亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于圖像先驗(yàn)和結(jié)構(gòu)特征的盲圖像復(fù)原算法

        2012-07-05 00:16:32干宗良邱一雯朱秀昌
        關(guān)鍵詞:振鈴復(fù)原高斯

        干宗良,邱一雯,朱秀昌

        (南京郵電大學(xué)通信與信息工程學(xué)院,南京 210013)

        0 引言

        圖像模糊造成圖像的主觀質(zhì)量下降,影響圖像的清晰度。目前,大部分的去模糊算法是將圖像模糊建模為原始圖像與一個(gè)模糊核線性卷積的過程。因此圖像去卷積的過程就是模糊圖像復(fù)原的過程。當(dāng)模糊核已知時(shí),就是對(duì)模糊圖像用已知的模糊核進(jìn)行去卷積,這種方法稱為非盲去卷積法。但實(shí)際中,模糊核大都是未知的,那就需要在去卷積的過程中同時(shí)估計(jì)模糊核,這樣的方法稱為盲去卷積。

        模糊圖像的盲去卷積是一個(gè)比圖像復(fù)原更加病態(tài)的問題,僅由一個(gè)觀測(cè)到的模糊圖像要估計(jì)出兩個(gè)未知量——去模糊圖像和模糊核。部分盲去卷積方法是通過輸入多幅圖像來實(shí)現(xiàn)的,如Rav-Acha[1]需要同時(shí)輸入兩幅運(yùn)動(dòng)模糊圖像;Yuan[2]則是輸入一幅模糊圖像和一幅噪聲圖像。一些方法是利用外加的硬件,如Ben-Ezra[3]把一個(gè)低分辨率的攝像機(jī)附在一個(gè)高分辨率的攝像機(jī)上,依靠攝像機(jī)來記錄模糊核的運(yùn)動(dòng)軌跡。另外還有部分算法利用了圖像的先驗(yàn)信息,如Fergus[4]對(duì)圖像的長拖尾先驗(yàn)分布進(jìn)行零均值的高斯混合分布擬合,再采用變化的貝葉斯估計(jì)出復(fù)原圖像和模糊核。雖然復(fù)原圖像的主觀質(zhì)量較好,但算法需要用戶在模糊圖像中劃出一個(gè)小塊,并輸入模糊核大小,最終的去模糊效果與用戶的這兩個(gè)輸入有關(guān)。Shan[5]在利用圖像先驗(yàn)知識(shí)的同時(shí),通過迭代的方法交互估計(jì)去模糊圖像和模糊核,這類方法針對(duì)一類模糊,且計(jì)算時(shí)間較長。

        針對(duì)模糊核參數(shù)未知的情況,對(duì)模糊核參數(shù)進(jìn)行離散化,規(guī)避模糊核的估計(jì),利用離散化的模糊核參數(shù)對(duì)模糊圖像進(jìn)行去卷積,得到對(duì)應(yīng)各離散模糊核參數(shù)的復(fù)原圖像序列。在最大后驗(yàn)概率框架下,充分利用圖像的先驗(yàn)知識(shí)和圖像結(jié)構(gòu)特征,針對(duì)復(fù)原圖像存在的模糊、振鈴等現(xiàn)象,提出一種復(fù)原圖像的判決準(zhǔn)則,通過對(duì)復(fù)原圖像序列的判決,從中選擇出質(zhì)量最優(yōu)的復(fù)原圖像。本文提出的盲復(fù)原算法消除了由于模糊核估計(jì)不準(zhǔn)確造成的復(fù)原效果不理想的情況,且無需用戶輸入信息,另外,該計(jì)算方法無迭代,減少了復(fù)雜度。

        1 基于圖像先驗(yàn)和圖像結(jié)構(gòu)特征的模糊圖像盲復(fù)原算法

        1.1 問題描述

        圖像的模糊降質(zhì)過程可用下面的數(shù)學(xué)模型來描述

        式中,x是原始清晰圖像;H是模糊核;y是模糊圖像;n是噪聲。

        由式(1)可以看出,從模糊圖像y恢復(fù)出清晰圖像x的去卷積過程是一個(gè)典型的病態(tài)問題。而直接估計(jì)模糊核H又比較困難,且準(zhǔn)確度也不能較好的保證。若采用迭代的方式同時(shí)估計(jì)模糊核和復(fù)原圖像則較容易產(chǎn)生過擬合現(xiàn)象?;谏鲜鰡栴},從另一角度出發(fā),將表征模糊核函數(shù)的模糊核參數(shù)進(jìn)行離散化,避免由模糊核估計(jì)所帶來的一系列問題。

