• <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 ?

    基于非凸低秩約束的圖像修復(fù)方法

    2021-07-12 01:16:30孫艷敏張彩明
    圖學(xué)學(xué)報(bào) 2021年3期
    關(guān)鍵詞:區(qū)域方法模型

    孫艷敏,郭 強(qiáng),張彩明

    基于非凸低秩約束的圖像修復(fù)方法

    孫艷敏1,2,郭 強(qiáng)1,2,張彩明2,3

    (1. 山東財(cái)經(jīng)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,山東 濟(jì)南 250014;2.山東省數(shù)字媒體技術(shù)重點(diǎn)實(shí)驗(yàn)室,山東 濟(jì)南 250014;3. 山東大學(xué)軟件學(xué)院,山東 濟(jì)南 250101)

    受傳輸干擾或存儲(chǔ)不當(dāng)?shù)纫蛩氐挠绊?,現(xiàn)實(shí)應(yīng)用中獲取的某些圖像通常會(huì)存在像素缺失現(xiàn)象,這給圖像的后續(xù)分析與處理帶來(lái)了一定影響。解決該問(wèn)題的常用方法是對(duì)圖像進(jìn)行低秩修復(fù)。利用低秩特性進(jìn)行修復(fù)的方法大多以秩函數(shù)建模,由于矩陣秩函數(shù)是非凸離散的,該模型的求解是一個(gè)NP難問(wèn)題,所以通常利用核范數(shù)對(duì)矩陣的秩進(jìn)行凸松弛。但是,基于核范數(shù)的修復(fù)方法與基于秩函數(shù)極小化的方法之間存在一定偏差,因此提出非凸低秩約束的圖像修復(fù)方法。即采用log函數(shù)代替核范數(shù)對(duì)秩進(jìn)行約束,能夠克服核范數(shù)無(wú)法很好逼近秩最小化的問(wèn)題。此外,為有效求解上述非凸模型,將目標(biāo)函數(shù)轉(zhuǎn)化為增廣拉格朗日函數(shù),利用交替方向乘子法求解圖像修復(fù)模型。實(shí)驗(yàn)結(jié)果表明,該修復(fù)方法能夠處理不同情況下的像素缺失問(wèn)題,且修復(fù)性能明顯好于現(xiàn)有低秩修復(fù)方法。

    圖像修復(fù);核范數(shù);交替方向乘子法;非凸低秩約束;增廣拉格朗日函數(shù)

    圖像修復(fù)是圖像處理和計(jì)算機(jī)視覺(jué)領(lǐng)域研究的熱點(diǎn)問(wèn)題[1],其目標(biāo)是根據(jù)圖像中的已知區(qū)域提取可用圖像信息來(lái)恢復(fù)破損區(qū)域或去除圖像中的多余物體,以便獲得符合人眼視覺(jué)要求或接近真實(shí)圖像[2]。該技術(shù)在物體移除、影視特效以及藝術(shù)作品修復(fù)等領(lǐng)域具有廣泛的應(yīng)用。

    圖像修復(fù)方法通常是在修復(fù)過(guò)程中引入關(guān)于圖像內(nèi)在的結(jié)構(gòu)信息和先驗(yàn)屬性,利用數(shù)學(xué)理論建立先驗(yàn)?zāi)P?,并依?jù)先驗(yàn)?zāi)P颓蠼馊笔^(qū)域的像素。常用的修復(fù)算法大致可分為4類(lèi):基于偏微分方程(partial differential equations,PDE)的修復(fù)算法[3-5]、基于樣本塊的修復(fù)算法[6]、基于稀疏表示的修復(fù)算法[7]以及基于深度學(xué)習(xí)的修復(fù)算法[8-9]?;谄⒎值男迯?fù)算法的主要思想是利用物理學(xué)中的擴(kuò)散方程將待修復(fù)區(qū)域周?chē)男畔鞑サ叫迯?fù)區(qū)域中,從而達(dá)到修復(fù)的目的。該方法主要適用于修復(fù)包含小尺度破損區(qū)域的圖像如劃痕和文字等,但當(dāng)修復(fù)的面積較大時(shí),修復(fù)效果會(huì)明顯變差。其代表性算法包括TV算法[3],BSCB算法[4]和CDD算法[5]等。為了彌補(bǔ)PDE修復(fù)算法的不足,基于樣本塊的修復(fù)算法應(yīng)運(yùn)而生。其實(shí)現(xiàn)修復(fù)的原理是在待修復(fù)圖像的已知像素區(qū)域內(nèi)按照某種規(guī)則搜索一個(gè)或多個(gè)圖像塊,將得到的圖像塊作為待修復(fù)塊的估計(jì)進(jìn)行填補(bǔ),如此往復(fù)直到待修復(fù)區(qū)域填充完畢。這種方法雖然在較大區(qū)域的修復(fù)上較前者效果更好,但當(dāng)圖像本身的紋理特征不規(guī)則時(shí),修復(fù)效果會(huì)明顯下降。不同于以上2種方法,基于稀疏表示的修復(fù)算法則假定圖像待修復(fù)區(qū)域和完好無(wú)損區(qū)域具備相同稀疏特性,對(duì)完好區(qū)域進(jìn)行稀疏表示獲得表示系數(shù),再通過(guò)重構(gòu)算法對(duì)圖像破損區(qū)域進(jìn)行重構(gòu),進(jìn)而恢復(fù)成完整的圖像。在修復(fù)過(guò)程中這類(lèi)算法不僅能夠改善圖像修復(fù)質(zhì)量,而且能夠使修補(bǔ)的圖像更加清晰。此外,深度學(xué)習(xí)近來(lái)也被應(yīng)用到圖像修復(fù)中。借助于深度學(xué)習(xí)較強(qiáng)的特征學(xué)習(xí)能力,在海量圖像數(shù)據(jù)的支撐下,通過(guò)學(xué)習(xí)可對(duì)一些大尺度破損的圖像進(jìn)行較好的修復(fù)。但其存在訓(xùn)練時(shí)間長(zhǎng),且對(duì)計(jì)算機(jī)的硬件配置要求較高,網(wǎng)絡(luò)模型缺乏理論解釋等問(wèn)題。

    隨著稀疏表示理論的發(fā)展,低秩表示成為近年來(lái)學(xué)術(shù)界研究的熱點(diǎn)[10-11]。其是稀疏表示在矩陣上的擴(kuò)展[12],能夠利用矩陣內(nèi)樣本點(diǎn)之間的內(nèi)在關(guān)系[13-15]獲得數(shù)據(jù)的全局性特征。受到低秩表示在挖掘數(shù)據(jù)全局信息方面具有很大優(yōu)勢(shì)的啟發(fā),以及圖像本身具有的近似低秩特性[16-18],本文假設(shè)原始圖像可以由一個(gè)低秩矩陣表示[19]?;谠摷僭O(shè),圖像修復(fù)的過(guò)程可以轉(zhuǎn)換為一個(gè)低秩矩陣填充問(wèn)題。

    低秩矩陣填充可采用矩陣雙線性因子分解[20-24]和矩陣秩最小化[25-29]2種策略進(jìn)行。假設(shè)破損的矩陣為∈×n,為已知元素的位置構(gòu)成的集合?;陔p線性因子分解的填充算法通過(guò)求解以下模型可對(duì)缺失元素進(jìn)行估計(jì),即

    其中,為矩陣的秩。該方法將目標(biāo)矩陣分解為2個(gè)低秩矩陣的乘積形式,求解過(guò)程中可避免復(fù)雜的矩陣奇異值分解,從而使得算法具有較低的計(jì)算復(fù)雜度。但是其必須預(yù)先估計(jì)矩陣的秩,這在一定程度上限制了該方法的可用性。

    與基于雙線性因子分解算法不同的是,基于秩最小化的填充算法通過(guò)式(2)得到矩陣的近似低秩估計(jì)

