• <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 ?

    遙感圖像分類方法綜述

    2018-12-13 16:07:54楊海濤袁春慧
    兵器裝備工程學報 2018年8期
    關鍵詞:特征描述直方圖編碼器

    張 裕,楊海濤,袁春慧

    (航天工程大學 a.研究生管理大隊; b.航天遙感室, 北京 101416)

    航天遙感技術是一種通過衛(wèi)星對地觀測獲取遙感圖像信息數(shù)據(jù)的技術,這些圖像數(shù)據(jù)在各領域都發(fā)揮著不可或缺的作用。遙感圖像分類主要是根據(jù)地面物體電磁波輻射在遙感圖像上的特征,判斷識別地面物體的屬性,進而為目標檢測與識別等其他應用提供輔助信息,也可以作為最終結(jié)果提供基礎地理信息用于地圖繪測、搶險救災、軍事偵察等領域。遙感圖像分類是遙感技術應用的一個重要環(huán)節(jié)。

    在過去的幾十年里,各方面學者對遙感圖像的分類有著諸多研究,提出了許多分類方法,按是否需要選取標記樣本可將分類方法分為監(jiān)督分類和非監(jiān)督分類。根據(jù)最小分類單元可將分類方法分為基于像元的分類、基于對象的分類,以及基于混合像元分解的分類。此外,不同類型的遙感圖像(多光譜遙感圖像、高光譜遙感圖像、合成孔徑雷達圖像)分類方法也不盡相同。本文主要從特征空間的角度對各分類方法進行歸類介紹。由于目標分類通常是在特征空間中進行的,因此特征的表達與學習是實現(xiàn)目標分類的關鍵。根據(jù)表達和學習特征的方式,可將現(xiàn)有的遙感圖像分類方法大致分為三類:基于人工特征描述的分類方法、基于機器學習的分類方法和基于深度學習的分類方法。需要注意的是,這三類方法并沒有嚴格的區(qū)分界線,相互之間互有重疊和借鑒。

    1 基于人工特征描述的分類方法

    早期的圖像分類主要是基于人工提取的圖像特征進行分類。這些方法主要是依靠有大量專業(yè)領域知識和實踐經(jīng)驗的專家來設計各種圖像特征,例如顏色、形狀、紋理、光譜信息等等,這些特征包含了大量可用于目標分類的有用信息。幾個最具代表性的人工描述特征包括顏色直方圖、紋理特征、方向梯度直方圖和尺度不變特征變換。

    1) 顏色直方圖

    顏色直方圖(Color histograms)[1]能簡單描述一幅圖像中顏色的分布,即不同顏色在整個圖像中所占的比例,是圖像檢索和圖像分類中常用的視覺特征[2]。顏色直方圖易于計算,且具有很好的平移和旋轉(zhuǎn)不變性。其缺點在于無法描述圖像中顏色的分布及每種色彩所處的空間位置,即不能傳達空間信息。此外,顏色直方圖對光照變化和量化誤差也很敏感。

    2) 紋理特征

    紋理特征(Texture features)也是一種全局特征,它描述了圖像或圖像區(qū)域所對應目標的表面性質(zhì)。其中灰度共生矩陣(GLCM),Gabor特征和局部二值模式(Local binary patterns LBP)等被廣泛應用于遙感圖像分類[2]。紋理特征對于識別具有明顯紋理特征的目標圖像非常有用。其主要缺點在于當圖像的分辨率、目標光照情況發(fā)生變化時,目標圖像紋理可能會產(chǎn)生較大偏差,影響分類效果。

    3) 方向梯度直方圖

    方向梯度直方圖(Histogram of Oriented Gradient,HOG)是一種圖像局部紋理特征。它通過計算和統(tǒng)計圖像局部區(qū)域的方向梯度直方圖構成圖像特征,由于HOG是在圖像的局部區(qū)域操作,因此它對圖像幾何形變和光照變化能保持較好的不變性,它已經(jīng)在許多圖像分類任務中取得了巨大的成功[3]。其缺點在于計算過程冗長,對噪點特別敏感。

    4) 尺度不變特征變換

    尺度不變特征變換(Scale-invariant feature transform,SIFT)[4],是一種局部特征描述子,它通過確定關鍵點周圍的梯度信息描述子區(qū)域。SIFT特征檢測的主要步驟是:a尺度空間極值檢測,通過微分函數(shù)識別圖中興趣點;b關鍵點定位,在候選位置上確定模型和尺度;c方向確定,根據(jù)圖像的局部梯度,為每個關鍵點分配一個或多個方向;d關鍵點描述,在關鍵點的鄰域內(nèi)測量圖像的局部梯度,進而生成相應特征描述。提取的特征將用于目標分類與識別。SIFT所提取的圖像特征是局部特征,具有尺度和旋轉(zhuǎn)不變性,對亮度變化、視角變化、仿射變化及噪聲也有一定程度的穩(wěn)定性。當特征點不多時,算法處理速度也相對較快,適于在海量特征數(shù)據(jù)中進行快速、準確的匹配。但SIFT是一種只利用到灰度性質(zhì)的算法,無法識別圖像的色彩信息。當目標圖像形狀相似時,分類錯誤率較高。

