• <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 ?

    基于統(tǒng)計直方圖k-means聚類的水稻冠層圖像分割

    2021-01-29 10:44:14陳科尹,吳崇友,關卓懷,李海同,王剛
    江蘇農(nóng)業(yè)學報 2021年6期
    關鍵詞:means聚類圖像分割

    陳科尹,吳崇友,關卓懷,李海同,王剛

    摘要:針對現(xiàn)有k-means聚類圖像分割方法存在對初始聚類中心敏感、易錯分割以及運行時效低等問題,提出了一種基于統(tǒng)計直方圖k-means聚類的水稻冠層圖像分割方法。該方法首先根據(jù)圖像直方圖蘊含的像素數(shù)量先驗信息,選擇像素數(shù)量差異較大的像素值作為水稻冠層圖像的初始聚類中心;然后再利用圖像直方圖中像素值與圖像像素數(shù)量的先驗對應關系,對水稻冠層圖像聚類目標函數(shù)權值化;最后依據(jù)k-means聚類框架對水稻冠層圖像進行聚類分割。為了驗證本方法的有效性,分別同基于k-means、k-means++、k-mc2、afk-mc2等4種主流均值聚類的水稻冠層圖像特征像素提取方法進行對比試驗。結果表明:對于臨稻20號、武運粳32號以及中粳798號成熟中期水稻冠層圖像聚類分割,常光下本方法的平均類內(nèi)平方差分別為36.6、29.5、29.5,平均類間平方差分別為67.5、51.8、51.8,平均運行時間分別為0.2 s、0.3 s、0.3 s;強光下本方法的平均類內(nèi)平方差分別為15.2、4.9、12.1,平均類間平方差分別為30.9、9.5、21.2,平均運行時間分別為0.3 s、0.2 s、0.3 s,均優(yōu)于以上4種聚類方法。

    關鍵詞:水稻冠層圖像;圖像分割;統(tǒng)計直方圖;k-means聚類

    中圖分類號:S126文獻標識碼:A文章編號:1000-4440(2021)06-1425-11

    Rice canopy image segmentation based on statistical histogram k-means clustering

    CHEN Ke-yin1,2,WU Chong-you 2,GUAN Zhuo-huai 2,LI Hai-tong2,WANG Gang2

    (1.School of Physics and Electronic Engineering, Jiaying University, Meizhou 514015, China;2.Nanjing Institute of Agricultural Mechanization,Ministry of Agriculture and Rural Affairs, Nanjing 210014, China)

    Abstract:A rice canopy image segmentation method based on statistical histogram k-means clustering was proposed to solve the problems of existing k-means methods, such as sensitivity to the initial cluster center, error prone segmentation and low operation efficiency. Firstly, according to the image histogram, the pixel value with large difference in the number of pixels was selected as the initial cluster center of the rice canopy image. Secondly, the prior correspondence between the pixel value in the image histogram and the number of pixels in the image was used to weight the clustering objective function. Finally, the k-means clustering framework was used to cluster and segment the rice canopy image. In order to verify the effectiveness of the proposed method, comparative experiments were carried out with the feature pixel extraction methods of rice canopy images based on k-means, k-means++, k-mc2 and afk-mc2. The results showed that the canopy images of Lindao 20, Wuyunjing 32 and Zhongjing 798 were clustered and seymented at mid-maturing stage, and the average intra-class sequare errors were 36.6, 29.5 and 29.5 under normal light conditions, the average inter-class square errors were 67.5, 51.8 and 51.8, and the average running time was 0.2 s, 0.3 s and 0.3 s. Under strong light conditions, the average intra-class square errors were 15.2, 4.9 and 12.1, the average inter-class square errors were 30.9, 9.5 and 21.2, and the average running time was 0.3 s, 0.2 s and 0.3 s. The results of the method used in this study are better than the above four traditional clustering methods.

    Key words:rice canopy image;image segmentation;statistical histogram;k-means clustering

    目前,國內(nèi)外關于水稻聯(lián)合收割機喂入量調(diào)控及基于水稻冠層圖像的種植密度預測方面的研究較少,處于探索階段,行之有效的成果并不多。國內(nèi)這方面研究比較有代表性的成果有:楊一平等設計了一種聯(lián)合收割機喂入量信號采集電路,通過獲取機械式喂入量傳感器獲取當前時刻喂入量[1];陳進等提出使用扭矩傳感器測量物料脫粒分離情況,從而間接計算喂入量[2];梁學修等提出通過采集滾筒扭矩、轉速信息,以及谷物籽粒的流量信息和位置、速度信息,推算出當前收割機喂入量[3];潘靜等[4-5]和王軻[6]提出利用圖像處理算法檢測水稻種植密度,從而間接預測喂入量。國外這方面研究比較有代表性的成果有:kumhala等提出使用扭矩計測量壓扁器輸入功率,進而間接計算喂入量[7];Montes等提出使用近紅外光譜圖像分析方法,檢測田間作物的種植密度[8];EI-Faki等研究了農(nóng)田環(huán)境影響作物種植密度檢測準確度因素[9]??梢?,目前水稻聯(lián)合收割機喂入量調(diào)控主要有2種方式:一種是通過機械式傳感器直接計算喂入量來調(diào)控,這方式雖然較為簡便,但不能實時根據(jù)田間水稻種植情況調(diào)控喂入量;一種是通過圖像處理獲取水稻種植密度間接計算喂入量來調(diào)控,主要采用圖像閾值分割方法提取出水稻冠層圖像的葉、谷以及田間背景特征像素,然后根據(jù)這些特征像素建立定量模型對水稻種植密度進行預測[10]。關于利用圖像閾值對水稻冠層圖像分割的研究,國內(nèi)主要有:王遠等根據(jù)數(shù)字圖像綠色通道和紅色通道差值,通過圖像閾值對水稻冠層圖像進行分割[11];黃巧義等基于可見光譜,選擇Otsu圖像閾值和SVM支持向量機對水稻冠層圖像進行分割[12-14];徐梅宣等基于G-R顏色通道,選擇最大類間方差圖像閾值方法對水稻冠層圖像進行分割[15]。但作者還未發(fā)現(xiàn)基于圖像閾值的水稻冠層圖像分割相關外文文獻。而圖像閾值分割需要事先確定一組合理的閾值,才能取得理想的分割效果。但是水稻冠層圖像除了葉、谷圖像特征像素外,還包含復雜的田間背景圖像特征像素,這三者圖像特征像素交叉分布,很難找到一組合適的閾值把它們區(qū)分開來,進行圖像閾值分割。并且,圖像閾值方法只能實現(xiàn)單個目標的分割,很難實現(xiàn)多個目標的分割,而水稻冠層往往需要實現(xiàn)葉、谷以及田間背景多目標的分割。

    為此,本研究選擇k-means聚類,對成熟中期水稻冠層圖像進行圖像分割,利用其統(tǒng)計直方圖蘊含的聚類空間位置信息,對聚類中心進行先驗初始化和聚類目標函數(shù)權值化,解決聚類效果不理想、影響冠層葉、谷圖像特征像素提取的問題。

