有噪声的图像
图像处理中的噪声去除方法和效果评价
图像处理中的噪声去除方法和效果评价噪声是图像处理领域中常见的问题之一。
在图像采集、传输和存储过程中，噪声往往会以各种形式引入图像，从而导致图像质量下降和信息丢失。
因此，研究和应用有效的噪声去除方法对于提高图像质量和增强图像细节非常重要。
本文将介绍图像处理中常见的噪声去除方法和评价方法。
一、图像噪声的分类常见的图像噪声主要包括高斯噪声、椒盐噪声、泊松噪声、固定模式噪声等。
高斯噪声是一种均值为0、方差为σ²的随机噪声。
椒盐噪声则是指在图像中随机分布出现的黑白像素点，其比例可以根据实际情况进行调整。
泊松噪声主要由光子计数引起，其分布满足泊松分布的统计规律。
固定模式噪声是由于设备本身或传输过程中的非线性特性引起的噪声。
二、噪声去除方法1. 均值滤波均值滤波是一种简单的线性平滑滤波方法，通过计算邻域像素的平均值来减少图像中的噪声。
具体而言，对于一个大小为n×n的滤波模板，将滤波模板内的像素值进行求平均操作，然后将平均值赋给目标像素。
均值滤波适用于高斯噪声的去除，但对于椒盐噪声等其他类型的噪声效果不佳。
2. 中值滤波中值滤波是一种非线性滤波方法，其原理是将滤波模板内的像素值按照大小进行排序，然后取中值作为目标像素的值。
中值滤波相比于均值滤波，在去除椒盐噪声等其他类型噪声时表现更好，能够有效保持图像的边缘和细节。
3. 自适应滤波自适应滤波是一种基于图像统计特性的非线性滤波方法。
其核心思想是根据图像中像素的灰度差异来调整滤波器的参数，从而在保持图像细节的同时去除噪声。
自适应滤波方法通常需要根据具体应用场景进行参数调优，以获得最佳的去噪效果。
4. 小波去噪方法小波去噪方法将信号分解为不同尺度的子带，然后通过对具有较小能量的高频子带进行阈值处理，将其置零，最后将处理后的子带重构成去噪后的信号。
小波去噪方法在处理非平稳噪声时表现良好，能够有效去除信号中的噪声，并保留信号的细节。
三、噪声去除效果评价对于图像噪声去除的效果评价是非常重要的，它能够客观地反映算法的优劣和适用性。
图像处理之噪声---椒盐，白噪声，高斯噪声三种不同噪声的区别
图像处理之噪声---椒盐，⽩噪声，⾼斯噪声三种不同噪声的区别 ⽩噪声是指功率谱密度在整个频域内均匀分布的噪声。
所有频率具有相同能量的随机噪声称为⽩噪声。
⽩噪声或⽩杂讯，是⼀种功率频谱密度为常数的随机信号或随机过程。
换句话说，此信号在各个频段上的功率是⼀样的，由于⽩光是由各种频率（颜⾊）的单⾊光混合⽽成，因⽽此信号的这种具有平坦功率谱的性质被称作是“⽩⾊的”，此信号也因此被称作⽩噪声。
相对的，其他不具有这⼀性质的噪声信号被称为有⾊噪声。
⽽理想的⽩噪声具有⽆限带宽，因⽽其能量是⽆限⼤，这在现实世界是不可能存在的。
实际上，我们常常将有限带宽的平整讯号视为⽩噪⾳，因为这让我们在数学分析上更加⽅便。
然⽽，⽩噪声在数学处理上⽐较⽅便，因此它是系统分析的有⼒⼯具。
⼀般，只要⼀个噪声过程所具有的频谱宽度远远⼤于它所作⽤系统的带宽，并且在该带宽中其频谱密度基本上可以作为常数来考虑，就可以把它作为⽩噪声来处理。
例如，热噪声和散弹噪声在很宽的频率范围内具有均匀的功率谱密度，通常可以认为它们是⽩噪声。
然后介绍⼀下⾼斯噪声：顾名思义，⾼斯噪声就是n维分布都服从⾼斯分布的噪声。
然后说⼀下什么是⾼斯分布。
⾼斯分布，也称正态分布，⼜称常态分布。
对于随机变量X，其概率密度函数如图所⽰。
称其分布为⾼斯分布或正态分布，记为N（µ，σ2），其中为分布的参数，分别为⾼斯分布的期望和⽅差。
当有确定值时，p(x)也就确定了，特别当µ=0，σ2=1时，X的分布为标准正态分布。
最后说⼀下名字很有意思的椒盐噪声：椒盐噪声⼜称脉冲噪声，它随机改变⼀些像素值，是由图像传感器，传输信道，解码处理等产⽣的⿊⽩相间的亮暗点噪声。
