• <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 ?

    半監(jiān)督多圖嵌入的高光譜影像特征提取

    2020-04-08 08:31:20唐玉梟段宇樂
    光學(xué)精密工程 2020年2期
    關(guān)鍵詞:類間頂點光譜

    黃 鴻,唐玉梟,段宇樂

    (重慶大學(xué) 光電技術(shù)與系統(tǒng)教育部重點實驗室,重慶 400044)

    1 引 言

    高光譜遙感影像包含從可見光到紅外光譜區(qū)域數(shù)十?dāng)?shù)百個狹窄且連續(xù)的光譜波段,其每個像素點包含幾十到幾百維的光譜反射數(shù)據(jù),已廣泛應(yīng)用于資源勘探、精細(xì)農(nóng)業(yè)、災(zāi)害評估以及目標(biāo)識別等領(lǐng)域[1-2]。高光譜影像盡管給地物精確分類帶來了機(jī)遇,但是存在維數(shù)高、波段相關(guān)性強(qiáng)、標(biāo)記樣本較少等問題[3-5]。因此如何降低數(shù)據(jù)冗余,實現(xiàn)鑒別特征提取是高光譜遙感影像研究的前沿與熱點[6]。

    維數(shù)約簡方法可以降低數(shù)據(jù)維數(shù),得到高維數(shù)據(jù)有意義的低維表征,有利于解決“維數(shù)災(zāi)難”問題[7]。常用的維數(shù)約簡算法主要有主成分分析(Principle Component Analysis, PCA)[8]、線性判別分析(Linear Discriminant Analysis, LDA)[9]、局部線性嵌入(Local Linear Embedding, LLE)[10]、拉普拉斯特征映射(Laplacian Eigenmaps, LE)[11]、等距映射(Isometric Mapping, ISOMAP)[12]、鄰域保持嵌入(Neighborhood Preserving Embedding, NPE)[13]以及局部保持投影(Locality Preserving Projections, LPP)[14]等。上述方法可統(tǒng)一到圖嵌入框架(Graph Embedding, GE)下,學(xué)者們基于該框架提出了邊界Fisher分析(Marginal Fisher Analysis, MFA)[15]、局部線性判別分析(Losal Fisher Discriminant Analysis, LFDA)[16]、局部幾何結(jié)構(gòu)Fisher分析(Local Geometric Structure Fisher Analysis, LGSFA)[17]等監(jiān)督學(xué)習(xí)方法,通過有效利用樣本數(shù)據(jù)的類別信息提高低維嵌入特征的可分性,提升分類性能。但在實際應(yīng)用中,標(biāo)記樣本往往非常有限,或者需消耗大量的人力財力去進(jìn)行標(biāo)記,同時存在大量的無標(biāo)記樣本可供利用。學(xué)者們提出采用半監(jiān)督學(xué)習(xí)方法提出通過利用標(biāo)記樣本和無標(biāo)記樣本來實現(xiàn)半監(jiān)督特征提取,如半監(jiān)督鑒別分析(Semi-supervised Discriminant Analysis, SDA)[18]、半監(jiān)督局部判別分析(Semi-supervised Local Discriminant Analysis, SELD)[19]和半監(jiān)督稀疏流形嵌入(Semi-supervised Sparse Manifold Embedding, S3ME)[20]等,可進(jìn)一步提升分類性能。

    上述圖嵌入方法僅考慮了點與點之間結(jié)構(gòu)關(guān)系,而觀測數(shù)據(jù)在高維空間往往具有復(fù)雜的多元結(jié)構(gòu)[21],因此學(xué)者們提出構(gòu)建超圖模型以表達(dá)數(shù)據(jù)間復(fù)雜結(jié)構(gòu)關(guān)系。Huang等[22]結(jié)合超圖結(jié)構(gòu)與判別局部保留投影的思想提出判別超-拉普拉斯投影(Discriminant Hyper-laplacian Dproiection, DHLP)方法,使投影后的同類數(shù)據(jù)聚集、不同類數(shù)據(jù)遠(yuǎn)離。Sun等[23]提出空-譜超圖嵌入(SS Hypergraph, SSHG)方法,采用擴(kuò)展形態(tài)特征和光譜特征并聯(lián)合超圖嵌入模型的方法學(xué)習(xí)高光譜圖像數(shù)據(jù)的幾何結(jié)構(gòu),同時引入超邊權(quán)重的正則化約束來保持有效的超邊界。Wang等[24]通過空間鄰域內(nèi)的相關(guān)像素來構(gòu)造約束字典并激活相關(guān)點、抑制不相關(guān)點,提出一種空-譜局部約束彈性網(wǎng)超圖學(xué)習(xí)模型并應(yīng)用于高光譜圖像地物聚類。在超圖方法中,超邊由多頂點連接構(gòu)成,使超邊更易連接成圖,有效表征數(shù)據(jù)間的多元結(jié)構(gòu)關(guān)系。超邊權(quán)重為其所包含頂點之間兩兩相似度的和,兩點之間的相似關(guān)系同時也受超邊內(nèi)其他頂點的影響,這種“平均”效應(yīng)削弱了兩點之間的直接聯(lián)系。因此,如何有效聯(lián)合簡單圖和超圖模型,以有效表征高維數(shù)據(jù)本質(zhì)結(jié)構(gòu),成為高光譜數(shù)據(jù)維數(shù)約簡過程中的關(guān)鍵所在。

    針對上述問題,本文提出一種半監(jiān)督多圖嵌入(Semi-Supervised Multi-Graph Embedding, SSMGE)的維數(shù)約簡方法,以兩類圖的協(xié)同結(jié)構(gòu)表征數(shù)據(jù)在高維空間中的結(jié)構(gòu),實現(xiàn)高光譜數(shù)據(jù)鑒別特征提取。該方法通過樣本數(shù)據(jù)的歐式近鄰點以尋找數(shù)據(jù)在高維空間的位置關(guān)系,利用有標(biāo)記樣本和無標(biāo)記樣本分別構(gòu)建監(jiān)督、非監(jiān)督超圖以表征其多元關(guān)系,并使用有標(biāo)記樣本構(gòu)建普通圖,然后通過多圖協(xié)同方式來表征數(shù)據(jù)間的復(fù)雜幾何結(jié)構(gòu)。在低維嵌入空間中,加強(qiáng)類內(nèi)圖和本征圖的結(jié)構(gòu),抑制類間圖和懲罰圖的關(guān)系,實現(xiàn)鑒別特征提取,進(jìn)而有效改善地物的分類性能。在PaviaU和Urban高光譜數(shù)據(jù)集上的實驗結(jié)果證明了本文方法的有效性。

    2 本文方法

    本文中,高光譜數(shù)據(jù)集表示為X=[Xl,Xu]∈RB×n,B為波段數(shù),n為樣本總數(shù),其中標(biāo)記樣本集為Xl=[(xl,1,l1),(xl,2,l2),...,(xl,nl,lnl)]∈RB×nl,li∈{1,2,...,m},m為樣本類別數(shù),無標(biāo)記樣本集為Xu=[xu,1,xu,2,...,xu,nu]∈RB×nu,nl為有標(biāo)記樣本數(shù),nu為無標(biāo)記樣本數(shù),n=nl+nu。低維嵌入特征表示為Y=[yl,1,yl,2,...,yl,nl,yu,1,yu,2,...,yu,nu]∈Rd×n,其中d為低維特征的嵌入維數(shù),Y=PTX,P∈RB×d為投影矩陣。

