• <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 ?

    基于無(wú)人機(jī)影像的城市植被精細(xì)分類

    2022-06-29 09:31:16張文豪張翰超
    中國(guó)環(huán)境科學(xué) 2022年6期
    關(guān)鍵詞:分類特征方法

    林 怡,張文豪,宇 潔*,張翰超

    基于無(wú)人機(jī)影像的城市植被精細(xì)分類

    林 怡1,張文豪1,宇 潔1*,張翰超2

    (1.同濟(jì)大學(xué)測(cè)繪與地理信息學(xué)院,上海 200092;2.中國(guó)測(cè)繪科學(xué)研究院攝影測(cè)量與遙感研究所,北京 100830)

    針對(duì)傳統(tǒng)植被資源調(diào)查方法工作量大、成本高、效率低的問(wèn)題,利用高分辨率無(wú)人機(jī)遙感影像,聯(lián)合地物光譜-紋理-空間信息,構(gòu)建了一種適用于描述城市不同植被種類的多維特征空間,在此基礎(chǔ)上對(duì)三種應(yīng)用廣泛的分類算法(基于像素的、面向?qū)ο蟮闹С窒蛄繖C(jī)及深度學(xué)習(xí)Mobile-Unet語(yǔ)義分割模型)開(kāi)展了對(duì)比分析研究.結(jié)果表明:本文提出的聯(lián)合地物光譜-紋理-空間信息的特征空間構(gòu)建方法能夠有效地描述城市不同類型植被的特征差異,提升影像分割、植被分類的精度;在分類精度上,基于像素和面向?qū)ο蟮闹С窒蛄繖C(jī)分類結(jié)果的總體精度均超過(guò)90%,深度學(xué)習(xí)方法的總體分類精度為84%;在算法效率上,傳統(tǒng)機(jī)器學(xué)習(xí)方法也優(yōu)于深度學(xué)習(xí)方法.因此,得出結(jié)論針對(duì)城市小區(qū)域、小樣本的植被精細(xì)分類,傳統(tǒng)機(jī)器學(xué)習(xí)分類方法比深度學(xué)習(xí)方法效果更好.

    無(wú)人機(jī)影像;城市植被;精細(xì)分類;多維特征空間;機(jī)器學(xué)習(xí);深度學(xué)習(xí)

    植被是城市環(huán)境的重要組成部分,是反映區(qū)域生態(tài)環(huán)境的標(biāo)志之一.根據(jù)現(xiàn)行的《城市綠地分類標(biāo)準(zhǔn)》(CJJ/T85-2017)[1],城市管理部門通常采用綠地率、人均綠地面積兩大綠化指標(biāo)作為評(píng)價(jià)城市綠地建設(shè)水平的標(biāo)準(zhǔn)[2].但實(shí)際評(píng)價(jià)中,因?yàn)椴煌脖活愋退锪坎煌?導(dǎo)致能實(shí)現(xiàn)的綠化作用與生態(tài)功能不盡相同[3].因此,需要針對(duì)不同植被類型進(jìn)行具體評(píng)價(jià).為此,植被類型的精細(xì)識(shí)別技術(shù)是研究的關(guān)鍵.城市公共植被的遙感精細(xì)分類及信息提取在城市土地利用變化、生態(tài)環(huán)境監(jiān)測(cè)、城市植被監(jiān)測(cè)以及城市規(guī)劃等各個(gè)領(lǐng)域都具有重要的研究意義和應(yīng)用價(jià)值.

    傳統(tǒng)植被資源調(diào)查需要實(shí)地測(cè)量,工作量大、成本高且效率低下[4].隨著遙感與人工智能技術(shù)的發(fā)展,遙感影像的自動(dòng)化處理與解譯在植被調(diào)查工作中得到更廣泛的應(yīng)用.國(guó)內(nèi)外學(xué)者已經(jīng)在高分辨率遙感影像的基礎(chǔ)上,利用傳統(tǒng)基于像素的分類方法[5]、面向?qū)ο蠓诸惙椒╗6]和基于深度學(xué)習(xí)的語(yǔ)義分割方法(FCN[7]、SegNet[8]、U-Net[9]等)進(jìn)行了植被的提取研究,如Li等[10]對(duì)WorldView-2/3影像進(jìn)行面向?qū)ο蟮某鞘兄脖环诸?比較了支持向量機(jī)(SVM)和隨機(jī)森林(RF)方法的分類精度;徐知宇等[11]利用改進(jìn)的U-Net模型,對(duì)北京市3個(gè)典型綠地區(qū)域的高分二號(hào)影像進(jìn)行分類,總體分類精度達(dá)到92.73%.但衛(wèi)星影像實(shí)時(shí)性不高,影像質(zhì)量易受天氣影響,且對(duì)于城市不同類型的植被信息提取來(lái)說(shuō),其空間分辨率仍不夠高.因此,研究者們開(kāi)始利用分辨率更高、獲取信息更快的無(wú)人機(jī)進(jìn)行植被信息的獲取[12],為城市植被的精細(xì)管理開(kāi)拓了一條更為高效的途徑.

    目前,越來(lái)越多的研究者嘗試將無(wú)人機(jī)數(shù)據(jù)與深度學(xué)習(xí)方法結(jié)合來(lái)實(shí)現(xiàn)植被精細(xì)提取,如楊蜀秦等[13]應(yīng)用改進(jìn)的語(yǔ)義分割網(wǎng)絡(luò)DeepLab V3+對(duì)無(wú)人機(jī)影像進(jìn)行三種農(nóng)作物的分類,與SVM算法相比取得了更好的分類效果,證明了深度學(xué)習(xí)算法的準(zhǔn)確性與有效性;Torres等[14]用無(wú)人機(jī)獲取的高分辨率影像和5個(gè)深度神經(jīng)網(wǎng)絡(luò)(SegNet, U-Net, FC- DenseNet,和兩個(gè)DeepLabv3+的變形網(wǎng)絡(luò))對(duì)巴西城市地區(qū)瀕臨滅絕的樹(shù)種進(jìn)行單樹(shù)種分類,該論文比較了多種語(yǔ)義分割網(wǎng)絡(luò)在進(jìn)行單樹(shù)種分割時(shí)的精度,并且證明該方法可以用于樹(shù)種的識(shí)別.在實(shí)際生活中,多樹(shù)種分類更具意義.如戴鵬欽等[15]將基于Res-U-Net的FCN模型應(yīng)用于無(wú)人機(jī)影像的林場(chǎng)樹(shù)種分類,實(shí)現(xiàn)不同樹(shù)種高精度識(shí)別;林志瑋等[16]基于無(wú)人機(jī)航拍圖像建立FC-DenseNet-103模型,將植被與非植被細(xì)分為13類實(shí)現(xiàn)精細(xì)的樹(shù)種識(shí)別,最終平均識(shí)別正確率達(dá)到75.67%; Schiefer等[17]采用U-Net模型對(duì)無(wú)人機(jī)森林影像進(jìn)行了13個(gè)植被類別的精細(xì)分類,其分類結(jié)果平均F1分?jǐn)?shù)為0.73.以上研究均證實(shí)了無(wú)人機(jī)影像與語(yǔ)義分割網(wǎng)絡(luò)結(jié)合對(duì)于精細(xì)植被分類的有效性.而Sothe等[18]同樣利用無(wú)人機(jī)數(shù)據(jù),但獲取的是高光譜影像并與點(diǎn)云數(shù)據(jù)融合,分別使用卷積神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林等三種方法對(duì)巴西南部亞熱帶森林的16類樹(shù)種分類,并對(duì)其精度和效率作比較.無(wú)論是無(wú)人機(jī)RGB影像還是高光譜影像,在這些大范圍植被分布區(qū)域都能以較高精度實(shí)現(xiàn)植被的精細(xì)分類任務(wù).

    而城市植被具有分布較為分散、細(xì)碎,同一區(qū)域內(nèi)植被類型較為單一等特點(diǎn),與山區(qū)、林區(qū)、濕地[19]等研究區(qū)域相比,城市的植被分類研究還是有其特殊性的,而且城市植被精細(xì)分類的研究也并不多見(jiàn).因此,本研究以城市植被為對(duì)象,借鑒李艷等[20]、楊禮[21]采用的植被分類準(zhǔn)則,并結(jié)合不同植被類型的生態(tài)效益將植被分為喬木、小喬木、灌木、草地、水生植物等類別.其中灌木有兩種主要形態(tài),單株灌木和灌木叢,為了減小類內(nèi)差異,提升分類的準(zhǔn)確性,本研究將單株灌木和灌木叢區(qū)分為兩個(gè)植被類別.由此構(gòu)建了適合于城市植被的分類體系.

