• <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 ?

    基于截?cái)嗪朔稊?shù)的圖像去噪展開網(wǎng)絡(luò)

    2022-11-18 04:15:34葉海良曹飛龍
    模式識(shí)別與人工智能 2022年10期
    關(guān)鍵詞:范數(shù)卷積噪聲

    張 琳 葉海良 楊 冰 曹飛龍

    圖像去噪是計(jì)算機(jī)視覺領(lǐng)域的一個(gè)基本問題,其目的是將含有噪聲的數(shù)字圖像恢復(fù)成干凈圖像.人們?cè)诓杉?、?shù)字化和傳輸圖像的過程中,不可避免地受到成像設(shè)備和外部環(huán)境噪聲干擾等影響,從而降低圖像的視覺效果,導(dǎo)致獲取的信息不準(zhǔn)確甚至錯(cuò)誤.因?yàn)閳D像去噪可從觀測(cè)值中分離噪聲并保留干凈圖像,所以受到學(xué)者們的廣泛關(guān)注,如醫(yī)學(xué)圖像[1]、圖像壓縮[2]、視頻去噪[3]、圖像分割[4]、目標(biāo)檢測(cè)[5]、衛(wèi)星成像[6]、遙感圖像[7]等.

    近年來,學(xué)者們主要使用基于模型驅(qū)動(dòng)的方法進(jìn)行圖像去噪[8-9].由于傳統(tǒng)的迭代算法都是根據(jù)反映任務(wù)本質(zhì)的數(shù)學(xué)原理設(shè)計(jì)的,因此具有高度的可解釋性,但基于模型驅(qū)動(dòng)的方法也存在較明顯的弊端.除了需要人為設(shè)置參數(shù)以獲得最優(yōu)結(jié)果之外,較簡(jiǎn)單的優(yōu)化方法往往降噪效果不佳.

    之后,學(xué)者們提出越來越多的基于數(shù)據(jù)驅(qū)動(dòng)的圖像去噪模型,并逐漸成為圖像去噪的主流方法,尤其是卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN).但是,CNN結(jié)構(gòu)復(fù)雜多樣,并且依賴大量的訓(xùn)練數(shù)據(jù),因此,常作為黑箱使用.例如,Zhang等[10]提出DnCNNs(Denoising Convolutional Neural Networks),在分別處理圖像去噪任務(wù)和單幅圖像超分辨率任務(wù)時(shí),很難通過網(wǎng)絡(luò)參數(shù)分析網(wǎng)絡(luò)的運(yùn)行機(jī)制及清楚觀察它分別學(xué)到什么知識(shí).因此神經(jīng)網(wǎng)絡(luò)的弊端在于底層結(jié)構(gòu)的可解釋性較弱.

    算法展開方法可避免神經(jīng)網(wǎng)絡(luò)方法缺乏可解釋性這一嚴(yán)重制約,結(jié)合傳統(tǒng)迭代算法和神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì),同時(shí)避免各自的缺陷.具體地說,網(wǎng)絡(luò)在執(zhí)行有限次循環(huán)過程中,通過反向傳播更新參數(shù),代替?zhèn)鹘y(tǒng)算法中難以明確設(shè)計(jì)的復(fù)雜映射,而算法展開方法使網(wǎng)絡(luò)模塊和算法操作符之間具有精準(zhǔn)的一一對(duì)應(yīng)關(guān)系,因此可繼承傳統(tǒng)迭代算法的可解釋性.

    表征自然圖像的數(shù)據(jù)矩陣通常是低秩或近似低秩的,可在幾乎不損失原有信息的基礎(chǔ)上,只使用其中幾個(gè)重要的特征表示圖像,如可使用奇異值分解(Singular Value Decomposition, SVD)達(dá)到壓縮原圖像的目的.因此,利用SVD將圖像去噪問題轉(zhuǎn)化成低秩矩陣逼近問題是合理的,這卻是一個(gè)NP難問題[11].針對(duì)這一問題,Candès等[12]提出使用矩陣的核范數(shù)作為秩函數(shù)的凸近似,但核范數(shù)并不是秩函數(shù)最好的逼近.因?yàn)楹朔稊?shù)對(duì)所有奇異值求和,在最小化過程中,所有的奇異值都會(huì)同時(shí)被最小化.針對(duì)這一問題,Hu等[13]提出截?cái)嗪朔稊?shù)(Truncated Nu-clear Norm, TNN),但在求TNN過程中SVD計(jì)算代價(jià)太高,很難在現(xiàn)實(shí)生活中被真正實(shí)施運(yùn)用.

    因此,本文考慮結(jié)合基于數(shù)據(jù)驅(qū)動(dòng)的方法和基于模型驅(qū)動(dòng)的方法,相當(dāng)于在網(wǎng)絡(luò)中給噪聲添加一個(gè)具有約束性的先驗(yàn)信息,網(wǎng)絡(luò)在該先驗(yàn)信息的指導(dǎo)下,不僅具備較強(qiáng)的可解釋性,而且還在性能上體現(xiàn)較強(qiáng)的競(jìng)爭(zhēng)力.由此提出基于截?cái)嗪朔稊?shù)的圖像去噪展開網(wǎng)絡(luò)(TNN Based Unfolding Network for Image Denoising, TNNUNet).結(jié)合基于TNN的低秩稀疏矩陣恢復(fù)方法與圖像去噪,使用加性高斯白噪聲(Additive White Gaussian Noise, AWGN)[14]擬合待消除的噪聲.從訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)奇異值矩陣,避免SVD操作計(jì)算量過大的問題.將TNNUNet用于圖像去噪任務(wù),實(shí)驗(yàn)表明,TNNUNet性能較優(yōu).

    1 相關(guān)工作

    1.1 基于截?cái)嗪朔稊?shù)的圖像去噪

    近年來,矩陣低秩稀疏分解(Low Rank and Spar- se Decomposition, LRSD)問題在許多領(lǐng)域都備受關(guān)注,如:多視圖聚類[15]、深度壓縮[16]、圖像分類[17]、高光譜異常檢測(cè)[18]等.

    對(duì)于給定的觀測(cè)值X,它對(duì)應(yīng)的數(shù)據(jù)矩陣通常是低秩或近似低秩的.當(dāng)加入具有稀疏性的噪聲N后,會(huì)破壞原數(shù)據(jù)矩陣的低秩性.Wright等[19]將該問題描述為

    (1)

    但由于秩函數(shù)和l0范數(shù)的不連續(xù)性和非凸性,式(1)是一個(gè)NP難問題,可使用核范數(shù)近似秩函數(shù)[20-21].