    2.1 圖嵌入模型

    為更好地理解PCA,LDA,LLE,LE,ISOMAP,NPE,LPP等維數(shù)約簡算法,YAN等[25]提出圖嵌入模型并將上述算法統(tǒng)一到該框架下。在圖嵌入模型中,需構(gòu)建本征圖G={V,W}以表征數(shù)據(jù)的統(tǒng)計及幾何特性,其中V=[v1,v2,...,vn]∈RB×n為頂點集,W=[wij]∈Rn×n為權(quán)重矩陣,wij為頂點vi和vj之間的權(quán)值。

    圖嵌入模型的主要目的是使圖中的頂點在低維嵌入過程中保持頂點間的相似關(guān)系,實際應(yīng)用中可能會加入懲罰圖使不相似數(shù)據(jù)盡量遠(yuǎn)離。因此,其目標(biāo)函數(shù)可表示如下:

    (1)

    2.2 超圖嵌入模型

    超圖與普通圖的區(qū)別主要在于邊與超邊內(nèi)頂點的數(shù)量不同,普通圖的邊僅表示兩點之間的關(guān)系,而超圖的邊包含多個頂點,多點連接的不同超邊共享更多的頂點,使超邊更易連接成圖,兩類圖從不同角度來表征高維數(shù)據(jù)中的結(jié)構(gòu)關(guān)系。超圖模型可表示為GH={VH,EH,WH},其中EH為超邊集,VH為超邊集,超邊ei∈EH,其權(quán)值w(eH)∈WH。關(guān)聯(lián)矩陣H=[h(vi,ej)]i,j∈R|VH|×|EH|表示頂點vi與超邊ej的關(guān)系,頂點的度d(vi)表示連接頂點的超邊權(quán)重之和,超邊的度d(ei)表示為每條超邊上頂點的個數(shù),其定義如下:

    (2)

    (3)

    (4)

    超圖與普通圖的邊主要區(qū)別在于頂點連接成邊的方式不同,如圖1(a)所示,該圖共包含3條超邊和15條普通邊,普通圖的每個邊僅僅連接兩個頂點,而超圖的邊由多個頂點構(gòu)成,例如超邊e1,e2分別由頂點子集{v1,v2,v5},{v2,v3,v4}構(gòu)成。由于超邊間的頂點子集有重疊部分,因此可以連接超邊構(gòu)成超圖,相比普通圖,超圖更能更高

    圖1 普通圖與超圖結(jié)構(gòu)對比Fig.1 Example of simple graph and hypergraph

    效的揭示頂點間復(fù)雜的多元幾何關(guān)系。圖1(b),{e4,...,e18}為普通圖的邊,超邊集{e1,e2,e3}構(gòu)成超圖關(guān)聯(lián)矩陣H,H表示為每條超邊所包含的頂點,1表示某超邊包含對應(yīng)的頂點,0表示不包含相應(yīng)的頂點。

    2.3 SSMGE算法

    為有效利用高光譜數(shù)據(jù)中少量的標(biāo)記樣本和數(shù)量較多的無標(biāo)記樣本,并解決單一構(gòu)圖方法表征結(jié)構(gòu)不足等問題,提出一種半監(jiān)督多圖嵌入(Semi-supervised Multi-graph Embedding, SSMGE)算法,實現(xiàn)鑒別特征提取。該算法首先利用標(biāo)記樣本計算得到其近鄰點,構(gòu)建有監(jiān)督類內(nèi)超圖、類間超圖和類內(nèi)普通圖、類間普通圖,并利用無標(biāo)記樣本的近鄰點和遠(yuǎn)離點分別構(gòu)造無監(jiān)督本征超圖和懲罰超圖,以實現(xiàn)多圖協(xié)同表征高光譜數(shù)據(jù)的本征結(jié)構(gòu)。在低維嵌入空間中,使類內(nèi)圖和本征圖中的數(shù)據(jù)盡量聚集,類間圖和懲罰圖內(nèi)中的數(shù)據(jù)盡可能遠(yuǎn)離,以提取低維鑒別特征,進(jìn)而提升分類器分類性能。該算法流程如圖2所示。

    圖2 SSMGE算法流程圖Fig.2 Flowchart of proposed SSMGE method

    2.3.1 有監(jiān)督普通圖與超圖構(gòu)建

    在高光譜遙感數(shù)據(jù)中,同類地物對各個波段光譜的反射能力具有相似性,因此可利用光譜數(shù)據(jù)的歐氏距離來度量其近鄰關(guān)系。普通圖和超圖主要結(jié)構(gòu)差異在于圖的連接方式不同,普通圖僅僅是兩點構(gòu)成邊,超圖多點構(gòu)成超邊。

    根據(jù)樣本的類別信息與樣本間的歐式距離來構(gòu)建普通圖和超圖,包括類內(nèi)普通圖、類間普通圖Gw={Vw,Ww},Gb={Vb,Wb}和類內(nèi)超圖GHw={Vw,EHw,WHw}、類間超圖GHb={Vb,EHb,WHb},其中Vw,Vb為類內(nèi)、類間圖頂點集,VHw,VHb為類內(nèi)、類間超圖頂點集,EHw,EHb為類內(nèi)、類間超邊集,Ww,Wb為類內(nèi)、類間圖Gw,Gb的權(quán)重矩陣,WHw,WHb為超邊集EHw,EHb對應(yīng)的權(quán)重矩陣。

    類內(nèi)超邊權(quán)值定義為:

    類內(nèi)超圖的關(guān)聯(lián)矩陣Hw定義如下:

    (6)

    基于超邊權(quán)值WHw和關(guān)聯(lián)矩陣Hw可計算頂點vi∈Vw的度:

    (7)

    (8)

    與此同時,類間超圖的超邊權(quán)值可表示為:

    (9)

    其相應(yīng)的類間超圖的關(guān)聯(lián)矩陣Hb表示為:

    (10)

    (11)

    (12)

    為提取出數(shù)據(jù)在低維空間的投影特征,使類內(nèi)圖盡量靠近,類間圖盡量遠(yuǎn)離,由式(5)~式(12)可計算出超圖的目標(biāo)函數(shù):

    (13)

    (14)

    (15)

    (16)

    (17)

    (18)

    在低維嵌入空間中,為提取低維鑒別特征,應(yīng)使類內(nèi)圖和類內(nèi)超圖更加緊密,類間圖和類間超圖更加遠(yuǎn)離?;诖?,可聯(lián)合式(15)和式(18)構(gòu)建以下目標(biāo)函數(shù):

    (19)

    式中:α為平衡類內(nèi)超圖和普通圖權(quán)衡系數(shù),β為平衡類類間超圖和普通圖的權(quán)衡系數(shù)。

    2.3.2 無監(jiān)督超圖構(gòu)建

    由于在實際應(yīng)用中,標(biāo)記樣本往往非常有限,僅通過標(biāo)記樣本不足以有效表征高維數(shù)據(jù)的復(fù)雜結(jié)構(gòu),因此可通過無標(biāo)記樣本構(gòu)建非監(jiān)督超圖來進(jìn)一步表征其多元結(jié)構(gòu)關(guān)系。為此,選取每個樣本的近鄰點構(gòu)建無監(jiān)督本征圖,使其盡量靠近,選取遠(yuǎn)離點構(gòu)建無監(jiān)督懲罰圖,使其盡量遠(yuǎn)離。無監(jiān)督超圖的超邊權(quán)重、關(guān)聯(lián)矩陣、頂點的度和超邊的度定義如下:

    (20)

    (22)

    (23)

    (24)

    (25)

    (26)

    (27)

    由此,可得到無監(jiān)督超圖的目標(biāo)函數(shù):

    (28)

    進(jìn)一步優(yōu)化上述目標(biāo)函數(shù)為:

    (29)

    結(jié)合式(19)與式(29),本文提出的半監(jiān)督多圖融合嵌入(SSMGE)算法的目標(biāo)函數(shù)可表示為:

    (30)

    根據(jù)拉格朗日乘子法,式(30)中的最優(yōu)化問題可被轉(zhuǎn)換為求解如下廣義特征值問題:

    (31)

    2.4 SSMGE算法步驟

    算法:半監(jiān)督多圖融合嵌入(SSMGE)輸入:高光譜數(shù)據(jù)集X=[Xl,Xu]∈RB×n,無標(biāo)簽樣本Xu=[xu,1,xu,2,...,xu,nu]∈RB×nu,帶標(biāo)簽樣本Xl=[(xl,1,l1),(xl,2,l2),...,(xl,nl,lnl)]∈RB×nl,有監(jiān)督圖和超圖類內(nèi)、類間近鄰點數(shù)intraK,interK,無監(jiān)督超圖近鄰點和遠(yuǎn)離點數(shù)uK,低維嵌入維度d,平衡參數(shù)α,β。輸出:低維嵌入特征Y=PTX∈Rd×n,PT∈RB×n為投影矩陣 1.將高光譜數(shù)據(jù)集X進(jìn)行歸一化處理,并隨機(jī)選取一定數(shù)量標(biāo)記樣本和無標(biāo)記樣本進(jìn)行訓(xùn)練;2.計算并選取帶標(biāo)簽樣本的intraK個類內(nèi)近鄰點、interK個類間近鄰點,構(gòu)建監(jiān)督普通圖和超圖;3.計算監(jiān)督普通圖的拉普拉斯矩陣Lw=Dw-Ww,Lb=Db-Wb;4.計算監(jiān)督超圖的拉普拉斯矩陣LwH=Dwv-HwWHwDwe-1HwT,LbH=Dbv-HbWHbDbe-1HbT;5.計算并選取無標(biāo)簽樣本近鄰點和遠(yuǎn)離點各uK個,構(gòu)建無監(jiān)督超圖;6.計算無監(jiān)督超圖的拉普拉斯矩陣LwHu=Dwvu-HwuWHwuDweu-1HwuT,LbHu=Dbvu-HbuWHbuDbeu-1HbuT;7.由式(30)構(gòu)建多圖融合優(yōu)化目標(biāo)函數(shù);8.求解式(31)廣義特征值問題,得到特征投影向量P,低維嵌入特征Y=PTX∈Rd×n。

    3 實驗結(jié)果與分析

    為驗證SSMGE算法的有效性,本文在PaviaU和Urban高光譜數(shù)據(jù)集上進(jìn)行地物分類實驗,并與相關(guān)算法進(jìn)行對比。

    3.1 實驗數(shù)據(jù)集

    University of Pavia (PaviaU)數(shù)據(jù)集于2002年由ROSIS傳感器拍攝意大利北部Pavia大學(xué)的高光譜圖像。該圖像大小為610×340 pixel,空間分辨率為1.3 m,共有115個光譜波段,去除其中12個受噪聲影響的波段,剩余103個波段用于實驗。該圖像包含瀝青、草地、碎石、樹和裸土等9類地物及其相應(yīng)的標(biāo)簽信息,其假彩色圖像和真實地物圖像如圖3所示。

    圖3 PaviaU高光譜圖像Fig.3 University of Pavia hyperspectral image

    Urban數(shù)據(jù)集于1995年由HYDICE傳感器拍攝美國德克薩斯州胡德堡附近地區(qū)的高光譜圖像,該圖像大小為307×307 pixel,空間分辨率為4 m,共有210個波段,去除其中1~4,76,87,101~111,136~153,198~210共48個受噪聲影響的波段,剩余162個波段用于實驗。該圖像包含建筑、陰影、瀝青路、混凝土路、草地和樹6類地物,其假彩色圖像和真實地物圖像如圖4所示。

    圖4 Urban高光譜圖像Fig.4 Urban hyperspectral image

    3.2 實驗設(shè)置

    實驗中,在數(shù)據(jù)集中隨機(jī)選取一定數(shù)量標(biāo)記樣本和無標(biāo)記樣本作為訓(xùn)練集,其余作為測試集,其中無/半監(jiān)督算法采用整個訓(xùn)練集進(jìn)行學(xué)習(xí),而監(jiān)督算法只利用其中的標(biāo)記樣本。首先采用各種維數(shù)簡約算法計算得到投影矩陣,然后得到測試樣本的低維嵌入特征,最后采用最近鄰分類器(1-NN)進(jìn)行分類,每組實驗均進(jìn)行10次重復(fù)實驗,并用總體分類精度(Overall Accuracy, OA)、平均分類精度(Average Accuracy, AA)和Kappa系數(shù)(κ)作為評價指標(biāo)。實驗中選取了RAW,PAC,LDA,MFA,LGSFA,DHLP和S3ME與本文提出的SSMGE方法進(jìn)行對比,其中RAW為直接對原始數(shù)據(jù)進(jìn)行分類。各算法參數(shù)均通過交叉驗證調(diào)到最佳,MFA的類內(nèi)、類間近鄰數(shù)分別選取為3,60,LGSFA中參數(shù)k和β設(shè)為9和20,S3ME的加權(quán)參數(shù)β和系數(shù)平衡參數(shù)λ設(shè)為5和20。LDA低維嵌入維數(shù)為c-1,c為類別數(shù),其余算法嵌入維數(shù)為30。

    為探究本算法中類內(nèi)、類間近鄰點數(shù)目intraK和interK對總體分類精度的影響,從數(shù)據(jù)集中每類選取80個標(biāo)記樣本、400個無標(biāo)記樣本進(jìn)行訓(xùn)練,其余作為測試樣本。在實驗中,在PaviaU數(shù)據(jù)集中intraK和interK參數(shù)區(qū)間設(shè)置為{5,10,...,50},在Urban中設(shè)為{3,5,...,25},且α=β=0.5,uK=60。圖5為SSMGE算法在不同類內(nèi)、類間近鄰點數(shù)下的分類結(jié)果。

    由圖5可知,分類精度隨類內(nèi)近鄰點數(shù)的增加先有所提升后下降,這是由于隨著類內(nèi)近鄰點增加可更有效的表征高光譜數(shù)據(jù)結(jié)構(gòu),有利于鑒別特征提取,但是近鄰點過多,會導(dǎo)致相似度低的數(shù)據(jù)點引入構(gòu)建類內(nèi)圖,導(dǎo)致不能有效表征同類數(shù)據(jù)間本征結(jié)構(gòu);而類間點增加有利于表征不同類數(shù)據(jù)之間區(qū)別,但是過多類間點會導(dǎo)致計算復(fù)雜度增加。根據(jù)圖5中的實驗結(jié)果,將PaviaU,Urban數(shù)據(jù)集上(intraK,interK)分別設(shè)置為(25, 20)和(11, 7)。