    綜上,本文以小區(qū)域、小樣本的城市植被精細(xì)分類為目標(biāo),利用無(wú)人機(jī)影像,構(gòu)建適用于描述不同植被類型的多維特征空間(光譜-紋理-空間),在此基礎(chǔ)上對(duì)三種分類算法(基于像素的SVM、面向?qū)ο蟮腟VM以及基于深度學(xué)習(xí)的Mobile-Unet模型)進(jìn)行多方面對(duì)比分析.

    1 研究區(qū)概況及數(shù)據(jù)

    表1 分類地物形態(tài)

    本文的研究區(qū)域?yàn)楹幽鲜〗棺魇袨I河花園小區(qū)(35.18°N, 113.25°E),面積約為0.2km2,地面平均高程為94.7m,區(qū)域內(nèi)植被物種豐富.經(jīng)過(guò)實(shí)地考察,區(qū)域內(nèi)部包括多種典型城市地物類別,依據(jù)之前研究中城市植被分類準(zhǔn)則、結(jié)合小區(qū)內(nèi)部的實(shí)際情況和不同植被的綠化效益,本研究將研究區(qū)域劃分10個(gè)類別(表1).其包含兩大區(qū)域:植被區(qū)域(喬木、小喬木、單株灌木、灌木叢、草地、水生植物,共6類),非植被區(qū)域(水體、建筑物、地面、其他,共4類).每種地物的形態(tài)描述見(jiàn)表1

    本研究選用的無(wú)人機(jī)平臺(tái)是北方天圖TTA八旋翼無(wú)人機(jī),搭載SONY ILCE-5100三波段RGB數(shù)碼相機(jī),平均航高為175m,拍攝時(shí)間為2017年6月,夏季植被茂盛.共獲取研究區(qū)影像128張,每張影像大小為6000×4000像素.數(shù)據(jù)獲取時(shí)天氣晴朗,拍攝高度較低,建筑物和較高的樹(shù)木有一定程度畸變.

    2 研究方法

    2.1 無(wú)人機(jī)影像預(yù)處理

    本研究利用Pix4D mapper軟件完成了無(wú)人機(jī)影像、POS數(shù)據(jù)和地面控制點(diǎn)等數(shù)據(jù)的預(yù)處理:導(dǎo)入數(shù)據(jù)、快速檢查、加入控制點(diǎn)、自動(dòng)空三、點(diǎn)云加密等,最終得到了研究區(qū)的正射影像(DOM)和數(shù)字表面模型(DSM),地面分辨率均為5cm.

    2.2 聯(lián)合光譜-紋理-空間信息的多維特征空間構(gòu)建

    如何構(gòu)建特征空間是遙感影像高精度信息提取的關(guān)鍵[19].本研究針對(duì)城市不同類型植被的特性,利用ENVI 5.3軟件對(duì)影像進(jìn)行了處理和運(yùn)算,構(gòu)建了一種聯(lián)合光譜-紋理-空間信息的多維特征空間,主要包含:正射影像RGB波段、植被指數(shù)集、紋理特征集和三維空間特征,共15維特征.

    (1)植被指數(shù):由于本研究實(shí)驗(yàn)采用的無(wú)人機(jī)影像僅包含RGB三個(gè)波段,無(wú)法通過(guò)計(jì)算歸一化植被指數(shù)(NDVI)獲取植被信息,因此選擇可見(jiàn)光波段差異植被指數(shù)(VDVI)[22]、紅綠比值指數(shù)(RGRI)[23]、超綠超紅差分指數(shù)(EXGR)[24]三個(gè)指數(shù)參與植被信息的提取.3種指數(shù)計(jì)算式分別為(1)~(3):

    (2)紋理特征:高分辨率無(wú)人機(jī)影像最大的優(yōu)勢(shì)是地物紋理清晰.由表1可知,不同植被類別的紋理有較大差異,這些差異使紋理成為進(jìn)行地物識(shí)別的一個(gè)重要特征.因此除植被指數(shù)外,本文也使用灰度共生矩陣(GLCM)提取紋理信息,其提出者Haralick進(jìn)一步定義了14種紋理特征參數(shù)[25],本研究選取了其中最常用的8個(gè)紋理特征:均值、方差、同質(zhì)性、對(duì)比度、相異性、熵、二階矩和相關(guān)性.

    (3)三維空間特征:除上述植被指數(shù)、紋理等特征,研究還利用了無(wú)人機(jī)影像的另一優(yōu)勢(shì),即生成三維點(diǎn)云,進(jìn)而加密生成DSM.從而可以得到地物點(diǎn)的高度值,形成包含高度信息的三維空間特征.

    2.3 三種分類方法比較

    2.3.1 基于像素的SVM方法 傳統(tǒng)的遙感影像分類方法是基于像素的分類,以單個(gè)像素作為分類的單元,該方法的優(yōu)點(diǎn)是對(duì)中、低空間分辨率的遙感影像信息提取效果較好.在傳統(tǒng)基于像素的分類方法中,SVM方法以其所需樣本少、分類精度高、運(yùn)行時(shí)間短的優(yōu)勢(shì)而被廣泛應(yīng)用[26].SVM是Vapnik[27]提出的一種建立在統(tǒng)計(jì)學(xué)習(xí)理論的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則和VC維理論基礎(chǔ)上的新型機(jī)器學(xué)習(xí)方法,其核心思想就是把待學(xué)習(xí)樣本非線性映射到高維核空間,在高維核空間創(chuàng)建具有低VC維的最優(yōu)分類超平面[28]將不同類別區(qū)分開(kāi).

    本研究在實(shí)地考察的基礎(chǔ)上,針對(duì)10種地物類別所占面積不同,按比例每類隨機(jī)選取4000到30000個(gè)樣本作為訓(xùn)練樣本和測(cè)試樣本.在構(gòu)建的聯(lián)合光譜-空間信息的多維植被特征空間基礎(chǔ)上,調(diào)用scikit-learn庫(kù)中的SVM函數(shù),選取核函數(shù)為徑向基函數(shù)的SVM模型進(jìn)行基于像素的植被分類.

    2.3.2 面向?qū)ο蟮腟VM方法 基于像素的分類方法以像素為單位,因此無(wú)法有效利用像素之間存在的空間關(guān)系,尤其是高分辨率影像中豐富的空間、結(jié)構(gòu)和紋理信息往往被忽略,且易出現(xiàn)“椒鹽現(xiàn)象”[29].因此針對(duì)具有較低光譜分辨率但空間信息極為豐富的高分辨率遙感影像,面向?qū)ο蠓诸惙椒╗30]應(yīng)運(yùn)而生.對(duì)象是同質(zhì)相鄰像素的集合,以對(duì)象為分類基本單元不僅利用了其光譜信息,更加有效地利用了對(duì)象的空間幾何與紋理信息,使得分類效果更好、精度更高.與基于像素的SVM方法不同,此時(shí)進(jìn)入SVM分類器的是經(jīng)過(guò)分割后同質(zhì)對(duì)象.

    面向?qū)ο蠓诸惖牡谝徊绞怯跋穹指?影像分割的效果會(huì)影響下一步分類的結(jié)果.實(shí)驗(yàn)發(fā)現(xiàn),植被顏色指數(shù)CIVE[31]有助于提升影像分割的效果,指數(shù)計(jì)算見(jiàn)式(4),因此研究將無(wú)人機(jī)正射影像RGB波段、DSM和CIVE影像共5個(gè)波段作為面向?qū)ο蠓诸惖妮斎?多次實(shí)驗(yàn)確定5個(gè)波段的權(quán)重分別為=1,=0,=0, CIVE=1, DSM=1.然后通過(guò)控制變量方法比較不同尺度參數(shù)的分割效果,最終確定尺度參數(shù)40、形狀參數(shù)0.2和緊致度參數(shù)0.5,利用eCognition軟件完成影像的多尺度分割.基于多尺度分割的結(jié)果,構(gòu)建聯(lián)合光譜-紋理-空間信息的多維特征空間,在實(shí)地考察的基礎(chǔ)上為10個(gè)地物類別選擇一定數(shù)量的對(duì)象作為訓(xùn)練和測(cè)試樣本.選取核函數(shù)為徑向基函數(shù)的SVM模型進(jìn)行面向?qū)ο蟮牟煌愋椭脖环诸?

    2.3.3 基于深度學(xué)習(xí)的Mobile-Unet模型 在全卷積神經(jīng)網(wǎng)絡(luò)(FCN)的基礎(chǔ)上,Ronneberger等[9]提出了改進(jìn)的語(yǔ)義分割模型U-Net,其延續(xù)了FCN的思想,利用卷積層、池化層進(jìn)行特征提取,用反卷積層恢復(fù)為原圖像大小.

