• <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 ?

    基于改進(jìn)U-Net 網(wǎng)絡(luò)的圖像混合畸變校正方法

    2023-11-18 12:13:10師麗彪耿立佳馬振玲杜艷玲
    液晶與顯示 2023年11期
    關(guān)鍵詞:畸變校正損失

    宋 巍,師麗彪,耿立佳,馬振玲*,杜艷玲

    (1.上海海洋大學(xué) 信息學(xué)院,上海 201306;2.國(guó)家海洋局 東海標(biāo)準(zhǔn)計(jì)量中心,上海 201306)

    1 引 言

    廣角鏡頭由于其寬闊的視野,被廣泛應(yīng)用于各種計(jì)算機(jī)視覺任務(wù)中,包括深度估計(jì)[1]、視頻監(jiān)控[2]、物體檢測(cè)與識(shí)別[3]等。然而廣角鏡頭大多數(shù)存在鏡頭畸變,影響目標(biāo)測(cè)量與特征提取精度。因此,圖像幾何畸變校正是許多計(jì)算機(jī)視覺應(yīng)用的關(guān)鍵預(yù)處理步驟。

    相機(jī)標(biāo)定法[4-6]是最常用的圖像畸變校正方法,該方法可以借助特定的標(biāo)定板來(lái)求解相機(jī)的內(nèi)參數(shù)、外參數(shù)和畸變參數(shù),也可以基于圖像的幾何特征建立約束條件進(jìn)行求解。Sun 等人[7]提出了基于兩條正交平行線消失點(diǎn)優(yōu)化的校正方法。Workman 等人[8]估計(jì)了單幅圖像中的地平線。文獻(xiàn)[9]利用雙正交消失點(diǎn)優(yōu)化方法結(jié)合直線在畸變校正后也應(yīng)為直線的特性來(lái)完成相機(jī)標(biāo)定工作。這類方法需要事先已知相機(jī)鏡頭畸變類型,并能用數(shù)學(xué)模型進(jìn)行描述,然而現(xiàn)在傳感器類型眾多,成像環(huán)境復(fù)雜,圖像畸變類型復(fù)雜,很難用固定的數(shù)學(xué)模型對(duì)畸變進(jìn)行描述,因此該校正方法的適用性受到限制。

    隨著深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺方向的快速發(fā)展,該技術(shù)也逐漸被學(xué)者應(yīng)用到圖像的幾何畸變校正工作上。早期使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)進(jìn)行徑向畸變校正的相關(guān)工作是2016年由Rong等人[10]提出的。該方法基于單參數(shù)模型[11],將一個(gè)固定范圍的畸變參數(shù)離散為400 種類別,并以此為基礎(chǔ)生成訓(xùn)練數(shù)據(jù)集,將畸變校正任務(wù)轉(zhuǎn)變?yōu)榛儏?shù)分類任務(wù)。文獻(xiàn)[12]也是基于畸變參數(shù)分類的思想,使用具有自校準(zhǔn)運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)(Structure From Motion,SFM)重建圖像序列來(lái)獲得相機(jī)的畸變參數(shù)和二者的函數(shù)關(guān)系來(lái)簡(jiǎn)化畸變模型,利用CNN 網(wǎng)絡(luò)提取徑向畸變的特征,最后將兩個(gè)畸變參數(shù)預(yù)測(cè)問題轉(zhuǎn)為單個(gè)參數(shù)的分類問題。2019 年,Liao 等人[13]提出了一個(gè)畸變校正生成對(duì)抗網(wǎng)絡(luò),這是首個(gè)采用端到端對(duì)抗網(wǎng)絡(luò)來(lái)學(xué)習(xí)兩幅圖像之間的結(jié)構(gòu)差異然后進(jìn)行畸變校正的方法,該方法與Rong 等人方法[10]對(duì)比實(shí)現(xiàn)了無(wú)標(biāo)簽訓(xùn)練。2019 年,Li[14]提 出了一種校正框架實(shí)現(xiàn)盲幾何畸變校正,同時(shí)提供了一種幾何畸變數(shù)據(jù)集的構(gòu)建方法。該方法中使用CNN 來(lái)學(xué)習(xí)校正圖像和畸變圖像之間像素坐標(biāo)位移的變化,將圖像的校正工作轉(zhuǎn)為像素坐標(biāo)位移變化的預(yù)測(cè)。2020 年,文獻(xiàn)[15]基于單參數(shù)模型提出了一種新的模型,構(gòu)建了徑向畸變合成層和校正層(Radial Distortion Synthesis and Correction layers,RDS&RDC),該方法數(shù)據(jù)的合成和校正速度得到了提升。2021 年,文獻(xiàn)[16]設(shè)計(jì)了一個(gè)多層次的校正流程,將校正任務(wù)分解為結(jié)構(gòu)恢復(fù)、語(yǔ)義嵌入和紋理渲染3 個(gè)層次,使用分層結(jié)構(gòu)實(shí)現(xiàn)漸進(jìn)式校正圖像并取得了較好的結(jié)果。文獻(xiàn)[17]提出了一種將圖像校正問題映射為從圖像中學(xué)習(xí)序數(shù)畸變的方法,序數(shù)畸變表示了圖像中像素的畸變程度,它從圖像中心點(diǎn)向外依次增加。目前基于深度學(xué)習(xí)的圖像幾何畸變校正方法大多針對(duì)單一畸變類型,而相機(jī)獲取的影像包含徑向畸變、切向畸變等多種混合畸變,因此當(dāng)前方法在解決混合畸變校正時(shí)存在明顯局限性。

    針對(duì)傳統(tǒng)校正方法依賴畸變數(shù)學(xué)模型適用性較差和深度學(xué)習(xí)方法在校正混合畸變存在局限性的問題,本文提出了一種結(jié)合空間注意力機(jī)制與U-Net 網(wǎng)絡(luò)來(lái)校正混合畸變的方法。本文綜合考慮圖像徑向和切向混合畸變構(gòu)建了畸變圖像數(shù)據(jù)集,使用畸變圖像和無(wú)畸變圖像之間的像素坐標(biāo)位移變化來(lái)表示畸變,將校正問題轉(zhuǎn)為預(yù)測(cè)畸變圖像的逐像素坐標(biāo)位移變化。利用U-Net 編解碼器結(jié)構(gòu)網(wǎng)絡(luò)來(lái)學(xué)習(xí)畸變圖像的多尺度特征及重建畸變圖像坐標(biāo)位移圖,同時(shí)引入空間注意力機(jī)制來(lái)響應(yīng)畸變圖像中不同位置畸變程度的影響,設(shè)計(jì)了坐標(biāo)差損失和圖像重采樣損失兩種損失函數(shù)來(lái)提高校正精度。與最新基于深度學(xué)習(xí)的畸變校正方法的對(duì)比實(shí)驗(yàn)表明,本方法的校正效果最優(yōu),圖像校正坐標(biāo)向量的平均絕對(duì)誤差約為0.251 9,主觀評(píng)價(jià)的評(píng)分為4.597。

