图像做 DCT：揭秘那个让像素“开口说话“的数学魔法

一、一个让我开窍的乐谱解读故事我有一个学钢琴的表妹从小就有一种让我惊叹的能力——她听任何一段陌生的旋律都能立刻在钢琴上准确弹出来。我一直觉得她有绝对音感这种天赋。有一次我好奇地问她“你怎么做到的是不是每个音都能直接听出来” 她笑着回答“其实不是的。我听到的也是一段连续的’声音’。但我学过乐理后大脑会自动把这段声音’拆解’成一个个音符——这是 do、那是 mi、这里有个 fa、那里有个 la……拆解完成后旋律就变成了一串清晰的音符序列弹出来就很简单了。”表妹还补充了一段让我至今难忘的话“没学过乐理的人听音乐听到的是’一团声音’浑然一体但无法描述学过乐理的人听音乐听到的是’一串音符’清晰可分解可分析可重现。同一段声音在不同的’解读框架’下呈现出完全不同的形态。乐理就是一种’解读框架’——它让连续模糊的声音变成了离散精确的音符让音乐从’感性体验’变成了’理性对象’。”多年以后我学习数字图像处理才恍然大悟——DCT 对图像做的事情不就是表妹对音乐做的事情吗对于未经 DCT 的图像我们看到的是一堆像素——浑然一体但难以分析、难以压缩、难以处理对经过 DCT 的图像我们看到的是一组频率分量——每个分量代表一种特定的空间模式清晰可描述可操作可重现。DCT 就像图像处理的乐理——它给了我们一个全新的解读框架让图像从像素的海洋变成了频率的语言。今天这篇文章我想带你深入了解图像做 DCT这件事的本质——它具体是什么它在做什么它产生了什么为什么这个操作如此重要你会发现答案不只是冷冰冰的数学而是一段从看图到懂图的认知升级。读完这篇文章你会明白DCT 不只是一个变换公式更是一种全新的看图方式——一种让像素开口说话的数学魔法。二、先理解一个根本视角图像是什么要理解对图像做 DCT是什么首先要重新理解图像是什么。在不同视角下图像有截然不同的面貌。视角一图像是像素的二维网格这是最常见的视角。一张 1920×1080 的图像就是 1920×1080 207 万个小方块——每个小方块有一个亮度值黑白图或三个颜色值彩色图。整张图像就是这些小方块的集合。这个视角的特点——直观、易理解、对应物理屏幕。屏幕上的每个像素就是一个小方块发光整体构成画面。这是显示视角——告诉我们怎么把图像呈现给眼睛看。视角二图像是空间中亮度的二维函数这是数学视角。把图像看作一个函数f(x,y)f(x, y)f(x,y)——给定空间坐标(x,y)(x, y)(x,y)函数返回该位置的亮度值。整张图像就是这个二维函数的图形表示。这个视角的特点——抽象但强大。它让我们能用微积分、傅里叶分析等数学工具研究图像。这是分析视角——告诉我们怎么用数学语言描述和操作图像。视角三图像是许多基础模式的叠加这是 DCT 引入的视角。任何图像都可以表达为许多基础视觉模式的加权叠加——基础模式是各种空间频率的余弦波权重就是 DCT 系数。整张图像就是这些基础模式的和。这个视角的特点——揭示了图像的结构本质。它让我们看到图像背后隐藏的频率结构——大块平滑区域、细节纹理、锐利边缘各自对应不同的频率成分。这是结构视角——告诉我们图像是怎么由基础模式组装而成的。这三种视角描述的是同一张图像但揭示了图像不同层面的特征。就像同一个人从医学视角看是骨骼肌肉器官从社会视角看是角色关系身份从心理视角看是性格情绪认知——不同视角揭示不同层面的真相。对图像做 DCT本质上就是从视角一/视角二切换到视角三——把图像从像素网格重新解读为频率分量的集合。这种视角切换没有创造新信息变换是可逆的可以完美还原但它让原本隐藏的特征变得清晰可见——为后续的压缩、分析、处理打开了无数可能。让我们用一个生活化的比喻——想象一杯调好的鸡尾酒。从饮品视角看它就是一杯橙红色的液体有特定的味道从成分视角看它是由 30 ml 龙舌兰酒 20 ml 君度橙酒 15 ml 青柠汁 10 ml 糖浆等成分混合而成。两种视角描述的是同一杯酒但成分视角让你能分析、复制、改造它——这是饮品视角做不到的。