    基于人工特征描述的分類方法具有直觀、易于理解的優(yōu)點。顏色直方圖和紋理特征描述了整個目標圖像在特定方面的統(tǒng)計學特性,因而可以直接輸入分類器用于目標分類。而HOG特征和SIFT描述子通常用來作為構建全局圖像特征的構建塊,例如視覺詞袋(Bag-of-Visual-Words,BoVW)模型[5]和基于HOG特征塊的模型[6]。以上方法在一定程度上解決了遙感圖像分類問題。隨著遙感技術的迅速發(fā)展,遙感圖像分辨率越來越高,圖像中大量細節(jié)的出現(xiàn)使得單一特征難以全面表達目標對象,多特征融合的方法開始用于遙感圖像分類。多特征融合的方法對改善分類效果有所幫助,但如何有效組合特征以使分類效果最優(yōu)仍未解決。此外,基于人工特征描述的分類方法特征的設計依賴于相關專業(yè)知識和經(jīng)驗,在面對復雜圖像時,這些特征的描述能力十分有限。

    2 基于機器學習的遙感圖像分類方法

    近年來,建立在概率統(tǒng)計基礎上的機器學習為遙感圖像分類提供了許多可行方法。典型的機器學習方法包括支持向量機、決策樹、主成分分析法、k均值聚類和稀疏表示等。

    1) 支持向量機

    支持向量機(Support Vector Machine,SVM)是一種監(jiān)督學習方法,它通過引入核函數(shù)的概念在高維特征空間解算最優(yōu)化問題,進而尋找最優(yōu)分類超平面,解決復雜數(shù)據(jù)分類問題。近年來在遙感圖像識別分類問題中有著較多的應用。文獻[7]研究了SVM在建筑物分類中的應用,分類精度達到了90%。文獻[8]用Canny邊緣檢測算子,去除短線和曲線,用Hough變換檢測長直線,最后利用SVM實現(xiàn)了機場跑道的識別。此外還有許多基于SVM的改進方法,文獻[9]構造一個半監(jiān)督SVM分類器的集合來解決遙感圖像分類問題。文獻[10]利用最小二乘支持向量機對目標區(qū)地質(zhì)巖性進行分類。在實際應用中,SVM具有穩(wěn)定、易用等特點,但其在解決多類目標分類問題中表現(xiàn)較差,如何正確選擇核函數(shù)也沒有相關的理論依據(jù)。

    2) 決策樹

    決策樹(Decision Tree)是一種歸納推理的分類方法,通過對圖像光譜、顏色、空間等信息定義規(guī)則,從中心節(jié)點出發(fā),對圖像各類信息值進行比較,得出新的分支,通過更新規(guī)則得到新的決策樹,直到滿足分類要求,最終的節(jié)點即為分類結(jié)果。近年來有基于決策樹算法改進的隨機森林模型[11]以及CART決策樹[12]陸續(xù)用于遙感圖像分類。決策樹算法易于理解,可操作性高,能夠處理多輸出問題。其缺點在于泛化能力太差,在處理高維數(shù)據(jù)時表現(xiàn)不佳。

    3) 主成分分析法

    主成分分析法(Principal Components Analysis,PCA)通過一個線性變化把目標數(shù)據(jù)變換轉(zhuǎn)成另一組不相關的變量,并將新的變量按照方差依次遞減的順序排列。主成分分析法通過保留低階主成分,忽略高階主成分做到減少數(shù)據(jù)的維數(shù),保存了數(shù)據(jù)中對方差貢獻最大的特征。該算法是一種無監(jiān)督訓練的簡單模型,能夠?qū)W習到用于多類圖像分類任務的不變特征進而進行目標分類[13-14]。其缺點在于PCA是線性運算,無法獲得更多的抽象表示,因而其特征的描述能力是有限的。

    4)k均值聚類

    k均值聚類(K-means)是一種矢量化方法,旨在將一組數(shù)據(jù)項劃分為k個集群,并將相似的對象歸到同一個集群中。該算法運算步驟如下:a隨機生成k個初始點作為質(zhì)心;b將數(shù)據(jù)集中的數(shù)據(jù)按照距離質(zhì)心的遠近分到各個群集中;c將各個集群中的數(shù)據(jù)求平均值,作為新的質(zhì)心,重復上一步,直到所有的集群不再改變時終止。由于其簡單性,K-means被廣泛用于無監(jiān)督的遙感圖像分類。典型的例子是基于BoVW的方法[15-16],其中視覺字典(碼本)是通過在一組本地特征上執(zhí)行k均值聚類運算得到的。K-means算法易于理解,復雜度低,能夠在短時間內(nèi)處理海量的數(shù)據(jù),聚類效果尚可。缺點在于對噪聲和離群點敏感,在算法運行前需要先確認K值,但目前并沒有明確理論指導確定K值,而且其分類結(jié)果不一定是全局最優(yōu)值。

    5) 稀疏表示

    稀疏表示(Sparse representation)[17]是一種無監(jiān)督學習方法,其目的是在給定的超完備字典中用盡可能少的原子表示圖像信號,從而獲得圖像更為簡潔的特征表示,方便對圖像進行分類處理。最近,許多學者將稀疏編碼方法用于遙感圖像的目標分類。文獻[18]介紹了一種基于稀疏表示的改進分類方法并討論了使用稀疏矢量重建圖像進行分類;文獻[19]采用稀疏表達來進行特征描述,結(jié)合支持向量機對目標進行檢測。在實際應用中,稀疏表示具有計算速度快、自適應性強以及能高性能表示結(jié)果等優(yōu)點。其主要難點在于如何構建完備字典。