    U-Net結(jié)構(gòu)見(jiàn)圖1,整個(gè)網(wǎng)絡(luò)由左右兩個(gè)部分組成,左側(cè)的壓縮通道和右側(cè)的擴(kuò)展通道,兩個(gè)部分通過(guò)網(wǎng)絡(luò)的跳躍連接實(shí)現(xiàn)低層特征與高層特征融合.U-Net的優(yōu)點(diǎn)是可以用少量的數(shù)據(jù)進(jìn)行訓(xùn)練得到不錯(cuò)的分割效果,十分符合小研究區(qū)范圍遙感影像分類任務(wù)的要求.

    所用操作系統(tǒng)為Ubuntu18.04,采用Python語(yǔ)言,模型基于PyTorch深度學(xué)習(xí)框架實(shí)現(xiàn),GPU為Nvidia GeForce RTX 2060 6G,由于實(shí)驗(yàn)條件的限制,本研究將U-Net的骨干網(wǎng)絡(luò)替換為輕量級(jí)的MobileNet[32],使得用更少的參數(shù)、更快的運(yùn)算速度,達(dá)到較好的結(jié)果.MobileNet的創(chuàng)新就是將VGG網(wǎng)絡(luò)中的標(biāo)準(zhǔn)卷積層替換為深度可分離卷積層,該層就是把普通卷積層拆分成了一個(gè)深度卷積和一個(gè)逐點(diǎn)卷積.深度卷積是將卷積核拆分成為單通道形式,每一個(gè)特征圖對(duì)應(yīng)一個(gè)卷積核進(jìn)行卷積,得到和輸入特征圖通道數(shù)一致的輸出特征圖.然而,這樣一來(lái)特征圖的維度過(guò)少,可能無(wú)法提取足夠的信息,于是在深度卷積層后增加逐點(diǎn)卷積層,即用1×1的卷積核對(duì)特征圖進(jìn)行升維,使其輸出的特征圖維數(shù)和標(biāo)準(zhǔn)卷積層一致.最終網(wǎng)絡(luò)整體的參數(shù)量只有標(biāo)準(zhǔn)卷積的1/9左右.其優(yōu)勢(shì)在于使用較小的數(shù)據(jù)集也可以完成訓(xùn)練并達(dá)到較高的精度.

    圖1 U-Net結(jié)構(gòu)

    研究基于實(shí)地調(diào)查結(jié)果對(duì)無(wú)人機(jī)影像進(jìn)行了手動(dòng)類別標(biāo)注,得到標(biāo)簽圖像.將正射影像圖加上DSM影像構(gòu)成的四波段影像作為網(wǎng)絡(luò)的原始輸入,樣本尺寸為512×512像素,共100張.由于樣本量較小,因此采用數(shù)據(jù)增強(qiáng)算法增加樣本數(shù)量,最終共得到295個(gè)樣本標(biāo)簽對(duì),形成了一個(gè)小型無(wú)人機(jī)樣本數(shù)據(jù)集,如圖2.

    本研究獲取的樣本數(shù)量較少,數(shù)據(jù)集規(guī)模較小,因此可以利用Mobile-Unet的優(yōu)勢(shì)進(jìn)行小樣本集的語(yǔ)義分割.網(wǎng)絡(luò)輸入影像大小為512×512像素,類別數(shù)為10.將數(shù)據(jù)集輸入模型中,以7:3的比例劃分訓(xùn)練集和驗(yàn)證集.運(yùn)用遷移學(xué)習(xí)的思想,使用ImageNet訓(xùn)練集的預(yù)訓(xùn)練網(wǎng)絡(luò)參數(shù)作為模型參數(shù)的初始值進(jìn)行訓(xùn)練.學(xué)習(xí)率設(shè)置為0.0001,batch大小8,訓(xùn)練次數(shù)100,使用交叉熵函數(shù)作為網(wǎng)絡(luò)的損失函數(shù).

    2.4 精度評(píng)價(jià)指標(biāo)

    遙感分類精度評(píng)價(jià)一般是比較分類預(yù)測(cè)圖像與參考圖像的一致性,常用方法是混淆矩陣.本文采用混淆矩陣對(duì)分類后影像的全部像元進(jìn)行類別統(tǒng)計(jì),并將總體分類精度(overall accuracy, OA)、Kappa系數(shù)、用戶精度(落在該類別上的檢驗(yàn)點(diǎn),被正確分類為該類別的比率)和生產(chǎn)者精度(該類別的地面真實(shí)參考數(shù)據(jù)被正確分類的概率)作為評(píng)價(jià)指標(biāo).

    總體分類精度是常用的一種精度評(píng)價(jià)指標(biāo),表示每一個(gè)像素正確分類的概率,被正確分類的像元沿著混淆矩陣的對(duì)角線分布.Kappa系數(shù)則是一個(gè)綜合指標(biāo),其同時(shí)考慮了對(duì)角線以外的各種漏分和錯(cuò)分像元,表示預(yù)測(cè)結(jié)果和實(shí)際分類結(jié)果是否一致,取值[-1,1].具體見(jiàn)式(5)、(6):

    式中:x為正確分類的像元個(gè)數(shù),x+、+i為混淆矩陣各行、各列之和,為像元總數(shù),為類別數(shù).

    3 實(shí)驗(yàn)與分析

    3.1 聯(lián)合光譜-紋理-空間信息的多維空間

    3.1.1 光譜特征 根據(jù)式(1)~(3)計(jì)算得到的植被指數(shù)如圖3所示.可以看出,VDVI可以很好的將植被與非植被區(qū)域區(qū)別開(kāi)來(lái),植被區(qū)域顏色較亮而非植被區(qū)域像素的灰度值較小顏色暗,但水體和植被區(qū)域難以區(qū)分.RGRI與VDVI的表現(xiàn)正相反,植被區(qū)域顏色較暗而非植被區(qū)域稍亮,但圖像中草地與樹(shù)木(喬木、小喬木、單株灌木、灌木叢)有一定的顏色差,因此在草、樹(shù)混雜的區(qū)域可以更好的區(qū)分二者.EXGR同樣可以區(qū)分植被與非植被,其優(yōu)勢(shì)在于對(duì)非植被區(qū)域的地物類別有更好的區(qū)分能力,但效果不如RGRI和VDVI圖像.這三種植被指數(shù)的另一個(gè)優(yōu)點(diǎn)在于不受原圖中陰影的影響,可以將陰影中的植被、甚至植被紋理很好的表現(xiàn)出來(lái),見(jiàn)圖4.

    圖3 原始影像與可見(jiàn)光植被指數(shù)影像

    圖4 陰影中植被的表現(xiàn)

    3.1.2 紋理特征 為避免數(shù)據(jù)冗余,提升運(yùn)行效率,對(duì)無(wú)人機(jī)3波段影像中信息熵最大的紅波段進(jìn)行8個(gè)紋理特征的計(jì)算,得到8幅紋理特征影像.

    3.1.3 三維空間特征 圖6是生成的具有不同地物高程信息DSM影像,圖中的灰度值代表地物的高度值,顏色越亮表示地物高度越高,反之則越低.

    圖5 紋理特征影像

    圖6 DSM影像

    3.2 分類結(jié)果比較及精度評(píng)定

    3.2.1 基于像素分類的結(jié)果與分析 經(jīng)過(guò)SVM分類及分類后處理,得到結(jié)果影像如圖7所示.

    研究用混淆矩陣對(duì)結(jié)果進(jìn)行精度評(píng)價(jià),得到總體分類精度92.8%,Kappa系數(shù)值為0.917,具體精度指標(biāo)如表2所示,分類耗時(shí)4.75h.從混淆矩陣中可以看出,小喬木與單株灌木和草地類別之間存在錯(cuò)分情況,原因在于部分小喬木與單株灌木高度差別不大,部分樹(shù)木紋理相似導(dǎo)致混淆;而小喬木與草地間的錯(cuò)分在于一部分小喬木比較低矮且在影像上面積很小,因此無(wú)法正確區(qū)分被錯(cuò)誤分類為其背景類別,即草地.單株灌木與灌木叢之間的錯(cuò)分情況較為嚴(yán)重,兩者高度相當(dāng),且紋理信息十分相似,同為灌木類但在形態(tài)上差異較大,因此基于像素的分類方法很難將二者區(qū)別開(kāi)來(lái).由于該分類算法無(wú)法充分利用影像的紋理和結(jié)構(gòu)信息,會(huì)出現(xiàn)一棵喬木中心高的區(qū)域被分為喬木類,而四周低矮的部分則有可能被分為小喬木類的情況,出現(xiàn)“同物異類”現(xiàn)象導(dǎo)致分類精度下降.但總體來(lái)看,除單株灌木、灌木叢外,其余類別的類別精度均在79%以上,總體分類結(jié)果良好.

