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

        ?

        基于多尺度塊搜索的單幅圖像超分辨率重建

        2014-09-29 10:32:30申世聞孫權(quán)森
        計(jì)算機(jī)工程 2014年8期
        關(guān)鍵詞:低分辨率高分辨率分辨率

        申世聞,曹 國(guó),孫權(quán)森

        (南京理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,南京 210014)

        1 概述

        圖像超分辨率技術(shù)可以分為2個(gè)方向:基于重建的超分辨率技術(shù)[1-2]和基于學(xué)習(xí)的超分辨率技術(shù)[3-4]?;谥亟ǖ某直媛始夹g(shù)利用多幅具有互補(bǔ)信息的低分辨率圖像來(lái)復(fù)原其對(duì)應(yīng)的高 /低分辨率圖像[5],這些互補(bǔ)信息可以是亞像素差,也可以是不同的模糊核;此方法存在很多問(wèn)題,如當(dāng)放大倍數(shù)過(guò)大時(shí)(2倍以上),會(huì)因重建過(guò)程中能夠使用的互補(bǔ)信息太少,導(dǎo)致重建效果不太理想[6]。基于學(xué)習(xí)的超分辨率技術(shù)基本思想為通過(guò)對(duì)高/低分辨率圖像庫(kù)的學(xué)習(xí),在某種最優(yōu)化方法下求出給定低分辨率圖像對(duì)應(yīng)高分辨率圖像。如Freeman的方法[3]:運(yùn)用馬爾科夫網(wǎng)絡(luò)找出對(duì)應(yīng)的高分辨率塊的最大后驗(yàn)概率值,在此基礎(chǔ)上也有一系列改進(jìn)方法[1,7]。以上這些方法都需要大量的訓(xùn)練集圖像,且重建出的圖像有明顯的偽邊緣,看起來(lái)十分不自然。重建速度過(guò)慢也是這類(lèi)方法一個(gè)共同的缺陷。針對(duì)上述問(wèn)題,如何在無(wú)任何先驗(yàn)信息的前提下,能夠快速地對(duì)一張圖像進(jìn)行超分辨率重建,且重建效果良好,成了本文研究的問(wèn)題。

        本文在文獻(xiàn)[8]的研究基礎(chǔ)上做了3點(diǎn)改進(jìn):(1)把查找到的2個(gè)相似低分辨率塊之間的差值進(jìn)行插值放大,并加到對(duì)應(yīng)的高分辨率塊上。避免了低分辨率相似塊之間差異較小,但是兩者對(duì)應(yīng)的高分辨率塊卻差異較大的情況。(2)不僅考慮到要重建的低分辨率和學(xué)習(xí)到的相似低分辨率之間的差異,而且考慮到重建出的高分辨率塊是否和其周?chē)母叻直媛蕢K兼容。由于文獻(xiàn)[8]并沒(méi)有考慮這幾點(diǎn),使得其重建后的高分辨率圖像有一定的鋸齒現(xiàn)象,并且圖像看起來(lái)極其不自然。(3)引入最新的隨機(jī)塊搜索[9]算法,使得算法用于KNN查找的速度大幅提高,降低了重建時(shí)間。

        2 基于學(xué)習(xí)的超分辨率技術(shù)

        在自然圖像中,一副圖像中像素塊相似甚至相同的現(xiàn)象也較為普遍。文獻(xiàn)[8]在伯克利分割數(shù)據(jù)庫(kù)上做了大量的實(shí)驗(yàn),并對(duì)結(jié)果進(jìn)行了統(tǒng)計(jì)。實(shí)驗(yàn)證明源圖像上多于90%的5×5小塊,在此圖像的其他位置都可以找到9個(gè)或者更多的相似塊,大約80%的圖像塊在源圖像的0.41=1.25–4下采樣級(jí)別上有9或者更多的相似塊,大約70%的圖像塊在源圖像的0.26=1.25–6下采樣級(jí)別上有9或者更多的相似塊。這一結(jié)論奠定了利用一幅圖像及其下采樣圖像的塊冗余信息進(jìn)行高分辨率重建的基礎(chǔ)。文獻(xiàn)[8]把基于重建和基于學(xué)習(xí)的超分辨率方法結(jié)合起來(lái),利用不同級(jí)的相似塊,構(gòu)成對(duì)應(yīng)的高/低分辨率塊集,通過(guò)學(xué)習(xí)找出低分辨率塊對(duì)應(yīng)的多個(gè)中間級(jí)的高分辨率塊。把這多個(gè)中間級(jí)高分辨率看成具有互補(bǔ)信息的冗余塊,最終用這些互補(bǔ)信息來(lái)復(fù)原目標(biāo)級(jí)高分辨率塊。