    在實際應用中,上述基于機器學習的分類方法在遙感圖像分類任務中取得了良好的效果,尤其是與基于人工特征描述的分類方法相比。但隨著遙感技術的進步,遙感圖像信息呈現(xiàn)海量增長的趨勢,目標樣本的數(shù)量和多樣性也急劇增加,上述機器學習的分類方法屬于淺層學習網(wǎng)絡,很難建立復雜的函數(shù)表示,不能適應復雜樣本的遙感圖像分類。

    3 基于深度學習的遙感圖像分類方法

    深度學習(deep learning)作為機器學習算法中的一個新興技術,其動機在于建立模擬人腦進行分析學習的神經(jīng)網(wǎng)絡,它能通過海量的訓練數(shù)據(jù)和具有很多隱藏層的深度模型學習更有用的特征,最終提升分類的準確性。近年來深度學習在圖像分類應用中取得了令人矚目的成績,越來越多的學者開始將深度學習應用于遙感圖像處理中。幾種常用的深度學習方法包括自動編碼器、卷積神經(jīng)網(wǎng)絡、深度信念網(wǎng)絡和針對小訓練樣本的遷移學習。

    1) 自動編碼器

    自動編碼器(AutoEncoder,AE)[20]是一種無監(jiān)督的學習算法,主要用于數(shù)據(jù)的降維或者特征的提取。這種算法的思想是將神經(jīng)網(wǎng)絡的隱藏層看成是編碼器和解碼器。編碼器將圖像數(shù)據(jù)映射到特征空間,解碼器將數(shù)據(jù)映射回數(shù)據(jù)空間,從而對輸入數(shù)據(jù)進行重構。自動編碼器非常適合處理高維數(shù)據(jù),在樣本數(shù)較多的情況下,分類效果明顯高于SVM等傳統(tǒng)分類方法。近年來已成功應用于圖像分類[21],特別是基于自動編碼器改進的去噪自編碼器 (DAE)[22]和棧式自編碼器SAE,在遙感圖像分類任務中取得了良好的分類效果。自動編碼器的缺點在于模型的泛化能力較差,即當測試樣本和訓練樣本不符合同一分布時,分類效果欠佳。

    2) 卷積神經(jīng)網(wǎng)絡

    卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network,CNN)[23]是模仿人類視覺大腦皮層機理建立的網(wǎng)絡。一個典型的CNN由輸入層、卷積層(Convolutional Layer)、池化層(Pooling Layer)和全連接層(Full Connected Layer)、輸出層構成,CNN的下層通常學習基本特征,隨著網(wǎng)絡深度的增加,特征變得更加復雜并且被分層構建。全連接層在CNN網(wǎng)絡的末端,從前層的分層輸出中學習復雜的非線性函數(shù)提取抽象特征,最終通過一個分類器進行分類。近年來,CNN在圖像分類處理領域取得了巨大的成功。比較成熟的CNN模型包括AlexNet、VGG、GoogleNet、ResNet等。CNN在遙感圖像分類中也有著廣泛的應用[24-25]。CNN的主要缺點在于需要大數(shù)據(jù)量的訓練集來學習確定各層網(wǎng)絡參數(shù)。同時,隨著網(wǎng)絡層數(shù)的增加,容易出現(xiàn)局部最優(yōu)及過擬合。

    3) 深度信念網(wǎng)絡

    深度信念網(wǎng)絡(Deep Belief Network,DBN)由Hinton等人提出[26]。它由多個受限玻爾茲曼機(Restricted Boltzman Machine,RBM一種可以用來對各種數(shù)據(jù)進行建模的概率生成模型,基本功能與AE類似)和反向傳播(BP)網(wǎng)絡組成。DBN通過訓練其神經(jīng)元間的權重,可以讓整個神經(jīng)網(wǎng)絡按照最大概率生成訓練數(shù)據(jù)。其訓練過程是采用非監(jiān)督方式自下而上通過每層的RBM學習無標簽樣本提取圖像特征,在DBN的最后一層連接一個分類器,接收 RBM 的輸出特征向量作為它的輸入特征向量,有監(jiān)督地訓練分類器,最后用反向傳播算法微調(diào)整個DBN,以達到一個較好的分類水平。DBN通過對各RBM層進行單獨訓練完成整個網(wǎng)絡的訓練,提升了網(wǎng)絡的訓練速度,使系統(tǒng)對復雜數(shù)據(jù)分類問題的處理能力有較大提升,并且克服了直接對深度神經(jīng)網(wǎng)絡進行訓練時容易出現(xiàn)局部最優(yōu)等問題。DBN在多項遙感圖像分類實驗中分類精度達到80%以上[27-28]。DBN的缺點在于模型不能明確不同類別之間的最優(yōu)分類面,所以在分類任務中,分類精度可能沒有判別模型高,此外DNB還要求輸入數(shù)據(jù)具有平移不變性,并且不適當?shù)膮?shù)選擇會導致學習收斂于局部最優(yōu)解。