    2 數(shù)據(jù)集構(gòu)建

    2.1 混合畸變模型

    攝像機(jī)成像的基本原理是針孔相機(jī)模型,但是由于相機(jī)的制造精度和組裝工藝等的偏差會(huì)引入畸變,導(dǎo)致圖像的成像模型不滿足針孔相機(jī)模型,因此需要考慮成像幾何畸變問題。大多數(shù)透鏡的畸變主要由徑向畸變和切向畸變構(gòu)成[18]。徑向畸變是圖像像素點(diǎn)以畸變中心為中心點(diǎn),沿著徑向產(chǎn)生的位置偏差;切向畸變由透鏡本身與相機(jī)傳感器平面不平行引起。在物理坐標(biāo)系下,實(shí)際像點(diǎn)p(x,y)與理想無(wú)畸變像點(diǎn)的數(shù)學(xué)關(guān)系表述為:

    式中:r2=x2+y2,k1、k2、k3是徑向畸變系數(shù),p1、p2是切向畸變系數(shù)。徑向畸變與切向畸變?yōu)閞的多項(xiàng)式表達(dá)式,根據(jù)林德曼-魏爾斯特拉斯定理,任何函數(shù)(混合畸變)都可以由多項(xiàng)式擬合得到[19],因此,本文選擇徑向畸變和切向畸變的多項(xiàng)式數(shù)學(xué)表達(dá)式來(lái)描述混合畸變。

    2.2 圖像數(shù)據(jù)集選擇

    為了訓(xùn)練本文網(wǎng)絡(luò)來(lái)完成幾何畸變校正工作,需要準(zhǔn)備大量的數(shù)據(jù)集作為預(yù)備數(shù)據(jù)集。目前基于深度學(xué)習(xí)的方法對(duì)畸變圖像校正的研究工作中,數(shù)據(jù)集都是單一的徑向畸變而且畸變圖像的分辨率較小,多為256 pixel×256 pixel,會(huì)損失掉畸變程度較大的圖像邊緣信息。考慮到包含徑向畸變的圖像,其畸變距離圖像中心越遠(yuǎn)畸變程度越大,因此為了保留較多的畸變特征需要生成較大分辨率的畸變圖像。

    首先需要選擇圖像數(shù)據(jù)源。基于上述考慮,本文選擇了place365 圖像數(shù)據(jù)集[20],并將數(shù)據(jù)集中的圖像裁剪為512 pixel×512 pixel 的大小。對(duì)于具有明顯的幾何結(jié)構(gòu)的圖像,如直線、弧線、地平線等,可以提供大量的幾何信息供網(wǎng)絡(luò)學(xué)習(xí),因此我們進(jìn)一步對(duì)此類圖像進(jìn)行了篩選,利用霍夫變換篩選出來(lái)具有明顯直線結(jié)構(gòu)的圖像,篩選條件定義為:

    式中:C為圖像的分辨率大小,l表示檢測(cè)的直線長(zhǎng)度,α為最短直線段的長(zhǎng)度。本文中指定α=80,約為圖像分辨率的1/6;λ為數(shù)據(jù)集的選擇因子,該值由源數(shù)據(jù)集圖像數(shù)量和需求數(shù)據(jù)集圖像數(shù)量來(lái)確定,值越大篩選的圖像直線越多,相應(yīng)地篩選出的圖像數(shù)量越少,最終選擇λ=4 篩選了1 800 張圖像作為數(shù)據(jù)集。

    其次,基于傳統(tǒng)相機(jī)標(biāo)定的思想,棋盤格圖像可以為圖像幾何畸變校正提供最顯著的幾何特征,因此本文通過設(shè)定不同的方格大小和圖像的旋轉(zhuǎn)角度來(lái)多樣化棋盤格的特征,生成1 800 張棋盤格圖像(512 pixel×512 pixel)擴(kuò)充數(shù)據(jù)集。

    2.3 數(shù)據(jù)集生成

    不同于Li[14]基于單參數(shù)畸變模型的徑向畸變數(shù)據(jù)集構(gòu)建方法,本文提供了一種混合畸變類型的數(shù)據(jù)集構(gòu)建方法。由公式(1)可知,本文使用的畸變模型包含兩種畸變類型,該模型對(duì)于徑向畸變的描述由多個(gè)畸變參數(shù)k來(lái)確定,而且還可以通過添加切向分量來(lái)擴(kuò)展以處理非徑向?qū)ΨQ的畸變,而單參數(shù)模型僅只能描述徑向?qū)ΨQ的畸變。數(shù)據(jù)集的具體構(gòu)建流程如下:

    首先,對(duì)GoPro 相機(jī)的不同模式進(jìn)行相機(jī)標(biāo)定工作,獲取4 種不同的相機(jī)內(nèi)參數(shù)fx、fy、cx、cy和畸變參數(shù)k1、k2、k3、p1、p2,詳細(xì)參數(shù)如表1 所示。然后,依據(jù)公式(1)中坐標(biāo)的映射關(guān)系生成混合畸變圖像(512 pixel×512 pixel)數(shù)據(jù)集I和其對(duì)應(yīng)的坐標(biāo)差數(shù)據(jù)集V,坐標(biāo)差數(shù)據(jù)集V記錄了在像素坐標(biāo)系下畸變圖像中的像素點(diǎn)p(x,y)與其相對(duì)應(yīng)的無(wú)畸變的圖像中的像素點(diǎn)的差值。由于生成的畸變圖像在邊緣存在黑邊,且考慮盡量保留遠(yuǎn)離圖像中心的信息,因此在圖像中心裁剪出352 pixel×352 pixel 大小的圖像和坐標(biāo)差向量作為最終的數(shù)據(jù)集,最終生成畸變圖像14 400 張,其中12 000 張用于訓(xùn)練模型,2 400 張用于測(cè)試模型。合成數(shù)據(jù)集的部分圖像如圖1 所示。

    圖1 合成數(shù)據(jù)集的部分圖像Fig.1 Part of the images in the synthetic dataset

    表1 相機(jī)內(nèi)參數(shù)與畸變參數(shù)Tab.1 Camera inner parameters and distortion parameters

    3 實(shí)驗(yàn)方法

    本文設(shè)計(jì)的畸變校正網(wǎng)絡(luò)架構(gòu)如圖2 所示。圖中(a)為輸入畸變圖像,(b)是U-net 主干網(wǎng)絡(luò),(c1)是模型預(yù)測(cè)的坐標(biāo)差矩陣,(c2)是坐標(biāo)差矩陣的標(biāo)簽,(d1)是模型校正后的圖像,(d2)是圖像的標(biāo)簽。本文使用U-Net[21]作為主干網(wǎng)絡(luò)模型來(lái)提取圖像的特征,并讓網(wǎng)絡(luò)學(xué)習(xí)從畸變圖像域到校正坐標(biāo)域的映射。校正坐標(biāo)域與輸入的畸變圖像具有相同大小的二維向量,通過預(yù)測(cè)的校正坐標(biāo)域向量進(jìn)行圖像重采樣來(lái)獲得校正后的圖像。校正坐標(biāo)域的預(yù)測(cè)值和校正圖像的精度相關(guān),因此本文重點(diǎn)設(shè)計(jì)了損失函數(shù)來(lái)提高模型的預(yù)測(cè)精度。