        2.1 高低分辨率圖像間的線(xiàn)性約束

        現(xiàn)給定一幅低分辨率圖像L,假定它是由原高分辨率圖像H經(jīng)過(guò)模糊和下采樣過(guò)程得到:L=(H*B)↓s。這里,↓代表下采樣操作;s是H和L之間下采樣的縮小比例因子;B是相應(yīng)的模糊核(點(diǎn)擴(kuò)散方程);*為卷積。因此,L中的每個(gè)像素p的值可由高分辨率圖像相應(yīng)位置上像素q∈H及其周?chē)南袼剡M(jìn)行線(xiàn)性變換求得,有:

        這里用高斯核對(duì)B進(jìn)行估計(jì),i的大小由模糊核B來(lái)決定。如果有足夠多的低分辨率圖像,就形成了上述方程的方程組,并且如果獨(dú)立方程的個(gè)數(shù)大于未知數(shù)的個(gè)數(shù),則方程(1)有解。正如文獻(xiàn)[8]所述,一幅圖像本身及其下采樣圖像中有大量的冗余塊。設(shè)P為低分辨率圖像L中以p為中心的一個(gè)5×5圖像塊,L中存在多個(gè)相似圖像塊 P1,P2,…,Pk(在L下采樣中也可找到多個(gè)相似塊)。假設(shè)這k個(gè)低分辨率塊來(lái)自于k個(gè)不同低分辨率圖像,且這些低分辨率圖像描述的是同一個(gè)高分辨率場(chǎng)景??衫脗鹘y(tǒng)的多幀超分辨率重建方法進(jìn)行亞像素配準(zhǔn)[2],并根據(jù)P和Pi之間的相似度對(duì)相應(yīng)方程的可信度進(jìn)行衡量,最終解出目標(biāo)高分辨率H。

        2.2 不同分辨率圖像級(jí)聯(lián)中的塊冗余

        現(xiàn)在令I(lǐng)0,I1,…,In為從低分辨率L到目標(biāo)高分辨率H的級(jí)聯(lián),且分辨率依次遞增(即I0=I,In=H)。相應(yīng)的模糊核為 B0,B1,…,Bn(點(diǎn)擴(kuò)散函數(shù)),這樣每一個(gè)Il滿(mǎn)足L=(Il*Bl)↓sl(sl表示相應(yīng)的放縮因子)。仍然用高斯核來(lái)代替,方差由 sl決定。放縮因子sl用sl=αl表示,這里α為相鄰級(jí)之間的放大倍數(shù)。

        為了得到各級(jí)中間圖像Il,可以分下面3個(gè)步驟。

        (1)建庫(kù):為每級(jí)圖像建立低/高分辨率庫(kù)[P,Q]l。設(shè) L=I0,I-1,…,I-m為從 L 開(kāi)始分辨率逐漸降低的一組級(jí)聯(lián),這些低分辨率圖像可以由L進(jìn)行模糊下采樣得到 I-l=(L*B-l)↓sl,B-l=Bl。為 I-l中每個(gè)點(diǎn)取以其為中心的塊,并在 I0中取相應(yīng)位置 sl·∈I0上的塊 Q0(sl·),這樣就構(gòu)成了低高圖像塊庫(kù)在后面的實(shí)驗(yàn)中,取低分辨率塊大小為5×5,若放大2倍sl=2,則高分辨率塊大小為9×9。有些文獻(xiàn)中用其他形式特征來(lái)建庫(kù),如拉普拉斯金字塔[7]、梯度特征[4]。