    1水稻冠層圖像采集及其顏色空間分析

    1.1水稻冠層圖像采集

    水稻冠層圖像采集地點為江蘇省泰州市紅旗種子試驗基地,水稻品種分別為臨稻20號、武運粳32號、中粳798號,隨機在每塊田地不同區(qū)域,采集水稻冠層圖像。設計了如圖1所示的數(shù)碼相機支架,該支架可根據(jù)田間情況,自由調(diào)整數(shù)碼相機的高度和方向。通過該支架調(diào)整數(shù)碼相機的高度和方向,使該相機距離水稻植株正上方100 cm處,選擇上午9∶00-11∶00時間段,田間陽光均勻即常光下采集3個品種水稻成熟中期冠層圖像各30張;選擇下午13∶30-15∶30時間段,田間陽光強烈即強光下,采集3個品種水稻冠層圖像各30張;選擇下午17∶30-18∶30時間段,田間陽光昏暗即弱光下,采集3個品種水稻冠層圖像各30張。以上每張冠層圖像分辨率大小為640×480個像素,如圖2所示。

    1.2水稻冠層圖像顏色空間分析

    在進行水稻冠層圖像聚類分割之前,一般要選擇一個合適的聚類空間,由于水稻冠層葉、谷以及田間背景圖像特征在顏色方面存在差異,所以本文選擇顏色空間作為水稻冠層圖像的聚類空間。常見的圖像顏色空間有:RGB、HSV、YCbCr和Lab。 通過對水稻冠層圖像的顏色空間統(tǒng)計分析,發(fā)現(xiàn)基于RGB空間和Lab空間,水稻冠層葉、谷以及田間背景圖像特征分布過于集中,很難區(qū)分;基于HSV空間,水稻冠層葉、谷以及田間背景圖像特征分布又過于分散,也很難區(qū)分;只有基于YCbCr空間,水稻冠層葉、谷以及田間背景圖像特征才容易區(qū)分。所以,聚類分割前,選擇將水稻冠層圖像從RGB空間轉換為YCbCr空間。

    2k-means聚類框架與水稻冠層圖像分割

    2.1k-means聚類框架改進

    雖然k-means[16-26]、k-means++[27-29]、k-mc2[30-31]和afk-mc2[32-33] 4種聚類在具體細節(jié)上有所差異,但后3種聚類都在k-means聚類基礎進行改進的,它們都屬于k-means聚類框架[34]。k-means聚類的一般框架思路是:假設存在一個包含N個樣本數(shù)據(jù)的數(shù)據(jù)集,以及給定聚類數(shù)目k,首先隨機選擇k個樣本分別作為初始聚類中心,然后依據(jù)聚類目標函數(shù)采用迭代的方法,計算還未劃分剩余的樣本數(shù)據(jù)到每個聚類中心的距離,并將該樣本數(shù)據(jù)劃分到與之最近的那個聚類中心所在的簇類,對劃分完的每一個簇類,重新計算該簇類內(nèi)所有數(shù)據(jù)平均值不斷修改聚類中心,再進行新一輪劃分聚類,直到簇類內(nèi)誤差平方和最小化。

    但是該聚類框架存在以下不足[35-37]:(1) 隨機選擇初始聚類中心。聚類中心的初始值直接影響聚類結果的好壞。雖然k-means聚類框架可以通過迭代不斷調(diào)整聚類中心,但也只能達到局部最優(yōu),不能達到全局最優(yōu)。隨機選擇初始聚類中心,盡管操作簡單,但一般很難得到理想的聚類結果。所以,在進行聚類劃分之前,事先對待聚類樣本數(shù)據(jù)進行統(tǒng)計分析,基于先驗的統(tǒng)計結果,盡量選擇相似性小的樣本數(shù)據(jù)作為初始聚類中心。(2) 聚類目標函數(shù)基于歐式距離。聚類目標函數(shù)計算方式的不同會導致不同的聚類結果,但基于歐式距離的聚類目標函數(shù)對待聚類樣本數(shù)據(jù)同等處理,但是實踐中面對待聚類樣本數(shù)據(jù)的側重點不同。對聚類目標函數(shù)進行權值化,更加符合實際情況。(3) 待聚類樣本數(shù)據(jù)之間存在相關性。在k-means聚類框架中使用歐氏距離只是計算距離,沒有排除待聚類樣本數(shù)據(jù)之間的相關性,聚類結果對數(shù)據(jù)相關性非常敏感。所以,事先對待聚類樣本數(shù)據(jù)屬性特征進行主成分多元統(tǒng)計分析,找出代表待聚類樣本數(shù)據(jù)的主要屬性特征,從而降低聚類空間維數(shù)。

    由于圖像顏色空間直方圖與圖像像素之間存在一一對應關系,通過此直方圖可挖掘出蘊含在圖像顏色空間中的聚類先驗信息。所以,在考慮水稻冠層圖像顏色空間基礎上,首先計算出顏色空間直方圖,然后按照該直方圖所對應的水稻冠層圖像像素個數(shù)的大小,選擇圖像像素個數(shù)差異較大的像素作為初始聚類中心,并依據(jù)該直方圖對聚類目標函數(shù)進行權值化,從而壓縮圖像聚類空間維數(shù)。最后按照k-means聚類框架進行聚類分割,從而提取出水稻冠層圖像中葉、谷以及田間背景圖像特征像素?;谝陨戏治觯瑢-means聚類框架中的距離公式、聚類中心更新公式和聚類目標函數(shù)公式以及初始聚類中心的選擇方法進行修改,具體如下:

    聚類距離公式:

    di=X-Ci(1)

    修改為:

    di=X-Ci·H[X](2)

    聚類中心更新公式:

    Ci=Xij∑Nij=1Xij(3)

    修改為:

    Ci=Xij·H[Xij]∑Nij=1H[Xij](4)

    聚類目標函數(shù)公式:

    J=∑ki=1∑Nij=1Xij-Ci2(5)

    修改為:

    J=∑ki=1∑Nij=1Xij-Ci2·H[Xij](6)

    其中,X=(Y,Cb,Cr)為圖像顏色空間數(shù)據(jù);Ci為第i個聚類中心,k為聚類數(shù)目,i=1,2,...,k;Xij為屬于第i類的圖像顏色空間數(shù)據(jù),Ni為屬于聚類中心Ci的Xij個數(shù),j=1,2,...,Ni。

    初始聚類中心的選擇方法:

    HS[*]=Sort(H[*])(7)

    其中,H[*]為圖像顏色空間直方圖,HS[*]為降冪排序后的直方圖,Sort()表示降冪排序。

    Xij=Select{kHS[*]}(8)

    其中,Select{kHS[*]}表示根據(jù)HS[*]大小選擇其所對應的k類圖像顏色空間數(shù)據(jù),Xij為屬于第i類的圖像顏色空間數(shù)據(jù),k為聚類數(shù)目,i=1,2,...,k,j=1,2,...,Ni,Ni為屬于第i類Xij的個數(shù)。

    C(0)i=1Ni∑ijXij(9)

    其中,C(0)i為第i個聚類中心的初始值,Xij為屬于第i類的圖像顏色空間數(shù)據(jù),k為聚類數(shù)目,i=1,2,...,k,j=1,2,...,Ni,Ni為屬于第i類Xij的個數(shù)。

    2.2水稻冠層圖像分割

    基于本研究方法,提取水稻冠層圖像的葉、谷以及田間背景特征像素的算法步驟為:

    Step1:采集水稻冠層圖像數(shù)據(jù)。

    Step2:將其從RGB顏色空間轉換為YCbCr顏色空間,形成對應圖像顏色空間數(shù)據(jù)X。

    Step3:基于YCbCr顏色空間,計算圖像顏色空間直方圖H[*]。

    Step4:設置聚類數(shù)目k。

    Step5:依據(jù)公式(7)、公式(8) 、公式(9),選擇k個初始聚類中心Ci=C(0)i,i=1,...,k。

    Step6:按照公式(2),計算每個圖像顏色空間數(shù)據(jù)(X)到k個聚類中心(Ci)的距離(di)。

    Step7:分配每個圖像顏色空間數(shù)據(jù)X到與它距離最近的聚類中心所在的類族,并記下其所屬的類別Label[X]。

    Step8:按照公式(4),更新聚類中心(Ci),i=1,...,k。

    Step9:按照公式(6),計算聚類目標函數(shù)(J)。

    Step10:若J值收斂,輸出k個最優(yōu)聚類中心? ,Cibest=Ci,轉到Step11,否則,轉到Step6。

    Step11:按照公式(2),計算X到k個最優(yōu)聚類中心Cibest的距離dibest。

    Step12:分配每一個圖像顏色空間數(shù)據(jù)X到與它距離最近的最優(yōu)聚類中心所在的類族,并記下其所屬的類別Label[X]。

    Step13:按照Label[X]與圖像顏色空間數(shù)據(jù)(X)的對應關系,輸出圖像聚類結果即得到水稻冠層圖像葉、谷以及田間背景特征像素的歸類。

    3結果與分析

    為了驗證本方法的有效性,運用VC++2015和OpenCV編寫聚類程序,選擇YCbCr顏色空間,基于k-means、k-means++、k-mc2、afk-mc2等聚類方法和本方法,分別在常光、強光和弱光情況下,對成熟中期的臨稻20號、武運粳32號和中粳798號各30張冠層圖像,進行聚類分割試驗。具體分割效果如圖3至圖7所示。

    由圖3所示的基于k-means聚類的水稻冠層圖像分割結果定性分析可知,臨稻20號葉、谷以及田間背景特征像素的聚類提取結果在強光下效果最好,錯分類像素較少,其次是在常光下,效果最差是在弱光下,部分田間背景特征像素錯分為葉特征像素;武運粳32號葉、谷以及田間背景特征像素的聚類提取結果在常光下效果最好,錯分類像素較少,其次是在強光下,部分谷特征像素錯分為葉或者田間背景特征像素,效果最差是在弱光下,谷特征像素幾乎全部錯分為田間背景特征像素;中粳798號葉、谷以及田間背景特征像素的聚類提取結果在常光和強光下差不多,效果較好,錯分類像素較少,效果最差的是在弱光下,谷特征像素幾乎全部錯分為葉或者田間背景特征像素。

    綠色代表葉特征像素,金黃色代表谷特征像素,灰色代表田間背景特征像素。

    綠色代表葉特征像素,金黃色代表谷特征像素,灰色代表田間背景特征像素。

    綠色代表葉特征像素,金黃色代表谷特征像素,灰色代表田間背景特征像素。

    綠色代表葉特征像素,金黃色代表谷特征像素,灰色代表田間背景特征像素。

    綠色代表葉特征像素,金黃色代表谷特征像素,灰色代表田間背景特征像素。

    由圖4所示的基于k-means++聚類的水稻冠層圖像分割結果定性分析可知,臨稻20號葉、谷以及田間背景特征像素的聚類提取效果在常光下最好,錯分類像素較少,其次是在強光下,部分谷特征像素錯分為田間背景特征像素,效果最差的是在弱光下,稻谷特征像素幾乎都錯分為田間背景特征像素;武運粳32號葉、谷以及田間背景特征像素的聚類提取結果在常光下效果較好,錯分類像素較少,在強光和弱光下,效果都不很好,錯分類像素很多,或者大部分葉特征像素錯分為谷特征像素或者部分田間背景特征像素錯分為葉特征像素或者谷特征像素幾乎都錯分為田間背景特征像素;中粳798號葉、谷以及田間背景特征像素的聚類提取結果在強光下效果最好,錯分類像素較少,其次是在常光下,效果最差的是在弱光下,大多數(shù)葉特征像素錯分為谷特征像素。

    由圖5所示的基于k-mc2聚類的水稻冠層圖像分割結果定性分析可知,臨稻20號葉、谷以及田間背景特征像素的聚類提取結果在常光下效果最好,錯分類像素較少,在強光和弱光下,效果非常不理想,大部分谷、葉特征像素錯分為田間背景特征像素,或者大部分田間背景特征像素錯分為谷特征像素;武運粳32號葉、谷以及田間背景特征像素的聚類提取結果在常光、強光和弱光下效果都很差,錯分類像素很多,大部分葉特征像素錯分為谷特征像素,或者部分田間背景特征像素錯分為葉特征像素,或者田間背景特征像素幾乎都錯分為谷特征像素;中粳798號葉、谷以及田間背景特征像素的聚類提取結果在常光下效果較好,錯分類像素較少,在強光和弱光下效果都不很好,錯分類像素很多,部分谷、田間背景特征像素錯分為葉特征像素,或者大部分葉、田間背景特征像素錯分為谷特征像素。

    由圖6所示的基于afk-mc2聚類的水稻冠層圖像分割結果定性分析可知,臨稻20號葉、谷以及田間背景特征像素的聚類提取結果在強光下效果最好,錯分類像素較少,其次是在常光下,效果最差的是在弱光下,絕大部分田間背景特征像素錯分為谷特征像素;武運粳32號葉、谷以及田間背景特征像素的聚類提取結果在常光、強光和弱光下,效果都不理想,部分谷、葉特征像素錯分為田間背景特征像素,或者部分田間背景特征像素錯分為谷特征像素,或者葉特征像素幾乎都錯分為田間背景特征像素;中粳798號葉、谷以及田間背景特征像素的聚類提取結果在常光下效果最好,錯分類像素最少,其次是在強光下,效果最差的是在弱光下,大多數(shù)葉特征像素和部分谷特征像素錯分為田間背景特征像素。

    由圖7所示的基于本研究聚類方法的水稻冠層圖像分割結果定性分析可知,臨稻20號、武運粳32、中粳798號的葉、谷以及田間背景特征像素聚類提取結果在常光和強光下一樣,效果最為理想,谷、葉以及田間背景特征像素錯分類像素較少,效果最差的是在弱光下,葉、谷特征像素幾乎都錯分為田間背景特征像素,或者很大部分田間背景特征像素錯分為葉特征像素。對比圖3至圖7,可知基于本方法的聚類分割效果較基于前面4種不同聚類方法,錯分割現(xiàn)象較少,在常光和強光下,基本上能夠提取出水稻冠層圖像的谷粒、葉片以及田間背景圖像的特征像素;其次是基于k-means和k-means++算法的聚類分割;聚類分割效果較差的是基于k-mc2和afk-mc2。所以,由以上定性分析可以驗證基于本研究方法的水稻冠層圖像分割在常光和強光下是有效的。