    圖2 網(wǎng)絡(luò)架構(gòu)Fig.2 Network architecture

    3.1 U-Net 主干網(wǎng)絡(luò)

    U-Net[21]網(wǎng)絡(luò)最初由Ronneberger 在2015 年發(fā)表,應(yīng)用在醫(yī)學(xué)圖像分割領(lǐng)域中并取得了良好的分割效果。該網(wǎng)絡(luò)基于Encoder-Decoder 結(jié)構(gòu),是一種U 形對(duì)稱結(jié)構(gòu),主要結(jié)構(gòu)包括下采樣、上采樣和跳躍連接。在網(wǎng)絡(luò)的下采樣部分,對(duì)圖像進(jìn)行編碼,由尺寸為3×3 的卷積層、ReLU 函數(shù)和尺寸為2×2 的池化層構(gòu)成,對(duì)輸入的圖像進(jìn)行4 次下采樣操作,每次下采樣操作后特征圖的尺寸下降,同時(shí)通道數(shù)翻倍。在網(wǎng)絡(luò)的上采樣部分,對(duì)圖像進(jìn)行解碼,通過4 次尺寸為2×2 的反卷積層實(shí)現(xiàn)上采樣,擴(kuò)大特征圖尺寸,恢復(fù)到輸入圖像尺寸大小。網(wǎng)絡(luò)的跳躍連接結(jié)構(gòu)將解碼層中的高層特征和編碼層中的低層特征進(jìn)行融合、抽象特征與細(xì)節(jié)特征進(jìn)行融合,實(shí)現(xiàn)了多尺度特征融合,使得捕獲的特征圖既包含全局信息,又包含局部信息,提高了特征的表現(xiàn)力。

    選擇U-Net 網(wǎng)絡(luò)可以更好地提取畸變圖像的特征,且模型的訓(xùn)練速度也得到了提升。將一張三通道的畸變圖像輸入到網(wǎng)絡(luò),經(jīng)過模型的學(xué)習(xí)輸出一個(gè)具有和輸入圖像相同尺寸大小的二維坐標(biāo)差向量。

    3.2 空間注意力機(jī)制

    在畸變圖像中,畸變程度由中心向圖像四周逐漸擴(kuò)大,因此本文在編碼器網(wǎng)絡(luò)輸出層加入了空間注意力機(jī)制(Spatial Attention,SA)[22],既保證了主干網(wǎng)絡(luò)充分提取圖像的特征,又從空間維度細(xì)化了提取到的特征圖??臻g注意力模塊如圖3 所示,將輸入的特征圖在每一個(gè)特征點(diǎn)的通道上取最大值和平均值,將結(jié)果堆疊,再通過一個(gè)卷積核為7×7 大小的卷積層得到通道數(shù)為1 的特征圖,然后將該特征圖通過sigmoid 函數(shù)后與輸入特征圖相乘得到輸出特征圖。其具體計(jì)算公式如式(3)所示:

    圖3 空間注意力模塊結(jié)構(gòu)Fig.3 Structure of the spatial attention module

    式中:I代表輸入特征圖,O代表輸出特征圖,f7(· )表示卷積核為7×7 的卷積運(yùn)算,cat 表示堆疊操作,δ是Sigmoid 函數(shù)。

    3.3 坐標(biāo)差損失

    在Li[14]的方法中,損失函數(shù)(Endpoint Error,EPE)表示為預(yù)測(cè)的坐標(biāo)差向量與真值之間的歐氏距離,網(wǎng)絡(luò)估計(jì)的坐標(biāo)差向量Vpred是對(duì)畸變圖像的逐個(gè)像素進(jìn)行預(yù)測(cè),表示了畸變圖像的像素應(yīng)該如何移動(dòng)到原始無(wú)畸變圖像中對(duì)應(yīng)的像素。本文首先使用平均絕對(duì)誤差(Mean Absolute Error,MAE)作為損失函數(shù),表示預(yù)測(cè)的坐標(biāo)差向量Vpred與真值Vgt之間的平均絕對(duì)誤差,其定義為:

    式中,n為坐標(biāo)差向量元素總數(shù)。

    經(jīng)過對(duì)預(yù)測(cè)坐標(biāo)差向量分析,發(fā)現(xiàn)預(yù)測(cè)向量呈現(xiàn)出偏離中心越遠(yuǎn)預(yù)測(cè)誤差越大的特征,因此我們?cè)O(shè)計(jì)了權(quán)重向量M來(lái)優(yōu)化上述損失函數(shù),使得網(wǎng)絡(luò)能夠提高對(duì)坐標(biāo)差向量邊緣的預(yù)測(cè)精度。以坐標(biāo)差向量對(duì)應(yīng)的真值向量Vpred的逐像素點(diǎn)到坐標(biāo)(0,0)的歐氏距離作為權(quán)重指標(biāo),將歐式距離歸一化后得到權(quán)重向量M,M具有和預(yù)測(cè)坐標(biāo)差向量Vpred相同的形狀,其定義由公式(5)給出:

    式中,G是歸一化函數(shù)。

    最終,坐標(biāo)差損失函數(shù)定義為:

    式中:n為坐標(biāo)差向量元素總數(shù),M為權(quán)重向量。

    3.4 重采樣損失

    最終的校正圖像由預(yù)測(cè)的坐標(biāo)差向量對(duì)畸變圖像進(jìn)行重采樣得到。為了進(jìn)一步提高校正效果,本文設(shè)計(jì)了一個(gè)圖像重采樣損失函數(shù)L2,表示由預(yù)測(cè)坐標(biāo)差向量重采樣后得到的校正圖像Ipred與無(wú)畸變圖像Igt之間的逐像素點(diǎn)的歐式距離。將其定義為:

    式中,n表示像素點(diǎn)的個(gè)數(shù)。

    最終本文的損失函數(shù)定義為:

    其中:權(quán)重μ在坐標(biāo)差預(yù)測(cè)和重采樣損失之間提供了權(quán)衡,本文中μ=0.5。

    4 實(shí)驗(yàn)結(jié)果與分析

    4.1 實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置

    本文實(shí)驗(yàn)在Tesla-P100 GPU 上進(jìn)行,選用Pytorch 深度學(xué)習(xí)框架進(jìn)行算法實(shí)現(xiàn),運(yùn)行環(huán)境為Python3.6、Pytorch1.8、cuda10.1。批尺寸(Batch size)的值為24,優(yōu)化器使用Adam(Adaptive Moment Estimation),學(xué)習(xí)率設(shè)定為1×10-4,共迭代200 epoch 后收斂。