    其中,()為矩陣的秩,即非零奇異值的個(gè)數(shù)。該方法無(wú)需知道矩陣的具體結(jié)構(gòu)信息。因?yàn)楫?dāng)矩陣滿(mǎn)足強(qiáng)不相干性且符合隨機(jī)一致采樣時(shí),通過(guò)極小化矩陣的秩,能夠以大概率對(duì)矩陣進(jìn)行復(fù)原[25]。但是由于秩函數(shù)()的離散特性,矩陣的秩極小化是一個(gè)NP-hard問(wèn)題。通常用求解核范數(shù)最小化(nuclear norm minimization,NNM)問(wèn)題的方法來(lái)對(duì)其進(jìn)行凸松弛[14,23,30],進(jìn)而式(2)可以轉(zhuǎn)化為

    其中,||||*表示矩陣的核范數(shù),即矩陣的所有奇異值之和。為了求解該模型,文獻(xiàn)[31]提出了一種奇異值閾值方法(singular value thresholding,SVT)。但是該方法在求解NNM問(wèn)題時(shí),忽略了奇異值的物理意義而同等地收縮處理所有奇異值,導(dǎo)致在求解NNM問(wèn)題時(shí)通常得到的是對(duì)原始秩最小化問(wèn)題的次優(yōu)解。事實(shí)上大的奇異值通常對(duì)應(yīng)于數(shù)據(jù)的主要信息,應(yīng)該被較小地收縮來(lái)保持?jǐn)?shù)據(jù)的主要內(nèi)容。文獻(xiàn)[32]中的加權(quán)核范數(shù)極小化法(weighted nuclear norm minimization,WNNM)則根據(jù)奇異值的物理意義,通過(guò)賦予奇異值不同的權(quán)重來(lái)提高矩陣填充精度,但需要根據(jù)經(jīng)驗(yàn)手動(dòng)確定權(quán)重,使得該方法不能精確近似矩陣的秩函數(shù)。為了避免耗時(shí)的迭代收縮,文獻(xiàn)[33]提出了一種利用低秩近似(low rank approximation,LRA)和截?cái)嗥娈愔档暮?jiǎn)單圖像修復(fù)方法。此外,文獻(xiàn)[34]認(rèn)為基于矩陣NNM方法在求解過(guò)程中往往會(huì)更多地關(guān)注較大的奇異值,忽略較小的奇異值,這將導(dǎo)致所得到的矩陣雖然具有低秩性但卻不能很好地逼近真實(shí)解。因此,上文提出了基于截?cái)嗍骄仃嚭朔稊?shù)正則化(TNNR)的矩陣填充算法,其僅懲罰最小的-個(gè)奇異值(其中是矩陣的秩)。雖然TNNR在數(shù)據(jù)集上取得了很好的效果,但其在建立模型的過(guò)程中需要對(duì)矩陣的秩進(jìn)行預(yù)估計(jì),這一過(guò)程在真實(shí)場(chǎng)景中難以實(shí)現(xiàn)。

    盡管核范數(shù)能夠較好地逼近非凸的秩函數(shù),且文獻(xiàn)[25]給出了一定的理論保證,但其與秩函數(shù)的最佳逼近函數(shù)仍有一定差距,這使得在實(shí)際應(yīng)用中其所獲結(jié)果往往不是最優(yōu)的。其原因?yàn)榫仃嚨拿恳粋€(gè)非零奇異值對(duì)秩函數(shù)來(lái)說(shuō)是同等重要的,而核范數(shù)定義為全部非零奇異值之和,并且同時(shí)最小化,這樣就使得每一個(gè)奇異值具有了不相同的貢獻(xiàn)。為了克服上述問(wèn)題,本文提出了一種非凸矩陣填充算法來(lái)進(jìn)行圖像修復(fù)。與基于核范數(shù)的模型相比,其能夠更好地逼近原始的秩極小化問(wèn)題,這是因?yàn)榉峭顾沙诳梢詫?duì)不同奇異值進(jìn)行不平衡懲罰,從而有利于對(duì)數(shù)據(jù)中主要信息的度量和刻畫(huà)。此外,為了求得算法的一個(gè)最優(yōu)解,本文采用了交替方向乘子法來(lái)求解該模型。

    1 相關(guān)工作

    為了更精準(zhǔn)地逼近秩函數(shù),學(xué)者們提出引入一些更加緊致的非凸函數(shù)來(lái)松弛秩函數(shù)。文獻(xiàn)[26]采用Schatten-p(0<≤1)范數(shù)來(lái)作為秩函數(shù)的逼近函數(shù),將低秩矩陣填充問(wèn)題建模為

    其中

    當(dāng)參數(shù)=1時(shí),Schatten-p范數(shù)等價(jià)于核范數(shù),即核范數(shù)是Schatten-p范數(shù)的一個(gè)特例。當(dāng)越趨近于0時(shí),Schatten-p范數(shù)對(duì)秩函數(shù)的逼近能力越強(qiáng)。該模型可以采用拉格朗日乘子法進(jìn)行求解。數(shù)值實(shí)驗(yàn)結(jié)果表明,采用Schatten-p范數(shù)比采用核范數(shù)進(jìn)行矩陣填充獲得的效果更好。

    文獻(xiàn)[35]則用高斯函數(shù)

    來(lái)逼近秩函數(shù),其中,s為變量;為參數(shù)。將低秩矩陣填充問(wèn)題建模為

    該模型可充分利用高斯函數(shù)可微的性質(zhì),采用梯度投影算法進(jìn)行求解。受高斯函數(shù)的啟發(fā),文獻(xiàn)[36]則利用光滑雙曲正切函數(shù)

    建立光滑非凸優(yōu)化模型,同樣可采用梯度投影算法進(jìn)行求解。對(duì)低秩矩陣填充問(wèn)題和圖像修復(fù)問(wèn)題的實(shí)驗(yàn)結(jié)果表明,該算法取得了更好的結(jié)果。此外,也可采用非凸光滑的logdet(+T)函數(shù)作為秩函數(shù)()的包絡(luò)來(lái)對(duì)矩陣填充問(wèn)題建模[37],該模型求解可以采用交替方向乘子法。

    不同于上述非凸矩陣填充模型的圖像修復(fù)方法,本文基于log函數(shù)的放縮性和泰勒展開(kāi)函數(shù)的逼近性導(dǎo)出了一種簡(jiǎn)單有效的方法。

    2 本文方法

    2.1 動(dòng)機(jī)分析

    本文采用log函數(shù)近似秩函數(shù)主要從以下2個(gè)方面考慮:

    (1) 從物理意義上講,圖像中較大的奇異值與圖像的主要成分相關(guān),因此較大奇異值需要被較小地約束以保留主要成分。但是矩陣核范數(shù)卻將具有不同重要性的奇異值同等對(duì)待,這導(dǎo)致基于矩陣核范數(shù)的修復(fù)方法不能很好地保留圖像主要成分。直觀上的做法是,不同的奇異值應(yīng)該根據(jù)重要性被不同程度地約束。一種策略是用加權(quán)核范數(shù)的形式,但是這種形式會(huì)引入更多的權(quán)重參數(shù)且需要手動(dòng)確定權(quán)重,這使得加權(quán)核范數(shù)不能更精確近似秩函數(shù)。而本文采用奇異值的對(duì)數(shù)來(lái)保證較大奇異值的重要性,其在求解時(shí)對(duì)奇異值的收縮值僅與各個(gè)奇異值相關(guān),這是更加合理的。

    (2) 從數(shù)學(xué)意義上講,由于秩函數(shù)是奇異值的0范數(shù),是非凸不連續(xù)的函數(shù),而核范數(shù)是奇異值的1范數(shù),其最小化容易導(dǎo)致過(guò)懲罰的問(wèn)題。于是,出現(xiàn)了許多利用非凸連續(xù)函數(shù)來(lái)逼近0范數(shù)的方法,例如:l范數(shù)[38-39](0<<1)、平滑截?cái)嘟^對(duì)值偏差[40]、MCP函數(shù)[41]以及指數(shù)型罰函數(shù)[42]等。這些非凸近似函數(shù)較1范數(shù)具有更好的性能,且更適合用于圖像修復(fù)。

    圖1 l1范數(shù)和函數(shù)對(duì)l0范數(shù)逼近程度比較

    2.2 基于log函數(shù)的修復(fù)模型

    通過(guò)以上分析,理論上可采用以下非凸低秩的正則化模型對(duì)圖像進(jìn)行修復(fù)