    但定性分析帶有主觀因素,為了更好地比較各類水稻冠層圖像聚類分割方法的性能,對3個品種水稻在常光、強光和弱光下分別采集到的30張冠層圖像中,分別隨機抽取12張,采用類內(nèi)平方差s1=1n∑ni=1(xi-c)2(其中,xi表示屬于聚類中心圖像像素c的第i個圖像像素,c表示某一類的聚類中心圖像像素,n表示與聚類中心圖像像素c同類的所有圖像像素的個數(shù))、類間平方差s2=1m∑mj=1(ci-cj)2(其中,ci表示第i個聚類中心圖像像素,cj表示不同于ci的第j個聚類中心圖像像素,m表示除ci聚類中心圖像像素外所有聚類中心圖像像素的個數(shù))以及程序運行時間(t)作為評價指標,進行定量統(tǒng)計分析。一般在類內(nèi)平方差(s1)平均值較小的情況下,類間平方差(s2)平均值越大,聚類分割效果越好,具體分析結果見表1至表3。

    對比分析表1所列的5種聚類分割方法性能評價指標可知,對于臨稻20號水稻冠層圖像,常光情況下類內(nèi)平方差(s1)平均值較小的聚類分割方法有k-means++方法和本方法,分別為50.9和36.6,而且兩者的類間平方差(s2)平均值較大,分別為69.0和67.5,所以這2種方法的分割效果較其他方法理想,但本方法的類內(nèi)平方差(s1)平均值比k-means++方法更小,所以分割效果更好,且平均程序運行時間(t)比其他方法短。強光情況下,類內(nèi)平方差(s1)平均值較小的聚類分割方法有k-means方法和本方法,分別為16.4和15.2,而且兩者的類間平方差(s2)平均值較大,分別為24.9和30.9,所以這2種方法的分割效果較其他方法理想,但本方法的類內(nèi)平方差(s1)平均值比k-means方法更小,類間平方差(s2)平均值比k-means方法更大,所以分割效果更好,且平均程序運行時間(t)比其他方法短。

    對比分析表2所列的5種聚類分割方法性能評價指標可知,對于武運粳32號水稻冠層圖像,常光情況下,類內(nèi)平方差(s1)平均值較小的聚類分割方法有k-means方法和本方法,分別為28.7和29.5,而且兩者的類間平方差(s2)平均值較大,分別為48.5和51.8,所以這2種方法的分割效果較其他方法理想,但在兩者的類內(nèi)平方差(s1)平均值差不多情況下,本方法的類間平方差(s2)平均值比k-means方法更大,所以分割效果更好,且平均運行時間(t)比其他方法短。強光情況下,類內(nèi)平方差(s1)平均值較小的聚類分割方法有k-mc2方法和本方法,分別為4.7和4.9,而且兩者的類間平方差(s2)平均值較大,分別為4.5和9.5,所以這2種方法的分割效果較其他方法理想,但在兩者的類內(nèi)平方差(s1)平均值差不多情況下,本方法的類間平方差(s2)平均值比k-mc2方法更大,所以分割效果更好,且平均運行時間(t)比其他方法短。

    對比分析表3所列的5種聚類分割方法性能評價指標可知,對于中粳798號水稻冠層圖像,常光情況下,類內(nèi)平方差s1平均值較小的聚類分割方法有afk-mc2方法和本方法,分別為30.8和29.5,而且兩者的類間平方差(s2)平均值較大,分別為34.1和51.8,所以這2種方法的分割效果較其他方法理想,但本方法的類內(nèi)平方差(s1)平均值比afk-mc2方法更小,類間平方差(s2)平均值比afk-mc2方法更大,所以分割效果更好,且平均運行時間(t)比其他方法短。強光情況下,類內(nèi)平方差(s1)平均值較小的聚類分割方法有k-mc2方法和本方法,分別為16.6和12.1,而且兩者的類間平方差(s2)平均值較大,分別為19.3和21.2,所以這2種方法的分割效果較其他方法理想,但本方法的類內(nèi)平方差(s1)平均值比k-mc2方法更小,類間平方差(s2)平均值比k-mc2方法更大,所以分割效果更好,且平均運行時間(t)比其他方法短。但對比分析圖3至圖7可知,弱光情況下各種聚類分割方法對3種水稻冠層圖像的分割效果均很不理想,所以弱光情況下類內(nèi)平方差(s1)和類間平方差(s2)性能評價指標不具有實際意義。綜合以上分析,除了弱光情況外,在常光和強光情況下,本研究方法的分割效果較其他4種聚類方法更為理想,且類內(nèi)平方差(s1)和類間平方差(s2)比其他4種聚類方法更優(yōu),并且程序運行時間(t)也遠遠短于他余聚類方法,達到了實時性的要求。

    4結論

    本研究探討了通過圖像分割提取水稻冠層圖像的葉、谷以及田間背景特征像素的方法,并統(tǒng)計直方圖對k-means聚類框架進行修改,使之適合水稻冠層圖像聚類分割處理。具體研究結論如下:(1) 通過對水稻冠層圖像的RGB、HSV、YCbCr、Lab 4種顏色空間進行統(tǒng)計分析,發(fā)現(xiàn)基于YCrCb顏色空間,更有利于水稻冠層圖像聚類分割;(2) 通過分析水稻冠層圖像的圖像直方圖與其葉、谷以及田間背景圖像特征之間的關系,發(fā)現(xiàn)利用圖像直方圖能夠合理確定水稻冠層圖像的初始聚類中心;(3) 通過分析水稻冠層圖像直方圖像素值與像素個數(shù)的對應關系,發(fā)現(xiàn)利用圖像直方圖能夠對其聚類目標函數(shù)權值化,從而壓縮圖像聚類空間,減少錯誤聚類;(4) 在以上基礎上,對水稻冠層圖像特征值進行定量統(tǒng)計分析,提出基于本聚類算法的水稻冠層圖像分割方法,從而為水稻聯(lián)合收獲的喂入量調(diào)控研究提供一定的理論基礎和試驗數(shù)據(jù)。

    參考文獻:

    [1]楊一平,胡德民. 聯(lián)合收割機喂入量信號采集電路的設計與研究[J]. 安徽農(nóng)業(yè)科學,2008,36(35):15746-15748,15750.

    [2]陳進,李耀明,季彬彬. 聯(lián)合收獲機喂入量測量方法[J]. 農(nóng)業(yè)機械學報,2006,37(12):76-78.

    [3]梁學修,陳志,張小超,等. 聯(lián)合收獲機喂入量在線監(jiān)測系統(tǒng)設計與試驗[J].農(nóng)業(yè)機械學報,2013,44(增刊):1-6.

    [4]潘靜,邵陸壽,王軻. 水稻聯(lián)合收割機喂入密度檢測方法[J]. 農(nóng)業(yè)工程學報,2010,26(8):113-116.

    [5]潘靜. 基于遺傳算法的水稻聯(lián)合收割機喂入密度檢測方法研究[D]. 合肥:安徽農(nóng)業(yè)大學,2011.

    [6]王軻. 基于視頻挖掘的成熟期水稻圖像處理算法研究[D]. 合肥:安徽農(nóng)業(yè)大學,2011.

    [7]KUMHALA F, KROULIK M, MASEK J, et al. Development and testing of two methods for the measurement of the mowing machine feed rate[J]. Plant Soil & Environment,2003,49(11):519-524.