    同樣地,具有稀疏性的l1或l2,1范數(shù)可作為l0范數(shù)的凸近似.于是式(1)可改寫為

    (2)

    其中‖·‖*為矩陣的核范數(shù),可選擇l1或l2,1范數(shù),分別被定義為

    盡管使用核范數(shù)代替秩函數(shù)可將式(1)轉(zhuǎn)化為凸函數(shù),但核范數(shù)也并不是秩函數(shù)最好的逼近.這是因?yàn)橹群瘮?shù)的值只與非零奇異值的個(gè)數(shù)有關(guān),而核范數(shù)是對(duì)矩陣的非零奇異值求和,它的值與非零奇異值的大小有關(guān),而與非零奇異值的個(gè)數(shù)無關(guān).因此,核范數(shù)在最小化過程中,所有奇異值無差異地一起被最小化.

    為了解決這一問題,Gu等[22]提出WNNM (Wei- ghted Nuclear Norm Minimization),通過對(duì)不同奇異值賦予不同的權(quán)重以區(qū)別對(duì)待奇異值的貢獻(xiàn),但WNNM通常是非凸的.Hu等[13]提出TNN,因?yàn)槠娈愔翟谄娈愔稻仃囍惺菑拇蟮叫∨帕械模覝p少得特別快,那么任意一個(gè)矩陣都可用前r個(gè)最大的奇異值近似描述.因此在最小化過程中,只需要最小化最后min(m,n)-r個(gè)奇異值.于是式(2)可改寫為

    (3)

    通常使用核范數(shù)減去幾個(gè)最大奇異值之和表示TNN.同時(shí),式(3)中的lp范數(shù)簡(jiǎn)單地選擇l1范數(shù).于是式(3)可轉(zhuǎn)化為

    (4)

    為了求解式(4),對(duì)C進(jìn)行SVD分解,可得

    U=(u1,u2,…,um)∈Rm×m,

    V=(v1,v2,…,vn)∈Rn×n,

    截?cái)嘀燎皉項(xiàng),得

    A=(u1,u2,…,ur)T∈Rr×m,

    B=(v1,v2,…,vr)T∈Rr×n,

    其中A和B分別滿足AAT=Ir×r和BBT=Ir×r.根據(jù)Ye等[23]的工作,有

    于是式(4)等價(jià)于

    (5)

    在式(5)的基礎(chǔ)上,Cao等[24]提出LRSD-TNN(Low-Rank and Sparse Decomposition Based on the TNN),并應(yīng)用于背景分離及去除面部圖像陰影特征.這是因?yàn)閷D像去噪問題轉(zhuǎn)化成低秩矩陣逼近問題具有合理性,并且容易展開到網(wǎng)絡(luò).

    1.2 基于數(shù)據(jù)驅(qū)動(dòng)的圖像去噪

    得益于靈活多變的網(wǎng)絡(luò)結(jié)構(gòu)和強(qiáng)大的學(xué)習(xí)能力,神經(jīng)網(wǎng)絡(luò)成為圖像去噪的主流方法.Zhang等[10]提出DnCNNs,使用17層卷積堆疊的網(wǎng)絡(luò)預(yù)測(cè)噪聲,強(qiáng)調(diào)殘差學(xué)習(xí)和批歸一化(Batch Normalization, BN)[25]相輔相成的作用.之后,Zhang等[26]提出FFDNet(Fast and Flexible Denoising CNN),在原深層CNN的基礎(chǔ)上添加全圖的噪聲水平估計(jì),更適用于真實(shí)場(chǎng)景的降噪.Tian等[27]提出DudeNet(Dual Denoising Network),其中一支子網(wǎng)絡(luò)將DnCNNs中的一部分普通卷積替換成空洞卷積,稱為“稀疏機(jī)制”,DudeNet融合兩個(gè)子網(wǎng)絡(luò)提取的特征,達(dá)到特征增強(qiáng)的目的.

    這種基于空洞卷積的稀疏機(jī)制可在網(wǎng)絡(luò)深度與寬度之間進(jìn)行權(quán)衡,在減少網(wǎng)絡(luò)復(fù)雜度的同時(shí),達(dá)到提升去噪性能的目的.Tian等[28]提出BRDNet(Batch-Renormalization Denoising Network),在Dude-Net的基礎(chǔ)上,改變稀疏機(jī)制的內(nèi)部結(jié)構(gòu),即改變空洞卷積與普通卷積的個(gè)數(shù)和排列順序,并將兩個(gè)子網(wǎng)絡(luò)都更改為殘差結(jié)構(gòu)的形式.Tian等[29]提出ADNet(Attention-Guided Denoising CNN),結(jié)合稀疏機(jī)制和注意力機(jī)制,精細(xì)提取隱藏在背景中的噪聲信息.

    根據(jù)上述描述可看出,在CNN中融入空洞卷積可在提升網(wǎng)絡(luò)性能的同時(shí)保證效率.

    1.3 基于算法展開的圖像去噪

    算法展開是避免神經(jīng)網(wǎng)絡(luò)黑盒性質(zhì)的一種方法,可通過算法展開生成可解釋性網(wǎng)絡(luò).Zhang等[30]提出USRNet(Deep Unfolding Super-Resolution Net-work),使用3個(gè)子網(wǎng)絡(luò)分別作為數(shù)據(jù)模塊、先驗(yàn)?zāi)K和超參模塊,代替算法中計(jì)算代價(jià)大和難以明確設(shè)計(jì)的映射.Wang等[31]提出RCDNet(Rain Con-volutional Dictionary Network),使用網(wǎng)絡(luò)代替算法中的兩個(gè)近端算子.Zhang等[32]提出AMP-Net,將AMP(Approximate Message Passing)的迭代去噪過程展開成多層網(wǎng)絡(luò).Zheng等[33]提出DCDicL(Deep Convolutional Dictionary Learning),通過4個(gè)子網(wǎng)絡(luò)分別完成初始化、學(xué)習(xí)系數(shù)先驗(yàn)知識(shí)、學(xué)習(xí)字典先驗(yàn)知識(shí)和預(yù)測(cè)超參的任務(wù),克服傳統(tǒng)算法人為設(shè)置先驗(yàn)知識(shí)的缺點(diǎn).

    算法展開方法在深度神經(jīng)網(wǎng)絡(luò)方法和迭代算法之間建立具體而系統(tǒng)的聯(lián)系,可有效克服神經(jīng)網(wǎng)絡(luò)缺乏可解釋性的缺點(diǎn).

    2 基于截?cái)嗪朔稊?shù)的圖像去噪展開網(wǎng)絡(luò)

    本文采用深度展開網(wǎng)絡(luò)進(jìn)行圖像去噪,該任務(wù)應(yīng)滿足如下兩點(diǎn).

    1)將基于TNN的圖像去噪算法作為神經(jīng)網(wǎng)絡(luò)的原則性框架.由于每個(gè)步驟都具有傳統(tǒng)算法的邏輯性,算法展開繼承傳統(tǒng)迭代算法的可解釋性.