    4.2 評(píng)價(jià)指標(biāo)

    本文采用3 個(gè)評(píng)價(jià)指標(biāo)。第一個(gè)指標(biāo)定義為網(wǎng)絡(luò)預(yù)測(cè)的坐標(biāo)差向量Vpred與真值Vgt之間的平均絕對(duì)誤差,該指標(biāo)直接反應(yīng)了模型的預(yù)測(cè)精度。該值越接近于0 表明網(wǎng)絡(luò)預(yù)測(cè)的坐標(biāo)差向量精度越高,相應(yīng)地重采樣生成的圖像校正效果越好。其他兩個(gè)指標(biāo)沿用了圖像校正研究常用的評(píng)價(jià)指標(biāo)[23-24],這兩種指標(biāo)反應(yīng)了校正后圖像的質(zhì)量以及校正精度;峰值信噪比(Peak Signal to Noise Ratio,PSNR)和結(jié)構(gòu)相似性指數(shù)(Structural Similarity,SSIM)。PSNR 值高于20 dB 圖像質(zhì)量才能被接受,該值越大,表明圖像失真越少。SSIM值的范圍為0~1,值越大代表校正后的圖像質(zhì)量越接近原圖。

    4.3 與其他方法的對(duì)比

    為了驗(yàn)證本文方法的有效性,對(duì)比了兩種最新基于深 度學(xué)習(xí) 的Li[14]和Hosono[25]的幾何 畸變圖像校正方法以及3 種采用不同主干網(wǎng)絡(luò)U-Net[20]、PSPNet[26]、DeepLabV3+[27]的模型。

    雖然近年來(lái)有多種基于深度學(xué)習(xí)的幾何畸變圖像校正方法被陸續(xù)提出,但由于沒有公開代碼不便進(jìn)行對(duì)比。因此,本文選擇了有公開代碼的Li[14](2019 年)和Hosono[23](2021 年)的方法,并使用本文構(gòu)建的數(shù)據(jù)集對(duì)其進(jìn)行了訓(xùn)練和測(cè)試。Li提出的盲目校正多類型幾何畸變的方法采用了編解碼網(wǎng)絡(luò)來(lái)學(xué)習(xí)畸變圖像的特征,以預(yù)測(cè)的坐標(biāo)差向量與真值之間的歐氏距離作為損失函數(shù),通過預(yù)測(cè)的坐標(biāo)差向量來(lái)重采樣畸變圖像實(shí)現(xiàn)校正。Hosono 的方法以VGG 網(wǎng)絡(luò)為基礎(chǔ)構(gòu)建了畸變參數(shù)評(píng)估網(wǎng)絡(luò)模型來(lái)預(yù)測(cè)畸變圖像的畸變參數(shù)進(jìn)而實(shí)現(xiàn)校正,利用扭曲的直線校正后仍為直線的特性提出了線條重構(gòu)誤差損失來(lái)提高網(wǎng)絡(luò)的預(yù)測(cè)精度。這兩種方法有一定的代表性。

    此外,考慮到主干網(wǎng)絡(luò)結(jié)構(gòu)對(duì)性能的影響,在本文輸入、輸出及損失函數(shù)不變的前提下,替換主干網(wǎng)絡(luò)后進(jìn)行訓(xùn)練和測(cè)試。對(duì)比的主干網(wǎng)絡(luò)包括在細(xì)粒度特征學(xué)習(xí)方面表現(xiàn)優(yōu)秀的PSPNet、DeepLabV3+網(wǎng)絡(luò)以及本文選擇的基礎(chǔ)網(wǎng)絡(luò)UNet。PSPNet 通過整合全局上下文信息的金字塔池化模塊增強(qiáng)了多尺度信息的融合,減小了局部和全局的損失。DeepLabV3+通過引入空洞卷積,在不損失信息的情況下,加大了感受野,讓每個(gè)卷積輸出都包含較大范圍的信息。

    4.3.1 定量數(shù)據(jù)分析

    使用本文方法所提出的數(shù)據(jù)集,從測(cè)試集中選取了2 400張圖像進(jìn)行了幾何畸變校正實(shí)驗(yàn)。根據(jù)3 個(gè)評(píng)價(jià)指標(biāo)MAE、PSNR 和SSIM 來(lái)定量地評(píng)價(jià)不同方法的校正效果,結(jié)果如表2 所示。

    表2 不同方法在測(cè)試數(shù)據(jù)集上的評(píng)價(jià)結(jié)果Tab.2 Evaluation results of different methods on the test dataset

    表2 的定量結(jié)果表明,本文方法在預(yù)測(cè)坐標(biāo)差向量的精度、圖像校正和結(jié)構(gòu)恢復(fù)方面都優(yōu)于其他方法,在定量評(píng)估中取得了最高分。原因有:(1)U-Net 網(wǎng)絡(luò)相比于其他網(wǎng)絡(luò)模型可以更好地提取畸變圖像的幾何特征,提高網(wǎng)絡(luò)的學(xué)習(xí)能力;(2)空間注意力機(jī)制的應(yīng)用進(jìn)一步輔助U-Net網(wǎng)絡(luò)學(xué)習(xí)圖像的空間信息;(3)兩種損失函數(shù)增強(qiáng)了網(wǎng)絡(luò)的預(yù)測(cè)精度。

    4.3.2 主觀評(píng)價(jià)分析

    為了進(jìn)一步驗(yàn)證本文方法的校正效果,根據(jù)雙激勵(lì)損傷尺度(Double Stimulus Impairment Scale,DSIS)圖像質(zhì)量主觀評(píng)價(jià)方法[28]設(shè)計(jì)了針對(duì)圖像校正的主觀評(píng)價(jià)實(shí)驗(yàn),具體過程如下:

    (1)數(shù)據(jù)準(zhǔn)備。從測(cè)試數(shù)據(jù)集中按照4 種畸變類型,每類隨機(jī)選擇2 張棋盤格圖像和3 張普通圖像,共20 張畸變圖像,然后選擇對(duì)應(yīng)的標(biāo)簽圖像作為主觀評(píng)價(jià)中的參考圖像。將這20 張圖像分別采用表2 中所提及的6 種方法進(jìn)行校正,得到校正圖像。以參考圖像和每張校正圖像為一組進(jìn)行測(cè)試,共形成120 組測(cè)試圖像對(duì)。

    (2)評(píng)級(jí)劃分。參考DSIS中的評(píng)級(jí)方法,采用5級(jí)評(píng)分制(1~5分)表示校正圖像相對(duì)于參考圖像的質(zhì)量損失程度,具體等級(jí)劃分說(shuō)明如表3所示。

