• <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 ?

    多級特征逐步細(xì)化及邊緣增強(qiáng)的圖像去霧

    2022-06-01 14:53:12傅妍芳尹詩白王一斌胡殊豪
    光學(xué)精密工程 2022年9期
    關(guān)鍵詞:細(xì)化邊緣特征

    傅妍芳,尹詩白,鄧 箴,王一斌,胡殊豪

    (1.西安工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院,陜西 西安 710021;2.西南財(cái)經(jīng)大學(xué) 經(jīng)濟(jì)信息工程學(xué)院,四川 成都 611130;3.寧夏大學(xué) 信息工程學(xué)院,寧夏 銀川 750021;4.四川師范大學(xué) 工學(xué)院,四川 成都 610101)

    1 引言

    受大氣中懸浮顆粒吸收和散射光線的影響,在霧天情況下拍攝的圖像會(huì)出現(xiàn)顏色偏移,對比度低,邊緣模糊等降質(zhì)現(xiàn)象,這為后續(xù)的機(jī)器視覺任務(wù),如目標(biāo)的檢測、跟蹤及識(shí)別帶來了挑戰(zhàn)。因此,圖像去霧算法作為一種圖像預(yù)處理步驟,具有重要的應(yīng)用價(jià)值和現(xiàn)實(shí)意義[1]。

    目前,圖像去霧算法可分為兩類:基于先驗(yàn)的去霧算法[2]和基于神經(jīng)網(wǎng)絡(luò)的去霧算法[3]?;谙闰?yàn)的去霧算法,依據(jù)大氣成像模型和統(tǒng)計(jì)先驗(yàn)信息來估計(jì)模型中的物理變量,從而計(jì)算出清晰的無霧圖像。Berman 等提出了非局部先驗(yàn)[4],它假設(shè)無霧圖像中約有幾百種不同顏色,每種顏色在RGB 顏色空間中可聚成一個(gè)顏色簇。He 等提出了經(jīng)典的暗通道先驗(yàn)算法,它發(fā)現(xiàn)在清晰無霧圖像的局部鄰域內(nèi)至少有一個(gè)像素在一個(gè)顏色通道上有非常低的灰度值[2]。與此類似,Panagopoulos 等人提出了亮通道先驗(yàn),它表明無霧圖像的局部鄰域內(nèi)總有像素在一個(gè)顏色通道內(nèi)有非常高的灰度值[5]。為進(jìn)一步提高去霧精度,Galdren 等提出了alpha 融合算法,它通過融合暗通道及亮通道的去霧結(jié)果來獲得最終的去霧圖像[6]。然而,先驗(yàn)信息往往來源于觀察和統(tǒng)計(jì),并不能泛化到所有場景,因此基于先驗(yàn)的去霧算法魯棒性較差。

    近年來,隨著深度學(xué)習(xí)的快速發(fā)展,基于神經(jīng)網(wǎng)絡(luò)的圖像去霧算法引起了廣泛的關(guān)注。Yin等設(shè)計(jì)了并行的空間及通道注意模塊(Spatial/Channel-wise Attention Block,SCAB),將該模塊嵌入到編碼解碼網(wǎng)絡(luò)中,有效地實(shí)施去霧[7]。隨后,他們構(gòu)建了基于殘差稠密金字塔的去霧網(wǎng)絡(luò)(Residual Dense Pyramid Network,RDPN),通過融合多尺度的金字塔特征,充分挖掘網(wǎng)絡(luò)的去霧能力[8]。另一方面,研究人員將傳統(tǒng)去霧算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合,也取得了較好的去霧效果。Shao 等將域適應(yīng)知識(shí)融入去霧網(wǎng)絡(luò)中,提出了域適應(yīng)去霧網(wǎng)絡(luò)(Domain Adaptation Dehazing Network,DADN)[9]。Qu 等將傳統(tǒng)算法中后期處理的思想融入去霧網(wǎng)絡(luò)中,提出了包含生成器、分辨器以及增強(qiáng)器的像素到像素去霧網(wǎng)絡(luò)(Enhanced Pix2pix Dehazing Network,EPDN)[10]。其中,增強(qiáng)器作為后期處理模塊,將強(qiáng)化生成器生成的清晰圖像質(zhì)量。Wang 等提出了邊緣輔助注意網(wǎng)絡(luò)(Edge Assisted Attention Network,EAA-Net),它利用特征融合模塊融合去霧分支及邊緣分支的信息,來實(shí)現(xiàn)圖像邊緣的銳化[11]。雖然上述網(wǎng)絡(luò)模型能通過引入傳統(tǒng)去霧算法的優(yōu)勢,高效實(shí)現(xiàn)去霧,但網(wǎng)絡(luò)的整體結(jié)構(gòu)設(shè)計(jì)缺乏理論支持,網(wǎng)絡(luò)性能有提升空間。

    研究人員將殘差網(wǎng)絡(luò)看成是常微分方程(Ordinary Differential Equation,ODE)的一步一階歐拉求解方法,將堆疊的殘差模塊可看成是歐拉方法的離散逼近求解過程,將歐拉方法的穩(wěn)定性和參數(shù)收斂性引入到網(wǎng)絡(luò)性能中[12]。Feng 等將殘差模塊嵌入到編碼解碼網(wǎng)絡(luò)當(dāng)中,提出的(UNet based Residual Network,URN)取得了較好的去霧效果[3]。受此啟發(fā),本文提出了ODE 啟發(fā)的多級特征逐步細(xì)化及邊緣增強(qiáng)的去霧網(wǎng)絡(luò),它將二階微分算子邊緣增強(qiáng)策略與多步高階的ODE 求解方法相結(jié)合,融入網(wǎng)絡(luò)的構(gòu)建中,取得了較高的去霧精度。網(wǎng)絡(luò)主要包括多級特征提取子網(wǎng)絡(luò)、ODE 啟發(fā)的逐步細(xì)化去霧子網(wǎng)絡(luò)和邊緣增強(qiáng)子網(wǎng)絡(luò)三部分。其中,多級特征提取子網(wǎng)絡(luò)從輸入霧圖中,提取出包含細(xì)節(jié)信息的低級特征和包含語義信息的高級特征。ODE 啟發(fā)的逐步細(xì)化去霧子網(wǎng)絡(luò)串聯(lián)多個(gè)依據(jù)蛙跳方法(Leapfrog)設(shè)計(jì)的Leapfrog 模塊,模擬ODE 的離散逼近求解過程[13]。每個(gè)Leapfrog 模塊在交替輸入的低/高級特征引導(dǎo)下,不斷細(xì)化前一個(gè)Leapfrog 模塊估計(jì)的去霧結(jié)果。最后,受二階微分算子增強(qiáng)邊緣策略的啟發(fā),邊緣增強(qiáng)子網(wǎng)絡(luò)利用預(yù)訓(xùn)練的Unet 來估計(jì)去霧結(jié)果的邊緣信息,并疊加到去霧結(jié)果上,以實(shí)施邊緣增強(qiáng)。該算法的去霧效果在視覺評價(jià)和客觀評價(jià)方面均優(yōu)于已有的去霧算法。