        (2)相似塊查找:在庫(kù)中搜索和P0(p)相似的低分辨率塊,文獻(xiàn)[8]里面用到了近似最近鄰查找算法(k=9)[10]。

        圖1 高分辨率塊學(xué)習(xí)過(guò)程

        2.3 隨機(jī)最近鄰查找算法的引入

        由前文可知,求相似塊是一個(gè)極其重要的步驟。但由于源圖像塊與各級(jí)下采樣塊數(shù)目過(guò)多,想要準(zhǔn)確地查找到k個(gè)近鄰需要花費(fèi)大量的時(shí)間。例如用最普通的查找算法需耗時(shí)O(r2M),其中,r為塊大小;M為圖像中的像素?cái)?shù)。故基于學(xué)習(xí)的超分辨率方法一般選用近似最近臨查找法。這些方法基本上是基于樹(shù)結(jié)構(gòu)的,如 TSVQ[11],kd-trees[12]和 VP-trees[13],這些方法都是利用塊的維數(shù)進(jìn)行查找。并且經(jīng)常和降維技術(shù)結(jié)合起來(lái)使用,如PCA[12]。能夠達(dá)到耗時(shí)O(mMlogM),但是建樹(shù)時(shí)需多增加O(M)的內(nèi)存空間,這里m為樹(shù)的維數(shù)。

        但是基于樹(shù)的查找方法在建樹(shù)和查找上面仍然花費(fèi)大量時(shí)間,它并沒(méi)有考慮到圖像具有局部相似性。為此,本文引入了Connelly的隨機(jī)塊匹配算法[10],此算法在時(shí)間和空間消耗上面都要優(yōu)于帶降維的kd-trees。它幾乎不需要額外的空間消耗,仍需耗時(shí)O(mMlogM)。雖然在數(shù)量級(jí)上和最右的基于樹(shù)結(jié)構(gòu)的查找算法相同,但是實(shí)際上的常數(shù)要遠(yuǎn)小于基于樹(shù)結(jié)果的查找算法。由于本文的著重點(diǎn)并不在求隨機(jī)最近鄰這一步驟,因此該方法的詳細(xì)步驟在此不予列出。此方法也有一定的局限性,只能用于如圖像這類(lèi)具有局部相似性的搜索,并且實(shí)驗(yàn)結(jié)果也受到實(shí)驗(yàn)環(huán)境的影響(并行計(jì)算)。

        3 目標(biāo)圖像的重建

        本文對(duì)上KNN查找到了中間級(jí)高分辨率塊做了改進(jìn),并且在用這些中間級(jí)高分辨率塊復(fù)原目標(biāo)級(jí)高分辨圖像時(shí)考慮到多方面因素。本文通過(guò)自適應(yīng)加權(quán)使得重建結(jié)果模糊度和鋸齒現(xiàn)象都有所降低,看起來(lái)更自然。

        3.1 高分辨率塊的改進(jìn)

        雖然P1,P2,…,P9和P之間較為近似,但是不同Pi對(duì)應(yīng)的高分辨率塊Qi之間卻差別很大[3],這也是由文獻(xiàn)[8]重建出的圖像看起來(lái)不自然的一個(gè)原因。并不直接使用學(xué)習(xí)出的Qi作為P對(duì)應(yīng)的高分辨率估計(jì)值。本文把P與Pi之間的差值進(jìn)行放大(可采用雙立方法),再加到對(duì)應(yīng)的高分辨率Qi上面,使得到的高分辨率估計(jì)值更加準(zhǔn)確,如圖2所示。

        圖2 修正學(xué)習(xí)到的高分辨率Qi

        其中,σ1為高斯核的標(biāo)準(zhǔn)差;λ1,λ2為系數(shù);w1不僅考慮到了由于相似度不同導(dǎo)致的9個(gè)相似塊的可信度不同,而且考慮到了相鄰塊重疊部分的相似度對(duì)重建結(jié)果的影響,這樣不僅使得重建出的目標(biāo)分辨率H和真實(shí)的高分辨率圖像更吻合,而且大大消除了鋸齒現(xiàn)象,使得重建效果看起來(lái)更真實(shí)。σ1的取值也對(duì)最終的放大效果有著重要影響,關(guān)系到最終圖像的清晰度。

        3.2 不同權(quán)值下數(shù)值的求解

        并不是由式(1)直接求出 H,而是依次把 I1,I2,…,Il當(dāng)成目標(biāo)高分辨率,每級(jí)都要求出直到H。當(dāng)把 Il+1當(dāng)作目標(biāo)分辨率進(jìn)行重建時(shí)(此時(shí)I1,I2,…,Il已求出),同時(shí)利用2.1節(jié)在L上找到了多個(gè)低分辨率塊P1,P2,…,Pk和2.2節(jié)中以 L為中間級(jí)學(xué)習(xí)到的多級(jí)(1,2,…,l+1)高分辨率塊(也可以Ii,i≤l為中間級(jí),學(xué)習(xí)出 i+1,i+2,…,l級(jí)的高分辨率塊)。通過(guò)塊加權(quán)分別把每級(jí)高分辨塊拼接融合成一幅高分辨率圖像。

