• <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
    国产精品综合久久久久久久免费 | 国产欧美日韩综合在线一区二区| av网站在线播放免费| 亚洲av片天天在线观看| 少妇粗大呻吟视频| 国产一区二区三区综合在线观看| 99精品久久久久人妻精品| 在线播放国产精品三级| 变态另类成人亚洲欧美熟女 | 一夜夜www| 精品无人区乱码1区二区| 免费观看精品视频网站| 黄网站色视频无遮挡免费观看| 亚洲精品久久成人aⅴ小说| 丝袜美腿诱惑在线| 99久久国产精品久久久| 亚洲欧美一区二区三区久久| 亚洲精品在线观看二区| 国产精品av久久久久免费| 99热国产这里只有精品6| 91老司机精品| 老熟妇仑乱视频hdxx| 免费在线观看完整版高清| 一级片免费观看大全| 欧美一级毛片孕妇| 色婷婷久久久亚洲欧美| 精品人妻在线不人妻| 午夜亚洲福利在线播放| 校园春色视频在线观看| 精品少妇一区二区三区视频日本电影| 久久中文看片网| 最近最新免费中文字幕在线| 国产日韩一区二区三区精品不卡| 亚洲精品国产区一区二| 国产精品日韩av在线免费观看 | 看免费av毛片| 欧美日韩亚洲高清精品| 淫秽高清视频在线观看| 国产97色在线日韩免费| 国产伦一二天堂av在线观看| 久久久国产欧美日韩av| cao死你这个sao货| 国产人伦9x9x在线观看| 欧美亚洲日本最大视频资源| 国产精品日韩av在线免费观看 | 久久国产亚洲av麻豆专区| 12—13女人毛片做爰片一| 中文字幕人妻丝袜一区二区| 18禁黄网站禁片午夜丰满| av国产精品久久久久影院| 不卡一级毛片| 亚洲av日韩精品久久久久久密| 久久香蕉激情| 亚洲欧美一区二区三区久久| 国产又色又爽无遮挡免费看| 一边摸一边抽搐一进一小说| 人人妻人人添人人爽欧美一区卜| 老司机靠b影院| 91精品三级在线观看| 久久性视频一级片| 日日夜夜操网爽| 亚洲国产欧美日韩在线播放| 天天添夜夜摸| av网站在线播放免费| 激情在线观看视频在线高清| 在线观看免费视频网站a站| 交换朋友夫妻互换小说| 黄片播放在线免费| www.自偷自拍.com| 国产免费现黄频在线看| 性欧美人与动物交配| 亚洲一区二区三区不卡视频| 午夜a级毛片| 久久精品91无色码中文字幕| 自拍欧美九色日韩亚洲蝌蚪91| 欧美精品啪啪一区二区三区| 亚洲国产看品久久| 日韩大码丰满熟妇| 中文字幕av电影在线播放| 精品电影一区二区在线| 中文字幕另类日韩欧美亚洲嫩草| 精品久久久久久成人av| 热re99久久精品国产66热6| 欧美黑人欧美精品刺激| 很黄的视频免费| 91在线观看av| 99re在线观看精品视频| 精品福利永久在线观看| 国产高清国产精品国产三级| 男人舔女人的私密视频| 性色av乱码一区二区三区2| 99久久综合精品五月天人人| 97人妻天天添夜夜摸| 国产av一区二区精品久久| 久久精品成人免费网站| 中文字幕av电影在线播放| 黑人巨大精品欧美一区二区蜜桃| 18禁美女被吸乳视频| 亚洲欧美精品综合久久99| 曰老女人黄片| 在线永久观看黄色视频| 在线观看日韩欧美| 午夜福利影视在线免费观看| 欧美黑人精品巨大| 国产熟女午夜一区二区三区| 久久精品亚洲精品国产色婷小说| 两个人免费观看高清视频| 免费看十八禁软件| 日日夜夜操网爽| a级毛片在线看网站| 高清av免费在线| 日韩精品中文字幕看吧| 99热只有精品国产| 很黄的视频免费| 欧美乱码精品一区二区三区| 美女大奶头视频| 欧美在线一区亚洲| 