        1.2 提出的盲復(fù)原算法

        假設(shè)由模糊核參數(shù)表示的模糊核函數(shù)為

        式中,p為模糊核參數(shù)。

        所提出的盲復(fù)原算法首先將模糊核參數(shù)進(jìn)行離散化,即

        式中,pi為離散化的模糊核參數(shù)。

        然后對(duì)模糊圖像y采用由不同的模糊核參數(shù)得到的模糊核進(jìn)行去卷積,得到對(duì)應(yīng)的一系列復(fù)原圖像 X={x1,x2,x3……xn},然后,利用本文提出的復(fù)原圖像判決準(zhǔn)則,從復(fù)原圖像序列中選出最優(yōu)的復(fù)原圖像x*。盲復(fù)原算法的流程框圖,如圖1所示。

        圖1 提出的盲復(fù)原算法流程框圖

        1.3 基于最大后驗(yàn)估計(jì)的復(fù)原圖像判決準(zhǔn)則

        已知模糊圖像y及由n個(gè)模糊核參數(shù){pi,i=1,2,3……,n}去卷積得到的復(fù)原圖像序列 X={x1,x2,x3……xn},從中選出最優(yōu)的復(fù)原圖像x*,其最大后驗(yàn)估計(jì)(MAP,maximum a posteriori)的求解目標(biāo)函數(shù)為

        根據(jù)貝葉斯公式,式(4)可轉(zhuǎn)化為

        對(duì)于同一幅模糊圖像y,P(y)固定不變,所以式(5)可簡化為

        對(duì)上式右邊取對(duì)數(shù),其單調(diào)性不變,最終可得

        上式的數(shù)學(xué)理解為,使得式logP(x)+logP(y|x)最大的復(fù)原圖像x即為模糊圖像y的最優(yōu)的復(fù)原圖像x*。

        上式的物理理解為,P(x)表示復(fù)原圖像的保真度;P(y|x)表示復(fù)原圖像與模糊圖像的相似程度。當(dāng)復(fù)原圖像x保真度較高且與模糊圖像y具有較大相似度時(shí),該復(fù)原圖像即判斷為最優(yōu)的復(fù)原圖像x*。

        由于去卷積后的圖像會(huì)存在模糊、振鈴等現(xiàn)象,因此復(fù)原效果較好的圖像應(yīng)具備模糊度小、振鈴小且與模糊圖像在內(nèi)容上有相似性的特點(diǎn)。本文采用三個(gè)指標(biāo)來衡量復(fù)原圖像的復(fù)原效果:(1)基于圖像梯度統(tǒng)計(jì)特性的模糊度描述指標(biāo),定義為D;(2)描述復(fù)原圖像振鈴現(xiàn)象的指標(biāo),定義為R;(3)采用變化后的基于梯度的結(jié)構(gòu)相似度[6]指標(biāo)來衡量復(fù)原圖像與模糊圖像的相似程度,定義為G。其中前兩個(gè)指標(biāo)對(duì)應(yīng)于MAP框架,即式(6)的前項(xiàng)P(x),第三個(gè)指標(biāo)則對(duì)應(yīng)于后項(xiàng)P(y|x)。

        最后,由三個(gè)描述指標(biāo)進(jìn)行簡單的加權(quán)求和,得到本文的復(fù)原圖像判決準(zhǔn)則E

        式中,λ1,λ2是權(quán)重系數(shù)。

        1.3.1 圖像的梯度分布特性D

        在實(shí)際中,雖然自然圖像的場(chǎng)景千變?nèi)f化,內(nèi)容各不相同,但Field[7]研究發(fā)現(xiàn):自然圖像的梯度統(tǒng)計(jì)特性普遍遵循一個(gè)長拖尾的分布(a heavy-tailed distribution),即自然圖像梯度的幅度值主要為零或者很小,圖像中邊界、邊緣處梯度的幅度值較大,形成一個(gè)長拖尾的分布。而模糊的自然圖像,由于圖像的邊界和邊緣被模糊了,強(qiáng)邊緣邊界已經(jīng)丟失,無較大的梯度幅度值,因此模糊圖像的梯度幅度值幾乎都集中在零值周圍,不滿足長拖尾分布。