    [8]MONTES J M, PAUL C, MELCHINGER A E. Quality assessment of rapeseed accessions by means of near-infrared spectroscopy on combine harvesters[J]. Plant Breeding,2010,126(3):329-330.

    [9]EI-FAKI M S, ZHANG N, PETERSON D E. Factors affecting color based weed detection[J]. Transaction of the ASAE,2000,43 (4):1001-1009.

    [10]劉漢青. 基于機器視覺的油菜收獲疏密度與損失檢測[D]. 南京:南京大學,2019.

    [11]王遠,王德建,張剛,等. 基于數(shù)碼相機的水稻冠層圖像分割及氮素營養(yǎng)診斷[J]. 農(nóng)業(yè)工程學報,2012,28(17):131-136.

    [12]黃巧義,張木,李蘋,等. 支持向量機和最大類間方差法結合的水稻冠層圖像分割方法[J]. 中國農(nóng)業(yè)科技導報,2019,21(4):52-60.

    [13]黃巧義,張木,黃旭,等. 基于可見光譜色彩指標Otsu法的水稻冠層圖像分割[J]. 廣東農(nóng)業(yè)科學,2018,45(1):120-125,3.

    [14]黃巧義,樊小林,張木,等. 水稻冠層圖像分割方法對比研究[J]. 中國生態(tài)農(nóng)業(yè)學報,2018,26(5):710-718.

    [15]徐梅宣,張智剛,潘慕,等. 田間水稻冠層圖像分割算法的研究[J]. 廣東農(nóng)業(yè)科學,2015,42(13):161-164.

    [16]SELIM S Z, ISMAIL M A. k-means-type algorith-ms: a generalized convergence theorem and character-ization of local optimality[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1984,6(1):81-87.

    [17]ESTEVES R M, HACKER T, RONG C. Competitive K-means, a new accurate and distributed k-means algorithm for large datasets[C]//IEEE. IEEE 5th internati-onal conference on cloud computing technology and science. Bristol:IEEE, 2013:17-24.

    [18]CHEN X, MIAO P, BU Q. Image segmentation algorithm based on particle swarm optimization with k-means optimization[C]//IEEE. IEEE International Conference on Power, Intelligent Computing and Systems. Shenyang,China:IEEE,2019:156-159.

    [19]SINAGA K P, YANG M. Unsupervised k-means clustering algorithm[J]. IEEE Access, 2020,8: 80716-80727.

    [20]KUMAR K M,REDDY A R M. A fast k-means clustering using prototypes for initial cluster center selection[C]//IEEE. IEEE 9th international conference on intelligent systems and control. Coimbatore:IEEE,2015:1-4.

    [21]LEI G. A novel locality sensitive k-means clustering algorithm based on subtractive clustering[C]//IEEE. 7th IEEE international conference on software engineering and service science. Beijing:IEEE,2016: 836-839.

    [22]GU L. A novel sample weighting k-means clustering algorithm based on angles information[C]//IEEE. International joint conference on neural networks. Vancouver, BC:IEEE, 2016:3697-3702.

    [23]HUNG W,YANG M,HWANG C. Exponential-Distance weighted k-means algorithm with spatial constraints for color image segmentation[C]//IEEE. 2011 international conference on multimedia and signal processing. Guilin, Guangxi:IEEE, 2011:131-135.

    [24]郭永坤,章新友,劉莉萍,等. 優(yōu)化初始聚類中心的k-means聚類算法[J]. 計算機工程與應用,2020,56(15):172-178.

    [25]田詩宵,丁立新,鄭金秋. 基于密度峰值優(yōu)化的k-means文本聚類算法[J]. 計算機工程與設計, 2017,38(4):1019-1023.

    [26]賈洪杰,丁世飛,史忠植. 求解大規(guī)模譜聚類的近似加權核k-means算法[J]. 軟件學報,2015,26(11):2836-2846.

    [27]ESTEVES R M,HACKER T,RONG C. Cluster analysis for the cloud: Parallel competitive fitness and parallel k-means++ for large dataset analysis[C]//IEEE. 4th IEEE international conference on cloud computing technology and science proceedings. Taipei:IEEE,2012:177-184.

    [28]NIU K,GAO Z,JIAO H,et al. k-means+:A developed clustering algorithm for big data[C]//CCIS. 4th international conference on cloud computing and intelligence systems(CCIS). Beijing:CCIS,2016:141-144.

    [29]GADDAM S R, PHOHA V V,BALAGANI K S. k-means+ID3:A novel method for supervised anomaly detection by cascading K-means clustering and ID3 decision tree learning methods[J]. IEEE Transactions on Knowledge and Data Engineering,2007,19(3):345-354.

    [30]NA S,XUMIN L,YONG G. Research on k-means clustering algorithm: An improved k-means clustering algorithm[C]//IEEE. 2010 third international symposium on intelligent information technology and security informatics. Jinggangshan: IEEE, 2010:63-67.

    [31]YANG Q,LIU Y,ZHANG D,et al. Improved k-means algorithm to quickly locate optimum initial clustering number K[C]//IEEE. Proceedings of the 30th chinese control conference. Yantai:IEEE, 2011: 3319-3322.

    [32]GUANG-PING C,WEN-PENG W. An improved k-means algorithm with meliorated initial center[C]//ICCSE. 7th international conference on computer science & education. Melbourne,VIC:ICCSE, 2012:150-153.

    [33]LIU G L,WANG T T,YU L M,et al. The improved research on k-means clustering algorithm in initial values[C]//IEEE. Proceedings 2013 international conference on mechatronic sciences, electric engineering and computer. Shengyang:IEEE,2013:2124-2127.

    [34]朱淑鑫,楊宸,顧興健,等. K均值算法結合連續(xù)投影算法應用于土壤速效鉀含量的高光譜分析[J]. 江蘇農(nóng)業(yè)學報,2020,36(2):358-365.

    [35]BACHEM O, LUCIC M, HASSANI S H, et al. Approximate k-means++ in sublinear time[C]//AAAI. Proceedings of the thirtieth AAAI conference on artificial intelligence. Phoenix,Arizona,USA:AAAI,2016: 1459-1467.

    [36]BACHEM O,LUCIC M,HASSANI H,et al. Fast and provably good seedings for k-means[C]//NIPS. 30th conference on neural information processing systems. Barcelona,Spain:NIPS,2016:55-63.

    [37]CELEBI M E, KINGRAVI H A, VELA P A. A comparative study of efficient initialization methods for the k-means clustering algorithm[J]. Expert Systems with Applications,2013,40(1):200-210.