    為探究平衡參數(shù)α和β對結(jié)果的影響,繼續(xù)下一步實驗,其它參數(shù)不變,在兩數(shù)據(jù)集中將α和β均設(shè)置為{0,0.01,0.1,0.2,...,0.9,1}。圖6為不同α,β參數(shù)值下的分類結(jié)果。

    由圖6可知,本文提出的多圖協(xié)同表征方法的分類性能均優(yōu)于普通圖/超圖此類單一圖嵌入方法,這表明簡單圖和超圖具有互補性,有益于高光譜數(shù)據(jù)復(fù)雜結(jié)構(gòu)表征。同時,本文方法在取得較好分類性能時,α往往要大于β,這說明超圖模型在提取鑒別特征時更為重要。依據(jù)圖6 中實驗結(jié)果,本文在PaviaU,Urban數(shù)據(jù)集上將平衡參數(shù)(α,β)分別設(shè)定為(0.7, 0.7)和(0.3, 0.4)。

    圖5 SSMGE在不同intraK和interK參數(shù)下的OAFig.5 OAs of SSMGE with different values of parameters intraK and interK on PaviaU and Urban data sets

    圖6 SSMGE在不同α和β參數(shù)下的OAFig.6 OAs of SSMGE with different values of parametersαandβon PaviaU and Urban data sets

    為探究無標(biāo)記樣本的近鄰點和遠(yuǎn)離點數(shù)對實驗的影響,隨機(jī)選取無標(biāo)記訓(xùn)練樣本400個。為簡化實驗過程,在此將無標(biāo)記樣本的近鄰點與遠(yuǎn)離點均設(shè)置為uK,其在兩個高光譜數(shù)據(jù)集上調(diào)試范圍為{20,40,...,200,250,300},具體分類結(jié)果如圖7所示。同時,為分析無標(biāo)記樣本數(shù)量對分類性能的影響,設(shè)置無標(biāo)記樣本數(shù)為{50,100,200,400,...,4 000}進(jìn)行測試,其分類結(jié)果如圖8所示。

    由圖7可知,OA和kappa隨無標(biāo)記樣本近鄰點數(shù)和遠(yuǎn)離點數(shù)的增加先有所提升后開始下降,這是由于利用適量的無標(biāo)記樣本的近鄰點和遠(yuǎn)離點可更有效表征數(shù)據(jù)間的本征結(jié)構(gòu)。由圖8可知,無標(biāo)記樣本的增加可它提供更多信息,有利于特征提取,分類精度也隨之增加,但是過多無標(biāo)記樣本不僅會存在冗余信息,且會增加計算復(fù)雜度。因此,選擇合適的其近鄰點、遠(yuǎn)離點數(shù)和無標(biāo)記樣本數(shù)可以在分類精度和計算復(fù)雜度之間取得平衡?;趫D7和8的實驗結(jié)果,在PaviaU和Urban數(shù)據(jù)集上uK分別設(shè)置為120和140,無標(biāo)簽樣本數(shù)分別設(shè)置為600和800。

    圖7 SSMGE在不同uK參數(shù)下的OAFig.7 OAs of SSMGE with different values of parameters unK on PaviaU and Urban data sets

    圖8 SSMGE在不同無標(biāo)記樣本數(shù)下的OAFig.8 OAs of SSMGE with different numbers of unlabeled samples on PaviaU and Urban data sets

    3.3 PaviaU實驗結(jié)果與分析

    在實驗中,從PaviaU數(shù)據(jù)集中每類隨機(jī)選取5,10,20,40,60,80個有標(biāo)記樣本和600個無標(biāo)記樣本作為訓(xùn)練集,剩余樣本作為測試集。采用1-NN分類器進(jìn)行分類,每次實驗重復(fù)10次。表1表示不同維數(shù)約簡方法算法的分類結(jié)果。

    由表1可知,各算法的分類精度隨訓(xùn)練樣本數(shù)的增加而增加,是由于訓(xùn)練樣本數(shù)增加,其中的信息就越豐富,越利于特征提取,可改善分類效果。在標(biāo)記樣本較少的情況下,LDA,LGSFA,DHLP監(jiān)督方法由于過擬合導(dǎo)致分類精度較低,但隨著標(biāo)記樣本的增多逐漸表現(xiàn)出其優(yōu)勢,而半監(jiān)督算法S3ME利用無標(biāo)記樣本解決標(biāo)記樣本不足的問題,利用半監(jiān)督圖有效表征數(shù)據(jù)的內(nèi)部結(jié)構(gòu),獲得較好的分類效果。本文提出的SSMGE算法基于多圖協(xié)同表征的思想,通過充分利用有標(biāo)記和無標(biāo)記樣本構(gòu)建簡單圖和超圖,實現(xiàn)高光譜數(shù)據(jù)中復(fù)雜結(jié)構(gòu)表征。該方法不僅解決DHLP算法在標(biāo)記樣本較少時情況下超圖模型構(gòu)建不準(zhǔn)確問題,同時比S3ME方法中單一圖模型更有效表示數(shù)據(jù)中多元結(jié)構(gòu)關(guān)系,其低維嵌入特征可分性更好,可獲得更優(yōu)的分類精度。

    表1 不同算法在PaviaU數(shù)據(jù)集上的分類結(jié)果(總體分類準(zhǔn)確度±標(biāo)準(zhǔn)差(%) (kappa系數(shù)))

    Tab.1 Classification results with different numbers of training samples on the PaviaU data set(OA ± std (%) (KC))

    算法1020406080RAW64.30±5.26(0.558)67.27±1.90(0.592)71.21±1.78(0.637)73.60±1.57(0.664)75.55±0.74(0.688)PCA64.30±5.56(0.558)67.27±2.00(0.592)71.22±1.89(0.637)73.56±1.66(0.664)75.54±0.81(0.688)LDA29.51±5.12(0.171)59.48±2.03(0.493)71.19±1.61(0.634)74.63±1.62(0.675)78.37±0.78(0.721)MFA67.66±3.64(0.598)71.76±2.03(0.645)75.25±2.84(0.686)76.58±2.92(0.702)78.08±1.83(0.719)LGSFA52.17±5.29(0.419)64.58±3.58(0.556)70.71±3.11(0.630)75.45±1.63(0.686)78.72±1.44(0.725)DHLP63.52±2.99(0.544)64.02±2.69(0.551)69.53±2.12(0.616)74.32±1.74(0.673)78.34±0.98(0.721)S3ME67.28±3.29(0.592)73.46±3.22(0.664)78.49±2.33(0.725)82.58±1.33(0.775)83.74±1.06(0.789)SSMGE68.46±2.89(0.607)75.08±2.32(0.684)80.64±1.74(0.752)83.61±1.04(0.788)85.42±0.95(0.810)