    2)神經(jīng)網(wǎng)絡(luò)作為一個(gè)萬能逼近器,可代替算法中的復(fù)雜映射.

    本文結(jié)合傳統(tǒng)迭代算法和神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì),提出基于截?cái)嗪朔稊?shù)的圖像去噪展開網(wǎng)絡(luò).

    2.1 基于模型驅(qū)動(dòng)的TNN圖像去噪算法

    利用圖像數(shù)據(jù)矩陣的低秩性進(jìn)行圖像去噪,是將待恢復(fù)的圖像看作由退化前的數(shù)據(jù)和誤差組成,其中干凈圖像可通過低秩矩陣逼近,噪聲具有稀疏性,相應(yīng)的模型為式(5).求解這類在約束條件下的極值問題,通常做法是將其轉(zhuǎn)化為拉格朗日函數(shù)的極值問題.因此,將式(5)改寫為增廣拉格朗日函數(shù)的形式:

    (6)

    其中,Y表示拉格朗日乘子,

    〈Y,X-C-N〉=tr(YT(X-C-N)),

    表示矩陣的內(nèi)積,μ>0,表示正則化系數(shù).

    此時(shí),有約束條件的優(yōu)化問題已轉(zhuǎn)化為無約束優(yōu)化問題.于是,采用交替方向乘子法(Alternating Direction Method of Multiplier, ADMM)將聯(lián)合優(yōu)化改成單獨(dú)交替迭代的形式:

    其中,ρ>1,為常數(shù).

    在求解式(6)中N時(shí),為了添加AWGN,使用N的F范數(shù)‖N‖F(xiàn)代替式(6)中的l1范數(shù)‖N‖1,于是,可通過求導(dǎo)得到N的解.根據(jù)文獻(xiàn)[24],可得到最后的解為

    Ys+1=Ys+μs(X-Cs+1-Ns+1),

    μs+1=min(ρμs,μmax),

    其中求解矩陣C時(shí)采用奇異值閾值算法(Singular Value Thresholding Algorithm, SVT),被定義為

    SVTμ(Q)=Udiag[max(σ-μ,0)]VT,

    U∈Rm×r,V∈Rr×n,σ∈Rr×1是由任意給定的矩陣Q∈Rm×n進(jìn)行SVD得到的,即

    Q=Udiag(σ)VT.

    由于SVD和SVT的計(jì)算代價(jià)過高,因此本文使用神經(jīng)網(wǎng)絡(luò)代替這兩個(gè)操作,可減少模型的計(jì)算量,提升效率.

    2.2 模型驅(qū)動(dòng)的嵌入網(wǎng)絡(luò)

    確定展開算法之后,關(guān)鍵的問題就是如何設(shè)計(jì)網(wǎng)絡(luò)取代SVD和SVT這兩個(gè)步驟.基于算法展開的思想,首先將上述算法的每個(gè)迭代步驟展開為相應(yīng)的網(wǎng)絡(luò)模塊,使用網(wǎng)絡(luò)代替SVD和SVT操作,其它運(yùn)算使用網(wǎng)絡(luò)中常用的運(yùn)算符執(zhí)行.執(zhí)行網(wǎng)絡(luò)的一個(gè)階段相當(dāng)于傳統(tǒng)算法的一次迭代,連接這些階段,形成一個(gè)深層神經(jīng)網(wǎng)絡(luò).

    本文使用兩個(gè)結(jié)構(gòu)和參數(shù)設(shè)置相同的網(wǎng)絡(luò)A-net和B-net代替SVD操作,網(wǎng)絡(luò)輸出為代替奇異值矩陣的特征,分別取其前r個(gè)向量,得到

    A=(u1,u2,…,ur)T∈Rr×m,

    B=(v1,v2,…,vr)T∈Rr×n,

    再使用一個(gè)去噪網(wǎng)絡(luò)SVT-net代替SVT操作,更新干凈圖像.其它操作按照網(wǎng)絡(luò)中常用的運(yùn)算符表示.

    TNNUNet整體設(shè)計(jì)如圖1(a)所示,共有S個(gè)階段,將觀測(cè)圖像X和噪聲N作為輸入,輸出學(xué)習(xí)得到的干凈圖像C和噪聲N.從第2個(gè)階段開始,每個(gè)階段都以上一階段的輸出作為輸入,直到遍歷所有的階段.圖1(b)為TNNUNet第1、2階段的網(wǎng)絡(luò)架構(gòu)示意圖.

    (a)完整結(jié)構(gòu)

    本文簡(jiǎn)單使用五層卷積堆疊的A-net和B-net代替SVD操作,分別生成代替輸入矩陣的左奇異值矩陣和右奇異值矩陣的特征.具體地說,從第一層到第五層卷積的通道數(shù)都設(shè)置為64,采用3×3的卷積核.在輸入層和中間層有整流線性單元(Rectified Linear Units, ReLU)[34]激活函數(shù),最后一個(gè)卷積層后未設(shè)置激活函數(shù).并且除了第一層和最后一層,每層都與BN結(jié)合.這兩個(gè)網(wǎng)絡(luò)層數(shù)的選取將在實(shí)驗(yàn)部分進(jìn)行討論.

    SVT-net的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示,它的作用是代替SVT操作,每一階段生成干凈圖像都是在這一步完成的.因?yàn)樗惴ㄕ归_將所有階段連接并形成一個(gè)深層神經(jīng)網(wǎng)絡(luò),所以,采用文獻(xiàn)[35]的深度殘差網(wǎng)絡(luò)形式,避免網(wǎng)絡(luò)層數(shù)較多引起的退化現(xiàn)象.

    圖2 SVT-net網(wǎng)絡(luò)結(jié)構(gòu)示意圖

    SVT-net由如下3部分組成.

    1)由普通卷積(Conv)和空洞卷積(Dilated Conv)對(duì)稱排列的稀疏模塊,用于初步提取輸入圖像的特征;

    2)融合初步提取的特征和輸入圖像特征的特征融合模塊,當(dāng)網(wǎng)絡(luò)層數(shù)增加時(shí),強(qiáng)調(diào)淺層網(wǎng)絡(luò)對(duì)深層網(wǎng)絡(luò)的影響;

    3)重構(gòu)模塊,從原始觀測(cè)圖像中去除網(wǎng)絡(luò)預(yù)測(cè)的噪聲,重構(gòu)需要的干凈圖像.

    2.3 網(wǎng)絡(luò)步驟

    本文的損失函數(shù)由兩部分組成:學(xué)習(xí)的奇異值矩陣的正交損失和生成的干凈圖像與真實(shí)值的均方誤差損失(Mean-Square Error, MSE):

    其中,S表示展開網(wǎng)絡(luò)的階段數(shù),λs表示MSE懲罰參數(shù),γs表示正交損失的懲罰參數(shù).

    最終TNNUNet步驟如算法1所示.

