• <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
    亚洲成人中文字幕在线播放| 日韩强制内射视频| 婷婷色综合www| 国产伦精品一区二区三区视频9| 亚洲人成网站在线观看播放| 久久草成人影院| 国产麻豆成人av免费视频| 一本一本综合久久| 老司机影院成人| videossex国产| 卡戴珊不雅视频在线播放| 免费大片18禁| 久久久精品欧美日韩精品| 高清av免费在线| 麻豆国产97在线/欧美| or卡值多少钱| 亚洲熟女精品中文字幕| 久久精品久久精品一区二区三区| 国产高潮美女av| 亚洲在线观看片| 青春草视频在线免费观看| 精品久久久噜噜| 夜夜爽夜夜爽视频| 免费黄频网站在线观看国产| 内地一区二区视频在线| 特大巨黑吊av在线直播| 午夜福利成人在线免费观看| 干丝袜人妻中文字幕| 成人二区视频| 精品久久久久久久久久久久久| 久久久久久久大尺度免费视频| 午夜视频国产福利| 婷婷色麻豆天堂久久| 国产成人福利小说| 亚洲精品国产av成人精品| 高清毛片免费看| 亚洲欧美日韩东京热| 91午夜精品亚洲一区二区三区| 亚洲精品成人久久久久久| 亚洲真实伦在线观看| 久久久精品欧美日韩精品| 欧美成人一区二区免费高清观看| 18禁裸乳无遮挡免费网站照片| 亚洲婷婷狠狠爱综合网| 精品久久久久久久末码| 精品一区二区三区视频在线| 国产美女午夜福利| 精品99又大又爽又粗少妇毛片| 大又大粗又爽又黄少妇毛片口| 午夜免费男女啪啪视频观看| 日本免费在线观看一区| 亚洲最大成人中文| 青春草视频在线免费观看| 乱码一卡2卡4卡精品| 午夜精品一区二区三区免费看| 国产在线男女| 欧美日本视频| 看免费成人av毛片| 亚洲av成人精品一二三区| 国产黄片视频在线免费观看| 久久草成人影院| 内射极品少妇av片p| 只有这里有精品99| 欧美zozozo另类| 亚洲精品456在线播放app| 亚洲无线观看免费| 婷婷色综合大香蕉| 精品久久久久久久末码| 天堂网av新在线| 欧美三级亚洲精品| 国产亚洲午夜精品一区二区久久 | 最近中文字幕高清免费大全6| 婷婷色av中文字幕| 少妇高潮的动态图| 少妇丰满av| 国产国拍精品亚洲av在线观看| 成人午夜精彩视频在线观看| 直男gayav资源| 国产乱人偷精品视频| 91精品一卡2卡3卡4卡| 国产一级毛片七仙女欲春2| 亚洲激情五月婷婷啪啪| 欧美三级亚洲精品| 免费看a级黄色片| 久久精品久久久久久噜噜老黄| av国产免费在线观看| 97超视频在线观看视频| 日本免费在线观看一区| 水蜜桃什么品种好| 少妇裸体淫交视频免费看高清| 高清av免费在线| 青春草亚洲视频在线观看| 精品久久久久久久久亚洲| 超碰97精品在线观看| 成年免费大片在线观看| 网址你懂的国产日韩在线| 最新中文字幕久久久久| 禁无遮挡网站| a级一级毛片免费在线观看| 国产爱豆传媒在线观看| 18禁在线播放成人免费| 啦啦啦啦在线视频资源| 国产黄片美女视频| 亚洲18禁久久av| 插阴视频在线观看视频| 麻豆av噜噜一区二区三区| 69人妻影院| 午夜免费观看性视频| 建设人人有责人人尽责人人享有的 | 搡女人真爽免费视频火全软件| 国产高清有码在线观看视频| 女的被弄到高潮叫床怎么办| 欧美日韩综合久久久久久| 免费电影在线观看免费观看| 99久国产av精品国产电影| 成人美女网站在线观看视频| 中文天堂在线官网| av在线播放精品| 亚洲人成网站在线播| 国产高清不卡午夜福利| 