    為探索各算法在各類地物上的分類性能,從PaviaU數(shù)據(jù)集中每類隨機(jī)選取80個的標(biāo)記樣本、600個的無標(biāo)記樣本作為訓(xùn)練集,剩余樣本作為測試集。表2為各類算法采用1-NN分類器測試各類樣本的結(jié)果,包含總體分類精度、平均分類精度、kappa系數(shù)和降維時間(DR Time),圖9為各算法在整個數(shù)據(jù)集上的分類結(jié)果圖。

    由表2可知,SSMGE在大多數(shù)地物類別中都具有較好的分類效果,具有最好的OA,AA和kappa系數(shù)。相比于S3ME算法,本文方法在訓(xùn)練時間上具有明顯的優(yōu)勢,這是由于S3ME采用稀疏表示的方法表征數(shù)據(jù)之間聯(lián)系,計算復(fù)雜較高。在圖9中,本文方法在“Meadows”,“Bitumen”,“Bricks” 等地物中分類效果較好,錯分點少,這是由于多圖結(jié)構(gòu)更能協(xié)同表征出數(shù)據(jù)的本征屬性,去除冗余信息,提取出更有利于區(qū)分不同地物的鑒別特征,有利于分類。

    表2 各類算法對PaviaU數(shù)據(jù)集每類地物的分類結(jié)果

    圖9 各類算法在PaviaU數(shù)據(jù)集上降維后的分類結(jié)果圖Fig.9 Classification maps of different DR methods with 1-NN for the PaviaU data set

    3.4 Urban實驗結(jié)果與分析

    從Urban數(shù)據(jù)集中每類地物隨機(jī)選取10,20,40,60,80個有標(biāo)記樣本和800個無標(biāo)記樣本作為訓(xùn)練集,剩余樣本作為測試集進(jìn)行實驗,表3為各維數(shù)簡約算法在不同標(biāo)記樣本下采用1-NN分類器進(jìn)行分類的實驗結(jié)果。

    表3 不同算法在Urban數(shù)據(jù)集上的分類結(jié)果(總體分類準(zhǔn)確度±標(biāo)準(zhǔn)差(%)(kappa系數(shù)))

    Tab.3 Classification results with different numbers of training samples on the Urban data set(OA ± std (%) (KC))

    算法1020406080RAW69.92±3.68(0.547)71.84±2.93(0.571)73.36±2.20(0.592)75.20±1.61(0.616)75.69±0.98(0.623)PCA69.92±3.86(0.547)71.84±3.09(0.571)73.37±2.31(0.592)75.18±1.68(0.615)75.69±1.04(0.623)LDA67.03±4.14(0.513)57.77±3.32(0.397)66.67±3.34(0.507)76.29±2.07(0.633)78.18±1.31(0.660)MFA73.16±2.65(0.592)74.48±2.65(0.609)75.79±1.37(0.628)76.54±2.16(0.637)77.09±1.39(0.645)LGSFA65.40±5.21(0.500)74.95±1.74(0.612)76.48±1.87(0.637)78.36±2.31(0.662)78.65±1.00(0.666)DHLP73.14±2.87(0.592)74.91±1.20(0.616)75.16±2.39(0.619)77.51±3.14(0.650)77.45±1.09(0.650)S3ME73.49±3.20(0.594)76.73±2.12(0.639)76.36±2.39(0.636)78.36±2.81(0.664)79.04±1.29(0.673)SSMGE74.14±2.90(0.606)77.16±1.92(0.645)78.09±1.37(0.659)79.38±2.30(0.678)80.07±0.81(0.687)

    由表3可知,MFA,LGSFA,DHLP等圖嵌入算法要明顯優(yōu)于PCA,LDA等傳統(tǒng)算法,說明圖嵌入能更有效表征數(shù)據(jù)的幾何結(jié)構(gòu);半監(jiān)督圖嵌入算法S3ME,SSMGE優(yōu)于其他監(jiān)督算法,這是由于半監(jiān)督方法可充分利用標(biāo)記樣本和無標(biāo)記樣本間的信息,提升了地物分類性能;本文SSMGE方法在各種訓(xùn)練條件下分類結(jié)果均優(yōu)于其他方法,這是由于其通過融合普通圖和超圖中的有用信息,從而可更充分表征高光譜數(shù)據(jù)的復(fù)雜結(jié)構(gòu)關(guān)系,并增強(qiáng)同類數(shù)據(jù)的聚集性和不同類數(shù)據(jù)的遠(yuǎn)離性,改善特征提取效果,提升地物分類精度。

    為進(jìn)一步研究各算法對各類地物的特征提取性能,從Urban數(shù)據(jù)集每類中隨機(jī)選取80個有標(biāo)記樣本和800個無標(biāo)記樣本作為訓(xùn)練樣本,其余作為測試樣本。表4為不同算法在每類地物上維數(shù)約簡后采用1-NN分類器分類的結(jié)果,包含OA,AA,Kappa和降維時間,圖10為各種算法在整個Urban數(shù)據(jù)集上分類結(jié)果圖。由表4可知,相對其他算法,SSMGE在該數(shù)據(jù)集大部分類別地物上都均能獲取更好的分類效果,且在圖10中“Grass”,“Concrete”等地物具有較為光滑的分類結(jié)果,錯分點少,表明多圖協(xié)同嵌入方法比單圖嵌入方法更能表征數(shù)據(jù)的內(nèi)部結(jié)構(gòu),提取出更有利于提高分類效果的低維嵌入特征。

    表4 各類算法對Urban數(shù)據(jù)集每類地物的分類結(jié)果

    圖10 各類算法在Urban數(shù)據(jù)集上降維后的分類結(jié)果圖Fig.10 Classification maps of different DR methods with 1-NN for the Urban data set

    4 結(jié) 論

    針對普通圖或超圖嵌入高光譜數(shù)據(jù)過程中表達(dá)形式單一,并為解決較少標(biāo)記樣本下特征提取問題,本文提出一種結(jié)合圖和超圖聯(lián)合表征的半監(jiān)督多圖嵌入(SSMGE)維數(shù)簡約方法,以提取低維鑒別特征。該方法通過標(biāo)記樣本的近鄰點構(gòu)建類內(nèi)圖、類間圖和類內(nèi)超圖、類間超圖,以多圖協(xié)同表征的形式挖掘高光譜影像中的數(shù)據(jù)關(guān)系,同時通過無標(biāo)記樣本的近鄰點與遠(yuǎn)離點構(gòu)建無監(jiān)督本征超圖和無監(jiān)督懲罰超圖,增加更多有利于分類的鑒別信息,同時加強(qiáng)超圖結(jié)構(gòu)在整個數(shù)據(jù)集中的結(jié)構(gòu)關(guān)系。在低維嵌入空間中,加強(qiáng)數(shù)據(jù)的類內(nèi)結(jié)構(gòu)和本征結(jié)構(gòu),遠(yuǎn)離數(shù)據(jù)的類間結(jié)構(gòu)和懲罰結(jié)構(gòu),以實現(xiàn)特征提取。在PaviaU和Urban高光譜數(shù)據(jù)集上的實驗表明,相比于其他對比方法,SSMGE的總體分類精度分別可達(dá)到85.92%和79.74%,說明本文提出的SSMGE方法相比于單圖嵌入方法能明顯提升地物分類性能,有利于實際應(yīng)用。由于本文方法僅利用高光譜數(shù)據(jù)的光譜信息,下一步工作將利用空間信息構(gòu)建空-譜超圖,進(jìn)一步提升分類性能。