    4) 遷移學習

    遷移學習是指將一個分類問題上訓練好的模型經(jīng)過調(diào)整和優(yōu)化使其能適用于另一個分類問題。深度學習網(wǎng)絡的訓練需要大量的訓練樣本,目前常見的幾個遙感圖像數(shù)據(jù)集包括Indian pines、kennedy Space Center、 Pavia City Center 、Salinas等。隨著網(wǎng)絡的加深加寬,這些數(shù)據(jù)集的分類精度趨于飽和,逐漸不能滿足訓練要求。遷移學習旨在解決訓練數(shù)據(jù)不足的問題,近年來,有學者利用遷移學習解決遙感圖像數(shù)據(jù)集不足的問題[29]。但當傳感器類型發(fā)生變化或者成像區(qū)域不同時,分類效果極差[30]。

    深度學習的出現(xiàn),顯著地提升了遙感圖像分類的效果。一方面,與需要大量專業(yè)知識和經(jīng)驗的人工特征描述的分類方法相比,深度學能通過深層架構自動學習數(shù)據(jù)特征,這是深度學習方法的關鍵優(yōu)勢;另一方面,與常用的淺層機器學習模型相比,由多個處理層組成的深度學習模型可以學習到更強大的具有多個抽象層次的數(shù)據(jù)特征,這些抽象的深層特征更適用于語義級別的目標分類。隨著計算機計算能力的進步,深度學習網(wǎng)絡結(jié)構往更深、更寬方向發(fā)展,但如何選擇合適的網(wǎng)絡結(jié)構和參數(shù)以達到最優(yōu)的分類效果仍是亟待解決的問題,對各隱藏層提取的抽象特征的物理含義也缺乏明確的解釋,同時,缺乏有效的訓練數(shù)據(jù)集也是制約分類精度提升的瓶頸。

    4 展望

    基于人工特征描述的分類方法在早期為遙感圖像的分類提供了解決方案,隨后建立在概率統(tǒng)計基礎上的機器學習進一步提高了分類精度。深度學習出現(xiàn),使人們不再需要完全依賴人類專家去設計特征,并且使分類精度有了質(zhì)的飛躍,但深度網(wǎng)絡建??梢暬щy和數(shù)據(jù)集的缺乏制約了分類精度的進一步提高。未來將更加快速準確地確定深度學習的網(wǎng)絡結(jié)構和參數(shù)。在實際應用中,深度學習系統(tǒng)的深度和寬度對分類效果有明顯的影響,更深更寬的網(wǎng)絡可以挖掘出數(shù)據(jù)中更為抽象的特征表示,提高分類效能,但過大的網(wǎng)絡模型又會增大訓練消耗,降低訓練效率,還可能會降低網(wǎng)絡的泛化性,出現(xiàn)過擬合的現(xiàn)象。如何在保證分類效果的同時有效地縮減網(wǎng)絡的復雜度,也是當前研究的熱點之一。隨著科技的進步,各類型數(shù)據(jù)呈現(xiàn)海量增長的趨勢,也可以考慮將多類型傳感器、智能終端、社交網(wǎng)站等多源異構數(shù)據(jù)融合進行遙感圖像分類處理。多源異構數(shù)據(jù)能夠能從不同的方面提供目標圖像特征和信息。不同特征和信息的融合,既保留了參與融合的多特征的有效鑒別信息,又在一定程度上避免了單一數(shù)據(jù)的不確定性,令分類結(jié)果更加可靠,使遙感圖像目標分類的結(jié)果更加全面準確。