麻豆国产97在线/欧美| 秋霞在线观看毛片| 伦理电影大哥的女人| 国产伦精品一区二区三区视频9| 能在线免费看毛片的网站| 国产成人精品一,二区| 午夜福利网站1000一区二区三区| av一本久久久久| 女人被狂操c到高潮| 成人高潮视频无遮挡免费网站| 免费观看a级毛片全部| 欧美zozozo另类| 天堂影院成人在线观看| 日韩精品青青久久久久久| 视频中文字幕在线观看| 老师上课跳d突然被开到最大视频| 天堂中文最新版在线下载 | 偷拍熟女少妇极品色| 国产v大片淫在线免费观看| 波野结衣二区三区在线| 色哟哟·www| 麻豆精品久久久久久蜜桃| 特级一级黄色大片| 色吧在线观看| 久久精品国产亚洲网站| 国产精品1区2区在线观看.| 亚州av有码| 熟女人妻精品中文字幕| 国产欧美日韩精品一区二区| 肉色欧美久久久久久久蜜桃 | 国产精品一区www在线观看| 欧美高清成人免费视频www| 精品久久久久久久久亚洲| 午夜老司机福利剧场| 中文字幕久久专区| 看非洲黑人一级黄片| 性色avwww在线观看| 99久久精品一区二区三区| 精品人妻视频免费看| 一区二区三区免费毛片| 国产精品人妻久久久久久| 26uuu在线亚洲综合色| 一本久久精品| 国产伦在线观看视频一区| 久久精品夜夜夜夜夜久久蜜豆| 99久国产av精品国产电影| 亚洲欧美成人精品一区二区| 日本wwww免费看| 成年人午夜在线观看视频 | 一级毛片电影观看| 亚洲av在线观看美女高潮| 亚洲欧美一区二区三区黑人 | 一级毛片黄色毛片免费观看视频| 久久久久久国产a免费观看| 干丝袜人妻中文字幕| 欧美日韩综合久久久久久| 国国产精品蜜臀av免费| 亚洲图色成人| 免费高清在线观看视频在线观看| 国产精品久久久久久av不卡| 久久这里有精品视频免费| 91aial.com中文字幕在线观看| 精品久久久精品久久久| 国产成人一区二区在线| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 人妻系列 视频| 国产白丝娇喘喷水9色精品| 黑人高潮一二区| 亚洲精品第二区| 色综合色国产| 听说在线观看完整版免费高清| 别揉我奶头 嗯啊视频| 午夜福利网站1000一区二区三区| 成人午夜高清在线视频| 久久久久久久久中文| 又大又黄又爽视频免费| 亚洲国产色片| 波野结衣二区三区在线| 免费大片18禁| a级一级毛片免费在线观看| 久久精品国产自在天天线| 亚洲国产精品成人久久小说| 白带黄色成豆腐渣| 久久久精品欧美日韩精品| 精品久久久久久久久久久久久| 亚洲精品自拍成人| 亚洲综合精品二区| 色综合色国产| 青青草视频在线视频观看| 又爽又黄a免费视频| 日韩av在线免费看完整版不卡| 国精品久久久久久国模美| 国产探花在线观看一区二区| 国产不卡一卡二| 成年人午夜在线观看视频 | 欧美性感艳星| 高清在线视频一区二区三区| 插逼视频在线观看| 国产成人福利小说| 午夜久久久久精精品| 日韩av不卡免费在线播放| 69av精品久久久久久| 蜜桃久久精品国产亚洲av| 国产毛片a区久久久久| 国产精品福利在线免费观看| 亚洲成人av在线免费| 不卡视频在线观看欧美| 两个人的视频大全免费| 亚洲av福利一区| 大香蕉97超碰在线| 又黄又爽又刺激的免费视频.