• <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 ?

    圖形、圖像融合利用的集成學(xué)習(xí)智能化簡方法及其在島嶼岸線化簡中的應(yīng)用

    2022-04-08 01:38:16杜佳威劉呈熠王安東
    測繪學(xué)報 2022年3期
    關(guān)鍵詞:化簡頂點卷積

    杜佳威,武 芳,朱 麗,劉呈熠,王安東

    信息工程大學(xué)地理空間信息學(xué)院,河南 鄭州 450001

    地圖綜合知識的抽象、獲取和運用是實現(xiàn)地圖綜合自動化、智能化的關(guān)鍵[1]。利用程序語言翻譯能夠明確表達的綜合約束是實現(xiàn)自動綜合的經(jīng)典思路[2]。但是,地圖綜合還受到制圖經(jīng)驗、主觀認知、視覺感受等諸多模糊因素[3]影響,綜合知識難以全部清晰、準確形式化描述。機器學(xué)習(xí)技術(shù)能夠從數(shù)據(jù)成果中發(fā)現(xiàn)模糊知識、輔助綜合決策,推動了自動綜合智能化升級[4]?;喿鳛橹匾C合算子之一[5],基于機器學(xué)習(xí)的智能化簡方法大體分為以下兩類:①圖形級方法。此類方法將構(gòu)成圖形的頂點作為基本處理單元,從頂點幾何特征中抽象出與化簡相關(guān)的特征項,智能算法通過學(xué)習(xí)、處理特征項實現(xiàn)壓縮頂點的化簡目的。文獻[6—7]將頂點位置坐標作為特征項,分別利用遺傳算法和蟻群模型處理特征項、優(yōu)化頂點取舍,實現(xiàn)智能化簡;文獻[8]增加了夾角參數(shù)和垂線距離兩個特征項,利用自組織神經(jīng)網(wǎng)絡(luò)聚類特征項實現(xiàn)頂點聚類和壓縮;文獻[9]提取了九個影響化簡的頂點特征項,利用支持向量機對特征項進行監(jiān)督學(xué)習(xí)實現(xiàn)智能化簡。②圖像級方法。此類方法以矢柵轉(zhuǎn)換為基礎(chǔ)、以圖像像素為基本處理單元,利用智能算法從圖像中學(xué)習(xí)化簡算子。文獻[10]利用三層BP神經(jīng)網(wǎng)絡(luò)從化簡前后的柵格建筑物輪廓中學(xué)習(xí)、追蹤化簡軌跡實現(xiàn)化簡處理;文獻[11]利用卷積自編碼器實現(xiàn)柵格建筑物模板匹配,并利用匹配模板化簡建筑物輪廓。隨著深度學(xué)習(xí)模型在圖像翻譯、風(fēng)格遷移中成功應(yīng)用[12-13],學(xué)習(xí)、模擬從化簡前到化簡后圖像變換的思路逐步展開。文獻[4]利用U-net學(xué)習(xí)、模擬從化簡前到化簡后柵格建筑物輪廓變化;針對蜿蜒、綿長的線要素,文獻[14—15]設(shè)計了專門的剖分及柵格樣本生成方法,分別利用殘差Unet、Pix2Pix等深度學(xué)習(xí)模型模擬從化簡前到化簡后的圖像變換。

    利用機器學(xué)習(xí)方法感知柵格圖像、指導(dǎo)化簡決策的學(xué)習(xí)模擬包含了對未被發(fā)現(xiàn)且難以形式化描述的模糊化簡知識的利用,但受到矢柵轉(zhuǎn)換損失的影響,以像素作為化簡處理單元難以保證化簡結(jié)果的點位準確。化簡處理圖形頂點能夠保持化簡結(jié)果點位準確,但僅利用可度量特征項學(xué)習(xí)模擬化簡算子,局限于對已知明確化簡知識的利用。本文基于集成學(xué)習(xí)策略[16],通過集成幾種機器學(xué)習(xí)算法,設(shè)計能夠融合利用圖形、圖像學(xué)習(xí)模擬頂點取舍決策的智能化簡方法,在確保點位準確的條件下,達到充分利用各種化簡知識、優(yōu)化智能化簡效果的目的。

    1 圖形、圖像融合利用的總體方案

    集成學(xué)習(xí)通過構(gòu)建、結(jié)合多個機器學(xué)習(xí)器完成學(xué)習(xí)任務(wù)[16],以實現(xiàn)“博采眾長”。融合利用圖形、圖像的集成學(xué)習(xí)化簡方法的基本思路為:先分別構(gòu)建基于圖形和基于圖像的頂點取舍模型,分別從圖形特征層次和柵格圖像層次對同一頂點的取舍情況進行學(xué)習(xí)和預(yù)測;再構(gòu)建融合決策模型對基于圖形和基于圖像的頂點取舍進行融合利用,得到最終的取舍決策??傮w方案如圖1所示。

    為方便后文敘述,將化簡前、后的比例尺分別記為S1、S2,供模型訓(xùn)練的化簡前、后的要素分別記為la、lb,模型應(yīng)用中待化簡要素記為lc。構(gòu)成要素的頂點記為vi,la、lb和lc分別表示為la={vi|i∈[1,na]},lb={vi|i∈[1,nb]},lc={vi|i∈[1,nc]}。

    2 基于圖形的頂點取舍模型

    2.1 基于圖形的頂點取舍任務(wù)

    圖形是要素的矢量表達形式,適于空間量測、計算和分析?;嗠x不開對要素局部、整體形態(tài)特征的度量,圖形幾何特征的度量結(jié)果能夠指導(dǎo)頂點取舍。本文采用18個圖形特征項,從鄰近頂點關(guān)系、彎曲結(jié)構(gòu)和整體形態(tài)控制3個層次度量影響頂點取舍的幾何特征。其中,基于鄰近頂點的圖形特征項包含對鄰近頂點間距離、角度、垂距、弦長、弧長、面積、垂比弦和弧比弦的度量[9],基于彎曲的圖形特征項包含對左、右彎曲的基線長度、深度、面積和結(jié)構(gòu)層次的度量[17],基于整體形態(tài)控制的頂點特征項包含對頂點層次和形狀控制程度的度量[18-19]。這些指標包含了對局部和整體形態(tài)特征的描述,涉及了影響鄰近頂點取舍、彎曲取舍和整體形態(tài)控制點取舍因素的度量,體現(xiàn)了對頂點取舍已有知識的利用。

    2.2 基于全連接神經(jīng)網(wǎng)絡(luò)的頂點取舍模型

    全連接神經(jīng)網(wǎng)絡(luò)能夠利用神經(jīng)元間的連接關(guān)系融合利用多種特征,常用于基于特征項的智能決策[20]。全連接神經(jīng)網(wǎng)絡(luò)僅在相鄰層神經(jīng)元間構(gòu)建連接關(guān)系,且每個神經(jīng)元都與相鄰層所有神經(jīng)元連接。神經(jīng)元連接參數(shù)為權(quán)重和偏置,圖2(a)展示了基于權(quán)重和偏置的連接計算:xj為上一層神經(jīng)元的輸出值,y為下一層連接神經(jīng)元的接收值;wj和b分別表示權(quán)重和偏置參數(shù);f為激活函數(shù),常采用非線性函數(shù),以擬合復(fù)雜非線性任務(wù)。