DCT 对图像做的事情就是把鸡尾酒分解成成分配方——让图像变得可分析、可处理、可重新组合。三、DCT 在做什么本质操作的详细解读理解了视角切换让我们具体看看 DCT 在做什么。核心操作接收一个 8×8 的像素块64 个像素值输出一个 8×8 的 DCT 系数块64 个频率分量。输入一个 8×8 的像素矩阵每个值代表对应位置的亮度0-255黑到白。输出一个 8×8 的 DCT 系数矩阵每个值代表对应基础频率模式在原图中的贡献程度。让我们看一个具体例子。假设输入是一个 8×8 的像素块接近平滑的灰色所有像素值都在 120-130 之间输入像素值8×8 128 128 127 129 128 128 129 127 127 128 128 128 129 128 127 128 128 129 128 127 128 129 128 128 129 128 127 128 128 128 129 127 128 127 128 129 128 127 128 128 127 128 129 128 128 129 127 128 128 128 127 128 129 128 128 127 128 129 128 127 128 128 128 129做 DCT 后输出近似值输出 DCT 系数8×8 1024 0.5 0.3 0.1 0.0 0.0 0.0 0.0 0.5 0.2 0.1 0.0 0.0 0.0 0.0 0.0 0.3 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0注意输出的几个关键特征——特征一左上角位置 0,0的值最大1024。这就是DC 系数——代表整个块的平均亮度。对于接近 128 的平滑块DC 系数约为 128 × 8 1024。特征二左上角附近的值较小但非零0.5、0.3、0.1。这些是低频系数——代表块内的缓慢变化轻微的明暗变化。特征三右下角的值几乎都是 0。这些是高频系数——代表块内的剧烈变化。因为输入是平滑块几乎没有剧烈变化所以高频系数都接近 0。这就是 DCT 的核心威力——能量集中64 个像素值的信息变换后几乎全部集中到了左上角的几个系数中。这种少数系数承载大部分信息的特性是后续压缩的关键。让我们再看一个对比例子——输入一个有明显纹理的块比如黑白棋盘格输入像素值8×8 255 0 255 0 255 0 255 0 0 255 0 255 0 255 0 255 255 0 255 0 255 0 255 0 0 255 0 255 0 255 0 255 255 0 255 0 255 0 255 0 0 255 0 255 0 255 0 255 255 0 255 0 255 0 255 0 0 255 0 255 0 255 0 255做 DCT 后输出近似输出 DCT 系数8×8 1020 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1020注意这次能量集中在两个地方——左上角的 DC 系数代表平均亮度约 127和右下角的最高频系数代表最剧烈的水平和垂直变化模式正好对应棋盘格。这两个系数就完整描述了这个棋盘格64 个像素只用 2 个系数就能描述。通过这两个例子我们能直观感受到 DCT 在做什么——它把像素的具体值转换成了模式的贡献程度。平滑的块对应全局模式DC为主复杂的块对应多个模式的组合。每种类型的图像内容在 DCT 域都有特征性的系数分布——这就是 DCT 让图像开口说话的本质。四、那些基础模式DCT 基函数是什么样的DCT 把图像分解成 64 个基础模式的叠加这些基础模式到底长什么样让我们一探究竟。8×8 二维 DCT 有 64 个基础模式它们组成一个 8×8 的网格——网格中位置(u,v)(u, v)(u,v)的基础模式代表水平频率uuu 垂直频率vvv的视觉模式。让我们逐一描述这 64 个基础模式——位置 (0, 0)——最低频纯灰色块所有像素相同。代表全局亮度——这个块整体多亮。这就是著名的DC 系数对应的基础模式。