• <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 ?

    基于迭代深度網(wǎng)絡的紅外圖像增強算法

    2021-02-23 03:06:04陳世紅陳榮軍
    激光與紅外 2021年1期
    關(guān)鍵詞:深度方法模型

    陳世紅,陳榮軍

    (1.廣東生態(tài)工程職業(yè)學院信息工程系,廣東 廣州 510520;2.廣東技術(shù)師范大學計算機科學學院,廣東 廣州 510665)

    1 引 言

    為了提高紅外圖像的視覺效果,使其更符合人眼或計算機處理的要求,國內(nèi)外學者從軟硬件方向展開了科研攻關(guān)。在硬件領(lǐng)域,隨著大面陣、小間距的集成電路技術(shù)的發(fā)展,紅外圖像的分辨率也逐漸提升[1-3]。以昆明211所為代表的國產(chǎn)科研機構(gòu)已經(jīng)研制成功高分辨的探測器陣列[4]。由于制造工藝和材料性能的限制,單純依靠增加紅外焦平面陣列密度來提升成像質(zhì)量是非常困難的。同時,降低像元尺寸也會導致的探測靈敏度下降,信號噪聲增大。因此,在紅外探測器硬件性能提升有限的情況下,采用軟件技術(shù)提升圖像質(zhì)量是目前最經(jīng)濟可靠的方式。

    紅外圖像增強是指從給定的低質(zhì)量圖像中恢復高清晰的圖像的過程?,F(xiàn)有的紅外增強算法大致可以分為基于模型驅(qū)動的信號處理方法與基于數(shù)據(jù)驅(qū)動的機器學習方法[4]。模型驅(qū)動主要是利用數(shù)學模型方法重建出高質(zhì)量的紅外圖像,其關(guān)鍵技術(shù)是如何構(gòu)造基于先驗正則的目標函數(shù)[5-6],雖然在一定程度上改善了圖像的質(zhì)量,但實際采集的紅外圖像的受到各種干擾因素的影響。往往并不服從某種單一的假設先驗。文獻[7]假定紅外圖像中存在大量自相似區(qū)域,提出了基于低秩和鄰域嵌入的單幀紅外圖像增強算法,確保了重建圖像均勻區(qū)域的一致性,又保留了圖像的細節(jié)信息和邊緣輪廓的完整性,但該算法只適用于具有明顯邊界的面目標場景,對于需要探測點目標的對空紅外圖像的效果不理想。

    相比之下,基于數(shù)據(jù)驅(qū)動的機器學習方法不受成像模型的影響,這種方法在很大程度上主要針對大數(shù)據(jù)樣本學習潛在的隱藏特征,而不是對具體模型進行了優(yōu)化[8]。2015年,Dong等人首次將卷積神經(jīng)網(wǎng)絡(CNN)應用于圖像增強重建,提出了SRCNN增強模型[9],通過將使用CNN模型來擬合低質(zhì)量圖像和高質(zhì)量圖像的映射關(guān)系,并使用大量的高/低圖像對訓練模型,其結(jié)果優(yōu)于鄰域嵌入[7]和稀疏編碼。然而,SRCNN的三層結(jié)構(gòu)并不能滿足更高重建精度的要求,主要是由于低層卷積只能得到圖像的淺層紋理信息。為了獲得更準確的深度特征并提升重建效果,有必要使用更深的卷積網(wǎng)絡,Kim等人在VGG網(wǎng)絡和ResNet網(wǎng)絡的基礎(chǔ)上,設計了20層權(quán)值網(wǎng)絡的VDSR模型[9],解決了網(wǎng)絡深度增加引起的梯度爆炸問題。所有這些重建方法中的低質(zhì)量圖像都是先雙三次插值,再輸入網(wǎng)絡進行增強。文獻[10]提出了一種基于生成性對抗網(wǎng)絡(GAN)的圖像增強模型,通過引入感知損失函數(shù)提升重構(gòu)圖像細節(jié)。針對非盲影像去模糊問題,文獻[11]設計出多層感知網(wǎng)絡來去除重建偽影;文獻[12]采用DCNN進行非盲影像去模糊,并利用遷移學習理論,提升了深度網(wǎng)絡的學習效率。近年來,基于深度學習的紅外圖像增強算法取得了很好的增強性能,但大多數(shù)算法是將圖像增強問題當作去噪問題來處理,通過將多層感知網(wǎng)絡級聯(lián)起來,并沒有探索圖像的固有特征,同時也忽略了觀測模型。

    針對現(xiàn)有基于深度網(wǎng)絡的紅外增強應用忽略了觀測模型,以及可解釋性較弱的問題,提出了一種改進紅外圖像深度增強模型,該模型將圖像增強任務嵌入到一個深度網(wǎng)絡中,通過增強網(wǎng)絡模塊和反投影模塊交錯優(yōu)化,實現(xiàn)紅外數(shù)據(jù)一致性約束。實驗結(jié)果也表明,該模型重建出的高質(zhì)量圖像在點目標等弱小區(qū)域也能獲得清晰的效果。

    2 基于迭代優(yōu)化的紅外增強模型

    紅外圖像增強模型的數(shù)學本質(zhì)是一個NP難的數(shù)學優(yōu)化問題,其模型如下所示:

    E=f(θ,x,y)+J(x)

    (1)