    其中

    >1為常數(shù);()為矩陣的第個(gè)奇異值??紤]到自然圖像會(huì)受到噪聲干擾,需引入噪聲正則項(xiàng)以增加模型魯棒性,即

    其中,為正則化參數(shù);為數(shù)據(jù)的噪聲矩陣。

    2.3 模型的優(yōu)化求解過(guò)程

    由于||||log的非凸性,式(11)難以直接求解,因此本文利用一階泰勒展開(kāi)式[43]來(lái)線性逼近式||||log,將其代入泰勒展開(kāi)式()=(0)+?(0) (-0),得

    通過(guò)引入輔助變量=及拉格朗日乘子矩陣和,將式(11)轉(zhuǎn)換為有關(guān)增廣拉格朗日函數(shù)的無(wú)約束最小化模型,即

    其中,為正的懲罰權(quán)重參數(shù)。此外,為了方便起見(jiàn),記

    由于式(13)中的變量是可分離的,所以利用交替最小化方法[44]來(lái)求解。具體地,在一次迭代中,首先固定,,,,,并利用式(15)更新,得

    由于式(15)的目標(biāo)函數(shù)是可微的,因此+1有如下閉式解

    然后,固定,,,,,利用下式更新,得

    根據(jù)文獻(xiàn)[43]引理1,可得

    類(lèi)似地,固定,,,,,利用式(19)更新,則有

    由于式(19)中的目標(biāo)函數(shù)是可微的,故通過(guò)使其一階導(dǎo)數(shù)等于零可得

    其中,是指標(biāo)集的補(bǔ)集。

    其次,固定,,,,,利用式(20)更新,有

    由于式(21)的目標(biāo)函數(shù)是可微的,易得+1的解為

    最后,固定,,,,利用下式更新增廣拉格朗日乘子,為

    根據(jù)上述的求解過(guò)程,可得本文算法:

    輸入:破損圖像Y,指標(biāo)集W。初始化:X=0,N=0,Z=0,P=0,Q=0和m=b=1e-8,k=100。輸出:修復(fù)圖像X。步驟1. 通過(guò)式(15)更新Xk+1。步驟2. 通過(guò)式(17)更新Zk+1。步驟3. 通過(guò)式(19)更新Yk+1。步驟4. 通過(guò)式(21)更新Nk+1。步驟5. 通過(guò)式(23)更新pk+1。步驟6. 通過(guò)式(24)更新Qk+1。步驟7. 通過(guò)m=tm,b=tb更新乘數(shù)m和b。步驟8. 重復(fù)執(zhí)行步驟1~7,直到滿(mǎn)足收斂條件:。步驟9. 結(jié)束。

    需要說(shuō)明的是,為避免迭代收斂過(guò)程過(guò)于緩慢,本文通過(guò)利用文獻(xiàn)[45]的方法來(lái)加速收斂過(guò)程,即每一次迭代中的分別是上一次迭代的倍,即==,其中?[1.1, 1.2]。

    3 實(shí)驗(yàn)結(jié)果與分析

    通過(guò)將本文方法與WNNM-MC[32],TCTR[45],MC-NC[46],LRMC[47]和LRTC-TNN[47]5種方法進(jìn)行比較分析,以驗(yàn)證本文方法的有效性。實(shí)驗(yàn)所用計(jì)算機(jī)配置為:Intel Core i7-6700 CPU @3.40 GHz,8 GB內(nèi)存,軟件平臺(tái)為MATLAB R2018a。

    參數(shù)設(shè)置下:=0.01max(((T))),=1。其他5種修復(fù)算法的實(shí)現(xiàn)代碼均從作者主頁(yè)上獲取,相關(guān)參數(shù)采用默認(rèn)值。對(duì)修復(fù)后圖像的質(zhì)量從主觀的視覺(jué)效果以及客觀的量化指標(biāo)2方面進(jìn)行評(píng)價(jià)。本文采用峰值信噪比(peak signal-to-noise ratio,PSNR)和特征相似度均值(feature similarity index mersure,F(xiàn)SIM)這2種常用的定量標(biāo)準(zhǔn)來(lái)量化修復(fù)后圖像的質(zhì)量。原始測(cè)試圖像如圖2所示。

    ①②③ ④⑤⑥ ⑦⑧⑨

    3.1 隨機(jī)丟失像素修復(fù)性能比較

    3.1.1 無(wú)噪聲數(shù)據(jù)的實(shí)驗(yàn)結(jié)果

    表1為在不同像素缺失率(=0.1, 0.3, 0.5)下,采用不同方法所得修復(fù)圖像的PSNR和FSIM值。從中可以看出,本文方法的量化性能明顯優(yōu)于WNNM-MC和MC-NC,略好于LRMC,LRTC-TNN和TCTR。本文方法的平均PSNR值分別比WNNM-MC,MC-NC,LRMC,LRTC-TNN和TCTR高出2.56 dB,3.17 dB,1.17 dB,0.14 dB和0.12 dB。

    為比較不同方法修復(fù)圖像的視覺(jué)效果,圖3為在像素缺失率(=0.5)的情況下,各種修復(fù)方法對(duì)圖2中不同測(cè)試圖像的修復(fù)結(jié)果??梢钥闯觯捎肨CTR方法修復(fù)后的圖像含有非常明顯的瑕疵點(diǎn),尤其是圖像的邊緣部分,未能將圖像邊緣信息有效地恢復(fù),而本文方法的視覺(jué)效果則明顯好于TCTR。產(chǎn)生上述問(wèn)題的原因在于,TCTR每次對(duì)固定秩為的矩陣執(zhí)行SVD。雖然該算法可以縮短運(yùn)行時(shí)間,但其忽略了現(xiàn)實(shí)圖像的秩是一變量的事實(shí)。

    表1 不同方法修復(fù)結(jié)果PSNR/FSIM比較(無(wú)噪聲)

    圖3 不同算法對(duì)缺失率a=0.5的圖像修復(fù)效果圖

    3.1.2 含噪聲數(shù)據(jù)的實(shí)驗(yàn)結(jié)果

    表2為在不同噪聲水平(=5,10,15)下,采用不同方法所得修復(fù)圖像的PSNR和FSIM值。從表2可以發(fā)現(xiàn),噪聲降低了所有方法的性能,而且在大多數(shù)情況下,基于非凸松弛的方法可獲得較好的結(jié)果。

    表2 不同方法修復(fù)結(jié)果PSNR/FSIM比較(有噪聲)

    為進(jìn)一步比較修復(fù)圖像的視覺(jué)效果,圖4為在=0.5,=15情況下,不同修復(fù)方法對(duì)測(cè)試圖像的修復(fù)結(jié)果。由于實(shí)驗(yàn)使用的圖片分辨率較低,因此無(wú)法較好地觀察到復(fù)原區(qū)域與原始圖片對(duì)應(yīng)區(qū)域之間的細(xì)節(jié)差異,于是圖5給出了不同修復(fù)方法對(duì)測(cè)試圖像的局部細(xì)節(jié)修復(fù)結(jié)果。不難看出,采用LRMC修復(fù)后的圖像整體過(guò)于模糊。如圖5(f)的第3行圖像所示,圖像細(xì)節(jié)特征丟失嚴(yán)重。產(chǎn)生上述問(wèn)題的原因在于,基于NNM模型的算法忽略了奇異值的物理意義而同等地收縮所有奇異值。此外采用WNNM算法進(jìn)行圖像修復(fù)雖然效果較好,但需要引入額外的權(quán)重參數(shù)。而本文利用奇異值的對(duì)數(shù)來(lái)保證較大奇異值的重要性,并在求解時(shí)要求奇異值的收縮值僅與各個(gè)奇異值相關(guān),沒(méi)有引入額外的權(quán)重參數(shù),這是更加合理的收縮算法。

