• <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GF-3影像的金沙江堰塞湖電網(wǎng)受災(zāi)區(qū)域提取

    2021-11-11 01:59:48孫斌李俊鵬羅哲軒楊騰者梅林劉靖張浩
    航天返回與遙感 2021年5期
    關(guān)鍵詞:區(qū)域

    孫斌 李俊鵬 羅哲軒 楊騰 者梅林 劉靖 張浩

    基于GF-3影像的金沙江堰塞湖電網(wǎng)受災(zāi)區(qū)域提取

    孫斌1李俊鵬1羅哲軒1楊騰1者梅林1劉靖2張浩3

    (1 云南電網(wǎng)有限責(zé)任公司輸電分公司,昆明 650000)(2 北京空間飛行器總體設(shè)計(jì)部,北京 100094)(3 南昌工程學(xué)院,南昌 330099)

    云南地區(qū)降雨頻發(fā),暴雨易導(dǎo)致洪澇等災(zāi)害發(fā)生,顯著威脅電網(wǎng)的安全運(yùn)行。基于合成孔徑雷達(dá)遙感影像的檢測(cè)技術(shù)近年來(lái)廣泛應(yīng)用于水體提取。文章提出一種基于深度學(xué)習(xí)的洪澇災(zāi)害區(qū)域提取技術(shù),通過(guò)神經(jīng)網(wǎng)絡(luò)水體提取和差分變化檢測(cè)完成電網(wǎng)受災(zāi)單位識(shí)別。在云南地區(qū)“高分三號(hào)”衛(wèi)星影像上對(duì)比了與閾值算法(OTSU)、Snake算法、CV分割算法的提取精度,證實(shí)了方法的有效性。結(jié)果顯示,相對(duì)經(jīng)典的分割方法,深度學(xué)習(xí)方法可以較好的處理復(fù)雜場(chǎng)景。該方法用于金沙江流域堰塞湖泄洪受災(zāi)檢測(cè)應(yīng)用,檢出受災(zāi)電網(wǎng)單位與現(xiàn)場(chǎng)勘察相符,為電網(wǎng)監(jiān)測(cè)管控提供了保障。該研究可為水體提取、洪澇災(zāi)害變化監(jiān)測(cè)研究與應(yīng)用,以及更廣泛的其他地物分割場(chǎng)景提供參考。

    合成孔徑雷達(dá) 洪澇災(zāi)害 水體提取 深度學(xué)習(xí) “高分三號(hào)”衛(wèi)星

    0 引言

    電力工業(yè)是國(guó)民經(jīng)濟(jì)與社會(huì)發(fā)展的重要支柱產(chǎn)業(yè)。自然災(zāi)害中的洪澇災(zāi)害由于發(fā)生速度快、頻次高,嚴(yán)重地威脅著電力系統(tǒng)的安全運(yùn)行[1]。對(duì)水體及其變化信息進(jìn)行提取,有利于電網(wǎng)及時(shí)采取應(yīng)急措施,降低安全隱患,做好災(zāi)后評(píng)估。近年來(lái),遙感技術(shù)開(kāi)始廣泛應(yīng)用于水體提取[2]。遙感影像覆蓋廣、頻次高,有利于進(jìn)行災(zāi)害監(jiān)測(cè),尤其是,合成孔徑雷達(dá)(SAR)影像受云雨霧影響較少,水體后向散射特征易于與其他地物區(qū)分,在水體提取方面具有優(yōu)于光學(xué)影像的表現(xiàn)[3]。作為我國(guó)首顆C波段的多極化合成孔徑雷達(dá)衛(wèi)星,“高分三號(hào)”(GF-3)衛(wèi)星的發(fā)射,為電網(wǎng)洪澇災(zāi)害的SAR水體提取場(chǎng)景應(yīng)用提供了基本數(shù)據(jù)保障。研究一種基于SAR的水體快速提取與變化監(jiān)測(cè)方法,對(duì)于電網(wǎng)洪澇災(zāi)害監(jiān)測(cè)、規(guī)劃管理等具有重要意義。

    目前,SAR影像水體提取通?;趫D像分割,主要分為閾值分割法、濾波法和機(jī)器學(xué)習(xí)的方法[4-5]。閾值分割法認(rèn)為不同目標(biāo)或背景的像素在灰度上有差異,在SAR圖像的后向散射強(qiáng)度直方圖中選取閾值,從而將圖像分為水體和非水體[6-7]。大津(OTSU)閾值分割是其中一種經(jīng)典的閾值算法,其利用最大類(lèi)間方差的思想來(lái)決定閾值,方法原理簡(jiǎn)單,易于理解,實(shí)現(xiàn)速度快[8]。然而,閾值法容易受相干斑噪聲的影響,陸地場(chǎng)景復(fù)雜,有些非水體區(qū)域也呈現(xiàn)黑色暗斑,如山脈中的山谷陰影、平滑的機(jī)場(chǎng)跑道,以及其他的暗斑區(qū)域,這些黑色暗斑的灰度值與水體的非常接近,傳統(tǒng)的水體提取方法會(huì)將噪聲區(qū)域一并分類(lèi)為水體,降低了提取精度。為了消除相干斑噪聲的影響,各類(lèi)濾波法被提出,濾波法主要采用小波變換、形態(tài)學(xué)濾波和Gmma濾波等算法[9-11],設(shè)定不同的規(guī)則來(lái)抑制SAR的相干斑噪聲,然而該濾波算法提取的水體邊緣不平滑,邊緣特征易被消除,導(dǎo)致檢測(cè)精度降低;支持向量機(jī)與灰度共生矩陣是應(yīng)用最為廣泛的機(jī)器學(xué)習(xí)的方法[12-15],該方法將紋理灰度共生矩陣與圖像中的灰度信息相結(jié)合,消除“椒鹽現(xiàn)象”,水體提取的精度較高,其缺點(diǎn)是計(jì)算量大,訓(xùn)練時(shí)間長(zhǎng),不適用于復(fù)雜的SAR應(yīng)用場(chǎng)景。

    總的來(lái)說(shuō),上述方法均存在其局限性,閾值法、濾波法等非學(xué)習(xí)的方法往往基于人為設(shè)計(jì)的分割規(guī)則,容易受到陰影、噪聲等影響,而這些現(xiàn)象在稍復(fù)雜的場(chǎng)景下很常見(jiàn)。支持向量機(jī)與灰度共生矩陣等方法盡管引入了機(jī)器學(xué)習(xí),但其學(xué)習(xí)樣本能力較弱,仍然無(wú)法適用于復(fù)雜場(chǎng)景的SAR應(yīng)用。近年來(lái),深度學(xué)習(xí)在圖像處理方面的研究發(fā)展迅速,應(yīng)用廣泛,各類(lèi)用于分類(lèi)和識(shí)別的神經(jīng)網(wǎng)絡(luò)模型被相繼提出,例如CNN[16]、FCN[17]和U-Net等[18]。將神經(jīng)網(wǎng)絡(luò)應(yīng)用于SAR圖像的處理也越來(lái)越廣泛,憑借神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力和多層的網(wǎng)絡(luò)結(jié)構(gòu),基于神經(jīng)網(wǎng)絡(luò)的SAR圖像場(chǎng)景識(shí)別和分類(lèi)往往能夠獲得比傳統(tǒng)方法更好的效果[19-20]。Badrinarayanan等人于2015年提出SegNet網(wǎng)絡(luò)[21],其本身是語(yǔ)義分割常用的網(wǎng)絡(luò)模型,也常用于遙感圖像的分割,2018年Guo等人將Segnet算法用于SAR圖像中海面溢油的檢測(cè),取得了理想的效果[22]。