    表3 評(píng)分等級(jí)說(shuō)明Tab.3 Description of the grading scale

    (3)評(píng)價(jià)實(shí)施。邀請(qǐng)20 位在校研究生參與實(shí)驗(yàn),其中女生8人,男生12人,且都沒有圖像畸變校正相關(guān)背景。在開始實(shí)驗(yàn)之前,為受試者做一個(gè)簡(jiǎn)短的培訓(xùn),說(shuō)明評(píng)分細(xì)則,然后進(jìn)行3 組測(cè)試實(shí)驗(yàn),熟悉測(cè)試實(shí)驗(yàn)流程(測(cè)試實(shí)驗(yàn)不記入正式實(shí)驗(yàn)結(jié)果)。每位受試者觀察一對(duì)測(cè)試組合(參考圖像與根據(jù)所使用方法編號(hào)后的校正圖像)并進(jìn)行評(píng)分。

    (4)評(píng)價(jià)結(jié)果。經(jīng)相關(guān)性分析,將相關(guān)性系數(shù)小于0.75 的2 組數(shù)據(jù)剔除掉,接受18 位受試者的主觀評(píng)價(jià)數(shù)據(jù)。計(jì)算這18 位受試者的平均意見得分(Mean Opinion Score,MOS)和方差(Variance),如表4所示。主觀評(píng)價(jià)結(jié)果表明,本文方法的MOS分值最高且方差最低,說(shuō)明方法的校正效果最佳且較為穩(wěn)定。同時(shí),經(jīng)過T-test 的成對(duì)統(tǒng)計(jì)檢驗(yàn),本文方法的主觀評(píng)價(jià)分?jǐn)?shù)均顯著高于其他方法(p<0.05)。

    表4 不同方法主觀評(píng)價(jià)分?jǐn)?shù)Tab.4 Subjective evaluation scores of different methods

    圖4 給出了部分測(cè)試樣例。在圖4 中可以直觀地看到本文方法在普通圖像和棋盤格圖像都取得了良好的校正效果,且畸變程度較大的圖像邊緣部分也得到了較好的校正。Hosono 方法對(duì)于測(cè)試圖像整體校正效果較差,而且校正后的圖像像素不平滑。其他方法對(duì)棋盤格圖像都有較好的校正效果,對(duì)于普通圖像,Li方法、PSPNet網(wǎng)絡(luò)、U-Net 網(wǎng)絡(luò)在圖像的邊緣校正效果明顯下降,而DeepLabV3+網(wǎng)絡(luò)則是對(duì)圖像中心進(jìn)行了過度的校正,導(dǎo)致畸變程度最小的圖像中心發(fā)生了扭曲。主觀觀察結(jié)果與主觀評(píng)價(jià)結(jié)果(表4)較為一致。

    圖4 主觀評(píng)價(jià)實(shí)驗(yàn)數(shù)據(jù)的樣例圖Fig.4 Examples of the subjective evaluation experiment

    4.4 消融實(shí)驗(yàn)

    本節(jié)進(jìn)行了消融實(shí)驗(yàn)研究,以評(píng)估所提出的損失函數(shù)的有效性。保持其他訓(xùn)練條件相同,僅改變損失函數(shù),以MAE、PSNR、SSIM 3 種指標(biāo)來(lái)定量地對(duì)比不同損失函數(shù)對(duì)網(wǎng)絡(luò)預(yù)測(cè)的精度和畸變圖像校正的影響。實(shí)驗(yàn)結(jié)果如表5 所示。

    表5 損失函數(shù)的消融實(shí)驗(yàn)Tab.5 Ablation experiments of loss function

    表5 結(jié)果表明,使用平均絕對(duì)誤差損失L0比Li 方法中使用的EPE 損失有更高的預(yù)測(cè)精度,而且坐標(biāo)差損失通過權(quán)重向量M優(yōu)化可以進(jìn)一步提高模型的預(yù)測(cè)精度,降低預(yù)測(cè)坐標(biāo)差向量Vpred的邊緣預(yù)測(cè)誤差。圖像的重采樣損失L2同樣發(fā)揮了作用,與坐標(biāo)差損失L1相互補(bǔ)充,進(jìn)一步提高了畸變圖像的校正效果。

    4.5 GoPro 光學(xué)影像校正

    除以上在測(cè)試集上的性能驗(yàn)證外,還將Li 的方法、Hosono 的方法和本文的方法應(yīng)用于GoPro相機(jī)獲取的真實(shí)影像的校正,實(shí)驗(yàn)結(jié)果如圖5 所示。圖5(a)為使用GoPro 相機(jī)拍攝的“魚眼”畸變的圖像(壓縮為352 pixel×352 pixel)、圖5(b)為L(zhǎng)i 方法校正后的圖像、圖5(c)為Hosono 方法校正后的圖像、圖5(d)為本文方法校正后的圖像。從圖中可直觀地看出,本文方法校正效果優(yōu)于其他兩種方法,說(shuō)明所提出方法的泛化性能較好,可以直接應(yīng)用于對(duì)GoPro 相機(jī)拍攝圖像的校正。

    圖5 GoPro 相機(jī)光學(xué)影像的校正對(duì)比實(shí)驗(yàn)Fig.5 Correction and comparison experiment of optical images of GoPro cameras

    5 結(jié) 論

    本文提出了一種混合畸變的數(shù)據(jù)集構(gòu)建方法,使用深度學(xué)習(xí)的方法將畸變圖像校正問題轉(zhuǎn)為預(yù)測(cè)畸變圖像的逐像素坐標(biāo)變化問題,擺脫了傳統(tǒng)方法中復(fù)雜的數(shù)學(xué)模型計(jì)算等問題,增加了校正方法的適用性。實(shí)驗(yàn)結(jié)果表明,本文方法對(duì)于普通圖像和棋盤格圖像都有良好的校正效果,所提出的兩種損失函數(shù)對(duì)于模型預(yù)測(cè)的準(zhǔn)確度和圖像的校正都起到了重要的作用。其中,MAE 為0.251 9,SSIM 為0.930 6,PSNR 為35.796 8 dB。GoPro 影像的校正實(shí)驗(yàn)進(jìn)一步證明了本文方法的適用性和實(shí)用性。