    算法1TNNUNet

    輸入X,λ,μ0,μmax,ρ

    輸出A,B,C

    初始化C0,N0,Y0;

    S表示展開網(wǎng)絡(luò)的階段數(shù);

    Fors=0∶Sdo

    給定干凈圖像Cs,通過網(wǎng)絡(luò)計(jì)算左奇異值矩陣U和右奇異值矩陣V:

    Us+1=A-net(Cs),Vs+1=B-net(Cs).

    截?cái)嘀燎皉項(xiàng),得到As+1,Bs+1.

    通過網(wǎng)絡(luò)計(jì)算干凈圖像Cs+1.

    由已知變量計(jì)算噪聲Ns+1.

    更新拉格朗日乘子Ys+1.

    更新參數(shù)μs+1.

    end for

    3 實(shí)驗(yàn)及結(jié)果分析

    3.1 實(shí)驗(yàn)數(shù)據(jù)集

    本節(jié)中,本文使用Berkeley Segmentation Dataset

    (BSD)[36]中的400幅180×180的圖像合成AWGN圖像.在這400幅圖像上進(jìn)行如下三步操作以達(dá)到數(shù)據(jù)增強(qiáng)的目的.

    1)分別采用尺度因子1、0.9、0.8、0.7對(duì)每幅圖像進(jìn)行縮放,得到4種尺寸的圖像.

    2)以滑窗的形式,以步長(zhǎng)為10,將這4種尺寸的圖像裁剪成40×40的小塊,達(dá)到擴(kuò)大數(shù)據(jù)集的目的.

    3)將得到的小塊進(jìn)行鏡像和翻轉(zhuǎn)的操作:剪裁后的原圖像上下翻轉(zhuǎn);剪裁后的原圖像逆時(shí)針旋轉(zhuǎn)90°,然后上下翻轉(zhuǎn);剪裁后的原圖像逆時(shí)針旋轉(zhuǎn)90°兩次,然后上下翻轉(zhuǎn);剪裁后的原圖像逆時(shí)針旋轉(zhuǎn)90°三次,然后上下翻轉(zhuǎn).旋轉(zhuǎn)和翻轉(zhuǎn)操作后每次生成的新圖像都放入訓(xùn)練集,達(dá)到增加訓(xùn)練集多樣性的目的.最后添加AWGN,得到合成噪聲訓(xùn)練集.

    在BSD68[37]、Set12[38]數(shù)據(jù)集上評(píng)估TNNUNet.BSD68數(shù)據(jù)集包含68幅尺寸為321×481或481×321的圖像.Set12數(shù)據(jù)集包含12幅尺寸為256×256的圖像.這兩個(gè)數(shù)據(jù)集都廣泛用于評(píng)估不同場(chǎng)景灰度圖像的去噪性能,不用于訓(xùn)練.

    3.2 參數(shù)討論

    TNNUNet每個(gè)階段的深度是23層.根據(jù)經(jīng)驗(yàn)設(shè)置初始化參數(shù)如下:初始學(xué)習(xí)率為10-3,學(xué)習(xí)率下降回合間隔數(shù)為20,學(xué)習(xí)率調(diào)整倍數(shù)為0.2,批量大小為128,訓(xùn)練模型的迭代次數(shù)為180,正則化參數(shù)λ=0.01,懲罰參數(shù)μ=100,并設(shè)置μ的上限為200,常數(shù)ρ=1.1;對(duì)于X∈Rm×n,設(shè)置

    秩r=0.1min(m,n).

    本文將圖像裁剪成小塊,不僅可增加訓(xùn)練集數(shù)量,還可減少計(jì)算量,加快運(yùn)算速度.小塊的大小是根據(jù)網(wǎng)絡(luò)的感受野大小設(shè)計(jì)的,考慮的主要因素是在卷積過程中接收域的變化.

    本文網(wǎng)絡(luò)涉及如下3種卷積.

    1)卷積核為3×3的普通卷積,具體地,對(duì)于深度為d的網(wǎng)絡(luò),對(duì)應(yīng)的感受野為(2d+1)×(2d+1).

    2)卷積核為1×1的普通卷積,不會(huì)改變接收域的大小.

    3)卷積核為3×3的空洞卷積,膨脹因子為2,可從更廣闊的領(lǐng)域接收更多的信息.具體地,對(duì)于深度為d的網(wǎng)絡(luò),接受域大小為(4d+1)×(4d+1).

    A-net和B-net的感受野都是11×11,SVT-net的感受野大小為41×41,為了簡(jiǎn)單起見,小塊的大小選擇40×40.

    本節(jié)所有的對(duì)比實(shí)驗(yàn)都在Set12數(shù)據(jù)集上進(jìn)行測(cè)試,噪聲水平σ=25.使用峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)和結(jié)構(gòu)相似度(Struc-ture Similarity Index Measure, SSIM)作為評(píng)價(jià)去噪性能的指標(biāo).

    PSNR定義為

    其中,MAX表示圖像可能的最大像素值,MSE表示真實(shí)干凈圖像和預(yù)測(cè)值之間的均方誤差.一般來說,PSNR越大,表示圖像質(zhì)量越好.

    SSIM定義為

    首先對(duì)比A-net和B-net在設(shè)置不同層數(shù)時(shí)的去噪效果,結(jié)果如表1所示,表中黑體數(shù)字表示最優(yōu)值.由表可見,僅用5層卷積堆疊就可較好代替SVD操作,表現(xiàn)出良好的去噪效果.

    表1 A-net和B-net在不同層數(shù)下的去噪效果

    傳統(tǒng)算法的每次迭代相當(dāng)于運(yùn)行網(wǎng)絡(luò)的一個(gè)階段.傳統(tǒng)算法需要設(shè)計(jì)大量迭代,而算法展開得益于神經(jīng)網(wǎng)絡(luò)端到端的學(xué)習(xí),僅需很少量的階段數(shù)即可獲得和傳統(tǒng)算法相當(dāng)甚至更優(yōu)的結(jié)果.

    下面對(duì)比不同階段數(shù)下TNNUNet的去噪效果,確定最優(yōu)的階段數(shù),結(jié)果如表2所示,表中黑體數(shù)字表示最優(yōu)值.由表可見,當(dāng)階段數(shù)為3時(shí)達(dá)到最優(yōu)去噪效果.

    表2 TNNUNet在不同階段數(shù)下的去噪效果對(duì)比

    最后對(duì)比在不同損失函數(shù)系數(shù)下TNNUNet的去噪效果,確定最優(yōu)損失函數(shù)系數(shù),結(jié)果講圖3所示.

    圖3 損失函數(shù)系數(shù)不同時(shí)TNNUNet的去噪效果

    圖3中α表示在第1階段至第S-1階段的正

    交損失函數(shù)和生成干凈圖像的MSE系數(shù),β表示在最后一個(gè)階段的正交損失函數(shù)系數(shù),在最后一個(gè)階段的生成干凈圖像的均方誤差系數(shù)為1.