    猜你喜歡
    類間頂點光譜
    基于三維Saab變換的高光譜圖像壓縮方法
    過非等腰銳角三角形頂點和垂心的圓的性質(zhì)及應(yīng)用(下)
    基于OTSU改進(jìn)的布匹檢測算法研究
    基于貝葉斯估計的多類間方差目標(biāo)提取*
    關(guān)于頂點染色的一個猜想
    基于類間相對均勻性的紙張表面缺陷檢測
    基于改進(jìn)最大類間方差法的手勢分割方法研究
    星載近紅外高光譜CO2遙感進(jìn)展
    苦味酸與牛血清蛋白相互作用的光譜研究
    鋱(Ⅲ)與PvdA作用的光譜研究
    av女优亚洲男人天堂| 午夜福利影视在线免费观看| 国产乱来视频区| 欧美在线黄色| 中文字幕人妻丝袜制服| tube8黄色片| 亚洲人成网站在线观看播放| 一级片免费观看大全| 国产成人欧美在线观看 | 中文字幕av电影在线播放| 一级黄片播放器| 免费黄频网站在线观看国产| 最近中文字幕2019免费版| 精品国产乱码久久久久久小说| 久久久久久久久免费视频了| 久热爱精品视频在线9| 亚洲国产看品久久| 欧美精品一区二区大全| 最近最新中文字幕免费大全7| 久久久久久久精品精品| 99九九在线精品视频| 国产片特级美女逼逼视频| 亚洲伊人色综图| 日韩,欧美,国产一区二区三区| 不卡视频在线观看欧美| 国产极品天堂在线| 人人妻人人澡人人看| 亚洲综合色网址| av电影中文网址| 亚洲伊人色综图| av有码第一页| 国产国语露脸激情在线看| 免费观看性生交大片5| 精品国产超薄肉色丝袜足j| 80岁老熟妇乱子伦牲交| 亚洲av欧美aⅴ国产| 最新在线观看一区二区三区 | 好男人视频免费观看在线| 丝袜在线中文字幕| 亚洲,欧美,日韩| 男女边摸边吃奶| 亚洲精品国产一区二区精华液| 丝袜美足系列| 秋霞在线观看毛片| 精品人妻一区二区三区麻豆| 青春草国产在线视频| 亚洲图色成人| 日本91视频免费播放| 精品一品国产午夜福利视频| 亚洲成人国产一区在线观看 | avwww免费| 19禁男女啪啪无遮挡网站| 街头女战士在线观看网站| 欧美少妇被猛烈插入视频| 欧美日韩av久久| 欧美在线黄色| 一级,二级,三级黄色视频| 夫妻午夜视频| 午夜激情av网站| 美女午夜性视频免费| 亚洲第一区二区三区不卡| 亚洲免费av在线视频| 亚洲婷婷狠狠爱综合网| 国产野战对白在线观看| 女人久久www免费人成看片| 哪个播放器可以免费观看大片| 欧美久久黑人一区二区| 亚洲欧美精品综合一区二区三区| 久久亚洲国产成人精品v| 国产精品国产三级专区第一集| 亚洲综合色网址| 老司机亚洲免费影院| 欧美精品高潮呻吟av久久| 欧美日韩一区二区视频在线观看视频在线| 各种免费的搞黄视频| 中文字幕精品免费在线观看视频| 搡老岳熟女国产| 国产精品av久久久久免费| 操美女的视频在线观看| 欧美人与性动交α欧美软件| 国产淫语在线视频| 亚洲精品自拍成人| av天堂久久9| 激情视频va一区二区三区| 国产伦理片在线播放av一区| 别揉我奶头~嗯~啊~动态视频 | √禁漫天堂资源中文www| www日本在线高清视频| 欧美在线黄色| 电影成人av| 黑人猛操日本美女一级片| 侵犯人妻中文字幕一二三四区| 少妇被粗大的猛进出69影院| 日韩大码丰满熟妇| 国产99久久九九免费精品| 中文字幕制服av| www.av在线官网国产| 视频区图区小说| av国产久精品久网站免费入址| 十八禁高潮呻吟视频| 国产av精品麻豆| 中文字幕色久视频| 最近2019中文字幕mv第一页| 国产成人一区二区在线| 日本一区二区免费在线视频| 欧美人与性动交α欧美软件| 另类亚洲欧美激情| 久久性视频一级片| 久久精品久久精品一区二区三区| 伊人久久国产一区二区| 人成视频在线观看免费观看| 亚洲精品国产色婷婷电影| 黄网站色视频无遮挡免费观看| 在线精品无人区一区二区三| 日韩一卡2卡3卡4卡2021年| 亚洲欧美一区二区三区久久| 日本91视频免费播放| 永久免费av网站大全| 多毛熟女@视频| 国产片特级美女逼逼视频| 赤兔流量卡办理| 久久99精品国语久久久| 啦啦啦在线免费观看视频4| 日日啪夜夜爽| 美女大奶头黄色视频| 成人影院久久| 熟妇人妻不卡中文字幕| 久久久久久久久久久免费av| 精品国产一区二区久久| 久久青草综合色| 在现免费观看毛片| 亚洲,欧美,日韩| 国产精品秋霞免费鲁丝片| 亚洲精品国产av成人精品| 日韩精品免费视频一区二区三区| 欧美日韩视频精品一区| 女人爽到高潮嗷嗷叫在线视频| 精品国产一区二区三区四区第35| 国产黄频视频在线观看| 精品卡一卡二卡四卡免费| 国产又爽黄色视频| 久久精品亚洲av国产电影网| 嫩草影院入口| 国产淫语在线视频| 美女主播在线视频| 欧美 亚洲 国产 日韩一| 在线观看免费视频网站a站| 成人手机av| 国产免费视频播放在线视频| 精品一区二区三卡| 免费观看a级毛片全部| 国产免费一区二区三区四区乱码| 久久婷婷青草| 久久精品久久久久久噜噜老黄| 日韩免费高清中文字幕av| 午夜福利乱码中文字幕| 亚洲美女黄色视频免费看| 中文字幕高清在线视频| 一区福利在线观看| 欧美日韩福利视频一区二区| 成年人午夜在线观看视频| 欧美老熟妇乱子伦牲交| 极品人妻少妇av视频| 9热在线视频观看99| 国产毛片在线视频| 少妇人妻久久综合中文| 亚洲五月色婷婷综合| www.av在线官网国产| 日韩中文字幕视频在线看片| 黄色 视频免费看| 精品国产露脸久久av麻豆| 亚洲国产中文字幕在线视频| 老司机靠b影院| 叶爱在线成人免费视频播放| 中文字幕最新亚洲高清| 精品人妻一区二区三区麻豆| 在线观看免费日韩欧美大片| 一本大道久久a久久精品| 国产午夜精品一二区理论片| 精品一区二区三区四区五区乱码 | 如何舔出高潮| 男女下面插进去视频免费观看| 久久综合国产亚洲精品| 一个人免费看片子| 国产精品无大码| 日韩欧美精品免费久久| 宅男免费午夜| 少妇的丰满在线观看| 麻豆乱淫一区二区| 国产成人精品在线电影| 国产人伦9x9x在线观看| 国产亚洲精品第一综合不卡| 