    猜你喜歡
    畸變校正損失
    少問一句,損失千金
    胖胖損失了多少元
    劉光第《南旋記》校正
    玉米抽穗前倒伏怎么辦?怎么減少損失?
    一類具有校正隔離率隨機(jī)SIQS模型的絕滅性與分布
    在Lightroom中校正鏡頭與透視畸變
    機(jī)內(nèi)校正
    一般自由碰撞的最大動(dòng)能損失
    輻射誘導(dǎo)染色體畸變的快速FISH方法的建立
    一種基于eNode B的主動(dòng)式頻偏校正算法
    高清在线视频一区二区三区 | 国产国拍精品亚洲av在线观看| 国产真实乱freesex| 一级爰片在线观看| 深爱激情五月婷婷| 综合色av麻豆| 亚洲精品,欧美精品| 黄色日韩在线| a级一级毛片免费在线观看| 两个人的视频大全免费| 午夜激情欧美在线| 久久久国产成人免费| 国产一区二区亚洲精品在线观看| 91久久精品电影网| 岛国毛片在线播放| 白带黄色成豆腐渣| 欧美一级a爱片免费观看看| 少妇熟女欧美另类| 日韩人妻高清精品专区| 亚洲中文字幕日韩| 波多野结衣巨乳人妻| 亚洲av电影不卡..在线观看| 精品久久久久久久末码| 搡老妇女老女人老熟妇| 亚洲自偷自拍三级| 免费不卡的大黄色大毛片视频在线观看 | 久久精品久久久久久噜噜老黄 | 久久综合国产亚洲精品| 欧美精品国产亚洲| 白带黄色成豆腐渣| 久久久久免费精品人妻一区二区| 久久精品国产99精品国产亚洲性色| 久久久久精品久久久久真实原创| 禁无遮挡网站| 日韩精品青青久久久久久| 最近最新中文字幕大全电影3| 成人午夜高清在线视频| 免费观看人在逋| 欧美精品国产亚洲| av在线观看视频网站免费| 波多野结衣高清无吗| 我的老师免费观看完整版| a级一级毛片免费在线观看| 亚洲av成人精品一区久久| 麻豆乱淫一区二区| 亚洲欧美中文字幕日韩二区| 天天躁日日操中文字幕| 国语对白做爰xxxⅹ性视频网站| 女人十人毛片免费观看3o分钟| 久久精品久久精品一区二区三区| 国产一区二区在线观看日韩| 国产精品久久久久久精品电影| 特级一级黄色大片| 国产免费男女视频| 毛片一级片免费看久久久久| 久久人人爽人人爽人人片va| 久久久久久久久久黄片| 成年女人永久免费观看视频| 亚洲精品成人久久久久久| 中文欧美无线码| 国产精品久久久久久久电影| 插逼视频在线观看| 久久久久久久久中文| 国产午夜精品一二区理论片| 联通29元200g的流量卡| 啦啦啦韩国在线观看视频| 国产 一区 欧美 日韩| av线在线观看网站| 观看免费一级毛片| 午夜福利视频1000在线观看| 国产老妇伦熟女老妇高清| 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 | 亚洲国产最新在线播放| 一个人免费在线观看电影| 成人漫画全彩无遮挡| 日本免费a在线| 久久综合国产亚洲精品| 哪个播放器可以免费观看大片| 熟妇人妻久久中文字幕3abv| 日韩欧美在线乱码| 成人亚洲精品av一区二区| 日本av手机在线免费观看| 我要看日韩黄色一级片| 亚洲av男天堂| 日韩精品青青久久久久久| 一区二区三区高清视频在线| 精华霜和精华液先用哪个| 身体一侧抽搐| av在线观看视频网站免费| 不卡视频在线观看欧美| 欧美激情久久久久久爽电影| 美女被艹到高潮喷水动态| 少妇熟女欧美另类| 欧美3d第一页| 国内精品宾馆在线| 99热全是精品| 久久精品国产亚洲网站| 大香蕉97超碰在线| 建设人人有责人人尽责人人享有的 | 国产精品综合久久久久久久免费| 看片在线看免费视频| 亚洲人成网站高清观看| 国产亚洲一区二区精品| 久久精品国产亚洲av天美| 久久精品国产99精品国产亚洲性色| 欧美丝袜亚洲另类| 99久久精品国产国产毛片| 久久久国产成人免费| 69人妻影院| 精品久久久久久久末码| 成人漫画全彩无遮挡| 超碰av人人做人人爽久久| 免费观看人在逋| 国产黄a三级三级三级人| 日日干狠狠操夜夜爽| 亚洲高清免费不卡视频| 国产精品嫩草影院av在线观看| av又黄又爽大尺度在线免费看 | a级一级毛片免费在线观看| 简卡轻食公司| 春色校园在线视频观看| 色噜噜av男人的天堂激情| 永久网站在线| 国产色婷婷99| 免费无遮挡裸体视频| 日本免费在线观看一区| 色5月婷婷丁香| 欧美人与善性xxx| 91午夜精品亚洲一区二区三区| 又黄又爽又刺激的免费视频.| 免费一级毛片在线播放高清视频| 日韩欧美在线乱码| 亚洲最大成人中文| 欧美日韩综合久久久久久| 国产免费一级a男人的天堂| 成人国产麻豆网| 蜜臀久久99精品久久宅男| 亚洲欧美精品专区久久| 亚洲欧洲日产国产| 国产亚洲av嫩草精品影院| 午夜精品在线福利| 色尼玛亚洲综合影院| 成人高潮视频无遮挡免费网站| 精品少妇黑人巨大在线播放 | 国产免费福利视频在线观看| 亚洲国产精品专区欧美| 3wmmmm亚洲av在线观看| 听说在线观看完整版免费高清| 老司机影院毛片| 婷婷色综合大香蕉| 91午夜精品亚洲一区二区三区| 永久免费av网站大全| 欧美区成人在线视频| 天天躁夜夜躁狠狠久久av| 蜜臀久久99精品久久宅男| 久久久久久久久大av| 国内精品美女久久久久久| 日韩av在线免费看完整版不卡| 色综合亚洲欧美另类图片| 国产av码专区亚洲av| 国产不卡一卡二| 国产精品无大码| 中国国产av一级| 床上黄色一级片| 免费搜索国产男女视频| 乱系列少妇在线播放| 99久国产av精品| 亚洲国产色片| 国产一区有黄有色的免费视频 | 免费av不卡在线播放| 国产一区二区三区av在线| 国产一区二区亚洲精品在线观看| 自拍偷自拍亚洲精品老妇| 国产精品国产三级国产av玫瑰| 色吧在线观看| 色哟哟·www| 亚洲欧美日韩高清专用| 国产亚洲av嫩草精品影院| 超碰97精品在线观看| 久久精品国产99精品国产亚洲性色| 真实男女啪啪啪动态图| 日韩欧美在线乱码| 亚洲激情五月婷婷啪啪| 国产亚洲午夜精品一区二区久久 | 九九热线精品视视频播放| 久久精品影院6| 欧美zozozo另类| 成人性生交大片免费视频hd| 久99久视频精品免费| 99久久人妻综合| 欧美一区二区亚洲| 人妻系列 视频| 亚洲无线观看免费| 国内精品一区二区在线观看| 亚洲欧美日韩无卡精品| 亚洲怡红院男人天堂| 青春草亚洲视频在线观看| 熟女人妻精品中文字幕| 男女视频在线观看网站免费| 一级毛片久久久久久久久女| 亚洲一级一片aⅴ在线观看| 亚洲国产欧美在线一区| 午夜免费激情av| 国产在线一区二区三区精 | 精品久久久噜噜| 综合色丁香网| 亚洲av免费高清在线观看| 成人亚洲精品av一区二区| 国产精品嫩草影院av在线观看| 又爽又黄无遮挡网站| 国产成人a区在线观看| 亚洲第一区二区三区不卡| 日韩欧美 国产精品| .