• <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av免费高清在线观看| 国产在线男女| 成人精品一区二区免费| 两个人的视频大全免费| 免费在线观看影片大全网站| 热99在线观看视频| 免费人成视频x8x8入口观看| 成年免费大片在线观看| av专区在线播放| 在线天堂最新版资源| 深夜a级毛片| 变态另类丝袜制服| 久久久色成人| 老女人水多毛片| 精品少妇黑人巨大在线播放 | av黄色大香蕉| h日本视频在线播放| 99国产极品粉嫩在线观看| 国产精品一区二区三区四区久久| 欧美成人a在线观看| 欧美中文日本在线观看视频| 欧美+日韩+精品| 日韩av不卡免费在线播放| 亚洲精品色激情综合| а√天堂www在线а√下载| 久久精品夜色国产| 99久久精品一区二区三区| 高清午夜精品一区二区三区 | 欧美在线一区亚洲| 欧美另类亚洲清纯唯美| 不卡视频在线观看欧美| 日日啪夜夜撸| 久久精品综合一区二区三区| 国产精品一区www在线观看| 色尼玛亚洲综合影院| 熟妇人妻久久中文字幕3abv| 国产午夜精品久久久久久一区二区三区 | 精品免费久久久久久久清纯| 美女高潮的动态| 欧美潮喷喷水| 中文字幕av成人在线电影| 国产高清视频在线观看网站| 最近在线观看免费完整版| 乱码一卡2卡4卡精品| 老熟妇乱子伦视频在线观看| 男人舔女人下体高潮全视频| 久久韩国三级中文字幕| 久久久久精品国产欧美久久久| 国产毛片a区久久久久| 国产三级在线视频| 国产黄色小视频在线观看| 一级黄片播放器| 国产激情偷乱视频一区二区| 嫩草影视91久久| 国产精品一区二区三区四区久久| 亚洲精品国产av成人精品 | 欧美日韩综合久久久久久| 国语自产精品视频在线第100页| 波野结衣二区三区在线| 精品熟女少妇av免费看| 久久欧美精品欧美久久欧美| 日韩精品有码人妻一区| АⅤ资源中文在线天堂| 校园人妻丝袜中文字幕| 国产成人影院久久av| 亚洲欧美中文字幕日韩二区| 在线免费观看不下载黄p国产| 最新在线观看一区二区三区| 国内久久婷婷六月综合欲色啪| 亚洲在线自拍视频| 中文字幕人妻熟人妻熟丝袜美| 久久久精品大字幕| 99热精品在线国产| 日韩大尺度精品在线看网址| 麻豆一二三区av精品| 国产精品电影一区二区三区| 精品久久久久久久人妻蜜臀av| 国产精品亚洲美女久久久| 少妇高潮的动态图| 在线天堂最新版资源| 久久久久久九九精品二区国产| 亚洲精品日韩在线中文字幕 | 少妇被粗大猛烈的视频| 免费电影在线观看免费观看| 免费高清视频大片| 久久午夜福利片| 欧洲精品卡2卡3卡4卡5卡区| 高清午夜精品一区二区三区 | 国产亚洲av嫩草精品影院| 久久久久精品国产欧美久久久| 亚洲美女黄片视频| 欧美性猛交黑人性爽| 成人性生交大片免费视频hd| 日韩在线高清观看一区二区三区| 91av网一区二区| 国产黄色小视频在线观看| 国内精品宾馆在线| 成人鲁丝片一二三区免费| 最新在线观看一区二区三区| 一本精品99久久精品77| 大香蕉久久网| 欧美+亚洲+日韩+国产| 久久精品夜夜夜夜夜久久蜜豆| 丰满人妻一区二区三区视频av| 国产国拍精品亚洲av在线观看| 欧美一区二区亚洲| 国产成人影院久久av| 麻豆乱淫一区二区| 99久国产av精品| 啦啦啦韩国在线观看视频| 黄色一级大片看看| 22中文网久久字幕| 亚洲综合色惰| 乱人视频在线观看| 天天躁日日操中文字幕| 精品免费久久久久久久清纯| 在线免费十八禁| 日本一二三区视频观看| 成人鲁丝片一二三区免费| 国内精品久久久久精免费| 