如日韩欧美国产精品一区二区三区| 欧美日韩国产mv在线观看视频| 欧美变态另类bdsm刘玥| 日本vs欧美在线观看视频| 97精品久久久久久久久久精品| 女性生殖器流出的白浆| av天堂久久9| 极品少妇高潮喷水抽搐| 18在线观看网站| 丝袜美足系列| 亚洲男人天堂网一区| 桃花免费在线播放| 亚洲精品中文字幕在线视频| 肉色欧美久久久久久久蜜桃| av国产精品久久久久影院| 久久国产精品男人的天堂亚洲| 男人操女人黄网站| 国产 精品1| av有码第一页| 精品第一国产精品| 一个人免费看片子| 99热国产这里只有精品6| 777久久人妻少妇嫩草av网站| www.av在线官网国产| 亚洲精品国产一区二区精华液| 女的被弄到高潮叫床怎么办| 久久免费观看电影| 国语对白做爰xxxⅹ性视频网站| 宅男免费午夜| 大片电影免费在线观看免费| 久久人人97超碰香蕉20202| 日韩av不卡免费在线播放| 王馨瑶露胸无遮挡在线观看| 亚洲,欧美,日韩| 亚洲av福利一区| 悠悠久久av| 永久免费av网站大全| 啦啦啦在线免费观看视频4| 久久精品aⅴ一区二区三区四区| 婷婷色麻豆天堂久久| 黄片播放在线免费| 777久久人妻少妇嫩草av网站| 啦啦啦在线观看免费高清www| 亚洲欧美一区二区三区国产| 赤兔流量卡办理| 十八禁人妻一区二区| 黑人欧美特级aaaaaa片| 99热全是精品| 赤兔流量卡办理| 久久精品亚洲av国产电影网| 啦啦啦在线免费观看视频4| 乱人伦中国视频| 免费观看人在逋| 777米奇影视久久| 国产 精品1| 国产伦理片在线播放av一区| 欧美人与性动交α欧美精品济南到| 中文字幕av电影在线播放| 亚洲av成人不卡在线观看播放网 | 亚洲欧美中文字幕日韩二区| 热99久久久久精品小说推荐| 香蕉国产在线看| 久久97久久精品| 极品少妇高潮喷水抽搐| 国产福利在线免费观看视频| av一本久久久久| 美女视频免费永久观看网站| 人人妻人人澡人人爽人人夜夜| 最新在线观看一区二区三区 | 大片免费播放器 马上看| 免费少妇av软件| 这个男人来自地球电影免费观看 | 亚洲中文av在线| 亚洲国产av影院在线观看| 亚洲综合精品二区| 日韩精品免费视频一区二区三区| 亚洲精品久久久久久婷婷小说| 精品一区二区三区av网在线观看 | 久久久国产一区二区| av电影中文网址| 天天躁夜夜躁狠狠躁躁| 午夜福利免费观看在线| 国产精品亚洲av一区麻豆 | 欧美精品一区二区大全| 久久影院123| 晚上一个人看的免费电影| 亚洲精品美女久久久久99蜜臀 | 激情五月婷婷亚洲| 婷婷色av中文字幕| 亚洲av电影在线进入| 又粗又硬又长又爽又黄的视频| 建设人人有责人人尽责人人享有的| 看免费成人av毛片| 99久久精品国产亚洲精品| 99久久综合免费| 美女午夜性视频免费| 欧美日韩成人在线一区二区| 亚洲色图综合在线观看| av在线app专区| 美女大奶头黄色视频| 精品卡一卡二卡四卡免费| 青春草视频在线免费观看| 国产极品天堂在线| 91精品国产国语对白视频| 午夜福利视频在线观看免费| 久久人妻熟女aⅴ| 国产精品欧美亚洲77777| 国产乱来视频区| 久久久国产精品麻豆| 精品久久蜜臀av无| 精品国产超薄肉色丝袜足j| 欧美激情高清一区二区三区 | 国产不卡av网站在线观看| 99热国产这里只有精品6| 777久久人妻少妇嫩草av网站| 亚洲国产精品999| 性少妇av在线| 最近的中文字幕免费完整| 久久精品人人爽人人爽视色| 午夜福利视频精品| 亚洲在久久综合| 精品一区在线观看国产| 亚洲国产毛片av蜜桃av| 最近最新中文字幕免费大全7| 丝瓜视频免费看黄片| 99香蕉大伊视频| 热re99久久精品国产66热6| 天天躁夜夜躁狠狠久久av| 在线 av 中文字幕| 交换朋友夫妻互换小说| 水蜜桃什么品种好| 麻豆av在线久日| 国产精品久久久久久精品电影小说| 黄频高清免费视频| 欧美 亚洲 国产 日韩一| 国产av码专区亚洲av| 9191精品国产免费久久| 久久国产精品大桥未久av| 久久国产亚洲av麻豆专区| 久久鲁丝午夜福利片| 亚洲av电影在线观看一区二区三区| avwww免费| 中文精品一卡2卡3卡4更新| 丝袜喷水一区| 中文精品一卡2卡3卡4更新| 少妇精品久久久久久久| 中文精品一卡2卡3卡4更新| 国产精品久久久av美女十八| 色综合欧美亚洲国产小说| 欧美av亚洲av综合av国产av | 18禁国产床啪视频网站| 搡老乐熟女国产| 午夜福利一区二区在线看| 国产成人啪精品午夜网站| 亚洲专区中文字幕在线 | 国产 精品1| 精品少妇黑人巨大在线播放| 女人精品久久久久毛片| 侵犯人妻中文字幕一二三四区| 成人亚洲欧美一区二区av| 国产高清国产精品国产三级| 亚洲成人免费av在线播放| 国产女主播在线喷水免费视频网站| 久久久久久久精品精品| 乱人伦中国视频| 亚洲精品日韩在线中文字幕| 99久久99久久久精品蜜桃| 日韩 欧美 亚洲 中文字幕| 亚洲色图 男人天堂 中文字幕| 老司机深夜福利视频在线观看 | 久久久久网色| 久久鲁丝午夜福利片| 亚洲av福利一区| 午夜精品国产一区二区电影| 午夜福利网站1000一区二区三区| 国产1区2区3区精品| 久久国产精品男人的天堂亚洲| av免费观看日本| 一边摸一边抽搐一进一出视频| 久久精品国产亚洲av涩爱| 国产成人欧美在线观看 | 国产不卡av网站在线观看| tube8黄色片| 又大又爽又粗| 国产在视频线精品| 18禁国产床啪视频网站| 久久久久视频综合| 亚洲美女搞黄在线观看| 一级,二级,三级黄色视频| 国产成人a∨麻豆精品| 麻豆精品久久久久久蜜桃| 中文字幕另类日韩欧美亚洲嫩草| 亚洲精品国产色婷婷电影| 精品人妻一区二区三区麻豆| 亚洲精品,欧美精品| 老司机深夜福利视频在线观看 | 黄色毛片三级朝国网站| 国产成人欧美在线观看 | 激情五月婷婷亚洲| 精品人妻一区二区三区麻豆| 如日韩欧美国产精品一区二区三区| 色婷婷久久久亚洲欧美| 精品酒店卫生间| 黑人猛操日本美女一级片| 国产精品久久久人人做人人爽| 黑人猛操日本美女一级片| 蜜桃在线观看..