豆专区| 国产精品影院久久| 18禁黄网站禁片午夜丰满| 一区二区三区激情视频| 亚洲人成电影观看| 国产精品亚洲一级av第二区| 一级片免费观看大全| 老司机深夜福利视频在线观看| 五月开心婷婷网| 黄片播放在线免费| 欧美老熟妇乱子伦牲交| 国产精品一区二区在线不卡| 亚洲视频免费观看视频| 在线播放国产精品三级| 久热这里只有精品99| 中文字幕色久视频| 亚洲美女黄片视频| 亚洲国产av新网站| 久久人人97超碰香蕉20202| 欧美成狂野欧美在线观看| 曰老女人黄片| 男女下面插进去视频免费观看| 香蕉久久夜色| 成人亚洲精品一区在线观看| 一区二区三区国产精品乱码| av有码第一页| 91精品国产国语对白视频| 18禁国产床啪视频网站| 制服人妻中文乱码| 久久亚洲精品不卡| 午夜成年电影在线免费观看| 国产主播在线观看一区二区| 国产成人啪精品午夜网站| 无遮挡黄片免费观看| 一进一出抽搐动态| 日韩制服丝袜自拍偷拍| 人人妻人人澡人人看| 999久久久精品免费观看国产| 色精品久久人妻99蜜桃| 久久国产精品影院| 久久久久久久精品吃奶| 国产成+人综合+亚洲专区| 亚洲人成77777在线视频| 日日爽夜夜爽网站| 一二三四社区在线视频社区8| 高清在线国产一区| 亚洲精品久久成人aⅴ小说| 亚洲第一欧美日韩一区二区三区 | 波多野结衣一区麻豆| 麻豆成人av在线观看| 亚洲一码二码三码区别大吗| 咕卡用的链子| 国产欧美日韩一区二区三| 国产亚洲精品久久久久5区| 精品视频人人做人人爽| 91国产中文字幕| 一区二区三区国产精品乱码| 人人妻,人人澡人人爽秒播| 久久久久久久精品吃奶| 亚洲色图综合在线观看| 久久精品国产a三级三级三级| 久久亚洲真实| 国产成人免费无遮挡视频| 久久狼人影院| 国产精品美女特级片免费视频播放器 | 人成视频在线观看免费观看| 脱女人内裤的视频| 国产xxxxx性猛交| 国产麻豆69| 狠狠精品人妻久久久久久综合| 亚洲色图 男人天堂 中文字幕| 动漫黄色视频在线观看| 国产欧美日韩一区二区精品| 悠悠久久av| 高清毛片免费观看视频网站 | 亚洲少妇的诱惑av| 国产精品亚洲av一区麻豆| 国产亚洲精品第一综合不卡| 成人国产av品久久久| 美女主播在线视频| 亚洲 国产 在线| 人人妻人人澡人人看| 男人舔女人的私密视频| 99热网站在线观看| 欧美精品高潮呻吟av久久| 中文字幕人妻熟女乱码| 午夜精品国产一区二区电影| 日韩一卡2卡3卡4卡2021年| 伊人久久大香线蕉亚洲五| 亚洲人成电影免费在线| 久久久久久久国产电影| 精品国产一区二区久久| 色在线成人网| 精品欧美一区二区三区在线| 一区二区日韩欧美中文字幕| 国产精品 欧美亚洲| 97在线人人人人妻| 1024视频免费在线观看| 色播在线永久视频| 美女午夜性视频免费| 青草久久国产| 757午夜福利合集在线观看| 亚洲中文av在线| 少妇猛男粗大的猛烈进出视频| 欧美激情极品国产一区二区三区| 美女福利国产在线| 天天添夜夜摸| 中文字幕精品免费在线观看视频| 男女之事视频高清在线观看| 在线十欧美十亚洲十日本专区| 亚洲av第一区精品v没综合| 免费日韩欧美在线观看| 国产成人精品无人区| 国产老妇伦熟女老妇高清| 亚洲黑人精品在线| 国产精品99久久99久久久不卡| 一级,二级,三级黄色视频| 欧美精品啪啪一区二区三区| 欧美精品人与动牲交sv欧美| 亚洲三区欧美一区| 欧美日韩视频精品一区| 久久久久久人人人人人| bbb黄色大片| 丝瓜视频免费看黄片| 亚洲国产av影院在线观看| 韩国精品一区二区三区| 狂野欧美激情性xxxx| 一个人免费看片子| 欧美另类亚洲清纯唯美| 一进一出好大好爽视频| 女人精品久久久久毛片| 婷婷成人精品国产| 国产午夜精品久久久久久| 午夜成年电影在线免费观看| 午夜免费成人在线视频| 三级毛片av免费| 亚洲国产欧美日韩在线播放| 一边摸一边抽搐一进一小说 | 黑人操中国人逼视频| 欧美黑人精品巨大| bbb黄色大片| 精品国产亚洲在线| 电影成人av| 亚洲自偷自拍图片 自拍| 久久精品人人爽人人爽视色| 搡老乐熟女国产| 丝袜喷水一区| 99久久国产精品久久久| 激情视频va一区二区三区| 国产有黄有色有爽视频| 国产精品一区二区免费欧美| 美女午夜性视频免费| 夜夜夜夜夜久久久久| 999久久久国产精品视频| 桃红色精品国产亚洲av| 日日夜夜操网爽| 一本综合久久免费| 亚洲成av片中文字幕在线观看| 可以免费在线观看a视频的电影网站| 国产高清视频在线播放一区| 高清毛片免费观看视频网站 | 美女高潮喷水抽搐中文字幕| 国产亚洲午夜精品一区二区久久| 国产野战对白在线观看| 无人区码免费观看不卡 | 后天国语完整版免费观看| 777久久人妻少妇嫩草av网站| 中文字幕人妻丝袜制服| 国产免费视频播放在线视频| 欧美精品一区二区免费开放| 国产一区二区三区视频了| 欧美日韩福利视频一区二区| 免费黄频网站在线观看国产| 久久久久精品国产欧美久久久| 精品少妇黑人巨大在线播放| 美国免费a级毛片| 国产亚洲精品久久久久5区| 国产精品一区二区精品视频观看| 后天国语完整版免费观看| av天堂在线播放| 2018国产大陆天天弄谢| 91精品三级在线观看| 午夜91福利影院| 亚洲av欧美aⅴ国产| 亚洲精品在线美女| 两人在一起打扑克的视频| 少妇精品久久久久久久| 欧美大码av| 午夜福利乱码中文字幕| 午夜激情久久久久久久| 啦啦啦免费观看视频1| av天堂久久9| 19禁男女啪啪无遮挡网站| 一区二区三区国产精品乱码| 交换朋友夫妻互换小说| 少妇粗大呻吟视频| 91麻豆av在线| 精品少妇黑人巨大在线播放| 我要看黄色一级片免费的| 18在线观看网站| 999久久久国产精品视频| 大码成人一级视频| 男女床上黄色一级片免费看| 成人永久免费在线观看视频 | 少妇粗大呻吟视频| 中文字幕色久视频| 一本一本久久a久久精品综合妖精| 丝袜美足系列| 国产精品久久久久久人妻精品电影 | 精品国产一区二区三区久久久樱花| 精品福利观看| 免费在线观看黄色视频的| 久久国产精品男人的天堂亚洲| 黑人欧美特级aaaaaa片| 香蕉丝袜av| 麻豆乱淫一区二区| 操美女的视频在线观看| 1024香蕉在线观看| 国产成人精品久久二区二区免费| 国产精品 国内视频| 在线亚洲精品国产二区图片欧美| 久久精品国产99精品国产亚洲性色 | 亚洲国产欧美一区二区综合| 飞空精品影院首页| 精品欧美一区二区三区在线| www.999成人在线观看| 无限看片的www在线观看| 超色免费av| 国产深夜福利视频在线观看| 色尼玛亚洲综合影院| 国产精品.久久久| 老熟妇乱子伦视频在线观看| 精品国产乱码久久久久久小说| 天天影视国产精品| 脱女人内裤的视频| 大型av网站在线播放| 国产一区二区三区视频了| 一本色道久久久久久精品综合| a级片在线免费高清观看视频| 亚洲av成人一区二区三| 久久久久国内视频| 国产日韩欧美亚洲二区| 久久久精品94久久精品| 国产三级黄色录像| 九色亚洲精品在线播放| 国产国语露脸激情在线看| 久久狼人影院| 真人做人爱边吃奶动态| 亚洲精华国产精华精| 日韩免费av在线播放| 亚洲avbb在线观看| 日韩熟女老妇一区二区性免费视频| 美女国产高潮福利片在线看| 国产精品美女特级片免费视频播放器 | 午夜两性在线视频| 夜夜夜夜夜久久久久| 久久中文看片网| 成人永久免费在线观看视频 | 韩国精品一区二区三区| 国产精品 欧美亚洲| 91成年电影在线观看| 亚洲五月色婷婷综合| 国产精品秋霞免费鲁丝片| 日韩欧美一区视频在线观看| 真人做人爱边吃奶动态| 中国美女看黄片| 极品少妇高潮喷水抽搐| 亚洲精品国产色婷婷电影| 国产av精品麻豆| 国产亚洲一区二区精品| 欧美一级毛片孕妇| 国产在线免费精品| 一二三四在线观看免费中文在| 无人区码免费观看不卡 | av网站在线播放免费| 欧美变态另类bdsm刘玥| 国产麻豆69| 久久人人爽av亚洲精品天堂| 国产精品免费一区二区三区在线 | 人成视频在线观看免费观看| 国产精品免费视频内射| a在线观看视频网站| 黄色 视频免费看| bbb黄色大片| 国产精品久久久av美女十八| 多毛熟女@视频| 午夜福利一区二区在线看| 少妇的丰满在线观看| av天堂在线播放| 高清av免费在线| 久久中文看片网| 国产99久久九九免费精品| 亚洲人成77777在线视频| 午夜91福利影院| 大香蕉久久网| xxxhd国产人妻xxx| 亚洲av电影在线进入| 精品少妇内射三级| 岛国毛片在线播放| 国产99久久九九免费精品| 国产精品av久久久久免费| 手机成人av网站| 91国产中文字幕| av天堂在线播放| 人人澡人人妻人| 欧美精品一区二区大全| av天堂在线播放| 午夜免费鲁丝| av超薄肉色丝袜交足视频| 涩涩av久久男人的天堂| 黄片播放在线免费| 国产精品久久久久久人妻精品电影 | a级毛片在线看网站| 国产野战对白在线观看| 99精品在免费线老司机午夜| 啪啪无遮挡十八禁网站| 新久久久久国产一级毛片| 天堂8中文在线网| 69av精品久久久久久 | 亚洲欧洲日产国产| 精品久久久久久久毛片微露脸| 热re99久久精品国产66热6| 国产激情久久老熟女| 99国产综合亚洲精品| 国产一区二区三区视频了| 免费av中文字幕在线| 中文字幕另类日韩欧美亚洲嫩草| 日韩免费av在线播放| 丰满迷人的少妇在线观看|