    圖3中標(biāo)注的圓點(diǎn)為對(duì)比實(shí)驗(yàn)中的最優(yōu)結(jié)果:

    α=0.1,β=0.5,PSNR=30.61 dB.

    3.3 對(duì)比實(shí)驗(yàn)結(jié)果

    本文選擇如下對(duì)比算法:BM3D(Block Ma-tching and 3D Filtering)[9]、DnCNNs[11]、WNNM[22]、FFDNet[26]、DudeNet[27]、BRDNet[28]、ADNet[29]、EPLL(Expected Patch Log Likelihood)[39]、MLP(Multi-layer Perceptron)[40]、CSF(Inter-leaved Cascade of Shrinkage Fields)[41]、TNRD(Trainable Nonlinear Reaction Diffusion)[42]、文獻(xiàn)[43]算法.

    一個(gè)好的去噪器需要在SSIM和運(yùn)行時(shí)間上都取得良好結(jié)果,同時(shí)可視化結(jié)果也是判斷去噪效果的一個(gè)重要因素.因此,本文使用PSNR和運(yùn)行時(shí)間作為評(píng)價(jià)去噪性能的指標(biāo).

    各方法在BSD68數(shù)據(jù)集上去噪后的平均PSNR對(duì)比如表3所示,表中黑體數(shù)字表示最優(yōu)值,斜體數(shù)字表示次優(yōu)值.由表可看出,TNNUNet在不同的噪聲水平下都取得最優(yōu)值.

    表3 各方法在BSD68數(shù)據(jù)集上的平均PSNR對(duì)比

    為了方便直觀對(duì)比各方法的去噪效果,選取干凈圖像、噪聲圖像和通過不同方法恢復(fù)的干凈圖像的同個(gè)區(qū)域進(jìn)行放大,可視化結(jié)果如圖4所示.

    (a)干凈圖像 (b)觀測(cè)圖像(14.17 dB) (c)BM3D(25.77 dB) (d)ADNet(26.18 dB)

    各方法在Set12數(shù)據(jù)集上的去噪結(jié)果如表4~表6所示,表中黑體數(shù)字表示最優(yōu)值,斜體數(shù)字表示次優(yōu)值.由表可看出,TNNUNet在不同的噪聲水平下的降噪效果最優(yōu).

    表4 σ=15時(shí)各方法在Set12數(shù)據(jù)集上的平均PSNR對(duì)比

    表5 σ=25時(shí)各方法在Set12數(shù)據(jù)集上的平均PSNR對(duì)比

    表6 σ=50時(shí)各方法在Set12數(shù)據(jù)集上的平均PSNR對(duì)比

    圖5為相應(yīng)的可視化結(jié)果.

    (a)干凈圖像 (b)觀測(cè)圖像(20.17 dB) (c)BM3D(30.6 dB) (d)ADNet(29.89 dB)

    BM3D、 WNNM、 EPLL、MLP、TNRD、CSF、DnCNN、TNNUNet在不同尺寸(256×256、512×512和1 024×1 024)圖像上的測(cè)試時(shí)間對(duì)比如表7所示,表中黑體數(shù)字表示最優(yōu)值,斜體數(shù)字表示次優(yōu)值.由表可見,相比傳統(tǒng)迭代算法,深度學(xué)習(xí)為算法展開提供理想的計(jì)算優(yōu)勢(shì).相比神經(jīng)網(wǎng)絡(luò)去噪方法,雖然TNNUNet在運(yùn)行時(shí)間上取得次優(yōu)的結(jié)果,但也具有競(jìng)爭(zhēng)力,精度已超越與之對(duì)比的方法.

    表7 各方法在不同尺寸噪聲圖像上的測(cè)試時(shí)間

    3.4 消融實(shí)驗(yàn)結(jié)果

    本文結(jié)合深度學(xué)習(xí)強(qiáng)大的特征提取能力和傳統(tǒng)迭代算法的高度可解釋性,構(gòu)造TNNUNet.為了驗(yàn)證TNNUNet的優(yōu)勢(shì),在Set12數(shù)據(jù)集上分別驗(yàn)證如下3種方法的去噪效果.

    1)基于模型驅(qū)動(dòng)的SVT-Net;

    2)基于數(shù)據(jù)驅(qū)動(dòng)的LRSD-TNN[24];

    3)基于算法展開的TNNUNet.噪聲水平σ=25.

    3種方法的去噪效果如表8所示,表中黑體數(shù)字表示最優(yōu)值.由表可看出,算法展開的去噪效果優(yōu)于純模型驅(qū)動(dòng)和純數(shù)據(jù)驅(qū)動(dòng)的效果.

    表8 各方法的去噪效果對(duì)比

    4 結(jié) 束 語

    針對(duì)計(jì)算機(jī)視覺領(lǐng)域中經(jīng)典的圖像去噪問題,本文設(shè)計(jì)基于截?cái)嗪朔稊?shù)的圖像去噪展開網(wǎng)絡(luò)(TNNUNet).網(wǎng)絡(luò)結(jié)合神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)迭代算法的優(yōu)勢(shì),將基于模型驅(qū)動(dòng)的去噪方法作為網(wǎng)絡(luò)的原則性框架,提供可解釋性.同時(shí),使用網(wǎng)絡(luò)代替算法中難以明確設(shè)計(jì)的映射,在減少計(jì)算量的同時(shí)提高去噪效果.遍歷網(wǎng)絡(luò)的所有階段,相當(dāng)于執(zhí)行有限次迭代算法,將這些階段連接后形成一個(gè)深層神經(jīng)網(wǎng)絡(luò).實(shí)驗(yàn)表明,相比其它圖像去噪方法,TNNUNet具有明顯的性能優(yōu)勢(shì).今后可考慮從網(wǎng)絡(luò)復(fù)雜度和運(yùn)行時(shí)間等方面進(jìn)行改進(jìn).