位置 (0, 1)——水平方向最低频从左到右一个余弦周期的变化——左边亮、中间暗、右边亮或相反。代表水平方向的缓慢明暗变化。位置 (0, 2)——水平方向二倍频从左到右两个余弦周期的变化——亮暗亮暗。代表水平方向更快的变化。…以此类推到 (0, 7)——水平方向最高频从左到右 7 个余弦周期——非常密集的明暗交替。代表水平方向最剧烈的变化。位置 (1, 0)——垂直方向最低频和 (0, 1) 类似但是垂直方向。代表垂直方向的缓慢明暗变化。位置 (2, 0), (3, 0)…到 (7, 0)垂直方向频率逐渐增加直到最剧烈的垂直变化。位置 (1, 1)——水平和垂直都是一倍频像一个四象限图案——左上和右下一种亮度左上和右下一种亮度。代表斜向的明暗变化。位置 (1, 2), (2, 1) 等斜向位置各种斜向频率组合的图案。位置 (7, 7)——最高频像一个密集的棋盘格——水平和垂直都是 7 倍频。代表最复杂、最细密的视觉模式。如果你把所有 64 个基础模式画出来排成 8×8 的网格会看到一个非常美的图案——左上角是平滑的灰度图案右下角是密集的棋盘格图案中间是各种频率组合的过渡图案。这个DCT 基函数图谱在每一本图像处理教材的开头几页都会出现——它是理解 DCT 的视觉基础。这 64 个基础模式有几个关键性质——性质一完整性。它们能表达任意 8×8 的图像块——任何块都能写成它们的加权和。没有任何图像块是这 64 个模式无法表达的。性质二正交性。任意两个基础模式的内积为零——意味着它们携带的信息独立无冗余。这种独立性保证了 DCT 系数能完美对应每种模式的贡献程度没有歧义。性质三能量集中性。对自然图像能量主要集中在左上角的低频模式。这是因为自然图像通常是局部平滑、偶有边缘的低频成分占主导。性质四人眼感知对应。人眼对低频更敏感对高频不敏感——这恰好对应 DCT 系数的位置。这种对应让基于 DCT 的压缩策略保留低频丢弃高频能与人眼感知完美匹配。让我们用一个比喻总结这 64 个基础模式——它们就像音乐中的音符表。任何一段旋律都可以写成音符的组合音符表是有限的、固定的、完整的能表达所有旋律。DCT 的 64 个基础模式就是图像的音符表——能表达所有 8×8 的图像块每个图像块都对应一组音符权重DCT 系数。这种标准化的基础模式让图像从无穷的可能变成了有限维度的组合——为系统化的分析和处理打开了大门。五、DCT 把空间域变成频率域理解了基础模式让我们引入一个重要概念——“域domain”。这个概念是理解 DCT 的关键。域是什么它是数据所处的描述空间——用什么坐标系、什么单位、什么参考系来描述数据。同一份数据可以在不同的域中描述每个域揭示不同的特征。对图像来说最重要的两个域是——空间域Spatial Domain用位置作为坐标。图像的每个数据点对应一个 (x, y) 位置数据值是该位置的亮度。这是我们日常理解图像的方式——告诉我们哪里有什么。频率域Frequency Domain用频率作为坐标。图像的每个数据点对应一个 (u, v) 频率组合数据值是该频率成分的强度。这是 DCT 后看图像的方式——告诉我们图像包含哪些变化模式。对图像做 DCT本质上就是把数据从空间域转换到频率域。这种转换为什么重要因为不同的域适合做不同的事情——空间域适合做什么显示屏幕按位置显示像素必须用空间域。裁剪从图像中切出一部分区域按位置操作很自然。几何变换旋转、缩放、平移等操作按位置变换很直接。人眼直接理解我们看图像就是看哪里有什么。频率域适合做什么压缩丢弃不重要的频率成分高频细节实现高效压缩。滤波去除特定频率的噪声如周期性干扰。特征提取分析图像的频率特征用于识别、分类。理解结构看图像的频率指纹理解它的本质特征。所以 DCT 不是把数据变成了什么新东西而是换了一个描述方式——同样的图像在频率域中变得更容易处理某些任务。让我们用一个生活化的比喻——想象描述一个人。空间视角他在北京西二旗的字节跳动办公楼里。职业视角他是程序员在做大数据分析。社交视角他有家人、朋友、同事。