三级男女做爰猛烈吃奶摸视频| 婷婷精品国产亚洲av在线| 国产成人91sexporn| 舔av片在线| 日日摸夜夜添夜夜爱| 亚洲va在线va天堂va国产| 少妇熟女欧美另类| 精品久久久久久久久久免费视频| 久久精品国产亚洲av涩爱 | 女同久久另类99精品国产91| 不卡一级毛片| 久久国产乱子免费精品| 99热只有精品国产| 18禁在线播放成人免费| 春色校园在线视频观看| a级毛色黄片| 真实男女啪啪啪动态图| 搡老熟女国产l中国老女人| 久久精品91蜜桃| 无遮挡黄片免费观看| 99热只有精品国产| 免费人成视频x8x8入口观看| 欧美色欧美亚洲另类二区| av专区在线播放| 欧美三级亚洲精品| 黄色视频,在线免费观看| 精品日产1卡2卡| 中文字幕av在线有码专区| 此物有八面人人有两片| 美女xxoo啪啪120秒动态图| 99久国产av精品| 欧美日韩综合久久久久久| 久久人人爽人人爽人人片va| 老司机午夜福利在线观看视频| 婷婷精品国产亚洲av| 免费不卡的大黄色大毛片视频在线观看 | 性色avwww在线观看| 午夜福利在线观看免费完整高清在 | av天堂中文字幕网| 欧美一区二区国产精品久久精品| 欧美国产日韩亚洲一区| 日本免费一区二区三区高清不卡| 69av精品久久久久久| 欧美高清性xxxxhd video| 在线a可以看的网站| 深夜精品福利| 亚洲欧美精品综合久久99| 国产精品1区2区在线观看.| 亚州av有码| 最近的中文字幕免费完整| 久久久久久久亚洲中文字幕| 悠悠久久av| 色吧在线观看| 非洲黑人性xxxx精品又粗又长| 人妻丰满熟妇av一区二区三区| 美女被艹到高潮喷水动态| 午夜福利高清视频| 一个人免费在线观看电影| 国产精品精品国产色婷婷| 久久人人爽人人片av| 真实男女啪啪啪动态图| 中文资源天堂在线| 国产精品亚洲一级av第二区| 成人三级黄色视频| 99在线人妻在线中文字幕| 一本久久中文字幕| 一边摸一边抽搐一进一小说| 国产精品久久久久久久久免| 国产 一区 欧美 日韩| 啦啦啦观看免费观看视频高清| 国产探花极品一区二区| 欧美区成人在线视频| 日韩中字成人| 哪里可以看免费的av片| 午夜老司机福利剧场| 51国产日韩欧美| 日日摸夜夜添夜夜添小说| 色哟哟哟哟哟哟| 国产 一区精品| 舔av片在线| 国产亚洲欧美98| 亚洲丝袜综合中文字幕| 精品人妻视频免费看| 99riav亚洲国产免费| 中文在线观看免费www的网站| 久久久久久久久久久丰满| 在线观看66精品国产| 国产国拍精品亚洲av在线观看| 成年免费大片在线观看| 白带黄色成豆腐渣| 有码 亚洲区| 一进一出抽搐动态| 少妇高潮的动态图| 一进一出好大好爽视频| 69av精品久久久久久| 极品教师在线视频| 婷婷亚洲欧美| 免费看a级黄色片| 亚洲精品色激情综合| 麻豆精品久久久久久蜜桃| 少妇的逼水好多| 男女下面进入的视频免费午夜| 日韩成人av中文字幕在线观看 | 国产女主播在线喷水免费视频网站 | 菩萨蛮人人尽说江南好唐韦庄 | 给我免费播放毛片高清在线观看| 国产探花极品一区二区| 亚州av有码| 亚洲国产精品成人久久小说 | 亚洲在线观看片| 女同久久另类99精品国产91| 99热只有精品国产| 国产成人aa在线观看| 成人高潮视频无遮挡免费网站| 日日撸夜夜添| 日韩 亚洲 欧美在线| 国内精品一区二区在线观看| 深夜精品福利| 久99久视频精品免费| 亚洲国产精品久久男人天堂| 91狼人影院| 人妻制服诱惑在线中文字幕| 三级男女做爰猛烈吃奶摸视频| 欧美日韩精品成人综合77777| 欧美精品国产亚洲| 