    其中,E表示目標函數(shù);x,y分別表示需要重構(gòu)恢復的信號及其相應的觀測信號;保真項f描述了x與y之間的約束關(guān)系,正則項J表征了先驗知識。大多數(shù)情況下式(1)的求解采用變量分離技術(shù),并將其分解為兩個子問題交替優(yōu)化。若新增一個輔助變量z,式(1)可以改寫為:

    E=f(θ,x,y)+J(z),s.t.z=x

    (2)

    為了求解式(2),最常用的方法就是將z=x轉(zhuǎn)換成誤差項,增加到目標函數(shù)中。也就是說,在實際應用中式(2)可以進一步改寫:

    (3)

    根據(jù)交替方向乘子法思想,該模型可以通過交替求解兩個子問題來實現(xiàn)優(yōu)化:

    (4)

    (5)

    可以看出,式(4)具有閉式解,一般表示為x(t+1)=W-1b,其中W通常是與退化矩陣A相關(guān)。然而,實際應用中W的逆矩陣無法直接計算,只能采用經(jīng)典共軛梯度算法[13]求解x(t+1),其解如下所示:

    x(t+1)=xt-δ(AT(Ax(t)-y)+η(x(t)-v(t)))

    (6)

    3 紅外增強網(wǎng)絡結(jié)構(gòu)

    3.1 系統(tǒng)架構(gòu)

    圖1 圖像增強模型框架

    3.2 增強網(wǎng)絡模塊

    現(xiàn)有的圖像增強優(yōu)化問題被分解為兩個單獨的子問題:一個用于處理數(shù)據(jù)保真項,另一個用于正則化項,通過交替求解獲得最優(yōu)的圖像質(zhì)量。具體地說,與正則化相關(guān)的子問題是一個純?nèi)ピ雴栴},因此也可以采用其他無法表示為正則化項的更復雜的去噪方法,例如BM3D[14],Low-Rank和Sparse-learning方法[15]。本文選用的圖像增強模塊是一種基于深度卷積網(wǎng)絡的學習模塊,旨在降低圖像的退化干擾,并盡可能地保留圖像的細節(jié)信息,尤其是保留弱小點目標。

    受DCNN在影像去噪應用的啟發(fā),本文采用的增強網(wǎng)絡結(jié)構(gòu)如圖2所示,該網(wǎng)絡結(jié)構(gòu)類似于U-net網(wǎng)絡,可以分為特征提取與圖像重建模塊,其中特征提取部分采用多個3×3卷積,每個卷積后跟一個RELU和一個步長為2的用于下采樣的2×2最大池化操作,有助于增加神經(jīng)元的感受野大小,并降低提取到的特征圖的分辨率。本文設計了多個卷積層以提取不同層次下的深度特征,灰色箭頭所表示的特征編碼層如圖3(a)所示。每個特征編碼層包含4個3×3核的卷積層和ReLU非線性激活函數(shù),每次卷積過程將生成64通道特征映射。本文設計的結(jié)構(gòu)在前四個編碼層后面添加了一個以2為采樣因子的下采樣層,沿垂直/水平方向降低特征映射的空間分辨率。圖像重建模塊與特征提取模塊是相對應的結(jié)構(gòu),重建模塊是由卷積層,上采樣層構(gòu)成,其中卷積層對應著特征解碼,如圖3(b)所示。特征重建階段每個解碼塊由五個卷積層組成,第一層采用利用1×1卷積和ReLU控制卷積核的數(shù)量達到通道數(shù)大小的放縮,同時實現(xiàn)跨通道的交互和信息整合,將特征提到從128降到64。剩下的卷積層采用3×3核的卷積層和ReLU非線性激活函數(shù)重構(gòu)出64個通道的特征圖,并采用縮放因子2的反卷積獲取最終重構(gòu)特征。由于卷積層、池化層、上采樣層實現(xiàn)端到端的圖像增強,不可避免存在空間信息的丟失,導致重建圖像的細節(jié)不完整。因此,直接通過逐層特征提取與特征重構(gòu),最終重構(gòu)得到的紅外圖像丟失了大量的空間信息,不能完全恢復出精細的圖像細節(jié)。為了保留特征空間的細節(jié)信息,受U-net網(wǎng)絡啟發(fā),本文將特征編碼階段生成的深度特征與特征解碼階段對應的同大小的上采樣特征進行融合,以獲得表征能力更強,細節(jié)更豐富的特征。為了操作方便,本文采用的特征融合是基于級聯(lián)實現(xiàn)。本文設計的增強網(wǎng)絡模塊主要恢復圖像中丟失的細節(jié),即高頻信息,具有更加魯棒的重建性能。

    圖2 網(wǎng)絡增強模塊

    圖3 編解碼模塊

    3.3 網(wǎng)絡訓練

    使用變量分離技術(shù),強大DCNN去噪器可以為模型優(yōu)化帶來圖像先驗。值得注意的是,文獻[11]提出的DCNN網(wǎng)絡不必預先訓練,而本文提出的網(wǎng)絡結(jié)構(gòu)是需要通過端到端訓練。為了減少參數(shù)個數(shù)且避免過擬合,本文強制每次迭代運行的增強模塊共享相同的參數(shù),并采用最小均方誤差和感知損失函數(shù)共同優(yōu)化網(wǎng)絡,其總損失函數(shù)表示為:

    L=LMSE+λLp

    (7)

    其中,LMSE,Lp分別表示像素級歐氏距離與感知損失;λ是權(quán)值參數(shù)。感知損失更符合自然圖像分布規(guī)律,使重建結(jié)果具有非常逼真的細節(jié)效果。感知損失函數(shù)可以表示為:

    (8)

    其中,wi,hi分別表示特征映射圖的尺寸;Ci表示第i個卷積層;R(Y)=Y-X表示高頻殘差,理想情況下R(Y)≈N;式(8)可以采用隨機梯度下降算法優(yōu)化求解。

    4 實驗結(jié)果與分析

    為了驗證本文提出的深度網(wǎng)絡圖像重構(gòu)算法的有效性,本章設計了紅外圖像去模糊與紅外圖像去噪任務,并為不同的任務訓練了對應的模型。

    4.1 實驗數(shù)據(jù)集及參數(shù)設置

    為了訓練增強網(wǎng)絡模塊,實驗構(gòu)造了一個具有1000張圖像的訓練樣本庫,所有的圖像都有制冷型紅外熱像儀采集,其默認為高清晰圖像,其中圖像大小是640×480。同時,我們也構(gòu)造了一個50張不同場景的非制冷熱像儀采集的低質(zhì)量圖像作為測試庫。

    本文提出的增強網(wǎng)絡采用Python3.5進行開發(fā),以TensorFlow作為深度學習框架實現(xiàn),所有實驗均在均在相同硬件平臺上進行。采用ADAM優(yōu)化器來訓練網(wǎng)絡,其參數(shù)設置為β1= 0.9,β2=0.999和ε= 10-8,并采用Xavier初始化方法對所提的網(wǎng)絡的卷積層進行初始設置,使得每一層輸出的方差盡量相等。另外,與退化矩陣A相關(guān)的線性層則由退化模型A進行初始化,參數(shù)δ與η則分別經(jīng)驗設置為0.1和0.9。實驗結(jié)果表明,圖1所示的處理流程僅僅需要6次迭代就可以得到滿意的增強效果。圖像質(zhì)量評價主要采用峰值信噪比(PSNR)和結(jié)構(gòu)相似性度量(SSIM)對各算法進行定量描述。

    4.2 定性定量分析

    由于圖像增強問題可以表示為y=Ax+n。對于A的不同設置,可以表示不同的圖像增強問題。本文提出的算法能夠應用于紅外圖像去噪、去模糊等任務中。為了便于定性定量的分析,本章將對不同任務進行針對性分析。

    4.2.1 圖像去噪

    對于圖像去噪任務,退化矩陣A=I,因此圖像增強問題就裝換成y=x+n。本文所提出的去噪網(wǎng)絡嵌入變量分析優(yōu)化模型,通過逐漸迭代增強紅外圖像的清晰度。

    為了客觀公正的分析本文提出的模型在去噪任務上的性能,實驗選用幾種常用的對比算法進行比較,即BM3D方法[14]、EPLL方法[15]、TNRD方法[16]、DnCNNs方法[17]和MemNet方法[18]。BM3D是一種經(jīng)典的去噪算法,該算法利用圖像中的自相似性構(gòu)建相似性矩陣,并在變換域上實現(xiàn)軟閾值去噪。EPLL是一種采用最大似然估計算法對高斯混合模型進行訓練的去噪模型。TNRD是一種非線性反應擴散模型,該模型通過展開固定數(shù)量的梯度下降推斷步驟來學習出無噪圖像;DnCNNs是利用前饋去噪卷積神經(jīng)網(wǎng)絡來實現(xiàn)去噪;MemNet是一種基于限制的長期記憶網(wǎng)絡的圖像增強算法。表1展示了所有對比算法的平均PSNR和SSIM結(jié)果。對于低噪聲水平,MemNet方法與DnCNNs方法的增強效果類似,但指標上都不如本文提出的算法;對于高噪聲水平,MemNet方法,DnCNNs方法與本文方法在噪聲方差50下的SSIM分別是0.783,0.625與0.798,因此本文所提模型能夠重構(gòu)出更多的圖像細節(jié)信息,去噪性能優(yōu)于MemNet方法。非均勻噪聲是紅外圖像中不同位置的噪聲服從不同分布,實驗采用文獻[19]的非均勻噪聲仿真方法。表2展示了非均勻噪聲下的圖像增強的定量指標。本文的模型是在迭代優(yōu)化中引入了深度網(wǎng)絡,提升了去噪的性能。

    為了進一步驗證該方法的有效性,實驗選用了多幅圖像做定性比較,如圖4與圖5所示??梢钥闯?基于模型的方法(即BM3D和EPLL)恢復的圖像邊緣和紋理被過度平滑?;谏疃葘W習的方法:TNRD、DnCNNs、MemNet和本文方法,的重構(gòu)圖像具有更加清晰的細節(jié)信息,尤其是圖4(a)中樹叢,一些紋理信息很明顯,而BM3D方法則過度平滑。雖然BM3D在樹干區(qū)域的效果很清晰,但對于很難找到自相似塊的空天背景的區(qū)域,重建效果較差,且存在較多劃痕。MemNet采用不同的記憶單元實現(xiàn)密集連接,由于卷積核為1×1的卷積層,負責將所有記憶單元的存儲信息分別輸出,大大耗費運算資源,且上采樣恢復過程會引入偽影噪聲。從重構(gòu)結(jié)果也可以看出,圖4(b)中水渠大壩處存在一些條紋,這就是在上采樣過程增加的偽影。DnCNNs是采用單個殘差單元來預測殘差圖像,并采用批量歸一化加快訓練效率。由于DnCNNs要求端到端的訓練,實現(xiàn)輸入輸出大小保持一致,需要在卷積過程中補0填充,這使得重建結(jié)果存在邊界偽影;圖4(c)是把公路上的車輛都去除,而本文算法不僅增強了弱小目標,還盡可能還原了細節(jié)信息;圖4(d)與4(e)在同質(zhì)區(qū)域仍然存在一些噪聲。圖5是非制冷紅外采集圖像的一個小區(qū)域的重建結(jié)果對比,其中BM3D、EPLL方法則過度平滑,深度學習算法的結(jié)果優(yōu)于傳統(tǒng)算法。本文的算法在去除噪聲的同時,也能保持好細節(jié)信息。因此,與TNRD、DnCNN-S和MemNet方法相比,本文提出的方法在恢復圖像細節(jié)方面取得了更好的效果。