    面向基于圖形的頂點取舍任務(wù),設(shè)計基于全連接神經(jīng)網(wǎng)絡(luò)的頂點取舍模型構(gòu)建從頂點圖形特征項到頂點取舍的映射,如圖2(b)所示。

    圖2 基于全連接神經(jīng)網(wǎng)絡(luò)的頂點取舍模型Fig.2 The model of vertex selection based on the fully connected neural network

    (1)輸入層含18個神經(jīng)元,接收計算的18個頂點圖形特征項FV1(vi),…,FV18(vi)。

    (3)輸入層和輸出層之間可存在若干隱藏層,每個隱藏層內(nèi)可包含若干神經(jīng)元,能夠利用頂點圖形特征項生成多層次特征以指導(dǎo)頂點取舍。

    2.3 模型參數(shù)的求解和優(yōu)化

    神經(jīng)元間連接的權(quán)重和偏置參數(shù)是影響模型計算準確性的關(guān)鍵,利用基于圖形特征的頂點取舍樣本訓(xùn)練模型,自適應(yīng)求解、優(yōu)化模型參數(shù),使其適用于基于圖形的頂點取舍任務(wù)。

    構(gòu)建基于圖形特征的頂點取舍樣本集。采用三元法記錄基于圖形特征的頂點取舍樣本,即〈頂點,頂點圖形特征,取舍情況〉。對于頂點vi,計算圖形特征項,記為FV(vi)={FV1(vi),…,FV18(vi)};采用獨熱(One-Hot)編碼[21]標記頂點取舍情況,記為[ti1,ti2]∈{[1,0],[0,1]},其中[1,0]表示vi被保留,[0,1]表示vi被刪除。對于訓(xùn)練數(shù)據(jù)la、lb,化簡前線要素la各頂點的取舍情況可以通過與化簡后線要素lb的匹配關(guān)系判定,具體方法參照文獻[9]。遍歷la各頂點,得到訓(xùn)練樣本集{〈vi,FV(vi),[ti1,ti2]〉|i∈[1,na]}。

    3 基于圖像的頂點取舍模型

    3.1 基于圖像的頂點取舍任務(wù)

    圖像是要素的柵格表達形式,常作為機器視覺的感知對象。除明確可度量的圖形特征外,影響頂點取舍的因素還隱含于制圖員對包含頂點上下文環(huán)境的主觀感受及其引發(fā)的難以形式化描述的知識中。在視覺分辨率約束下提取包含頂點在內(nèi)一定區(qū)域的柵格圖像,可以看作是人眼感受到的頂點上下文環(huán)境;利用機器學(xué)習(xí)方法從柵格圖像中感知頂點取舍是對人眼感受頂點上下文環(huán)境指導(dǎo)頂點取舍的模擬,涵蓋了對潛在影響頂點取舍模糊知識的利用。

    指導(dǎo)頂點取舍判斷的柵格圖像應(yīng)滿足:①圖像像素對應(yīng)的實際距離小于原始比例尺圖上最小可視距離[22]對應(yīng)的實際距離,保證柵格圖像中要素細節(jié)足夠清晰。即滿足pixsvo/S2,其中npix為圖像行(列)像素個數(shù)?;冖?、②,設(shè)計對vi提取柵格圖像的方法,記為FI(vi),具體如下。

    (1)構(gòu)建包含vi的待化簡要素的外接矩形。

    (2)以vi為中心,構(gòu)建與外接矩形各邊平行且邊長為pix·npix的正方形區(qū)域。

    (3)利用矢柵轉(zhuǎn)化方法[23]將包含于正方形區(qū)域內(nèi)的矢量要素轉(zhuǎn)換為柵格圖像,像素大小為pix,圖像尺寸為npix·npix。

    3.2 基于卷積神經(jīng)網(wǎng)絡(luò)的頂點取舍模型

    卷積神經(jīng)網(wǎng)絡(luò)能夠利用卷積核和局部感受野從圖像中感知多層次特征,常用于基于圖像的智能決策[24-26]。卷積是感知柵格圖像特征的關(guān)鍵,圖像卷積計算方法詳見文獻[24]。輸入圖像與卷積核進行卷積運算生成特征圖,特征圖中的特征值是卷積核對局部感受野感知的結(jié)果,如圖3(a)中輸入圖像紅框區(qū)域?qū)?yīng)特征圖紅框區(qū)域的局部感受野;卷積核規(guī)模和步長影響局部感受野的范圍和位置,卷積核的權(quán)重影響局部感受野的感受結(jié)果;具有不同權(quán)重、不同規(guī)模、不同步長的卷積核能夠?qū)植扛惺芤斑M行多樣感知,得到不同特征圖,如圖3(a)中不同權(quán)重、不同步長的卷積運算產(chǎn)生了不同的特征圖;特征圖再次進行卷積運算,可以提取更深層次的特征圖、獲取多層次感知。此外,池化運算[24-25]能夠?qū)σ欢ǚ秶鷥?nèi)的特征值進行下采樣,實現(xiàn)特征圖壓縮,得到更加概略的感知結(jié)果,如圖3(b)所示。卷積神經(jīng)網(wǎng)絡(luò)通過重復(fù)布設(shè)卷積層和池化層提取、利用多層次特征,如圖3(c)所示。卷積層和池化層的計算過程分別表示為Y=f(Conv(X,WJ)+BJ)和Y=Sub(X),X和Y分別為卷積層(或池化層)的輸入和輸出像素值(或特征值)矩陣;f為激活函數(shù);WJ為卷積核權(quán)重矩陣;BJ為偏置參數(shù)。

    圖3 利用卷積、池化感知圖像多層次特征Fig.3 Extraction of multi-level features using convolution and pooling

    面向基于圖像的頂點取舍任務(wù),設(shè)計基于卷積神經(jīng)網(wǎng)絡(luò)的頂點取舍模型構(gòu)建從柵格圖像到頂點取舍的映射,如圖4(a)所示。

    圖4 基于卷積神經(jīng)網(wǎng)絡(luò)的頂點取舍模型Fig.4 The model of vertex selection based on the convolutional neural network

    (1)輸入層接收柵格圖像FI(vi)的像素值矩陣。

    (3)隱藏層由一個獨立卷積層、多個殘差塊和一個全連接層構(gòu)成:卷積層用于從輸入圖像中提取與頂點取舍相關(guān)的特征圖;殘差塊用于進一步提取更深層次的特征圖,并通過跳躍連接融合利用不同層次的特征圖;全連接層利用最后一個殘差塊生成的特征圖的特征值計算頂點取舍情況。其中,卷積層和殘差塊的結(jié)構(gòu)如圖4(b)所示:卷積層中引入批量標準化(batch normalization,BN)[27]以緩解梯度消失的問題[28],且引入批量標準化還能約減卷積層偏置參數(shù)[28],使計算過程簡化為Y=f(BN(Conv(X,WJ)));殘差塊可以看作由兩個具有跳躍連接的卷積層構(gòu)成,能夠避免神經(jīng)網(wǎng)絡(luò)深度增加引發(fā)的退化問題[29],殘差塊計算見式(1)、式(2)