    表2 基于像素分類混淆矩陣

    3.2.2 面向?qū)ο蠓诸惖慕Y(jié)果與分析 經(jīng)過(guò)無(wú)人機(jī)正射影像的多尺度分割、SVM方法的訓(xùn)練和分類等步驟,最終得到面向?qū)ο蠓椒ǚ诸惖慕Y(jié)果,如圖8所示.分類的總體精度為93.1%,Kappa系數(shù)值為0.918,具體分類指標(biāo)如表3所示,面向?qū)ο蠓椒ǚ诸惡臅r(shí)4.267h.

    從分類混淆矩陣表中可以看出,與基于像素的分類結(jié)果相比,小喬木、灌木叢和草地的分類精度略有提高,水生植物和水體的精度略有降低,而地面和其他兩個(gè)類別出現(xiàn)錯(cuò)分導(dǎo)致分類精度下降.喬木和單株灌木類別沒(méi)有大的變化,但單株灌木與灌木叢由于形狀不同,在影像分割時(shí)得以區(qū)分,因此混淆程度有所降低.綜上,面向?qū)ο蠛突谙袼氐姆诸惤Y(jié)果精度相差不大,而在6種植被類別的分類精度看來(lái),面向?qū)ο蟮姆诸愋Ч^好,很大程度上避免了“椒鹽現(xiàn)象”.

    圖7 基于像素分類結(jié)果

    圖8 面向?qū)ο蠓诸惤Y(jié)果

    3.2.3 基于Mobile-Unet模型分類的結(jié)果與分析 在訓(xùn)練過(guò)程中,訓(xùn)練次數(shù)設(shè)置為100,隨著次數(shù)不斷增加,訓(xùn)練集和驗(yàn)證集的損失值不斷下降,精度提高.但迭代次數(shù)增加到一定大小時(shí),訓(xùn)練集的損失依然在減小,但驗(yàn)證集的損失不再下降,此時(shí)即出現(xiàn)了過(guò)擬合.為了避免過(guò)擬合的發(fā)生,在驗(yàn)證集的損失不再下降時(shí)停止訓(xùn)練.實(shí)驗(yàn)中訓(xùn)練次數(shù)增加至39時(shí)驗(yàn)證集損失不再下降,因此停止訓(xùn)練,訓(xùn)練集與驗(yàn)證集的損失值變化如圖9所示.

    選擇3個(gè)沒(méi)有參與訓(xùn)練、驗(yàn)證區(qū)域的影像進(jìn)行切割并預(yù)測(cè),預(yù)測(cè)結(jié)果的混淆矩陣見(jiàn)表4,原圖、標(biāo)簽圖像與預(yù)測(cè)結(jié)果的比較如圖10所示,圖10(a)的精度為84.0%,圖10(b)的精度為83.8%,圖10(c)的精度為82.0%,預(yù)測(cè)的總體精度為83.3%,Kappa系數(shù)0.832,分類精度低于上述兩種機(jī)器學(xué)習(xí)方法,耗時(shí)6.533h.從預(yù)測(cè)圖像中可以看出,采用卷積神經(jīng)網(wǎng)絡(luò)方法進(jìn)行植被分類也能取得很好的效果,但水生植被分類效果較差.

    表3 面向?qū)ο蠓诸惢煜仃?/p>

    圖9 訓(xùn)練集、驗(yàn)證集的損失曲線

    3.2.4 三種方法性能比較 分析三種分類方法的性能指標(biāo)對(duì)比見(jiàn)表5.對(duì)比三種分類方法,可以看出在本論文的小樣本、小區(qū)域植被分類中,機(jī)器學(xué)習(xí)的方法優(yōu)于深度學(xué)習(xí)方法.一方面是機(jī)器學(xué)習(xí)分類中選取了實(shí)踐經(jīng)驗(yàn)中十分有效的特征構(gòu)成了聯(lián)合光譜-紋理-空間信息的多維特征空間,使得機(jī)器學(xué)習(xí)的精度得以提升;另一方面是深度學(xué)習(xí)方法受到小樣本和計(jì)算機(jī)性能的限制,導(dǎo)致其在精度和效率上難以發(fā)揮自身優(yōu)勢(shì).

    表4 深度學(xué)習(xí)分類混淆矩陣(萬(wàn))

    表5 三種分類方法結(jié)果對(duì)比

    4 討論

    通過(guò)以上三種分類算法的比較實(shí)驗(yàn),也可以分別看到幾種算法的不足.①基于像素的分類方法無(wú)法充分利用遙感影像的紋理、結(jié)構(gòu)信息,會(huì)產(chǎn)生“椒鹽現(xiàn)象”和“同物異類”現(xiàn)象,并且每次分類都需要手動(dòng)選取樣本,分類的效果常常取決于樣本的選擇,自動(dòng)化程度較低,因此本研究建立了聯(lián)合光譜-紋理-空間信息的多維特征空間,結(jié)果表明分類精度有一定的提升;②面向?qū)ο蟮姆诸惙椒梢猿浞掷糜跋竦募y理、結(jié)構(gòu)信息,能夠更好地識(shí)別具有規(guī)則形狀的地物,理論上應(yīng)該明顯高于基于像素方法的分類精度,但在高分影像的復(fù)雜場(chǎng)景中,很難準(zhǔn)確的對(duì)地物進(jìn)行分割,而分割結(jié)果的好壞直接影響到分類的精度,因此,面向?qū)ο蠓椒ǖ姆诸惥葍H比基于像元方法高0.3%,自動(dòng)化程度也不高;③基于深度學(xué)習(xí)“端到端”的方法能夠更好地實(shí)現(xiàn)自動(dòng)化且能夠處

    理高分影像中復(fù)雜場(chǎng)景的分類,但對(duì)計(jì)算能力和樣本量的需求較高,更適用于大范圍、樣本數(shù)據(jù)量較大的植被分類問(wèn)題.本研究由于研究區(qū)較小,無(wú)法制作足夠數(shù)量的數(shù)據(jù)集,且實(shí)驗(yàn)條件有限,因此選擇了樣本需求量較小的U-Net和網(wǎng)絡(luò)參數(shù)量較少的MobileNet進(jìn)行結(jié)合的Mobile-Unet分割模型.實(shí)驗(yàn)結(jié)果表明,小樣本卷積神經(jīng)網(wǎng)絡(luò)提取出的特征并沒(méi)有人工選取的特征更有效.因此,分類精度也會(huì)低于一般的機(jī)器學(xué)習(xí)分類方法.

    由于本研究受限于小樣本和缺乏可以遷移的遙感影像樣本數(shù)據(jù)集,基于深度學(xué)習(xí)方法的城市植被精細(xì)分類并不具有優(yōu)勢(shì).然而眾所周知,利用深度學(xué)習(xí)的方法進(jìn)行分類具有巨大的潛力.其一,傳統(tǒng)的分類方法,需要人工提取或選擇特征,且都是淺層特征,而深度學(xué)習(xí)方法可以提取高級(jí)語(yǔ)義特征,在大數(shù)據(jù)集的應(yīng)用上非常具有優(yōu)勢(shì);其二,一般的機(jī)器學(xué)習(xí)方法在每次分類時(shí)都需要針對(duì)具體應(yīng)用手動(dòng)選取樣本,泛化能力較差,而深度學(xué)習(xí)方法自己學(xué)習(xí)到的特征泛化能力更好,魯棒性更強(qiáng).未來(lái)可以不斷擴(kuò)展植被分類數(shù)據(jù)集,在更大范圍內(nèi)(如整個(gè)城市)、選擇效果更好的深度卷積網(wǎng)絡(luò)進(jìn)行植被分類研究,才能讓深度學(xué)習(xí)發(fā)揮其價(jià)值.

    5 結(jié)論

    5.1 本文使用的聯(lián)合光譜-紋理-空間信息的植被多特征空間能夠提高基于像素方法和面向?qū)ο蠓椒ㄟM(jìn)行植被精細(xì)分類的精度,同時(shí)CIVE植被指數(shù)的加入也提高了面向?qū)ο蠓椒ǖ某醪椒指钚Ч?

    5.2 基于像素的SVM分類和面向?qū)ο蟮腟VM分類總體精度都達(dá)到90%以上,基于深度學(xué)習(xí)方法的Mobile-Unet模型分類總體精度約為83%,兩類基于SVM的分類方法均能夠很好地提取不同綠化效益的植被,在算法效率上,明顯要優(yōu)于Mobile-Unet模型.可見(jiàn),在研究區(qū)域小、數(shù)據(jù)量有限的情況下,無(wú)論從效率還是精度來(lái)看,傳統(tǒng)的基于機(jī)器學(xué)習(xí)的方法比深度學(xué)習(xí)方法更適用.