        圖2的(a)和(b)分別是一幅自然圖像和一幅模糊圖像。(c)是它們的梯度幅度分布。從圖中可以看出,清晰圖像的梯度幅度值滿足長拖尾分布,而模糊圖像的梯度幅度值分布無長拖尾,且模糊程度越大梯度幅度值分布就越集中在零值周圍,拖尾也越短。

        圖2 自然圖像與模糊圖像

        這里利用圖像梯度的這一統(tǒng)計(jì)特性,來衡量圖像的模糊程度。

        首先,計(jì)算復(fù)原圖像水平和垂直方向上的梯度,對(duì)水平和垂直梯度圖像分別計(jì)算其對(duì)數(shù)的分布。然后,分別對(duì)兩個(gè)分布進(jìn)行簡單的指數(shù)函數(shù)擬合,設(shè)擬合函數(shù)為f(d),d為梯度,如圖3所示,圖中,星星點(diǎn)是梯度分布取對(duì)數(shù)后的散點(diǎn)圖,曲線是這些散點(diǎn)的擬合曲線。

        圖3 圖像梯度對(duì)數(shù)分布的曲線擬合圖

        這里,將復(fù)原圖像清晰度指標(biāo)D定義為D=-f(d*),即擬合函數(shù)f(x)在梯度值為d*處的函數(shù)值的負(fù)數(shù),D很大時(shí)圖像很模糊。

        1.3.2 復(fù)原圖像的振鈴程度R

        大部分的模糊圖像在去卷積后會(huì)產(chǎn)生振鈴現(xiàn)象。復(fù)原圖像產(chǎn)生振鈴現(xiàn)象的因素有很多,包括去卷積算法的參數(shù)不同、去卷積算法假設(shè)的圖像表示模型和實(shí)際圖像之間的誤差,以及模糊圖像本身受噪聲污染等。

        為了說明圖像的振鈴現(xiàn)象,嚴(yán)重的振鈴圖像如圖4所示。從圖中容易看到邊緣附近出現(xiàn)與原圖邊緣形狀相同的重復(fù)振蕩紋理。而這種在復(fù)原圖像中出現(xiàn)的振鈴現(xiàn)象在原清晰圖像中是不存在的。因此,振鈴現(xiàn)象嚴(yán)重影響復(fù)原圖像的主觀質(zhì)量。

        圖4 復(fù)原圖像的振鈴現(xiàn)象

        這里采用對(duì)邊緣圖像平行曲線統(tǒng)計(jì)的方法[8],來衡量復(fù)原圖像的振鈴強(qiáng)度。

        Step1.對(duì)去模糊圖像進(jìn)行邊緣檢測(cè),得到邊緣二值圖像B。

        Step2.采用共生向量來測(cè)度B的平行振鈴曲線。

        二值圖像的共生向量定義為

        式中,r是距離范圍,在像素點(diǎn)的r距離范圍內(nèi)測(cè)度該像素點(diǎn)的平行振鈴曲線;ω是掃描方向。這里對(duì)B在四個(gè)方向(ω=0,3)上進(jìn)行共生向量C掃描。

        Step3.對(duì)四個(gè)方向的共生向量值進(jìn)行求和并歸一化,得到衡量復(fù)原圖像振鈴強(qiáng)弱的指標(biāo)R

        式中,H和W分別是圖像的長和寬。容易看到,R越小振鈴現(xiàn)象越弱。

        1.3.3 圖像相似程度G

        前面提出的兩個(gè)指標(biāo)——清晰度指標(biāo)D(表征圖像的模糊程度)和振鈴指標(biāo)R(表征圖像振鈴強(qiáng)弱)是從復(fù)原圖像本身提取的。但對(duì)于部分復(fù)原圖像,如圖5所示,主觀上很容易看出圖5(a)的復(fù)原效果優(yōu)于圖5(b),但兩幅圖計(jì)算得到的振鈴指標(biāo)R相差不大,圖(b)的清晰度指標(biāo)D甚至優(yōu)于圖(a)。這主要是因?yàn)閳D(b)具有更多的非正常細(xì)節(jié),這樣就不能準(zhǔn)確地判決出最優(yōu)的復(fù)原圖像了。因此,還需要一個(gè)指標(biāo)來衡量復(fù)原圖像與模糊圖像結(jié)構(gòu)上的相似度,結(jié)合指標(biāo)D和R共同判決最優(yōu)解。