    本文提出了一種基于SegNet算法的水體提取與變化檢測(cè)流程方法,其可以改善傳統(tǒng)方法面對(duì)復(fù)雜SAR場(chǎng)景的無(wú)法適用的情況。通過(guò)實(shí)驗(yàn)對(duì)比了OTSU閾值算法、Snake模型[23]、CV分割算法[24]與基于SegNet算法的水體提取方法在GF-3衛(wèi)星影像提取上的影像提取效果的優(yōu)劣,結(jié)果表明,基于SegNet的水體提取方法表現(xiàn)出更好的效果。水體提取與變化檢測(cè)流程方法應(yīng)用于金沙江流域堰塞湖泄洪受災(zāi)區(qū)域,成功地檢出電網(wǎng)受災(zāi)地區(qū)。本文研究成果可為SAR水體提取研究及電網(wǎng)洪災(zāi)應(yīng)對(duì)提供參考。

    1 基于SegNet網(wǎng)絡(luò)的水體提取與變化檢測(cè)方法

    針對(duì)GF-3衛(wèi)星圖像數(shù)據(jù)提取洪災(zāi)區(qū)域,監(jiān)測(cè)水陸變化,本文首先對(duì)GF-3衛(wèi)星圖像進(jìn)行預(yù)處理。常見(jiàn)衛(wèi)星圖像為16bit數(shù)據(jù),通常應(yīng)先將圖像量化為8bit灰度圖像,并進(jìn)行幾何校正[25]。首先采用線(xiàn)性拉伸的方法將16bit數(shù)據(jù)量化為8bit數(shù)據(jù),隨后基于參考底圖仿射校正的方法,對(duì)提供的衛(wèi)星有理函數(shù)幾何成像模型的有理多項(xiàng)式系數(shù)(Rational Polynomial Coefficients,RPC)進(jìn)行修正,最后通過(guò)改正后的RPC參數(shù)對(duì)影像做正射校正。校正后的影像作為后續(xù)水體提取與變化檢測(cè)輸入,利用深度學(xué)習(xí)技術(shù)提取圖像中的水體,最后對(duì)兩個(gè)時(shí)相的圖像進(jìn)行水體的變化監(jiān)測(cè),技術(shù)路線(xiàn)如圖1所示。

    圖1 技術(shù)路線(xiàn)圖

    1.1 水體提取

    (1)SegNet網(wǎng)絡(luò)結(jié)構(gòu)

    SegNet網(wǎng)絡(luò)由編碼器和解碼器組成,具有對(duì)稱(chēng)結(jié)構(gòu)。編碼器的結(jié)構(gòu)與VGG16網(wǎng)絡(luò)[26]相似,由5個(gè)層組構(gòu)成,每個(gè)層組都包含卷積層、批量歸一化處理層、線(xiàn)性整流函數(shù)激活層、池化層。編碼器用于深層的特征提取,最大池化層能夠簡(jiǎn)化和平滑前例特征映射,采集本字段的最大值作為輸出像素;解碼器網(wǎng)絡(luò)可以看作編碼器網(wǎng)絡(luò)的反向過(guò)程,解碼器層組構(gòu)成與編碼器層組類(lèi)似,區(qū)別在于進(jìn)行卷積和池化時(shí),解碼器網(wǎng)絡(luò)使用保存的最大池化索引進(jìn)行上采樣,得到稀疏的特征圖,而后特征圖經(jīng)過(guò)解碼器卷積層到致密的特征圖,在解碼器的最后連接一個(gè)全連接層,全連接層輸出每個(gè)像素的類(lèi)別概率,具體結(jié)構(gòu)見(jiàn)圖2。

    采用編碼解碼結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)易于學(xué)習(xí),可以輸入不同大小尺寸的圖片,在對(duì)縮小的圖片進(jìn)行還原的同時(shí)能最大限度的保留像素的位置信息,降低錯(cuò)誤的分類(lèi),適合用于非結(jié)構(gòu)場(chǎng)景中的水體語(yǔ)義分割任務(wù)。

    圖2 SegNet網(wǎng)絡(luò)結(jié)構(gòu)

    (2)訓(xùn)練與預(yù)測(cè)

    SegNet的訓(xùn)練過(guò)程可概述為以下三個(gè)步驟:

    1)將訓(xùn)練集中的每個(gè)樣本對(duì)應(yīng)的標(biāo)簽依次輸入到SegNet網(wǎng)絡(luò)中;

    2)將交叉損失熵作為訓(xùn)練模型的目標(biāo)函數(shù),其值為每個(gè)訓(xùn)練樣本中所有像素的加權(quán)值;

    3)通過(guò)反向傳播算法,根據(jù)最小誤差更新權(quán)重。

    步驟1)和步驟2)中的信息向前傳播,通過(guò)對(duì)輸入和權(quán)重的卷積得到輸出。步驟3)是反向傳播過(guò)程,根據(jù)步驟2)的結(jié)果,通過(guò)反向傳播算法將權(quán)值傳遞到前一層,并對(duì)權(quán)值進(jìn)行更新。

    在預(yù)測(cè)階段,編碼器輸入尺寸為××的圖像input,這里和表示圖像長(zhǎng)寬,表示圖像波段數(shù),input表示輸入圖像。經(jīng)過(guò)歸一化處理和線(xiàn)性整流函數(shù)的作用,進(jìn)入卷積層進(jìn)行運(yùn)算,然后最大池化處理,依次循環(huán),遍歷所有層組。編碼器完成計(jì)算后,將保留在最大池化層和最后一層池化層中所提取的非結(jié)構(gòu)水體特征輸入解碼器,解碼器網(wǎng)絡(luò)算法將輸入進(jìn)行上采樣、卷積操作、批量歸一化和線(xiàn)性整流,最后輸出語(yǔ)義分割結(jié)果,即獲得圖像的水體分割結(jié)果。

    1.2 水體變化檢測(cè)

    (1)SAR影像配準(zhǔn)

    盡管影像已經(jīng)進(jìn)行過(guò)地理編碼和幾何校正,然而,衛(wèi)星在成像時(shí)受噪聲、軌道位置和衛(wèi)星方向影響,不同時(shí)間獲取的同地理位置的影像需要經(jīng)過(guò)配準(zhǔn)才能夠進(jìn)行變化檢測(cè),否則檢測(cè)結(jié)果的準(zhǔn)確性與可靠性有待驗(yàn)證,因此,首先對(duì)用于變化檢測(cè)的兩個(gè)時(shí)相相同區(qū)域影像進(jìn)行配準(zhǔn)。這里采用尺度不變特征變換(Scale-invariant feature transform,SIFT)來(lái)進(jìn)行特征點(diǎn)匹配,采用隨機(jī)抽樣一致性算法(Random Sample Consensus,RANSAC)進(jìn)行誤匹配剔除,從而對(duì)影像進(jìn)行匹配。

    SIFT是用于影像局部特征點(diǎn)檢測(cè)與描述的一種算法[27],算法首先對(duì)影像進(jìn)行基于不同尺度高斯濾波器的模糊,隨后對(duì)相鄰尺度的模糊影像進(jìn)行差分,構(gòu)建得到尺度空間。在尺度空間中進(jìn)行極值檢測(cè)得到極值點(diǎn)的位置,隨后基于該點(diǎn)的局部區(qū)域梯度方向進(jìn)行該極值點(diǎn)的特征描述,最終生成128維的SIFT特征向量。通過(guò)特征向量進(jìn)行兩兩比較,找出相互匹配的若干對(duì)特征點(diǎn),建立同名像點(diǎn)間的對(duì)應(yīng)關(guān)系。這里采用歐氏距離進(jìn)行匹配,即

    RANSAC算法是一種粗差剔除算法[28]。其目的是找出適宜目標(biāo)模型的數(shù)據(jù),而剔除不能適應(yīng)模型的會(huì)對(duì)模型參數(shù)估計(jì)造成影響的數(shù)據(jù),如噪聲的極值、錯(cuò)誤的測(cè)量方法、對(duì)數(shù)據(jù)的錯(cuò)誤假設(shè)等。算法認(rèn)為兩幅影像間存在某個(gè)仿射變換,不斷的隨機(jī)抽取3個(gè)匹配點(diǎn)對(duì)進(jìn)行仿射變換估計(jì),統(tǒng)計(jì)該仿射變換下匹配點(diǎn)與原匹配點(diǎn)的差異,最終選取到能適宜最多SIFT匹配點(diǎn)的最佳估計(jì)仿射變換模型,選取其適宜匹配點(diǎn)對(duì)為最終匹配點(diǎn),其余匹配點(diǎn)對(duì)則予以剔除。