    2 算法原理

    多級特征逐步細(xì)化及邊緣增強(qiáng)的去霧算法流程如圖1 所示。首先,初始霧圖進(jìn)入多級特征提取子網(wǎng)絡(luò),并提取一系列不同尺度的低級特征和高級特征。具體來說,提取此子網(wǎng)絡(luò)的淺層特征,整合為包含細(xì)節(jié)信息的低級特征Fl,提取子網(wǎng)絡(luò)的深層特征,并整合為包含語義信息的高級特征Fh;隨后,受多步高階的ODE 求解策略啟發(fā),提出了Leapfrog 模塊,并串聯(lián)此模塊,以構(gòu)建多級特征逐步細(xì)化去霧子網(wǎng)絡(luò),使它在交替輸入的Fh和Fl引導(dǎo)下,逐步細(xì)化去霧結(jié)果;最后,依據(jù)傳統(tǒng)算法中二階微分算子實(shí)施邊緣增強(qiáng)的原理,在邊緣增強(qiáng)子網(wǎng)絡(luò)設(shè)計(jì)過程中,利用預(yù)訓(xùn)練的UNet 輸出去霧結(jié)果的邊緣,并疊加到去霧結(jié)果上,以實(shí)現(xiàn)邊緣增強(qiáng)。

    圖1 去霧算法流程Fig.1 Flowchart of proposed dehazing algorithm

    3 多級特征循環(huán)細(xì)化及邊緣增強(qiáng)去霧

    多級特征逐步細(xì)化及邊緣增強(qiáng)的去霧網(wǎng)絡(luò)模型如圖2 所示,從左到右依次為多級特征提取子網(wǎng)絡(luò)、ODE 啟發(fā)的逐步細(xì)化去霧子網(wǎng)絡(luò)、邊緣增強(qiáng)子網(wǎng)絡(luò)。

    3.1 多級特征提取子網(wǎng)絡(luò)

    如圖2 所示,這里使用殘差網(wǎng)絡(luò)(Residual Net,ResNet)作為多級特征提取子網(wǎng)絡(luò),并從輸入霧圖I中提取一系列不同尺度的特征??紤]到淺層特征具有較小的尺度和豐富的圖像結(jié)構(gòu)信息,深層特征具有較大的尺度及高級的語義信息,可將提取的淺層特征整合為低級特征,提取的深層特征整合為高級特征。具體來說,首先串聯(lián)ResNet 前三層的淺層特征,并應(yīng)用整合模塊將其整合為低級特征Fl:

    圖2 多級特征細(xì)化及邊緣增強(qiáng)的去霧網(wǎng)絡(luò)Fig.2 Multi-level features progressive refinement and edge enhancement network for image dehazing

    式中:F1,F(xiàn)2,F(xiàn)3分別為ResNet 第一、二、三層特征;[·]為串聯(lián)操作;↑為上采樣操作,分別將特征F2和F3上采樣為F1相同尺寸,即初始霧圖I尺寸的1/4;fin為組合模塊函數(shù),它由1 個(gè)反卷積和1個(gè)卷積層構(gòu)成。其中,反卷積層將串聯(lián)特征的尺度擴(kuò)大至輸入圖像尺寸。

    同理,將ResNet 第四和第五層的特征整合為高級特征Fh:

    式中:F4,F(xiàn)5分別為ResNet 第四、五層特征,且分別被上采樣至與F1相同的尺度。

    3.2 ODE 啟發(fā)的逐步細(xì)化去霧子網(wǎng)絡(luò)

    由于ODE 的前向歐拉求解策略與殘差模塊結(jié)構(gòu)具有相關(guān)性,利用殘差模塊來設(shè)計(jì)基于歐拉逼近的網(wǎng)絡(luò)結(jié)構(gòu),能將歐拉求解策略的穩(wěn)定性及參數(shù)的收斂性引入到神經(jīng)網(wǎng)絡(luò)中,獲得準(zhǔn)確度更高的預(yù)測結(jié)果。具體來說,一階ODE 問題可用一階微分及其初始條件求解:

    式中:y(t)∈Rd,且t≥t0,y(t0)=v為初始條件。

    歐拉方法作為一步一階的ODE 求解策略,可通過式(4)來逼近求解,即:

    故:

    式中hn為時(shí)間步長間隔。

    將式(5)的hn f(tn,y(tn))看作網(wǎng)絡(luò)中第n層的映射函數(shù)G(y(tn)),+看作殘差學(xué)習(xí),tn為第n層的參數(shù),y(tn)和y(tn+1)分別為第n層的輸入特征和輸出特征,則式(5)在數(shù)學(xué)上等價(jià)于殘差網(wǎng)絡(luò)中的殘差模塊。當(dāng)hn的值固定為h時(shí),堆疊的殘差模塊可看成離散的歐拉逼近求解過程。

    3.2.1 Leapfrog 模塊設(shè)計(jì)

    由上述討論可知,歐拉方法為一步一階ODE 求解策略??紤]到多步高階的ODE 求解方法具有更高的穩(wěn)定性,能為神經(jīng)網(wǎng)絡(luò)帶來更高精度的解,本文提出兩步兩階蛙跳方法Leapfrog 構(gòu)建模塊。

    蛙跳方法作為一步一階歐拉算法的細(xì)化實(shí)現(xiàn),利用前兩步的值y(tn) 及y(tn-1) 來計(jì)算y(tn+1)具有更高的精度和穩(wěn)定性,即:

    依據(jù)式(5)的映射關(guān)系G(y(tn))=hf(tn,y(tn)),可將式(6)設(shè)計(jì)為相應(yīng)的Leapfrog模塊,展開得到:

    這里將式(7)設(shè)計(jì)到Leapfrog 模塊中,如圖3所示。G對應(yīng)一個(gè)卷積層和一個(gè)ReLu 函數(shù)組合。

    圖3 Leapfrog 模塊結(jié)構(gòu)Fig.3 Architecture of leapfrog module

    3.2.2 逐步細(xì)化去霧子網(wǎng)絡(luò)構(gòu)建

    利用提出的Leapfrog 模塊,可設(shè)計(jì)逐步細(xì)化的去霧子網(wǎng)絡(luò)框架。由圖2 所示,堆疊多個(gè)Leapfrog 模塊模擬ODE 的離散逼近求解過程,且每個(gè)Leapfrog 模塊在交替輸入的Fh和Fl特征以及前一步Leapfrog 模塊預(yù)測的清晰圖像引導(dǎo)下,預(yù)測當(dāng)前Leapfrog 模塊的清晰圖像。此操作能互補(bǔ)利用Fh中的語義信息及Fl中的細(xì)節(jié)信息逐步細(xì)化去霧結(jié)果。第k個(gè)Leapfrog 模塊函數(shù)定義如下:

    式 中:flf為Leapfrog 模塊的函數(shù),Jk-1和Jk為第k-1 個(gè)和第k個(gè)Leapfrog 模塊預(yù)測的清晰圖像,F(xiàn)為交替輸入的Fl和Fh特征,[·]為串聯(lián)操作。

    以圖4(a)為初始霧圖I,由Fh串聯(lián)霧圖I后進(jìn)入第1 個(gè)Leapfrog 模塊,得到初始J0,即用Fh代替式(8)中的F,霧圖I代替式(8)中的Jk-1,得到J0(見圖4(b))。此時(shí)J0包含去霧后的粗略場景信息,但結(jié)果仍有明顯的霧殘余,圖4(b)中橘子的邊緣細(xì)節(jié)信息并未復(fù)原。然后,以J0為起點(diǎn),構(gòu)建一系列Leapfrog 模塊來逐步細(xì)化去霧結(jié)果。第2 個(gè)Leapfrog 模塊利用包含細(xì)節(jié)信息的Fl特征替換式(8)中的F,來細(xì)化J0,得到包含更多場景細(xì)節(jié)的J1,如圖4(c)所示,霧殘余減少,橘子和草坪的邊緣細(xì)節(jié)更明顯。在第3 個(gè)Leapfrog 模塊,利用包含語義信息的Fh特征替換式(8)中的F,來細(xì)化J1得到J2,圖4(d)中前景和背景的色彩對比度更鮮明,去霧效果更好??梢姡诮换ポ斎氲腇h和Fl互補(bǔ)信息引導(dǎo)下實(shí)現(xiàn)了逐步細(xì)化去霧。

    圖4 算法各階段的去霧結(jié)果Fig.4 Intermediate results of proposed method

    為使訓(xùn)練更容易,在每個(gè)Leapfrog 模塊后均添加Llf損失函數(shù),使得每個(gè)Leapfrog 模塊能學(xué)習(xí)去霧結(jié)果與真實(shí)結(jié)果間的差異,加快網(wǎng)絡(luò)收斂。損失函數(shù)為:

    式中:Lmse為均方誤差函數(shù),Jk為第k個(gè)模塊估計(jì)的去霧結(jié)果,Jt為真實(shí)的去霧結(jié)果,λk為第k個(gè)Jk的權(quán)重,k=1,…,m。其中m為Leapfrog 模塊的總數(shù),這里經(jīng)驗(yàn)性地設(shè)置為3。

    3.3 邊緣增強(qiáng)子網(wǎng)絡(luò)

    逐步細(xì)化去霧子網(wǎng)絡(luò)估計(jì)的清晰圖像,在濃霧處仍可能出現(xiàn)霧殘余,使得目標(biāo)場景邊緣模糊,如圖4(d)所示,J2圖像的草坪仍有明顯的霧殘余。為提高視覺效果,可進(jìn)一步銳化邊緣,增強(qiáng)圖像。在傳統(tǒng)圖像增強(qiáng)方法中,常用拉普拉斯算子、高斯拉普拉斯算子等二階微分算子來提取圖像中灰度的突變信息,并將此信息疊加到原圖像上,以達(dá)到保持復(fù)原背景特性并銳化邊緣的處理效果。由于二階微分算子關(guān)注的是圖像灰度突變而不是灰度緩慢變化的區(qū)域,對邊緣定位能力較強(qiáng),故利用二階微分算子處理后,可獲得包含豐富邊緣信息的增強(qiáng)結(jié)果[14]。受此啟發(fā),本文利用預(yù)先訓(xùn)練的Unet 提取去霧結(jié)果的邊緣信息,并添加到去霧結(jié)果上,以實(shí)現(xiàn)圖像增強(qiáng)和邊緣銳化。如圖4(e)所示,J圖像再實(shí)施邊緣增強(qiáng)后較J2圖像具有更豐富的邊緣細(xì)節(jié)信息,更佳的視覺效果。相關(guān)函數(shù)如下:

    式中:Jm為逐步細(xì)化去霧子網(wǎng)絡(luò)中最后一個(gè)模塊,即第m個(gè)Leapfrog 模塊估計(jì)的去霧結(jié)果;funet為預(yù)訓(xùn)練的Unet 模型函數(shù),Unet 將產(chǎn)生邊緣圖;fr為重構(gòu)層,它由一個(gè)卷積層和一個(gè)ReLu 函數(shù)組成,主要實(shí)現(xiàn)邊緣增強(qiáng)圖像的標(biāo)定,獲取最終圖像J。

    由于Unet 輸入清晰圖像,輸出邊緣圖像,故訓(xùn)練Unet 需要一系列清晰圖及對應(yīng)的真實(shí)邊緣圖,i=1,…,q。已知訓(xùn)練集中霧圖對應(yīng)的真實(shí)清晰圖像,則的計(jì)算方式下:

    式中:fnormalize為歸一化函數(shù),將邊緣圖像的結(jié)果歸一化到[0,1]范圍;?x,?y分別為計(jì)算圖像在水平和垂直方向梯度的算子,這里采用3×3 的拉普拉斯算子。由此可知,訓(xùn)練Unet 的損失函數(shù)為:

    式中:Lmse為均方誤差函數(shù),Gi,Gti分別為Unet 估計(jì)的邊緣圖和式(11)計(jì)算的邊緣圖。

    邊緣增強(qiáng)子網(wǎng)絡(luò)的損失函數(shù)為:

    式中:Lmse為均方誤差函數(shù),Jj,為所提網(wǎng)絡(luò)估計(jì)的最終結(jié)果和對應(yīng)的真實(shí)去霧圖像,j=1,…,z。

    4 訓(xùn)練目標(biāo)及損失函數(shù)

    本網(wǎng)絡(luò)模型采用階段性訓(xùn)練模式。第一階段,利用式(12)對Unet 進(jìn)行訓(xùn)練,獲得訓(xùn)練好的模型后,將模型嵌入到所提網(wǎng)絡(luò)的邊緣增強(qiáng)子網(wǎng)絡(luò)中,利用式(9)和式(13)的組合損失函數(shù)進(jìn)行訓(xùn)練,相關(guān)函數(shù)表達(dá)如下:

    5 實(shí)驗(yàn)結(jié)果與分析

    5.1 數(shù)據(jù)集及實(shí)施細(xì)節(jié)