| 成人毛片a级毛片在线播放| xxx大片免费视频| 午夜精品在线福利| 内地一区二区视频在线| 搞女人的毛片| 国产极品天堂在线| 亚洲自偷自拍三级| 只有这里有精品99| 黄色欧美视频在线观看| 大香蕉久久网| 国产亚洲5aaaaa淫片| 国产成人福利小说| 国产成人aa在线观看| 成人一区二区视频在线观看| 国产免费一级a男人的天堂| 国产成人精品婷婷| 亚洲欧美中文字幕日韩二区| 亚洲丝袜综合中文字幕| 久久精品人妻少妇| 青春草亚洲视频在线观看| 国产单亲对白刺激| 国产毛片a区久久久久| 婷婷六月久久综合丁香| 亚洲精品国产av成人精品| 欧美潮喷喷水| 午夜日本视频在线| 国产综合精华液| 亚洲av不卡在线观看| 97超碰精品成人国产| 久久草成人影院| 久久久a久久爽久久v久久| 成年女人看的毛片在线观看| 国产亚洲最大av| 免费黄色在线免费观看| 赤兔流量卡办理| 亚洲国产精品sss在线观看| 一区二区三区免费毛片| 天堂网av新在线| 免费高清在线观看视频在线观看| 免费观看性生交大片5| 欧美成人精品欧美一级黄| 午夜免费观看性视频| 国内精品美女久久久久久| 久久精品夜夜夜夜夜久久蜜豆| 亚洲国产精品成人综合色| av黄色大香蕉| 天堂中文最新版在线下载 | 精品酒店卫生间| 免费av毛片视频| 精品久久久久久久末码| 国产一区有黄有色的免费视频 | 男女国产视频网站| 一级av片app| 一个人看的www免费观看视频| 亚洲av免费在线观看| 99热这里只有是精品在线观看| 精品国产露脸久久av麻豆 | 亚洲精品456在线播放app| 熟女电影av网| 成人无遮挡网站| 亚洲最大成人中文| 一夜夜www| 美女被艹到高潮喷水动态| 99久久精品热视频| 蜜桃亚洲精品一区二区三区| 自拍偷自拍亚洲精品老妇| 在线 av 中文字幕| 免费观看av网站的网址| 久久久久九九精品影院| 色综合色国产| 亚洲国产精品成人综合色| 麻豆成人av视频| 久久久久久久午夜电影| 欧美潮喷喷水| 有码 亚洲区| 又黄又爽又刺激的免费视频.| 亚洲欧美成人综合另类久久久| 三级国产精品片| 22中文网久久字幕| 亚洲成人久久爱视频| 一级毛片黄色毛片免费观看视频| 成人无遮挡网站| 色综合色国产| 在线观看免费高清a一片| 尾随美女入室| 久久久精品欧美日韩精品| 欧美潮喷喷水| 亚洲国产欧美人成| 99久久精品一区二区三区| 菩萨蛮人人尽说江南好唐韦庄| 日本欧美国产在线视频| 高清av免费在线| 亚洲精品影视一区二区三区av| 最近的中文字幕免费完整| 亚洲人成网站在线观看播放| 91av网一区二区| 免费看美女性在线毛片视频| 在线免费十八禁| 午夜福利成人在线免费观看| .国产精品久久| 一级毛片 在线播放| 一夜夜www| 欧美丝袜亚洲另类| 亚洲天堂国产精品一区在线| 午夜免费观看性视频| 亚洲乱码一区二区免费版| 日日干狠狠操夜夜爽| videos熟女内射| 在线观看av片永久免费下载| 日本av手机在线免费观看| 日日啪夜夜爽| 久久久亚洲精品成人影院| 国产黄片视频在线免费观看| 久久精品国产鲁丝片午夜精品| 午夜福利在线观看免费完整高清在| 麻豆国产97在线/欧美| 嘟嘟电影网在线观看| 日本免费在线观看一区| 激情 狠狠 欧美| 亚洲天堂国产精品一区在线| 亚洲真实伦在线观看| 国模一区二区三区四区视频| 小蜜桃在线观看免费完整版高清| 欧美日韩精品成人综合77777| 一本久久精品| 99热这里只有是精品50| 你懂的网址亚洲精品在线观看| 国产一区二区亚洲精品在线观看| 国产精品一二三区在线看| 一个人观看的视频www高清免费观看| 亚洲天堂国产精品一区在线| 汤姆久久久久久久影院中文字幕 | 久久久久性生活片| 九九在线视频观看精品| 