    (責任編輯:張震林)

    收稿日期:2021-05-07

    基金項目:國家重點研發(fā)計劃項目 ( 2016YFD0702100 );國家自然科學地區(qū)基金項目( 61863011);廣東省普通高校特色創(chuàng)新項目(2020KTSCX142);中國農(nóng)業(yè)科學院基本科研業(yè)務費專項(SR201919)

    作者簡介:陳科尹( 1982-) ,男,廣東雷州人,博士,講師,從事農(nóng)業(yè)圖像處理、機器視覺方面研究。(E-mail) chenkeyin10@126.com

    通訊作者:吳崇友,(E-mail)542681935@ qq com

    猜你喜歡
    means聚類圖像分割
    基于“粉絲經(jīng)濟”的自媒體社群用戶消費意愿研究
    計算機定量金相分析系統(tǒng)的軟件開發(fā)與圖像處理方法
    基于灰色系統(tǒng)理論的數(shù)字圖像處理算法
    一種改進的分水嶺圖像分割算法研究
    科技視界(2016年26期)2016-12-17 16:25:03
    基于LabVIEW雛雞雌雄半自動鑒別系統(tǒng)
    一種圖像超像素的快速生成算法
    基于魯棒性的廣義FCM圖像分割算法
    人工神經(jīng)網(wǎng)絡在聚類分析中的運用
    雹云圖像的識別指標設計
    基于QPSO聚類算法的圖像分割方法
    科技視界(2016年12期)2016-05-25 11:54:25
    一级毛片我不卡| 欧美3d第一页| 亚洲18禁久久av| 欧美又色又爽又黄视频| 寂寞人妻少妇视频99o| 亚洲最大成人中文| 尤物成人国产欧美一区二区三区| 性色avwww在线观看| 深爱激情五月婷婷| 日韩欧美一区二区三区在线观看| 99久久久亚洲精品蜜臀av| 麻豆一二三区av精品| 婷婷色av中文字幕| 女人十人毛片免费观看3o分钟| 亚洲精品日韩在线中文字幕 | 中文字幕av成人在线电影| 99热这里只有是精品50| 国产精品久久久久久精品电影小说 | 中国美白少妇内射xxxbb| 能在线免费观看的黄片| 午夜福利在线在线| 成人亚洲精品av一区二区| 国产精华一区二区三区| 免费搜索国产男女视频| 久久久久久久久久黄片| 日日啪夜夜撸| 白带黄色成豆腐渣| 亚洲美女搞黄在线观看| 免费观看人在逋| eeuss影院久久| 男人和女人高潮做爰伦理| 成人特级av手机在线观看| 亚洲欧美精品专区久久| 国产成人一区二区在线| 成人亚洲精品av一区二区| 一区二区三区免费毛片| 亚洲熟妇中文字幕五十中出| 日本与韩国留学比较| 成人高潮视频无遮挡免费网站| 久久久精品大字幕| 午夜福利成人在线免费观看| 国产成人aa在线观看| 国产精品三级大全| 午夜福利在线在线| 国产白丝娇喘喷水9色精品| 色哟哟哟哟哟哟| 国产亚洲精品av在线| 乱码一卡2卡4卡精品| 大又大粗又爽又黄少妇毛片口| 久久久久免费精品人妻一区二区| 人妻制服诱惑在线中文字幕| 99久久成人亚洲精品观看| 一个人免费在线观看电影| 亚洲欧美成人综合另类久久久 | 久久草成人影院| 少妇被粗大猛烈的视频| 亚洲真实伦在线观看| 国产三级中文精品| 你懂的网址亚洲精品在线观看 | 一个人观看的视频www高清免费观看| 久久久成人免费电影| 1000部很黄的大片| 伊人久久精品亚洲午夜| 中文在线观看免费www的网站| 亚洲人与动物交配视频| 99国产精品一区二区蜜桃av| 精品午夜福利在线看| av天堂在线播放| av福利片在线观看| 国产麻豆成人av免费视频| 长腿黑丝高跟| 久久国产乱子免费精品| 人人妻人人澡人人爽人人夜夜 | 久久精品夜色国产| 欧美成人a在线观看| 国产精品三级大全| 国内揄拍国产精品人妻在线| 欧美精品一区二区大全| 日本熟妇午夜| 精品国内亚洲2022精品成人| 91精品国产九色| 亚洲欧美清纯卡通| 免费大片18禁| 精品免费久久久久久久清纯| 国国产精品蜜臀av免费| 亚洲av免费在线观看| 色综合亚洲欧美另类图片| 97人妻精品一区二区三区麻豆| 亚洲精品日韩在线中文字幕 | 国产av不卡久久| 久久婷婷人人爽人人干人人爱| 久久欧美精品欧美久久欧美| 三级经典国产精品| 亚洲成av人片在线播放无| 国产色爽女视频免费观看| 嘟嘟电影网在线观看| www日本黄色视频网| av在线蜜桃| 黄色一级大片看看| 青春草视频在线免费观看| 精品久久久噜噜| 久久久久久久亚洲中文字幕| 久久这里只有精品中国| 日韩在线高清观看一区二区三区| 国产在线精品亚洲第一网站| 欧美成人免费av一区二区三区| 99热全是精品| 亚洲av免费高清在线观看| 99久久精品国产国产毛片| 成人性生交大片免费视频hd| 亚洲最大成人手机在线| 男人的好看免费观看在线视频| 99久国产av精品国产电影| 国产亚洲av嫩草精品影院| 一级毛片我不卡| 99久国产av精品国产电影| 亚洲欧美日韩高清专用| 久久久久九九精品影院| 欧美成人一区二区免费高清观看| 久久久久九九精品影院| 久久午夜亚洲精品久久| 美女内射精品一级片tv| 免费看美女性在线毛片视频| 亚洲av成人av| 丰满人妻一区二区三区视频av| 村上凉子中文字幕在线| 国产爱豆传媒在线观看| 欧美精品一区二区大全| 国产三级在线视频| 此物有八面人人有两片| 你懂的网址亚洲精品在线观看 | 在线免费观看不下载黄p国产| 亚洲五月天丁香| 欧美日韩乱码在线| 国产视频首页在线观看| 亚洲国产欧美在线一区| 久久这里只有精品中国| 国产真实伦视频高清在线观看| 精品一区二区三区人妻视频| 亚洲成人av在线免费| 两性午夜刺激爽爽歪歪视频在线观看| 一级毛片aaaaaa免费看小| 国产在视频线在精品| 久久精品国产99精品国产亚洲性色| 国产黄色视频一区二区在线观看 | 自拍偷自拍亚洲精品老妇| 国产高潮美女av| 尾随美女入室| 亚洲第一电影网av| 国内精品宾馆在线| 久99久视频精品免费| 99热这里只有是精品在线观看| 一本久久中文字幕| 国模一区二区三区四区视频| av视频在线观看入口| 欧美性感艳星| 噜噜噜噜噜久久久久久91| 欧美性猛交黑人性爽| 色哟哟·www| 亚洲国产欧美人成| 欧美一区二区亚洲| 女人十人毛片免费观看3o分钟| 少妇猛男粗大的猛烈进出视频 | 国产精品,欧美在线| 热99在线观看视频| av免费观看日本| 只有这里有精品99| 国产精品99久久久久久久久| 亚洲经典国产精华液单| 