椒盐噪声往往由图像切割引起。
图像噪声等疵病的由来和常用对策
Ｉ
‘ 广 寻尹 ７ ７ 口 Ｊ ，
由 来 牙口常 用 对
吴启海 噪声 是 数 宇 图像 数 据 中 出 现 了 人们 不 希 望 再 在 的 干 为 ７ 降 低 或 减 小 奠 尔 条 纹 和 伪 色 现 象 ． 数 蚂 相 机 均 设 有 低 道 辖 艘 器 （固 ３ ｋ 扰 或 亲散 信 号 ．其 态 表 现和 睦 片 拍 摄 叫 出 现 的光 晕 影 幻
效果的形式 降噪｛ Fra bibliotek式 【 ＮＲ Ｊ
尼康等多种品脾数 码相机在进行长 时间 ｛ １ ｓ或 更 长
起 毛 指 教 宇 图 像 和 文 章 放 大 时 在 轮 廓 线 七出 现 一 段
时 】 光 时 提 供 ７ 一 种 优 化 艋 量 降 低 噪 点 的 功 能 ， 曝 曝 当 光 时 间 低 于 １１ ｓ时 ，相 机 自动 开 启 Ｎ ／５ Ｒ功 能 ．尤 其 是 拍
紫遗
抽 扭 光 比 较 大 的 暑 物 时 ， 在 画 面 高 光 部 和 暗 部 之 间
会 出 现 禁 状 紫 色 窄 带 这 是 光 的 衍 射 和 像 章上 电 荷 “ 出 溢
“ 引起 的 ．造 成 数 码 相 机 上 ＲＧ Ｄ 进 行 彩 色 插 值 时 Ｂ ＣＣ
同 时 拍 摄 总 是 出 现 在 相 同 画 面 位 置 的 噪 声 称 为 “ 定 格 式 噪 声 ． 蛐 暗 部 噪 声 等 。 不 同 拍 摄 时 间会 在 匿 例 往 币 同 画面 位 置 出 现 的 噪 声 称 为 “ 机 噪 声 随
摄夜景 聊。
段 的 衄 抖 现 象 造 成 影 像 发 虚 粗 糙 ｌ 实 。 印耐 ．分辨 小 打 车 太 低 也 会 出现 “ 毛 发 虚 ” 起 。高 质 量 高慷 素 的 数 码 相 机
图像噪声的成因分类与常见图像去噪算法简介
图像噪声的成因分类与常见图像去噪算法简介
1、图像噪声的成因
图像在生成和传输过程中常常因受到各种噪声的干扰和影响而是图像降质，这对后续图像的处理和图像视觉效应将产生不利影响。
噪声种类很多，比如:电噪声，机械噪声，信道噪声和其他噪声。
因此，为了抑制噪声，改善图像质量，便于更高层次的处理，必须对图像进行去噪预处理。
2、图像噪声的特征
图像噪声使得图像模糊，甚至淹没图像特征，给分析带来困难。
图像噪声一般具有以下特点：
噪声在图像中的分布和大小不规则，即具有随机性。
噪声与图像之间一般具有相关性。
例如，摄像机的信号和噪声相关，黑暗部分噪声大，明亮部分噪声小。
又如，数字图像中的量化噪声与图像相位相关，图像内容接近平坦时，量化噪声呈现伪轮廓，但图像中的随机噪声会因为颤噪效应反而使量化噪声变得不很明显。
噪声具有叠加性。
在串联图像传输系统中，各部分窜入噪声若是同类噪声可以进行功率相加，依次信噪比要下降。
3、图像噪声的分类
3.1加性噪声和乘性噪声
按噪声和信号之间的关系，图像噪声可分为加性噪声和乘性噪声。
为了分析处理方便，往往将乘性噪声近似认为是加性噪声，而且总是假定信号和噪声是互相独立的。
假定信号为S(t)，噪声为n(t)，如果混合叠加波形是S(t)+n(t)的形式，则称其为加性噪声。
加性嗓声和图像信号强度是不相关的，如图像在传输过程中引进的“信道噪声”电视摄像机扫描图像的噪声等。
如果叠加波形为S(t)［1+n(t)］的形式，则称其为乘性噪声。
乘性噪声则与信号强度有关，往往随图像信号的变化而变化，如飞点扫描图像中的嗓声、电视扫描光栅、胶片颗粒造成等。
椒盐噪声——精选推荐
椒盐噪声椒盐噪声图像噪声之椒盐噪声（Salt And Pepper Noise）概述：椒盐噪声（salt & pepper noise）是数字图像的⼀个常见噪声，所谓椒盐。
椒就是⿊，盐就是⽩，椒盐噪声就是在图像上随机出现⿊⾊⽩⾊的像素。