我的亚洲天堂| 久久人人精品亚洲av| 在线看a的网站| √禁漫天堂资源中文www| 国产亚洲av高清不卡| 国产精品一区二区三区四区久久 | 国产亚洲欧美在线一区二区| 精品日产1卡2卡| av免费在线观看网站| 午夜免费观看网址| 99久久国产精品久久久| 午夜激情av网站| 91麻豆精品激情在线观看国产 | av中文乱码字幕在线| 免费女性裸体啪啪无遮挡网站| 老司机福利观看| 久久国产精品影院| 久久精品人人爽人人爽视色| 久久精品国产99精品国产亚洲性色 | 人妻久久中文字幕网| 亚洲专区国产一区二区| 亚洲av日韩精品久久久久久密| 久久久国产成人精品二区 | 久久九九热精品免费| 亚洲色图综合在线观看| 国产又爽黄色视频| 99精品久久久久人妻精品| 香蕉久久夜色| 久久中文看片网| bbb黄色大片| 高清欧美精品videossex| 日本 av在线| 欧美精品一区二区免费开放| 久久精品亚洲熟妇少妇任你| 天堂动漫精品| 人妻久久中文字幕网| 亚洲三区欧美一区| 午夜福利免费观看在线| 色综合欧美亚洲国产小说| 一级黄色大片毛片| 美女高潮到喷水免费观看| 老司机午夜福利在线观看视频| 亚洲五月色婷婷综合| 啦啦啦 在线观看视频| 欧美黄色淫秽网站| 又紧又爽又黄一区二区| 琪琪午夜伦伦电影理论片6080| 欧美黄色淫秽网站| 天堂俺去俺来也www色官网| 国产午夜精品久久久久久| 亚洲成a人片在线一区二区| 欧美日韩av久久| 深夜精品福利| 国产成人欧美在线观看| 每晚都被弄得嗷嗷叫到高潮| 精品福利永久在线观看| 日日夜夜操网爽| 日本欧美视频一区| 久久久国产成人免费| 成人永久免费在线观看视频| 亚洲精品美女久久久久99蜜臀| 日本撒尿小便嘘嘘汇集6| 老司机在亚洲福利影院| 琪琪午夜伦伦电影理论片6080| 精品午夜福利视频在线观看一区| 欧美日韩亚洲高清精品| 午夜福利在线观看吧| 日韩大尺度精品在线看网址 | 亚洲欧美一区二区三区黑人| 免费观看精品视频网站| 99re在线观看精品视频| 精品国产一区二区久久| 亚洲成人免费电影在线观看| 亚洲国产精品一区二区三区在线| 一级毛片女人18水好多| avwww免费| 真人一进一出gif抽搐免费| 一本综合久久免费| 91精品三级在线观看| 欧美中文日本在线观看视频| 日本免费一区二区三区高清不卡 | 亚洲男人的天堂狠狠| 999精品在线视频| 国产伦人伦偷精品视频| 日日爽夜夜爽网站| a级片在线免费高清观看视频| 精品国产一区二区久久| 侵犯人妻中文字幕一二三四区| 亚洲av日韩精品久久久久久密| 亚洲avbb在线观看| 老熟妇仑乱视频hdxx| 男女下面插进去视频免费观看| 一级毛片女人18水好多| 黄色女人牲交| 亚洲成国产人片在线观看| 激情视频va一区二区三区| 精品国产乱码久久久久久男人| 精品第一国产精品| 亚洲精品久久成人aⅴ小说| 国产精品美女特级片免费视频播放器 | 女同久久另类99精品国产91| 日韩欧美免费精品| 黄色毛片三级朝国网站| a级片在线免费高清观看视频| 日本撒尿小便嘘嘘汇集6| 午夜两性在线视频| 久久久久久久精品吃奶| 人妻丰满熟妇av一区二区三区| 动漫黄色视频在线观看| 另类亚洲欧美激情| 夜夜爽天天搞| 两人在一起打扑克的视频| 精品久久久久久久久久免费视频 | 欧美黑人精品巨大| 日韩大码丰满熟妇| 淫妇啪啪啪对白视频| 久久精品91蜜桃| 天堂动漫精品| bbb黄色大片| 精品国产国语对白av| 午夜影院日韩av| 高清黄色对白视频在线免费看| 欧美日韩亚洲国产一区二区在线观看| 9热在线视频观看99| 