| 久久热在线av| 五月开心婷婷网| 王馨瑶露胸无遮挡在线观看| 亚洲欧美一区二区三区黑人| 国产精品久久久久久精品电影小说| 日韩av不卡免费在线播放| 一边摸一边做爽爽视频免费| 69精品国产乱码久久久| 亚洲美女搞黄在线观看| 成年女人毛片免费观看观看9 | 19禁男女啪啪无遮挡网站| 91精品伊人久久大香线蕉| 捣出白浆h1v1| 男女边吃奶边做爰视频| 亚洲在久久综合| 国产精品久久久久成人av| 欧美亚洲日本最大视频资源| 亚洲在久久综合| 欧美人与性动交α欧美精品济南到| 亚洲色图综合在线观看| 男人舔女人的私密视频| 亚洲人成77777在线视频| 菩萨蛮人人尽说江南好唐韦庄| 午夜91福利影院| tube8黄色片| 国产成人精品久久二区二区91 | 大码成人一级视频| 下体分泌物呈黄色| 18禁国产床啪视频网站| 69精品国产乱码久久久| 毛片一级片免费看久久久久| 美女中出高潮动态图| 精品久久久久久电影网| 999久久久国产精品视频| 午夜日本视频在线| 女性被躁到高潮视频| 人人妻人人澡人人爽人人夜夜| 欧美久久黑人一区二区| 秋霞伦理黄片| 亚洲综合色网址| 国产日韩欧美亚洲二区| 精品一区二区三区四区五区乱码 | 欧美国产精品va在线观看不卡| 岛国毛片在线播放| 日韩成人av中文字幕在线观看| 秋霞伦理黄片| 美女扒开内裤让男人捅视频| 免费少妇av软件| 精品一区二区免费观看| 午夜精品国产一区二区电影| 一区在线观看完整版| 在线天堂最新版资源| 久久热在线av| 90打野战视频偷拍视频| 在现免费观看毛片| 日韩大码丰满熟妇| 久久久久久人妻| 狂野欧美激情性xxxx| 考比视频在线观看| xxxhd国产人妻xxx| 中文字幕另类日韩欧美亚洲嫩草| 亚洲欧美精品综合一区二区三区| av免费观看日本| 国产乱人偷精品视频| 一级片'在线观看视频| 国产午夜精品一二区理论片| 高清不卡的av网站| 成年美女黄网站色视频大全免费| 侵犯人妻中文字幕一二三四区| 一区在线观看完整版| 亚洲少妇的诱惑av| 黑人猛操日本美女一级片| 91精品三级在线观看| 99九九在线精品视频| 欧美在线一区亚洲| 999精品在线视频| 性少妇av在线| 午夜福利一区二区在线看| 日本av手机在线免费观看| 国产高清不卡午夜福利| 水蜜桃什么品种好| 欧美日韩一级在线毛片| 亚洲第一av免费看| 人人澡人人妻人| 国产高清不卡午夜福利| 国产精品免费视频内射| 99香蕉大伊视频| tube8黄色片| 国产人伦9x9x在线观看| 色94色欧美一区二区| 亚洲一区中文字幕在线| 亚洲天堂av无毛| 亚洲成人免费av在线播放| 激情五月婷婷亚洲| 久久久久久久久久久免费av| 9热在线视频观看99| 国产一区二区三区av在线| 嫩草影视91久久| 午夜激情久久久久久久| 亚洲男人天堂网一区| 精品国产国语对白av| 成人毛片60女人毛片免费| 久久精品久久久久久久性| 少妇人妻久久综合中文| 久久毛片免费看一区二区三区| 丁香六月欧美| 交换朋友夫妻互换小说| 中文字幕亚洲精品专区| xxx大片免费视频| 免费在线观看完整版高清| 99九九在线精品视频| 色精品久久人妻99蜜桃| www.自偷自拍.com| 国产精品 欧美亚洲| 国产一区二区激情短视频 | 天美传媒精品一区二区| 天堂中文最新版在线下载| 韩国高清视频一区二区三区| 女人精品久久久久毛片| 欧美激情 高清一区二区三区| 亚洲婷婷狠狠爱综合网| 亚洲一区二区三区欧美精品| 亚洲伊人色综图| 激情五月婷婷亚洲| 免费高清在线观看日韩| 亚洲精品成人av观看孕妇| bbb黄色大片| 久久精品熟女亚洲av麻豆精品| 观看美女的网站| av.在线天堂| 亚洲精品在线美女| 可以免费在线观看a视频的电影网站 | 99国产综合亚洲精品| 九色亚洲精品在线播放| bbb黄色大片| 日韩一区二区视频免费看| 黄色毛片三级朝国网站| 电影成人av| 中文字幕亚洲精品专区| 国产成人啪精品午夜网站| 精品酒店卫生间| 国产 精品1| 又大又黄又爽视频免费| 午夜福利一区二区在线看| 嫩草影院入口| 最新的欧美精品一区二区| av在线app专区| 精品第一国产精品| 国产伦人伦偷精品视频| 国产一级毛片在线| 2018国产大陆天天弄谢| 国产欧美亚洲国产| 欧美精品亚洲一区二区| 日韩精品有码人妻一区| 国产午夜精品一二区理论片| 日韩欧美精品免费久久| 黄片无遮挡物在线观看| 欧美精品高潮呻吟av久久| 国产成人av激情在线播放| 狠狠婷婷综合久久久久久88av| 热re99久久精品国产66热6| 精品久久蜜臀av无| 黄色视频不卡| a 毛片基地| 少妇人妻 视频| 另类亚洲欧美激情| 亚洲综合精品二区| 日本色播在线视频| avwww免费| 亚洲婷婷狠狠爱综合网| 欧美日韩成人在线一区二区| 国产一区有黄有色的免费视频| 久久久久久久精品精品| 欧美精品一区二区大全| 乱人伦中国视频| 精品第一国产精品| 久久99一区二区三区| 久久久久久人妻| 国产亚洲最大av| 在线天堂最新版资源| 老汉色∧v一级毛片| 美女扒开内裤让男人捅视频| 国产精品一区二区在线观看99| 麻豆精品久久久久久蜜桃| 精品久久蜜臀av无| 五月开心婷婷网| 国产日韩欧美视频二区| 一本色道久久久久久精品综合| 国产探花极品一区二区| 欧美精品亚洲一区二区| 国产97色在线日韩免费| 亚洲在久久综合| 一边摸一边抽搐一进一出视频| 亚洲欧美成人综合另类久久久| 宅男免费午夜| 女性被躁到高潮视频| 亚洲国产av新网站| 亚洲精品一二三| 欧美人与性动交α欧美软件| 精品国产乱码久久久久久小说| 久久天堂一区二区三区四区| 99九九在线精品视频| 制服诱惑二区| 久久精品熟女亚洲av麻豆精品| 好男人视频免费观看在线| 亚洲国产欧美一区二区综合| 国产精品一二三区在线看| 叶爱在线成人免费视频播放| 国产精品.久久久| 亚洲五月色婷婷综合| 99精国产麻豆久久婷婷| 热re99久久国产66热| 人人妻人人爽人人添夜夜欢视频| 久久久久视频综合| 国产亚洲av片在线观看秒播厂| 亚洲av成人精品一二三区|