    猜你喜歡
    范數(shù)卷積噪聲
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    噪聲可退化且依賴于狀態(tài)和分布的平均場(chǎng)博弈
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    控制噪聲有妙法
    基于加權(quán)核范數(shù)與范數(shù)的魯棒主成分分析
    矩陣酉不變范數(shù)H?lder不等式及其應(yīng)用
    一種基于白噪聲響應(yīng)的隨機(jī)載荷譜識(shí)別方法
    一類具有準(zhǔn)齊次核的Hilbert型奇異重積分算子的范數(shù)及應(yīng)用
    一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識(shí)別方法
    国产精品国产三级专区第一集| 狂野欧美激情性xxxx在线观看| 一级片'在线观看视频| 3wmmmm亚洲av在线观看| 久久久久久久久久久丰满| 18禁裸乳无遮挡动漫免费视频| 亚洲精品乱码久久久v下载方式| 校园人妻丝袜中文字幕| 青春草亚洲视频在线观看| 精品久久久久久电影网| 哪个播放器可以免费观看大片| av免费观看日本| 最新的欧美精品一区二区| 亚洲欧美精品自产自拍| 夫妻性生交免费视频一级片| 美女脱内裤让男人舔精品视频| 免费看光身美女| 日韩在线高清观看一区二区三区| 国产淫语在线视频| 久久久久久久久久成人| 成人毛片a级毛片在线播放| 国产黄色免费在线视频| 亚洲国产欧美在线一区| 国产男人的电影天堂91| 99久久精品国产国产毛片| 高清不卡的av网站| 天堂俺去俺来也www色官网| 亚洲国产毛片av蜜桃av| 在线播放无遮挡| 日韩av不卡免费在线播放| 如日韩欧美国产精品一区二区三区 | 国产精品不卡视频一区二区| 国产成人精品久久久久久| 日本黄大片高清| av在线观看视频网站免费| 亚洲国产av新网站| 欧美少妇被猛烈插入视频| 国产成人a∨麻豆精品| 亚洲欧美中文字幕日韩二区| av专区在线播放| 久久精品人人爽人人爽视色| 久久久久久伊人网av| 日韩强制内射视频| 热99国产精品久久久久久7| videos熟女内射| 尾随美女入室| 亚洲av国产av综合av卡| 久久久久视频综合| 99九九线精品视频在线观看视频| 香蕉精品网在线| 午夜影院在线不卡| 一级黄片播放器| 最近2019中文字幕mv第一页| 国语对白做爰xxxⅹ性视频网站| 久久韩国三级中文字幕| 国产综合精华液| 能在线免费看毛片的网站| 久久 成人 亚洲| 国内精品宾馆在线| 亚洲欧美清纯卡通| 夜夜骑夜夜射夜夜干| 男男h啪啪无遮挡| a级毛片黄视频| 老司机影院成人| 亚洲五月色婷婷综合| 亚洲欧美中文字幕日韩二区| 亚洲欧美成人精品一区二区| 边亲边吃奶的免费视频| 亚洲av成人精品一二三区| 日日摸夜夜添夜夜爱| 丝袜脚勾引网站| 内地一区二区视频在线| 日本免费在线观看一区| 日韩大片免费观看网站| 免费观看无遮挡的男女| av线在线观看网站| 亚洲在久久综合| 肉色欧美久久久久久久蜜桃| 精品久久国产蜜桃| 2021少妇久久久久久久久久久| 欧美丝袜亚洲另类| 91精品三级在线观看| 纵有疾风起免费观看全集完整版| 日本vs欧美在线观看视频| 国模一区二区三区四区视频| 自线自在国产av| 亚洲三级黄色毛片| 亚洲av日韩在线播放| 国产欧美日韩综合在线一区二区| 国产在视频线精品| 国产日韩欧美亚洲二区| 在线看a的网站| 一区二区av电影网| 亚洲色图综合在线观看| 免费黄网站久久成人精品| 国产成人午夜福利电影在线观看| 久久久亚洲精品成人影院| 国产成人免费观看mmmm| 国精品久久久久久国模美| 国模一区二区三区四区视频| 国产深夜福利视频在线观看| 欧美激情 高清一区二区三区| 亚洲精品av麻豆狂野| 国产精品偷伦视频观看了| 最近中文字幕2019免费版| 亚洲国产精品一区二区三区在线| 久久久久久久久久人人人人人人| 亚洲成人av在线免费| 久久国产精品大桥未久av| 成人免费观看视频高清| 天天躁夜夜躁狠狠久久av| 免费观看a级毛片全部| 久久人人爽人人爽人人片va| 久久ye,这里只有精品| 成人18禁高潮啪啪吃奶动态图 | 精品久久蜜臀av无| 亚洲av福利一区| 国国产精品蜜臀av免费| videossex国产| 国产亚洲欧美精品永久| 一级爰片在线观看| 一区二区av电影网| 精品一品国产午夜福利视频| 18禁动态无遮挡网站| 久久久久久久国产电影| 国产精品麻豆人妻色哟哟久久| 久久狼人影院| 一区二区日韩欧美中文字幕 | 久久久久精品久久久久真实原创| 一本久久精品| 女的被弄到高潮叫床怎么办| 亚洲精品一二三| 午夜av观看不卡| 欧美另类一区| 婷婷色av中文字幕| 欧美激情国产日韩精品一区| 午夜福利网站1000一区二区三区| 一级毛片电影观看| 久久午夜福利片| 亚洲国产毛片av蜜桃av| 国产成人精品无人区| 大片电影免费在线观看免费| 下体分泌物呈黄色| 99久久精品一区二区三区| 免费高清在线观看视频在线观看| 亚洲av电影在线观看一区二区三区| 熟妇人妻不卡中文字幕| 在线精品无人区一区二区三| 亚洲精品日韩av片在线观看| 日韩亚洲欧美综合| 在现免费观看毛片| 秋霞伦理黄片| 国产黄频视频在线观看| 亚洲欧美日韩卡通动漫| 人妻人人澡人人爽人人| 亚洲精品一二三| 国产av一区二区精品久久| 国产亚洲av片在线观看秒播厂| 亚洲国产最新在线播放| 亚洲国产精品专区欧美| 日韩精品有码人妻一区| 黑人高潮一二区| 国产国拍精品亚洲av在线观看| 少妇的逼好多水| 久久国产亚洲av麻豆专区| 性色avwww在线观看| 亚洲av免费高清在线观看| 我要看黄色一级片免费的| 久久久久久久大尺度免费视频| 内地一区二区视频在线| 久久国产精品男人的天堂亚洲 | 好男人视频免费观看在线| 久久久久久久亚洲中文字幕| 99国产综合亚洲精品| 午夜激情久久久久久久| 国产亚洲一区二区精品| 蜜桃在线观看..