国产精品久久| 99热网站在线观看| 国产成人精品婷婷| 免费播放大片免费观看视频在线观看 | 黄色一级大片看看| 亚洲精品,欧美精品| 国产成人福利小说| 亚洲精品亚洲一区二区| 亚洲自偷自拍三级| 又粗又爽又猛毛片免费看| 91aial.com中文字幕在线观看| 国产精品av视频在线免费观看| 日本免费a在线| 人妻少妇偷人精品九色| 最近手机中文字幕大全| 精品无人区乱码1区二区| 精品久久久久久久久久久久久| 99久久成人亚洲精品观看| 欧美高清性xxxxhd video| 一个人看的www免费观看视频| 欧美日韩综合久久久久久| 亚洲乱码一区二区免费版| 中文字幕熟女人妻在线| 色哟哟·www| 一本久久精品| videossex国产| 亚洲国产成人一精品久久久| 黄色日韩在线| 自拍偷自拍亚洲精品老妇| 国产高清国产精品国产三级 | 免费观看人在逋| 观看美女的网站| 热99re8久久精品国产| 国产亚洲一区二区精品| 尾随美女入室| 美女脱内裤让男人舔精品视频| 国内少妇人妻偷人精品xxx网站| 国产精品不卡视频一区二区| 2022亚洲国产成人精品| 国产一区二区亚洲精品在线观看| 2021少妇久久久久久久久久久| 国产美女午夜福利| 乱码一卡2卡4卡精品| 色网站视频免费| 久久久久久久久久黄片| 嫩草影院入口| 丝袜喷水一区| 国内精品美女久久久久久| 国国产精品蜜臀av免费| 成人漫画全彩无遮挡| 国产一级毛片在线| 最近最新中文字幕大全电影3| 日本熟妇午夜| 国产 一区精品| 男女边吃奶边做爰视频| 欧美色视频一区免费| 蜜桃亚洲精品一区二区三区| 国产成人午夜福利电影在线观看| 日本黄色视频三级网站网址| 99热网站在线观看| 人妻少妇偷人精品九色| 免费观看精品视频网站| 男的添女的下面高潮视频| 午夜福利在线在线| 国产黄色小视频在线观看| 在线观看美女被高潮喷水网站| 水蜜桃什么品种好| 国产综合懂色| 国产伦理片在线播放av一区| 人人妻人人澡欧美一区二区| 久久热精品热| 日本免费a在线| 精品99又大又爽又粗少妇毛片| 久久久a久久爽久久v久久| 国产成人精品久久久久久| 精品午夜福利在线看| 国产精品一二三区在线看| 赤兔流量卡办理| 永久免费av网站大全| 丰满迷人的少妇在线观看| 在线 av 中文字幕| 国产免费又黄又爽又色| 国产精品久久久久久久电影| 亚洲综合色惰| 我要看黄色一级片免费的| 婷婷色av中文字幕| 色网站视频免费| av片东京热男人的天堂| 国产精品一区www在线观看| 丝袜喷水一区| 成人毛片a级毛片在线播放| 亚洲综合色网址| 久久精品久久久久久久性| 亚洲欧美色中文字幕在线| 交换朋友夫妻互换小说| 国产片内射在线| 啦啦啦视频在线资源免费观看| 黄色视频在线播放观看不卡| 黄色视频在线播放观看不卡| 国产成人一区二区在线| 久久久久久久久久久免费av| 日本wwww免费看| 美女内射精品一级片tv| 纯流量卡能插随身wifi吗| 久久鲁丝午夜福利片| 精品熟女少妇av免费看| 久久ye,这里只有精品| 久久久久网色| 99re6热这里在线精品视频| 国产成人91sexporn| 国产精品久久久久成人av| 久久久欧美国产精品| 最近最新中文字幕大全免费视频 | 男女高潮啪啪啪动态图| 美女国产高潮福利片在线看| 久久婷婷青草| 日本av免费视频播放| 国产免费一区二区三区四区乱码| 自线自在国产av| 亚洲综合精品二区| 日日摸夜夜添夜夜爱| 超碰97精品在线观看| 极品少妇高潮喷水抽搐| 人成视频在线观看免费观看| 人人澡人人妻人| 国产日韩欧美视频二区| 亚洲性久久影院| 一级毛片 在线播放| 女性被躁到高潮视频| 成年女人在线观看亚洲视频| 成人手机av| 夜夜骑夜夜射夜夜干| 久久久久久人妻| 精品福利永久在线观看| 夫妻午夜视频| 天天躁夜夜躁狠狠躁躁| 精品少妇黑人巨大在线播放| 免费高清在线观看视频在线观看| 只有这里有精品99| 又黄又粗又硬又大视频| 亚洲精品456在线播放app| 亚洲成人av在线免费| 一本色道久久久久久精品综合| 中文乱码字字幕精品一区二区三区| 18禁动态无遮挡网站| 纵有疾风起免费观看全集完整版| 丰满乱子伦码专区| 51国产日韩欧美| 五月开心婷婷网| 少妇人妻 视频| 亚洲欧美一区二区三区国产| kizo精华| 亚洲精品乱码久久久久久按摩| 欧美bdsm另类| 亚洲精品色激情综合| 日韩免费高清中文字幕av| 亚洲精品国产av成人精品| av视频免费观看在线观看| 久久女婷五月综合色啪小说| 少妇人妻久久综合中文| 99久久精品国产国产毛片| 久热久热在线精品观看| 亚洲成人av在线免费| 中文天堂在线官网| 国产综合精华液| 我要看黄色一级片免费的| 国产伦理片在线播放av一区| 欧美bdsm另类| 亚洲,一卡二卡三卡| 乱人伦中国视频| 欧美+日韩+精品| 日本wwww免费看| 美国免费a级毛片| 亚洲美女搞黄在线观看| 99国产综合亚洲精品| 中文欧美无线码| 大片免费播放器 马上看| 中文字幕免费在线视频6| 99国产综合亚洲精品| 国产成人精品无人区| 综合色丁香网| 一级毛片我不卡| 国产不卡av网站在线观看| 国产成人精品在线电影| av免费观看日本| 9191精品国产免费久久| 纯流量卡能插随身wifi吗| 亚洲性久久影院| 美女主播在线视频| 亚洲av中文av极速乱| 精品少妇内射三级| 精品99又大又爽又粗少妇毛片| 