    [1] CJJ/T 85-2017 城市綠地分類標(biāo)準(zhǔn)[S].

    CJJ/T 85-2017 Standard for classification of urban green space [S].

    [2] 白曉瓊,王 汶,林子彥,等.基于高空間分辨率遙感影像的三維綠度度量[J]. 國(guó)土資源遙感, 2019,31(4):53-59.

    Bai X Q, Wang W, Lin Z Y, et al. Three-dimensional measuring for green space based on high spatial resolution remote sensing images [J]. Remote Sensing for Land and Resources, 2019,31(4):53-59.

    [3] 費(fèi)鮮蕓.高分辨率遙感影像在城市綠地信息提取中的應(yīng)用研究 [D]. 泰安:山東農(nóng)業(yè)大學(xué), 2006.

    Fei X Y. The study of urban green space surveying based on high resolution RS images [D]. Taian: Shandong Agricultural University, 2006.

    [4] 趙康兵.高分辨率遙感影像技術(shù)應(yīng)用研究——以城市綠化精細(xì)化調(diào)查為例 [J]. 南京工程學(xué)院學(xué)報(bào)(自然科學(xué)版), 2019,17(4):50-56.

    Zhao K B. Application of high resolutionremote sensing image technology—taking urban greening investigation as an example [J]. Journal of Nanjing Institute of Technology (Natural Science Edition), 2019,17(4):50-56.

    [5] 顏梅春.高分辨率影像的植被分類方法對(duì)比研究[J]. 遙感學(xué)報(bào), 2007,(2):235-240.

    Yan M C. Research and contrast on several vegetation-classification methods of high-resolution satellite image data [J]. Journal of Remote Sensing, 2007,(2):235-240.

    [6] 韓文霆,張立元,張海鑫,等.基于無(wú)人機(jī)遙感與面向?qū)ο蠓ǖ奶镩g渠系分布信息提取[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2017,48(3):205-214.

    Han W T, Zhang L Y, Zhang H X, et al. Extraction method of sublateral canal distribution information based on UAV remote sensing [J]. Transactions of the Chinese Society for Agricultural Machinery, 2017,48(3):205-214.

    [7] Shelhamer E, Long J, Darrell T. Fully convolutional networks for semantic segmentation [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017,39(4):640-651.

    [8] Badrinarayanan V, Kendall A, Cipolla R.SegNet: A deep convoluntional encoder-decoder architecture for image segmentation [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017,39(12):2481-2495.

    [9] Ronneberger O, Fischer P, Brox T.U-Net: Convolutional networks for biomedicalimage segmentation [C]// International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, Cham, 2015:234-241.

    [10] Li D, Ke Y, GongH, et al. Object-based urban tree species classification using bi-temporal WorldView-2 and World View- 3images [J]. Remote Sensing, 2015,7(12):16917-16937.

    [11] 徐知宇,周 藝,王世新,等.面向GF-2遙感影像的U-Net城市綠地分類[J]. 中國(guó)圖象圖形學(xué)報(bào), 2021,26(3):0700-0713.

    Xu Z Y, Zhou Y, Wang S X, et al. U-Net for urban green space classification in Gaofen-2remote sensingimages [J]. Journal of Image and Graphics, 2021,26(3):0700-0713.

    [12] 周 濤,胡振琪,韓佳政,等.基于無(wú)人機(jī)可見(jiàn)光影像的綠色植被提取 [J]. 中國(guó)環(huán)境科學(xué), 2021,41(5):2380-2390.

    Zhou T, Hu Z Q, Han J Z, et al. Green vegetation extraction based on visible light image of UAV [J]. China Environmental Science, 2021, 41(5):2380-2390.

    [13] 楊蜀秦,宋志雙,尹瀚平,等.基于深度語(yǔ)義分割的無(wú)人機(jī)多光譜遙感作物分類方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2021,52(3):185-192.

    Yang S Q, Song Z S, Yin H P, et al. Crop classification method of UVA multispectral remote sensing based on deep semantic segmentation [J]. Transactions of the Chinese Society for Agricultural Machinery, 2021,52(3):185-192.

    [14] Torres D L, Feitosa R Q, Happ P N, et al. Applying fully convolutional architectures for semantic segmentation of a single tree species in urban environment on high resolution UAV optical imagery [J]. Sensors, 2020,20(2):563.

    [15] 戴鵬欽,丁麗霞,劉麗娟,等.基于FCN的無(wú)人機(jī)可見(jiàn)光影像樹(shù)種分類[J]. 激光與光電子學(xué)進(jìn)展, 2020,57(10):36-45.

    Dai P Q, Ding L X, Liu L J, et al. Tree species identification based on FCN using the visible images obtained from an unmanned aerial vehicle [J]. Laser & Optoelectronics Progress, 2020,57(10):36-45.

    [16] 林志瑋,涂偉豪,黃嘉航,等.基于FC-DenseNet的低空航拍光學(xué)圖像樹(shù)種識(shí)別[J]. 國(guó)土資源遙感, 2019,31(3):225-233.

    Lin Z W, Tu W H, Huang J H, et al. Tree species recognition of UAV aerial images based on FC-DenseNet [J]. Remote Sensing for Land and Resources, 2019,31(3):225-233.

    [17] Schiefer F, Kattenborn T, Frick A, et al.U-Net: Mapping forest tree species in high resolution UAV-based RGB-imagery by means of convolutional neural networks [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020,170:205-215.

    [18] Sothe C, De Almeida C M, Schimalski M B, et al.Comparative performance of convolutional neural network, weighted and conventional support vector machine and random forest for classifying tree species using hyperspectral and photogrammetric data [J]. GIS & Remote Sensing, 2020,57(3):369-394.

    [19] 左萍萍,付波霖,藍(lán)斐蕪,等.基于無(wú)人機(jī)多光譜的沼澤植被識(shí)別方法 [J]. 中國(guó)環(huán)境科學(xué), 2021,41(5):2399-2410.

    Zuo P P, Fu B L, Lan F W, et al. Classification method of swamp vegetation using UAV multispectral data [J]. China Environmental Science, 2021,41(5):2399-2410.

    [20] 李 艷,和太平.廣東省茂名市居住區(qū)綠地植物資源及應(yīng)用調(diào)查分析 [J]. 安徽農(nóng)業(yè)科學(xué), 2021,49(8):116-119.

    Li Y, He T P.Investigation and application analysis of green land plantresources in residential area of Maoming city, Guangdong Province [J]. Journal of Anhui Agricultural Sciences, 2021,49(8):116- 119.

    [21] 楊 禮.融合UAV遙感影像與SFM點(diǎn)云的樹(shù)木識(shí)別及參數(shù)提取 [D]. 焦作:河南理工大學(xué), 2018.

    Yang L. Tree parameters extraction using UAV remote sensing image and SFM point cloud [D]. Jiaozuo: Henan Polytechnic University, 2018.

    [22] 汪小欽,王苗苗,王紹強(qiáng),等.基于可見(jiàn)光波段無(wú)人機(jī)遙感的植被信息提取 [J]. 農(nóng)業(yè)工程學(xué)報(bào), 2015,31(5):152-159.

    Wang X Q, Wang M M, Wang S Q, et al. Extraction of vegetation information from visible unmanned aerial vehicle images [J]. Transactions of the Chinese Society of Agricultural Engineering, 2015,31(5):152-159.

    [23] Verrelst J, Schaepman M E, Koetz B, et al.Angular sensitivity analysis of vegetation indices derived from CHRIS/PROBA data [J]. Remote Sensing of Environment, 2008,112(5):2341-2353.

    [24] Meyer G E, Neto J C. Verification of color vegetation indices for automated crop imaging applications [J]. Computers & Electronics in Agriculture, 2008,63(2):282-293.

    [25] 宋榮杰,寧紀(jì)鋒,劉秀英,等.基于紋理特征和SVM的QuickBird影像蘋(píng)果園提取[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2017,48(3):188-197.

    Song R J, Ning J F, Liu X Y, et al. Apple orchard extraction with Quick Birdimagery based ontexture features and support vector machine [J]. Transactions of the Chinese Society for Agricultural Machinery, 2017,48(3):188-197.

    [26] 鄭亞卿,楊張海,高凱旋,等.基于多時(shí)相Landsat-8的森林生態(tài)系統(tǒng)樹(shù)種精細(xì)分類[J]. 測(cè)繪與空間地理信息, 2021,44(6):158-161.