    為了公平比較,這里依據(jù)RESIDE[15]和data-DCPDN 數(shù)據(jù)集[16]提供的圖像來構(gòu)建訓(xùn)練和測試集。具體來說,選取data-DCPDN 中4 000 對合成室內(nèi)霧圖及清晰圖像,其中霧圖依據(jù)大氣物理成像模型合成,且合成參數(shù)設(shè)置為[15]:A∈{0.5,1.0},β∈{0.4,1.6}。從RESIDE 中隨機(jī)選擇4 000 對室外霧圖及清晰圖像,合成參數(shù)為[16]:A∈{0.8,0.85,0.9,1.0},β∈{0.04,0.06,0.08,0.1,0.12,0.16,0.2}。故訓(xùn)練集共包含8 000對室內(nèi)室外霧圖。值得一提的是,邊緣增強(qiáng)子網(wǎng)絡(luò)中預(yù)訓(xùn)練Unet 的訓(xùn)練集還需包含,上述訓(xùn)練集中清晰圖像由式(11)計(jì)算的邊緣圖像。同理,測試集Test A 也包含800 張室內(nèi)室外霧圖,其中400 張室內(nèi)霧圖來自于data-DCPDN 數(shù)據(jù)集,400 張室外霧圖來自于RESIDE 數(shù)據(jù)集。公共測試集SOTS 包含500 張室內(nèi)合成霧圖及500 張室外合成霧圖,進(jìn)一步用來測試算法的魯棒性。

    算法在NVIDIA RTX 2080 Ti GPU 上搭建的PyTorch 深度學(xué)習(xí)框架實(shí)現(xiàn)。優(yōu)化函數(shù)為改進(jìn)的梯度下降法(Adaptive Moment Estimation,Adam)算法,且優(yōu)化參數(shù)同Adam 算法默認(rèn)設(shè)置β1=0.9,β2=0.999,ε=10-8。Leapfrog模塊個(gè)數(shù)m=3,模型訓(xùn)練迭代次數(shù)為1 600 000。

    5.2 網(wǎng)絡(luò)結(jié)構(gòu)分析

    本文算法的特點(diǎn)主要為:高級和低級特征在細(xì)化過程的交替輸入;基于Leapfrog 模塊的逐步細(xì)化去霧子網(wǎng)絡(luò)設(shè)計(jì);邊緣增強(qiáng)的后期處理。因此,設(shè)計(jì)了6 個(gè)變異的模型驗(yàn)證上述結(jié)構(gòu)的有效性:Net-HL,Net-Res,Net-w/o-e,Net-m2,Netm4,Net-m5。Net-HL 在保持所提網(wǎng)絡(luò)結(jié)構(gòu)不變的基礎(chǔ)上,將特征提取子網(wǎng)絡(luò)提取的H和L串聯(lián),作為后續(xù)逐步細(xì)化去霧子網(wǎng)絡(luò)中每個(gè)Leapfrog 模塊的輸入,以驗(yàn)證H和L交替輸入實(shí)施細(xì)化去霧的有效性。Net-Res 僅將所提網(wǎng)絡(luò)中的Leapfrog 模塊改為來源于歐拉算法的Residual 殘差模塊,以驗(yàn)證Leapfrog 模塊的有效性。Net-w/o-e 將邊緣增強(qiáng)子網(wǎng)絡(luò)及其相關(guān)的Lunet損失函數(shù)去除,將逐步細(xì)化去霧子網(wǎng)絡(luò)估計(jì)的去霧結(jié)果作為最終的去霧結(jié)果。Net-m2,Net-m4,Net-m5 將逐步細(xì)化去霧子網(wǎng)絡(luò)中的Leapfrog 模塊個(gè)數(shù)分別設(shè)計(jì)為2,4,5,以測試最優(yōu)的模塊個(gè)數(shù)m選取的合理性。各模型在Test A 上測得的結(jié)果見表1。

    表1 不同網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)設(shè)置的SSIM 和PSNR 值對比Tab. 1 Comparison of different network architecture and parameters setting in terms of SSIM and PSNR

    從表1可見,變異模型Net-HL,Net-Res,Net-w/o-e 較本文所提模型的PSRN 和SSIM 更低,網(wǎng)絡(luò)性能下降。這表明,H和L的交替輸入,Leapfrog 模塊的設(shè)計(jì)以及邊緣增強(qiáng)的后期處理,均對清晰圖像的估計(jì)做出了貢獻(xiàn)。進(jìn)一步,測試Leapfrog 模塊的個(gè)數(shù)m時(shí)發(fā)現(xiàn),當(dāng)m≤3 時(shí),網(wǎng)絡(luò)性能逐漸增加;但當(dāng)m>3 時(shí),網(wǎng)絡(luò)性能趨于穩(wěn)定,增幅較小。為平衡模型的計(jì)算效率及參數(shù)量,參數(shù)設(shè)置為m=3。

    5.3 合成霧圖去霧結(jié)果對比

    本文選取6 種去霧算 法:DCP[2],DADN[9],EPDN[10],URN[3],RDPN[8]及EAAN[11]來進(jìn)行合成圖像的去霧對比。其中,DCP 算法為經(jīng)典的去霧算法;DADN 算法及EAAN 算法分別將傳統(tǒng)算法的鄰域自適應(yīng)知識(shí)和邊緣紋理信息融入去霧網(wǎng)絡(luò);URN 及RDPN 分別利用殘差連接及稠密連接來捕捉有效的去霧信息。EPDN 在網(wǎng)絡(luò)中添加了后期處理的增強(qiáng)模塊,以提高去霧精度。各算法的視覺去霧結(jié)果如圖5 所示(彩圖見期刊電子版),其中圖5 的第二、四行分別為第一、三行中紅色矩形區(qū)域的放大細(xì)節(jié)圖。DADN 算法、EPDN 算法和URN 算法的結(jié)果存在明顯的霧殘余,如圖5(c),圖5(e)和圖5(g)中的第二行和第四行的紅色巴士和黑色椅座上均有明顯的霧殘余。DCP 算法及RDPN 算法結(jié)果存在顏色偏移,如圖5(b)第一行及第三行天空和桌面變?yōu)樽仙?,圖5(d)第四行的座椅變?yōu)榍嗌?,與真實(shí)場景圖5(i)不符。EAAN 算法雖然引入了邊緣注意機(jī)制,強(qiáng)化了圖像的邊緣信息,較其他比較算法能獲得更好的去霧效果,但仍有少量霧殘余,如圖5(f)的第二行及第四行細(xì)節(jié)處仍有少量薄霧存在。相比之下,本文算法不但能有效去霧,邊緣細(xì)節(jié)也保留完整,去霧結(jié)果圖5(h)與圖5(i)接近。各圖像下方標(biāo)出的量化PSNR/SSIM 和表2 中測試集TestA 和SOTS 上的平均量化結(jié)果表明,本文算法的PSNR 和SSIM 值最高,較EAAN 的PSNR 至少提高近5%。

    表2 不同算法的合成圖像去霧結(jié)果對比Tab. 2 Comparison of dehazing results by different algorithms processed on synthetic images

    圖5 不同算法的合成圖去霧結(jié)果對比Fig.5 Comparison of dehazing results on synthetic image by different algorithms