    圖4 不同算法的去噪性能對比

    圖5 非制冷紅外采集圖像的一個小區(qū)域的重建結(jié)果對比

    4.2.2 紅外圖像去模糊

    對于去模糊任務,退化矩陣A是模糊卷積核。為了訓練去模糊網(wǎng)絡,首先將訓練圖像與模糊核卷積,生成模糊圖像,然后從模糊圖像中提取128×128大小的訓練圖像塊,并在模糊樣本中加入隨機方差的高斯噪聲。清晰圖像與對應模糊圖像的對比圖如圖6所示。訓練樣本也通過翻轉(zhuǎn)和旋轉(zhuǎn)等操作對數(shù)據(jù)集進行擴充,總共生成300000個圖像塊樣本用于訓練。為了便于定量分析,本文選用的模糊核分別是標準差為1.6的25×25高斯模糊核與文獻[20]給出的運動模糊核。本文選用的對比算法分別是EPLL[20]、IDDBM3D[21],NCSR[22]和MemNet,其中MemNet需要模糊圖像塊對和原始圖像塊組成的樣本對進行訓練。為了進行公平的比較,所有的深度學習模型都采用相同的訓練樣本與測試樣本。

    表1 部分測試圖像的PSNR與SSIM結(jié)果對比

    表2 非均勻噪聲下的重構(gòu)質(zhì)量

    圖6 模糊圖像對比

    所有對比算法的去模糊結(jié)果如表3所示。可以看出,本文提出的方法與MemNet算法的去模糊性能優(yōu)于EPLL、IDDBM3D和NCSR[24],而本文所提方法的平均性能比MemNet方法高出0.58 dB。對于噪聲方差超過20的運動模糊核圖像,本文提出的模型比MemNet方法稍差,但后者需要更多的迭代(最多30次迭代)才能得到滿意的結(jié)果。圖7展示了所有對比方法的去模糊結(jié)果。與其他去模糊方法相比,本文所提出的方法不僅獲得了更銳利的邊緣,而且恢復了更多的細節(jié)信息。圖7(a)的原始模糊圖像邊緣模糊,細節(jié)不清楚,經(jīng)過EPLL、IDDBM3D和NCSR處理后,所有的結(jié)果都能獲得相對清晰的邊緣。EPLL是一種利用圖像塊似然概率先驗信息的對數(shù)期望實現(xiàn)圖像去模糊。從圖7(b)可以看出,該方法對高斯模糊的效果較好,但對運動模糊下的重建效果較差,主要歸咎于先驗信息對運動模糊的擬合精度較差。IDDBM3D是基于BM3D的改進算法,主要用于圖像去模糊。從處理結(jié)果可以看出,IDDBM3D對勻質(zhì)區(qū)域的處理效果較好,尤其是圖中的路面結(jié)果非常平滑。NCSR是基于中心稀疏的迭代型去模糊算法,該算法的去模糊效果優(yōu)于IDDBM3D與EPLL,細微的紋理和邊界保留的較完整,但其重構(gòu)結(jié)果不如基于深度學習的MemNet與本文提出的模型。由于非制冷紅外熱像儀采集的紅外圖像存在大量噪聲,且細節(jié)模糊,從圖7(e)可以看出本文提出的改進的深度神經(jīng)網(wǎng)絡能夠提升圖像恢復的質(zhì)量。尤其是對于空天背景的小目標圖像,本文提出的算法考慮了保真項的約束,增強了原始圖像的弱小目標的細節(jié)。表3的定量結(jié)果也表明了本文提出的去模糊算法的PSNR與SSIM分別高于MemNet 0.43 dB與0.1定性定量實驗結(jié)果表明,本文研究方法取得了優(yōu)于其他對比算法的復原效果。

    表3 去模糊算法的平均PSNR與SSIM

    圖7 去模糊對比

    5 結(jié) 論

    由于基于深度模型的圖像恢復算法忽略了觀測模型,導致了重構(gòu)的圖像存在虛假的紋理,尤其是對于紅外圖像中的弱小目標,大多數(shù)算法也并不能增強弱小目標的細節(jié)。本文提出了一種改進的深度神經(jīng)網(wǎng)絡用于提升圖像恢復的質(zhì)量,該網(wǎng)絡將圖像增強模塊嵌入到基于迭代優(yōu)化模型中,通過圖像增強模塊和反投影模塊交錯而成,增強數(shù)據(jù)的一致性,保留紋理細節(jié)。實驗結(jié)果表明,本文提出的方法可以在圖像去噪和去模糊任務上獲得非常有競爭力的恢復結(jié)果。下一步,本文將著重對算法性能進行優(yōu)化,并將其移植到嵌入式智能平臺,實現(xiàn)工程化應用。