心理视角他性格内向喜欢思考。这些都是同一个人但不同视角揭示不同特征适合做不同的事情——空间视角适合找到他职业视角适合评估能力社交视角适合理解关系心理视角适合预测行为。同样图像在空间域和图像在频率域是同一张图像的两种描述——没有信息差异DCT 可逆但揭示了不同特征适合做不同任务。理解这种域切换的本质是理解 DCT 的关键。有趣的是空间域 ↔ 频率域的转换不只是图像处理的专利——它在信号处理、量子物理、通信工程等无数领域都有重要应用。傅里叶变换是这种转换的祖师爷DCT 是它的工程实用版本。理解 DCT 的域切换思想等于理解了现代科学最重要的工具之一。六、DCT 系数的物理意义每个数字代表什么理解了频率域概念让我们具体看看 DCT 输出的 64 个系数每一个的物理意义是什么。DC 系数位置 0, 0全称Direct Current 系数——来自电气工程的术语对应电路中的直流分量不变化的部分。在图像中代表块的平均亮度——这个 8×8 块的平均亮度有多少。具体计算DC18∑x07∑y07f(x,y)DC \frac{1}{8} \sum_{x0}^{7} \sum_{y0}^{7} f(x,y)DC81​∑x07​∑y07​f(x,y)也就是 64 个像素的总和除以 8不是 64因为 DCT 公式中有归一化系数。DC 系数通常是 64 个系数中最大的承载了块的基础亮度信息。AC 系数其他 63 个位置全称Alternating Current 系数——对应电路中的交流分量变化的部分。在图像中代表块内的各种变化模式——各种空间频率的余弦波在原图中的贡献程度。低频 AC 系数左上区域代表缓慢的明暗变化——如平滑的渐变、大块的明暗对比。对应图像中的大尺度结构——天空、皮肤、墙面等平滑区域的细微变化。中频 AC 系数中间区域代表中等速度的变化——如较粗的纹理、明显的形状轮廓。对应图像中的中等尺度细节——树叶、衣物纹理、面部特征等。高频 AC 系数右下区域代表剧烈快速的变化——如锐利的边缘、密集的纹理、噪点。对应图像中的小尺度细节——头发丝、织物的精细纹理、随机噪声等。每个 AC 系数的符号也有意义——正负号代表对应模式的方向如水平方向上是先亮后暗还是先暗后亮。让我们用一个具体的图像类型看看它的 DCT 系数分布特征——蓝天图像的 8×8 块DC 系数很大蓝色的基础亮度低频 AC 系数有少量值轻微的渐变中高频 AC 系数几乎都是 0。整体特征能量极度集中在左上角。人脸图像的 8×8 块DC 系数较大皮肤的基础亮度低频 AC 系数较大脸部的明暗轮廓中频 AC 系数有一定值五官的细节高频 AC 系数较小但非零皮肤纹理。整体特征能量从左上向右下逐渐衰减。纹理密集图像的 8×8 块如织物特写DC 系数较大各频率 AC 系数都有较大值能量分布相对均匀。这种块在 DCT 后压缩效率较低——因为信息分散在多个系数中。通过观察 DCT 系数的模式能反推图像内容的特征——这就是 DCT 域分析的威力。很多图像分类、内容识别、伪造检测算法都基于 DCT 系数的统计特性。所以每个 DCT 系数都不是无意义的数字而是有明确物理意义的特征值——它告诉我们这个图像块中某种特定空间模式的贡献程度。理解每个系数的意义就能读懂DCT 后的图像——就像表妹能读懂乐谱一样。七、做 DCT 的实际过程一步步看理论说了这么多让我们具体看看对图像做 DCT的实际执行过程。完整流程步骤一图像预处理把图像从 RGB 转换到 YCbCr亮度色度只对亮度通道做 DCT 演示色度通道处理类似。如果像素值范围是 [0, 255]通常先减去 128 把范围调整到 [-128, 127]——让 DC 系数的范围更对称便于后续量化。步骤二分块把整张图像分成不重叠的 8×8 块。如果图像尺寸不是 8 的倍数最后一行/列需要填充到 8 的倍数——常用方法是复制边缘像素或填充 0。步骤三对每个块做二维 DCT直接计算方法套用 DCT 公式对每个块计算 64 个系数。朴素实现需要8440968^4 4096844096次乘加运算——慢但简单。