椒盐噪声是⼀种由于信号脉冲强度引起的噪声，产⽣该噪声的算法也⽐較简单。
算法步骤：我们使⽤信噪⽐（Signal NoiseRate）衡量图像噪声。
图象的信噪⽐应该等于信号与噪声的功率谱之⽐，但通常功率谱难以计算，有⼀种⽅法能够近似预计图象信噪⽐，即信号与噪声的⽅差之⽐。
⾸先计算图象全部象素的局部⽅差。
将局部⽅差的最⼤值觉得是信号⽅差，最⼩值是噪声⽅差。
求出它们的⽐值，再转成dB数。
最后⽤经验公式修正。
假设是灰度图像的话，SNR=（洁净图⽚中的像素点的灰度值之和）/abs（噪声图⽚的灰度值之和-洁净图⽚中的灰度值之和）为该图像的信噪⽐。
给⼀副数字图像加上椒盐噪声的过程例如以下：（1）指定信噪⽐ SNR （其取值范围在[0, 1]之间）（2）计算总像素数⽬ SP。
得到要加噪的像素数⽬ NP = SP * (1-SNR)（3）随机获取要加噪的每⼀个像素位置P（i, j）（4）指定像素值为255或者0。
（5）反复3,4两个步骤完毕全部像素的NP个像素（6）输出加噪以后的图像编程实例：为简单起见，直接使⽤灰度图进⾏測试。
彩⾊图的原理是同样的。
# -*- coding: utf-8 -*-from PIL import Imagefrom pylab import *from numpy import*#读取图⽚,灰度化，并转为数组img = im = array(Image.open('./source/test.jpg').convert('L'))#信噪⽐SNR = 0.6#计算总像素数⽬ SP，得到要加噪的像素数⽬ NP = SP * (1-SNR)noiseNum=int((1- SNR)*img.shape[0]*img.shape[1])#于随机位置将像素值随机指定为0或者255for i in range(noiseNum):randX=random.random_integers(0,img.shape[0]-1)randY=random.random_integers(0,img.shape[1]-1)if random.random_integers(0,1)==0:img[randX,randY]=0else:img[randX,randY]=255#显⽰图像gray()imshow(img)show()执⾏结果：原图SNR = 0.8SNR = 0.6SNR = 0.4结语：本篇博客主要介绍了椒盐噪声这样的常见的图像噪声。
图像噪声
4-1图像噪声一、 实验目的掌握图像高斯噪声、瑞利噪声、伽马（爱尔兰）噪声、指数分布噪声、均匀分布噪声、脉冲噪声（椒盐噪声）的实现方法.二、 实验内容使用imnoise2 生成高斯噪声、瑞利噪声、伽马（爱尔兰）噪声、指数分布噪声、均匀分布噪声、脉冲噪声（椒盐噪声）噪声，观察样本噪声图像和它们的直方图的区别三、 实验步骤1.各种噪声1）高斯噪声clcclearr = imnoise2('gaussian',100000,1,0,1);bins = 100;hist(r,bins)title('gaussian')由上图可以看出，高斯噪声符合正态分布，没有经过调制时，噪声主要集中在0点附近。
2）均匀噪声r = imnoise2('uniform',100000,1,0,1);bins = 100;figure,hist(r,bins)title('uniform')由上图可以看出，均匀噪声是功率谱密度在整个频域内均匀分布的噪声3）脉冲噪声（椒盐噪声）r = imnoise2('salt & pepper',1000,1,0.1,0.27);bins = 100;figure,hist(r,bins)title('salt & pepper')椒盐噪声主要由图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声等, 