    Y=f(Sub(X)+BN(Conv(f(BN(Conv(X,WJ)))),WJ+1))

    (1)

    Y=f(X+BN(Conv(f(BN(Conv(X,WJ)))),WJ+1))

    (2)

    式(1)、式(2)分別表示殘差塊是、否對特征圖尺寸進行壓縮,式(1)通過調(diào)整卷積步長壓縮特征圖使其與Sub(X)尺寸相同。

    3.3 模型參數(shù)的求解和優(yōu)化

    4 圖形-圖像融合決策模型

    (3)

    4.1 線性加權(quán)融合模型

    線性加權(quán)法是實現(xiàn)多指標融合的常用方法[30],MV和MI的輸出結(jié)果通過線性加權(quán)模型實現(xiàn)融合利用,如式(4)所示

    (4)

    頂點取舍模型越準確,預(yù)測的取舍結(jié)果越可靠,融合時所占權(quán)重越大。因此,MV和MI的權(quán)重(即λ′和λ″,且λ′+λ″=1)由兩模型精度計算而得,如式(5)所示

    (5)

    式中,Eva是對模型精度的評價,詳見式(6)

    (6)

    可采用查準率(Precision)、查全率(Recall)、準確率(Accuracy)和F1度量(F1score)等指標評價法。具體而言,就是利用MV(或MI)對訓(xùn)練樣本集進行測試,將預(yù)測的頂點取舍情況與實際取舍情況進行比較,計算查準率、查全率、準確率和F1度量(計算方法參見文獻[31])評價模型精度。

    4.2 貝葉斯融合模型

    MV和MI模型的輸出結(jié)果都是頂點取舍概率,基于此,可計算在已知基于圖形和基于圖像的頂點取舍概率情況下的頂點取舍條件概率,即計算P([ti1,ti2]|MV(vi),MI(vi))。利用樸素貝葉斯方法,對P([ti1,ti2]|MV(vi),MI(vi))進行分解、轉(zhuǎn)化,如式(7)

    (7)

    (8)

    (9)

    4.3 支持向量機融合模型

    (10)

    (11)

    式中,C為懲罰系數(shù);ξ(i)為松弛因子,利用此目標函數(shù)能夠?qū)崿F(xiàn)軟分類。

    軟分類使大部分支持向量被正確分類,適用于處理由MV和MI生成的不完全準確的支持向量。將求解的超平面參數(shù)μ和η應(yīng)用于式(12),完成SVM二分類器構(gòu)建

    (12)

    4.4 人工神經(jīng)網(wǎng)絡(luò)融合模型

    (13)

    5 試驗用例:化簡島嶼岸線

    5.1 方法有效性驗證

    島嶼岸線形態(tài)復(fù)雜多變,是化簡難度最大的要素之一[32],以新西蘭Stewart島嶼岸線作為試驗對象驗證各模型有效性。1∶5萬Stewart島嶼岸線包含20 775個頂點,其中前19 104個頂點用于訓(xùn)練,最后1761個頂點用于測試,如圖5(a)所示;采用文獻[9]中頂點取舍案例獲取方法,從人工綜合的1∶25萬Stewart島嶼岸線數(shù)據(jù)中提取頂點取舍結(jié)果作為標準化簡結(jié)果,如圖5(b)所示。基于TensorFlow框架,利用Python語言在GPU RTX 2070s的運算環(huán)境下實現(xiàn)本文方法,學(xué)習(xí)、模擬從1∶5萬至1∶25萬的頂點取舍決策。

    圖5 試驗數(shù)據(jù)Fig.5 Experimental data

    分別從訓(xùn)練部分和測試部分中提取樣本并構(gòu)建訓(xùn)練集和測試集。提取柵格圖像時,令svo=0.2 mm,pix=svo/2S1=5 m,npix=128;且考慮到文獻[15]指出面狀圖斑比柵格曲線更容易被卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí),從島嶼面域中提取包含頂點上下文環(huán)境的柵格圖像如圖6所示。

    圖6 提取柵格圖像的示例Fig.6 Examples of extracting raster samples

    構(gòu)建、訓(xùn)練全連接神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò),實現(xiàn)基于圖形和圖像的頂點取舍。其中,全連接神經(jīng)網(wǎng)絡(luò)2個隱藏層的神經(jīng)元數(shù)依次為64和32;卷積神經(jīng)網(wǎng)絡(luò)包含1個卷積層、4個殘差塊和1個全連接層,卷積核大小依次為3×3、8×8、6×6、3×3、3×3,殘差塊將特征圖大小依次壓縮為1/4、1/4、1/2、1/2。試驗所有神經(jīng)網(wǎng)絡(luò)中間層激活函數(shù)均為ReLU函數(shù)[20],損失函數(shù)均為交叉熵函數(shù)[20],梯度下降方法均采用Adam方法[33]。全連接神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練終止條件分別為ne=20和ne=50,訓(xùn)練過程中對訓(xùn)練集擬合準確率變化如圖7所示?;谟?xùn)練集和測試集數(shù)據(jù)評價訓(xùn)練后的MV和MI,統(tǒng)計查準率、查全率、準確率和F1度量,見表1。由圖7和表1可知,MV和MI分別一定程度上學(xué)習(xí)、掌握了岸線化簡中的頂點取舍,都具有一定泛化應(yīng)用能力,且MV優(yōu)于MI。

    圖7 基于圖形和基于圖像的頂點取舍模型訓(xùn)練過程中訓(xùn)練集準確率的變化Fig.7 The accuracy changes with training of vector-based and raster-based models

    表1 利用訓(xùn)練集和測試集對MV和MI的效果評價Tab.1 Assessments of MV and MI based on training and testing data (%)

    構(gòu)建以下幾個融合決策模型:①分別基于訓(xùn)練集Precision、Recall、Accuracy和F1score構(gòu)建4個加權(quán)融合模型,分別記為PreFu、RecFu、AccFu和F1Fu;②構(gòu)建一個貝葉斯融合模型,記為BayFu;③構(gòu)建一個采用高斯核函數(shù)、懲罰系數(shù)為0.01的支持向量機融合模型,記為SVMFu;④構(gòu)建一個隱藏層包含32個神經(jīng)元的全連接神經(jīng)網(wǎng)絡(luò),由該神經(jīng)網(wǎng)絡(luò)對訓(xùn)練集數(shù)據(jù)重復(fù)學(xué)習(xí)10次訓(xùn)練而得的融合模型記為NNFu。利用融合模型處理訓(xùn)練集和測試集,計算查準率、查全率、準確率和F1度量評價頂點取舍效果,如表2所示。由于F1score是對Precision和Recall的加權(quán)平均,著重基于Accuracy和F1score分析各融合模型效果。

    (1)所有融合模型都實現(xiàn)了對圖形決策和圖像決策的集成,使融合前效果相對較差的模型得到顯著提升。表2中所有融合模型的Accuracy和F1score值高于表1中融合前MI模型的Accuracy和F1score值,融合模型使MI精度得到提升。但是,融合模型的Accuracy和F1score值不都高于融合前的MV模型,部分融合模型使MV精度受損。