    5.4 真實(shí)霧圖去霧結(jié)果對比

    在真實(shí)圖像上驗(yàn)證所提算法與DCP[2],DADN[9],EPDN[10],URN[3],RDPN[8]及EAAN[11]的去霧效果,圖6 展示了各算法對不同霧濃度的3 幅真實(shí)圖像實(shí)施去霧的結(jié)果。其中,圖6(a)第一行為真實(shí)薄霧圖,第三行為真實(shí)濃霧圖,第二、四行為第一、三行圖像的局部細(xì)節(jié)放大圖。從中可見,DADN 算法,RDPN 算法和URN 算法的結(jié)果均存在不同程度的霧殘余,見圖6(c),6(d),6(g)的第二行樓房處。此外,DCP 算法和DADN 算法的結(jié)果仍存在顏色偏移,如圖6(b)和6(c)所示,第三行的天空背景區(qū)域分別變?yōu)槭д娴陌祷疑偷S色。EPDN 算法的去霧結(jié)果過暗,如圖6(e)第一行的公交車玻璃變?yōu)楹谏?,第三行的天空區(qū)域變?yōu)榘岛谏AAN 算法則出現(xiàn)了明顯的過增強(qiáng)效果,如圖6(f)第四行的天空顏色過暗。相比而言,本文算法不但能有效去霧,且去霧結(jié)果還具有較高的顏色保真度及完整的邊緣細(xì)節(jié),如圖6(h)第二行的樓房細(xì)節(jié),第四行的路燈和旗幟。

    圖6 不同算法的真實(shí)圖去霧結(jié)果對比Fig.6 Comparison of dehazing results on synthetic image by different algorithms

    為進(jìn)一步客觀驗(yàn)證所提算法的去霧性能,選用灰度平均梯度(AG)和信息熵(ENT)兩個(gè)量化指標(biāo)來評價(jià)各算法在真實(shí)圖像上去霧結(jié)果的清晰度?;叶绕骄荻戎笀D像邊緣處像素灰度值的變化率,它體現(xiàn)了細(xì)節(jié)反差的變化率。信息熵指圖像信息含量。上述指標(biāo)越高,算法越有效,去霧效果越好。表3 列出了各算法[9]在提供的30 幅真實(shí)霧圖上去霧的質(zhì)量評價(jià)值。從中可見,本文算法的灰度平均梯度及信息熵最高,去霧視覺效果最好。

    表3 不同算法的真實(shí)圖像去霧結(jié)果對比Tab. 3 Comparison of dehazing results by different algorithms processed on real images

    5.5 運(yùn)行時(shí)間對比

    在包含1 000 張霧圖的SOTS 測試集上,測試所提算法與其他神經(jīng)網(wǎng)絡(luò)去霧算法的單張圖像平均運(yùn)行時(shí)間,結(jié)果如表4 所示。所有算法的運(yùn)行平臺(tái)均為Pycharm,其中DCP 算法使用python 語言編寫。從表4 可見,本文算法的運(yùn)行時(shí)間位于第二,明顯優(yōu)于DCP,DADN,EPDN,EAAN 及URN 方法。RDPN 有較強(qiáng)的競爭力是由于RDPN 僅利用編碼解碼網(wǎng)絡(luò)來實(shí)施去霧,故網(wǎng)絡(luò)結(jié)構(gòu)較輕,參數(shù)較少,處理單張霧圖的時(shí)間僅為0.021 s。相比而言,本文算法包含多級特征提取子網(wǎng)絡(luò)、ODE 啟發(fā)的逐步細(xì)化去霧子網(wǎng)絡(luò)和邊緣增強(qiáng)子網(wǎng)絡(luò),但運(yùn)行時(shí)間僅落后RDPN 0.011 s,在確保最優(yōu)去霧精度的前提下(見表2),具有較高的去霧效率。

    表4 不同算法的單張圖像平均運(yùn)行時(shí)間Tab. 4 Average running time of different methods processing on single image

    由以上分析可知,本文算法的去霧精度較已有算法至少提高了5%,運(yùn)行時(shí)間僅為0.003 2 s,可應(yīng)用于去霧的工程實(shí)踐中。

    6 結(jié)論

    為提高去霧精度,本文提出了多級特征逐步細(xì)化及邊緣增強(qiáng)的去霧網(wǎng)絡(luò)。首先,利用多級特征提取子網(wǎng)絡(luò),提取出包含細(xì)節(jié)信息的低級特征和包含語義信息的高級特征。隨后,依據(jù)兩步兩階的蛙跳方法設(shè)計(jì)出Leapfrog 模塊,并串聯(lián)多個(gè)Leapfrog 模塊,模擬ODE 離散的逼近求解過程,構(gòu)造逐步細(xì)化去霧子網(wǎng)絡(luò)。該操作能將ODE 求解策略Leapfrog 方法的優(yōu)勢引入到神經(jīng)網(wǎng)絡(luò)的構(gòu)建中,為網(wǎng)絡(luò)帶來更高精度的解。此外,利用信息互補(bǔ)的/高級特征交替作為Leapfrog 模塊的輸入,以逐步細(xì)化去霧結(jié)果。最后,利用預(yù)訓(xùn)練的Unet 估計(jì)最后一個(gè)Leapfrog 模塊預(yù)測去霧結(jié)果的邊緣信息,并將邊緣信息添加到去霧結(jié)果上,進(jìn)一步實(shí)現(xiàn)了去霧圖像的邊緣增強(qiáng)。實(shí)驗(yàn)結(jié)果表明,本文算法的去霧精度較EAAN 算法提高了5%,且運(yùn)行時(shí)間僅為0.032 s。

    未來將進(jìn)一步合成真實(shí)霧天圖像來訓(xùn)練網(wǎng)絡(luò)模型,以提高模型的泛化能力??蓞⒖嘉墨I(xiàn)[17]提出的云圖像合成范式方法,它依據(jù)真實(shí)衛(wèi)星云圖中云與海和陸地之間的灰度級差異實(shí)施減法,來提取云成分,隨后將此云成分添加到無云的背景圖中,獲得真實(shí)云圖。此方法不但解決了真實(shí)云圖無清晰圖像與之匹配的問題,還能獲得滿足真實(shí)場景需求的逼真云圖。由此獲得的訓(xùn)練集能有效提高去云模型的泛化能力和精度??紤]到霧和云類似,被霧遮擋的場景很多,如被霧遮擋的遙感圖像、海上圖像和農(nóng)田圖像。參照此方法,針對特定的場景,探索霧成分提取的減法操作,合成真實(shí)場景霧圖用以訓(xùn)練網(wǎng)絡(luò),能更好地將本算法用于工程實(shí)踐中。