其噪声的灰度值与邻域像素点具有明显不同4）ognormal噪声r = imnoise2('lognormal',100000,1);bins = 100;figure,hist(r,bins)title('lognormal')5）瑞利噪声r = imnoise2('rayleigh',100000,1,0,1);bins = 100;figure,hist(r,bins)title('rayleigh')瑞利噪声服从瑞利分布6）exponential噪声r = imnoise2('exponential',100000,1);bins = 100;figure,hist(r,bins)title('exponential')7）伽马（爱尔兰）噪声r = imnoise2('erlang',100000,1);bins = 100;figure,hist(r,bins)title('erlang')四、 实验总结通过本次实验，我掌握了图像高斯噪声、瑞利噪声、伽马（爱尔兰）噪声、指数分布噪声、均匀分布噪声、脉冲噪声（椒盐噪声）的实现方法.了解了各种噪声的特点。
带有噪声信号的图像处理技术研究
带有噪声信号的图像处理技术研究随着科技的不断发展，图像处理技术在各行各业的应用中越来越广泛。
图像处理技术不仅可以提高图像的质量，增强图像的清晰度，还可以为人们提供更多的信息，满足人们对于图像的需求。
但是，图像处理技术在处理带有噪声信号的图像时面临着一些挑战，噪声信号会影响图像的质量，导致图像失真，而如何将噪声信号从图像中准确地去除，成为了图像处理技术研究中的重要问题。
一、图像噪声的分类及产生原因图像噪声可以分为多种，包括高斯噪声、脉冲噪声、椒盐噪声、周期性噪声、图像亮度噪声等，其中高斯噪声是最常见的一种噪声，也是最难以去除的一种。
噪声信号的产生原因有很多种，包括传感器本身的噪声、环境的干扰，以及信号采样、传输过程中的误差等。
二、图像去噪的方法图像处理技术中常用的去噪方法包括中值滤波、高斯滤波、均值滤波、小波变换等。
每种方法都有自己的优缺点，可以根据实际情况选择最合适的方法。
中值滤波是最简单也是最常用的一种去噪方法，它可以有效地降低图像噪声，但是对于一些斑点噪声和细节部分存在大量的噪声的图像效果不佳。
高斯滤波可以有效地平滑图像，但可能会导致图像模糊。
均值滤波也是一种常用的去噪方法，但是它的平滑效果不如高斯滤波。
三、小波变换在图像去噪中的应用小波变换是一种能够分解信号的连续波形为不同尺度的子波形的信号分析工具。
小波变换在图像处理领域中得到了广泛应用，尤其是在图像去噪中。
小波变换可以对图像进行多尺度分析，较好地处理图像细节部分的噪声，能够有效地保护图像的高频细节信息，同时去除图像的噪声，提高图像的质量。
小波变换的去噪方法包括硬阈值去噪和软阈值去噪，其中硬阈值去噪主要对噪声强度较大的噪声信号进行处理，而软阈值去噪则对噪声强度较小的噪声信号进行处理。
四、图像去噪的评价指标在图像去噪的实际应用中，如何评价去噪效果也是非常重要的。
通常使用的评价指标包括峰值信噪比（PSNR）、均方误差（MSE）和结构相似性（SSIM）。
图像噪声分类及去噪方法综述论文.doc
图像噪声分类及去噪⽅法综述论⽂.doc图像噪声分类及去噪⽅法综述数字图像中，噪声主要来源于图像的获取或传输过程。
成像传感器的性能受各种因素的影响，如图像获取过程中的环境条件和传感元器件⾃⾝的质量。
例如，在使⽤CCD摄像机获取图像时，光照⽔平和传感器温度是影响结果图像中噪声数量的主要因素。
图像在传输中被污染主要是由于传输信道中的⼲扰。
例如，使⽤⽆线⽹络传输的图像可能会因为光照或其他⼤⽓因素⽽污染。
图像噪声的分类图像噪声是图像在摄取或传输时所受的随机信号⼲扰，是图像中各种妨碍⼈们对其信息接受的因素。