一区二区日韩欧美中文字幕| 国产精品久久视频播放| 在线播放国产精品三级| 在线观看免费视频日本深夜| 两个人免费观看高清视频| 黄片大片在线免费观看| 怎么达到女性高潮| 大码成人一级视频| 亚洲中文av在线| 天天添夜夜摸| 一区在线观看完整版| 美国免费a级毛片| 男女午夜视频在线观看| 日韩大码丰满熟妇| 亚洲av片天天在线观看| 两个人免费观看高清视频| 午夜精品在线福利| 成人精品一区二区免费| 亚洲精品在线观看二区| av超薄肉色丝袜交足视频| 国产aⅴ精品一区二区三区波| 99久久久亚洲精品蜜臀av| 香蕉丝袜av| 国产片内射在线| 美女国产高潮福利片在线看| 国产欧美日韩精品亚洲av| 如日韩欧美国产精品一区二区三区| 亚洲欧美一区二区三区久久| 神马国产精品三级电影在线观看 | 免费在线观看黄色视频的| 99久久99久久久精品蜜桃| 免费少妇av软件| 成人手机av| 日日夜夜操网爽| 久久国产精品男人的天堂亚洲| 亚洲五月婷婷丁香| 9191精品国产免费久久| 他把我摸到了高潮在线观看| 麻豆国产av国片精品| 岛国在线观看网站| 国产精品久久久人人做人人爽| 后天国语完整版免费观看| 一本综合久久免费| 男女床上黄色一级片免费看| 国产熟女午夜一区二区三区| 欧美大码av| 精品一区二区三区视频在线观看免费 | 人人妻人人爽人人添夜夜欢视频| 久久精品亚洲av国产电影网| 黄色毛片三级朝国网站| 两个人免费观看高清视频| 波多野结衣一区麻豆| 在线观看舔阴道视频| 美女午夜性视频免费| 久久午夜亚洲精品久久| 午夜日韩欧美国产| 一进一出好大好爽视频| 国产麻豆69| 手机成人av网站| 国产亚洲欧美在线一区二区| 大码成人一级视频| 超碰97精品在线观看| 欧美日韩乱码在线| 亚洲欧美日韩高清在线视频| 亚洲精品一区av在线观看| 久久性视频一级片| 午夜91福利影院| 日韩欧美三级三区| 老司机午夜福利在线观看视频| 国产精品1区2区在线观看.| 深夜精品福利| 久久久精品国产亚洲av高清涩受| 免费日韩欧美在线观看| 久久中文看片网| 亚洲人成伊人成综合网2020| 色老头精品视频在线观看| 亚洲第一青青草原| 国产精品美女特级片免费视频播放器 | 无遮挡黄片免费观看| 久久久久国内视频| 亚洲av成人一区二区三| 免费少妇av软件| 黄片大片在线免费观看| 可以在线观看毛片的网站| 久久狼人影院| 桃红色精品国产亚洲av| 99国产精品一区二区三区| 国产一卡二卡三卡精品| 最新在线观看一区二区三区| 亚洲精品在线美女| 国产伦人伦偷精品视频| 免费在线观看日本一区| 亚洲国产毛片av蜜桃av| tocl精华| 91在线观看av| 亚洲,欧美精品.| 99久久综合精品五月天人人| 每晚都被弄得嗷嗷叫到高潮| 人成视频在线观看免费观看| 国产精品电影一区二区三区| 久久精品aⅴ一区二区三区四区| 精品国产一区二区久久| 欧美乱色亚洲激情| 欧美黑人欧美精品刺激| 亚洲欧美精品综合久久99| 精品国产亚洲在线| 日韩三级视频一区二区三区| 国产激情久久老熟女| 久久精品91蜜桃| 亚洲人成77777在线视频| svipshipincom国产片| 999精品在线视频| 久久久久久久精品吃奶| 精品卡一卡二卡四卡免费| www.999成人在线观看| 校园春色视频在线观看| 嫩草影视91久久| 国产精品成人在线| 日韩国内少妇激情av| 国产一区二区三区在线臀色熟女 | 日韩欧美一区视频在线观看| 在线观看免费日韩欧美大片| 黑人操中国人逼视频| 欧美黄色片欧美黄色片| 午夜成年电影在线免费观看| 亚洲伊人色综图| 亚洲一卡2卡3卡4卡5卡精品中文| 久热爱精品视频在线9| 丝袜美腿诱惑在线| 精品国内亚洲2022精品成人| 国产不卡一卡二| 亚洲一卡2卡3卡4卡5卡精品中文| 国产精品国产高清国产av| 久久精品aⅴ一区二区三区四区| 午夜免费激情av| 香蕉久久夜色| 亚洲,欧美精品.