国产精品精品国产色婷婷| 天堂影院成人在线观看| 日日啪夜夜撸| 春色校园在线视频观看| 免费看光身美女| 床上黄色一级片| 内地一区二区视频在线| 亚洲精品乱码久久久久久按摩| 国精品久久久久久国模美| 国产探花在线观看一区二区| 久久热精品热| 久久精品久久精品一区二区三区| 天堂影院成人在线观看| 久久精品久久久久久噜噜老黄| 午夜福利视频1000在线观看| 亚洲性久久影院| 久久久精品94久久精品| 亚洲精品国产av蜜桃| 成人毛片a级毛片在线播放| 精品久久久精品久久久| 免费大片黄手机在线观看| 久久久精品94久久精品| 久久人人爽人人片av| 日本免费在线观看一区| 2018国产大陆天天弄谢| 中文字幕制服av| 成人毛片a级毛片在线播放| 性色avwww在线观看| kizo精华| 爱豆传媒免费全集在线观看| 亚洲精品成人av观看孕妇| 亚洲第一区二区三区不卡| 91久久精品国产一区二区三区| 亚洲一区高清亚洲精品| 永久网站在线| 黑人高潮一二区| 黄片无遮挡物在线观看| 少妇裸体淫交视频免费看高清| 亚洲va在线va天堂va国产| 国模一区二区三区四区视频| 国产欧美日韩精品一区二区| 少妇丰满av| 青春草国产在线视频| 日韩人妻高清精品专区| 国产在视频线精品| 尤物成人国产欧美一区二区三区| 日韩av不卡免费在线播放| 日本欧美国产在线视频| 国产精品.久久久| 国产成人免费观看mmmm| 亚洲成人精品中文字幕电影| 色播亚洲综合网| 国产免费又黄又爽又色| 亚洲熟女精品中文字幕| 日韩 亚洲 欧美在线| 熟女电影av网| 在线观看免费高清a一片| 尾随美女入室| 亚洲一级一片aⅴ在线观看| 国产精品蜜桃在线观看| 亚洲精品日韩av片在线观看| 蜜桃久久精品国产亚洲av| 成人国产麻豆网| 嘟嘟电影网在线观看| 久久精品人妻少妇| 日日干狠狠操夜夜爽| 亚洲在线观看片| ponron亚洲| 亚洲国产最新在线播放| 国产亚洲精品av在线| 亚洲综合色惰| 国产v大片淫在线免费观看| 亚洲电影在线观看av| 18禁在线播放成人免费| 久久精品国产鲁丝片午夜精品| 美女大奶头视频| 最近2019中文字幕mv第一页| 日本免费在线观看一区| 卡戴珊不雅视频在线播放| 亚洲,欧美,日韩| 久久久久久久午夜电影| 国产淫语在线视频| 一级毛片久久久久久久久女| .国产精品久久| 亚洲av免费高清在线观看| 国产爱豆传媒在线观看| 91精品国产九色| 草草在线视频免费看| 国产 一区 欧美 日韩| 我的女老师完整版在线观看| 夜夜爽夜夜爽视频| 免费看美女性在线毛片视频| av天堂中文字幕网| 中文乱码字字幕精品一区二区三区 | 国产伦精品一区二区三区视频9| 又黄又爽又刺激的免费视频.| 夫妻午夜视频| 看免费成人av毛片| 国内精品宾馆在线| 久久99蜜桃精品久久| 亚洲不卡免费看| 国产男人的电影天堂91| kizo精华| 久久午夜福利片| 国产免费福利视频在线观看| 色视频www国产| 九九久久精品国产亚洲av麻豆| 2018国产大陆天天弄谢| 成人国产麻豆网| 青春草国产在线视频| 亚洲av中文av极速乱| 在线 av 中文字幕| 欧美xxⅹ黑人| 六月丁香七月| 亚洲无线观看免费| 又粗又硬又长又爽又黄的视频| 国产91av在线免费观看| 哪个播放器可以免费观看大片| 99热这里只有是精品在线观看| 午夜福利在线观看免费完整高清在| 午夜老司机福利剧场| 久久久久久久久久久免费av| 搡老妇女老女人老熟妇| 尾随美女入室| 97在线视频观看| 日韩电影二区| 精品久久国产蜜桃| 少妇的逼水好多| 女人十人毛片免费观看3o分钟| av.