很多时候将图像噪声看成是多维随机过程，因⽽描述噪声的⽅法完全可以借⽤随机过程的描述，即⽤其概率分布函数和概率密度分布函数。
图像噪声是多种多样的，其性质也千差万别，所以了解噪声的分类是很有必要的。
⼀．按产⽣的原因分类1.外部噪声，即指系统外部⼲扰以电磁波或经电源串进系统内部⽽引起的噪声。
如电⽓设备，天体放电现象等引起的噪声。
2.内部噪声，⼀般有四个源头：a)由光和电的基本性质所引起的噪声。
如电流的产⽣是由电⼦或空⽳粒⼦的集合，定向运动所形成。
因这些粒⼦运动的随机性⽽形成的散粒噪声；导体中⾃由电⼦的⽆规则热运动所形成的热噪声；根据光的粒⼦性，图像是由光量⼦所传输，⽽光量⼦密度随时间和空间变化所形成的光量⼦噪声等。
b)电器的机械运动产⽣的噪声。
如各种接头因抖动引起电流变化所产⽣的噪声；磁头、磁带等抖动或⼀起的抖动等。
c)器材材料本⾝引起的噪声。
如正⽚和负⽚的表⾯颗粒性和磁带磁盘表⾯缺陷所产⽣的噪声。
随着材料科学的发展，这些噪声有望不断减少，但在⽬前来讲，还是不可避免的。
d)系统内部设备电路所引起的噪声。
如电源引⼊的交流噪声；偏转系统和箝位电路所引起的噪声等。
这种分类⽅法有助于理解噪声产⽣的源头，有助于对噪声位置定位，对于降噪算法只能起到原理上的帮助。
⼆．按噪声频谱分类频谱均匀分布的噪声称为⽩噪声；频谱与频率成反⽐的称为1/f噪声；⽽与频率平⽅成正⽐的称为三⾓噪声等等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
4.1.1 图像增强的定义 对图像的某些特征，如
边缘 轮廓 对比度等 进行强调或锐化，以便于显示、观察或进一 步分析与处理。
首要目标:
处理图像，使其比原始图像更适合于特定 应用。
增强的方法是因应用不同而不同的。
图像增强方法只能有选择地使用。
增强的结果
只是靠人的主观感觉加以评价。
➢ 这是一种像素的逐点运算。 ➢ 点运算与相邻的像素之间无运算关系
➢ 是旧图像与新图像之间的映射关系。
对于一幅输入图像，经过点运算将产生一 幅输出图像。
输出图像上每个像素的灰度值仅由相应输入 像素的灰度值决定，而与像素点所在的位置 无关。
典型的点运算：
对比度增强、对比度拉伸或灰度变换。
4.2.1 灰度级校正
表4.1 一幅图像的灰度级分布
k
0
1
2
3
4
5
6
7
rk
0
1/7
2/7
3/7
4/7
5/7
6/7
1
nk
790 1023 850 656 329 245 122
81
pr(rk) 0.19 0.25 0.21 0.16 0.08 0.06 0.03 0.02
sk
0.19
0.44
0.65
0.81
0.89
0.95
Mf
图4.3 三段线性
g i,
j
c d/
a f c
i, j / b
a
f
i,
j a
c
M g
d/M f
b f
i,
j b d
0 a b
f f f
i, i, i,
j a j b j M f
对灰度区间[a,b]进行了线性拉伸，而灰度区
间[0,a]和[b,Mf]则被压缩。
仔细调整折线拐点的位置及控制分段直线的 斜率，可以对图像的任一灰度区间进行拉伸 或压缩 。
（4.7）
对数变换可以增强低灰度级的像素，压制高灰度级的像素,使灰度分布与 视觉特性相匹配。
4.2.3 灰度直方图变换 直方图（图4.5 ）：指图像中各种不同 灰度级像素出现的相对频率 。
相 对 频 率
灰度级
灰度直方图描述了图像的概貌。
直方图变换后可使图像的灰度间距拉开或使 灰度分布均匀，从而增大对比度，使图像细 节清晰，达到增强的目的。
❖ figure（a）原图
（b）原图的直方图
（c）输出图像
（d）输出图像的直方图
图4.4 图像线性变换
2．非线性灰度变换