    Zheng Y Q, Yang Z H, Gao K X, et al. Sophisticated classification of tree species in forest ecosystembased on multi-temporal Landsat-8 [J]. Geomatics & Spatial Information Technology, 2021,44(6):158-161.

    [27] Vapnik V N. The nature of statistical learning theory [M]. New York: Springer-verlag, 1995.

    [28] 邊肇祺,張學(xué)工.模式識(shí)別第二版[M]. 北京:清華大學(xué)出版社, 2000.

    Bian Z Q, Zhang X G. Pattern recognition (The second edition) [M]. Beijing:Tsinghua University Press, 2000.

    [29] 王志盼,沈 彥,王 亮,等.單類分類框架下的高分辨率遙感影像建筑物變化檢測(cè)算法 [J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2020,45(10): 1610-1618.

    Wang Z P, Shen Y, Wang L, et al. High resolutionremote sensing image building change detection basedon one class classifier framework [J]. Geomatics and Information Science of Wuhan University, 2020,45(10):1610-1618.

    [30] Baatz M, Schape A. Object-oriented and multi-scale image analysis in semantic networks [C]// Proceedings of the 2nd International Symposium on Operationalization of Remote Sensing, Enschede, Netherlands, 1999:16-20.

    [31] 周小成,鄭 磊,黃洪宇.基于多特征優(yōu)選的無(wú)人機(jī)可見(jiàn)光遙感林分類型分類 [J]. 林業(yè)科學(xué), 2021,57(6):24-36.

    Zhou X C, Zheng L, Huang H Y. Classification of forest stand based on multi-feature optimization of UAV visible light remote sensing [J]. Scientia Silvae Sinicae, 2021,57(6):24-36.

    [32] Howard A G, Zhu M, Chen B, et al. MobileNets: Efficient convolutional neural networks for mobile vision applications [J]. arXiv:1704.04861, 2017.

    Fine classification of urban vegetation based on UAV images.

    LIN Yi1, ZHANG Wen-hao1, YU Jie1*, ZHANG Han-chao2

    (1.College of Surveying and Geo-Informatics, Tongji University, Shanghai 200092, China;2.Institute of Photogrammetry and Remote Sensing, Chinese Academy of Surveying and Mapping, Beijing 100830, China)., 2022,42(6):2852~2861

    The fine classification and information extraction of urban public vegetation based on remote sensing methods hasgreat significance in urban land use change, urban ecological environment monitoring and urban planning. Aiming toreducethe heavy workload, high cost and enhancetheefficiency of traditional vegetation resource survey methods, a multi-dimensional feature space including spectral, spatial and texture features for describing different types of urban vegetation was proposed in this study. Then a comparison experiment of three typical classification algorithms (pixel-based, object-oriented support vector machine and deep learning semantic segmentation model-Mobile-Unet) was accomplished. The experimental results indicate that: The proposed spectrum-texture-spatial feature extraction method can describe different types of urban vegetation effectively, and improve the accuracy of image segmentation and vegetation classification significantly. In terms of classification accuracy, the overall accuracy of pixel-based and object-oriented support vector machine classification exceed 90%, while the overall accuracy of deep learning method is only 84%. In terms of efficiency, traditional machine learning methods are also superior to deep learning method. Therefore, for the fine classification of different vegetation in small urban areas with small samples, traditional machine learning classification methods are more effective than deep learning method.

    unmanned aerial vehicle image;urban vegetation;fine classification;multi-dimensional feature space;machine learning;deep learning

    TP751.1 ,X87

    A

    1000-6923(2022)06-2852-10

    林 怡(1970-),女,浙江溫州人,研究員,博士,主要從事數(shù)字?jǐn)z影測(cè)量與城市、環(huán)境遙感研究.發(fā)表論文80余篇.

    2021-11-17

    地理信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金課題(SKLGIE2018- K-3-1);上海市“科技創(chuàng)新行動(dòng)計(jì)劃”科技攻關(guān)項(xiàng)目(20dz1201200);自然資源部測(cè)繪科學(xué)與地球空間信息技術(shù)重點(diǎn)實(shí)驗(yàn)室開(kāi)放研究基金課題(2020-2-3)