    猜你喜歡
    細(xì)化邊緣特征
    如何表達(dá)“特征”
    不忠誠的四個(gè)特征
    中小企業(yè)重在責(zé)任細(xì)化
    “細(xì)化”市場,賺取百萬財(cái)富
    抓住特征巧觀察
    “住宅全裝修”政策亟需細(xì)化完善
    一張圖看懂邊緣計(jì)算
    基于數(shù)據(jù)分析的大氣腐蝕等級細(xì)化研究
    線性代數(shù)的應(yīng)用特征
    河南科技(2014年23期)2014-02-27 14:19:15
    在邊緣尋找自我
    雕塑(1999年2期)1999-06-28 05:01:42
    22中文网久久字幕| 在现免费观看毛片| 久久久久久久亚洲中文字幕| 三级男女做爰猛烈吃奶摸视频| 街头女战士在线观看网站| 国产男人的电影天堂91| 在现免费观看毛片| 国产淫语在线视频| 色网站视频免费| 男人舔女人下体高潮全视频| 日日摸夜夜添夜夜爱| 麻豆av噜噜一区二区三区| 国产淫语在线视频| 国产永久视频网站| 欧美另类一区| 国产精品一区www在线观看| 国产乱人偷精品视频| 大香蕉久久网| 少妇被粗大猛烈的视频| 欧美激情在线99| 麻豆av噜噜一区二区三区| 免费看不卡的av| 国产精品综合久久久久久久免费| av又黄又爽大尺度在线免费看| 好男人视频免费观看在线| 中文字幕免费在线视频6| 久久精品国产亚洲av涩爱| 亚洲精品久久久久久婷婷小说| 男女边吃奶边做爰视频| 免费黄色在线免费观看| 91精品一卡2卡3卡4卡| 国产乱人视频| 男女国产视频网站| 国产视频内射| 欧美+日韩+精品| 免费高清在线观看视频在线观看| 久久久精品欧美日韩精品| 国产美女午夜福利| 男女那种视频在线观看| 国产精品.久久久| 黄片wwwwww| 免费观看性生交大片5| 久久久久精品性色| 亚洲av中文字字幕乱码综合| 久久久午夜欧美精品| 欧美另类一区| 天堂俺去俺来也www色官网 | 亚洲国产高清在线一区二区三| 国产精品久久久久久精品电影| 国产精品久久久久久av不卡| 久久精品国产亚洲av天美| 成年版毛片免费区| 国产精品久久久久久精品电影| videossex国产| 久久精品国产亚洲av天美| 亚洲av二区三区四区| 日韩精品有码人妻一区| 男女视频在线观看网站免费| 高清在线视频一区二区三区| 亚洲欧美一区二区三区黑人 | 国产美女午夜福利| 超碰97精品在线观看| 99热这里只有是精品50| 亚洲性久久影院| 男的添女的下面高潮视频| 久久精品久久久久久噜噜老黄| 亚洲熟妇中文字幕五十中出| 亚洲av成人av| av卡一久久| 欧美xxxx性猛交bbbb| 国产在视频线在精品| 国产高清三级在线| 在线播放无遮挡| 1000部很黄的大片| 身体一侧抽搐| 免费观看a级毛片全部| 热99在线观看视频| 亚洲av成人精品一二三区| 国产 亚洲一区二区三区 | 少妇丰满av| 免费电影在线观看免费观看| 精华霜和精华液先用哪个| 国产一区二区三区av在线| 日韩中字成人| 婷婷六月久久综合丁香| 黄片无遮挡物在线观看| 午夜日本视频在线| 男女边摸边吃奶| 久久精品人妻少妇| 日日撸夜夜添| 欧美性感艳星| 狠狠精品人妻久久久久久综合| 免费无遮挡裸体视频| 国产精品av视频在线免费观看| 亚洲婷婷狠狠爱综合网| 在线观看人妻少妇| 国产永久视频网站| 日本爱情动作片www.在线观看| 女的被弄到高潮叫床怎么办| 一级毛片黄色毛片免费观看视频| 国产成年人精品一区二区| 日韩亚洲欧美综合| 小蜜桃在线观看免费完整版高清| 国产一区二区在线观看日韩| 18禁裸乳无遮挡免费网站照片| 国产一区有黄有色的免费视频 | 国精品久久久久久国模美| 中文字幕免费在线视频6| 色网站视频免费| 国产欧美另类精品又又久久亚洲欧美| 国产美女午夜福利| 黄色一级大片看看| 亚洲av福利一区| 精品人妻熟女av久视频| 中国美白少妇内射xxxbb| 国产 一区精品| 欧美成人a在线观看| 亚洲天堂国产精品一区在线| 久久久久久九九精品二区国产| av一本久久久久| 久久精品久久久久久久性| 国内精品一区二区在线观看| av免费在线看不卡| 国产精品美女特级片免费视频播放器| 国产成人freesex在线| 最新中文字幕久久久久| 久久久久精品性色| 久久久久国产网址| 亚洲国产欧美在线一区| 少妇人妻精品综合一区二区| 国产成人精品福利久久| 午夜激情久久久久久久| 97精品久久久久久久久久精品| 国产亚洲精品av在线| 欧美bdsm另类| 日韩亚洲欧美综合| 国产一区二区三区综合在线观看 | 国产 一区精品| 亚洲高清免费不卡视频| 一级爰片在线观看| 日产精品乱码卡一卡2卡三| 免费观看无遮挡的男女| 国产成人a区在线观看| 在线观看av片永久免费下载| 欧美激情在线99| 别揉我奶头 嗯啊视频| 国产69精品久久久久777片| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | av黄色大香蕉| 内射极品少妇av片p| 亚洲成人av在线免费| 国内少妇人妻偷人精品xxx网站| 日韩一本色道免费dvd| 国产三级在线视频| 色吧在线观看| 亚洲av不卡在线观看| 精品一区二区三卡| 欧美+日韩+精品| 人妻夜夜爽99麻豆av| 日韩制服骚丝袜av| 成人特级av手机在线观看| 一本久久精品| 内地一区二区视频在线| 国产探花极品一区二区| 肉色欧美久久久久久久蜜桃 | 国产一区亚洲一区在线观看| av女优亚洲男人天堂| 欧美人与善性xxx| 久久久久久伊人网av| 水蜜桃什么品种好| av天堂中文字幕网| 我要看日韩黄色一级片| 免费黄频网站在线观看国产| 亚洲真实伦在线观看| 少妇猛男粗大的猛烈进出视频 | 国内精品美女久久久久久| 嫩草影院精品99| 亚洲精品国产av蜜桃| 国产午夜福利久久久久久| 我要看日韩黄色一级片| 男女那种视频在线观看| 少妇被粗大猛烈的视频| 亚洲国产精品成人久久小说| 一个人看的www免费观看视频| 一边亲一边摸免费视频| 男人狂女人下面高潮的视频| 国产有黄有色有爽视频| 日韩成人av中文字幕在线观看| videos熟女内射| 男女啪啪激烈高潮av片| 