    (2)變化檢測(cè)與受災(zāi)區(qū)域識(shí)別

    基于配準(zhǔn)后的SAR影像進(jìn)行SegNet水體提取,對(duì)得到的兩景水域檢測(cè)結(jié)果直接差分,作為最終水體變化檢測(cè)的結(jié)果。將電力系統(tǒng)單位的空間坐標(biāo)疊加于識(shí)別受災(zāi)區(qū)域中,依據(jù)水域提取與變化檢測(cè)結(jié)果,基于該單位所處位置的洪澇受災(zāi)情況,判斷得出該單位是否受到洪澇受災(zāi)影響。

    考慮到遙感SAR圖像場(chǎng)景復(fù)雜、干擾因素多,在利用前期技術(shù)進(jìn)行不同時(shí)相SAR圖像變化檢測(cè)后,對(duì)檢測(cè)到的虛假目標(biāo)需要進(jìn)一步剔除,以提高災(zāi)害評(píng)估的準(zhǔn)確率。因此,通過(guò)水域提取和變換檢測(cè)等技術(shù)有效提取出不同時(shí)刻同一區(qū)域中變化的水域區(qū)域,應(yīng)通過(guò)變化區(qū)域面積、變化區(qū)域周?chē)ㄖ?lèi)型、變化區(qū)域所處位置等特征信息對(duì)該區(qū)域進(jìn)行綜合分析,從而有效評(píng)估該地區(qū)的洪澇災(zāi)害情況。

    2 實(shí)驗(yàn)與結(jié)果分析

    2.1 影像概況

    GF-3衛(wèi)星為我國(guó)首顆C波段多極化SAR衛(wèi)星,是太陽(yáng)同步回歸晨昏軌道衛(wèi)星,具有12種成像模式,不同成像模式具有不同的分辨率和幅寬,如表1所示,滑塊聚束(SL)模式成像分辨率達(dá)到1m,單景圖像最大幅寬達(dá)到650km。

    表1 GF-3衛(wèi)星成像模式

    Tab.1 GF-3 satellite imaging mode

    2.2 訓(xùn)練數(shù)據(jù)處理與增廣

    選取了50景GF-3衛(wèi)星圖像作為樣本數(shù)據(jù)供模型訓(xùn)練。首先將數(shù)據(jù)進(jìn)行人工標(biāo)注添加標(biāo)簽,隨后進(jìn)行數(shù)據(jù)增廣,最后按8:2的樣本比例劃分訓(xùn)練集和測(cè)試集。

    具體地,首先對(duì)幾何校正后的50景SAR數(shù)據(jù)進(jìn)行標(biāo)注,將標(biāo)記圖中的水體區(qū)域二值化,水體為1,非水體為0作為標(biāo)簽。影像與其對(duì)應(yīng)的標(biāo)記圖均被裁剪為1 000像素×1 000像素大小的圖像塊。為了對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行增強(qiáng),擴(kuò)大訓(xùn)練集的數(shù)據(jù)量,增強(qiáng)模型的魯棒性,更好地適應(yīng)不同地區(qū)SAR圖像場(chǎng)景,減少網(wǎng)絡(luò)的過(guò)擬合現(xiàn)象,進(jìn)行縮放、旋轉(zhuǎn)、平移變換三類(lèi)數(shù)據(jù)增廣。50景GF-3衛(wèi)星圖像原圖及人工標(biāo)記圖在經(jīng)過(guò)分割、增廣后,形成了52.7萬(wàn)個(gè)訓(xùn)練樣本的數(shù)據(jù)集。將數(shù)據(jù)集按8:2的比例劃分為訓(xùn)練集和測(cè)試集,將數(shù)據(jù)輸入SegNet網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

    2.3 簡(jiǎn)單及復(fù)雜場(chǎng)景下各方法水體提取結(jié)果對(duì)比

    在2017年7月13日中心經(jīng)緯度為(126.3°,43.5°)的GF-3衛(wèi)星影像及2017年7月25日中心經(jīng)緯度為(126.3°,44.1°)的GF-3衛(wèi)星影像上對(duì)比了經(jīng)典圖像分割方法與本文方法的分割效果,前者覆蓋區(qū)域?yàn)楹?jiǎn)單水域場(chǎng)景,后者覆蓋區(qū)域?yàn)閺?fù)雜場(chǎng)景。文章選取了OTSU算法、Snake分割算法、CV分割算法與深度學(xué)習(xí)算法對(duì)SAR圖像進(jìn)行分割。Snake模型是Michael Kass等人[23]提出的參數(shù)活動(dòng)輪廓模型,CV模型是Tony F.Chan和Vese[24]提出一種幾何活動(dòng)輪廓模型,兩者均為經(jīng)典的圖像分割算法。

    四種算法分割的對(duì)比結(jié)果見(jiàn)圖3及圖4。圖3顯示,對(duì)于于灰度層次簡(jiǎn)單的圖像來(lái)說(shuō),四種算法的分割效果差異不大,均能有效捕捉大部分水體區(qū)域。相較于其它三種算法,OTSU算法分割的結(jié)果存在一些斑點(diǎn),其算法是像素級(jí),在處理整體平滑的區(qū)域時(shí)可能出現(xiàn)均勻區(qū)域內(nèi)部各像素分割不一致。圖4顯示,當(dāng)實(shí)驗(yàn)影像變?yōu)閺?fù)雜場(chǎng)景,基于深度學(xué)習(xí)的算法分割效果最好。OTSU算法的分割結(jié)果出現(xiàn)大量虛警像素,分割區(qū)域混亂,幾乎無(wú)法使用。Snake模型則容易因初始值不佳而收斂到錯(cuò)誤的區(qū)域。CV模型同樣無(wú)法適應(yīng)復(fù)雜場(chǎng)景。

    圖3 簡(jiǎn)單場(chǎng)景下局部分割效果對(duì)比

    圖4 復(fù)雜場(chǎng)景下局部分割效果對(duì)比

    同時(shí)測(cè)試了四種算法的檢測(cè)率、虛警率與算法耗時(shí),結(jié)果見(jiàn)表2及表3。容易看到,OTSU閾值分割運(yùn)行時(shí)間最短,對(duì)于灰度層次簡(jiǎn)單的圖像來(lái)說(shuō),其分割結(jié)果好于Snake模型,且虛警率在可控范圍內(nèi)。但對(duì)于場(chǎng)景復(fù)雜、灰度層次較多的SAR圖像來(lái)說(shuō),分割效果較差,虛警率過(guò)高。Snake模型對(duì)于初始點(diǎn)的位置、迭代次數(shù)以及場(chǎng)景的復(fù)雜度較敏感。在QPSI模式下,對(duì)于不同的初始化位置產(chǎn)生的分割結(jié)果差異較大,其檢測(cè)率較低且虛警率過(guò)高。CV模型對(duì)于簡(jiǎn)單SAR場(chǎng)景來(lái)說(shuō),分割效果較好,但是對(duì)復(fù)雜SAR圖像來(lái)說(shuō),檢測(cè)率僅為80.96%,低于SegNet網(wǎng)絡(luò)的89.25%分割精度,并且其虛警率高達(dá)53.28%。相較之下,本文的基于SegNet的深度學(xué)習(xí)算法在兩景不同復(fù)雜度場(chǎng)景上都表現(xiàn)出了較好的測(cè)試結(jié)果,具有更強(qiáng)的魯棒性。