    猜你喜歡
    深度方法模型
    一半模型
    深度理解一元一次方程
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權(quán)M-估計的漸近分布
    深度觀察
    深度觀察
    深度觀察
    可能是方法不對
    3D打印中的模型分割與打包
    用對方法才能瘦
    Coco薇(2016年2期)2016-03-22 02:42:52
    亚洲性夜色夜夜综合| 国内精品久久久久精免费| 国产午夜精品论理片| 国产免费一级a男人的天堂| 男女下面进入的视频免费午夜| 深爱激情五月婷婷| 国产黄色视频一区二区在线观看 | 最后的刺客免费高清国语| 性欧美人与动物交配| 18+在线观看网站| 悠悠久久av| 日日撸夜夜添| 日本一二三区视频观看| 亚洲欧美日韩高清在线视频| 国产一级毛片七仙女欲春2| 男女做爰动态图高潮gif福利片| 免费大片18禁| 老司机福利观看| 亚洲性久久影院| 波多野结衣高清无吗| 国产私拍福利视频在线观看| 国产亚洲精品久久久com| 亚洲第一电影网av| 欧美日韩一区二区视频在线观看视频在线 | 黄色日韩在线| 日韩欧美一区二区三区在线观看| 一边摸一边抽搐一进一小说| 老女人水多毛片| 免费av不卡在线播放| 一区福利在线观看| 一边摸一边抽搐一进一小说| 国内精品久久久久精免费| 国产一级毛片七仙女欲春2| 亚州av有码| 18禁裸乳无遮挡免费网站照片| 国产久久久一区二区三区| 黄色一级大片看看| 免费av毛片视频| 18禁在线无遮挡免费观看视频 | 亚洲自偷自拍三级| 可以在线观看的亚洲视频| 欧美最黄视频在线播放免费| 日韩精品青青久久久久久| 久久精品影院6| 国产成人影院久久av| 国产乱人偷精品视频| 黄色日韩在线| 日韩欧美三级三区| 熟女人妻精品中文字幕| 欧美日韩国产亚洲二区| 少妇丰满av| 亚洲aⅴ乱码一区二区在线播放| 人妻久久中文字幕网| 久久鲁丝午夜福利片| 91av网一区二区| 男女之事视频高清在线观看| 欧美高清性xxxxhd video| 伦理电影大哥的女人| 欧美bdsm另类| 美女cb高潮喷水在线观看| 老师上课跳d突然被开到最大视频| 一级黄色大片毛片| 天堂动漫精品| 99热全是精品| 国产精品一区二区三区四区免费观看 | 久久久色成人| 久久久欧美国产精品| 午夜福利在线在线| 91久久精品国产一区二区成人| 亚洲av不卡在线观看| 黄色配什么色好看| 色综合亚洲欧美另类图片| 久久午夜福利片| 精品久久久久久久久久久久久| 欧美区成人在线视频| 免费电影在线观看免费观看| 国产黄色视频一区二区在线观看 | 亚洲人成网站高清观看| 亚洲精品日韩在线中文字幕 | 成人鲁丝片一二三区免费| 欧美人与善性xxx| 亚洲精品日韩av片在线观看| 丝袜美腿在线中文| 尤物成人国产欧美一区二区三区| 我的老师免费观看完整版| 床上黄色一级片| 狂野欧美白嫩少妇大欣赏| 中文字幕av在线有码专区| 久久久午夜欧美精品| 日韩欧美免费精品| 99久久成人亚洲精品观看| 久久久久国产网址| 日韩欧美三级三区| 国产精品美女特级片免费视频播放器| 小蜜桃在线观看免费完整版高清| 国产成人a区在线观看| 免费观看在线日韩| 国产一区二区三区在线臀色熟女| 又爽又黄无遮挡网站| 少妇熟女aⅴ在线视频| 久久精品久久久久久噜噜老黄 | 嫩草影院新地址| 99久国产av精品| 婷婷精品国产亚洲av| 国产高清激情床上av| 我要搜黄色片| 欧美性感艳星| 久久精品影院6| 卡戴珊不雅视频在线播放| 99riav亚洲国产免费| 一进一出抽搐动态| 日日摸夜夜添夜夜添小说| 国产一级毛片七仙女欲春2| 久久人人爽人人爽人人片va| 最近手机中文字幕大全| 欧美中文日本在线观看视频| 中文字幕av在线有码专区| 日韩av不卡免费在线播放| 一a级毛片在线观看| 美女xxoo啪啪120秒动态图| 最后的刺客免费高清国语| 一进一出抽搐动态| 亚洲国产精品久久男人天堂| 成人永久免费在线观看视频| 成人av一区二区三区在线看| 久久亚洲精品不卡| 最近中文字幕高清免费大全6| 最近的中文字幕免费完整| 精品久久久噜噜| 国产精品亚洲一级av第二区| 国产不卡一卡二| 一级毛片久久久久久久久女| 国产美女午夜福利| av在线老鸭窝| 三级男女做爰猛烈吃奶摸视频| 国产午夜精品久久久久久一区二区三区 | 日本色播在线视频| 国产一区二区三区在线臀色熟女| 午夜爱爱视频在线播放| 