    3.2 像素塊丟失修復(fù)性能比較

    3.2.1 無(wú)噪聲數(shù)據(jù)的實(shí)驗(yàn)結(jié)果

    本文隨機(jī)選取圖像的某一個(gè)30×30的方形區(qū)域作為缺失區(qū)域,將其數(shù)量定義為,并將處理后得到的圖像作為破損圖像來(lái)驗(yàn)證本文算法的有效性。各方法的FSIM和PSNR見(jiàn)表3,以及相應(yīng)的視覺(jué)效果如圖6所示。根據(jù)表中相應(yīng)的PSNR和FSIM值可以看出,MC-NC在PSNR平均值方面優(yōu)于本文算法0.13 dB,而在FSIM平均值方面則兩者相同,說(shuō)明從客觀的量化指標(biāo)進(jìn)行評(píng)價(jià),本文方法與MC-NC相當(dāng)。

    圖4 不同算法對(duì)缺失率a=0.5,噪聲水平t=15的圖像修復(fù)效果圖

    圖5 不同算法對(duì)缺失率a=0.5,噪聲水平t=15的圖像修復(fù)細(xì)節(jié)效果圖

    表3 不同方法修復(fù)結(jié)果PSNR/FSIM比較(無(wú)噪聲,30×30)

    圖6 不同算法對(duì)缺失率k=2的圖像修復(fù)效果圖

    從圖6主觀視覺(jué)效果方面而言,本文方法所獲得的修復(fù)結(jié)果不僅與MC-NC相當(dāng),并且明顯優(yōu)于其他相關(guān)方法,尤其是對(duì)于含有大量冗余信息的圖像,本文方法的修復(fù)效果較好。需要說(shuō)明的是,如圖6(c)所示,盡管MC-NC方法可以獲得最佳的視覺(jué)效果,但在實(shí)際運(yùn)行中需要進(jìn)行耗時(shí)的逐行更新。此外,TCTR不適合修復(fù)隨機(jī)丟失像素以及丟失較大區(qū)域的圖像,從定量標(biāo)準(zhǔn)和視覺(jué)效果兩方面來(lái)說(shuō),TCTR的修復(fù)性能最差。

    3.2.2 含噪聲數(shù)據(jù)的實(shí)驗(yàn)結(jié)果

    表4為固定=2時(shí),在不同噪聲水平(=5,10,15)下,不同算法取得的PSNR和FSIM值??梢钥闯?,平均MC-NC取得了最高的PSNR值,而本文算法取得了最高的FSIM值??傮w而言,本文算法具有相對(duì)較好的修復(fù)果。

    表4 不同方法修復(fù)結(jié)果PSNR/FSIM比較(有噪聲,30×30,k=2)

    圖7為在=2,=10的情況下,各種修復(fù)方法對(duì)不同測(cè)試圖像的修復(fù)結(jié)果,為進(jìn)一步從視覺(jué)上觀察到補(bǔ)全區(qū)域與原始圖片對(duì)應(yīng)區(qū)域之間的細(xì)節(jié)差異,圖8給出了圖像的局部細(xì)節(jié)修復(fù)結(jié)果。從圖8中不難看出,本文方法和MC-NC的視覺(jué)效果要遠(yuǎn)好于TCTR,LRMC和LRTC-TNN,略好于WNNM-MC。WNNM-MC盡管具有較高的量化指標(biāo),但其結(jié)果存在一定程度的模糊,如圖8(e)所示。此外,從圖8(g)中可以發(fā)現(xiàn),LRTC-TNN無(wú)法有效地修復(fù)缺失的像素塊,這是由于其對(duì)參數(shù)較為敏感。

    綜上所述,本文方法不僅具有較高的PSNR和FSIM,以及較強(qiáng)的魯棒性,而且其修復(fù)的圖像具有很好的視覺(jué)效果,能夠有效地保持圖像細(xì)節(jié)。

    4 結(jié) 論

    本文提出了一種基于非凸正則化項(xiàng)的矩陣填充模型,并結(jié)合交替方向乘子法對(duì)其進(jìn)行求解,實(shí)驗(yàn)結(jié)果表明,在不同缺失率下以及不同噪聲影響下,本文算法均能獲得較好的修復(fù)效果。由于迭代過(guò)程中涉及到矩陣的奇異值分解,使得算法的計(jì)算復(fù)雜度較高,如何提高算法的計(jì)算效率是下一步研究工作的主要內(nèi)容。

    圖7 不同算法對(duì)缺失率k=2,噪聲水平t=10的圖像修復(fù)效果圖

    圖8 不同算法對(duì)缺失率k=2,噪聲水平t=10的圖像修復(fù)細(xì)節(jié)效果圖

    [1] GUILLEMOT C, LE M O. Image inpainting: overview and recent advances[J]. IEEE Signal Processing Magazine, 2014, 31(1): 127-144.

    [2] 馮象初, 王斯琪, 李小平. 圖像修復(fù)問(wèn)題的低秩對(duì)偶逼近算法[J]. 西安電子科技大學(xué)學(xué)報(bào), 2016, 43(4): 172-177.

    FENG X C, WANG S Q, LI X P. Low-rank and dual approximation method for image inpainting problems[J]. Journal of Xidian University, 2016, 43(4): 172-177 (in Chinese).

    [3] 張桂梅, 李艷兵. 結(jié)合紋理結(jié)構(gòu)的分?jǐn)?shù)階TV模型的圖像修復(fù)[J]. 中國(guó)圖象圖形學(xué)報(bào), 2019, 24(5): 700-713.

    ZHANG G M, LI Y B. Image inpainting of fractional TV model combined with texture structure[J]. Journal of Image and Graphics, 2019, 24(5): 700-713 (in Chinese).

    [4] 尹芳, 陳田田. 均場(chǎng)退火算法在單幅灰度圖像高光檢測(cè)與恢復(fù)中的應(yīng)用[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2017, 29(5): 829-837.

    YI F, CHEN T T. Application of mean field annealing in specular detection and recovery for a grayscale image[J]. Journal of Computer-Aided Design & Computer Graphics, 2017, 29(5): 829-837 (in Chinese).

    [5] 竇立云, 徐丹, 李杰, 等. 基于雙樹(shù)復(fù)小波的圖像修復(fù)[J]. 計(jì)算機(jī)科學(xué), 2017, 44(S1): 179-182, 191.

    DOU L Y, XU D, LI J, et al. Image inpainting based on dual-tree complex wavelet transform[J]. Computer Science, 2017, 44(S1): 179-182, 191 (in Chinese).

    [6] 陶兆勝, 張敬寒, 王磊, 等. 基于邊緣特征和像素結(jié)構(gòu)相似度的圖像修復(fù)算法[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2019, 31(10): 1768-1776.

    TAO Z S, ZHANG J H, WANG L, et al. Image inpainting algorithm based on edge feature and pixel structure similarity[J]. Journal of Computer-Aided Design & Computer Graphics, 2019, 31(10): 1768-1776 (in Chinese).

    [7] 高成英, 徐仙兒, 羅燕媚, 等. 基于稀疏表示的物體圖像修復(fù)[J]. 計(jì)算機(jī)學(xué)報(bào), 2019, 42(9): 1953-1965.

    GAO C Y, XU X E, LUO Y M, et al. Object image inpainting based on sparse representation[J]. Chinese Journal of Computers, 2019, 42(9): 1953-1965 (in Chinese).

    [8] LI J Y, WANG N, ZHANG L F, et al. Recurrent feature reasoning for image inpainting[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York: IEEE Press, 2020: 7760-7768.

    [9] ZHAO L, MO Q H, LIN S H,et al. UCTGAN: diverse image inpainting based on unsupervised cross-space translation[C]// 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York: IEEE Press, 2020: 5741-5750.

    [10] UDELL M, HORN C, ZADEH R B, et al. Generalized low rank models[J]. Foundations and Trends in Machine Learning, 2016, 9(1): 1-118.

    [11] 郭強(qiáng), 張彩明, 張?jiān)品? 等. 基于最小方差估計(jì)的圖像低秩去噪[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2015, 27(12): 2237-2246.

    GUO Q, ZHANG C M, ZHANG Y F, et al. Low-rank image denoising based on minimum variance estimator[J]. Journal of Computer-Aided Design & Computer Graphics, 2015, 27(12): 2237-2246 (in Chinese).