| 日本wwww免费看| 啦啦啦视频在线资源免费观看| av在线老鸭窝| 日韩人妻高清精品专区| 午夜激情久久久久久久| 丝袜脚勾引网站| 日韩欧美一区视频在线观看| av免费观看日本| 啦啦啦视频在线资源免费观看| 国产色婷婷99| 国产精品国产三级专区第一集| 18禁在线无遮挡免费观看视频| 午夜精品国产一区二区电影| 国产欧美亚洲国产| a级毛片免费高清观看在线播放| 下体分泌物呈黄色| .国产精品久久| 一本—道久久a久久精品蜜桃钙片| 51国产日韩欧美| 日韩欧美一区视频在线观看| 亚洲精品aⅴ在线观看| tube8黄色片| 日韩欧美一区视频在线观看| 国产精品偷伦视频观看了| 黑人猛操日本美女一级片| 中文字幕免费在线视频6| videosex国产| 午夜免费鲁丝| 涩涩av久久男人的天堂| 这个男人来自地球电影免费观看 | 亚洲美女搞黄在线观看| 欧美日韩综合久久久久久| 九色成人免费人妻av| 亚洲国产色片| 男女无遮挡免费网站观看| 黄片无遮挡物在线观看| 亚洲精品久久午夜乱码| 两个人免费观看高清视频| 纵有疾风起免费观看全集完整版| 亚洲,一卡二卡三卡| 在线亚洲精品国产二区图片欧美 | 国产成人av激情在线播放 | 欧美三级亚洲精品| 黑人猛操日本美女一级片| 99久久人妻综合| 全区人妻精品视频| 成人18禁高潮啪啪吃奶动态图 | 亚洲无线观看免费| 国产极品粉嫩免费观看在线 | 女的被弄到高潮叫床怎么办| 美女脱内裤让男人舔精品视频| 中国国产av一级| 亚洲av不卡在线观看| 久久热精品热| xxxhd国产人妻xxx| 赤兔流量卡办理| 国产精品成人在线| 下体分泌物呈黄色| 亚洲久久久国产精品| 亚洲精品色激情综合| 亚洲精品日本国产第一区| 亚洲精品美女久久av网站| 一区二区av电影网| 99热这里只有是精品在线观看| 人妻一区二区av| 视频在线观看一区二区三区| 国产黄片视频在线免费观看| 免费黄网站久久成人精品| 亚洲精品久久久久久婷婷小说| 有码 亚洲区| 日日啪夜夜爽| 亚洲av日韩在线播放| 卡戴珊不雅视频在线播放| 18禁观看日本| 欧美人与性动交α欧美精品济南到 | 观看美女的网站| 亚洲人成网站在线播| 男女边摸边吃奶| 夫妻午夜视频| 久久久a久久爽久久v久久| 男的添女的下面高潮视频| 国模一区二区三区四区视频| 久久毛片免费看一区二区三区| 日韩大片免费观看网站| 国产乱来视频区| 三级国产精品欧美在线观看| 男女高潮啪啪啪动态图| 久久久久久久亚洲中文字幕| 91国产中文字幕| 中文字幕精品免费在线观看视频 | 亚洲第一av免费看| 三级国产精品欧美在线观看| 亚洲内射少妇av| 国产精品一二三区在线看| 天堂中文最新版在线下载| 亚洲综合色惰| 内地一区二区视频在线| 国产精品久久久久久久电影| 亚洲欧美日韩卡通动漫| 久久狼人影院| 又粗又硬又长又爽又黄的视频| 成人无遮挡网站| 欧美激情 高清一区二区三区| 超色免费av| 免费日韩欧美在线观看| 国产毛片在线视频| 日韩强制内射视频| 亚洲精品456在线播放app| 久久久久久久久久久久大奶| 免费观看性生交大片5| 久久久精品免费免费高清| 国产黄频视频在线观看| 国产精品一区二区在线不卡| a 毛片基地| 久久毛片免费看一区二区三区| 哪个播放器可以免费观看大片| 久久人人爽人人片av| h视频一区二区三区| 日本-黄色视频高清免费观看| 人妻 亚洲 视频| 街头女战士在线观看网站| 男女边吃奶边做爰视频| 欧美 亚洲 国产 日韩一| 国产一区有黄有色的免费视频| 久久久国产欧美日韩av| 亚洲,欧美,日韩| 日本-黄色视频高清免费观看| 汤姆久久久久久久影院中文字幕| 国产黄片视频在线免费观看| 人妻系列 视频| 日韩在线高清观看一区二区三区| 超色免费av| 激情五月婷婷亚洲| 午夜激情av网站| 午夜福利,免费看| 亚洲av中文av极速乱| 精品久久蜜臀av无| av电影中文网址| 久久久久久久亚洲中文字幕| av播播在线观看一区| 精品少妇内射三级| 国产精品久久久久久久久免| 欧美+日韩+精品| www.色视频.com| 黄色视频在线播放观看不卡| 99精国产麻豆久久婷婷| xxxhd国产人妻xxx| 亚洲久久久国产精品| 亚洲一级一片aⅴ在线观看| 蜜桃久久精品国产亚洲av| 亚洲av欧美aⅴ国产| 一区二区三区乱码不卡18| 日韩在线高清观看一区二区三区| 国产精品人妻久久久影院| 日本91视频免费播放| 一区二区三区精品91| 日韩伦理黄色片| 人人妻人人澡人人看| 一级二级三级毛片免费看| 欧美成人午夜免费资源| 日韩伦理黄色片| 曰老女人黄片| 成年美女黄网站色视频大全免费 | 新久久久久国产一级毛片| 国产黄色免费在线视频| 国产成人aa在线观看| 亚洲,欧美,日韩| 一级二级三级毛片免费看| 精品亚洲成国产av| 女人精品久久久久毛片| 亚洲国产欧美日韩在线播放| 日本午夜av视频| 2021少妇久久久久久久久久久| 夫妻性生交免费视频一级片| 搡老乐熟女国产| 丝袜在线中文字幕| 午夜福利网站1000一区二区三区| 免费av中文字幕在线| 美女中出高潮动态图| 日韩中字成人| 另类精品久久| 伦理电影大哥的女人| 午夜激情久久久久久久| 国产精品久久久久久久久免| 国产国语露脸激情在线看| 日韩亚洲欧美综合| 永久免费av网站大全| 欧美另类一区| 在线观看人妻少妇| 熟女电影av网| 国产亚洲精品久久久com| 精品亚洲乱码少妇综合久久| 国产极品天堂在线| 亚洲av免费高清在线观看| 寂寞人妻少妇视频99o| av国产精品久久久久影院| 国产探花极品一区二区| 国产成人精品婷婷| 伊人久久国产一区二区| 日韩伦理黄色片| 99九九在线精品视频| 伊人久久国产一区二区| 成人黄色视频免费在线看| 亚洲国产精品成人久久小说| 久久狼人影院| 精品国产乱码久久久久久小说| 国产黄色视频一区二区在线观看| 午夜日本视频在线| 一级黄片播放器| 高清午夜精品一区二区三区| 最后的刺客免费高清国语| 亚洲,欧美,日韩| 久久99热这里只频精品6学生| 欧美97在线视频| 欧美精品国产亚洲| 精品亚洲成a人片在线观看| 亚洲一级一片aⅴ在线观看| 欧美 日韩 精品 国产| 国产国语露脸激情在线看| 久久精品国产亚洲网站| 