        當(dāng)求出圖像Il+1時(shí),再通過(guò)相同的模糊和下采樣求出和L一樣大小的低分辨率圖像,并和L比較。差距的大小預(yù)示著求出的高分辨率圖像Il+1和真實(shí)圖像之間的差距??梢杂谩胺赐队啊狈ǎ?]來(lái)修正求出的高分辨率圖像,此過(guò)程和圖2類(lèi)似。這一步驟確保每個(gè)新得到的高分辨率圖像Il+1和輸入的低分辨率圖像L一致。

        4 實(shí)驗(yàn)結(jié)果及分析

        本文從有參圖像質(zhì)量評(píng)價(jià)和無(wú)參圖像質(zhì)量評(píng)價(jià)2個(gè)方面進(jìn)行比較。有參質(zhì)量評(píng)價(jià)所用的20張灰度圖片來(lái)自Granada大學(xué)計(jì)算機(jī)視覺(jué)組數(shù)據(jù)庫(kù)。包括自然圖像,如人像、風(fēng)景、建筑、靜物、顯微鏡圖像、合成圖像以及遙感圖像。每張圖像的大小都是512×512像素。實(shí)驗(yàn)操作平臺(tái)硬件為Intel Core i5-2450 MB、2.5 GHz、4 核心、3 GB 內(nèi)存,軟件配置為Windows 7 旗艦版32位操作系統(tǒng),Matlab R2009a。

        4.1 隨機(jī)查找算法效率比較

        本文采用的隨機(jī)查找算法[9],在相同的配置下和文獻(xiàn)[8]中所用到的 kd-tree[10]和 priority-kdtree[10]算法進(jìn)行比較。以2個(gè)相似塊差值的加權(quán)平方和作為塊與塊之間的距離,權(quán)值大小和式(3)相同。查找時(shí)間以秒為單位,比較結(jié)果如表1所示。表中第1行為在源圖像中查找相似塊。

        表1 各種搜索方法的對(duì)比

        本文通過(guò)調(diào)節(jié)參數(shù)使塊與塊的平均距離盡可能相同,可以看出隨機(jī)查找算法在塊與塊的平均距離略小的情況下,速度提高了近2倍。表1中第2行為在源圖像的下采樣圖像中查找的實(shí)驗(yàn)結(jié)果,實(shí)驗(yàn)時(shí)先對(duì)源圖像進(jìn)行模糊加高斯白噪聲,下采樣率為0.5。而且還發(fā)現(xiàn)當(dāng)近鄰k的數(shù)量增加時(shí),此算法要更優(yōu)于樹(shù)結(jié)構(gòu)的算法。

        4.2 重建圖像質(zhì)量比較

        將本文改進(jìn)的塊查找算法運(yùn)用在圖像超分辨率放大上面,對(duì)高分辨率圖像進(jìn)行模糊、加高斯白噪聲,并進(jìn)行下采樣得到128×128像素的低分辨率圖像,圖像的質(zhì)量相對(duì)較差。用本文方法放大4倍并和最近鄰插值、雙線(xiàn)性插值、雙立方法比較,實(shí)驗(yàn)結(jié)果如表2所示。

        表2 各方法放大結(jié)果比較

        大量實(shí)驗(yàn)結(jié)果表明,隨著σ1的增大圖像會(huì)更加模糊。若源圖像質(zhì)量較差時(shí)σ1應(yīng)取值較大值(如180),但是和雙立方法的實(shí)驗(yàn)結(jié)果比較時(shí)還是要明顯清晰很多;當(dāng)源圖像較好時(shí),σ1應(yīng)取值較小值(如20)。實(shí)驗(yàn)中取 λ1=0.5,λ2=0.05。由于低分辨率圖像質(zhì)量較差且放大倍數(shù)較高,其他方法都顯示出了其本身固有的缺點(diǎn),而本文方法要明顯好于其他方法。前文的3個(gè)方法都是利用Matlab的imresize函數(shù)來(lái)完成的。本文選擇2個(gè)指標(biāo):峰值信噪比(Peak Signal to Noise Ratio,PSNR)和結(jié)構(gòu)相似性(Structural Similarity,SSIM)來(lái)衡量算法的好壞。