国产精品女同一区二区软件| 三级毛片av免费| 国产又黄又爽又无遮挡在线| 午夜免费男女啪啪视频观看 | 成人漫画全彩无遮挡| 少妇熟女欧美另类| 一本精品99久久精品77| 高清午夜精品一区二区三区 | 成人毛片a级毛片在线播放| 国产一区二区三区在线臀色熟女| 亚洲不卡免费看| 午夜福利高清视频| 久久6这里有精品| 联通29元200g的流量卡| 自拍偷自拍亚洲精品老妇| 俺也久久电影网| 成人美女网站在线观看视频| 精华霜和精华液先用哪个| 一区二区三区四区激情视频 | 人妻制服诱惑在线中文字幕| 少妇的逼好多水| 国产美女午夜福利| av在线蜜桃| 露出奶头的视频| 国产色爽女视频免费观看| 亚洲电影在线观看av| 女生性感内裤真人,穿戴方法视频| 色尼玛亚洲综合影院| 国产精品一区二区性色av| 女人十人毛片免费观看3o分钟| 十八禁国产超污无遮挡网站| 亚洲国产精品sss在线观看| 久久天躁狠狠躁夜夜2o2o| 午夜免费男女啪啪视频观看 | 亚洲图色成人| 2021天堂中文幕一二区在线观| 亚洲av熟女| 午夜视频国产福利| 亚洲国产精品sss在线观看| 国内精品宾馆在线| 亚洲国产日韩欧美精品在线观看| 成人特级av手机在线观看| 久久精品国产亚洲网站| 男女啪啪激烈高潮av片| 久久天躁狠狠躁夜夜2o2o| 久久久精品大字幕| 男女做爰动态图高潮gif福利片| 99久国产av精品国产电影| 又黄又爽又免费观看的视频| 免费观看人在逋| 内地一区二区视频在线| 精品一区二区三区人妻视频| 日本a在线网址| 亚洲国产精品国产精品| 又粗又爽又猛毛片免费看| 露出奶头的视频| 国产色爽女视频免费观看| 日韩精品青青久久久久久| 午夜老司机福利剧场| 99久久精品一区二区三区| 日日撸夜夜添| 久久久久精品国产欧美久久久| 97碰自拍视频| 全区人妻精品视频| av卡一久久| 熟妇人妻久久中文字幕3abv| 中国国产av一级| 黄色欧美视频在线观看| 在线观看一区二区三区| 欧美极品一区二区三区四区| 国产真实伦视频高清在线观看| 六月丁香七月| 精品少妇黑人巨大在线播放 | 91午夜精品亚洲一区二区三区| 日日干狠狠操夜夜爽| 午夜免费男女啪啪视频观看 | 日本一本二区三区精品| 成人三级黄色视频| 啦啦啦啦在线视频资源| 国产极品精品免费视频能看的| 综合色丁香网| 色5月婷婷丁香| 国产精品,欧美在线| 99久国产av精品| 国产成人精品久久久久久| 亚洲婷婷狠狠爱综合网| 亚洲性久久影院| 精品久久国产蜜桃| 国产大屁股一区二区在线视频| 黄片wwwwww| 日韩亚洲欧美综合| 全区人妻精品视频| 一区二区三区免费毛片| 亚洲国产日韩欧美精品在线观看| 有码 亚洲区| 国产精品久久电影中文字幕| 少妇丰满av| 久99久视频精品免费| 亚洲欧美精品自产自拍| 搡老妇女老女人老熟妇| 日韩大尺度精品在线看网址| 亚洲精品成人久久久久久| 国产成人影院久久av| 最近最新中文字幕大全电影3| 午夜a级毛片| 亚洲精品456在线播放app| 身体一侧抽搐| 亚洲欧美日韩高清专用| 免费av不卡在线播放| а√天堂www在线а√下载| 中文在线观看免费www的网站| av国产免费在线观看| 中国美女看黄片| 熟妇人妻久久中文字幕3abv| 超碰av人人做人人爽久久| 丝袜喷水一区| 亚洲精品色激情综合| 国产精品久久久久久久久免| 国产精品无大码| 国产亚洲精品久久久com| 欧美日韩综合久久久久久| av在线天堂中文字幕| 日韩大尺度精品在线看网址| 久久精品影院6| 免费黄网站久久成人精品| 国产不卡一卡二| 国产精品一区www在线观看| 