    [12] CAI T T, ZHANG A. Sparse representation of a polytope and recovery of sparse signals and low-rank matrices[J]. IEEE Transactions on Information Theory, 2014, 60(1): 122-132.

    [13] 張倩侃, 計(jì)忠平, 付曉峰. 二次聯(lián)合稀疏表示和低秩近似的淺浮雕優(yōu)化[J]. 中國(guó)圖象圖形學(xué)報(bào), 2020, 25(6): 1245-1259.

    ZHANG Q K, JI Z P, FU X F. Bas-relief optimization based on twice-joint sparse representation and low-rank approximation[J]. Journal of Image and Graphics, 2020, 25(6): 1245-1259 (in Chinese).

    [14] LIU G C, LIN Z C, YAN S C, et al. Robust recovery of subspace structures by low-rank representation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(1): 171-184.

    [15] LU X Q, WANG Y L, YUAN Y, et al. Graph-regularized low-rank representation for destriping of hyperspectral images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(7): 4009-4018.

    [16] 劉成士, 趙志剛, 李強(qiáng), 等. 加強(qiáng)的低秩表示圖像去噪算法[J]. 計(jì)算機(jī)工程與應(yīng)用, 2020, 56(2): 216-225.

    LIU C S, Z Z G, LI Q, et al. Enhanced low-rank representation image denoising algorithm[J]. Computer Engineering and Applications, 2020, 56(2): 216-225 (in Chinese).

    [17] 白宏陽(yáng), 馬軍勇, 熊凱, 等. 圖像修復(fù)中的加權(quán)矩陣補(bǔ)全模型設(shè)計(jì)[J]. 系統(tǒng)工程與電子技術(shù), 2016, 38(7): 1703-1708.

    BAI H Y, MA J Y, XIONG K, et al. Design of weighted matrix completion model in image inpainting[J]. Systems Engineering and Electronics, 2016, 38(7): 1703-1708 (in Chinese).

    [18] HE W, ZHANG H Y, ZHANG L P, et al. Hyperspectral image denoising via noise-adjusted iterative low-rank matrix approximation[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(6): 3050-3061.

    [19] JI H, LIU C Q, SHEN Z W, et al. Robust video denoising using low rank matrix completion[C]//2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, New York: IEEE Press, 2010: 1791-1798.

    [20] WEN Z W, YIN W T, ZHANG Y. Solving a low-rank factorization model for matrix completion by a nonlinear successive over relaxation algorithm[J]. Mathematical Programming Computation, 2012, 4(4): 333-361.

    [21] HE W, ZHANG H Y, ZHANG L P, et al. Total-Variation-Regularized low-rank matrix factorization for hyperspectral image restoration[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(1): 178-188.

    [22] XU Y Y, YIN W T, WEN Z W, et al. An alternating direction algorithm for matrix completion with nonnegative factors[J]. Frontiers of Mathematics in China, 2012, 7(2): 365-384.

    [23] ZHOU P , LU C Y, LIN Z C , et al. Tensor factorization for low-rank tensor completion[J]. IEEE Transactions on Image Process, 2018, 27(3): 1152-1163.

    [24] SHANG F H, CHENG J, LIU Y Y, et al. Bilinear factor matrix norm minimization for robust PCA: Algorithms and applications[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018, 40(9): 2066-2080.

    [25] CANDES E J, RECHT B. Exact matrix completion via convex optimization[J]. Foundations of Computational Mathematics, 2009, 9(6): 717-772.

    [26] NIE F P, WANG H, HUANG H, et al. Joint schatten p-norm and lp-norm robust matrix completion for missing value recovery[J]. Knowledge and Information Systems, 2015, 42(3): 525-544.

    [27] NIE F, HUANG H, DING C, et al. Low-rank matrix recovery via efficient schatten p-norm minimization[C]//The 26th AAAI Conference on Artificial Intelligence. Palo Alto: AAAI Press, 2012: 655-661.

    [28] LU C Y, ZHU C B, XU C Y, et al. Generalized singular value thresholding[C]//The 29th AAAI Conference on Artificial Intelligence. Palo Alto: AAAI Press, 2015: 1805-1811.

    [29] LARSSON V, OLSSON C. Convex low rank approximation[J]. International Journal of Computer Vision, 2016, 120(2): 194-214.

    [30] DAI Y H, LI H D, HE M Y, et al. A simple prior-free method for non-rigid structure-from-motion factorization[J]. International Journal of Computer Vision, 2014, 107(2): 101-122.

    [31] CAI J F, CANDèS E J, SHEN Z W, et al. A singular value thresholding algorithm for matrix completion[J]. SIAM Journal on Optimization, 2010, 20(4): 1956-1982.

    [32] GU S H, XIE Q, MENG D Y, et al. Weighted nuclear norm minimization and its applications to low level vision[J]. International Journal of Computer Vision, 2017, 121(2): 183-208.

    [33] GUO Q, GAO S S, ZHANG X F, et al. Patch-based image inpainting via two-stage low rank approximation[J]. IEEE Transactions on Visualization and Computer Graphics, 2018, 24(6): 2023-2036.

    [34] LIU Q, LAI Z H, ZHOU Z W, et al. A truncated nuclear norm regularization method based on weighted residual error for matrix completion[J]. IEEE Transactions on Image Processing, 2015, 25(1): 316-330.

    [35] GHASMEI H, MALEK M M, BABAIE Z M, et al. SRF: matrix completion based on smoothed rank function[C]//2011 IEEE International Conference on Acoustics, Speech and Signal Processing. New York: IEEE Press, 2011: 3672-3675.

    [36] GENG J, WANG L S, WANG Y F, et al. A non-convex algorithm framework based on DC programming and DCA for matrix completion[J]. Numerical Algorithms, 2015, 68(4): 903-921.

    [37] KANG Z, PENG C, CHENG J, et al. LogDet rank minimization with application to subspace clustering[EB/OL]. [2020-09-11]. https://www.hindawi.com/journals/cin/2015/824289/.

    [38] TAHERI O, VOROBYOV S A. Sparse channel estimation with lp-norm and reweighted l1-norm penalized least mean squares[C]//2011 IEEE International Conference on Acoustics, Speech, and Signal Processing. New York: IEEE Press, 2011:2864-2867.

    [39] XU Z B, ZHANG H, WANG Y, et al. L1/2 regularization[J]. Science China (Information Sciences), 2010, 53(6): 1159-1169.

    [40] FAN J, LI R. Variable selection via nonconcave penalized likelihood and its oracle properties[J]. Journal of the American Statistical Association, 2001, 96(456): 1348-1360.

    [41] CAO W F, WANG Y, YANG C, et al. Folded-concave penalization approaches to tensor completion[J]. Neurocomputing, 2015, 152(25): 261-273.

    [42] GAO C X, WANG N Y, YU Q R, et al. A feasible nonconvex relaxation approach to feature selection[C]//The 25th AAAI Conference on Artificial Intelligence. Palo Alto: AAAI Press, 2011: 356-361.

    [43] DONG W S, SHI G M, LI X, et al. Compressive sensing via nonlocal low-rank regularization[J]. IEEE Transactions on Image Processing, 2014, 23(8): 3618-3632.

    [44] LU C Y, FENG J S, YAN S C, et al. A unified alternating direction method of multipliers by majorization minimization[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018, 40(3): 527-541.

    [45] LU C Y, FENG J S, LIN Z C, et al. Exact low tubal rank tensor recovery from Gaussian measurements[C]//The 27th International Joint Conference on Artificial Intelligence. Palo Alto: AAAI Press, 2018: 2504-2510.

    [46] NIE F P, HU Z X, LI X L. Matrix completion based on non-convex low-rank approximation[J], IEEE Transactions on Image Processing, 2019, 28(5): 2378-2388.

    [47] LU C. A library of ADMM for sparse and low-rank Optimization. National University of Singapore, June 2016[EB/OL]. [2020-10-15]. https://github.com/canyilu/ LibADMM-toolbox.