    *責(zé)任作者, 助理教授, 2011_jieyu@#edu.cn

    猜你喜歡
    分類特征方法
    分類算一算
    如何表達(dá)“特征”
    不忠誠(chéng)的四個(gè)特征
    分類討論求坐標(biāo)
    數(shù)據(jù)分析中的分類討論
    教你一招:數(shù)的分類
    抓住特征巧觀察
    可能是方法不對(duì)
    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
    老司机福利观看| 韩国精品一区二区三区| 国产又色又爽无遮挡免费看| 亚洲av成人av| 母亲3免费完整高清在线观看| 这个男人来自地球电影免费观看| 亚洲成人久久爱视频| 亚洲成国产人片在线观看| 天堂影院成人在线观看| 亚洲专区字幕在线| 国产成人欧美| 久久精品国产亚洲av香蕉五月| 长腿黑丝高跟| 亚洲av第一区精品v没综合| 一区二区三区精品91| 99久久国产精品久久久| 韩国av一区二区三区四区| 中文亚洲av片在线观看爽| 欧美乱妇无乱码| 老汉色∧v一级毛片| 国产激情偷乱视频一区二区| 黄色丝袜av网址大全| 熟女少妇亚洲综合色aaa.| 欧美日韩乱码在线| netflix在线观看网站| www.精华液| 首页视频小说图片口味搜索| 国产精品美女特级片免费视频播放器 | 国产精品 国内视频| www日本黄色视频网| 色老头精品视频在线观看| 一级毛片女人18水好多| 91麻豆av在线| 夜夜爽天天搞| 亚洲片人在线观看| 伊人久久大香线蕉亚洲五| 又黄又粗又硬又大视频| 精品久久久久久久久久久久久 | 成年人黄色毛片网站| 免费在线观看完整版高清| 日本免费一区二区三区高清不卡| 不卡av一区二区三区| 欧洲精品卡2卡3卡4卡5卡区| 欧美日韩福利视频一区二区| 精品免费久久久久久久清纯| 欧美激情 高清一区二区三区| 久久精品国产亚洲av香蕉五月| 日韩 欧美 亚洲 中文字幕| 国产精品久久久久久亚洲av鲁大| 欧美日韩精品网址| 9191精品国产免费久久| 色综合欧美亚洲国产小说| 真人一进一出gif抽搐免费| 一夜夜www| 露出奶头的视频| www日本黄色视频网| 亚洲精品国产区一区二| 在线观看舔阴道视频| 丰满人妻熟妇乱又伦精品不卡| 国内精品久久久久久久电影| 禁无遮挡网站| 亚洲黑人精品在线| 欧美日韩中文字幕国产精品一区二区三区| 在线观看www视频免费| 色综合婷婷激情| 九色国产91popny在线| 亚洲精品国产一区二区精华液| 欧美色视频一区免费| 黄片大片在线免费观看| 高清毛片免费观看视频网站| 成年人黄色毛片网站| 亚洲七黄色美女视频| 露出奶头的视频| 深夜精品福利| 国产欧美日韩一区二区三| 麻豆久久精品国产亚洲av| 999久久久国产精品视频| 身体一侧抽搐| 精品福利观看| 国产精品免费视频内射| 亚洲va日本ⅴa欧美va伊人久久| 黑人操中国人逼视频| 亚洲在线自拍视频| 欧美大码av| 熟女少妇亚洲综合色aaa.| 桃色一区二区三区在线观看| 亚洲国产精品合色在线| 色av中文字幕| 日本撒尿小便嘘嘘汇集6| 久久香蕉激情| 成人午夜高清在线视频 | 午夜激情福利司机影院| 丝袜人妻中文字幕| 极品教师在线免费播放| 天堂√8在线中文| 亚洲欧美日韩无卡精品| 999久久久精品免费观看国产| 精品国产亚洲在线| 欧美日韩瑟瑟在线播放| 色综合婷婷激情| 真人做人爱边吃奶动态| 黄色毛片三级朝国网站| 真人做人爱边吃奶动态| 最新美女视频免费是黄的| 精品日产1卡2卡| av片东京热男人的天堂| 在线看三级毛片| 国产熟女午夜一区二区三区| 狠狠狠狠99中文字幕| 欧美性猛交黑人性爽| 欧美日韩中文字幕国产精品一区二区三区| videosex国产| 嫩草影院精品99| av在线天堂中文字幕| 黄频高清免费视频| 中文字幕另类日韩欧美亚洲嫩草| 免费高清在线观看日韩| 欧美日韩中文字幕国产精品一区二区三区| 精品乱码久久久久久99久播| 亚洲国产精品999在线| 国产一区二区三区视频了| 亚洲精品国产区一区二| 中文亚洲av片在线观看爽| 一级黄色大片毛片| 亚洲人成网站在线播放欧美日韩| 老熟妇乱子伦视频在线观看| 在线观看66精品国产| 国产精品99久久99久久久不卡| 精品少妇一区二区三区视频日本电影| 亚洲专区国产一区二区| 国产精品免费视频内射| 欧美日韩黄片免| 国产成人欧美| 欧美精品亚洲一区二区| 又黄又爽又免费观看的视频| 女性被躁到高潮视频| 色老头精品视频在线观看| 在线观看舔阴道视频| 搞女人的毛片| 日韩国内少妇激情av| 国产免费男女视频| 国产精品98久久久久久宅男小说| 少妇 在线观看| 久久婷婷成人综合色麻豆| 亚洲中文字幕日韩| 亚洲精品中文字幕在线视频| 自线自在国产av| 2021天堂中文幕一二区在线观 | videosex国产| 变态另类丝袜制服| 国产午夜精品久久久久久| a级毛片a级免费在线| 久久久久久久午夜电影| 中文字幕人成人乱码亚洲影| 男女下面进入的视频免费午夜 | 日韩欧美 国产精品| 成人国产一区最新在线观看| 最好的美女福利视频网| 一进一出抽搐gif免费好疼| 国产亚洲精品第一综合不卡| 97人妻精品一区二区三区麻豆 | 宅男免费午夜| 亚洲片人在线观看| 日韩欧美三级三区| 久久久久久久午夜电影| 亚洲七黄色美女视频| 欧美黑人巨大hd| 久久久久九九精品影院| 日本一区二区免费在线视频| 少妇的丰满在线观看| 级片在线观看| 欧美最黄视频在线播放免费| 脱女人内裤的视频| av电影中文网址| 亚洲午夜精品一区,二区,三区| 亚洲成人免费电影在线观看| 一级a爱视频在线免费观看| 亚洲三区欧美一区| 神马国产精品三级电影在线观看 | 啦啦啦观看免费观看视频高清| 亚洲中文av在线| 嫩草影院精品99| 亚洲五月天丁香| 制服诱惑二区| 中文字幕人妻熟女乱码| 久久久久国产一级毛片高清牌| 精品久久久久久久久久免费视频| 中文字幕高清在线视频| 欧美精品啪啪一区二区三区| 淫妇啪啪啪对白视频| 可以在线观看的亚洲视频| 日本 欧美在线| 国产精品 国内视频| 麻豆国产av国片精品| 日韩大码丰满熟妇| 18禁黄网站禁片午夜丰满| a在线观看视频网站| 欧美人与性动交α欧美精品济南到| 亚洲欧美激情综合另类| 久久伊人香网站| 校园春色视频在线观看| 色综合欧美亚洲国产小说| 精品久久久久久久久久免费视频| 精品久久蜜臀av无| 国产又黄又爽又无遮挡在线| 国产在线精品亚洲第一网站| 黑人操中国人逼视频| 欧美精品亚洲一区二区| 亚洲精品中文字幕在线视频| 自线自在国产av| 午夜福利一区二区在线看| 亚洲熟妇中文字幕五十中出| 成在线人永久免费视频| 久久天躁狠狠躁夜夜2o2o| 热99re8久久精品国产| 国产精品永久免费网站| 精品国内亚洲2022精品成人| 亚洲专区字幕在线| 一二三四在线观看免费中文在| 嫩草影视91久久| 精品乱码久久久久久99久播| 最近最新中文字幕大全免费视频| 最近在线观看免费完整版| 首页视频小说图片口味搜索| 欧美一级a爱片免费观看看 | 桃色一区二区三区在线观看| 伦理电影免费视频| 香蕉久久夜色| 又紧又爽又黄一区二区| av中文乱码字幕在线| 色综合亚洲欧美另类图片| 亚洲精品国产精品久久久不卡| 久久天躁狠狠躁夜夜2o2o| 日本撒尿小便嘘嘘汇集6| 黑人欧美特级aaaaaa片| 在线观看舔阴道视频| 国产精品1区2区在线观看.| av天堂在线播放| avwww免费| 日韩三级视频一区二区三区| 香蕉丝袜av| 欧美zozozo另类| 中文字幕人妻熟女乱码| 麻豆一二三区av精品| 午夜视频精品福利| 亚洲熟妇中文字幕五十中出| 国产欧美日韩一区二区精品| 中文字幕久久专区| 国产一区二区三区视频了| 天堂动漫精品| 国产欧美日韩一区二区精品| 性欧美人与动物交配| www.熟女人妻精品国产| 亚洲国产日韩欧美精品在线观看 | bbb黄色大片| 欧美成人免费av一区二区三区| 久久青草综合色| 欧美性长视频在线观看| 亚洲中文字幕一区二区三区有码在线看 | 一级毛片精品| 中文在线观看免费www的网站 | 午夜福利一区二区在线看| 国产私拍福利视频在线观看| 久久九九热精品免费| www日本在线高清视频| 亚洲成av人片免费观看| 99re在线观看精品视频| 国产激情偷乱视频一区二区| 欧美成狂野欧美在线观看| 亚洲成人精品中文字幕电影| 黑人操中国人逼视频| 久久久国产成人免费| 国产一卡二卡三卡精品| netflix在线观看网站| 亚洲av第一区精品v没综合| 午夜免费成人在线视频| 久久久久国产一级毛片高清牌| 午夜免费观看网址| 日韩精品中文字幕看吧| 美女扒开内裤让男人捅视频| svipshipincom国产片| av视频在线观看入口| 午夜a级毛片| 婷婷精品国产亚洲av| 亚洲精品国产一区二区精华液| 国产又色又爽无遮挡免费看| 欧美性长视频在线观看| 亚洲色图 男人天堂 中文字幕| 草草在线视频免费看| 色综合婷婷激情| 精品熟女少妇八av免费久了| 欧美黑人欧美精品刺激| 精品国产亚洲在线| 一本精品99久久精品77| 亚洲av第一区精品v没综合| 99精品欧美一区二区三区四区| 亚洲美女黄片视频| 麻豆久久精品国产亚洲av| 无限看片的www在线观看| 