        圖5 復(fù)原圖像比較

        這里采用基于圖像結(jié)構(gòu)信息的圖像質(zhì)量評(píng)價(jià)方法[9](SSIM,structural similarity)。這種方法是有參考的圖像質(zhì)量評(píng)價(jià)。將已知的模糊圖像設(shè)為參考圖像,評(píng)價(jià)復(fù)原圖像與模糊圖像之間的相似程度。由于基本的SSIM對(duì)圖像邊緣、跳變、紋理處的結(jié)構(gòu)信息不敏感,在這里并不能很好的衡量模糊圖像與復(fù)原圖像的相似度,所以本文采用改進(jìn)的基于梯度的SSIM 評(píng)價(jià)方法[6](GSSIM,gradient based structural similarity)?;谔荻鹊慕Y(jié)構(gòu)信息評(píng)價(jià)方法對(duì)圖像的邊緣紋理敏感,適用于這里所遇到的問題。

        Step1.提取復(fù)原圖像和模糊圖像的梯度信息,得到梯度圖像x'和y';

        Step2.對(duì)兩幅梯度圖像進(jìn)行SSIM的評(píng)價(jià),得到梯度結(jié)構(gòu)相似度評(píng)價(jià)指標(biāo)GSSIM,具體見文獻(xiàn)[6]。GSSIM越大,兩幅圖像的相似度越大。

        圖像相似程度描述G=1-GSSIM(且令G滿足0≤G≤1)是衡量模糊圖像與復(fù)原圖像之間的差異程度指標(biāo),G越小,兩幅圖的差異越小,即越相似。

        2 實(shí)驗(yàn)結(jié)果與分析

        為驗(yàn)證本文提出的盲復(fù)原算法的有效性,實(shí)驗(yàn)對(duì)Lena(512×512)、Boat(512×512)、Barbara(512×512)和Hill(512×512)等標(biāo)準(zhǔn)圖像進(jìn)行測(cè)試,算法在Matlab7.0平臺(tái)上實(shí)現(xiàn)。

        實(shí)驗(yàn)采用三種非盲復(fù)原算法,分別是:近幾年較為流行的基于圖像塊匹配的三維濾波算法(簡稱BM3DDEB)[10],正則化濾波算法和經(jīng)典的 Wiener濾波算法[11]。實(shí)驗(yàn)對(duì)高斯模糊和運(yùn)動(dòng)模糊兩種常見的圖像模糊進(jìn)行復(fù)原。以高斯模糊為例,首先對(duì)測(cè)試圖像加高斯模糊,高斯模糊窗口固定為25,強(qiáng)度為σadd,然后用離散化的高斯模糊核參數(shù),實(shí)驗(yàn)中設(shè)定為 σ ={0.5,1,1.5,2,2.5,3,3.5,4,4.5,5,5.5,6,6.5,7,7.5,8,8.5,9,9.5,10}依次作為非盲去卷積算法的輸入?yún)?shù),得到相應(yīng)的復(fù)原圖像X={x1,x2,x3……x20}。最后利用本文提出的復(fù)原圖像判決準(zhǔn)則衡量各復(fù)原圖像質(zhì)量,得到最優(yōu)的復(fù)原圖像x*,x*所對(duì)應(yīng)的高斯模糊參數(shù)σ即為所選擇的高斯模糊強(qiáng)度。運(yùn)動(dòng)模糊圖像的實(shí)驗(yàn)類似。在進(jìn)行了大量的統(tǒng)計(jì)實(shí)驗(yàn)后,將判決準(zhǔn)則的加權(quán)系數(shù)設(shè)為λ1=0.31,λ2=0.61。

        本算法利用以上三種不同非盲復(fù)原方法對(duì)受不同程度高斯模糊的圖像復(fù)原結(jié)果的客觀評(píng)價(jià)和所選擇的σ,見表1。實(shí)驗(yàn)中BM3DDEB代碼在http://www.cs.tut.fi/~ foi/GCF-BM3D 上下載得到,正則化算法和Wiener濾波算法直接采用Matlab中的函數(shù)。