| 亚洲精品国产色婷婷电影| 另类亚洲欧美激情| 精品久久久久久久久久免费视频 | 精品日产1卡2卡| 国产真人三级小视频在线观看| 老司机福利观看| 男人舔女人下体高潮全视频| 日韩欧美在线二视频| 久久精品国产亚洲av香蕉五月| 日韩欧美在线二视频| 日韩欧美一区二区三区在线观看| 久久热在线av| 99国产精品免费福利视频| 午夜免费鲁丝| 色综合站精品国产| 国产成+人综合+亚洲专区| 国产伦人伦偷精品视频| 欧美日韩精品网址| 黄片大片在线免费观看| 久久久久久人人人人人| 一区二区三区激情视频| 男人操女人黄网站| 97碰自拍视频| 成年女人毛片免费观看观看9| 国产在线观看jvid| 久久伊人香网站| 1024香蕉在线观看| 亚洲精品久久午夜乱码| 国产精品日韩av在线免费观看 | 女人高潮潮喷娇喘18禁视频| 久久草成人影院| av在线播放免费不卡| 久久伊人香网站| 欧美老熟妇乱子伦牲交| 可以在线观看毛片的网站| 色综合站精品国产| 国产免费男女视频| 中亚洲国语对白在线视频| 久久香蕉精品热| tocl精华| 亚洲精品在线观看二区| 欧美成人免费av一区二区三区| 日本 av在线| 搡老乐熟女国产| 亚洲男人天堂网一区| 50天的宝宝边吃奶边哭怎么回事| 久久久国产精品麻豆| 一本综合久久免费| 电影成人av| 国产亚洲精品久久久久久毛片| 两性夫妻黄色片| 日本免费一区二区三区高清不卡 | 好看av亚洲va欧美ⅴa在| 久久精品国产亚洲av高清一级| 亚洲色图av天堂| 亚洲人成电影观看| 999久久久国产精品视频| aaaaa片日本免费| 在线观看一区二区三区激情| 伦理电影免费视频| 亚洲精品美女久久久久99蜜臀| 黄色毛片三级朝国网站| 午夜亚洲福利在线播放| 少妇 在线观看| 午夜免费激情av| 国产精品综合久久久久久久免费 | svipshipincom国产片| 免费在线观看完整版高清| 窝窝影院91人妻| 亚洲性夜色夜夜综合| 久久精品亚洲熟妇少妇任你| www.www免费av| 欧美日韩亚洲高清精品| 成人国语在线视频| 国产高清激情床上av| 国产在线精品亚洲第一网站| 久久久久久大精品| 不卡av一区二区三区| 一级片免费观看大全| 久久久久久免费高清国产稀缺| 精品人妻1区二区| e午夜精品久久久久久久| av在线播放免费不卡| 久久人妻av系列| 琪琪午夜伦伦电影理论片6080| 成人永久免费在线观看视频| 麻豆av在线久日| 免费在线观看影片大全网站| 亚洲一区高清亚洲精品| 他把我摸到了高潮在线观看| 国产成人免费无遮挡视频| 欧美激情高清一区二区三区| 亚洲五月色婷婷综合| 欧美日韩一级在线毛片| 精品久久久久久,| 黑人猛操日本美女一级片| 88av欧美| 好看av亚洲va欧美ⅴa在| 电影成人av| 丝袜在线中文字幕| 首页视频小说图片口味搜索| 国产蜜桃级精品一区二区三区| 国产成人av激情在线播放| 国产精品日韩av在线免费观看 | 国产真人三级小视频在线观看| 天堂影院成人在线观看| 成人免费观看视频高清| 美女国产高潮福利片在线看| 后天国语完整版免费观看| 涩涩av久久男人的天堂| 国产人伦9x9x在线观看| 国产成人精品在线电影| 国产精品一区二区精品视频观看| 