优化方法一行列分离二维 DCT 可以分解为先做行 DCT、再做列 DCT。这是因为二维 DCT 的基函数是可分离的——每个二维基函数都可以写成行函数 × 列函数。这种分离让计算从O(N4)O(N^4)O(N4)降到O(N3)O(N^3)O(N3)对 8×8 块来说从 4096 次降到 1024 次。优化方法二快速 DCT 算法利用 DCT 的数学性质设计专门的快速算法如 Loeffler 算法、AAN 算法。一维 8 点 DCT 用 Loeffler 算法只需要 11 次乘法和 29 次加法——比朴素方法快 10 倍以上。配合行列分离整个 8×8 块的 DCT 只需要 100-200 次运算——非常高效。优化方法三硬件加速现代 CPU 的 SIMD 指令SSE、AVX能并行处理多个数据。GPU 能并行处理上千个块。专用的视频编解码芯片如手机里的 ISP内置了 DCT 硬件单元——速度比软件快几十倍。步骤四得到 DCT 系数矩阵每个 8×8 块的 DCT 完成后得到一个 8×8 的 DCT 系数矩阵。这就是对图像做 DCT的输出——后续的量化、扫描、编码都基于这个矩阵。完整代码示例Python简化版importnumpyasnpfromscipy.fftpackimportdctdefblock_dct(image):对图像做 8×8 分块 DCTh,wimage.shape# 确保尺寸是 8 的倍数实际应用需要填充h,wh//8*8,w//8*8imageimage[:h,:w].astype(float)-128# 移位到 [-128, 127]resultnp.zeros((h,w))foriinrange(0,h,8):forjinrange(0,w,8):blockimage[i:i8,j:j8]# 二维 DCT 先做行 DCT 再做列 DCTdct_blockdct(dct(block,axis0,normortho),axis1,normortho)result[i:i8,j:j8]dct_blockreturnresult# 使用示例importcv2 imagecv2.imread(photo.jpg,cv2.IMREAD_GRAYSCALE)dct_coefficientsblock_dct(image)这段代码完整展示了对图像做 DCT的过程——加载图像、分块、对每块做二维 DCT用行列分离的方式、得到 DCT 系数矩阵。实际生产代码会用快速 DCT 算法和 SIMD 优化但核心逻辑相同。理解这个执行过程让对图像做 DCT从抽象概念变成了具体操作——输入是像素矩阵输出是系数矩阵中间是一系列定义明确的数学运算。没有魔法全是逻辑——这就是工程之美。八、DCT 的可逆性能完美还原原图DCT 有一个极其重要的性质——它是完全可逆的。也就是说对图像做 DCT 后得到的系数可以通过逆 DCTIDCT完美还原成原始图像——不损失任何信息。这一点非常关键。如果 DCT 本身就有信息损失它就不能作为通用的变换工具——所有依赖 DCT 的应用都会受影响。幸运的是DCT 是数学上严格可逆的。逆 DCT 公式f(x,y)14∑u07∑v07C(u)C(v)F(u,v)cos⁡[(2x1)uπ16]cos⁡[(2y1)vπ16]f(x,y) \frac{1}{4} \sum_{u0}^{7} \sum_{v0}^{7} C(u) C(v) F(u,v) \cos\left[\frac{(2x1)u\pi}{16}\right] \cos\left[\frac{(2y1)v\pi}{16}\right]f(x,y)41​u0∑7​v0∑7​C(u)C(v)F(u,v)cos[16(2x1)uπ​]cos[16(2y1)vπ​]这个公式的含义非常清晰——用每个 DCT 系数作为权重乘以对应的基础模式把 64 个加权后的基础模式相加就重建出原始像素块。这正是基础模式加权和思想的字面体现——DCT 是分解找到每个模式的权重IDCT 是合成用权重重建图像。