    表2 利用訓(xùn)練集和測試集對融合模型效果的評價Tab.2 Assessments of fusion models based on training and testing data (%)

    (2)RecFu、AccFu、F1Fu和BayFu沒有起到融合利用MV和MI結(jié)果、提升頂點取舍精度的效果。對于訓(xùn)練集,RecFu、AccFu、F1Fu和BayFu的Accuracy和F1score值低于MV。這些模型屬于加權(quán)融合模型或貝葉斯融合模型,是在一定假設(shè)基礎(chǔ)上構(gòu)建的融合模型。其中,加權(quán)融合模型假設(shè)MV與MI輸出結(jié)果間存在線性關(guān)系,貝葉斯融合模型中假設(shè)概率可以被頻率近似。這些固定假設(shè)影響了模型應(yīng)用的靈活性和適應(yīng)性,導(dǎo)致融合效果不佳、準確率損失等問題。

    (3)PreFu、SVMFu和NNFu起到了提升頂點取舍精度的效果,實現(xiàn)了圖形和圖像決策的融合利用。對于訓(xùn)練集和測試集,PreFu、SVMFu和NNFu的Accuracy和F1score值高于MV和MI。這些融合模型大都以機器學(xué)習(xí)為基礎(chǔ),支持向量機和人工神經(jīng)網(wǎng)絡(luò)能夠從融合數(shù)據(jù)集中發(fā)現(xiàn)規(guī)律、指導(dǎo)融合應(yīng)用,用于關(guān)系脆弱且不明確的MV和MI結(jié)果數(shù)據(jù)融合時,具有更好的靈活性和適應(yīng)性。

    對PreFu、SVMFu和NNFu的化簡效果展開進一步分析。

    (1)從頂點取舍的準確性看,無論是基于訓(xùn)練集還是測試集,表2中NNFu的Accuracy和F1score值都高于PreFu和SVMFu,神經(jīng)網(wǎng)絡(luò)更好的靈活性和適應(yīng)性使NNFu的頂點取舍精度高于SVMFu和PreFu。

    (2)從化簡結(jié)果的視覺感受上看,PreFu、SVMFu和NNFu都能融合利用MV和MI,在一定程度上起到了優(yōu)勢互補的效果。部分測試弧段的化簡效果如圖8所示:對于區(qū)域1內(nèi)的弧段,MV的化簡結(jié)果與目標化簡結(jié)果更加一致;對于區(qū)域2內(nèi)的弧段,MI的化簡結(jié)果與目標化簡結(jié)果更加一致;NNFu化簡區(qū)域1的結(jié)果與MV相似,化簡區(qū)域2的結(jié)果與MI相似,體現(xiàn)了對MI和MV融合利用和優(yōu)勢互補;SVMFu化簡區(qū)域2的結(jié)果與MI相似,化簡區(qū)域1的結(jié)果略遜于MV的化簡結(jié)果、但明顯優(yōu)于MI的化簡結(jié)果,在一定程度上體現(xiàn)了對MV和MI的融合利用;PreFu化簡區(qū)域1和區(qū)域2的結(jié)果與MV相似,僅使區(qū)域1和區(qū)域2間弧段的化簡效果得到改善,表現(xiàn)出對MV的嚴重依賴和對MI的利用不足。

    圖8 部分測試弧段的化簡結(jié)果(藍色和紅色曲線分別表示原始岸線和化簡結(jié)果)Fig.8 Simplified results of part of test data with different models (the original coastlines and simplified coastlines are colored by bule and red respectively)

    (3)計算Hausdorff距離[34]、面積差[35]、符號重疊率[36]、視覺緩沖區(qū)限差[15,34]度量模型化簡結(jié)果與標準化簡結(jié)果間的相似性(表3),量化評價各模型的整體化簡效果。其中,Hausdorff距離、面積差越小,模型化簡結(jié)果與標準化簡結(jié)果越相似;符號重疊率、視覺緩沖區(qū)限差越大,模型化簡結(jié)果與標準結(jié)果越相似,符號重疊率的線寬設(shè)置為0.1 mm,視覺緩沖區(qū)限差的最小可分辨距離設(shè)置為0.2 mm。從符號重疊率上看,PreFu和MV相差不大,但從Hausdorff距離、面積差和視覺緩沖區(qū)限差上看,PreFu生成的化簡結(jié)果沒有比MV更接近于標準化簡結(jié)果,融合效果并不理想;從所有指標上看,SVMFu和NNFu生成的化簡結(jié)果與標準化簡結(jié)果的相似性都高于MV和MI,融合效果良好;且NNFu的化簡結(jié)果與標準化簡結(jié)果具有最高的相似性,做到了相對最優(yōu)的融合利用。

    表3 測試弧段化簡結(jié)果與標準化簡結(jié)果的相似性評價Tab.3 Evaluation of similarities between automated results and target results for the testing data

    類似地,利用本文方法進行多尺度化簡試驗,并計算測試部分海岸線由1∶5萬化簡至1∶25萬、1∶50萬、1∶75萬和1∶100萬時線要素化簡前后的頂點壓縮率[9]、長度比[15]、Hausdorff距離、面積差和平均曲率相似度[37],見表4。本文方法能夠進行多尺度化簡,且比例尺跨度越大、化簡結(jié)果越概略,符合多尺度變化的客觀規(guī)律;各尺度化簡結(jié)果與原始線要素的曲折程度一致性較高,保持了良好的幾何相似性。

    表4 測試部分海岸線多尺度化簡結(jié)果的評價Tab.4 Evaluations of multi-scale simplifications of the testing coastline

    5.2 方法優(yōu)越性驗證

    令融合效果最好的NNFu模型與以下化簡方法進行對比,驗證本文方法的優(yōu)越性。

    5.2.1 與其他智能化簡方法的對比分析。

    文獻[9]是近些年具有代表性的智能化簡方法,但其采用的特征項不及本文采用的18種頂點特征項豐富、全面。為增強兩方法的可比性、控制對比試驗變量,對比方法1采用文獻[9]方法并將其特征項擴展至與本方法相同。利用訓(xùn)練部分岸線對方法1進行訓(xùn)練,過程如圖9所示,迭代至5500次時方法1的準確率和F1度量都相對較高,利用此時的模型對測試部分進行化簡,化簡結(jié)果的量化評估如表5所示。

    圖9 方法1在訓(xùn)練過程中模型準確率和F1 score的變化Fig.9 The accuracy and F1 score changes with training of the comparison method 1

    比較表1—3與表5發(fā)現(xiàn):方法1對訓(xùn)練集的學(xué)習(xí)效果和測試集的預(yù)測效果都沒有達到NNFu模型的效果,甚至遜于融合前的MV模型。這是因為方法1采用的支持向量機模型的學(xué)習(xí)能力通常被認為弱于MV模型采用的多層全連接神經(jīng)網(wǎng)絡(luò),其難以充分學(xué)習(xí)掌握岸線頂點取舍這一相對復(fù)雜任務(wù);此外,方法1只顧及了可度量的圖形特征,而NNFu模型還融合了隱含于圖像中的模糊知識。綜上所述,本文方法優(yōu)于方法1。