欧美又色又爽又黄视频| 国产爱豆传媒在线观看| 91久久精品电影网| 麻豆久久精品国产亚洲av| 亚洲中文字幕一区二区三区有码在线看| 日本-黄色视频高清免费观看| 欧美三级亚洲精品| 两个人的视频大全免费| 人人妻人人澡欧美一区二区| 成人国产麻豆网| 我的女老师完整版在线观看| 国产私拍福利视频在线观看| 国产精品国产三级国产av玫瑰| 91麻豆精品激情在线观看国产| av免费在线看不卡| 国产男人的电影天堂91| 国产成人精品婷婷| 国产一区二区在线av高清观看| 亚洲精品国产成人久久av| 狠狠狠狠99中文字幕| 99riav亚洲国产免费| 国内精品宾馆在线| 欧美3d第一页| 中文在线观看免费www的网站| 亚洲在线自拍视频| 国产激情偷乱视频一区二区| 人人妻人人看人人澡| 久久精品国产亚洲av涩爱 | 亚洲av成人av| 青青草视频在线视频观看| av在线天堂中文字幕| 丰满乱子伦码专区| 亚洲精品国产成人久久av| 噜噜噜噜噜久久久久久91| 乱人视频在线观看| 日韩成人av中文字幕在线观看| 最近中文字幕高清免费大全6| 成人午夜高清在线视频| 色播亚洲综合网| 午夜福利在线观看吧| 性色avwww在线观看| 禁无遮挡网站| 国产精品久久久久久精品电影小说 | 国内精品宾馆在线| 在线免费十八禁| 精品无人区乱码1区二区| 成人鲁丝片一二三区免费| 亚洲美女搞黄在线观看| 国产综合懂色| 国产日韩欧美在线精品| 亚洲欧美成人精品一区二区| 亚洲欧美日韩东京热| 边亲边吃奶的免费视频| av在线蜜桃| 婷婷色综合大香蕉| 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 | 久久久欧美国产精品| 午夜视频国产福利| 色综合色国产| 不卡一级毛片| 欧美日本亚洲视频在线播放| 午夜a级毛片| 国产成年人精品一区二区| 国产一区二区亚洲精品在线观看| 超碰av人人做人人爽久久| 一个人观看的视频www高清免费观看| 性色avwww在线观看| 亚洲成人久久爱视频| 免费看日本二区| av黄色大香蕉| 赤兔流量卡办理| 网址你懂的国产日韩在线| 在线天堂最新版资源| 久久人人精品亚洲av| 国产成人精品婷婷| 99国产精品一区二区蜜桃av| 韩国av在线不卡| 桃色一区二区三区在线观看| 如何舔出高潮| 午夜精品一区二区三区免费看| 18+在线观看网站| 国产黄片美女视频| 久久热精品热| 久久久久国产网址| 国产爱豆传媒在线观看| 日韩精品有码人妻一区| 丰满乱子伦码专区| 男人的好看免费观看在线视频| 非洲黑人性xxxx精品又粗又长| 国产精品永久免费网站| 91精品一卡2卡3卡4卡| 婷婷亚洲欧美| 国产女主播在线喷水免费视频网站 | 天天躁日日操中文字幕| 内地一区二区视频在线| 国产亚洲精品av在线| 精品熟女少妇av免费看| 日日啪夜夜撸| 中文在线观看免费www的网站| 久久这里有精品视频免费| 麻豆成人av视频| 不卡一级毛片| 欧美日韩在线观看h| 日韩欧美一区二区三区在线观看| 国产亚洲91精品色在线| 国产精品人妻久久久影院| 欧美又色又爽又黄视频| 久久久久久久久久久免费av| 国产午夜精品一二区理论片| 波多野结衣巨乳人妻| 国产综合懂色| 尤物成人国产欧美一区二区三区| 人妻系列 视频| 日本一二三区视频观看| 国产黄色小视频在线观看| а√天堂www在线а√下载| 亚洲国产欧美人成| 欧美精品国产亚洲| 精品国产三级普通话版| 三级国产精品欧美在线观看| 变态另类成人亚洲欧美熟女| 日本成人三级电影网站| 欧美最新免费一区二区三区| 日韩,欧美,国产一区二区三区 | 亚洲精品成人久久久久久| 国产成人91sexporn| 舔av片在线| 一个人观看的视频www高清免费观看| 一级毛片我不卡| 热99re8久久精品国产| 直男gayav资源| 国产精品电影一区二区三区| 亚洲性久久影院| 亚洲经典国产精华液单| 蜜臀久久99精品久久宅男| 久久精品国产自在天天线| 日韩三级伦理在线观看| 成人漫画全彩无遮挡| 黄色视频,在线免费观看| 最近中文字幕高清免费大全6| 亚洲精品影视一区二区三区av| 中文字幕精品亚洲无线码一区| 级片在线观看| 日本熟妇午夜| 成人毛片a级毛片在线播放| 自拍偷自拍亚洲精品老妇| 热99在线观看视频| 少妇丰满av| 国产成年人精品一区二区| 欧美一区二区国产精品久久精品| 狠狠狠狠99中文字幕| 国产精品嫩草影院av在线观看| 蜜桃亚洲精品一区二区三区| 久久久精品大字幕| 久久久久久久久久成人| 美女脱内裤让男人舔精品视频 | 欧美不卡视频在线免费观看| 亚洲精品日韩在线中文字幕 | 成人特级av手机在线观看| 偷拍熟女少妇极品色| 老司机影院成人| 老司机福利观看| 国产探花在线观看一区二区| 国产极品精品免费视频能看的| 精品少妇黑人巨大在线播放 | 又粗又硬又长又爽又黄的视频 | 中文亚洲av片在线观看爽| 国产av麻豆久久久久久久| 国产精品蜜桃在线观看 | 午夜老司机福利剧场| 搡老妇女老女人老熟妇| 哪里可以看免费的av片| 国产精品国产三级国产av玫瑰| 久久这里只有精品中国| 国产免费一级a男人的天堂| 午夜福利高清视频| 亚洲第一区二区三区不卡| 在线a可以看的网站| 免费av不卡在线播放| 亚洲精华国产精华液的使用体验 | 国产日韩欧美在线精品| 欧美高清性xxxxhd video| 夜夜夜夜夜久久久久| 午夜爱爱视频在线播放| 国产在线精品亚洲第一网站| 国产精品野战在线观看| 亚洲电影在线观看av| 亚洲欧美日韩无卡精品| 婷婷六月久久综合丁香| 久久午夜亚洲精品久久| 国产91av在线免费观看| 男女那种视频在线观看| 99热这里只有是精品50| 日韩制服骚丝袜av| 精品国产三级普通话版| 免费不卡的大黄色大毛片视频在线观看 | 日韩av不卡免费在线播放| 午夜a级毛片| 精品久久久久久久久av| 亚洲av免费高清在线观看| 久久99热6这里只有精品| 又黄又爽又刺激的免费视频.| 欧美最新免费一区二区三区| 中文欧美无线码| 精品久久久久久久久av| 久久久国产成人免费| 免费看av在线观看网站| 午夜精品一区二区三区免费看| 波野结衣二区三区在线| 久久99精品国语久久久| 精品久久久久久久久av| 最近手机中文字幕大全| a级毛色黄片| 国产日本99.免费观看| 99精品在免费线老司机午夜| 亚洲经典国产精华液单| 久久这里只有精品中国| 免费搜索国产男女视频| 国产精品一区www在线观看| 精品久久久久久久久久久久久| 特级一级黄色大片| 亚洲欧美精品自产自拍| 此物有八面人人有两片| 亚洲欧美成人综合另类久久久 | 国产日本99.