91aial.com中文字幕在线观看| 亚洲av免费高清在线观看| 我的老师免费观看完整版| 大片免费播放器 马上看| 国产精品一区二区在线观看99| av天堂久久9| 欧美激情 高清一区二区三区| 777米奇影视久久| 男女无遮挡免费网站观看| 欧美bdsm另类| 乱人伦中国视频| 免费人妻精品一区二区三区视频| 中文字幕制服av| 一级,二级,三级黄色视频| a级毛色黄片| a级片在线免费高清观看视频| 久久影院123| tube8黄色片| 一边亲一边摸免费视频| 午夜视频国产福利| 大片电影免费在线观看免费| 热99久久久久精品小说推荐| 2018国产大陆天天弄谢| 秋霞伦理黄片| 爱豆传媒免费全集在线观看| 久热这里只有精品99| 国产成人免费观看mmmm| 中文字幕久久专区| 国产成人91sexporn| 亚洲第一av免费看| av免费在线看不卡| 精品人妻在线不人妻| av免费在线看不卡| 两个人免费观看高清视频| 日日撸夜夜添| 美女中出高潮动态图| 日日撸夜夜添| 亚洲第一av免费看| 国产精品欧美亚洲77777| 国产免费又黄又爽又色| 一级a做视频免费观看| 久久久久久久亚洲中文字幕| 亚洲欧洲日产国产| 精品视频人人做人人爽| 综合色丁香网| 国产精品国产av在线观看| 人人妻人人添人人爽欧美一区卜| 亚洲中文av在线| 色视频在线一区二区三区| 精品酒店卫生间| 观看美女的网站| 久久女婷五月综合色啪小说| 午夜免费鲁丝| 国产av码专区亚洲av| 亚洲四区av| 夜夜看夜夜爽夜夜摸| a级毛片黄视频| av.在线天堂| 最近的中文字幕免费完整| 满18在线观看网站| 日韩一区二区三区影片| 91久久精品电影网| 美女视频免费永久观看网站| 一区二区av电影网| 自线自在国产av| 在线观看三级黄色| 丁香六月天网| 狂野欧美激情性xxxx在线观看| 精品一品国产午夜福利视频| 国产黄片视频在线免费观看| 亚洲精华国产精华液的使用体验| av在线播放精品| 日韩成人伦理影院| 卡戴珊不雅视频在线播放| 热99久久久久精品小说推荐| 欧美亚洲 丝袜 人妻 在线| 亚洲综合色网址| 欧美xxxx性猛交bbbb| 成人亚洲欧美一区二区av| 男女高潮啪啪啪动态图| videos熟女内射| 亚洲精品乱码久久久久久按摩| 18禁在线播放成人免费| 久久这里有精品视频免费| 91aial.com中文字幕在线观看| 亚洲欧美一区二区三区黑人 | 九九爱精品视频在线观看| 熟女电影av网| 又粗又硬又长又爽又黄的视频| 中文乱码字字幕精品一区二区三区| 狠狠婷婷综合久久久久久88av| 波野结衣二区三区在线| 欧美xxⅹ黑人| 久久午夜福利片| 男人添女人高潮全过程视频| 亚洲激情五月婷婷啪啪| 狂野欧美白嫩少妇大欣赏| 女性生殖器流出的白浆| 美女xxoo啪啪120秒动态图| 999精品在线视频| 欧美最新免费一区二区三区| 人人澡人人妻人| 国产深夜福利视频在线观看| 一区在线观看完整版| 中文字幕精品免费在线观看视频 | 色吧在线观看| 日本黄色片子视频| 人人妻人人澡人人爽人人夜夜| 青青草视频在线视频观看| 亚洲av综合色区一区| 亚洲第一区二区三区不卡| 国模一区二区三区四区视频| 秋霞伦理黄片| 亚洲精品,欧美精品| 秋霞在线观看毛片| 你懂的网址亚洲精品在线观看| videossex国产| 熟女av电影| 国国产精品蜜臀av免费| 久久久久久久久久久免费av| 亚洲成人手机| 永久免费av网站大全| 飞空精品影院首页| 久久精品久久久久久噜噜老黄| 国产成人精品一,二区| 在线观看三级黄色| 看免费成人av毛片| av卡一久久| 欧美精品一区二区大全| 男人爽女人下面视频在线观看| 欧美精品一区二区免费开放| 熟女人妻精品中文字幕| 街头女战士在线观看网站| 老女人水多毛片| 国产欧美另类精品又又久久亚洲欧美| 亚洲欧美成人精品一区二区| 美女xxoo啪啪120秒动态图| 全区人妻精品视频| 日韩免费高清中文字幕av| 国产极品天堂在线| 最后的刺客免费高清国语| 视频在线观看一区二区三区| av黄色大香蕉| 色吧在线观看| 亚洲在久久综合| 久久久久人妻精品一区果冻| 久久国产精品大桥未久av| 国产成人a∨麻豆精品| 亚洲精品亚洲一区二区| 日本欧美国产在线视频| 欧美日韩视频精品一区| 建设人人有责人人尽责人人享有的| av播播在线观看一区| 午夜影院在线不卡| 有码 亚洲区| 黄色一级大片看看| 国产片内射在线| 免费av不卡在线播放| 少妇人妻精品综合一区二区| 国产精品无大码| av在线老鸭窝| av又黄又爽大尺度在线免费看| 国产一区二区三区综合在线观看 | 日韩中文字幕视频在线看片| 国产精品人妻久久久久久| av国产久精品久网站免费入址| 一级毛片黄色毛片免费观看视频| 亚洲精品456在线播放app| 午夜日本视频在线| 国产色爽女视频免费观看| 在线观看美女被高潮喷水网站| 黄色配什么色好看| 人妻少妇偷人精品九色| 欧美日韩成人在线一区二区| 国产成人精品一,二区| 亚洲欧洲日产国产| 欧美日韩综合久久久久久| 美女福利国产在线| 日韩av在线免费看完整版不卡| av线在线观看网站| 精品久久蜜臀av无| 国产精品.久久久| 国产成人a∨麻豆精品| 久久久午夜欧美精品| 乱码一卡2卡4卡精品| 午夜激情久久久久久久| 人人妻人人澡人人爽人人夜夜| 一本大道久久a久久精品| 亚洲天堂av无毛| 国产爽快片一区二区三区| 国产精品欧美亚洲77777| 亚洲图色成人| 十分钟在线观看高清视频www| 国产在线视频一区二区| av在线播放精品| 亚洲精品日韩在线中文字幕| 精品亚洲成国产av| 欧美另类一区| 日本免费在线观看一区| 成年人午夜在线观看视频| 日韩制服骚丝袜av| 一级毛片aaaaaa免费看小| 制服人妻中文乱码| 免费观看av网站的网址| 国产成人aa在线观看| 色吧在线观看| 久久99热6这里只有精品| 高清av免费在线| av有码第一页| 99久国产av精品国产电影| 少妇丰满av| 国产日韩欧美亚洲二区| 久久97久久精品| 日产精品乱码卡一卡2卡三| 亚洲av不卡在线观看| 久久影院123| 满18在线观看网站| 在线观看www视频免费|