男女视频在线观看网站免费| 国产亚洲精品av在线| 亚洲伊人久久精品综合| 欧美3d第一页| 国产高潮美女av| 69人妻影院| 久久久久久久亚洲中文字幕| 久久99精品国语久久久| 国产精品熟女久久久久浪| 人妻一区二区av| 丰满人妻一区二区三区视频av| 人妻系列 视频| 波野结衣二区三区在线| 国产精品日韩av在线免费观看| 久久久久久久大尺度免费视频| 国产一级毛片七仙女欲春2| 欧美一区二区亚洲| 精品一区二区三卡| av国产免费在线观看| 午夜精品在线福利| 大香蕉久久网| 欧美性感艳星| 秋霞伦理黄片| 免费播放大片免费观看视频在线观看| 亚洲人与动物交配视频| 午夜福利在线观看免费完整高清在| 国产高清国产精品国产三级 | 亚洲成人一二三区av| 免费观看在线日韩| 性插视频无遮挡在线免费观看| 国产午夜精品一二区理论片| 亚洲精品乱久久久久久| 晚上一个人看的免费电影| 日本黄大片高清| 久久精品久久精品一区二区三区| 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| 日韩 亚洲 欧美在线| 久久久久久久久久久免费av| 淫秽高清视频在线观看| 成人美女网站在线观看视频| 日韩不卡一区二区三区视频在线| 免费看av在线观看网站| 天天躁夜夜躁狠狠久久av| 一个人观看的视频www高清免费观看| 亚洲丝袜综合中文字幕| www.色视频.com| 成年免费大片在线观看| 国产精品综合久久久久久久免费| 国产在视频线精品| 看十八女毛片水多多多| 国产黄色小视频在线观看| 大又大粗又爽又黄少妇毛片口| 久久久久精品久久久久真实原创| 成年免费大片在线观看| 日韩一本色道免费dvd| 97热精品久久久久久| av在线亚洲专区| 欧美精品国产亚洲| 又爽又黄a免费视频| 亚洲欧美日韩无卡精品| 午夜激情欧美在线| av网站免费在线观看视频 | 久久久久久久久久成人| 精品久久久久久久久av| 日本一本二区三区精品| 国产成人91sexporn| 国产视频内射| 婷婷色麻豆天堂久久| 最近手机中文字幕大全| 女人久久www免费人成看片| 亚洲最大成人av| 丝袜喷水一区| 久久99热这里只有精品18| 国产精品国产三级国产专区5o| 天堂中文最新版在线下载 | 偷拍熟女少妇极品色| 久久久久精品性色| 亚洲av一区综合| 青春草国产在线视频| 亚洲精品一二三| 久久国产乱子免费精品| 91久久精品国产一区二区成人| 超碰97精品在线观看| 夜夜爽夜夜爽视频| 欧美精品一区二区大全| 欧美精品国产亚洲| 国语对白做爰xxxⅹ性视频网站| 国产久久久一区二区三区| 99re6热这里在线精品视频| 亚洲av中文av极速乱| 99九九线精品视频在线观看视频| 三级国产精品片| 国产精品不卡视频一区二区| 两个人的视频大全免费| 亚洲国产欧美人成| 麻豆av噜噜一区二区三区| 黄色配什么色好看| www.色视频.com| 男人爽女人下面视频在线观看| 国产男女超爽视频在线观看| 免费观看无遮挡的男女| 亚洲最大成人中文| 舔av片在线| 精品一区二区三卡| 亚洲av成人av| 国产色婷婷99| 中文精品一卡2卡3卡4更新| 国产乱人偷精品视频| 精品久久久久久久久亚洲| 国产视频内射| 人人妻人人澡欧美一区二区| 在线免费十八禁| 夜夜看夜夜爽夜夜摸| 亚洲av二区三区四区| 亚洲精品久久午夜乱码| 伊人久久精品亚洲午夜| 一级二级三级毛片免费看| 国产探花在线观看一区二区| 午夜激情久久久久久久| 国产探花在线观看一区二区| 高清av免费在线| 男女那种视频在线观看| 国产永久视频网站| 一级毛片 在线播放| 亚洲国产精品sss在线观看| av在线天堂中文字幕| 日韩一区二区三区影片| 看十八女毛片水多多多| 色哟哟·www| 又爽又黄无遮挡网站| 国产高清不卡午夜福利| 亚洲国产欧美在线一区| 少妇猛男粗大的猛烈进出视频 | 又爽又黄无遮挡网站| 91狼人影院| 国产精品无大码| av卡一久久| av黄色大香蕉| 三级国产精品欧美在线观看| 亚洲av成人av| videossex国产| 日本一本二区三区精品| 亚洲欧美一区二区三区黑人 | 亚洲精品影视一区二区三区av| 国产成人a区在线观看| 91午夜精品亚洲一区二区三区| 国内精品宾馆在线| 国产女主播在线喷水免费视频网站 | 久久草成人影院| av播播在线观看一区| 少妇熟女欧美另类| 日韩一本色道免费dvd| 国产人妻一区二区三区在| av在线蜜桃| 日韩亚洲欧美综合| 国内少妇人妻偷人精品xxx网站| 精品一区二区三区视频在线| ponron亚洲| 国内精品宾馆在线| 一区二区三区高清视频在线| 亚洲欧美一区二区三区国产| 国产爱豆传媒在线观看| av女优亚洲男人天堂| 精品一区二区三区人妻视频| 亚洲国产精品成人久久小说| 亚洲激情五月婷婷啪啪| a级毛色黄片| 午夜日本视频在线| 国产精品国产三级国产专区5o| 日韩精品青青久久久久久| 日韩 亚洲 欧美在线| 国产乱人视频| 秋霞在线观看毛片| 亚洲真实伦在线观看| 三级国产精品片| 蜜臀久久99精品久久宅男| 免费在线观看成人毛片| 蜜臀久久99精品久久宅男| 人妻系列 视频| 日产精品乱码卡一卡2卡三| 久久人人爽人人片av| 婷婷色麻豆天堂久久| 在线 av 中文字幕| 国产精品1区2区在线观看.| 少妇裸体淫交视频免费看高清| av在线亚洲专区| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 亚洲久久久久久中文字幕| 又大又黄又爽视频免费| 国产在视频线在精品| 99久久中文字幕三级久久日本| 国产亚洲av片在线观看秒播厂 | 精品久久久久久成人av| 久久久久久久久大av| 国产乱人偷精品视频| 我的女老师完整版在线观看| 国产一区有黄有色的免费视频 | 精品亚洲乱码少妇综合久久| 亚洲精品乱久久久久久| 成人欧美大片| 国产视频首页在线观看| 特级一级黄色大片| 日日摸夜夜添夜夜爱| 网址你懂的国产日韩在线| 欧美成人a在线观看| 亚洲成人av在线免费| 婷婷色综合www| 日本黄大片高清| 国产人妻一区二区三区在| 男女啪啪激烈高潮av片| 婷婷色av中文字幕| 亚洲欧美成人综合另类久久久| 欧美高清性xxxxhd video| 久久久久久伊人网av| 真实男女啪啪啪动态图| 国产国拍精品亚洲av在线观看| 可以在线观看毛片的网站| 色哟哟·www| 免费av观看视频| 综合色丁香网| 国产精品1区2区在线观看.