        表2的結(jié)果是有參的質(zhì)量評(píng)價(jià),可以看出無(wú)論文獻(xiàn)[8]方法還是本文方法,和傳統(tǒng)的插值方法比較都有著很明顯的優(yōu)勢(shì)。另外本文方法從多幅圖像重建結(jié)果看,都要好于文獻(xiàn)[8]方法的結(jié)果。

        為了進(jìn)一步進(jìn)行對(duì)比,本文和文獻(xiàn)[8]中一樣也采用Berkeley大學(xué)視覺(jué)組的彩色圖像進(jìn)行實(shí)驗(yàn)。這些圖片相對(duì)于前文選擇的20張灰度圖像,圖像質(zhì)量好且清晰度高。下面將從無(wú)參的客觀評(píng)價(jià)和主觀評(píng)價(jià)2個(gè)方面對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比。

        選用文獻(xiàn)[15]的方法作為無(wú)參的客觀評(píng)價(jià)標(biāo)準(zhǔn),此方法從模糊度以及鋸齒性等多個(gè)方面來(lái)衡量圖像的好壞。分值越低,圖像的質(zhì)量越優(yōu)。結(jié)果和人視覺(jué)系統(tǒng)判斷效果較為吻合。先把RGB圖像轉(zhuǎn)換為 YCbCr值,再用本文方法放大4倍并和文獻(xiàn)[8]的放大結(jié)果進(jìn)行比較,實(shí)驗(yàn)結(jié)果如表3所示。圖3、圖4為重建效果,從視覺(jué)上可以看出本文方法明顯優(yōu)于其他方法,比雙立方法更加清晰,減少了邊緣模糊。通過(guò)對(duì)細(xì)節(jié)的放大可以看出,相比于文獻(xiàn)[8]方法鋸齒現(xiàn)象有所減少,圖像看起來(lái)更自然。特別是圖3中帽子和孩子臉部分、圖4中花瓣邊緣和蝴蝶翅膀邊緣,要明顯好于文獻(xiàn)[8]方法。圖像放大4倍后仍有很好的效果。

        表3 無(wú)參圖像質(zhì)量評(píng)價(jià)結(jié)果

        圖3 重建效果1

        圖4 重建效果2

        5 結(jié)束語(yǔ)

        本文利用多尺度圖像之間的塊冗余現(xiàn)象,提出了一種快速超分辨率重建的方法。已有的超分辨率方法多側(cè)重利用不同的信息(如高頻、低頻)來(lái)建立高低分辨率庫(kù),而鮮有對(duì)查找到的相似塊進(jìn)行修正以及對(duì)圖像塊進(jìn)行更準(zhǔn)確的加權(quán)的,并且速度較慢。本文依據(jù)這一思路對(duì)算法做了改進(jìn)。實(shí)驗(yàn)證明本文算法無(wú)論是重建速度還是重建圖像質(zhì)量都有所提高。下一步工作是結(jié)合基于學(xué)習(xí)的超分辨率重建算法與傳統(tǒng)的基于重建的超分辨率算法作進(jìn)一步研究。

        [1]Tsai R Y,Huang T S.Multipleframe Image Restoration and Registration[C]//Proc.of Conference on Advances in Computer Vision and Image Processing.Greenwich,USA:JAI Press Inc.,1984:317-339.

        [2]Stark H,Oskoui P.High-resolution Image Recovery from Image-plane Arrays,Using Convex Projections[J].Journal of the Optical Society of America A,1989,6(11):1715-1726.

        [3]Freeman W T,Jones T R,Pasztor E C.Example-based Super-resolution[J].IEEE Computer Graphics and Applications,2002,22(2):56-65.

        [4]Chang Hong,Yeung D Y,Xiong Yimin.Super-resolution Through Neighbor Embedding[C]//Proc.of IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Washington D.C.,USA:[s.n.],2004:275-282.

        [5]Irani M,Peleg S.Improving Resolution by Image Registration[J].CVGIP:Graphical Models and Image Processing,1991,53(3):231-239.

        [6]Baker S,Kanade T.Limits on Super-resolution and How to Break Them[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(9):1167-1183.

        [7]薛翠紅,于 明,于 洋,等.基于MAP框架的金字塔人臉超分辨率算法[J].計(jì)算機(jī)工程,2012,38(10):206-208.