    表2 簡(jiǎn)單場(chǎng)景下局部分割結(jié)果對(duì)比

    Tab.2 Comparison of segmentation accuracy in simple scenes

    表3 復(fù)雜場(chǎng)景下局部分割結(jié)果對(duì)比

    Tab.3 Comparison of segmentation accuracy in complex scenes

    3 金沙江流域堰塞湖泄洪受災(zāi)檢測(cè)應(yīng)用

    3.1 堰塞湖洪災(zāi)區(qū)域與數(shù)據(jù)概況

    云南地處以盆地和丘陵為主的西南地區(qū),位于青藏高原東部的下坡位置,受西南季風(fēng)和西部高海拔影響,年降水量呈現(xiàn)出由東南向西北逐漸減少的態(tài)勢(shì),空間分布不均,受地形和山脈的影響,局部降水量差異大,部分地區(qū)降雨頻發(fā),暴雨易導(dǎo)致山體滑坡、洪汛災(zāi)害、堰塞湖等自然災(zāi)害[1]。巨甸鎮(zhèn)位于云南省玉龍縣西北部,三面環(huán)山,一面臨江,2018年11月,受白格堰塞湖泄流洪水影響,云南麗江玉龍納西族自治縣沿江鄉(xiāng)鎮(zhèn)遭遇嚴(yán)重洪澇災(zāi)害,產(chǎn)生了明顯的水體區(qū)域變化。

    為檢測(cè)堰塞湖洪災(zāi)情況,選取兩景不同時(shí)間同一區(qū)域成像的GF-3衛(wèi)星圖像,數(shù)據(jù)的成像模式為超精細(xì)條帶(UFS),成像模式分辨率較高,兩景分辨率均為3m,單景圖像幅寬30km,圖像的成像中心坐標(biāo)為:東經(jīng)99.7°,北緯27.3°,兩者的覆蓋范圍見(jiàn)圖5中粉色框體區(qū)域,其中靠右側(cè)朝右偏斜區(qū)域?yàn)闀r(shí)相1(洪災(zāi)前)覆蓋區(qū)域,另一區(qū)域?yàn)闀r(shí)相2(洪災(zāi)后)覆蓋區(qū)域,圖中淺色細(xì)長(zhǎng)區(qū)域?yàn)榻鹕辰饔?,兩者均覆蓋災(zāi)害區(qū)域巨甸鎮(zhèn),具體的圖像預(yù)覽如圖6所示。

    圖5 GF-3衛(wèi)星數(shù)據(jù)覆蓋區(qū)域

    圖6 兩景GF-3衛(wèi)星數(shù)據(jù)預(yù)覽圖

    3.2 洪災(zāi)前后時(shí)相水域提取

    對(duì)兩景包含金沙江流域且覆蓋巨甸鎮(zhèn)的預(yù)處理后的研究區(qū)GF-3衛(wèi)星數(shù)據(jù)進(jìn)行配準(zhǔn),配準(zhǔn)結(jié)果如圖7所示。然后輸入訓(xùn)練得到的SegNet網(wǎng)絡(luò)進(jìn)行水體提取,結(jié)果如圖8所示,圖8(a)為時(shí)相1(洪災(zāi)前)的水域提取結(jié)果,圖8(b)為時(shí)相2(洪災(zāi)后)的水域提取結(jié)果。

    圖7 影像配準(zhǔn)

    圖8 水體提取結(jié)果

    3.3 堰塞湖洪災(zāi)檢測(cè)

    基于時(shí)相1與時(shí)相2的GF-3衛(wèi)星影像水域檢測(cè)結(jié)果進(jìn)行變化檢測(cè),結(jié)果如圖9(a)所示,其中白色區(qū)域?yàn)樗虬l(fā)生變化的區(qū)域,紅框?yàn)榫薜殒?zhèn)所在區(qū)域。疊合GF-3衛(wèi)星原始影像與變化區(qū)域得到圖9(b),易見(jiàn),金沙江水面寬度發(fā)生了明顯變化,紅框區(qū)域內(nèi)的巨甸鎮(zhèn)及周邊農(nóng)田水域覆蓋范圍也發(fā)生了變化,變化區(qū)域明顯,范圍較廣,大部分農(nóng)田被淹,表明本次堰塞湖泄洪給巨甸鎮(zhèn)帶來(lái)較大的災(zāi)害影響。通過(guò)對(duì)變化區(qū)域的像素?cái)?shù)量的統(tǒng)計(jì),可對(duì)受災(zāi)面積進(jìn)行估計(jì)。

    圖9 水域變化檢測(cè)結(jié)果

    將該區(qū)域電網(wǎng)輸電桿塔、變電站位置的經(jīng)緯度坐標(biāo)與GF-3衛(wèi)星影像檢測(cè)的水域變化結(jié)果進(jìn)行疊加,可判斷得出該區(qū)域電網(wǎng)某變電站位于圖9(a)中紅框標(biāo)記的水域內(nèi),由此判斷,該變電站受災(zāi)。對(duì)變電站實(shí)地勘察,判斷結(jié)果得到了驗(yàn)證,受災(zāi)變電站災(zāi)況如圖10所示。災(zāi)前的變電站周?chē)鸀檗r(nóng)田,災(zāi)后農(nóng)田基本被渾濁的泥水淹沒(méi),變電站內(nèi)亦被水淹浸,該區(qū)域存在嚴(yán)重的洪澇災(zāi)害。考慮到災(zāi)害范圍較大,建議繼續(xù)利用GF-3衛(wèi)星和其他光學(xué)衛(wèi)星對(duì)受災(zāi)區(qū)域成像,查看災(zāi)害的后續(xù)變化情況,以保障當(dāng)?shù)鼐用竦纳钜约半娋W(wǎng)系統(tǒng)的安全運(yùn)作。

    圖10 變電站災(zāi)前災(zāi)后對(duì)比

    4 結(jié)束語(yǔ)

    云南局部降水量高易導(dǎo)致洪災(zāi),常規(guī)算法進(jìn)行水體提取難以適用復(fù)雜場(chǎng)景。本文基于國(guó)產(chǎn)GF-3衛(wèi)星數(shù)據(jù)對(duì)洪災(zāi)區(qū)域進(jìn)行提取和變化檢測(cè),提出一種基于深度學(xué)習(xí)的洪澇災(zāi)害區(qū)域提取技術(shù),通過(guò)神經(jīng)網(wǎng)絡(luò)水體提取和差分變化檢測(cè)完成電網(wǎng)受災(zāi)單位識(shí)別。在云南地區(qū)GF-3衛(wèi)星影像上對(duì)比了與OTSU算法、Snake算法、CV分割算法的提取精度,證實(shí)了方法的有效性,相對(duì)經(jīng)典的對(duì)比方法來(lái)說(shuō),深度學(xué)習(xí)方法可以較好的處理復(fù)雜場(chǎng)景。該方法用于金沙江流域堰塞湖泄洪受災(zāi)檢測(cè)應(yīng)用,檢出受災(zāi)電網(wǎng)單位與現(xiàn)場(chǎng)勘察相符,為電網(wǎng)監(jiān)測(cè)管控提供了保障。與其它基于SegNet網(wǎng)絡(luò)的分割任務(wù)相比,研究拓展了其在GF-3衛(wèi)星SAR影像及電網(wǎng)場(chǎng)景的應(yīng)用。研究同時(shí)可擴(kuò)展到GF-3衛(wèi)星影像中的其他地物分割場(chǎng)景,為更廣泛的地物分割研究提供參考。

    [1] 嚴(yán)志濤, 李謝輝, 劉子堂, 等. 氣候變暖背景下西南四省市暴雨洪澇災(zāi)害風(fēng)險(xiǎn)變化[J]. 災(zāi)害學(xué), 2021, 36(2): 200-207.

    YAN Zhitao, LI Xiehui, LIU Zitang, et al. Risk Change of Rainstorm and Flood Disaster in Four Provinces and Cities of Southwestern China under the Background of Climate Warming[J]. Journal of Catastrophology, 2021, 36(2): 200-207. (in Chinese)

    [2] 李勝陽(yáng), 許志輝, 陳子琪, 等. 高分3號(hào)衛(wèi)星影像在黃河洪水監(jiān)測(cè)中的應(yīng)用[J]. 水利信息化, 2017(5): 22-26.

    LI Shengyang, XU Zhihui, CHEN Ziqi, et al. Application of GF-3 Satellite Remote Sensing Image on Yellow River Flood Monitoring[J]. Water Resources Informatization, 2017(5): 22-26. (in Chinese)

    [3] 黃帥, 丁建麗, 張鈞泳, 等. 基于Radarsat-2衛(wèi)星微波遙感的后向散射系數(shù)研究[J]. 光學(xué)學(xué)報(bào), 2017, 37(9): 317-327.