国产亚洲精品av在线| 黄片wwwwww| 男插女下体视频免费在线播放| 免费一级毛片在线播放高清视频| 国产 一区精品| 国产成人a∨麻豆精品| av在线老鸭窝| 99国产极品粉嫩在线观看| 欧美激情在线99| 真实男女啪啪啪动态图| 午夜福利18| 午夜福利在线观看吧| 国内精品久久久久精免费| 日日啪夜夜撸| 春色校园在线视频观看| 91在线观看av| 国产精品国产三级国产av玫瑰| 亚洲成人久久爱视频| 特级一级黄色大片| 国产伦精品一区二区三区视频9| 91久久精品国产一区二区三区| 成年女人毛片免费观看观看9| 成人欧美大片| 22中文网久久字幕| 亚洲欧美日韩卡通动漫| 午夜精品一区二区三区免费看| 日产精品乱码卡一卡2卡三| 少妇猛男粗大的猛烈进出视频 | 国产高清视频在线播放一区| 色播亚洲综合网| 又爽又黄a免费视频| 老熟妇仑乱视频hdxx| 日韩成人av中文字幕在线观看 | 国产一区二区三区在线臀色熟女| 午夜久久久久精精品| 男人舔奶头视频| 亚洲aⅴ乱码一区二区在线播放| 淫妇啪啪啪对白视频| 亚洲精品一区av在线观看| 国产成人a∨麻豆精品| 成人一区二区视频在线观看| 久久精品夜夜夜夜夜久久蜜豆| 亚洲欧美日韩高清专用| 一个人看的www免费观看视频| 国产欧美日韩精品亚洲av| 久久久国产成人精品二区| 国产视频一区二区在线看| 国产一区二区亚洲精品在线观看| 国产精品永久免费网站| 日韩欧美精品v在线| 国产成人影院久久av| 日韩在线高清观看一区二区三区| 日韩三级伦理在线观看| 成人亚洲精品av一区二区| 在线天堂最新版资源| 国产一区二区激情短视频| 亚洲一区高清亚洲精品| 亚洲电影在线观看av| 97在线视频观看| 男人狂女人下面高潮的视频| 精品一区二区三区人妻视频| 99国产精品一区二区蜜桃av| 又爽又黄a免费视频| 91久久精品电影网| 超碰av人人做人人爽久久| 欧洲精品卡2卡3卡4卡5卡区| 免费在线观看影片大全网站| 最近视频中文字幕2019在线8| 女的被弄到高潮叫床怎么办| 在线天堂最新版资源| 久久久精品94久久精品| 久久精品国产亚洲av天美| 精品一区二区三区视频在线观看免费| 欧美日韩乱码在线| 中文在线观看免费www的网站| 91久久精品电影网| 嫩草影院入口| 亚洲成av人片在线播放无| 午夜a级毛片| 日韩亚洲欧美综合| 亚洲最大成人中文| АⅤ资源中文在线天堂| 亚洲成a人片在线一区二区| 老熟妇乱子伦视频在线观看| 成人特级av手机在线观看| 久久草成人影院| 永久网站在线| 成人午夜高清在线视频| 久久久精品大字幕| 日本与韩国留学比较| 亚洲高清免费不卡视频| 亚洲中文日韩欧美视频| www.色视频.com| 国产真实乱freesex| 久久精品国产亚洲av涩爱 | 长腿黑丝高跟| 成年av动漫网址| 国产精品一区二区性色av| 亚洲av一区综合| 精品人妻一区二区三区麻豆 | 免费观看人在逋| 亚洲av电影不卡..在线观看| 国产乱人视频| 亚洲精品久久国产高清桃花| 国产成人一区二区在线| 亚州av有码| 最新在线观看一区二区三区| 麻豆久久精品国产亚洲av| 搡老妇女老女人老熟妇| 亚洲丝袜综合中文字幕| 一进一出好大好爽视频| 老司机福利观看| 悠悠久久av| 一区二区三区四区激情视频 | 91狼人影院| 一进一出好大好爽视频| 成人二区视频| 22中文网久久字幕| 俺也久久电影网| 欧美日韩国产亚洲二区| 国产黄a三级三级三级人| 男人狂女人下面高潮的视频| 亚洲中文字幕一区二区三区有码在线看| 亚洲av一区综合| 亚洲人成网站高清观看| 久久精品国产亚洲av香蕉五月| 免费在线观看成人毛片| 国产高清视频在线播放一区| 国内精品宾馆在线| 人人妻人人澡人人爽人人夜夜 | 亚洲人成网站在线观看播放| 少妇的逼好多水| 精品久久久久久久久久久久久| 国产真实伦视频高清在线观看| 国产淫片久久久久久久久| 波野结衣二区三区在线| 免费人成视频x8x8入口观看| 人妻制服诱惑在线中文字幕| 日韩欧美免费精品| 中国美白少妇内射xxxbb| 国产高清视频在线观看网站| 又黄又爽又刺激的免费视频.| 亚洲成人中文字幕在线播放| 亚洲一区高清亚洲精品| 国产精品福利在线免费观看| 免费在线观看成人毛片| 此物有八面人人有两片| 能在线免费观看的黄片| 一进一出抽搐gif免费好疼| 少妇猛男粗大的猛烈进出视频 | 又黄又爽又刺激的免费视频.