    Image inpainting using non-convex and low-rank constraint

    SUN Yan-min1,2, GUO Qiang1,2, ZHANG Cai-ming2,3

    (1. School of Computer Science and Technology, Shandong University of Finance and Economics, JinanShandong 250014, China; 2. Shandong Key Laboratory of Digital Media Technology, JinanShandong 250014, China; 3. School of Software, Shandong UniversityJinanShandong 250101, China)

    Due to transmission interference or improper storage, there exist some missing pixels in the images obtained in the real scene, which causes obstacles to the subsequent processing and analysis of the images. The key solution for missing pixels is to recover the image with low rank prior. However, since the rank function is discrete, the model that minimizes the rank is an NP-hard problem. In order to address this issue, a commonly used method is to employ an image-inpainting algorithm based on the nuclear norm. Unlike the methods based on the nuclear norm minimization, this paper proposed an image-inpainting algorithm using non-convex low-rank constraints, which replaced the traditional nuclear norm with a log function and overcame the inability of the nuclear norm to approach the rank minimization. In addition, to optimize the non-convex model, the augmented Lagrangian multiplier method was adopted to derive an alternating minimization algorithm. Experimental results demonstrate that the proposed method can deal with different missing pixel rates, and can far outperform other low-rank inpainting methods in inpainting.

    image inpainting; nuclear norm; alternating direction method of multiplier; non-convex and low-rank constraints; augmented Lagrangian method

    TP 391

    10.11996/JG.j.2095-302X.2021030414

    A

    2095-302X(2021)03-0414-12

    2020-12-02;

    2020-12-26

    2 December,2020;

    26 December,2020

    國(guó)家自然科學(xué)基金項(xiàng)目(61873145,U1609218);山東省省屬高校優(yōu)秀青年人才聯(lián)合基金(ZR2017JL029)

    National Natural Science Foundation of China (61873145, U1609218);Supported by Youth Foundation of Shandong Province of China (ZR2017JL029)

    孫艷敏(1993-),女,山東濟(jì)南人,碩士研究生。主要研究方向?yàn)閿?shù)字圖像修復(fù)。E-mail:1689980961@qq.com

    SUN Yan-min (1993-), female, master student. Her main research interest covers digital image inpainting. E-mail:1689980961@qq.com

    郭 強(qiáng)(1979–),男,山東濟(jì)南人,教授,博士。主要研究方向?yàn)閳D形圖像處理、計(jì)算機(jī)視覺(jué)等。E-mail:guoqiang@sdufe.edu.cnE-mail:guoqiang@sdufe.edu.cn

    GUO Qiang(1979-), male, professor, Ph.D. His main research interests cover graphic image processing, computer vision, etc.