| 性色avwww在线观看| 午夜福利在线观看免费完整高清在| 在线 av 中文字幕| 汤姆久久久久久久影院中文字幕 | 天天躁夜夜躁狠狠久久av| 午夜激情福利司机影院| 亚洲欧美精品专区久久| 内地一区二区视频在线| 日韩三级伦理在线观看| 80岁老熟妇乱子伦牲交| 国产精品女同一区二区软件| 少妇高潮的动态图| 免费观看的影片在线观看| 亚洲av日韩在线播放| 久99久视频精品免费| 免费高清在线观看视频在线观看| 青春草国产在线视频| 天天躁夜夜躁狠狠久久av| 日本一二三区视频观看| 日韩 亚洲 欧美在线| 男人狂女人下面高潮的视频| 成人亚洲欧美一区二区av| 狂野欧美激情性xxxx在线观看| 亚洲精品中文字幕在线视频 | 人妻一区二区av| 亚洲精品色激情综合| 免费黄网站久久成人精品| 亚洲精品乱码久久久久久按摩| 午夜免费激情av| 女人久久www免费人成看片| 激情五月婷婷亚洲| 日本一本二区三区精品| 久久精品久久久久久噜噜老黄| 国产麻豆成人av免费视频| 免费观看av网站的网址| av卡一久久| 国产精品一区二区三区四区免费观看| 淫秽高清视频在线观看| 18+在线观看网站| 久久精品久久精品一区二区三区| 亚洲国产成人一精品久久久| 26uuu在线亚洲综合色| 老师上课跳d突然被开到最大视频| xxx大片免费视频| 久久久欧美国产精品| 国产综合精华液| 黄色日韩在线| 久久久久网色| 亚洲自拍偷在线| 亚洲人成网站在线播| 国产精品一及| 免费看不卡的av| 嫩草影院新地址| 国产高清不卡午夜福利| 亚洲欧洲日产国产| 久久久久久久久久成人| 最后的刺客免费高清国语| 国产爱豆传媒在线观看| 国产精品蜜桃在线观看| 日韩三级伦理在线观看| 日日摸夜夜添夜夜添av毛片| 嫩草影院入口| 两个人的视频大全免费| 男人狂女人下面高潮的视频| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 成人午夜精彩视频在线观看| 69人妻影院| 在线天堂最新版资源| 国产麻豆成人av免费视频| 亚洲精品成人久久久久久| 午夜久久久久精精品| 精品久久久久久久久av| 久久鲁丝午夜福利片| 性插视频无遮挡在线免费观看| 三级经典国产精品| 亚洲国产av新网站| or卡值多少钱| 真实男女啪啪啪动态图| av播播在线观看一区| 97精品久久久久久久久久精品| 日本黄大片高清| 在线 av 中文字幕| 国产免费一级a男人的天堂| 大香蕉97超碰在线| 老司机影院毛片| 青青草视频在线视频观看| 国产成人午夜福利电影在线观看| av在线播放精品| 肉色欧美久久久久久久蜜桃 | 国产 一区 欧美 日韩| 成人特级av手机在线观看| 黄色一级大片看看| 精品一区二区三区视频在线| 亚洲精品成人久久久久久| 国产一区有黄有色的免费视频 | 久久精品熟女亚洲av麻豆精品 | 18+在线观看网站| 一个人观看的视频www高清免费观看| 成人亚洲精品一区在线观看 | 日本wwww免费看| 欧美成人精品欧美一级黄| 黄片wwwwww| 高清在线视频一区二区三区| 亚洲一级一片aⅴ在线观看| 又爽又黄a免费视频| 日韩制服骚丝袜av| 极品教师在线视频| 午夜福利在线在线| 国产淫片久久久久久久久| 欧美最新免费一区二区三区| 一级毛片久久久久久久久女| 免费大片黄手机在线观看| 高清欧美精品videossex| 国产黄频视频在线观看| 老女人水多毛片| 听说在线观看完整版免费高清| 精品不卡国产一区二区三区| 午夜激情福利司机影院| 免费av毛片视频| 91精品一卡2卡3卡4卡| 最后的刺客免费高清国语| 蜜臀久久99精品久久宅男| 极品少妇高潮喷水抽搐| 国产视频首页在线观看| 国产高清不卡午夜福利| 青春草国产在线视频| 99久久中文字幕三级久久日本| 91精品一卡2卡3卡4卡| 一区二区三区乱码不卡18| av在线观看视频网站免费| 久久精品国产鲁丝片午夜精品| 一级片'在线观看视频| 人妻制服诱惑在线中文字幕| 人妻少妇偷人精品九色| 亚洲美女视频黄频| 波多野结衣巨乳人妻| 好男人视频免费观看在线| 日日啪夜夜撸| av在线老鸭窝| 69人妻影院| 国产精品综合久久久久久久免费| 内地一区二区视频在线| 淫秽高清视频在线观看| 熟女电影av网| 国产一级毛片在线| 亚洲内射少妇av| 亚洲经典国产精华液单| 三级国产精品片| 日韩欧美三级三区| 亚洲无线观看免费| 精品欧美国产一区二区三| 国产一区二区在线观看日韩| 成人午夜精彩视频在线观看| 欧美xxxx黑人xx丫x性爽| 国产精品国产三级专区第一集| 在线观看人妻少妇| 亚洲精品久久午夜乱码| 男的添女的下面高潮视频| 亚洲av在线观看美女高潮| 青春草亚洲视频在线观看| 亚洲第一区二区三区不卡| 欧美 日韩 精品 国产| 国产欧美另类精品又又久久亚洲欧美| 人妻制服诱惑在线中文字幕| 日韩 亚洲 欧美在线| 亚洲综合色惰| 搞女人的毛片| 亚洲成人久久爱视频| 国产精品久久久久久精品电影| 国产伦在线观看视频一区| 一本一本综合久久| 久久精品夜夜夜夜夜久久蜜豆| 免费看不卡的av| 大香蕉97超碰在线| 男女下面进入的视频免费午夜| 国产又色又爽无遮挡免| 国语对白做爰xxxⅹ性视频网站| 日韩欧美精品v在线| 亚洲丝袜综合中文字幕| 成人无遮挡网站| 国产 一区精品| 成人午夜精彩视频在线观看| 亚洲综合精品二区| 97人妻精品一区二区三区麻豆| 99久久精品一区二区三区| 六月丁香七月| 国产精品无大码| 久久这里有精品视频免费| 性色avwww在线观看| 亚洲精品成人久久久久久| 亚洲人成网站在线观看播放| 99久久精品国产国产毛片| 欧美日韩精品成人综合77777| 中文字幕av在线有码专区| 男插女下体视频免费在线播放| 看非洲黑人一级黄片| 91精品一卡2卡3卡4卡| 久久久久网色| 国产成人91sexporn| 国产成人freesex在线| 亚洲精品第二区| 777米奇影视久久| av天堂中文字幕网|