国产精品一区二区免费欧美| 日韩欧美在线二视频| 两人在一起打扑克的视频| 夜夜爽天天搞| 国产一区二区三区在线臀色熟女| 他把我摸到了高潮在线观看| 久久精品国产亚洲av香蕉五月| 久久久久久大精品| 丝袜人妻中文字幕| 久久久久久亚洲精品国产蜜桃av| 日韩欧美国产在线观看| 美国免费a级毛片| 亚洲一区二区三区色噜噜| 99re在线观看精品视频| 亚洲精品国产精品久久久不卡| 男女视频在线观看网站免费 | 天堂动漫精品| 亚洲国产精品成人综合色| 真人一进一出gif抽搐免费| 日韩一卡2卡3卡4卡2021年| 亚洲第一电影网av| 国产1区2区3区精品| 757午夜福利合集在线观看| 91字幕亚洲| 日韩欧美一区视频在线观看| 精品久久久久久久毛片微露脸| 久久亚洲真实| 桃色一区二区三区在线观看| 男女那种视频在线观看| 好看av亚洲va欧美ⅴa在| 一级a爱视频在线免费观看| 自线自在国产av| 久久天堂一区二区三区四区| 日韩欧美免费精品| 国产麻豆成人av免费视频| 久久久久精品国产欧美久久久| 香蕉久久夜色| 老熟妇仑乱视频hdxx| 巨乳人妻的诱惑在线观看| 国产三级黄色录像| 亚洲自拍偷在线| 婷婷六月久久综合丁香| 91成年电影在线观看| 1024视频免费在线观看| 很黄的视频免费| 制服人妻中文乱码| 99久久99久久久精品蜜桃| 可以在线观看毛片的网站| 天天一区二区日本电影三级| 国产精品99久久99久久久不卡| 精品国产超薄肉色丝袜足j| 欧美精品啪啪一区二区三区| 国产亚洲精品一区二区www| 亚洲人成网站高清观看| 人人妻人人看人人澡| 午夜两性在线视频| 久久久久亚洲av毛片大全| 亚洲国产欧洲综合997久久, | 麻豆成人av在线观看| 宅男免费午夜| 亚洲色图 男人天堂 中文字幕| 黄色毛片三级朝国网站| 亚洲av成人不卡在线观看播放网| 香蕉丝袜av| 色综合欧美亚洲国产小说| 久久久水蜜桃国产精品网| 亚洲精品久久国产高清桃花| 中文在线观看免费www的网站 | 少妇熟女aⅴ在线视频| 亚洲片人在线观看| 99久久无色码亚洲精品果冻| 50天的宝宝边吃奶边哭怎么回事| 一进一出抽搐gif免费好疼| 亚洲精品粉嫩美女一区| www国产在线视频色| 777久久人妻少妇嫩草av网站| 波多野结衣高清作品| 国产成人欧美在线观看| 亚洲中文字幕日韩| 成人亚洲精品一区在线观看| 在线观看日韩欧美| 亚洲精品av麻豆狂野| 欧美又色又爽又黄视频| 俄罗斯特黄特色一大片| 女人被狂操c到高潮| 美女国产高潮福利片在线看| 日韩成人在线观看一区二区三区| av在线天堂中文字幕| 精品午夜福利视频在线观看一区| 欧美乱色亚洲激情| 无遮挡黄片免费观看| 99久久无色码亚洲精品果冻| 中文在线观看免费www的网站 | 午夜激情av网站| 欧美激情 高清一区二区三区| 三级毛片av免费| 国产亚洲精品久久久久久毛片| 国产一区二区三区在线臀色熟女| 久久香蕉激情| 黑人操中国人逼视频| 久久精品aⅴ一区二区三区四区| 91国产中文字幕| 丁香六月欧美| 欧美av亚洲av综合av国产av| 满18在线观看网站| 欧美一级毛片孕妇| 又紧又爽又黄一区二区| 黄片小视频在线播放| bbb黄色大片| 日韩精品中文字幕看吧| 香蕉av资源在线| 在线观看日韩欧美| 亚洲专区字幕在线| 国产av一区二区精品久久| 久久午夜亚洲精品久久| 久久国产亚洲av麻豆专区| 国产又爽黄色视频| 91国产中文字幕| 精品卡一卡二卡四卡免费| 国产又爽黄色视频| 18禁裸乳无遮挡免费网站照片 | 岛国在线观看网站| av欧美777| 别揉我奶头~嗯~啊~动态视频| 一本综合久久免费| 男女做爰动态图高潮gif福利片| www.www免费av| 亚洲国产日韩欧美精品在线观看 | 国产野战对白在线观看| 欧美zozozo另类| 黄片播放在线免费| 欧美+亚洲+日韩+国产| 国产高清有码在线观看视频 | 久久久久国内视频| 久久久久久久久中文| www日本黄色视频网| 最近最新免费中文字幕在线| 国产激情偷乱视频一区二区| 精华霜和精华液先用哪个| 一区二区三区精品91| 在线观看舔阴道视频| 丰满的人妻完整版| 18禁黄网站禁片午夜丰满| 99久久99久久久精品蜜桃| 一区二区日韩欧美中文字幕| 一本久久中文字幕| 久久久久久久久中文| 国产主播在线观看一区二区| 亚洲一卡2卡3卡4卡5卡精品中文| 精品久久久久久久人妻蜜臀av| 午夜免费成人在线视频| 色精品久久人妻99蜜桃| 黄色a级毛片大全视频| 亚洲欧美日韩无卡精品| 啪啪无遮挡十八禁网站| 中文字幕久久专区| 午夜影院日韩av| 成年人黄色毛片网站| 又黄又爽又免费观看的视频| 一二三四社区在线视频社区8| 午夜免费鲁丝| 一区二区三区激情视频| 欧美性猛交╳xxx乱大交人| 国产aⅴ精品一区二区三区波| 亚洲av成人不卡在线观看播放网| 一级片免费观看大全| 久久久久久久久免费视频了| 亚洲美女黄片视频| 亚洲五月婷婷丁香| 免费在线观看视频国产中文字幕亚洲| 99精品欧美一区二区三区四区| 亚洲欧美精品综合久久99| 欧美日韩黄片免| 亚洲欧美一区二区三区黑人| 人妻丰满熟妇av一区二区三区| 亚洲国产毛片av蜜桃av| 国产精品美女特级片免费视频播放器 | 国产片内射在线| 日韩免费av在线播放| 夜夜爽天天搞| 美国免费a级毛片| 欧美黄色片欧美黄色片| 女人被狂操c到高潮| 欧美三级亚洲精品| 亚洲黑人精品在线| 亚洲av中文字字幕乱码综合 | 亚洲成a人片在线一区二区| 每晚都被弄得嗷嗷叫到高潮| 亚洲aⅴ乱码一区二区在线播放 | 黄片播放在线免费| 国产成人系列免费观看| 亚洲人成电影免费在线| 一级黄色大片毛片| 国内毛片毛片毛片毛片毛片| 久久人妻av系列| 国产真人三级小视频在线观看| 国产成人一区二区三区免费视频网站| 午夜两性在线视频| av视频在线观看入口| 中文字幕高清在线视频| 午夜a级毛片| 国产日本99.免费观看| 欧美日韩黄片免| cao死你这个sao货| 亚洲av中文字字幕乱码综合 | 亚洲精品国产一区二区精华液| 国产精品久久久久久亚洲av鲁大| tocl精华| 亚洲国产高清在线一区二区三 | 国产精品永久免费网站| 国产三级在线视频| 欧美日韩福利视频一区二区| 亚洲熟女毛片儿| 亚洲五月天丁香| 天天一区二区日本电影三级| 黄频高清免费视频| 国产精品亚洲美女久久久| 一区二区日韩欧美中文字幕| 欧美另类亚洲清纯唯美| 久久人人精品亚洲av| 国产成人av教育| 国产成人欧美| 欧美色视频一区免费| 国产亚洲精品久久久久久毛片| 国产精品久久久久久人妻精品电影| 女人爽到高潮嗷嗷叫在线视频| 欧美激情极品国产一区二区三区| 久久久久久久久免费视频了| 亚洲av美国av| 一本精品99久久精品77| 男女做爰动态图高潮gif福利片| 亚洲男人的天堂狠狠| 巨乳人妻的诱惑在线观看| 老司机午夜十八禁免费视频| 悠悠久久av| 好男人在线观看高清免费视频 | 亚洲av熟女| 亚洲最大成人中文| 男女之事视频高清在线观看| 久久精品亚洲精品国产色婷小说| 久久中文字幕一级| 欧美乱色亚洲激情| 精品免费久久久久久久清纯| 又黄又粗又硬又大视频| 久久中文字幕人妻熟女| 美国免费a级毛片| 91av网站免费观看| 熟妇人妻久久中文字幕3abv| 精品免费久久久久久久清纯| 免费在线观看视频国产中文字幕亚洲| 国产精品自产拍在线观看55亚洲| 亚洲午夜理论影院| 午夜福利免费观看在线| 午夜日韩欧美国产| 露出奶头的视频| 国产亚洲精品av在线| 美女高潮到喷水免费观看| 男男h啪啪无遮挡| 嫩草影院精品99| 国产精品亚洲美女久久久| 日本免费a在线| 欧美绝顶高潮抽搐喷水| 精品免费久久久久久久清纯| 亚洲va日本ⅴa欧美va伊人久久| 国产伦人伦偷精品视频| 又黄又粗又硬又大视频| 国内毛片毛片毛片毛片毛片| 黑人操中国人逼视频| 国产精品av久久久久免费| 人人妻人人看人人澡| 久久中文字幕一级| 亚洲午夜精品一区,二区,三区| 人成视频在线观看免费观看| 女人爽到高潮嗷嗷叫在线视频| 俄罗斯特黄特色一大片| 美女国产高潮福利片在线看| 母亲3免费完整高清在线观看| 成人国产综合亚洲| 两个人视频免费观看高清| 欧美日韩精品网址| 午夜福利在线观看吧| 亚洲国产高清在线一区二区三 | 亚洲 欧美一区二区三区| а√天堂www在线а√下载| 国产伦在线观看视频一区| 亚洲av电影在线进入| 国产亚洲精品一区二区www| 欧美激情高清一区二区三区| 人人妻人人看人人澡| 国产精品精品国产色婷婷| 国产精品乱码一区二三区的特点| 日韩av在线大香蕉| 国产视频一区二区在线看| 国产亚洲av嫩草精品影院| 亚洲一区高清亚洲精品| 天天躁狠狠躁夜夜躁狠狠躁| 老司机福利观看| 午夜福利一区二区在线看| 午夜成年电影在线免费观看| 国产av在哪里看| 免费在线观看成人毛片| 国产精品香港三级国产av潘金莲| 女人被狂操c到高潮| 国产亚洲精品第一综合不卡| 久久久久久亚洲精品国产蜜桃av| 一区福利在线观看| 天堂影院成人在线观看| 国产黄a三级三级三级人| 精品国产国语对白av| 99国产精品一区二区蜜桃av| 亚洲五月色婷婷综合| 精品熟女少妇八av免费久了| 午夜福利在线在线| 老司机午夜福利在线观看视频| 午夜免费观看网址| 黄色a级毛片大全视频|