        由表1可以看出,本文的算法選擇的σ接近于σadd,即使采用不同的非盲復(fù)原算法,本算法在選擇σ上都較理想。另外,判決得到的最優(yōu)復(fù)原圖像與原始清晰圖像的PSNR和SSIM與非盲復(fù)原算法本身的去卷積效果有關(guān),如BM3D和Wiener濾波處理高斯模糊效果較好,因此采用這兩種方法作為本算法的非盲復(fù)原算法在客觀指標(biāo)上較正則化濾波法好。通過大量實(shí)驗(yàn),本算法在選擇σ上的準(zhǔn)確度在80%以上。

        表1 三種非盲復(fù)原算法應(yīng)用于本文算法復(fù)原高斯模糊的復(fù)原圖像客觀效果

        下面,將本文提出的盲復(fù)原算法與文獻(xiàn)[5]、文獻(xiàn)[12]的運(yùn)動(dòng)模糊盲復(fù)原算法進(jìn)行主觀質(zhì)量比較。本實(shí)驗(yàn)中,文獻(xiàn)[5]和文獻(xiàn)[12]的算法直接使用他們?cè)诰W(wǎng)上提供的可執(zhí)行程序,且均采用默認(rèn)參數(shù)進(jìn)行實(shí)驗(yàn),同時(shí)采用BM3D作為本文算法的非盲復(fù)原算法。

        圖6是對(duì)Lena圖加水平方向的運(yùn)動(dòng)模糊,長度為9??梢钥吹?,文獻(xiàn)[12]的復(fù)原圖像有紋影,且模糊仍存在。文獻(xiàn)[5]的復(fù)原圖像存在振鈴現(xiàn)象,特別是圖像的左側(cè)邊緣部分、帽子邊緣、頭發(fā)等處。而本文的算法準(zhǔn)確尋找到了最優(yōu)圖像,圖像的主觀效果較理想。

        圖7是對(duì)Barbara圖加垂直方向的運(yùn)動(dòng)模糊,長度為21??梢钥吹?,當(dāng)模糊較大時(shí),文獻(xiàn)[12],文獻(xiàn)[5]的復(fù)原圖像出現(xiàn)塊現(xiàn)象,復(fù)原效果不是很理想,這主要因?yàn)檫@兩種算法是要估計(jì)模糊核的,而模糊核估計(jì)不夠準(zhǔn)確,影響了復(fù)原效果。本文的算法由于是尋找最優(yōu)圖像,避免模糊核估計(jì),因此采用較好的非盲復(fù)原算法就能得到質(zhì)量較高的復(fù)原圖像。

        圖6 Lena圖復(fù)原結(jié)果比較

        圖7 Barbara圖復(fù)原結(jié)果比較

        3 結(jié)語

        提出的盲復(fù)原算法,將模糊核離散化為一系列模糊參數(shù),避免了由圖像模糊核估計(jì)帶來的負(fù)面影響。同時(shí),利用圖像的先驗(yàn)知識(shí)和復(fù)原圖像結(jié)構(gòu)特征提出一種復(fù)原圖像的判決準(zhǔn)則,對(duì)得到的一系列復(fù)原圖像進(jìn)行質(zhì)量判決,選擇出最優(yōu)復(fù)原圖像。實(shí)驗(yàn)結(jié)果表明,所提出的基于圖像先驗(yàn)和圖像結(jié)構(gòu)特征的盲復(fù)原算法,能有效的處理常見的圖像模糊問題,對(duì)使用的非盲復(fù)原算法無具體要求,適用廣泛,且復(fù)原圖像在主觀和客觀質(zhì)量上均有良好表現(xiàn)。另外,提出的算法無需迭代,復(fù)雜度不高。但由于受圖像本身內(nèi)容及評(píng)價(jià)準(zhǔn)則的權(quán)重系數(shù)設(shè)定影響,該算法在選擇模糊核參數(shù)的準(zhǔn)確率上還存在一定的問題,因此下面的工作將進(jìn)一步研究復(fù)原圖像的評(píng)價(jià)準(zhǔn)則,以期在準(zhǔn)確率上有改進(jìn)。

        [1]RAV-ACHA A,PELEG S.Two Motion Blurred Images are Better than One[J].Pattern Recognition Letters,2005,26(3):311-317.

        [2]YUAN L,SUN J,QUAN L,et al.Image Deblurring with Blurred/Noisy Image Pairs[C]//In SIGGRAPH,2007.