    猜你喜歡
    區(qū)域方法模型
    一半模型
    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(jì)的漸近分布
    可能是方法不對(duì)
    3D打印中的模型分割與打包
    關(guān)于四色猜想
    分區(qū)域
    用對(duì)方法才能瘦
    Coco薇(2016年2期)2016-03-22 02:42:52
    四大方法 教你不再“坐以待病”!
    Coco薇(2015年1期)2015-08-13 02:47:34
    捕魚(yú)
    欧美成人免费av一区二区三区| 国产成人av教育| 国产成人系列免费观看| 欧美日本视频| x7x7x7水蜜桃| 久久久久久国产a免费观看| 亚洲专区中文字幕在线| 日日爽夜夜爽网站| 99在线视频只有这里精品首页| 亚洲av美国av| 一区二区三区激情视频| 男女那种视频在线观看| 禁无遮挡网站| 长腿黑丝高跟| 精品人妻1区二区| 搞女人的毛片| 久久精品亚洲精品国产色婷小说| 欧美绝顶高潮抽搐喷水| 国产精品99久久99久久久不卡| 国产精品一区二区三区四区免费观看 | 欧美色欧美亚洲另类二区| a级毛片a级免费在线| 久久人人精品亚洲av| 欧美 亚洲 国产 日韩一| www国产在线视频色| 色播亚洲综合网| 一进一出好大好爽视频| 亚洲 欧美 日韩 在线 免费| 午夜精品一区二区三区免费看| 在线观看日韩欧美| 国产av不卡久久| 欧美又色又爽又黄视频| 国产伦在线观看视频一区| 亚洲欧美精品综合久久99| 一个人观看的视频www高清免费观看 | 国产真实乱freesex| 国产一区二区三区在线臀色熟女| 亚洲av日韩精品久久久久久密| 色综合站精品国产| 成在线人永久免费视频| 亚洲一码二码三码区别大吗| 99国产综合亚洲精品| 成人三级黄色视频| 国产精品99久久99久久久不卡| 久久国产精品人妻蜜桃| 精品熟女少妇八av免费久了| 国产精品av久久久久免费| 巨乳人妻的诱惑在线观看| 三级男女做爰猛烈吃奶摸视频| 淫妇啪啪啪对白视频| 国产成人av教育| 欧美zozozo另类| 国产成年人精品一区二区| 色噜噜av男人的天堂激情| 国产精品av视频在线免费观看| 国产精品久久久av美女十八| 久久久精品大字幕| 好看av亚洲va欧美ⅴa在| 午夜两性在线视频| 在线视频色国产色| 久久中文看片网| 国产精品日韩av在线免费观看| а√天堂www在线а√下载| 麻豆成人午夜福利视频| 正在播放国产对白刺激| 久久精品国产综合久久久| 国产精品久久久久久久电影 | 桃红色精品国产亚洲av| 桃色一区二区三区在线观看| 欧美中文综合在线视频| 亚洲成av人片在线播放无| 国语自产精品视频在线第100页| 国产精品亚洲美女久久久| 黄色成人免费大全| 午夜两性在线视频| av中文乱码字幕在线| 美女黄网站色视频| 国产亚洲精品久久久久5区| 国产成人影院久久av| 久9热在线精品视频| av超薄肉色丝袜交足视频| 熟妇人妻久久中文字幕3abv| 亚洲天堂国产精品一区在线| 精品一区二区三区四区五区乱码| 母亲3免费完整高清在线观看| 国产欧美日韩精品亚洲av| 一级a爱片免费观看的视频| 妹子高潮喷水视频| 欧美日韩国产亚洲二区| 久久久久精品国产欧美久久久| bbb黄色大片| 午夜激情福利司机影院| 国产成人精品久久二区二区91| 亚洲精品美女久久久久99蜜臀| 精品久久久久久,| 欧美三级亚洲精品| 国产亚洲精品一区二区www| 淫妇啪啪啪对白视频| 欧美乱码精品一区二区三区| 欧美精品啪啪一区二区三区| 免费一级毛片在线播放高清视频| 免费看日本二区| 亚洲一区高清亚洲精品| 制服人妻中文乱码| 黄色a级毛片大全视频| 非洲黑人性xxxx精品又粗又长| 色精品久久人妻99蜜桃| 午夜福利免费观看在线| 他把我摸到了高潮在线观看| 2021天堂中文幕一二区在线观| 国产视频一区二区在线看| 久久久久免费精品人妻一区二区| 91九色精品人成在线观看| 国产在线精品亚洲第一网站| 久久草成人影院| 别揉我奶头~嗯~啊~动态视频| 99国产精品一区二区蜜桃av| 亚洲中文av在线| 久久精品国产亚洲av香蕉五月| 好男人电影高清在线观看| 国产野战对白在线观看| 老汉色∧v一级毛片| 黄色成人免费大全| 免费在线观看视频国产中文字幕亚洲| 观看免费一级毛片| 特大巨黑吊av在线直播| 免费在线观看黄色视频的| 18禁裸乳无遮挡免费网站照片| 国内毛片毛片毛片毛片毛片| 十八禁人妻一区二区| 日本一二三区视频观看| 天天添夜夜摸| 国产av不卡久久| 国产精品久久久久久精品电影| 免费看a级黄色片| 午夜视频精品福利| 日韩精品青青久久久久久| 国产视频一区二区在线看| 特级一级黄色大片| 成人欧美大片| 国产精品一区二区免费欧美| 老司机福利观看| 精品一区二区三区四区五区乱码| 亚洲人成77777在线视频| 精品人妻1区二区| 全区人妻精品视频| 午夜福利成人在线免费观看| 国产精品 国内视频| 免费高清视频大片| 国产精品久久久人人做人人爽| 午夜影院日韩av| 少妇粗大呻吟视频| 亚洲熟女毛片儿| 亚洲av五月六月丁香网| netflix在线观看网站| 男女那种视频在线观看| 成人18禁在线播放| 成熟少妇高潮喷水视频| 亚洲欧美激情综合另类| 欧美日韩福利视频一区二区| 很黄的视频免费| aaaaa片日本免费| 99热6这里只有精品| 日韩精品中文字幕看吧| 老司机福利观看| 欧美黄色淫秽网站| 黄色片一级片一级黄色片| 1024手机看黄色片| 十八禁人妻一区二区| 桃红色精品国产亚洲av| 老鸭窝网址在线观看| 午夜亚洲福利在线播放| 极品教师在线免费播放| 一个人免费在线观看的高清视频| 日韩三级视频一区二区三区| 免费高清视频大片| АⅤ资源中文在线天堂| 中文字幕人妻丝袜一区二区| 麻豆国产97在线/欧美 | 国产欧美日韩一区二区三| 男人舔女人下体高潮全视频| 国产精品久久久av美女十八| 搡老岳熟女国产| 99re在线观看精品视频| 久久久国产欧美日韩av| 亚洲真实伦在线观看| 成人国产一区最新在线观看| 久久久久久人人人人人| 亚洲美女黄片视频| 国产视频一区二区在线看| 国产视频一区二区在线看| 女同久久另类99精品国产91| 日本成人三级电影网站| 三级男女做爰猛烈吃奶摸视频| 777久久人妻少妇嫩草av网站| 婷婷亚洲欧美| 老熟妇乱子伦视频在线观看| 久久久久国产精品人妻aⅴ院| 两性午夜刺激爽爽歪歪视频在线观看 | 女人爽到高潮嗷嗷叫在线视频| 中文字幕av在线有码专区| 日日摸夜夜添夜夜添小说| 免费观看精品视频网站| 国内精品久久久久精免费| 免费在线观看日本一区| 精品国产乱子伦一区二区三区| 亚洲欧美日韩高清在线视频| 50天的宝宝边吃奶边哭怎么回事| 丁香六月欧美| 99国产精品99久久久久| 亚洲午夜精品一区,二区,三区| 在线十欧美十亚洲十日本专区| 特级一级黄色大片| 亚洲va日本ⅴa欧美va伊人久久| 嫩草影视91久久| 婷婷六月久久综合丁香| 久久亚洲精品不卡| 久久久久久久久久黄片| 国产精品一区二区三区四区久久| 亚洲精品粉嫩美女一区| 亚洲av日韩精品久久久久久密| 九九热线精品视视频播放| aaaaa片日本免费| 国内久久婷婷六月综合欲色啪| 欧美一级a爱片免费观看看 | 美女午夜性视频免费| 国产精品香港三级国产av潘金莲| 亚洲无线在线观看| 18禁美女被吸乳视频| 最近最新中文字幕大全免费视频| 夜夜爽天天搞| 亚洲第一欧美日韩一区二区三区| 搡老熟女国产l中国老女人| 99国产极品粉嫩在线观看| 久久中文字幕人妻熟女| 精品欧美一区二区三区在线| 欧美激情久久久久久爽电影| 日本 av在线| 99国产精品一区二区蜜桃av| 亚洲精品国产一区二区精华液| 老熟妇乱子伦视频在线观看| 少妇被粗大的猛进出69影院| 国产精品久久视频播放| 精品午夜福利视频在线观看一区| 欧美日本视频| 成人高潮视频无遮挡免费网站| 女同久久另类99精品国产91| 国产一区二区在线观看日韩 | tocl精华| 国产精品一区二区免费欧美| 亚洲 欧美 日韩 在线 免费| 免费电影在线观看免费观看| 毛片女人毛片| 成人欧美大片| 一进一出抽搐gif免费好疼| ponron亚洲| 婷婷精品国产亚洲av在线| 91成年电影在线观看| 丝袜人妻中文字幕| 法律面前人人平等表现在哪些方面| 亚洲最大成人中文| 亚洲国产精品sss在线观看| 变态另类丝袜制服| 18禁黄网站禁片午夜丰满| 日韩大尺度精品在线看网址| 两性午夜刺激爽爽歪歪视频在线观看 | 午夜视频精品福利| 99国产极品粉嫩在线观看| 精品国产美女av久久久久小说| а√天堂www在线а√下载| 午夜亚洲福利在线播放| 一边摸一边抽搐一进一小说| 99久久国产精品久久久| 成人三级做爰电影| 观看免费一级毛片| 动漫黄色视频在线观看| 亚洲自拍偷在线| 草草在线视频免费看| 国产av不卡久久| 国产午夜精品久久久久久| 国产精品精品国产色婷婷| 老司机午夜十八禁免费视频| 国产亚洲精品一区二区www| 亚洲精品在线观看二区| 亚洲国产精品sss在线观看| 久久天堂一区二区三区四区| 久久久水蜜桃国产精品网| 久久香蕉国产精品| 给我免费播放毛片高清在线观看| 日本撒尿小便嘘嘘汇集6| 久久久久久久久免费视频了| 国产免费男女视频| 精品一区二区三区视频在线观看免费| 