| 久久人人精品亚洲av| 在线免费十八禁| 九九在线视频观看精品| 18禁裸乳无遮挡免费网站照片| 亚洲国产精品合色在线| 99热只有精品国产| 99热全是精品| 97碰自拍视频| 欧美xxxx性猛交bbbb| 国产午夜福利久久久久久| 久久天躁狠狠躁夜夜2o2o| 不卡视频在线观看欧美| 国产黄色小视频在线观看| 啦啦啦观看免费观看视频高清| 高清日韩中文字幕在线| 亚洲av电影不卡..在线观看| 少妇丰满av| 国产单亲对白刺激| 日本色播在线视频| 99久国产av精品| 欧美日本亚洲视频在线播放| 麻豆av噜噜一区二区三区| 欧美+亚洲+日韩+国产| 麻豆成人午夜福利视频| 一进一出抽搐gif免费好疼| 久久国内精品自在自线图片| 在线天堂最新版资源| 精品久久久久久久末码| 欧美最新免费一区二区三区| 亚洲五月天丁香| 亚洲国产精品合色在线| 91久久精品国产一区二区成人| 日韩国内少妇激情av| 嫩草影院精品99| 午夜视频国产福利| 亚洲无线在线观看| 在线国产一区二区在线| 舔av片在线| 午夜视频国产福利| 中文字幕熟女人妻在线| 久久亚洲国产成人精品v| 欧美一区二区国产精品久久精品| 免费一级毛片在线播放高清视频| 欧美一区二区国产精品久久精品| 天堂av国产一区二区熟女人妻| 国产一区亚洲一区在线观看| 午夜精品一区二区三区免费看| 在线免费观看的www视频| av黄色大香蕉| 国产精品免费一区二区三区在线| 久久久久久久亚洲中文字幕| 长腿黑丝高跟| 天堂av国产一区二区熟女人妻| 国产成人福利小说| 少妇的逼水好多| 国产黄a三级三级三级人| 午夜精品一区二区三区免费看| 99热只有精品国产| 日韩大尺度精品在线看网址| 亚洲熟妇熟女久久| 国产精品电影一区二区三区| 久久久久久久午夜电影| 国产亚洲精品综合一区在线观看| 中国国产av一级| 国产在线男女| 中国国产av一级| 欧美日本视频| 一个人免费在线观看电影| 亚洲,欧美,日韩| 日韩欧美免费精品| 黄色配什么色好看| 久久午夜福利片| .国产精品久久| av卡一久久| 波野结衣二区三区在线| 最近手机中文字幕大全| 我的老师免费观看完整版| 1024手机看黄色片| 欧美+亚洲+日韩+国产| 久久精品夜色国产| 村上凉子中文字幕在线| 男人狂女人下面高潮的视频| 在线观看一区二区三区| av黄色大香蕉| 五月玫瑰六月丁香| 国产欧美日韩精品一区二区| 日韩强制内射视频| 欧美绝顶高潮抽搐喷水| 欧美zozozo另类| 国产白丝娇喘喷水9色精品| 97在线视频观看| 国产又黄又爽又无遮挡在线| 人妻制服诱惑在线中文字幕| 欧美绝顶高潮抽搐喷水| 久久这里只有精品中国| aaaaa片日本免费| 一级黄色大片毛片| 99国产精品一区二区蜜桃av| 免费看光身美女| 中国国产av一级| 欧美潮喷喷水| 亚洲自偷自拍三级| 国产乱人偷精品视频| 五月伊人婷婷丁香| 午夜激情欧美在线| 日本成人三级电影网站| 69av精品久久久久久| 在线播放无遮挡| 久久精品综合一区二区三区| 中出人妻视频一区二区| 日本五十路高清| 日韩 亚洲 欧美在线| 国产午夜福利久久久久久| 久久韩国三级中文字幕| 如何舔出高潮| 国产视频一区二区在线看| 少妇裸体淫交视频免费看高清| 国产在线精品亚洲第一网站| 久久精品久久久久久噜噜老黄 | 深夜a级毛片| 久久久久九九精品影院| 久久久久久久久久成人| 国产亚洲91精品色在线| 日韩大尺度精品在线看网址| 激情 狠狠 欧美| 亚洲,欧美,日韩| 69av精品久久久久久| av天堂中文字幕网| 最近在线观看免费完整版| 两个人的视频大全免费| 国产视频内射| 少妇丰满av| 国产在视频线在精品| 国产成年人精品一区二区| 日韩一区二区视频免费看| 乱人视频在线观看| 伦理电影大哥的女人| 性色avwww在线观看| 国产成人精品久久久久久| 成人性生交大片免费视频hd| 色在线成人网| 成年av动漫网址| 国产精品免费一区二区三区在线| a级一级毛片免费在线观看| 欧美性感艳星| 波野结衣二区三区在线| 国产淫片久久久久久久久| 国产精品久久久久久亚洲av鲁大| 精品午夜福利视频在线观看一区| 色综合亚洲欧美另类图片| 国产色婷婷99| 欧美性猛交╳xxx乱大交人| 国内精品一区二区在线观看| 春色校园在线视频观看| 91午夜精品亚洲一区二区三区| 免费看av在线观看网站| 男女下面进入的视频免费午夜| 国产aⅴ精品一区二区三区波| 波多野结衣高清作品| 18+在线观看网站| 男女之事视频高清在线观看| 熟女电影av网| 最近2019中文字幕mv第一页| 一级a爱片免费观看的视频| 久久久久久久久久久丰满| 