    猜你喜歡
    特征描述直方圖編碼器
    In the Zoo
    統(tǒng)計頻率分布直方圖的備考全攻略
    船舶尾流圖像的數(shù)字化處理和特征描述技術
    符合差分隱私的流數(shù)據(jù)統(tǒng)計直方圖發(fā)布
    用直方圖控制畫面影調(diào)
    基于FPGA的同步機軸角編碼器
    目標魯棒識別的抗旋轉(zhuǎn)HDO 局部特征描述
    自動化學報(2017年4期)2017-06-15 20:28:54
    基于PRBS檢測的8B/IOB編碼器設計
    JESD204B接口協(xié)議中的8B10B編碼器設計
    電子器件(2015年5期)2015-12-29 08:42:24
    基于直方圖平移和互補嵌入的可逆水印方案
    計算機工程(2015年8期)2015-07-03 12:20:21
    久久久国产成人免费| 欧美日韩乱码在线| 男人舔女人下体高潮全视频| 伊人久久精品亚洲午夜| 国产精品一区www在线观看| 国产精品一及| 悠悠久久av| 麻豆一二三区av精品| 欧美另类亚洲清纯唯美| 欧美一区二区亚洲| 精品一区二区免费观看| 精品人妻偷拍中文字幕| 看十八女毛片水多多多| 大又大粗又爽又黄少妇毛片口| 好男人在线观看高清免费视频| 青春草亚洲视频在线观看| 午夜福利在线观看免费完整高清在 | 成人午夜高清在线视频| av国产免费在线观看| 少妇熟女aⅴ在线视频| 又爽又黄a免费视频| 少妇熟女欧美另类| 日韩成人av中文字幕在线观看| 美女国产视频在线观看| 国产高潮美女av| 日韩,欧美,国产一区二区三区 | 中国美女看黄片| 美女国产视频在线观看| 亚洲成人中文字幕在线播放| 亚洲一区二区三区色噜噜| 欧美+日韩+精品| 国产高清三级在线| 国产视频内射| 男人的好看免费观看在线视频| 欧美一区二区亚洲| av又黄又爽大尺度在线免费看 | 成年av动漫网址| 简卡轻食公司| 最近手机中文字幕大全| 亚洲最大成人av| 丰满的人妻完整版| a级毛片免费高清观看在线播放| 成年女人看的毛片在线观看| 亚洲无线观看免费| 国产日韩欧美在线精品| 可以在线观看的亚洲视频| 成人漫画全彩无遮挡| 91aial.com中文字幕在线观看| 寂寞人妻少妇视频99o| 日韩在线高清观看一区二区三区| 日本三级黄在线观看| 亚洲成a人片在线一区二区| 97热精品久久久久久| 麻豆国产97在线/欧美| 草草在线视频免费看| 此物有八面人人有两片| 少妇高潮的动态图| 中文资源天堂在线| 啦啦啦观看免费观看视频高清| 麻豆av噜噜一区二区三区| 性插视频无遮挡在线免费观看| 哪里可以看免费的av片| 26uuu在线亚洲综合色| 自拍偷自拍亚洲精品老妇| 变态另类成人亚洲欧美熟女| 午夜视频国产福利| 亚洲第一电影网av| 韩国av在线不卡| 好男人视频免费观看在线| 九九热线精品视视频播放| 菩萨蛮人人尽说江南好唐韦庄 | 亚洲一区高清亚洲精品| 午夜激情欧美在线| 少妇猛男粗大的猛烈进出视频 | 亚洲无线在线观看| av国产免费在线观看| 国产精品福利在线免费观看| 国产高潮美女av| 又粗又爽又猛毛片免费看| 天堂中文最新版在线下载 | 99久久人妻综合| 精品久久久久久成人av| 99在线人妻在线中文字幕| 国产精品无大码| 3wmmmm亚洲av在线观看| 日本与韩国留学比较| 欧美+亚洲+日韩+国产| 亚洲一区二区三区色噜噜| 精品一区二区三区人妻视频| 插逼视频在线观看| 在线观看66精品国产| 欧美日韩综合久久久久久| 日韩,欧美,国产一区二区三区 | 精品国内亚洲2022精品成人| 亚洲人成网站高清观看| 国产亚洲av片在线观看秒播厂 | 亚洲经典国产精华液单| 赤兔流量卡办理| 欧美变态另类bdsm刘玥| 一级毛片aaaaaa免费看小| 99热精品在线国产| 亚洲人成网站高清观看| 精品久久久久久成人av| 欧洲精品卡2卡3卡4卡5卡区| 夜夜夜夜夜久久久久| 夜夜夜夜夜久久久久| 亚洲人成网站在线播| 蜜桃亚洲精品一区二区三区| 亚洲一区高清亚洲精品| 免费在线观看成人毛片| 亚洲人与动物交配视频| 在线免费观看不下载黄p国产| 欧美色视频一区免费| 久久午夜亚洲精品久久| 国产亚洲精品久久久com| 给我免费播放毛片高清在线观看| 午夜老司机福利剧场| 亚洲精品久久国产高清桃花| 好男人在线观看高清免费视频| 在现免费观看毛片| 乱系列少妇在线播放| 好男人在线观看高清免费视频| 午夜精品在线福利| 午夜爱爱视频在线播放| 久久人人爽人人片av| 欧美成人免费av一区二区三区| 亚洲丝袜综合中文字幕| 亚洲天堂国产精品一区在线| 久久人妻av系列| 亚洲在线观看片| 亚洲国产日韩欧美精品在线观看| 