        [3]BEN-EZRA M,NAYAR S K.Motion-Based Motion Deblurring[J].TPAMI,2004,26(6):689-698.

        [4]FERGUS R,SINGH B,HERTZMANN A,et al.Removing Camera Shake from a Single Photograph[J].ACM Trans.Graph.2006,25(3):787-794.

        [5]SHAN Q,JIA J,AGARWALA A.High-Quality Motion Deblurring from a Single Image[J/OL].ACMTrans.Graph,(2008-08-15).http://www.cse.cuhk.edu.hk/~ leojia/projects/motion deblurring/index.html

        [6]楊春玲,陳冠豪.基于梯度信息的圖像質(zhì)量評(píng)判方法的研究[J].電子學(xué)報(bào),2007,35(7):1313-1317.

        [7]FIELD D.What is the Goal of Sensory Coding?[J].Neural Computation,1994,6(4):559-601.

        [8]左博新,明德烈,田金文.盲復(fù)原圖像振鈴效應(yīng)評(píng)價(jià)[J].中國圖象圖形學(xué)報(bào) A,2010,15(8):TP753.

        [9]WANG Z,BOVIK A C,SHEIKH H R.Image Quality Assessment:from Error Visibility to Structural Similarity[J].IEEE Transactions on Image Processing,2004,13(4):600-612.

        [10]DABOV K,F(xiàn)OI A,EGIAZARIAN K.Image Restoration by Sparse 3D Transform-domain Collaborative Filtering[C]//Proc.SPIE Electronic Imaging,2008.

        [11]WIENER N.Extrapolation,Interpolation,and Smoothing of Stationary Time Series[M].MIT Press,1964.

        [12]XU L,JIA J.Two-Phase Kernel Estimation For Robust Motion Deblurring[C]//In European Conference on Computer Vision(ECCV’10),2010.

        猜你喜歡
        振鈴復(fù)原高斯
        小高斯的大發(fā)現(xiàn)
        溫陳華:唐宋甲胄復(fù)原第一人
        振鈴現(xiàn)象對(duì)心電圖分析和診斷的影響
        淺談曜變建盞的復(fù)原工藝
        毓慶宮惇本殿明間原狀陳列的復(fù)原
        紫禁城(2020年8期)2020-09-09 09:38:04
        天才數(shù)學(xué)家——高斯
        家庭網(wǎng)關(guān)振鈴業(yè)務(wù)配置策略研究
        有限域上高斯正規(guī)基的一個(gè)注記
        圖像縮放中一種去振鈴算法的研究與硬件實(shí)現(xiàn)
        渴望HCD139(38)P/TSDL多功能全制式來電顯示電話機(jī)故障維修
        電子世界(2004年7期)2004-04-29 00:44:03
        亚洲av日韩精品久久久久久| 国产让女高潮的av毛片| 亚洲中文字幕无码不卡电影| 亚洲熟妇无码av另类vr影视| 成人永久福利在线观看不卡| 日韩伦理av一区二区三区| 国产自产c区| 亚洲黄片久久| 国产精品伦理久久一区| 人妻少妇久久中文字幕| 波多野结衣中文字幕久久| 国产精品无码不卡在线播放| 丰满人妻被持续侵犯中出在线| 亚洲av综合色区无码专区桃色| 久久久久久人妻一区二区三区| 亚洲VA欧美VA国产VA综合| 日本精品少妇一区二区| 国产免费观看久久黄av麻豆| 婷婷久久香蕉五月综合加勒比| 大地资源网更新免费播放视频| 在线观看中文字幕一区二区三区| 国产偷国产偷亚洲综合av| 国产精品欧美一区二区三区| 国产精品自产拍在线18禁| 日韩精品一区二区三区av| 国产69精品久久久久9999apgf| 欧美gv在线观看| 免费视频成人 国产精品网站| 无人视频在线播放免费| 欧美老熟妇喷水| 2021国产最新在线视频一区| 久久最黄性生活又爽又黄特级片| 国产欧美日韩一区二区加勒比| www国产精品内射熟女| 亚洲av永久无码精品水牛影视| 蜜桃免费一区二区三区| 超级碰碰色偷偷免费视频| 国产小屁孩cao大人| 久久综合伊人有码一区中文字幕 | 日本久久久免费高清| 一区二区三区观看视频在线|