    表5 方法1對測試部分海岸線化簡效果的評價Tab.5 Evaluation of the contrast method simplification for the testing data

    5.2.2 與其他自動化簡方法的對比分析。

    文獻[32,35,38—39]是近些年具有代表性的自動化簡方法。其中,文獻[35,39]是基于頂點的化簡方法,文獻[32,38]是基于彎曲的化簡方法,都可用于岸線化簡。文獻[35,39]方法記為方法2和方法3,都參照文獻[35]控制兩方法的化簡參數(shù),使化簡結(jié)果與標準化簡結(jié)果的頂點數(shù)相同;文獻[38]記為方法4,彎曲化簡的寬度閾值和深度閾值設(shè)置為0.3 mm和0.5 mm;文獻[32]記為方法5。利用方法2—5化簡測試部分岸線,化簡結(jié)果量化評價如表6所示。

    表6 方法2—5化簡結(jié)果與標準化簡結(jié)果的相似性評價Tab.6 Evaluation of similarities between automated results of contrast methods 2—5 and target results

    分析表6與表3可以發(fā)現(xiàn):方法2顧及了化簡前后的面積保持,面積差、符號重疊率、視覺緩沖區(qū)限差都優(yōu)于方法3—方法5,與標準化簡結(jié)果具有很好的整體相似性,但除視覺緩沖區(qū)限差外,面積差、符號重疊率都沒有達到NNFu的水平,且嚴格保證化簡前后面積相等會導(dǎo)致局部變形較大,表現(xiàn)為Hausdorff距離相對最大;方法3化簡結(jié)果與標準化簡結(jié)果的整體相似性遜于NNFu,但方法3在壓縮頂點的同時允許在可視范圍內(nèi)移動頂點,使表征局部相似性的Hausdorff距離優(yōu)于NNFu;方法4—5化簡結(jié)果與標準化簡結(jié)果的整體相似更差,這是由于彎曲比頂點的處理粒度更粗,容易產(chǎn)生更大的變形;特別是方法5面向海圖應(yīng)用,以單側(cè)彎曲化簡為主,與標準化簡結(jié)果的整體相似最弱。這些自動化簡方法往往只顧及有限約束,且只在約束范圍內(nèi)效果良好,表現(xiàn)為方法2—5化簡結(jié)果的量化評價中可能存在1個指標優(yōu)于NNFu的化簡結(jié)果;而實際地圖綜合中化簡約束往往是多元混合的,本文方法從數(shù)據(jù)成果中學(xué)習(xí)化簡決策,更具優(yōu)越性和適應(yīng)性,表現(xiàn)為方法2—5優(yōu)于NNFu的量化評價指標最多不超過1個。

    進一步驗證本文方法的優(yōu)越性與適應(yīng)性,擴充測試數(shù)據(jù)并與具有廣泛適用性的化簡方法3、4進行對比試驗:利用NNFu化簡新西蘭南島的4段岸線(表7),計算化簡后的頂點壓縮率[9]、彎曲壓縮率[38];利用方法3化簡岸線1—4至與NNFu相同的頂點壓縮率,各化簡結(jié)果的位置誤差[40]如表8所示;利用方法4重復(fù)刪除細小彎曲,直至化簡后岸線1—4的彎曲壓縮率恰好不大于NNFu化簡結(jié)果為止,各化簡結(jié)果的位置誤差見表9。

    表7 其他1∶5萬的海岸線數(shù)據(jù)Tab.7 Some other coastlines to be simplified

    分析表8、表9可知:在相同的頂點壓縮率下,NNFu化簡岸線1—4的位置誤差比方法3更??;在相似的彎曲壓縮率下,本文方法較方法4能夠壓縮更多的彎曲且產(chǎn)生更小的位置誤差,本文方法更好地保持了化簡前后的整體相似性。此外,在保持不同海岸地理特征上,本文方法也具有一定優(yōu)勢。圖10(a)中,本文方法更好地保持了人工岸線規(guī)則平直的特征,方法3、4對其中海岸人工建筑[41](虛線框內(nèi))的不良化簡破壞了其原本地理意義;圖10(b)中,本文方法更好地保持了海灣的整體形態(tài)及灣口位置的準確性(虛線框內(nèi)),確保了對化簡前、后海灣地理特征認識的一致性;圖10(c)中,本文方法較方法4更好地化簡了狹長河口(虛線框內(nèi)),較方法3更好地保持了曲折部分與平滑部分的差異性。綜上所述,進一步證實了本文方法的優(yōu)越性和適應(yīng)性。

    表8 方法3和NNFu化簡效果的比較Tab.8 Comparisons on different simplifications with same vertex compression ratio

    表9 方法4和NNFu化簡效果的比較Tab.9 Comparisons on different simplifications with similar bend compression ratio

    圖10 不同類型海岸線化簡效果的比較(藍色曲線為原始岸線、紅色曲線為化簡結(jié)果)Fig.10 Comparison of different simplifications of various coasts:the original coastlines and simplified coastlines are colored by bule and red respectively

    6 結(jié) 論

    本文集成幾種機器學(xué)習(xí)算法學(xué)習(xí)、模擬、優(yōu)化化簡過程中的頂點取舍決策:利用全連接神經(jīng)網(wǎng)絡(luò)構(gòu)建了基于圖形的頂點取舍模型,利用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建了基于圖像的頂點取舍模型,利用線性加權(quán)、貝葉斯理論、支持向量機、全連接神經(jīng)網(wǎng)絡(luò)建立了能夠綜合利用基于圖形和基于圖像的頂點取舍的諸多融合決策模型,實現(xiàn)了融合利用圖形和圖像中蘊含的化簡知識學(xué)習(xí)模擬頂點取舍的智能化簡,起到了頂點取舍優(yōu)化、化簡精度提高、不同模型優(yōu)勢互補的良好效果。

    在實際應(yīng)用中,不是所有融合決策模型都發(fā)揮了良好效果,如何選擇、衡量、解釋融合決策模型還需進一步研究;此外,向智能化簡模型中引入明確的地圖綜合知識以增強智能方法可解釋性和約束性,也是十分重要研究。特別的,本文提出的圖形、圖像融合利用的思路還能用于指導(dǎo)模式識別、數(shù)據(jù)增強和其他綜合算子中智能方法(如文獻[4,25—26,42])的優(yōu)化升級。沿著多特征融合利用的集成學(xué)習(xí)思路,融合語義特征、三維特征等更加豐富的特征項,集成圖卷積神經(jīng)網(wǎng)絡(luò)[42]、生成對抗網(wǎng)絡(luò)[15]等更加多元的機器學(xué)習(xí)算法,都值得進一步探索。