    HUANG Shuai, DING Jianli, ZHANG Junyong, et al. Backscattering Coefficient Research Based on Microwave Remote Sensing of Radarsat-2 Satellite[J]. Acta Optica Sinica, 2017, 37(9): 317-327. (in Chinese)

    [4] 蘇龍飛, 李振軒, 高飛, 等. 遙感影像水體提取研究綜述[J]. 國(guó)土資源遙感, 2021, 33(1): 9-19.

    SU Longfei, LI Zhengxuan, GAO Fei, et al. A Review of Remote Sensing Image Water Extraction[J]. Remote Sensing for Land & Resources, 2021, 33(1): 9-19. (in Chinese)

    [5] 陳坤, 郝明, 莊龍, 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像水體提取[J]. 電子測(cè)量技術(shù), 2021, 44(3): 125-131.

    CHEN Kun, HAO Ming, ZHUANG Long, et al. A Method for Water Body Extraction in SAR Image Using CNN[J]. Electronic Measurement Technology, 2021, 44(3): 125-131. (in Chinese)

    [6] 孫亞勇, 李小濤, 楊鋒杰, 等. 基于星載SAR數(shù)據(jù)的山區(qū)水體提取方法研究[J]. 中國(guó)水利水電科學(xué)研究院學(xué)報(bào), 2014, 12(3): 258-263.

    SUN Yayong, LI Xiaotao, YANG Fengjie, et al. Study on the Mountain Water Extraction Method of the Space-borne SAR Image[J]. Journal of China Institute of Water Resources and Hydropower Research, 2014, 12(3): 258-263. (in Chinese)

    [7] 李智慧, 陳秀萬(wàn), 羅鵬, 等. 基于混合閾值法的Envisat影像水體提取[J]. 遙感信息, 2013, 28(2): 62-65.

    LI Zhihui, CHEN Xiuwan, LUO Peng, et al. A Hybrid Thresholding Method for Water Extraction in Envisat Image[J]. Remote Sensing Information, 2013, 28(2): 62-65. (in Chinese)

    [8] OTSU N. A Threshold Selection Method from Gray-level Histograms[J]. IEEE Transactions on Systems Man & Cybernetics, 2007, 9(1): 62-66.

    [9] 陳志國(guó). 高分辨率SAR衛(wèi)星影像洪水區(qū)域提取應(yīng)用研究[D]. 武漢: 武漢大學(xué), 2017.

    CHEN Zhiguo. Flooded Area Classification by High-resolution SAR Images[D]. Wuhan: Wuhan University, 2017. (in Chinese)

    [10] 龐科臣. 高分辨率SAR圖像水體提取算法研究[D]. 長(zhǎng)沙: 長(zhǎng)沙理工大學(xué), 2016.

    PANG Kechen. Research of High Resolution SAR Image Water Extraction Algorithms[D]. Changsha: Changsha University of Science and Technology, 2016. (in Chinese)

    [11] 王慧敏. 基于升降軌SAR數(shù)據(jù)小波融合的水體變化監(jiān)測(cè)[D]. 南京: 南京大學(xué), 2012.

    WANG Huimin. Water Body Change Detection Based on Ascending and Descending SAR Wavelet Fusion Imagery[D]. Nanjing: Nanjing University, 2012. (in Chinese)

    [12] 陳媛媛, 鄭加柱, 魏浩翰, 等. 基于Sentinel-1A數(shù)據(jù)的南京市水體信息提取[J]. 地理空間信息, 2020, 18(9): 62-65.

    CHEN Yuanyuan, ZHENG Jiazhu, WEI Haohan, et al. Water Information Extraction of Nanjing City Based on Sentinel-1A Data[J]. Geospatial Information, 2020, 18(9): 62-65. (in Chinese)

    [13] 楊龍飛. 基于局部二值模式和灰度共生矩陣的紋理特征提取技術(shù)研究[D]. 蘭州: 蘭州大學(xué), 2016.

    YANG Longfei. The Study on Texture Feature Extraction Method Based on LBP and GLCM[D]. Lanzhou: Lanzhou University, 2016. (in Chinese)

    [14] 高夢(mèng)瑤. 基于語(yǔ)義和脊波反卷積網(wǎng)絡(luò)的SAR圖像分割[D]. 西安: 西安電子科技大學(xué), 2016.

    GAO Mengyao. SAR Image Segmentation Based on Semantic and Ridgelet Deconvolutional Network[D]. Xi'an: Xidian University, 2016. (in Chinese)

    [15] 李陸陸. 基于灰度共生矩陣和MRF的紋理圖像分割[D]. 大連: 遼寧師范大學(xué), 2013.

    LI Lulu. Texture Image Segmentation is Based on Gray Level Co-occurrence Matrix and MRF[D]. Dalian: Liaoning Normal University, 2013. (in Chinese)

    [16] LECUN Y L, BOTTOU L, BENGIO Y, et al. Gradient-based Learning Applied to Document Recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324.

    [17] HENRY C, AZIMI S M, MERKLE N. Road Segmentation in SAR Satellite Images with Deep Fully Convolutional Neural Networks[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(12): 1867-1871.

    [18] PAI M, MEHROTRA V, AIYAR S, et al. Automatic Segmentation of River and Land in SAR Images: A Deep Learning Approach[C]// 2019 IEEE Second International Conference on Artificial Intelligence and Knowledge Engineering (AIKE), June 3-5, 2019, Sardinia, Italy. IEEE, 2019.

    [19] LONG J, SHELHAMER E, DARRELL T. Fully Convolutional Networks for Semantic Segmentation[C]//Proceedings of 2015 IEEE Conference on Computer Vision and Pattern Recognition, June 7-12, 2015, Boston, MA, USA. IEEE, 2015.

    [20] SIMONYAN K, ZISSERMAN A. Very Deep Convolutional Networks for Large-scale Image Recognition[EB/OL]. [2021-02-14]. http//arxiv.org/pdf/1409.1556.pdf.

    [21] BADRINARAYANAN V, KENDALL A, CIPOLLA R. SegNet: A Deep Convolutional Encoder-decoder Architecture for Image Segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(12): 2481-2495.

    [22] GUO H, WEI G, AN J. Dark Spot Detection in SAR Images of Oil Spill Using SegNet[J]. Applied Sciences, 2018, 8(12): 2670.

    [23] KASS M, WITKIN A, TERZOPOULOS D. Snakes: Active Contour Models[J]. International Journal of Computer Vision, 1988, 1(4): 321-331.

    [24] CHAN T F, VESE L A. Active Contours without Edges[J]. IEEE Transactions on Image Processing, 2001, 10(2): 266-277.

    [25] 谷鑫志, 曾慶偉, 諶華, 等. 高分三號(hào)影像水體信息提取[J]. 遙感學(xué)報(bào), 2019, 23(3): 555-566.

    GU Xinzhi, ZENG Qingwei, SHEN Hua, et al. Study on Water Information Extraction Using Domestic GF-3 Image[J]. Journal of Remote Sensing, 2019, 23(3): 555-566. (in Chinese)

    [26] SIMONYAN K, ZISSERMAN A. Very Deep Convolutional Networks for Large-scale Image Recognition[EB/OL]. [2021-05-02]. arxiv.org/abs/1409.1556.

    [27] LOWE D G. Distinctive Image Features from Scale-invariant Keypoints[J]. International Journal of Computer Vision, 2004, 60(2): 91-110.

    [28] CHUM O, WERNER T, MATAS J. Two-view Geometry Estimation Unaffected by a Dominant Plane[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition, June 20-26, 2005, San Diego, CA, USA. IEEE, 2005.