琪琪午夜伦伦电影理论片6080| 久久这里只有精品19| 国产激情偷乱视频一区二区| 757午夜福利合集在线观看| 国产一区在线观看成人免费| 丝袜美腿诱惑在线| 在线看三级毛片| 日韩精品中文字幕看吧| 五月伊人婷婷丁香| 亚洲av电影在线进入| av片东京热男人的天堂| 超碰成人久久| 国产私拍福利视频在线观看| 欧美乱妇无乱码| 国产aⅴ精品一区二区三区波| 不卡一级毛片| 美女高潮喷水抽搐中文字幕| 国产麻豆成人av免费视频| 天堂av国产一区二区熟女人妻 | 婷婷精品国产亚洲av| 日韩欧美一区二区三区在线观看| 好男人在线观看高清免费视频| 女人爽到高潮嗷嗷叫在线视频| 国内揄拍国产精品人妻在线| 国产精品 国内视频| 天堂影院成人在线观看| 久久久久久人人人人人| 露出奶头的视频| 少妇的丰满在线观看| 亚洲欧美精品综合一区二区三区| 丰满的人妻完整版| 丝袜人妻中文字幕| 久久伊人香网站| 动漫黄色视频在线观看| АⅤ资源中文在线天堂| 一级作爱视频免费观看| 国产精品电影一区二区三区| 91字幕亚洲| 免费观看人在逋| 精品久久蜜臀av无| 国产精品一区二区三区四区免费观看 | 午夜福利免费观看在线| 亚洲人成伊人成综合网2020| 国产1区2区3区精品| 18禁观看日本| 长腿黑丝高跟| 精品欧美国产一区二区三| 国产精品亚洲美女久久久| 久久婷婷人人爽人人干人人爱| 老鸭窝网址在线观看| 午夜成年电影在线免费观看| 又黄又爽又免费观看的视频| 日韩精品免费视频一区二区三区| 听说在线观看完整版免费高清| 夜夜夜夜夜久久久久| 国产av一区在线观看免费| 国内精品一区二区在线观看| 国产主播在线观看一区二区| a级毛片在线看网站| 色尼玛亚洲综合影院| 国内少妇人妻偷人精品xxx网站 | 一区二区三区高清视频在线| 此物有八面人人有两片| 亚洲精品粉嫩美女一区| 制服诱惑二区| 最新美女视频免费是黄的| 每晚都被弄得嗷嗷叫到高潮| 国产av不卡久久| a级毛片在线看网站| 日韩欧美在线二视频| 亚洲国产高清在线一区二区三| 久久天堂一区二区三区四区| 久久精品91无色码中文字幕| svipshipincom国产片| 动漫黄色视频在线观看| 18禁国产床啪视频网站| 成年人黄色毛片网站| 两个人看的免费小视频| 黄色成人免费大全| 亚洲18禁久久av| 国产一区二区三区在线臀色熟女| 久久精品夜夜夜夜夜久久蜜豆 | 最近视频中文字幕2019在线8| 黄色片一级片一级黄色片| 精品日产1卡2卡| 亚洲国产精品合色在线| 男人舔女人下体高潮全视频| 日韩欧美免费精品| 亚洲一区高清亚洲精品| 麻豆成人av在线观看| 女生性感内裤真人,穿戴方法视频| 午夜激情福利司机影院| 欧美日韩国产亚洲二区| 在线永久观看黄色视频| 久久久国产成人免费| 黑人操中国人逼视频| 丰满的人妻完整版| 日韩有码中文字幕| 亚洲午夜理论影院| 两个人免费观看高清视频| 非洲黑人性xxxx精品又粗又长| www日本在线高清视频| 亚洲熟妇中文字幕五十中出| 99久久综合精品五月天人人| 日韩欧美 国产精品| 亚洲国产欧美一区二区综合| 亚洲国产欧美网| 日本 av在线| 国产视频内射| 日本黄色视频三级网站网址| 一夜夜www| 国产精品野战在线观看| 黄色女人牲交| 桃色一区二区三区在线观看| 欧美成人午夜精品| 亚洲九九香蕉| 国产精品久久电影中文字幕| 亚洲成人久久性| 日本 欧美在线| 黄色毛片三级朝国网站| 亚洲精品在线美女| 国产高清激情床上av| 国模一区二区三区四区视频 | 国产黄a三级三级三级人| a在线观看视频网站| 欧美久久黑人一区二区| 999久久久精品免费观看国产| 99在线人妻在线中文字幕| 狂野欧美白嫩少妇大欣赏| 香蕉久久夜色| 一级a爱片免费观看的视频| 最近最新免费中文字幕在线| 免费在线观看日本一区| 12—13女人毛片做爰片一| 久久中文看片网| 18禁裸乳无遮挡免费网站照片| 91国产中文字幕| 亚洲av成人精品一区久久| 一区二区三区激情视频| 最近视频中文字幕2019在线8| 欧美成人免费av一区二区三区| 国产精品99久久99久久久不卡| 亚洲精品美女久久久久99蜜臀| 亚洲一区高清亚洲精品| 又黄又爽又免费观看的视频| 亚洲国产欧洲综合997久久,| 国产单亲对白刺激| 麻豆久久精品国产亚洲av| 我要搜黄色片| 亚洲欧洲精品一区二区精品久久久| 欧美日韩黄片免| 色综合站精品国产| 国产亚洲欧美98| 白带黄色成豆腐渣| 国产精品久久久久久精品电影| 好男人在线观看高清免费视频| 国产伦在线观看视频一区| 一级a爱片免费观看的视频| 人成视频在线观看免费观看| 九色国产91popny在线| 在线视频色国产色| 十八禁人妻一区二区| 波多野结衣巨乳人妻| 99精品欧美一区二区三区四区| 一卡2卡三卡四卡精品乱码亚洲| 国产亚洲av高清不卡| 亚洲国产欧美人成| 可以免费在线观看a视频的电影网站| 精品少妇一区二区三区视频日本电影| 九色成人免费人妻av| 亚洲第一欧美日韩一区二区三区| 国产精品亚洲一级av第二区| 九九热线精品视视频播放| 丰满人妻熟妇乱又伦精品不卡| 国产午夜福利久久久久久| 99国产综合亚洲精品| 国内久久婷婷六月综合欲色啪| 老熟妇仑乱视频hdxx| 亚洲av熟女| 黄色a级毛片大全视频| 亚洲精品一区av在线观看| 精品久久久久久久末码| 国产99久久九九免费精品| 美女免费视频网站| 国产av又大| 熟妇人妻久久中文字幕3abv| 88av欧美| 国产高清videossex| 美女午夜性视频免费| 欧美色欧美亚洲另类二区| 好男人电影高清在线观看| 麻豆国产av国片精品| 日本黄大片高清| 制服诱惑二区| 黑人巨大精品欧美一区二区mp4| 亚洲中文av在线| 黄频高清免费视频| 91大片在线观看| 精品人妻1区二区| 1024视频免费在线观看| 一区二区三区国产精品乱码| 美女免费视频网站| 久久中文字幕一级| 久久人妻av系列| 国产不卡一卡二| av片东京热男人的天堂| 欧美一区二区精品小视频在线| 久久久久久久精品吃奶| 国产伦一二天堂av在线观看| 宅男免费午夜| 成人国语在线视频| 国语自产精品视频在线第100页| 国产亚洲欧美在线一区二区| www.精华液| 国产精品久久久久久亚洲av鲁大| 1024视频免费在线观看| 在线观看舔阴道视频| 国产精品久久久人人做人人爽| 免费在线观看成人毛片| 麻豆成人av在线观看| 成熟少妇高潮喷水视频| 国产伦在线观看视频一区| 99久久精品热视频| av片东京热男人的天堂| 亚洲熟女毛片儿| 性色av乱码一区二区三区2| 黄色a级毛片大全视频| 中文字幕人成人乱码亚洲影| 亚洲一卡2卡3卡4卡5卡精品中文| 母亲3免费完整高清在线观看| 亚洲欧洲精品一区二区精品久久久| 好男人电影高清在线观看| 亚洲精品久久国产高清桃花| 黑人操中国人逼视频| 国产成年人精品一区二区| 精品午夜福利视频在线观看一区| 黄色 视频免费看| 亚洲精品中文字幕一二三四区| 可以在线观看毛片的网站| 亚洲片人在线观看| 国内精品久久久久久久电影| 久久久久久免费高清国产稀缺| 国产黄色小视频在线观看| 啦啦啦韩国在线观看视频| 午夜a级毛片| 久久精品成人免费网站| 国产1区2区3区精品| 亚洲,欧美精品.| 国产激情久久老熟女| 亚洲精品一区av在线观看| 99在线视频只有这里精品首页| 无遮挡黄片免费观看| a在线观看视频网站| 亚洲一区中文字幕在线| 国产精品自产拍在线观看55亚洲| 日本一本二区三区精品| 久久婷婷人人爽人人干人人爱| 成人国语在线视频| 最好的美女福利视频网| 18禁黄网站禁片午夜丰满| 一级黄色大片毛片| 99国产精品一区二区蜜桃av| 少妇熟女aⅴ在线视频| 亚洲精品粉嫩美女一区| 亚洲人成网站高清观看| 精品国产美女av久久久久小说| 99热这里只有精品一区 | 美女黄网站色视频| 欧洲精品卡2卡3卡4卡5卡区| 美女免费视频网站| 国产69精品久久久久777片 | 老司机靠b影院| 午夜福利在线观看吧| 婷婷亚洲欧美| 欧美黑人巨大hd| 岛国在线观看网站| 国产伦人伦偷精品视频| 搡老熟女国产l中国老女人| 我要搜黄色片| 麻豆成人午夜福利视频| 午夜激情av网站| av视频在线观看入口| 老司机深夜福利视频在线观看| 亚洲人成77777在线视频| 成人精品一区二区免费| 久久精品综合一区二区三区| 窝窝影院91人妻| 琪琪午夜伦伦电影理论片6080| 国产激情偷乱视频一区二区| 男女床上黄色一级片免费看| 男女那种视频在线观看| 日本精品一区二区三区蜜桃| 91老司机精品| 天堂√8在线中文| 成人欧美大片| 亚洲国产欧美人成| 在线国产一区二区在线| 琪琪午夜伦伦电影理论片6080| 免费在线观看日本一区| 国产黄a三级三级三级人| 亚洲av中文字字幕乱码综合| 日韩三级视频一区二区三区| 成人欧美大片| 中文字幕熟女人妻在线| 久久精品国产综合久久久| 国产一区二区三区在线臀色熟女| 99久久99久久久精品蜜桃| 嫩草影院精品99| 国产午夜精品论理片| 国产高清有码在线观看视频 | 国产精品影院久久| 成年免费大片在线观看| 亚洲成人中文字幕在线播放| 亚洲男人的天堂狠狠| 日韩欧美一区二区三区在线观看| 亚洲欧洲精品一区二区精品久久久| 18禁国产床啪视频网站| 中文字幕久久专区| 女生性感内裤真人,穿戴方法视频| 99久久99久久久精品蜜桃| 日本免费a在线| 777久久人妻少妇嫩草av网站|