    猜你喜歡
    化簡頂點卷積
    靈活區(qū)分 正確化簡
    過非等腰銳角三角形頂點和垂心的圓的性質(zhì)及應(yīng)用(下)
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    關(guān)于頂點染色的一個猜想
    基于傅里葉域卷積表示的目標跟蹤算法
    的化簡及其變式
    判斷分式,且慢化簡
    “一分為二”巧化簡
    一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識別方法
    乱人伦中国视频| 国产亚洲精品第一综合不卡| 中文字幕精品免费在线观看视频| 黄色怎么调成土黄色| 亚洲国产欧美在线一区| 男人爽女人下面视频在线观看| 多毛熟女@视频| 中文精品一卡2卡3卡4更新| 色婷婷av一区二区三区视频| 成人手机av| 欧美在线一区亚洲| 狠狠婷婷综合久久久久久88av| 国产精品av久久久久免费| 亚洲av日韩精品久久久久久密 | 日本五十路高清| 亚洲精品中文字幕在线视频| 亚洲三区欧美一区| 女性被躁到高潮视频| 国产在视频线精品| 男男h啪啪无遮挡| 亚洲精品av麻豆狂野| 精品第一国产精品| 久久人人爽av亚洲精品天堂| 国产精品秋霞免费鲁丝片| 日本午夜av视频| 99国产精品一区二区蜜桃av | 欧美激情 高清一区二区三区| 涩涩av久久男人的天堂| 久久精品国产a三级三级三级| 欧美成人精品欧美一级黄| av不卡在线播放| 国产1区2区3区精品| 91精品伊人久久大香线蕉| 啦啦啦中文免费视频观看日本| 久久久久国产一级毛片高清牌| 国产熟女午夜一区二区三区| 久久精品亚洲av国产电影网| 黄频高清免费视频| 久久久国产精品麻豆| 午夜免费观看性视频| 欧美精品高潮呻吟av久久| 男女午夜视频在线观看| 男人舔女人的私密视频| 亚洲av综合色区一区| 欧美日韩黄片免| 女人被躁到高潮嗷嗷叫费观| 亚洲中文字幕日韩| 另类精品久久| 五月天丁香电影| 亚洲精品日本国产第一区| 男人爽女人下面视频在线观看| 久久精品亚洲熟妇少妇任你| 超碰成人久久| 免费日韩欧美在线观看| 久久久久网色| 成年人午夜在线观看视频| 国产精品99久久99久久久不卡| 国产精品一区二区精品视频观看| 曰老女人黄片| 啦啦啦啦在线视频资源| 亚洲中文字幕日韩| 国产无遮挡羞羞视频在线观看| 纯流量卡能插随身wifi吗| 亚洲第一av免费看| 欧美97在线视频| 午夜福利一区二区在线看| 午夜免费男女啪啪视频观看| 尾随美女入室| 国产欧美日韩精品亚洲av| 美女高潮到喷水免费观看| 国产熟女欧美一区二区| 在线天堂中文资源库| 欧美激情高清一区二区三区| 黄频高清免费视频| 国产女主播在线喷水免费视频网站| 国产成人精品无人区| 欧美精品一区二区大全| 亚洲九九香蕉| 男女边摸边吃奶| 99精品久久久久人妻精品| 黄色片一级片一级黄色片| 女人精品久久久久毛片| 桃花免费在线播放| 国产成人欧美在线观看 | 成人国语在线视频| 女警被强在线播放| 女人精品久久久久毛片| 2018国产大陆天天弄谢| 久久人人爽av亚洲精品天堂| 午夜免费鲁丝| 一级毛片我不卡| 亚洲五月色婷婷综合| 日韩 亚洲 欧美在线| 热re99久久国产66热| 又黄又粗又硬又大视频| 亚洲欧美日韩另类电影网站| 男人舔女人的私密视频| 午夜福利视频在线观看免费| 青春草视频在线免费观看| 国产一区亚洲一区在线观看| av又黄又爽大尺度在线免费看| 制服人妻中文乱码| 国产免费一区二区三区四区乱码| 中文字幕精品免费在线观看视频| 亚洲专区国产一区二区| 蜜桃国产av成人99| 国产在线一区二区三区精| 欧美精品高潮呻吟av久久| 国产又色又爽无遮挡免| 在线天堂中文资源库| 亚洲国产精品一区二区三区在线| a级毛片在线看网站| 汤姆久久久久久久影院中文字幕| 成人手机av| 日韩制服骚丝袜av| 爱豆传媒免费全集在线观看| 亚洲精品国产一区二区精华液| 我的亚洲天堂| 黄色毛片三级朝国网站| 超碰成人久久| 亚洲专区国产一区二区| 午夜视频精品福利| av在线老鸭窝| 国产日韩欧美在线精品| 国产午夜精品一二区理论片| 亚洲人成77777在线视频| 亚洲国产精品一区二区三区在线| 国产精品偷伦视频观看了| 99热网站在线观看| 免费久久久久久久精品成人欧美视频| 激情五月婷婷亚洲| 亚洲,一卡二卡三卡| 欧美 亚洲 国产 日韩一| 精品少妇一区二区三区视频日本电影| 亚洲精品在线美女| av线在线观看网站| 亚洲人成网站在线观看播放| 人人妻人人澡人人爽人人夜夜| 最近最新中文字幕大全免费视频 | av天堂久久9| 久久 成人 亚洲| 亚洲成人手机| 建设人人有责人人尽责人人享有的| 天天躁夜夜躁狠狠躁躁| 国产淫语在线视频| 精品人妻熟女毛片av久久网站| 一级毛片黄色毛片免费观看视频| 久久性视频一级片| 一级毛片 在线播放| av一本久久久久| 亚洲成人手机| 久久久久久免费高清国产稀缺| 少妇精品久久久久久久| 成年人免费黄色播放视频| 亚洲一码二码三码区别大吗| 欧美日韩福利视频一区二区| 狂野欧美激情性xxxx| 免费一级毛片在线播放高清视频 | 亚洲午夜精品一区,二区,三区| 国产精品久久久久久精品古装| 美女中出高潮动态图| 国产一区二区激情短视频 | 国产欧美亚洲国产| 久久久亚洲精品成人影院| 十八禁人妻一区二区| 日本vs欧美在线观看视频| 日日夜夜操网爽| 一区二区三区乱码不卡18| 亚洲av综合色区一区| 久久亚洲精品不卡| 99re6热这里在线精品视频| 夫妻性生交免费视频一级片| 久久性视频一级片| 色综合欧美亚洲国产小说| 久久 成人 亚洲| 少妇 在线观看| 精品亚洲成国产av| 亚洲成av片中文字幕在线观看| 中文字幕另类日韩欧美亚洲嫩草| 色精品久久人妻99蜜桃| 欧美黄色淫秽网站| 高潮久久久久久久久久久不卡| 老司机亚洲免费影院| 99久久人妻综合| 日本黄色日本黄色录像| 美女大奶头黄色视频| 亚洲国产av影院在线观看| 亚洲国产精品一区三区| 国产老妇伦熟女老妇高清| 中文字幕制服av| www.999成人在线观看| 黄频高清免费视频| 