    Disaster Area Extraction of Jinsha River Landslide Dam Lake Power Grid Based on GF-3 Images

    SUN Bin1LI Junpeng1LUO Zhexuan1YANG Teng1ZHE Meilin1LIU Jing2ZHANG Hao3

    (1 Electricity Transmission Company, Yunnan Power Grid Co., Ltd., Kunming 650000, China)(2 Beijing Institute of Spacecraft System Engineering, Beijing 100094, China)(3 Nanchang Institute of Technology, Nanchang 330099, China)

    Rainfall is frequent in Yunnan, and heavy rainfall is prone to flooding and other disasters, significantly threatening the safe operation of power grids. Detection techniques based on synthetic aperture radar remote sensing images have been widely used for water body extraction in recent years. This paper proposes a deep learning-based flooding area extraction technique to complete the identification of grid affected units by neural network water extraction and differential change detection. The extraction accuracy is compared with the OTSU threshold algorithm, Snake algorithm, and CV segmentation algorithm on the GF-3 image of Yunnan region, and the effectiveness of the method is confirmed. The results show that compared with the classical segmentation methods, the deep learning method can better deal with complex scenes. The method is used in the application of flood damage detection for the Jinsha River basin weir release, and the detected affected grid units match with the on-site survey, which provides a guarantee for grid monitoring and control.The research can provide a reference for the research and application of water extraction and flood disaster change monitoring, as well as other ground object segmentation scenarios.

    synthetic aperture radar; flood; water extraction; deep learning; GF-3 satellite

    TP79

    A

    1009-8518(2021)05-0096-12

    10.3969/j.issn.1009-8518.2021.05.011

    孫斌,男,1987年生,2017年獲昆明理工大學(xué)電氣工程專(zhuān)業(yè)工程碩士學(xué)位,工程師。主要研究方向?yàn)檩旊娋€(xiàn)路智能運(yùn)維。E-mail:447188097@qq.com。

    2021-07-06

    基于衛(wèi)星技術(shù)的電網(wǎng)“天空地協(xié)同”巡視及風(fēng)險(xiǎn)防控策略研究與示范應(yīng)用(YNKJXM20180016)

    孫斌, 李俊鵬, 羅哲軒, 等. 基于GF-3影像的金沙江堰塞湖電網(wǎng)受災(zāi)區(qū)域提取[J]. 航天返回與遙感, 2021, 42(5): 96-107.

    SUN Bin, LI Junpeng, LUO Zhexuan, et al. Disaster Area Extraction of Jinsha River Landslide Dam Lake Power Grid Based on GF-3 Images[J]. Spacecraft Recovery & Remote Sensing, 2021, 42(5): 96-107. (in Chinese)

    (編輯:龐冰)