日本黄大片高清| 久久久久九九精品影院| 国产极品精品免费视频能看的| 亚洲欧美清纯卡通| 你懂的网址亚洲精品在线观看 | 日韩精品有码人妻一区| 亚洲精品乱码久久久v下载方式| 日韩中字成人| 中文字幕精品亚洲无线码一区| 久久久久久九九精品二区国产| 亚洲精品久久国产高清桃花| 中文亚洲av片在线观看爽| 最后的刺客免费高清国语| 中国美白少妇内射xxxbb| 亚洲精品粉嫩美女一区| 丝袜喷水一区| 国产欧美日韩精品亚洲av| 亚洲久久久久久中文字幕| 欧美日韩在线观看h| 日本黄色片子视频| 亚洲av中文av极速乱| 成人性生交大片免费视频hd| 日本-黄色视频高清免费观看| 最近手机中文字幕大全| 日韩,欧美,国产一区二区三区 | 在线观看66精品国产| 亚洲精品影视一区二区三区av| 亚洲av二区三区四区| 亚洲欧美日韩卡通动漫| 国语自产精品视频在线第100页| 国产高清有码在线观看视频| 99久久九九国产精品国产免费| 少妇猛男粗大的猛烈进出视频 | 亚洲成av人片在线播放无| 国产一区二区在线av高清观看| 人妻久久中文字幕网| 日韩欧美精品v在线| 99在线视频只有这里精品首页| 日本成人三级电影网站| 亚洲七黄色美女视频| 国产免费男女视频| 亚洲av熟女| 中文字幕av在线有码专区| 亚洲国产欧美人成| 中文在线观看免费www的网站| 国产精品一及| 欧美一级a爱片免费观看看| 少妇丰满av| 午夜精品国产一区二区电影 | 可以在线观看毛片的网站| 九九久久精品国产亚洲av麻豆| 内地一区二区视频在线| 美女黄网站色视频| 国产大屁股一区二区在线视频| 色综合亚洲欧美另类图片| 最新在线观看一区二区三区| 亚洲国产精品sss在线观看| 啦啦啦啦在线视频资源| 婷婷精品国产亚洲av在线| 免费看av在线观看网站| 欧美又色又爽又黄视频| 非洲黑人性xxxx精品又粗又长| 日韩精品青青久久久久久| 久久天躁狠狠躁夜夜2o2o| 亚洲电影在线观看av| 精品欧美国产一区二区三| 三级经典国产精品| 日韩欧美精品免费久久| 精品一区二区三区视频在线观看免费| 日本一二三区视频观看| 国产爱豆传媒在线观看| 欧美一区二区国产精品久久精品| 久久韩国三级中文字幕| 中文字幕人妻熟人妻熟丝袜美| 亚洲中文字幕一区二区三区有码在线看| 我要搜黄色片| 精品99又大又爽又粗少妇毛片| 亚洲精品亚洲一区二区| 中文字幕熟女人妻在线| 精品人妻一区二区三区麻豆 | 我的老师免费观看完整版| 精品免费久久久久久久清纯| 色尼玛亚洲综合影院| 免费看a级黄色片| 中文字幕精品亚洲无线码一区| 99国产极品粉嫩在线观看| 极品教师在线视频| av免费在线看不卡| 国产欧美日韩精品一区二区| 日本免费a在线| 直男gayav资源| 久久久成人免费电影| 久久久久精品国产欧美久久久| 18禁黄网站禁片免费观看直播| 成人亚洲精品av一区二区| 亚洲真实伦在线观看| 免费看av在线观看网站| 午夜a级毛片| 最新在线观看一区二区三区| 少妇被粗大猛烈的视频| 桃色一区二区三区在线观看| 精华霜和精华液先用哪个| 日本在线视频免费播放| 菩萨蛮人人尽说江南好唐韦庄 | 中文字幕免费在线视频6| 99热精品在线国产| 12—13女人毛片做爰片一| 高清毛片免费观看视频网站| 欧美不卡视频在线免费观看| 日本免费a在线| 日韩在线高清观看一区二区三区| 露出奶头的视频| 久久精品国产亚洲av涩爱 | 岛国在线免费视频观看| 波多野结衣巨乳人妻| 亚洲熟妇熟女久久| 91狼人影院| 色播亚洲综合网| 两性午夜刺激爽爽歪歪视频在线观看| 久久天躁狠狠躁夜夜2o2o| 