这种可逆性意味着——含义一DCT 本身不是压缩做完 DCT 后数据量没有任何变化——64 个像素值变成 64 个系数总数不变理论上需要的存储空间也不变。所以 DCT 本身不直接提供压缩效果。那 JPEG 怎么实现压缩的答案是——压缩发生在 DCT 之后的量化步骤。DCT 把信息重新组织成能量集中的形式让后续的量化能安全地丢弃大量小系数特别是高频系数——这才是压缩的来源。DCT 是为压缩做准备的预处理不是压缩本身。含义二DCT 不会引入失真做 DCT、然后立即做 IDCT能完美得到原始图像——一个像素值都不差不考虑浮点运算的舍入误差。所以 DCT 是无损变换。JPEG 中的失真来自哪里来自量化——量化是有损操作系数被除以量化表的值后取整量化误差无法在 IDCT 时恢复导致重建图像和原图有差异。如果跳过量化JPEG 就是无损的正是量化提供了压缩 vs 质量的可调节空间。含义三DCT 域和空间域是等价的任何在 DCT 域做的可逆操作等价于在空间域做某种操作。这意味着——有些操作在 DCT 域做更简单如某些类型的滤波做完后用 IDCT 还原效果等同于复杂的空间域操作。这就是为什么 DCT 在图像处理中是如此通用的工具——它给了我们一个等价但更易操作的工作空间。让我们用一个生活化的比喻总结可逆性——DCT 就像把一个家具拆解成零件IDCT 就像把零件重新组装回家具。拆解和组装都是无损的过程——零件总数不变没有任何损失。真正的压缩发生在拆解后扔掉一些不重要的零件——这是另一个步骤量化。理解 DCT 是重新组织信息而不是压缩信息是理解整个 JPEG/视频压缩流程的关键。九、写在最后回到开头那个学钢琴的表妹的故事——对图像做 DCT 真的就像表妹听音乐时做的自动音符识别。没做 DCT 时图像是一团像素——浑然一体但难以分析、难以处理、难以压缩做了 DCT 后图像变成一组频率分量——每个分量都有清晰的物理意义可分析、可处理、可优化。这种从感性整体到理性分解的转变正是 DCT 的核心价值。DCT 的伟大之处在于它给了我们一种全新的看图方式——它不创造新信息而是重新组织信息——把分散在像素中的频率结构显式地表达出来。它不直接压缩而是为压缩做准备——把信息变成能量集中的形式让后续量化能高效压缩。它不损失任何细节而是揭示隐藏的特征——通过 DCT 系数能读出图像内容的特征。它不只是一个公式而是一种思维方式——域切换的思想跨越了图像处理的边界在信号处理、机器学习、量子物理中都有重要应用。理解 DCT 让我们对信息的本质有了更深的认识——信息不是固定的东西而是可以用多种方式表达的抽象概念。同样的信息在不同的表达方式下呈现出不同的形态、揭示不同的特征、适合不同的处理。找到适合特定任务的最优表达方式是工程设计的核心智慧。DCT 找到的频率域表达方式恰好适合压缩、分析、增强这些任务——这就是它能成为图像处理基石的根本原因。更深一层来看——DCT 教给我们一种重要的设计哲学换个视角看问题。当你面对一个看似难解的问题试试用一个新的域重新表达数据。原本在某个域中难解的问题可能在另一个域中很简单。这种思维在无数领域都有应用——频率分析、主成分分析、神经网络的隐藏层、抽象代数中的同构映射……底层逻辑都是相通的。理解 DCT 的域切换思想等于掌握了一个跨领域的通用工具。下次当你打开一张 JPEG 图片、看一段视频、玩一段 4K 游戏——请记得屏幕上每一个像素的呈现背后都有 DCT 这个看图魔法在默默工作。它把原始的像素数据转换成频率分量让信息可以被高效压缩、传输、存储最终回到你眼前的屏幕上。这个过程精密、高效、优雅——没有它就没有我们今天习以为常的数字视觉体验。希望这篇文章让你对图像做 DCT有了全新的认识——它不再是一个抽象的数学操作而是一个充满智慧、有清晰物理意义、有深远影响的精妙工程设计。从像素的海洋到频率的语言从看图到懂图——DCT 完成的不只是数学变换更是一次认知升级。理解它就是学会用一种全新的方式看待视觉世界——那是数字图像处理最优雅的魔法也是工程之美最深刻的体现。