        [8]Glasner D,Bagon S,Irani M.Super-resolution from a Single Image[C]//Proc.of the 12th International Conference on Computer Vision.Kyoto,Japan:[s.n.],2009:349-356.

        [9]Barnes C,ShechtmanE,GoldmanD B,etal.The Generalized Patch Match Correspondence Algorithm[C]//Proc.of the 11th European Conference on Computer Vision.Heraklion,Greece:[s.n.],2010:29-43.

        [10]Arya S,Mount D M.Approximate Nearest Neighbor Queries in Fixed Dimensions[C]//Proc.of the 4th Annual ACMSIAM Symposium on Discrete Algorithms.Philadelphia,USA:[s.n.],1993:271-280.

        [11]Wei Liyi,Levoy M.Fast Texture Synthesis Using Tree Structured Vector Quantization[C]//Proc.of the 27th Annual Conference on Computer Graphics and Interactive Techniques.New Orleans,USA:ACM Press,2000:479-488.

        [12]Hertzmann A,Jacobs C E,Oliver N,et al.Image Analogies[C]//Proc.of the 28th Annual Conference on Computer Graphics and Interactive Techniques.Los Angeles,California,USA:[s.n.],2001:327-340.

        [13]Kumar N,Zhang Li,Nayar S.What is a Good Nearest Neighbors Algorithm for Finding Similar Patches in Images?[C]//Proc.of the 10th European Conference on Computer Vision.Berlin,Germany:[s.n.],2008:364-378.

        [14]姚 琦,沈 松,朱 飛.基于加權(quán) POCS的圖像超分辨率重建[J].計(jì)算機(jī)工程,2013,39(3):264-266,271.

        [15]Mittal A,Soundararajan R,Bovik A.Making a“Completely Blind” Image Quality Analyzer[J].IEEE Transactions on Signal Processing Letters,2013,20(3):209-212.

        猜你喜歡
        低分辨率高分辨率分辨率
        基于全局和局部特征集成的低分辨率人臉識(shí)別方法
        紅外熱成像中低分辨率行人小目標(biāo)檢測(cè)方法
        基于偏移學(xué)習(xí)的低分辨率人體姿態(tài)估計(jì)
        高分辨率合成孔徑雷達(dá)圖像解譯系統(tǒng)
        EM算法的參數(shù)分辨率
        原生VS最大那些混淆視聽(tīng)的“分辨率”概念
        樹(shù)木的低分辨率三維模型資源創(chuàng)建實(shí)踐
        基于深度特征學(xué)習(xí)的圖像超分辨率重建
        一種改進(jìn)的基于邊緣加強(qiáng)超分辨率算法
        高分辨率對(duì)地觀測(cè)系統(tǒng)
        太空探索(2015年8期)2015-07-18 11:04:44
        无码无套少妇毛多18p| 国产一区二区三区日韩精品| 偷偷夜夜精品一区二区三区蜜桃| 天堂网站一区二区三区| 国产成人精品123区免费视频| 99国产精品视频无码免费| 国产优质女主播在线观看| 日本亚洲中文字幕一区| 好吊妞无缓冲视频观看| 伊伊人成亚洲综合人网7777| 国产精品无码久久AⅤ人妖| 亚洲中文字幕人成乱码在线| aa片在线观看视频在线播放| 国产成人无码aⅴ片在线观看 | 国产精品成人av电影不卡| 成人影院视频在线播放| 久久理论片午夜琪琪电影网| 国产高潮国产高潮久久久| 日本中文字幕一区二区高清在线| 亚洲熟少妇一区二区三区| 亚州性无码不卡免费视频| 少妇内射视频播放舔大片| 特黄三级一区二区三区| 麻神在线观看免费观看| 美女张开腿让男人桶爽| 美女裸体无遮挡免费视频的网站| 亚洲av男人免费久久| 国产成人a级毛片| 狠狠色丁香久久婷婷综合蜜芽五月| 人妻无码人妻有码不卡| 丝袜美足在线视频国产在线看| 亚洲va国产va天堂va久久| 亚洲男人精品| 蜜桃av福利精品小视频| 中国娇小与黑人巨大交| 无尽动漫性视频╳╳╳3d| 亚洲色偷偷偷综合网另类小说| 日本免费一区二区在线视频播放| 99国产精品无码| 妞干网中文字幕| 国产人妖视频一区二区|