当用某些非线性函数如对数、指数函数等作 为映射函数时，可实现灰度的非线性变换。
对数变换的一般表达式为：
g(i, j) clog(1 f (i, j) )
需再作适当的灰度变换，最后对变换后的图像进行量化。
4.2.2 灰度变换 灰度变换
可使图像动态范围增大，图像对比度扩展 从而使图像变得清晰以及图像上的特征变得明显。
1．线性变换 令原图像f (i, j)的灰度范围为[a，b] 线性变换后图像g(i, j)的范围为[a’, b’]。
g(i,j)
直方图变换有
直方图均衡化及直方图规定化两类。
直方图均衡化
通过对原图像进行某种变换，使得图像的直方图 变为均匀分布的直方图。
灰度级连续的灰度图像：当变换函数是原图 像直方图累积分布函数时，能达到直方图均 衡化的目的。
对于离散的图像，用频率来代替概率 。
【例4.2】假定有一幅总像素为n＝64×64的图 像，灰度级数为8，各灰度级分布列于表4.1 中。试对其进行直方图均衡化。
4.1.2 图像增强研究的内容
灰度变换
图像增强
空间域
频率域 彩色增强 代数运算
点运算
区域运算 高通滤波 低通滤波 同态滤波增强 假彩色增强 伪彩色增强 彩色变换增强
直方图修正法 平滑 锐化
图4.1 图像增强的内容
4.2 空间域单点增强
➢ 点运算
➢ 像素值通过运算改变之后，可以改善图像 的显示效果。
在成像过程中，如
光照的强弱、感光部件的灵敏度、光学系统的不 均匀性、元器件特性的不稳定
等均可引起图像亮度分布的不均匀。 灰度级校正
在图像采集系统中对图像像素进行逐点修正，使 得整幅图像能够均匀成像。
设理想真实的图像为 f (i, j) ，实际获得的含 噪声的图像为g(i, j) ，则有
b
a
f(i,j) ab
图4.2 线性变换
✓g(i, j)与f(i, j)之间的关系为：
g i, j a ' b ' a ' [ f i, j a]
ba
分段线性变换的目的
（4.5）
✓ 突出感兴趣的目标或灰度区间，相对抑制 那些不感兴趣的灰度区间。
✓常用的是三段线性变换。
g
Mg
d
c f
aa bb
0.98
1
sk
1/7
3/7
5/7
6/7
6/7
1
1
1
sk
1/7
3/7
5/7
6/7
1
nsk
790 1023 850
985
448
pr(sk) 0.19 0.25 0.21
（4.2）
可得比例因子：
ei, j gc i, j C1
（4.3）
可得实际图像g(i,j)经校正后所恢复的原始图像
f
i,
j
C
g i, j gc i, j
乘了一个系数C/ gc(i,j) ，校正后可能出现“溢（出4.”4）现 象
灰度级值可能超过某些记录器件或显示设备输入信号的动态 可范围
❖ imshow(A);
%显示图像
❖ figure,imhist(A);
%显示图像的直方图
❖ J1=imadjust(A,[0.3 0.7],[]);
❖ %函数将图像在0.3*255~0.7*255灰度之间的 值通过线性变换映射到0~255之间
❖ figure,imshow(J1);
%输出图像效果图
【例4.1 】在MATLAB环境中，采用图像线性变 换进行图像增强。应用MATLAB的函数 imadjust将图像0.3×255~0.7×255灰度之间的 值通过线性变换映射到0~255之间。 解：分别取：a＝0.3×255，b＝0.7×255， a’=0，b’=255。
实现的程序：
❖ A=imread('pout.tif'); %读入图像
g(i, j) e(i, j) f (i, j)
（4.1）
e(i, j) 是使理想图像发生畸变的比例因子。
知道了 e(i, j) , 就可以求出不失真图像。
标定系统失真系数的方法
采用一幅灰度级为常数C的图像成像，若经成像系 统的实际输出为 gc (i, j，) 则有
gc (i, j) e(i, j)C