    猜你喜歡
    區(qū)域
    分割區(qū)域
    探尋區(qū)域創(chuàng)新的密碼
    科學(xué)(2020年5期)2020-11-26 08:19:22
    基于BM3D的復(fù)雜紋理區(qū)域圖像去噪
    軟件(2020年3期)2020-04-20 01:45:18
    小區(qū)域、大發(fā)展
    商周刊(2018年15期)2018-07-27 01:41:20
    論“戎”的活動(dòng)區(qū)域
    區(qū)域發(fā)展篇
    區(qū)域經(jīng)濟(jì)
    關(guān)于四色猜想
    分區(qū)域
    公司治理與技術(shù)創(chuàng)新:分區(qū)域比較
    高清日韩中文字幕在线| 亚洲丝袜综合中文字幕| 蜜桃久久精品国产亚洲av| 久久久a久久爽久久v久久| 国产色婷婷99| 午夜免费男女啪啪视频观看 | 三级男女做爰猛烈吃奶摸视频| h日本视频在线播放| 一级黄色大片毛片| 国产熟女欧美一区二区| 午夜福利在线观看免费完整高清在 | 欧美3d第一页| 色尼玛亚洲综合影院| 中文字幕久久专区| 欧美人与善性xxx| 亚洲色图av天堂| 国产精品一区二区性色av| 夜夜看夜夜爽夜夜摸| 久久热精品热| 精华霜和精华液先用哪个| 久久久久久伊人网av| 国产一区二区亚洲精品在线观看| 国产黄色小视频在线观看| 中国美女看黄片| 国产激情偷乱视频一区二区| 国产精品福利在线免费观看| 狂野欧美白嫩少妇大欣赏| 国产精品久久视频播放| 久久久久国内视频| 18禁在线无遮挡免费观看视频 | 久久久久久久亚洲中文字幕| 久久久a久久爽久久v久久| 联通29元200g的流量卡| 国产亚洲精品av在线| 精品一区二区三区av网在线观看| 真人做人爱边吃奶动态| a级一级毛片免费在线观看| av在线亚洲专区| 国产精品乱码一区二三区的特点| 亚洲,欧美,日韩| 久久久久国产精品人妻aⅴ院| 国产高清不卡午夜福利| 亚洲第一区二区三区不卡| 国产乱人视频| 人人妻,人人澡人人爽秒播| 日韩欧美精品v在线| 日本 av在线| 免费不卡的大黄色大毛片视频在线观看 | 国产精品一区二区三区四区免费观看 | 天天躁夜夜躁狠狠久久av| 免费在线观看影片大全网站| av天堂在线播放| 久久人人精品亚洲av| 国产一区二区在线观看日韩| www.色视频.com| 国产高清激情床上av| 国产三级在线视频| 久久人人精品亚洲av| 色噜噜av男人的天堂激情| 国产精品av视频在线免费观看| 成人国产麻豆网| 国产精品久久久久久精品电影| 日本 av在线| 美女免费视频网站| 18禁黄网站禁片免费观看直播| 一a级毛片在线观看| 婷婷六月久久综合丁香| 菩萨蛮人人尽说江南好唐韦庄 | 欧美激情在线99| 亚洲精品久久国产高清桃花| 国产精品一区www在线观看| aaaaa片日本免费| 国产v大片淫在线免费观看| 国产亚洲欧美98| 中文在线观看免费www的网站| 亚洲在线观看片| 亚洲精华国产精华液的使用体验 | 久久久久国产网址| 国产黄片美女视频| 精品熟女少妇av免费看| 国产精品久久久久久久电影| 97碰自拍视频| 自拍偷自拍亚洲精品老妇| 婷婷色综合大香蕉| 亚洲乱码一区二区免费版| 精品久久久久久久久亚洲| 色噜噜av男人的天堂激情| 亚洲国产欧洲综合997久久,| 成年女人永久免费观看视频| 男女之事视频高清在线观看| 免费观看人在逋| 欧美日韩乱码在线| 一级毛片我不卡| 狂野欧美白嫩少妇大欣赏| 精品日产1卡2卡| 国产精品电影一区二区三区| 看免费成人av毛片| 在线观看午夜福利视频| 亚洲国产色片| 一本一本综合久久| 日本在线视频免费播放| 欧美激情国产日韩精品一区| 在线观看免费视频日本深夜| 久久精品久久久久久噜噜老黄 | 床上黄色一级片| av在线老鸭窝| 韩国av在线不卡| 午夜福利视频1000在线观看| 丰满乱子伦码专区| a级毛片免费高清观看在线播放| 日本免费a在线| 国产精品女同一区二区软件| 99国产精品一区二区蜜桃av| 毛片女人毛片| 日本黄色片子视频| 高清毛片免费看| 美女被艹到高潮喷水动态| 日韩,欧美,国产一区二区三区 | 亚洲aⅴ乱码一区二区在线播放| 午夜老司机福利剧场| 亚洲国产精品成人久久小说 | 又爽又黄无遮挡网站| av在线老鸭窝| 欧美绝顶高潮抽搐喷水| av.在线天堂| 一级a爱片免费观看的视频| 蜜桃亚洲精品一区二区三区| 亚洲欧美日韩高清在线视频| 亚洲色图av天堂| 国产精品综合久久久久久久免费| 搡女人真爽免费视频火全软件 | 啦啦啦啦在线视频资源| 久久精品国产亚洲av天美| 在线国产一区二区在线| 小说图片视频综合网站| 人人妻,人人澡人人爽秒播| 高清日韩中文字幕在线| 91久久精品国产一区二区成人| 麻豆国产av国片精品| 国产91av在线免费观看| 看黄色毛片网站| 在线观看66精品国产| 亚洲成人精品中文字幕电影| 国产一区亚洲一区在线观看| 久久综合国产亚洲精品| 亚洲成人久久爱视频| 女的被弄到高潮叫床怎么办| 成人欧美大片| 日韩国内少妇激情av| 亚洲欧美日韩东京热| 亚洲成人久久爱视频| 亚洲va在线va天堂va国产| avwww免费| 国产黄色视频一区二区在线观看 | 欧美一区二区国产精品久久精品| 一区福利在线观看| 国产av在哪里看| 亚洲成人久久性| 少妇熟女aⅴ在线视频| 欧美最黄视频在线播放免费| 最新在线观看一区二区三区| 日本一二三区视频观看| 偷拍熟女少妇极品色| 久久这里只有精品中国| 亚洲精品亚洲一区二区| 天天一区二区日本电影三级| 99热精品在线国产| 蜜桃久久精品国产亚洲av| 在线看三级毛片| 久久人人爽人人片av| 国产aⅴ精品一区二区三区波| 国产伦精品一区二区三区四那| av福利片在线观看| 男女啪啪激烈高潮av片| 久久久成人免费电影| 乱人视频在线观看| 一级毛片我不卡| 国产v大片淫在线免费观看| 99热精品在线国产| 国产老妇女一区| 亚洲国产精品sss在线观看| 深夜精品福利| 观看美女的网站| 在线观看午夜福利视频| 麻豆精品久久久久久蜜桃| 丝袜喷水一区| 色综合色国产| 99国产极品粉嫩在线观看| 亚洲熟妇中文字幕五十中出| 久久久久久国产a免费观看| 成人午夜高清在线视频| 狂野欧美白嫩少妇大欣赏| 日本一本二区三区精品| 少妇熟女aⅴ在线视频| 我的老师免费观看完整版| avwww免费| a级毛片免费高清观看在线播放| 日日摸夜夜添夜夜爱| 国产日本99.免费观看| 久久久精品大字幕| 在线a可以看的网站| www日本黄色视频网| 国产精品久久久久久精品电影| 国产黄a三级三级三级人| 一区二区三区四区激情视频 | 最近手机中文字幕大全| 麻豆精品久久久久久蜜桃| 国产精品野战在线观看| 九九在线视频观看精品| 亚洲成人精品中文字幕电影| 亚洲熟妇中文字幕五十中出| 久久天躁狠狠躁夜夜2o2o| 国产精品久久久久久久久免| 99热精品在线国产| 欧美区成人在线视频| 亚洲国产精品sss在线观看| 中文字幕熟女人妻在线| 中国美女看黄片| 国产精品伦人一区二区| 少妇的逼水好多| 欧美日韩一区二区视频在线观看视频在线 | 深夜a级毛片| 色哟哟·www| 99久国产av精品国产电影| 欧美极品一区二区三区四区| 国产精品亚洲美女久久久| 国产男靠女视频免费网站| 亚洲熟妇熟女久久| 美女内射精品一级片tv| 直男gayav资源| 日韩国内少妇激情av| 人人妻人人澡欧美一区二区| 久久精品综合一区二区三区| 99久国产av精品国产电影| 欧美成人免费av一区二区三区| 国产精品野战在线观看| 精品不卡国产一区二区三区| 亚洲欧美日韩无卡精品| 一级毛片电影观看 | 又黄又爽又刺激的免费视频.| 国产探花极品一区二区| 国内少妇人妻偷人精品xxx网站| 亚洲18禁久久av| 嫩草影院入口| 特大巨黑吊av在线直播| 91在线观看av| 国产av在哪里看| 欧美性猛交黑人性爽| 可以在线观看的亚洲视频| 免费一级毛片在线播放高清视频| 大香蕉久久网| 成年免费大片在线观看| 亚洲国产精品国产精品| 亚洲成av人片在线播放无| 嫩草影院入口| 韩国av在线不卡| 国产精品野战在线观看| 亚洲第一区二区三区不卡| 亚洲精品日韩av片在线观看| 丰满乱子伦码专区| 欧美zozozo另类| 国产中年淑女户外野战色| 淫妇啪啪啪对白视频| 欧美日韩一区二区视频在线观看视频在线 | 欧美不卡视频在线免费观看| 亚洲真实伦在线观看| 变态另类丝袜制服| 禁无遮挡网站| 午夜久久久久精精品| 成年版毛片免费区| 欧美日本亚洲视频在线播放| 中文字幕熟女人妻在线| 最近2019中文字幕mv第一页| 欧美最黄视频在线播放免费| 成人av一区二区三区在线看| АⅤ资源中文在线天堂| 1024手机看黄色片| 国产乱人偷精品视频| 国产精品亚洲一级av第二区| 少妇丰满av| 一区二区三区免费毛片| 女的被弄到高潮叫床怎么办| 欧美绝顶高潮抽搐喷水| 精品人妻视频免费看| 黄色视频,在线免费观看| 免费在线观看成人毛片| 国产精品亚洲美女久久久| 久久欧美精品欧美久久欧美| 久久久精品94久久精品| 亚洲欧美中文字幕日韩二区| 精品久久久久久久久久免费视频| 免费观看在线日韩| 色噜噜av男人的天堂激情| 免费大片18禁| 