一个人免费看片子| 免费观看av网站的网址| 最新中文字幕久久久久| 国产片特级美女逼逼视频| 巨乳人妻的诱惑在线观看| 91国产中文字幕| 男女边吃奶边做爰视频| 美女国产高潮福利片在线看| 老女人水多毛片| 一区二区日韩欧美中文字幕 | 十八禁网站网址无遮挡| 精品国产一区二区久久| 午夜免费鲁丝| 国产一级毛片在线| 免费观看在线日韩| 欧美人与性动交α欧美精品济南到 | 男女高潮啪啪啪动态图| 一区二区三区四区激情视频| 韩国精品一区二区三区 | av免费在线看不卡| 免费观看性生交大片5| videos熟女内射| 肉色欧美久久久久久久蜜桃| 亚洲欧美成人综合另类久久久| 好男人视频免费观看在线| 熟女人妻精品中文字幕| 国产免费现黄频在线看| 久久影院123| 少妇熟女欧美另类| 亚洲成人av在线免费| 久久久国产一区二区| 性色avwww在线观看| 久久av网站| 国产男女超爽视频在线观看| 精品少妇久久久久久888优播| 精品亚洲成国产av| 欧美精品一区二区免费开放| 欧美日韩国产mv在线观看视频| 九九爱精品视频在线观看| 狠狠婷婷综合久久久久久88av| 精品少妇久久久久久888优播| 夜夜爽夜夜爽视频| 亚洲熟女精品中文字幕| 久久精品夜色国产| 人成视频在线观看免费观看| 久久人人爽人人爽人人片va| 乱码一卡2卡4卡精品| 国产极品天堂在线| 综合色丁香网| 人妻一区二区av| 欧美亚洲 丝袜 人妻 在线| 99久国产av精品国产电影| 免费高清在线观看日韩| 国产成人免费无遮挡视频| 免费少妇av软件| 亚洲综合色网址| 一级爰片在线观看| 一本色道久久久久久精品综合| 一本大道久久a久久精品| av有码第一页| 美女中出高潮动态图| 边亲边吃奶的免费视频| 久久久久久久精品精品| 高清视频免费观看一区二区| 国产一区二区三区综合在线观看 | 看免费av毛片| 伊人久久国产一区二区| 搡女人真爽免费视频火全软件| 久久午夜综合久久蜜桃| 亚洲人成网站在线观看播放| 亚洲综合色惰| av线在线观看网站| 大香蕉久久成人网| 国产日韩欧美视频二区| 国产精品 国内视频| 在线观看三级黄色| 免费少妇av软件| 亚洲伊人久久精品综合| 99久久人妻综合| 国产男女超爽视频在线观看| 国产免费一区二区三区四区乱码| 国产毛片在线视频| 街头女战士在线观看网站| av不卡在线播放| 你懂的网址亚洲精品在线观看| 十分钟在线观看高清视频www| 亚洲欧美日韩另类电影网站| 精品国产露脸久久av麻豆| 日韩欧美精品免费久久| 少妇熟女欧美另类| 最新的欧美精品一区二区| 嫩草影院入口| 伊人久久国产一区二区| 成年美女黄网站色视频大全免费| 国产麻豆69| 精品人妻一区二区三区麻豆| 最新的欧美精品一区二区| 精品久久蜜臀av无| 韩国精品一区二区三区 | 精品第一国产精品| 久久精品熟女亚洲av麻豆精品| 一区在线观看完整版| 王馨瑶露胸无遮挡在线观看| 久热这里只有精品99| 亚洲精品美女久久久久99蜜臀 | 熟妇人妻不卡中文字幕| 伦理电影大哥的女人| 精品久久国产蜜桃| 麻豆精品久久久久久蜜桃| 免费av不卡在线播放| 观看美女的网站| 97超碰精品成人国产| 久久久久视频综合| videos熟女内射| 国产 一区精品| 久久久久精品性色| 日韩一本色道免费dvd| 免费观看性生交大片5| av视频免费观看在线观看| 亚洲激情五月婷婷啪啪| 2021少妇久久久久久久久久久| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 丝袜在线中文字幕| 久久人妻熟女aⅴ| a级毛片黄视频| 色5月婷婷丁香| 亚洲精品久久午夜乱码| 日韩精品免费视频一区二区三区 | 最近最新中文字幕大全免费视频 | 日产精品乱码卡一卡2卡三| 亚洲国产精品成人久久小说| 欧美日本中文国产一区发布| 久久午夜综合久久蜜桃| 国产av一区二区精品久久| 最新中文字幕久久久久| 性色avwww在线观看| 久久99一区二区三区| 最后的刺客免费高清国语| 久久毛片免费看一区二区三区| 少妇的丰满在线观看| 国产精品久久久久久久久免| 久久精品国产自在天天线| 欧美亚洲日本最大视频资源| 26uuu在线亚洲综合色| 在线观看免费高清a一片| 成人亚洲欧美一区二区av| 青青草视频在线视频观看| www.av在线官网国产| 看非洲黑人一级黄片| 日日啪夜夜爽| 久久人妻熟女aⅴ| 久久综合国产亚洲精品| 午夜视频国产福利| 两个人看的免费小视频| 国产乱来视频区| 婷婷色麻豆天堂久久| 午夜激情av网站| 男女午夜视频在线观看 | 亚洲精品av麻豆狂野| 亚洲久久久国产精品| 制服人妻中文乱码| 精品一区二区三区视频在线| 在线天堂最新版资源| 人妻少妇偷人精品九色| 精品福利永久在线观看| 天堂俺去俺来也www色官网| 尾随美女入室| 啦啦啦视频在线资源免费观看| 乱码一卡2卡4卡精品| 亚洲综合色网址| 少妇人妻精品综合一区二区| 18在线观看网站| 人人澡人人妻人| 免费av不卡在线播放| 黑人欧美特级aaaaaa片| 蜜桃在线观看..| 搡老乐熟女国产| av视频免费观看在线观看| 免费播放大片免费观看视频在线观看| 最近2019中文字幕mv第一页| 欧美激情极品国产一区二区三区 | 精品少妇内射三级| 久久久久精品人妻al黑| 国产精品人妻久久久影院| 侵犯人妻中文字幕一二三四区| 永久网站在线| 热re99久久国产66热| 欧美最新免费一区二区三区| 菩萨蛮人人尽说江南好唐韦庄| 黄网站色视频无遮挡免费观看| 久久免费观看电影| 男人爽女人下面视频在线观看| 国产永久视频网站| av又黄又爽大尺度在线免费看| 又黄又粗又硬又大视频| 肉色欧美久久久久久久蜜桃| 2021少妇久久久久久久久久久| 国产亚洲精品第一综合不卡 | 久久久久网色| 日韩一区二区视频免费看| 成人漫画全彩无遮挡| 91成人精品电影| √禁漫天堂资源中文www| 一边摸一边做爽爽视频免费| 亚洲天堂av无毛| 色婷婷久久久亚洲欧美| 只有这里有精品99| 国产日韩欧美视频二区| 视频区图区小说| 97精品久久久久久久久久精品|