在线天堂| 在线免费观看不下载黄p国产| 国产 一区精品| 又爽又黄a免费视频| 久久久久久久午夜电影| 伦理电影大哥的女人| 久久久久网色| 欧美日韩精品成人综合77777| 久久久久久久亚洲中文字幕| 听说在线观看完整版免费高清| 亚洲成色77777| 国产精品一区www在线观看| 国产真实伦视频高清在线观看| 伊人久久国产一区二区| or卡值多少钱| 国产老妇女一区| 国产黄色视频一区二区在线观看| 男人舔女人下体高潮全视频| 可以在线观看毛片的网站| 午夜福利在线观看吧| 日本黄大片高清| 男人狂女人下面高潮的视频| av又黄又爽大尺度在线免费看| 尾随美女入室| 高清欧美精品videossex| 91午夜精品亚洲一区二区三区| 蜜桃亚洲精品一区二区三区| 欧美精品国产亚洲| 人妻制服诱惑在线中文字幕| 成年人午夜在线观看视频 | 卡戴珊不雅视频在线播放| 亚洲精品aⅴ在线观看| 国产精品熟女久久久久浪| 天堂中文最新版在线下载 | 如何舔出高潮| 国产精品福利在线免费观看| 亚洲人与动物交配视频| 91久久精品电影网| 午夜精品在线福利| 免费观看在线日韩| 精品欧美国产一区二区三| 亚洲欧美精品自产自拍| 一本一本综合久久| 1000部很黄的大片| 亚洲国产精品成人久久小说| 人妻夜夜爽99麻豆av| 亚洲人与动物交配视频| 美女大奶头视频| 中文字幕人妻熟人妻熟丝袜美| 国产精品一及| 欧美一级a爱片免费观看看| 亚洲av电影在线观看一区二区三区 | 精品亚洲乱码少妇综合久久| 亚洲欧洲国产日韩| 中文字幕制服av| 日韩不卡一区二区三区视频在线| 天堂影院成人在线观看| 色哟哟·www| 搞女人的毛片| 国产精品久久久久久av不卡| 在线a可以看的网站| 大香蕉97超碰在线| 我的老师免费观看完整版| 人妻系列 视频| 国产三级在线视频| 国产精品伦人一区二区| 日韩欧美精品v在线| 一级av片app| 搡女人真爽免费视频火全软件| 又爽又黄a免费视频| 欧美精品国产亚洲| 在线播放无遮挡| 亚洲aⅴ乱码一区二区在线播放| 人体艺术视频欧美日本| 成人无遮挡网站| 欧美日韩一区二区视频在线观看视频在线 | 国精品久久久久久国模美| 成人一区二区视频在线观看| 亚洲精品色激情综合| 精品一区二区三卡| 欧美另类一区| 日韩成人伦理影院| 久久99热这里只频精品6学生| 亚洲成色77777| 免费观看的影片在线观看| 久久久亚洲精品成人影院| 国产精品国产三级国产专区5o| 看非洲黑人一级黄片| 亚洲av成人精品一区久久| 舔av片在线| 看十八女毛片水多多多| 亚洲最大成人手机在线| 在线观看av片永久免费下载| 国产精品伦人一区二区| 精品一区二区免费观看| 国产一区有黄有色的免费视频 | 天美传媒精品一区二区| 免费无遮挡裸体视频| 婷婷色综合www| 一区二区三区高清视频在线| 建设人人有责人人尽责人人享有的 | 美女内射精品一级片tv| 日日啪夜夜撸| 十八禁国产超污无遮挡网站| 日日摸夜夜添夜夜爱| 国产极品天堂在线| 国产色婷婷99| 18禁在线无遮挡免费观看视频| 黄片无遮挡物在线观看| av专区在线播放| 久久久久九九精品影院| 看非洲黑人一级黄片| 国产精品不卡视频一区二区| 在线 av 中文字幕| 亚洲国产精品专区欧美| 日本熟妇午夜| 国产黄色视频一区二区在线观看| 国产精品国产三级国产av玫瑰| 国产一区二区三区综合在线观看 | 国产片特级美女逼逼视频| 亚洲国产高清在线一区二区三|