亚洲一区二区三区色噜噜| 最近的中文字幕免费完整| 91av网一区二区| 国产大屁股一区二区在线视频| 国产黄a三级三级三级人| 国产色婷婷99| 乱人视频在线观看| 99久久九九国产精品国产免费| av卡一久久| 国产精品一区二区性色av| 国产精品一二三区在线看| 99国产极品粉嫩在线观看| 欧美极品一区二区三区四区| 久久婷婷人人爽人人干人人爱| 淫妇啪啪啪对白视频| 成人特级av手机在线观看| 99久久精品一区二区三区| 亚洲精品色激情综合| 欧美色欧美亚洲另类二区| 国产高潮美女av| 日本爱情动作片www.在线观看 | 男女下面进入的视频免费午夜| 欧美色欧美亚洲另类二区| 久久鲁丝午夜福利片| 久久这里只有精品中国| 啦啦啦啦在线视频资源| 蜜臀久久99精品久久宅男| 亚洲人与动物交配视频| 精品一区二区三区人妻视频| 97热精品久久久久久| 婷婷亚洲欧美| av在线播放精品| 青春草视频在线免费观看| 菩萨蛮人人尽说江南好唐韦庄 | 如何舔出高潮| 亚洲美女黄片视频| 久久久久久久午夜电影| 精品国内亚洲2022精品成人| 美女黄网站色视频| 麻豆精品久久久久久蜜桃| 精品一区二区三区人妻视频| av在线播放精品| 久久久久国产精品人妻aⅴ院| 99在线人妻在线中文字幕| 精品一区二区三区av网在线观看| 人人妻人人澡欧美一区二区| 好男人在线观看高清免费视频| 国产精品国产高清国产av| 在线观看美女被高潮喷水网站| 亚洲天堂国产精品一区在线| 亚洲18禁久久av| 国内精品久久久久精免费| 超碰av人人做人人爽久久| 欧美最新免费一区二区三区| 别揉我奶头~嗯~啊~动态视频| 少妇人妻一区二区三区视频| 一本精品99久久精品77| 久久精品综合一区二区三区| 在线国产一区二区在线| 两个人视频免费观看高清| 全区人妻精品视频| 日本一二三区视频观看| 少妇人妻一区二区三区视频| 老女人水多毛片| 狂野欧美激情性xxxx在线观看| 久久久久久久久久成人| 精品欧美国产一区二区三| 色在线成人网| 成熟少妇高潮喷水视频| 天堂动漫精品| 一级毛片aaaaaa免费看小| 亚洲av熟女| 悠悠久久av| 国产人妻一区二区三区在| 日韩欧美精品v在线| 老师上课跳d突然被开到最大视频| 国产成年人精品一区二区| 国产伦一二天堂av在线观看| 久久午夜亚洲精品久久| 永久网站在线| 中出人妻视频一区二区| 美女免费视频网站| 精品午夜福利视频在线观看一区| 五月玫瑰六月丁香| 免费观看精品视频网站| 在线观看美女被高潮喷水网站| 精品熟女少妇av免费看| 午夜爱爱视频在线播放| 久久亚洲精品不卡| 日日摸夜夜添夜夜添小说| 亚洲av成人av| 天天一区二区日本电影三级| 可以在线观看的亚洲视频| 波多野结衣高清无吗| 直男gayav资源| 欧美性猛交黑人性爽| 国产伦在线观看视频一区| 最后的刺客免费高清国语| 亚洲美女黄片视频| 蜜桃久久精品国产亚洲av| 国产国拍精品亚洲av在线观看| 天天一区二区日本电影三级| 天天躁日日操中文字幕| 日韩av不卡免费在线播放| 久久久久久久久久久丰满| 国产av不卡久久| 又黄又爽又免费观看的视频| 亚洲五月天丁香| 黄色日韩在线| 国产精品嫩草影院av在线观看| 变态另类成人亚洲欧美熟女| 高清毛片免费观看视频网站| 自拍偷自拍亚洲精品老妇| 精品久久久久久久久久免费视频| 高清日韩中文字幕在线| 中文字幕人妻熟人妻熟丝袜美| 免费av毛片视频| 欧美另类亚洲清纯唯美| 亚洲欧美成人综合另类久久久 | 日本三级黄在线观看| 国产精品久久久久久精品电影| 亚洲图色成人| 一a级毛片在线观看|