波多野结衣高清作品| 97超碰精品成人国产| 成人午夜高清在线视频| 欧美三级亚洲精品| 非洲黑人性xxxx精品又粗又长| 精华霜和精华液先用哪个| 中文字幕人妻熟人妻熟丝袜美| 久久人人爽人人爽人人片va| 欧美人与善性xxx| 美女内射精品一级片tv| 国产精品人妻久久久影院| 亚洲在线观看片| a级毛片a级免费在线| 黄色配什么色好看| 男人和女人高潮做爰伦理| av天堂在线播放| 中文字幕免费在线视频6| av免费在线看不卡| 亚洲中文日韩欧美视频| 久久韩国三级中文字幕| 日韩欧美 国产精品| 国产69精品久久久久777片| 婷婷六月久久综合丁香| 99久久精品一区二区三区| 精品免费久久久久久久清纯| av.在线天堂| 中文字幕精品亚洲无线码一区| 黄片wwwwww| 淫妇啪啪啪对白视频| 黄色视频,在线免费观看| 婷婷亚洲欧美| 国产欧美日韩一区二区精品| 亚洲成人精品中文字幕电影| 国产 一区 欧美 日韩| 97在线视频观看| 久久久久国产精品人妻aⅴ院| 毛片女人毛片| 国产av在哪里看| 国产精品永久免费网站| 久久久精品94久久精品| 精品福利观看| 人妻少妇偷人精品九色| 在线观看一区二区三区| 可以在线观看毛片的网站| 国产黄色小视频在线观看| 你懂的网址亚洲精品在线观看 | 亚洲国产精品成人久久小说 | 欧美zozozo另类| 三级国产精品欧美在线观看| 欧美中文日本在线观看视频| 亚洲av美国av| 国产精品亚洲美女久久久| 亚洲精品久久国产高清桃花| 日日啪夜夜撸| 精品人妻一区二区三区麻豆 | 免费观看精品视频网站| 一夜夜www| 亚洲欧美精品自产自拍| 成人鲁丝片一二三区免费| 国产精品免费一区二区三区在线| 亚洲无线观看免费| 久久久久九九精品影院| 国产精品福利在线免费观看| 最近最新中文字幕大全电影3| 亚洲性夜色夜夜综合| 在线观看免费视频日本深夜| 久久久久性生活片| 色综合亚洲欧美另类图片| 午夜免费男女啪啪视频观看 | 22中文网久久字幕| 蜜桃久久精品国产亚洲av| 国产一区二区激情短视频| 99久久九九国产精品国产免费| 成人av在线播放网站| 五月伊人婷婷丁香| 国产精品电影一区二区三区| 欧美在线一区亚洲| 中文字幕av成人在线电影| 内地一区二区视频在线| 97在线视频观看| 人人妻人人澡人人爽人人夜夜 | 国产高清视频在线播放一区| 精品久久久久久成人av| 一级毛片电影观看 | 真实男女啪啪啪动态图| 观看美女的网站| 寂寞人妻少妇视频99o| 一级av片app| 精品午夜福利在线看| 日韩国内少妇激情av| 亚洲欧美日韩高清专用| 少妇丰满av| 国产在线男女| 日韩欧美精品免费久久| 日本与韩国留学比较| 亚洲人成网站高清观看| 日日干狠狠操夜夜爽| 日韩欧美 国产精品| 国产精品久久电影中文字幕| 淫秽高清视频在线观看| 中文亚洲av片在线观看爽| 麻豆av噜噜一区二区三区| 亚洲自偷自拍三级| 国产毛片a区久久久久| 国产精品一区www在线观看| 一区福利在线观看| 午夜免费男女啪啪视频观看 | 亚洲精品在线观看二区| 真实男女啪啪啪动态图| 狠狠狠狠99中文字幕| 国产爱豆传媒在线观看| 国产乱人偷精品视频| 激情 狠狠 欧美| 欧美三级亚洲精品| 女的被弄到高潮叫床怎么办| 色综合站精品国产| 日本成人三级电影网站| 国产单亲对白刺激| 国产一区二区在线av高清观看| 免费av不卡在线播放| 夜夜夜夜夜久久久久| 五月玫瑰六月丁香| 欧美不卡视频在线免费观看| 在线免费观看不下载黄p国产| 久久精品国产清高在天天线| 国产精品亚洲美女久久久| 精品一区二区三区视频在线| 草草在线视频免费看| av在线亚洲专区| 国产欧美日韩一区二区精品| 亚洲美女视频黄频| 色5月婷婷丁香| 麻豆成人午夜福利视频| 精品一区二区免费观看| 欧美激情国产日韩精品一区| 午夜爱爱视频在线播放| 久久精品国产清高在天天线| 天天一区二区日本电影三级| 狂野欧美白嫩少妇大欣赏| 美女黄网站色视频| 久久鲁丝午夜福利片| 在线免费观看不下载黄p国产| 99热只有精品国产| 国产毛片a区久久久久| 久久久久性生活片| 亚洲熟妇中文字幕五十中出| 成年版毛片免费区| 夜夜夜夜夜久久久久| 国产黄a三级三级三级人| 欧美日韩综合久久久久久| 干丝袜人妻中文字幕| 精品久久国产蜜桃| 在线天堂最新版资源| 欧美另类亚洲清纯唯美| 黄色视频,在线免费观看| 成人av一区二区三区在线看| av黄色大香蕉| 一区二区三区四区激情视频 | 日本免费a在线| 大型黄色视频在线免费观看|