欧美人与善性xxx| 婷婷亚洲欧美| 九九在线视频观看精品| 亚洲第一区二区三区不卡| 国产三级中文精品| 欧美日韩精品成人综合77777| 久久99热这里只有精品18| 国产国拍精品亚洲av在线观看| 一级毛片电影观看 | 特级一级黄色大片| 日日摸夜夜添夜夜添av毛片| 日韩欧美在线乱码| 亚洲性久久影院| 一级毛片aaaaaa免费看小| 大又大粗又爽又黄少妇毛片口| 青春草视频在线免费观看| 国产探花在线观看一区二区| 赤兔流量卡办理| kizo精华| 91精品一卡2卡3卡4卡| 久久久欧美国产精品| 伦精品一区二区三区| 亚洲国产精品合色在线| 国产精品一区二区三区四区免费观看| 国产精品一区二区三区四区免费观看| 国产精品.久久久| 免费av观看视频| 亚洲性久久影院| 看十八女毛片水多多多| 中文亚洲av片在线观看爽| 日产精品乱码卡一卡2卡三| 亚洲精品日韩av片在线观看| 热99在线观看视频| 18禁黄网站禁片免费观看直播| 99久久精品热视频| 哪里可以看免费的av片| 乱人视频在线观看| 亚洲精品影视一区二区三区av| 男人的好看免费观看在线视频| 禁无遮挡网站| 最近手机中文字幕大全| 99riav亚洲国产免费| 淫秽高清视频在线观看| 看黄色毛片网站| 在线免费观看的www视频| 天堂av国产一区二区熟女人妻| 久久久成人免费电影| 日韩中字成人| 精品久久久久久久久亚洲| 99热只有精品国产| 日韩欧美三级三区| 又粗又硬又长又爽又黄的视频 | 99久国产av精品国产电影| 欧美色视频一区免费| 青春草国产在线视频 | 国产成人精品一,二区 | 热99在线观看视频| 日韩制服骚丝袜av| av又黄又爽大尺度在线免费看 | 三级经典国产精品| 一级黄色大片毛片| 91午夜精品亚洲一区二区三区| 国产极品天堂在线| 村上凉子中文字幕在线| 国产不卡一卡二| 精品午夜福利在线看| 久久久久久久午夜电影| 天美传媒精品一区二区| av卡一久久| 免费看av在线观看网站| 精品人妻一区二区三区麻豆| 99久久成人亚洲精品观看| 亚洲在线观看片| 国产色婷婷99| 天堂av国产一区二区熟女人妻| 色5月婷婷丁香| 国产精品99久久久久久久久| 黄色日韩在线| 男女啪啪激烈高潮av片| 最好的美女福利视频网| 只有这里有精品99| 91aial.com中文字幕在线观看| 国产伦精品一区二区三区视频9| 在线免费观看的www视频| 搡老妇女老女人老熟妇| 一本久久中文字幕| 精品一区二区三区视频在线| 三级毛片av免费| 老司机福利观看| 亚洲av中文字字幕乱码综合| 午夜免费激情av| 99久久无色码亚洲精品果冻| 校园人妻丝袜中文字幕| 天天躁日日操中文字幕| 久久久色成人| 蜜桃亚洲精品一区二区三区| 午夜精品一区二区三区免费看| 亚洲欧美日韩东京热| 麻豆久久精品国产亚洲av| 97人妻精品一区二区三区麻豆| 美女国产视频在线观看| 99在线人妻在线中文字幕| av视频在线观看入口| 久久国内精品自在自线图片| 国产视频内射| 一本精品99久久精品77| 亚洲av中文字字幕乱码综合| 看免费成人av毛片| 全区人妻精品视频| 黄片无遮挡物在线观看| 久久久久久久久大av| 国产黄片视频在线免费观看| av女优亚洲男人天堂| 亚洲第一电影网av| 小蜜桃在线观看免费完整版高清| 国产成人精品久久久久久| 日韩欧美一区二区三区在线观看| 狂野欧美激情性xxxx在线观看| 成人无遮挡网站| 最近2019中文字幕mv第一页| 欧美高清性xxxxhd video| 啦啦啦韩国在线观看视频| 岛国毛片在线播放| 国内精品美女久久久久久| 欧美日本亚洲视频在线播放| 五月玫瑰六月丁香| 日韩av在线大香蕉| 国产真实乱freesex| 一卡2卡三卡四卡精品乱码亚洲| 久久精品国产鲁丝片午夜精品| 国产伦一二天堂av在线观看| 国产女主播在线喷水免费视频网站 | 3wmmmm亚洲av在线观看| 九九热线精品视视频播放| 欧美色视频一区免费| 亚洲第一电影网av| 国产探花极品一区二区| 亚洲精品日韩在线中文字幕 | 久久草成人影院| 99精品在免费线老司机午夜| 白带黄色成豆腐渣| 精品久久久久久久久亚洲| a级毛片a级免费在线| 在线观看午夜福利视频| 国产成人aa在线观看| 国产日韩欧美在线精品| 国产亚洲精品久久久久久毛片| 自拍偷自拍亚洲精品老妇| 国产黄a三级三级三级人| 久久久色成人| 国产又黄又爽又无遮挡在线| av天堂中文字幕网| 男女下面进入的视频免费午夜| 最近视频中文字幕2019在线8| 国产精品久久视频播放| 欧美另类亚洲清纯唯美| 伦精品一区二区三区| 亚洲一区二区三区色噜噜| 久久精品国产亚洲av香蕉五月| 青青草视频在线视频观看| 中文字幕精品亚洲无线码一区| 