免费观看| 国产亚洲精品久久久com| 淫秽高清视频在线观看| 久久久精品欧美日韩精品| 成人漫画全彩无遮挡| 欧美一区二区国产精品久久精品| 综合色av麻豆| 国产一区二区三区在线臀色熟女| 两个人视频免费观看高清| videossex国产| 日韩 亚洲 欧美在线| 久久久久性生活片| 亚洲av不卡在线观看| 大又大粗又爽又黄少妇毛片口| av在线亚洲专区| 久久久午夜欧美精品| 成人漫画全彩无遮挡| 99热全是精品| kizo精华| 美女大奶头视频| 深爱激情五月婷婷| 精品一区二区三区视频在线| a级一级毛片免费在线观看| 亚洲国产高清在线一区二区三| 国产成人精品婷婷| 久久午夜亚洲精品久久| 美女被艹到高潮喷水动态| 欧美日本亚洲视频在线播放| 亚洲国产欧美在线一区| 午夜精品在线福利| 国产精品电影一区二区三区| 国产熟女欧美一区二区| 亚洲av成人av| 精品欧美国产一区二区三| 99热这里只有是精品50| 男的添女的下面高潮视频| 亚州av有码| 18禁裸乳无遮挡免费网站照片| 老女人水多毛片| 亚洲中文字幕日韩| av国产免费在线观看| 偷拍熟女少妇极品色| 成人鲁丝片一二三区免费| 国产毛片a区久久久久| 亚洲国产精品sss在线观看| 超碰av人人做人人爽久久| 99热这里只有精品一区| 国产精品一区二区三区四区免费观看| 国产精品福利在线免费观看| 日韩强制内射视频| 久久久色成人| 九九爱精品视频在线观看| 高清午夜精品一区二区三区 | 午夜亚洲福利在线播放| 久久99热6这里只有精品| 欧美日韩一区二区视频在线观看视频在线 | 亚洲欧洲国产日韩| 三级国产精品欧美在线观看| 丰满人妻一区二区三区视频av| 国产精品久久久久久精品电影小说 | 久久久国产成人精品二区| 国语自产精品视频在线第100页| 精品国产三级普通话版| av卡一久久| 亚洲精品乱码久久久v下载方式| 看十八女毛片水多多多| 亚洲欧洲国产日韩| 一级毛片我不卡| 成人午夜精彩视频在线观看| 在线观看一区二区三区| 久久九九热精品免费| 中文资源天堂在线| 国产成人91sexporn| 欧美xxxx性猛交bbbb| 黄色一级大片看看| 国产成人精品婷婷| 嘟嘟电影网在线观看| 黄色日韩在线| 欧美精品国产亚洲| 成人二区视频| 日本-黄色视频高清免费观看| 久久精品综合一区二区三区| 少妇人妻精品综合一区二区 | 中文字幕av在线有码专区| 91午夜精品亚洲一区二区三区| 中国国产av一级| 欧美3d第一页| 国产老妇女一区| 亚洲精品色激情综合| 久99久视频精品免费| 亚洲精华国产精华液的使用体验 | 久久午夜亚洲精品久久| 亚洲丝袜综合中文字幕| 村上凉子中文字幕在线| 18禁裸乳无遮挡免费网站照片| 免费观看精品视频网站| 久久亚洲精品不卡| 非洲黑人性xxxx精品又粗又长| 三级男女做爰猛烈吃奶摸视频| 有码 亚洲区| 午夜福利成人在线免费观看| 亚洲一区二区三区色噜噜| а√天堂www在线а√下载| 又黄又爽又刺激的免费视频.| 91久久精品电影网| 99九九线精品视频在线观看视频| 晚上一个人看的免费电影| 插逼视频在线观看| 国产av不卡久久| 欧美成人免费av一区二区三区| 在线a可以看的网站| 天堂√8在线中文| 国产单亲对白刺激| h日本视频在线播放| www.色视频.com| 51国产日韩欧美| 日本成人三级电影网站| 亚洲欧洲日产国产| 亚洲精品国产av成人精品| 欧美高清成人免费视频www| 91av网一区二区| 国模一区二区三区四区视频| 欧美日韩国产亚洲二区| 亚洲精品粉嫩美女一区| 嘟嘟电影网在线观看| 小说图片视频综合网站| 美女xxoo啪啪120秒动态图| 亚洲久久久久久中文字幕| 欧美+亚洲+日韩+国产| 天美传媒精品一区二区| 精品久久久久久久久久免费视频| 国产乱人视频| 亚洲欧美清纯卡通| av在线亚洲专区| 久久精品久久久久久噜噜老黄 | 国产高清视频在线观看网站| 麻豆乱淫一区二区| 三级男女做爰猛烈吃奶摸视频| 搡女人真爽免费视频火全软件| 欧美色欧美亚洲另类二区| 亚洲中文字幕日韩| 一区二区三区四区激情视频 | 欧美一区二区精品小视频在线| 在线观看午夜福利视频| 国产精品电影一区二区三区| 热99在线观看视频| 亚洲人成网站在线播| 亚洲欧美日韩无卡精品| 最近手机中文字幕大全| 精品国内亚洲2022精品成人| 18禁黄网站禁片免费观看直播| 99热6这里只有精品| 夫妻性生交免费视频一级片| a级毛片免费高清观看在线播放| 久久久久久久久久久丰满| 天天躁夜夜躁狠狠久久av| 岛国在线免费视频观看| 欧美一级a爱片免费观看看| www日本黄色视频网| 国产片特级美女逼逼视频| 久久鲁丝午夜福利片| 99在线人妻在线中文字幕| 亚洲色图av天堂| 国产精品,欧美在线| 亚洲av电影不卡..在线观看| 91久久精品电影网| av卡一久久| 欧美日韩综合久久久久久| 青青草视频在线视频观看| 直男gayav资源| 91aial.com中文字幕在线观看| 日韩高清综合在线| 看十八女毛片水多多多| 淫秽高清视频在线观看| 乱码一卡2卡4卡精品| 亚洲欧美成人综合另类久久久 | 国国产精品蜜臀av免费| 免费黄网站久久成人精品| 只有这里有精品99| 亚洲欧美中文字幕日韩二区| 99久久九九国产精品国产免费| 丰满乱子伦码专区| 午夜激情欧美在线| 国内精品美女久久久久久| 色播亚洲综合网| av在线亚洲专区| 黄色视频,在线免费观看| 天堂网av新在线| 亚洲18禁久久av| 午夜精品国产一区二区电影 | 在线观看一区二区三区| 一进一出抽搐动态| 边亲边吃奶的免费视频| 好男人视频免费观看在线| 亚洲在久久综合| 亚洲av一区综合| 国产精品野战在线观看| 长腿黑丝高跟| 亚洲久久久久久中文字幕| 午夜福利在线在线| 在现免费观看毛片| 黄色日韩在线| 美女内射精品一级片tv| 97超碰精品成人国产| 国产 一区精品| 麻豆成人午夜福利视频| 国产黄片美女视频| 午夜亚洲福利在线播放| 国产伦精品一区二区三区四那| 99在线人妻在线中文字幕| 精品人妻一区二区三区麻豆| 日韩制服骚丝袜av| 一卡2卡三卡四卡精品乱码亚洲| 欧美日韩精品成人综合77777| 51国产日韩欧美| 免费观看在线日韩| 亚洲精品国产av成人精品| 亚洲色图av天堂| 亚洲五月天丁香| 久久久久免费精品人妻一区二区| 国产一区二区三区在线臀色熟女| 国内精品久久久久精免费|