99在线视频只有这里精品首页| 国产野战对白在线观看| 伦理电影免费视频| 露出奶头的视频| 成年版毛片免费区| 欧美色视频一区免费| 国产野战对白在线观看| 国产高清国产精品国产三级| 亚洲av电影在线进入| 国产乱人伦免费视频| 一级作爱视频免费观看| 欧美在线黄色| 免费观看精品视频网站| 亚洲精品中文字幕一二三四区| 丰满饥渴人妻一区二区三| x7x7x7水蜜桃| 男女做爰动态图高潮gif福利片 | 色婷婷久久久亚洲欧美| 欧美日韩视频精品一区| 国产精品久久久av美女十八| 精品第一国产精品| 久久人妻福利社区极品人妻图片| 黑人巨大精品欧美一区二区mp4| 操出白浆在线播放| av欧美777| 窝窝影院91人妻| 亚洲国产精品一区二区三区在线| 麻豆久久精品国产亚洲av | 欧美老熟妇乱子伦牲交| 在线观看舔阴道视频| 一边摸一边抽搐一进一小说| 99国产极品粉嫩在线观看| 黑人猛操日本美女一级片| 亚洲av日韩精品久久久久久密| 亚洲av五月六月丁香网| 在线观看免费午夜福利视频| 精品一品国产午夜福利视频| 麻豆一二三区av精品| 男女下面插进去视频免费观看| 黄色 视频免费看| 久久精品国产99精品国产亚洲性色 | 亚洲精品一区av在线观看| 亚洲欧洲精品一区二区精品久久久| 90打野战视频偷拍视频| 亚洲精品成人av观看孕妇| x7x7x7水蜜桃| 1024香蕉在线观看| 好看av亚洲va欧美ⅴa在| a在线观看视频网站| 免费看a级黄色片| av天堂久久9| 午夜福利在线免费观看网站| 亚洲欧美日韩另类电影网站| 老司机午夜十八禁免费视频| 久久精品国产清高在天天线| 好看av亚洲va欧美ⅴa在| 黄片大片在线免费观看| 亚洲国产精品sss在线观看 | 国产精品国产av在线观看| 色综合婷婷激情| 国产黄色免费在线视频| 午夜免费成人在线视频| 丰满迷人的少妇在线观看| 俄罗斯特黄特色一大片| 久久精品91蜜桃| 中文字幕色久视频| 欧美日本中文国产一区发布| 曰老女人黄片| 久久久精品国产亚洲av高清涩受| 亚洲激情在线av| 亚洲专区字幕在线| 欧美乱妇无乱码| 国产xxxxx性猛交| 窝窝影院91人妻| 亚洲五月天丁香| av中文乱码字幕在线| 两个人看的免费小视频| 日本a在线网址| 欧美一区二区精品小视频在线| 欧美日韩亚洲国产一区二区在线观看| 在线永久观看黄色视频| 精品日产1卡2卡| 看免费av毛片| 美女高潮喷水抽搐中文字幕| 久久久久久久久免费视频了| 久久香蕉国产精品| 一级毛片精品| av在线天堂中文字幕 | 久久久久久人人人人人| 国产精品 欧美亚洲| 国产av精品麻豆| 身体一侧抽搐| 多毛熟女@视频| 俄罗斯特黄特色一大片| 久久婷婷成人综合色麻豆| 熟女少妇亚洲综合色aaa.| 成人亚洲精品一区在线观看| 夜夜看夜夜爽夜夜摸 | 日本五十路高清| 精品久久久久久久久久免费视频 | 欧美乱码精品一区二区三区| 国产av又大| 久久精品aⅴ一区二区三区四区| 在线观看舔阴道视频| 欧美色视频一区免费| 婷婷六月久久综合丁香| 在线观看舔阴道视频| 成人黄色视频免费在线看| 日韩欧美一区视频在线观看| 香蕉久久夜色| 99香蕉大伊视频| 精品国产美女av久久久久小说| 亚洲自偷自拍图片 自拍| 国产极品粉嫩免费观看在线| 亚洲成人国产一区在线观看| www日本在线高清视频| 日本一区二区免费在线视频| 国产精品国产av在线观看| 超碰成人久久| 热99re8久久精品国产| 亚洲男人天堂网一区| 欧美日韩精品网址| 亚洲一区高清亚洲精品| 亚洲精品国产精品久久久不卡|