在线观看免费午夜福利视频| 久久午夜综合久久蜜桃| 在线 av 中文字幕| 男女午夜视频在线观看| 人人妻人人爽人人添夜夜欢视频| 婷婷色麻豆天堂久久| 亚洲综合色网址| 久久99热这里只频精品6学生| 久久精品亚洲熟妇少妇任你| 久久精品国产a三级三级三级| 久久久欧美国产精品| 人成视频在线观看免费观看| 国产精品亚洲av一区麻豆| 大型av网站在线播放| 国产免费现黄频在线看| 这个男人来自地球电影免费观看| 欧美黄色淫秽网站| 午夜福利视频精品| 美女视频免费永久观看网站| 考比视频在线观看| 叶爱在线成人免费视频播放| 一级,二级,三级黄色视频| e午夜精品久久久久久久| 国产1区2区3区精品| 亚洲av综合色区一区| 国产av一区二区精品久久| av网站免费在线观看视频| 国产成人免费观看mmmm| 国产高清国产精品国产三级| 久久久久精品国产欧美久久久 | 免费少妇av软件| 美女高潮到喷水免费观看| 高清av免费在线| 亚洲av男天堂| 色视频在线一区二区三区| 欧美精品亚洲一区二区| videos熟女内射| 一二三四社区在线视频社区8| 免费高清在线观看视频在线观看| 成人三级做爰电影| 久久精品亚洲熟妇少妇任你| 自线自在国产av| 亚洲精品美女久久av网站| 久久免费观看电影| 国产精品亚洲av一区麻豆| 亚洲国产最新在线播放| 建设人人有责人人尽责人人享有的| 久久天堂一区二区三区四区| 欧美精品一区二区大全| 爱豆传媒免费全集在线观看| 大片免费播放器 马上看| 一区二区三区激情视频| 少妇精品久久久久久久| 女性生殖器流出的白浆| 亚洲色图 男人天堂 中文字幕| 亚洲精品国产一区二区精华液| 无限看片的www在线观看| 日韩制服丝袜自拍偷拍| 99re6热这里在线精品视频| 久久精品亚洲av国产电影网| 美女扒开内裤让男人捅视频| 免费日韩欧美在线观看| 一个人免费看片子| 成年美女黄网站色视频大全免费| 中国美女看黄片| 国产一区亚洲一区在线观看| 国产精品熟女久久久久浪| av线在线观看网站| 岛国毛片在线播放| 婷婷色综合大香蕉| 啦啦啦中文免费视频观看日本| 美女视频免费永久观看网站| 亚洲成人国产一区在线观看 | 欧美人与性动交α欧美软件| 在线观看人妻少妇| 免费高清在线观看日韩| 最黄视频免费看| 丰满少妇做爰视频| 纯流量卡能插随身wifi吗| 大香蕉久久网| 精品国产乱码久久久久久小说| 免费在线观看日本一区| 欧美 日韩 精品 国产| www.999成人在线观看| 欧美日韩视频精品一区| 色视频在线一区二区三区| 妹子高潮喷水视频| av欧美777| 天天操日日干夜夜撸| xxx大片免费视频| www日本在线高清视频| 男人添女人高潮全过程视频| 亚洲欧美一区二区三区黑人| 国产精品亚洲av一区麻豆| 在现免费观看毛片| 国产又爽黄色视频| 国产伦人伦偷精品视频| 久久久久久亚洲精品国产蜜桃av| 王馨瑶露胸无遮挡在线观看| 涩涩av久久男人的天堂| 美女脱内裤让男人舔精品视频| 操出白浆在线播放| 在线观看免费高清a一片| 国产在线一区二区三区精| 精品国产乱码久久久久久男人| 亚洲精品乱久久久久久| 男人爽女人下面视频在线观看| 人妻 亚洲 视频| 成年人免费黄色播放视频| 精品国产乱码久久久久久小说| 亚洲国产最新在线播放| 无遮挡黄片免费观看| 天堂中文最新版在线下载| 中文精品一卡2卡3卡4更新| 一二三四在线观看免费中文在| 尾随美女入室| 婷婷色综合大香蕉| 啦啦啦在线免费观看视频4| 成年av动漫网址| 成人亚洲精品一区在线观看| 99久久精品国产亚洲精品| 久久精品久久精品一区二区三区| 999精品在线视频| 在线精品无人区一区二区三| 国产黄频视频在线观看| 黄色毛片三级朝国网站| 日本欧美视频一区| 高清黄色对白视频在线免费看| 日本wwww免费看| 午夜福利视频精品| 亚洲国产毛片av蜜桃av| 亚洲欧美一区二区三区黑人| 久久久久久亚洲精品国产蜜桃av| 亚洲精品久久午夜乱码| 日韩制服丝袜自拍偷拍| 九草在线视频观看| 天天躁夜夜躁狠狠久久av| 成年女人毛片免费观看观看9 | 最近最新中文字幕大全免费视频 | 国产日韩欧美在线精品| 亚洲黑人精品在线| 成人18禁高潮啪啪吃奶动态图| 三上悠亚av全集在线观看| 十八禁网站网址无遮挡| 日韩伦理黄色片| 久久人人爽av亚洲精品天堂| 在线亚洲精品国产二区图片欧美| 成年人免费黄色播放视频| 国产精品秋霞免费鲁丝片| av不卡在线播放| 精品一区二区三卡| 亚洲精品自拍成人| 久久综合国产亚洲精品| 三上悠亚av全集在线观看| 午夜福利免费观看在线| e午夜精品久久久久久久| 老司机影院成人| 亚洲视频免费观看视频| 美女主播在线视频| 91精品伊人久久大香线蕉| 亚洲少妇的诱惑av| 亚洲av日韩在线播放| 亚洲国产中文字幕在线视频| 免费在线观看视频国产中文字幕亚洲 | 黑人巨大精品欧美一区二区蜜桃| 波野结衣二区三区在线| 日韩一卡2卡3卡4卡2021年| 热re99久久国产66热| 欧美亚洲日本最大视频资源| 欧美激情极品国产一区二区三区| 一区在线观看完整版| 丝袜美足系列| 狠狠精品人妻久久久久久综合| 精品久久久久久久毛片微露脸 | 成在线人永久免费视频| 两人在一起打扑克的视频| 日韩中文字幕欧美一区二区 | 久久国产亚洲av麻豆专区| 亚洲成人免费av在线播放| 人成视频在线观看免费观看| xxxhd国产人妻xxx| 老熟女久久久| 美女大奶头黄色视频| 国产99久久九九免费精品| 亚洲国产精品国产精品| 永久免费av网站大全| av天堂久久9| 亚洲精品一区蜜桃| 久久免费观看电影| av国产精品久久久久影院| 亚洲欧美激情在线| 精品久久久久久久毛片微露脸 | 亚洲av国产av综合av卡| 日日爽夜夜爽网站| 国产又爽黄色视频| 只有这里有精品99| 国产免费一区二区三区四区乱码| av在线app专区| 国产成人精品久久二区二区91| 久久久精品94久久精品| 啦啦啦啦在线视频资源| 亚洲av日韩精品久久久久久密 | 在线观看免费高清a一片| 欧美精品高潮呻吟av久久| 高清黄色对白视频在线免费看| 久久国产精品人妻蜜桃| 亚洲图色成人| 亚洲一码二码三码区别大吗| 搡老乐熟女国产| 