久久久a久久爽久久v久久| 看免费成人av毛片| 精品久久久久久久久亚洲| 国产一区二区三区在线臀色熟女| 亚洲va在线va天堂va国产| 91精品国产九色| 国产伦在线观看视频一区| 国内少妇人妻偷人精品xxx网站| 欧美精品国产亚洲| av女优亚洲男人天堂| 日韩视频在线欧美| 国产精品综合久久久久久久免费| 高清日韩中文字幕在线| 国产成人a∨麻豆精品| 亚洲欧美精品综合久久99| 97超碰精品成人国产| 国内少妇人妻偷人精品xxx网站| 黑人高潮一二区| 国模一区二区三区四区视频| av黄色大香蕉| 成年女人看的毛片在线观看| 国产av不卡久久| 亚洲欧美中文字幕日韩二区| 国产日韩欧美在线精品| 91久久精品电影网| 国产av不卡久久| 欧美xxxx黑人xx丫x性爽| 久久精品国产亚洲av天美| 看免费成人av毛片| 最新中文字幕久久久久| 99久久无色码亚洲精品果冻| 日本黄色片子视频| 久久久久久久久久成人| 2021天堂中文幕一二区在线观| 久久久精品欧美日韩精品| 久久精品夜色国产| 午夜视频国产福利| 神马国产精品三级电影在线观看| 色综合站精品国产| 久久久久性生活片| 天堂av国产一区二区熟女人妻| 边亲边吃奶的免费视频| 欧美精品国产亚洲| 久久久国产成人免费| 欧美一级a爱片免费观看看| 国产精品久久久久久亚洲av鲁大| 亚洲内射少妇av| 在线免费观看不下载黄p国产| 亚洲国产日韩欧美精品在线观看| 亚洲成人中文字幕在线播放| 综合色av麻豆| 一个人观看的视频www高清免费观看| 特大巨黑吊av在线直播| 国产精品乱码一区二三区的特点| 精品人妻视频免费看| 在线观看美女被高潮喷水网站| 国产日本99.免费观看| 国产精品不卡视频一区二区| 波多野结衣高清无吗| 淫秽高清视频在线观看| 嘟嘟电影网在线观看| 亚洲在久久综合| 黄片无遮挡物在线观看| 午夜亚洲福利在线播放| 亚洲国产精品久久男人天堂| 成人特级黄色片久久久久久久| 国产国拍精品亚洲av在线观看| 少妇人妻精品综合一区二区 | 中文亚洲av片在线观看爽| 一边亲一边摸免费视频| 中文字幕精品亚洲无线码一区| 国产精品不卡视频一区二区| 自拍偷自拍亚洲精品老妇| 亚洲av一区综合| 国产精品久久久久久久久免| 人妻制服诱惑在线中文字幕| 精品国产三级普通话版| 国产成人a∨麻豆精品| 国产又黄又爽又无遮挡在线| 夜夜看夜夜爽夜夜摸| av又黄又爽大尺度在线免费看 | 免费不卡的大黄色大毛片视频在线观看 | 国产日本99.免费观看| 国产精品人妻久久久久久| 亚洲乱码一区二区免费版| 性插视频无遮挡在线免费观看| 99久久人妻综合| 身体一侧抽搐| 一级毛片久久久久久久久女| 校园春色视频在线观看| 三级男女做爰猛烈吃奶摸视频| 中文精品一卡2卡3卡4更新| 非洲黑人性xxxx精品又粗又长| 麻豆成人av视频| 久久久久久久久大av| 乱系列少妇在线播放| 一个人看视频在线观看www免费| 99久久精品热视频| 午夜老司机福利剧场| 欧美最黄视频在线播放免费| 国产精品福利在线免费观看| 99久久无色码亚洲精品果冻| 国产成人a区在线观看| 亚洲精品久久久久久婷婷小说 | 亚洲精品成人久久久久久| 亚洲精品影视一区二区三区av| 精品国内亚洲2022精品成人| 亚洲精品乱码久久久久久按摩| 亚洲无线在线观看| 欧美成人免费av一区二区三区| 波野结衣二区三区在线| 九色成人免费人妻av| 国产亚洲欧美98| 女同久久另类99精品国产91| 一边亲一边摸免费视频| 男人狂女人下面高潮的视频| 在线天堂最新版资源| 欧美一区二区国产精品久久精品| 久久久久性生活片| 伦理电影大哥的女人| 国产精品免费一区二区三区在线| 人妻少妇偷人精品九色| 岛国毛片在线播放| 菩萨蛮人人尽说江南好唐韦庄 | 久久99热这里只有精品18| 男插女下体视频免费在线播放| 亚洲成av人片在线播放无| 国产不卡一卡二| 久久久国产成人免费| 少妇高潮的动态图| 亚洲av男天堂| 非洲黑人性xxxx精品又粗又长| 欧美性猛交黑人性爽| 一本一本综合久久| 久久鲁丝午夜福利片| 国产男人的电影天堂91| 久久精品久久久久久久性| 九九在线视频观看精品| 国产精品日韩av在线免费观看| 国产久久久一区二区三区| 国产三级中文精品| 天天躁日日操中文字幕| 亚洲丝袜综合中文字幕| 精品久久久久久久久亚洲| 国产麻豆成人av免费视频| 成人亚洲欧美一区二区av| 欧美性感艳星| 中文在线观看免费www的网站| 国产高潮美女av| 美女内射精品一级片tv| 色5月婷婷丁香| 国产成人精品婷婷| 中文字幕制服av| 久久热精品热| 国产精品久久视频播放| 欧美一级a爱片免费观看看| 亚洲精品成人久久久久久| 99在线视频只有这里精品首页| 亚洲欧美日韩东京热| 