久久久国产成人精品二区| 特级一级黄色大片| 色在线成人网| 成年女人永久免费观看视频| 99热6这里只有精品| 国产伦精品一区二区三区四那| 亚洲精品亚洲一区二区| 综合色av麻豆| 成人二区视频| 国产成人freesex在线 | 午夜爱爱视频在线播放| 亚洲人成网站在线观看播放| 夜夜看夜夜爽夜夜摸| 99久久中文字幕三级久久日本| 男人的好看免费观看在线视频| 久久久久久久亚洲中文字幕| 日韩av不卡免费在线播放| 精品午夜福利在线看| 亚洲精品影视一区二区三区av| 直男gayav资源| 欧美日韩综合久久久久久| 五月玫瑰六月丁香| 精品人妻熟女av久视频| 欧美激情国产日韩精品一区| 日韩欧美 国产精品| 国产在线男女| 国产精品福利在线免费观看| 免费人成视频x8x8入口观看| 亚洲国产精品国产精品| 国产高潮美女av| 校园人妻丝袜中文字幕| 亚洲第一电影网av| 中文字幕av成人在线电影| 精品免费久久久久久久清纯| 老师上课跳d突然被开到最大视频| 成人高潮视频无遮挡免费网站| 成人三级黄色视频| 久久九九热精品免费| 国产午夜精品论理片| 久久精品国产清高在天天线| 少妇人妻精品综合一区二区 | 国产精品久久久久久久久免| 日本-黄色视频高清免费观看| 欧美一区二区亚洲| 精品人妻一区二区三区麻豆 | 亚洲欧美日韩卡通动漫| 大又大粗又爽又黄少妇毛片口| 亚洲精品日韩av片在线观看| 亚洲av免费高清在线观看| 熟妇人妻久久中文字幕3abv| 久久久久久久久久黄片| 国产亚洲欧美98| 精品熟女少妇av免费看| 丰满乱子伦码专区| 亚洲欧美日韩卡通动漫| 大又大粗又爽又黄少妇毛片口| 2021天堂中文幕一二区在线观| 国产精品久久视频播放| 亚洲中文日韩欧美视频| 成人国产麻豆网| 少妇人妻精品综合一区二区 | 看黄色毛片网站| 国产伦精品一区二区三区视频9| 最近的中文字幕免费完整| 网址你懂的国产日韩在线| АⅤ资源中文在线天堂| 欧美另类亚洲清纯唯美| 成人av一区二区三区在线看| 亚洲av熟女| 可以在线观看毛片的网站| 少妇丰满av| 中文字幕精品亚洲无线码一区| 亚洲成人av在线免费| 偷拍熟女少妇极品色| 免费观看精品视频网站| 国产不卡一卡二| 99久久精品国产国产毛片| 日韩一区二区视频免费看| 久久亚洲精品不卡| 秋霞在线观看毛片| 亚洲中文字幕日韩| 成人午夜高清在线视频| 真人做人爱边吃奶动态| 欧美日本亚洲视频在线播放| 精品久久久久久久末码| 国产精品不卡视频一区二区| 亚洲av美国av| 成年av动漫网址| 成人av一区二区三区在线看| 亚洲精品粉嫩美女一区| 日本 av在线| 老司机影院成人| 久久亚洲国产成人精品v| 日韩制服骚丝袜av| 可以在线观看的亚洲视频| 欧美+日韩+精品| 91麻豆精品激情在线观看国产| 久久久色成人| 两性午夜刺激爽爽歪歪视频在线观看| 久久中文看片网| 精品人妻熟女av久视频| 国产成人freesex在线 | 久久久国产成人免费| 免费观看的影片在线观看| 午夜福利成人在线免费观看| ponron亚洲| 一区二区三区四区激情视频 | 国产成人91sexporn| 成人午夜高清在线视频| a级毛色黄片| 伦理电影大哥的女人| 亚洲熟妇熟女久久| 99久国产av精品| 99视频精品全部免费 在线| 亚洲成人精品中文字幕电影| 99国产精品一区二区蜜桃av| 亚洲av电影不卡..在线观看| 日韩一区二区视频免费看| 国产真实伦视频高清在线观看| 高清毛片免费观看视频网站| 中文字幕av在线有码专区| 男人舔女人下体高潮全视频| 99在线视频只有这里精品首页| 91在线观看av| 精品乱码久久久久久99久播| 狂野欧美白嫩少妇大欣赏| 欧美绝顶高潮抽搐喷水| 精品午夜福利在线看| 干丝袜人妻中文字幕| 1000部很黄的大片| 免费搜索国产男女视频| 真人做人爱边吃奶动态| 日韩欧美一区二区三区在线观看| 国产麻豆成人av免费视频| 久久久久国产精品人妻aⅴ院| 波多野结衣高清作品| 日本撒尿小便嘘嘘汇集6| 九九在线视频观看精品| 亚洲av一区综合| 美女被艹到高潮喷水动态| 少妇被粗大猛烈的视频| 一进一出抽搐动态| 日本黄色视频三级网站网址| 欧美一区二区亚洲| 午夜精品一区二区三区免费看| 色在线成人网| 麻豆成人午夜福利视频| 网址你懂的国产日韩在线| 乱人视频在线观看| 国产又黄又爽又无遮挡在线| 自拍偷自拍亚洲精品老妇| 男人的好看免费观看在线视频| 欧美激情久久久久久爽电影| 18禁在线播放成人免费| 国产色婷婷99| www.色视频.com| 久久人妻av系列| 麻豆国产av国片精品| 精品人妻一区二区三区麻豆 | 免费高清视频大片| 欧美成人精品欧美一级黄| 亚洲欧美精品自产自拍| 国产一区二区三区在线臀色熟女| av黄色大香蕉| 欧美日韩精品成人综合77777| 最近的中文字幕免费完整| 成年女人看的毛片在线观看| 免费人成视频x8x8入口观看| 亚洲中文日韩欧美视频| 亚洲18禁久久av| 内地一区二区视频在线| 亚洲精品一区av在线观看| 日韩欧美精品免费久久| 久久久久久久久久成人| 成年女人永久免费观看视频| 久久人妻av系列| eeuss影院久久| 99热6这里只有精品| 国产极品精品免费视频能看的| av视频在线观看入口| 精品久久久久久久人妻蜜臀av| 亚州av有码| 精品人妻一区二区三区麻豆 | 免费观看人在逋| 欧美一级a爱片免费观看看| 精品久久久久久久久亚洲| 桃色一区二区三区在线观看| 国产爱豆传媒在线观看| videossex国产| 中国美白少妇内射xxxbb| 国产真实伦视频高清在线观看| av在线播放精品| 成年女人毛片免费观看观看9| 国产毛片a区久久久久| 亚洲av.av天堂| 美女cb高潮喷水在线观看| 国内精品久久久久精免费| 日韩欧美 国产精品| 91久久精品国产一区二区三区| 麻豆av噜噜一区二区三区| 国产精品国产高清国产av| 精品乱码久久久久久99久播| 春色校园在线视频观看| 赤兔流量卡办理| 国产 一区精品| 日日摸夜夜添夜夜爱| 亚洲第一电影网av| 日韩欧美 国产精品| 日韩成人av中文字幕在线观看 | 久久精品国产鲁丝片午夜精品| 热99re8久久精品国产| 午夜日韩欧美国产| 亚洲乱码一区二区免费版| 欧美zozozo另类| 日韩强制内射视频| 国产精品免费一区二区三区在线| 成人鲁丝片一二三区免费| 国产三级中文精品| 精品人妻熟女av久视频| 三级国产精品欧美在线观看| 久久久久九九精品影院| 白带黄色成豆腐渣| 免费人成视频x8x8入口观看| 亚洲欧美日韩东京热| 国产高清有码在线观看视频| 91狼人影院| 欧美性感艳星| 久久亚洲国产成人精品v| 听说在线观看完整版免费高清| 少妇的逼水好多| 丰满乱子伦码专区| 天堂av国产一区二区熟女人妻| 亚洲国产欧洲综合997久久,| 天堂网av新在线| 国产精品,欧美在线| 日本在线视频免费播放| 搡女人真爽免费视频火全软件 | 亚洲精品乱码久久久v下载方式| 久久国产乱子免费精品| 啦啦啦啦在线视频资源| 神马国产精品三级电影在线观看| 国产人妻一区二区三区在| 成人av一区二区三区在线看| 久久国内精品自在自线图片| 国产精品久久久久久久电影| 一级毛片我不卡| 九九在线视频观看精品| 亚洲最大成人手机在线| av福利片在线观看| 超碰av人人做人人爽久久| 丝袜喷水一区| 波多野结衣高清无吗| 日日干狠狠操夜夜爽| 欧美极品一区二区三区四区| 成人高潮视频无遮挡免费网站| 波多野结衣高清无吗| www.色视频.com| 日韩高清综合在线| 蜜桃久久精品国产亚洲av| 亚洲中文字幕一区二区三区有码在线看| 亚洲精品影视一区二区三区av| 黄色配什么色好看| 亚洲av熟女| 成人亚洲欧美一区二区av| 午夜福利在线观看吧| 午夜福利在线观看免费完整高清在 | 人人妻,人人澡人人爽秒播| 欧美色欧美亚洲另类二区| 亚洲精品日韩av片在线观看| 欧美极品一区二区三区四区| 99久久精品热视频| 久久久久久久亚洲中文字幕| 变态另类丝袜制服| 国产亚洲精品av在线| 两个人视频免费观看高清| 国产白丝娇喘喷水9色精品| 成人无遮挡网站| 色哟哟哟哟哟哟| 三级毛片av免费| av中文乱码字幕在线| 国产单亲对白刺激| 97人妻精品一区二区三区麻豆| 蜜桃久久精品国产亚洲av| 国产精品国产三级国产av玫瑰| 成人综合一区亚洲| 色综合站精品国产| 国产午夜精品论理片| 少妇猛男粗大的猛烈进出视频 | 国产精品永久免费网站| 亚洲综合色惰| 午夜精品一区二区三区免费看| 深夜精品福利| 国产伦精品一区二区三区四那| 激情 狠狠 欧美| 欧美+日韩+精品| 午夜福利在线观看吧| 身体一侧抽搐| 三级毛片av免费| 亚洲自拍偷在线| 亚洲美女搞黄在线观看 | 日本三级黄在线观看| 在线免费观看的www视频| 青春草视频在线免费观看| 亚洲无线在线观看| 国产午夜精品论理片| 久久6这里有精品| 亚洲人成网站在线播放欧美日韩| 亚洲欧美日韩高清专用| 男女啪啪激烈高潮av片| 免费看av在线观看网站| 草草在线视频免费看| 久久人妻av系列| 久久久久久久午夜电影| 亚洲最大成人中文| 久久午夜福利片| 亚洲第一区二区三区不卡| 中文字幕精品亚洲无线码一区| 18禁黄网站禁片免费观看直播| 精品人妻一区二区三区麻豆 | 一进一出抽搐动态| 无遮挡黄片免费观看|