每晚都被弄得嗷嗷叫到高潮| 久久久国产精品麻豆| 可以免费在线观看a视频的电影网站| 欧美国产精品va在线观看不卡| 午夜免费男女啪啪视频观看| 欧美成狂野欧美在线观看| 午夜日韩欧美国产| 美女中出高潮动态图| 两性夫妻黄色片| 天天躁日日躁夜夜躁夜夜| 国产xxxxx性猛交| 两性夫妻黄色片| 热99国产精品久久久久久7| 亚洲,欧美,日韩| 大码成人一级视频| 久久久久久人人人人人| 51午夜福利影视在线观看| 中文字幕最新亚洲高清| 欧美 日韩 精品 国产| 丝袜美腿诱惑在线| 国产高清videossex| 国产深夜福利视频在线观看| 亚洲一码二码三码区别大吗| 久久久久国产一级毛片高清牌| 国产精品一二三区在线看| 岛国毛片在线播放| 黑人猛操日本美女一级片| 亚洲专区中文字幕在线| 亚洲欧美精品自产自拍| 免费久久久久久久精品成人欧美视频| 久久精品久久久久久久性| 成人亚洲精品一区在线观看| 免费av中文字幕在线| 制服人妻中文乱码| 成人影院久久| 日韩制服丝袜自拍偷拍| 国产av精品麻豆| 欧美中文综合在线视频| 精品少妇一区二区三区视频日本电影| 久久鲁丝午夜福利片| 日韩中文字幕视频在线看片| 九色亚洲精品在线播放| 精品少妇黑人巨大在线播放| 国产男人的电影天堂91| 又大又黄又爽视频免费| 又粗又硬又长又爽又黄的视频| 天天躁夜夜躁狠狠躁躁| 在线看a的网站| 午夜免费鲁丝| 午夜免费观看性视频| 精品国产乱码久久久久久小说| av不卡在线播放| 国产欧美亚洲国产| 国产人伦9x9x在线观看| 十八禁高潮呻吟视频| 婷婷色麻豆天堂久久| 久久精品亚洲熟妇少妇任你| 久久精品国产亚洲av涩爱| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲精品在线美女| 亚洲黑人精品在线| 久久青草综合色| 精品一区二区三卡| 日本午夜av视频| 99热全是精品| 久久人妻熟女aⅴ| 午夜福利视频精品| 黄片小视频在线播放| 国产精品亚洲av一区麻豆| 美女视频免费永久观看网站| 美女大奶头黄色视频| 久久国产亚洲av麻豆专区| 午夜免费观看性视频| 国产黄频视频在线观看| 王馨瑶露胸无遮挡在线观看| 精品一区二区三卡| 一级,二级,三级黄色视频| 日日摸夜夜添夜夜爱| 一区福利在线观看| 亚洲av成人精品一二三区| 少妇 在线观看| 久久女婷五月综合色啪小说| 国产高清videossex| 亚洲伊人色综图| 一区二区三区精品91| av在线播放精品| 国产主播在线观看一区二区 | 夜夜骑夜夜射夜夜干| 亚洲精品一二三| 成人国产av品久久久| 国产欧美日韩精品亚洲av| 一本色道久久久久久精品综合| 精品福利观看| 精品久久久久久久毛片微露脸 | 日韩人妻精品一区2区三区| 一本综合久久免费| 亚洲成av片中文字幕在线观看| 极品人妻少妇av视频| 下体分泌物呈黄色| 最近中文字幕2019免费版| 亚洲精品久久午夜乱码| 一个人免费看片子| 国产欧美日韩综合在线一区二区| 一级黄片播放器| 亚洲黑人精品在线| 咕卡用的链子| 日本91视频免费播放| 欧美日韩福利视频一区二区| 精品国产超薄肉色丝袜足j| 大话2 男鬼变身卡| 丝袜美足系列| 人人妻人人爽人人添夜夜欢视频| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲 国产 在线| 成年人黄色毛片网站| 亚洲专区国产一区二区| 久久女婷五月综合色啪小说| www.熟女人妻精品国产| 国产一区有黄有色的免费视频| 免费在线观看黄色视频的| 亚洲精品成人av观看孕妇| 国产女主播在线喷水免费视频网站| 少妇猛男粗大的猛烈进出视频| 九草在线视频观看| 两个人看的免费小视频| 日韩视频在线欧美| 精品久久久久久电影网| 老司机靠b影院| 中国美女看黄片| 2021少妇久久久久久久久久久| 久久中文字幕一级| 国产1区2区3区精品| 欧美黄色片欧美黄色片| 国产男女内射视频| 国产在线观看jvid| 在线观看免费午夜福利视频| 亚洲成人免费电影在线观看 | 欧美日韩国产mv在线观看视频| 黄色视频不卡| 亚洲欧洲精品一区二区精品久久久| 嫩草影视91久久| 91国产中文字幕| 亚洲欧美中文字幕日韩二区| 五月开心婷婷网| 亚洲国产中文字幕在线视频| 国产精品久久久av美女十八| 十分钟在线观看高清视频www| a级毛片黄视频| 免费观看av网站的网址| 美国免费a级毛片| 日韩,欧美,国产一区二区三区| 夫妻午夜视频| 国产又色又爽无遮挡免| svipshipincom国产片| 午夜免费观看性视频| 国产亚洲欧美精品永久| 成人国产一区最新在线观看 | 亚洲精品成人av观看孕妇| 人体艺术视频欧美日本| 男男h啪啪无遮挡| 黄色视频不卡| 99国产精品99久久久久| 捣出白浆h1v1| 免费在线观看日本一区| a级片在线免费高清观看视频| 精品一区在线观看国产| 欧美黑人精品巨大| 国产精品 欧美亚洲| h视频一区二区三区| 多毛熟女@视频| 人妻 亚洲 视频| 亚洲欧洲国产日韩| 大香蕉久久成人网| 九色亚洲精品在线播放| 亚洲九九香蕉| 国产成人精品久久二区二区免费| 国产三级黄色录像| 高清不卡的av网站| 亚洲第一青青草原| 国产视频首页在线观看| 国产淫语在线视频| 久久午夜综合久久蜜桃| 国产又色又爽无遮挡免| 欧美少妇被猛烈插入视频| 欧美日韩视频高清一区二区三区二| 少妇 在线观看| 又大又爽又粗| 久久人人爽人人片av| 一区在线观看完整版| www.自偷自拍.com| 首页视频小说图片口味搜索 | av有码第一页| 美国免费a级毛片| 天天操日日干夜夜撸| 欧美成人午夜精品| 中文字幕人妻熟女乱码| av天堂在线播放| 一级片'在线观看视频| 国产精品久久久人人做人人爽| 精品第一国产精品| 国产精品.久久久| av不卡在线播放| 免费看十八禁软件| 晚上一个人看的免费电影| 18禁黄网站禁片午夜丰满| 波多野结衣av一区二区av| 久久久国产一区二区| 赤兔流量卡办理| 校园人妻丝袜中文字幕| 亚洲av日韩精品久久久久久密 | 国产成人系列免费观看| √禁漫天堂资源中文www| 在线精品无人区一区二区三| 天天躁日日躁夜夜躁夜夜|