国产精品一区二区三区四区久久| 欧美成人精品欧美一级黄| 一区二区三区高清视频在线| 女人十人毛片免费观看3o分钟| 精品国内亚洲2022精品成人| 婷婷色综合大香蕉| 熟女人妻精品中文字幕| 一个人看视频在线观看www免费| 日韩三级伦理在线观看| 夜夜夜夜夜久久久久| 我的老师免费观看完整版| av视频在线观看入口| 99久久精品一区二区三区| 日日撸夜夜添| 久久99热6这里只有精品| 日本-黄色视频高清免费观看| 免费大片18禁| 男女那种视频在线观看| 99久久久亚洲精品蜜臀av| 99国产精品一区二区蜜桃av| 成人欧美大片| 国产高清激情床上av| 少妇熟女欧美另类| 国产精品久久久久久久电影| 青春草亚洲视频在线观看| 高清在线视频一区二区三区 | 欧美最黄视频在线播放免费| 免费观看a级毛片全部| 熟女人妻精品中文字幕| 亚洲人成网站在线播放欧美日韩| 午夜亚洲福利在线播放| 亚洲欧美日韩高清在线视频| 久久亚洲精品不卡| 久久精品国产亚洲网站| 国产一级毛片七仙女欲春2| 日韩av在线大香蕉| 日韩在线高清观看一区二区三区| 波多野结衣高清作品| 国产久久久一区二区三区| 日本与韩国留学比较| 给我免费播放毛片高清在线观看| 久久久久久久久久成人| 国产黄a三级三级三级人| 精品人妻一区二区三区麻豆| 亚洲精品久久久久久婷婷小说 | 久久久久久伊人网av| 青春草国产在线视频 | 亚洲精品色激情综合| 国产精品久久电影中文字幕| 免费看a级黄色片| 国产精品一区www在线观看| 三级男女做爰猛烈吃奶摸视频| 最近中文字幕高清免费大全6| 少妇的逼水好多| 国产成人精品婷婷| 亚洲第一电影网av| 精品人妻视频免费看| 精品无人区乱码1区二区| 天堂中文最新版在线下载 | 丰满人妻一区二区三区视频av| 99热全是精品| 久久精品91蜜桃| 97热精品久久久久久| 少妇熟女aⅴ在线视频| 久久综合国产亚洲精品| 中文字幕久久专区| 国产成人91sexporn| 男人狂女人下面高潮的视频| 99国产极品粉嫩在线观看| 91久久精品国产一区二区成人| 国产伦理片在线播放av一区 | 在线观看午夜福利视频| 看免费成人av毛片| 国产精品精品国产色婷婷| 看片在线看免费视频| 91麻豆精品激情在线观看国产| 中文字幕免费在线视频6| 日本色播在线视频| 秋霞在线观看毛片| 天天躁夜夜躁狠狠久久av| 免费观看的影片在线观看| 人妻制服诱惑在线中文字幕| 久久综合国产亚洲精品| 免费av观看视频| 有码 亚洲区| 99热这里只有是精品50| 亚洲av男天堂| 99久久成人亚洲精品观看| 男女下面进入的视频免费午夜| 久久草成人影院| 久久99蜜桃精品久久| 夜夜夜夜夜久久久久| 久久精品人妻少妇| 欧美色视频一区免费| 欧美三级亚洲精品| 国模一区二区三区四区视频| 伦理电影大哥的女人| 91久久精品国产一区二区成人| 特级一级黄色大片| 黄色视频,在线免费观看| 99热精品在线国产| 免费av毛片视频| 免费在线观看成人毛片| 一个人看视频在线观看www免费| 男女下面进入的视频免费午夜| 一本久久精品| 国产av麻豆久久久久久久| 亚洲国产精品sss在线观看| 亚洲欧美清纯卡通| 老女人水多毛片| 国产免费一级a男人的天堂| 成人漫画全彩无遮挡| 成人午夜精彩视频在线观看| 久久婷婷人人爽人人干人人爱| 极品教师在线视频| 亚洲国产精品sss在线观看| 日本黄色片子视频| 少妇人妻一区二区三区视频| 成人鲁丝片一二三区免费| 亚洲自拍偷在线| 亚洲精品456在线播放app| 五月伊人婷婷丁香| 亚洲精品乱码久久久v下载方式| 一区福利在线观看| 国内久久婷婷六月综合欲色啪| 久久亚洲精品不卡| 亚洲精品乱码久久久v下载方式| 搡女人真爽免费视频火全软件| 免费黄网站久久成人精品| 国产精品av视频在线免费观看| 亚洲欧美精品综合久久99| av国产免费在线观看| 久久精品国产亚洲av天美| 一区福利在线观看| 久久精品国产鲁丝片午夜精品| 日日撸夜夜添| 国产色爽女视频免费观看| 亚州av有码| 免费人成在线观看视频色| 亚洲精品国产成人久久av| 国产午夜精品论理片| 日本爱情动作片www.在线观看| 国产免费男女视频| 观看美女的网站| 国内精品一区二区在线观看| 性插视频无遮挡在线免费观看| 国产精品1区2区在线观看.| 午夜老司机福利剧场| 国产午夜福利久久久久久| 欧美色视频一区免费| 亚洲激情五月婷婷啪啪| a级毛色黄片| 精品国产三级普通话版| 午夜久久久久精精品| 国产精品免费一区二区三区在线| 老女人水多毛片| 哪里可以看免费的av片| 麻豆一二三区av精品| 欧美日韩乱码在线| 少妇高潮的动态图| 日韩高清综合在线| av在线蜜桃| 午夜激情福利司机影院| 亚洲乱码一区二区免费版|